Publisher

STMIKLOMBOKSTMIKLOMBOK

Journal Jurnal Informatika dan Rekayasa ElektronikJurnal Informatika dan Rekayasa Elektronik Abstract

Aritmia merupakan gangguan irama jantung yang disebabkan oleh perubahan electrical pada jantung. Salah satu metode yang dapat digunakan untuk memonitoring jantung untuk menditeksi aritmia adalah Heart Rate Variability (HRV) analisis. Dalam penelitian ini, penulis menggunakan metode Heart Rate Variability (HRV) sebagai fitur ekstraksi yang akan diolah mengunakan metode backpropagation. Pengolahan tersebut bertujuan untuk mengklasifikasian data aritmia dan normal sinus rhythm menjadi dua yaitu termasuk aritmia atau tidak aritmia. Data aritmia dan normal sinus rhythm di dapatkan dari website MIT-BIH database. Klasifikiasi aritmia dilakukan menggunakan metode backpropagation dengan mengikuti proses secara berurutan mulai dari mengambil data elektrokardiogram (EKG) dan dilanjutkan dengan proses baseline wonder removal, R-peak ditection, R-R interval, Heart Rate Variability (HRV), training data, testing data, dan perhitungan hasil klasifikasi. Hasil ujicoba menunjukan bawah metode Backpropagation dapat di terapkan dalam melakukan klasifikasi aritmia dengan jumlah hidden layer yang baik yaitu maksimal berjumlah 3 hidden layer dan masing-masing hidden layer memilik 3 neuron dengan akurasi dari 1 hidden layer sampai 3 hidden layer adalah 97.77%.

Conclusion

Pengklasifikasian aritmia dapat dilakukan menggunakan metode backpropagation dengan mengikuti alur perancangan sistem yang mencakup pengolahan data EKG dari database MIT-BIH, meliputi baseline wonder removal, deteksi R-peak, R-R interval, analisis Heart Rate Variability (HRV), pelatihan dan pengujian data.Metode backpropagation terbukti dapat diterapkan untuk klasifikasi aritmia, dengan kinerja optimal saat menggunakan maksimal 3 hidden layer, masing-masing terdiri dari 3 neuron, menghasilkan akurasi sebesar 97,77%.

Future Research

Pertama, perlu dikembangkan penelitian yang mengeksplorasi penggunaan fitur-fitur tambahan dari sinyal jantung, seperti parameter domain frekuensi atau nonlinear HRV, untuk melihat apakah kombinasi fitur yang lebih lengkap dapat meningkatkan akurasi klasifikasi. Kedua, penting untuk menguji model pada data jantung aritmia dan normal sinus rhythm yang bersumber dari populasi yang lebih beragam dan dari database lain di luar MIT-BIH, guna mengevaluasi kemampuan generalisasi model dalam kondisi dunia nyata. Ketiga, perlu dilakukan studi tentang arsitektur jaringan saraf alternatif, seperti penggunaan lebih dari tiga hidden layer dengan teknik regularisasi atau optimasi hyperparameter, untuk memahami batas maksimal kinerja model tanpa menyebabkan overfitting, sekaligus mengeksplorasi alternatif arsitektur deep learning yang lebih modern untuk klasifikasi aritmia.

Metadata

File size	803.42 KB
Pages	13
DMCA	Report