Perpustakaan Digital ITB

Penyakit kardiovaskular (Cardiovascular Disease, CVD) merupakan penyebab utama kematian global. Deteksi dini CVD melalui citra elektrokardiogram (EKG) berbasis kertas penting untuk membantu proses skrining, namun kualitas citra yang bervariasi seperti noise, artefak pemindaian, dan kontras yang rendah sering menurunkan kinerja sistem klasifikasi otomatis. Penelitian ini mengembangkan dan mengevaluasi kerangka klasifikasi citra EKG berbasis hybrid deep learning dengan memanfaatkan CNN pra-latih sebagai pembangkit representasi fitur, serta membandingkannya dengan pendekatan CNN end-to-end sebagai pembanding. Dataset yang digunakan terdiri atas empat kelas, yaitu Normal, Myocardial Infarction (MI), Previous Myocardial Infarction (PMI), dan Heart Block (HB). Tahap pra-pemrosesan mencakup cropping, konversi grayscale, Gaussian blur, Otsu thresholding, bitwise NOT, dan histogram equalization untuk menstandardisasi citra dan memperjelas pola gelombang. Ekstraksi fitur dilakukan menggunakan DenseNet201, ResNet50, dan InceptionV3, baik pada skenario fitur tunggal maupun feature fusion. Fitur kemudian diklasifikasikan menggunakan ANN (MLP), XGBoost, dan Random Forest, serta dievaluasi dengan akurasi, Matthews Correlation Coefficient (MCC), confusion matrix, dan waktu komputasi. Hasil menunjukkan bahwa skenario tanpa PCA memberikan performa terbaik, dengan kinerja tertinggi pada feature fusion DenseNet201 + InceptionV3 menggunakan ANN yang mencapai akurasi 0.9534 dan MCC 0.9375, sedangkan pada fitur tunggal kinerja terbaik mencapai akurasi 0.9427 dengan MCC 0.9234. Penerapan PCA berbasis cumulative explained variance 0.99 (n99) mampu menurunkan waktu komputasi, namun cenderung menurunkan performa terutama pada ANN. Pada pendekatan CNN end-to-end, model terpilih mencapai akurasi 0.9571, macro F1 0.9565, dan MCC 0.9425, sehingga menunjukkan bahwa pendekatan end-to-end dapat menjadi alternatif yang kompetitif ketika diinginkan pipeline yang lebih ringkas.