Pelabelan Sinyal Elektrokardiogram (EKG) pada Klasifikasi Fibrilasi Atrium Menggunakan Hidden Markov Model

ZAKIA FIRDHA RAZAK

Informasi Umum

Kode

18.04.1874

Klasifikasi

004 - Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika, Hardware Komputer

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatics

Dilihat

10 kali

Informasi Lainnya

Abstraksi

Penyakit jantung telah menjadi salah satu penyebab kematian terbesar di dunia. Di antaranya yang paling sering terjadi adalah Fibrilasi Atrium, yaitu kondisi yang meliputi aktivitas sangat cepat dan tidak beraturan dalam atria serta menimbulkan gejala-gejala seperti jantung berdebar, sakit kepala, kehilangan kesadaran, sesak nafas dan rasa letih. Untuk mengenali penyakit ini, akan dikembangkan sebuah sistem pengenalan gelombang EKG. Hidden Markov Model yang menggunakan pendekatan probabilitas telah terbukti menghasilkan performansi yang bagus dalam pengenalan sinyal suara. Oleh karena itu, dalam tugas akhir ini akan diujikan metode HMM dalam kasus elektrokardiogram (EKG). Dalam sistem pendeteksian penyakit jantung terdapat 2 proses yaitu pemodelan dan pengenalan. Pada proses pemodelan akan dibuat suatu model pelabelan sinyal EKG dengan menghitung parameter-parameter HMM, yaitu distribusi inisial state, distribusi probabilitas transisi antar state, dan distribusi probabilitas symbol observasi pada suatu state. Setelah diperoleh ketiga nilai tersebut yang optimal, maka terbentuklah suatu model HMM untuk jenis penyakit jantung. Sedangkan proses pengenalan penyakit jantung dilakukan pada tiap data EKG dengan menghitung likelihood dari data testing yang akan dikenali terhadap semua model data EKG yang telah dilatih sebelumnya. Dengan pelabelan yang teliti dan penentuan nilai probabilitas observasi yang optimal, HMM dapat digunakan untuk mengenali penyakit jantung. Hasil dari pengujian menunjukkan, nilai probabilitas observasi yang didapat dari nilai random selalu menghasilkan akurasi yang berubah-ubah, berbeda jika disama ratakan dengan jumlah state dan jumlah pengamatan. Selain itu, perbandingan jumlah state serta proporsi data juga berpengaruh terhadap akurasi. Akurasi terbesar adalah 100% dengan 2 dan 4 state ketika proporsi data training sebanyak 75% dan nilai probabilitas observasi diatur random.