Sudden Cardiac Death (SCD) merupakan masalah kesehatan masyarakat utama di
seluruh dunia yang umumnya terjadi karena komplikasi serius akibat aritmia. Salah
satu jenis aritmia yang sering menjadi acuan untuk kondisi jantung adalah jenis
kontraksi prematur (Premature Contraction, PC) yang biasa dibagi menjadi dua,
yaitu Kontraksi atrial prematur (Premature Atrial Contraction, PAC) yang dapat
memprediksi Stroke mini, dan Kontraksi ventrikel prematur (Premature
Ventircular Contraction, PVC) yang dapat memprediksi Penyakit Jantung Koroner
dan takiaritmia. Selain PC terdapat juga blokade cabang berkas (Bundle Branch
Block, BBB) yang terbagi menjadi blokade cabang berkas kiri (Left Bundle Branch
Block , LBBB), salah satu kriteria untuk infark miokard, dan blokade cabang berkas
kanan (Right Bundle Branch Block, RBBB), salah satu penanda risiko
berkembangnya blok atrioventrikular derajat tinggi.
Penggunaan Elektrokardiogram (EKG) portable, yang dikenal sebagai Holter
Monitor, umumnya digunakan oleh dokter untuk membantu mendiagnosis aritmia.
Untuk membantu mengurangi waktu yang dibutuhkan oleh dokter dalam
melakukan observasi, banyak penelitian telah dilakukan dalam pengembangan
sistem pendeteksian aritmia berbasis EKG. Penelitian yang secara spesifik
mendeteksi PC dan BBB serta berorientasi subjek umumnya menggunakan kanal
MLII dan memberikan akurasi yang cukup baik meski belum seimbang untuk tiap
kelasnya. Beberapa kasus aritmia umumnya dideteksi menggunakan EKG dari
kanal V1 untuk RBBB serta V1 dan V6 untuk LBBB. PC lebih terlihat jelas pada
kanal V1 dan MLII karena bentuk gelombang P lebih terlihat jelas pada kedua kanal
tersebut. Penggunaan Convolutional Neural Network (CNN) dengan data berbasis
citra menjadi salah satu alternatif media klasifikasi aritmia karena mempunyai
keuntungan utama mendeteksi fitur-fitur penting secara otomatis dan unggul dalam
klasifikasi citra. Oleh karena itu pada penelitian akan dilakukan klasifikasi aritmia
inter-patient dengan menggunakan dua kanal EKG yakni MLII dan V1 dari basis
data aritmia MIT-BIH. Sistem yang dibuat secara spesifik mendeteksi kelas normal,
ii
blokade cabang berkas kiri (LBBB), blokade cabang berkas kanan (RBBB),
kontraksi ventrikel prematur (PVC), dan kontraksi ventrikel prematur (PAC)
menggunakan metode CNN berbasis MobileNet.
Penelitian ini bertujuan untuk membangun sistem klasifikasi aritmia menggunakan
dua kanal EKG dan CNN. Dua pendekatan akan digunakan dengan pendekatan
berorientasi kelas untuk mengetahui kinerja CNN dalam melakukan klasifikasi, dan
subjek untuk mengetahui kinerja ketika ada intervariansi data. Proses penelitian ini
meliputi pengambilan sinyal EKG dari basis data aritmia MIT-BIH. Sinyal dari
basis data selanjutnya dilakukan pra-pemrosesan berupa penapisan dan segmentasi.
Tapis digunakan untuk membersihkan data dari derau di luar dan dalam frekuensi
cut-off secara berturut-turut. Dari hasil tersebut selanjutnya dibangun metode
klasifikasi menggunakan arsitektur paralel MobileNet dengan rangkaian.
Rangkaian paralel tersebut diperuntukkan mengolah data citra dari sadapan MLII
dan V1 secara terpisah dengan memotong bagian atas dan bawah yang menjadi
masukan MobileNet. Dari hasil fitur dari MobileNet menjadi masukan average
pooling dengan besar 2x2. Hasil pooling dimasukkan kedalam full-connected layer
dan digabungkan fitur dari sadapan MLII dan V1 sebelum dense layer. dense layer
terakhir adalah penentuan kelas dari hasil fitur yang ada. Semua pendekatan akan
dilakukan validasi silang untuk mengetahui kinerja model lebih teliti.
Berdasarkan penelitian yang dilakukan berhasil dibangun model algoritma berbasis
MobileNet dengan masukan citra dengan kanal MLII dan V1 dapat melakukan
klasifikasi secara dominan pada klasifikasi beorientasi kelas dan dapat bersaing
dengan fitur sebelumnya terhadap aritmia BBB dan PC dengan Nilai akurasi,
sensitivitas, dan spesifisitas rata-rata seluruh kelas dari model ini secara berturut-
turut sebesar 97,9%, 95,1%, dan 98,8%. Dalam pendekatan berorientasi subjek
model belum optimal dalam melakukan klasifikasi. Walau sensitivitas kelas normal
dan LBBB memberikan nilai sensitivitas secara berturut-turut sebesar 92% dan
90%, mamun beberapa kelas mempunyai angka sensitivitas yang lebih kecil dengan
daripada penelitian lain seperti kelas RBBB, PAC, dan PVC secara berturut-turut
sebesar 47%, 7%, dan 70%. Tetapi jika melihat spesifisitas kelas normal penelitian
ini memiliki angka yang tinggi dengan spesifisitas sebesar 79%. Hal ini lebih
diinginkan karena lebih berbahaya untuk memprediksi orang yang memiliki aritmia
sebagai normal daripada kemungkinan sebaliknya. akurasi penelitian ini lebih besar
daripada penelitian sebelumnya.