Infark Miokard (IM) adalah salah satu penyebab kematian tertinggi yang memerlukan deteksi secara dini guna menghindari terjadinya komplikasi yang serius. Deteksi berbasis sinyal Elektrokardiogram (EKG) menjadi solusi non-invasif yang banyak digunakan, namun memiliki keterbatasan dalam interpretasi manual dan akurasi yang bergantung pada keahlian klinis. Penelitian ini menganalisis sistem klasifikasi IM berbasis machine learning dengan menggunakan Principal Component Analysis (PCA) dan algoritma Support Vector Machine (SVM) serta Adaboost.
Dataset yang digunakan dalam penelitian ini adalah PTB-XL+, yang terdiri dari 21.799 rekaman EKG berdurasi 10 detik dari 18.869 pasien. Data diproses melalui tahapan filtering dengan Butterworth filter dan Z-Score Normalization, serta penanganan data tidak seimbang menggunakan teknik oversampling. Proses reduksi dimensi dilakukan menggunakan PCA untuk menyaring fitur penting menjadi beberapa komponen utama. Klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF) serta model kombinasi Adaboost dengan base estimator SVC (kernel linear). Evaluasi model dilakukan dengan teknik stratified 5-fold cross-validation dan metrik akurasi, presisi, recall, dan f1-score.
Hasil evaluasi menunjukkan bahwa model SVM tanpa reduksi PCA menghasilkan akurasi tertinggi yaitu 95,15%, dengan nilai presisi, recall, dan f1-score sebesar 0,9515. Sementara itu, model SVM dengan PCA menghasilkan akurasi sebesar 94,59%, dan Adaboot (menggunakan SVC kernel linear) menghasilkan akurasi 90,53% dengan f1 score 0,9053. Hal ini menunjukkan bahwa SVM dengan kernel RBF lebih unggul dalam menangani sinyal EKG yang berdimensi tinggi dan non-linear, sedangkan penggunaan PCA mampu memberikan waktu efisiensi komputasi penurunan performa yang signifikan sebesar 43,33%.
KATA KUNCI: Infark Miokard, Sinyal EKG, PCA, SVM, AdaBoost, PTB-XL+