KLASIFIKASI ARITMIA PADA SINYAL ELEKTROKARDIOGRAM MENGGUNAKAN ENSEMBLE MACHINE LEARNING DENGAN KERANGKA KERJA BOOSTING   - Dalam bentuk buku karya ilmiah

CATHERINE MICHELLE SUDARNO

Informasi Umum

Kode

25.04.3273

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Tugas Akhir

Dilihat

24 kali

Informasi Lainnya

Abstraksi

Aritmia merujuk pada setiap variasi yang menyimpang dari ritme sinus normal, meliputi anomali dalam hal laju, regularitas, titik inisiasi impuls, atau pola konduksi aktivasi, yang dapat terjadi secara independen atau bersamaan dengan penyakit jantung struktural.. Tujuan utama penelitian ini adalah untuk menemukan arsitektur terbaik dalam metode boosting untuk mengklasifikasikan berbagai jenis aritmia pada sinyal elektrokardiogram (EKG) berdasarkan denyutnya. Selain itu, penelitian ini juga bertujuan untuk membandingkan kinerja berbagai jenis arsitektur boosting dengan model tunggal, metode bagging, stacking, serta algoritma deep learning. Selanjutnya, penelitian ini akan mengoptimalkan nilai-nilai hyperparameter pada arsitektur boosting yang digunakan, guna meningkatkan performa sistem secara keseluruhan. Penelitian dilakukan dengan membandingkan evaluasi metrik pada algortima boosting, yaitu AdaBoost, GradientBoost, XGBoost, LightGBM, dan CatBoost untuk melihat performansi setiap algoritma pada saat memakai parameter awal dan setelah dioptimasi dengan metode Optuna. Data sinyal elektrokardiogram yang diperoleh merupakan data sekunder dari MIT-BIH yang tersedia di website Physionet. Evaluasi metrik yang akan dibandingkan mencakup akurasi, presisi, recall, F1 Score, AUC, confusion matrix, dan waktu pengujian. Hasil penelitian menunjukkan bahwa XGBoost merupakan jenis algoritma boosting terbaik dalam mengklasifikasi jenis-jenis aritmia berdasarkan denyutnya engan nilai akurasi sebesar 0.9324, nilai AUC sebesar 0.9894, dan rata-rata waktu pengujian sebesar 0.0095. Selain itu, metode boosting menghasilkan performa yang lebih unggul dibandingkan dengan model tunggal yaitu Decision Tree dan metode stacking, namun lebih rendah dibandingkan dengan metode bagging dan deep learning. Algoritma-algoritma boosting dioptimasi dengan metode Optuna karena Optuna dapat menemukan kombinasi nilai pada setiap parameter untuk menghasilkan algoritma terbaik. Kata Kunci: Aritmia, boosting, denyut jantung, ensemble machine learning, klasifikasi, sinyal EKG.