Deteksi Gejala Aritmia dengan Analisis Sinyal Ekstraksi Data Detak Jantung menggunakan Algoritma Machine Learning

Thirdian, Vicky (2024) Deteksi Gejala Aritmia dengan Analisis Sinyal Ekstraksi Data Detak Jantung menggunakan Algoritma Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000211-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (3MB) | Request a copy

Abstract

Penyakit jantung merupakan salah satu penyebab kematian kronis terbesar di dunia dan memberikan dampak signifikan pada angka kematian global. Detak jantung, sebagai indikator vital kesehatan jantung, dalam memberikan informasi penting tentang deteksi dini penyakit jantung. Aritmia merupakan salah satu gangguan jantung yang umum, menyebabkan ketidaknormalan irama jantung, baik terlalu cepat maupun terlalu lambat. Penelitian ini difokuskan pada pengolahan data RR dalam mengklasifikasikan seseorang terindikasi penyakit aritmia. RR merupakan jarak interval antar titik puncak pada gelombang sinyal Elektrokardiogram. Kumpulan dataset RR akan dilakukan analisis pada dua domain sinyal, yaitu domain waktu dan domain frekuensi. Dengan melakukan ekstraksi fitur pada kedua domain tersebut, diperoleh total 12 fitur yang diataranya ialah meanRR, HR, SDRR, RMSSD, NN50, SDSD, CVR, LF_Peak, HF_Peak, LF_Norm, HF_Norm, LF/HF. Langkah berikutnya yaitu seleksi fitur berdasarkan nilai korelasi antar fitur, sehingga dapat dipastikan hanya fitur fitur kuat digunakan dalam melakukan proses pembangunan model. Setelah proses seleksi fitur selesai, dibangun model machine learning menggunakan tiga algoritma, yaitu k-Nearest Neighbors, Random Forest, dan Support Vector Machine. Hasil evaluasi model menunjukkan tingkat akurasi masing-masing model secara berurutan adalah 82%, 76%, dan 85%. Program tersebut dikembangkan ke dalam bentuk web menggunakan framework Laravel dan Flask.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Arrhythmia, Peak RR, Electrocardiogram, Feature Extraction, KNN, Random Forest, SVM, Laravel, Flask, Web, Aritmia, RR, Elektrokardiogram, Ekstraksi Fitur, KNN, Random Forest, SVM, Laravel, Flask, Web.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Vicky Thirdian
Date Deposited:	16 Feb 2024 03:34
Last Modified:	16 Feb 2024 03:34
URI:	http://repository.its.ac.id/id/eprint/107137

Actions (login required)

View Item