Deteksi Aritmia Menggunakan Algoritma Deep Neural Network (Dnn) Pada Sinyal Elektrokardiogram
Abstract
Jantung merupakan organ vital manusia yang
memiliki fungsi untuk memompa darah ke seluruh tubuh. Salah
satu penyakit umum pada jantung yang terjadi pada manusia
yaitu Aritmia. Aritmia jantung atau biasa dikenal dengan irama
jantung abnormal adalah penyakit kelainan pola irama
jantung. Aritmia menyebabkan jantung tidak mampu bekerja
secara maksimal sehingga bisa menyebabkan sakit dan nyeri
pada dada dikarenakan irama yang tidak menentu. Pada
penelitian sebelumnya, deteksi Aritmia telah berhasil dilakukan
dengan menggunakan metode klasifikasi ANN. Namun
demikian, proses training data dengan metode ANN
membutuhkan waktu yang lama. Untuk mengatasi hal tersebut,
DNN dikenalkan sebagai salah satu metode klasifikasi yang
menawarkan akurasi yang tinggi dengan waktu proses training
yang lebih singkat. Pada penelitian ini dirancang suatu sistem
deteksi Aritmia dengan menggunakan pengembangan
algoritma Deep Neural Network (DNN) yang mendukung
peningkatan akurasi klasifikasi Aritmia dengan
mengklasifikasikan sinyal EKG. Pada penelitian ini
menggunakan dataset dari DataHub.io dengan jumlah 444 data.
Pada Tugas Akhir ini, dataset yang didapat dari DataHub.io
dibagi kedalam dua kelas yaitu Aritmia dan Tidak Aritmia.
Kemudian akan dilakukan beberapa skenario pengujian guna
mencari hyperparameter terbaik. Validasi akurasi terbaik yang
didapat sebesar 71,91% dan validasi loss sebesar 0.6647.
Kata kunci—Aritmia, Deep Neural Network (DNN),
Elektrokardiogram (EKG)
References
A. Isin and S. Ozdalili,
detection using deep learning,= Procedia Comput. Sci., vol.
, pp. 268-275, 2017, doi: 10.1016/j.procs.2017.11.238.
A. N. O. Sebayang,
Syaraf Tiruan dalam Deteksi Dini Aritmia Jantung,= J. Ilm.
Mhs. Kedokt. Indones., vol. 5, no. 2, pp. 55-62, 2018.
A. W. Setiawan, R. A. Djohan, and F. I. Tawakal,
Metoda Deteksi Puncak-R,= Seniati, vol. 5, pp. 123-128,
D. R. Oktaviani and M. Habiburrohman,
Kelainan Jantung Menggunakan Dimensi Fraktal Dan
Transformasi Wavelet,= J. Ilm. Mat. Dan Terap., vol. 17,
no. 2, pp. 230-237, 2020, doi:
22487/2540766x.2020.v17.i2.15315.
D. K. Atal and M. Singh,
Classification with ECG signals based on the Optimization-
Enabled Deep Convolutional Neural Network,= Comput.
Methods Programs Biomed., vol. 196, 2020, doi:
1016/j.cmpb.2020.105607.
D. Gupta, B. Bajpai, G. Dhiman, M. Soni, S.
Gomathi, and D. Mane,
classification using deep neural network,= Mater. Today
Proc., no. xxxx, 2021, doi: 10.1016/j.matpr.2021.05.249.
E. S. Mtsweni et al.,
Archit. Manag., vol. 25, no. 1, pp. 1-9, 2020.
H. Shi, C. Qin, D. Xiao, L. Zhao, and C. Liu,
network with multiple input layers,= Knowledge-Based
Syst., vol. 188, no. xxxx, 2020, doi:
1016/j.knosys.2019.105036.
H. A. Guvenir, B. Acar, G. Demiroz and A. Cekin,
"A supervised machine learning algorithm for arrhythmia
analysis," Computers in Cardiology 1997, Lund, Sweden,
, pp. 433-436, doi: 10.1109/CIC.1997.647926.
I. R. Haryosuprobo, Y. Soegiarto, and F. Suryadi,
Gelombang Singkat Diskrit,= Techne J. Ilm. Elektrotek.,
vol. 15, no. 02, pp. 149-164, 2016, doi:
31358/techne.v15i02.151.
J. C. Bean,
Neural Netw., 2019.
L. Irawati,
Kesehat. Andalas, vol. 4, no. 2, pp. 596-599, 2015, doi:
25077/jka.v4i2.306.
M. A. Saputro, E. R. Widasari, and H. Fitriyah,
Tubuh Manusia Secara Wireless,= Pengemb. Teknol. Inf.
Dan Ilmu Komput., vol. 1, no. 2, pp. 148-156, 2017.
