Hutubessy, William Yohanes (2026) ANALISIS KOMPARATIF ARSITEKTUR CNN 1D UNTUK KLASIFIKASI ARITMIA ECG INTER-PATIENT: STUDI SYSTEMATIC TENTANG DEPTH, KERNEL SIZE. S1 thesis, Universitas Mercu Buana Jakarta - Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
41522110001-William Yohanes Hutubessy-01 Cover - William Hutubessy.pdf Download (1MB) |
|
Text (BAB 1)
41522110001-William Yohanes Hutubessy-02 Bab 1 - William Hutubessy.pdf Restricted to Registered users only Download (546kB) |
|
Text (BAB 2)
41522110001-William Yohanes Hutubessy-03 Bab 2 - William Hutubessy.pdf Restricted to Registered users only Download (963kB) |
|
Text (BAB 3)
41522110001-William Yohanes Hutubessy-04 Bab 3 - William Hutubessy.pdf Restricted to Registered users only Download (898kB) |
|
Text (BAB 4)
41522110001-William Yohanes Hutubessy-05 Bab 4 - William Hutubessy.pdf Restricted to Registered users only Download (914kB) |
|
Text (BAB 5)
41522110001-William Yohanes Hutubessy-06 Bab 5 - William Hutubessy.pdf Restricted to Registered users only Download (512kB) |
|
Text (DAFTAR PUSTAKA)
41522110001-William Yohanes Hutubessy-08 Daftar Pustaka - William Hutubessy.pdf Restricted to Registered users only Download (507kB) |
|
Text (LAMPIRAN)
41522110001-William Yohanes Hutubessy-09 Lampiran - William Hutubessy.pdf Restricted to Registered users only Download (606kB) |
Abstract
Penyakit kardiovaskular merupakan penyebab kematian tertinggi secara global, dan aritmia menjadi salah satu manifestasinya yang dapat mengancam nyawa. Elektrokardiogram (ECG) menjadi standar deteksi dini aritmia, namun interpretasi manualnya memerlukan keahlian kardiologis. Convolutional Neural Network (CNN) 1D banyak digunakan untuk mengotomatisasi klasifikasi aritmia, tetapi sebagian besar penelitian masih memakai evaluasi intra-patient yang menghasilkan metrik tidak realistis karena model menghafal pola spesifik pasien. Penelitian ini melakukan analisis komparatif sistematik terhadap delapan varian arsitektur CNN 1D murni pada paradigma inter-patient menggunakan MIT-BIH Arrhythmia Database dengan protokol DS1/DS2, mencakup variasi depth (3, 5, 7, 9 layer), kernel size (3, 5, 7, 9), dan arsitektur multi-scale. Varian VeryDeep (9 layer, kernel 5) mencapai performa terbaik dengan accuracy 87,97%, F1-weighted 88,54%, F1-macro 49,18%, dan F1-score kelas Fusion 20,56%, mendekati baseline inter-patient pada kelas tersulit tersebut namun dengan arsitektur yang jauh lebih sederhana. Penambahan depth terbukti paling menentukan, terutama bagi kelas minoritas Fusion, sedangkan kernel size optimal berada pada rentang K=5 hingga K=7 dan arsitektur multi-scale tidak mengungguli single-scale terbaik. Uji McNemar dengan koreksi Bonferroni mengonfirmasi keunggulan arsitektur 9 layer signifikan secara statistik. Kontribusi utama penelitian ini adalah menyediakan panduan berbasis bukti mengenai pengaruh depth dan kernel size pada klasifikasi aritmia inter-patient, sekaligus menunjukkan bahwa pemilihan kedalaman arsitektur yang tepat mampu mengatasi tantangan kelas minoritas tanpa menambah kompleksitas arsitektural. Kata kunci: Klasifikasi Aritmia, CNN 1D, Inter-patient, ECG, Deep learning.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522110001 |
| Uncontrolled Keywords: | Klasifikasi Aritmia, CNN 1D, Inter-patient, ECG, Deep learning. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | NAJHWA LAILI SYAFAQOH |
| Date Deposited: | 29 Aug 2026 02:07 |
| Last Modified: | 29 Aug 2026 02:07 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103500 |
Actions (login required)
 |
View Item |
