ABSTRAKSI: Aritmia adalah suatu bentuk sistem konduksi jantung penyakit yang menyebabkan jantung berdetak secara tidak efisien. Biasanya, aritmia didiagnosis melalui prosedur elektrokardiogram (EKG). Selain itu, berbagai macam sistem kesehatan mobile yang mengadaptasi perekam EKG semakin bertambah jumlahnya, dan mengingat pentingnya suatu algoritma klasifikasi aritmia otomatis yang semakin diminati. Para ilmuwan dan insyinyur yang berada di bidang biomedical telah banyak melakukan studi, inovasi, dan penemuan baru tentang klasifikasi aritmia guna mendukung kemajuan di bidang kesehatan. Namun, algoritma ini masih memiliki beberapa masalah mengenai aplikasi praktis, seperti kecepatan belajar lambat dan performa yang tidak stabil.
Dalam Tugas Akhir diusulkan sebuah algoritma klasifikasi aritmia yang memiliki kecepatan belajar dan akurasi yang tinggi dengan menggunakan Extreme Learning Machine (ELM). Proses pengklasifikasian ini dilakukan oleh JST ELM, dimana sebelumnya telah dilakukan ekstraksi ciri dengan menggunakan Short Time Fourier Transform (STFT). Sistem ini pada akhirnya dapat mengklasifikasikan lima jenis aritmia, yaitu: Atrial Fibrilasi (AF), Congestive Heart Failure (CHF), Normal Sinus Rhytm (NSR) , Left Bundle Branch Block (LBBB), dan Paced Beat (PB).
Hasil pengujian sistem menggunakan 3 parameter, yaitu akurasi, sensitivitas, dan waktu komputasi dari 125 data uji. Dengan menggunakan window 20, n-overlap 19, dan nfft 599 pada STFT dan dengan menggunakan jumlah L 800 node tersembunyi dan fungsi aktifasi sigmoid pada ELM, hasil pengujian sistem memberikan akurasi sebesar 100%, sensitivitas 100%, waktu pembelajaran rata-rata adalah 0.35 detik dan waktu pengujian rata-rata adalah 0.107 detik. Hal ini menunjukkan bahwa algoritma yang diusulkan menghasilkan akurasi yang tinggi dan waktu komputasi pembelajaran dan pengujian yang relatif cepat pada sistem klasifikasi aritmia.
Kata Kunci : Aritmia, sinyal elektrokardiogram (EKG), Short Time Fourier Transform (STFT), Extreme Learning Machine (ELM)ABSTRACT: Arrhythmia (Arrhythmias) is a form of heart conduction system disease that causes an inefficient heart beat. Typically, Arrhythmias can be diagnosed through electrocardiogram (ECG) recorder. Besides, a lot of mobile health care system adapting EKG recorder is increased and need an automatic arrhythmia classification algorithm. Recently, pattern recognition algorithm neural networks have been done for arrhythmia classification by many scientists and engineers. However, this algorithms still have some problems concerning practical applications, such as slow learning speed and unstable performance.
In this Final Project is proposed an arrhythmia classification algorithm that has learning speed and high accuracy using Extreme Learning Machine (ELM). The process of classification is using ELM where the data has been extracting of feature using Short time Fourier Transform (STFT) before. The proposed algorithm can eventually classify five types of arrhythmia, namely: Atrial Fibrilasi (AF), Congestive Heart Failure (CHF), Normal Sinus Rhytm (NSR) , Left Bundle Branch Block (LBBB), and Paced Beat (PB).
The testing results use 3 parameters, such as accuracy, sensitivity, and testing computation time of 125 testing data. By using window 20, n-overlap 19, and nfft 599 in STFT and by using L hidden nodes 800 and activation function sigmoid in ELM, the testing results give accuracy 100%, sensitivity 100%, training time average 0.35 seconds and testing time average 0.107 seconds. And finally, this shows that the proposed algorithm has high accuracy and fast computation time.
Keyword: Arrhythmia, electrocardiogram (ECG) signal, Short time Fourier Transform (STFT), Extreme Learning Machine (ELM)