ALGORITMA PRINCIPAL COMPONEN ANALYSIS DALAM PEMROSESAN SINYAL ELECTROKARDIOGRAM

Husaini Husaini, Huzaeni Huzaeni, Fahmi Fahmi

Abstrak


Abstrak — Principal Component Analysis (PCA) merupakan salah satu teknik yang ada dalam statistic dan merupakan metode non parametric untuk mengekstraksi informasi-informasi yang bersesuaian dari sekumpulan data yang masih diragukan dan memerlukan proses untuk menghilangkan gangguan-gangguan yang ada. Data yang dimaksud salah satunya adalah sinyal ektrokardiogram (EKG). Sinyal EKG merupakan sinyal yang diperoleh dari rekaman aktifitas elektrik dari jantung. Rekaman sinyal EKG tidak saja digunakan untuk tujuan diagnosa, tapi juga disimpan sebagai referensi dalam mengklasifikasi EKG arrhythmia. Untuk mendapatkan hasil yang lebih baik maka data-data sinyal EKG akan direduksi dimensinya dengan tujuan untuk menghilangkab data-data yang tidak sesuai, tidak relevan dan data redundant sehingga dapat menghemat biaya komputasinya dan mencegah data-data yang over-fitting. Tulisan ini memaparkan tentang ide dasar dari PCA dalam mereduksi dimensi data-data dari sinyal  EKG. Hasil yang ditampilkan adalah berupa proses-proses dalam algoritma PCA dan akurasi klasifikasi sinyal  dengan metode KNN dan Naive Bayes.

Kata kunci : principal component analysisi (PCA), sinyal EKG, reduksi dimensi

 

Abstract — The Principal Component Analysis (PCA) is one of the existing techniques in statistics and a non parametric method for extracting the information from a collection of data that still in doubt and requires a process to remove any disturbances. The data in question one of them is the signal ektrokardiogram (ECG). ECG signals are signals obtained from recording electrical activity from the heart. ECG signal recording is not only used for diagnostic purposes, but is also stored as a reference in classifying ECG arrhythmias. To get better results then the ECG signal data will be reduced the dimension. The aim to removed data that are not appropriate, irrelevant and redundant data so as to save the cost of computing and prevent data over-fitting. This paper describes the basic idea of PCA in reducing the dimensions of data from ECG signals. The results shown are the processes in PCA algorithm and signal classification accuracy by KNN and Naive Bayes methods.

Keywords— Principal Component Analysis, ECG Signal, reduction dimentionality


Teks Lengkap:

PDF

Referensi


L. F. Giraldo, E. Delgado, J. C. Riano, and G. Castellanos, “Feature se- ˜ lection using hybrid evaluation approaches based on genetic

algorithms,” in Proc. IEEE Comput. Soc. Press Proc., Electron., Robot. Automotive Mech. Conf. (CERMA 2006), vol. 2, pp. 242–247.

Laurens van der Maaten, Eric Postma, and Jaap van den Herik, Dimensionality Reduction: A Comparative Review, Elsevier, 2008

C.J.C. Burges. Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers, chapter Geometric Methods for Feature Selection and Dimensional Reduction: A Guided Tour. Kluwer Academic Publishers, 2005.

J. Wang, Z. Zhang, and H. Zha. Adaptive manifold learning. In Advances in Neural Information Processing Systems, volume 17, pages 1473–1480, Cambridge, MA, USA, 2005. The MIT Press

I. T. Jolliffe, Principal Component Analysis, 2nd ed. ed. New York: Spring-Verlag, 2002

D. Blei, A. Ng, M. Jordan, and J. Lafferty. Latent dirichlet allocation. Journal of Machine Learning Research, 3:2003, 2003.




DOI: http://dx.doi.org/10.30811/jim.v3i1.622

Refbacks

  • Saat ini tidak ada refbacks.