ABSTRAKSI: Sistem pengenalan sinyal Electrocardiogram (ECG) telah banyak dikembangkan. Ada beberapa pendekatan yang digunakan yaitu waveform detection (algoritma Pan Tompskin dan metode threshold), template matching, pendekatan neural network, dan pendekatan model probabilitas.
Dalam hal ini Hidden Markov Model yang menggunakan pendekatan model probabilitas akan digunakan dalam sistem pengenalan sinyal jantung Sistem pengenalan jenis sinyal jantung ini terdapat 2 proses didalamnya yaitu proses pemodelan dan pengenalan. Pada proses pemodelan akan dibuat suatu model labelisasi sinyal ECG dengan menghitung parameter-paramter HMM, yaitu probabilitas inisial state, probabilitas transisi antar state, dan probabilitas observasi pada suatu state. Setelah diperoleh ketiga nilai tersebut yang optimal, maka dibentuklah suatu model HMM untuk masing-masing jenis sinyal jantung. Untuk mengoptimasi model akan digunakan Algoritma Genetik, sehingga model dibentuk dengan pelatihan menggunakan HMM standard dan Hybrid HMMAG.
Sedangkan Proses pengenalan jenis sinyal jantung dilakukan pada tiap data ECG dengan menghitung likelihood dari data uji yang akan dikenali terhadap semua model data ECG yang telah dilatih sebelumnya. Dengan labelisasi yang teliti dan penentuan nilai probabilitas observasi yang optimal, HMM dapat digunakan untuk mengenali jenis sinyal jantung.
Hasil dari pengujian menunjukkan, nilai akurasi model dengan HMMGA lebih optimal 20% dari model pelatihan HMM standar.Kata Kunci : Hidden Markov Model, Algoritma Genetik, electrocardiogram.ABSTRACT: Electrocardiogram signal recognition system has widely develop. There are several approach which are used like waveform detection (Pam Tomskin algorithm and Threshold Method), template matching, neural network approach, and probabilistic model approach.
In this term, Hidden Markov Model which is use probabilistic model approach, will be used in heart signal recognition. In this system there are two process within it, modelling process and recognition process. During modelling process system will make labelitation model of ECG signal while counting HMM parameters, initial state probability, transtition state probability, and observation state probability. After getting optimal score from each parameter, for each type heart signal is made HMM model. Genetic Algorithm is used to optimize model, therfore model is made using standard HMM and Hybrid HMMGA.
While heart signal recognition process is proceed for each ECG data counting every likelihood from testing data which are recognized for every trained model. With accurate labelitation and optimal observation probability score, HMM can use to recognize heart signal type.
From testing, system accuration with HMMGA is more optimize 20% than HMM standard model.Keyword: Hidden Markov Model, Genetic Algorithm, electrocardiogram