Kombinasi Ekstraksi Ciri untuk  Klasifikasi Ventricular Fibrillation  menggunakan Support Vector Machine

Raden Danisworo Rivianto Wicaksono; Novie Theresia Pasaribu; Jo Suherman

doi:10.28932/jste.v1i2.14024

Penulis

Raden Danisworo Rivianto Wicaksono Universitas Kristen Maranatha
Novie Theresia Pasaribu Universitas Kristen Maranatha
Jo Suherman Universitas Kristen Maranatha

DOI:

https://doi.org/10.28932/jste.v1i2.14024

Kata Kunci:

ECG, Area Calculation, Spectral Analysis, Support Vector Machine, Ventricular Fibrillation

Abstrak

Ventricular Fibrillation (VF) adalah kelainan ritme jantung yang mengancam jiwa yang ditandai oleh aktivitas listrik jantung yang tidak beraturan dan tidak terkoordinasi yang menyebabkan jantung dapat berhenti mendadak. Electrocardiogram (ECG) adalah tes medis untuk mendeteksi kelainan jantung dengan mengukur aktivitas listrik yang dihasilkan oleh jantung, saat jantung berkontraksi. ECG pada VF menunjukkan karakteristik yang sangat berbeda dari ritme jantung normal, dengan hilangnya gelombang P dan kompleks QRS yang teratur, digantikan oleh gelombang fibrilasi yang cepat, irregular, dan bervariasi dalam amplituda. Support Vector Machine (SVM) adalah salah satu jenis Machine Learning, pada dasarnya mencari hyperplane terbaik untuk memisahkan kelas. Kernel yang digunakan pada penelitian ini diperoleh yang terbaik dengan menggunakan Quadratic Kernel. Penelitian ini bertujuan untuk mendeteksi Ventricular Fibrillation (VF) atau Non-VF dari sinyal ECG menggunakan Support Vector Machine (SVM). Preprocessing pada penelitian ini: window size sinyal ECG (5 detik dan 10 detik), dilanjutkan dengan High Pass Filter, Second Order Butterworth Low Pass Filter, dan Notch Filter. Ekstraksi ciri yang digunakan adalah Area Calculation (pada penelitian ini mengusulkan menggunakan Ratio Area) dan Spectral Analysis (FSMN, A1, A2, A3). Kombinasi dari satu hingga kelima ekstraksi ciri tersebut dilatih dan diuji menggunakan SVM. Hasil yang diperoleh menunjukkan kombinasi tiga ekstraksi ciri: FSMN-A1-A2 mencapai performansi tertinggi dengan accuracy 97%, sensitivity 100%, spesificity 94% dan kombinasi ekstraksi ciri FSMN-A2-R. Area mencapai akurasi 97%, sensitivity 98%, spesificity 96%. Penambahan ekstraksi ciri dari tiga ke empat tidak meningkatkan performansi secara signifikan.

Referensi

A. Mjahad and A. Rosado-Muñoz, “Hybrid CNN-Fuzzy Approach for Automatic Identification of Ventricular Fibrillation and Tachycardia,” Applied Sciences, vol. 15, no. 17, p. 9289, Aug. 2025, doi: 10.3390/app15179289.

G. Salama and B.-R. Choi, “Imaging Ventricular Fibrillation,” Journal of Electrocardiology, vol. 40, no. 6, pp. S56–S61, Nov. 2007, doi: 10.1016/j.jelectrocard.2007.06.021.

M. F. Pérez-Gutiérrez et al., “Spectral Analysis and Mutual Information Estimation of Left and Right Intracardiac Electrograms during Ventricular Fibrillation,” Sensors, vol. 20, no. 15, p. 4162, Jul. 2020, doi: 10.3390/s20154162.

M. J. Reed, G. R. Clegg, and C. E. Robertson, “Analysing the Ventricular Fibrillation waveform,” Resuscitation, vol. 57, no. 1, pp. 11–20, Apr. 2003, doi: 10.1016/S0300-9572(02)00441-0.

A. Amann, R. Tratnig, and K. Unterkofler, “Reliability of old and new Ventricular Fibrillation detection algorithms for Automated External Defibrillators,” BioMed Eng OnLine, vol. 4, no. 1, p. 60, Dec. 2005, doi: 10.1186/1475-925X-4-60.

Qiao Li, C. Rajagopalan, and G. D. Clifford, “Ventricular Fibrillation and Tachycardia Classification Using a Machine Learning Approach,” IEEE Trans. Biomed. Eng., vol. 61, no. 6, pp. 1607–1613, Jun. 2014, doi: 10.1109/TBME.2013.2275000.

F. Alonso-Atienza, J. L. Rojo-Álvarez, A. Rosado-Muñoz, J. J. Vinagre, A. García-Alberola, and G. Camps-Valls, “Feature selection using Support Vector Machines and bootstrap methods for Ventricular Fibrillation detection,” Expert Systems with Applications, vol. 39, no. 2, pp. 1956–1967, Feb. 2012, doi: 10.1016/j.eswa.2011.08.051.

A. Picon et al., “Mixed convolutional and long short-term memory network for the detection of lethal ventricular arrhythmia,” PLoS ONE, vol. 14, no. 5, p. e0216756, May 2019, doi: 10.1371/journal.pone.0216756.

U. R. Acharya et al., “Automated identification of shockable and non-shockable life-threatening ventricular arrhythmias using convolutional neural network,” Future GeneRation Computer Systems, vol. 79, pp. 952–959, Feb. 2018, doi: 10.1016/j.future.2017.08.039.

Md. A. Awal, S. S. Mostafa, M. Ahmad, and M. A. Rashid, “An adaptive level dependent wavelet thresholding for ECG denoising,” Biocybernetics and Biomedical Engineering, vol. 34, no. 4, pp. 238–249, 2014, doi: 10.1016/j.bbe.2014.03.002.

G. B. Moody and R. G. Mark, “The impact of the MIT-BIH Arrhythmia Database,” IEEE Eng. Med. Biol. Mag., vol. 20, no. 3, pp. 45–50, Jun. 2001, doi: 10.1109/51.932724.

“The Only EKG Book You’ll Ever Need, 9e -- Malcolm S_ Thaler, M_D.”

Z. F. Issa, J. M. Miller, and D. P. Zipes, Clinical arrhythmology and electrophysiology: a companion to Braunwald’s heart disease, Third edition. Philadelphia, PA: Elsevier, 2019.

R. H. Clayton, A. Murray, and R. W. F. Campbell, “Recognition of Ventricular Fibrillation using neural networks,” Med. Biol. Eng. Comput., vol. 32, no. 2, pp. 217–220, Mar. 1994, doi: 10.1007/BF02518922.

Xu-Sheng Zhang, Yi-Sheng Zhu, N. V. Thakor, and Zhi-Zhong Wang, “Detecting ventricular tachycardia and fibrillation by complexity measure,” IEEE Trans. Biomed. Eng., vol. 46, no. 5, pp. 548–555, May 1999, doi: 10.1109/10.759055.

S. Barro, R. Ruiz, D. Cabello, and J. Mira, “Algorithmic sequential decision-making in the frequency domain for life threatening ventricular arrhythmias and imitative artefacts: a diagnostic system,” Journal of Biomedical Engineering, vol. 11, no. 4, pp. 320–328, Jul. 1989, doi: 10.1016/0141-5425(89)90067-8.

C. Cortes and V. Vapnik, “Support-vector networks,” Mach Learn, vol. 20, no. 3, pp. 273–297, Sep. 1995, doi: 10.1007/BF00994018.