Klasifikasi Penyakit Arteri Koroner dari Data Sinyal Electrocardiography (ECG) menggunakan Long Short-term Memory (LSTM)

Abstract

Penyakit Arteri Koroner (CAD) merupakan penyebab utama kematian akibat penyakit jantung dan dapat menyebabkan komplikasi serius, seperti gagal jantung dan gangguan ritme jantung. Salah satu indikasi penting dalam diagnosis CAD adalah deteksi aritmia, yang dapat dideteksi melalui analisis sinyal Electrocardiography (ECG). Aritmia yang tidak terdeteksi dapat memperburuk kondisi pasien sehingga deteksi dini sangat krusial. Penelitian ini bertujuan untuk mengembangkan model klasifikasi pada pasien dengan CAD menggunakan metode Long Short-Term Memory (LSTM). Dataset yang digunakan dalam penelitian ini adalah St Petersburg INCART 12-lead Arrhythmia Database yang diambil dari website PhysioNet. Data yang dianalisis melibatkan 75 rekaman ECG dari 32 pasien dengan berbagai kondisi CAD. Data sinyal ECG yang digunakan terdiri dari 12 channel, yaitu I, II, III, aVL, aVF, aVF, V1, V2, V3, V4, V5, V6. Penelitian ini melibatkan serangkaian proses, termasuk pengumpulan data, preprocessing menggunakan wavelet transform untuk mengurangi noise, ECG Segmentation yang berdurasi 5 detik dengan overlap 1 detik, ekstraksi fitur dengan menggunakan statistical feature. Data kemudian distandarisasi menggunakan standard scaler dengan pembagian training 70% dan testing 30% dengan random state 42. Kemudian dilakukan klasifikasi menggunakan LSTM dengan fungsi aktivasi ReLU, dropout sebesar 0.25, dan dense layer dengan fungsi aktivasi softmax. Hasil evaluasi menunjukkan bahwa akurasi model LSTM sebesar 98.99% dan berdasarkan Stratified K-Fold Cross Validation memiliki rata-rata akurasi yang diperoleh sebesar 96.78%. Selain itu, hasil confusion matrix multi-class pada 10 diagnosis memiliki akurasi di atas 98%.