IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI PENGENALAN POLA ECG PASIEN.

(1)

IMPLEMENTASI METODE JST BACKPROPAGATION

UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER

MELALUI PENGENALAN POLA ECG PASIEN

TUGAS AKHIR

Diajukan Oleh :

ADI KURNIAWAN NPM : 0735210010

JURUSAN SISTEM INFORMASI

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR

S U R A B A Y A

(2)

MELALUI PENGENALAN POLA ECG PASIEN. Nama Mahasiswa : ADI KURNIAWAN

NPM : 0735210010

Program Studi : SISTEM INFORMASI Jurusan : SISTEM INFORMASI

Menyetujui,

Pembimbing 1, Pembimbing 2,

Hj. Asti Dwi I, S.Kom, M.Kom Syurfah Ayu I, S.Kom NIP/NPT. 373 020 602 13 NIP/NPT. 385 011 002 941

KETUA JURUSAN D E K A N

SISTEM INFORMASI FAKULTAS TEKNOLOGI INDUSTRI

(3)

IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK DIAGNOSA

PENYAKIT JANTUNG KORONER MELALUI PENGENALAN POLA ECG

PASIEN

Disusun oleh : ADI KURNIAWAN

NPM. 0735210010

Telah dipertahankan dihadapan dan diterima oleh Tim Penguji Seminar TA Jurusan Sistem Informasi Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur

pada tanggal 10 Juni 2011

Sususan Tim Penguji : 1. Anggota Tim Penguji 1,

Nur Cahyo Wibowo, S.Kom,M.Kom NIP/NPT. 379 030 401 971 2. Anggota Tim Penguji 2,

M. Irwan Afandi, ST, Msc NIP/NPT. 376 070 702 201 3. Anggota Tim Penguji 3,

(4)

DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI

PENGENALAN POLA ECG PASIEN

TUGAS AKHIR

Diajukan Untuk Memenuhi Sebagai Persyaratan

Dalam Memperoleh Gelar Sarjana Komputer

Jurusan Sistem Informasi

Disusun oleh :

ADI KURNIAWAN

NPM. 0735210010

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL ″VETERAN″

JAWA TIMUR

(5)

LEMBAR PENGESAHAN

IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK

DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI

PENGENALAN POLA ECG PASIEN

Disusun Oleh :

ADI KURNIAWAN

NPM. 0735210010

Telah disetujui untuk mengikuti Ujian Negara Lisan Gelombang V Tahun Akademik 2010/2011

Pembimbing 1, Pembimbing 2,

Hj. Asti Dwi I, S.Kom, M.Kom Syurfah Ayu I, S.Kom NPT. 373 020 602 13 NIP/NPT. 385 011 002 941

Mengetahui,

Ketua Jurusan Sistem Informasi UPN “VETERAN” JAWA TIMUR

(6)

FAKULTAS TEKNOLOGI INDUSTRI

PANITIA UJIAN SKRIPSI / KOMPREHENSIF

KETERANGAN REVISI Mahasiswa di bawah ini:

Nama : Adi Kurniawan NPM : 0735210010 Jurusan : Sistem Informasi

Telah mengerjakan revisi/ tidak ada revisi*) TUGAS AKHIR Ujian Lisan Gelombang V, TA 2010/2011 dengan judul:

“IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI PENGENALAN POLA ECG PASIEN”

Surabaya, 10 Juni 2011 Dosen Penguji yang memerintahkan revisi :

(7)

IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI PENGENALAN POLA ECG

PASIEN

Disusun Oleh :

ADI KURNIAWAN

NPM. 0735210010

Telah dipertahankan dihadapan dan diterima oleh Tim Penguji Seminar TA Jurusan Sistem Informasi Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur

pada tanggal 10 Juni 2011

Pembimbing :

Nur Cahyo Wibowo, S.Kom, M.Kom NPT. 37903 040 197

Dekan Fakultas Teknologi Industri

(8)

(9)

Assalammualaikum Wr.Wb.

Rasa Puji syukur yang sedalam – dalamnya penulis panjatkan kehadirat Allah SWT yang berkenan melimpahkan rakhmatnya, sehingga tugas tugas akhir ini dapat terselesaikan dengan baik.

Laporan ini disusun sebagai perwujudan tertulis dan bukti penyelesaian yang merupakan tanggung jawab penulis dalam melaksanakan program studi S1 Sistem Informasi berupa studi tugas akhir selama kurang lebih satu semester. Tugas akhir yang telah penulis tempuh ini memiliki banyak tujuan utama yaitu mengaplikasikan ilmu pengetahuan yang sudah didapat selama di bangku kuliah. Dengan melihat kerja tim dalam pembuatan laporan ini, diharapkan mahasiswa mampu menerapkan ilmu pengetahuan yang dimiliki dan disesuaikan dengan kondisi permasalahan yang ada di masyarakat.

Selesainya penyusunan laporan tugas akhir ini tidak lepas pula dari bantuan dari berbagai pihak dan dalam kesempatan ini penulis banyak mengucapkan banyak terima kasih kepada:

1. Bapak Nur Cahyo Wibowo, S. Kom, M. Kom, selaku Ketua Jurusan Sistem Informasi.

2. Ibu Hj. Asti Dwi. I, S.Kom, M.Kom dan ibu Syurfah Ayu I, S. Kom, selaku dosen pembimbing yang telah memberi kontribusi ilmu dan bimbingan dalam penyelesian tugas akhir ini.

(10)

4. Seluruh karyawan yang ada di RSUD Sidoarjo, yang turut membantu dalam memberikan informasi yang kami butuhkan dalam penyusunan laporan ini. 5. Penulis ucapkan terima kasih atas seluruh keluarga dan seluruh teman –

teman atas dukungan dan semangat, baik berupa materil maupun non material sampai dengan terselesainya penyusunan laporan tugas akhir ini.

Penulisan tugas ini masih memiliki banyak kekurangan, sehingga diharapkan saran maupun kritik yang dapat memperbaiki dan memperkaya isi yang ada dalam rangkaian analisis serta implementasi sistem ini semakin bermanfaat bagi penulis khususnya dan khasanah keilmuan komputer pada umumnya.

Surabaya, 10 Juni 2011

(11)

Penyusun menyadari bahwa dalam menyelesaikan Tugas Akhir ini banyak

mendapatkan bantuan dan dukungan dari berbagai pihak, untuk itu pada

kesempatan yang berharga ini penyusun ingin mengucapkan terima kasih kepada:

1. Bapak Ir. Sutiyono, MT selaku Dekan Fakultas Teknologi Industri Universitas

Pembangunan Nasional ″Veteran″ Jawa Timur.

2. Bapak Nur Cahyo Wibowo, S. Kom, M. Kom selaku Ketua Jurusan Sistem

Informasi UPN ″Veteran″ Jawa Timur, yang telah meluangkan waktu untuk

memberikan arahan dan memberi motivasi sehingga penyusun dapat

menyelesaikan Tugas Akhir ini.

3. Ibu Hj. Asti Dwi I, S.Kom, M.Kom selaku Dosen Pembimbing I dan Ibu

Syurfah Ayu I, S.Kom selaku Dosen Pembimbing II, yang telah meluangkan

waktu untuk memberikan bimbingan serta mencarikan solusi atas kesulitan

yang dihadapi penyusun dalam menyusun Tugas Akhir ini.

4. M. Irwan Afandi, ST. Msc selaku Dosen Penguji I dan ibu Syurfah Ayu I, S.

Kom selaku Dosen penguji II, yang telah memberikan saran dan kritik untuk

memperbaiki program dan laporan Tugas Akhir ini.

5. Kedua orang tua dan keluarga penyusun yang senantiasa memberikan

dukungan dan doa maupun material, sehingga penulis telah menyelesaikan

Tugas Akhir ini.

6. Ucapan terima kasih buat teman yang paling tercantik didunia Nila Cubye

Kyute yang telah senantiasa membantu dan medampingi penulis, sehingga

(12)

membantu dan memberikan do’anya kepada penulis untuk menyelesaikan

Tugas Akhir ini.

8. Teman-teman kampus tercinta yang telah mendukung saya untuk memberi

semangat menyelesaikan laporan TA, terutama nicko, Adit, Dian, dan Erif.

9. Teman-teman team dotA “Rusak Jiwa”, terima kasih sudah membantu

segalanya sampai selesainya Tugas Akhir ini.

10. Teman-teman penulis lainnya yang tidak mungkin penulis sebutkan namanya

satu per satu terima kasih telah membantu dan memberikan do’anya kepada

(13)

Halaman

ABSTRAKSI ... v

KATA PENGANTAR ... vi

UCAPAN TERIMA KASIH ... viii

DAFTAR ISI ... x

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xv

DAFTAR RUMUS ... xvii

DAFTAR LAMPIRAN ... xix

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Metodologi Peneletian .... ... 3

1.7 Sistematika Penulisan ... 5

BAB II TINJAUAN PUSTAKA... 6

2.1 Jantung Koroner ... 6

2.2 Electokardiagram(ECG)... 10

2.3 Potensial Permukaan Tubuh ... 12

(14)

2.4.3 Momentum ... 26

2.4.4 Scaling ... 26

2.4.5 Validasi ... 27

2.5 Pengolahan Citra ... 27

BAB III ANALISA DESAIN SISTEM ... 28

3.1 Pengambilan Data Gambar ... 28

3.2 Perancangan Jaringan Syaraf Tiruan ... 32

BAB IV IMPLEMENTASI SISTEM ... 40

4.1 Sistem Yang Digunakan ... 40

4.2 Implementasi Data Gambar ... 41

4.3 Implementasi Antarmuka ... 42

4.3.1 Form Input Nilai Parameter ... 43

4.3.2 Form Input Gambar dan Normalisasi ... 43

4.3.3 Form Training ... 44

4.3.4 Form Grafik RMSE... 45

4.3.5 Form Testing ... 46

BAB V UJI COBA DAN EVALUASI ... 48

5.1 Pengujian Arsiktektur Jaringan Syaraf Tiruan ... 48

5.2 Hasil Identifikasi Dengan Jaringan Syaraf Tiruan Propagasi Balik ... 49

(15)

5.1 Kesimpulan ... 74

5.2 Saran ... 75

DAFTAR PUSTAKA ... 76

(16)

Tabel 2.1 letak Infrak pada Penyakit Jantung Koroner ... 10

Tabel 2.2 Durasi dari QRS Kompleks[Nugroho. Suryono. 2006]... 14

Tabel 5.1 Hasil identifikasi V1 data training normal dengan μ = 0.4 ... 50

Tabel 5.13 Hasil identifikasi V1 data training koroner dengan μ = 0.4 ... 58

Tabel 5.15 Hasil identifikasi V3 data training koroner dengan μ = 0.4... 60

(17)

Tabel 5.25 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data normal V1 ... 68

data koroner V1... 70

(18)

Gambar 2.1 Pembuluh Arteri Normal[Medistra,2006]... 8

Gambar 2.2 Pembuluh Arteri yang menyempit karena timbunan Kolesterol[medistra,2006]

... ....

8

Gambar 2.3 Jantung Manusia dan Bagian-Bagiannya[Jamshaid, K]... 12

Gambar 2.4 Arus Ionik sebagai sumber dari Electrokardiagram[Nugroho. Suryono. 2006] ... 13

Gambar 2.5 Sinyal Jantung Normal[en.wikipedia.org]... 15

Gambar 2.6 Struktur Neuron Jaringan Syaraf Tiruan[Sri. Kusumadewi. 2003]... 17

Gambar 2.7 Arsiktektur Jaringan Syaraf Tiruan[Laurence. Fausett. 1994] ... 18

Gambar 2.8 Grafik Fungsi Undak Biner[ Sri. Kusumadewi. 2003]... 18

Gambar 2.9 Grafik Fungsi Undak Biner (Threshold) [Sri. Kusumadewi. 2003]... 19

Gambar 2.10 Grafik Fungsi Bipolar [Sri. Kusumadewi. 2003]... 19

Gambar 2.11 Grafik Fungsi Bipolar (Threshold) [ Sri. Kusumadewi. 2003]... 20

Gambar 2.12 Grafik Fungsi Linear [Sri. Kusumadewi. 2003]... 20

Gambar 2.13 Grafik Fungsi Saturating Linear[Sri. Kusumadewi. 2003]... 21

Gambar 2.14 Grafik Fungsi Symetric Saturating Linear[Sri. Kusumadewi. 2003] ... 21

Gambar 2.15 Grafik Fungsi Sigmoid Biner[Sri. Kusumadewi. 2003]... 22

Gambar 2.16 Grafik Fungsi Sigmoid Bipolar[Sri. Kusumadewi. 2003]... 23

Gambar 3.1 (a) Sinyal ECG Normal dan (b) Sinyal ECG Koroner ... 29

Gambar 3.2 Flowchart Proses Pengolahan Citra... 30

(19)

Gambar 3.6 Block Diagram Training Sistem... 37

Gambar 3.7 Block Diagram Testing Sistem... 38

Gambar 3.8 Block Diagram Keseluruhan Sistem ... 39

Gambar 4.1 Contoh Gambar ECG Pasien Jantung Normal Sebelum di Edit... 41

Gambar 4.2 Contoh Gambar ECG Pasien Jantung Normal Sesudah di Edit... 42

Gambar 4.3 Memasukan Parameter Inputan... 43

Gambar 4.4 Memasukan Gambar Training Jantung Normal dan Normalisasi ... ... 44

Gambar 4.5 Form Menampilkan Nilai Random... 45

Gambar 4.6 Form Nilai Error Telah Tercapai ... 46

Gambar 4.7 Form Proses Testing ... 47

(20)

Rumus 2.1 Rumus fungsi undak biner[ Sri. Kusumadewi. 2003]... 18

Rumus 2.2 Rumus fungsi undak biner (threshold) [Sri. Kusumadewi. 2003]... 19

Rumus 2.3 Rumus fungsi bipolar [Sri. Kusumadewi. 2003]... 19

Rumus 2.4 Rumus fungsi bipolar (threshold) [ Sri. Kusumadewi. 2003]... 20

Rumus 2.5 Rumus fungsi linear [Sri. Kusumadewi. 2003]... 20

Rumus 2.6 Rumus fungsi saturating linear[Sri. Kusumadewi. 2003]... 21

Rumus 2.7 Rumus fungsi symetric saturating linear[Sri. Kusumadewi. 2003] ... 21

Rumus 2.8 Rumus fungsi sigmoid biner[Sri. Kusumadewi. 2003]... 22

Rumus 2.9 Rumus fungsi sigmoid bipolar[Sri. Kusumadewi. 2003]... 23

Rumus 2.10 Rumus unit tersembunyi(z_in) ... 24

Rumus 2.10 Rumus unit keluaran jaringan (y_in) ... 24

Rumus 2.12 Rumus faktor unit keluaran(k) ... 24

Rumus 2.13 Rumus bobot wjk... 25

Rumus 2.14 Rumus bobot bias wok... 25

Rumus 2.15 Rumus faktor unit tersembunyi(_in_j) ... 25

Rumus 2.16 Rumus fungsi aktivasi faktor(j) ... 25

Rumus 2.17 Rumus bobot vij... 25

Rumus 2.18 Rumus bobot bias voj... 25

Rumus 2.19 Rumus update bobot dan bias unit output(wjk(new))... 25

Rumus 2.20 Rumus update bobot dan bias unit hidden(vij (new))... 26

Rumus 2.21 Rumus momentum output ... 26

(21)

Rumus 2.24 Rumus pengolahan citra ... 27

(22)

Lampiran 1. Daftar Notasi Rumus ... 77

Lampiran 2. Source Code Normalisasi ... 77

Lampiran 3. Source Code Random Bobot ... 79

(23)

PENYAKIT JANTUNG KORONER MELALUI PENGENALAN POLA ECG PASIEN. Pembimbing I : Hj. Asti Dwi I, S.Kom, M.Kom

Pembimbing II : Syurfah Ayu I, S.Kom Penyusun : Adi Kurniawan

ABSTRAKSI

Untuk penentuan penyakit jantung koroner, dapat dilakukan dengan cara menganalisa sinyal yang dihasilkan dari Electrocardioram (ECG). Namun sinyal keluaran dari Electrocardiogram berbentuk spektrum sangat kompleks dan tidak spesifik, serta memberikan hasil yang bervariatif untuk masing-masing individu, sehingga analisa terhadap data tersebut cenderung memberikan penilaian yang subjektif.

Dalam penelitian ini akan dikembangkan sebuah software berbasis jaringan syaraf tiruan untuk proses identifikasi penyakit jantung koroner. Metode pembelajaran yang digunakan adalah Propagasi Balik (Backpropagation). Data training yang digunakan berasal dari pasien normal sebanyak 16 data. Dari proses training didapatkan bobot yang akan digunakan untuk menguji 48 data testing (lead V1, V2, V3 dan V4), yang berasal dari pasien normal dan pasien dengan jantung koroner.

Hasil pengujian mampu mengenali jenis data V1 normal 91.7% dengan arsitektur, jumlah hidden 5, α = 0,6, µ = 0,6; V2 normal 66.7% dengan arsitektur, jumlah hidden 5, α = 0,8, µ = 0,5; V3 normal 100% dengan jumlah hidden 5, α = 0,7, µ

Kata kunci : Backpropagation, Identifikasi Penyakit Jantung Koroner, Jaringan Syaraf

(24)

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Penyakit Jantung Koroner adalah jenis penyakit yang paling banyak dialami penduduk dunia, di Amerika dua belas juta orang didiagnosis PJK[Yahya,fauzi,2003]. Di Indonesia, walaupun belum ada data nasional tentang jumlah penderita PJK, dampak serius penyakit ini telah terlihat. Untuk penentuan penyakit jantung, dapat dilakukan dengan cara menganalisa sinyal yang dihasilkan dari Electrocardiogram (ECG). Dengan bantuan seorang Dokter Kardiolog yang dapat menganalisa sinyal dari ECG, maka dapat ditentukan jenis penyakit jantung yang diderita seseorang.

Data keluaran dari Electrocardiogram berbentuk spektrum sangat kompleks dan tidak spesifik[Subekti,Muhammad:2005], serta memberikan hasil yang bervariatif untuk masing-masing individu, sehingga analisa terhadap data tersebut cenderung memberikan penilaian yang subjektif. Oleh karena hal itu dibutuhkan suatu aplikasi kecerdasan buatan yang dapat membantu seorang dokter dalam memberikan keputusan klinis dimana perangkat ini memiliki pengetahuan berbagai data kasus hasil analisa dari para dokter ahli yang berpengalaman.

(25)

belajarnya didasarkan pada hubungan yang sederhana, jika output memberikan hasil yang salah maka pembobot dikoreksi supaya error dapat diperkecil. Dengan dikembangkannya software berbasis jaringan syaraf tiruan untuk identifikasi penyakit jantung koroner diharapkan dapat digunakan oleh tim dokter sebagai second opinion pengambilan keputusan proses diagnosa.

1.2 Perumusan Masalah

Selama ini dalam melakukan identifikasi penyakit jantung koroner masih manual yaitu berdasarkan hasil Electrocardiogram dan berdasarkan pengalaman seorang dokter. Dengan demikian permasalahan dalam tugas akhir ini adalah bagaimana merancang software berbasis jaringan syaraf tiruan dan menentukan parameter-parameter (learning rate, momentum, hidden node, fungsi aktifasi) yang optimal agar dapat mengidentifikasi penyakit jantung koroner secara tepat.

1.3 Pembatasan Masalah

Dalam melakukan Tugas Akhir ini, ditentukan batasan terhadap masalah yang akan diteliti. Adapun batasan masalahnya adalah:

a. Data yang digunakan adalah gambar keluaran Electrocardiogram yang discan dengan format gambar .JPG.

b. Metode pengenalan pola yang digunakan adalah Jaringan Syaraf Tiruan dengan arsitektur umpan ke depan (feedforward) dan kaidah belajar propagasi balik (Backpropagation).

c. Lead yang digunakan adalah V1, V2, V3, dan V4.

(26)

e. Data training yang digunakan adalah data jantung normal pasien. f. Hasil identifikasi adalah normal atau jantung koroner seorang pasien.

1.4 Tujuan Penelitian

Tujuan dari tugas akhir ini adalah untuk merancang software berbasis jaringan syaraf tiruan yang dapat membantu mencari nilai paramater-paramater (learning rate, momentum, hidden node, fungsi aktifasi) untuk mengidentifikasi penyakit jantung koroner atau normal.

1.5 Manfaat Penelitian

Manfaat dari tugas akhir ini adalah sebagai berikut:

a. Dapat memberikan suatu metode alternatif untuk melakukan pencarian nilai parameter-parameter untuk mengidentifikasi penyakit jantung koroner atau normal dengan menggunakan metode backpropagation.

b. Dapat bermanfaat bagi para pembaca untuk lebih mengetahui dan memahami tentang metode jaringan syaraf tiruan backpropagation melalui pengenalan pola ECG pasien penyakit jantung koroner.

1.6 Metodologi Penelitian

Metodologi yang digunakan dalam pengerjaan tugas akhir ini adalah sebagai berikut:

a. Studi literature mengenai Jaringan Syaraf Tiruan. Studi literature yang dilakukan meliputi:

(27)

2. Studi literature tentang Electrocardiogram (ECG), sehingga terdapat pemahaman mengenai karakteristik sinyal ECG.

b. Pengambilan data sinyal ECG.

Data yang diambil berasal dari RSUD Sidoarjo. Data yang digunakan adalah data sekunder berupa print out hasil ECG pasien.

c. Melakukan Preprosesing pada Data.

Sebelum digunakan sebagai inputan pada JST data gambar rekaman ECG harus diubah dalam data digital. Kemudian disampling untuk mendapat ukuran yang tepat selanjutnya dilakukan perbaikan kualitas citra gambar.

d. Perancangan Jaringan Syaraf Tiruan dan pemrograman sofware.

Meliputi penentuan parameter jaringan syaraf tiruan (learning rate, momentum, hidden node, fungsi aktifasi) serta menentukan model identifikasi untuk pengenalan penyakit jantung koroner.

e. Pegujian dan analisa.

Melakukan pengujian apakah software yang dibuat telah mampu mengidentifikasi penyakit jantung koroner dan kemudian menganalisa data yang diperoleh.

f. Penyusunan laporan.

(28)

1.7 Sistematika Penulisan

Pada pembuatan laporan Tugas Akhir (Skripsi) ini, penulis menyusun dan membagi pembahasan laporan dalam per-bab yang berisikan antara lain:

BAB I PENDAHULUAN

Bab ini membahas tentang latar belakang masalah, rumusan masalah, pembatasan masalah, tujuan dan keuntungan sistem.

BAB II TINJAUAN PUSTAKA

Bab ini membahas tentang sejarah dan pengertian teori-teori yang dipakai dalam sistem.

BAB III ANALISA DESAIN SISTEM

Bab ini membahas tentang penjelasan dari teori yang digunakan sebagai landasan dalam desain dan implementasi sistem.

BAB IV IMPLEMENTASI SISTEM

Berisi penjelasan tentang kebutuhan sistem yang diperlukan dari perancangan sistem dan menjelaskan alur kerja dari sistem yang telah dibuat.

BAB V Uji Coba dan Evaluasi

Berisi penjelasan tentang hasil perancangan, pemrograman atau analisa dari pekerjaan yang telah dilakukan dan mengevalusinya.

BAB VI PENUTUP

(29)

BAB II

TINJAUAN PUSTAKA

2.1 Jantung Koroner

Penyakit jantung merupakan gangguan kesehatan yang mematikan. Jenis

gangguan jantung yang sedang populer saat ini adalah penyakit jantung koroner

(PJK). PJK adalah suatu kelainan yang disebabkan penyempitan pembuluh arteri

yang mengalirkan darah ke otot jantung. Ini karena timbunan lemak dan

pengapuran dinding pembuluh darah[Rachmawati,Evy:2006]. Penyempitan itu

mengakibatkan ketidakseimbangan antara kebutuhan dan pasokan darah ke otot

jantung sehingga menimbulkan sejumlah gejala seperti rasa nyeri (Angina Pectoris) atau Infark Jantung, yang dalam masyarakat di kenal dengan serangan jantung yang dapat menyebabkan kematian mendadak.

Tersumbatnya pembuluh koroner mengakibatkan otot-otot jantung tidak

mendapat pasokan darah dengan segala nutrisi yang ada di dalamnya seperti

glukosa, vitamin dan mineral, hormon-hormon dan elektrolit seperti natrium,

kalium, magnesium dan kalsium. Pasokan oksigen yang sangat diperlukan untuk

hidupnya otot jantung juga akan terhenti. Matinya sebagian otot jantung ini akan

mengakibatkan gangguan fungsi jantung sebagai pompa untuk memompakan

darah ke seluruh tubuh termasuk semua organ seperti paru, hati (limpa), ginjal dan

organ-organ tubuh lainnya. Intinya adalah pasokan darah beserta zat makanan di

dalamnya untuk kebutuhan tubuh dari ujung rambut sampai ujung kaki akan

(30)

Penderita serangan jantung akut akan merasakan nyeri dada khas akibat

terhentinya pasokan darah ke otot jantung karena pembuluh koroner yang

tersumbat. Dapat dikatakan bahwa nyeri dada yang dirasakan oleh pasien yang

mengalami serangan jantung itu merupakan jeritan dari otot jantung yang terhenti

pasokan oksigen dan zat makanan lain untuknya. Nyeri dada khas ini lebih

dikenal dengan istilah angina pektoris. Biasanya berlangsung lebih dari 20 menit. Nyeri dada ini tidak hilang dengan istirahat dan juga tidak hilang dengan

pemberian obat nitrat di bawah lidah. Rasa nyeri di dada ini sering menjalar ke

lengan kiri sampai ke jari-jari tangan. Terasa tembus sampai ke punggung dan

dapat pula sampai ke leher sehingga terasa seperti di cekik dan dapat juga ke

rahang bawah. Nyeri angina ini dapat juga seperti keluhan penderita sakit

lambung (maag), yaitu berupa rasa nyeri di ulu hati. Sering juga dikeluhkan oleh

pasien sebagai rasa sukar bernafas. Serangan jantung akut ini biasanya diikuti

dengan keringat yang bercucuran yang sering melebihi pekerja berat. Di samping

itu ada juga serangan jantung yang seolah-olah tanpa gejala. Pasien hanya

merasakan tak enak di dada. Keadaan ini dikenal sebagai Silent Myocardial Infarction. Diagnosa biasanya diketahui dokter berdasarkan hasil rekaman listrik jantung (ECG). Sering terdapat pada penderita dengan diabetes mellitus.

Dibawah ini merupakan gambar potongan melintang dari pembuluh arteri

(31)

Gambar 2.1 Pembuluh Arteri Normal[Medistra,2006].

Gambar 2.2 Pembuluh Arteri yang menyempit karena timbunan Kolesterol[medistra,2006].

Beberapa faktor risiko yang menjadi penyebab gangguan pembuluh darah

dan jantung antara lain:

a. Kadar kolesterol tinggi dalam darah: dapat menyebabkan aterosklerosis

yang menjadi pemicu penyakit jantung dan stroke.

b. Hipertenis: meningkatkan risiko terkena stroke dan penyakit jantung

koroner.

c. Kencing manis (diabetes mellitus).

d. Kebiasaan merokok: rokok menyebabkan darah mudah menggumpal.

(32)

f. Obesitas.

g. Stres.

h. Kurangnya aktivitas fisik.

Faktor pencegahan sangat diperlukan agar gangguan pembuluh darah tidak

semakin meluas. Diet dengan mengurangi kalori, lemak, kolesterol, garam,

kurangi atau berhenti merokok serta menghindari stress, dan diikuti dengan

olahraga secara teratur, dapat menurunkan risiko terkena penyakit karena

gangguan pembuluh darah.

Untuk dapat mendeteksi secara dini PJK dapat dilakukan dengan

pemeriksaan ECG, Treadmill, Echokardiografi dan Arteriorgrafi Koroner. Tetapi

yang paling popular adalah dengan melakukan pemeriksaan

ECG[Medistra,hospital:2006]. Hasil ECG kemudian diperiksa oleh seorang Kardiolog, apakah ada tanda-tanda penyempitan pembuluh darah koroner. Bila

ECG istirahat ini normal, tidak menunjukkan adanya tanda-tanda iskemik miokard

akibat kurangnya pasokan oksigen ke otot jantung, selanjutnya kardiolog akan

melakukan Uji Latih Jantung dengan Beban (ULJB) dimana ECG dilakukan

sambil melakukan aktifitas fisik. ULJB dapat dilakukan dengan treadmill (jentera

lari) atau dengan memakai ergo cycle (sepeda statis). Seandainya pemeriksaan

ULJB ini menunjukkan adanya tanda-tanda penyempitan pada arteri koroner

maka disebut hasil treadmill positif. Dokter akan memberitahukan bahwa pasien

mengidap sejenis PJK yang disebut penyakit jantung koroner iskemi. Diduga

(33)

Pada dasarnya terdapat empat infrak untuk penyakit jantung koroner.

Adapun letak infrak dan lead yang dapat diidentifikasi nampak seperti tabel di

bawah ini.

Tabel 2.1 letak Infrak pada Penyakit Jantung Koroner.

No. Letak infrak Kelainan tampak di

1 Dinding anterior yang

luas

Lead 1, aVL, V1-V6

2 Anteroseptor Lead V1-V4

3 Dinding lateral Lead 1, aVL, V5-V6

4 Dinding inferior Lead 1, 3 dan aVR

Pada tugas akhir ini tidak semua infrak akan diidentifikasi, namun dibatasi

pada infrak Anteroseptor sehingga lead yang digunakan hanya lead V1 sampai

lead V4.

2.2 Electrokardiogram (ECG)

Jantung berfungsi sebagai pompa dengan empat kamar pada sistem

peredaran darah. Pemompaan utama adalah oleh ventrikel, sedangkan atrial

berfungsi untuk menyimpan darah selama ventrikel memompa. Fasa pengisian

dalam siklus jantung dikenal sebagai diastole. Kontraksi ventrikel atau fasa

pemompaan disebut sistole. Rithme kontraksi atria dan ventrikel yang mulus

disebabkan suatu sistem elektrik yang mengkordinasi langkah-langkah elektrik

yang terjadi pada jantung.

Jantung terbagi menjadi empat ruangan, yaitu dua atrium (kanan dan kiri)

(34)

jaringan yang berbeda (jaringan noda SA dan AV, jaringan atrial, pukinye, dan

ventrikular). Tampilan anatomi masing-masing tipe sel sangat berbeda, tetapi

mereka semua dapat dieksitasi elektrik, dan setiap sel mempunyai

potensial-aksinya sendiri.

Irama sinyal jantung diatur oleh isyarat listrik yang dihasilkan oleh

rangsangan yang terjadi secara spotan. Rangsangan spontan ini dilakukan oleh

sel-sel khusus yang terdapat pada antrium kanan (dekat muara vena cava superior

dan inferior), yaitu SA node (simpul sinoatrial). SA node ini bertindak sebagai

pemicu (pace maker), dan bergetarnya SA node berkisar 60-100 kali per menit

pada jantung normal dalam kondisi rileks. Getaran tersebut dapat meningkat atau

menurun diatur oleh syaraf eksternal jantung yang merupakan respon/jawaban

terhadap kebutuhan darah dan tubuh. Isyarat listrik SA node menyebabkan

depolarisasi otot jantung atrium dan memompa darah ke ventrikel, kemudian

diikuti oleh repolarisasi otot atrium. Isyarat listrik dilanjutkan ke AV node dan

akan menyebabkan depolarisasi ventrikel kanan dan kiri yang menyebabkan

kontraksi ventrikel sehingga darah dipompa ke dalam arteri pulmonalis dan ke

aorta, setelah itu syaraf pada ventrikel dan otot ventrikel akan mengalami

repolarisasi dan mulai kembali isyarat listrik dari SA node. Jalan depolarisasi sel

(35)

Gambar 2.3 Jantung Manusia dan Bagian-Bagiannya[Jamshaid, K]

.

Depolarisasi SA node menyebar melalui atrium dan mencapai AV node

dalam waktu 40 mdt. Karena kecepatan konduksi yang kecil pada jaringan AV

node, maka diperlukan waktu 110 mdt untuk mencapai bundle branches, yang disebut sistem purkinje. Ventrikel akan kontraksi, ventrikel kanan mendorong

darah menuju ke paru-paru, dan ventrikel kiri memompa darah ke dalam aorta dan

kemudian melalui sistem sirkulasi. Periode kontraksi jantung disebut systole.

Potensial-aksi dalam ventrikel tetap ada selama 200-250 mdt. Waktu relatif

panjang yang diperlukan kontraksi ventrikular ini adalah untuk mengosongkan

darah pada ventrikel menuju ke arteri. Jantung kemudian repolarisasi selama

periode istirahat dan disebut distole. Kemudian siklus berulang.

2.3 Potensial Permukaan Tubuh

Potensial jantung yang diukur dari permukaan luar tubuh disebut

Electrocardiogram (ECG). Pada ECG, jantung dipandang sebagai ekivalensi dan

generator listrik. Potensial-aksi dipandang sebagai ekivalensi dan generator listrik.

Potensial-aksi pada jantung berasal dari sinoatnial node (SA node) dan

(36)

keadaan istirahat, sedangkan AV node berdenyut 40-60 bpm, dan bundle branch

berosilasi pada 15-40 bpm.

Sementara jantung dalam keadaan istirahat, semua sel terpolarisasi,

sehingga setiap sel adalah negatif terhadap luarnya. Depolarisasi pertama muncul

pada SA node, membuat bagian luar jaringan relatif negatif terhadap sel di dalam,

juga akan lebih negatif dibandingkan dengan jaringan yang belum dipolarisasi.

Hal ini menghasilkan arus ionik, I, yang menyebabkan lengan kiri terukur lebih

positifv dibandingkan lengan kanan. Seperti yang terlihat pada Gambar 2.4.

Gambar 2.4 Arus Ionik sebagai sumber dari Elektrocardiogram [Nugroho. Suryono. 2006].

Setelah sekitar 90 mdt, atrium telah depolarisasi secara lengkap dan arus

ionik yang terukur pada lead 1 berkurang menjadi nol (lead 1 adalah antara lengan

kanan (-) dan lengan kiri (+). Depolarisasi kemudian akan melewati AV node,

yang menyebabkan delay sekitar 110 mdt. Depolarisasi kemudian melewati otot

ventrikular kanan, dan menyebabkannya lebih negatif relatif terhadap otot

(37)

ke RA lagi, arah I menyebabkan suatu tegangan plus-minus dan LA ke RA yang

disebut R-wave.

Bentuk gelombang lengkap ditampilkan pada Gambar 2.5 yang disebut

Elektrokardiogram (ECG), dengan label P,Q,R,S, dan T. P-wave muncul dari

depolarisasi atriunm. Komplek QRS muncul pada depolarisasi ventrikel. Besar

R-wave dalam kompleks QRS ini sekitar 1 mV. T-R-wave muncul dari repolarisasi

otot ventrikel. Selama T-wave, repolarisasi parsial berkaitan. U-wave yang

kadang-kadang menyertai T-wave adalah efek orde kedua dari sumber yang tidak

tentu dan untuk diagnostik tidak singnifikan.

Interval, segmen dari kompleks pada ECG didefinisikan seperti path,

Gambar 2.5. Durasinya adalah sebagai berikut:

Tabel 2.2 Durasi dari QRS Kompleks[Nugroho. Suryono. 2006].

Fitur Durasi (mdt)

QRS kompleks 70-110

Interval R-R 600-1000

Interval P-R 150-200

(38)

Gambar 2.5 Sinyal Jantung Normal[en.wikipedia.org].

a. Interval

P-R awal P-wave ke awal QRS kompleks

S-T akhir S-wave ke akhir T-wave

Q-t awal Q-wave ke akhir T-wave

b. Segmen

P-R akhir P-wave ke awal Q-wave

S-T akir S-wave ke awal T-wave

c. Kompleks

QRS mulai Q-wave ke akhir S-wave

Keterangan Gambar 2.5:

1. Sinyal jantung normal terbentuk karena adanya penyebaran impuls atau

rangsang listrik yang terpusat di sinoatrial node melalui bagian atrium, sehingga menyebabkan perubahan potensial listrik pada bagian atrium.

(39)

normal dapat mencapai 0.5 sampai dengan 2.5 mm. Lamanya gelombang

P ini menunjukkan waktu yang diperlukan untuk penyebaran impuls di

bagian atrium yaitu mulai dari sinoatrial node(SA) sampai Atrioventricular

node (AV).

3. Gelombang kompleks QRS, adalah gelombang yang timbul akibat

aktivitas listrik ventrikel ketika berdepolarisasi. Gelombang QRS ini dapat

dibedakan menjadi tiga gelombang, yaitu gelombang Q, R, dan S.

4. Gelombang Q, adalah defleksi negatif pertama sesudah gelombang P dan

yang mendahului defleksi R, gelombang ini dibangkitkan akibat

depolarisasi permukaan ventrikel.

5. Gelombang R, adalah defleksi positif yang pertama sesudah gelombang P

yang ditimbulkan oleh depolarisasi utama ventrikel.

6. Gelombang S, merupakan defleksi negatif sesudah R atas penyimpangan

negatif yang menunjukkan depolarisasi ventrikel.

7. Gelombang T, adalah gelombang yang timbul pada saat repolarisasi

ventrikel.

8. PR segment, menunjukkan berhentinya impuls pada atriventricular node

atau tidak ada transmisi impulse di atrioventricular node.

9. ST segment, tidak adanya transmisi impuls disebabkan adanya periode

refrakter di sel miokardiums.

2.4 Jaringan Syaraf Tiruan

Seperti juga otak manusia, Jaringan Syaraf Tiruan juga terdiri dari neuron

(40)

menggantikan hubungan/koneksi adalah bobot. Informasi berupa sinyal listrik

disimulasikan sebagai harga yang spesifik pada bobot. Dengan cara

mengubah-ubah harga bobot artinya kita juga mengmengubah-ubah-mengubah-ubah struktur hubungan/koneksi

antar neuron.

Gambar 2.6 Struktur Neuron Jaringan Syaraf Tiruan [Sri. Kusumadewi. 2003].

Seperti ilustrasi di atas jaringan syaraf tiruan mirip dengan neuron asli, dan

bekerja dengan cara yang sama. Informasi (input) masuk ke neuron input dengan

matrik pembobot-nya. Pada neuron input, nilai-nilai tadi diproses dengan cara

dijumlahkan. Informasi yang diteruskan oleh neuron akan dilanjutkan sampai

dengan neuron output. Neuron dikelompokan dalam layer-layer, dengan demikian

setiap layer dapat terdiri dari satu atau lebih neuron (tergantung dari arsitektur

yang diinginkan), dalam setiap arsitektur jaringan syaraf tiruan minimal terdiri

dari dua layer (input dan output) dapat juga ditambah dengan hidden layer/tersembunyi. Hidden layer sendiri bisa juga lebih dari satu dalam arsitektur jaringan syaraf tiruan. Gambaran sederhana struktur jaringan syaraf tiruan

(41)

Gambar 2.7 Arsitektur Jaringan Syaraf Tiruan [Laurence. Fausett. 1994].

2.4.1 Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf

tiruan, antara lain:

a. Fungsi Undak Biner

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak

untuk mengkonversikan input dari suatu variable yang bernilai kontinu ke

suatu output biner (0 atau 1). Fungsi undak biner dirumuskan sebagai:

(42)

b. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga

disebut dengan nama fungsi nilai ambang. Fungsi undak biner (dengan

nilai ambang θ) dirumuskan sebagai:



Gambar 2.9 Grafik Fungsi Undak Biner (Threshold) [Sri. Kusumadewi. 2003].

c. Fungsi Bipolar

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner,

hanya saja output yang dihasilkan berupa 1,0, -1. Fungsi bipolar

dirumuskan sebagai:

(43)

d. Fungsi Bipolar (Threshold)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak buner

dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau –1.

Fungsi bipolar dengan threshold dirumuskan sebagai:



Gambar 2.11 Grafik Fungsi Bipolar (Threshold)[ Sri. Kusumadewi. 2003].

e. Fungsi Linear

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya.

Fungsi linear dirumuskan sebagai:

x

Y  …(2.5)

Gambar 2.12 Grafik Fungsi Linear [Sri. Kusumadewi. 2003].

f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari -0,5 dan akan

(44)

antara –0,5 dan 0,5, maka outputnya akan bernilai sama dengan nilai input

ditambah 0,5. Fungsi saturating linear dirumuskan sebagai:



Gambar 2.13 Grafik Fungsi Saturating Linear[Sri. Kusumadewi. 2003].

g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai –1 jika inputnya kurang dari –1, dan akan

bernilai 1 jika inputnya > 1. Sedangkan jika nilai input terletak antara –1

dan 1, maka outputnya akan bernilai sama dengan nilai inputnya.

Fungsi symmetric saturating linear dirumuskan sebagai:



(45)

h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan

menggunakan metode backpropagation. Fungsi sigmoid biner memiliki

nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan

untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada

interval 0 sampai 1. Namun, fungsi ini bias juga digunakan oleh jaringan

syaraf yang nilai outputnya 0 sampai 1.Fungsi sigmoid biner dirumuskan

sebagai:

Gambar 2.15 Grafik Fungsi Sigmoid Biner[Sri. Kusumadewi. 2003].

i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner,

hanya saja output dari fungsi ini memiliki range antara 1 sampai –1.

Fungsi sigmoid bipolar dirumuskan sebagai:

(46)

Gambar 2.16 Grafik Fungsi Sigmoid Bipolar[Sri. Kusumadewi. 2003].

2.4.2 Algoritma Backpropogation

Jaringan Backpropagation dilatih dengan metode pelatihan pengawasan (supervised learning) dimana jaringan dilatih dengan pasangan pola masukan (Xi)

dan pola keluaran (Yk), informasi yang masuk melalui lapisan masukan akan

mengalir menuju lapisan keluaran yang hasilnya merupakan tanggapan jaringan

terhadap informasi yang masuk. Apabila masih terdapat perbedaan antara

keluaran jaringan saat itu dengan keluaran yang diinginkan bobot koneksi akan

disesuaikan mulai dari lapisan keluaran menuju lapisan masukan sampai

perbedaan tersebut seminimal mungkin sesuai dengan target error yang diinginkan

terpenuhi atau maksimal epoch tercapai.

Algoritma ini banyak dipakai, karena prosedur belajarnya didasarkan pada

hubungan yang sederhana, jika output memberikan hasil yang salah, maka

pembobot dikoreksi supaya error dapat diperkecil dan respon jaringan selanjutnya

diharapkan akan lebih mendekati harga yang benar. Backpropagation juga

berkemampuan untuk menangani pelatihan pembobot pada lapisan hidden.

Kekurangan utama pada Backpropagation adalah konvergensi hasil yang tidak

dijamin, tetapi dengan perhitungan matematis yang sederhana algoritma ini tetap

(47)

1. Propagasi Maju

Tahapan ini dimulai dengan memberikan suatu pola masukan pada

jaringan. Misal untuk satu vektor masukan x = (x1, x2, …, xn). Tiap unit input

mendistribusikan pola masukan tersebut ke unit pengolah lapisan hidden

[Laurence.Fausett.1994]. Masing-masing unit hidden (Zj, j=1,..,p)

menjumlahkan bobot sinyal input. NET input untuk unit hidden ke j adalah



Anggap bahwa aktivasi dari sinyal ini sama dengan NET input, maka

output dari sinyal adalah zj = f (z_inj ). Sinyal ini dikirim ke semua unit dalam

lapisan output. Masing-masing unit output (Yk, k=1,…,m) menjumlahkan

sinyal input bobotnya.

Tahapan propagasi balik dimulai dengan membandingkan respon jaringan

keseluruhan dengan output yang diinginkan. Masing-masing unit output (Yk,

k=1,…,m) menerima korespondensi pola target ke pola training input

[Laurence. Fausett. 1994].

Informasi error dihitung dengan :

(48)

Koreksi bobot dihitung untuk mengupdate wjk :

wjk =  k zj ……….……….(2.13)

Koreksi bias dihitung untuk mengupdate wok :

wok =  k ……….……….(2.14)

Masing-masing unit hidden (Zj, j=1,…,p) menjumlahkan delta input dari unit-unit

dalam lapisan di atas.



Informasi error dihitung dengan mengalikan terhadap turunan fungsi aktivasinya.

j = _inj f ‘ (z_inj) ……….………….…(2.16)

Koreksi bobot dihitung untuk mengupdate vij :

vij =  j xi ………..…………....(2.17)

Koreksi bias dihitung untuk mengupdate voj :

voj =  j ……….……….(2.18)

3. Update Bobot dan Bias

Masing-masing unit output (Yk,k=1,…,m) mengupdate bias dan bobotnya

(j = 0,…,p) dengan persamaan :

wjk(new) = wjk(old) + wjk ………(2.19)

Masing-masing unit hidden (Zj, j=1,…,p) mengupdate bias dan bobotnya

(i=0,…,n) dengan persamaan :

(49)

2.4.3 Momentum

Konvergensi juga dapat dipercepat dengan menggunakan faktor

momentum dalam persamaaan yang memperbaharui pembobot, dikerjakan dengan

menambahkan bagian terdahulu dari perubahan pembobot, w dan arah

penambahannya sama sehingga persamaan pada lapisan output jaringan menjadi :

wjk(new) = wkj (old) + k zj +  [wjk(old) - wjk (old-1)]

atau :  wjk(new) = k zj +  wjk(old) …...(2.21)

Persamaan pada lapisan hidden

vij (new) = vij(old) + jxi + [vij (old) – vij (old-1)]

atau :  vij(new) = j xi +  vij(old) …...(2.22)

Dimana  adalah konstanta momentum yang biasanya berharga positif dengan

range dari 0 sampai 1.

2.4.4 Scaling

Penskalaan pada jaringan syaraf tiruan diperlukan untuk mempercepat

konvergensi pada saat training dilakukan. Hasil dari skala adalah data dibawa

pada range 0 sampai 1. Umumnya sebelum scaling dilakukan, data ditranformasi

lebih dahulu menjadi zero mean dan unity standard deviation. Namun

transformasi ini tidak diperlukan karena dengan langsung menskala didapatkan

hasil yang sama. Rumus yang dipakai untuk menskala adalah sebagai berikut :

(50)

Dengan :

XA = data yang sudah terskala

X = data belum terskala

2.4.5 Validasi

Validasi dapat dilakukan dengan memberikan suatu input yang tidak

pernah dijumpai pada saat training. Hasil validasi dapat dinyatakan secara

numerik dengan menghitung nilai RMSE atau secara visualisasi.

2.5 Pengolahan Citra

Pemrosesan citra adalah ilmu untuk memanipulasi gambar, yang

melingkupi teknik-teknik untuk memperbaiki atau mengurangi kualitas gambar,

menampilkan bagian tertentu dari gambar, membuat sebuah gambar yang baru

dari beberapa bagian gambar yang sudah ada, dan beberapa teknik manipulasi

gambar lainnya. Dengan menggunakan mengubah representasi nilai RGB (Red,

Green, Blue), sebuah gambar berwarna dapat diubah menjadi gambar yang terdiri

dari warna putih dan gradiasi warna hitam yang biasanya disebut gambar

greyscale. Untuk mengubah RGB menjadi greyscale dapat digunakan rumus sebagai berikut:

0.299 0.587 0.114

greyscale R G B...(2.24)

atau

0.333 0.333 0.333

greyscale R G B... (2.25)

Perhitungan nilai gray scale yang sebenarnya adalah dengan menggunakan persamaan 2.24, namun persamaan yang umum digunakan adalah

(51)

28

BAB III

ANALISA DESAIN SISTEM

Dalam bab ini dibahas tentang perencanaan pengolahan data ECG sebelum

diinputkan pada JST. Data awal perekaman ECG yang didapat merupakan data

dalam bentuk pola sinyal ECG. Dalam sekali pengambilan data, didapatkan 12

lead dari setiap pasien yaitu lead I, lead II, lead III, aVR, aVL, aVF, V1, V2, V3,

V4, V5, dan lead V6. Dalam percobaan, tidak semua lead tersebut akan dijadikan

inputan bagi JST, namun yang digunakan hanya lead V1, V2, V3, V4. Karena JST

memerlukan data numerik sebagai inputannya maka pola ECG yang diinputkan

tersebut harus diubah dalam data numerik. Untuk mengubah data pola ECG

menjadi data numerik yang dapat dibaca JST dibutuhkan bahasa pemrograman.

Dalam tugas akhir ini digunakan bahasa pemrograman Visual Basic 6.

3.1Pengambilan Data Gambar

Data yang akan diolah merupakan data pasien normal dan data pasien

jantung koroner yang direkam diatas kertas thermal ECG. Penentuan bentuk

normal dan jantung koroner sudah divalidasi oleh seorang dokter kardiolog di

ruang ICCU RSUD Sidoarjo. Seluruh data terdiri dari 64 pasien yang terdiri dari

40 data pasien normal dan 24 data pasien dengan jantung koroner.

Sebelum dijadikan inputan ke jaringan syaraf tiruan, ada beberapa proses

yang harus dilakukan pada data ECG. Yaitu merubah data gambar menjadi data

(52)

dalam nilai numerik, setelah menjadi nilai numerik baru dapat diinputkan pada

JST.Dibawah ini contoh gambar ECG pasien.

(a) (b)

Gambar 3.1 (a) Sinyal ECG Normal dan

(b) Sinyal ECG Jantung Koroner.

Data rekaman detak jantung dari alat ECG dicetak diatas kertas thermal

ECG. Data tersebut kemudian direkam oleh scanner dan disimpan pada suatu file

*.JPG. Pengenalan pola sinyal ECG dapat dibagi menjadi 2 kategori. Yang

pertama untuk mendeteksi keberadaan puncak QRS (salah satu sub gelombang

sinyal ECG) dan yang kedua untuk mengklasifikasi sinyal berdasarkan bentuk

morfologi gelombang. Yang akan dilakukan pada Tugas Akhir ini adalah untuk

mengidentifikasi sinyal berdasarkan bentuk morfologi gelombang.

Dari satu periode sinyal tersebut kemudian diekstrasi sejumlah N nilai

tertentu yang digunakan sebagai masukan sistem. Ukuran N adalah tetap,

meskipun ukuran sinyal untuk satu periode bervariasi. Yaitu diambil ukuran pixel

yang sama 250x250 pixel.

Sebelum data tersebut diolah, data yang akan digunakan harus mempunyai

(53)

flatbed scanner dapat terjadi proses gangguan seperti adanya noise secara acak

atau adanya garis-garis latar perekaman ECG. Maka diperlukan perbaikan mutu

gambar pada pola yang dapat dilakukan dengan cara tresholding. Pada proses

penskalaan digunakan software paint dan untuk perbaikan mutu citra gambar digunakan bantuan software adobe photoshop, hasilnya berupa file *jpg. Dibawah ini merupakan diagram blok proses pengolahan data.

Start

Input gambar

Mengubah ukuran pixel gambar menjadi 250x250

Normalisasi Gambar ECG Grey = (r + g + b) / 3

Gambar ECG yg Di Scan

Finish

Gambar 3.2 Flowchart Proses Pengolahan Citra.

Dari gambar berukuran 250x250 pixel dijadikan matrik 25x25 karena

disesuaikan dengan kemampuan komputer dalam melakukan proses identifikasi

dengan jaringan syaraf tiruan. Dari matrik 25x25 didapatkan nilai numerik

(54)

Gambar 3.3 Data Numerik Matrik 25x25 dan Normalisasi

Pasien Jantung Koroner.

Sebelum data dilatihkan (training) dilakukan dulu proses normalisasi. Untuk menghitungnya digunakan persamaan 2.24, sehingga mendapatkan harga

data dari range 0-1 yang bertujuan agar perhitungan dalam komputer dapat lebih

cepat dikarenakan nilai dari data input tidak terlalu besar. Sehingga berdasarkan

(55)

3.2 Perancangan Jaringan Syaraf Tiruan

Dipilihnya jaringan syaraf tiruan propagasi balik (backpropagation) sebagai metode pada tugas akhir ini karena propagasi balik dikenal sangat efektif

dalam menyelesaikan masalah pengenalan dan pengelompokan pola. Jika

diberikan suatu pola input, maka akan dikeluarkan pola output yang dikehendaki.

Jika persyaratan telah tercapai maka proses training selesai, simpan nilai

bobot dalam file dengan format text (*.txt). Bobot ini yang akan digunakan dalam

proses testing jaringan.

Pada Gambar 3.4 dan 3.5 dibawah ini diberikan flowchart proses training dan testing pada JST. Pada saat training dimulai dengan memberikan nilai jumlah

hidden layer, learning rate dan momentum, yang harganya bisa berubah-ubah

sesuai keinginan kita. Selanjutnya memberi bobot awal secara rondom. Lalu

melakukan proses training, yaitu mengalikan antara bobot rondom dan input

kemudian ditambah dengan bias. Dari perhitungan ini didapat harga input ke

hidden layer. Selanjutnya mengalikan output hidden dengan bobot hidden dan

ditambah bias, didapat harga input pada layer output. Selanjutnya menghitung

koreksi bobot dan koreksi bias. Lalu menghitung error output, jika error kurang

dari error maximal atau epoch kurang dari atau sama dengan epoch maximal maka

proses training diulangi. Namun jika kondisi error sudah tercapai atau epoch

(56)

(57)

Gambar 3.5 Flowchart Testing Jaringan Syaraf Tiruan.

Start

Bobot hasil Training Hidden, Learning Rate,

Momentum Testing data lain

Ya

(58)

Proses pengujian (testing) dilakukan untuk melihat output jaringan syaraf tiruan yang berupa justifikasi dari data input.

Langkah-langkah proses pengujian (testing) adalah:

1. Memasukkan data input yang akan ditesting.

2. Mengambil nilai bobot vij dan wjk dari hasil training.

3. Menghitung semua nilai hasil output pada lapisan hidden Zj dan output.

Parameter-parameter jaringan syaraf tiruan yang digunakan pada tugas

akhir ini adalah sebagai berikut:

a. Jumlah layer

Jaringan syaraf tiruan yang digunakan terdiri dari tiga layer, yaitu input layer, hidden layer dan output layer.

Jumlah unit tiap layer :

Unit input : 625 unit

Unit hidden : 5 unit

Unit output : 1 unit

b. Inisialisasi bobot

Bobot diinisialisasikan secara random antara -0,5 sampai 0,5.

c. Fungsi aktifasi

(59)

d. Nilai learning rate

Nilai learning rate yang merupakan parameter penentu dalam kecepatan belajar jaringan syaraf tiruan yaitu 0,5; 0.6; 0,7; 0,8 dan 0,9.

e. Nilai koefisien momentum

Koefisien ini digunakan sebagai alternatif dalam up-date bobot dengan nilai 0,4; 0.5 dan 0,6.

Langkah-langkah pada proses training adalah sebagai berikut:

1. Inisialisasi nilai parameter konstanta belajar , unit hidden, nilai

momentum , maksimum error, maksimum epoch, target dan jumlah

input.

2. Memberikan input (xi) gambar yang dinumerikkan menjadi matrik 25 x

25.

3. Normalisasi data input

4. Memberikan bobot random pada vij dan wjk.

5. Mengalikan input (xi) dengan bobot random sebanyak jumlah input. Dan

ditambahkan dengan input bias (v0j).

6. Didapatkan harga input ke hidden layer (z_inj).

7. Output lapisan hidden dikalikan dengan bobot sebanyak input lapisan

hidden (zj), serta ditambahkan dengan bias lapisan hidden (w0k).

8. Didapatkan harga input pada layer output (y_ink).Pada back propagation

error (δk) dihitung dengan mengurangi target dengan output (yk) dan

dikalikan dengan fungsi input pada layer output (y_ink).

(60)

10.Menghitung koreksi bias untuk mengupdate wok.

11.Mengupdate bobot wjk dan bobot vij.

12.Menghitung error output. Jika error < error max atau epoch  epoch max

maka ulangi proses training.

Block diagram dari flowchart diatas adalah:

Fase III. Perubahan Bobot dengan menggunakan persamaan 2.19 s/d 2.20 Normalisasi

Gambar 1 Gambar 2 Gambar n

Normalisasi Normalisasi

Fase I. Propagasi Maju dengan menggunakan Persamaan 2,10 & 2.11

Fase II. Propagasi Mundur dengan menggunakan Persamaan 2,13 s/d 2.18

Output Vij & Wjk Akhir

Gambar 3.6 Block Diagram Training Sistem.

Pertama diawali dengan pasien datang untuk cek up ke dokter spesialis.

Dari rangkaian pemeriksaan, pasien discan detak jantungnya dengan batuan

dokter kardiolog dibagian ICCU untuk mengetahui pasien tersebut mengalami

(61)

terdiri dari input hidden, learning rate(alfa), momentum, batas error dan nilai

epoch. Kemudian memasukan gambar yang akan di normalisasi, dimana gambar

yang dipakai training adalah gambar ECG jantung normal. Dari hasil normalisasi

gambar tersebut, lalu dimasukan ke fase I untuk mencari nilai unit tersembunyi (Y

dan Z) dengan membutuhkan bobot random awal Vij dan Wjk secara acak antara

-0.5 s/d -0.5.

Dari hasil fase I tersebut, menghitung nilai kesalahan di fase II. Setelah

semua faktor  dihitung, bobot semua garis dimodifikasi bersamaan di fase III.

Perubahan bobot suatu garis didasarkan atas factor  neuron dilayer. Ketiga fase

tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya

kondisi penghentian yang sering dipakai adalah jumlah iterasi atas kesalahan.

Normalisasi Gambar 1

Fase I. Propagasi Maju dengan menggunakan Persamaan 2,10 & 2.11

Fase II. Propagasi Mundur dengan menggunakan Persamaan 2,13 s/d 2.18

Output Testing (Normal / Koroner) Menghitung error, dengan menggunakan

Error <= error max

(62)

Sedangkan alur system block diagram testing hampir sama dengan block

diagram training system. Tapi didalam block diagram testing tidak menggunakan

fase III, dikarenakan untuk nilai ukur sebagai perbandingan yang dipakai adalah

nilai Vij, Wjk akhir, dan error yang dihasilkan dari proses training sebelumnya.

Dari nilai perbandingan tersebut menghasilkan suatu output koroner atau normal

dari nilai testing gambar inputan dari ECG pasien. Untuk jelasnya alur dari block

diagram diatas dapat dilihat dari block diagram keseluruhan system, bisa dilihat

dari Gambar 3.8 dibawah ini.

Pasien

(63)

40

BAB IV

IMPLEMENTASI SISTEM

Dalam bab ini dibahas tentang implementasi system dari rancangan system yang telah dibuat pada bab III, dimana menjelaskan kebutuhan dan menjelaskan alur system kerja yang telah dibuat. Bagian implementasi system pada bab ini meliputi:

4.1 Sistem Yang Digunakan

Sistem yang digunakan dalam pembuatan sistem informasi ini adalah sebagai berikut:

a. Software

1. Power Designer 32 Bit. 2. Microsoft Visio 2003. 3. Microsoft Visual Basic 6. 4. Photopshop CS.

b. Hardware

1. Prosessor Intel Pentium IV 1700 keatas. 2. Memory 512 Mb keatas.

(64)

4.2 Implementasi Data Gambar

Sebelum menjalankan perancangan sistem, kita perlu menyiapkan data gambar yang akan diolah. Data yang diperlukan adalah data pasien jantung normal dan data pasien jantung koroner yang direkam diatas kertas thermal ECG. Penentuan bentuk normal dan jantung koroner sudah divalidasi oleh seorang dokter kardiolog di ruang ICCU RSUD Sidoarjo.

Sebelum dijadikan inputan ke jaringan syaraf tiruan, ada beberapa proses yang harus dilakukan pada data ECG. Yaitu merubah data gambar menjadi data gambar digital, selanjutnya melakukan perbaikan mutu citra gambar, lalu merubah dalam nilai numerik, setelah menjadi nilai numerik baru dapat diinputkan pada JST. Dibawah ini contoh gambar ECG pasien yang belum dilakukan perbaikan mutu citra gambar.

Gambar 4.1 Contoh Gambar ECG Pasien Jantung Normal Sebelum di Edit

(65)

penskalaan digunakan software paint, dan untuk perbaikan mutu citra gambar digunakan bantuan software adobe photoshop, hasilnya berupa file *jpg. Dibawah ini merupakan contoh gambar ECG pasien yang sudah dilakukan perbaikan mutu citra gambar.

Gambar 4.2 Contoh Gambar ECG Pasien Jantung Normal Setelah di Edit

4.3Implementasi Antarmuka

Pada tahap ini akan dijabarkan tentang implementasi antarmuka dari aplikasi berdasarkan perancangan yang telah dibuat. Form-form tersebut antara lain:

a. Form Input Nilai Parameter

b. Form Input Gambar dan Normalisasi c. Form Training

(66)

4.3.1 Form Input Nilai Parameter

Langkah pertama untuk menjalankan aplikasi ini adalah dengan memasukkan parameter jaringan syaraf tiruan yang ada yaitu jumlah unit hidden, konstanta belajar , momentum , maksimum error, maksimum epoch, unit input dan target yang akan ditraining. Kemudian klik tombol

OK lihat pada Gambar 4.3.

Gambar 4.3 Memasukan Parameter Inputan

4.3.2 Form Input Gambar dan Normalisasi

(67)

Gambar 4.4 Memasukan Gambar Training Jantung Normal dan Normalisasi.

4.3.3 Form Training

Form berikutnya adalah form training JST. Pertama klik tombol

Random untuk menampilkan bobot vij dan wjk awal, dimana nilai

(68)

4.5 Form Menampilkan Nilai Random.

4.3.4 Form Grafik RMSE

Setelah error yang diinginkan tercapai atau epoch maximum sudah terpenuhi iterasi akan berhenti (Lihat Gambar 4.6). Kemudian klik tombol

Simpan untuk menyimpan output hasil training gambar ECG beserta

(69)

Gambar 4.6 Form Nilai Error Telah Tercapai.

4.3.5 Form Testing

Untuk melakukan proses testing, dapat langsung memasukkan parameter jaringan syaraf tiruan unit hidden, learning rate dan momentum. Klik tombol Gambar untuk memilih data yang akan ditesting kemudian klik tombol Pixel untuk mengambil nilai numerik gambar dalam matrik 25x25 dan mengatur Tabel bobot vij dan wjk testing. Klik tombol Load

Bobot untuk menampilkan update bobot pada proses training, load bobot ini mengambil hasil .Txt dari proses training sebelumnya. Klik tombol

Jenis Data dan pilih jenis data yang akan ditesting. Kemudian klik tombol

(70)

(71)

48

BAB V

UJI COBA DAN EVALUASI

Pada bab ini akan dibahas tentang hasil pengujian dan analisa dari

perancangan jaringan syaraf tiruan propagasi balik untuk identifikasi Penyakit

jantung koroner. Penilaian kemampuan jaringan ini berdasarkan beberapa

parameter keberhasilan, yaitu:

a. Kecepatan jaringan syaraf tiruan dalam melakukan proses training (epoch).

b. Maksimum error pada saat proses training tidak lebih dari 0.007.

c. Tingkat keberhasilan sistem jaringan syaraf tiruan dalam melakukan

identifikasi pola.

5.1 Pengujian Arsitektur Jaringan Syaraf Tiruan

Pengujian ini dilakukan untuk mendapatkan arsitektur jaringan syaraf

tiruan yang memiliki kecepatan training (epoch) tercepat dengan kemampuan

pengenalan pola terbaik. Data yang digunakan adalah 16 data ECG normal, yaitu

4 data V1, 4 data V2, 4 data V3 dan 4 data V5.

Sebagai input pada JST adalah matrik 25x25 dari hasil threshold dari rekaman ECG yang berupa grafik, nilai error maksimal 0.007 dan 1 unit output. Tabel 5.1 sampai Tabel 5.4 menunjukkan kecepatan proses training (epoch)

jaringan syaraf tiruan untuk mencapai error maksimal yang ditentukan dengan

variasi unit hidden, learning rate dan momentum yang berbeda-beda.

Pada saat training proses update bobot akan terhenti, apabila error yang

(72)

pada saat testing. Ketika proses training berhenti maka pada form grafik akan

muncul grafik antara error dan epoch.Gambar di bawah ini menunjukkan grafik

error-epoch.

Gambar 5.1 Grafik Error – Epoch

5.2 Hasil Identifikasi Dengan Jaringan Syaraf Tiruan Propagasi Balik

Dari hasil training jaringan syaraf tiruan akan didapatkan bobot yang akan

digunakan untuk menguji kumpulan data testing dalam kemampuan identifikasi

pola. Kumpulan pola data testing terdiri dari 24 data pasien normal, yaitu 6 data

V1, 6 data V2, 6 data V3, 6 data V4 dan 24 data pasien jantung koroner dengan

spesifikasi yang sama. Total ada 48 data testing. Pada saat testing parameter JST

yang diubah-ubah adalah nilai momentum dan learning rate. Untuk momentum

terdapat 3 variasi yaitu antara nilai 0.4, 0.5 dan 0.6. sedangkan untuk nilai

learning rate dibuat bervariasi antara nilai 0.5, 0.6, 0.7, 0.8, dan 0.9. Tabel berikut

menunjukkan hasil identifikasi jenis data testing dengan arsitektur jaringan syaraf

(73)

Tabel 5.1 Hasil Identifikasi V1 Data Training Normal dengan μ = 0.4

Jenis data

No.

pasien α = 0.5 α = 0.6 α = 0.7 α = 0.8 α = 0.9 1 Normal Normal Normal Normal Normal 2 Normal Normal Normal Normal Normal 3 Normal Normal Normal Normal Normal 4 Normal Normal Normal Normal Normal 5 Normal Normal Normal Normal Normal

Normal

6 Normal Normal Normal Normal Normal

1 Koroner Koroner Koroner Koroner Koroner

3 Normal Koroner Koroner Koroner Koroner 4 Normal Koroner Koroner Koroner Koroner

Koroner

6 Normal Normal Normal Koroner Koroner

Dari Tabel 5.1 dapat diketahui bahwa hasil proses identifikasi untuk 12

data testing V1 dengan unit hidden 5, dan μ=0.4, performansi terbaik adalah pada

α=0.8 dan α=0.9, yaitu mampu melakukan identifikasi dengan kesalahan 1 data

yaitu pada pasien nomor 5, yang seharusnya koroner tetapi dikenali normal.

Sementara untuk α=0.5, terjadi kesalahan identifikasi 4 data, yang seharusnya

koroner dikenali normal. Untuk α=0.6 dan α=0.7 terjadi kesalahan identifikasi 2

data, yaitu pada pasien nomor 5 dan 6 yang seharusnya koroner dikenali normal.

Jenis data

No.

Pasien α = 0.5 α = 0.6 α = 0.7 α = 0.8 α = 0.9 1 Normal Normal Normal Normal Normal

2 Normal Normal Normal Koroner Koroner

4 Normal Koroner Koroner Koroner Koroner

5 Normal Normal Normal Koroner Normal

Normal

1 Normal Normal Koroner Koroner Koroner

(74)

α=0.5 dan α=0.7, yaitu mampu melakukan identifikasi sebanyak 6 data, sementara

pada α=0.6 dan α=0.9, bisa melakukan identifikasi dengan kesalahan 7 data,

sedangkan pada α=0.8, kesalahan identifikasi sebanyak 8 data. Performansi

identifikasi pada V2 tidak cukup baik. Hal ini karena antara data normal dan data

koroner pada V2 mempunyai pola yang hampir sama, sehingga error antara data

normal dan data koroner hampir sama.

Jenis data

No.

pasien α = 0.5 α = 0.6 α = 0.7 α = 0.8 α = 0.9

2 Normal Normal Normal Normal Koroner

4 Normal Normal Normal Normal Koroner

Normal

1 Normal Normal Normal Koroner Koroner 2 Normal Normal Koroner Koroner Koroner 3 Normal Normal Normal Koroner Koroner 4 Normal Koroner Koroner Koroner Koroner 5 Normal Koroner Koroner Koroner Koroner

Koroner

6 Normal Normal Koroner Koroner Koroner

α=0.8, yaitu mampu mengenali semua data dengan benar. Untuk α=0.5, hanya

mampu melakukan identifikasi sebanyak 6 data normal, sementara JST tidak

mampu mengenali semua data koroner. Untuk α=0.6 JST mampu

mengidentifikasi dengan kesalahan sebanyak 4 data, yang seharusnya koroner