Implementasi Sistem Pendeteksi Premature Ventricular Contraction (PVC) Aritmia menggunakan Metode SVM

Fakultas Ilmu Komputer

Universitas Brawijaya

542

Implementasi Sistem Pendeteksi Premature Ventricular Contraction (PVC)

Aritmia menggunakan Metode SVM

Ahmad Rizqi Pratama1_{, Rizal Maulana}2_{, Dahnial Syauqy}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{ahmadrizqip10@gmail.com,} 2_{rizal_lana@ub.ac.id,} 3_{dahnial87@ub.ac.id}

Abstrak

Premature Ventricular Contraction (PVC) Aritmia merupakan gangguan pada kondisi jantung yang berdetak secara tidak beraturan. Kondisi PVC menyebabkan detak jantung menjadi terlalu cepat atau menjadi terlalu lambat dari semestinya. PVC Aritmia muncul pada bagian bawah jantung atau biasa disebut Ventrikal (Bilik) jantung. Penderita PVC Aritmia memiliki resiko mengalami gagal jantung, jantung coroner, dan penyakit jantung lainnnya apabila kondisi PVC Aritmia terjadi secara terus menerus. Saat ini, Kondisi PVC Aritmia hanya dapat dideteksi di Rumah sakit dengan biaya yang cukup mahal. Oleh karena itu, penelitian dalam mendeteksi PVC Aritmia dibutuhkan agar mengatasi permasalahan biaya yang dibutuhkan. Terdapat beberapa parameter yang dapat digunakan dalam mendeteksi PVC Aritmia, dalam penelitian ini Interval QRS, Interval QT, dan ST segment dipilih sebagai parameternya. Parameter tersebut berada pada setiap siklus sinyal EKG yang akan dibaca menggunakan sensor AD8232. Pembacaan sinyal EKG membutuhkan 3 buah elektroda yang ditemmpelkan pada bagian tubuh pengguna. Penempatan elektroda tersebut berada pada bagian dada dengan memasangkan 2 elektroda dan pada bagian perut dengan memasangkan 1 buah elektroda. Sinyal EKG yang didapatkan oleh sensor AD8232 kemudian akan diolah pada Arduino Uno untuk mengurangi noise yang didapat dan diklasifikasikan oleh metode Support Vector Machine (SVM). Penggunaan data latih sebanyak 46 data jantung dengan 23 jenis data PVC dan 23 jenis data normal akan ditanamkan pada metode SVM. pengujian klasifikasi SVM delakukan dengan 20 data jantung. Hasil pengujian klasifikasi berupa kelas “Normal” atau “PVC”. Setiap 3 hasil klasifikasi SVM akan digunakan dalam menentukan jenis kondisi jantung. Jenis kondisi jantung tersebut antara lain “Normal”, “Bigeminy”, dan “Trigeminy” yang nantinya akan diperlihatkan pada LCD sehingga pengguna mengetahui kondisi jantungnya. Dalam pengujian tingkat akurasi SVM didapatkan nilai sebesar 85% dengan 1,79 detik waktu rata-rata training dan 2,49 detik waktu rata-rata testing.

Kata kunci: Arrhythmia, Premature Ventricular Contraction (PVC), AD8232, Arduino, Support Vector Machine (SVM)

Abstract

Premature Ventricular Contraction (PVC) Arrhythmia is a condition in which the heart beats irregularly. The PVC condition causes the heart to beat too fast or be too slow than it should be. PVC Arrhythmias appear in the lower part of the heart or commonly called the ventrical (chambers) of the heart. Patients with PVC Arrhythmia have a risk of experiencing heart failure, coronary heart disease, and other heart diseases if the PVC Arrhythmia condition occurs continuously. Currently, PVC Arrhythmia can only be detected in the hospital at a cost that is quite expensive. Therefore, research in detecting PVC Arrhythmias is needed in order to solve the cost problem required. There are several parameters that can be used in detecting PVC Arrhythmias, in this study the QRS Interval, QT Interval, and ST segment were selected as parameters. These parameters are in each cycle of the ECG signal which will be read using the AD8232 sensor. Reading the ECG signal requires 3 electrodes attached to the user's body. The placement of the electrodes is on the chest by attaching 2 electrodes and on the stomach by attaching 1 electrode. The ECG signal obtained by the AD8232 sensor will then be processed on the Arduino Uno to reduce the noise obtained and classified by the Support Vector Machine (SVM) method. The use of training data as much as 46 heart data with 23 types of PVC data and 23 types of normal data will be embedded in the SVM method. SVM classification testing was carried out with 20 cardiac data. Classification test results are in the form of class "Normal" or "PVC".

Every 3 SVM classification results will be used to determine the type of heart condition. Types of heart conditions include "Normal", "Bigeminy", and "Trigeminy" which will later be shown on the LCD so that users know the condition of their heart. In testing the SVM accuracy level, it was obtained a value of 85% with 1.79 seconds of average training time and 2.49 seconds of average testing time.

Keywords: Arrhythmia, Premature Ventricular Contraction (PVC), AD8232, Arduino, Support Vector Machine (SVM)

1. PENDAHULUAN

Jantung adalah salah satu organ tubuh yang sangat penting. Jantung berfungsi sebagai organ pemompa darah dan juga oksigen pada seluruh tubuh. Selain jantung memiliki fungsi dan peranan penting dalam tubuh, jantung juga memiliki banyak resiko penyakit yang dapat diderita oleh seseorang. Penyakit jantung yang umum terjadi adalah aritmia.

Pada tahun 2011, sebanyak 2,1 juta kasus aritmia dialami oleh penduduk di Indonesia, peningkatan jumlah kasus diprediksi akan bertambah seiring kesadaran penduduk dan tim medis (Kamaliah 2017). Artimia sendiri merupakan kondisi dimana jantung mengalami gangguan pada irama jantung. Aritmia menyebabkan irama jantung menjadi terlalu cepat, terlalu lambat, maupun tidak beraturan (Willy 2019). Terdapat enam jenis aritmia yang dapat diklasifikasi menurut ritmenya, yaitu AV block Arrhythmia, Supraventricular Tachycardia (SVT) Arrhythmia, Atrial Arrhythmia, Junctional Arrhythmia, Ventricular Arrhythmia dan Sinus Arrhythmia (Gilang, Maulana and Kurniawan 2018). Pada Ventricular Arrhythmia sendiri terdapat 3 jenis gejala, yaitu Ventricular Tachycardia (VT), Premature Ventricular Contraction (PVC), dan Ventricular Fibrillation (VF). Dalam mendeteksi aritmia terdapat beberapa cara, yaitu menggunakan metode EKG, metode holter, metode EPS (Electrophysiology Study) maupun metode MRI jantung (Sekarsari 2017).

Cara yang paling sering digunakan adalah menggunakan EKG yang umumnya disebut sebagai Elektrokardiografi. EKG ialah metode penggambaran dari potensial listrik yang dihasilkan oleh aktifitas otot jantung (Putri, Mindara and Suryaningsih 2017). Dalam metode EKG terdapat berbagai cara dalam pengimplementasiannya, salah satunya dengan memasangkan tiga buah elektroda pada bagian tubuh Hasil pembacaan aktifitas listrik pada jantung biasa disebut sebagai sinyal jantung atau sinyal EKG. Setiap kali jantung berdetak, akan

dihasilkan sinyal EKG dan dengan terus berulang hingga dihentikannya pembacaan aktifitas listrik jantung. Setiap kali jantung berdetak merupakan sebuah siklus, dan tiap siklus terdapat 1 gelombang P, 1 gelombang QRS, dan 1 gelombang T. Pembacaan sinyal EKG biasanya dilakukan oleh dokter.

Saat ini, pembacaan sinyal EKG dengan menggunakan metode Elektrokardigrafi hanya dapat dilakukan pada rumah sakit dengan biaya yang cukup mahal. Terdapat alternatif lain dalam melakukan pembacaan sinyal EKG, sinyal EKG dapat dibaca oleh sensor AD8232. Sensor AD8232 akan dihubungkan pada mikrokontroler Arduino Uno.

Arduino Uno digunakan sebagai pusat pemrosesan dari seluruh komponen yang digunakan. Terdapat juga komponen LCD yang akan terhubung dengan mikrokontroler Arduino Uno. Mikrokontroler Arduino Uno akan ditanamkan sebuah fungsi dari Exponential Filter dan metode Support Vector Machine. Exponential filter berfungsi untuk menghaluskan dan meminimalisir gangguan yang didapatkan oleh sensor AD8232, sedangkan metode Support Vector Machine berfungsi untuk mengklasifikasikan kondisi jantung berdasarkan masukan sinyal ECG yang telah diproses pada Exponential filter.

Metode Support Vector Machine merupakan suatu algortima dalam learning machine. Metode SVM sering digunakan dalam melakukan prediksi, klasifikasi, maupun regresi. Salah satu keuntungan dari SVM ialah tidak begitu dipengaruhi oleh besarnya jumlah fitur pada data (Curse of Dimensionality) (Cahya, Dewi and Rahayudi 2018). Metode SVM bekerja dengan cara mencari batas maupun jarak pemisah antara 2 kelas. jarak pemisah antara 2 kelas biasa disebut sebagai hyperplane. Pada penerapannya, terdapat 4 jenis kernel yang dimiliki oleh metode SVM, yaitu kernel linier, kernel polynomial, kernel RBF, dan kernel sigmoid. Kernel pada metode SVM berfungsi untuk memetakan dimensi awal pada himpunan data agar menjadi dimensi yang baru.

Berdasarkan permasalahan yang telah dijelaskan sebelumnya, dibutuhkan sebuah penelitian yang dapat memecahkan masalah tersebut. Penelitian dengan judul “IMPLEMENTASI SISTEM PENDETEKSI

PREMATURE VENTRICULAR

CONTRACTION (PVC) ARITMIA

MENGGUNAKAN METODE NAÏVE

BAYES” oleh Gilang Titah Ramadhan tahun 2018 mempunyai hasil akurasi yang cukup bagus, namun masih berada dibawah rata-rata hasil akurasi rata-rata klasifikasi pada metode SVM. Pada penelitian tersebut didapatkan hasil akurasi klasifikasi sebesar 92,857% dengan banyak data uji 14 data dan menggunakan 2 parameter pendeteksinya. Pada penelitian “IMPLEMENTASI SISTEM PENDETEKSI

PREMATURE VENTRICULAR

CONTRACTION (PVC) ARITMIA

MENGGUNAKAN METODE K-NN” yang dilakukan oleh Sulthan Ghiffari Awdihansyah tahun 2020 memiliki waktu komputasi yang cukup lama. Pada penelitian tersebut didapatkan waktu komputasi sebesar 1988,9 ms dengan banyak data uji 23 data dan menggunakan 2 parameter pendeteksinya. Dari kekurangan sistem sebelumnya dibutuhkan penelitian pada sistem pendeteksi Premature Ventricular Contraction (PVC) Aritmia lebih lanjut. Penelitian yang akan dilakukan adalah dengan menggunakan Arduino Uno sebagai pusat pemroses dan pengolah datanya, kemudian digunakan metode SVM sebagai metode klasifikasinya. Digunakan juga 3 buah parameter sebagai masukan pada klasifikasi metode SVM dengan banyak data uji sebanyak 20 data. Dengan adanya penelitian ini diharapkan didapatkan sistem dengan hasil akurasi dan waktu komputasi yang lebih baik, sehingga pengguna lebih mudah dalam mengetahui kondisi jantung, khususnya pada gejala Premature Ventricular Contraction (PVC) Aritmia.

2. METODE PENELITIAN 2.1 Blok Diagram Sistem

Blok diagram sistem menjelaskan tentang alur kerja dari sistem meliputi input, proses dan output dari sistem. Pada Gambar 1 ditunjukkan blok diagram dari sistem.

Gambar 1. Blok Diagram Sistem

Terdapat beberapa tahapan yang dilakukan oleh sistem pada Gambar 1. Tahapan pertama adalah dengan melakukan proses input berupa pembacaan sinyal ECG menggunakan sensor AD8232. Hasil pembacaan sinyal ECG akan diolah menggunakan Exponential filter dengan tujuan untuk mengurangi dan menghaluskan noise yang didapatkan. Lalu sinyal ECG yang telah diproses selanjutnya diekstraksi dengan tujuan menentukan parameter Interval QRS, Interval QT, dan ST Segment. Nilai parameter dari proses ekstraksi fitur akan diklasifikasikan dengan metode Support Vector Machine untuk mengetahui jenis gejala jantung pada pengguna. Hasil klasifikasi disimpan sebanyak 3 siklus gelombang sinyal untuk acuan dalam menentukan jenis PVC yang diderita. Hasil penentuan jenis PVC aritmia ditampilkan melalui LCD 16x2

.

2.2 Perancangan Sistem

Perancangan sistem akan menjelaskan terkait gambaran umum dari perangkat keras serta perangkat lunak yang digunakan. Perancangan sistem ditunjukkan dalam Gambar 2.

Gambar 2. Perancangan Sistem

Perancangan sistem akan berbentuk kotak berwarna hitam berukuran 13x11x6 cm. Kotak tersebut akan menggunakan bahan akrilik sehingga tidak terlalu berat dan cukup kuat dalam segi ketahanannya. Kotak nantinya akan diberi 3 buah lubang, lubang pada bagian depan digunakan sebagai ruang masuk kabel serial Arduino dan kabel EKG yang terhubung pada sensor AD8232, kemudian terdapat lubang pada bagian atas kotak yang digunakan oleh LCD 16x2 untuk melakukan penampilan hasil proses sistem.

Gambar 3. Skematik Sistem

Pada Gambar 3 dijelaskan terkait gambaran skematik sistem. Terdapat 3 buah komponen yang digunakan, yaitu Mikrokontroler Arduino Uno, Sensor AD8232, dan LCD I2C 16x2. Dalam menghubungkan 3 buah komponen tersebut dibutuhkan beberapa kabel jumper dengan jenis male to female. Dalam meghubungkan sensor AD8232 dengan Arduino Uno dibutuhkan 5 buah jumper berjenis male to female, sedangkan dalam menghubungkan LCD I2C 16x2 dengan Arduino Uno dibutuhkan 4 buah jumper berjenis male to female.

Tahapan alur kerja pada sistem akan ditunjukan pada Gambar 4.

Gambar 4. Diagram Alir Perancangan Perangkat Lunak

Terlihat pada Gambar 4, proses pertama yang dilakukan oleh sistem adalah melakukan inisialisasi variabel global. Inisialisasi variabel secara global bertujuan adgar setiap variabel yang telah dideklarasikan dapat digunakan pada proses manapun. Inisialisasi variabel global meliputi variabel-variabel dari proses import library, Exponential filter, deklarasi data latih untuk metode Support Vector Machine, deklarasi pin, array, dan variabel penunjang lainnya. Setelah melakukan inisialisasi variabel global, proses selanjutnya adalah melakukan

training data latih pada metode SVM.

Proses training data latih pada metode SVM menggunakan data sebanyak 46 data. Data tersebut meliputi kelas jantung normal dan kelas jantung PVC. Pada kelas jantung normal terdapat sebanyak 23 data jantung dan pada kelas jantung PVC terdapat sebanyak 23 data jantung. Dengan setiap 1 data jantung memiliki 3 nilai parameter jantung, yaitu nilai dari Interval QRS, Interval QT, dan ST segment. Pada penerapannya, kernel yang digunakan pada metode SVM adalah kernel linier. Kernel sendiri berfungsi sebagai pemeta dimensi awal pada himpunan data yang selanjutnya dibuat menjadi dimensi yang baru. persamaan kernel linier dapat dilihat pada Persamaan (1).

𝐾(𝑥

_𝑖

, 𝑥

_𝑗

) = 𝑥

_𝑖

. 𝑥

_𝑗

(1)

Setelah melakukan training data latih pada metode SVM, proses selanjutnya adalah proses Exponential filter. Pada proses ini, sistem akan melakukan pembacaan terlebih dahulu menggunakan sensor AD8232. Hasil pembacaan sensor AD8232 berupa sinyal jantung atau biasa disebut sinyal ECG. Pada penerapannya, sinyal ECG sering kali terdapat gangguan dikarenakan penempatan elektroda yang kurang tepat maupun pemasangan kabel yang sedikit longgar. Untuk mengatasi gangguan yang didapatkan pada sinyal ECG, proses Exponential filter dibutuhkan. Dalam melakukan penghalusan, Exponential filter akan melakukan perhitungan dengan persamaan (2).

𝑌

_𝑛

= 𝑤 ∗ 𝑋

_𝑛

+

(

1 − 𝑤

)

∗ 𝑌

_𝑛−1

(2)

Pada persamaan 2 terdapat beberapa variabel yang digunakan, yaitu variabel 𝑌𝑛 yang

merupakan nilai hasil dari proses Exponential filter, variabel 𝑤 merupakan nilai alfa yang didapatkan melalui trial and error. Nilai dari variabel 𝑤 bernilai konstanta antara 0 dan 1. Variabel 𝑋𝑛+ (1 − 𝑤) merupakan nilai dari

urutan waktu maasukan data sebenarnya. Variabel 𝑌𝑛−1 merupakan nilai hasil dari proses

Exponential filter sebelumnya.

Hasil dari proses Exponential filter akan diekstraksi untuk menentukan masing-masing parameter yang terdapat pada sinyal ECG. proses ekstraksi fitur bertujuan untuk mencari parameter Interval QRS, Interval QT, dan ST Segment. Dalam penentuan parameter tersebut, dibutuhkan titik Q, Titik R, Titik S, dan Titik T pada sinyal ECG. Tahapan pencarian titik pada sinyal ECG dilakukan dengan mencari Titik R, karena titik R meupakan titik tertinggi pada 1 siklus gelombang jantung. Setelah menemukan

Titik R, sistem akan melakukan perulangan kebelakang dengan membandingkan tiap masing-masing nilai amplitudo yang didapatkan. Perulangan akan berhenti ketika Titik Q telah ditemukan dengan kondisi dimana Titik Q memiliki nilai amplitudo yang paling rendah dan kecil dibandingkan dengan amplitudo sebelum dan sesudahnya.

Ketika titik Q telah ditemukan, sistem akan melakukan proses pencarian kedepan. Proses pencarian ini bertujuan untuk menemukan nilai dari Titik S pada sinyal ECG. Titik S ditentukan apabila nilai dari suatu titik amplitudo lebih kecil dari nilai titik amplitudo selanjutnya. Apabila Titik S telah ditemukan, maka sistem melakukan proses selanjutnya untuk mencari Titik T. Sama seperti proses pencarian Titik S, Titik T akan ditentukan apabila nilai dari suatu titik amplitudo lebih besar dari nilai titik amplitudo selanjutnya.

Setelah semua Titik ditemukan, sistem akan mulai menghitung masing-masing parameter yang dibutuhkan. Pada perhitungan parameter Interval QRS dibutuhkan nilai rentang waktu dari Titik Q hingga Titik S. Pada perhitungan parameter Interval QT dibutuhkan nilai rentang waktu dari Titik Q hingga Titik T. sedangkan para perhitungan ST segment dibutuhkan nilai rentang waktu dari Titik S hingga Titik T.

Proses selanjutnya yang sistem lakukan ketika nilai dari masing-masing parameter didapatkan adalah melakukan klasifikasi dengan metode Support Vector Machine. Proses klasifikasi menggunakan metode SVM akan mengacu pada data latih yang sudah ditanamkan. Hasil dari klasifikasi menggunakan metode SVM nantinya akan berupa 2 kelas, yaitu kelas Normal (-1) dan kelas PVC (1). Penentuan kelas tersebut dapat dilakukan dengan melakukan perhitungang menggunakan rumus Hyperplane dengan persamaan (3).

𝑤

̅

. 𝑥

̅̅̅

+ 𝑏 = 0 (3)

Untuk persamaan dalam menentukan kelas PVC (1) digunakan persamaan (4)

𝑤

̅

⋅ 𝑥

̅_𝑖

+ 𝑏 ≥ 1 (4)

Untuk persamaan dalam menentukan kelas Normal (-1) digunakan persamaan (5)

𝑤

̅

⋅ 𝑥

̅_𝑖

+ 𝑏 ≤ −1 (5)

Hasil klasifikasi fitur menggunakan metode SVM akan tersimpan sebanyak 3 siklus yang digunakan sebagai acuan penentuan jenis kondisi jantung yang diderita. Jenis kondisi jantung yang akan ditentukan berupa Normal, Bigeminy, dan Trigeminy. Pada kondisi jantung Bigeminy dapat ditentukan ketika terdapat urutan

siklus gelombang jantung bernilai Normal – PVC, pada kondisi jantung Trigeminy dapat ditentukan ketika terdapat urutan siklus gelombang jantun bernilai Normal – Normal – PVC, sedangkan pada kondisi jantung Notmal dapat ditentukan ketika terdapat siklus gelombang Normal – Normal – Normal.

Hasil penentuan kondisi jantung akan ditampilkan pada LCD 16x2. Penentuan kondisi jantung sendiri bertujuan agar pengguna mengetahui kondis jantung yang dimiliki saat ini dan dapat segera melakukan penanganan sesuai kondisi jantung yang dimiliki.

2.3 Implementasi Sistem

Implementasi sistem akan menjelaskan terkait penerapan dari perangkat keras yang digunakan oleh sistem.

Gambar 5. Implementasi Perangkat Keras Tampak Luar

Gambar 6. Implementasi Perangkat Keras Tampak Dalam

Implementasi sistem akan dibagi menjadi dua, diantaranya yaitu implementasi perangkat keras tampak luar dan implementasi perangkat keras tampak dalam yang terlihat pada Gambar 5 dan Gambar 6. Pada implementasi perangkat keras tampak luar terdapat 2 kabel yang berfungsi sebagai penghubung Arduino Uno dengan laptop untuk melakukan pengiriman perintah dan juga pemberi daya untuk sistem,

sedangkan kabel satunya berfungsi sebagai penghubung sensor AD8232 dengan elektroda yang akan dipasangkan pada tubuh manusia. Pada implemetasi perangkat keras tampak dalam meliputi beberapa komponen yaitu sensor AD8232, Arduino Uno, dan LCD 16x2. Setiap komponen akan dihubungkan menggunakan kabel jumper berjenis male to female pada komponen Arduino Uno

.

3. PENGUJIAN DAN ANALISIS

3.1 Hasil Pengujian Tingkat Akurasi

Klasifikasi SVM

Pengujian tingkat akurasi dari metode Support Vector Machine dilakukan dengan sebanyak 20 kali pada 2 jenis kelas, yaitu kelas Normal dan kelas PVC. Pengujian ini dilakukan dengan membandingkan kelas sesungguhnya dengan kelas dari hasil klasfikasi yang dilakukan oleh sistem menggunakan Metode Support Vector Machine. Pengujian tingkat akurasi klasifikasi Support Vector Machine dapat dilihat pada Tabel 1.

Tabel 1. Rancangan Analisis Komputasi

Keterangan Normal PVC Total

Jumlah Sesuai 9 8 17 Jumlah Tidak Sesuai 1 2 3 Akurasi 85%

3.2 Hasil Pengujian Tingkat Akurasi

Penentuan Kondisi Jantung

Pengujian tingkat akurasi dari penentuan kondisi jantung telah dilakukan sebanyak 5 kali percobaan, dengan 1 kali percobaan terdapat 3 buah siklus gelombang. 3 buah siklus gelombang didapatkan dari hasil klasifikasi menggunakan metode SVM dengan data yang dimasukkan secara manual. Pengujian tingkat akurasi penentuan kondisi jantung telah tertera pada Tabel 2.

Tabel 2. Rancangan Analisis Komputasi

No Diagnosa sesungguhnya Diagnosa Sistem 1

_Bigeminy

_Bigeminy

2

Trigeminy

Trigeminy

3

Trigeminy

Trigeminy

4

_Bigeminy

_Bigeminy

5

Trigeminy

Trigeminy

Akurasi 100%

4. KESIMPULAN DAN SARAN

Pada penerapan Exponential filter didapatkan nilai alfa sebesar 0,1 yang sesuai untuk proses penghalusan sinyal ECG. Pengujian untuk mendapatkan nilai alfa dilakukan sebanyak 5 kali dengan 3 nilai alfa yang berbeda, nilai alfa yang diujikan bernilai sebesar 0,1, 0,3, dan 0,5. Pada pengujian tingkat akurasi klasifikasi SVM didapatkan sebesar 85%. Percobaan ini dilakukan sebanyak 20 kali dengan 10 data diujikan secara langsung pada pengguna, dan 10 data diujikan secara manual dengan cara memasukkan data uji satu persatu.

Rata-rata Waktu komputasi yang dibutuhkan oleh sistem ketika melakukan Training bernilai sebesar 16,68 ms, sedangkan rata-rata Waktu komputasi yang dibutuhkan oleh sistem ketika melakukan testing bernilai sebesar 2,49 ms. Pada pengujian tingkat akurasi penentuan kondisi jantung didapatkan hasil sebesar 100% dengan 5 kali pengujian.

Berikut merupakan saran yang ditujukan oleh penulis pada penelitian selanjutnya, yaitu untuk menambahkan parameter yang digunakan pada sinyal ECG. Selain menambahkan parameter yang digunakan, penulis menyarankan untuk menambahkan kelompok subjek yang akan dideteksi seperti anak-anak dan remaja. Penulis juga menyarankan untuk mencoba menggunakan jenis metode pengklasifikasian data selain metode Support Vector Machine atau penggunaan jenis kernel yang berbeda apabila tetap menggunakan metode Support Vector Machine.

5. DAFTAR PUSTAKA

Cahya, Reiza Adi, Candra Dewi, and Bayu Rahayudi. 2018. "Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Support Vector Machine Dengan Seleksi Fitur Menggunakan Algoritma Genetika." 2: 1170-1178.

Gilang, Gusti Arief, Rizal Maulana, and Wijaya Kurniawan. 2018. "Implementasi Sistem Pendeteksi Premature Ventricular Contraction (PVC) Aritmia Menggunakan Metode Naive Bayes." Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2 (11): 5236.

Kamaliah, Aisyah. 2017. Sering Terlupakan, Angka Pasien Aritmia di Indonesia Justru

Tinggi. Accessed Januari 8, 2020.

https://health.detik.com/berita- detikhealth/d-3595990/sering-terlupakan- angka-pasien-aritmia-di-indonesia-justru-tinggi.

Puji, Aprinda, and Tania Savitri. 2020. Mengulas Anatomi Jantung, Mulai dari Bagian Hingga Fungsinya. Accessed

Desember 13, 2020.

https://hellosehat.com/jantung/anatomi-jantung/#gref.

Putri, Rara Amita, Jajat Yuda Mindara, and Sri Suryaningsih. 2017. "RANCANG

BANGUN WIRELESS

ELEKTROKARDIOGRAM (EKG)." 1: 58 - 64.

Sekarsari, Bebby. 2017. 4 Jenis Pemeriksaan untuk Diagnosis Aritmia. Accessed

Januari 8, 2020.

https://www.1health.id/id/article/category /sehat-a-z/4-jenis-pemeriksaan-untuk-diagnosis-aritmia.html.

Willy, Tjin. 2019. Aritmia. Accessed Januari 8, 2020. https://www.alodokter.com/aritmia.