Fakultas Ilmu Komputer
Universitas Brawijaya 2163
Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Metode Support Vector Machine
Qurrata ayuni1, Randy Cahya Wihandika2, Novanto Yudistira3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1qurrataayuni@student.ub.ac.id, 2rendicahya@ub.ac.id, 3yudistira@ub.ac.id
Abstrak
Penyakit aritmia (Gangguan irama jantung) merupakan kelainan elektrofisologi jantung yang disebabkan oleh gangguan sistem konduksi serta gangguan pembentukan dan penghantar impuls listrik.
Beberapa faktor yang memengaruhi penyakit aritmia antara lain usia, tekanan darah, tinggi badan serta berat badan. Penyakit aritmia ini dapat dikenali dengan menggunakan rekam jantung atau elektrokardiogram (EKG). Data numerik yang dihasilkan oleh EKG memiliki banyak fitur yang tidak mudah diproses secara manual. Bantuan komputer dengan teknik machine learning tertentu dapat digunakan untuk mengenali penyakit secara otomatis. Salah satu metode machine learning adalah support vector machine (SVM). Dalam penelitian ini, dirancang sebuah sistem untuk mengklasifikasikan penyakit aritmia menggunakan metode support vector machine (SVM). Nilai akurasi yang paling optimal atau akurasi yang memiliki nilai paling tinggi menunjukkan bahwa sistem ini telah sesuai dengan yang diharapkan, sehingga didapatkan metode support vector machine mampu mengukur akurasi dari klasifikasi aritmia berdasarkan hasil elektrokardiogram dengan fungsi kernel RBF sebesar 92%.
Kata kunci: aritmia, elektrokardiogram, klasifikasi, support vector machine.
Abstract
Arrhythmia (heart rhythm disorder) is a disorder of the cardiac elektrophysology caused by disruption of the conduction system as well as impaired formation and delivery of electrical impulses. Some factors that influence arrhythmia include age, blood pressure, height and weight. This arrhythmia can be recognized by using a cardiac record or electrocardiogram (ECG). Numerical data generated by ECG has many features that are not easily processed manually. Computer assistance with certain machine learning techniques can be used to automatically recognize diseases. One method of machine learning is support vector machine (SVM). In this study, a system was designed to classify arrhythmias using support vector machine (SVM) methods. The most optimal accuracy value or accuracy that has the highest value indicates that the system is in accordance with expectations, so that the support vector machine method is able to measure the accuracy of the classification of arrhythmias based on electrocardiogram results with RBF kernel function of 92%.
Keywords: arrhythmia, electrocardiogram, classification, support vector machine.
1. PENDAHULUAN
Aritmia adalah gangguan irama jantung, dimana gangguan ini merujuk pada frekuensi, regulasi serta gangguan lokasi asal atau kondisi impuls listrik (Thaler, 2013).
Gejala yang kerap ditimbulkan antara lain detak jantung yang tidak teratur (berdetak secara cepat dan terlalu lambat), rasa mudah lelah, rasa sakit dibagian area dada, hingga menyebabkan penderita pingsan (American Heart
Associantion, 2016)
Aritmia jenis atrial fibrillation terjadi dikarenakan adanya sinyal-sinyal listrik dalam atrium dan ventrikel yang tidak terorganisasi sehingga hal tersebut berakibat terhadap detak irama jantung yang berpacu cepat, lambat, hingga berdetak secara tidak teratur (Guide, 2017).
Elektrokardiogram merupakan grafik yang didapatkan dari hasil sebuah mesin pendeteksi yang disebut dengan elektrokardiograf,
berfungsi dalam melakukan perekaman impuls listrik yang terjadi pada jantung dalam memompa darah. Impuls menyebabkan jantung mengalami dua siklus, yaitu depolarisasi dan repolarisasi. Rekaman EKG menggambarkan dua (2) sisi sumbu, yaitu sumbu horizontal merujuk pada waktu, dan sumbu kedua yaitu sumbu vertikal merujuk pada tegangan listrik dan amplitudo (Amirullah, 2014)
Electrode yang ditempelkan pada kulit pasien berfungsi dalam merekam hasil setiap aktivitas listrik yang dituangkan kedalam kertas EKG. Setiap electrode yang ditempelkan pada pasien harus sesuai pada tempatnya, hal ini sangat berpengaruh terhadap hasil yang terekam di kertas EKG. Hasil EKG yang didapatkan ini diinterpretasikan oleh ahlinya dimana orang atau ahli harus memiliki pengetahuan yang mendalam terkait penyakit aritmia dikarenakan setiap jenis mempunyai ciri-ciri yang berbeda (Wilkins, 2011).
Banyaknya kendala yang dihadapi untuk mengenali berbagai macam jenis aritmia, salah satu kendalanya adalah kertas EKG menhasilkan nilai numerik dengan jumlah yang sangat besar.
Rekaman EKG adalah rekaman dalam millivolt yang menggambarkan aktivitas listrik pada jantung yang direkam dalam sepersekian detik (Wilkins, 2011).
Dalam mengatasi permasalah pengelompokkan jenis aritmia yang ada, dibutuhkan metode yang tepat. Metode support vector machine (SVM) yaitu metode yang mampu diimplementasikan dalam penelitian ini, karena metode SVM mampu melakukan proses generalisasi untuk menentukan pola berdasarkan bagaimana data uji dan data latihnya. Metode SVM juga merupakan metode yang mampu menyelesaikan problem dengan cepat hal ini terjadi karena memiliki struktur yang sederhana (Damayanti, et al., 2010).
Beberapa penelitian yang menjelaskan tentang penggunaan metode support vector machine (SVM) telah dilakukan sebelumnya.
Penelitian yang pertama dilakukan oleh Reiza, dkk (2018) dimana penelitian yang dilakukan menjelaskan bahwa data pelatihan dan data penguji yang diimplementasikan adalah data EKG dari database aritmia Massachuesetts Institute of Technology-Beth Israel Hospital (MIT-BIH). Hasil yang didapatkan dari penelitian ini menunjukkan akurasi rata-rata yang diperoleh adalah 82.5% dengan mengimplementasikan 120 data pelatihan dan 20 data penguji. Selain itu metode GA-SVM
mampu diaplikasikan dalam proses menurunkan jumlah fitur, awalnya 2160 fitur menurun hingga 406 fitur (Adi, et al., 2018)
Penelitian lain yang membahas mengenai metode yang sama yaitu SVM dilakukan oleh Yamin (2014) dengan objek penelitian adalah penyakit TBC, dimana penelitian ini menjelaskan bahwa penyakit TBC atau TB yaitu penyakit yang terinfeksi dari terdeteksinya bakteri basil tahan asam (BTA). Bakteri ini biasanya jarang menyerang bagian orang lain, melainkan sering terdeteksi di bagian paru-paru.
Metode SVM yang diterapkan dalam penelitian ini menghasilkan nilai akurasi sebesar 98%
(Yamin, 2014)
Penelitian lainnya yaitu penelitian perbandingan terhadap kinerja metode support vector machine (SVM) dengan metode lain yaitu, penelitian yang dilakukan oleh Widodo dan Handoyo (2017) menjelaskan bagaimana tingkat akurasi dari masing-masing metode perbandingan tiga jenis latar belakang set data dan transformasi ke skala kategori untuk semua variabel prediktor. Kinerja kedua metode dievaluasi menggunakan apparent error rate (Aper) dan statistic press’Q. Penelitian ini berhasil membuktikan bahwa metode SVM memiliki kinerja klasifikasi lebih baik daripada regresi logistik tidak hanya dalam data pelatihan dan pengujian tetapi juga dalam tiga jenis perbedaan dan latar belakang kumpulan data (Widodo & Handoyo, 2017).
Berdasarkan penjelasan yang telah di jabarkan, maka dengan itu dilakukan penelitian mengenai klasifikasi penyakit aritmia dari hasil elektrokardiogram yang menerapkan metode support vector machine. Data yang digunakan dalam penelitian ini diperoleh dari UCI dataset yang berjumlah 452 data, terdiri dari 33 gejala, dan akan diklasifikasikan kedalam 13 kelas yang memiliki gejala hampir sama. Pengujiannya meliputi, pengujian nilai lambda, nilai gamma, nilai complexity, dan terakhir adalah pengujian terhadap jumlah iterasi yang terjadi untuk mendapatkan hasil akurasi yang maksimal.
2. LANDASAN KEPUSTAKAAN 2.1 Jantung dan Aritmia
Jantung adalah organ terpenting dalam tubuh manusia, dimana organ tersebut dituntut untuk harus selalu dalam keadaan baik. Jantung berfungsi untuk memompa darah melewati pembuluh darah, sehingga aktivitas tersebut
menyebabkan adanya irama jantung yang berulang. Manusia memiliki 4 ruang bagian dalam jantung, yaitu 2 artria, dan 2 ventrikel. 2 bagian atria terdiri dari bilik kanan dan bilik kiri, sama halnya juga dengan 2 bagian ventrikel yaitu memiliki bilik kiri dan bilik kanan. Jantung memiliki berat sekitar 255 hingga 340 gram, atau mampu diibaratkan dengan jumlah kepalan tangan manusia yaitu 8, akan tetapi ukuran jantung tergantung dengan ukuran badan seseorang (Wilkins, 2011).
Jantung normal akan memompa darah menuju paru-paru dan keseluruh tubuh. Jumlah darah menuju paru-paru dan menuju keseluruh tubuh terpompa dengan jumlah yang sama besarnya. Seperti dalam kondisi istirahat, jantung memilili kurang lebih 72 kali detakan dalam waktu permenit (Evely, 2006)
Dalam penelitian yang dilakukan, jenis penyakit jantung atau aritmia yang dideteksi adalah:
a. Ischemic changes (Coronary arteri disease)
b. Atrial fibrillation or flutter
c. Old anterior myocardial infraction d. Left ventricule hypertrophy
e. Old inferior myocardial infraction f. Left bundle branch block
g. Right bundle branch block h. Sinus tachycardy
i. Sinus bradycardy
j. Ventricular premature contraction (PVC)
k. Supraventricular premature contraction
2.2 Elektrokardiogram
Elektrokardiogram adalah alat untuk mengukur biopotensi listrik jantung pada manusia atau sebuah grafik yang diciptakan oleh mesin yang disebut elektrokardiograf. EKG berfungsi untuk merekam semua aktivitas kelistrikan jantung dalam kurun waktu tertentu.
Rekaman. Terdapat 2 sumbu dalam grafik EKG yaitu sumbu horizontal dan sumbu vertikal.
Horizontal menggambarkan waktu dan vertikan menggambarkan tegangan listrik atau amplitude yang dihasilkan (Wilkins, 2011).
2.3 Support vector machine (RBF)
Support vector machine yaitu salah satu metode klasifikasi terkenal yang mampu mengelompokkan antara dua kelas dan didasarkan pada gagasan resiko struktural.
Metode SVM memiliki fungsi kernel yang mampu memetakkan data dalam dimensi tertinggi, serta mampu menemukan hyperplane optimal untuk memberi jarak data dalam beberapa kelas (Aydin, et al., 2011)
Pattern dari setiap anggota dari dua kelas yaitu kelas positif (+1) dan negatif (-1) dan alternatif pemisah (discrimination boundraries).
Jarak antara hyperlane dengan pattern disampingnya dari masing-masing kelas yang ditunjukkan dinamai dengan margin. Pattern yang paling dekat disebut dengan support vector (Christiani, et al., 2000)
Data inputan bisa dinotasikan dengan xi ϵ ℜd sedangkan label lainnya masing-masing mampu disimbolkan dengan уi ϵ {-1, +1}
meliputi I = 1, 2, 3,…., I. Variable I didefinisikan terhadap banyak data atau panjang dari data.
Kedua kelas negatif (-1), dan positif (+1) yang terpisah secara sempurna oleh hypelane yang berdimensi d, dapat dijabarkan dengan persamaan 1.
𝑤𝑖. 𝑥𝑖+ 𝑏 = 0 (1) Patter xi yang terdapat pada kelas -1 (kelas negatif) dapat dirumuskan dengan persamaan 2.
𝑤𝑖. 𝑥𝑖+ 𝑏 ≤ −1 (2) Sedangkan dalam interpretasi pattern sebaliknya xi yang terdapat pada kelas +1 (kelas positif), dapat memenuhi persamaan 3.
𝑤𝑖. 𝑥𝑖+ 𝑏 ≥ +1 (3) Selanjutnya fungsi kernel menurut murfi (2014) merupakan suatu fungsi terhadap variabel k yang mana untuk semua vektor inputan x dan z yang memenuhi kondisi pada persamaan 4.
𝑘(𝑥, 𝑧) = ɸ𝑥𝑇 𝜙𝑧 (4) Dimana variable ɸ adalah suatu pemetaan dari inputan spaceke feature space. Dengan istilah lainnya fungsi kernel merupakan fungsi yang inner productpad feature space.
Sebagai contoh k(x,z) = (xT,z)2 adalah sebuah fungsi kernel untuk x, z, ϵ ℜ2 dan x = (x1, x2) dan z=(z1, z2), maka bisa dilakukan sebuah penyelesaian seperti pada persamaan 5:
(𝑥𝑇𝑧)2 = 𝑥𝑖,𝑧𝑖+ 𝑥2, 𝑧2)2
= (x12z12 +2x1z1x2z2+x22z22)
= (x12,√2𝑥1, x2, x22)T (z12, √2𝑥1, x2, x22)T
= ɸ𝑥𝑇 𝜙𝑧 (5)
Metode support vector machine ini mampu mengklasifikasikan nilai dalam bentuk biner.
Untuk mengklasifikasi kelas yang berjumlah lebih dari 2, maka dibutuhkan teknik sendiri yang terdapat pada metode SVM di namakan dengan Multi class support vector machine.
Terdapat 2 macam bentuk teknik yakni metode one againts all, dan metode one againts one.
One against all yaitu metode yang membangun sejumlah nilai k ke dalam model SVM. Sebagai contoh terdapat permasalahan dalam pengelompokan dengan 4 jenis kelas yang diimplementasikan pada pelatihan yang dilakukan oleh (Sembiring, 2007), dapat dilihat pada Tabel 1
Tabel 1. Contoh SVM one against all Уi=1 Уi=-1 Hipotesis Kelas a Bukan kelas a Ƒa(x) =(wa)x+ba Kelas b Bukan kelas b Ƒb(x) =(wb)x+bb Kelas c Bukan kelas c Ƒc(x) =(wc)x+bc Kelas d Bukan kelas d Ƒd(x) =(wd)x+bd
Sebaliknya, One against one yakni metode yang membentuk sejumlah k (k-1)/2 dalam SVM biner. Dalam menentukan kelas dari data inputan x, biasanya dilakukan dengan metode voting.
Sebagai contoh terdapat sebuah permasalahan pengelompokkan 4 buah kelas dengan menerapkan 6 SVM biner. Hasilnya dapat amati pada Tabel 2 (HSU, et al., 2010).
Tabel 2. Contoh SVM one against one Уi=1 Уi=-1 Hipotesis Kelas a Bukan kelas b Ƒab(x) =(wab)x+bab Kelas a Bukan kelas c Ƒac(x) =(wac)x+bac Kelas a Bukan kelas d Ƒad(x) =(wad)x+bad Kelas b Bukan kelas c Ƒbc(x) =(wbc)x+bbc Kelas b Bukan kelas d Ƒbd(x) =(wbd)x+bbd Kelas c Bukan kelas d Ƒcd(x) =(wcd)x+bcd
3. METODOLOGI
3.1. Teknik pengambilan data
Data adalah kumpulan bahan keterangan yang bisa berwujud angka, maupun bisa berwujud bukan angka. Langkah yang mampu digunakan untuk mempermudah mengumpulkan data adalah perlunya memahami sumber data itu, jenis data yang diperlukan dalam penelitian, serta metode pengumpulan mana yang sesuai diterapkan. Metode pengumpulan data memiliki banyak macam yaitu metode review dokumen, metode survei dengan menggunakan sistem
kuisioner, metode wawancara terhadap ahlinya serta melakukan metode observasi.
Selain menggunakan metode yang sesuai, perlu juga diperhatikan sumber dari data yang digunakan, pada penelitian ini data yang diimplementasikan adalah bersumber dari database UCI dataset dengan jumlah data sebanyak 452 buah, terdiri dari 33 gejala, dan memiliki sebanyak 13 kelas yang memiliki banyak kemiripan gejala.
3.2. Diagram alir sistem
Gambar 1. Diagram alir sistem
Gambar 1 merupakan diagram alir yang menjelaskan proses penyelesaian masalah pada penelitian yang diimplementasikan, dimulai dengan tahapan inputan data latih serta gejala yang ditimbulkan dari setiap kelas yang ada.
Selanjutnya data latih akan di proses menggunakan metode SVM dengan perhitungan dari kernel RBF. Kernel RBF ini adalah kernel yang sangat familiar dan umum dalam metode SVM dan kernel yang paling sering diimplementasikan dalam metode klasifikasi.
Proses menggunakan metode SVM ini meliputi perhitungan nilai matriks hessian, nilai Ei dari setiap iterasi yang ditentukan, perhitungan nilai delta ai, nilai alfa dari setiap iterasi, serta perhitungan nilai bias yang terdapat pada setiap level SVM. Perhitungan yang demikian akan diulang sesuai engan panjang data yang di proses, atau sampai data inputan habis diproses.
Mulai
Masukkan data training
Proses kernel SVM
Proses hitung sequential training SVM
Perhitungan testing SVM
Keluaran klasifikasi
Selesai
4. PENGUJIAN DAN ANALISIS 4.1 Pengujian parameter λ (Lambda)
Proses pengujian lambda adalah pengujian pertama yang dilakukan untuk mengetahui bagaimana skenario metode SVM berjalan.
Proses pengujian yang dilakukan yaitu mengimputkan nilai dari parameter lambda dengan interval nilai [0.1], [0.5], [1], [10], [50], [100], [500], [1000]. Nilai dari parameter sequential training SVM yang lain yaitu nilai у
= 0.01, C= 1, serta jumlah iterasi =10. Pengujian lambda diamati dengan jumlah akurasi yang diperoleh. Berikut hasil pengujian dapat diamati pada Tabel 3.
Tabel 3. Hasil pengujian lambda
Nilai lambda
Akurasi
0,1 84%
0,5 92%
1 78%
10 78%
50 78%
100 78%
500 76%
1000 76%
Dari data yang di dapatkan pada Tabel 3 hasil pengujian lambda, dibangun sebuah grafik hasil pengujian berdasarkan jumlah akurasi yang diperolah. Berikut gambar grafiknya pada Gambar 2
Gambar 2. Grafik hasil Uji Coba parameter lambda Gambar 2 adalah hasil pengujian parameter lambda dalam bentuk grafik, dimana dapat disimpulkan bahwa nilai akurasi terbaik sebesar 92% didapatkan dengan jumlah nilai lambda 0.5.
Nilai akurasi pada pengujian lambda cenderung stabil, mempunyai akurasi yang tinggi. Dapat disimpulkan dari data pegujian yang diperoleh bahwa nilai lambda tidak terlalu berpengaruh dalam meningkatkan jumlah akurasi.Hal seperti
ini disebabkan jika nilai lambda tinggi, maka proses komputasi relative lebih lama dan memakan waktu. Adanya augmented factor juga memperngaruhi timbulnya proses ang dilakukan sistem lebih lama.
4.2 Pengujian parameter C (Complexity) Pengujian parameter C adalah pengujian selanjutnya yang dilakukan guna mengetahui bagaimana skenario SVM berjalan. Nilai parameter C yang diinputkan adalah 0.01, 0.1, 1, 10, 30, 50, 70, 100. Nilai parameter sequenstial training lainnya yaitu lambda = 0.1, gamma=
0.1, serta iterasi sebanyak 10. Hasil pengujian diamati pada Tabel 4.
Tabel 4. Hasil pengujian parameter C
Nilai C
Akurasi
0.01 76%
0.1 84%
1 92%
10 84%
30 68%
50 60%
70 60%
100 60%
Dari hasil pengujian pada Tabel 4, dapat dibangun sebuah grafik hasil berdasarkan nilai akurasi yang sudah diperoleh. Berikut gambaran grafik pada Gambar 3.
Gambar 3. Grafik Pengujian Parameter C (Complexity)
Gambar 3 adalah gambaran grafik hasil pengujian parameter C, dimana mampu dibuat sebuah kesimpulan bahwa jika kondisi nilai parameter C adalah 1 maka nilai akurasi yang didapatkan tertinggi adalah sebesar 92%.
Pengujian ini difungsikan untuk meminimalisir nilai error dan memperkecil nilai slock variable.
Hal itu relatif penting dilakukan guna memaksimalkan jumlah margin dan
84% 92% 78% 78% 78% 78% 76% 76%
0%
20%
40%
60%
80%
100%
0,1 0,5 1 10 50 100 500 1000
Akurasi (%)
Nlai lambda Akurasi
76%84% 92% 84%
68%60% 60% 60%
0%
20%
40%
60%
80%
100%
0,01 0,1 1 10 30 50 70 100
Akurasi (%)
Nilai C Akurasi
meminimalkan jumlah slock. Apabila nilai parameter C mendekati angka 0, maka berpengaruh pada lebar margin pada bidang pemisah (hyperlane) yang tercipta. Proses pengujian ini juga digunakan untuk memperkecil nilai error pada proses training saat perhitungan nilai w (weight) dan nilai (b) bias.
4.3 Pengujian parameter ץ (Gamma)
Pada pengujian selanjutnya adalah parameter gamma, dilakukan sama halnya dengan pengujian sebelum-sebelumnya, nilai parameter gamma diinputkan dengan nilai yang beragam, yakni 0,001, 0,01, 0,1, 0,5, 1, 5, 10, 50.
Nilai parameter sequenstial training lainnya yang juga dilakukan inputan adalah nilai lambda
= 0,1, C= 1, dan jumlah iterasi 10. Hasil dari pengujian ini bisa dilihat pada Tabel 5.
Tabel 5. Hasil pengujian Gamma
Nilai Gamma
Akurasi
0.001 60%
0.01 84%
0.1 92%
0.5 84%
1 68%
5 68%
10 60%
50 60%
Dari hasil pengujian nilai parameter gamma, maka dapat dibangun sebuah grafik dari hasil nilai akurasi yang diperoleh. Berikut gambaran grafik pengujian nilai parameter gamma pada Gambar 4.
Gambar 4. Grafik Pegujian Parameter Gamma
Gambar 4 adalah gambar grafik pengujian parameter gamma, dimana dibuat sebuah kesimpulkan bahwa akurasi yang didapatkan dengan nilai terbaik pada pengujian adalah sebesar 92% dengan nilai gamma 0,1. Nilai parameter gamma yang diinputkan sebesar 0,001, akurasi
yang didapatkan justru menhasilkan akurasi kecil, hal ini dikarenakan pada proses perhitungan didapatkan nilai kernel RBF yang terlalu besar.
Nilai parameter gamma sangat berpengaruh pada proses yang dilakukan selanjutnya dalam perhitungan iterasi yang terjadi. Keadaan lainnya, semakin tinggi nilai gamma maka semakin tinggi pula nilai learning rate yang diperoleh. Hal tersebut dapat menyebabkan hasil pengujian yang cenderung tidak seimbang.
4.4 Pengujian jumlah iterasi
Pengujian yang terakhir yaitu pengujian yang dilakukan terhadap jumlah iterasi. Jumlah iterasi yang diinputkan yaitu dengan nilai yang dimulai dari iterasi yang kecil yaitu 2, 5, 10, 50, 75, 100, 200, 500. Nilai parameter sequential training yang lain memiliki nilai lambda = 0,1, C=1, gamma=0,1. Hasil pengujian bisa diamati pada Tabel 6
Tabel 6. Hasil pengujian jumlah iteasi
Jumlah iterasi
Akurasi
2 84%
5 92%
10 92%
50 92%
75 92%
100 84%
200 84%
500 84%
Dari data hasil pengujian yang telah diperoleh, maka dibangun gambaran grafik hasil pengujian nilai akurasi terhadap jumlah iterasi yang dilakukan. Berikut gambaran grafik Gambar 5.
Gambar 5. Grafik Pengujian Iterasi
Berdasarkan gambaran grafik yang dibangun mampu ditarik kesimpulan dimana nilai tertinggi dari akurasi yakni 92%. Hal ini disebabkan bahwa terjadi konvergen nilai akurasi pada saat iterasi berjumlah 5. Grafik
60%
84% 92% 84%
68% 68% 60% 60%
0%
20%
40%
60%
80%
100%
Akurasi (%)
Nilai gamma Akurasi
84%
92% 92% 92% 92%
84% 84% 84%
80%
85%
90%
95%
[2] [5] [10] [50] [75] [100] [200] [500]
Akurasi
Jumlah iterasi Akurasi
menunjukkan bahwa terjadinya konvergen diakibatkan adanya jumlah iterasi yang berjalan seimbang, serta beberapa data memiliki jarak yang lumayan jauh dari daerah bidang pemisah (hyperlane).
5. KESIMPULAN
Hasil dari penenlitian yang telah dilakukan mengenai klasifikasi penyakit aritmia berdasarkan hasil EKG menggunakan metode support vector machine, dapat ditarik kesimpulan yang terdiri dalam 2 point penting, yaitu:
1. Metode support vector machine mampu di aplikasikan terhadap permasalahan klasifikasi penyakit aritmia berasarkan hasil EKG dengan menggunakan dataset sebanyak 200 data dengan banyak parameter 33, yang mana data tersebut dibagi menjadi 13 kelas yang memiliki banyak kemiripan. 13 kelas tersebut adalah Normal, Ischemic changes (Coronary Artery Disease) , Atrial Fibrillation, Old Anterior Myocardial Infarction, Ventricular Premature Contraction (PVC), Old Inferior Myocardial Infarction, Sinus tachycardy, Sinus bradycardy, Supraventricular Premature Contraction, Left bundle branch block, Right bundle branch block, Left ventricule hypertrophy or Flutter, others.
2. Hasil pengujian yang diperoleh pada penelitian ini, mampu menyimpulkan bahwa hasil nilai akurasi terbaik sebesar 92%, dengan nilai parameter pada sequential training SVM adalah 𝜆 (lambda) = 0.1, y (gamma) = 0.1, C (Complexity) = 1, dengan itermax = 10.
Hasil pengujian mulai konvergen pada jumlah iterasi 5.
6. DAFTAR PUSTAKA
Adi, C., Dewi, C. & Rahayudi, B., 2018.
Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Support Vector Machine Dengan Seleksi Fitur menggunakan Algoritma Genetika.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer., 2(3), pp.
1170-1178.
Agus, W. & Samingun, H., 2017. The Classification Performance Using
Logistic Regression and Support Vector Machine (SVM). Journal of Theoretical and Applied Information Teknology, 95(19), pp. 5184-5193.
American Health Association, 2016. About Arrhythmia;. [Online] [Accessed 19 November 2020].
Amirullah, D., 2014. Elektrokardiogram;.
AMINCIA.
Associantion, A. H., 2016. About Arrhytmia.
[Online] Available at:
http://www.heart.org/HEARTORG/Cond itions/Arrhythmia/WhyArrhythmiaMatter s/Why-
Arrhythmia_UCM_002010_Article.jsp
#.WHtCWPI97Df [Accessed 6 Augustus 2019].
Aydin, L., Karakose, M. & Akin, E., 2011. A MultiObjective Artificial Immune Algoritma for Parameter Optimization in Support Vector Machine. Applied Soft Computing, Volume 11, pp. 120-129.
Christiani, Nello & John, S. T., 2000. An Introduction to Support Vector Machine and Other Kernel-based Learning Methods. Cambridge University Press.
Damayanti, F., Arifin, A. & Soelaiman, R., 2010. Pengenalan Citra Wajah menggunakan Metode Two-Dimensional Linier Discriminant Analysis dan Support Vector MAchine (SVM). Jurnal Ilmiah Kursor, 5(3), pp. 147-156.
Evely, P., 2006. Anatomi Dan Fisiologi Untuk Paramedis. Jakarta: Gramedia Pustaka Utama.
Guide, P. S. G. S., 2017. [Online] Available at:
Https://Code.Google.Com/Pulsesensora/
Downloads/detail?Name=Pulsesensoram pedgettingsatartedguide.Pdf&Can=2&Q HSU, C., Chang, C. & Chih, J., 2010. A Partical
Guide to Support Vector Clasification..
Kannel, W. & Benjamin, E., 2008. Final Draft Status of the Epidemiology of Atrial Fibrillation. The Medical clinic of North American, 92(1), pp. 77-ix.
Moh, Yamin & Darsah, 2014. Klasifikasi Tuberkulosis dengan Pendekatan Metode Support Vector Machine. 2(2), pp. 37-41.
Sembiring, K., 2007. Penerapan Teknik Support Vector Machine untuk pendeteksi instruksi pada jaringan. Sekolah Teknik Elektro dan Informatika ITB.
Thaler, M., 2013. Satu-satunya Buku EKG yang Anda Perlukan (7th ed). Jakarta: EGC.
Wilkins, L. W., 2011. ECG Interpretation Made
Incredibly Easy. 5th ed.. Pennsylvania:
Wolters Kluwer/Lippincott Williams &
Wilkins Health.
