Pelabelan Sinyal Elektrokardiogram (ekg) Pada Klasifikasi Fibrilasi Atrium Menggunakan Hidden Markov Model

Abstract

Abstrak Penyakit jantung telah menjadi salah satu penyebab kematian terbesar di dunia. Di antaranya yang paling sering terjadi adalah Fibrilasi Atrium, yaitu kondisi yang meliputi aktivitas sangat cepat dan tidak beraturan dalam atria serta menimbulkan gejala-gejala seperti jantung berdebar, sakit kepala, kehilangan kesadaran, sesak nafas dan rasa letih. Untuk mengenali penyakit ini, akan dikembangkan sebuah sistem pengenalan gelombang EKG. Hidden Markov Model yang menggunakan pendekatan probabilitas telah terbukti menghasilkan performansi yang bagus dalam pengenalan sinyal suara. Oleh karena itu, dalam tugas akhir ini akan diujikan metode HMM dalam kasus elektrokardiogram (EKG). Dalam sistem pendeteksian penyakit jantung terdapat 2 proses yaitu pemodelan dan pengenalan. Pada proses pemodelan akan dibuat suatu model pelabelan sinyal EKG dengan menghitung parameterparameter HMM, yaitu distribusi inisial state, distribusi probabilitas transisi antar state, dan distribusi probabilitas symbol observasi pada suatu state. Setelah diperoleh ketiga nilai tersebut yang optimal, maka terbentuklah suatu model HMM untuk jenis penyakit jantung. Sedangkan proses pengenalan penyakit jantung dilakukan pada tiap data EKG dengan menghitung likelihood dari data testing yang akan dikenali terhadap semua model data EKG yang telah dilatih sebelumnya. Dengan pelabelan yang teliti dan penentuan nilai probabilitas observasi yang optimal, HMM dapat digunakan untuk mengenali penyakit jantung. Hasil dari pengujian menunjukkan, nilai probabilitas observasi yang didapat dari nilai random selalu menghasilkan akurasi yang berubah-ubah, berbeda jika disama ratakan dengan jumlah state dan jumlah pengamatan. Selain itu, perbandingan jumlah state serta proporsi data juga berpengaruh terhadap akurasi. Akurasi terbesar adalah 100% dengan 2 dan 4 state ketika proporsi data training sebanyak 75% dan nilai probabilitas observasi diatur random.

Kata kunci : hidden markov model, elektrokardiogram, distribusi inisial state, distribusi probabilitas transisi antar state, distribusi probabilitas simbol observasi

Abstract Heart disease has become one of the biggest causes of death in the world. Among the most common is Atrial Fibrillation, a condition that includes very fast and irregular activities in atria and causes many symptoms such as palpitations, headaches, loss of consciousness, shortness of breath and tiredness. To recognize this disease, an ECG wave recognition system will be developed. Hidden Markov Model that use a probability approach has been proven to make good performance in speech signal recognition. Therefore, in this final project the HMM method will be tested on electrocardiogram (ECG) signal. In the detection system for heart disease there are 2 processes; modeling and recognition. In the modeling process, ECG signal labeling model will be made by calculating HMM parameters, namely the initial state distribution, the state transition probability distribution, and the observation symbol probability distribution. After obtaining these three optimal values, an HMM then formed for each type of heart disease. The recognition process of heart disease is carried out on each ECG data by calculating likelihood from testing data that will be identified by all models of ECG record after they have been previously trained. With appropiate labeling and determination of optimal observation probability values, HMM can be used to identify heart disease. The results showed that the probability value of the observations obtained from random values always results in varying accuracy. The comparison of the state number and the data proportion also affects accuracy. The highest accuracy is 100% with 2 states when the proportion of training data is 75% and the probability value is arranged randomly.

Keywords: hidden markov model, elektrocardiogram, initial state distribution, state transition probability distribution, observation symbol probability distribution