Abstrak
Aritmia jantung merupakan gangguan pada irama jantung yang dapat meningkatkan risiko komplikasi serius, sehingga memerlukan diagnosis yang akurat dan cepat. Namun, pendekatan tradisional dalam menganalisis sinyal elektrokardiogram (EKG) sering kali bergantung pada keahlian tenaga medis dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengembangkan model hybrid berbasis Transformer dan Convolutional Neural Network (CNN) guna meningkatkan akurasi dalam klasifikasi aritmia. Metode yang digunakan meliputi pengolahan data sinyal EKG dari MIT-BIH Arrhythmia Database, termasuk preprocessing dan pengolahan data multimodal untuk memanfaatkan sinyal EKG dalam format sekuensial dan gambar. Model hybrid Transformer-CNN dirancang untuk mengkombinasikan kemampuan Transformer dalam menangkap pola temporal sinyal EKG dan keunggulan CNN dalam mengekstraksi fitur spasial lokal. Berdasarkan hipotesis awal, model ini diharapkan mampu mencapai akurasi di atas 95%, dengan presisi, recall, dan F1-score yang konsisten untuk mendeteksi berbagai jenis aritmia, terutama pada sinyal yang bervariasi dan dipengaruhi noise. Penelitian ini diharapkan memberikan kontribusi bagi pengembangan sistem diagnosis otomatis aritmia yang lebih andal untuk mendukung tenaga medis.
Kata Kunci:
Aritmia jantung, Sinyal EKG, Transformer, Convolutional Neural Network
Abstract
Cardiac arrhythmia is a disorder of the heart rhythm that can increase the risk of serious complications, requiring accurate and rapid diagnosis. However, traditional approaches to analyzing electrocardiogram (ECG) signals often rely on the expertise of medical personnel and are prone to error. This study aims to develop a hybrid model based on Transformer and Convolutional Neural Network (CNN) to improve accuracy in arrhythmia classification. The methods used include processing ECG signal data from the MIT-BIH Arrhythmia Database, including preprocessing and multimodal data processing to utilize ECG signals in sequential and image formats. The hybrid Transformer CNNmodelisdesigned to combine the Transformer’s ability to capture temporal patterns in ECG signals with the CNN’s advantage in extracting local spatial features. Based on the initial hypothesis, this model is expected to achieve an accuracy of over 95%, with consistent precision, recall, and F1-score for detecting various types of arrhythmias, especially in signals that are variable and affected by noise. This research is expected to contribute to the development of more reliable automatic arrhythmia diagnosis systems to support medical personnel.
Keywords:
Cardiac arrhythmia, ECG signals, Transformer, Convolutional Neural Network