TUGAS AKHIR
OLEH :
MUHAMMAD ARDIANSYAH
09011281924028
TUGAS AKHIR
Oleh
MUHAMMAD ARDIANSYAH
09011281924028
Mengetahui,
Dr. Ir. Sukemi, M.T. Prof. Ir. Siti Nurmaini, M.T., Ph.D.
NIP. 196612032006041001 NIP. 196908021994012001
ii
HALAMAN PERSETUJUAN
Hari : Kamis
Tim Penguji :
Mengetahui,
Ketua Jurusan Sistem Komputer
iii
HALAMAN PERNYATAAN
NIM : 09011281924028
Menyatakan bahwa laporan tugas akhir ini adalah hasil pekerjaan tangan
penulis sendiri tanpa adanya penjiplakan pada karya orang lain atau plagiat. Jika
ditemukan unsur-unsur penjiplakan dalam tugas akhir saya, maka saya siap
menerima sanksi akademi dari Universitas Sriwijaya.
Muhammad Ardiansyah
NIM. 09011281924028
iv
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Dengan Menyebut asma Allah yang maha pengasih lagi maha penyayang,
Alhamdulillah atas berkah dan rahmat yang telah Ia limpahkan penulis dapat
menyelesaikan penulisan Tugas Akhir ini yang berjudul “Deteksi QRS Complex
Pada Sinyal Fetal Electrogardiogram menggunakan Deep Learning”.
1. Allah SWT, yang telah memberikan berkah dan rahmat-Nya sehingga saya
dapat menyelesaikan penulisan Proposal Tugas Akhir ini dengan baik dan
lancar.
2. Orang tua yang telah melanturkan berjuta do’a serta motivasi untuk saya
dan telah mendidik sedari kecil hingga saat ini.
3. Bapak Prof. Dr. Ir. M.Said, M.Sc., selaku PLT Dekan Fakultas Ilmu
Komputer Universitas Sriwijaya.
4. Bapak Dr. Ir. Sukemi, M.T., selaku Ketua Jurusan Sistem Komputer
Fakultas Ilmu Komputer Universitas Sriwijaya.
5. Ibu Prof. Dr. Siti Nurmaini, M.T., Ph.D. selaku Dosen Pembimbing Tugas
Akhir yang telah meluangkan waktunya guna membimbing, memberikan
saran dan motivasi serta bimbingan terbaik untuk penulis dalam
menyelesaikan Tugas Akhir ini.
6. Bapak Abdurahman S. KOM., M. HAN. selaku Dosen Pembimbing
Akademik.
7. Ibu Annisa Darmawahyuni, M.Kom, selaku Asisten Dosen Pembimbing
Tugas Akhir yang telah membimbing dan memotivasi selama penyelesaian
Tugas Akhir ini.
8. Mbak Renny selaku admin Jurusan Sistem Komputer yang telah membantu
mengurus seluruh berkas.
v
9. Siti Luthfia Unigha selaku support system 24/7 dalam pengerjaan skripsi
ini.
10. Mahasiswa ISysRg Batch 4 yang tidak saya lupakan, yang telah membantu
dalam memberikan saran serta bantuan dalam penelitian ini.
11. Dan semua pihak yang telah membantu.
Akhir kata penulis berharap semoga tugas akhir ini dapat bermanfaat serta
dapat memberikan pengetahuan dan wawasan bagi semua pihak yang
membutuhkannya..
Muhammad Ardiansyah
NIM. 090112811924028
vi
Deteksi QRS Complex Pada Sinyal Fetal Electrocardiogram
Menggunakan Deep Learning
Email : Ardi412233@gmail.com
ABSTRAK
vii
QRS-Complex Signal Detection in Fetal Electrocardiogram
Using Deep learning
E-Mail : Ardi412233@gmail.com
ABSTRACT
viii
DAFTAR ISI
ix
BAB III METODOLOGI PENELITIAN ......................................................... 16
3.1. Pendahuluan ............................................................................................... 16
3.2. Kerangka Kerja .......................................................................................... 16
3.3. Persiapan Data............................................................................................ 17
3.4. Pra-pengolahan Data ................................................................................. 18
3.4.1 Denoising (Pengurangan Derau) .............................................................. 20
3.4.2 Normalisasi (Normalize Bound) .............................................................. 21
3.4.3 Segmentasi .................................................................................................. 23
3.5. Pembagian Data Uji dan data latih .......................................................... 24
3.6. Ekstraksi Fitur Menggunakan CNN ........................................................ 24
3.7. Deteksi dengan BI-LSTM ......................................................................... 25
3.8. Validasi Model ........................................................................................... 26
BAB V KESIMPULAN....................................................................................... 40
DAFTAR PUSTAKA ........................................................................................... 41
x
DAFTAR GAMBAR
xi
DAFTAR TABEL
Tabel 3.1. Paparan Nilai Rata-rata SNR DWT Pada Dataset Sinyal EKG ............ 21
Tabel 3.2 Arsitektur CNN 4 Layer ........................................................................ 25
Tabel 4.1 Hasil performa model ke-1 ................................................................... 28
Tabel 4.2 Tabel sebaran dataset ............................................................................ 30
Tabel 4.3 Paparan Penilaian Model 2 ................................................................... 30
Tabel 4.4 Hasil Penilaian Model 3 ........................................................................ 32
xii
BAB I
PENDAHULUAN
Salah satu metode yang digunakan dalam pemrosesan sinyal untuk melakukan
deteksi pada sinyal EKG adalah deep learning. Deep learning merupakan
pembelajaran komputer yang memiiki arsitektur seperti Convolutional Neural
Network (CNN) dan Recurrent Neural Network (RNN) yang biasa diguanakan
untuk pemrosesan sinyal[3]. RNN, sebagai metode deep learning, dirancang
khusus untuk deteksi dan prediksi data dalam urutan waktu. RNN dapat
mempelajari tipe data time series karena kemampuannya dalam mengalirkan
informasi dari satu langkah ke langkah berikutnya[4]. Meskipun demikian, RNN
memiliki beberapa kekurangan, seperti exploding dan vanishing gradients.
Kekurangan ini dapat diatasi dengan menggunakan metode Bidirectional Long-
Short Term Memory (BI-LSTM) [5].
Dengan demikian, penelitian ini akan fokus pada deteksi gelombang QRS
dalam sinyal EKG, dengan menggunakan metode deep learning seperti CNN dan
RNN, serta memperbaiki kekurangan RNN dengan mengimplementasikan BI-
LSTM. Dengan pendekatan ini, diharapkan dapat meningkatkan akurasi dan
efektivitas dalam analisis sinyal EKG untuk diagnosis dan perawatan pasien.
1
2
1.4. Tujuan
Tujuan yang akan dicapai dari penelitian ini adalah sebagai berikut :
1. Membangun algoritma untuk pendeteksian QRS kompleks terhadap
dataset Fetal Electrocardiogram dengan penerapan metode
Convolutional Recurrent Neural Network
2. Melakukan pengujian performa terhadap algoritma pendeteksian QRS
kompleks.
3. Melakukan Uji Model Dengan Data unseen.
BAB I PENDAHULUAN
Pada bab pertama ini, terdapat penjelasan secara sistematis tentang latar
belakang tugas akhir yang akan dilakukan, tujuan penelitian, rumusan masalah,
serta batasan masalah yang akan dihadapi selama penulisan tugas akhir. Selain itu,
bab ini juga menjelaskan tentang sistematika penulisan tugas akhir yang akan
diikuti.
Bagian latar belakang akan menjelaskan mengapa topik ini dipilih sebagai
tugas akhir, serta memberikan konteks dan pemahaman tentang topik yang akan
dibahas. Tujuan penelitian akan menjelaskan apa yang ingin dicapai melalui
penelitian, dan rumusan masalah akan menjelaskan pertanyaan-pertanyaan yang
akan dijawab dalam tugas akhir ini. Batasan masalah akan membatasi lingkup
penelitian agar lebih fokus dan terarah, sedangkan sistematika penulisan akan
memberikan panduan mengenai struktur dan isi dari tugas akhir yang akan dibuat.
Bab ini membahas tentang serangkaian proses dan kegiatan yang dilakukan
dalam penelitian. Tahapan-tahapan tersebut dimulai dari persiapan data yang
meliputi pengumpulan, pembersihan, dan pemilihan data yang akan digunakan
dalam penelitian. Selanjutnya, dilakukan pengurangan noise atau Denoising untuk
menghilangkan noise pada sinyal, normalisasi data untuk menyesuaikan range
data, dan segmentasi beat sinyal untuk memisahkan setiap gelombang EKG.
Setelah itu, dilakukan pembuatan label untuk mengidentifikasi setiap beat sinyal.
Tahapan terakhir yaitu ekstraksi fitur dan delineasi, di mana dilakukan analisis
lebih lanjut terhadap setiap beat sinyal untuk mendapatkan informasi yang lebih
detail dan akurat.
Bab ini akan membahas hasil pengujian dari penelitian dan analisis terhadap
hasil pengujian tersebut. Hasil pengujian tersebut mencakup seluruh tahapan yang
telah dilakukan dalam penelitian, mulai dari persiapan data hingga ekstraksi fitur
dan delineasi. Setiap tahapan pengujian akan dijelaskan secara rinci, termasuk
juga hasil yang diperoleh dari setiap tahapan tersebut.
hasil pengujian tersebut. Dari analisis tersebut, dapat diambil kesimpulan yang
berhubungan dengan keberhasilan penelitian, serta saran untuk pengembangan
penelitian di masa yang akan datang.
BAB V KESIMPULAN
Bab ini akan menampilkan kesimpulan akhir yang dapat diambil dari analisis
hasil penelitian. Setelah melakukan pengujian dan analisis secara menyeluruh,
kesimpulan akan dihasilkan dengan mempertimbangkan semua fakta dan temuan
yang diperoleh selama penelitian. Kesimpulan ini sangat penting karena dapat
digunakan sebagai panduan untuk memperbaiki kualitas dan meningkatkan
keefektifan penelitian di masa depan.
Selain itu, pada bab ini juga akan dibahas beberapa rekomendasi untuk
penelitian selanjutnya. Rekomendasi ini dapat berupa saran atau saran praktis
yang ditujukan kepada para peneliti yang akan melakukan penelitian di bidang
yang sama atau terkait. Dengan rekomendasi ini, diharapkan dapat membantu para
peneliti di masa depan dalam mengembangkan dan meningkatkan penelitian yang
mereka lakukan.
BAB II
TINJAUAN PUSTAKA
Penelitian sebelumnya yaitu Jung Seong Lee, Minseok Seo, Sang Woo Kim
dengan judul “ Fetal QRS Detection Based On Convolutional Neural Networks
in Noninvasive Fetal Electrocardiogram”. Dalam penelitian tersebut peneliti
menggunakan metode deep learning dengan menerapkan Convolutional Neural
Network (CNN). Peneliti pada penelitian ini menggunakan Convolutional Neural
Network Sebanyak 7 layer. Hasil akhir yang dapat di simpulkan dari penelitian
terdahulu ini adalah algoritma dari sensitivitas rata-rata menunjukkan nilai
89,06% dengan nilai prediksi positif sebesar 92,77%.[6]
6
7
2.2.Elektrokardiogram
Elektrokardiogram merupakan suatu alat diagnosis yang dimanfaatkan untuk
membaca keadaan dan kelainan pada jantung, baik kelainan secara anatomis
maupun fisiologis[7]. Dalam gelombang sinyal EKG terdapat morfologi sinyal
dimana pada gelombang sinyal memiliki titik tertinggi dan titik permulaan. Titik-
titik yaitu gelombang P, QRS Kompleks,T. pada penelitian ini memfokuskan
kepada QRS Kompleks yang dipaparkan pada Gambar 2.1.
Dalam DWT, sinyal input dibagi menjadi dua bagian, yaitu koefisien
"approximation" dan "detail". Approximation adalah representasi sinyal input
secara kasar pada skala tertentu, sedangkan detail mencerminkan perbedaan antara
sinyal input asli dan approximation pada skala yang sama. Proses filter dan
subsampling dilakukan pada sinyal approximation untuk menghasilkan
9
approximation dan detail pada skala berikutnya. Proses ini berlanjut hingga
mencapai resolusi terendah.
DWT banyak digunakan dalam pengolahan sinyal dan citra untuk tujuan
seperti kompresi data, denoising, deteksi tepi, dan ekstraksi fitur. Teknik ini juga
berguna dalam analisis data dan pengenalan pola karena dapat memberikan
representasi sinyal yang lebih sederhana dan informatif.
Arsitektur RNN terdiri dari satu atau beberapa sel memori (memory cell) yang
mengandung informasi dari input sebelumnya, serta fungsi aktivasi yang
memperbarui informasi di dalam sel memori. Selain itu, RNN juga dilengkapi
dengan koneksi feedback, yang memungkinkan informasi untuk kembali ke sel
memori. Dalam RNN, informasi input pada setiap time step digunakan bersamaan
dengan informasi dari time step sebelumnya untuk menghasilkan output pada time
step yang sedang diproses.
luar riwayat normal jaringan kembali. Gerbang ini dapat menyimpan, menulis atau
membaca data, mempelajari kapan data diizinkan, dilakukan atau dihapus dengan
menebak, mengulang kesalahan, dan melakukan proses iteratif yang
menyesuaikan bobot dengan penurunan gradien. Pada gambar 2.2 dipaparkan
bentuk dari arsitektur Bidirectional Long-Short Term Memory dimana pergerakan
alur kerja arsitektur mengalir maju dan mundur sehingga arsitektur ini digunakan
pada pemrosesan yang membutuhkan pemahaman konteks yang lebih baik.
True positives (TP) adalah jumlah data yang diprediksi benar sebagai positif
oleh program. False positives (FP) adalah jumlah data yang diprediksi salah
sebagai positif oleh program. True negatives (TN) adalah jumlah data yang
12
diprediksi benar sebagai negatif oleh program. Sedangkan false negatives (FN)
adalah jumlah data yang diprediksi salah sebagai negatif oleh program.
Dari informasi pada matriks konfusi, dapat dihitung beberapa nilai untuk
menggambarkan keakuratan program seperti akurasi, presisi, recall, dan F1-score.
Akurasi menggambarkan performa program secara keseluruhan, presisi
menggambarkan kemampuan program memprediksi data positif secara tepat, dan
recall menggambarkan kemampuan program dalam menemukan semua data
positif yang sebenarnya.
Hasil output dari validasi program akan mencakup angka akurasi dan loss
model. Angka akurasi menunjukkan seberapa akurat program dalam
memprediksi, sementara angka loss model menggambarkan seberapa besar
kesalahan program dalam memprediksi. Selain itu, matriks konfusi juga
digunakan untuk memvisualisasikan hasil pengujian program agar dapat
memberikan gambaran yang lebih jelas tentang performa program dalam
memprediksi data.
Validasi dengan matriks konfusi sangat penting dalam pengujian program atau
algoritma untuk mengevaluasi performa program dan menentukan kesiapan
program untuk diimplementasikan. Dengan mengukur keakuratan program
menggunakan matriks konfusi, dapat memastikan bahwa program dapat
memberikan hasil yang akurat dan dapat diandalkan saat diterapkan pada data
baru.
2.8.Confussion Matrix
Matriks konfusi atau Confusion Matrix adalah alat prediksi analisis pada
machine learning yang berisi empat bagian utama, yaitu True Positive, False
Positive, False Negative, dan True Negative. Matriks konfusi berfungsi untuk
membantu mengevaluasi performa model dalam memprediksi data dengan benar
atau salah.
13
2.8.1. Akurasi
Akurasi adalah sebuah metrik untuk mengevaluasi tingkat keakuratan suatu
model dalam memprediksi data yang sesuai dengan label yang telah ditentukan.
Dalam penghitungan akurasi, nilai True Positive (TP) dan True Negative (TN)
digabungkan dan dibagi dengan total jumlah data yang telah diprediksi, yaitu True
Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN).
𝑻𝑷+𝑻𝑵
Akurasi = 𝑻𝑷+𝑻𝑵+𝑭𝑷+𝑭𝑵
14
2.8.2. Recall
Recall, juga dikenal sebagai sensitivitas, adalah parameter penilaian yang
mengukur banyaknya data positif yang diprediksi dengan benar oleh model.
Recall dihitung dengan membagi jumlah True Positive (TP) dengan total data
positif yang seharusnya diprediksi, yaitu True Positive (TP) dan False Negative
(FN).
𝑻𝑷
Recall = 𝑻𝑷+𝑭𝑵
2.8.3. Spesifisitas
Spesifisitas adalah perbandingan antara jumlah data negatif yang diprediksi
dengan benar oleh model terhadap keseluruhan data negatif. Spesifisitas juga
dikenal sebagai True Negative Rate (TNR), dan dihitung dengan membagi jumlah
True Negative (TN) dengan total data negatif yang seharusnya diprediksi, yaitu
True Negative (TN) dan False Positive (FP).
𝑻𝑵
Spesifisitas =
𝑻𝑵+𝑭𝑷
2.8.4. Presisi
Presisi mengukur banyaknya data positif yang diprediksi secara benar oleh
model, dibandingkan dengan total jumlah data yang diprediksi positif. Presisi
dihitung dengan membagi jumlah True Positive (TP) dengan total data yang
diprediksi positif, yaitu True Positive (TP) dan False Positive (FP)
𝑻𝑷
.Presisi = 𝑻𝑷+𝑭𝑷
2.8.5. F1-Score
F1-score adalah sebuah metrik evaluasi untuk model klasifikasi yang
menghitung harmonic mean (rata-rata harmonik) dari precision dan recall.
Precision mengukur seberapa akurat model dalam mengklasifikasikan kelas
positif, sementara recall mengukur seberapa baik model dapat menemukan semua
nilai aktual dari kelas positif. F1-score memberikan gambaran tentang kinerja
keseluruhan model dalam mengidentifikasi kelas target dengan seimbang antara
15
precision dan recall. Semakin tinggi nilai F1-score, semakin baik kinerja model
klasifikasi.
𝟐 ×(𝑷𝒓𝒆𝒔𝒊𝒔𝒊 ×𝑹𝒆𝒄𝒂𝒍𝒍)
F1-Score =
𝑷𝒓𝒆𝒔𝒊𝒔𝒊+𝑹𝒆𝒄𝒂𝒍𝒍
2.9.Model Optimizers
Optimizer merupakan sebuah algoritma yang digunakan untuk memperbaiki
kualitasi dari model dengan melalui proses training. Tujuan utamanya adalah
untuk menemukan parameter model yang optimal sehingga mendapatkan hasil
predikssi yang akurat. Selama berjalannya proses training model, model deep
learning menyesuaikan parameter yang dapat meminimalisir fungsi loss,
optimizer pun bertanggung jawab untuk menemukan parameter terbaik yang
meminimalkan loss tersebut.
Optimizer yang sering digunakan dalam deep banyak macamnya, namun ada
beberapa yang umumnya digunakan dalam deep learning yaitu stochastic
gradient descent(SGD), Adam, RMSprop. Optimizer memiliki cara kerja yang
berbeda, seperti pada Adam dan RMSprop bekerja dengan cara menggunakan
momentum dan adaptif learning rate untuk mempercepat training. Sedangkan
SGD hanya menggunakan gradien pada setiap iterasi training.
3.1. Pendahuluan
Penelitian yang dilakukan pada tugas akhir ini adalah proses deteksi sinyal
EKG pada jantung janin dengan menggunakan metode deep learning degan
menerapkan Convolutional Neural Network pada bagian ekstraksi fitur.
Penelitian ini memiliki tujuan unutk membangun model untuk melakukan
pendeteksian terhadap sinyal QRS Complex jantung janin. Hasil output dari
pembentukan model ini adalah berupa sinyal terdeteksi yang terbagi menjadi 2
kelas yaitu QRS-Complex dan Non-QRS. Hasil yang telah dibangun akan di ukur
performanya dan di evaluasi menggunakan confussion matrix. Penliaian kinerja
akan di ukur pada parameter akurasi,presisi dan recall.
16
17
Salah satu tahapan penting dalam pra-pengolahan data adalah denoising atau
pengurangan derau. Proses denoising dilakukan untuk menghilangkan noise atau
gangguan yang tidak diperlukan pada data. Noise pada data dapat berasal dari
berbagai faktor seperti ketidakakuratan pengukuran, lingkungan, atau perangkat
pengumpul data. Dengan menghilangkan noise, data yang digunakan untuk
pembelajaran mesin menjadi lebih jelas dan dapat diproses dengan lebih baik.
Tabel 3.1. Paparan Nilai Rata-rata SNR DWT Pada Dataset Sinyal EKG
Fungsi Wavelet Rata-Rata SNR
Sym5 3.22496
Sym6 3.26081
Sym7 3.212197
Sym8 3.258947
Db2 3.27882
Db4 3.220417
Db5 3.197698
Db6 3.216540
Db7 3.25328
Bior1_3 nan
Bior6_8 3.258391
Haar 3.25328
Hasil dari perhitungan SNR pada tabel 3.1 dapat diambil kesimpulan bahwa
fungsi Db2 memiliki nilai SNR tertinggi dan dapat digunakan sebagai mother
wavelet dalam metode denoising menggunakan DWT.
Pada penelitian ini nilai batas bawah diatir pada angka 0 dan nilai batas atas
adalah 1. Hasil dari proses denoising tiap rekaman sinyal dilakukan normalisasi
menggunakan normalize bound yang bertujuan untuk mengubah nilai amplitude
terbesar menjadi angka 1 dan amplitude terkecil berada pada angka 0. Gambar 3.4
akan menggambarkan sinyal sebelum di normalisasi dan pada Gambar 3.5 akan
digambarkan sinyal setelah dinormalisasi.
3.4.3 Segmentasi
Setelah melakukan proses normalisasi maka sampailah pada tahapan akhir dari
pra-pengolahan data yaitu tahapan segmentasi. Proses segmentasi merupakan
proses memotong sinyal beat per beat dari panjang sinyal. Pemotongan sinyal
dimulai dari titik mulai gelombang P pertama sampai gelombang P kedua. Dalam
hasil segmentasi akan berisi sinyal P,QRS-Complex, T sinyal, namun pada tugas
akhir ini hanya melabelkan QRS-Complex sehingga sinyal P dan T sinyal
dianggap sinyal Non-QRS. Segmentasi pada beat sinyal EKG dapat kita lihat pada
gambar 3.6.
Gambar 3.6. Hasil Segmentasi Beat pada Dataset Sinyal Fetal EKG
Dalam penelitian ini segmentasi digunakan pula sebagai label dengan ketentuan
pemotongan sinyal QRS Complex berdasarkan R-Peak. Dimana akan di paparkan
pada gambar 3.7
24
4 64 3x1, stride 1
Setelah dilakukan deteksi kelas QRS Complex dan Non-QRS dengan Bi-
LSTM, hasil deteksi tersebut akan dipakai sebagai masukan pada tahap selanjutnya
yaitu klasifikasi abnormalitas jantung. Klasifikasi ini bertujuan untuk
mengidentifikasi apakah sinyal ECG tersebut mengalami kelainan jantung atau
tidak. Dalam klasifikasi abnormalitas jantung, berbagai metode machine learning
dapat digunakan untuk membangun model prediksi, seperti Decision
4.1. Pendahuluan
Pada bab IV akan membahas hasil dari proses yang telah dilakukan.
Pembahasan ini akan merinci hasil dari proses pelatihan dan pengujian terhadap
model yang telah dibentuk yaitu model BI-LSTM pada deteksi QRS-Complex
sinyal EKG jantung janin. Delineasi ini di dasari pada 2 kelas yaitu kelas QRS-
Complex dan kelas Non-QRS. Kemudian performa dari model akan diukur dengan
penilaian dari matriks konfusi yang berisi nilai akurasi, sensitivitas, spesifisitas,
presisi dan F1-Score.
Dengan menggunakan model ini, berhasil dicapai hasil performa yang cukup
baik dalam deteksi QRS-Complex pada dataset Non-Invasive Fetal
Electrocardiogram. Model ini mampu menghasilkan akurasi sebesar 98%, dengan
sensitivity 97% dan specificity 98%. Hal ini menunjukkan bahwa model yang
dikembangkan dapat diandalkan dalam mendeteksi gelombang QRS pada sinyal
27
28
elektrokardiogram janin secara non-invasif, yang dapat menjadi alat bantu yang
berguna dalam diagnosis prenatal.
Dari hasil pemaparan heatmap pada gambar 4.2, dapat diperjelas bahwa pada
posisi True Positive memiliki hasil 164171 data dan pada True Negative terdapat
65800 data dan pada posisi False Positive terdapat 329 data dan False Negative 0
data.
4.2.2 Model 2
Pada pembentukan model kedua ini structural algoritma mirip seperti model
pertama, dengan menggunakan tuning epoch sejumlah 300 putaran, kemudian
learning rate sebesar 0.00001 dan batch size sebesar 32, masih menggunakan
optimizer yang sama yaitu Adam Optimizier. Perbedaan dari model yang
sebelumnya terletak pada saat pre-processingnya, dimana pada model ini data
yang di gunakan data yang dipaparkan pada tabel 4.2.
30
Perbedaan dari data sebelumnya, pada proses ini data di pisahkan dengan
perbandingan 80:20, dengan dikurangi sebanyak 5 data sebagai data unseen untuk
dilakukannya uji coba data unseen dan pembagian data dilakukan tanpa adanya
shuffle data. Hasil train dan test dipaparkan pada gambar 4.3 di bawah ini :
Dari hasil tabel 4.3 di paparkan recall sebesar 100% kemudian nilai presisi,
spesifisitas dan akurasi sebesar 100% dan error sebesar 0%, dengan hasil F1-Score
sebesar 100%. Hasil dari train model diatas mendapatkan hasil yang sangat baik.
Untuk sebaran hasil training dapat dilihat pada matrix konfusi gambar 4.4
Dari hasil pemaparan heatmap pada gambar 4.4, dapat diperjelas bahwa pada
posisi True Positive memiliki hasil 317.000 data dan pada True Negative terdapat
126.800 data dan pada posisi False Positive terdapat 0 data dan False Negative 0
data.
32
4.2.3 Model 3
Pada model ketiga yang dibentuk sama seperti pada model kedua,
perbedaan dalam model ini hanya pada bagian optimizer, dimana pada model ini
penulis menggunakan RMSprop Optimizer. Hasil akurasi dan loss model akan di
paparkan grafiknya pada gambar 4.5.
Performa model akan dipaparkan tabel hasilnya pada tabel 4.4 dibawah ini.
Dari hasil tabel 4.4 di paparkan recall sebesar 99% kemudian nilai presisi dan
spesifisitas sebesar 100%, akurasi 99,71%,dan error 0.028% dengan hasil F1-
Score sebesar 99,49%. Hasil dari train model diatas mendapatkan hasil yang baik.
Untuk sebaran hasil training dapat dilihat pada matrix konfusi gambar 4.6.
33
Dari hasil pemaparan heatmap pada gambar 4.4, dapat diperjelas bahwa pada
posisi True Positive memiliki hasil 317.000 data dan pada True Negative terdapat
125.532 data dan pada posisi False Positive terdapat 0 data dan False Negative
sebanyak 1.268 data, yang artinya sebanyak 1.268 data negative yang terbaca
sebagai positif.
Hasil dari uji model dan tes model menghasilkan akurasi yang sangat baik sesuai
dengan grafik akurasi dan loss model pada gambar 4.7.
Gambar 4.7. Grafik akurasi dan loss pada model 2 tanpa pengurangan derau
Dari hasil grafik pada gambar 4.7 menunjukkan hasil yang baik dengan
akurasi senilai 100% dan loss model 0%, dari hasil Confussion Matriks pun tidak
menemukan kesalahan dimana kelas QRS-Complex dan Non-QRS terbaca secara
akurat meskipun tanpa dilakukannya proses pengurangan derau.
Gambar 4.8. Grafik akurasi dan loss model ke-3 tanpa pengurangan derau
4.4. Analisis
Hasil performa dari pelatihan dan pengujian menggunakan 4 layer
Convolutional Neural Network dan 1 layer Bi-LSTM merupakan model yang
sangat baik. Model ini dibentuk dengan parameter berupa learning rate sebesar
0.0001 kemudian batch size sebesar 32 di sandingkan dengan epoch yang
berjumlah 300. Dalam pengujian model ini menghasilkan nilai recall 99.8%,
kemudian presisi sebesar 100%, spesifisitas 100%, akurasi sebesar 99.85%, dan
F1-Score sebesar 99.89 %. Dari hasil tersebut dapat di tarik kesimpulan bahwa
model ini dapat melakukan deteksi yang sangat baik terhadap data Non-Invasive
Fetal Electrocardiogram(FECG).
Pada model kedua menghasilkan akurasi yang tinggi yaitu 100% dengan
menggunakan Convolitional Recurrent Neural Network ditambah menggunakan
Adam Optimizer. Menghasilkan model yang sangat baik, dengan menghasilkan
angka error sebesar 0% dan jumlah f1-score sebesar 100%. Nilai spesifisitas
terhadap model ini sebesar 100%. Kemudian pembahasan selanjutnya terdapat
pada matriks konfusi, dimana nilai true positive menyatakan 317.000 dengan true
negative 0 lalu false positive yang berjumlah 126.600 dan false negative sebesar
0, yang berarti pendeteksian QRS-Complex tidak memiliki masalah, seluruhnya
39
melakukan predict dengan benar tanpa adanya kesalahan pada predict berdasarkan
labelnya.
Pada model ketiga memiliki akurasi sebesar 99,71%. Hasil ini didapatkan
dengan pengaturan model menggunakan Convolutional Recurrent Neural
Network dengan menerapkan RMSprop Optimizer. Dalam pengujian model
ketiga ini mendapatkan hasil berupa recall sebesar 99% kemudian nilai presisi dan
spesifisitas sebesar 100%, akurasi 99,71%,dan error 0.028% dengan hasil F1-
Score sebesar 99,49%. Setelah dilihat dalam matrik konfusi mendapatkan jumlah
data true positive sebesar 317.000 data dengan true negative sebesar 0 data.
Kemudian false positive sebesar 125.532 dan false negative sebesar 1.268 data,
yang memiliki arti bahwa ada 1.268 data negative yang terbaca sebagai data
positif
BAB V
KESIMPULAN
Berdasarkan hasil dan analisa serta pembahasan dari proses deteksi QRS-
Complex pada data sinyal fetal EKG menggunakan deep learning dapat ditarik
kesimpulan bahwa :
1. Dalam denoising pada data sinyal fetal EKG menggunakan fungsi DB2.
Fungsi ini diterapkan berdasarkan percobaan dan perbandingan pada nilai
SNR 12 fungsi wavelet.
2. Penggunaan Model BI-LSTM dengan 4 layer convolution neural network
cocok, dan dapat digunakan proses deteksi sinyal Fetal EKG.
3. Hasil Pendeteksian berjalan dengan baik menurut matriks konfusi
mendapatkan hasil yang sangat memuaskan dengan mendapati angka 317.000
data QRS Complex yang sesuai dengan labelnya dan terdeteksi secara benar.
Kemudian data Non-QRS yang tedeteksi secara tepat dan menghasilkan
keluaran berupa deteksi sinyal Non-QRS.
4. Kesimpulan yang terakhir, hasil dari plot akurasi terus meningkat dan stabil
pada akurasi 99 % sampai kepada 100 %. Dan pada plot loss model hasil
menunjukkan bahwa loss model sangat kecil dan model ini. Namun setelah
pengujian akurasi dan loss terbaik terdapat pada model 2 karena akurasi
sebesar 100% dengan loss 0% sesuai dengan hasil dari uji data unseen.
40
DAFTAR PUSTAKA
41
42