UMM Institutional Repository

DETEKSI KELAINAN FUNGSI KATUP JANTUNG DENGAN DEEP LEARNING LONG SHORT TERM MEMORY NETWORK

Al Farisyi, Muhammad Bara (2021) DETEKSI KELAINAN FUNGSI KATUP JANTUNG DENGAN DEEP LEARNING LONG SHORT TERM MEMORY NETWORK. Undergraduate (S1) thesis, Universitas Muhammadiyah Malang.

[img]
Preview
Text
PENDAHULUAN.pdf

Download (1MB) | Preview
[img]
Preview
Text
BAB I.pdf

Download (562kB) | Preview
[img]
Preview
Text
BAB II.pdf

Download (605kB) | Preview
[img]
Preview
Text
BAB III.pdf

Download (806kB) | Preview
[img] Text
BAB IV.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img] Text
BAB V.pdf
Restricted to Registered users only

Download (241kB) | Request a copy
[img] Text
POSTER.pdf
Restricted to Registered users only

Download (335kB) | Request a copy
[img] Text
Lampiran (Source Code).pdf
Restricted to Registered users only

Download (445kB) | Request a copy

Abstract

Penyakit jantung membuat jumlah kematian pada usia muda semakin banyak, hal ini dapat menghambat terjadinya generasi emas 2045 yang merupakan salah satu faktor penentu terjadinya Indonesia maju. Terjadinya penyakit jantung diakibatkan diantaranya karena adanya kelainan fungsi pada katup jantung. Untuk mengetahui adanya kelainan fungsi pada katup jantung diperlukan pengenalan pada pola suara jantung. Penelitian ini bertujuan Untuk mendeteksi kelainan-kelainan pada katup jantung, dengan cara membedakan suara pada jantung normal dengan suara pada jantung yang abnormal menggunakan neural network. Neural network merupakan salah satu metode yang memiliki kemampuan untuk mempelajari pola�pola dari suatu data. Sistem yang dibangun pada penelitian ini adalah menggunakan metode Long Short Term Memory Neural Networks (LSTM). Untuk mengetahui kinerja metode LSTM, maka algoritma Artificial Neural Network (ANN) juga dilakukan proses analisis dan dibandingkan kinerjanya. Hasil klasifikasi yang didapatkan dengan metode LSTM memiliki rata –rata akurasi sebesar 81%, sedangkan dengan metode ANN hasil klasifikasi yang didapatkan memiliki rata�rata akurasi sebesar 75.5%.

Item Type: Thesis (Undergraduate (S1))
Student ID: 201710130311012
Thesis Advisors: Muhammad Irfan (0705106601), Amrul Faruq (0718028601)
Keywords: Generasi Emas 2045, Katup Jantung, Neural Network, Long Short Term Memory
Subjects: T Technology > T Technology (General)
T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions: Faculty of Engineering > Department of Electrical Engineering (20201)
Depositing User: 201710130311012 baraalfarisyi
Date Deposited: 30 Jul 2021 02:33
Last Modified: 30 Jul 2021 02:33
URI : http://eprints.umm.ac.id/id/eprint/76474

Actions (login required)

View Item View Item
UMM Official

© 2008 UMM Library. All Rights Reserved.
Jl. Raya Tlogomas No 246 Malang East Java Indonesia - Phone +62341464318 ext. 150, 151 - Fax +62341464101
E-Mail : repository@umm.ac.id - Website : https://lib.umm.ac.id - Online Catalog : https://laser.umm.ac.id - Repository : https://eprints.umm.ac.id

Web Analytics

UMM Institutional Repository is powered by :
EPrints Logo