Abstrak—Elektrokardiogram (EKG) adalah suatu representasi dari kinerja detak jantung seseorang. Membaca hasil EKG dan menentukan adanya kelainan jantung tentu saja memerlukan keahlian khusus, contohnya dokter atau ahli medis. Untuk mempermudah pencegahan terhadap bahaya penyakit jantung, pada tugas akhir ini akan dibuat aplikasi mobile dengan sistem operasi Android untuk pemantauan EKG seorang pasien suatu rumah sakit. Aplikasi mobile ini dapat menentukan kondisi jantung pasien tersebut, apakah normal atau tidak, berdasarkan selisih RR Interval. Apabila ternyata RR Interval pasien tersebut tidak normal, maka aplikasi ini akan mengirimkan peringatan ke aplikasi web milik rumah sakit tersebut. Dalam mendeteksi normal-tidaknya EKG, aplikasi tugas akhir ini melakukan deteksi QRS Complex menggunakan metode yang sudah umum dipakai, yaitu metode First Derivative Based Technique (FDBT). Metode FDBT mencari 3 sample titik EKG berurutan yang masing-masing nilainya melebihi suatu nilai batas atas, diikuti dengan 2 sample titik berurutan yang masing-masing nilainya di bawah nilai batas bawah, dan jarak keduanya tidak boleh lebih dari suatu nilai batas jarak. Setelah ditemukan beberapa kandidat QRS Complex, proses selanjutnya adalah mencari titik R, yaitu nilai tertinggi dari QRS Complex. Dengan ditemukannya beberapa posisi titik R, maka pendeteksian RR Interval dapat dilakukan. Pendeteksian RR Interval sangat penting untuk pemantauan kesehatan, karena banyak penyakit jantung seperti takikardi, bradikardi, dan aritmia dapat didiagnosis melalui pembacaan RR Interval. Dengan menggunakan metode FDBT, dari 200 data yang diujikan, aplikasi tugas akhir ini mendapatkan nilai akurasi sebesar 83%.
Kata Kunci—aritmia, elektrokardiogram, fdbt, qrs complex, rr interval.
I. PENDAHULUAN
ANTUNG merupakan salah satu organ tubuh yang sangat penting. Jantung berupa rongga organ berotot, sekepalan tangan, yang memompa darah lewat pembuluh darah oleh kontraksi berirama yang berulang [1]. Adanya kelainan pada jantung dapat mengakibatkan kematian.
Penemuan elektrokardiogram merupakan batu loncatan besar di bidang medis. Elektrokardiogram (EKG) adalah suatu representasi dari potensial listrik otot jantung yang didapat dengan menggunakan sebuah alat bernama elektrokardiograf. Kegiatan listrik jantung dalam tubuh dapat dicatat dan direkam melalui elektroda-elektroda yang dipasang pada permukaan tubuh. Kelainan tata listrik jantung akan menimbulkan kelainan gambar EKG, sehingga EKG ini digunakan oleh dokter atau ahli medis untuk menentukan
kondisi jantung dari pasien [2]. Para dokter dan ahli medis ini melakukan pembacaan secara manual pada grafik EKG yang dihasilkan oleh elektrokardiograf.
Adapun pembacaan EKG dan pengambilan keputusan kondisi jantung secara manual tentu saja membutuhkan waktu dan tenaga yang memadai, sedangkan di era modern seperti saat ini, kecepatan, ketepatan, dan kemudahan sangat diperlukan.
Di sisi lain, beberapa tahun terakhir ini, teknologi informasi dan komunikasi mengalami perkembangan yang sangat signifikan dengan munculnya bermacam platform untuk perangkat mobile seperti Symbian, Java, dan Android. Meski tergolong baru, sistem operasi Android langsung mendapat banyak respon positif di masyarakat dikarenakan kemudahan penggunaan dan pengembangannya.
Untuk mempermudah pencegahan terhadap bahaya penyakit jantung, pada tugas akhir ini akan dibuat aplikasi mobile
dengan sistem operasi Android untuk pemantauan EKG seorang pasien suatu rumah sakit. Aplikasi ini dapat menentukan kondisi jantung pasien tersebut, apakah normal atau tidak. Apabila ternyata kondisi jantung pasien tersebut tidak normal, maka aplikasi ini akan mengirimkan peringatan ke aplikasi web milik rumah sakit tersebut.
II. KAJIANPUSTAKA
A. Gelombang Elektrokardiogram
Secara individual, seperti pada Gambar 1 [3], grafik EKG diberi label P, Q, R, S, dan T untuk memudahkan pembacaan.
• Gelombang P
Terjadi saat denyutan/kontraksi pada atrium jantung. Gelombang ini relatif kecil karena otot atrium yang relatif tipis [3].
• Titik Q, R dan S atau biasa disebut QRS Complex
Terjadi saat denyutan/kontraksi (listrik) pada ventrikel jantung. Karena otot ventrikel tebal, maka gelombang ini relatif besar [3].
• Gelombang T
Relaksasi pada ventikel jantung [3].
Dalam pembahasan EKG, dikenal juga istilah RR Interval.
RR Interval merupakan jarak waktu antara satu titik R dengan titik R setelahnya [3].
Rancang Bangun Sistem
Monitoring
RR Interval
pada
Data Elektrokardiogram Berbasis Metode
First Derivative
Based Technique
(FDBT) untuk
User
Bergerak
Arif Hidayah Rezaldy, Waskitho Wibisono, dan Henning Titi Ciptaningtyas
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
Pendeteksian RR Interval sangat penting untuk pemantauan kesehatan, karena banyak penyakit jantung seperti takikardi, bradikardi, dan aritmia dapat didiagnosis melalui pembacaan
RR Interval [4]. Contoh RR Interval dapat dilihat pada Gambar 2 [3].
B. Dataset
Dataset yang digunakan dalam tugas akhir ini merupakan representasi gelombang EKG dalam bentuk tabel, yang terdiri atas 2 kolom dan banyak baris. Kolom pertama berisi variabel waktu, dan kolom kedua berisi variabel tegangan. Dataset ini untuk selanjutnya akan disebut sebagai data.
Ada dua jenis data yang dipakai, data normal dan data aritmia. Kedua data tersebut berisi titik-titik EKG sepanjang 60 detik. Rentang waktu antar titik sample EKG pada data normal sebesar 0,007 hingga 0,008 detik, sedangkan rentang waktu antar titik sample EKG pada dataaritmia sebesar 0,002 hingga 0,003 detik.
C. Aritmia
Aritmia merupakan salah satu kelainan pada jantung yang berupa gangguan pada frekuensi, adanya ketidakteraturan, denyut atau konduksi impuls listrik pada jantung [5].
Detak jantung penderita aritmia yang terekam pada data EKG terlihat tidak teratur pada bagian RR Interval. Atas dasar inilah, pada tugas akhir ini digunakan data aritmia sebagai pembanding untuk data tidak normal. Contoh grafik aritmia dapat dilihat pada Gambar 3 [6].
D. Metode FDBT
Pencarian RR Interval didahului dengan pencarian QRS Complex. Ada 3 metode yang umum digunakan untuk mencari
QRS Complex, yaitu Amplitude Based Technique (ABT), First Derivative Based Technique (FDBT), dan Secondary Derivative Based Technique (SDBT) [4]. Aplikasi tugas akhir ini hanya menerapkan metode FDBT.
(1) (2) (3) Anggap merupakan kumpulan sample titik EKG. Maka, prinsip pencarian QRS Complex menggunakan metode FDBT adalah dengan mencari 3 sample titik EKG berurutan yang masing-masing nilainya melebihi suatu nilai batas atas, seperti yang tertulis pada Persamaan (1). Diikuti dengan 2 sample
titik berurutan yang masing-masing nilainya di bawah nilai batas bawah, seperti pada Persamaan (2). Dan jarak keduanya tidak boleh lebih dari nilai batas jarak, seperti pada Persamaan (3) [4].
E. Penentuan Titik R
(4) Setelah ditemukan beberapa kandidat QRS Complex, proses selanjutnya adalah mencari titik R, yaitu nilai tertinggi dari
QRS Complex [4], seperti yang tertulis pada Persamaan (4). Dengan ditemukannya beberapa posisi titik R, maka pendeteksian RR Interval dapat dilakukan.
III. DESAINSISTEM
A. Deskripsi Umum
Terdapat dua aplikasi yang termasuk di dalam kesatuan sistem pada tugas akhir ini, yaitu aplikasi mobile dan aplikasi web.
Aplikasi mobile dalam tugas akhir ini dapat berjalan pada sistem operasi Android dengan versi minimal 2.2. Aplikasi ini dapat memproses data EKG seorang pasien, yang kemudian dari pemprosesan tersebut menghasilkan kesimpulan normal-tidaknya jantung pasien tersebut.
Data EKG yang diproses itu berupa file teks yang tersimpan di dalam kartu memori perangkat mobile. Apabila dari pemprosesan data EKG tersebut diketahui kondisi jantungnya tidak normal, maka aplikasi ini akan otomatis mengirim peringatan/notifikasi ke aplikasi web, yang kemudian akan menampilkan informasi dari pasien terkait.
Sedangkan aplikasi web dalam tugas akhir ini dibuat dengan bahasa pemrograman PHP. Aplikasi ini hanya untuk melihat notifikasi yang dikirim dari aplikasi mobile saja. Aritmia
Gambar 1. Grafik EKG Normal
Gambar 2. Contoh RR Interval
B. Arsitektur Sistem
Gambaran arsitektur umum sistem dapat dilihat pada Gambar 4. Alur kerja sistem dalam tugas akhir ini adalah sebagai berikut.
1. Aplikasi mobile meminta ID pasien dan file data EKG. 2. Aplikasi memproses data EKG yang telah dipilih
sebelumnya menggunakan metode FDBT.
3. Aplikasi melakukan pengecekan, apabila hasil proses data EKG tersebut menyatakan normal, maka aplikasi tidak melakukan apa-apa.
4. Apabila hasil proses menyatakan tidak normal, maka aplikasi mobile mengirim notifikasi ke aplikasi web menggunakan JSONParser.
5. Aplikasi web menampilkan notifikasi yang didapat dari aplikasi mobile. Notifikasi yang ditampilkan berupa:
a. Potongan grafik EKG yang terdeteksi tidak normal. Penggambaran grafik menggunakan pustaka JqPlot. b. Lokasi dari perangkat mobile saat mengirim notifikasi.
Penggambaran lokasi menggunakan Google Map.
C. Deskripsi Aplikasi
Terdapat dua tipe pengguna sistem dalam tugas akhir ini, yaitu pihak pasien dan pihak rumah sakit. Pasien mengakses sistem menggunakan aplikasi mobile, sedangkan pihak rumah sakit mengakses sistem menggunakan aplikasi web. Masing-masing pengguna menjalankan usecase yang berbeda, sebagai berikut.
1. Memasukkan ID
Pasien memasukkan nomor ID yang didapat sebelum bisa mengakses aplikasi mobile. Nomor ID ini nantinya untuk mempermudah proses menampilkan data pada aplikasi web. 2. Memilih dan memproses data EKG
Pasien memilih data EKG yang terdapat pada kartu memori perangkat mobile, yang kemudian secara otomatis data tersebut akan diproses oleh sistem untuk dideteksi normal-tidaknya.
3. Kirim notifikasi
Pengiriman notifikasi akan otomatis dijalankan apabila data EKG yang dipilih terdeteksi tidak normal.
4. Melihat notifikasi
Pihak rumah sakit dapat melihat notifikasi yang didapat dari aplikasi mobile. Data yang didapat dari aplikasi mobile
tersebut ditampilkan dalam aplikasi web. 5. Melihat data RR tidak normal
Pihak rumah sakit dapat melihat semua data RR Interval
tidak normal milik seorang pasien.
IV. IMPLEMENTASI
A. Penentuan Batas
Rentang waktu yang ditempuh satu QRS Complex yaitu antara 0,07 detik hingga 0,12 detik [7]. Pada referensi [4] dan [7] didapatkan bahwa batas jarak terbaik adalah 10 sample
titik atau 0,1 detik. Namun, dua jenis data yang digunakan dalam tugas akhir ini berbeda rentang waktu antar titiknya, sehingga batas jarak yang digunakan adalah 0,1 detik.
Sedangkan dalam referensi [4] dan [8] didapatkan dua kombinasi batas atas dan batas bawah.
1. Batas atas = 0,1375 dan batas bawah = -0,2 2. Batas atas = 0,133 dan batas bawah = -0,2
Untuk menentukan kombinasi terbaik dalam menetukan
QRS Complex, dilakukan percobaan terhadap QRS Complex
dari data training. Hasil uji coba tersebut dapat dilihat pada Tabel 1.
Tabel 1.
Perbandingan Kombinasi 2 Batas Batas atas 0,133 0,1375 Batas bawah -0,2 -0,2
Akurasi (%) 94 96
Dari percobaan tersebut didapat bahwa kombinasi batas atas dan batas bawah terbaik adalah 0,1375 dan -0,2.
Data-data di atas apabila dimasukkan ke dalam Persamaan (1), Persamaan (2), dan Persamaan (3) akan menghasilkan persamaan baru yang digunakan dalam tugas akhir ini, yaitu Persamaan (5), Persamaan (6), dan Persamaan (7).
(5) (6) (7)
B. Penentuan Batas RR Normal
Untuk menentukan apakah suatu RR Interval itu normal atau tidak, diperlukan suatu batas. Batas RR ini nantinya sebagai pembanding untuk menentukan normal-tidaknya suatu
RR Interval. Apabila selisih antar dua RR Interval lebih besar dari batas RR, maka RR Interval tersebut dinyatakan tidak normal.
Untuk menentukan nilai batas RR dilakukan pencarian nilai selisih RR terbesar dari data training normal dan selisih RR terendah dari data training aritmia. Pencarian tersebut menghasilkan Tabel 2.
Tabel 2.
Selisih RR pada Data Normal (kiri) dan Aritmia (kanan) Data EKG Selisih RR
(detik) Data EKG
Selisih RR (detik) normal1 0,022 aritmia1 0,451 normal2 0,034 aritmia2 0,3 normal3 0,351 aritmia3 0,339 normal4 0,089 aritmia4 0,349 ... ... ... ...
Dari pencarian tersebut didapat dua kandidat batas RR, yaitu 0,351 dan 0,3. Dilakukan uji akurasi data training
terhadap dua kandidat tersebut untuk menentukan batas RR yang akan digunakan. Tabel 3 merupakan hasil uji data
training untuk dua kandidat batas RR. Tabel 3. Akurasi Kandidat Batas RR Batas RR Akurasi (%)
0,3 83
0,351 79
Dari uji data training tersebut didapatkan hasil akurasi terbaik menggunakan batas RR 0,3 detik.
V. UJICOBA
A. Uji Coba Fungsionalitas
Uji coba fungsionalitas dilakukan untuk melihat apakah fungsi-fungsi sistem sudah berjalan sesuai dengan rancangan.
Gambar 5 merupakan tampilan notifikasi terakhir yang dikirim oleh aplikasi mobile. Terdapat data diri pasien yang terdeteksi RR Interval tidak normal, beserta potongan grafik EKG dan lokasi pasien tersebut.
Sebelum melakukan uji fungsionalitas melihat semua data RR tidak normal, terlebih dahulu dilakukan uji user bergerak. Hal ini dilakukan untuk menguji kapabilitas aplikasi untuk melakukan monitoring RR Interval sambil bergerak (mobile).
Gambar 6 adalah adalah tampilan peta saat menjalankan uji kapabilitas mobile. Tampilan fungsionalitas melihat semua data RR tidak normal berisi semua data RR Interval tidak normal serta lokasinya.
B. Uji Coba Akurasi Deteksi
Uji coba akurasi dilakukan berdasarkan pada empat kategori, yaitu True Positive, False Positive, True Negative, dan False Negative.
Pada uji coba ini diketahui dua kondisi, yaitu positif dan negatif.
• Positif, merupakan kondisi aritmia.
• Negatif, merupakan kondisi normal.
Kedua kondisi tersebut diujicobakan dalam keempat kategori di atas.
1. TruePositive
Data positif yang setelah diproses, sistem menyatakan positif. Atau dengan kata lain, jumlah data aritmia yang dinyatakan aritmia.
2. FalsePositive
Data negatif yang setelah diproses, sistem menyatakan positif. Atau dengan kata lain, jumlah data normal yang dinyatakan aritmia.
3. TrueNegative
Data negatif yang setelah diproses, sistem menyatakan negatif. Atau dengan kata lain, jumlah data normal yang dinyatakan normal.
4. FalseNegative
Data positif yang setelah diproses, sistem menyatakan negatif. Atau dengan kata lain, jumlah data aritmia yang dinyatakan normal.
Tabel 4.
Perbandingan Data dengan Hasil Uji Data Jumlah Aritmia Normal Hasil Aritmia 96 30 126 Normal 4 70 74 Jumlah 100 100 200
Tabel 4 merupakan hasil uji coba dari 200 data. Berikut penjelasannya:
1. True Positive, 96 dari 100 data aritmia dinyatakan aritmia. 2. False Positive, 30 dari 100 data normal dinyatakan aritmia. 3. True Negative, 70 dari 100 data normal dinyatakan normal. 4. False Negative, 4 dari 100 data aritmia dinyatakan normal.
Perhitungan akurasi sistem dilakukan dengan dua cara, yaitu menghitung sensitivitas, spesifisitas, dan nilai akurasi secara keseluruhan. Sensitivitas adalah persentase kebenaran suatu hasil positif, sedangkan spesifisitas merupakan persentase kebenaran suatu hasil negatif [9].
Untuk selanjutnya, True Positive akan disingkat menjadi TP, False Positive menjadi FP, True Negative menjadi TN, dan False Negative menjadi FN.
(8) Gambar 5. Melihat Notifikasi pada Aplikasi Web
(9) (10) Maka, apabila hasil uji coba dimasukkan ke dalam Persamaan (8), Persamaan (9), dan Persamaan (10):
(11) (12) (13) Berdasarkan hasil pada Persamaan (11), Persamaan (12), dan Persamaan (13), didapatkan hasil sensitivitas atau persentase kebenaran hasil positif sebesar 96%, spesifisitas atau persentase kebenaran hasil negatif sebesar 70%, dan nilai akurasi sebesar 83%.
C. Uji Coba Kecepatan Proses
Selain akurasi, dilakukan juga uji coba kecepatan proses. Tabel 5.
Perbandingan Kecepatan dengan Ukuran File Ukuran (byte) Waktu Normal Minimal 157.897 0:07 Maksimal 160.705 0:20 Rata-rata 159.613 0:09 Aritmia Minimal 445.916 1:14 Maksimal 453.043 2:22 Rata-rata 451.294 1:32
Dari Tabel 5 didapatkan hasil rata-rata waktu yang dibutuhkan sistem untuk memproses data normal adalah 9 detik dan data aritmia 1 menit 32 detik, dimana ukuran rata-rata file data normal sebesar 159.613 byte dan data aritmia sebesar 451.294 byte.
Running time yang dibutuhkan metode FDBT untuk bekerja merupakan persamaan kuadratik berpola an2 + bn + c. Sehingga dapat diambil kesimpulan bahwa kecepatan proses metode FDBT berbanding secara kuadratik terhadap jumlah
record dan ukuran data yang diproses. VI. KESIMPULAN
Dari hasil implementasi dan uji coba dapat diambil kesimpulan sebagai berikut.
1. Aplikasi mobile pada tugas akhir ini dapat melakukan deteksi data EKG tidak normal berdasarkan RR Interval
menggunakan metode FDBT.
2. Aplikasi mobile pada tugas akhir ini dapat mengirim notifikasi ke aplikasi web menggunakan JSONParser. 3. Aplikasi web pada tugas akhir ini dapat menerima data
notifikasi dan menampilkannya menggunakan pustaka JavaScript JqPlot.
4. Nilai akurasi metode FDBT yang digunakan pada sistem ini dalam mendeteksi data EKG sebesar 83%.
5. Kecepatan proses metode FDBT berbanding secara
kuadratik terhadap ukuran data yang diproses. UCAPANTERIMAKASIH
Penulis A.H.R. mengucapkan terima kasih kepada Tuhan Yang Maha Esa, kedua orangtua dan keluarga penulis, dosen pembimbing, kepala jurusan, beserta dosen dan staf Teknik Informatika, kerabat dekat, serta berbagai pihak yang telah membantu menyelesaikan tugas akhir ini.
DAFTARPUSTAKA
[1] Anonim. Pertolongan Pertama pada Serangan Jantung. <url: http://pinginsehat.info/2010/10/pertolongan-pertama-pada-serangan-jantung>, diakses pada 25 April 2012. (6)
[2] Fakultas Kedokteran Universitas Andalas Padang. Gangguan
Kardiovaskular. <url: http://ilearn.unand.ac.id/pluginfile.php/14623/
mod_resource/content/1/skills%20lab%20Blok%203.pdf>, diakses pada 25 April 2012. (7)
[3] Juliansyah, Rahmad Aswin. Belajar EKG. <url: http://duniakeperawatan.wordpress.com/2009/02/26/108>, diakses pada 26 April 2012. (8)
[4] Sufi, F., Fang, Q., & Cosic, I. (2007). ECG R-R Peak Detection on
Mobile Phones. Proceedings of the 29th Annual International
Conference of the IEEE EMBS, Lyon: RMIT University. (2)
[5] Pratanu, Sunoto (2000). Kursus Elektrokardiografi. Surabaya: PT Karya Pembina Swajaya. (1)
[6] National Institutes of Health. PhysioBank ATM. <url: http://physionet.org/cgi-bin/atm/ATM>, diakses pada 2 April 2012. (10)
[7] Hamilton, Patrick S. (2002). Open Source ECG Analysis Software
Documentation. Somerville: EP Limited. (17)
[8] Hamilton, Patrick S. & Tompkins, Willis J. (1986). Quantitative Investigation of QRS Detection Rules Using the MIT/BIH Arrhythmia
Database. IEEE Transactions on Biomedical Engineering, Madison:
University of Wisconsin. (16)
[9] Emory University. Sensitivity and Specificity. <url: http://med.emory.edu/EMAC/curriculum/diagnosis/sensand.htm>,
