Implementasi Extreme Learning Machine dan Fast Independent Component Analysis untuk Klasifikasi Aritmia Berdasarkan Rekaman Elektrokardiogram

Jenis aritmia dapat mengindikasikan letak gangguan dan penyebabnya. Cara mengetahui aritmia adalah dengan menggunakan strip elektrokardiogram (EKG). Machine learning dapat digunakan sebagai pendekatan untuk memudahkan identifikasi aritmia melalui EKG. Extreme Learning Machine (ELM) adalah salah satu single-hidden layer feedforward neural networks (SLFNs) yang dapat digunakan untuk klasifikasi aritmia dalam rangka membantu diagnosa medis. Untuk mengoptimalkan performa ELM, digunakan algoritme Fast Independent Component Analysis (FastICA) untuk preprocessing dan ekstraksi sinyal EKG. Dalam penelitian ini, dilakukan beberapa pengujian parameter untuk mengetahui dampaknya terhadap performa model klasifikasi. Data EKG diperoleh dari database aritmia yang dikelola oleh Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIN). Setiap data merupakan cuplikan EKG selama 3 detik dengan keseluruhan data sebanyak 210 dibagi ke dalam 6 kelas aritmia dan ritme normal. Hasil penelitian menunjukkan bahwa model klasifikasi mampu mencapai performa sempurna dengan akurasi, precision-recall, dan F-1 score sebesar 100% pada tahap pelatihan. Namun model klasifikasi mengalami overfitting pada tahap pengujian dengan rerata matthew correlation coefficient sekitar 0. Overfitting terjadi karena representasi fitur terlalu kompleks dan tidak sebanding dengan jumlah data yang ada. Hal ini mengakibatkan performa yang buruk pada pengujian ELM-FastICA untuk data yang belum dikenali