Filter Adaptif Untuk Mendeteksi Outlier Data Pada Sinyal Photoplethysmograph

Amri, Taufiq Choirul (2023) Filter Adaptif Untuk Mendeteksi Outlier Data Pada Sinyal Photoplethysmograph. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211009-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (2MB) | Request a copy

Abstract

Outlier adalah data abnormal yang terdapat dalam suatu distribusi data. Dalam sistem pembelajaran mesin, penanganan outlier sangat penting karena dapat mempengaruhi hasil prediksi. Salah satu cara untuk mengatasi outlier adalah dengan memangkas atau menghapus data yang tidak sesuai.
Penelitian ini membahas masalah outlier pada sinyal photoplethysmography (PPG), yaitu metode untuk mengukur kondisi sistem kardiovaskuler. Sinyal PPG sering mengalami masalah outlier karena beberapa hal seperti prosedur pengambilan sampel yang salah, penempatan alat yang tidak tepat, dan masalah cahaya dari lingkungan sekitar. Oleh karena itu, metode deteksi outlier yang efektif diperlukan untuk mengatasi masalah ini.
Penelitian ini mengusulkan tiga metode filter untuk deteksi outlier pada sinyal PPG, yaitu Moving Average Filter, Slope detection, dan Z-score. Metode ini diterapkan pada tiga algoritma pembelajaran mesin, yaitu regresi linier, Support Vector Regression, dan Random Forest. Hasil penelitian menunjukkan bahwa implementasi metode filter mempengaruhi akurasi pembelajaran mesin secara signifikan. Algoritma Random Forest memiliki akurasi tertinggi setelah implementasi deteksi outlier, dengan akurasi sebesar 93,99%. Implementasi filter satu dan dua juga meningkatkan akurasi menjadi 89,65%
Kesimpulan dari penelitian ini adalah bahwa deteksi outlier sangat penting untuk meningkatkan akurasi sistem pembelajaran mesin. Penelitian ini mengusulkan tiga metode filter yang dapat digunakan untuk mengatasi masalah outlier pada sinyal PPG. Implementasi metode filter pada algoritma pembelajaran mesin memiliki pengaruh positif pada akurasi. Oleh karena itu, deteksi outlier harus dipertimbangkan dalam proses pembelajaran mesin untuk memastikan hasil analisis yang akurat.
================================================================================================================================
Outlier refers to the abnormal data in a data distribution. Handling outliers is crucial in machine learning systems as it can affect the prediction outcome. Currently, the easiest way to tackle outliers is by trimming or removing the data.
This study addresses the outlier issue in photoplethysmography (PPG) signals, which is a method to detect the cardiovascular system condition. The outlier problem in PPG signals is caused by various reasons such as incorrect sample collection procedures, improper device placement, and environmental light issues.
The study proposes outlier detection methods for PPG signals using three filters, namely Moving Average Filter, Slope Detection, and Z-Score. It is applied to three machine learning algorithms, linear regression, Support Vector Regression, and Random Forest.
The results of this study indicate that the filter method has a significant impact on the accuracy of the machine learning algorithm. Random Forest has the highest accuracy after outlier detection implementation with an accuracy of 93.99%. The implementation of filter one and two also increased the accuracy to 89.65%. The conclusion of this study is that outlier detection is crucial for improving the accuracy of machine learning systems.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Moving average filter, Outlier, photoplethysmograph, Signal filter, Slope, Z-score, photoplethysmograph, Filter sinyal, outlier, Z-Score, Moving average, Slope
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Taufiq Choirul Amri
Date Deposited:	03 Feb 2023 05:36
Last Modified:	03 Feb 2023 05:36
URI:	http://repository.its.ac.id/id/eprint/96059

Actions (login required)

View Item