Electronic Theses and Dissertation

Aritmia merupakan kelainan kardiovaskular yang umumnya terdeteksi melalui analisis sinyal ekg. mengklasifikasikan aritmia berdasarkan sinyal ekg masih sulit karena kompleksitas sinyal dan perbedaan individu. oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode yang lebih akurat dan efektif dalam mengklasifikasikan aritmia. penelitian ini mengusulkan penggunaan kernel principal component analysis (kpca) dan algoritma naive bayes untuk mengklasifikasikan sinyal ekg aritmia. sinyal ekg diproses menggunakan kpca untuk mereduksi dimensi data dan mengekstrak fitur yang relevan. algoritma naive bayes kemudian diterapkan untuk mengklasifikasikan sinyal ekg ke dalam beberapa kategori, yaitu premature atrial contraction (pac), premature ventricular contraction (pvc), left bundle branch block (lbbb), dan right bundle branch block (rbbb). evaluasi performa model dilakukan dengan menggunakan metrik akurasi, sensitivitas, spesifisitas, presisi dan f1-skor. model naive bayes menghasilkan akurasi keseluruhan sebesar 97.67%, dengan performa tertinggi pada kelas rbbb yang mencapai akurasi 99.33%. selain itu, f1-skor untuk seluruh kelas berkisar antara 96.62% hingga 98.57%, menunjukkan kemampuan model dalam mendeteksi aritmia dengan baik. hasil ini menunjukkan bahwa kombinasi kpca dan naive bayes efektif dalam mengklasifikasikan sinyal ekg aritmia.

Arrhythmia is a cardiovascular disorder that is commonly detected through ECG signal analysis. Classifying arrhythmia based on ECG signals is still difficult due to signal complexity and individual differences. Therefore, this study aims to develop a more accurate and effective method in classifying arrhythmia. This study proposes the use of Kernel Principal Component Analysis (KPCA) and the Naive Bayes algorithm to classify arrhythmia ECG signals. ECG signals are processed using KPCA to reduce data dimensions and extract relevant features. The Naive Bayes algorithm is then applied to classify ECG signals into several categories, namely Premature Atrial Contraction (PAC), Premature Ventricular Contraction (PVC), Left Bundle Branch Block (LBBB), and Right Bundle Branch Block (RBBB). Model performance evaluation was carried out using accuracy, sensitivity, specificity, Precision and F1-Score metrics. The Naive Bayes model produced an overall accuracy of 97.67%, with the highest performance in the RBBB class which achieved an accuracy of 99.33%. In addition, the F1-Score for all classes ranges from 96.62% to 98.57%, indicating the model's ability to detect arrhythmia well. These results indicate that the combination of KPCA and Naive Bayes is effective in classifying arrhythmia ECG signals.