Abstract:
Aritmia merupakan salah satu penyakit kelainan pada irama jantung dan beberapa
pasien yang menderita aritmia tidak merasakan gejala apapun, maka perlu adanya
otomatisasi deteksi dini untuk aritmia dengan menggunakan elektrokardiogram.
Penelitian yang ada telah melakukan klasifikasi dengan beberapa metode data
mining. Pada penelitian ini transformasi untuk pemrosesan sinyal menggunakan
Discrete Wavelet Transform dimana terjadi proses filterisasi yang memisahkan
sebuah sinyal menjadi sinyal berfrekuensi tinggi dan rendah tanpa menghilangkan
informasi dari sinyal dan dilakukan dengan dekomposisi dua tingkat. Selanjutnya
dilakukan normalisiasi data menggunakan min-max normalization lalu dimasukan ke
dalam model klasifikasi menggunakan metode Support Vector Machine dengan
kernel Gaussian Radial Basis Function dengan Naive Bayes dan K-Nearest
Neighbor. Data yang digunakan masing-masing berjumlah 140 data dengan masing-
masing 35 data untuk setiap labelnya. Pada penelitian ini menunjukan hasil pada
dekomposisi level 1 didapatkan akurasi tertinggi pada db7 untuk klasifikasi Support
Vector Machine menghasilkan akurasi 73,57%, Naive Bayes 68,57%, K-Nearest
Neighbor dengan k=3 menghasilkan akurasi 59,64%, K-Nearest Neighbor dengan
k=5 menghasilkan akurasi 63,57% sedangkan pada level 2 didapatkan akurasi
tertinggi pada db5 dengan model klasifkasi untuk Support Vector Machine
menghasilkan akurasi 68,57%, Naive Bayes 67,50%, K-Nearest Neighbor k=3
menghasilkan akurasi 68,57%, K-Nearest Neighbor dengan k=5 menghasilkan
akurasi 68,51%. Disimpulkan bahwa akurasi tertinggi dihasilkan oleh dekomposisi
level 1 dengan klasifikasi Support Vector Machine.
Kata Kunci: Sinyal EKG, Transformasi Wavelet Diskrit, Support Vector Machine,
K-Nearest Neighbor, Naive Bayes
