KLASIFIKASI SUARA JANTUNG MENGGUNAKAN DEEP LEARNING INTEGRASI AI DALAM APLIKASI WEB UNTUK DETEKSI DINI GANGGUAN KARDIOVASKULAR
DOI:
https://doi.org/10.35143/jkt.v11i2.6516Kata Kunci:
CNN, Deep learning, Deteksi dini, Kecerdasan buatan, Suara jantungAbstrak
Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga deteksi dini sangat penting untuk mencegah komplikasi yang lebih serius. Salah satu metode yang dapat digunakan adalah analisis suara jantung, yang mengandung informasi penting terkait kondisi fisiologis dan patologis jantung. Namun, proses analisis manual oleh tenaga medis membutuhkan keahlian khusus dan berpotensi menghasilkan kesalahan interpretasi. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem berbasis kecerdasan buatan dengan Convolutional Neural Network (CNN) untuk mengotomatisasi klasifikasi suara jantung. Sistem ini memungkinkan pengguna mengunggah rekaman suara jantung yang akan diproses dan diklasifikasikan sebagai Normal atau Abnormal. Proses penelitian terdiri dari beberapa tahapan utama, yaitu pengumpulan dan preprocessing data suara jantung, pengembangan serta pelatihan model CNN, implementasi model ke dalam aplikasi web, serta pengujian dan evaluasi sistem menggunakan metrik seperti akurasi, presisi, dan recall. Luaran dari penelitian ini meliputi model deep learning untuk klasifikasi suara jantung. Sistem yang dikembangkan ini diharapkan dapat meningkatkan akurasi dan efisiensi dalam mendeteksi penyakit jantung, mengurangi ketergantungan terhadap analisis manual, serta menjadi solusi berbasis kecerdasan buatan yang dapat diintegrasikan dalam layanan kesehatanUnduhan
Referensi
S. A. Latifi, H. Ghassemian, and M. Imani, “Classification of heart sounds using multi-branch deep convolutional network and LSTM-CNN,” arXiv preprint, arXiv:2407.10689, 2024.
M. Madine, “Heart sound segmentation using deep learning techniques,” arXiv preprint, 2024.
L. A. Dewi, “Klasifikasi machine learning untuk mendeteksi penyakit jantung,” Skripsi, UIN Syarif Hidayatullah Jakarta, 2023.
S. Dwiyanti, A. H. Rasidi, A. M. Sitorus, and D. L. Lidapranata, “Identifikasi suara jantung normal dan abnormal menggunakan metode K-Nearest Neighbours,” Jurnal Elektronika dan Instrumentasi, vol. 1, no. 2, 2024.
A. Soni, P. Singh, and S. Sharma, “Heart disease prediction using deep neural network,” in Proc. 2021 Int. Conf. Comput. Performance Eval. (ComPE), IEEE, 2021.
L. Guo, S. Davenport, and Y. Peng, “Deep CardioSound – An ensembled deep learning framework for heart sound classification,” Computers in Biology and Medicine, vol. 148, p. 105880, 2022.
M. T. Machaz, P. D. Kusuma, and A. Rizal, “Klasifikasi suara jantung normal dan abnormal menggunakan Short-Time Fourier Transform dan Convolutional Neural Network,” e-Proceeding of Engineering, vol. 9, no. 3, 2022.
N. Tjindra, “Klasifikasi suara detak jantung menggunakan neural network,” Skripsi, Universitas Katolik Parahyangan, 2019.
Y. Zhang and H. Liu, “Heart sound classification based on deep learning and data augmentation,” Biomedical Signal Processing and Control, vol. 73, p. 103438, 2022.
M. Adnan and M. Lubis, “Sistem pendeteksi detak jantung berbasis CNN dan mobile interface,” in Proc. Seminar Nasional Teknologi dan Rekayasa (SNTR), vol. 6, no. 1, 2023.
E. Rahmawati and T. Prasetyo, “Implementasi deep learning untuk klasifikasi suara detak jantung,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 4, pp. 827–832, 2020.
U. Mukherjee and S. Pancholi, “A visual domain transfer learning approach for heartbeat sound classification,” arXiv preprint, arXiv:2107.13237, 2021.
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” ACM Transactions on Intelligent Systems and Technology, vol. 11, no. 1, pp. 1–22, 2020.
M. Haris and E. R. Widasari, “Klasifikasi suara detak jantung menggunakan model LSTM dan GRU,” JPTIIK, vol. 4, no. 7, pp. 1209–1216, 2020.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
