Jurnal Elkomika (Apr 2022)

Analisis Fitur Domain Waktu ECG Heart Rate Variability Berdasarkan Gain Informasi

  • UNANG SUNARYA,
  • LYRA VEGA UGI

DOI
https://doi.org/10.26760/elkomika.v10i2.419
Journal volume & issue
Vol. 10, no. 2

Abstract

Read online

ABSTRAK Salah satu analisis yang sering digunakan untuk mendeteksi berbagai penyakit yang terkait fungsi jantung adalah dengan menghitung rasio tidur dan terjaganya seseorang saat tidur pada malam hari. Namun dalam praktiknya sering ditemukan kendala baik pada saat akuisisi data ataupun pada saat pemrosesan data untuk menyimpulkan sebuah hasil analisis. Salah satu penyebabnya adalah kurang tepatnya dalam pemilihan fitur ECG untuk proses implementasi. Oleh karena itu, pada penelitian ini dilakukan seleksi fitur ECG pada domain waktu dan klasifikasi kondisi tidur dan terjaga dari 10 subjek berdasarkan fitur Heart Rate Variability (HRV) dengan menggunakan algoritma random forest. Wavelet digunakan untuk mendapatkan komponen sinyal ECG yang tepat sedangkan gain informasi digunakan untuk memilih fitur ECG yang dominan. Hasil akhir dari implementasi menunjukkan nilai akurasi rata-rata sebesar 80,26 % dengan fitur terbaik adalah median nearest neighbor index. Kata kunci: ECG wavelet, HRV, domain waktu, gain informasi, akurasi  ABSTRACT One of the most frequent methods to detect heart-related diseases is by calculating the ratio of total sleep and awake of someone during night sleep. However, it is often encountered problems either in data acquisition or data processing to output the results of the analysis. One of the reasons is selecting ECG features improperly during implementation. Therefore, this study has been conducted ECG features selection in the time domain and classification of sleep and awake states across 10 subjects based on Heart Rate Variability (HRV) features obtained using a random forest algorithm. Wavelet was used to get the proper ECG signal components while information gain was used to select the dominant ECG features. The implementation results showed an average accuracy of 80.26 % with the median nearest neighbor index as the best feature. Keywords: ECG, wavelet, HRV, time-domain, information gain, accuracy Â

Keywords