Klasifikasi Aritmia Menggunakan Fitur Sinyal Elektrokardiogram dan Heart Rate Variability dengan Algoritma XGBoost: Arrhythmia Classification Using Electrocardiogram Signal Features and Heart Rate Variability with the XGBoost Algorithm

Siti Salsabi; Bella Antika; Zahara Martiza; Theo Helena Rikie Lam; Agung Prabowo

doi:10.57152/malcom.v6i3.2720

Authors

Siti Salsabi Universitas Prima Indonesia
Bella Antika Universitas Prima Indonesia
Zahara Martiza Universitas Prima Indonesia
Theo Helena Rikie Lam Universitas Prima Indonesia
Agung Prabowo Universitas Prima Indonesia

DOI:

https://doi.org/10.57152/malcom.v6i3.2720

Keywords:

EDA, Elektrokardiogram, HRV Domain Waktu, Klasifikasi Aritmia, XGBoost

Abstract

Aritmia jantung merupakan gangguan kardiovaskular yang dapat menyebabkan stroke, gagal jantung, dan kematian mendadak akibat gangguan irama jantung apabila tidak terdeteksi sejak dini. Sinyal Elektrokardiogram (ECG) digunakan untuk mendeteksi aritmia, namun klasifikasi masih menjadi tantangan akibat kompleksitas pola gelombang, kemiripan antarkelas, dan ketidakseimbangan data. Penelitian sebelumnya umumnya memanfaatkan fitur morfologi ECG atau Heart Rate Variability (HRV) secara terpisah, sehingga belum merepresentasikan karakteristik sinyal secara menyeluruh. Penelitian ini bertujuan untuk mengklasifikasikan aritmia menggunakan kombinasi fitur ECG berbasis denyut jantung dan fitur HRV pada domain waktu dengan algoritma Extreme Gradient Boosting (XGBoost). Data berasal dari MIT-BIH Arrhythmia Database yang berisi sinyal ECG satu kanal beserta anotasi denyut jantung. Tahap prapemrosesan meliputi exploratory data analysis, penanganan nilai hilang, zero padding, interpolasi linier, dan normalisasi menggunakan StandardScaler. Fitur HRV yang digunakan meliputi MeanRR, SDNN, RMSSD, dan pNN50. Model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil menunjukkan akurasi sebesar 99,16%, yang menunjukkan kemampuan sangat baik dalam membedakan denyut jantung normal dan aritmia. Integrasi fitur HRV dan ECG meningkatkan representasi data serta performa klasifikasi, meskipun ketidakseimbangan kelas masih menjadi tantangan pada beberapa kategori.

Downloads

Download data is not yet available.

References

K. Setiyanto and A. Marwanto, “Analisis Deteksi Aritmia Jantung Berbasis Spektrogram Dan Convolutional Neural Network ( CNN ) Untuk Asuhan Keperawatan Analysis of Cardiac Arrhythmia Detection Using Spectrograms and Convolutional Neural Networks ( CNN ) for Nursing Care,” vol. 7, no. 1, pp. 12–18, 2026.

L. F. Tampubolon, A. Ginting, and F. E. Saragi Turnip, “Gambaran Faktor yang Mempengaruhi Kejadian Penyakit Jantung Koroner (PJK) di Pusat Jantung Terpadu (PJT),” J. Ilm. Permas J. Ilm. STIKES Kendal, vol. 13, no. 3, pp. 1043–1052, 2023.

A. Hanifa, “Sistem Pakar Untuk Mendiagnosa Penyakit Aritmia Menggunakan Certainty Factor,” J. SANTI - Sist. Inf. dan Tek. Inf., vol. 2, no. 1, pp. 41–48, 2022.

H. Hidayat, A. Sunyoto, and H. Al Fatta, “Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, no. 1, pp. 31–40, 2023.

Q. Ayuni, R. C. Wihandika, and N. Yudistira, “Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 6, pp. 2163–2170, 2021.

B. W. Putra, R. F. I. Isnanto, P. Sari, A. Saputra, M. R. Sanjaya, and A. N. S. Mukti, “Klasifikasi arritmia pada sinyal EKG menggunakan deep neural network,” Jupiter, vol. 13, pp. 29–38, 2021.

J. Given Hamonangan, A. S. Rahmi, S. J. Lase, N. Suhendi Syafei, and A. Turnip, “JIIF (Jurnal Ilmu Dan Inovasi Fisika) Deteksi Dini Aritmia Menggunakan K-Nearest Neighbour,” vol. 08, no. 01, pp. 86–95, 2024.

D. Hasbi, P. Studi, T. Elektro, F. T. Industri, and U. I. Indonesia, “Analisis Heart Rate Variability ( Hrv ) Antara Elektrokardiogram ( Ekg ) Dengan Stetoskop Elektronik Littmann 3200,” Skripsi, vol. 1, p. 35, 2020.

Y. Ramadhan and S. Mandala, “Analysis of Electrocardiogram Dynamic Features for Arrhythmia Classification,” vol. 8, no. 2, pp. 204–212, 2023.

D. Pang et al., “Rancang Bangun Oksimeter Pulsa yang Diintegrasikan dengan EKG sebagai Alat Ukur Multimodal untuk Analisis HRV pada L .),” vol. 11, no. 1, pp. 43–46, 2022.

A. I. Novianto, S. I. Purnama, and I. Hikmah, “Analisis dan Implementasi Perangkat Elektrokardiogram ( EKG ) Berbasis Internet of Things Analysis and Implementation Electrocardiogram ( ECG ) Device Based on Internet of Things,” vol. 8275, no. July, pp. 150–163, 2025.

A. Melalui, S. Ekg, M. Arsitektur, and Y. J. Nurriski, “Optimasi Deep Convolutional Neural Network ( Deep CNN ) untuk Deteksi,” vol. 46, no. 1, pp. 10–20, 2023.

P. Guru, S. Dasar, U. Kristen, and I. Toraja, “Analisis Fitur HRV pNN50 pada Sinyal Psikofisiologis Marah Manusia,” vol. 6, no. 2, pp. 177–179, 2022.

F. I. Adani and H. Amalia, “Penerapan Metode Algoritma XGBoost untuk Prediksi Risiko Penyakit Jantung,” vol. 5, no. 2, pp. 117–125, 2025.

D. M. Pratiwi and L. Mufidah, “Perbandingan Metode Decision Tree Classifier dan XGBoost Classifier Dalam Memprediksi Penyakit Jantung,” pp. 991–1000, 2024.

R. Soelistijadi et al., “Pemodelan Prediktif Menggunakan Metode Ensemble Learning XGBoost dalam Peningkatan Akurasi Klasifikasi Penyakit Ginjal,” vol. 5, no. 4, pp. 1866–1875, 2024.

A. Brahmandjati, A. M. A. Rahim, and F. Asharudin, “Optimasi Prediksi Diabetes Dengan Algoritma XGBoost Dan Teknik Preprocessing Data,” vol. 3, no. 1, pp. 116–125, 2024.

B. S. C. Putra, I. Tahyudin, B. A. Kusuma, and K. N. Isnaini, “Efektivitas Algoritma Random Forest, XGBoost, dan Logistic Regression dalam Prediksi Penyakit Paru-paru,” Techno.Com, vol. 23, no. 4, pp. 909–922, 2024.

M. Hasanudin, S. Dwiasnati, and W. Gunawan, “Pelatihan Datascience pada Pra-Pemrosesan Data untuk Siswa SMK Media Informatika - Jakarta,” J. Pengabdi. Pada Masy., vol. 9, no. 4, pp. 882–888, 2024.

I. Terapan, U. Telkom, T. Elektro, and U. Telkom, “Analisis Fitur Domain Waktu ECG Heart Rate Variability Berdasarkan Gain Informasi,” vol. 10, no. 2, 2022.

C. Widowati and K. Purwantini, “Inovasi Sensor Wearable untuk Monitoring Kesehatan Mental melalui Variabilitas Denyut Jantung kesehatan mental secara berkelanjutan . Perangkat seperti smartwatch , gelang pintar , dan memberikan rekomendasi yang lebih personal ( Mitra & Ul Rehman , 2024 ).,” 2024.

M. Cahya and A. M. Simarmata, “I a l a k-n n d e k,” vol. 31, pp. 232–236, 2026.

P. Studi, T. Informatika, F. Sains, and U. P. Indonesia, “Analisis Sinyal EKG Untuk Deteksi Gangguan Jantung Pada,” vol. 30, pp. 361–368, 2025.

R. S. Hidayana et al., “Sistem Prediksi Risiko Penyakit Jantung Berbasis Machine Learning dan Framework Streamlit,” vol. 8, no. 6, pp. 3672–3680, 2025.

M. Syukron, R. Santoso, and T. Widiharih, “Perbandingan Metode Smote Random Forest Dan Smote Xgboost Untuk Klasifikasi Tingkat Penyakit Hepatitis C Pada Imbalance Class Data,” J. Gaussian, vol. 9, no. 3, pp. 227–236, 2020.