Penyakit kardiovaskular adalah penyebab utama kematian global, salah satunya dipicu oleh aritmia yang mengganggu irama jantung. Deteksi aritmia menjadi tantangan karena sinyal EKG bersifat non-stasioner dan rentan terhadap noise. Dekomposisi sinyal, khususnya Variational Mode Decomposition (VMD), menjadi pendekatan unggul karena mampu memisahkan frekuensi tanpa distorsi. VMD kerap diintegrasikan dengan optimasi methaeuristik dengan tujuan optmasi yang berbeda. Namun beberapa penelitian terdahulu hanya berfokus pada satu alur integrasi, sehingga perlu dilakukan perbandingan integrasi mana yang lebih efektif.
Penelitian ini mengusulkan perbandingan metode klasifikasi aritmia menggunakan integrasi VMD dan optimasi metaheuristik, khususnya Particle Swarm Optimization (PSO), untuk mengevaluasi pengaruh tahapan integrasi terhadap kualitas ekstraksi fitur dan akurasi klasifikasi sinyal EKG. Data EKG yang digunakan berasal dari 40 rekaman pasien MIT-BIH Arrhythmia Database dengan lead yang sama dan terdapat lima kelas berdasarkan standar AAMI (N, S, V, F, dan Q). Penelitian ini mengusulkan dua pengujian. Pengujian 1 menggunakan PSO untuk seleksi fitur setelah VMD, sedangkan Pengujian 2 menggunakan PSO untuk mengoptimasi parameter VMD sebelum ekstraksi fitur. Kedua pengujian ini menggunakan parameter-parameter yang sama pada tahap klasifikasi menggunakan algoritma Random Forest.
Hasilnya, perbedaan parameter VMD dan jumlah fitur yang digunakan pada kedua pengujian memengaruhi kualitas klasifikasi. Pada Pengujian 1, VMD menggunakan parameter tetap (K=5, α=adaptif) dan fitur hasil ekstraksi diseleksi dengan PSO menjadi 39 fitur menghasilkan model yang lebih fokus dan akurat dengan akurasi 97,42%. Sementara pada Pengujian 2, parameter VMD dioptimasi (K=6, α=895.89) namun seluruh (84 fitur) digunakan tanpa seleksi. Meskipun dekomposisi lebih dalam, hasil klasifikasinya sedikit lebih rendah (96,36%) karena kemungkinan adanya fitur kurang relevan.
Kata Kunci: Sinyal EKG, Aritmia, Variational Mode Decomposition (VMD), dan Optimasi Metaheuristik.