Analisis Performa CNN-PatchTST untuk Klasifikasi Aritmia melalui Sinyal EKG
DOI:
https://doi.org/10.33005/santika.v6i1.1250Keywords:
Aritmia, Elektrodiagram (EKG), Convolutional Neural Network (CNN), Transformer, PatchTST, Time-seriesAbstract
Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab kematian tertinggi di dunia. Deteksi aritmia secara manual melalui interpretasi sinyal elektrokardiogram (EKG) membutuhkan waktu lama dan rentan terhadap kesalahan antar-pengamat. Penelitian ini mengusulkan model hybrid CNN-PatchTST untuk mengklasifikasikan lima jenis aritmia, yaitu Atrial Fibrillation (AF), First-degree AV Block (IAVB), Normal Sinus Rhythm (NSR), Sinus Bradycardia (SB), dan Sinus Tachycardia (STach) dari sinyal EKG. Model ini menggabungkan CNN satu dimensi sebagai ekstraktor fitur morfologi lokal dengan PatchTST berbasis Transformer untuk menangkap dependensi temporal jangka panjang. Dataset yang digunakan merupakan gabungan enam sumber publik dari Kaggle dengan total 29.858 rekaman sinyal EKG pada frekuensi 500 Hz. Preprocessing mencakup standarisasi sinyal, noise filtering, normalisasi Z-score, dan hybrid sampling untuk mengatasi ketidakseimbangan kelas. Pengujian dilakukan pada tiga skenario rasio pembagian data yang berbeda. Hasil terbaik diperoleh pada rasio 70:20:10 dengan akurasi 88,8%, sensitivitas makro 84,3%, spesifisitas makro 96,3%, dan F1-score makro 82,5%. Kelas AF dan NSR mencatat performa terbaik dengan F1-score masing-masing 91% dan 93%, sementara kelas IAVB dan SB menunjukkan performa lebih rendah akibat kemiripan morfologi sinyal dengan NSR.
References
“Cardiovascular diseases (CVDs).” Diakses: 2 Oktober 2025. [Daring]. Tersedia pada: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
“Cardiovascular diseases.” Diakses: 2 Oktober 2025. [Daring]. Tersedia pada: https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1
N. Arsani, N. Wahyuni, N. N. M. Agustini, dan M. Budiawan, “Deteksi Dini dan Pencegahan Penyakit Kardiovaskular,” Proceeding Senadimas Undiksha, vol. 1, no. 1, hlm. 663–668, 2022.
N. T. Srinivasan dan R. J. Schilling, “Sudden Cardiac Death and Arrhythmias,” Arrhythm. Electrophysiol. Rev., vol. 7, no. 2, hlm. 111, 2018, doi: 10.15420/AER.2018:15:2.
“Indonesian Heart Rhythm Society |.” Diakses: 12 Januari 2026. [Daring]. Tersedia pada: https://inahrs.or.id/news/satu-dekade-inahrs-an-overview-and-outlook
S. Agrawal dan A. Gupta, “Fractal and EMD based removal of baseline wander and powerline interference from ECG signals,” Comput. Biol. Med., vol. 43, no. 11, hlm. 1889–1899, Nov 2013, doi: 10.1016/J.COMPBIOMED.2013.07.030.
G. A. L. Silva, P. H. L. Silva, G. J. P. Moreira, L. S. Freitas, J. C. Gertrudes, dan E. J. S. Luz, “A SYSTEMATIC REVIEW OF ECG ARRHYTHMIA CLASSIFICATION: ADHERENCE TO STANDARDS, FAIR EVALUATION, AND EMBEDDED FEASIBILITY”.
S. Śmigiel, K. Pałczyński, dan D. Ledziński, “ECG Signal Classification Using Deep Learning Techniques Based on the PTB-XL Dataset,” Entropy 2021, Vol. 23, Page 1121, vol. 23, no. 9, hlm. 1121, Agu 2021, doi: 10.3390/E23091121.
D. Kim dkk., “A novel hybrid CNN-transformer model for arrhythmia detection without R-peak identification using stockwell transform,” Scientific Reports 2025 15:1, vol. 15, no. 1, hlm. 7817-, Mar 2025, doi: 10.1038/s41598-025-92582-9.
Y. Ansari, O. Mourad, K. Qaraqe, dan E. Serpedin, “Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023,” Front. Physiol., vol. 14, hlm. 1246746, Sep 2023, doi: 10.3389/FPHYS.2023.1246746/FULL.
Y. Nie, N. H. Nguyen, P. Sinthong, dan J. Kalagnanam, “A TIME SERIES IS WORTH 64 WORDS: LONG-TERM FORECASTING WITH TRANSFORMERS”.
“Kardiovaskular (Pengertian, Sebab, dan Contoh Penyakit).” Diakses: 9 Januari 2026. [Daring]. Tersedia pada: https://labcito.co.id/kardiovaskular-pengertian-sebab-dan-contoh-penyakit/
A. Handayani, D. Kardiologi, dan K. Vaskular, “Sistem Konduksi Jantung,” Buletin Farmatera, vol. 2, no. 3, hlm. 116–123, Okt 2017, doi: 10.30596/BF.V2I3.1197.G1269.
“Elektrokardiogram (EKG) - Gejala, Penyebab, dan Pengobatan.” Diakses: 9 Januari 2026. [Daring]. Tersedia pada: https://www.halodoc.com/kesehatan/elektrokardiogram-ekg
“048 How to Read an Electrocardiogram (ECG/EKG) | Interactive Biology, with Leslie Samuel.” Diakses: 9 Januari 2026. [Daring]. Tersedia pada: https://interactivebiology.com/2265/048-how-to-read-an-electrocardiogram-ecgekg/
F. D. Ratnasari, B. Y. D. Mandicky, Y. S. Kartika, dan M. E. Ferisa, “ANALISIS DETAK JANTUNG ABNORMAL MENGGUNAKAN FAST FOURIER TRANSFORM (FFT) PADA DATA EKG PTB DENGAN IMPLEMENTASI PYTHON,” Kohesi: Jurnal Sains dan Teknologi, vol. 8, no. 1, hlm. 51–60, Mei 2025, doi: 10.2238/NA68DP86.
G. A. Andika, A. Sukohar, dan A. Yonata, “Management of Arrhythmia: Atrial Fibrilation,” Medical Profession Journal of Lampung, vol. 11, no. 3, hlm. 247–252, Okt 2021, doi: 10.53089/MEDULA.V11I3.309.
Y. Yuniadi, “Mengatasi aritmia, mencegah kematian mendadak,” eJournal Kedokteran Indonesia, vol. 5, no. 3, hlm. 46–139, 2017, Diakses: 10 Oktober 2025. [Daring]. Tersedia pada: https://www.academia.edu/download/58317794/227864-mengatasi-aritmia-mencegah-kematian-mend-c9ba84c4.pdf
“Inilah Jenis-Jenis Aritmia yang Perlu Diketahui.” Diakses: 17 Desember 2025. [Daring]. Tersedia pada: https://www.halodoc.com/artikel/inilah-jenis-jenis-aritmia-yang-perlu-diketahui
“Arrhythmias - Types | NHLBI, NIH.” Diakses: 17 Desember 2025. [Daring]. Tersedia pada: https://www.nhlbi.nih.gov/health/arrhythmias/types
“Types of Arrhythmia | Stanford Health Care.” Diakses: 17 Desember 2025. [Daring]. Tersedia pada: https://stanfordhealthcare.org/medical-conditions/blood-heart-circulation/arrhythmia/types.html
“Atrial Fibrillation - What Is Atrial Fibrillation? | NHLBI, NIH.” Diakses: 18 Desember 2025. [Daring]. Tersedia pada: https://www.nhlbi.nih.gov/health/atrial-fibrillation
“Atrioventricular Block - Gejala, Penyebab, dan Pengobatan -.” Diakses: 18 Desember 2025. [Daring]. Tersedia pada: https://www.alodokter.com/atrioventricular-block
I. Ahmed, A. Goyal, dan L. Chhabra, “Atrioventricular Block,” StatPearls, Feb 2024, Diakses: 18 Desember 2025. [Daring]. Tersedia pada: https://www.ncbi.nlm.nih.gov/books/NBK459147/
G. Lenis, N. Pilia, A. Loewe, W. H. W. Schulze, dan O. Dössel, “Comparison of Baseline Wander Removal Techniques considering the Preservation of ST Changes in the Ischemic ECG: A Simulation Study,” Comput. Math. Methods Med., vol. 2017, hlm. 9295029, 2017, doi: 10.1155/2017/9295029.
I. Ahmad, “Power Line Noise Reduction in Ecg by Butterworth Notch Filters: A Comparative Study,” 1 Januari 2013. Diakses: 17 April 2026. [Daring]. Tersedia pada: https://www.academia.edu/85361154/Power_Line_Noise_Reduction_in_Ecg_by_Butterworth_Notch_Filters_A_Comparative_Study
“Documentation — NeuroKit 0.0.39 documentation.” Diakses: 17 April 2026. [Daring]. Tersedia pada: https://rpanderson-neurokit2.readthedocs.io/en/latest/index.html
A. Fauzihan, B. Sajiwo, B. Rahmat, dan A. Junaidi, “KLASIFIKASI INDEKS STANDAR PENCEMARAN UDARAN (ISPU) MENGGUNAKAN ALGORITMA XGBOOST DENGAN TEKNIK IMBALANCED DATA (SMOTE),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, hlm. 2830–7062, Agu 2024, doi: 10.23960/JITET.V12I3.4699.
M. S. Kraiem, F. Sánchez-Hernández, dan M. N. Moreno-García, “Selecting the Suitable Resampling Strategy for Imbalanced Data Classification Regarding Dataset Properties. An Approach Based on Association Models,” Applied Sciences 2021, Vol. 11, Page 8546, vol. 11, no. 18, hlm. 8546, Sep 2021, doi: 10.3390/APP11188546.
T. Hasanin, T. M. Khoshgoftaar, J. L. Leevy, dan R. A. Bauder, “Severely imbalanced Big Data challenges: investigating data sampling approaches,” J. Big Data, vol. 6, no. 1, hlm. 107-, Des 2019, doi: 10.1186/S40537-019-0274-4/FIGURES/3.
P. A. Nugroho, I. Fenriana, dan R. Arijanto, “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA EKSPRESI MANUSIA,” ALGOR, vol. 2, no. 1, hlm. 12–20, Nov 2020, Diakses: 10 Januari 2026. [Daring]. Tersedia pada: https://jurnal.ubd.ac.id/index.php/algor/article/view/441
“Apa itu Convolutional Neural Network? | IBM.” Diakses: 10 Januari 2026. [Daring]. Tersedia pada: https://www.ibm.com/id-id/think/topics/convolutional-neural-networks
F. S. Pakpahan, M. M. Al Haromainy, dan B. M. Mulyo, “CNN Implementation for Instrumental Songs Classification Using Audio Feature,” bit-Tech, vol. 8, no. 3, hlm. 3288–3298, Apr 2026, doi: 10.32877/BT.V8I3.3438.
A. Penelitian, E. Y. Hidayat, dan D. Handayani, “Penerapan 1D-CNN untuk Analisis Sentimen Ulasan Produk Kosmetik Berdasar Female Daily Review,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, hlm. 153–163, Jan 2022, doi: 10.25077/TEKNOSI.V8I3.2022.153-163.
L. Xiaolin, B. Cardiff, dan D. John, “A 1D Convolutional Neural Network for Heartbeat Classification from Single Lead ECG,” ICECS 2020 - 27th IEEE International Conference on Electronics, Circuits and Systems, Proceedings, Nov 2020, doi: 10.1109/ICECS49266.2020.9294838.
S. E. Choi, D. Sagris, A. Hill, G. Y. H. Lip, dan A. H. Abdul-Rahim, “Atrial fibrillation and stroke,” Expert Rev. Cardiovasc. Ther., vol. 21, no. 1, hlm. 35–56, Jan 2023, doi: 10.1080/14779072.2023.2160319.
