KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERDASARKAN PERBANDINGAN ALGORITMA PEMBACAAN WAKTU DENGAN TEKSTUR SINYAL SEBAGAI METODE EKSTRAKSI SINYAL EKG

  • Nisa Trianifa UIN Sunan Ampel
  • Ahmad Zaenal Arifin Universitas PGRI Ronggolawe
  • Dian Candra Rini Novitasari UIN Sunan Ampel
Keywords: Klasifikasi, Sinyal EKG, Algoritma Pembacaan Waktu, Tekstur Sinyal, Metode SVM

Abstract

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%.

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.
Published
2020-03-30
Section
Articles