Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Lam, Theo Helena Rikie
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Aritmia Menggunakan Fitur Sinyal Elektrokardiogram dan Heart Rate Variability dengan Algoritma XGBoost: Arrhythmia Classification Using Electrocardiogram Signal Features and Heart Rate Variability with the XGBoost Algorithm Salsabi, Siti; Antika, Bella; Martiza, Zahara; Lam, Theo Helena Rikie; Prabowo, Agung
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2720

Abstract

Aritmia jantung merupakan gangguan kardiovaskular yang dapat menyebabkan stroke, gagal jantung, dan kematian mendadak akibat gangguan irama jantung apabila tidak terdeteksi sejak dini. Sinyal Elektrokardiogram (ECG) digunakan untuk mendeteksi aritmia, namun klasifikasi masih menjadi tantangan akibat kompleksitas pola gelombang, kemiripan antarkelas, dan ketidakseimbangan data. Penelitian sebelumnya umumnya memanfaatkan fitur morfologi ECG atau Heart Rate Variability (HRV) secara terpisah, sehingga belum merepresentasikan karakteristik sinyal secara menyeluruh. Penelitian ini bertujuan untuk mengklasifikasikan aritmia menggunakan kombinasi fitur ECG berbasis denyut jantung dan fitur HRV pada domain waktu dengan algoritma Extreme Gradient Boosting (XGBoost). Data berasal dari MIT-BIH Arrhythmia Database yang berisi sinyal ECG satu kanal beserta anotasi denyut jantung. Tahap prapemrosesan meliputi exploratory data analysis, penanganan nilai hilang, zero padding, interpolasi linier, dan normalisasi menggunakan StandardScaler. Fitur HRV yang digunakan meliputi MeanRR, SDNN, RMSSD, dan pNN50. Model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil menunjukkan akurasi sebesar 99,16%, yang menunjukkan kemampuan sangat baik dalam membedakan denyut jantung normal dan aritmia. Integrasi fitur HRV dan ECG meningkatkan representasi data serta performa klasifikasi, meskipun ketidakseimbangan kelas masih menjadi tantangan pada beberapa kategori.
Co-Authors Agung Prabowo Antika, Bella Martiza, Zahara Salsabi, Siti