Kombinasi Ekstraksi Ciri untuk Klasifikasi Ventricular Fibrillation menggunakan Support Vector Machine

Abstrak

Ventricular Fibrillation (VF) adalah kelainan ritme jantung yang mengancam jiwa yang ditandai oleh aktivitas listrik jantung yang tidak beraturan dan tidak terkoordinasi yang menyebabkan jantung dapat berhenti mendadak. Electrocardiogram (ECG) adalah tes medis untuk mendeteksi kelainan jantung dengan mengukur aktivitas listrik yang dihasilkan oleh jantung, saat jantung berkontraksi. ECG pada VF menunjukkan karakteristik yang sangat berbeda dari ritme jantung normal, dengan hilangnya gelombang P dan kompleks QRS yang teratur, digantikan oleh gelombang fibrilasi yang cepat, irregular, dan bervariasi dalam amplituda. Support Vector Machine (SVM) adalah salah satu jenis Machine Learning, pada dasarnya mencari hyperplane terbaik untuk memisahkan kelas. Kernel yang digunakan pada penelitian ini diperoleh yang terbaik dengan menggunakan Quadratic Kernel. Penelitian ini bertujuan untuk mendeteksi Ventricular Fibrillation (VF) atau Non-VF dari sinyal ECG menggunakan Support Vector Machine (SVM). Preprocessing pada penelitian ini: window size sinyal ECG (5 detik dan 10 detik), dilanjutkan dengan High Pass Filter, Second Order Butterworth Low Pass Filter, dan Notch Filter. Ekstraksi ciri yang digunakan adalah Area Calculation (pada penelitian ini mengusulkan menggunakan Ratio Area) dan Spectral Analysis (FSMN, A1, A2, A3). Kombinasi dari satu hingga kelima ekstraksi ciri tersebut dilatih dan diuji menggunakan SVM. Hasil yang diperoleh menunjukkan kombinasi tiga ekstraksi ciri: FSMN-A1-A2 mencapai performansi tertinggi dengan accuracy 97%, sensitivity 100%, spesificity 94% dan kombinasi ekstraksi ciri FSMN-A2-R. Area mencapai akurasi 97%, sensitivity 98%, spesificity 96%. Penambahan ekstraksi ciri dari tiga ke empat tidak meningkatkan performansi secara signifikan.

Identifier

• OpenAlex: https://openalex.org/W7118179795
• DOI: https://doi.org/10.28932/jste.v1i2.14024