Ditemukan 147961 dokumen yang sesuai dengan query
"Detak jantung manusia dapat memberikan informasi yang berguna tentang aktivitas yang terjadi di dalam tubuh. Salah satu informasi yang dapat diperoleh dari rekaman detak jantung atau elektrokardiogram adalah tingkat keterlelapan tidur seseorang (sleep stages). Dari sinyal elektrokardiogram seseorang, tingkat keterlelapan tidurnya dapat dikenali dengan terlebih dahulu mengekstrak fitur yang merepresentasikan sinyal elektrokardiogram tersebut secara keseluruhan. Ekstraksi dilakukan agar dimensi data dapat tereduksi sehingga proses klasifikasi dapat lebih mudah dilakukan. Penelitian ini melakukan ekstraksi fitur fraktal dan morfologi dari sinyal elektrokardiogram yang diperoleh dari PhysioNet. Sebelum melakukan ekstraksi fitur morfologi dari sinyal elektrokardiogram, terlebih dahulu dilakukan ?Wavelet Denoising? untuk menghilangkan noise yang terdapat pada sinyal.
AbstractHuman heart rate can provide useful information about the activities that occur in the body. One of information which may be obtained from recording the heart rate or electrocardiogram is commonly called a person's level of deep sleep (sleep stages). From a person's electrocardiogram signal, the level of deep sleep recognizable by extracting features that represent the electrocardiogram signal as a whole. Extraction is done so that the dimension of the data can be reduced so that the classification process can be more easily done. This study aims to extract fractal features and morphology of the electrocardiogram signal obtained from PhysioNet. Prior to the extraction of morphological features of the electrocardiogram signal, first performed ?Wavelet Denoising? to remove the noise contained in the signal."
[Fakultas Ilmu Komputer Universitas Indonesia, Fakultas Ilmu Komputer Universitas Indonesia], 2011
pdf
Artikel Jurnal Universitas Indonesia Library
Edward Chitrahadi
"Detak jantung manusia dapat memberikan informasi yang berguna tentang aktivitas yang terjadi di dalam tubuh. Salah satu informasi yang dapat diperoleh dari rekaman detak jantung atau elektrokardiogram adalah tingkat keterlelapan tidur seseorang (sleep stages). Dari sinyal elektrokardiogram seseorang, tingkat keterlelapan tidurnya dapat dikenali dengan terlebih dahulu mengekstrak fitur yang merepresentasikan sinyal elektrokardiogram tersebut secara keseluruhan. Ekstraksi dilakukan agar dimensi data dapat tereduksi sehingga proses klasifikasi dapat lebih mudah dilakukan. Penelitian ini melakukan ekstraksi fitur fraktal dan morfologi dari sinyal elektrokardiogram yang diperoleh dari PhysioNet. Sebelum melakukan ekstraksi fitur morfologi dari sinyal elektrokardiogram, terlebih dahulu dilakukan “Wavelet Denoising” untuk menghilangkan noise yang terdapat pada sinyal.
Human heart rate can provide useful information about the activities that occur in the body. One of information which may be obtained from recording the heart rate or electrocardiogram is commonly called a person's level of deep sleep (sleep stages). From a person's electrocardiogram signal, the level of deep sleep recognizable by extracting features that represent the electrocardiogram signal as a whole. Extraction is done so that the dimension of the data can be reduced so that the classification process can be more easily done. This study aims to extract fractal features and morphology of the electrocardiogram signal obtained from PhysioNet. Prior to the extraction of morphological features of the electrocardiogram signal, first performed “Wavelet Denoising” to remove the noise contained in the signal."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2011
AJ-Pdf
Artikel Jurnal Universitas Indonesia Library
Hadi Nursalim
"Salah satu organ tubuh yang paling penting adalah jantung. Darah dapat didistribusikan dengan baik ke seluruh tubuh jika terdapat jantung. Organ lain akan berhenti bekerja dan orang tersebut akan meninggal jika jantung di dalam tubuh tidak berfungsi dengan baik. Salah satu jenis penyakit jantung adalah terjadinya gejala arrhythmia, yaitu suatu bentuk kondisi jantung yang ditandai dengan laju atau irama detak jantung. Detak jantung bisa lebih cepat dari biasanya, atau terlalu lambat, atau bahkan memiliki pola yang tidak teratur. Metode yang paling umum dan banyak digunakan oleh ahli jantung dan praktisi medis untuk memantau dan mendeteksi penyakit atau kelainan pada jantung adalah dengan menggunakan elektrokardiogram (EKG) yang dianalisis secara manual, sehingga dapat memakan waktu yang lama dan rentan terhadap kesalahan. Penerapan Artificial Intelligence diharapkan mampu memberikan peranan penting dalam mempercepat kinerja kardiologi. Dalam penelitian ini digunakan Model CNN dengan Arsitektur ResNet-50 untuk mengklasifikasikan detak jantung normal dan detak jantung beberapa jenis arrhythmia yang akan divisualisasikan dengan algoritma Grad-CAM. Dari hasil eksperimen pengklasifikasian, didapatkan tingkat akurasi rata-rata sebesar 94% dan meningkat menjadi 99% untuk setiap kelas setelah dilakukan visualisasi dengan menggunakan algoritma Grad-CAM.
One of the most important organs of the body is the heart. Blood can be well distributed throughout the body if there is a heart. Other organs will stop working and the person will die if the heart in the body is not functioning properly. One type of heart disease is the occurrence of symptoms of arrhythmia, which is a condition in which the heartbeat rate is too fast, to slow, or irregular. Currently, the most common and widely used method by cardiologists and other medical practitioners to monitor and detect diseases or abnormalities in the heart is to use an electrocardiogram (ECG), which is analyzed manually. where the task can take a long time and is prone to errors. The application of Artificial Intelligence is expected to play an important role in accelerating the performance of cardiologists. In this study, a CNN model with ResNet-50 architecture was used to classify normal heart rates and heart rates of several types of arrhythmia that would be visualized with the Grad-CAM algorithm. From the results of the classification experiment, an average accuracy rate of 94% was obtained and increased to 99% for each class after visualization using the Grad-CAM algorithm."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
T-pdf
UI - Tesis Membership Universitas Indonesia Library
Fulky Hariz Zulkarnaen
"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.
This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Noer Fitria Putra Setyono
"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.
SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."
Depok: Fakultas Komputer Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership Universitas Indonesia Library
Muhammad Rias Agnini Majdi
"Jenis-jenis alat musik yang digunakan dalam suatu musik adalah salah satu cara menjelaskan musik tersebut. Skripsi ini membahas penggunaan ekstraksi fitur MFCC dan metode klasifikasi k-NN untuk mengklasifikasi alat musik berdasarkan suara yang dihasilkannya. MFCC merupakan sebuah metode yang mampu mengolah sebuah data suara sehingga menghasilkan beberapa fitur yang bersifat numerik. k-NN merupakan sebuah metode klasifikasi yang menggunakan jarak dari fitur tiap-tiap observasi. Pengerjaan skripsi dilakukan dengan mengekstraksi fitur dari data-data suara yang tersedia dengan MFCC lalu menggunakan fitur-fitur yang diekstraksi tersebut untuk metode klasifikasi k-NN. Data yang digunakan adalah data suara alat musik yang tersedia pada dataset Philharmonia Orchestra Sound Samples. Hasil dari penerapan metode klasifikasi k-NN pada skripsi ini menunjukkan bahwa model k-NN mampu meraih nilai akurasi hingga 94,84%.
Instrumentation is one way to describe a music. This study discusses the use of MFCC feature extraction and k-NN classification method to classify instruments by the sound they produce. MFCC is a method capable of processing a sound data into a set of numeric features. k-NN is a classification method that uses the distance of the features of each observations. The process of this study uses MFCC to extract the features of available sound data and use these extracted features to fit a k-NN model. The data used in this study are the sound data available in the Philharmonia Orchestra Sound Samples dataset. The result of k-NN model fitting in this study shows that the model is capable of reaching an accuracy of 94.84%."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
