Aritmia merupakan salah satu gangguan yang diakibatkan oleh ketidak normalan
penjalaran impulse listrik pada jantung. Saat ini, penginterpretasian aritmia dilakukan
secara manual. Para ahli akan melihat bentuk gelombang sinyal EKG yang dihasilkan
dari perekaman aktivitas listrik menggunakan elektrokardiograf. Bentuk gelombang
sinyal EKG yang dihasilkan memiliki kategori iramanya masing-masing.
Penginterpretasian secara manual ini dapat menyulitkan karena terdapat banyak jenis
aritmia dan tiap jenis memiliki kategorinya masing-masing. Dalam penelitian ini,
dibangun sebuah sistem berbasis machine learning yang dapat mengklasifikasikan
gambar sinyal EKG menjadi 3 jenis irama jantung yaitu Normal (NOR), Atrial
Premature Contraction (APC) dan Premature Ventricular Contraction (PVC) melalui
4 percobaan dengan variasi dataset. Dataset yang digunakan divariasikan dengan
metode augmentasi data yaitu cropping dan contrast adjustment. Klasifikasi gambar
sinyal EKG dilakukan dengan menggunakan metode Convolutional Neural Network
(CNN). Model CNN akan dilatih pada 4 percobaan yang terdiri dari percobaan
menggunakan dataset original, dataset original – contrast adjustment, dataset original
– cropping dan dataset original – cropping – contrast adjustment. Proses pelatihan
model dilakukan dengan K-Fold Cross Validation dan akan menghasilkan confussion
matrix serta classification report untuk masing-masing percobaan. Dari percobaan
yang dilakukan, percobaan dengan dataset hasil augmentasi data menggunakan
contrast adjustment menunjukkan hasil paling baik, yaitu dengan rata-rata akurasi
validasi dan akurasi testing masing-masing 99.67% dan 98.83%. Meskipun begitu,
perlu diperhatikan bahwa percobaan ini hanya menggunakan dataset dengan jumlah
sedikit serta bentuk gambar yang kurang beragam.