Perbandingan Metode SVM, FUZZY-KNN, Dan BDT-SVM Untuk Klasifikasi Detak Jantung Hasil Elektrokardiografi

Penulis

Uswatun Hasanah, Lintang Resita Mayangsari, Andhica Pratama, Imam Cholissodin

Abstrak

Abstrak

Perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) semakin pesat terutama dalam bidang kesehatan. Elektrokardiografi (EKG) merupakan salah satu metode untuk menentukan kondisi jantung manusia yang direpresentasikan dalam bentuk gelombang. Jantung merupakan organ vital manusia dan merupakan pertahanan hidup terakhir manusia selain otak. Di Indonesia berdasarkan data dari Kementrian RI tahun 2013, kematian akibat penyakit jantung ini diperkirakan sebesar 0.5% atau 883.447 orang dan berdasarkan gejala sebanyak 1.5% atau sekitar 2.650.340 orang. Kelas dari klasifikasi ini terdiri dari normal dan aritmia. Dimana aritmia terdiri dari atrial fibrillation, PVC bigeminy, dan ventricular tachycardia. Data didapatkan dari MIT-BIH Arrhytmia Database. Penelitian ini bertujuan untuk menentukan klasifikasi dari sinyal gelombang EKG tersebut dengan membandingkan metode Support Vector Machine dengan strategi One Against All, Fuzzy K-Nearest Neighbor, dan menggunakan metode Binary Decision Tree - Support Vector Machine. Hasil klasifikasi yang didapatkan dengan metode SVM memiliki rata-rata akurasi sebesar 81.30% menggunakan dataset dari fitur 3601 MLII dengan kernel Polynomial, metode Fuzzy-KNN 81.25% menggunakan jarak Manhattan, dan BDT-SVM sebesar 70.00% menggunakan kernel Polynomial dengan menggunakan data sebesar 140 dataset.

Kata Kunci: Support Vector Machine,  Binary Decision Tree, Fuzzy-KNN, Detak Jantung, Elektrokardiografi

Abstract

The development of Science and Technology growing rapidly, especially in the health field. Electrocardiography (ECG) is one method for determining the condition of the human heart rate that is represented in the form of waves. The human heart is a vital organ and is the last surviving human defense other than the brain. In Indonesia based on data from the Ministry of Indonesia in 2013 , the death from heart disease is estimated about 0.5% or 883.447 people and is based on the symptoms as much as 1.5%, or about 2.65034 million people. Class of this study such as normal and arrhythmias. Arrhythmias consists of atrial fibrillation, PVC bigeminy, and ventricular tachycardia. Data collected from the MIT-BIH Arrhythmias Database. This study aims to determine the classification of the ECG waveform signal by comparing SVM algorithm is supported by One Against All of the strategies, Fuzzy K-Nearest Neighbor, and Binary Decision Tree - Support Vector Machine. The average results of classification using SVM have an accuracy of 81.30% by using a dataset from 3601 MLII features with the polynomial kernel, 81.25% with Fuzzy-KNN by Manhattan Distance, and 70.00% with BDT-SVM using polynomial kernel using data of 140 datasets.

Keywords: Support Vector Machine, Binary Decision Tree, Fuzzy-KNN, Heart Rate, Electrocardiography

Teks Lengkap:

PDF (English)

Referensi


American Heart Association, 2015. Electrocardiogram (ECG) or (EKG). [online] Tersedia di :

SymptomsDiagnosisofHeartAttack/Electrocardiogram-ECG EKG_UCM_309050_Article.jsp#.VrMx_bKLTDc> [Diakses 4 Februari 2016].

Nico, 2015. Pentingnya Menjaga Kesehatan Jantung. [online] Ahli Kolesterol. Tersedia di: [Diakses 27 Januari 2016].

Kesehatan, Kementrian RI, 2013. Info Datin - Pusat Data dan Informasi Kementrian Kesehatan RI. Badan Litbangkes : Kementrian Kesehatan RI.

Adnamazida, Rizqi, 2013. Kardiak aritmia, Kelainan Jantung yang Mengancam Jiwa. [online] merdeka.com. Tersedia di: [Diakses 9 Februari 2016].

Amazine.co, 2016. Tips Sehat : Definisi & 8 Gejala Aritmia (Arrhythmia) Jantung. [online] Amazine.co. Tersedia di: < http://www.amazine.co/4859/tips-sehat-definisi-8-gejala-aritmia-arrhythmia-jantung/> [Diakses 4 Februari 2016].

JJ, 2013. Apa itu EKG - Elektroardiografi. [online] SeputarJantung. Tersedia di: [Diakses 27 Januari 2016].

Merdeka, Suara, 2015. Perawat Dituntut Bisa Membaca Hasil Rekam EKG. [oonline] Suara Merdeka.com. Tersedia di: < http://berita.suaramerdeka.com/smcetak/perawat-dituntut-bisa-membaca-hasil-rekam-ekg/> [Diakses 4 Februari 2016].

FK Universitas Hasanudin, 2009. Buku Acuan Pemeriksaan EKG. [online] Skills Lab. Sistem Kardiovaskuler. Tersedia di < http://dokumen.tips/download/link/50207312-cara-membaca-ekgpdf> [Diakses pada 20 Maret 2016].

Imaduddin, Zaki, Abidzar T., Hilmy, 2015. Thesis Project: Aplikasi Mobile untuk Deteksi dan Klasifikasi Daun Secara Real Time. Depok : Sekolah Tinggi Teknologi Terpadu Nurul Fikri.

Madzarov, Gjorgji, Gjorgjevikj, Dejan, & Chorbev, Ivan, 2008. Thesis projects: A Multi-class SVM Classifier Utilizing Binary Decision Tree. Macedonia : Department of Computer Science and Engineering.

Shu, K., Jing, L., Mei, L., Xin, Z., 2011. Prediction Based on Support Vector Machine for Travel Choice of High-Speed Railway Passenger in China, [e-journal] 10.1109/ICMSE.2011.6069938. Tersedia melalui : IEEE Xplore Digital Library < http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6069938> [Diakses 9 Februari 2016].

Santoshi, G., Pushpa, G. Gowri, 2015. Thesis Project : Detect Pedestrian Orientation by Integrating Multiclass SVM Utilizing Binary Decision Tree. India : ANITS Engineering College.

Shofia, Rahmi Amiratus, dkk. 2013. Penerapan Metode Fuzzy K-Nearest Neighbor (FK-NN) untuk Menentukan Kualitas Hasil Rendemen Tanaman Tebu. S1. Universitas Brawijaya Malang.

Sindo, 2010. Kenali Irama Jantung Anda. [online] Okezone.com. Tersedia di: [Diakses 9 Februari 2016].

Pendidikan, Dosen, 2014. Pengertian Jantung dan Fungsinya pada Manusia. [online] Dosen Pendidikan.com. Tersedia di: [Diakses 28 Januari 2016].

The Harley Street Clinic, 2012. Gangguan Ritme Jantung. [online] The Harley Street Clinic. Tersedia di: [Diakses 4 Februari 2016].

Cardiac Health, 2016. Bigemini. [online] Tersedia di : [Diakses 4 Februari 2016].

Dr. Tryzelaar, 2016. Bigemini. [online] cardiachealth.org. Tersedia di: < http://www.cardiachealth.org/bigemini> [Diakses 27 Juni 2016].

Moody, G.B., 2010. MIT-BIH Arrhythmia Database Directory. [online] Tersedia di : [Diakses 8 Agustus 2016].

Point, Tutorials (I), pvt.LTD, 2014. Data Mining Data Pattern Evaluation. [e-book] pvt. LTD : Tutorials Point. Tersedia di Tutorials Point [Diakses 3 Februari 2016].

Satriyo Nugroho, Anto, Budi Witarti, Arief, & Handoko, Dwi, 2003. Support Vector Machine-Teori Aplikasinya dalam Bioinformatika. IlmuKomputer.com.

Cholissodin, Imam, Kurniati, Maya, Indriati, dan Arwani, Issa, 2014. Classification of Campus E-Complaint Documents using Directed Acyclic Graph Multi-Class SVM Based on Analytic Hierarchy Process. Malang : Universitas Brawijaya.

Liu, Y., Zheng, Y.F., 2005. One-Against-All Multi-Class SVM Classification Using Reliability Measures, [e-journal] Volume 2. Tersedia melalui : IEEE Xplore Digital < http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1555963 > [Diakses 10 Februari 2016]

Jowik, A. 2013. A Learning scheme for A Fuzzy K-NN Rule. Pattern Recognition Letters, vol 1, pp. 287-289

Souza, Caesar R. 2010. Kernel Function for Machine Learning Application. [online] crsouza.com. Tersedia di [Diakses 27 Juni 2016].

Karatzoglou, Alexandros, Meyer David, dkk, 2006. Support Vector Machines in R. Jerman : Technische Universit¨at Wien, Wirtschaftsuniversit¨at Wien.

C.Cortes dan V. Vapnik, 1995, Machine Learning, Support Vector Networks, Vol. 20, Hal 273-297.

Bucher, Gaspard, 2011. SVM Varying C and Sigma. [online] feature-space.com. Tersedia di : [Diakses 10 Agustus 2016].




DOI: http://dx.doi.org/10.25126/jtiik.201633196