Penggunaan Artificial Neural Network pada Sinyal Elektrokardiogram untuk Mendeteksi Penyakit Jantung Aritmia Supraventrikular

Niendy Alexandra Yosephine; Ratnadewi

doi:10.37424/informasi.v13i1.69

Niendy Alexandra Yosephine Universitas Kristen Maranatha
Ratnadewi Universitas Kristen Maranatha

DOI: https://doi.org/10.37424/informasi.v13i1.69

Keywords: Aritmia Supraventrikular, ANN, EKG

Abstract

Aritmia supraventrikular adalah salah satu jenis gangguan irama jantung yang bersumber dari nodus AV atau impuls listrik di atrium, dengan keadaan jantung yang berdetak lebih cepat dari normal. Aritmia supraventrikular masih dapat diobati dengan obat tertentu sehingga akan sangat membantu penderita bila penyakit tersebut terdeteksi lebih awal. Pemrosesan sinyal elektrokardiogram (EKG) terhadap penyakit Aritmia supraventrikular perlu dilakukan untuk mendeteksi lebih awal adanya permasalahan pada jantung khususnya penyakit aritmia supraventrikular. Artificial Neural Network (ANN) digunakan untuk mendeteksi penyakit jantung Aritmia supraventrikular dan jantung normal karena kelebihannya dalam mengklasifikasi suatu data dengan tepat, proses yang singkat dan pengelolaan mandiri. Hasil akhir dalam penelitian ini didapatkan nilai tertinggi dalam keberhasilan mengklasifikasi berasal dari struktur algoritma Multi-Layer Perceptron. Nilai akurasi hasil pengujian tertinggi berasal dari metode pelatihan menggunakan Resilient Backpropagation yaitu sebesar 87,5%. Nilai specificity hasil pengujian tertinggi berasal dari metode pelatihan menggunakan Levenberg Marquard sebesar 83,3%. Nilai sensitivity hasil pengujian tertinggi berasal dari metode pelatihan menggunakan Resilient Backpropagation yaitu sebesar 100%.

References

Adnan, J., Daud, N. G. N., Ishak, M. T., Rizman, Z. I., & Rahman, M. I. A. (2018). Tansig activation function (of MLP network) for cardiac abnormality detection. AIP Conference Proceedings, 1930(February). https://doi.org/10.1063/1.5022900

Al-masri, E. (2018). An Artificial Neural Network Approach for the Detection of Abnormal Heart Rhythms. 19(2).

Chazar, C., & Septyanto, V. (2018). SISTEM PAKAR DIAGNOSA PENYAKIT KANKER SERVIKS MENGGUNAKAN METODE FORWARD CHAINING. Informasi, X(1), 44–77. http://informasi.stmik-im.ac.id/sistem-pendukung-keputusan-memilih-jurusan-di-perguruan-tinggi-menggunakan-metode-analytical-hierarchy-process-ahp/

Chazar, C., & Widhiaputra, B. E. (2020). Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine. INFORMASI (Jurnal Informatika Dan Sistem Informasi), 12(1), 67–78.

Jollife, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065). https://doi.org/10.1098/rsta.2015.0202

Kania, M., Fereniec, M., & Maniewski, R. (2007). Wavelet denoising for multi-lead high resolution ECG signals. 6th International Conference on Measurement, MEASUREMENT 2007 - Proceedings, 7(4), 400–403.

Lassoued, H., & Ketata, R. (2018). Artificial Neural Network classifier for heartbeat arrhythmia detection. Proceedings of Engineering and Technology-PET, 22(March 2017), 67–72.

Marius-Constantin, P., Balas, V. E., Perescu-Popescu, L., & Mastorakis, N. (2009). Multilayer perceptron and neural networks. WSEAS Transactions on Circuits and Systems, 8(7), 579–588.

Physionet. (n.d.). PhysioNet. https://archive.physionet.org/cgi-bin/atm/ATM

Ranganathan, A. (2004). The Levenberg-Marquardt Algorithm 3 LM as a blend of Gradient descent and Gauss-Newton itera. Internet Httpexcelsior Cs Ucsb Educoursescs290ipdfL MA Pdf, 142(June), 1–5. http://twiki.cis.rit.edu/twiki/pub/Main/AdvancedDipTeamB/the-levenberg-marquardt-algorithm.pdf

World Health Organization [Online]. (2020). Jumlah kematian akibat penyakit jantung. 2020. https://www.who.int/health-topics/cardiovascular-diseases/