Klasifikasi Penyakit Gagal Jantung Kongestif Menggunakan Artificial Neural Network (Ann) Berdasarkan Ekstraksi Fitur Higher-Order Moments Detrended Fluctuation Analysis pada Variabilitas Denyut Jantung

Astuti, Nurfiana Dwi (2018) Klasifikasi Penyakit Gagal Jantung Kongestif Menggunakan Artificial Neural Network (Ann) Berdasarkan Ekstraksi Fitur Higher-Order Moments Detrended Fluctuation Analysis pada Variabilitas Denyut Jantung. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5214100055-Undergraduate_Theses.pdf - Published Version
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Penyakit jantung koroner atau penyakit kardiovaskular merupakan penyakit yang mempengaruhi jantung serta semua pembuluh darah di tubuh yang disebabkan oleh penumpukan plak di arteri seseorang dan dapat berakibat pada terjadinya stroke atau serangan jantung. Menurut Departemen Kesehatan Indonesia (Depkes RI) penyakit jantung koroner merupakan penyebab utama dan pertama dari seluruh kematian, yaitu sebesar 26,4%. Melihat tingginya nilai kematian tersebut, perlu adanya pendeteksi penyakit jantung demi mengurangi jumlah kematian akibat penyakit jantung. Pendeteksian penyakit jantung dapat dilakukan dengan memeriksa sinyal Heart Rate Variability (HRV). Penilaian HRV dilakukan dengan cara menganalisis rekam short-term dan long-term Electrocardiogram (ECG). Untuk menganalisis sinyal HRV, diperlukan metode ekstraksi fitur Higher-Order Moments Detrended Fluctuation Analysis untuk melihat struktur non-linear dan melihat volatility behavior pada data HRV. Input dari Higher-Order Moments Detrended Fluctuation Analysis adalah sinyal ECG yang sudah diubah menjadi sinyak HRV. Output dari ekstraksi fitur tersebut adalah nilai fungsi fluktuasi dan local scaling esponent berdasarkan skewness dan kurtosis pada pasien penyakit jantung dan pasien normal. Nilai tersebut kemudian digunakan sebagai input untuk klasifikasi menggunakan Artificial Neural Network. Output dari klasifikasi tersebut adalah klasifikasi pasien penyakit jantung dan pasien normal. Hasil klasifikasi ekstraksi fitur Higher-Order Moments Detrended Fluctuation Analysis menghasilkan akurasi terbaik sebesar 71.43% dengan nilai ROC yaitu 0.774 yang dapat dikategorikan sebagai klasifikasi yang cukup baik. Hasil dari penelitian ini diharapkan dapat digunakan dalam penelitian selanjutnya dengan menggunakan metode klasifikasi lainnya dan dapat bermanfaat di dunia mendis untuk mendiagnosa penyakit gagal jantung kongestif pada pasien agar segera dilakukan tindakan preventif. ============ Coronary heart disease or cardiovascular disease is a disease that affects the heart and all blood vessels in the body caused by the buildup of plaque in a person's arteries and can result in stroke or heart attack. According to the Indonesian Ministry of Health (MOH) coronary heart disease is the main cause of all deaths, which amounted to 26.4%. Seeing the high mortality rate, the need for detection of heart disease in order to reduce the number of deaths from heart disease come surface. Detection of heart disease can be done with the help of Heart Rate Variability (HRV) signal. The HRV assessment is performed by short-term and long-term motion of the electrocardiogram (ECG). To see the symptoms of HRV, a method is needed to view non-linear structures and to see volatility behavior on HRV data. Input from High-Order Moments Detrended Fluctuation Analysis is an ECG signal that has been converted into HRV. The result of this feature extraction is the fluctuations function and local scaling exponent based on skewness and kurtosis in patients with heart disease and normal patients. The value is then used as input for Artificial Neural Networks classification. The output of this classification is the class of the patient's heart disease and the normal patient. The output of classification has the best result with 71.43% for accuracy and 0.774 for ROC value which can be categorized as a good enough classification. The results of this study are expected to be used in subsequent research by using methods of carefulness and can be useful to diagnose congestive heart failure in patients for immediate preventive action.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Klasifikasi, Higher-Order Moments Detrended Fluctuation Analysis; Skewness; Kurtosis; Heart Rate Variability; Artificial Neural Network
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
Divisions: Faculty of Information Technology > Information System > (S1) Undergraduate Theses
Depositing User: Nurfiana Dwi Astuti
Date Deposited: 08 Feb 2018 02:32
Last Modified: 08 Feb 2018 02:32
URI: http://repository.its.ac.id/id/eprint/49541

Actions (login required)

View Item View Item