Penyakit jantung atau kardiovaskular (CVD) adalah penyebab utama
kematian global, terutama di negara berpenghasilan rendah dan menengah.
Prevalensi CVD meningkat, dengan 887.531 kasus penyakit jantung di Indonesia
pada 2023, naik 0,85% dari tahun sebelumnya. Aritmia, seperti fibrilasi atrium
(FA), berkontribusi signifikan dengan 46,3 juta kasus global, dan diperkirakan akan
meningkat pada 2050. FA meningkatkan risiko stroke hingga lima kali lipat.
Dalam klasifikasi sinyal EKG, metode bagging memungkinkan
pengelompokan denyut jantung sesuai standar AAMI. Bagging bekerja dengan
melatih beberapa model dasar (base learner) secara paralel pada subset data
berbeda yang dihasilkan melalui bootstrap sampling menggunakan algoritma
Traditional Bagging, Bayesian Bagging, Feature Bagging, dan Random Subspace
telah diterapkan untuk mengoptimalkan kinerja algoritma.
Penelitian ini mengeksplorasi penggunaan ensemble machine learning
dengan kerangka kerja bootstrap aggregating (bagging) untuk meningkatkan
akurasi klasifikasi aritmia pada sinyal elektrokardiogram (EKG). Identifikasi fitur
signifikan pada sinyal EKG multi-lead dioptimalkan untuk membedakan jenis
aritmia, dan performa bagging dibandingkan dengan model tunggal serta metode
ensemble lainnya untuk menilai keunggulannya.
Hasil menunjukkan bahwa seluruh arsitektur bagging mengungguli model
pohon tunggal, dengan Bayesian Bagging mencatat kinerja tertinggi (akurasi
93,40 %, F1-score 93,50 %, AUC ROC 99,30 %) dan waktu inferensi hanya 0,10
s. Keunggulan ini dipengaruhi mekanisme pembobotan Dirichlet yang
mempertahankan kontribusi setiap sampel pada seluruh model, sehingga pola non-
linier dalam fitur kompleks tetap terwakili. Dibandingkan boosting dan stacking,
kerangka bagging memberikan keseimbangan optimal antara akurasi, stabilitas
metrik, dan efisiensi komputasi, sehingga direkomendasikan sebagai pendekatan
andal untuk sistem deteksi aritmia berbasis EKG.