Deteksi Sleep Apnea Menggunakan Metode Decision Tree dengan Fitur Statistik RR Interval
DOI:
https://doi.org/10.21776/jeeccis.v16i3.1603Keywords:
Decision tree, ECG, RR Interval, Sleep apnea, Classification.Abstract
Obstructive sleep apnea (OSA) atau sleep apnea adalah gangguan tidur langka yang memerlukan penggunaan sinyal aktivitas listrik, biasa disebut sebagai elektrogram (ECG), untuk dideteksi. Sinyal ECG terdiri dari bentuk gelombang, durasi, ritme bentuk gelombang, dan orientasi sinyal, yang dapat digunakan ahli jantung untuk mengevaluasi kondisi jantung pasien. Tujuan dari penelitian ini adalah untuk mendeteksi sleep apnea menggunakan dataset ECG yang ada. Sistem pendeteksi sleep apnea ini diharapkan mampu mendeteksi gangguan pada pasien secara dini dan membantu dokter mendiagnosis pasien secara lebih akurat dan cepat sehingga dapat memberikan penanganan lebih lanjut. Penelitian ini mengusulkan bagaimana mendeteksi sleep apnea dengan perangkat lunak dengan menggunakan parameter statistik dari sinyal interval RR dalam dataset sinyal ECG dan kemudian mengklasifikasikannya menggunakan metode DecisionTree. Proses deteksi sleep apnea yang peneliti usulkan menggunakan interval RR dan proses decision tree memiliki tingkat akurasi 99,5%.References
R. M. Iqbal Koza and H. Fitriyah, “Implementasi Sistem Pendeteksi Obstructive Sleep apnea berdasarkan Parameter Interval QT dan Interval PR menggunakan Metode Naïve Bayes,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, vol. 2548, p. 964X.
I. R. Haryosuprobo, Y. Soegiarto, and F. X. Suryadi, “Ekstraksi ciri sinyal EKG aritmia menggunakan gelombang singkat diskrit,” Techné: Jurnal Ilmiah Elektroteknika, vol. 15, no. 02, pp. 149–164, 2016.
F. F. Harryanto and S. Hansun, “Penerapan Algoritma C4. 5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 3, no. 2, pp. 95–103, 2017.
A. Rohman, V. Suhartono, and C. Supriyanto, “Penerapan algoritma c4. 5 berbasis adaboost untuk prediksi penyakit jantung,” Jurnal Cyberku, vol. 13, no. 1, p. 2, 2017.
W. N. Khotimah, Y. A. Susanto, and N. Suciati, “Combining Decision tree and Back Propagation Genetic Algorithm Neural Network for Recognizing Word Gestures in Indonesian Sign Language using Kinect,” J Theor Appl Inf Technol, vol. 95, no. 2, p. 292, 2017.
M. J. Afroni and B. M. Basuki, “Algoritma Pendeteksi Titik Ekstrim Pada Sinyal ECG Untuk Analisis Awal Gejala Aritmia,” JE-Unisla, vol. 5, no. 2, pp. 400–404, 2020.
T. Penzel, G. B. Moody, R. G. Mark, A. L. Goldberger, and J. H. Peter, “The apnea-ECG database,” in Computers in Cardiology 2000. Vol. 27 (Cat. 00CH37163), 2000, pp. 255–258.
L. v Rajani Kumari, Y. Padma Sai, and N. Balaji, “ECG signal preprocessing based on empirical mode decomposition,” in Microelectronics, Electromagnetics and Telecommunications, Springer, 2016, pp. 673–679.
D. N. K. Hardani, “Ekstraksi Fitur Sinyal Elektrokardiogram Berbasis Independent Component Analysis,” Techno (Jurnal Fakultas Teknik, Universitas Muhammadiyah Purwokerto), vol. 16, no. 1, pp. 10–15, 2015.
A. E. Pramadhani and T. Setiadi, “Penerapan Data Mining untuk Klasifikasi Prediksi Penyakit ISPA (Infeksi Saluran Pernapasan Akut) Dengan Algoritma Decision tree (ID3),” Jurnal Sarjana Teknik Informatika, vol. 2, no. 1, pp. 831–839, 2014.
M. Benllarch, S. El Hadaj and M. Benhaddi, "Improve Extremely Fast Decision Tree Performance through Training Dataset Size for Early Prediction of Heart Diseases," 2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS), 2019, pp. 1-5.
H. Sulastomo, R. Kusumawati, Y. H. Suselo, N. Purwaningtyas, D. Indarto, S. A. Jusup, and R. Myrtha, “Buku Manual Keterampilan Klinis Interpretasi Pemeriksaan Elektrokardiografi (EKG)”. Surakarta: Fakultas Kedokteran Universitas Sebelas Maret Surakarta, 2019.
