<![CDATA[Sinyal Elektrokardiogram (EKG) memuat informasi penting untuk mengidentifikasikan kelainan irama jantung dan dapat digunakan untuk menganalisis aktivitas listrik sinyal jantung dan menemukan kelainan irama pada sinyal jantung. Penelitian ini bertujuan untuk membandingkan metode Support Vector Machines (SVM) dan Random Forest untuk mengklasifikasikan sinyal pada kondisi normal, apnea, dan arrhytmia. Penelitian ini terdiri dari 20 rekaman EKG apnea dan 20 rekaman EKG arrhytmia yang diproses melalui rekaman tahap preposesing sinyal, deteksi R-Peak, perhitungan interval RR, ekstrasi filter, pembagian data pelatihan model dan evaluasi performa. Data apnea diperoleh dari database Apnea-ECG Physionet dan data Arrhythmia diperoleh dari MIT-BIH Arrythmia database yang tersedia di Physionet. Dataset dibagi menjadi dua bagian 80% data latihan dan 20% data uji untuk evaluasi performa model. Accuracy, precision recall, F1-score dan confusion matrix digunakan untuk membagi kedua bagian ini untuk klasifikasi kondisi, pada kondisi ini apnea Random Forest menunjukkan keakuratan 97.24% dan keakuratan Support Vector Machine 91.41% sementara klasifikasi arrhytmia Random Forest menunjukkan accurasi 97,67% sedangkan Support Vector Machine memperoleh accurasi 95.96% dari hasil tersebut menunjukkan bahwa Random Forest lebih unggul dan menghasilkan performa klasifikasi yang lebih efektif dibandingkan Support Vector Machine pada kedua pengujian. Dengan demikian Random Forest dinilai lebih efektif untuk klasifikasi kondisi normal, apnea, bradycardia, tachycardia dan normal dalam mengklasifikasikan pola sinyal EKG.]]>
Copyrights © 2026
