Perpustakaan Digital ITB

Myocardial Infarction (MI) merupakan suatu kondisi yang harus diidentifikasi sebelum otot jantung mulai mengalami kematian dalam rentang 80-90 menit. Berdasarkan pemeriksaan Electrocardiogram (ECG) MI terbagi menjadi dua yaitu ST-Segment Elevation Myocardial Infarction (STEMI), dan Non ST-Segment Elevation Myocardial Infarction (NSTEMI). Saat ini diagnosis MI menggunakan ECG 12-lead dan uji Troponin. Diagnosis ECG dan Troponin memiliki keterbatasan yaitu memiliki nilai positif palsu pada kasus STEMI sampai dengan 42%, dan peningkatan kadar Troponin baru mencapai puncaknya setelah 12-24 jam. Mengacu pada latar belakang tersebut penelitian ini mengusulkan diagnosis MI menggunakan phonocardiogram (PCG). PCG merupakan sinyal akustik yang dihasilkan dari aktivitas mekanik jantung. Penelitian telah melakukan akuisisi data sebanyak 72 subjek normal, 30 subjek STEMI, dan 30 subjek NSTEMI menggunakan stetoskop Elektronik Litmann 3M Cardiology IV selama 30 detik pada setiap posisi auskultasi. Pra-proses sinyal menggunakan bandpass filter dan segmentasi setiap siklus menggunakan Shannon energy envelope. Tahapan berikutnya adalah ekstraksi sebanyak 61 fitur waktu, frekuensi, frekuensi-waktu, dan statistik. Eliminasi fitur telah dilakukan dengan threshold minimum variance dan korelasi menggunakan Pearson Distance Correlation. Selanjutnya, diterapkan Mutual Information untuk memilih fitur-fitur penting dan perangkingan menggunakan Select K-best. Sebanyak 18 fitur penting telah terpilih untuk proses klasifikasi. Penelitian ini telah menghasilkan metode deteksi pada sinyal normal, STEMI dan NSTEMI menggunakan metode bagging, yaitu K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Random Forest (RF). Hasil klasifikasi terbaik menggunakan RF dengan nilai akurasi sebesar 96%, presisi sebesar 95%, sensitivitas sebesar 95%, dan F1-score sebesar 95%. Deteksi MI juga telah dilakukan berdasarkan posisi setiap auskultasi, pemilihan fitur dilakukan secara manual dan klasifikasi menggunakan RF. Hasil kinerja sistem klasifikasi mmeperoleh akurasi sebesar 86%, presisi sebesar 84%, sensitivitas sebesar 85%, dan F1-score sebesar 84%. Selanjutnya, penelitian ini telah mengembangkan metode untuk meningkatkan akurasi sistem deteksi MI pada setiap posisi auskultasi menggunakan pemilihan fitur secara otomatis, parameter tuning, dan metode boosting, yaitu AdaBoost dan Gradient boosting. Sistem deteksi ini telah mengujicobakan data baru gabungan Indonesia-Jepang. Hasil akurasi tertinggi pada posisi LUSB menggunakan metode AdaBoost sebesar 94%, dan metode Gardien boosting sebesar 98%. Selain sistem deteksi menggunakan sinyal PCG, penelitian ini telah menganalisis hasil uji troponin. Penelitian ini menunjukkan bahwa delapan fitur sinyal PCG, yaitu: autocorrelation, negative turning, mean absolute difference, zero cross, interquartile range, minimum, entropy frequency, dan spectral distance memiliki korelasi signifikan terhadap level troponin. Analisis Principal Component Analysis (PCA) menghasilkan kontribusi total 87,5% pada seluruh posisi auskultasi dan 90,6% pada posisi LUSB, menunjukkan potensi fitur tersebut sebagai indikator tambahan untuk diagnosis tingkat keparahan STEMI dan NSTEMI. Uji Mann- Whitney U dan korelasi Spearman mendukung relevansi fitur ini dalam deteksi kondisi kardiovaskular melalui sinyal PCG. Penelitian ini dapat melakukan substitusi terhadap troponin dan ECG dengan mengusulkan sebuah studi mengenai beberapa fitur pada sinyal PCG. Hasil ini memberikan kontribusi pada pengembangan sistem deteksi MI sebagai metode deteksi non-invasive menggunakan sinyal PCG. Meskipun, penelitian ini masih terdapat missclassification pada beberapa data abnormal yang terklasifikasi sebagai data normal.