Klasifikasi Sinyal Elektrokardiogram Menggunakan Renyi Entropy

Abstract

AbstrakSinyal Elektrokardiogram (EKG) adalah salah satu indikator penting tentang aktivitas kelistrikan jantung. Sinyal ini dapat menjadi basis analisa kerja jantung sehingga menjadi penting. Sampai saat ini sinyal EKG tidak dapat digambarkan dengan persamaan matematis yang tepat karena sinyal EKG berulang tapi tidak tepat periodik. Untuk itu digunakan signal complexity untuk menjelaskan perilaku sinyal EKG.Renyl entropy adalah salah satu matrik untuk menganalisa kompleksitas sinyal, dan merupakan bentuk umum dari entropy lain. Dengan demikian akurasi yang dihasilkan lebih tinggi. Pada penelitian ini menggunakan Renyi Entropy dihasilkan akurasi 100% untuk tiga kelas data EKG. Digunakan Support Vector Machine (SVM) linear, qubic, dan quadratic sebagai pembanding satu sama lain. Keunggulan metode ini adalah akurasi yang tinggi dengan menggunakan jumlah ciri yang jauh lebih sedikit. AbstractElectrocardiogram (ECG) signals are one of the important indicators of heart electrical activity. This signal can be the basis for analyzing the work of the heart so that it becomes important. Until now the ECG signal cannot be described with the right mathematical equation because the ECG signal is repeated but not periodically correct. For this reason, complexity signals are used to explain the behavior of ECG signals.Renyl entropy is a matrix for analyzing signal complexity, and is a common form of other entropy. Thus the resulting accuracy is higher. In this study using Renyi Entropy produced 100% accuracy for three classes of ECG data. Linear, Qubic, and Quadratic Support Vector Machine (SVM) are used to be compared to each other. The advantage of this method is high accuracy by using a number of traits that are far less.

Nanomaterials and Their Recent Applications in Impedimetric Biosensing

“…There are several good reasons for using nanoparticles in the biosensor design, including a large surface area, a flexible surface for molecular functionalization, electrocatalytic properties, and the facilitation of a direct electron transfer [67]. Due to their resistance to oxidation and high biocompatibility, precious metals like Au, Ag, Pt, and Pd are commonly selected for electrode modification [68,69]. In addition, metal oxide nanoparticles such as NiO, ZnO, CuO, and TiO 2 provide similar advantages.…”

Klasifikasi Sinyal EKG menggunakan Ciri Statistik dan Parameter Hjorth dengan SVM dan k-NN

“…Prediksi kelas benar adalah 1 dan prediksi kelas salah adalah 0. Sementara itu, hasil evaluasi performa dalam bentuk akurasi sebagaimana disajikan pada Tabel 1, memberikan nilai akurasi prediksi hingga 100% (Estananto, 2018), dalam hal jumlah ciri yang digunakan dan akurasi. Ringkasan perbandingan studi disajikan pada Tabel 4.…”

Simulasi Entropi Shannon, Entropi Renyi, dan informasi pada kasus Spin Wheel

“…Nilai entropi dihitung dengan urutan q = 2-100 sebagai fitur dari setiap data dan ditambahkan ke entropi sinyal Shannon. Sebagai pengklasifikasi digunakan dukungan mesin vektor dengan beberapa variasi (Estananto, 2018). Penelitian untuk mengevaluasi kompleksitas perilaku menggunakan entropi informasi dengan membuat distribusi probabilitas empiris yang berfungsi langsung dari kumpulan data, selain itu entropi informasi digunakan untuk mengevaluasi kompleksitas temporal dan spasial dari proses aliran yang disimulasikan dengan infiltrasi ke media berpori yang heterogen (Mays, Faybishenko, dan Finsterle, 2002).…”