Klasifikasi Penyakit Gagal Jantung Kongestif Menggunakan Artificial Neural Network (ANN) Berdasarkan Ekstraksi Fitur Multifractal Detrended Fluctuation Analysis (MFDFA) Pada Variabilitas Denyut JantungKlasifikasi Penyakit Gagal Jantung Kongestif Menggunakan Artificial Neural Network (ANN) Berdasarkan Ekstraksi Fitur Multifractal Detrended Fluctuation Analysis (MFDFA) Pada Variabilitas Denyut Jantung

Gagal Jantung Kongestif adalah gejala dan tanda-tanda yang muncul pada pasien yang hatinya tidak mampu menjaga fungsi peredaran darah yang cukup untuk memasok jaringan tubuh dengan oksigen dalam semua keadaan. Kondisi tersebut dapat terjadi sementara atau permanen. Tekanan darah tinggi merupakan penyebab utama gagal jantung kongestif. penyakit jantung dan diabetes juga faktor besar yang mendasari penyebab gagal jantung. Jantung Koroner dan Gagal Jantung merupakan bagian dari penyakit Cardiovaskular (CVD). Berdasarkan data WHO pada tahun 2008 sebanyak 17,3 juta manusia meninggal akibat CVD dan meningkat di tahun 2012 sebanyak 17,5 juta. Di Indonesia sendiri berdasarkan data dari Menteri Kesehatan RI prevalensi penyakit gagal jantung Indonesia tahun 2013 sebesar 0,13% atau diperkirakan sekitar 229.696 orang, sedangkan berdasarkan diagnosis dokter/ gejala sebesar 0,3% atau diperkirakan sekitar 530.068 orang. Penelitian ini menggunakan metode Multifractal Detrended Fluctuation Analysis (MFDFA) pada sinyal HRV berdasarkan denyut jantung untuk mengatasi adanya skala invarian yang memiliki variasi spasial dan temporal. Hasil dari ekstraksi fitur Multifractal Detrended Fluctuation Analysis dilakukan klasifikasi Artificial Neural Network untuk mengetahui perbedaan sinyal HRV pada pasien normal dan pasien penyakit gagal jantung kongestif. Hasil klasifikasi dari ektstaksi fitur MFDFA menghasilkan akurasi terbaik sebesar 67.24%, akan tetapi hasil akurasi tersebut masih kurang baik karena dalam hasilnya untuk label chf1 dan chf2 hasil klasifikasi hanya beberapa kecil data saja yang diklasfikasikan dengan benar dan hasil ROC nya bernilai 0.694 yang dapat dikategorikan sebagai klasifikasi yang buruk Hasil dari penelitian ini diharapkan dapat digunakan dalam penelitian selanjutnya dengan menggunakan metode klasifikasi lainnya dan dapat bermanfaat di dunia medis untuk mendiagnosa penyakit gagal jantung kongestif pada pasien agar segera dilakukan tindakan preventif. ================================================================================== Congestive Heart Failure is a symptom and signs that appear in patients whose heart is unable to maintain adequate circulatory function to supply body tissue with oxygen in all circumstances. Such conditions may occur temporarily or permanently. High blood pressure is a major cause of congestive heart failure. Heart disease and diabetes are also major factors that underlie the causes of heart failure. Coronary Heart and Heart Failure are part of Cardiovascular disease (CVD). Based on WHO data in 2008 as many as 17.3 million people died from CVD and increased in 2012 as much as 17.5 million. In Indonesia itself, based on data from the Minister of Health of Indonesia, the prevalence of heart failure in 2013 is 0.13% or an estimated 229,696 people, while physician / symptom is 0.3% or approximately 530,068 people. This study used the Multifracted Detrended Fluctuation Analysis (MFDFA) method on HRV signal based on heart rate to overcome the existence of invariant scale having spatial and temporal variation. The result of feature extraction of Multifractal Detrended Fluctuation Analysis was classified with Artificial Neural Network to know the difference of HRV signal in normal patients and patients with congestive heart failure. The classification results of the feature extraction of MFDFA yielded the best accuracy of 67.24%, but the result of the accuracy is still not good because in result for label chf1 and chf2 result of classification only few small data are classified correctly and the result of ROC is 0.694 which can be categorized as bad classification. The results of this study are expected to be used in subsequent research using other classification methods and can be useful in the medical world to diagnose congestive heart failure in patients for immediate preventive action