Electronic Theses and Dissertation

Aritmia merupakan perubahan detak jantung yang tidak normal disebabkan oleh detak jantung yang tidak tepat dan menyebabkan kegagalan terhadap pemompaan darah. Dengan adanya pemeriksaan Elektrokardiogram (EKG), maka berbagai jenis dari penyakit jantung dapat dideteksi melalui sinyal dari irama detak jantung manusia. Pada pengklasifikasian sinyal EKG, masalah umum yang ditemui yakni ketidakpastian hasil prediksi. Dalam hal ini, diperlukan pengembangan metode pengklasifikasian pada penderita kelainan/sakit jantung yang akurat dan efisien, untuk membantu pasien dan penyedia layanan kesehatan untuk melakukan terapi atau pengobatan yang tepat. Sejumlah penelitian melakukan pengembangan berbasis algoritma yang lebih efektif pada Machine Learning (ML), yang memungkinkan diagnosa kondisi jantung pasien secara otomatis. Pada penelitian ini, penulis menggunakan metode Continuous Wavelet Transform (CWT) sebagai ekstraksi fitur dan Long Short Term Memory (LSTM) sebagai classifier. Dataset EKG yang digunakan pada penelitian ini diambil dari MIT-BIH Arrhythmia Database. Hasil penelitian ini berhasil mengekstrak sinyal EKG menggunakan CWT. Penelitian ini juga berhasil mengklasifikasikan sinyal EKG dengan fitur ekstraksi CWT, dimana didapat nilai accuracy training sebesar 98,4% dan accuracy testing sebesar 94,42%.

Arrhythmia is an abnormal change in heart rate caused by an improper heartbeat and causes failure of blood pumping. With the Electrocardiogram (ECG) examination, various types of heart disease can be detected through signals from the rhythm of the human heartbeat. In the classification of ECG signals, a common problem encountered is the uncertainty of the prediction results. In this case, it is necessary to develop a method of classifying patients with heart disease that is accurate and efficient, to help patients and health care providers to carry out appropriate therapy or treatment. A number of studies have developed more effective algorithms based on Machine Learning (ML), which enable automatic diagnosis of patients' heart conditions. In this study, the authors used the Continuous Wavelet Transform (CWT) as a feature extractor and Long Short Term Memory (LSTM) method as a classifier. The ECG dataset used in this study was taken from the MIT-BIH Arrhythmia Database. The results of this study successfully extracted ECG signals using CWT. This research also succeeds in classifying ECG signals with CWT feature extraction, where the training accuracy value is 98.4% and the testing accuracy is 94.42%.