Perpustakaan Digital ITB

Aritmia merupakan salah satu gangguan yang diakibatkan oleh ketidak normalan penjalaran impulse listrik pada jantung. Saat ini, penginterpretasian aritmia dilakukan secara manual. Para ahli akan melihat bentuk gelombang sinyal EKG yang dihasilkan dari perekaman aktivitas listrik menggunakan elektrokardiograf. Bentuk gelombang sinyal EKG yang dihasilkan memiliki kategori iramanya masing-masing. Penginterpretasian secara manual ini dapat menyulitkan karena terdapat banyak jenis aritmia dan tiap jenis memiliki kategorinya masing-masing. Dalam penelitian ini, dibangun sebuah sistem berbasis machine learning yang dapat mengklasifikasikan gambar sinyal EKG menjadi 3 jenis irama jantung yaitu Normal (NOR), Atrial Premature Contraction (APC) dan Premature Ventricular Contraction (PVC) melalui 4 percobaan dengan variasi dataset. Dataset yang digunakan divariasikan dengan metode augmentasi data yaitu cropping dan contrast adjustment. Klasifikasi gambar sinyal EKG dilakukan dengan menggunakan metode Convolutional Neural Network (CNN). Model CNN akan dilatih pada 4 percobaan yang terdiri dari percobaan menggunakan dataset original, dataset original – contrast adjustment, dataset original – cropping dan dataset original – cropping – contrast adjustment. Proses pelatihan model dilakukan dengan K-Fold Cross Validation dan akan menghasilkan confussion matrix serta classification report untuk masing-masing percobaan. Dari percobaan yang dilakukan, percobaan dengan dataset hasil augmentasi data menggunakan contrast adjustment menunjukkan hasil paling baik, yaitu dengan rata-rata akurasi validasi dan akurasi testing masing-masing 99.67% dan 98.83%. Meskipun begitu, perlu diperhatikan bahwa percobaan ini hanya menggunakan dataset dengan jumlah sedikit serta bentuk gambar yang kurang beragam.