PENINGKATAN KLASIFIKASI ARITMIA PADA SINYAL EKG MENGGUNAKAN MODIFIKASI METODE ENSEMBLE CNN DAN LSTM

M. RAUSAN FIKRI, Dr. Indah Soesanti, S.T., M.T.; Ir. Hanung Adi Nugroho, S.T., M.E., Ph.D., IPM.

2021 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Sinyal EKG atau Elektrokardiogram adalah sinyal mentah dasar untuk mengidentifikasi dan mengklasifikasikan fungsi jantung berdasarkan detak jantung. Tugas utamanya adalah menganalisis sinyal pada jantung tersebut normal atau tidak normal, pada setiap sinyal EKG yang direkam. Bentuk abnormal sinyal yang teratur, amplitudo atau interval waktu yang tidak teratur akan menghasilkan Arrhythmia . Metode neural network seperti CNN memiliki kinerja yang lebih baik dalam klasifikasi sinyal EKG dibandingkan dengan metode klasifikasi konvensional. Penggabungan metode CNN dengan metode neural network lainnya seperti LSTM selain memiliki kinerja klasifikasi yang baik juga dianggap dapat mengurangi kesalahan dalam melakukan prediksi. Meskipun begitu, kinerja dari klasifikasi tersebut tergantung dari optimizer dan layer yang digunakan, sehingga diperlukan penggunaan optimizer dan layer yang tepat agar kinerja klasifikasi menjadi lebih optimal. Penelitian ini akan mencoba untuk meningkatkan kinerja klasifikasi pada sinyal EKG menggunakan metode ensemble CNN dan LSTM dengan menggunakan ADAM optimizer sebagai algoritme optimasi dan Global Average Pooling layer sebagai pengganti Fully Connected Layer. Untuk mengevaluasi metode yang diusulkan, sebuah dataset publik yaitu MIT-BIH Arrhythmia yang terdiri dari 48 rekaman sinyal EKG selama 30 menit. Dataset tersebut terlebih dahulu melalui tahap pra-pengolahan agar mempermudah proses pengolahan selanjutnya. Dataset yang telah melalu tahap pra-pengolahan dibagi menjadi 2 data, yaitu data latih dan data uji dengan perbandingan 80:20. Data latih kemudian dibagi lagi menjadi data latih dan data validasi dengan perbandingan 80:20. Hasil eksperimen menunjukkan bahwa model CNN yang diusulkan mampu mendapatkan akurasi sebesar 99,7% saat training dan akurasi validasi sebesar 98,9%. Model LSTM yang diusulkan mampu mendapatkan akurasi sebesar 99,8% saat training dan akurasi validasi sebesar 98,9%. Pada saat pengujian kedua model tersebut digabungkan dan berhasil mendapatkan akurasi sebesar 98,86%. Hal itu menunjukkan bahwa metode yang diusulkan mampu meningkatkan kinerja klasifikasi sinyal EKG

An ECG signal or Electrocardiogram signal is a basic raw signal to identify and Classify heart function based on heart rate. The electrocardiogram main task is to analyze the signal on the heart is normal or abnormal, on each recorded ECG signal. An abnormal shape of a regular signal, irregular amplitude or time interval will produce an Arrhythmia . Neural network methods such as CNN have better performance to clasify the ECG signal than conventional Classification methods. Combining the CNN method with other neural network methods such as LSTM, apart from having good Classification performance, is also considered to reduce errors in prediction. Even so, the performance of the Classification depends on the optimizer and layer used, so it is necessary to use the right optimizer and layers for optimal Classification performance. In this study we will try to improve the Classification performance of the ECG signal using the CNN and LSTM ensemble method using the ADAM optimizer as the optimization algorithm and the Global Average Pooling layer as a substitute for the Fully Connected Layer. To evaluate the proposed method, a public dataset is the MIT-BIH Arrhythmia which consists of 48 ECG signal recordings for 30 minutes. The dataset first goes through the pre-processing stage in order to facilitate further processing. The dataset that has passed the pre-processing stage is divided into 2 data, namely training data and test data with a ratio of 80:20. The training data is then divided again into training data and validation data with a ratio of 80:20. The experimental results show that the proposed CNN model is able to get an Accuracy of 99.7% during training and a validation Accuracy of 98.9%. The proposed LSTM model is able to get an Accuracy of 99.8% when training and a validation Accuracy of 98.9%. At the time of testing the two models were combined and succeeded in obtaining an Accuracy of 98.86%. This shows that the proposed method can improve the performance of the ECG signal Classification

Kata Kunci : Electrocardiography, Convolutional Neural Network, Long Short-term Memory, Signal Processing, Ensemble