Melola Discovery

← Melola Discovery

Jurnal SINTA 2

EKSTRAKSI FITUR FRAKTAL DAN MORFOLOGI SINYAL ELEKTROKARDIOGRAM DAN PEMANFAATANNYA DALAM KLASIFIKASI DEEP SLEEP

Jurnal Ilmu Komputer dan Informasi (JIKI) · Vol. 4 No. 2 (2012) · pp. 98–106

DOI
10.21609/jiki.v4i2.169
ISSN
2502-9274, 2088-7051
Published
2012-05-30
Publisher
Faculty of Computer Science - Universitas Indonesia
Language
eng

Abstract

Detak jantung manusia dapat memberikan informasi yang berguna tentang aktivitas yang terjadi di dalam tubuh. Salah satu informasi yang dapat diperoleh dari rekaman detak jantung atau elektrokardiogram adalah tingkat keterlelapan tidur seseorang (sleep stages). Dari sinyal elektrokardiogram seseorang, tingkat keterlelapan tidurnya dapat dikenali dengan terlebih dahulu mengekstrak fitur yang merepresentasikan sinyal elektrokardiogram tersebut secara keseluruhan. Ekstraksi dilakukan agar dimensi data dapat tereduksi sehingga proses klasifikasi dapat lebih mudah dilakukan. Penelitian ini melakukan ekstraksi fitur fraktal dan morfologi dari sinyal elektrokardiogram yang diperoleh dari PhysioNet. Sebelum melakukan ekstraksi fitur morfologi dari sinyal elektrokardiogram, terlebih dahulu dilakukan “Wavelet Denoising” untuk menghilangkan noise yang terdapat pada sinyal. Human heart rate can provide useful information about the activities that occur in the body. One of information which may be obtained from recording the heart rate or electrocardiogram is commonly called a person's level of deep sleep (sleep stages). From a person's electrocardiogram signal, the level of deep sleep recognizable by extracting features that represent the electrocardiogram signal as a whole. Extraction is done so that the dimension of the data can be reduced so that the classification process can be more easily done. This study aims to extract fractal features and morphology of the electrocardiogram signal obtained from PhysioNet. Prior to the extraction of morphological features of the electrocardiogram signal, first performed “Wavelet Denoising” to remove the noise contained in the signal.

Keywords

Collaboration network of the authors

30 authors · 65 co-authorship links · 26 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • University of Indonesia
  • Mercu Buana University
  • Universitas Gadjah Mada
  • University of Reading
  • Universitas Stikubank
  • RWTH Aachen University
  • University of Auckland
  • Other organisations
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Ruli ManurungAffiliation unknown2
Ida NurhaidaMercu Buana University2
Remmy A. M. ZenMercu Buana University2
Hong WeiUniversity of Reading2
Agus HarjokoUniversitas Gadjah Mada2
Edi WinarkoUniversitas Gadjah Mada2
Edy WinarnoUniversitas Stikubank2
Vina AyumiMercu Buana University1
L. M. Rasdi RereUniversity of Indonesia1
Mohamad Ivan FananyUniversity of Indonesia1
Yohanes GultomUniversity of Indonesia1
Rian Josua MasikomeRWTH Aachen University1
Muhamad SolehUniversity of Indonesia1
Sesa WigunaUniversity of Auckland1
Yuni ArtiUniversity of Indonesia1
Hans Timothy WijayaUniversity of Indonesia1
Juan Thomas WijayaUniversity of Indonesia1
Yohanes Fridolin HestrioUniversity of Indonesia1
Bayu Satria PersadaUniversity of Indonesia1
Frederic Morado SaragihUniversity of Indonesia1
Muhammad Yusuf KardawiUniversity of Indonesia1
Wisnu Aryo JatmikoUniversity of Indonesia1
Herwanto HerwantoAffiliation unknown1
Achmad Nizar HidayantoUniversity of Indonesia1
Hisyam FahmiUniversitas Islam Negeri Maulana Malik Ibrahim1
Devi FitrianahMercu Buana University1
Pang‐Ning TanMichigan State University1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jiki.cs.ui.ac.id/index.php/jiki/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">EKSTRAKSI FITUR FRAKTAL DAN MORFOLOGI SINYAL ELEKTROKARDIOGRAM DAN PEMANFAATANNYA DALAM KLASIFIKASI DEEP SLEEP</dc:title>
	<dc:creator>Arymurthy, Aniati Murni</dc:creator>
	<dc:creator>Citrahadi, Edward</dc:creator>
	<dc:creator>Antaresti, Tieta</dc:creator>
	<dc:subject xml:lang="en-US">deep sleep</dc:subject>
	<dc:subject xml:lang="en-US">elektrokardiogram</dc:subject>
	<dc:subject xml:lang="en-US">fraktal</dc:subject>
	<dc:subject xml:lang="en-US">pemrosesan sinyal</dc:subject>
	<dc:subject xml:lang="en-US">sleep stages</dc:subject>
	<dc:description xml:lang="en-US">Detak jantung manusia dapat memberikan informasi yang berguna tentang aktivitas yang terjadi di dalam tubuh. Salah satu informasi yang dapat diperoleh dari rekaman detak jantung atau elektrokardiogram adalah tingkat keterlelapan tidur seseorang (sleep stages). Dari sinyal elektrokardiogram seseorang, tingkat keterlelapan tidurnya dapat dikenali dengan terlebih dahulu mengekstrak fitur yang merepresentasikan sinyal elektrokardiogram tersebut secara keseluruhan. Ekstraksi dilakukan agar dimensi data dapat tereduksi sehingga proses klasifikasi dapat lebih mudah dilakukan. Penelitian ini melakukan ekstraksi fitur fraktal dan morfologi dari sinyal elektrokardiogram yang diperoleh dari PhysioNet. Sebelum melakukan ekstraksi fitur morfologi dari sinyal elektrokardiogram, terlebih dahulu dilakukan “Wavelet Denoising” untuk menghilangkan noise yang terdapat pada sinyal.

Human heart rate can provide useful information about the activities that occur in the body. One of information which may be obtained from recording the heart rate or electrocardiogram is commonly called a person's level of deep sleep (sleep stages). From a person's electrocardiogram signal, the level of deep sleep recognizable by extracting features that represent the electrocardiogram signal as a whole. Extraction is done so that the dimension of the data can be reduced so that the classification process can be more easily done. This study aims to extract fractal features and morphology of the electrocardiogram signal obtained from PhysioNet. Prior to the extraction of morphological features of the electrocardiogram signal, first performed “Wavelet Denoising” to remove the noise contained in the signal.</dc:description>
	<dc:publisher xml:lang="en-US">Faculty of Computer Science  - Universitas Indonesia</dc:publisher>
	<dc:date>2012-05-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jiki.cs.ui.ac.id/index.php/jiki/article/view/169</dc:identifier>
	<dc:identifier>10.21609/jiki.v4i2.169</dc:identifier>
	<dc:source xml:lang="en-US">Jurnal Ilmu Komputer dan Informasi; Vol. 4 No. 2 (2011): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information); 98-106</dc:source>
	<dc:source>2502-9274</dc:source>
	<dc:source>2088-7051</dc:source>
	<dc:source>10.21609/jiki.v4i2</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://jiki.cs.ui.ac.id/index.php/jiki/article/view/169/279</dc:relation>
</oai_dc:dc>