HYPERPARAMETER OPTIMIZATION PADA ARSITEKTUR CNN UNTUK DETEKSI KELAINAN DETAK JANTUNG

CHENG, KEVIN (2026) HYPERPARAMETER OPTIMIZATION PADA ARSITEKTUR CNN UNTUK DETEKSI KELAINAN DETAK JANTUNG. Tugas Akhir/Skripsi thesis, UNIVERSITAS MA CHUNG.

Text 312210013_Kevin Cheng_LapTA.pdf Download (3MB)

Abstract

Penyakit kardiovaskular (CVD) merupakan penyebab kematian terbesar di dunia,
sehingga deteksi dini melalui analisis suara jantung (phonocardiogram/PCG)
menjadi sangat penting. Convolutional Neural Network (CNN) telah terbukti efektif
dalam klasifikasi PCG, namun performanya sangat bergantung pada konfigurasi
hyperparameter yang seringkali ditentukan secara manual (trial and error).
Penelitian ini bertujuan untuk mengoptimalkan kinerja arsitektur CNN dalam
mendeteksi kelainan detak jantung dengan membandingkan empat metode
Hyperparameter Optimization (HPO): Grid Search, Random Search, Bayesian
Optimization, dan Genetic Algorithm. Menggunakan dataset PhysioNet/CinC
Challenge 2016, penelitian ini mengevaluasi dampak optimasi terhadap F1-Score
dan efisiensi komputasi. Hasil eksperimen menunjukkan bahwa secara nominal,
Random Search mencatatkan performa tertinggi dengan F1-Score Macro sebesar
0,889 pada data uji. Meskipun uji statistik One-Way ANOVA menunjukkan tidak
ada perbedaan kinerja yang signifikan secara statistik di antara keempat metode
(p=0,442), Genetic Algorithm terbukti sebagai metode paling unggul secara
menyeluruh karena efisiensi komputasinya yang superior, mampu mencapai
konvergensi optimal hanya dalam waktu 2,5 jam dibandingkan Grid Search yang
membutuhkan 23,8 jam. Model hasil optimasi ini juga menunjukkan ketahanan
(robustness) tinggi dalam menangani ketidakseimbangan data dengan capaian nilai
AUC sebesar 0,97 untuk deteksi kelas unhealthy.

Kata Kunci : Convolutional Neural Network, Genetic Algorithm, Hyperparameter
Optimization, Phonocardiogram

Item Type:	Thesis (Tugas Akhir/Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi dan Desain > S1 Teknik Informatika
Depositing User:	umclibs1
Date Deposited:	22 Jan 2026 03:21
Last Modified:	22 Jan 2026 03:21
URI:	http://repository.machung.ac.id/id/eprint/1086

Actions (login required)

View Item