ABSTRAKSI: ECG merupakan suatu perangkat yang dapat menganalisis sinyal listrik yang dihasilkan daripada jantung manusia. EKG itu sendiri berfungsi untuk mendeteksi dan memperkuat perubahan listrik kecil pada kulit yang disebabkan ketika otot jantung depolarizes selama periode detak jantung tertentu.
Adapun sinyal jantung abnormal yang didapat dari perangkat ECG dapat dispesifikasikan ke dalam kelas penyakit jantung melalui dari data yang diambil dari penelitian. Pengidentifikasian bentuk sinyal EKG ini dilakukan dengan menggunakan Support Vector Machine (SVM), yang sebelumnya dilakukan pencirian bentuk sinyal terlebih dahulu dengan metode Principal Component Analysis (PCA). Proses pengubahan linear, seperti yang dilakukan oleh PCA, secara garis luas digunakan untuk fitur ekstraksi dan pengurangan dimensi. PCA adalah ekstraksi fitur paling terkenal yaitu linier algorithm, yang merupakan pemetaan linear yang menggunakan vektor eigen dengan nilai eigen terbesar. Sebelum dilakukan ekstrasi ciri dengan PCA, Sedangkan SVM merupakan teknik bidang pemisah sehingga menghasilkan generalisasi yang lebih baik.
Hasil output dari bentuk statistik matematis ini yaitu berupa 6 kelas penyakit jantung yaitu: Atrial Fibrilation, Normal Sinus Rhyth, Ventricular Tachicardia, Paced Rhythms, Ventricular Fibrilation, dan Premature Ventricular Contractions dengan akurasi yaitu 58,3333% untuk PC 1-40; 56,6667% untuk PC 1-30; 53,3333% untuk PC 1-20; 33,3333% untuk PC 1-10; 31,6667% untuk PC 1-50, dan 48,3333% untuk PC 1-60. Hasil output ini adalah hasil dari pengidentifikasian dari SVM yang dilakukan melalui proses belajar (learning) dan proses pengenalan (recognition).Kata Kunci : Kata kunci: Sinyal EKG, Principal Component Analysis (PCA), Support Vector Machine (SVM)ABSTRACT: ECG is a device that can analyze the resulting electrical signal rather than the human heart. EKG itself serves to detect and amplify small electrical changes in the skin that is caused when the heart muscle depolarizes during a certain period of heartbeats.
The abnormal heart signals obtained from the ECG can be specified to a class of heart disease through of data drawn from the study. Classification of the ECG signal shape is performed using Support Vector Machine (SVM), which previously carried out the characterization first signal shape by the method of Principal Component Analysis (PCA). Linear conversion process, as practiced by the PCA, the lines widely used for feature extraction and dimension reduction. PCA is the most famous feature extraction algorithm that is linear, which is a linear mapping that uses the eigenvector with largest eigenvalue. Before the feature extraction with PCA. While SVM is a technique that generates the interface better generalization.
The output of this form of mathematical statistics which formed six classes, namely heart disease: Atrial fibrillation, Normal Sinus Rhyth, Ventricular Tachicardia, Paced Rhythms, Ventricular Fibrillation and Ventricular Premature Contractions, with a accuracy: 58,3333% PC 1-40; 56,6667% PC 1-30; 53,3333% PC 1-20; 33,3333% PC 1-10; 31,6667% PC 1-50, and 48,3333% untuk PC 1-60. The results of this output is the result of the classification of SVM is carried out through the learning process (learning) and the process of recognition(recognition).Keyword: Keywords: ECG signal, Principal Component Analysis (PCA), Support Vector Machine (SVM)