Deteksi Aritmia Berbasis Machine Learning Menggunakan Kombinasi Citra Elektrokardiografi EKG dan Photoplethysmografi PPG

Aritmia merupakan salah satu kelainan jantung dimana detak jantung berdetak secara tidak normal. Gangguan aritmia biasanya dideteksi dengan elektrokardiografi (EKG). Sayangnya penggunaan EKG dirasa kurang mampu untuk membedakan aritmia yang berasal dari ventrikel dan atrial sehingga digunakan tambahan photoplethysmografi (PPG). Selain itu tanda dan gejala aritmia jantung tidak selalu mudah dikenali sehingga digunakan algoritma machine learning untuk membantu mendeteksi aritmia jantung. Oleh karena itu pada penelitian ini dilakukan deteksi aritmia berbasis machine learning dengan menggunakan kombinasi citra elektrokardiografi (EKG) dan photoplethysmografi (PPG). Algoritma machine learning yang akan digunakan adalah Support Vector Machine dan random forest yang dievaluasi berdasarkan nilai spesifisitas, presisi, recall, akurasi, dan F1 score.

Pada penelitian ini data yang digunakan adalah data sekunder yang diperoleh dari dari Physio Net Challenge 2015. Data tersebut kemudian masuk kedalam sistem deteksi aritmia jantung, dimana pada penelitian ini terdiri dari dua sub sistem utama yakni sub sistem untuk mengolah sinyal EKG dan sub sistem yang mengolah sinyal PPG. Masing-masing sub sistem melakukan proses preprosesing sinyal dan ekstraksi fitur. Preprosesing sinyal pada EKG dilakukan menggunakan bandpass filter jenis Butterworth orde 6 dengan frekuensi 5-12 Hz dan sinyal PPG dengan band pass filter Butterworth dengan frekuensi 0.3-5 Hz. Sedangkan ekstraksi fitur sinyal EKG dilakukan dengan algoritma Hamilton-Tompkins dan sinyal PPG dengan algoritma sederhana yang berbasis pada First Derivative PPG (FDPPG) dan Second Derivative PPG (SDPPG). Kedua fitur dari masing-masing sinyal dikombinasikan untuk diklasifikasikan ke dalam berbagai tipe aritmia. Klasifikasi sinyal EKG dan PPG dilakukan dengan menggunakan algoritma machine learning Support Vector Machine (SVM) dan random forest. Evaluasi performansi dari sistem akan ditunjukkan dengan beberapa variabel yakni spesifisitas, presisi, recall, akurasi, dan nilai F1 score.

Project Author(s)

Elsa Sari Hayunah Nurdiniyah (23219316)