ANALISIS KOMPARATIF ALGORITMA K-NEAREST NEIGHBORS DAN LIGHTGBM UNTUK KLASIFIKASI KONTRAKSI JANTUNG PREMATUR
Abstract
Kontraksi prematur merupakan salah satu kelainan jantung dimana detak jantung berdetak lebih dulu dibanding siklus normalnya. Secara umum kontraksi prematur dibagi menjadi kontraksi prematur yang berasal dari ventrikel ( Premature Ventricle Contraction, PVC) dan kontraksi prematur yang berasal dari atrial ( Premature Atrial Contraction , PAC). Meski keduanya dianggap bukan sesuatu yang berbahaya namun beberapa studi menunjukkan bahwa kontraksi prematur yang terjadi dengan frekuensi cukup tinggi diasosiakan de ngan meningkatnya resiko penyakit kardiovaskular baik untuk individu dengan dan tanpa penyakit kardiovaskular. Elektrokardiogram (EKG) menjadi instrumen utama dalam deteksi aritmia, dan penerapan machine learning berpotensi meningkatkan akurasi identifikasi pola kontraksi prematur. Penelitian ini difokuskan pada perbandingan performa dua algoritma machine learning yang berbeda karakteristik, yaitu K-Nearest Neighbors (KNN) sebagai algoritma berbasis instance dengan pendekatan sederhana namun efektif dalam m engenali pola lokal, serta Light Gradient Boosting Machine (LightGBM) sebagai algoritma berbasis gradient - boosted trees yang unggul dalam menangani data kompleks dengan efisiensi komputasi tinggi. Kedua algoritma diuji menggunakan kombinasi fitur temporal, statistik, spektral, dan interval RR dari sinyal EKG untuk mengklasifikasi tiga kelas: normal, PVC, dan PAC. Hasil evaluasi menunjukkan bahwa KNN mencapai akurasi keseluruhan 94,12% dengan kinerja relatif stabil pada PAC (F1-score 84,09%) namun menurun dibandingkan performanya pada PVC (F1 -score 90,78%). Sebaliknya, LightGBM memperoleh akurasi keseluruhan lebih tinggi sebesar 94,80% dan unggul dalam mendeteksi PVC dengan recall 95,38%, meskipun pencapaiannya lebih rendah pada PAC (F1 -score 81,65%). Perbedaan pola ini menegaskan bahwa meskipun KNN relatif stabil dalam klasifikasi PAC, LightGBM unggul dalam mendeteksi PVC dengan recall yang lebih tinggi. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung pengembangan metode yang lebih adaptif untuk implementasi klinis pada klasifikasi kontraksi jantung prematur.
References
[2] Ansari, G. A., Bhat, S. S., Ansari, M. D., Ahmad, S., Nazeer, J., & Eljialy, A. E. M. 2023. Performance Evaluation of Machine Learning Techniques (MLT) for Heart Disease Prediction. Computational and Mathematical Methods in Medicine, 2023(1), 8191261. https://doi.org/10.1155/2023/8191261.
[3] Aprilliandhika, W., & Abdulloh, F. F. 2024 . COMPARISON OF K -NEAREST NEIGHBOR AND SUPPORT VECTOR MACHINE ALGORITHM OPTIMIZATION WITH GRID SEARCH CV ON STROKE PREDICTION. Jurnal Teknik Informatika (Jutif) , 5(4), 991–1000. https://doi.org/10.52436/1.jutif.2024.5.4.1951. Artanti, V ., Faisal, M., & Kurniawan, F. 2024 . Klasif ikasi Cardiovascular Diseases Menggunakan Algoritma K-Nearest Neighbors (KNN). Techno.Com, 23(2), 469–481. https://doi.org/10.62411/tc.v23i2.10061.
[4] Barandas, M., Folgado, D., Fernandes, L., Santos, S., Abreu, M., Bota, P., Liu, H., Schultz, T., & Gamboa, H. 2020. TSFEL: Time Series Feature Extraction Library. SoftwareX, 11, 100456. https://doi.org/10.1016/j.softx.2020.100456.
[5] Han, R., Meng, R., & Zhu, Q. 2024 . Predictive Analytics in Heart Disease: Leveraging LightGBM for Improved Diagnostic Accuracy.
[6] Jiang, J., Zhang, H., Pi, D., & Dai, C. 2019 . A novel multi-module neural network system for imbalanced heartbeats classification. Expert Systems with Applications: X , 1, 100003. https://doi.org/10.1016/j.eswax.2019.100003. Monali Gulhane. 2024 . Machine Le arning-Based Approach for ECG Analysis and Cardiac Anomaly Detection to Enhance Early Diagnosis and Treatment. Advances in Nonlinear Variational Inequalities, 28(2s), 555–572. https://doi.org/10.52783/anvi.v28.2762.
[7] Mukaka, M. M. 2012. Statistics Corner: A guide to appropriate use of Correlation coefficient in medical research. Malawi Medical Journal : The Journal of Medical Association of Malawi, 24(3), 369–371.
[8] Orini, M., van Duijvenboden, S., Young, W. J., Ramírez, J., Jones, A. R., Tinker, A., Mu nroe, P. B., & Lambiase, P. D. 2023 . Premature atrial and ventricular contractions detected on wearable -format electrocardiograms and prediction of cardiovascular events. European Heart Journal - Digital Health , ztad007. https://doi.org/10.1093/ehjdh/ztad007.
[9] Shi, H., Wang, H., Zhang, F., Huang, Y., Zhao, L., & Liu, C. 2019. Inter-patient heartbeat classification based on region feature extraction and ensemble classifier. Biomedical Signal Processing and Control, 51, 97–105. https://doi.org/10.1016/j.bspc.2019.02.012
[10] Srinivasulu, A., & Sriraam, N. 2023 . Signal Processing Framework for the Detection of Ventricular Ectopic Beat Episodes. Journal of Medical Signals & Sensors, 13(3), 239– 251. https://doi.org/10.4103/jmss.jmss_12_22.
[11] Sudha, P., A ravinth, T. U., & Selvi, R. T. 2025 . Prediction and Treatment of Mitral Valve Failure by Hyperparameter Tuning Using ML Algorithms with an Ayurvedic Approach.
[12] Dalam A. Swaroop, B. Virdee, S. D. Correia, & Z. Polkowski (Ed.), Proceedings of Data Analytics and Management (hlm. 455–471). Springer Nature Singapore.
[13] Tsai, I. H., & Morshed, B. I. 2025. Signal-Specific and Signal-Independent Features for RealTime Beat -by-Beat ECG Classification with AI for Cardiac Abnormality Detection. Electronics, 14(13), 2509. https://doi.org/10.3390/electronics14132509.
[14] Vo, T. N. 2025. Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning (No. arXiv:2506.06349). arXiv. https://doi.org/10.48550/arXiv.2506.06349.
[15] Zakaria, H., Nurdiniyah, E. S. H., Kurniawati, A. M., Naufal, D., & Sutisna, N. 2024 . Morphological Arrhythmia Classification Based on Inter -Patient and Two Leads ECG Using Machine Learning. IEEE Access , 12, 147372 –147386. https://doi.org/10.1109/ACCESS.2024.3469640.
