IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK

UNTUK DETEKSI PENYAKIT KARDIOVASKULAR MELALUI

KLASIFIKASI CITRA JANTUNG

PROPOSAL SKRIPSI

Oleh :

Binti Rosyidathul Khusnah

2055201024

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS ILMU EKSAKTA

UNIVERSITAS NAHDLATUL ULAMA BLITAR

 2024

IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK

UNTUK DETEKSI PENYAKIT KARDIOVASKULAR MELALUI
KLASIFIKASI CITRA JANTUNG

PROPOSAL SKRIPSI

Skripsi diajukan untuk memenuhi salah satu persyaratan dalam menyelesaikan

Program Sarjana di Universitas Nahdlatul Ulama Blitar

Oleh :

Binti Rosyidathul Khusnah

2055201024

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS ILMU EKSAKTA

UNIVERSITAS NAHDLATUL ULAMA BLITAR

 2024

KATA PENGANTAR
Puji syukur penulis ucapkan atas kehadirat Allah SWT yang telah memberikan
rahmat-Nya sehingga penulis dapat menyelesaikan skripsi ini. Sholawat dan salam
semoga senantiasa tercurahkan kepada Nabi Muhammad SAW. Dalam
penyusunan dan penulisan skripsi ini tidak lepas dari bantuan serta bimbingan :

1. Prof. Dr. H. Moh. Mukri, M.Ag selaku Rektor Universitas Nahdlatul

Ulama Blitar.
2. Bapak Fatra Nonggala Putra, M.Kom selaku Dekan Fakultas Ilmu Eksakta
di Universitas Nahdlatul Ulama Blitar.
3. Bapak Abd. Charis Fauzan, M.Kom selaku Kepala Program Studi Ilmu
Komputer.
4. Ibu Harliana, M.Cs selaku pembimbing 1 yang senantiasa meluangkan
waktunya dengan kesabaran dan ketelitian dalam memberikan bimbingan
penulisan skripsi ini.
5. Bapak Tito Prabowo, M.Kom selaku pembimbing 2 yang telah
memberikan pengarahan selama penyusunan skripsi ini.
6. Seluruh Dosen pengajar di Prodi Ilmu Komputer Fakultas Ilmu Eksakta.
7. Kedua orang tua, keluarga besar, dan sahabat-sahabat penulis yang selalu
mendukung dan mendoakan dalam penyelesaian skripsi ini.
8. Teman-teman Prodi Ilmu Komputer 2020 yang selalu memberi semangat
dan dukungan pada penulis dalam proses penyelesaian skripsi ini.
9. Seluruh pihak yang tidak dapat penulis sebutkan satu per satu yang telah
membantu memberikan kritik dan saran demi kelancaran dan keberhasilan
dalam menyusun skripsi ini.

Penulis menyadari bahwa dalam penyusunan skripsi ini masih banyak

kekurangan di dalamnya, untuk itu penulis sangat mengharapkan adanya
kritikan dan saran yang bersifat membangun demi kesempurnaan skripsi ini.
Penulis berharap semoga skripsi ini berguna dan bermanfaat bagi para
pembaca dan penelitian selanjutnya.

Blitar, 2024

Binti Rosyidathul Khusnah

 DAFTAR ISI

KATA PENGANTAR.............................................................................................3

DAFTAR ISI............................................................................................................4

DAFTAR GAMBAR...............................................................................................5

DAFTAR TABEL....................................................................................................6

HALAMAN PERSETUJUAN UJIAN PROPOSAL SKRIPSI...............................7

BAB I.......................................................................................................................8

PENDAHULUAN...................................................................................................8

1.1 Latar Belakang..........................................................................................8

1.2 Rumusan Masalah...................................................................................10

1.3 Tujuan......................................................................................................10

1.4 Manfaat....................................................................................................10

1.5 Batasan Masalah......................................................................................10

BAB II....................................................................................................................11

TINJAUAN PUSTAKA........................................................................................11

BAB III..................................................................................................................19

METODOLOGI PENELITIAN.............................................................................19

3.1 Desain Sistem..........................................................................................19

3.2 Pengumpulan Data..................................................................................20

3.3 Preprocessing...........................................................................................21

3.4 Klasifikasi CNN......................................................................................21

3.5 Evaluasi...................................................................................................23

DAFTAR PUSTAKA............................................................................................24
 DAFTAR GAMBAR

Gambar 1 – Arsitektur CNN

Gambar 2 – Convolutional Layer
Gambar 3 – Pooling Layer
Gambar 4 – Fully Connected Layer
Gambar 5 – Proses Dropout
Gambar 6 – Alur Penelitian
Gambar 7 – Angina Disease
Gambar 8 – Cardiovascular Disease
Gambar 9 – Coronary Artery Disease
Gambar 10 – Hypotemsion Disease
Gambar 11 – Model Arsitektur CNN
Gambar 12 – Confusion Matrix
 DAFTAR TABEL
Tabel 1 – Penelitian Terdahulu
 UNIVERSITAS NAHDLATUL ULAMA BLITAR
FAKULTAS ILMU EKSAKTA
PROGRAM STUDI ILMU KOMPUTER
Jalan Masjid No. 22 Kota Blitar, Telp. (0342) 801120
Website: www.unublitar.ac.id, E-mail: humas@unublitar.ac.id

HALAMAN PERSETUJUAN UJIAN PROPOSAL SKRIPSI

Telah disetujui oleh dosen pembimbing untuk melaksanakan ujian proposal skripsi tanggal,
dengan judul “Implementasi Algoritma Convolutional Neural Network untuk Deteksi
Penyakit Kardiovaskular melalui Klasifikasi Citra Jantung” yang disusun oleh Binti
Rosyidathul Khusnah, NIM 2055201024, Program Studi Ilmu Komputer, Fakultas Ilmu
Eksakta, Universitas Nahdlatul Ulama Blitar dengan mengetahui :

Blitar,

Dosen Pembimbing I Dosen Pembimbing II

Harliana, M.Cs Tito Prabowo, M.Kom

NIDN. 0418098602 NIDN. 0707118802

Ketua Program Studi

Abd. Charis Fauzan, M.Kom

NIDN. 0705119301
 BAB I
PENDAHULUAN
1.1 Latar Belakang

Jantung merupakan organ penting bagi tubuh manusia karena berfungsi

mendistribusikan darah yang mengandung oksigen dari paru-paru keseluruh
tubuh serta organ yang mengatur metabolisme tubuh manusia, sehingga jika
jantung tidak berfungsi secara normal maka banyak aktivitas dalam tubuh
manusia juga ikut terganggu bahkan dapat menyebabkan gagal jantung
(Pangaribuan et al., 2021), penyakit gagal jantung atau dalam dunia medis
dikenal dengan istilah penyakit kardiovaskuler (CVD) biasanya ditandai
dengan gejala nyeri dada yang pada umumnya terjadi pada dada sebelah kiri,
detak jantung yang tidak beraturan dan sesak nafas (Alhabib, 2022).
Menurut data WHO pada tahun 2021 penyakit kardiovaskular merupakan
salah satu penyakit dengan angka kematian tertinggi di dunia dengan tingkat
kematian 17,9 juta jiwa pertahun (Hapsari et al., 2023). Tingginya angka
kematian ini umumnya disebabkan karena beberapa faktor diantaranya pola
hidup yang tidak sehat, faktor genetic dari orangtua, mengkonsumsi alcohol
dan kafein secara berlebihan, serta kebiasaan merokok baik perokok aktif
ataupun perokok pasif (Amelia, 2023). Selain itu penyakit ini juga dapat
menyerang orang-orang dengan aktivitas fisik yang tinggi (seperti olahraga
berat), serta beberapa orang dengan penyakit hipertensi, kolesterol serta
mereka yang menderita obesitas (Prasetyo, 2023). Penyakit kardiovaskular
berhubungan langsung dengan berbagai kondisi klinis utama jantung dan
peredaran darah, termasuk stroke, penyakit jantung bawaan, gangguan irama
jantung, aterosklerosis subklinis, penyakit jantung coroner, gagal jantung,
penyakit katup jantung, penyakit vena, dan penyakit arteri perifer yang
berkontribusi terhadap dampak global penyakit kardiovaskular (Tsao et al.,
2023).
Penyakit kardiovaskular, atau CVD, adalah suatu kondisi yang ditandai
dengan peradangan pada pembuluh darah dan jantung, dan rata-rata pasien
yang terdiagnosis penyakit kardiovaskuler hanya bisa bertahan dalam waktu
1-2 tahun (Nugraha, 2021). Menurut laporan American Heart Association
(2020), pada tahun 2030 penyakit kardiovaskular akan menjadi penyebab
kematian global tertinggi dengan perkiraan lebih dari 22,2 juta jiwa meninggal
karena mengidap penyakit ini (Amal et al., 2023) Hal ini dikarenakan adanya
interaksi yang kompleks antara faktor genetic seperti hiperkolesterolemia
famillia atau tingginya kadar kolesterol dalam darah karena faktor genetic,
faktor resiko yang dapat dimodifikasi (merokok, konsumsi alcohol, pola
makan, dan aktifitas fisik), dan pilihan gaya hidup yang kurang sehat sehingga
penyakit kardiovaskular menjadi penyebab kematian dan kesehatan global dari
tahun ketahun (Tsao et al., 2023).
Upaya yang dapat dilakukan untuk memitigasi penyakit kardiovaskular adalah
dengan pendekatan multi-aspek yang mencakup inisiatif kesehatan
masyarakat, modifikasi gaya hidup, dan intervensi medis dapat diterapkan
untuk mencegah penyakit kardiovaskular dan mengurangi angka kematian
global (Tsao et al., 2023).
Persentase kematian akibat penyakit kardiovakular terbesar terjadi di
negara berkembang (Desiani et al., 2022) salah satunya Indonesia, menurut
Riset Kesehatan Dasar (Riskesdas) Kementrian Kesehatan Indonesia Tahun
2018 kejadian penyakit jantung dan pembuluh darah meningkat disetiap
tahunnya, sekitar 2.784.064 orang atau 15% dari total penduduk menderita
penyakit jantung, selain itu penyakit kardiovaskular sering menyerang
masyarakat dengan usia produktif sehingga menimbulkan masalah sosial dan
ekonomi bagi masyarakat umum (Widiastuti et al., 2021), dan pada tahun
2022 lalu jumlah kasus penyakit jantung mencapai 15,5 juta yang
menghabiskan sekitar 21% dari total biaya yang ditanggung BPJS dalam
program jaminan kesehatan (Prabowo & Kurniadi, 2023). Salah satu upaya
yang dapat dilakukan untuk mengurangi hal tersebut adalah dengan
mendeteksi lebih awal penyakit kardiovaskular melalui pendekatan algoritma
machine learning yang saat ini menjadi instrument yang kuat karena machine
learning memiliki kemampuan belajar secara mandiri tanpa memerlukan
pengawasan terus-menerus (Prabowo & Kurniadi, 2023)
Menurut beberapa penelitian yang telah dilakukan menggunakan Machine
Learning untuk memprediksi penyakit jantung diantaranya metode Random
Forest Classifier dengan akurasi 83,16%, logistic regression 77,88% dan
hybrid model 84,48% (Al Azhima et al., 2022). Penelitian lain yang telah
dilakukan untuk mendeteksi penyakit jantung yakni menggunakan citra EKG
dengan penggabungan model HRV dan DNN, akurasinya mencapai 98,8%
(Evangelin Sonia et al., 2023). Berdasarkan penelitian tersebut dapat
disimpulakan bahwasanya pendekatan menggunakan algoritma machine
learning merupakan metode yang cocok digunakan untuk mendeteksi penyakit
kardiovaskular dalam rangka membantu tenaga medis mendiagnosis penyakit
 pasiennya. Salah satu algoritma machine learning yang baru-baru ini
digunakan untuk klasifikasi citra adalah Convolutional Neural Network,
merupakan Multilayer Perceptron (MPL) dan termasuk dalam kategori
algoritma Deep Learning yang memiliki beberapa lapisan linear atau
kombinasi neuron, terdiri dari input layer, hidden layer, dan output layer
dimana algoritma ini digunakan untuk mengekstraksi fitur dalam training set
menggunakan matematika konvolusi sebelum mengirimkan nilai fitur yang
sudah diekstraksi ke neural network (Wicaksono et al., 2022). Hal ini
dibuktikan melalui beberapa penelitian yang telah dilakukan diantaranya
adalah menggunakan sinyal Elektrokardiogram (EKG) untuk mendeteksi
penyakit jantung aritmia dengan akurasi sebesar 98,8% (Nurriski &
Alamsyah, 2023), ada pula penelitian yang dilakukan oleh (Wicaksono et al.,
2022) untuk mendeteksi penyakit jantung atrial fibrillation dengan akurasi
validasi sebesar 100%.
Berdasarkan pemaparan diatas, maka pada penelitian ini akan
mengimplementasikan algoritma Convolutional Neural Network dalam
mengklasifikasikan citra jantung untuk mendeteksi penyakit kardiovaskular
dan diharapkan bisa mencapai nilai akurasi yang lebih baik.

1.2 Rumusan Masalah

Bagaimana mengimplementasikan algoritma Convolutional Neural

Network untuk mendeteksi penyakit kardiovaskular melalui klasifikasi citra
jantung?

1.3 Tujuan

Tujuan dari penelitian ini adalah untuk mengimplementasikan algortima

Convolutional Neural Network agar menghasilkan akurasi yang lebih baik
dalam mengklasifikasikan citra jantung untuk mendeteksi penyakit
kardiovaskular.

1.4 Manfaat

Penelitian ini dilakukan untuk meningkakan nilai akurasi dan efektivitas

dalam mendeteksi penyakit kardiovaskular melalui klasifikasi citra jantung
menggunakan algoritma Convolutionala Neural Network (CNN) serta
memberi alternatif metode deteksi penyakit kardiovaskular yang lebih cepat
dan akurat yang dapat dijadikan referensi bagi penelitian selanjutnya dalam
pengembangan algoritma CNN dibidang kesehatan.
1.5 Batasan Masalah

1. Penelitian ini hanya menggunakan algoritma Convolutional Neural

Network (CNN) dalam mendeteksi penyakit kardiovaskular melalui
klasifikasi citra jantung.
2. Dataset yang digunakan dalam penelitian ini diambil dari situs
Kaggle.com berupa citra hasil dari usg jantung atau citra
elektrokardiografi.
3. Menggunakan bahasa pemrograman python untuk klasifikasi citra
jantung serta tools yang digunakan adalah google colaboratory.
 BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Berkaitan dengan penelitian yang akan dilakukan, penelitian terdahulu
sangat membantu penulis dalam melakukan penelitian baik digunakan untuk
bahan kajian maupun sebagai pembanding. Penelitian terdahulu yang
digunakan oleh penulis relevan dengan topik permasalahan yang akan dibahas.
Berikut ini adalah beberapa ringkasan mengenai penelitian terdahulu yang
telah dilaksanakan dengan topik permasalahan dan pendekatan yang
digunakan.
Penelitian yang dilakukan oleh (Azizah, 2023) bertujuan untuk
mengklasifikasikan penyakit daun jagung menggunakan metode Convolutional
Neural Network (CNN) AlexNet. Dataset terdiri dari 4198 gambar daun jagung,
termasuk Blight, Common Rust, Sehat, dan Gray Leaf Spot. Metode CNN
mencapai akurasi 90% dalam mengklasifikasikan penyakit daun jagung.
Penelitian yang dilakukan oleh (Hermawan, 2021) bertujuan untuk
mengembangkan mekanisme deteksi masker wajah menggunakan metode
convolutional neural network (CNN) untuk mengidentifikasi ekspresi wajah,
emosi, dan keberadaan masker. Penelitian ini didasarkan pada studi
sebelumnya yang menggunakan deep learning dan CNN untuk pengenalan
wajah serta autentikasi. Tujuan akhirnya adalah menciptakan sistem real-time
untuk mendeteksi masker pada wajah dengan tingkat akurasi yang tinggi dan
waktu respon yang cepat. Akurasi ketepatannya sebesar 94%.
Penelitian yang dilakukan oleh (Bambang Pilu Hartato, 2021) berjudul
Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru untuk
Deteksi SARS-CoV-2, model CNN yang digunakan mencapai akurasi 98.69%,
sensitivitas 97.71%, dan spesifisitas 98.90%.
Penelitian yang dilakukan oleh (Prasmatio et al., 2020) menggunakan
Convolutional Neural Network (CNN) untuk mengidentifikasi 9 jenis ikan air
tawar dengan akurasi sebesar 85,18%. Dataset berisi 900 gambar ikan hias, dan
hasil klasifikasi menunjukkan akurasi sebesar 85,14%. Meskipun demikian,
hasil pengujian menunjukkan akurasi rata-rata sebesar 79,52% dari total 27
citra uji coba, dengan rekomendasi untuk melakukan perubahan pada tahap
pre-processing, jumlah data training, serta penggunaan gambar citra yang lebih
jelas dan kamera dengan kualitas yang lebih baik untuk meningkatkan akurasi.
Penelitian yang dilakukan oleh (Fadli et al., 2021) merupakan
pengembangan sistem deteksi COVID-19 berbasis website menggunakan
algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan
citra x-ray toraks menjadi tiga kelas: COVID-19, Pneumonia Viral, dan
normal. Hasil penelitian menunjukkan akurasi 89.6% dan nilai F1 87.9%.
Metode ini diharapkan dapat membantu dalam deteksi dini COVID-19 melalui
citra x-ray toraks. Metode validasi yang digunakan adalah validasi silang 5
kali.
Penelitian yang dilakukan oleh (Suhaedi et al., 2023) membahas tentang
pengembangan sistem deteksi gambar kanker kulit menggunakan model
Convolutional Neural Network (CNN) yang bertujuan untuk mendeteksi
gambar kanker kulit dengan menggunakan CNN untuk deteksi yang efisien dan
tepat. Akurasi dari model CNN yang dipakai sebesar 98%.
Penelitian yang dilakukan oleh (Andre et al., 2021) yakni klasifikasi tumor
otak menggunakan Convolutional Neural Network dengan arsitektur
EfficientNet-B3, bertujuan untuk menciptakan sistem yang dapat
mengklasifikasikan gambar tumor otak secara akurat untuk membantu dokter
dalam membuat diagnosis. Hasil penelitian menunjukkan bahwa model
mencapai akurasi tinggi dalam mengklasifikasikan gambar tumor otak. Model
EfficientNet-B3 berhasil memprediksi jenis tumor glioma, meningioma, dan
pitutary dengan akurasi mencapai 99.7%.
Penelitian yang dilakukan oleh (Bowo et al., 2020) menggunakan
Convolutional Neural Network (CNN) untuk mengklasifikasikan motif batik
Solo dengan akurasi tinggi, mencapai 99.07% dalam proses pembelajaran dan
95% dalam proses pengujian. Metode CNN terbukti mampu
mengklasifikasikan gambar dengan baik, dengan tahapan metodologi meliputi
pengumpulan data, pemodelan konseptual, pengumpulan data input/output, dan
preprocessing. Proses konvolusi menggunakan filter 3x3 dengan aktivasi
ReLU, proses pooling menggunakan max pooling, dan proses fully connected
dilakukan setelah feature extraction layer.
Penelitian yang dilakukan oleh (Pratama et al., 2021) membahas
penggunaan gambar sinar-X dada untuk mendeteksi COVID-19 menggunakan
Python dan model Convolutional Neural Network (CNN), bertujuan untuk
mengklasifikasikan gambar sinar-X dada ke dalam kategori Normal,
Pneumonia, Tuberkulosis (TBC), dan COVID-19. Model VGG19, ResNet50,
 dan InceptionV3 digunakan untuk pelatihan dan pengujian dataset. Model
terbaik, VGG19, mencapai akurasi 94,44% untuk pelatihan dan 98,97% untuk
memprediksi data baru. Penelitian ini menyimpulkan bahwa model VGG19
adalah model terbaik untuk penelitian ini.
Berikut Tabel 2.1 penelitian terdahulu yang mengangkat kasus
kardiovaskular atau penyakit jantung.

Tabel 2.1 Penelitian Terdahulu

Penelitian dan Metode yang

No Topik Hasil
Tahun digunakan
Tutut Riana Deteksi Penyakit Convolutional Akurasi yang
Hapsari, Lestari Kardiovaskular Neural dihasilkan
1. Sukmarini, Tuti pada Isyarat EKG Network sebesar 99,79%
Herawati berbasis Deep (CNN)
(2023) Learning
Muhammad Identifikasi Sinyal Convolutional Akurasi yang
Adnan Congestive Heart Neural dihasilkan
Pramudito, Failure dengan Network sebesar 100%
Yunendah Nur Metode (CNN) 1D
Fu’adah, Rita Convolutional
2.
Magdalena, Neural Network
Achmad Rizal, 1D
Fauzi Frahma
Taliningsih
(2022)
Dito Noor Klasifikasi Convolutional Akurasi yang
Fauzi, R Supraventrikular Neural dihasilkan
Yuendah Nur Arrhythmia Network sebesar 99%
Fuadah, Irma Berdasarkan (CNN)
3.
Safitri (2022) Sinyal EKG
menggunakan
Convolutional
Neural Network
4. Mochammad Sistem Deteksi Convolutional Akurasi yang
Andrie Atrial Fibrillation Neural dihasilkan
Wicaksono, R Menggunakan Network sebesar 100%
Yuendah Nur Metode (CNN) 1-
 Fuadah, Convolutional Dimensi
Rustam (2022) Neural Network
(CNN) 1-Dimensi
Yopi Julian Optimasi Deep Deep Akurasi yang
Nurriski, Convolutional Convolutional dihasilkan
Alamsyah Neural Network Neural sebesar 98,88%
(2023) (Deep CNN) Network
untuk Deteksi (Deep CNN)
5.
Aritmia Melalui dan
Sinyal EKG Arsitektur
menggunakan Conv1D
Arsitektur
Conv1D
Muhammad Klasifikasi Short Time Akurasi yang
Alwi Adnan Phonocardiogram Fourier dihasilkan
Amal, Dodi Menggunakan Transform sebesar
6. Zulherman, Short Time dan 88,11%
Rahmat Widadi Fourier Transform Convolutional
(2023) dan Convolutional Neural
Neural Network Network
S. V Evangelin A multi-modal HRV dan Akurasi yang
Sonia, R. Integrated Deep Deep dihasilkan
Nedunchezhian, Neural Networks Convolutional sebesar 98,8%
M. Rajalakshmi for the Prediction Neyral
7.
(2023) of Cardiovascular Network
Disease in (Deep CNN)
Type-2 Diabetic
Males
Tommy Segmentasi Ruang Convolutional Akurasi yang
Saputra, Siti Jantung dalam Neural dihasilkan
Nurmaini, Kondisi Network sebesar 98,87%
Muhammad Kardiomegali (CNN)
8.
Taufik Roseno, Menggunakan dengan
Hadi Syaputra Metode CNN Arsitektur U-
(2023) dengan Arsitektur Net
U-Net
2.2 Klasifikasi
Klasifikasi adalah pengelompokan data kedalam kelas yang telah
ditentukan berdasarkan kesamaan data yang dimiliki dengan pembangunan
model melalui data latih yang ada kemudian mengklasifikasikan pada data baru
(Utomo & Mesran, 2020). Dalam data mining, klasifikasi merupakan suatu
proses kerja yang menggunakan klasifikasi objek untuk mengelompokkan data
ke dalam kelompok-kelompok yang relevan dari beberapa kelompok yang
tersedia, terdapat dua tugas utama yang dilakukan dalam klasifikasi: (1)
membangun model sebagai prototipe untuk disimpan sebagai memori, dan (2)
menggunakan model tersebut di atas untuk melakukan analisis, klasifikasi, dan
prediksi pada objek data lain sehingga dapat dilakukan. dipahami dalam
konteks model objek sebelumnya yang telah dihilangkan (Putro et al., 2020).
Algoritma klasifikasi yang umum digunakan antara lain adalah algoritma
Support Vector Machine (SVM), Decision Tree, Naïve Bayes, dan K-Nearest
Neighbor (Yunial, 2020).
2.3 Kardiovaskular
Penyakit jantung atau dalam dunia medis dikenal sebagai penyakit
kardiovaskular merupakan penyakit yang terjadi akibat gangguan fungsi
jantung karena adanya penyumbatan arteri coroner yang menghambat aliran
darah ke jantung (Pangaribuan et al., 2021). Menurut WHO penyakit jantung
merupakan salah satu penyakit tidak menular yang memiliki angka prevalensi
cukup tinggi sebagai penyebab kematian nomor satu di dunia, dengan
perkiraan lebih dari 17 juta jiwa meninggal disetiap tahunnya karena penyakit
jantung (Widiastuti et al., 2021). Beberapa faktor resiko penyakit
kardiovaskular diantaranya adalah hipertensi, kolesterol yang tinggi, diabetes,
obesitas, merokok, dan konsumsi alcohol berlebihan (Windarto, 2020). Selain
itu terdapat beberapa gelaja yang umumnya dialami oleh pasien pengidap
penyakit kardiovaskular antara lain nyeri dada sebelah kiri, detak jantung yang
tidak beraturan, dan sesak napas (Alhabib, 2022).
Sebesar 80% atau sekitar tiga per empat lebih dari penyebab kematian oleh
penyakit kardiovaskular terjadi di negara berkembang termasuk Indonesia
(Desiani et al., 2022). Hal ini disebabkan oleh kurangnya pengetahuan dan
informasi masyarakat mengenai gejala awal penyakit kardiovaskular sehingga
tidak sedikit dari penderita penyakit tersebut meninggal karena serangan
jantung (Wibisono & Fahrurozi, 2019). Maka diperlukannya pemahaman
terhadap masyarakat tentang gejala awal penyakit kardiovaskular dengan
pengecekan kesehatan secara berkala agar pasien yang mengidap penyakit
 kardiovaskular segera mendapatkan penanganan lebih lanjut dari pihak medis
(Alhabib, 2022). Oleh karena itu, deteksi penyakit jantung dengan
mengidentifikasi kondisi jantung merupakan langkah awal yang dapat
dilakukan dalam mencegah berkembangnya kasus yang lebih serius,
berdasarkan faktor-faktor resiko penyakit jantung (Lestari & Sumarlinda,
2023).

2.4 Echocardiography
Echocardiography atau USG jantung adalah metode pemeriksaan non-invasif
yang aman dan sering digunakan untuk mendeteksi berbagai kelainan jantung,
baik sistolik maupun diastolik (Surbakti & Lubis, 2023) dengan teknologi
ultrasound (Daiyansyah & Laksono, 2022). Echocardiography menghasilkan
citra jantung dan memperkirakan besarnya tekanan pada arteri paru-paru
(Efendi, 2022). Echocardiography membantu mendiagnosis penyakit jantung
dengan mengakomodasi beberapa aspek, yakni hipertrofi ventrikel kiri ataupun
klasifikasi katub, selain itu juga berguna untuk mendeteksi fungsi ventrikel kiri
diastol dengan rasio E/E', atau rasio momentum sudut annulus mitral (E)
terhadap kecepatan diastolik (E’) (Puspaseruni, 2021).
2.5 Convolutional Neural Network
Convolutional Neural Network adalah pengembangan dari deep learning untuk
image processing (Wulandari et al., 2020) yang memanfaatkan matematika
konvolusi untuk menerapkan fitur set pelatihan sebelum meneruskan fitur yang
dikembangkan sebelumnya ke neural networks dengan ukuran dimensi yang
berbeda yakni CNN 1-Dimensi digunakan untuk analisis teks dan ketepatan
waktu, CNN 2-Dimensi biasanya digunakan untuk identifikasi gambar, dan
CNN 3-Dimensi digunakan untuk mengedit video (Wicaksono et al., 2022).
CNN menggunakan metode Supervised Learning untuk mengklasifikasikan
kumpulan data tertentu ke dalam data yang dikumpulkan sebelumnya dengan
menggabungkan variabel yang diberi tag dan variabel target (Pratama et al.,
2021). CNN memiliki beberapa layer untuk mengekstraksi fitur dan melakukan
klasifikasi (Pramudito et al., 2022) sebagaimana berikut :
 Gambar 2.1 Arsitektur CNN
a. Convolutional Layer
Convolutional Layer terdiri dari filter dan image maps, yang merupakan
semacam tabel koordinat yang terkait dengan citra tertentu bertujuan
untuk mengekstrak fitur dari data masukan dengan memperkuat
korelasi spasial antara gambar dan data dengan menggunakan data
masukan yang kecil dan persegi (Ekananda & Riminarsih, 2022).

Gambar 2.2 Convolutional Layer

b. ReLu
Ketika sebuah gambar memiliki nilai yang tidak sama dengan nol,
aktivasi Rel-U mengatur semua nilai gambar menjadi nol. Rectified
Linear Unit, atau ReLu, adalah lapisan aktif CNN yang digunakan
untuk meningkatkan kecepatan pelatihan pada jaringan yang jarang,
sehingga dapat mengurangi kegagalan (Fauzi et al., 2022).
c. Pooling Layer
Pooling layer atau subsampling layer terdiri dari filter dengan ukuran
dan jumlah tepi tertentu yang akan ditempatkan secara acak di seluruh
feature maps dan apabila filter pada pooling layer tidak mampu
memperkecil ukuran setiap region pada feature map, maka region yang
tidak terlalu besar akan dihilangkan tanpa menggunakan proses pooling
(Wulandari et al., 2020). Dua metode pooling layer yang dapat
digunakan adalah max pooling dan average pooling, namun fitur yang
paling umum digunakan di CNN adalah maxpooling yakni dengan
mengubah keluaran lapisan konvolusi menjadi beberapa grid kecil
sebelum menentukan nilai maksimum dari setiap grid untuk
mendapatkan matriks citra yang diekstraksi (Ekananda & Riminarsih,
2022).

Gambar 2.3 Pooling Layer

d. Flatten
Metode ekstraksi fitur menghasilkan susunan fitur multidimensi, yang
harus disesuaikan sebelum digunakan sebagai masukan untuk putaran
yang jarang terhubung (Fauzi et al., 2022). Flatten layer mengubah
fitur menjadi vektor 1D yang dapat digunakan dengan lapisan yang
terhubung ke inti (Pramudito et al., 2022).

e. Fully Connected Layer

Fully Connected Layer adalah lapisan terakhir dari arsitektur
perceptron multilayer yang mana setiap neuron dari lapisan aktivitas
sebelumnya akan terhubung ke lapisan ini dan sebelum itu setiap
neuron di lapisan masukan perlu diubah menjadi data 1-Dimensi (Fauzi
et al., 2022). Perbedaan antara Fully Connected Layer dan
Convolutional Layer adalah Convolutional Layer memiliki neuron yang
hanya terhubung ke wilayah masukan, sedangkan Fully Connection
Layer memiliki neuron yang terhubung ke setiap bagian lapisan
(Wulandari et al., 2020).

Gambar 2.4 Fully Connected Layer

f. Softmax
Softmax merupakan salah satu bentuk alternatif dari algoritma Regresi
Logistik yang dapat diterapkan untuk mengklasifikasikan lebih dari dua
kelas. Standar klasifikasi yang biasanya dilakukan oleh algoritma
Regresi Logistik adalah standar klasifikasi kelas biner (Wulandari et al.,
2020).
g. Dropout
Dropout adalah teknik untuk mengurangi overfitting dengan cara
menonaktifkan beberapa neuron yang tidak diperlukan secara acak
(Fauzi et al., 2022). Hal ini menunjukkan bahwa meskipun neuron yang
baru terbentuk akan dihilangkan sementara, jaringan dan bobot baru
 tidak akan dimasukkan ke dalam neuron yang ada selama proses
backpropagation (Wulandari et al., 2020).

Gambar 2.5 Proses Dropout

BAB III
METODOLOGI PENELITIAN
3.1 Desain Sistem

Dalam membangun sistem klasifikasi citra jantung untuk mendeteksi

penyakit kardiovaskular dibutuhkan alur atau tahapan guna menjadi landasan
dalam melakukan penelitian. Alur penelitian diawali dengan pengumpulan
data, Preprocessing data, augmentasi data, klasifikasi dan evaluasi. Berikut
alur penelitian yang ditunjukkan melalui diagram blok.

Gambar 3.1 Alur Penelitian

 Berdasarkan Gambar 6 dapat diketahui alur atau tahapan penelitian yang
akan dilakukan dalam mengklasifikasi citra jantung untuk mendeteksi penyakit
kardiovaskular terdapat 5 tahapan. Diawali dengan pengumpulan dataset
berupa citra echocardiography atau usg jantung yang terbagi menjadi data
training dan data testing dengan masing-masing memiliki 4 folder citra yang
berbeda yaitu hypotension, coronary artery, angina, dan cardiovascular.
Dilanjutkan dengan preprocessing data yang dilakukan untuk menyiapkan
dataset sesuai dengan kebutuhan sebelum diimplementasikan pada model yang
akan dibuat. Data yang sudah melalui tahap preprocessing selanjutnya akan
dilakukan proses augmentasi citra, yaitu memodifikasi gambar dengan
membalik secara horizontal, melakukan rescale, melakukan zoom dan rotasi
secara acak yang bertujuan untuk meningkatkan akurasi dari model CNN yang
dilatih. Hasil dari proses augmentasi selanjutkan akan digunakan dalam proses
pembelajaran mesin klasifikasi. Pada penelitian ini algoritma yang digunakan
adalah Convolutional Neural Network (CNN), algoritma CNN akan
diimplementasikan dalam mengidentifikasi citra yang diinputkan pada sistem.
Tahap akhir dari penelitian adalah melakukan evaluasi dan analisis terhadap
sistem yang dibuat untuk mengetahui hasil dan performa sistem dalam
mengidentifikasi citra.

3.2 Pengumpulan Data

Tahap awal dari penelitian adalah pengumpulan data yang akan digunakan
sebagai bahan untuk proses penelitian. Pada penelitian ini dataset yang
digunakan adalah dataset public berupa citra echocardiography jantung yang
diperoleh dari Kaggle Repository dengan link URL https://bit.ly/3RLfTKA
berjumlah 2405 citra jantung terbagi menjadi empat jenis yakni hypotension
sebanyak 601, coronaryArtery sebanyak 599, angina sebanyak 606, dan
cardiovascular sebanyak 599 citra. Dari dataset tersebut dibagi menjadi dua
folder yaitu data training dan data testing dengan ratio 80% data training dan
20% data testing dengan masing-masing juga memiliki empat folder dengan
kelas hypotension, coronaryArtery, angina, dan cardiovascular. Selain itu pada
tahap ini peneliti juga melakukan studi literatur dengan mencari dan membaca
jurnal ilmiah, skripsi maupun website resmi dari internet yang berkaitan
dengan klasifikasi citra, penyakit jantung kardiovaskular, dan metode
convolutional neural network (CNN).
 G
Gambar 3.2 ambar 3.3 Gambar 3.4 Gambar 3.5
Angina Disease Cardiovascular Coronary Artery Hypotension
Disease Disease Disease
3.3 Preprocessing

Tahap preprocessing merupakan tahap awal pengolahan citra yakni dengan

melakukan resizing dan augmentasi citra yang selanjutnya akan digunakan
pada proses klasifikasi. Pada penelitian ini akan dilakukan resizing citra
sebesar 150x150 pixel supaya proses komputasi model CNN tidak memakan
waktu lama, karena semakin kecil ukuran dari citra yang digunakan akan
semakin mempercepat proses komputasi namun perlu diperhatikan juga bahwa
resizing tersebut tidak mengurangi detail dari citra yang diproses. Setelah
melalui tahap resizing, citra akan masuk pada tahap augmentasi yakni
memodifikasi dengan membalik, rescale, zoom dan rotasi citra secara acak.
Augmentasi bertujuan untuk menambah variasi citra dan mengatasi jumlah
data latih yang terbatas serta meningkatkan performa model yang dibuat.

3.4 Klasifikasi CNN

Setelah melalui preprocessing dan augmentasi, dataset citra jantung akan

menjadi inputan ke model CNN yang dibuat. Langkah pertama yang dilakukan
adalah mengupload dataset ke google drive kemudian dihubungkan dengan
google colaboratory. Langkah selanjutnya akan disajikan dalam bentuk
diagram blok sebagaimana berikut.
 Gambar 3.6 Model Arsitektur CNN

Berdasarkan Gambar 11 model arsitektur CNN yang dibangun terdiri dari

beberapa proses sebagai berikut :

1. Konvolusi layer pertama menggunakan 16 filter dengan masing-masing

kernel berukuran 3x3. Konvolusi merupakan operasi matematis yang
melibatkan penggabungan dua matriks untuk menghasilkan matriks
yang baru serta memahami pola-pola pada citra.
2. Activation ReLU (Retrified Linear Unit) merupakan aktivasi non-linear
yang berfungsi untuk mengubah nilai input negative menjadi nol yang
dapat mengurangi overfitting dan mempercepat pemrosesan citra.
3. Pooling pertama yang digunakan adalah maxpooling dengan ukuran
2x2 berfungsi untuk mengurangi dimensi spasial dari output yang
dihasilkan oleh layer konvolusi sebelumnya.
4. Konvolusi kedua melanjutkan hasil dari pooling pertama dengan 32
filter dan berukuran 3x3.
5. Konvolusi kedua menerapkan fungsi aktivasi ReLU untuk mengubah
nilai inputan negative menjadi nol.
6. Pooling kedua menggunakan maxpooling dengan ukuran 2x2 untuk
mendapatkan matriks baru.
7. Konvolusi ketiga melanjutkan hasil pooling kedua dengan 64 filter
berukuran 3x3.
8. Setelah konvolusi ketiga, diterapkan aktivasi ReLU.
 9. Pooling ketiga menggunakan maxpooling dengan ukuran 2x2 untuk
mendapatkan matriks baru yang lebih kompleks.
10. Setelah pooling ketiga, dilanjutkan dengan konvolusi ke empat
menggunakan 128 filter dengan ukuran 3x3.
11. Aktivasi ReLU diterapkan pada konvolusi ke empat untuk mengubah
nilai input negative menjadi nol.
12. Penggunaan maxpooling pada konvolusi ke empat dengan ukuran 2x2
untuk mendapatkan matriks baru.
13. Selanjutnya proses flatten, yaitu mengubah output dari lapisan
sebelumnya menjadi vector satu dimensi, hal ini dilakukan sebelum
masuk pada lapisan dense (fully connected layer).
14. Pada lapisan dense diterapkan fungsi aktivasi ReLU dengan jumlah 200
neuron.
15. Lapisan dropout dengan tingkatan 0,3 untuk mencegah terjadinya
overfitting.
16. Lapisan dense kedua dengan jumlah 500 neuron, diterapkan juga
aktivasi ReLU.
17. Lapisan dropout kedua dengan tingkatan 0,5 membantu mencegah
overfitting dengan menonaktifkan sebagian unit neuron secara acak.
18. Terakhir, lapisan dense menggunakan fungsi aktivasi softmax dengan
jumlah neuron 4 sesuai dengan jumlah kelas pada klasifikasi ini yakni
kelas hypotension, kelas coronary artery, kelas cardiovascular, dan
kelas angina.

3.5 Evaluasi

Confusion Matrix merupakan hasil evaluasi dari klasifikasi data mining

yang ditampilkan dalam bentuk table untuk menghitung nilai akurasi, presisi,
recall, dan F1 Score dari sistem yang dirancang. Dalam confusion matrix
memiliki empat istilah sebagai gambaran hasil klasifikasi sebagaimana
berikut :
a. True Positive (TP), yaitu data yang terprediksi benar dari data positif
b. False Positive (FP), yaitu data yang terprediksi benar dari data negative
c. True False (TF), yaitu data yang terpresdiksi salah dari data positif
d. False Negatif (FN), yaitu data yang terprediksi salah dari data negative
 Gambar 3.7 Confusion Matriks

Rumus untuk menentukan nilai akurasi, presisi, recall, dan F1 score adalah
sebagai berikut :

TP
a. Presisi =
TP+ FP
(1)
TP
b. Recall =
TP+ FN
(2)
2 x presisi x recall
c. F1 score = (3)
presisi+recall
TP+TN
d. Akurasi = (4)
TP+ FP+TN + FN

DAFTAR PUSTAKA
Al Azhima, S. A. T., Darmawan, D., Arief Hakim, N. F., Kustiawan, I., Al
Qibtiya, M., & Syafei, N. S. (2022). Hybrid Machine Learning Model untuk
memprediksi Penyakit Jantung dengan Metode Logistic Regression dan
Random Forest. Jurnal Teknologi Terpadu, 8(1), 40–46.
https://doi.org/10.54914/jtt.v8i1.539
Alhabib, I. (2022). Komparasi Metode Deep Learning, Naïve Bayes Dan Random
Forest Untuk Prediksi Penyakit Jantung. INFORMATICS FOR
EDUCATORS AND PROFESSIONAL : Journal of Informatics, 6(2), 176.
https://doi.org/10.51211/itbi.v6i2.1881

Amal, M. A. A., Zulherman, D., & Widadi, R. (2023). Klasifikasi Sinyal

Phonocardiogram Menggunakan Short Time Fourier Transform dan
Convolutional Neural Network. Jurnal Teknologi Informasi Dan Ilmu
Komputer, 10(2), 237–244. https://doi.org/10.25126/jtiik.20231015424

Andre, R., Wahyu, B., & Purbaningtyas, R. (2021). Klasifikasi Tumor Otak
Menggunakan Convolutional Neural Network Dengan Arsitektur
Efficientnet-B3. Jurnal IT, 11(3), 55–59.
https://jurnal.umj.ac.id/index.php/just-it/index

Azizah, Q. N. (2023). Klasifikasi Penyakit Daun Jagung Menggunakan Metode

Convolutional Neural Network AlexNet. Sudo Jurnal Teknik Informatika,
2(1), 28–33. https://doi.org/10.56211/sudo.v2i1.227

Bambang Pilu Hartato. (2021). Penerapan Convolutional Neural Network pada

Citra Rontgen Paru-Paru untuk Deteksi SARS-CoV-2. Jurnal RESTI
(Rekayasa Sistem Dan Teknologi Informasi), 5(4), 747–759.
https://doi.org/10.29207/resti.v5i4.3153

Bowo, T. A., Syaputra, H., & Akbar, M. (2020). Penerapan Algoritma

Convolutional Neural Network Untuk Klasifikasi Motif Citra Batik Solo.
Journal of Software Engineering Ampera, 1(2), 82–96.
https://doi.org/10.51519/journalsea.v1i2.47

Daiyansyah, S., & Laksono, S. (2022). GAMBARAN EKOKARDIOGRAFI

JANTUNG BAGIAN KANAN PADA PASIEN HIPERTENSI
PULMONAL. Human Care Journal, 7(2), 290.
https://doi.org/10.32883/hcj.v7i2.1649

Desiani, A., Akbar, M., Irmeilyana, I., & Amran, A. (2022). Implementasi
Algoritma Naïve Bayes dan Support Vector Machine (SVM) Pada
Klasifikasi Penyakit Kardiovaskular. Jurnal Teknik Elektro Dan Komputasi
(ELKOM), 4(2), 207–214.
http://jurnal.unmuhjember.ac.id/index.php/ELKOM/article/view/7691

Efendi, M. R. (2022). Assistancy in Medical Surgical Nursing Care for patients

with cardiovascular system disorders (hypertension) in Public Health Center
 of Cijeungjing. Kolaborasi Jurnal Pengabdian Masyarakat, 2(1), 88–104.

Ekananda, N. P., & Riminarsih, D. (2022). IDENTIFIKASI PENYAKIT

PNEUMONIA BERDASARKAN CITRA CHEST X-RAY
MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. Jurnal
Ilmiah Informatika Komputer, 27(1), 79–94.
https://doi.org/10.35760/ik.2022.v27i1.6487

Evangelin Sonia, S. V., Nedunchezhian, R., & Rajalakshmi, M. (2023). A multi-

modal integrated deep neural networks for the prediction of cardiovascular
disease in type-2 diabetic males. Automatika, 64(4), 1315–1327.
https://doi.org/10.1080/00051144.2023.2269515

Fadli, A., Ramadhani, Y., & Aliim, M. S. (2021). Purwarupa Sistem Deteksi
COVID-19 Berbasis Website Menggunakan Algoritma Convolutional Neural
Network. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(5),
876–883. https://doi.org/10.29207/resti.v5i5.3450

Fauzi, D. N., Fuadah, R. Y. N., & Safitri, I. (2022). Klasifikasi Supraventrikular

Arrhythmia Berdasarkan Sinyal EKG Menggunakan Convolutional Neural
Network Supraventrikular Arrhythmia Classification Based On ECG Signal
With Convolutional Neural Network. E-Proceeding of Engineering, 8(6),
3255–3262.

Hermawan, E. (2021). Klasifikasi Pengenalan Wajah Menggunakan Masker atau

Tidak Dengan Mengimplementasikan Metode CNN ( Convolutional Neural
Network ). Jurnal Industri Kreatif Dan Informatika, 1, 33–43.

Lestari, W., & Sumarlinda, S. (2023). Studi Komparatif Model Klasifikasi

Kerentanan Penyakit Jantung Menggunakan Algoritma Machine Learning.
SATIN - Sains Dan Teknologi Informasi, 9(1), 107–115.
https://doi.org/10.33372/stn.v9i1.918

Nugraha, W. (2021). Prediksi Penyakit Jantung Cardiovascular Menggunakan

Model Algoritma Klasifikasi. Jurnal Managemen Dan Informatika, 9(2), 3–
8.

Nurriski, Y. J., & Alamsyah. (2023). Indonesian Journal of Mathematics and

Natural Sciences Optimasi Deep Convolutional Neural Network (Deep
CNN) untuk Deteksi Aritmia Melalui Sinyal EKG Menggunakan Arsitektur
Conv1D. Indonesian Journal of Mathematics and Natural Sciences, 46(1),
10–20. http://journal.unnes.ac.id/nju/index.php/JM
Pangaribuan, J. J., Tanjaya, H., & Kenichi. (2021). Mendeteksi Penyakit Jantung
Menggunakan Machine Learning Dengan Algoritma Logistic Regression.
Information System Development, 6(2), 1–10.

Prabowo, A. S., & Kurniadi, F. I. (2023). Analisis Perbandingan Kinerja

Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung. Jurnal SISKOM-
KB (Sistem Komputer Dan Kecerdasan Buatan), 7(1), 56–61.
https://doi.org/10.47970/siskom-kb.v7i1.468

Pramudito, M. A., FU’ADAH, Y. N., MAGDALENA, R., RIZAL, A., &

TALININGSIH, F. F. (2022). Identifikasi Sinyal Congestive Heart Failure
dengan Metode Convolutional Neural Network 1D. MIND Journal, 7(1), 11–
20. https://doi.org/10.26760/mindjournal.v7i1.11-20

Prasmatio, R. M., Rahmat, B., & Yuniar, I. (2020). Deteksi Dan Pengenalan Ikan
Menggunakan. Jurnal Informatika Dan Sistem Informasi, 1(2), 510–521.

Pratama, P. A. H., Teguh, R., Sahay, A. S., & Wilentine, V. (2021). Deteksi
COVID-19 Berdasarkan Hasil Rontgen Dada (Chest Xray) Menggunakan
Python. Journal of Information Technology and Computer Science, 1(1), 58–
67. https://doi.org/10.47111/jointecoms.v1i1.2956

Puspaseruni, K. (2021). Cardiorenal Syndrome : Patofisiologi, Diagnosis, dan

Tatalaksana. CDK Journal, 48(6), 327–332.

Putro, H. F., Vulandari, R. T., & Saptomo, W. L. Y. (2020). Penerapan Metode

Naive Bayes Untuk Klasifikasi Pelanggan. Jurnal Teknologi Informasi Dan
Komunikasi (TIKomSiN), 8(2). https://doi.org/10.30646/tikomsin.v8i2.500

Suhaedi, M., Abdillah, H., & Rizki Liliandari, A. (2023). SKIN CANCER
IMAGE DETECTION SYSTEM USING THE CONVOLUTIONAL
NEURAL NETWORK MODEL. TEKNOKOM, 6(1), 20–28.
https://doi.org/10.31943/teknokom.v6i1.106

Surbakti, T. A. R., & Lubis, A. C. (2023). Gambaran Hasil Pemeriksaan

Ekokardiografi Pasien Gagal Jantung di RSUP H. Adam Malik pada Tahun
2021. SCRIPTA SCORE Scientific Medical Journal, 5(1), 17–23.

Tsao, C. W., Aday, A. W., Almarzooq, Z. I., Anderson, C. A. M., Arora, P.,
Avery, C. L., Baker-Smith, C. M., Beaton, A. Z., Boehme, A. K., Buxton, A.
E., Commodore-Mensah, Y., Elkind, M. S. V., Evenson, K. R., Eze-Nliam,
C., Fugar, S., Generoso, G., Heard, D. G., Hiremath, S., Ho, J. E., … Martin,
 S. S. (2023). Heart Disease and Stroke Statistics—2023 Update: A Report
From the American Heart Association. Circulation, 147(8), E93–E621.
https://doi.org/10.1161/CIR.0000000000001123

Utomo, D. P., & Mesran, M. (2020). Analisis Komparasi Metode Klasifikasi Data
Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung. JURNAL
MEDIA INFORMATIKA BUDIDARMA, 4(2), 437.
https://doi.org/10.30865/mib.v4i2.2080

Wibisono, A. B., & Fahrurozi, A. (2019). Perbandingan Algoritma Klasifikasi

Dalam Pengklasifikasian Data Penyakit Jantung Koroner. Jurnal Ilmiah
Teknologi Dan Rekayasa, 24(3), 161–170.
https://doi.org/10.35760/tr.2019.v24i3.2393

Wicaksono, M. A., Fuadah, Y. N., & Rustam. (2022). Sistem Deteksi Atrial
Fibrillation Menggunakan Metode Convolutional Neural Network (CNN) 1-
Dimensi. E-Proceeding of Engineering, 8(6), 3927–3931.

Widiastuti, I. A. E., Cholidah, R., Buanayuda, G. W., & Alit, I. B. (2021). Deteksi
Dini Faktor Risiko Penyakit Kardiovaskuler pada Pegawai Rektorat
Universitas Mataram. Jurnal Pengabdian Magister Pendidikan IPA, 4(1).
https://doi.org/10.29303/jpmpi.v4i1.604

Windarto, Y. E. (2020). Analisis Penyakit Kardiovaskular Menggunakan Metode

Korelasi Pearson, Spearman Dan Kendall. Jurnal SAINTEKOM, 10(2), 119.
https://doi.org/10.33020/saintekom.v10i2.149

Wulandari, I., Yasin, H., & Widiharih, T. (2020). KLASIFIKASI CITRA

DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA
CONVOLUTIONAL NEURAL NETWORK (CNN). Jurnal Gaussian, 9(3),
273–282. https://doi.org/10.14710/j.gauss.v9i3.27416

Yunial, agus heri. (2020). Analisa Perbandingan Algoritma Klasifikasi Support

Vector Machine, Decession Tree Dan Naive Bayes. Prosiding Seminar
Informatika Dan Sistem Informasi, 5(2), 138–156.
http://openjournal.unpam.ac.id/index.php/SNISIS/article/view/9269