Aritmia adalah gangguan irama jantung yang berpotensi menyebabkan komplikasi serius, seperti stroke, gagal jantung, hingga kematian mendadak, sehingga deteksi dini menjadi sangat krusial di tengah tingginya angka kematian akibat penyakit jantung. Elektrokardiogram (EKG) merupakan alat diagnostik utama yang digunakan untuk mendeteksi kelainan irama jantung, namun interpretasi manual EKG oleh tenaga kesehatan masih menghadapi tantangan seperti keterbatasan akurasi, waktu, dan potensi kesalahan diagnosis. Oleh karena itu, pengembangan sistem deteksi otomatis aritmia menjadi solusi penting dalam mendukung diagnosis klinis yang lebih efisien dan akurat.
Penelitian ini menguji dua skenario ekstraksi fitur, skenario 1 menggunakan CEEMDAN, dan skenario 2 menggabungkan Independent Component Analysis (ICA) dengan CEEMDAN. Dari hasil dekomposisi, lima Intrinsic Mode Function (IMF) diambil pada dua lead (MLII dan V1), lalu diekstraksi lima fitur statistik: mean, standar deviasi, energi, kurtosis, dan entropi. Hasil ekstraksi fitur dievaluasi menggunakan uji Kruskal–Wallis untuk menilai kekuatan diskriminatif, kemudian diklasifikasi menggunakan algoritma Support Vector Machine (SVM). Klasifikasi dilakukan ke dalam lima kelas aritmia berdasarkan standar AAMI, yaitu: normal beat (N), supraventricular ectopic beat (S), ventricular ectopic beat (V), fusion beat (F), dan unknown beat (Q).
Hasil evaluasi menunjukkan bahwa sebagian besar fitur memiliki nilai p < 0,01, menandakan kemampuan diskriminatif yang tinggi terhadap lima kelas aritmia. Performansi klasifikasi yang di dapat cukup tinggi, skenario 1 menghasilkan akurasi tertinggi sebesar 98,10%, sedangkan skenario 2 mencapai 98,04%. Meskipun akurasi keseluruhan serupa, skenario 2 memberikan peningkatan pada presisi, recall, dan F1-score untuk kelas minoritas. Hasil ini menunjukkan bahwa CEEMDAN efektif dalam mengekstraksi fitur EKG, dan penerapan ICA mampu memperkuat kinerja klasifikasi untuk kondisi yang lebih kompleks.
Kata Kunci: Aritmia, CEEMDAN, Decomposisi, Elektrokardiogram, ICA, SVM.