digilib@itb.ac.id +62 812 2508 8800

COVER Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

ABSTRAK Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

BAB 1 Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

BAB 2 Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

BAB 3 Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

BAB 4 Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

BAB 5 Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

PUSTAKA Agus hermawan
PUBLIC Open In Flip Book Yati Rochayati

Penyakit jantung masih menjadi penyebab kematian tertinggi di Indonesia maupun dunia. Di Indonesia, dokter ahli kardiovaskular masih kurang dan tingkat sebarannya tidak merata. Electrocardiogram (ECG) adalah salah satu alat yang menjadi standar baku dalam mendeteksi penyakit jantung. Fokus dari penelitian ini adalah untuk membangun model komputer berbasis Artificial Neural Network (ANN) yang mampu mendeteksi kelainan detak jantung dari sinyal ECG. Dalam penelitian ini, telah dikembangkan Two-Stage Modified Encoder (TSME) sebagai metode untuk klasifikasi kelainan detak jantung (aritmia). Model ini mempunyai 2 input, yaitu 187 sampel yang diperoleh dari proses ekstraksi satu gelombang detak jantung (fitur morfologi), dan 8 sampel yang didapatkan dari perhitungan R-R interval detak jantung (fitur temporal). Input dari fitur morfologi diproses melalui blok konvolusi dan blok attention, untuk kemudian digabungkan dengan input dari fitur temporal. Database Physionet MIT-BIH (The Massachusetts Institute of Technology – Beth Israel Hospital) digunakan untuk melatih dan evaluasi terhadap model. Metode ini dievaluasi dengan inter-patient paradigm untuk memenuhi persyaratan standar AAMI, dimana subyek yang digunakan untuk evaluasi, berbeda dengan subyek yang digunakan dalam fase pelatihan (training) model. Dari eksperiman yang dilakukan, diperoleh sensitivitas (sensitivity) sebesar 94.24%, 90.02%, 92.89% dan 18.56% untuk detak jantung dengan tipe Normal (N), Supraventricular (S), Ventricular (V) dan Fusion (F). Sedangkan untuk positive predictivity didapatkan hasil 99.79%, 43.55%, 88.59% dan 14.49% untuk detak jantung dengan tipe Normal (N), Supraventricular (S), Ventricular (V) dan Fusion (F). Keseluruhan akurasi untuk keempat tipe detak jantung adalah 93.41%. Jika dibandingakan dengan metode terbaik lainnya, metode ini mampu memberikan hasil yang bersaing dengan dengan hasil sensitivitas yang berimbang diatas 90% untuk tipe S (SVEB) dan tipe V (VEB), sementara positive predictivity untuk tipe N (Normal) sebesar 99,8%. Untuk menguji sifat generalisasi model terhadap sumber data lainnya, dilakukan evaluasi kinerja dengan menggunakan Database INCART. Dari penelitian ini dapat disimpulkan bahwa metode ini dapat digunakan dalam aplikasi bidang medis, karena memiliki positive predictivity tinggi untuk mendeteksi detak jantung normal dan sensitivity tinggi untuk mendeteksi detak jantung tidak normal.