Paper ini pernah dimuat dalam Preceeding Seminar Nasional Teknologi Informasi (SNATI 2008), Juni 2008, Universitas Islam Indonesia, Yogyakarta, ISSN : 1907-5022

Pada penelitian ini dilakukan pengenalan sinyal EKG (elektrokardiogram) untuk identifikasi jenis kelainan secara otomatis. Data yang digunakan adalah rekaman sinyal EKG dengan 3 kelas yaitu normal, atrial fibrillation dan congestif heart failure dengan jumlah masing-masing 30 data dengan frekuensi sampling 250Hz. Sinyal EKG dilakukan preprosessing meliputi  normalisasi amplitudo dan penghilangan komponen DC. Selanjutnya dilakukan dekomposisi paket wavelet level 5 dengan wavelet dabechies 2 sebagai motherwaveletnya. Proses ini akan menghasilkan 32 subband yang selanjutnya dihitung energi tiap subband menggunakan priodogram dan menjadikannya sebagai fitur.

Untuk klasifikasi dilakukan menggunakan teknik K-Mean clustering, teknik ini memisahkan data menjadi kluster-kluster berdasarkan jarak terhadap sentroid data. Karena ada 3 kelas data maka dibentuk 3 kluster dengan jarak cityblok atau manhattan distance untuk menghitung jarak data dengan centroid.

Dari hasil pengujian didapatkan akurasi 94.4%. Hal ini menunjukkan bahwa teknik yang digunakan sudah cukup baik. Kelemahan dari system yang diusulkan adalah sifatnya yang belum bisa real-time dan pemotongan data yang masih
manual. Untuk itu perlu adanya perbaikan sehingga metode ini bisa dilakukan pada sinyal EKG yang diambil terus-menerus pada pasien (monitoring ECG) serta segmentasi otomatis.

Untuk lebih lengkapnya, bisa dibaca pada link ini