Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)
Klasifikasikan aritmia jantung dari rekaman EKG: database MIT-BIH, kelas AAMI dan pembagian inter-pasien, filter & segmentasi beat, wavelet DWT dan scalogram CWT, SVM & Random Forest, CNN 1D & 2D, sampai evaluasi per kelas dan saliency map.
Materi mengikuti seri video Kursus Klasifikasi Sinyal EKG untuk Deteksi Aritmia dengan Wavelet & Deep Learning (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 100 ribu — Beat berlabel dari 44 pasien MIT-BIH
- 91% — Beat ventrikular terdeteksi pada pasien baru
- 0,52 — F1 makro terbaik (SVM wavelet + RR)
- Inter-pasien — Evaluasi jujur: pasien uji tidak pernah dilihat
Apa yang Dipelajari
- Sinyal EKG & MIT-BIH: Gelombang P-QRS-T, kelas AAMI, dan pembagian DS1/DS2.
- Filter & Segmentasi: Bandpass 0,5–40 Hz, segmentasi beat, dan fitur interval RR.
- Wavelet: Fitur DWT Daubechies-4 dan scalogram CWT Morlet.
- Machine Learning Klasik: SVM dan Random Forest dengan bobot kelas seimbang.
- CNN 1D & 2D: CNN untuk bentuk beat dan scalogram, digabung fitur RR.
- Evaluasi & Interpretasi: Sensitivitas, positive predictivity, F1 makro, saliency map.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian klasifikasi EKG lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode PyWavelets & PyTorch yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja klasifikasi EKG dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik PyWavelets & PyTorch pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat .
