Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aktivitas jantung janin atau Fetal Electrocardiogram (FECG) dapat digunakan untuk mendeteksi potensi kelainan pada jantung janin. Perekaman FECG dilakukan dengan menggunakan Elektrokardiogram (EKG) pada perut ibu hamil. Namun hasil yang didapat tidak serta merta memberikan nilai detak jantung janin per menit, karena terdapat berbagai macam suara bising yang mengganggu pembacaan FECG. Sinyal noise tersebut didapat dari keberadaan Maternal ECG (MECG) yang mendominasi pembacaan, pergerakan rahim, dan lain sebagainya. Sehingga dibutuhkan dokter ahli dalam pembacaan manual hasil EKG perut yang memperlambat proses diagnosis. Oleh karena itu, diperlukan suatu metode untuk memisahkan FECG dengan Maternal Electrocardiogram (MECG). Tujuan dari penelitian ini adalah untuk merancang metode baru menggunakan Fast Fourier Transform dan Filter Moving Average kemudian membandingkan hasilnya dengan metode yang sudah ada untuk memisahkan FECG dari MECG. Cara validasi yang dilakukan adalah membandingkan FHR yang didapat dari kedua metode (Metonia et al. (2020) dan Fast Fourier Transform dan Filter Moving Average) dengan nilai yang sudah divalidasi oleh dokter. Hasil yang didapat adalah pada data Ibu Hamil, Mean Average Error (MAE) menggunakan metode Moving Average dan FFT Filter bernilai 0,727 yang lebih kecil dibandingkan metode Metonia et al., (2020) yang bernilai 1,939. Pada data Ibu Melahirkan, Mean Average Error (MAE) menggunakan metode Moving Average dan FFT Filter bernilai -0,5490 yang lebih kecil dibandingkan metode Metonia et al., (2020) yang bernilai -0,3275.

---

Fetal heart activity or Fetal Electrocardiogram (FECG) can be used to detect potential abnormalities in the fetal heart. FECG recording is done using an Electrocardiogram (ECG) on the abdominal of pregnant women. However, the recording results obtained do not immediately provide a value for the fetal heart rate per minute, because there are various kinds of noise that interfere with the reading of the FECG. The noise signal is obtained from the presence of the Maternal ECG (MECG) which dominates the reading, the movement of the uterus, and so on. So that an expert doctor is needed in manual reading of the Abdominal ECG results which slows down the diagnosis process. Therefore, it is necessary to have a method for separating FECG with Maternal Electrocardiogram (MECG). The purpose of this research is to design a new method using Fast Fourier Transform and Moving Average Filter then compare the results with the current available method to separate FECG from MECG. The results obtained are the data for pregnant women, the Mean Average Error (MAE) using the Moving Average and FFT Filter methods, is 0.727 which is smaller than the Metonia et al., (2020) method which is 1.939. In Maternal data, the Mean Average Error (MAE) using the Moving Average and FFT Filter methods is -0.5490 which is smaller than the Metonia et al., (2020) method which is -0.3275."

"ABSTRAKAnalisis runtun waktu dapat digunakan dalam peramalan nilai tukar mata uang. Model yang biasa digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Namun tidak semua data nilai tukar mata uang dapat dimodelkan dengan ARIMA, karena ARIMA hanya dapat digunakan untuk memodelkan data secara linier sedangkan pola data nilai tukar mata uang biasanya memiliki komponen linier dan nonlinier. Pemodelan nonliner dapat dilakukan antara lain dengan menggunakan model ANN (Artificial Neural Network). Pada skripsi ini dibahas model hybrid ARIMA-ANN dalam peramalan nilai tukar dolar AS terhadap rupiah dimana dilakukan filter Moving Average (MA) terhadap data sebelum proses pemodelan. Penggunaan filter MA bertujuan untuk memisahkan data menjadi dua komponen yaitu komponen linier yang memiliki volatilitas rendah dan komponen nonlinier yang memiliki volatilitas tinggi. Penentuan panjang filter yang sesuai dibutuhkan dalam proses filter Moving Average. Data historis yang digunakan adalah data kurs jual dolar AS terhadap rupiah mulai dari 31 Maret 2015 hingga 17 Maret 2016 yang dapat diunduh dari http://m.kontan.co.id/data/kurs_bi. Terkait dengan data yang digunakan, model hybrid ARIMA (2,2,2) dan ANN (4,1,1) menghasilkan MAPE sebesar 0,2955% dan MAE 39,02916 (dalam rupiah) dalam peramalan nilai tukar dolar AS terhadap rupiah pada 3 hari ke depan.

---

ABSTRAKTime series analysis can be used for forecasting since exchange rate. The ARIMA (Autoregressive Integrated Moving Average) is the model usually used. But, all data is not modeling by ARIMA, ARIMA is only modeling for linear data, however the data usually has linear and nonlinear component. The nonlinear modeling can be investigated by ANN (Artificial Neural Network) model. This skripsi discusses the hybrid model of ARIMA-ANN for forecasting exchange rate of USD to Rupiah, where the Moving Average (MA) filter will be applied previously on the data. The MA filter separates the data into two component, that is linear components which has a low volatile and nonlinear component which has a high volatile. The choosen length of MA filter is needed in MA filter processing. The historical data is selling exchange rate of USD to Rupiah, dated from March 31, 2015 to March 17, 2016, which can be downloaded from http://m.kontan.co.id/data/kurs_bi. Based on historical data, the hybrid ARIMA model (2,2,2) and the ANN model (4,1,1) give MAPE 0,2955% and MAE 39,02916 (in Rupiah) for forecasting exchange rate USD to Rupiah for the next 3 days."