STUDI ALGORITMA EKSTRAKSI FITUR PENYAKIT  ARITMIA TIPE AF DAN PVC DENGAN SINYAL  PHOTOPLETHYSMOGRAM

PRADITYA RIZKI NUGRAHA

Informasi Umum

Kode

23.04.457

Klasifikasi

621.382 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Signal Processing Algortithms

Dilihat

169 kali

Informasi Lainnya

Abstraksi

<p style="margin-left:29.4pt;">Aritmia merupakan gangguan irama jantung yang merujuk kepada setiap gangguan frekuensi, regularitas, lokasi asal atau konduksi impuls listrik jantung. Penyakit aritmia memiliki beberapa jenis yaitu, Atrial Fibriliation (AF), Premature Ventricular Contraction (PVC), Premature Atrial Contraction (PAC), dan Ventricular Tachycardia (VT)/Ventricular Fibriliation (VF). Untuk saat ini proses deteksi aritmia umumnya menggunakan sinyal Elektrodiagram (EKG). Namun ada beberapa kendala yang dirasakan oleh pasien dalam penggunaan alat berbasis sinyal EKG karena elektroda yang digunakan untuk merekam sinyal EKG menempel pada dada pasien yang mengakibatkan ketidaknyamanan karena pergerakan pasien terbatas dan peningkatan perasaan tidak sehat seperti timbulnya perasaan gelisah. Selain itu, dari sekian banyak penelitian yang telah dilakukan, sebagian besar penelitian tidak berfokus pada ekstraksi fitur yang mana dapat diketahui bahwa ekstraksi fitur dapat meningkatkan akurasi deteksi. Penelitian ini mengembangkan prototipe alat rekam sinyal menggunakan sensor PPG berbasis Arduino. Prototipe alat rekam tersebut akan digunakan untuk merekam detak jantung manusia normal dan pasien penderita aritmia. Kemudian, penelitian ini berfokus pada ekstraksi fitur yang dapat meningkatkan akurasi deteksi.Tahapan deteksi aritmia memiliki tiga tahapan yaitu pra-pemrosesan, dilanjutkan dengan ekstraksi fitur, dan klasifikasi. Fitur yang akan diekstraksi pada penelitian ini adalah fitur Statistical, fitur Shannon Entropy, dan Time Domain Features.Hasil dari pengujian pada penelitian ini algoritma Statistical memiliki akurasi 85.7%, algoritma Shannon Entropy memiliki akurasi 85.7%, dan Time Domain Features memiliki akurasi 89.3%. Pada penelitian ini algoritma Time Domain Features memiliki performansi algoritma terbaik.</p>