<![CDATA[Deteksi aritmia jantung secara akurat dan cepat sangat penting untuk mencegah komplikasi kardiovaskular yang fatal. Penelitian ini mengusulkan metode deteksi berbasis kombinasi Discrete Wavelet Transform (DWT) multi-level, analisis Rényi Entropy, dan algoritma XGBoost. Dataset yang digunakan adalah MIT-BIH Arrhythmia Database dengan dua kanal utama, MLII dan V1. Tahapan penelitian mencakup filtering sinyal untuk peningkatan Signal-to-Noise Ratio (SNR), segmentasi beat presisi berbasis deteksi R-peak, pelabelan menggunakan anotasi MIT-BIH (.atr), serta ekstraksi fitur Rényi Entropy pada level DWT 1 hingga 4. Untuk mengatasi ketidakseimbangan kelas antara beat normal dan aritmia, dilakukan undersampling moderat dengan rasio 2:1 pada data latih. Hasil pengujian menunjukkan bahwa model XGBoost dengan balancing data mencapai akurasi 88,33% dan ROC AUC 0,9410, sedangkan tanpa balancing menghasilkan akurasi 88,61% dan ROC AUC 0,9365. Analisis SHAP mengungkap bahwa fitur entropy pada level DWT rendah memiliki kontribusi signifikan dalam klasifikasi. Peningkatan nilai SNR pasca-filtering menunjukkan keberhasilan tahap preprocessing dalam mengurangi noise dan mempertahankan morfologi PQRST. Metode yang diusulkan memberikan kinerja tinggi, sensitivitas yang baik terhadap kelas minoritas, dan potensi implementasi pada sistem pemantauan ECG waktu nyata. Kata kunci: ECG, Aritmia, Rényi Entropy, Discrete Wavelet Transform, XGBoost, Signal-to-Noise Ratio]]>
Copyrights © 2025
