Fakultas Ilmu Komputer
Universitas Brawijaya 2418
Sistem Pendeteksi Premature Ventricular Contraction Berdasarkan Fitur Geometri Segitiga Dan Amplitudo R Menggunakan Metode Jaringan
Syaraf Tiruan
Tedy Kurniawan1, Rizal Maulana2, Eko Setiawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Jantung ialah pusat dari sistem peredaran darah bagi manusia. Pada jantung, ada penyakit atau kondisi yang menyebabkan ritme jantung menjadi tidak normal biasa dikenal sebagai aritmia. Premature Ventricular Contraction (PVC) adalah salah satu contoh dari aritmia yang terjadi ketika ventrikel memiliki denyut jantung tambahan yang tidak alami,. Jika PVC terjadi secara berkala, bisa menyebabkan beberapa penyakit lain diantaranya gagal jantung, penyakit jantung koroner, dan lain- lain, sehingga perlu dilakukan pengecekan kondisi kesehatan jantung yaitu dengan Electrocardiogram (ECG). Selain itu, harga dari peralatan medis ECG yang cukup mahal dan sulit dijangkau oleh beberapa orang juga menjadi dasar penelitian ini. Penulis akan menggunakan fitur geometri segitiga dan perhitungan nilai amplitudo R. Metode klasifikasi yang diterapkan adalah Jaringan Syaraf Tiruan (JST) dengan menggunakan algoritma backpropagation. Hasil pengujian akuisisi sensor ECG AD8232 mendapatkan nilai error sebesar 4,47% dengan 10 kali pengujian. Pengujian ini membandingkan nilai Beat Per Minute (BPM) pada sensor AD8232 dan BPM pada kondisi nyata.
Hasil akurasi menggunakan klasifikasi JST 3 hidden layer mendapatkan angka 90% dari 20 data uji yang digunakan. Untuk pengujian waktu komputasi sistem mendapatkan nilai rata-rata sebesar 235,5 milisekon dari 20 data yang diujikan.
Kata kunci: ad8232, Arduino Uno, backpropagation, geometri segitiga, jaringan syaraf tiruan, PVC Abstract
The heart is the center of the circulatory system for humans. In the heart, there are diseases or conditions that cause abnormal heart rhythms known as arrhythmias. Premature Ventricular Contraction (PVC) is an example of an arrhythmia that occurs when the ventricles have an unnaturally additional heart rate. If PVC occurs regularly, it can cause several other diseases including heart failure, coronary heart disease, and others, so it is necessary to check the health condition of the heart, namely by using an Electrocardiogram (ECG). In addition, the price of ECG medical equipment which is quite expensive and difficult to reach for some people is also the basis of this research. The author will use the triangular geometry feature and calculate the amplitude R value. The classification method applied is Artificial Neural Network (ANN) using the backpropagation algorithm. The test results of the ECG AD8232 sensor acquisition get an error value of 4.47% with 10 tests. This test compares the Beat Per Minute (BPM) value on the AD8232 and BPM sensors in real conditions. The results of the accuracy using the JST 3 hidden layer classification get 90% of the 20 test data used. For testing the computation time the system gets an average value of 235.5 milliseconds from the 20 tested data.
Keywords: ad8232, Arduino Uno, backpropagation, triangle geometry, artificial neural network, PVC
1. PENDAHULUAN
Jantung adalah pusat dari sistem peredaran darah manusia (Curran and Sheppard, 2011).
Jantung berperan dalam proses pemompaan
darah, dan darah secara terus menerus diangkut ke seluruh bagian tubuh. Jantung memiliki 4 bagian yaitu dua bagian atas bernama atrium dan dua bagian bawah bernama ventrikel.
Impuls listrik mengalir dari atrium atau serambi
ke ventrikel sehingga jantung memompa darah ke seluruh bagian tubuh. Pada orang dewasa normal, jantung berdetak sekitar 60 hingga 100 kali per menit. Jantung yang berdetak kurang dari 60 kali atau lebih dari 100 kali per menit berarti mengalami gangguan.
Menurut data World Health Organization (WHO) pada tahun 2016, diperkirakan 17,9 juta orang meninggal akibat penyakit jantung dan pembuluh darah. Beberapa penyakit jantung dan pembuluh darah termasuk di dalamnya penyakit_bawaan_jantung, gagal jantung, penyakit katup jantung, dan gangguan irama jantung. Salah satu dari penyakit jantung diantaranya adalah gangguan irama jantung.
Gangguan atau penyakit yang mempengaruhi ritme detak jantung normal biasa dikenal sebagai aritmia (Oliveira et al., 2019).
Premature Ventricular Contraction adalah salah satu contoh dari aritmia yang terjadi ketika ventrikel memiliki denyut jantung tambahan yang tidak alami, sehingga meyebabkan irama detak jantung muncul lebih awal dari yang diharapkan atau premature.
Untuk beberapa orang yang tidak memiliki riwayat medis penyakit jantung, PVC tidak terlalu berbahaya karena bisanya PVC dimulai dengan irama jantung_normal. Menurut_(Chen et al., 2018), PVC yang sering terjadi dan tidak ditangani dengan baik bisa mengganggu terhadap fungsi pemompaan darah. Ada banyak hal yang mempengaruhi terjadinya PVC, salah satunya adalah dari obat-obatan dan makanan (Oliveira et al., 2019). Kondisi PVC yang terjadi secara berkala, maka perlu dilakukan pengecekan kondisi kesehatan jantung yaitu dengan Electrocardiogram (Oliveira et al., 2019).
Electrocardiogram (ECG) adalah sebuah alat yang berfungsi untuk mengukur aktivitas kelistrikan yang didapat dari pergerakan jantung (Chen et al., 2018). Aktivitas kelistrikan ini mengandung informasi tentang keadaan jantung yang diperoleh dari elektroda yang ditempelkan pada tubuh (KAYA, 2018).
Pada penelitian ini akan menggunakan 3 elektroda yang ditempelkan pada tubuh yaitu pin elektroda merah pada jantung sisi kanan, pin elektroda kuning pada jantung sisi kiri, dan pin elektroda hijau pada perut kanan bawah.
Pemeriksaan kondisi jantung menggunakan ECG hanya bisa dilakukan di lingkungan medis seperti rumah sakit dan biaya yang dibutuhkan juga mahal. Sinyal ECG yang dihasilkan akan menampilkan 1 siklus detak jantung yang
terdiri dari 1 gelombang PQRST (Zhou, Jin and Dong, 2017). Untuk melakukan analisis terhadap kondisi jantung, bisa menggunakan beberapa fitur ekstraksi diantaranya adalah interval PR, segment ST, interval RR, dan lain- lain (Oliveira et al., 2019).
Penelitian ini, membutuhkan sebuah metode klasifikasi untuk membedakan antara kondisi jantung PVC dan kondisi jantung normal. Metode yang digunakan adalah Jaringan Syaraf Tiruan (JST) dipilih untuk melakukan klasifikasi karena komputasinya tidak terlalu rumit serta proses pembelajaran yang dilakukan berulang kali sebanyak iterasi yang digunakan untuk memperkecil error agar output sesuai dengan target. Metode JST akan mengklasifikasi 1 sinyal jantung dengan fitur geometri segitiga dengan mengambil titik tertinggi dan titik terendah dari glombang QRS dan fitur perhitungan nilai amplitudo R yang didapat dari selisih nilai amplitudo gelombang R dengan gelombang Q. Penelitian ini menggunakan 40 data latih dan menggunakan 2 fitur dengan metode klasifikasi JST untuk membedakan sinyal jantung PVC dan sinyal jantung normal.
Penelitian ini akan memberikan kemudahan bagi masyarakat dalam proses pendeteksian sinyal PVC dalam pemeriksaan jantung.
2. PERANCANGAN DAN IMPLEMENTASI SISTEM 2.1. Perancangan Perangkat Keras
Pada tahap awal akan dijelaskan tentang desain hardware sistem yang akan digunakan.
Gambar 1. Desain Hardware Sistem
Gambar 1, menjelaskan tentang komponen-komponen yang akan dipakai di dalam penelitian ini yaitu Sensor AD8232, mikrokontroller Arduino UNO, dan LCD Display Module 16x2. Ketiga komponen itu akan ditempatkan didalam sebuah kotak warna hitam terbuat dari akrilik. Selain harganya yang terjangkau, akrilik dipilih karena bahannya cukup kuat dan bagus. Selanjutnya akan
dijelaskan tentang perancangan skematik perangkat keras. Berikut adalah gambar skematik rangkaian terdapat pada Gambar 2.
Gambar 2. Desain Skematik Rangkaian Hardware Gambar 2 menjelaskan tentang hubungan antar masing-masing hardware yaitu mikrokontroller Arduino UNO, sensor AD8232, dan LCD Display Module 16x2 yang bertujuan agar sistem dapat berfungsi dengan baik.
Penelitian ini menggunakan 3 buah elektroda yang masing-masing ditempelkan pada bagian tubuh seperti pada Gambar 3.
Untuk pin elektroda merah pada jantung sisi kanan, pin elektroda kuning pada jantung sisi kiri, dan pin elektroda hijau pada perut kanan bawah.
Gambar 3. Letak Penempatan Elektroda 2.2. Perancangan Perangkat Lunak
Tahap selanjutnya adalah perancangan program utama. Gambar 4 menjelaskan tentang alur dari program utama yang akan dijalankan oleh sistem. Pada program utama yang pertama dilakukan adalah inisialisasi variable, pin input dan output. Kemudian dilanjutkan dengan program akuisisi data menggunakan sensor AD8232 yang sinyal akan diperhalus menggunakan Exponential filter dan masuk ke program deteksi titik QRS dari sinyal ECG yang didapatkan dari mikrokontroller Arduino Uno. Setelah nilai QRS didapatkan, maka program akan menghitung nilai ekstraksi fitur geometri segitiga dan perhitungan nilai
amplitudo R. Terakhir, sistem akan melakukan klasifikasi terhadap sinyal ECG, apakah masuk ke kelas data jantung normal atau kelas data jantung dengan kondisi PVC.
Inisialisasi pin dan varibel
Akuisisi data sensor AD8232
Deteksi Titik Gelombang
QRS
Ekstraksi Fitur Geometri Segitiga dan Amplitudo R
Metode Klasifikasi JST
_Mulai_
Selesai
Gambar 4. Flowchart dari Program Utama Sistem 2.2.1. Program Akuisisi Data Sensor AD8232
Pada tahap ini akan menjelaskan tentang akuisisi sinyal dari sensor AD8232. Sinyal jantung yang diproses oleh AD8232 dan sinyal akan diperhalus menggunakan Exponential filter, lalu akan tampil pada “serial plotter”
Arduino Uno.
Setelah sensor ECG membaca data jantung data, program akan menjalankan proses Exponential filter. Proses Exponential filter berfungsi untuk menghaluskan dan meminimalisir gangguan yang didapatkan oleh sensor AD8232. Penempatan elektroda yang tidak tepat dan kabel yang longgar membuat hasil pembacaan sinyal ECG banyak interferensi dan noise, sehingga Exponential filter dipilih karena bisa mengatasi masalah ini.
Berikut adalah rumus dari Exponential filter.
( ) (1) Pada Persamaan (1), adalah hasil dari proses Exponential filter. Variabel adalah nilai alfa dari proses Exponential filter. Nilai alfa ini akan mempengaruhi faktor dari penghalusan sinyal, sehingga dibutuhkan nilai yang sesuai agar mendapatkan sinyal yang bagus. Menurut (Pratama, A., 2021), nilai alfa terbaik berada pada angka 0,1, sehingga penelitian ini akan menggunakan nilai alfa 0,1.
Gambar 5 adalah tampilan akuisisi data berupa 1 siklus sinyal jantung yang terdiri dari 1 gelombang PQRST.
Gambar 5. Tampilan Serial Plotter Akuisisi Data
2.2.2. Program Deteksi Titik QRS
Pada bagian ini, akan dilakukan pendeteksian titik dari gelombang QRS yaitu digunakan perhitungan manual dengan ambang batas diberi nilai 400. Nilai 400 dipilih dengan alasan nilai ambang harus lebih besar dari pada nilai puncak P dan nilai puncak T, dan kurang dari nilai R minimum, sehingga nilai R bisa didapatkan dengan mencari nilai maksimal yang berada diatas nilai 400. Nilai ambang batas ditentukan oleh garis hijau. Berikut adalah tampilan deteksi titik QRS terdapat pada Gambar 6.
Gambar 6. Tampilan Proses Deteksi Titik QRS
2.2.3. Program Ekstraksi Fitur
Program ekstraksi fitur akan membantu membedakan sinyal kondisi jantung normal dan sinyal kondisi jantung PVC dengan mencari perbedaan mendasar antara kedua kondisi.
Penelitian ini akan menerapkan dua ekstraksi ciri yaitu geometri segitiga dari gelombang kompleks QRS dan perhitungan nilai amplitudo R. Berikut adalah penjelasan dari 2 fitur yang digunakan pada penelitian ini.
1) Fitur Geometri Segitiga
Fitur geometri segitiga akan merepresentasikan gelombang QRS menjadi bentuk segitiga. Perhitungan fitur
geometri segitiga mengguanakan Cartesian Plane yang menjadikan titik Q sebagai sumbu (0,0). Berikut adalah perhitungan yang dilkukan untuk mendapatkan nilai ekstraksi fitur geometri segitiga terdapat pada Tabel 1.
Tabel 1. Fitur Geometri Segitiga
Parameter Rumus
Gelombang R
√ Gelombang S
√ Sisi Segitiga
(a1)
| | Sisi Segitiga
(a2)
| | Sudut antara sisi
segitiga ( (( ) )) Area Segitiga (( )( ( )))
Pada Tabel 1, Untuk menghitung luas segitiga digunakan beberapa rumus, yaitu sisi-sisi segitiga adalah a1 dan a2. A5 digunakan untuk menghitung sudut antara sisi-sisi segitiga a1 dan a2. Kemudian a6 adalah rumus untuk menghitung luas segitiga dari gelombang QRS. Sisi segitiga a1 dan a2 didapatkan dari perhitungan jarak antara v1 (Gelombang R) dan v2
(Gelombang S). Perhitungan sumbu x dan y dari gelombang RS menggunakan koordinat
“Cartesian”. Sumbu x mewakili data waktu, dan sumbu y mewakili data amplitudo. Gelombang Q akan menjadi sumbu (0,0) dari koordinat “Cartesian”.
2) Fitur Amplitudo R
Fitur amplitudo R akan menjadi pembeda antara sinyal jantung normal dan sinyal jantung PVC. Nilai amplitudo R didapatkan dengan selisih nilai antara amplitudo R dan amplitudo Q yang didapatkan dari sensor AD8232. Tabel 2. Adalah perhitungan untuk mendapatkan nilai amplitudo R.
Tabel 2. Fitur Amplitudo R Equation Description [ ][ ] [ ][ ] Amplitude R
Pada Tabel 2, x[0][Ri] merupakan nilai dari amplitudo R yang didapat dari sensor AD8232 yang dikurangkan dengan x[0][Qi]
yang merupakan nilai amplitudo Q. Perhitungan pada Tabel 1 dan Tabel 2 akan mengekstraksi setiap 1 siklus sinyal dan akan ditampilkan nilainya. Gambar 7. Adalah tampilan sinyal
ECG dari proses ekstraksi ciri.
Gambar 7. Tampilan Sinyal dengan Proses Ekstraksi Fitur
2.2.4. Program Klasifikasi JST
Pada proses klasifikasi JST, terdapat 2 fungsi yaitu fungsi untuk proses pelatihan JST dan fungsi untuk proses pengujian JST. Adapun fungsi untuk proses pelatihan JST digunakan untuk menentukan boot dan bias yang sesuai dengan keluaran target. Algoritma backpropagation akan digunakan pada proses pelatihan ini. Arsitektur yang digunakan adalah 2 ekstraksi fitur sebagai input layer, 3 hidden layer, dan 2 kelas data sebagai output layer.
Nilai error akan diperkecil dalam fungsi pelatihan sehingga proses klasifikasi sesuai dengan output target. Fungsi aktivasi yang dipakai pada proses pelatihan ada 2 yaitu sigmoid untuk proses pada hidden layer dan softmax untuk proses pada output layer. Berikut adalah persamaan untuk fungsi aktivasi sigmoid dan derivative sigmoid untuk proses backpropagation.
( )
(2)
( ) ( ) ( ( )) (3)
Fungsi yang digunakan pada output layer adalah softmax. Berikut adalah persamaan untuk fungsi aktivasi softmax. ∑ (4)
Pada backpropagation, terdapat beberapa proses yang dilakukan, yaitu feedforward, backpropagation, lakukan perubahan nilai bobot dan bias jika output proses tidak sesuai dengan output yang diinginkan. Berikut adalah proses feedforward yang dilakukan. (5)
( ) (6)
(7)
( ) (8)
adalah proses pada input layer, adalah bobot pada input layer, adalah input proses, dan adalah bias input layer. merupakan proses fungsi aktivasi dari . adalah proses pada hidden layer, adalah bobot pada hidden layer, adalah bias pada hidden layer. Kemudian adalah fungsi aktivasi softmax dari dan akan menjadi keluaran dari proses feedforward. Untuk memastikan proses perhitungan yang dilakukan bergerak kea rah yang benar, digunakan perhitungan loss function yaitu cross entropy yang ditandai dengan variable , yang mana adalah output yang diinginkan, dan adalah output proses. ∑ (9)
Kemudian lakukan proses backpropagation untuk menghitung nilai error masing-masing layer dan lakukan perubahan nilai bobot dan bias. Berikut adalah proses backpropagation yang digunakan. (10)
(11)
(12)
( ) (13)
( ) (14)
Pada persamaan (9), adalah hasil perhitungan dari sebagai output proses dengan sebagai output yang diinginkan. Variabel adalah nilai derivative dari bobot hidden layer, adalah nilai derivative dari bias hidden layer. Variabel adalah nilai derivative dari bobot input layer, adalah nilai derivative dari bias input layer. Selanjutnya lakukan proses perubahan pada nilai bobot dan bias pada masing-masing layer. ( ) (15)
( ) (16)
( ) (17)
( ) (18) Nilai bobot dan bias masing-masing layer akan diupdate sehingga outputnya mendekati yang diinginkan dengan sebagai . Fungsi pelatihan akan dilakukan secara berulang-ulang sampai nilai bobot dan bias tetap didapatkan dan dilanjutkan dengan fungsi pengujian.
Fungsi Pengujian JST berfungsi untuk menentukan kelas data dari proses klasifikasi.
Proses ini akan dilakukan sejumlah data uji yang digunakan. Pada proses pengujian, nilai weight dan bias sudah tetap sesuai dengan hasil dari fungsi pelatihan JST.
2.3. Implementasi_Sistem____
Bab ini akan menjelaskan implementasi
dari sistem yang telah dirancang pada bab sebelumnya. Gambar 8 menunjukkan tampilan dari desain hardware sistem dari beberapa posisi yaitu tampak kiri untuk sensor AD8232, tampak kanan untuk Arduino uno, serta tampak atas yang memperlihatkan semua komponen sistem . Desain hardware sistem berbentuk kotak yang terbuat dari akrilik warna hitam.
Gambar 8. Implementasi Desain Sistem Penempatan 3 elektroda sesuai dengan titik penempatan pada perancangan penempatan elektroda. Berikut adalah tampilan implementasi penempatan elektroda terdapat pada Gambar 9.
Gambar 9. Implementasi Penempatan Elektroda Sistem akan melakukan klasifikasi terhadap siklus sinyal yang dibaca oleh sensor ECG AD8232, kemudian akan ditampilkan hasil klasifikasinya pada LCD karakter.
3. PENGUJIAN DAN ANALISIS________
3.1. Pengujian Akuisisi Data Sensor AD8232 Perhitungan ini akan melakukan perbandingan antara Beat Per Minute (BPM) dari sensor AD8232 dan BPM pada kondisi nyata. Pengujian ini ditujukan untuk menguji keakuratan dari proses pembacaan sinyal
jantung dari sensor AD8232. Pada tahap ini dilakukan 10 kali pengujian akuisisi sensor ECG AD8232. Berikut adalah hasil dari perbandingan BPM AD8232 dan BPM kondisi nyata terdapat pada Tabel 3.
Tabel 3. Perbandingan Nilai BPM No.
Pengujian
BPM Kondisi
Nyata
BPM AD8232
Error
1. 84 78 7,14%
2. 78 72 7,69%
3. 78 81 3,85%
4. 84 83 1,19%
5. 90 80 1,11%
6. 78 75 3,85%
7. 84 86 2,38%
8. 90 84 6,66%
9. 96 93 3,13%
10. 78 84 7,69%
MAPE 4,47%
Berdasarkan Tabel 3, perhitungan nilai rata- rata error menggunakan Mean Absolute Percentage Error (MAPE) yang terdapat pada Persamaan (19) dan Persamaan (20). Pada Persamaan (19), dengan menghitung selisih antara BPM kondisi nyata dan BPM AD8232, kemudian membaginya dengan nilai BPM manual dan mengalikannya dengan 100% maka dapat diperoleh nilai error. Untuk mean error dihitung dengan membagi total error keseluruhan dengan banyaknya pengujian yang dilakukan.
| |
| |
(19)
(20)
Berdasarkan Tabel 3, dalam 10 kali pengujian, rata-rata error yang didapatkan pada pengujian akuisisi sensor ECG AD8232 adalah sebesar 4,47%.
3.2. Pengujian Akurasi Dari Klasifikasi JST Pada tahap pengujian, sebanyak 40 data latih dan 20 data uji yang digunakan dalam proses klasfikasi. Klasifikasi JST ini menggunakan algoritma backpropagation dengan hiden layer berjumlah 3. Setelah klasifikasi dilakukan, berikut adalah tampilan hasil dari klasifikasi data terdapat pada Tabel 4.
Tabel 4. Hasil Akurasi Klasifikasi JST
Parameter Hasil
Jumlah Data yang Diujikan 20 Kelas yang Sesuai 18 Kelas Data yang Tidak Sesuai 2
Hasil Akurasi Klasifikasi 90%
Berdasarkan Tabel 4, hasil akurasi klasfikasi JST menggunakan algoritma backpropagation dengan hidden layer berjumlah 3 mendapat nilai sebesar 90%
dengan 2 kelas data yang tidak sesuai dari 20 data yang diujikan. Nilai ini didapatkan dari perhitungan yang ada pada Persamaan (21).
(21)
3.3. Pengujian Waktu Komputasi Sistem__
Pengujian untuk mendapatkan waktu komputasi sistem dilakukan selama program berjalan sampai selesai. Saat nilai fitur diperoleh, proses perhitungan waktu komputasi sistem dimulai hingga proses klasifikasi selesai.
Pengujian ini dilakukan 20 kali. Berikut adalah hasil pengujian waktu komputasi terdapat pada Tabel 5.
Tabel 5. Hasil Pengujian Untuk Waktu Komputasi Pengujian Ke- Hasil (ms)
1. 236
2. 236
3. 236
4. 237
5. 236
6. 236
7. 236
8. 237
9. 237
10. 237
11. 238
12. 233
13. 238
14. 234
15. 233
16. 233
17. 234
18. 234
19. 234
20. 234
Waktu Rata-Rata 235,5
Berdasarkan Tabel 5, dilakukan 20 pengujian untuk menghitung waktu komputasi
sistem. Nilai waktu komputasi berada di sekitar nilai 233 sampai 237 ms. Nilai rata-rata waktu komputasi adalah sebesar 235,5 milisekon.
4. KESIMPULAN DAN SARAN_______
4.1. Kesimpulan_________
Beberapa kesimpulan yang dapat ditarik dari pengujian ini adalah penelitian ini menggunakan sebanyak 60 data yang tebagi menjadi 40 data latih dan 20 data uji. Nilai rata- rata error dari pengujian akuisisi data sensor AD8232 berada pada angka 4,47%. Klasifikasi system menggunakan metode JST dengan algoritma backpropagation. Perhitungan akurasi hasil klasifikasi dengan menggunakan 2 fitur sebagai input layer, 3 hidden layer, dan 2 kelas data sebagai output layer mendapatkan nilai sebesar 90% Pada perhitungan pengujian waktu komputasi sistem, nilai rata-rata waktu komputasi berada pada nilai 235,5 milisekon dengan 20 kali pengujian yang dilakukan.
Saran dari penelitian ini adalah proses pengambilan data latih dan uji supaya lebih dimaksimalkan. Sistem bisa mendeteksi PVC dengan lebih akurat.
5. DAFTAR PUSTAKA
Chen, Z., Xu, H., Luo, J., Zhu, T. and Meng, J., 2018. Low-power perceptron model based ECG processor for premature ventricular contraction detection.
Microprocessors and Microsystems, [online] 59(June 2017), pp.29–36.
Curran, T. and Sheppard, G., 2011. Cardiology Self Learning Package. Anatomy and Physiology of the Heart, (October), pp.2–22.
KAYA, Y., 2018. Classification of PVC Beat in ECG Using Basic Temporal Features.
Balkan Journal of Electrical and Computer Engineering, (May), pp.10–
14.
Malik, U., 2019. Creating a Neural Network from Scratch in Python. [Online]
Available at :
https://stackabuse.com/creating_a_neur al_network_from_scratch_in_python [Accessed 28 November 2020].
Oliveira, B.R. de, Abreu, C.C.E. de, Duarte, M.A.Q. and Vieira Filho, J., 2019.
Geometrical features for premature ventricular contraction recognition with
analytic hierarchy process based machine learning algorithms selection.
Computer Methods and Programs in Biomedicine, [online] 169, pp.59–69.
Pratama, A., Maulana, R., & Syauqy, D., 2021.
Implementasi Sistem Pendeteksi Premature Ventricular Contraction (PVC) Aritmia menggunakan Metode SVM. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J- PTIIK) Universitas Brawijaya, vol. 5, no. 2, p. 542-548, ISSN 2548-964X.
SubramanyaNayak, G. and Nayak, D., 2012.
Classification of ECG Signals using ANN with Resilient Back Propagation Algorithm. International Journal of Computer Applications, 54(6), pp.20–
23.
Sutiko, Indriyati, Priyo, S.S., Helmie, A.W., Indra, W., Nurdin, B. and K, T.W., 2016. Backpropagation dan Aplikasinya. Ilmu Komputer: Studi kasus dan Aplikasinya, pp.134–146.
Zhou, F. yan, Jin, L. peng and Dong, J., 2017.
Premature ventricular contraction detection combining deep neural networks and rules inference. Artificial Intelligence in Medicine, [online] 79, pp.42–51.
