TY  - THES
UR  - http://eprints.uny.ac.id/53146/
KW  - penyakit jantung
KW  -  Radial Basis Function Neural Network (RBFNN)
KW  - 
K-means clustering
KW  -  Wavelet
AV  - restricted
TI  - APLIKASI RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN)
UNTUK DIAGNOSIS PENYAKIT JANTUNG
ID  - UNY53146
M1  - skripsi
A1  - Zulikhan, Muhammad Najib
A1  - Abadi, Agus Maman
PB  - UNY
N2  - 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.
Y1  - 2017/09/22/
ER  -