Deteksi Dini Gejala Aritmia pada Penderita Hypertensi menggunakan Algoritma SVM dengan Data Elektrokardiogram

Fiktor Januari Tambunan; Perwira Tarigan; Yakin Rianto Hulu; Hendi Jaya Halawa; Agung Prabowo

doi:10.35315/dinamik.v30i2.10233

Fiktor Januari Tambunan Universitas Prima Indonesia
Perwira Tarigan Universitas Prima Indonesia
Yakin Rianto Hulu Universitas Prima Indonesia
Hendi Jaya Halawa Universitas Prima Indonesia
Agung Prabowo Universitas Prima Indonesia

DOI: https://doi.org/10.35315/dinamik.v30i2.10233

Abstract

Abstrak

Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis.

Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia

References

[1] S. Hurriyati, “Implementasi metode support vector machine pada klasifikasi diagnosis penyakit kanker payudara,” vol. 3, no. November 2023, pp. 241–249, 2023, [Online]. Available: http://etheses.uin-malang.ac.id/52582/%0Ahttp://etheses.uin-malang.ac.id/52582/1/16610041.pdf
[2] T. R. Setyawan, T. K. Wibowo, A. Hidayatno, and E. Handoyo, “Analisis Hasil Ekg Berbasis Machine Learning,” vol. 13, no. 2, pp. 52–57, 2024.
[3] Meiryka Yuwandini, “LEMBAR PENGESAHAN KLASIFIKASI GAGAL JANTUNG KONGESTIF MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN) SKRIPSI Program Studi Sistem Komputer Jenjang S1,” 2020.
[4] G. F. Fahrudin, S. Suroso, and S. Soim, “Pengembangan Model Support Vector Machine untuk Meningkatkan Akurasi Klasifikasi Diagnosis Penyakit Jantung,” J. Teknol. Sist. Inf. dan Apl., vol. 7, no. 3, pp. 1418–1428, 2024, doi: 10.32493/jtsi.v7i3.42254.
[5] R. Nusyahya, I. Safitri, and ..., “Deteksi Penyakit Aritmia pada Sinyal Elektrokardiogram Menggunakan Algoritma Jaringan Saraf Tiruan (JST),” eProceedings …, vol. 10, no. 4, pp. 3734–3739, 2023, [Online]. Available:https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/20790%0Ahttps://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/download/20790/20298
[6] R. A. Cahya, C. Dewi, and B. Rahayudi, “Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Support Vector Machine Dengan Seleksi Fitur Menggunakan Algoritma Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 3, pp. 1170–1178, 2022.
[7] A. Ghiffary Budianto and A. Syarief, “Analisis Pengaruh Pengurangan Dimensi Data Pada Keakuratan Prediksi Penyakit Jantung Dengan Menggunakan Svm Linear,” J. Ilm. Tek. dan Manaj. Ind., vol. 3, no. 1, pp. 80–91, 2023.
[8] J. Given Hamonangan, A. S. Rahmi, S. J. Lase, N. Suhendi Syafei, and A. Turnip, “JIIF (Jurnal Ilmu dan Inovasi Fisika) DETEKSI DINI ARITMIA MENGGUNAKAN K-NEAREST NEIGHBOUR,” vol. 08, no. 01, pp. 86–95, 2024, [Online]. Available: https://doi.org/10.24198/jiif.v8i1
[9] Ratna Lestari Budiani Buana and Imroatul Hudati, “Review: Analisis Fitur Deteksi Aritmia dan Metode Deep Learning untuk Wearable Devices,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 11, no. 1, pp. 61–69, 2022, doi: 10.22146/jnteti.v11i1.3381.
[10] I. Artikel, “Arus Jurnal Sains dan Teknologi ( AJST ) Analisis Deteksi Dini Penyakit Jantung dengan Pendekatan Support Vector Machine pada Data Pasien,” vol. 2, no. 2, 2024.
[11] M. Nugraha, Fauji, and Magdalena, "Deteksi Aritmia Menggunakan Algoritma Deep Neural Network (Dnn) Pada Sinyal Elektrokardiogram," e-Proceeding of Engineering : Vol.10, No.5 Oktober 2023
[12] Paranita et al., "Atrial arrhythmias in ASD patients," Acta Cardiologia Indonesiana, Vol. 4, No. 2, 2022, Hal. 117-121.
[13] Al-Iqra, "Arrhythmia in Acute Coronary Syndrome: Mini Review," Al-Iqra Medical Journal, Vol. 5, No. 1, Februari 2022, Hal. 40-48.
[14] Aisyah, Hardy, F. R., Pristya, T. Y. R., Karima, U. Q. "Faktor risiko penyakit jantung koroner di RSUD Pasar Rebo," HIGEIA Journal of Public Health Research and Development, Vol. 6, No. 4, 2022, Hal. 253-260.
[15] Kalangi, J., & Joseph, J. "Gambaran aritmia pada pasien penyakit jantung koroner," Jurnal e-Biomedik (eBM), Vol. 9, No. 3, 2021, Hal. 123-130.
[16] Mutawalli, L., Zaen, M. T. A., & Bagye, W. "Klasifikasi aritmia menggunakan metode backpropagation neural network," Jurnal Informatika dan Rekayasa Elektronik (JIRE), Vol. 3, No. 1, 2021, Hal. 43-51.
[17] Yuniadi, Y. (2023). Tata Laksana Aritmia Masa Kini. eJKI.
[18] Ningrum, D. N. A., & Rizqiya, M. (2023). Trend Kejadian Hipertensi dengan Penyakit Penyerta di Indonesia. IJPHN.
[19] Ina Heart, Pedoman Tatalaksana Hipertensi pada Penyakit Kardiovaskular, InaHeart, 2024.
[20] Akmaludin, I., & Prasetyaningtyas, N. "Beta-blocker and arrhythmia management in hypertensive patients," Jurnal Kardiologi Indonesia, Vol. 12, No. 1, 2024, Hal. 45-52.