Publication Search

Abstrak Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis.    Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia

Tingkat keberhasilan deteksi penyakit jantung sangat bergantung pada akurasi model klasifikasi yang digunakan. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit jantung menggunakan dataset berjumlah 1025 sampel dengan dua kelas target, yakni sehat dan penyakit jantung. Proses pra-pemrosesan data meliputi pembersihan dan normalisasi fitur medis seperti usia, tekanan darah, serta kadar kolesterol. Evaluasi performa model dilakukan menggunakan metode Confusion Matrix, K-Fold Cross Validation, kurva Receiver Operating Characteristic (ROC), dan kurva Precision-Recall untuk mengukur akurasi, presisi, recall, serta keseimbangan antara presisi dan recall. Hasil pengujian menunjukkan bahwa algoritma KNN unggul dalam menghasilkan akurasi tinggi yaitu 99% dengan AUC ROC sempurna 1.00 dan presisi yang hampir konsisten sepanjang recall, sementara SVM menunjukkan performa stabil dengan akurasi 91%, AUC ROC 0.97, dan AP Precision-Recall sebesar 0.96. Penelitian ini menegaskan efektivitas KNN dalam menghasilkan prediksi penyakit jantung yang sangat akurat dengan potensi risiko overfitting pada parameter k kecil, sedangkan SVM memberikan kestabilan model dengan kemampuan generalisasi yang lebih baik. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung diagnosis penyakit jantung secara klinis.