Perpustakaan Digital ITB

Aritmia merupakan salah satu kelainan jantung dimana detak jantung berdetak secara tidak normal. Aritmia dapat menyebabkan gejala-gejala seperti rasa lelah dan rasa sakit di dada. Kondisi paling parahnya dapat mengakibatkan stroke dan gagal jantung yang bisa berujung pada kematian. EKG biasanya digunakan sebagai alat untuk deteksi aritmia. Pada penelitian aritmia metode inter-patient sangat dibutuhkan agar diperoleh hasil yang tidak bias. Namun kebanyakan penelitian yang menggunakan metode intra-patient mendeteksi aritmia dalam kelas besar seperti normal, aritmia ventrikel, aritmia atrial, dan fusion beat. Belum banyak penelitian inter-patient yang mendeteksi aritmia secara lebih spesifik seperti blokade cabang berkas dan prematur beat. Beberapa penelitian yang mendeteksi tipe aritmia secara spesifik dengan inter-patient umumnya menggunakan satu kanal EKG (MLII) sebagai data penelitian. Hasil klasifikasi menunjukkan akurasi yang cukup baik meski belum seimbang untuk tiap kelasnya. Kanal MLII cukup banyak digunakan sebagai data penelitian aritmia karena aktivitas listrik yang terekam oleh MLII sama dengan arah konduksi impuls jantung. Namun untuk beberapa kasus aritmia seperti LBBB dan RBBB umumnya dideteksi menggunakan EKG dari kanal V1 dan V6. Selain itu untuk ektopik beat (PAC, PVC) lebih terlihat jelas pada kanal V1 dan MLII karena bentuk gelombang P lebih terlihat jelas pada kedua kanal tersebut. Dalam klasifikasi aritmia machine learning digunakan untuk membantu mengklasifikasi aritmia denganl lebih cepat. Beberapa machine learning yang digunakan diantaranya SVM, random forest, KNN, dsb. Selain itu juga ada ensemble learning yang merupakan kombinasi beberapa metode machine learning. Ensemble learning memiliki kelebihan untuk menghasilkan metode klasifikasi yang general dan tidak overfit yang mana sangat dibutuhkan dalam klasifikasi aritmia. Oleh karena itu pada penelitian akan dilakukan klasifikasi aritmia interpatient dengan menggunakan dua kanal EKG yakni kanal atas dan kanal bawah dari basis data aritmia MIT-BIH. Sistem yang dibuat secara spesifik mendeteksi kelas normal, blokade cabang berkas kiri (LBBB), blokade cabang berkas kanan (RBBB), kontraksi ventrikel prematur (PVC), dan kontraksi ventrikel prematur (PAC) menggunakan metode machine learning. Penelitian ini bertujuan untuk membangun sistem klasifikasi aritmia menggunakan dua kanal EKG dan machine learning dengan metode inter-patient. Serta mengevaluasi pengaruh penggunaan dua kanal EKG pada hasil performansi klasifikasi dibandingkan dengan penelitian lain. Proses penelitian ini meliputi pengambilan sinyal EKG dari basis data aritmia MIT-BIH. Sinyal dari basis data ii selanjutnya dibersihkan dengan menggunakan median filter dan low pass filter. Sinyal yang sudah bersih selanjutnya disegmentasi disekitar puncak R dari awal gelombang P hingga akhir gelombang T. Selanjutnya sinyal EKG yang sudah disegmentasi diekstraksi menggunakan paket fungsi TSFEL. Fitur yang diekstrak meliputi fitur statistik, fitur temporal, dan fitur spektral. Selain ketiganya juga digunakan fitur interval R. Sebelum fitur tersebut diseleksi, data dipisah menjadi data latih dan data uji agar tidak didapatkan hasil yang bias. Proses seleksi fitur nantinya akan dilakukan berdasarkan fitur-fitur pada data latih. Fitur-fitur yang akan digunakan pada data uji akan mengikuti fitur-fitur yang terseleksi dari data latih setelah melewati proses seleksi fitur. Proses seleksi fitur dilakukan berdasarkan nilai korelasinya terhadap label dan korelasi dengan sesama fitur yang lain. Fitur yang memiliki korelasi tinggi dengan label dan memiliki korelasi rendah dengan fitur lain akan digunakan. Selanjutnya dilakukan proses pelatihan dan validasi dengan menggunakan data latih untuk mendapatkan parameter terbaik. Dari hasil tersebut selanjutnya dibangun metode klasifikasi menggunakan kombinasi berbagai machine learning (ensemble learning) dengan parameter yang sudah dipilih dari hasil tuning. Hasil terbaik akan dipilih sebagai metode klasifikasi aritmia. Berdasarkan penelitian yang dilakukan berhasil dibangun model machine learning dari kombinasi K-nearest Neighbors, Random Forest, dan Support Vector Machine dengan dua kanal EKG yakni kanal MLII-V1. Kombinasi bobot yang menghasilkan performansi paling baik untuk masing-masing machine learning adalah 2,2,1. Hasil kombinasi tersebut menunjukkan hasil yang cukup baik dibanding penelitian lain yang serupa, dimana pada penelitian ini diperoleh akurasi sebesar 87%, recall 87%, presisi 88%, dan f1 score 87%. Penggunaan multi-kanal yakni kanal MLII-V1 terbukti mampu meningkatkan performansi dari klasifikasi aritmia lima kelas. Hal ini ditunjukkan dengan perbandingan hasil klasifikasi yang lebih tinggi dengan konfigurasi kanal tunggal maupun dengan hasil penelitian lain yang juga hanya menggunakan kanal tunggal.