24.04.1216
005.1 - software engineering
Karya Ilmiah - Skripsi (S1) - Reference
Iot
2 kali
<p>Penelitian ini berfokus pada deteksi infark miokard (Myocardial Infar-<br /> ction) menggunakan metode hybrid deep learning pada sinyal phonocardio-<br /> gram (PCG). Kami mengusulkan model hybrid yang menggabungkan Convo-<br /> lutional Neural Network (CNN) dengan Long Short-Term Memory (LSTM),<br /> Bidirectional LSTM (BiLSTM), dan Gated Recurrent Unit (GRU). Kinerja<br /> algoritma-algoritma ini dibandingkan untuk menentukan yang paling efektif<br /> dalam deteksi infark miokard (Myocardial Infarction). Ekstraksi fitur meli-<br /> batkan enam metode yaitu wavelet, MFCC, ZCR, Spectral Cotrast, Shannon<br /> Entropy, dan RMS, menghasilkan 46 fitur untuk analisis.<br /> Analisis menunjukkan bahwa model CNN-LSTM, CNN-BiLSTM, dan CNN-<br /> GRU non-tuning menunjukkan model yang kurang robust karena inkonsistensi<br /> dalam dataset pelatihan dan validasi. Namun, versi tuning dari model-model<br /> tersebut menunjukkan peningkatan signifikan. CNN-LSTM yang di tuning<br /> mencapai akurasi 92.86%, presisi 94.38%, dan skor F1 93.33%. Tuning CNN-<br /> BiLSTM menghasilkan akurasi yang serupa tetapi presisi dan skor F1 sedikit<br /> lebih rendah. Secara mencolok, model Tuning CNN-GRU mengungguli yang<br /> lain, mencapai akurasi tertinggi 94.05%, presisi 92.47%, dan skor F1 94.51%,<br /> menunjukkan konsistensi yang kuat antara dataset pelatihan dan validasi. Stu-<br /> di ini menekankan pentingnya penyetelan dalam meningkatkan kinerja dan<br /> keandalan model hybrid deep learning dalam deteksi penyakit kardiovaskular.</p>
Tersedia 1 dari total 1 Koleksi
Nama | MOHAMMAD AXEL ARIAPASKHA |
Jenis | Perorangan |
Penyunting | Satria Mandala |
Penerjemah |
Nama | Universitas Telkom, S1 Informatika |
Kota | Bandung |
Tahun | 2024 |
Harga sewa | IDR 0,00 |
Denda harian | IDR 0,00 |
Jenis | Non-Sirkulasi |