KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERDASARKAN PERBANDINGAN ALGORITMA PEMBACAAN WAKTU DENGAN TEKSTUR SINYAL SEBAGAI METODE EKSTRAKSI SINYAL EKG
Keywords:
Klasifikasi, Sinyal EKG, Algoritma Pembacaan Waktu, Tekstur Sinyal, Metode SVMAbstract
Penyakit jantung merupakan salah satu faktor utama yang mengakibatkan kematian. Langkah awal dalam mengatasi penyakit jantung adalah memeriksa jantung. Akan tetapi, hasil pemeriksaan tidak dapat memberikan informasi tentang penyakit jantung. Oleh karena itu, pada penelitian ini dilakukan pemrosesan sinyal digital dalam menganalisis pola sinyal hasil rekaman jantung. Tujuannya agar dapat mengklasifikasikan pasien Myocardical Infraction dan normal melalui 2 tahapan yaitu perbandingan dua metode Algoritma Pembacaan Waktu dan Tekstur Sinyal sebagai metode ektraksi sinyal EKG, dan klasifikasi dengan metode SVM. Ekstraksi EKG dengan Tekstur Sinyal dengan tiga parameter hasil ekstraksi menunjukkan bahwa Tekstur Sinyal lebih baik dari Algoritma Pembacaan Waktu dalam mengekstraksi sinyal EKG serta hasil SVM terbaik dengan fungsi kernel RBF. Hasil akurasi dari data uji sebesar 95%, sensitivitas sebesar 100%, spesifitas sebesar 91,67%, dan presisi sebesar 100%.
Downloads
Download data is not yet available.
References
[1] K. Muthuvel and L. Padma Suresh, “Adaptive neuro-fuzzy inference system for classification of ECG signal,” Proc. IEEE Int. Conf. Circuit, Power Comput. Technol. ICCPCT 2013, pp. 1162–1166, 2013, doi: 10.1109/ICCPCT.2013.6528989.
[2] T. Fourier, T. Stft, and D. A. N. Backpropagation, “Kata Kunci : Electrokardiografi (EKG),” vol. 9, no. September, pp. 53–67, 2015.
[3] A. A. N and S. Suyanto, “Identifikasi Sinyal Ecg Irama Myocardial Ischemia Dengan Pendekatan Fuzzy Logic,” JUTI J. Ilm. Teknol. Inf., vol. 7, no. 4, p. 191, 2009, doi: 10.12962/j24068535.v7i4.a89.
[4] D. C. Rini, A. H. Asyhar, M. Hafiyusholeh, G. Purnamasari, and Y. Monita, “Analisis Sinyal Ekg Aritmia untuk Deteksi Risiko Jantung Koroner Menggunakan Adaptive Neuro Fuzzy Inference (Anfis),” MathVisioN, vol. 1, no. 1, pp. 7–10, 2019.
[5] A. Franz, I. Muhimmah, T. Yuwono, and E. Marfianti, “Pembacaan Waktu sebagai ekstraksi EKG pada Diagnosis Penyakit Jantung,” pp. 22–28, 2017.
[6] S. Nithya and S. Ramakrishnan, “Wavelet domain directional binary pattern using majority principle for texture classification,” Phys. A Stat. Mech. its Appl., p. 1, 2019, doi: 10.1016/j.physa.2019.123575.
[7] C. L. Chang and B. Girod, “Direction-adaptive discrete wavelet transform for image compression,” IEEE Trans. Image Process., vol. 16, no. 5, pp. 1289–1302, 2007, doi: 10.1109/TIP.2007.894242.
[8] S. C. and C. P. L. Diptangshu Pandit, Li Zhang, Chengyu Liu, Nauman Aslam, “Noise Reduction in ECG Signals Using Wavelet Transform and Dynamic Thresholding Diptangshu,” pp. 41–60, 2017, doi: 10.1007/978-981-10-3957-7.
[9] D. Sambhu and a C. Umesh, “Automatic Classification of ECG Signals with Features Extracted Using Wavelet Transform and Support Vector Machines,” Int. J. Adv. Res. Electr. Electron. Instrum. Engine, vol. 2, no. 1, pp. 235–241, 2013.
[10] J. A. Nasiri, M. Naghibzadeh, H. S. Yazdi, and B. Naghibzadeh, “ECG arrhythmia classification with support vector machines and genetic algorithm,” EMS 2009 - UKSim 3rd Eur. Model. Symp. Comput. Model. Simul., pp. 187–192, 2009, doi: 10.1109/EMS.2009.39.
[11] W. Y. Deng, Y. S. Ong, and Q. H. Zheng, “A Fast Reduced Kernel Extreme Learning Machine,” Neural Networks, vol. 76, pp. 29–38, 2016, doi: 10.1016/j.neunet.2015.10.006.
[12] A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018.
[13] D. C. Rini, “Klasifikasi Sinyal EEG Menggunakan Metode Fuzzy C-Means Clustering (FCM) Dan Adaptive Neighborhood Modified Backpropagation (ANMBP),” J. Mat. MANTIK", vol. 1, no. 1, pp. 31–36, 2015.
[2] T. Fourier, T. Stft, and D. A. N. Backpropagation, “Kata Kunci : Electrokardiografi (EKG),” vol. 9, no. September, pp. 53–67, 2015.
[3] A. A. N and S. Suyanto, “Identifikasi Sinyal Ecg Irama Myocardial Ischemia Dengan Pendekatan Fuzzy Logic,” JUTI J. Ilm. Teknol. Inf., vol. 7, no. 4, p. 191, 2009, doi: 10.12962/j24068535.v7i4.a89.
[4] D. C. Rini, A. H. Asyhar, M. Hafiyusholeh, G. Purnamasari, and Y. Monita, “Analisis Sinyal Ekg Aritmia untuk Deteksi Risiko Jantung Koroner Menggunakan Adaptive Neuro Fuzzy Inference (Anfis),” MathVisioN, vol. 1, no. 1, pp. 7–10, 2019.
[5] A. Franz, I. Muhimmah, T. Yuwono, and E. Marfianti, “Pembacaan Waktu sebagai ekstraksi EKG pada Diagnosis Penyakit Jantung,” pp. 22–28, 2017.
[6] S. Nithya and S. Ramakrishnan, “Wavelet domain directional binary pattern using majority principle for texture classification,” Phys. A Stat. Mech. its Appl., p. 1, 2019, doi: 10.1016/j.physa.2019.123575.
[7] C. L. Chang and B. Girod, “Direction-adaptive discrete wavelet transform for image compression,” IEEE Trans. Image Process., vol. 16, no. 5, pp. 1289–1302, 2007, doi: 10.1109/TIP.2007.894242.
[8] S. C. and C. P. L. Diptangshu Pandit, Li Zhang, Chengyu Liu, Nauman Aslam, “Noise Reduction in ECG Signals Using Wavelet Transform and Dynamic Thresholding Diptangshu,” pp. 41–60, 2017, doi: 10.1007/978-981-10-3957-7.
[9] D. Sambhu and a C. Umesh, “Automatic Classification of ECG Signals with Features Extracted Using Wavelet Transform and Support Vector Machines,” Int. J. Adv. Res. Electr. Electron. Instrum. Engine, vol. 2, no. 1, pp. 235–241, 2013.
[10] J. A. Nasiri, M. Naghibzadeh, H. S. Yazdi, and B. Naghibzadeh, “ECG arrhythmia classification with support vector machines and genetic algorithm,” EMS 2009 - UKSim 3rd Eur. Model. Symp. Comput. Model. Simul., pp. 187–192, 2009, doi: 10.1109/EMS.2009.39.
[11] W. Y. Deng, Y. S. Ong, and Q. H. Zheng, “A Fast Reduced Kernel Extreme Learning Machine,” Neural Networks, vol. 76, pp. 29–38, 2016, doi: 10.1016/j.neunet.2015.10.006.
[12] A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018.
[13] D. C. Rini, “Klasifikasi Sinyal EEG Menggunakan Metode Fuzzy C-Means Clustering (FCM) Dan Adaptive Neighborhood Modified Backpropagation (ANMBP),” J. Mat. MANTIK", vol. 1, no. 1, pp. 31–36, 2015.
Downloads
Published
2020-03-30
How to Cite
Trianifa, N., Arifin, A. Z., & Rini Novitasari, D. C. (2020). KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERDASARKAN PERBANDINGAN ALGORITMA PEMBACAAN WAKTU DENGAN TEKSTUR SINYAL SEBAGAI METODE EKSTRAKSI SINYAL EKG. MathVision : Jurnal Matematika, 2(1), 7–11. Retrieved from http://journal.unirow.ac.id/index.php/mv/article/view/136
Issue
Section
Articles
License
Penulis yang mempublikasikan jurnalnya di MathVision harus setuju dengan:
- Penulis memiliki hak cipta dan memberikan hak jurnal untuk publikasi pertama dengan karya yang secara simultan dilisensikan di bawah Lisensi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat membuat perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting pekerjaan mereka secara online (mis., Dalam repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menyebabkan pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan
