Publisher

UNPRIUNPRI

Journal Jurnal Sistem Informasi dan Ilmu KomputerJurnal Sistem Informasi dan Ilmu Komputer Abstract

Deteksi dini aritmia sangat penting untuk mencegah masalah serius seperti serangan jantung atau stroke. Namun, pemeriksaan sinyal EKG secara manual oleh tenaga medis sering kali memakan waktu dan bisa berbeda-beda hasilnya. Penelitian ini bertujuan untuk membuat sistem deteksi aritmia secara otomatis menggunakan teknologi kecerdasan buatan, khususnya metode pembelajaran mendalam (deep learning). Data yang digunakan berasal dari catatan publik dan rumah sakit. Prosesnya meliputi pengolahan sinyal EKG, pengambilan ciri-ciri penting, pelatihan model deep learning (menggunakan CNN dan LSTM), dan pengujian akurasi model. Hasilnya menunjukkan sistem ini mampu mendeteksi aritmia dengan akurasi hingga 99% untuk lima jenis klasifikasi. Penelitian ini dilakukan di laboratorium kampus dengan dukungan lembaga kesehatan. Diharapkan, sistem ini bisa membantu tenaga medis dalam mendiagnosis aritmia dengan lebih cepat dan akurat, serta mendukung perkembangan teknologi kesehatan berbasis AI.

Conclusion

Penelitian ini berhasil mengembangkan sistem deteksi aritmia berbasis kombinasi algoritma Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) yang dioptimalkan untuk analisis sinyal EKG lima lead.Model yang diusulkan mencapai akurasi klasifikasi sebesar 97,86%, dengan precision, recall, dan F1-score di atas 97%, serta melampaui kinerja metode CNN atau LSTM tunggal.Arsitektur hibrid CNN-LSTM efektif dalam menggabungkan ekstraksi fitur spasial dan pemrosesan informasi temporal, sehingga berpotensi diimplementasikan pada perangkat portabel untuk pemantauan jantung real-time, meskipun perlu pengembangan lebih lanjut untuk kelas minoritas dan validasi lapangan.

Future Research

Pertama, perlu dikembangkan penelitian tentang bagaimana model CNN-LSTM dapat diadaptasi secara dinamis untuk mendeteksi kelas minoritas seperti Premature Ventricular Contraction (PVC) dengan teknik penyeimbangan data atau pembelajaran yang peka terhadap biaya klasifikasi salah. Kedua, penting untuk mengevaluasi kinerja sistem dalam skenario dunia nyata dengan mengintegrasikan model ke perangkat EKG portabel atau wearable yang digunakan langsung oleh pasien di rumah, untuk melihat akurasi dan keandalan dalam kondisi yang tidak terkontrol. Ketiga, perlu dilakukan studi tentang efektivitas sistem dalam alur kerja klinis nyata, termasuk bagaimana hasil deteksi otomatis ditinjau oleh dokter, seberapa besar sistem dapat mempercepat diagnosis, dan bagaimana interaksi antara teknologi dan tenaga medis dapat dioptimalkan. Penelitian-penelitian ini akan melengkapi hasil saat ini dengan fokus pada generalisasi model, integrasi sistem, dan penerapan praktis di lingkungan kesehatan sebenarnya.

References

1. Deep-Learning-Based Arrhythmia Detection Using ECG Signals: A Comparative Study and Performance Evaluation.... mdpi.com/2075-4418/13/24/3605Deep Learning Based Arrhythmia Detection Using ECG Signals A Comparative Study and Performance Evaluation mdpi 2075 4418 13 24 3605
2. 2D Transfer Learning for ECG Classification using Continuous Wavelet Transform | medRxiv. transfer learning... doi.org/10.1101/2024.07.11.243102582D Transfer Learning for ECG Classification using Continuous Wavelet Transform medRxiv transfer learning doi 10 1101 2024 07 11 24310258

Metadata

File size	621.22 KB
Pages	9
DMCA	Report