Comparative Evaluation of Support Vector Machine and Random Forest Algorithms for Heart Abnormality Detection Based on ECG Signals
Evaluasi Komparatif Algoritma Support Vector Machines (SVM) Dan Random Forest Untuk Deteksi Kelainan Jantung Berdasarkan Sinyal EKG
DOI:
https://doi.org/10.21070/jeeeu.v10i1.1749Keywords:
Elektrokardiogram, Apnea, Arrhythmia, Support Vector Machines, Random Forest, ClassificationAbstract
Sinyal Elektrokardiogram (EKG) memuat informasi penting untuk mengidentifikasikan kelainan irama jantung dan dapat digunakan untuk menganalisis aktivitas listrik sinyal jantung dan menemukan kelainan irama pada sinyal jantung. Penelitian ini bertujuan untuk membandingkan metode Support Vector Machines (SVM) dan Random Forest untuk mengklasifikasikan sinyal pada kondisi normal, apnea, dan arrhytmia. Penelitian ini terdiri dari 20 rekaman EKG apnea dan 20 rekaman EKG arrhytmia yang diproses melalui rekaman tahap preposesing sinyal, deteksi R-Peak, perhitungan interval RR, ekstrasi filter, pembagian data pelatihan model dan evaluasi performa. Data apnea diperoleh dari database Apnea-ECG Physionet dan data Arrhythmia diperoleh dari MIT-BIH Arrythmia database yang tersedia di Physionet. Dataset dibagi menjadi dua bagian 80% data latihan dan 20% data uji untuk evaluasi performa model. Accuracy, precision recall, F1-score dan confusion matrix digunakan untuk membagi kedua bagian ini untuk klasifikasi kondisi, pada kondisi ini apnea Random Forest menunjukkan keakuratan 97.24% dan keakuratan Support Vector Machine 91.41% sementara klasifikasi arrhytmia Random Forest menunjukkan accurasi 97,67% sedangkan Support Vector Machine memperoleh accurasi 95.96% dari hasil tersebut menunjukkan bahwa Random Forest lebih unggul dan menghasilkan performa klasifikasi yang lebih efektif dibandingkan Support Vector Machine pada kedua pengujian. Dengan demikian Random Forest dinilai lebih efektif untuk klasifikasi kondisi normal, apnea, bradycardia, tachycardia dan normal dalam mengklasifikasikan pola sinyal EKG.
References
[1] A. Darmawahyuni et al., “An improved electrocardiogram arrhythmia classification performance with feature optimization,” BMC Med. Inform. Decis. Mak., vol. 24, no. 1, 2024, doi: 10.1186/s12911-024-02822-7.
[2] A. K. Singh and S. Krishnan, ECG signal feature extraction trends in methods and applications, vol. 22, no. 1. BioMed Central, 2023. doi: 10.1186/s12938-023-01075-1.
[3] P. N. Malleswari, V. krishna Odugu, T. J. V. S. Rao, and T. V. N. L. Aswini, “Deep learning-assisted arrhythmia classification using 2-D ECG spectrograms,” EURASIP J. Adv. Signal Process., vol. 2024, no. 1, pp. 1–15, 2024, doi: 10.1186/s13634-024-01197-1.
[4] D. A. S, F. Arisgraha, and R. Apsari, “Bradycardia and Tachycardia Detection System With Artificial Neural Network Method,” Indones. J. Trop. Infect. Dis., vol. 3, no. 2, p. 86, 2016, doi: 10.20473/ijtid.v3i2.206.
[5] G. Moody and R. Mark, “MIT-BIH Arrhythmia Database,” PhysioNet. Accessed: May 29, 2026. [Online]. Available: https://physionet.org/content/mitdb/1.0.0/
[6] G. Moody and R. Mark, “Apnea-ECG Database,” PhysioNet. Accessed: May 29, 2026. [Online]. Available: https://physionet.org/content/apnea-ecg/1.0.0/
[7] Mariette Awad and Rahul Khanna, “Support Vector Machines for Classification SVM from a Geometric Perspective,” Efficint Learn. Mach., pp. 39–66, 2015.
[8] Z. Jin, J. Shang, Q. Zhu, C. Ling, W. Xie, and B. Qiang, “RFRSF: Employee Turnover Prediction Based on Random Forests and Survival Analysis,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 12343 LNCS, pp. 503–515, 2020, doi: 10.1007/978-3-030-62008-0_35.
[9] S. Riyanto, I. S. Sitanggang, T. Djatna, and T. D. Atikah, “Comparative Analysis using Various Performance Metrics in Imbalanced Data for Multi-class Text Classification,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 6, pp. 1082–1090, 2023, doi: 10.14569/IJACSA.2023.01406116.
[10] Z. Maisat, E. Darmawan, and A. Fauzan, “Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM Implementation of GridSearchCV Hyperparameter Optimization in Heart Attack Prediction System Using SVM,” J. Ilm. Sist. Inf., vol. 13, no. 1, pp. 8–15, 2023.
[11] A. Rácz, D. Bajusz, and K. Héberger, “Effect of Dataset Size and Train / Test Split Ratios in,” Eff. Dataset Size Train/Test Split Ratios QSAR/QSPR Multiclass Classif., vol. 26(4), no. 1111, pp. 1–16, 2021, [Online]. Available: https://doi.org/10.3390/molecules26041111
[12] D. Chicco and G. Jurman, “The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,” BMC Genomics, vol. 21, no. 1, pp. 1–13, 2020, doi: 10.1186/s12864-019-6413-7.
[13] Ž. Vujović, “Classification Model Evaluation Metrics,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 6, pp. 599–606, 2021, doi: 10.14569/IJACSA.2021.0120670.
Downloads
Published
Issue
Section
Categories
License
Copyright (c) 2026 Rizky Putri Intan Hafsari, Basitha Febrinda Hidayatulail, Rahman Arifuddin
This work is licensed under a Creative Commons Attribution 4.0 International License.
