ANALISIS KOMPARATIF ALGORITMA K-NEAREST NEIGHBORS DAN LIGHTGBM UNTUK KLASIFIKASI KONTRAKSI JANTUNG PREMATUR

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 dengan 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 mengenali 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.