Sistem Deteksi Atrial Fibrillation Menggunakan Metode Convolutional Neural Network (CNN) 1-Dimensi
DOI:
https://doi.org/10.34818/eoe.v9i6.19148Abstrak
Abstrak— Atrial Fibrillation (AF) merupakan kondisi detak jantung abnormal yang disebabkan karena atrium berkontraksi lebih cepat secara berturut-turut sehingga darah tidak dapat dipompa sepenuhnya menuju ventrikel. Dengan kemajuan teknologi seperti sekarang, hal ini dapat dimanfaatkan oleh dokter maupun tenaga medis untuk menganalisis aktivitas jantung yang abnormal, dengan harapan mendapatkan hasil yang optimal dengan waktu yang seefisien mungkin. Klasifikasi sinyal EKG dibagi menjadi 2 kelas, yaitu Atrial Fibrillation (AF) dan Normal Sinus Rhythm (NSR). Dataset yang digunakan pada tugas akhir ini menggunakan dataset dari Massachusetts Institute of Technology Beth Israel Hospital (MIT-BIH) Normal Sinus Rhythm Database PhysioNet dan Atrial Fibrillation Database PhysioNet yang berisi 25 rekaman sinyal EKG jangka panjang penderita AF dan 18 rekaman sinyal EKG jangka panjang dalam kondisi normal. Tugas akhir ini merancang sistem deteksi AF menggunakan metode Convolutional Neural Network dengan arsitektur CNN 1-Dimensi. Skenario pengujian dilakukan terhadap 5 model layer, parameter waktu, nilai learning rate, optimizer, dan batch size. Performansi terbaik didapatkan dengan menggunakan model ke-5, parameter waktu 8 detik, learning rate 0.001, optimizer Adam, dan batch size 64. Didapatkan hasil akurasi 100%, recall 100%, presisi 100%, dan f-1 score 100%. Kata kunci—atrial fibrillation (AF), convolutional neural network (CNN), elektrokardiogram (EKG), normal sinus rhythm (NSR).Unduhan
Referensi
[1] S. Djauzi, N. Abdurrahman, W. Prodjosudjadi, et al.,
Ilmu Penyakit Dalam. 6th ed. Jakarta:
InternaPublishing, 2014.
[2] WHO, “The Top 10 Causes of Death,” WHO reports,
pp. 1–9, 2020, [Online]. Available:
https://www.who.int/news-room/factsheets/detail/the-top-10-causes-of-death.
[3] M. S. Chandra, S. Kumala, and S. A. Keban,
“Evaluating the Use of Warfarin Using the HASBLED Score and INR on Atrial Fibrillation Patients
at Harapan Kita National Heart Center,” J. Profesi
Medika, vol. 14, no. 2, pp. 132–136, 2020, doi:
10.33533/jpm.v14i2.1671.
[4] E. Anzihory, Nuryani, and Darmanto “Sistem
Deteksi Fibrilasi Atrium menggunakan Fitur RR
Elektokardiogram dengan Jaringan Syaraf Tiruan,” J.
Fisika dan Aplikasinya, vol. 12, no. 2, p. 57, 2016,
doi: 10.12962/j24604682.v12i2.1330.
[5] G. Petmezas, K. Haris, L. Stefanopoulos, et al,
“Automated Atrial Fibrillation Detection using a
Hybrid CNN-LSTM Network on Imbalanced ECG
Datasets,” Elsevier, vol. 63, 2020, doi:
10.1016/j.bspc.2020.102194.
[6] R. H. Sirait., “Fisiologi Jantung,” Dep. Anestesiologi
Kedokteran UKI Jakarta, pp. 1–17, 2020.
[7] S. H. Rampengan., Buku Praktis Kardiologi. Jakarta:
Fakultas Kedokteran UI, 2014.
[8] M. G. Ragab, S. J. Abdulkadir, N. Aziz, et al, “A
novel one-dimensional cnn with exponential adaptive
gradients for air pollution index prediction,”
Sustainability, vol. 12, no. 23, pp. 1–22, 2020, doi:
10.3390/su122310090.



