Optimasi Klasifikasi Pola Detak Jantung Menggunakan Particle Swarm Optimization (PSO) dan Algoritma XGBoost
Abstract
Pemantauan detak jantung merupakan salah satu pendekatan penting dalam mendukung deteksi dini gangguan kardiovaskular. Perkembangan Internet of Things (IoT) memungkinkan proses akuisisi data fisiologis dilakukan secara real-time melalui perangkat wearable, namun pemanfaatan data tersebut masih menghadapi tantangan dalam menghasilkan model klasifikasi yang akurat. Penelitian ini bertujuan mengoptimalkan proses klasifikasi pola detak jantung normal dan abnormal menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dipadukan dengan Particle Swarm Optimization (PSO) sebagai metode hyperparameter tuning. Dataset penelitian diperoleh dari hasil pengukuran detak jantung mahasiswa Program Studi Ilmu Komputer Universitas Negeri Medan menggunakan sensor MAX30102 yang terintegrasi pada perangkat IoT berbasis ESP32-C3 Mini. Tahapan penelitian meliputi akuisisi data, preprocessing, ekstraksi fitur statistik, pembangunan model baseline XGBoost, optimasi threshold klasifikasi menggunakan PSO, serta evaluasi performa model berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa optimasi PSO mampu meningkatkan performa model dari akurasi 90% (baseline) menjadi 100%, dengan threshold optimal pada rentang 68,44–97,82 BPM yang memberikan proses inferensi sederhana dan cepat. Temuan ini menunjukkan bahwa integrasi PSO dengan XGBoost efektif dan efisien untuk diterapkan pada sistem klasifikasi detak jantung berbasis IoT secara real-time
References
[2] I. Rosidawati and H. Aryani, “GAMBARAN TINGKAT RISIKO PENYAKIT KARDIOVASKULAR BERDASARKAN SKOR KARDIOVASKULAR JAKARTA,” Healthcare Nursing Journal, vol. 4, no. 1, 2022, doi: 10.35568/healthcare.v4i1.1852.
[3] Awanda Aerin Maesyarani, Lalu Delsi Samsumar, Z. Zaenudin, Ardiyallah Akbar, and Emi Suryadi, “SISTEM MONITORING PENGUKUR DETAK JANTUNG DAN OKSIGEN DALAM DARAH BERBASIS INTERNET OF THINGS (IoT),” Journal of Computer Science and Information Technology, vol. 1, no. 4, 2024, doi: 10.70248/jcsit.v1i4.1282.
[4] I. Agustian, “Rancang Bangun Pemantau Detak Jantung dan Suhu Tubuh Portabel Dengan Sistem IoT,” JURNAL AMPLIFIER : JURNAL ILMIAH BIDANG TEKNIK ELEKTRO DAN KOMPUTER, vol. 9, no. 2, 2019, doi: 10.33369/jamplifier.v9i2.15378.
[5] W. R. Hidayani and A. F. Santosa, “Wearable IoT dalam Bidang Kesehatan: Tantangan dan Peluang,” Bincang Sains dan Teknologi, vol. 3, no. 02, 2024, doi: 10.56741/bst.v3i02.599.
[6] Beni Mustiko Aji and Wahyu Sri Utami, “Aplikasi Monitoring Detak Jantung Menggunakan Sensor Max30102 dan Algoritma Gaussian Naive Bayes,” JURNAL PERANGKAT LUNAK, vol. 5, no. 3, 2023, doi: 10.32520/jupel.v5i3.2803.
[7] M. U. Jannah, A. C. Nur’aidha, and D. Y. H. Kumarajati, “SISTEM DETEKSI DETAK JANTUNG BERBASIS SENSOR MAX30102, ARDUINO UNO, DAN OLED DISPLAY UNTUK PEMANTAUAN DETAK JANTUNG SECARA REAL-TIME,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4528.
[8] I. M. Karo Karo and H. Hendriyana, “Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score,” Jurnal Teknologi Terpadu, vol. 8, no. 2, pp. 94–99, 2022.
[9] W. N. Fadillah, Y. M. Rangkuti, I. Muslim, and K. Karo, “Implementasi Partitioning Around Medoids Pada Visualisasi Penyebaran Penyakit DBD di Sumatera Utara,” Journal of Mathematics, vol. 6, no. 2, pp. 128–137, 2023, doi: https://doi.org/10.35580/jmathcos.v6i2.52350.
[10] “Implementasi Data Mining Dalam Melakukan Prediksi Penyakit Diabetes Menggunakan Metode Random Forest Dan Xgboost,” Jurnal Ilmiah Komputasi, vol. 23, no. 1, 2024, doi: 10.32409/jikstik.23.1.3507.
[11] Y. Purbolingga, D. Marta, A. Rahmawatia, and B. Wajhi, “Perbandingan Algoritma CatBoost dan XGBoost dalam Klasifikasi Penyakit Jantung,” Jurnal APTEK Vol. 15 No 2 (2023) 126-133, vol. 15, no. 2, 2023.
[12] K. A. Wardana and A. M. A. Rahim, “Analisis Perbandingan Algoritma XGBoost Dan Algoritma Random Forest Untuk Klasifikasi Data Kesehatan Mental,” Jurnal Ilmu Komputer dan Pendidikan, vol. 2, no. 5, 2024.
[13] S. Sausan, D. M. Pratiwi, and L. Mufidah, “Metode Decision Tree Classifier dan XGBoost Classifier Dalam Memprediksi Penyakit Jantung,” Proceedings of the National Conference on Electrical Engineering, Informatics, Industrial Technology, and Creative Media, vol. 4, no. 1, 2025, doi: 10.20895/centive.v4i1.336.
[14] I. M. Karo Karo, S. Dewi, and A. S. Nasution, “An optimized kernel SVM framework for game review sentiment analysis using particle swarm optimization Abstrak,” Journal of Informatic Engineering (JOUTICA), vol. 11, no. 1, pp. 67–78, 2026, doi: https://doi.org/10.30736/jti.v11i1.1633.
[15] V. A. Lakra, S. Jena, and K. Mishra, “Optimizing XGBoost Hyperparameters for Credit Scoring Classification Using Weighted Cognitive Avoidance Particle Swarm,” IEEE Access, vol. 13, 2025, doi: 10.1109/ACCESS.2025.3585980.
[16] R. Laksana Aryananda, Trimono, W. Syaifullah J, and W. S. Wan Awang, “Hyperparameter optimization of XGBoost using artificial bee colony for predicting medical complications in hemodialysis patients,” Jurnal Ilmiah Kursor, vol. 13, no. 1, 2025, doi: 10.21107/kursor.v13i1.459.
Copyright (c) 2026 Ichwanul Muslim Karo Karo, Justaman Arifin Karo Karo, Manan Ginting, Darni Paranita, Ratna Kristina Tarigan, Maulidna
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
