KLASIFIKASI KELAINAN JANTUNG DARI CITRA ELEKTROKARDIOGRAM JANTUNG BERDASARKAN ESTIMATOR PENALIZED SPLINE DENGAN PEREDUKSI DIMENSI GENERALIZED EXPLORATORY FACTOR ANALYSIS
| Main Author: | RIZKYA CHUSNUL WIBAWANTI, 081411831017 |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.unair.ac.id/70611/1/KKC%20KK%20ST.S.19-18%20Wib%20k%20ABSTRAK.pdf http://repository.unair.ac.id/70611/2/KKC%20KK%20ST.S.19-18%20Wib%20k%20SKRIPSI.pdf http://repository.unair.ac.id/70611/ http://lib.unair.ac.id |
Daftar Isi:
- Tugas jantung adalah memompa darah dalam tubuh, sehingga jantung merupakan organ yang sangat vital bagi tubuh manusia. Penyakit kardiovaskuler adalah penyakit yang disebabkan gangguan fungsi jantung dan pembuluh darah, seperti penyakit jantung koroner, penyakit gagal jantung atau payah jantung, hipertensi, dan stroke. Pengklasifikasian kelainan jantung menggunakan citra elektrokardiogram (EKG) diperlukan untuk mengetahui kelainan pada penderita sedini mungkin. Penelitian tentang pendeteksian kelainan jantung dari citra EKG sudah banyak dilakukan menggunakan pendekatan matematika dan informatika pada penelitian sebelumnya. Pada penelitian ini pengolahan citra dilakukan dengan batuan software MATLAB dan selanjutnya melakukan pendekatan statistika yaitu pereduksian dimensi data dengan metode Generalized Exploratory Factor Analysis (GEFA). GEFA dipilih karena hasil pereduksian dimensinya tidak terjadi multikolinearitas. Data respon pada penelitian ini dikategorikan menjadi 2 kategori yaitu citra EKG jantung normal dan citra EKG jantung kelainan, untuk pembuatan modelnya dengan pendekatan regresi logistik nonparametrik berdasarkan estimator penalized spline. Data yang digunakan diperoleh dari penelitian Firdaus (2015) sebanyak 40 data yang terdiri dari 30 data sebagai insample untuk membangun model dan 10 data sebagai outsample untuk uji validasi. Hasil estimasi yang didapatkan yaitu 93,333% untuk data insample dan 90% untuk data outsample.