Zulikhan, Muhammad Najib and Abadi, Agus Maman (2017) APLIKASI RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK DIAGNOSIS PENYAKIT JANTUNG. S1 thesis, UNY.
|
Text
Abstrak.pdf Download (420kB) | Preview |
|
|
Text
BAB I.pdf Download (538kB) | Preview |
|
|
Text
BAB II.pdf Download (1MB) | Preview |
|
|
Text
BAB III.pdf Download (752kB) | Preview |
|
![[img]](https://eprints.uny.ac.id/style/images/fileicons/text.png) |
Text
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
|
Text
BAB V.pdf Restricted to Registered users only Download (582kB) |
|
|
Text
DAFTAR PUSTAKA.pdf Download (475kB) | Preview |
|
|
Text
Halaman Awal new.pdf Restricted to Registered users only Download (2MB) |
|
|
Text
LAMPIRAN.pdf Restricted to Registered users only Download (624kB) |
Abstract
Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang menyebabkan gangguan terhadap jantung. Penyakit jantung merupakan penyakit pembunuh nomor satu di dunia. Pada tahun 1990 tercatat sebanyak 14,4 juta kematian akibat serangan jantung. Penelitian ini bertujuan untuk mendiagnosiskan kondisi jantung berdasarkan rekaman detak jantung dari alat Phonocardiogram (PCG) menggunakan metode Radial Basis Function Neural Network (RBFNN). Penelitian ini menggunakan 50 data rekaman PCG yang selanjutnya dianalisis hingga didapatkan hasil diagnosisnya. Proses ekstraksi sinyal dengan dekomposisi wavelet mother haar menghasilkan 4 fitur yang akan digunakan sebagai variabel input yaitu energy, minimum, maksimum, dan standar deviasi. Pembagian data training dan testing yaitu 80% berbanding 20%. Algoritma K-means clustering digunakan dalam menentukan pusat dan jarak cluster. Sedangkan output yang dihasilkan adalah diagnosis untuk kondisi jantung (normal atau abnormal). Model RBFNN yang menghasilkan diagnosis terbaik diperoleh dengan 4 neuron pada lapisan input, 9 neuron pada lapisan tersembunyi, dan 1 neuron output. Analisis ketepatan hasil menunjukkan tingkat sensitivitas pada data training sebesar 100% artinya untuk pasien yang memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi dengan tepat adalah sebesar 100%. Spesifisitas data training 85% artinya untuk pasien yang tidak memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi dengan tepat adalah sebesar 85%. Nilai akurasi pada data training 92.5% artinya hasil klasifikasi dengan model RBFNN akurat sebesar 92.5%, baik untuk pasien yang tidak memiliki penyakit jantung (normal), maupun yang memiliki penyakit jantung. Pada data testing, tingkat sensitivitas 100% artinya untuk pasien yang memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi dengan tepat adalah sebesar 100%. Spesifisitas data testing 80% artinya untuk pasien yang tidak memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi dengan tepat adalah sebesar 80%. Akurasi pada data testing 90% artinya hasil klasifikasi dengan model RBFNN akurat sebesar 90%, baik untuk pasien yang tidak memiliki penyakit jantung (normal), maupun yang memiliki penyakit jantung.
| Item Type: | Thesis (S1) |
|---|---|
| Uncontrolled Keywords: | penyakit jantung, Radial Basis Function Neural Network (RBFNN), K-means clustering, Wavelet |
| Subjects: | Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika |
| Depositing User: | Jurusan Pendidikan Matematika |
| Date Deposited: | 09 Oct 2017 02:19 |
| Last Modified: | 30 Jan 2019 15:18 |
| URI: | http://eprints.uny.ac.id/id/eprint/53146 |
Actions (login required)
 |
View Item |