Pemilihan Fitur Berbasis Wavelet untuk Klasifikasi Denyut Jantung dari Rekaman Elektrokardiogram

Abstrak

Dalam melakukan diagnosis terhadap penyakit jantung, khususnya aritmia, proses penggolongan pola denyut jantung sangat penting dilakukan. Pola tersebut dapat dilihat dari rekaman Elektrokardiogram (EKG) pasien. Perubahan pola tertentu pada denyut jantung dapat menjadi tanda untuk penyakit yang lebih serius. Sampai saat ini, sudah banyak penelitian yang membahas mengenai penggolongan pola ini, namun masih terdapat masalah dalam menentukan fitur terbaik untuk mengenali dan menggolongkan pola dari denyut jantung tersebut. Pada penelitian ini, diajukan sebuah metode ekstraksi fitur berbasis transformasi wavelet, dengan koefisien wavelet Haar dari potongan sinyal EKG yang mewakili satu kali detak. Fitur dibangun dari masing-masing koefisien hasil dekomposisi transformasi potongan sinyal EKG dengan pendekatan statistika sederhana, yaitu mean, standar deviasi kurtosis dan skewness. Dataset yang digunakan diambil dari dataset MIT-BIH. Pengujian dilakukan dengan perangkat lunak WEKA. Dengan menggunakan model klasifikasi Random Forest dan analisis information gain, maka kombinasi fitur terbaik adalah gabungan dari mean, standar deviasi dan kurtosis dari semua koefisien, dengan akurasi kelas Normal 84%, Premature Ventricular Contraction (PVC) 98% dan Atrial Premature Contraction (APC) 86%.