Analisis Sinyal Jantung Menggunakan Metode Fuzzy C-Means (FCM) Clustering untuk Deteksi Aritmia

Tasnim Ahya Nadlirah; Aripin Aripin; Sari Ayu Wulandari

doi:10.33633/aiej.v5i2.8953

Analisis Sinyal Jantung Menggunakan Metode Fuzzy C-Means (FCM) Clustering untuk Deteksi Aritmia

Tasnim Ahya Nadlirah, Aripin Aripin, Sari Ayu Wulandari

Abstract

Aritmia jantung adalah salah satu klasifikasi penyakit kardiovaskuler yang menjadi penyebab kematian terbanyak. Seseorang yang telah sembuh dari sakit jantung akan mudah untuk terserang kembali. Sehingga mereka harus mendapatkan alat pemantauan jantung seperti EKG (Elektrokardiogram). Sistem komputer dengan machine learning dapat digunakan untuk membantu membaca hasil rekaman EKG. Namun, kendala untuk mewujudkan identifikasi otomatis menggunakan Sistem komputer merupakan sebuah peranti elektronik yang menghasilkan sejumlah besar data digital melalui pemanfaatan EKG. Ini terjadi karena elektrokardiogram merekam aktivitas listrik jantung dalam satuan milivolt (mV) setiap beberapa detik. Salah satu algoritma yang dapat digunakan adalah Fuzzy C-Means clustering (FCM). Oleh karena itu, kami melakukan penelitian untuk mendeteksi aritmia menggunakan algoritma pengelompokan Fuzzy C-Means (FCM). Informasi yang kami gunakan dalam penelitian ini berasal dari sensor ECG 3-lead AD8232 untuk sampel yang normal dan dari database Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) untuk sampel yang terjangkit di kantong. Hasil pengujian FCM 3D menunjukkan akurasi rata-rata 65% dengan menggunakan 200 titik data per pengujian.

Keywords

Fuzzy C-Means; Fuzzy Clustering; Electrokardiogram; Penyakit Jantung; Aritmia

Full Text:

PDF

References

World Health Organization. Global status report on noncommunicable diseases 2014. World Health Organization; 2014.

Cahya RA, Dewi C, Rahayudi B. Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Support Vector Machine Dengan Seleksi Fitur Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2018;2(3):1170-8.

Choudhry MS, Kapoor R. Performance analysis of fuzzy C-means clustering methods for MRI image segmentation. Procedia Computer Science. 2016 Jan 1;89:749-58.

Roopa CK, Harish BS, Kumar SA. A novel method of clustering ECG arrhythmia data using robust spatial kernel fuzzy c-means. Procedia computer science. 2018 Jan 1;143:133-40.

Rodríguez R, Mexicano A, Bila J, Cervantes S, Ponce R. Feature extraction of electrocardiogram signals by applying adaptive threshold and principal component analysis. Journal of applied research and technology. 2015;13(2):261-9.

Chen TM, Huang CH, Shih ES, Hu YF, Hwang MJ. Detection and classification of cardiac arrhythmias by a challenge-best deep learning neural network model. Iscience. 2020 Mar 27;23(3).

Yeh YC, Chiou CW, Lin HJ. Analyzing ECG for cardiac arrhythmia using cluster analysis. Expert Systems with Applications. 2012 Jan 1;39(1):1000-10.

Benabdellah AC, Benghabrit A, Bouhaddou I. A survey of clustering algorithms for an industrial context. Procedia computer science. 2019 Jan 1;148:291-302.

Yang J, Watada J. Fuzzy clustering analysis of data mining: application to an accident mining system. International Journal of Innovative Computing, Information and Control. 2012 Aug 1;8(8):5715-24.

Srinivasak KG, Venugopal KR, and Patnaik LM. Feature Extraction using Fuzzy C-means Clustering for data mining systems. Int. J. Comput. Sci. Netw. Secur., vol. 6, no. 3, p. 230, 2006.

Tamaela J, Sediyono E, Setiawan A. Cluster analysis menggunakan algoritma Fuzzy C-means dan K-means untuk klasterisasi dan pemetaan lahan pertanian di Minahasa Tenggara. Jurnal Buana Informatika. 2017 Oct 16;8(3).

Hsu WY, Lin CY, Kuo WF, Liou M, Sun YN, Tsai AC, Hsu HJ, Chen PH, Chen IR. Unsupervised fuzzy c-means clustering for motor imagery EEG recognition. Int J Innovative Comput Inform Control. 2011 Aug 1;7:4965-76.

DOI: https://doi.org/10.33633/aiej.v5i2.8953