DETEKSI QRS COMPLEX

PADA SINYAL FETAL ELECTROCARDIOGRAM

MENGGUNAKAN DEEP LEARNING

TUGAS AKHIR

Diajukan Untuk Melengkapi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

OLEH :

MUHAMMAD ARDIANSYAH
09011281924028

JURUSAN SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2023
 LEMBAR PENGESAHAN

DETEKSI QRS COMPLEX

PADA SINYAL FETAL ELECTROCARDIOGRAM
MENGGUNAKAN DEEP LEARNING

TUGAS AKHIR

Diajukan Untuk Melengkapi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Sistem Komputer

Jenjang S1

Oleh
MUHAMMAD ARDIANSYAH
09011281924028

Indralaya, Mei 2023

Mengetahui,

Ketua Jurusan Sistem Komputer Pembimbing Tugas Akhir

Dr. Ir. Sukemi, M.T. Prof. Ir. Siti Nurmaini, M.T., Ph.D.
NIP. 196612032006041001 NIP. 196908021994012001

ii
 HALAMAN PERSETUJUAN

Telah diuji dan lulus pada :

Hari : Kamis

Tanggal : 25 Mei 2023

Tim Penguji :

1. Ketua : Dr. Ir. Bambang Tutuko, M.T.

2. Sekretaris : Aditya Putra Perdana Prasetyo,

S.Kom., M.T

3. Penguji : Dr. Firdaus, S.T., M.Kom.

4. Pembimbing : Prof. Ir. Siti Nurmaini, M.T., Ph.D.

Mengetahui,
Ketua Jurusan Sistem Komputer

Dr. Ir. Sukemi, M.T.

NIP. 196612032006041001

iii
 HALAMAN PERNYATAAN

Yang bertanda tangan di bawah ini :

Nama : Muhammad Ardiansyah

NIM : 09011281924028

Judul : Deteksi QRS Complex Pada Sinyal Fetal Electrocardiogram

Menggunakan Deep Learning

Hasil Pengecekan Software Turnitin : 6%

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.

Palembang, Juni 2023

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”.

Dalam pembuatan proposal ini penulis ingin menyampaikan rasa

terimakasih yang mendalam serta rasa syukur atas pertolongan yang telah
diberikan. Di kesempatan ini penulis menyampaikan kepada :

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.

Dalam penyusunan laporan ini saya menyadari sepenuhnya bahwa, laporan

ini masih memiliki banyak kekurangan, oleh karena itu saya mengharapkan kritik
dan saran dari semua pihak yang berkenan agar menjadi bahan evaluasi dan menjadi
lebih baik lagi.

Akhir kata penulis berharap semoga tugas akhir ini dapat bermanfaat serta
dapat memberikan pengetahuan dan wawasan bagi semua pihak yang
membutuhkannya..

Wassalamu’alaikum Wr. Wb.

Palembang, Juni 2023
Penulis,

Muhammad Ardiansyah
NIM. 090112811924028

vi
 Deteksi QRS Complex Pada Sinyal Fetal Electrocardiogram
Menggunakan Deep Learning

Muhammad Ardiansyah ( 09011281924028 )

Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Sriwijaya

Email : Ardi412233@gmail.com

ABSTRAK

Penelitian ini memiliki tujuan untuk mengembangkan model deteksi dengan

mengabungkan arsitektur Convolutional Neural Networks (CNN) dan Recurrent
Neural Network (RNN) untuk mendeteksi gelombang sinyal QRS Complex pada
dataset sinyal fetal electrocardiogram. Dalam penelitian ini, CNN digunakan untuk
meng-ekstraksi fitur dan memproses sinyal, lalu fungsi dari penggunaan RNN
adalah sebagai pendeteksi sinyal QRS Complex. Penelitian ini hanya mendeteksi
dua kelas yaitu kelas “QRS-Complex” dan “Non-QRS”. Penerapan RNN di dalam
penelitian ini, menggunakan arsitektur Bidirectional Long Short-term Memory
(BiLSTM), dimana arsitektur ini merupakan pembaharuan dari arsitektur RNN.
Hasil penelitian menunjukkan bahwa model terbaik terdapat pada model kedua,
dimana menghasilkan akurasi yang tinggi. Performa deteksi yang dihasilkan pada
model kedua mendapatkan nilai akurasi sebesar 100%, dengan dilakukannya proses
validasi menggunakan data unseen dengan menghasilkan akurasi sebesar 100%.
Kesimpulan yang dapat ditarik dari penelitian ini adalah, penggunaan
Convolutional Neural Network yang digabungkan dengan Bidirectional Long
Short-Term Memory memiliki kecocokan dan dapat digunakan untuk melakukan
deteksi terhadap gelombang sinyal QRS Complex pada dataset sinyal fetal EKG
dengan akurat.
Keywords : Detection, Fetal ECG, Bidirectional Long Short-Term Memory
(BiLSTM), Signal Processing.

vii
 QRS-Complex Signal Detection in Fetal Electrocardiogram
Using Deep learning

Muhammad Ardiansyah ( 09011281924028 )

Computer Engineering Department, Computer Science Faculty, Sriwijaya

University

E-Mail : Ardi412233@gmail.com

ABSTRACT

This research aims to develop a detection model by combining

Convolutional Neural Networks (CNN) and Recurrent Neural Network (RNN)
architectures to detect QRS Complex signal waves in fetal electrocardiogram
signal datasets. In this study, CNN is used to extract features and process the
signals, while the function of RNN is to detect the QRS Complex signals. The
research focuses on detecting two classes: "QRS-Complex" and "Non-QRS." The
implementation of RNN in this study utilizes the Bidirectional Long Short-term
Memory (BiLSTM) architecture, which is an improvement over traditional RNN
architectures. The research findings indicate that the best model is found in the
second model, which achieves high accuracy. The detection performance of the
second model resulted in 100% accuracy, validated using unseen data. In
conclusion, the combination of Convolutional Neural Network and Bidirectional
Long Short-Term Memory shows compatibility and can be used for accurate
detection of QRS Complex signal waves in fetal EKG signal datasets.
Keywords : Detection, Fetal ECG, Bidirectional Long Short-Term Memory
(BiLSTM), Signal Processing.

viii
 DAFTAR ISI

LEMBAR PENGESAHAN .................................................................................. ii

HALAMAN PERNYATAAN .............................................................................. iv
ABSTRAK ........................................................................................................... vii
ABSTRACT ........................................................................................................ viii
DAFTAR ISI ......................................................................................................... ix
DAFTAR GAMBAR ............................................................................................ xi
DAFTAR TABEL................................................................................................ xii

BAB I PENDAHULUAN ...................................................................................... 1

1.1. Latar Belakang .............................................................................................1
1.2. Perumusan Masalah .....................................................................................2
1.3. Batasan Masalah ..........................................................................................2
1.4. Tujuan ...........................................................................................................2
1.5. Sistematika Penulisan ..................................................................................2

BAB II TINJAUAN PUSTAKA ........................................................................... 6

2.1. Penelitian Terdahulu....................................................................................6
2.2. Elektrokardiogram .......................................................................................7
2.3. Transformasi Wavelet Diskrit ....................................................................8
2.4. Deep Learning..............................................................................................9
2.5. Recurrent Neural Network ........................................................................ 10
2.6. Bidirectional Long-Short Term Memory(Bi-LSTM) .............................. 10
2.7. Validasi Performa ...................................................................................... 11
2.8. Confussion Matrix ..................................................................................... 12
2.8.1. Akurasi ........................................................................................................ 13
2.8.2. Recall .......................................................................................................... 14
2.8.3. Spesifisitas .................................................................................................. 14
2.8.4. Presisi .......................................................................................................... 14
2.8.5. F1-Score ..................................................................................................... 14
2.9. Model Optimizers ...................................................................................... 15

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 IV HASIL DAN ANALISIS ...................................................................... 27

4.1.Pendahuluan .................................................................................................... 27
4.2.Tuning Hyperparameter .................................................................................. 27
4.2.1 Hasil pengujian BI-LSTM ........................................................................ 28
4.2.2 Model 2 ....................................................................................................... 29
4.2.3 Model 3 ....................................................................................................... 32
4.2.4 Uji Coba Model 2 Tanpa Pengurangan Derau........................................ 33
4.2.5 Uji Coba Model 3 Tanpa Pengurangan Derau........................................ 34
4.3.Uji Data Unseen .............................................................................................. 35
4.4.Analisis ............................................................................................................ 38

BAB V KESIMPULAN....................................................................................... 40
DAFTAR PUSTAKA ........................................................................................... 41

x
 DAFTAR GAMBAR

Gambar 2.1 Morfologi sinyal QRS Complex .......................................................... 7

Gambar 2.2 Rangkaian Arsitektur Bidirectional Long Short-Term Memory ....... 11
Gambar 2.3 Contoh Bentuk Confussion Matrix................................................... 13
Gambar 3.1. Rancangan Blok Diagram Penelitian. .............................................. 17
Gambar 3.2 Plotting Sinyal Dari Dataset Fetal EKG ............................................ 18
Gambar 3.3 Diagram Alir Pra-pengolahan dataset fetal EKG .............................. 20
Gambar 3.4 Plotting Sinyal Sebelum Dilakukan Normalisasi .............................. 22
Gambar 3.5 Plotting Sinyal Sesudah Dilakukan Normalisasi ............................... 22
Gambar 3.6. Hasil Segmentasi Beat pada Dataset Sinyal Fetal EKG ................... 23
Gambar 3.7 Segmentasi Label QRS Complex ...................................................... 24
Gambar 4.1 Grafik accuracy dan loss model ke-1 ................................................ 28
Gambar 4.2 Heatmap Confussion Matrix ConvBiLSTM ..................................... 29
Gambar 4.3 Grafik akurasi dan loss model 2 ........................................................ 30
Gambar 4.4 Confussion Matrix hasil Model ke-2 ................................................. 31
Gambar 4.5 Grafik Akurasi dan Loss Model 3 (RMSprop).................................. 32
Gambar 4.6. Confussion Matrix hasi dari model ke-3 .......................................... 33
Gambar 4.7. Grafik akurasi dan loss pada model 2 tanpa pengurangan derau ..... 34
Gambar 4.8. Grafik akurasi dan loss model ke-3 tanpa pengurangan derau......... 35
Gambar 4.9 Matriks konfusi data unseen model 2 ................................................ 36
Gambar 4.10 Hasil plotting Ground Truth Uji Unssen Model 2........................... 36
Gambar 4.11 Matriks Konfusi Uji Unseen Model 3 ............................................. 37
Gambar 4.12 Hasil Plotting GroundTruth Uji Unseen Model 3 ........................... 37

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

1.1. Latar Belakang

Deteksi sinyal merupakan komponen penting dalam pengolahan sinyal EKG.
Deteksi denyut jantung bertujuan untuk mengidentifikasi awal dan akhir dari
setiap siklus detak jantung dalam sinyal EKG. Dengan mendeteksi denyut jantung,
kita dapat mendapatkan informasi tentang laju jantung dan ritme jantung, yang
berperan penting dalam pemantauan dan diagnosis [1].Selain itu, deteksi detak
jantung melibatkan identifikasi kelainan irama jantung pada sinyal EKG. Dengan
mendeteksi adanya kelainan irama, seperti perubahan interval antara puncak R
atau pola detak jantung yang tidak normal, kita dapat mengindikasikan
keberadaan kondisi jantung yang serius dan memungkinkan intervensi medis yang
tepat[2].

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

1.2. Perumusan Masalah

Pada penelitian ini masih sedikit referensi terkait mengenai dataset Fetal ECG.
Dimana pada kesempatan ini penulis ingin membuat sebuah algoritma untuk
melakukan pendeteksian QRS kompleks dengan penerapan metode Convolutional
Recurrent Neural Network. Penelitian ini akan melakukan percobaan
menggunakan Convolutional Neural Network pada bagian ekstraksi fitur,
kemudian pada bagian deteksi akan menggunakan Bidirectional Long-Short Term
Memory.

1.3. Batasan Masalah

Berikut batasan masalah pada Tugas Akhir ini, yaitu :
1. Penelitian ini menggunakan data dari Physionet.org, Challenge-2013
Fetal Electrocardiogram (ECG) Dataset.
2. Deteksi sinyal EKG hanya dilakukan terhadap gelombang QRS
Kompleks.
3. Penelitian ini merupakan simulasi program dengan menggunakan Bahasa
pemrograman Python.

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.

1.5. Sistematika Penulisan

Sistematika penulisan dalam tugas akhir ini adalah sebagai berikut :
 3

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 II TINJAUAN PUSTAKA

Bab II berisi penjelasan mengenai teori-teori dasar yang menjadi landasan

penelitian ini. Teori-teori tersebut meliputi literatur tentang sinyal
elektrokardiogram, morfologi sinyal, transformasi wavelet diskrit, Bidirectional
Long Short Term Memory, dan validasi performa.

Penjelasan mengenai sinyal elektrokardiogram akan membahas karakteristik

dari sinyal tersebut, termasuk pola gelombang dan frekuensi yang terkandung
dalam sinyal elektrokardiogram. Selain itu, bab ini juga akan membahas mengenai
morfologi sinyal, yaitu mengenai analisis dari bentuk sinyal elektrokardiogram
seperti durasi dan amplitudo, serta transformasi wavelet diskrit yang digunakan
untuk memperoleh informasi lebih detail dari sinyal elektrokardiogram.
Kemudian, akan dijelaskan pula mengenai Bidirectional Long Short Term
Memory, yaitu jenis algoritma yang digunakan dalam machine learning untuk
melakukan klasifikasi sinyal elektrokardiogram. Terakhir, teori validasi performa
akan membahas mengenai metode-metode yang digunakan untuk mengukur dan
mengevaluasi performa model yang dibuat dalam penelitian ini.
 4

BAB III METODOLOGI PENELITIAN

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.

Semua tahapan yang dilakukan harus dilakukan secara berurutan dan

sistematis untuk memastikan kualitas data yang digunakan dalam penelitian.
Proses-proses ini sangat penting dan sangat menentukan keberhasilan dari
penelitian, sehingga perlu dilakukan dengan seksama dan hati-hati. Dengan
melakukan serangkaian proses dan kegiatan tersebut, diharapkan hasil penelitian
dapat memberikan kontribusi yang signifikan dalam pengembangan ilmu
pengetahuan dan teknologi.

BAB IV HASIL DAN ANALISIS

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.

Setelah dilakukan pengujian terhadap seluruh tahapan dalam penelitian, hasil

yang diperoleh akan dianalisis secara mendalam dalam bab ini. Analisis tersebut
akan mencakup perbandingan antara hasil yang diperoleh dengan hasil penelitian
sebelumnya, dan juga penjelasan mengenai faktor-faktor yang mempengaruhi
 5

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

2.1. Penelitian Terdahulu

Penelitian terdahulu merupakan bagian dari bab 2 yang memaparkan hasi dari
penelitian terdahulu yang dijadikan sebagai acuan dalam menganalisis suatu
penelitian yang baru. Penelitian sebelumnya berkaitan dengan pendeteksian QRS
Complex pada sinyal EKG jantung janin telah memberikan sebuah dasar yang
dapat di kembangkan untuk penelitian yang penulis lakukan dengan judul
penelitian “ Deteksi QRS Complex pada sinyal Fetal Electrocardiogram
Menggunakan Deep Learning”.

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]

Penelitian terdahulu dimulai oleh Wei, Zhong dengan judul penelitiannya “ A

Deep Learning Approach for Fetal QRS Complex Detection”. Pada penelitian ini
menggunakan 4 arsitektur yaitu K-Nearest Neighbour (KNN), Super Vector
Machine (SVM), Convolutional Neural Network(CNN),dan Naïve Bayes. Dalam
penelitian ini menghasilkan akurasi yang berbeda, dimana arsitektur KNN
memiliki akurasi sebesar 68.76%, kemudian Naïve bayes sebesar 55.52%, lalu
SVM menghasilkan akurasi sebesar 70.65%, dan Convolutional Neural Network
menghasilkan akurasi sebesar 77.38%. Dengan kesimpulan penggunaan
arsitekttur tertinggi terdapat pada arsitektur Convolutional Neural Network
dengan penggunaan 3 layer pada pengaturannya. [4]

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.

Gambar 2.1 Morfologi sinyal QRS Complex

Elektrokardiogram (EKG atau ECG) adalah sebuah tes medis yang

digunakan untuk merekam aktivitas listrik jantung. Tes ini dilakukan dengan cara
meletakkan elektroda kecil di beberapa tempat di dada, lengan, dan kaki pasien.
Kemudian, elektroda tersebut terhubung ke mesin EKG yang akan merekam
sinyal listrik dari jantung dan menghasilkan sebuah kurva atau grafik yang dikenal
sebagai elektrokardiogram.
 8

Elektrokardiogram menunjukkan pola gelombang yang terbentuk oleh

aktivitas listrik jantung saat berkontraksi dan mengembang, dan memberikan
informasi tentang kesehatan jantung pasien. Pola gelombang pada
elektrokardiogram dapat memberikan informasi tentang detak jantung, irama
jantung, tekanan darah, dan kemungkinan risiko masalah jantung lainnya. Tes
EKG biasanya dilakukan sebagai bagian dari pemeriksaan rutin atau jika pasien
mengalami gejala seperti nyeri dada, detak jantung yang tidak teratur, atau sesak
napas.

EKG merupakan tes yang sangat penting dalam mendiagnosis penyakit

jantung seperti aritmia, serangan jantung, dan gangguan konduksi jantung lainnya.
Tes ini juga dapat digunakan untuk memantau efek dari obat-obatan atau tindakan
medis pada pasien yang menderita penyakit jantung. Elektrokardiogram
umumnya aman dan tidak menyakitkan, sehingga tidak menimbulkan risiko yang
signifikan bagi pasien.

2.3.Transformasi Wavelet Diskrit

Transformasi wavelet bekerja dengan cara mengkonversi suatu gelombang
sinyal kedalam sederetan wavelet. Dalam transformasi ini dapat memberikan
informasi berupa frekuensi yang muncul serta menampilkan informasi skala
,durasi atau waktu[8].

Transformasi Diskret Wavelet (DWT) adalah suatu teknik yang digunakan

untuk memproses sinyal dengan cara membaginya menjadi beberapa skala
frekuensi dan waktu. DWT melakukan filter dan subsampling pada sinyal input,
sehingga menghasilkan sinyal-sinyal kecil dengan resolusi yang lebih tinggi.
Proses ini dilakukan berulang-ulang pada sinyal hasil filter dan subsampling
sebelumnya, hingga mencapai resolusi yang paling rendah.

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.

2.4. Deep Learning

Salah satu teknik dalam machine learning yang sering digunakan adalah deep
learning (DL). Teknik ini berguna dalam mengatasi kelemahan metode ekstraksi
fitur pada machine learning konvensional. Saat menggunakan metode
konvensional, data harus diolah dengan ekstraksi fitur terlebih dahulu sebelum
dapat diproses. Namun, DL dapat mempelajari fitur secara otomatis, sehingga
dapat mengatasi batasan dalam memproses data tanpa ekstraksi fitur. Dalam hal
ini, DL dapat membantu memudahkan prediksi data dengan lebih akurat.

Machine learning memiliki keterbatasan dalam memproses data tanpa

ekstraksi fitur yang baik. Namun, deep learning (DL) dapat membantu mengatasi
masalah tersebut. DL memungkinkan mesin untuk belajar dan memahami fitur-
fitur dari data secara otomatis. Hal ini membuat DL lebih efektif dalam melakukan
prediksi dan analisis data. Oleh karena itu, DL sering digunakan dalam berbagai
bidang seperti pengolahan bahasa alami, pengenalan gambar, dan analisis data
medis.

Deep learning adalah sebuah pengembangan artificial neural network pada

sebuah machine learning. Metode deep learning mempelajari banyak layer,
sehingga pada layer pertama yang dibuat sederhana menghasilkan fitur-fitur yang
kompleks pada layer akhir [9]. Penggunaan deep learning banyak diterapkan pada
data penelitian yang tidak teratur seperti teks, sinyal dan citra[10].
 10

2.5. Recurrent Neural Network

Recurrent Neural Network (RNN) adalah jenis arsitektur neural network yang
dibuat khusus untuk mengolah data berurutan atau sequential data. RNN mampu
menyimpan informasi dari input sebelumnya dan memperbarui informasi tersebut
saat mengolah input berikutnya. Kemampuan ini memungkinkan RNN digunakan
untuk mengolah data temporal seperti bahasa alami, musik, dan video.

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.

RNN sering digunakan dalam berbagai aplikasi seperti pemrosesan bahasa

alami, pemodelan urutan waktu, dan pengenalan suara. Namun, RNN memiliki
masalah vanishing gradient ketika jarak antara input dan output terlalu jauh. Untuk
mengatasi masalah ini, beberapa variasi arsitektur RNN seperti Bidirectional Long
Short-Term Memory (BiLSTM) atau Gated Recurrent Unit (GRU) telah
dikembangkan dan mampu meningkatkan performa model.Recurrent Neural
Network merupakan sebuah metode yang dirancang untuk pengklasifikasian dan
juga untuk prediksi sebuah model. Namun metode ini masih memiliki kekurangan
seperti exploding dan vanishing, sehingga memerlukan metode tambahan seperti
Bidirectional Long Short-Term Memory.[11]

2.6. Bidirectional Long-Short Term Memory(Bi-LSTM)

Bidirectional Long-Short Term Memory adalah salah satu arsitektur metode
RNN yang meningkatkan kinerja RNN dengan menambahkan sel memori yang
dapat menyimpan informasi dalam waktu lama. mengelola kesalahan yang lebih
konsisten, memungkinkan jaringan mempelajari beberapa langkah waktu dan
membentuk koneksi jarak jauh. LSTM tidak membocorkan data ke gateway di
 11

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.

Gambar 2.2 Rangkaian Arsitektur Bidirectional Long Short-Term Memory

2.7. Validasi Performa

Pada tahapan validasi ini merupakan penggunakan matriks konfusi. Fungsi
dari validasi ini adalah mengukur keakuratan antara algoritma program dengan
realita pada data yang di uji coba. Hasil output yang dikeluarkan akan berupa
sebuah angka akurasi dan loss model, kemudian akan di kumpulkan dan
dipaparkan dengan matriks konfusi (Confussion Matrix)[12].

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

Dengan menggunakan matriks konfusi, kita dapat mengukur keakuratan

model dalam memprediksi data dengan membandingkan antara data yang
diprediksi dengan label yang sebenarnya. Bagian True Positive menunjukkan
jumlah data yang diprediksi benar sebagai positif, False Positive menunjukkan
jumlah data yang diprediksi salah sebagai positif, False Negative menunjukkan
jumlah data yang diprediksi salah sebagai negatif, dan True Negative
menunjukkan jumlah data yang diprediksi benar sebagai negatif.

Gambar 2.3 Contoh Bentuk Confussion Matrix

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.

Dalam penelitian ini menggunakan 2 Optimizer yang nantinya akan di

bandingkan. Dua optimizer tersebut adalah Adam Optimizer dan RMSprop
Optimizer. Adam Optimizer digunnakan karena menggabungkan dua konsep yaitu
konsep momentum da adaptif learning rate. Momentum digunakan untuk
membantu algoritma mencaai minimum local dengan cepat, sementara adaptif
learning rate mengatur laju pembelajaran agar optimal pada setiap langkah dan
bergantung pada gradien. Kemudian penelitian ini memilih RMSprop sebagai
optimizer juga didasari dengan kinerja RMSprop bekerja dengan memperbarui
learning rate pada setiap langkah training berdasarkan rata-rata kuadrat gradien.
Dalam training ini RMSprop membantu menstabilkan training model, dengan
mengurangi dampak gradien yang sangat besar atau sangat kecil.
 BAB III
METODOLOGI PENELITIAN

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.

3.2. Kerangka Kerja

Proses deteksi sinyal QRS-Complex pada sinyal fetal EKG di jabarkan dalam
tahapan yang telah disusun dalam kerangka kerja. Sehingga penulisan tugas akhiri
ini menjadi terstruktur dan sejalan dengan alur penelitian. Alur penelitian dapat
dilihat pada gambar 3.1. Rancangan Blok Diagram Penelitian. Tahapan pertama
pada penelitian ini diawali dengan persiapan data, data yang digunakan berasal
dari physionet.org dengan judul data Non-Invasive Fetal Electrocardiogram.
Dataset yang telah di ambil akan dimasukkan kedalam proses pra-pengolahan
data. Di dalam tahapan ini dilakukan pengurangan derau (denoising). Kemudian
setelah pengurangan derau data akan di normalisasikan setelah itu data akan di
segmentasikan setiap satu beat sinyal dimana setelah sinyal di segmentasikan dan
dijadikan label QRS dan Non-QRS. Tahapan lanjutan dari proses pra-pengolahan
data adalah pembagian dataset menjadi dua bagian yaitu data uji dan data latih.
Setiap data beat sinyal yang akan masuk dalam tahap delineasi akan di ekstrak
fiturnya menggunakan Convolutional Neural Network. Tahapan akhir dari
penelitian ini berupa hasil dan evaluasi model menggunakan Confussion Matrix
sehingga model mudah untuk di analisa dan dibuat kesimpulannya.

16
 17

Gambar 3.1. Rancangan Blok Diagram Penelitian.

3.3. Persiapan Data

Persiapan data ini dilakukan untuk menyesuaikan dataset dengan judul
penelitian. Data yang dipakai pada penelitian ini merupakan data dari
 18

physionet.org dengan judul data Non-Invasive Fetal Electrocardiogram. Dataset

ini terdiri atas 3 set yang berbeda, namun dalam penelitian ini hanya menggunakan
set-a. Dalam set-a ini berisi 75 data rekaman EKG dimana dalam 1 rekaman sinyal
memiliki 4 lead dengan nama AECG1,AECG2,AECG3, dan AECG4. Dalam
penelitian ini hanya menggunakan 1 lead yaitu AECG1. Rekaman data sinyal ini
memiiki durasi sinyal sepanjang 60 seconds, dengan frekuensi sampling pada
1000Hz. Gambar 3.2 merupakan pemaparan dari dataset sinyal FECG.
Penggunaan dataset dikurangi sebanyak 8 data karena data masih belum benar
menurut jurnal yang telah di publikasikan mengenai data ini.

Gambar 3.2 Plotting Sinyal Dari Dataset Fetal EKG

3.4. Pra-pengolahan Data

Pra-pengolahan data adalah sebuah tahapan yang sangat penting sebelum
melakukan pembelajaran mesin atau Machine Learning. Tahapan ini bertujuan
untuk membersihkan data dari berbagai noise atau gangguan sehingga data yang
digunakan untuk pembelajaran mesin menjadi lebih akurat dan dapat diandalkan.
 19

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.

Setelah melakukan denoising, tahapan selanjutnya adalah normalisasi.

Normalisasi adalah sebuah teknik pra-pengolahan data yang bertujuan untuk
mengubah data ke dalam rentang yang telah ditentukan. Hal ini dilakukan agar
data yang digunakan untuk pembelajaran mesin memiliki skala yang sama dan
lebih mudah diolah. Salah satu teknik normalisasi yang biasa digunakan adalah
normalize bound.

Tahapan selanjutnya dalam pra-pengolahan data adalah segmentasi beat

sinyal. Segmentasi beat sinyal merupakan sebuah teknik yang digunakan untuk
membagi sinyal atau data menjadi beberapa bagian yang lebih kecil dan teratur.
Tujuan dari segmentasi beat sinyal adalah untuk memudahkan dalam pengolahan
data yang lebih lanjut. Teknik ini sangat penting dalam pengolahan sinyal medis
atau data biomedis yang kompleks.

Dengan demikian, pra-pengolahan data merupakan tahapan yang sangat

penting dalam pembelajaran mesin atau Machine Learning. Dalam tahapan pra-
pengolahan data, terdapat beberapa teknik yang digunakan seperti denoising,
normalisasi, dan segmentasi beat sinyal. Proses ini bertujuan untuk membersihkan
data dari berbagai noise atau gangguan sehingga data yang digunakan untuk
pembelajaran mesin menjadi lebih akurat dan dapat diandalkan.
 20

Gambar 3.3 Diagram Alir Pra-pengolahan dataset fetal EKG

3.4.1 Denoising (Pengurangan Derau)

Pada pra-pengolahan data tahapan denoising merupakan tahapan pertama
yang di lakukan. Pada tahapan ini sinyal mentah dari dataset akan di hilangkan
deraunya menggunakan Discrete Wavelet Transformation. Dalam hal ini
melakukan denoising menggunakan DWT adalah suatu proses dekomposisi sinyal
awal di filter dengan low pass dan high pass filter. Nilai terbaik untuk sinyal yang
dilakukan pengurangan derau adalah sebesar 40 desibel dimana nilai terkecil
pengurangan derau yang dapat mempengaruhi hasil sebesar 15 desibel.

Dalam melakukan pengurangan derau diperlukan pemilihan mother wavelet

yang terbaik. Untuk memilih mother wavelet terbaik dapat dicari menggunakan
nilai Signal to Noise Ratio(SNR) dengan rata-rata nilai tertinggi dari beberapa jenis
fungsi wavelet. Pengujian mother wavelet ini dilakukan terhadap 12 fungsi yaitu
sym5, sym6, sym7, sym8, db2, db4, db5, db6, db7, bior1.3, bior6.8, haar.
 21

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.

3.4.2 Normalisasi (Normalize Bound)

Normalisasi atau normalize bound adalah sebuah proses membuat nilai
amplitudo pada sinyal memliki jarak yang sama. Metode ini megubah nilai pada
data sinyal dengan mengubah nilai batas bawah dan nilai batas atas sesuai dengan
ketentuan yang telah ditetapkan.
 22

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.

Gambar 3.4 Plotting Sinyal Sebelum Dilakukan Normalisasi

Gambar 3.5 Plotting Sinyal Sesudah Dilakukan Normalisasi

 23

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

Gambar 3.7 Segmentasi Label QRS Complex

3.5.Pembagian Data Uji dan data latih

Proses selanjutnya setelah pra-pengolahan data, hasil sinyal yang telah diolah
sebelumnya akan dibagi menjadi data latih dan data uji. Pembagian ini dibagi
dengan ketentuan 90% data latih dan 10% data uji. Sehingga dalam penelitian ini
menggunakan teknik pembagian secara acak agar data latih dan data uji memiliki
kompoisisi yang sama untuk setiap rekaman, hasil dari pembagian ini
menunjukkan jumlah data latih sebesar 2957 data dan data uji sebanyak 329.

Pada penelitian lanjutan dari sebelumnnya, penulis mengubah pengolahan

data sinyal dengan membagi data sebanyak 80% banding 20%, dengan ketentuan
dataset telah dikurangi sebanyak 5 data untuk diambil sebagai sample data unseen.
Kemudian ketentuan lainnya adalah pembagian data tidak menggunakan shuffle
atau data yang di acak. Hasil dari pembagian data ini berguna untuk uji coba data
unseen untuk di uji pada model kedua dan model ketiga.

3.6. Ekstraksi Fitur Menggunakan CNN

Setelah melakukan pembagian data maka tahapan selanjutnya merupakan
tahapan ekstraksi fitur. Fungsi dari ekstraksi fitur tersendiri adalah pembentukan
data yang awalnya belum terstruktur menjadi terstruktur. Dalam hal ini, penelitian
 25

melakukan ekstraksi fitur menggunakan arsitektur convolutional neural network

(CNN). Di dalam penelitian ini penggunaan CNN sebanyak 4 layer CNN dengan
rancangan sebagai berikut.

Tabel 3.2 Arsitektur CNN 4 Layer

Jumlah Lapisan
Lapisan Ukuran Filter Ukuran Kernel
Konvolusi 1D
4 Layer 1 8 3x1, stride 1
2 16 3x1, stride 1
3 32 3x1, stride 1

4 64 3x1, stride 1

3.7. Deteksi dengan BI-LSTM

Setelah dilakukan ekstraksi fitur, sinyal tersebut akan diolah lebih lanjut
dengan deteksi menggunakan metode Recurrent Neural Network (RNN). Deteksi
bertujuan untuk membagi sinyal menjadi dua kelas, yaitu kelas QRS Complex dan
Non-QRS. QRS Complex adalah kompleks QRS pada sinyal elektrokardiogram
(ECG) yang merepresentasikan depolarisasi ventrikel jantung. Sedangkan Non-
QRS adalah segmen pada sinyal ECG yang tidak termasuk dalam kelas QRS
Complex.[14]

Deteksi kelas QRS Complex dan Non-QRS menggunakan arsitektur

Bidirectional Long Short-Term Memory (Bi-LSTM) pada model RNN. Arsitektur
Bi-LSTM memiliki kemampuan untuk mengenali dan mengingat informasi dari
waktu yang lama, sehingga sangat cocok digunakan untuk memproses sinyal yang
berkaitan dengan waktu seperti sinyal ECG. Dalam arsitektur Bi-LSTM, sinyal
ECG akan diproses secara simultan baik dari waktu ke masa depan maupun dari
masa depan ke waktu yang sudah berlalu.
 26

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

3.8. Validasi Model

Proses validasi performa model merupakan tahapan akhir yang penting untuk
mengukur dan menilai kinerja dari proses pembelajaran mesin yang telah
dilakukan. Proses validasi ini menggunakan matriks konfusi untuk menentukan
keakuratan model yang dibentuk dengan data asli. Matriks konfusi digunakan
untuk mengukur keakuratan proses klasifikasi data, yang menghasilkan nilai True
Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN).

Proses validasi performa model menggunakan beberapa metrik seperti

akurasi, sensitivitas, spesifisitas, presisi, dan nilai F1-Score. Akurasi adalah
metrik yang mengukur seberapa baik model memprediksi data secara
keseluruhan. Sensitivitas mengukur kemampuan model untuk mendeteksi positif
atau benar-benar relevan dari total jumlah data positif. Spesifisitas mengukur
kemampuan model untuk mendeteksi negatif atau benar-benar tidak relevan dari
total jumlah data negatif. Presisi mengukur seberapa banyak prediksi positif yang
benar dibandingkan dengan total jumlah prediksi positif. Nilai F1-Score
merupakan rata-rata harmonik antara presisi dan sensitivitas, yang mengukur
keseimbangan antara kedua metrik tersebut.

Dengan melakukan proses validasi performa model menggunakan matriks

konfusi dan metrik-metrik di atas, dapat membantu menentukan keakuratan model
yang telah dibentuk dengan data asli. Hal ini sangat penting untuk memastikan
bahwa model dapat memberikan prediksi yang akurat dan dapat diandalkan dalam
pengolahan data yang lebih lanjut.
 BAB IV
HASIL DAN ANALISIS

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.

4.2. Tuning Hyperparameter

Proses deteksi QRS-Complex pada dataset Non-Invasive Fetal
Electrocardiogram dilakukan menggunakan sebuah model yang terdiri dari 4
lapisan konvolusi dan 1 lapisan BI-LSTM. Model ini dioptimalkan dengan cara
menyetel beberapa parameter penting, yaitu learning rate sebesar 0.0001, batch
size 32, dan epoch sebanyak 300. Dengan memanfaatkan teknik ini, model dapat
memprediksi waktu onset dari gelombang QRS dengan akurasi yang tinggi.

Dalam model ini, lapisan konvolusi berperan penting dalam mengekstrak

fitur-fitur penting dari sinyal elektrokardiogram yang kompleks. Lapisan BI-
LSTM kemudian bertanggung jawab untuk mengambil informasi temporal dari
fitur-fitur tersebut. Proses tuning parameter seperti learning rate dan batch size
memungkinkan model untuk mencapai titik konvergensi dengan lebih cepat dan
mengurangi overfitting selama pelatihan.

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.

Tabel 4.1 Hasil performa model ke-1

Parameter Penilaian
Batch
LR Epoch Recall Presisi Spesifisitas Akurasi Error F1-
Size
score

0.0001 32 300 99.8% 100% 100% 99.85% 14.28% 99.89%

4.2.1 Hasil pengujian BI-LSTM

Pada hasil pengujian meggunakan model Bi-LSTM ini menunjukkan
perbandingan hasil atara data latih dan data uji. Hal ini dibandingkan
menggunakan perbandingan antara akurasi dan loss model yang ditunjukkan pada
grafik gambar 4.1. dibawah ini. Hasil model ini memaparkan akurasi yang baik
dengan recall 99.8%, kemudian presisi sebesar 100%, spesifisitas 100%, akurasi
sebesar 99.85%, dan F1-Score sebesar 99.89 %.

Gambar 4.1 Grafik accuracy dan loss model ke-1

Hasil dari pengujian menggunakan 4 layer Convolutional Neural Network dan

1 layer Bi-LSTM, diperjelas menggunakan heatmap dari confussion matrix
seperti pada gambar 4.2.
 29

Gambar 4.2 Heatmap Confussion Matrix ConvBiLSTM

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

Tabel 4.2 Tabel sebaran dataset

Total Dataset Data Train Data Val Data Unseen

68 Data 50 Data 13 Data 5 Data

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 :

Gambar 4.3 Grafik akurasi dan loss model 2

Hasil performa model 2 ini akan di paparkan pada tabel 4.3.

Tabel 4.3 Paparan Penilaian Model 2

Parameter Penilaian
Batch
LR Epoch Recall Presisi Spesifisitas Akurasi Error F1-
Size
score

0.0001 32 300 100% 100% 100% 100% 0% 100%

 31

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

Gambar 4.4 Confussion Matrix hasil Model ke-2

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.

Gambar 4.5 Grafik Akurasi dan Loss Model 3 (RMSprop)

Performa model akan dipaparkan tabel hasilnya pada tabel 4.4 dibawah ini.

Tabel 4.4 Hasil Penilaian Model 3

Parameter Penilaian
Batch
LR Epoch Recall Presisi Spesifisitas Akurasi Error F1-
Size
score

0.0001 32 300 99% 100% 100% 99,71% 0.028% 99,49%

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

Gambar 4.6. Confussion Matrix hasi dari model ke-3

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.

4.2.4 Uji Coba Model 2 Tanpa Pengurangan Derau

Pengujian ini dilakukan untuk menguji data tanpa dilakukannya proses
pengurangan derau, dikarenakan hasil rata-rata nilai uji SNR terhadap 12 fungsi
DWT, hanya menghasilkan nilai dibawah 4db. Sehingga dilakukanlah pengujian
ini untuk membandingkan model ke-2 dengan model 2 tanpa pengurangan derau.
 34

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.

4.2.5 Uji Coba Model 3 Tanpa Pengurangan Derau

Sama seperti sebelumnya pengujian ini pun dilakukan pada model ke-3 juga,
dikarenakan untuk membandingkan hasil dari uji tanpa dilakukannya proses
pengurangan derau. Hasil dari uji model dan tes model dipaparkan dalam bentuk
grafik yang di gambarkan pada gambar 4.8, dimana dari grafik menunjukkan hasil
yang stabil dan tinggi dari segi akurasi dan loss model, dan hasil akurasi yang
didapati sebesar 99.93% dan loss sebesar 0.000612%. Hasil ini lebih tinggi
dibandingkan dengan model-3 dengan pengurangan derau. Hal ini terjadi
kemungkinan karena pada optimizer RMSprop yang kesulitan untuk membaca
interpretasi data karena data yang telah dilakukan pengurangan derau
menggunakan DWT dapat mengurangi informasi-informasi sinyal yang terhitung
sebagai gangguan, sehingga pada model 3 tanpa pengurangan derau memiliki
nilai akurasi yang tinggi karena memiliki data informasi yang hilang.
 35

Gambar 4.8. Grafik akurasi dan loss model ke-3 tanpa pengurangan derau

4.3. Uji Data Unseen

Pengujian menggunakan data unseen menggunakan 2 model yaitu pada model
kedua dan model ketiga. Dimana perbandingan ini didasari pada optimizer yang
berbeda namun menggunakan tuning parameter yang sama yaitu, menggunakan
learning rate sebesar 0.00001, lalu epoch sejumlah 300 putaran dan batch size
dengan ukuran 32. Hasil yang akan dikeluarkan sebagai output dari uji data unseen
ini dipaparkan menggunakan matriks konfusi dan plotting ground truth.

Pengujian pertama dilakukan menggunakan model kedua yaitu menggunakan

Convolutional Recurrent Neural Network dengan menggunakan Adam Optimizer.
Didapatkan hasil yang dipaparkan pada gambar 4.9.
 36

Gambar 4.9 Matriks konfusi data unseen model 2

Dari hasil konfusi matriks diatas menyatakan tidak adanya kesalahan

pendeteksian gelombang QRS-Complex dan Non-QRS. Dengan hasil akurasi uji
unseen sebesar 100%. Untuk pengujian lanjutan akan dipaparkan hasil plotting
Ground truth pada gambar 4.10.

Gambar 4.10 Hasil plotting Ground Truth Uji Unssen Model 2

 37

Pengujian selanjutnya data unseen di uji menggunakan model ketiga,

dimana pada model ini menggunakan Convolutional Recurrent Neural Network
dengan optimizer RMSprop optimizer. Hasil yang didapatkan akan dipaparkan
pada matriks konfusi pada gambar 4.11.

Gambar 4.11 Matriks Konfusi Uji Unseen Model 3

Dari hasil konfusi matriks diatas menyatakan tidak adanya kesalahan

pendeteksian gelombang QRS-Complex dan Non-QRS. Dengan hasil akurasi uji
unseen sebesar 99.71%. Untuk pengujian lanjutan akan dipaparkan hasil plotting
Ground truth pada gambar 4.12.

Gambar 4.12 Hasil Plotting GroundTruth Uji Unseen Model 3

 38

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).

Analisa terhadap model ini dilakukan menggunakan confussion matrix, seperti

yang terlihat pada gambar 4.2. Hasil tersebut dapat kita analisa dengan cara
melihat pada nilai True positive, True Negative, False Positive, False Negative.
Analisa pertama yang dapat kita ketahui adalah 164171 label QRS Complex yang
terdeteksi pada table True Positive secara benar yang berarti sinyal yang berisi
QRS Complex terdeteksi sesuai dengan label QRS Complex. Lalu pada posisi True
Negative memiliki jumlah data Non-QRS sebesar 65800 data Non-QRS sehingga
data yang terdeteksi benar bahwa data tersebut bukanlah QRS Complex.
Sedangkan pada False Positive masih terdapat data sebesar 329 data, dimana pada
posisi ini masih ada data QRS Complex namun terdeteksi sebagai Non-QRS
sehingga menyebabkan kesalahan pada pendeteksian positif, yang terakhir adalah
hasil dari False Negative yang berisi 0 data, berarti tidak ada data negatif atau
Non-QRS yang terdeteksi sebagai QRS-Complex.

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

[1] A. Surtono and G. A. Pauzi, “Deteksi Miokard Infark Jantung pada

Rekaman Elektrokardiogram Menggunakan Elevasi Segmen ST,” J. Teor.
dan Apl. Fis., vol. 4, no. 1, pp. 119–124, 2016, [Online]. Available:
http://jurnal.fmipa.unila.ac.id.
[2] E. L. Utari, “Analisa Deteksi Gelombang Qrs Untuk Menentukan Kelainan
Fungsi Kerja Jantung,” Teknoin, vol. 22, no. 1, pp. 27–37, 2016, doi:
10.20885/teknoin.vol22.iss1.art4.
[3] G. de Lannoy, B. Frenay, M. Verleysen, and J. Delbeke, “Supervised ECG
Delineation Using the Wavelet Transform and Hidden Markov Models,”
IFMBE Proc., vol. 22, pp. 22–25, 2009, doi: 10.1007/978-3-540-89208-
3_7.
[4] A. Manuscript, “d M us A deep learning approach for fetal QRS complex,”
2018.
[5] W. Zaremba, I. Sutskever, and O. Vinyals, “Recurrent Neural Network
Regularization,” no. 2013, pp. 1–8, 2014, [Online]. Available:
http://arxiv.org/abs/1409.2329.
[6] J. S. Lee, M. Seo, S. W. Kim, and M. Choi, “Fetal QRS detection based on
convolutional neural networks in noninvasive fetal electrocardiogram,”
2018 4th Int. Conf. Front. Signal Process. ICFSP 2018, vol. 4, pp. 75–78,
2018, doi: 10.1109/ICFSP.2018.8552074.
[7] U. G. M. Press, G. M. U. Press, and E. Maharani, Elektrokardiografi
Konsep Dasar dan Praktik Klinik. UGM PRESS, 2018.
[8] D. Putra, Pengolahan Citra Digital. Penerbit Andi.
[9] W. Setiawan, Deep Learning menggunakan Convolutional Neural
Network: Teori dan Aplikasi. Media Nusa Creative (MNC Publishing),
2021.
[10] J. Wang, R. Li, R. Li, and B. Fu, “A knowledge-based deep learning
method for ECG signal delineation,” Futur. Gener. Comput. Syst., vol. 109,
pp. 56–66, Aug. 2020, doi: 10.1016/J.FUTURE.2020.02.068.

41
 42

[11] L. Medsker and L. C. Jain, Recurrent Neural Networks: Design and

Applications. CRC Press, 1999.
[12] TEKNIK ENSEMBLE LEARNING UNTUK PENINGKATAN PERFORMA
AKURASI MODEL PREDIKSI (SELEKSI MAHASISWA PENERIMA
BEASISWA). Pascal Books, 2022.
[13] S. Chivers et al., “Measurement of the cardiac time intervals of the fetal
ECG utilising a computerised algorithm: A retrospective observational
study,” JRSM Cardiovasc. Dis., vol. 11, p. 204800402210962, 2022, doi:
10.1177/20480040221096209.
[14] A. Darmawahyuni et al., “Deep learning with a recurrent network structure
in the sequence modeling of imbalanced data for ECG-rhythm classifier,”
Algorithms, vol. 12, no. 6, pp. 1–12, 2019, doi: 10.3390/a12060118.