Perpustakaan Digital ITB

Aritmia adalah kondisi di mana jantung berdetak dengan ritme yang tidak normal akibat gangguan pada transmisi impuls listrik pada jantung. Dalam penelitian ini dilakukan percobaan untuk mengklasifikasi aritmia bermodal data sinyal EKG dan PPG ke dalam kelas-kelas aritmia sesuai dataset PhysioNet 2015 Competition yaitu Asystole, Bradycardia, Tachycardia, dan Ventricular Tachycardia. Kelas Ventricular Fibrillation dieliminasi karena kualitas data yang kurang baik. Algoritma klasifikasi yang digunakan adalah Convolutional Neural Network (CNN) dengan tambahan layer LSTM sebagai global feature learning unit. Percobaan yang dilakukan terdiri atas percobaan tanpa seleksi data serta percobaan dengan seleksi data. Seleksi data dilakukan untuk mengeliminasi data dengan PSNR rendah. Kedua percobaan dilakukan terhadap data sinyal EKG dan PPG, EKG saja, dan PPG saja. Proses training dan testing menggunakan skema 5-fold cross validation. Untuk menyeimbangkan data pada setiap kelas, dilakukan augmentasi data secara terpisah terhadap data training dan testing. Percobaan yang dilakukan memberikan hasil bahwa sinyal EKG saja memberikan performa klasifikasi terbaik. Hal ini terjadi karena kualitas sinyal PPG dalam dataset kurang baik. Percobaan yang dilakukan menghasilkan akurasi 90,90% dan Skor 87,89% untuk percobaan tanpa seleksi data, dan akurasi 84,02% dan Skor 78,80% untuk percobaan dengan seleksi data. Penelitian lebih lanjut perlu dilakukan dengan dataset yang lebih besar dan dengan sampel-sampel PPG yang berkualitas lebih baik.