DRAFT PROPOSAL SKRIPSI Rev
DRAFT PROPOSAL SKRIPSI Rev
PROPOSAL SKRIPSI
Oleh :
2055201024
PROPOSAL SKRIPSI
Oleh :
2055201024
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 :
Blitar, 2024
KATA PENGANTAR.............................................................................................3
DAFTAR ISI............................................................................................................4
DAFTAR GAMBAR...............................................................................................5
DAFTAR TABEL....................................................................................................6
BAB I.......................................................................................................................8
PENDAHULUAN...................................................................................................8
1.3 Tujuan......................................................................................................10
1.4 Manfaat....................................................................................................10
BAB II....................................................................................................................11
TINJAUAN PUSTAKA........................................................................................11
BAB III..................................................................................................................19
METODOLOGI PENELITIAN.............................................................................19
3.3 Preprocessing...........................................................................................21
3.5 Evaluasi...................................................................................................23
DAFTAR PUSTAKA............................................................................................24
DAFTAR GAMBAR
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,
1.3 Tujuan
1.4 Manfaat
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).
BAB III
METODOLOGI PENELITIAN
3.1 Desain Sistem
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
3.5 Evaluasi
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
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
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
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
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
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
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
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