PENERAPAN SEGMENTASI PADA MODEL VISION TRANSFORMER(ViT) DALAM DIAGNOSIS PENYAKIT KARDIOVASKULAR BERDASARKAN SINYAL PCG

Prayogi, Agung (2024) PENERAPAN SEGMENTASI PADA MODEL VISION TRANSFORMER(ViT) DALAM DIAGNOSIS PENYAKIT KARDIOVASKULAR BERDASARKAN SINYAL PCG. Diploma thesis, UPN Veteran Yogyakarta.

	Text Cover Skripsi_Agung Prayogi_123200085.pdf Download (171kB)
	Text Abstrak Skripsi_Agung Prayogi_123200085.pdf Download (234kB)
	Text Lembar Pengesahan_Skripsi_Agung Prayogi_123200085.pdf Download (488kB)
	Text Daftar Isi Skripsi_Agung Prayogi_123200085.pdf Download (240kB)
	Text Daftar Pustaka_Skripsi_Agung Prayogi_123200085.pdf Download (198kB)
	Text Fulltext Skripsi_Agung Prayogi_123200085.pdf Restricted to Repository staff only Download (5MB)

Abstract

Penyakit kardiovaskular adalah salah satu penyakit jantung yang berbahaya. Pada
tahun 2019, penyakit ini menyebabkan setidaknya 17,9 juta kematian, yang mewakili 32%
dari seluruh kematian global. Salah satu yang metode diagnosis yang dapat digunakan adalah
auskultasi atau mendengarkan suara jantung. Rekaman suara jantung ini disebut dengan
sinyal phonocardiogram (PCG). Namun, sinyal PCG sering kali berukuran terlalu besar dan
berisi terlalu banyak informasi berulang yang tidak berguna. Dengan alasan ini, segmentasi
menjadi penting untuk membagi sinyal menjadi potongan yang lebih kecil, tetapi tetap
mempertahankan fitur – fitur penting yang diperlukan.
Penelitian ini mengevalusi dampak segmentasi sinyal PCG pada performa model ViT
dalam diagnosis penyakit kardiovaskular. Sinyal PCG disegmentasi menggunakan TKEO
dan fungsi autokorelasi, kemudian menjadi masukkan pada model ViT untuk diagnosis
penyakit atau normal. Hasil menunjukan bahwa segmentasi sinyal PCG menurunkan
performa model ViT secara keseluruhan dengan penurunan akurasi dari 93.22% menjadi
79.63%, sensitivitas dari 93.22% menjadi 79.53%, dan spesifisitas dari 98.30% menjadi
94.90%. Namun, analisis lebih lanjut menunjukan segmen pertama pada segmentasi
memberikan performa terbaik dibanding segmen lainnya dengan akurasi mencapai 81.70%,
sensitivitas 81.70% dan spesifisitas 95.44%.
Meskipun begitu, dilihat dari berbagai sisi analisis penurunan performa secara
keseluruhan menunjukan bahwa segmentasi tidak selalu meningkat performa dalam
diagnosis berdasarkan sinyal. Penelitian lebih lanjut diperlukan untuk mencari metode
segmentasi yang lebih optimal dan meningkatkan performa model ViT dalam diagnosis
penyakit kardiovaskular.
Kata Kunci: PCG, Segmentasi, Penyakit Kardiovaskular, Teager-Kaiser Energy Operator, Autokorelasi, Vision Transformer.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	PCG, Segmentasi, Penyakit Kardiovaskular, Teager-Kaiser Energy Operator, Autokorelasi, Vision Transformer.
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	11 Jul 2024 02:05
Last Modified:	11 Jul 2024 02:05
URI:	http://eprints.upnyk.ac.id/id/eprint/40209

Actions (login required)

View Item