KLASIFIKASI PENYAKIT JANTUNG ATRIAL
FIBRILLATION (AF) DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN) PADA KASUS
MULTICLASS
TUGAS AKHIR
Oleh : Rahmi Khoirani 09011281520104
JURUSAN SISTEM KOMPUTER FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2019
i
KLASIFIKASI PENYAKIT JANTUNG ATRIAL FIBRILLATION (AF) DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN)
PADA KASUS MULTICLASS
TUGAS AKHIR
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Komputer
RAHMI KHOIRANI 09011281520104
JURUSAN SISTEM KOMPUTER FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2019
v
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT, atas segala karunia dan rahmat-Nya sehingga penulis dapat menyelesaikan penulisan Tugas Akhir ini dengan judul
“Klasifikasi Penyakit Jantung Atrial Fibrillation (AF) dengan Menggunakan Metode Recurrent Neural Network (RNN) pada Kasus Multiclass”.
Penulisan Tugas Akhir ini dilakukan untuk melengkapi salah satu syarat memperoleh gelar Sarjana Komputer di Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya. Adapun sebagai bahan penulisan, penulis mengambil berdasarkan hasil penelitian, observasi dan beberapa sumber literatur yang mendukung dalam penulisan Tugas Akhir ini. Pada kesempatan ini juga, penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu baik dari segi moril ataupun materil serta memberikan kemudahan, dorongan, saran dan kritik selama dalam proses penulisan Tugas Akhir ini.
Oleh karena itu, pada kesempatan ini penulis mengucapkan rasa syukur kepada Allah SWT. dan mengucapkan terima kasih kepada yang terhormat :
1. Orang Tua serta keluarga penulis tercinta, yang telah memberikan doa dan restu serta dukungan yang sangat besar selama mengikuti dan melaksanakan perkuliahan di Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya hingga dapat menyelesaikan Tugas Akhir ini.
2. Bapak Jaidan Jauhari, S.Pd., M.T., selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya.
3. Bapak Rossi Passarella, S.T., M.Eng., selaku Ketua Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.
4. Bapak Deris Stiawan, M.T., Ph. D., selaku Dosen Pembimbing Akademik di Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.
5. Ibu Prof. Dr. Ir. Siti Nurmaini, M.T. selaku Dosen Pembimbing Tugas Akhir di Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.
vi
6. Bapak Firdaus, S.T., M.Kom., Kak Naufal, dan Mba Nissa yang telah memberikan arahan dan nasihat dalam penulisan Tugas Akhir ini.
7. Mba Iis Oktaria, Kak Ahmad Reza Fahlevi, dan Mba Winda Kurnia Sari selaku admin Jurusan Sistem Komputer yang telah membantu mengurus seluruh berkas.
8. Seluruh dosen, staff, serta karyawan Fakultas Ilmu Komputer Universitas Sriwijaya.
9. Rofby Hidayadi yang selalu mendo’akan, membantu, dan memberikan semangat serta dukungan selama masa perkuliahan hingga penulisan Tugas Akhir ini.
10.Intelegent System Research Group (ISysRG) khususnya Ferlita, Ecy, Vicko, Andre, Noviar, dan Varindo yang telah memberikan support dan membantu dalam penulisan Tugas Akhir ini.
11.Kak Febrina, Nabilah Humairah, Henny Pratiwi, dan teman-teman SKC serta seluruh teman-teman seperjuangan angkatan 2015 Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.
12.Teman seperjuangan di HIMASISKO dan BPH HIMASISKO.
13.Almamater.
Penulis menyadari bahwa masih banyak kekurangan dalam penulisan Tugas Akhir ini. Karena sesungguhnya tak ada yang sempurna didunia ini. Untuk itu, segala saran dan kritik sangatlah penting bagi penulis. Akhir kata, semoga Tugas Akhir ini dapat bermanfaat dan berguna bagi khalayak.
Palembang, September 2019
Penulis
ix DAFTAR ISI
Halaman
Halaman Judul ... i
Halaman Pengesahan ... ii
Halaman Persetujuan ... iii
Halaman Pernyataan ... iv
Kata Pengantar ... v
Abstrak ... vii
Abstract ... viii
Daftar Isi ... ix
Daftar Gambar ... xii
Daftar Tabel ... xv
Daftar Lampiran ... xvii
BAB 1 PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Tujuan ... 2
1.3 Rumusan Masalah ... 2
1.4 Sistematika Penulisan ... 3
BAB 2 TINJAUAN PUSTAKA 2.1 Umum ... 4
2.2 Atrial Fibrillation (AF) ... 4
2.2.1 Karakteristik Atrial Fibrillation (AF) ... 5
2.2.2 Klasifikasi Atrial Fibrillation (AF) ... 5
2.3 Elektrokardiogram (EKG) ... 5
2.3.1 Gelombang P ... 7
2.3.2 QRS Complex ... 7
2.3.3 Gelombang T ... 7
2.3.4 Gelombang U ... 7
x
2.3.5 Interval PR ... 8
2.3.6 Interval QT ... 8
2.3.7 Segmen PR ... 8
2.3.8 Segmen ST ... 8
2.4 Denoising Sinyal ... 9
2.5 Random Oversampling (ROS) ... 10
2.6 Machine Learning ... 10
2.7 Artificial Neural Network (ANN) ... 11
2.7.1 Konsep Learning di Neural Network ... 12
2.7.2 Struktur Neural Network ... 13
2.7.3 Arsitektur Neural Network ... 13
2.8 Recurrent Neural Network (RNN) ... 15
2.8.1 Gate Recurrent Unit (GRU) ... 15
2.8.2 Long Short Term Memory (LSTM) ... 16
2.9 Fungsi Aktivasi ... 17
BAB 3 METODOLOGI 3.1 Umum ... 19
3.2 Persiapan Data ... 19
3.3 Pre-processing ... 22
3.3.1 Normalisasi ... 23
3.3.2 Denoising ... 23
3.3.3 Resampling Data ... 24
3.3.4 Segmentasi ... 26
3.4 Model Klasifikasi Recurrent Neural Network (RNN) ... 27
3.5 Validasi ... 29
3.5.1 Confusion Matrix ... 29
3.5.2 Akurasi ... 31
3.5.3 Sensitivitas ... 31
3.5.4 Spesifisitas ... 31
3.5.5 Presisi ... 32
3.5.6 F-measure ... 32
xi
3.5.7 Kurva Presisi-Recall ... 32
BAB 4 HASIL DAN PEMBAHASAN 4.1 Umum ... 33
4.2 Persiapan Dataset ... 33
4.3 Hasil Normalisasi ... 33
4.3.1 Hasil Normalisasi Sinyal Normal ... 34
4.3.2 Hasil Normalisasi Sinyal Atrial Fibrillation ... 35
4.3.3 Hasil Normalisasi Sinyal Others ... 36
4.4 Hasil Denoising ... 37
4.4.1 Hasil Denoising Sinyal Normal ... 37
4.4.2 Hasil Denoising Sinyal Atrial Fibrillation ... 38
4.4.3 Hasil Denoising Sinyal Others ... 39
4.5 Hasil Resampling Data ... 40
4.6 Hasil Segmentasi ... 41
4.7 Hasil Model Klasifikasi Recurrent Neural Network (RNN) ... 43
4.7.1 Hasil Pengujian Klasifikasi Kasus 1 ... 44
4.7.1.1 Hasil Validasi Kasus 1 pada Skenario 1 ... 45
4.7.1.2 Hasil Validasi Kasus 1 pada Skenario 2 ... 48
4.7.1.3 Hasil Validasi Kasus 1 pada Skenario 3 ... 50
4.7.2 Hasil Pengujian Klasifikasi Kasus 2 ... 58
4.7.2.1 Hasil Validasi Kasus 2 pada Skenario 1 ... 59
4.7.2.2 Hasil Validasi Kasus 2 pada Skenario 2 ... 62
4.7.2.3 Hasil Validasi Kasus 2 pada Skenario 3 ... 64
4.8 Analisa ... 72
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 78
5.2 Saran ... 79
Daftar Pustaka ... 80
Lampiran ... 84
xii
DAFTAR GAMBAR
Halaman
2.1. Komponen dasar sinyal EKG ... 6
2.2. Struktur Artificial Neural Network ... 13
2.3. Arsitektur Neural Network ... 14
2.4. Arsitektur Recurrent Neural Network ... 15
2.5. Arsitektur Long Short Term Memory ... 16
2.6. Fungsi aktivasi sigmoid ... 17
2.7. Fungsi aktivasi hyperbolic tangent ... 18
2.8. Fungsi aktivasi softmax ... 18
3.1.a. Bentuk sinyal Normal ... 19
3.1.b. Bentuk sinyal Atrial Fibrillation ... 19
3.1.c. Bentuk sinyal Others ... 20
3.2. Pembagian dataset ... 21
3.3. Blok Diagram ... 22
3.4. Blok diagram denoising sinyal ... 23
3.5.a. Pembagian data sebelum dilakukan resampling (imbalance) ... 25
3.5.b. Pembagian data sesudah dilakukan resampling (balance) ... 25
3.6.a. Flowchart model klasifikasi Kasus 1 ... 27
3.6.b. Flowchart model klasifikasi Kasus 2 ... 27
3.7. Struktur model klasifikasi Long Short Term Memory (LSTM) ... 28
4.1.a. Sinyal Normal sebelum dilakukan normalisasi ... 34
4.1.b. Sinyal Normal setelah dilakukan normalisasi ... 34
4.2.a. Sinyal Atrial Fibrillation sebelum dilakukan normalisasi ... 35
4.2.b. Sinyal Atrial Fibrillation setelah dilakukan normalisasi ... 35
4.3.a. Sinyal Others sebelum dilakukan normalisasi ... 36
4.3.b. Sinyal Others setelah dilakukan normalisasi ... 36
4.4.a. Sinyal normal hasil normalisasi sebelum dilakukan denoising ... 37
4.4.b. Sinyal normal hasil normalisasi setelah dilakukan denoising ... 38 4.5.a. Sinyal atrial fibrillation hasil normalisasi sebelum dilakukan denoising . 38
xiii
4.5.b. Sinyal atrial fibrillation hasil normalisasi setelah dilakukan denoising ... 39
4.6.a. Sinyal others hasil normalisasi sebelum dilakukan denoising ... 39
4.6.b. Sinyal others hasil normalisasi setelah dilakukan denoising ... 40
4.7. Grafik perbandingan pembagian data sebelun dan setelah dilakukan resampling data ... 41
4.8.a. Segmentasi window size Skenario 1 ... 42
4.8.b. Segmentasi window size Skenario 2 ... 43
4.8.c. Segmentasi window size Skenario 3 ... 43
4.9.a. Grafik model akurasi kasus 1 pada skenario 1 Percobaan ke-2 ... 46
4.9.b. Grafik model akurasi kasus 1 pada skenario 1 Percobaan ke-5 ... 46
4.9.c. Grafik model akurasi kasus 1 pada skenario 1 Percobaan ke-8 ... 47
4.9.d. Grafik model akurasi kasus 1 pada skenario 1 Percobaan ke-11 ... 47
4.9.e. Grafik model akurasi kasus 1 pada skenario 1 Percobaan ke-14 ... 47
4.10.a. Grafik model akurasi kasus 1 pada skenario 2 Percobaan ke-2 ... 49
4.10.b. Grafik model akurasi kasus 1 pada skenario 2 Percobaan ke-4 ... 49
4.10.c. Grafik model akurasi kasus 1 pada skenario 2 Percobaan ke-9 ... 49
4.10.d. Grafik model akurasi kasus 1 pada skenario 2 Percobaan ke-10 ... 50
4.10.e. Grafik model akurasi kasus 1 pada skenario 2 Percobaan ke-14 ... 50
4.11.a. Grafik model akurasi kasus 1 pada skenario 3 Percobaan ke-1 ... 52
4.11.b. Grafik model akurasi kasus 1 pada skenario 3 Percobaan ke-6 ... 52
4.11.c. Grafik model akurasi kasus 1 pada skenario 3 Percobaan ke-7 ... 52
4.11.d. Grafik model akurasi kasus 1 pada skenario 3 Percobaan ke-10 ... 53
4.11.e. Grafik model akurasi kasus 1 pada skenario 3 Percobaan ke-13 ... 53
4.12.a. Kurva Presisi-Recall Kasus 1 Skenario 1 pada percobaan ke-2 ... 57
4.12.b. Kurva Presisi-Recall Kasus 1 Skenario 2 pada percobaan ke-4 ... 57
4.12.c. Kurva Presisi-Recall Kasus 1 Skenario 3 pada percobaan ke-1 ... 58
4.13.a. Grafik model akurasi kasus 2 pada skenario 1 Percobaan ke-2 ... 60
4.13.b. Grafik model akurasi kasus 2 pada skenario 1 Percobaan ke-4 ... 60
4.13.c. Grafik model akurasi kasus 2 pada skenario 1 Percobaan ke-7 ... 61
4.13.d. Grafik model akurasi kasus 2 pada skenario 1 Percobaan ke-12 ... 61
4.13.e. Grafik model akurasi kasus 2 pada skenario 1 Percobaan ke-14 ... 61
4.14.a. Grafik model akurasi kasus 2 pada skenario 2 Percobaan ke-3 ... 63
xiv
4.14.b. Grafik model akurasi kasus 2 pada skenario 2 Percobaan ke-4 ... 63
4.14.c. Grafik model akurasi kasus 2 pada skenario 2 Percobaan ke-7 ... 63
4.14.d. Grafik model akurasi kasus 2 pada skenario 2 Percobaan ke-10 ... 64
4.14.e. Grafik model akurasi kasus 2 pada skenario 2 Percobaan ke-13 ... 64
4.15.a. Grafik model akurasi kasus 2 pada skenario 3 Percobaan ke-1 ... 66
4.15.b. Grafik model akurasi kasus 2 pada skenario 3 Percobaan ke-5 ... 66
4.15.c. Grafik model akurasi kasus 2 pada skenario 3 Percobaan ke-7 ... 66
4.15.d. Grafik model akurasi kasus 2 pada skenario 3 Percobaan ke-10 ... 67
4.15.e. Grafik model akurasi kasus 2 pada skenario 3 Percobaan ke-13 ... 67
4.16.a. Kurva Presisi-Recall Kasus 2 Skenario 1 pada percobaan ke-2 ... 71
4.16.b. Kurva Presisi-Recall Kasus 2 Skenario 2 pada percobaan ke-10 ... 71
4.16.c. Kurva Presisi-Recall Kasus 2 Skenario 3 pada percobaan ke-1 ... 72
4.17.a. Grafik model akurasi dari hasil terbaik Kasus 1 ... 74
4.17.b. Grafik model akurasi dari hasil terbaik Kasus 2 ... 75
4.18.a. Kurva Presisi-Recall dari hasil terbaik Kasus 1 ... 77
4.18.b. Kurva Presisi-Recall dari hasil terbaik Kasus 2 ... 77
xv
DAFTAR TABEL
Halaman
3.1. Profil dataset ... 20
3.2. Label dataset ... 21
3.3. Spesifikasi model klasifikasi Long Short Term Memory (LSTM) ... 29
3.4. Model confusion matrix ... 30
4.1. Pembagian dataset ... 33
4.2. Pembagian data klasifikasi kasus 1 ... 44
4.3. Pembagian data klasifikasi kasus 2 ... 44
4.4. Hasil pengujian kasus 1 pada skenario 1 ... 45
4.5. Hasil pengujian kasus 1 pada skenario 2 ... 48
4.6. Hasil pengujian kasus 1 pada skenario 3 ... 51
4.7. Perbandingan nilai terbesar pada kasus 1 antara skenario 1, skenario 2, dan skenario 3 ... 54
4.8. Nilai confusion matrix testing dari data hasil kasus 1 terbaik pada skenario 1 . ... 54
4.9. Nilai confusion matrix testing dari kasus 1 pada skenario 1 di percobaan ke-2 untuk masing-masing kelas ... 55
4.10. Nilai confusion matrix testing dari data hasil kasus 1 terbaik pada skenario 2 ... 55
4.11. Nilai confusion matrix testing dari kasus 1 pada skenario 2 di percobaan ke-4 untuk masing-masing kelas ... 55
4.12. Nilai confusion matrix testing dari data hasil kasus 1 terbaik pada skenario 3 ... 55
4.13. Nilai confusion matrix testing dari kasus 1 pada skenario 3 di percobaan ke-1 untuk masing-masing kelas ... 56
4.14. Nilai performance hasil evaluasi training dan testing data terbaik pada kasus 1 di setiap skenario untuk masing-masing kelas ... 56
4.15. Hasil pengujian kasus 2 pada skenario 1 ... 59
4.16. Hasil pengujian kasus 2 pada skenario 2 ... 62
xvi
4.17. Hasil pengujian kasus 2 pada skenario 3 ... 65 4.18. Perbandingan nilai terbesar pada kasus 2 antara skenario 1, skenario 2, dan skenario 3 ... 68 4.19. Nilai confusion matrix testing dari data hasil kasus 2 terbaik pada skenario 1 ... 68 4.20. Nilai confusion matrix testing dari kasus 2 pada skenario 1 di percobaan ke-2 untuk masing-masing kelas ... 69 4.21. Nilai confusion matrix testing dari data hasil kasus 2 terbaik pada skenario 2 ... 69 4.22. Nilai confusion matrix testing dari kasus 2 pada skenario 2 di percobaan ke-4 untuk masing-masing kelas ... 69 4.23. Nilai confusion matrix testing dari data hasil kasus 2 terbaik pada skenario 3 ... 69 4.24. Nilai confusion matrix testing dari kasus 2 pada skenario 3 di percobaan ke-1 untuk masing-masing kelas ... 70 4.25. Nilai performance hasil evaluasi training dan testing data terbaik pada kasus 2 di setiap skenario untuk masing-masing kelas ... 70 4.26. Hasil terbaik dari pengujian kasus 1 dan kasus 2 pada setiap rasio pembagian data training dan testing ... 73 4.27. Hasil terbaik dari pengujian kasus 1 dan kasus 2 pada setiap skenario ... 74 4.28. Confusion matrix testing dari hasil terbaik pada kasus 1 dan kasus 2 ... 75 4.29. onfusion matrix testing dari hasil terbaik pada kasus 1 dan kasus 2 untuk masing-masing kelas ... 76 4.30. Nilai performance dari hasil terbaik pada kasus 1 dan kasus 2 ... 76
xvii
DAFTAR LAMPIRAN
LAMPIRAN 1. Berkas Revisi Tugas Akhir LAMPIRAN 2.Cek Plagiat
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Penyakit jantung Arrhythmia merupakan gangguan yang mempengaruhi irama jantung yang berdetak tidak normal baik itu terlalu cepat maupun terlalu lambat. Arrhythmia terjadi karena sinyal listrik yang mengatur irama detak jantung mengalami gangguan [1]. Salah satu penyakit jantung Arrhythmia yang paling umum adalah Atrial Fibrillation (AF) [2]. Atrial Fibrillation (AF) merupakan kondisi yang ditandai dengan irama detak jantung yang tidak teratur dan seringnya detak jantung berdetak lebih cepat karena kelainan aktivitas listrik di jantung. Jika penyakit jantung ini dapat didiagnosis lebih cepat maka komplikasi dan penyakit jantung tersebut bisa diatasi dengan baik. Sebanyak 50% kasus tetap tidak terdiagnosis selama lebih dari 5 tahun, hal ini disebabkan karena deteksi Atrial Fibrillation (AF) dipersulit oleh beberapa faktor, yaitu [3]: Pertama, Atrial Fibrillation (AF) biasanya tergantung pada pengaturan Electrocardiograph (EKG) yang tercatat di rumah sakit. Kedua, karena sifat yang mendadak dari kondisi ini, pasien mungkin tidak menunjukkan gejala apapun pada saat perekaman sinyal jantung, dan yang ketiga mungkin membutuhkan waktu pemantauan secara berkala.
Elektrokardiogram (EKG) digunakan untuk mendeteksi adanya penyakit jantung [4]. Elektrokardiogram (EKG) merupakan diagnosis yang penting dan efektif dalam mendeteksi kondisi abnormal pada jantung. Sinyal Elektrokardiogram (EKG) merekam aktivitas bioelektrikal jantung [5]. Pada saat ini, dokter sudah memiliki kemampuan untuk membaca serta menganalisis hasil dari output data sinyal Elektrokardiogram (EKG). Akan tetapi tingkat ketelitian yang tinggi sangat dibutuhkan dalam menganalisis data output dari sinyal Elektrokardiogram (EKG) ini [1].
Dalam penelitian sebelumnya, metode Artificial Neural Network (ANN) menghasilkan akurasi sebesar 84.5% dan metode Gaussian Mixture Model (GMM) menghasilkan akurasi sebesar 87.36% [6][7]. Selain kedua metode tersebut masih banyak metode lain yang sudah dilakukan akan tetapi tidak dapat mengekstrak fitur secara otomatis [8]. Dengan demikian, dalam mengklasifikasi penyakit jantung
2
pada data dari sinyal Elektrokardiogram (EKG) dibutuhkan sebuah metode untuk meningkatkan nilai akurasi. Metode-metode pendekatan dalam deep-learning dapat meningkatkan nilai performance seperti Convolution Neural Network (CNN), dan khususnya Recurrent Neural Network (RNN) dimana metode satu ini cocok digunakan untuk memproses data yang sekuensial seperti sinyal Elektrokardiogram (EKG) [9].
Berdasarkan hal tersebut, maka mengklasifikasi sinyal EKG dari penyakit jantung Atrial Fibrillation (AF) dapat digunakan dengan menggunakan metode Recurrent Neural Network (RNN) untuk meningkatkan nilai performance pada data yang sekuensial.
1.2 Tujuan
Adapun tujuan dari penulisan Proposal Tugas Akhir ini adalah sebagai berikut :
1. Merancang model klasifikasi sinyal EKG dengan menggunakan metode Recurrent Neural Network (RNN) pada kasus multiclass.
2. Menganalisis hasil kinerja dari metode Recurrent Neural Network (RNN) dalam mengklasifikasi kondisi sinyal EKG Normal (N), Atrial Fibrillation (AF), dan Others (O).
1.3 Rumusan Masalah
Berdasarkan penelitian sebelumnya diketahui bahwa untuk mengkasifikasi sinyal EKG dengan nilai performance yang tinggi dibutuhkan metode dari deep- learning yang mampu memproses data sekuensial seperti metode Recurrent Neural Network (RNN). Oleh karena itu, rumusan masalah dari penelitian ini adalah bagaimana mengklasifikasi sinyal EKG dari penyakit jantung Atrial Fibrillation (AF) dengan menggunakan metode Recurrent Neural Network (RNN) untuk mendapatkan nilai performance yang baik. Adapun batasan masalah pada penelitian ini adalah menggunakan bahasa pemograman Python untuk model klasifikasi sinyal EKG dari penyakit jantung Atrial Fibrillation (AF). Dataset yang digunakan hanya tiga kelas yang diambil dari PhysioNet Computing in Cardiology
3
(CinC) 2017 challenge, yaitu kelas Normal (N), Atrial Fibrillation (A), dan Others (O).
1.4 Sistematika Penulisan
Adapun sistematika penulisan dalam Proposal Tugas Akhir ini adalah sebagai berikut:
BAB 1 PENDAHULUAN
Pada Bab I akan berisikan latar belakang masalah, tujuan, rumusan masalah dan sistemaika penulisan.
BAB 2 TINJAUAN PUSTAKA
Pada Bab II akan berisikan dasar teori mengenai penyakit jantung Arrhythmia, Atrial Fibrillation (AF), sinyal Elektrokardiogram (EKG), Denoising Sinyal, Machine Learning, Random Oversampling (ROS), model klasifikasi berupa Artificial Neural Network (ANN) dan metode Recurrent Neural Network (RNN), serta fungsi aktivasi.
BAB 3 METODOLOGI
Pada Bab III akan membahas metodologi dan perancangan model klasifikasi sinyal EKG dari penyakit jantung Atrial Fibrillation (AF) dengan menggunakan metode Recurrent Neural Network (RNN) pada kasus multiclass.
BAB 4 HASIL DAN PEMBAHASAN
Pada Bab IV akan berisikan hasil dan pembahasan mengenai pengklasifikasian sinyal EKG dari penyakit jantung Atrial Fibrillation (AF) dengan menggunakan metode Recurrent Neural Network (RNN) pada kasus mmulticlass.
BAB 5 KESIMPULAN DAN SARAN
Pada Bab V berisi kesimpulan dari bab-bab yang sudah dicantumkan mengenai hasil dari pengimplementasian metode Recurrent Neural Network (RNN) dalam pengklasifikasian sinyal EKG dari penyakit jantung Atrial Fibrillation (AF) pada kasus multiclass. Pada bab ini juga akan berisi saran yang diharapkan dapat digunakan untuk penelitian selanjutnya.
80
DAFTAR PUSTAKA
[1] G. T. Ramadhan and D. Q. Utama, “Klasifikasi Penyakit Aritmia Melalui Sinyal Elektrokardiogram ( EKG ) Menggunakan Metode Local Features dan Support Vector Machine Classification Electrocardiogram Signals on Arrhythmia using Local Features and Support Vector Machine,” vol. 5, no.
1, pp. 1787–1792, 2018.
[2] P. Schwab, G. C. Scebba, J. Zhang, M. Delai, and W. Karlen, “Beat byBeat : Classifying Cardiac Arrhythmias with Recurrent Neural Networks,” vol. 44, pp. 1–4, 2017.
[3] I. Gotlibovych, S. Crawford, D. Benaron, and G. Marcus, “End-to-end Deep Learning from Raw Sensor Data : Atrial Fibrillation Detection using Wearables.”
[4] E. Purwanti and F. C. A. S, “Desain Sistem Klasifikasi Kelainan Jantung menggunakan Learning Vector Quantization,” pp. 57–62, 2013.
[5] S. Singh, S. K. Pandey, U. Pawar, and R. Ram, “Classification of EKG Arrhythmia using Recurrent Neural Networks,” Procedia Comput. Sci., vol.
132, no. Iccids, pp. 1290–1297, 2018.
[6] Y. H. Hu, W. J. Tompkins, J. L. Urrusti, and V. X. Afonso, “Applications of artificial neural networks for EKG signal detection and classification,” J.
Electrocardiol., vol. 26 Suppl, p. 66—73, 1993.
[7] R. J. Martis and M. M. R. Krishnan, “Automated Screening of Arrhythmia Using Wavelet Based Machine Learning Techniques,” pp. 677–688, 2012.
[8] D. Paiva and M. Batista, “Automatic Arrhythmia Classification : A Pattern Recognition Approach Biomedical Engineering,” no. November, 2014.
[9] E. Messner, S. Member, Z. Matthias, F. Pernkopf, and S. Member, “Heart Sound Segmentation - An Event Detection Approach using Deep Recurrent Neural Networks,” vol. 9294, no. c, pp. 1–11, 2018.
[10] C. Sowmiya, “Analytical Study of Heart Disease Diagnosis Using Classification Techniques,” 2017.
[11] M. Clinic, “Atrial Fibrillation and Cardiovascular Diseases – a European Heart Network paper,” no. September, 2015.
81
[12] A. Herna et al., “Arrhythmias in congenital heart disease : a position paper of the European Heart Rhythm Association ( EHRA ), Association for European Paediatric and Congenital Cardiology ( AEPC ), and the European Society of Cardiology ( ESC ) Working Group on Grown-up Congenital heart disease , endorsed by HRS , PACES , APHRS , and SOLAECE,” no.
March, pp. 1–35, 2018.
[13] P. Dokter and S. Kardiovaskular, “Pedoman Tata Laksana Fibrilasi Atrium,”
2014.
[14] K. Antczak, “Deep Recurrent Neural Networks for EKG Signal Denoising,”
pp. 1–8.
[15] S. Savalia and V. Emamian, “Cardiac Arrhythmia Classification by Multi- Layer Perceptron and Convolution Neural Networks,” 2018.
[16] S. Samad, S. A. Khan, A. Haq, and A. Riaz, “Classification of Arrhythmia,”
vol. 2, no. 1, pp. 57–61, 2014.
[17] H. Abrishami and M. Campbell, “Supervised EKG Interval Segmentation Using LSTM Neural Network,” no. August, 2018.
[18] R. Chauhan and R. Dahiya, “Optimal Choice of Thresholding Rule for Denoising EKG using DWT,” pp. 1–5.
[19] H. Lin, S. Liang, Y. Ho, Y. Lin, and H. Ma, “Discrete-wavelet-transform- based noise removal and feature extraction for EKG signals,” vol. 35, pp.
351–361, 2014.
[20] S. H. Ebenuwa and M. H. D. S. Sharif, “Variance Ranking Attributes Selection Techniques for Binary Classification Problem in Imbalance Data,”
IEEE Access, vol. 7, pp. 24649–24666, 2019.
[21] C. Seiffert, T. M. Khoshgoftaar, and J. Van Hulse, “Improving Software- Quality Predictions With Data Sampling and Boosting,” vol. 39, no. 6, pp.
1283–1294, 2009.
[22] F. Charte, A. J. Rivera, J. María, and F. Herrera, “Neurocomputing Addressing imbalance in multilabel classi fi cation : Measures and random resampling algorithms,” Neurocomputing, vol. 163, pp. 3–16, 2015.
[23] M. Atif, J. Kittler, and F. Yan, “Inverse random under sampling for class imbalance problem and its application to multi-label classification,” Pattern
82
Recognit., vol. 45, no. 10, pp. 3738–3750, 2012.
[24] S. Ben-david and S. Shalev-Shwartz, Understanding Machine Learning : From Theory to Algorithms. 2014.
[25] N. J. Nilsson, “Introduction to Machine Learning An Early Draft of A Proposed Textbook Department of Computer Science,” 2005.
[26] W. Budiharto and D. Suhartono, “Artificial Intelligence: Konsep dan Penerapannya.” pp. 168–180, 2014.
[27] L. R. Medsker and L. C. Jain, “RECURRENT NEURAL Design and Applications,” 2001.
[28] A. Y. Prathama, A. Aminullah, A. Saputra, D. Teknik, and U. G. Mada,
“Penentuan Prosentase Bobot Pekerjaan Pada Rumah Sakit Pratama,” vol. 7, 2017.
[29] J. A. Bullinaria, “Recurrent Neural Networks,” pp. 1–20, 2015.
[30] C. Zhangl, G. Wangl, J. Zhaol, P. Gaol, and H. Yangl, “Patient-specific EKG Classification Based on Recurrent Neural Networks and Clustering Technique,” 2017.
[31] R. Jozefowicz and I. G. Com, “An Empirical Exploration of Recurrent Network Architectures,” vol. 37, 2015.
[32] N. Kaiyrbekov, O. Krestinskaya, and A. P. James, “Variability Analysis of Memristor-based Sigmoid Function,” 2018 Int. Conf. Comput. Netw.
Commun., pp. 206–209.
[33] M. S. Imtiaz, K. A. Wahid, and I. Senior, “Image Enhancement and Space- variant Color Reproduction Method for Endoscopic Images using Adaptive Sigmoid Function,” no. 2, pp. 3905–3908, 2014.
[34] W. Zhou, Z. Xu, and S. Member, “Asy m metric Fuzzy Preference Relations based on the Generalized Sigmoid Scale and Their Application in Decision Making Involving Risk Appetites,” vol. 2, no. c, 2015.
[35] A. H. Namin, K. Leboeuf, R. Muscedere, H. Wu, and M. Ahmadi, “Efficient Hardware Implementation of the Hyperbolic Tangent Sigmoid Function,”
pp. 2117–2120, 2009.
[36] R. Hu, “Efficient Hardware Architecture of Softmax Layer in Deep Neural Network,” 2018 IEEE 23rd Int. Conf. Digit. Signal Process., pp. 1–5.
83
[37] A. A. Mohammed and V. Umaashankar, “Effectiveness of Hierarchical Softmax in Large Scale Classification Tasks,” 2018 Int. Conf. Adv. Comput.
Commun. Informatics, no. 2, pp. 1090–1094, 2018.
[38] L. Barolli, “Advances in Intelligent Systems and Computing 772 Complex , Intelligent , and Software Intensive Systems,” no. January, 2019.
[39] C. in C. Challenge, “AF Classification From A Short Single Lead EKG Recording : The Physionet. https://physionet.org/challenge/2017/.,” 2017.
