KLASIFIKASI ISYARAT DETAK EKG PENYAKIT ARRHYTHMIA BERBASIS CASCADE TRANSPARENT CLASSIFIER

Anugerah Galang P, Noor Akhmad Setiawan S.T., M.T., Ph.D

2014 | Tesis | S2 Teknik Elektro

Arrhythmia merupakan salah satu penyakit yang sering ditemui pada pasien gangguan jantung. Gejala arrhythmia dapat diobservasi dengan bantuan Elektrokardiogram (EKG). Sistem deteksi otomatis berbasis machine learning telah banyak dikembangkan untuk melakukan deteksi penyakit arrhythmia, tetapi belum banyak yang mampu menjelaskan knowledge dibalik keputusan yang diambil oleh sistem tersebut. Sistem klasifikasi yang transparan diperlukan agar peneliti dan tenaga medis dapat memahami alasan pengambilan keputusan oleh sistem. Untuk mencapai tujuan tersebut, dirancang metode dengan melakukan pemotongan dan ekstraksi ciri terhadap isyarat EKG. Selanjutnya, isyarat tersebut diseleksi atributnya, dankemudian diklasifikasikan dengan decision tree dan rule-based classifier. Performa klasifikasi ditingkatkan dengan mengimplementasikan struktur cascade, yaitu klasifikasi dengan menggunakan dua atau lebih metode, dengan proses klasifikasi secara bertahap. Performa klasifikasi diuji menggunakan metode 10-fold cross validation, dengan parameter berupa rataan akurasi dan rataan kebutuhan rule. Hasil terbaik, dengan mempertimbangkan akurasi dan rule, diperoleh dengan klasifikasi berbasis rule, dengan akurasi 92,40% dan rule 40 buah. Sedangkan hasil dengan akurasi terbaik diperoleh dengan klasifikasi cascade, dengan akurasi 92,84% dan membutuhkan rule sekitar 80 buah. Hasil ini memperlihatkan bahwa metode yang dikembangkan mampu menghasilkan akurasi yang reasonable dibandingkan dengan penelitian sebelumnya, dengan kebutuhan rule relatif sedikit.

Arrhythmia is an illness often encountered in patients with cardiac problems. Its symptoms can be observed using an electrocardiogram (ECG). Automatic detection system based on machine learning has been developed to help doctor discover arrhythmia symptoms. Unfortunately, rarely of them are capable of explain knowledge behind the decision being taken. Transparent classification system is needed to be developed. In order to increase human‟s understanding of knowledge embedded in the system. To achieve these goals, a method was designed. Firstly, EGC signals were separated, then each signal was extracted using a feature extraction method. Furthermore, several of extracted feature‟s attribute were selected, and the last step was classifying data using decision tree and the rule based classifier. Classification performance was improved by implementing a cascade structure, which used two or more classification methods to classify the data. Performance of classifications was tested using 10-fold cross validation, consider only by its average of both accuracy and the number of rule required. Best results, taking into consideration the accuracy and rules, obtained using rule-based classifier, with 92.4% average accuracy and required 40 rules. Best accuracy obtained by implementing a cascade classifier, with 92.841% accuracy and requires 80 rules. As a conclusion, transparent classifier is able to perform with reasonable accuracy compare with previous research, using only relatively small amount of rules.

Kata Kunci : Physionet, Arrhyth mia, Klasifikasi Bertingkat, Transparansi