![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Agus hermawan
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
PUSTAKA Agus hermawan
PUBLIC 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.