Klasifikasi Aritmia pada sinyal ECG menggunakan Ensemble Machine Learning dengan kerangka kerja Bootstrap Aggregating

Abstract

Penyakit jantung masih menjadi penyebab utama kematian global, terutama di negara-negara berkembang. Aritmia, salah satu jenis gangguan irama jantung, berperan besar dalam angka kematian ini. Dengan meningkatnya jumlah kasus fibrilasi atrium (FA), deteksi dini menjadi sangat penting. Penelitian ini mengeksplorasi penggunaan ensemble machine learning dengan kerangka kerja bootstrap aggregating (bagging) untuk klasifikasi sinyal elektrokardiogram (EKG). Dataset MIT-BIH digunakan sebagai data latih dengan berbagai pendekatan bagging seperti Traditional Bagging, Bayesian Bagging, Feature Bagging, dan Random Subspace. Hasil menunjukkan bahwa Bayesian Bagging memberikan performa terbaik (akurasi 93.40%, F1-score 93.50%, dan AUC 99.30%) dengan waktu inferensi hanya 0.10 detik. Keunggulan ini dipengaruhi oleh mekanisme pembobotan Dirichlet yang mampu mempertahankan kontribusi tiap sampel secara efektif. Studi ini menunjukkan bahwa metode bagging menawarkan keseimbangan optimal antara akurasi, stabilitas metrik, efisiensi komputasi, serta potensi penerapan klinis untuk membantu diagnosis aritmia secara lebih cepat, akurat, dan andal di berbagai kondisi.
Kata kunci — aritmia, EKG, bootstrap aggregating, ensemble machine learning, Bayesian Bagging, MIT-BIH