FARHAN Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2025

Skripsi

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 148489 2025-01-20 12:40:27 2025-01-20 14:44:33 machine generated