JANTUNG KORONER, GAGAL JANTUNG, DAN SERANGAN JANTUNG MENDADAK
DARI CITRA EKG
SKRIPSI
IGNATIUS M. P. BANJARNAHOR 131402006
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATRA UTARA
MEDAN
2018
JANTUNG KORONER, GAGAL JANTUNG, DAN SERANGAN JANTUNG MENDADAK
DARI CITRA EKG
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
IGNATIUS M. P. BANJARNAHOR 131402006
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATRA UTARA
MEDAN 2018
PERNYATAAN
DYNAMIC EVOLVING NEURAL-FUZZY INFERENCE SYSTEM (DENFIS) UNTUK MENGKLASIFIKASI PENYAKIT
JANTUNG KORONER, GAGAL JANTUNG, DAN SERANG JANTUNG MENDADAK
DARI CITRA EKG
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 19 Juli 2018
Ignatius M. P. Banjarnahor 131402006
UCAPAN TERIMAKASIH
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena kasih-Nya penulis dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatra Utara.
Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc. selaku Dekan Fasilkom-TI Universitas Sumatra Utara, juga sebagai dosen pembimbing II yang telah memberikan bimbingan dan ketepatan dalam penulisan skripsi.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara, juga sebagai Dosen Pembimbing I yang telah memberikan didikan ilmiah tentang isi skripsi saya.
4. Ibu Sarah Purnamawati, S.T., M.Sc., selaku Sekretaris Program Studi S1 Teknologi Informasi Universitas Sumatra Utara juga dosen pembanding I yang telah memberikan saran penulisan skripsi.
5. Bapak Ainul Hizriadi, S.Kom., M.Sc selaku dosen Pembanding II yang telah memberikan kritik dan saran untuk penyempurnaan skripsi ini.
6. Orangtua tersayang, Bapak Togar Banjarnahor dan Ibu Agnes Simanjuntak yang terus berdoa, memberikan semangat, nasehat, dan uang bulanan tambahan.
7. Kakak, abang, dan adek tercinta; Merry Queen Magdalena ,Athink Rikson Christian, Yusman Tri Klavier yang sudah memberikan semangat dan dukungan.
8. Teman-teman dan senior di Teknologi Informasi USU; Bobby Leo, Rekianto, Octavia Yohana, dan Tito Pandiangan.
9. Nadia, yang telah mendengarkan celoteh saya dikala hati tidak menentu.
Medan, 2018
Penulis
ABSTRAK
Elektrokardiogram (EKG) adalah catatan aktivitas listrik jantung selama periode waktu tertentu. Deteksi dini penyakit jantung bisa memperpanjang umur dan meningkatkan kualitas hidup melalui pengobatan yang tepat. Pada penelitian ini, dirancang sistem untuk mengklasifikasi penyakit jantung dari citra EKG. Metode pemrosesan citra digunakan untuk ekstraksi ciri citra EKG dan proses klasifikasi menggunakan Dynamic Evolving Neural-Fuzzy Infeherence System (DENFIS).
Beberapa data elektrokardiogram digunakan sebagai data pelatihan dan pengujian sistem. Tiga jenis penyakit jantung dapat dideteksi oleh sistem. Hasil simulasi menunjukkan bahwa akurasi algoritma klasifikasi adalah sebesar 85% yang terdiri dari 8 gagal jantung, 8 serangan jantung mendadak , dan 6 penyakit jantung koroner.
Kata kunci: penyakit jantung, electrocardiogram, image processing, dynamic evolving neural-fuzzy inference system (DENFIS), moment invariants
DYNAMIC EVOLVING NEURAL-FUZZY INFERENCE SYSTEM (DENFIS) FOR CORONARY ARTERY DISEASE, HEART FAILURE,
AND SUDDEN DEATH CARDIAC CLASSIFICATION FROM ECG DIGITAL IMAGE
ABSTRACT
Electrocardiogram (EKG) is a record of heart electrical activity over a period of time.
Early detection of heart disease can prolong life and improve quality of life through appropriate treatment. In this study, a system designed to classify heart disease from ECG images. The image processing method is used for extracting ECG image and classification process using Dynamic Evolving Neural-Fuzzy Infeherence System (DENFIS). Some electrocardiogram data are used as training data and testing data.
Three types of heart disease can be detected by the system. The simulation results show that the accuracy of the classification algorithm is 85% consisting of 8 heart failure, 8 sudden death cardiac, and 6 coronary heart disease.
Keywords: Heart disease, image processing, dynamic evolving neural-fuzzy inference system (DENFIS), moment invariants
DAFTAR ISI
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
Bab 1 PENDAHULUAN
1.1. Latar Belakang 1
1.2. Rumusan Masalah 2
1.3. Batasan Masalah 2
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
1.6. Metodologi Penelitian 3
1.7. Sistematika Penulisan 4
Bab 2 LANDASAN TEORI
2.1. Elektrokardiogram (EKG) 5
2.2. Penyakit Jantung 8
2.1.1 Gagal Jantung 8
2.1.2 Serangan Jantung Mendadak 10
2.1.3 Penyakit Jantung Koroner 12
2.3. Ilmu Pengenalan Pola (Pattern Recognition) 14
2.4. Pengolahan Citra (Image Processing) 14
2.4.1. Resizing 14
2.4.2. Citra Enhancement 14
2.4.3. Segmentasi (Thresholding) 14
2.5. Ekstraksi Ciri (Moment Invariants) 15
2.6. Dynamic Evolving Neural-Fuzzy Inference System (DENFIS) 17
2.7. Fungsi Keanggotaan Fuzzy 18
2.8. MIT/BIH Arrhythmia Database 19
2.9. Root Mean Square Error (RMSE) 20
2.10. Penelitian Terdahulu 20
Bab 3 ANALISIS DAN PERANCANGAN SISTEM
3.1. Data Penelitian 23
3.2. Arsitekstur Umum 24
3.2.1. Resizing 25
3.2.2. Citra Enhancement 26
3.2.3. Segmentasi 26
3.2.4. Ekstraksi Ciri 26
3.2.5. Implementasi DENFIS 27
3.3. Perancangan Antarmuka Sistem 28
3.3.1. Perancangan Menu Sistem 28
3.3.2. Rancangan Tampilan Halaman Awal 28
3.3.3. Rancangan Menu Utama 29
Bab 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem 32
4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak 32
4.1.2. Implementasi Data 32
4.1.3. Implementasi Perancangan Antarmuka 34
4.2. Prosedur Operasional 36
4.3. Pengujian Sistem 39
Bab 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan 56
5.2. Saran 56
Daftar Pustaka 57
DAFTAR TABEL
Halaman
Tabel 2.1. Penelitian Terdahulu 21
Tabel 3.1. Data Latih dan Data Uji 23
Tabel 3.2. Jumlah Citra EKG pada Data Latih 23
Tabel 3.3. Jumlah Citra EKG pada Data Uji 24
Tabel 4.1. Daftar Citra Uji 33
Tabel 4.2. Citra EKG Gagal Jantung dan Hasil Thresholding 40 Tabel 4.3. Citra EKG Jantung Koroner dan Hasil Thresholding 40 Tabel 4.4. Citra EKG Serangan Jantung Mendadak dan Hasil Thresholding 41
Tabel 4.5. Nilai Ekstraksi Ciri Data Uji 42
Tabel 4.6. Hasil Pengujian Berdasarkan Fungsi Gbell dengan Epochs 90 43 Tabel 4.7. Hasil Pengujian Berdasarkan Fungsi Gbell dengan Epochs 100 46 Tabel 4.8. Hasil Pengujian Berdasarkan Fungsi Gbell dengan Epochs 120 49 Tabel 4.9. Hasil Pengujian Berdasarkan Fungsi Gbell dengan Epochs 200 52
DAFTAR GAMBAR
Halaman
Gambar 2.1. Elektrokardiogram 6
Gambar 2.2. Grafik EKG Normal 6
Gambar 2.3. Pembengkakan Jantung pada Gagal Jantung 9
Gambar 2.4. Citra EKG Gagal Jantung 10
Gambar 2.5. Ruang dan Katup Jantung 11
Gambar 2.6. Citra EKG Serangan Jantung Mendadak 12
Gambar 2.7. Perkembangan Atherosclerosis 13
Gambar 2.8. Citra EKG Jantung Koroner 13
Gambar 2.9. Kurva Generalized Bell 19
Gambar 3.1. Arsitektur Umum 25
Gambar 3.2. Citra EKG 26
Gambar 3.3. Citra Enhancement 26
Gambar 3.4. Citra Hasil Thresholding 27
Gambar 3.5. Perancangan Menu Sistem 28
Gambar 3.6. Rancangan Tampilan Awal 29
Gambar 3.7. Halaman Pelatihan 29
Gambar 3.8. Halaman Pengujian 30
Gambar 4.1. Tampilan Halaman Depan 35
Gambar 4.2. Tampilan Halaman Pelatihan 35
Gambar 4.3. Tampilan Halaman Pengujian 36
Gambar 4.4. Tampilan Pengambilan Data Latih 36
Gambar 4.5. Tampilan Pengambilan Citra Uji 37
Gambar 4.6. Tampilan Setelah Pengambilan Citra Uji 37
Gambar 4.7. Tampilan Proses Citra 38
Gambar 4.8. Tampilan Nilai Ekstraksi Ciri 38
Gambar 4.9. Tampilan Hasil Identifikasi 39
Gambar 4.10. Akurasi Pengujian Sistem 55
BAB 1 PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
1.1. Latar Belakang
Penyakit jantung, juga dikenal sebagai penyakit kardiovaskular disebabkan oleh gangguan pada jantung dan pembuluh darah. Penyebab utama penyakit kardiovaskular adalah penggunaan tembakau, aktivitas fisik, diet tidak sehat dan penggunaan alkohol yang berbahaya. Beberapa jenis-jenis penyakit jantung yaitu penyakit jantung kororner, gagal jantung, dan serangan..jantung..mendadak.
Elektrokardiogram (EKG) adalah catatan aktivitas listrik jantung selama periode waktu tertentu. Hal ini dilakukan dengan elektroda yang menempel pada permukaan luar kulit dan direkam oleh alat di luar tubuh. Deteksi dini penyakit jantung bisa memperpanjang umur dan meningkatkan kualitas hidup melalui pengobatan yang tepat.
Menurut Badan Kesehatan Dunia (WHO) dalam situsnya dituliskan bahwa penyakit kardiovaskular (CVD) adalah penyebab kematian nomor 1 di seluruh dunia:
lebih banyak orang meninggal setiap tahun dari CVD daripada penyebab lainnya, diperkirakan 17,7 juta orang meninggal karena penyakit kardiovaskular pada tahun 2015, mewakili 31% dari semua kematian global. Dari jumlah kematian tersebut, diperkirakan 7,4 juta disebabkan oleh penyakit jantung koroner dan 6,7 juta karena stroke, lebih dari tiga perempat kematian akibat CVD terjadi di negara berpenghasilan rendah dan menengah, dari 17 juta kematian dini (di bawah usia 70 tahun) karena penyakit tidak menular pada tahun 2015, 82% berada di negara berpenghasilan rendah dan menengah, dan 37% disebabkan oleh CVD. Kebanyakan penyakit kardiovaskular dapat dicegah dengan menangani faktor risiko perilaku seperti penggunaan tembakau, diet tidak sehat dan obesitas, tidak aktif secara fisik, dan penggunaan alkohol yang berbahaya. Jika tren saat ini berlanjut, jumlah kematian tahunan dari CVD akan meningkat dari 17,7 juta di tahun 2015 menjadi 22,2 juta pada tahun 2030.
Di Indonesia sendiri, menurut data dari Kementerian Kesehatan dalam situsnya, penyakit jantung dan pembuluh darah terus meningkat dan akan memberikan beban kesakitan, kecacatan dan beban sosial ekonomi bagi keluarga penderita, masyarakat, dan negara.
Penelitian tentang EKG sudah pernah dilakukan sebelumnya, salah satu oleh Hosseini et al. (2001) menggunakan multilayer perceptron (MLP) neural network untuk mengklasifikasi lebih dari 10 data EKG dari MIT/BIH arrhythmia database dengan hasil akurasi 88,3%. Penelitian selanjutnya dilakukan oleh Shyu et al. (2004) meneliti Ventricular Premature Contractions (VPC) dari tujuh MIT/BIH Arrhythmia Database dengan Wavelet Transformation dengan hasil akurasi 97,0%. Penelitain selanjutnya dilakukan oleh Khandait et al. (2008) meneliti aritmia dari sinyal EKG menggunakan metode Wavelet Transformation hasil akurasi 90% hingga 98%.
Dalam penelitian ini penulis ingin membuat suatu sistem pengolah citra digital menggunakan metode Dynamic Evolving Neural-Fuzzy Infeherence System (DENFIS) untuk mengklasifikasi penyakit jantung dari citra EKG.
1.2. Rumusan Masalah
Analisis pendeteksian kelainan jantung yang umum dilakukan di dunia kesehatan adalah dengan melihat grafik rekaman EKG secara manual. Namun, teknik ini membutuhkan waktu yang cukup lama dan tidak bisa digunakan untuk deteksi dini kelainan jantung. Untuk mengantisipasi permasalahan tersebut, perlu didiagnosis dengan teknik otomatisasi menggunakan metode komputasi.
1.3. Batasan Masalah
1. Citra EKG yang diolah dengan format .JPG.
2. Resolusi citra yang diolah yaitu 1052 x 163 piksel.
3. Data masukan yang akan diolah adalah citra EKG jantung koroner, gagal jantung, dan serangan jantung mendadak.
1.4. Tujuan Penelitian
Untuk mengklasifikasi penyakit jantung menggunakan Dynamic Evolving Neural- Fuzzy Inference System dari citra EKG.
1.5. Manfaat Penelitian
1. Untuk mengetahui kemampuan Dynamic Evolving Neural-Fuzzy Inference System mengklasifikasi penyakit jantung.
2. Penelitian ini diharapkan bisa sebagai media pembelajaran selanjutnya.
3. Untuk membantu dokter atau para ahli dalam mengambil keputusan dan perawatan lebih lanjut, hal ini akan menghemat banyak waktu dan beban kerja serta mengurangi kesalahan manusia (Human Error) dalam menangani penyakit jantung.
1.6. Metodologi Penelitian 1. Studi Literatur
Tahap ini merupakan proses pengumpulan dan pembelajaran informasi dari berbagai jurnal, artikel, buku, dan sumber yang berkaitan dengan penelitian.
2. Analisis Permasalahan
Tahap ini merupakan proses analisis studi literatur yang telah dikumpulkan untuk mendapatkan pemahaman tentang metode yang dapat diterapkan untuk memecahkan masalah.
3. Desain
Tahap ini merupakan proses perancangan sistem untuk memecahkan masalah yang diperoleh dari hasil analisis.
4. Implementasi
Tahap ini merupakan penerapan dari hasil analisis sesuai perancangan yang akan dilakukan pada sistem.
5. Pengujian
Tahap ini merupakan pengujian terhadap sistem yang telah dibuat untuk mengetahui tingkat akurasi dari penerapan metode yang digunakan.
6. Penyusunan Laporan
Tahap ini dilakukan secara sistematis sesuai yang telah ditetapkan agar mudah dipahami dan bisa dijadikan rujukan penelitian selanjutnya.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian yaitu:
Bab 1: Pendahuluan
Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penelitian.
Bab 2: Landasan Teori
Bab ini berisi teori tentang Dynamic Evolving Neural-Fuzzy Inference System, image processing, resizing, thresholding, ekstraksi ciri (Moment Invariants), EKG, penyakit jantung, dan penelitian terdahulu.
Bab 3: Analisis dan Perancangan
Bab ini berisi tentang arsitektur umum dan penerapan Dynamic Evolving Neural- Fuzzy Inference System dalam mengklasifikasi penyakit jantung serta perancangannya.
Bab 4: Implementasi dan Pengujian
Bab ini berisi tentang penerapan hasil analisis dan perancangan sistem pada bab sebelumnya serta hasil pengujian sistem yang telah dirancang.
Bab 5: Kesimpulan dan Saran
Bab ini berisi tentang hasil akhir penelitian dan saran-saran untuk penelitian selanjutnya.
BAB 2
LANDASAN TEORI
Bab ini berisi teori tentang EKG, penyakit jantung, ilmu pengenalan pola, Dynamic Evolving Neural-Fuzzy Inference System, image processing, resizing, thresholding, ekstraksi ciri (Moment Invariants), dan penelitian terdahulu.
2.1. Elektrokardiogram (EKG)
Elektrokardiogram adalah grafik yang dibuat oleh sebuah elektrokardiograf yang merekam aktivitas kelistrikan jantung dalam waktu tertentu. Prinsip kerja alat ini adalah dengan memanfaatkan sifat konduktor listrik pada tubuh manusia.
Elektrokardiogram merekam sinyal listrik di jantung. Ini adalah tes umum yang digunakan untuk mendeteksi masalah jantung dan memantau status jantung dalam banyak situasi. Elektrokardiogram dilakukan di kantor dokter, klinik atau ruang rumah sakit dan telah menjadi peralatan standar di ruang operasi dan ambulans. EKG adalah tes yang tidak invasif dan tidak menyakitkan dengan hasil yang cepat. Selama EKG, sensor (elektroda) yang dapat mendeteksi aktivitas listrik jantung, melekat pada dada, dan kadang-kadang anggota badan. Sensor-sensor ini biasanya bekerja hanya beberapa menit saja.
Elektrokardiogram memonitor irama jantung yang bermasalah. Elektroda ditempelkan di dada untuk merekam sinyal listrik jantung yang menyebabkan jantung berdetak. Sinyal ditampilkan sebagai gelombang pada monitor komputer atau printer yang terpasang. Ilustrasi proses pengambilan elektrokardiogram dapat dilihat pada Gambar 2.1.
Gambar 2.1 Elektrokardiogram (Sumber: mayoclinic.org, 2018)
Interpretasi EKG meliputi penilaian morfologi (tampilan) dari gelombang dan interval pada grafik EKG. Oleh karena itu, interpretasi EKG membutuhkan penilaian terstruktur dari gelombang dan interval. Berikut penjelasan singkat tentang EKG Normal ditunjukkan pada Gambar 2.2.
Gambar 2.2 Grafik EKG Normal (Sumber: ecgwaves.com, 2018)
Interpretasi EKG membutuhkan pengetahuan tentang gelombang dan interval, penjelasan sebagai berikut;
1. Interval P-wave, PR dan segmen PR
Interpretasi EKG biasanya dimulai dengan penilaian gelombang-P. Gelombang P mencerminkan depolarisasi atrium (aktivasi). Interval PR adalah jarak antara set P-wave ke set kompleks QRS. Interval PR dinilai untuk menentukan apakah konduksi impuls dari atriam ke ventrikel normal. Garis datar antara akhir gelombang-P dan set kompleks QRS disebut segmen PR, itu mencerminkan konduksi impuls lambat melalui simpul atrioventrikular.
Segmen PR berfungsi sebagai baseline (juga disebut sebagai garis referensi atau garis isoelektrik) dari grafik ECG. Amplitudo dari setiap defleksi/gelombang diukur dengan menggunakan segmen PR sebagai garis dasar. Lihat Gambar 2.2.
2. The QRS complex
QRS Complex mewakili depolarisasi (aktivasi) dari ventrikel. Disebut sebagai
"QRS complex" meskipun mungkin tidak selalu menampilkan ketiga gelombang. Karena vektor listrik yang dihasilkan oleh ventrikel kiri berkali- kali lebih besar daripada vektor yang dihasilkan oleh ventrikel kanan, QRS Complex sebenarnya merupakan cerminan depolarisasi ventrikel kiri. Durasi QRS adalah interval waktu dari awal hingga akhir kompleks QRS. QRS Complex pendek diinginkan karena membuktikan bahwa ventrikel terdepolarisasi dengan cepat, yang pada gilirannya menyiratkan bahwa sistem konduksi berfungsi dengan baik. Luas (juga disebut sebagai kompleks) QRS menunjukkan bahwa depolarisasi ventrikel lambat, yang mungkin disebabkan oleh disfungsi dalam sistem konduksi.
3. Titik J dan segmen ST
Segmen ST harus selalu dipelajari dengan hati-hati karena dapat berubah dalam berbagai kondisi. Ada dua jenis penyimpangan segmen ST. ST segmen depresi menyiratkan bahwa segmen ST berpindah sedemikian rupa sehingga berada di bawah tingkat segmen PR. Segmen-segmen ST menyiratkan bahwa segmen ST berpindah sedemikian rupa sehingga berada di atas tingkat segmen PR. Besarnya depresi/elevasi diukur sebagai perbedaan tinggi (dalam milimeter) antara titik J dan segmen PR. Titik J adalah titik di mana segmen
ST dimulai. Jika segmen PR sulit untuk dilihat, interval TP dapat digunakan sebagai level referensi.
4. Gelombang-T (T-wave)
Gelombang-T merupakan potensial repolarisasi ventrikel kanan dan kiri dan perubahan gelombang-T terjadi dalam berbagai kondisi. Transisi dari segmen ST ke gelombang-T seharusnya lancar dan tidak tiba-tiba. Gelombang-T yang normal sedikit asimetris, dengan kemiringan ke bawah yang curam.
5. Gelombang-U (U-wave)
Gelombang U terlihat sesekali. Ini adalah gelombang positif yang terjadi setelah gelombang-T. Amplitudonya umumnya seperempat dari amplitudo gelombang-T. Orang-orang dengan detak jantung lambat, menampilkan U- wave lebih sering.
6. Durasi QT dan durasi QTc
Durasi QT mencerminkan durasi total depolarisasi ventrikel dan repolarisasi.
Ini diukur dari awal kompleks QRS hingga akhir gelombang-T. Durasi QT berbanding terbalik dengan detak jantung; mis. interval QT meningkat pada denyut jantung yang lebih lambat dan menurun pada denyut jantung yang lebih tinggi. Oleh karena itu untuk menentukan apakah interval QT dalam batas normal, perlu untuk menyesuaikan denyut jantung. Denyut jantung yang disesuaikan interval QT disebut sebagai interval QT yang dikoreksi (interval QTc). Interval QTc yang panjang meningkatkan risiko aritmia ventrikel.
2.2. Penyakit Jantung
Penyakit jantung dikenal sebagai penyakit kardiovaskular disebabkan oleh gangguan pada jantung dan pembuluh darah. Penyebab utama penyakit kardiovaskular adalah penggunaan tembakau, aktivitas fisik, diet tidak sehat dan penggunaan alkohol yang berbahaya. Beberapa jenis penyakit jantung yaitu penyakit jantung kororner, gagal jantung, dan serangan..jantung..mendadak.
2.1.1. Gagal Jantung
Berdasar definisi patofisiologik gagal jantung (decompensatio cordis) atau dalam bahasa inggris Heart Failure adalah ketidakmampuan jantung untuk memenuhi kebutuhan metabolisme jaringan pada saat istirahat atau kerja ringan. Hal tersebut akan menyebabkan respon sistemik khusus yang bersifat patologik (sistem saraf,
hormonal, ginjal, dan lainnya) serta adanya tanda dan gejala yang khas (Fathoni, 2007). Salah satu cara mencegah gagal jantung adalah dengan mencegah dan mengendalikan kondisi yang menyebabkan gagal jantung, seperti penyakit arteri koroner, tekanan darah tinggi, diabetes atau kegemukan. Tanda dan gejala yang biasanya muncul pada gagal jantung:
1. Sesak napas (dyspnea) 2. Mudah kelelahan
3. Pembengkakan (edema) di kaki 4. Detak jantung cepat/tidak teratur
5. Batuk terus-menerus dengan dahak berlumuran darah berwarna putih atau merah muda
6. Sering buang air kecil pada malam hari 7. Pembengkakan perut (asites)
8. Kesulitan berkonsentrasi atau penurunan kewaspadaan
9. Nyeri dada jika gagal jantung disebabkan oleh serangan jantung
Ketika jantung melemah, seperti pada gagal jantung, ia mulai membesar, memaksa jantung bekerja lebih keras untuk memompa darah ke seluruh tubuh. Pembengkakan jantung dapat dilihat pada Gambar 2.3.
Gambar 2.3. Pembengkakan Jantung pada Gagal Jantung
(Sumber: mayoclinic.org, 2018)
Penyakit gagal jantung dapat diidentifikasi dari citra EKG dengan tampilan morfologi gelombang dan interval pada grafik sebagai berikut:
1. Tidak ada gelombang-P
2. Aktivitas atrial tidak terkoordinasi 3. Secara umum dysrhythmia berkelanjutan
Citra EKG gagal janung dapat dilihat pada Gambar 2.4.
Gambar 2.4. Citra EKG Gagal Jantung (Sumber: beecardia.com, 2017)
2.1.2. Serangan Jantung Mendadak
Secara epidemiologi kematian alami secara mendadak pada umumnya berhubungan dengan serangan jantung. Di bidang kardiologi, kematian mendadak sering diistilahkan “Sudden Cardiac Death”. Sindrom Sudden Cardiac Death didefinisikan sebagai kematian alami yang timbul secara mendadak (sekitar 1 jam setelah serangan) pada pasien yang mempunyai/tidak penyakit jantung sebelumnya dan kematian yang muncul tidak diperkirakan sebelumnya (Maron, 1986).
Penyebab langsung serangan jantung mendadak biasanya merupakan kelainan dalam irama jantung (aritmia), hasil dari masalah dengan sistem kelistrikan jantung.
Tidak seperti otot-otot lain di tubuh, yang bergantung pada koneksi saraf untuk menerima rangsangan listrik yang mereka butuhkan untuk berfungsi, jantung memiliki stimulator listrik sendiri - sekelompok sel khusus yang disebut simpul sinus yang terletak di ruang kanan atas (atrium kanan) hati. Simpul sinus menghasilkan impuls listrik yang mengalir secara teratur melalui jantung untuk menyinkronkan denyut jantung dan mengoordinasi pemompaan darah dari jantung ke seluruh tubuh.
Jika ada yang salah dengan nodus sinus atau aliran impuls listrik melalui jantung, aritmia dapat terjadi, menyebabkan jantung berdebar terlalu kencang, terlalu
lambat, atau tidak teratur. Seringkali interupsi dalam ritme ini bersifat sementara dan tidak berbahaya. Namun beberapa jenis aritmia bisa serius dan menyebabkan berhenti tiba-tiba dalam fungsi jantung (serangan jantung mendadak).
Sebagian besar waktu aritmia yang menghambat jantung tidak terjadi dengan sendirinya. Pada seseorang dengan jantung yang normal dan sehat, ritme jantung yang tidak teratur tidak mungkin berkembang tanpa pemicu luar, seperti kejutan listrik, penggunaan obat-obatan terlarang atau trauma pada dada pada saat yang salah dari siklus jantung (commotio cordis).
Jantung normal memiliki dua kamar atas dan dua ruang bawah. Ruang atas, atrium kanan dan kiri, menerima darah yang masuk. Ruang bawah, ventrikel kanan dan kiri yang lebih berotot, memompa darah keluar dari jantung. Katup jantung, yang menjaga aliran darah ke arah yang benar, adalah gerbang di bukaan kamar. Ruang dan katup jantung dapat dilihat pada Gambar 2.5.
Gambar 2.5. Ruang dan Katup Jantung (Sumber: mayoclinic.org, 2018)
Penyakit serangan jantung mendadak dapat diidentifikasi dari citra EKG dengan tampilan morfologi gelombang dan interval pada grafik sebagai berikut:
1. Gelombang tidak terorganisir
2. Penghentian denyut jantung tiba-tiba
3. Gelombang-P, QRS complex, atau gelombang-T tidak terlihat
Citra EKG serangan jantung mendadak dapat dilihat pada Gambar 2.6.
Gambar 2.6. Citra EKG Serangan Jantung Mendadak (Sumber: beecardia.com, 2017)
2.1.3. Penyakit Jantung Koroner
Penyakit jantung koroner adalah gangguan fungsi jantung akibat otot jantung kekurangan darah karena adanya penyempitan pembuluh darah koroner. Secara klinis, ditandai dengan nyeri dada atau terasa tidak nyaman di dada atau dada terasa tertekan berat ketika sedang mendaki/kerja berat ataupun berjalan terburu-buru pada saat berjalan di jalan datar atau berjalan jauh (RISKESDAS, 2013).
Penyakit arteri koroner diperkirakan dimulai dengan kerusakan atau cedera pada lapisan dalam arteri coroner. Kerusakan dapat disebabkan oleh berbagai fackor yaitu merokok, tekanan darah tinggi, kolesterol, diabetes, dan gaya hidup menetap.
Setelah dinding bagian dalam arteri rusak, timbunan lemak (plak) yang terbuat dari kolesterol dan produk limbah seluler lainnya cenderung berakumulasi di tempat cedera dalam proses yang disebut atherosclerosis. Jika permukaan plak pecah atau pecah, sel darah yang disebut trombosit akan menggumpal di lokasi untuk mencoba memperbaiki arteri. Rumpun ini dapat memblokir arteri, yang menyebabkan serangan jantung. Jika memiliki terlalu banyak partikel kolesterol dalam darah, kolesterol dapat menumpuk di dinding arteri. Akhirnya, deposito yang disebut plakat dapat terbentuk.
Deposito dapat mempersempit atau memblokir arteri. Plak juga bisa pecah,
menyebabkan bekuan darah. Perkembangan atherosclerosis dapat dilihat pada Gambar 2.7.
Gambar 2.7 Perkembangan Atherosclerosis (Sumber: mayoclinic.org, 2018)
Penyakit jantung koroner dapat diidentifikasi dari citra ekg dengan tampilan morfologi gelombang dan interval pada grafik sebagai berikut:
1. Tidak ada gelombang-P
2. Aktivitas atrial tidak terkoordinasi 3. Secara umum dysrhythmia berkelanjutan 4. Detak atrial 250-300 permenit
5. AV node berkonduksisetial 2 atau 3 atrial impulses 6. Karakteristik “saw-tooth” pattern
Citra EKG serangan jantung mendadak dapat dilihat pada Gambar 2.8.
Gambar 2.8. Citra EKG Jantung Koroner (Sumber: beecardia.com, 2017)
2.3. Ilmu Pengenalan Pola (Pattern Recognition)
Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu objek. Pola sendiri adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta diberi nama. Pola bisa merupakan kumpulan hasil atau pemantauan dan bisa dinyatakan dalam notasi vektor atau matriks (Putra, 2010).
2.4. Pengolahan Citra Digital (Image Processing)
Pengolahan citra merupakan proses mengolah piksel-piksel di dalam citra digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra (Basuki, 2005). Pengolahan citra digital yang dilakukan pada penelitian ini yaitu:
2.4.1. Resizing
Pada tahap ini, citra tulang akan diukur ulang dengan mengecilkan piksel dari citra tersebut. Proses ini dilakukan untuk mendapatkan ukuran yang sesuai dan menambah fokus pada suatu objek yang akan diidentifikasi, membuang citra yang tidak memiliki informasi yang penting. Proses ini akan menghasilkan sebuah citra baru yang merupakan bagian citra asli yang memiliki ukuran yang lebih kecil dari citra awal, hal ini dilakukan untuk memfasilitasi pada tahap selanjutnya (Cahyadi, 2012).
2.4.2. Citra Enhancement
Citra enhancement adalah proses penyesuaian gambar digital sehingga hasilnya lebih sesuai untuk tampilan atau analisis gambar lebih lanjut. Citra enhancement dapat menghilangkan noise, mempertajam, atau mencerahkan gambar, membuatnya lebih mudah untuk mengidentifikasi objek utama. Citra enhancement yang digunakan pada sistem adalah Median Filter. Median filter merupakan salah satu teknik citra enhancement yang secara umum digunakan untuk menghilangkan salt and pepper.
Karena filter ini lebih tidak sensitif terhadap perubahan nilai piksel yang ekstrim,
median filter dapat menghilangkan salt and pepper tanpa mengurangi ketajaman gambar secara signifikan.
2.4.3. Segmentasi (Thresholding)
Thresholding ini di contohkan pada sebuah gambar, f(x,y) tersusun dari objek yang terang pada sebuah background yang gelap Gray-level milik objek dan milik background terkumpul menjadi 2 grup yang dominan. Salah satu cara untuk mengambil objek dari backgroundnya adalah dengan memilih sebuah nilai threshold T yang memisahkan grup yang satu dengan grup yang lain. Maka semua piksel yang memiliki nilai > T disebut titik objek, yang lain disebut titik background. Proses ini disebut thresholding (Gonzalez, 2008). Proses tersebut dilakukan dengan persamaan:
( ) { ( )
( ) (2.1) dimana
( ) = piksel citra hasil biner ( ) = piksel citra masukan = nilai threshold
2.5. Ekstraksi Ciri
Ekstraksi ciri merupakan tahapan yang sangat penting dalam pengenalan pola.
Tahapan ini bertujuan untuk memperoleh informasi yang terkandung dalam suatu citra, digunakan sebagai acuan untuk membedakan antara citra yang satu dengan citra yang lain.
Moment Invariants pertama kali diperkenalkan oleh (Hu, 1962). Dalam penelitiannya ada enam invarian ortogonal mutlak (absolute orthogonal invariants) dan satu invarian condong orthogonal (skew orthogonal invariants) berdasarkan invarian aljabar, yang tidak hanya independen dari posisi, ukuran dan orientasi tetapi juga independen dari proyeksi paralel. Moment Invariants telah terbukti menjadi langkah-langkah yang memadai untuk mengenali pola gambar, skala dan rotasi dengan asumsi fungsi gambar kontinu dan bebas noise.
Berikut ini adalah detail metode Moment Invariants yang digunakan untuk suatu fungsi citra dalam dua variabel:
∫ ∫ ( ) (2.2)
Jika fungsi gambar f (x,y) adalah bagian dari fungsi yang kontinu, momen dari semua perintah yang ada dan urutan momen {mpq} secara unik ditentukan oleh f (x,y).
Dengan demikian, f (x, y) juga secara unik ditentukan oleh urutan momen {mpq}.
Hal yang harus dicatat bahwa momen dalam (2.2) mungkin tidak invarian ketika f (x,y) di-translating, rotating, atau scaling.
Fitur invarian dapat dicapai menggunakan momen sentral, yang didefinisikan sebagai berikut:
∫ ∫ ( ) ( ) ( ) (2.3) dimana
Titik piksel ( ) adalah pusat gambar ( ) Pusat momen dihitung menggunakan pusat gambar ( ) yang setara dengan yang pusatnya telah bergeser dari gambar. Oleh karena itu, momen-momen sentral adalah invarian terhadap terjemahan gambar. Skala invarian dapat diperoleh dengan normalisasi.
Momen sentral yang dinormalisasi didefinisikan sebagai berikut:
( ) (2.4) Berdasarkan momen sentral yang dinormalisasi, (Hu, 1962) memperkenalkan enam Absolute Orthogonal Inavariants:
( ) ,
( ) ( )
( ) ( ) , ( )( )[( ) ( ) ] (2.5)
( )( ) [ ( ) ( ) ], ( )[( ) ( ) ]
( )( ) dan satu Skew Orthogonal Invariants,
( )( )[( ) ( ) ] (2.6)
( )( )[ ( ) ( ) ] Skew Invariant ini berguna dalam membedakan gambar mirror. Moment Invariants independen terhadap posisi, ukuran, and orientasi.
2.6. Dynamic Evolving Neural-Fuzzy Inference System (DENFIS)
DENFIS diperkenalkan oleh Kasabov dan Song (2002). DENFIS berevolusi melalui pembelajaran inkremental, hibrida (diawasi dan tidak diawasi), dan mengakomodasi data input baru, termasuk fitur baru, kelas baru, dll. Melalui penyetelan elemen lokal.
Aturan fuzzy baru dibuat dan diperbarui selama pengoperasian sistem. Pada setiap momen, output DENFIS dihitung melalui FIS berdasarkan aturan fuzzy paling aktif, yang dipilih secara dinamis dari kumpulan aturan fuzzy. Seperangkat aturan fuzzy dapat dimasukkan ke DENFIS sebelum atau selama proses pembelajarannya. Aturan fuzzy juga dapat diekstrak selama atau setelah proses pembelajaran. Evolving clustering method (ECM) digunakan dalam model DENFIS untuk mempartisi ruang input untuk membuat aturan fuzzy. DENFIS digunakan untuk pembelajaran online (DENFIS-ON) dan offline (DENFIS-OF). Dalam model DENFIS-ON, fungsi linier di bagian konsekuen dibuat dan diperbarui melalui pembelajaran dari data menggunakan estimator kuadrat terkecil. Aturan fuzzy juga dapat diperbarui sebagai data pelatihan baru yang muncul dalam sistem. DENFIS-OF diusulkan bersama dengan versi DENFIS-ON, yang mengorbankan aspek dinamis yang berkembang dari algoritma DENFIS dan menggantikannya dengan algoritma pembelajaran yang lebih canggih yang bertujuan untuk memberikan akurasi yang lebih tinggi. Hal ini telah menunjukkan peningkatan akurasi prediksi; Namun, lebih banyak optimasi dapat diterapkan untuk lebih meningkatkan akurasinya. Mesin inferensi fuzzy Takagi – Sugeno digunakan dalam mode DENFIS online dan offline. Perbedaan antara keduanya adalah bahwa untuk membentuk mesin inferensi dinamis, hanya aturan orde pertama Takagi – Sugeno yang digunakan dalam mode DENFIS-ON, kedua aturan orde pertama aturan fuzzy Takagi – Sugeno dan aturan perluasan orde tertinggi Takagi
– Sugeno fuzzy digunakan dalam mode DENFIS-OF. Untuk membangun mesin inferensi fuzzy, beberapa aturan fuzzy dipilih secara dinamis dari kumpulan aturan fuzzy yang ada tergantung pada posisi vektor input saat ini.
DENFIS, baik model online maupun offline, menggunakan mesin inferensi fuzzy tipe Takagi – Sugeno. Kesimpulan dalam DENFIS dilakukan pada aturan fuzzy yang ditunjukkan sebagai berikut.
{
( ( (
} (2.7)
dimana adalah dan adalah proposisi fuzzy yang membentuk anteseden untuk aturan fuzzy, masing-masing;
adalah variabel anteseden yang didefinisikan secara umum dan
adalah set fuzzy yang didefinisikan oleh keanggotaan fungsi fuzzy [ ] Dalam konsekuensi dari aturan fuzzy, y adalah variabel konsekuen, dan fungsi crisp yang ditugaskan. Dalam model DENFIS online dan offline, semua fungsi keanggotaan fuzzy adalah fungsi jenis segitiga yang bergantung pada tiga parameter seperti persamaan berikut:
( ) ( ) {
}
(2.8)
dimana adalah nilai dari cluster tengah di dimensi , dan berjarak antara 1.2 dan 2; nilai trheshold, Dthr, adalah paramater clustering. Jika fungsi konsekuen adalah konstanta, i.e. ( ) kita menyebutnya sistem zero-order Takagi-Sugeno jenis FIS.
Sistem ini disebut first-order Takagi- Sugeno tipe FIS , jika ( ) adalah fungsi linier. Jika fungsi tidak linier, disebut dengan high-order Takagi-Sugeno FIS.
Untuk input vektor [ ] hasilnya kesimpulannya, (hasil output sistem) adalah sebagai berikut:
∑ (
∑
(2.9)
dimana
( )
(3.0)2.7. Fungsi Keanggotaan Fuzzy
Fuzzy berarti samar, kabur atau tidak jelas. Fuzzy adalah istilah yang dipakai oleh (Zadeh, 1964) untuk menyatakan kelompok/himpunan yang dapat dibedakan dengan kelompok lain berdasarkan derajat keanggotaan. Fungsi keanggotaan (membership function) adalah suatu fungsi yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. Ada beberapa fungsi yang dapat digunakan melalui pendekatan fungsi untuk mendapatkan nilai keanggotaan, seperti Triangular, Trapezoidal, Gaussian, dan Generalized Bell. Dalam penelitian ini fungsi keanggotaan yang digunakan adalah fungsi Generalized Bell. Bentuk dari fungsi keanggotaan generalized bell ditentukan oleh tiga parameter {a,b,c},
Gambar 2.9. Kurva Generalized Bell (GBell)
Fungsi keanggotaan Generalized Bell (GBell) dapat dinyatakan sebagai berikut:
( )
| |
(3.1) dimana
b = nilai bias yang biasanya bernilai positif agar kurva menghadap ke bawah. Jika b negatif, maka fungsi keanggotaan akan menjadi upside-down bell.
c = nilai mean kurva.
a = standar deviasi yang terbentuk
2.8. MIT/BIH Arrhythmia Database
Data EKG diambil dari MIT/BIH Arrhythmia Database yang dapat digunakan untuk penelitian. Database diciptakan pada tahun 1980 sebagai standar referensi untuk detektor aritmia (Mark et al, 1997). MIT/BIH Arrhythmia Database memungkinkan pengembang aritmia menganalisis ukuran objektif akurasi, spesifikasi, dan sensitivitas (Maglaveras et al, 1998). Tujuan utamanya adalah untuk memacu deteksi aritmia otomatis dan teknologi klasifikasi. Situs MIT/BIH Arrhythmia Database dapat diakses di beecardia.com.
2.9 Root Mean Square Error (RMSE)
Root Mean Square Error dalam pemrosesan citra merupakan contoh parameter yang dapat digunakan sebagai indikator untuk mengukur kemiripan dua buah citra.
Parameter tersebut sering digunakan untuk membandingkan hasil pengolahan citra dengan citra awal atau citra asli. Persamaan yang digunakan dapat ditulis sebagai berikut (Bastron, 1992):
[ ∑
(
) ]
(3.2) dimana
= notasi sigma
( )2 = perbedaan, kuadrat N = contoh ukuran
RMSE tidak memiliki satuan. Semakin mirip kedua citra maka nilai RMSE-nya semakin mendekati nilai nol.
2.10. Penelitian Terdahulu
Penelitian tentang penyakit jantung dengan EKG sudah pernah dilakukan sebelumnya.
Hosseini, et al. (2001) menggunakan multilayer perceptron (MLP) neural network untuk mengklasifikasi lebih dari 10 data EKG dari MIT/BIH arrhythmia database dengan hasil akurasi 88,3%.
Selanjutnya penelitian oleh Shyu et al. (2004) meneliti Ventricular Premature Contractions (VPC) dari tujuh MIT/BIH Arrhythmia Database dengan Wavelet Transformation. Hasil akurasi 97,0%.
Selanjutnya penelitian oleh Khandait et al. (2008) meneliti aritmia dari sinyal EKG menggunakan metode Wavelet Transformation, hasil akurasi 90% hingga 98%.
Selanjutnya penelitian oleh Purwanti et al. (2013) tentang klasifikasi kelainan jantung menggunakan metode Lerning Vector Quantization (LQV) dengan citra EKG.
Ada tiga tipe kelainan jantung yang dapat dideteksi oleh sistem. Hasil simulasi menunjukkan bahwa keakuratan algoritma klasifikasi adalah sebesar 89% yang terdiri dari 9 normal, 4 bradikardia, 8 takikardia, dan 7 aritmia.
Selanjutnya penelitian oleh Rama et al. (2015) yang melakukan perbandingan metode terbaik dalam identifikasi aritmia. Metode yang dibandingkan adalah Principal Component Analysis (PCA), Time Domain and Frequenscy Domain Analysis.
Hasil menunjukkan metode PCA lebih baik jika dibandingkan dengan Time and Frequency Analysis.
Selanjutnya penlitian oleh Kelwade et al. (2016) tentang prediksi kelainan jantung menggunakan metode Particle Swarm Optimization (PSO) pada jaringan saraf tiruan, percobaan dilakukan pada rangkaian waktu detak jantung (RR Interval) untuk memprediksi delapan jenis sinyal jantung yang mengandung ritme normal dan abnormal. Hasil akurasi yang diperoleh 96,3%.
Penelitian selanjutnya dari Xu et al. (2017) membandingkan Metode Deep Neural Networks (DNN), Support Vector Machine (SVM) dalam indentifikasi aritmia.
Hasil menunjukkan DNN mengungguli SVM jika fitur yang digunakan relevan.
Tabel 2.1. Penelitian Terdahulu
No. Judul Penelitian Penulis Metode Keterangan 1. A multi-stage
neural network classifier for ECG events
Hosseini et al. (2001)
Multilayer
perceptron (MLP)
Akurasi yang dihasilkan 88,3%.
2. Using wavelet transform and fuzzy neural network for VPC detection from the holter ECG
Shyu et al.
(2004)
Wavelet
Transform (WT) dan Fuzzy Neural Network (FNN)
Akurasi yang dihasilkan 97,04%.
3. Wavelet
Transformation, Artificial Neural Network and Neuro-Fuzzy Approach for CVD Detection and Classification An Overview
Khandait et al. (2008)
Wavelet
Transformation and ANFIS (Adaptive Neuro- Fuzzy Inference System)
Akurasi yang dihasilkan 90%
hingga 98%.
Tabel 2.1. Penelitian Terdahulu (lanjutan)
No. Judul Penelitian Penulis Metode Keterangan 4. Desain Sistem
Klasifikasi Kelainan Jantung menggunakan Learning Vector Quantization
Purwanti et al. (2013)
Learning Vector Quantization (LVQ)
Akurasi yang dihasilkan 89%.
5. Analysis of Signal Processing
Techniques to Identify Cardiac Disorders
Rama et al.
(2015)
Particle Swarm Optimization (PSO), Time domain, Frequency domain and Principal Component
Hasil menunjukkan metode PCA lebih baik jika
dibandingkan dengan Time and Frequency Analysis.
Analysis.
6. Prediction of heart abnormalities using Particle Swarm Optimization in Radial basis function neural network
Kelwade et al. (2016)
Particle Swarm Optimization (PSO)
Akurasi yang dihasilkan 96,3%.
7. Deep Neural Networks Versus Support Vector Machines For Ecg Arrhythmia Classification.
Xu et al.
(2017)
Deep Neural Network (DNN), Suport Vector Machine (SVM), and Artificial Neural Network (ANN)
Hasil menunjukkan DNN mengungguli SVM jika fitur yang digunakan relevan.
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi tentang arsitektur umum dan penerapan Dynamic Evolving Neural- Fuzzy Interference System dalam mengklasifikasi penyakit jantung serta perancangannya.
3.1. Data Penelitian
Data penelitian terbagi 2 yaitu data latih dan uji. Data latih adalah data yang digunakan untuk melatih sistem sedang data uji adalah data yang akan diuji untuk mendapatkan hasil klasifikasi penyakit jantung. Seluruh data berjumlah 73 citra.
Pembagian data ditunjukkan pada Tabel 3.1
Tabel 3.1. Data Latih dan Data Uji
No. Jenis Data Jumlah Data
1. Data Latih 51
2. Data Uji 22
Data penelitian yang digunakan adalah sekumpulan berkas citra EKG pasien kondisi jantung koroner, gagal jantung, dan serangan jantung mendadak yang diambil dari Beecardia physiobank. Jumlah data latih dapat dilihat pada Tabel 3.2.
Tabel 3.2. Jumlah Citra EKG pada Data Latih
No. Nama Penyakit Jumlah Data
1. Jantung Koroner 13
2. Gagal Jantung 18
3. Serangan Jantung
Mendadak
20
Data pengujian yang digunakan adalah sekumpulan berkas citra EKG pasien kondisi jantung koroner, gagal jantung, dan serangan jantung mendadak yang diambil dari Beecardia physiobank. Jumlah data uji dapat dilihat pada Tabel 3.3.
Tabel 3.3. Jumlah Citra EKG pada Data Uji
No. Nama Penyakit Jumlah Data
1. Gagal Jantung 8
2. Serangan Jantung
Medadak
8
3. Jantung Koroner 6
3.2. Arsitektur Umum
Arsitektur umum adalah tahapan-tahapan yang dilakukan untuk perancangan sistem.
Pada tahap awal perancangan sistem ini dilakukan pengumpulan data yang akan digunakan sebagai data latih dan data uji. Data diolah menggunakan metode pemrosesan citra resizing dan citra enhancement. Selanjutnya, citra akan disegmentasi menggunakan trhesholding untuk mendapatkan objek sebenarnya. Selanjutnya, pengambilan ciri atau karakteristik citra dengan metode Moment Invariants.
Selanjutnya, dilakukan tahap klasifikasi menggunakan Dynamic Evolving Neural- Fuzzy Interference System untuk menentukan jenis penyakit jantung. Arsitektur umum dapat dilihat pada Gambar 3.1.
Gambar 3.1. Arsitektur Umum 3.2.1. Resizing
Tahap resizing digunakan untuk memperkecil ukuran citra. Ukuran awal citra 1052 x 163 piksel diubah menjadi 880 x 120 piksel dengan cara memanipulasi orientasi objek. Hal ini berguna untuk memperoleh fokus objek yang akan diolah. Contoh input citra yang digunakan dapat dilihat pada Gambar 3.2.
Gambar 3.2. Citra EKG (Sumber: beecardia.com, 2017)
3.2.2 Citra Enhancement
Citra enhancement yang digunakan pada Gambar 3.2. adalah Median Filter untuk menghilangkan salt and pepper. Median Filter bekerja dengan mengganti nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan lingkungan tetangganya. Hasil citra enhancement Gambar 3.2 dapat dilihat pada Gambar 3.3.
Gambar 3.3. Citra Enhancement
3.2.3. Segmentasi
Pada tahap ini dilakukan proses segmentasi citra dengan metode thresholding untuk memperoleh objek/grafik yang terpisah dengan latar belakangnya berdasarkan perbedaan tingkat kecerahan atau gelap terang citra. Nilai citra yang cenderung gelap akan dibuat semakin gelap (hitam sempurna dengan nilai intensitas sebesar 0), sedangkan nilai citra yang cenderung terang akan dibuat semakin terang (putih sempurna dengan nilai intensitas sebesar 1). Oleh karena itu, keluaran dari proses segmentasi dengan metode thresholding adalah berupa citra biner dengan nilai intensitas piksel sebesar 0 atau 1. Nilai threshold yang digunakan pada sistem adalah 50, maka nilai piksel yang kurang dari 50 akan diubah menjadi 0 (hitam) dan nilai piksel yang lebih dari atau sama dengan 50 akan diubah menjadi 1 (putih). Citra hasil thresholding Gambar 3.3 dapat dilihat pada Gambar 3.4.
Gambar 3.4. Citra Hasil Thresholding 3.2.4 Ekstraksi Ciri
Pada penelitian ini ekstraksi ciri yang digunakan adalah moment invariants. Fitur citra yang diambil adalah nilai geometri grafik EKG. Untuk mendapatkan nilai moment invariants dilakukan dengan menghitung nilai moments. Nilai moment diperoleh dari citra hasil segmentasi dengan menggunakan persamaan 2.2. Setelah nilai momen diperoleh, selanjutnya yaitu menghitung nilai moment sentral dengan menggunakan persamaan 2.3. Setelah nilai moment sentral diperoleh maka akan dilakukan normalisasi dengan menggunakan persamaan 2.4. Tahapan terakhir yaitu menghitung nilai moment invariants dengan persamaan 2.5 dan 2.6. Ada 7 nilai moment yang diambil sebagai nilai ekstraksi ciri. Nilai ekstraksi ciri pada Gambar 3.4 adalah:
15.5041, 237.5769, 22.7033, 22.6486, 512.9481, 348.9634, -36.3476. Nilai ekstraksi ciri data uji dapat dilihat pada Tabel 4.5.
3.2.5 Implementasi DENFIS
Setelah nilai ekstraksi ciri data uji diperoleh maka Dynamic Evolving Neural-Fuzzy Interference System akan melakukan clustering terhadap nilai ekstraksi ciri data latih untuk mengidentifikasi jenis penyakit jantung. Hasilnya akan dikelompokkan ke dalam fungsi keanggotaan (Generalized Bell) yang telah ditentukan DENFIS berdasarkan nilai kelas keluaran sistem. Apabila nilai kelas keluaran sistem menunjukkan nilai 1 atau mendekati akan menghasilkan Gagal Jantung, apabila bernilai 2 atau mendekati menghasilkan Serangan Jantung Mendadak, apabila bernilai 3 atau mendekati menghasilkan Jantung Koroner, selain itu akan menghasilkan Tidak Diketahui. Pada Gambar 3.4 kelas keluaran sistem menunjukkan nilai 0.865602 yang artinya kelas keluaran mendekati nilai 1. Maka hasil identifikasi akan menghasilkan Gagal Jantung. Di sini epoch yang digunakan adalah 100 yang artinya pada tahap sekali pelatihan DENFIS akan melakukan 100 kali pembaruan. Data hasil pengujian dengan menggunakan epoch 100 dapat dilihat pada Tabel 4.7.
3.3. Perancangan Antarmuka Sistem
Perancangan antarmuka (interface) sistem bertujuan untuk memberikan gambaran umum dari sistem yang dibuat, sehingga mempermudah pengguna mengoperasikan sistem.
3.3.1. Perancangan Menu Sistem
Perancangan struktur menu sistem dapat diilihat pada Gambar 3.5.
Gambar 3.5. Perancangan Menu Sistem
3.3.2. Rancangan Tampilan Halaman Awal
Tampilan pada halaman utama terdiri dari judul penelitian yang berada pada bagian tengah atas, logo instansi, nama, dan nim peneliti serta nama instansi. Pada bagian kiri atas terdapat tombol menu utama dan menu keluar. Tampilan dari halaman awal dapat dilihat pada Gambar 3.6.
Gambar 3.6. Rancangan Tampilan Awal
3.3.3. Rancangan Menu Utama
Menu utama memiliki 2 submenu yaitu pelatihan dan pengujian. Pada menu pelatihan terdiri dari menu untuk memilih file data latih, dan pada menu pengujian terdiri dari menu memilih data hasil latih, segmentasi, ekstraksi ciri, dan indentifikasi. Halaman penelitian dapat di lihat di Gambar 3.7.
Gambar 3.7. Halaman Pelatihan
Keterangan :
Halaman Depan, Pengujian, Keluar, merupakan menu utama sistem.
Load Citra, tombol digunakan untuk memasukkan data citra penyakit jantung. Ada tiga jenis penyakit yang harus dimasukkan yaitu gagal jantung, serangan jantung mendadak, dan jantung koroner. Format citra .JPG.
Akurasi, panel yang menunjukkan tingkat keakuratan sistem dalam melatih citra, ditunjukan dalam persen (%).
Durasi, panel yang menukjukkan lamanya sistem dalam melatih data citra.
Panel option, panel yang menunjukkan beberapa fungsi yang digunakan dalam melatih sistem.
Traning Data, tombol yang digunakan untuk melatih data citra penyakit jantung.
Save Traning Data, tombol yang digunakan untuk menyimpan hasil pelatihan yang akan digunakan untuk pada data pengujian.
Reset, tombol yang digunakan untuk memulai ulang pelatihan.
Untuk halaman pengujian dapat dilihat pada Gambar 3.8.
Gambar 3.8. Halaman Pengujian
Keterangan :
Halaman Depan, Pelatihan, Keluar, merupakan menu utama sistem.
Load Data Traning, tombol yang digunakan untuk memasukkan data hasil pelatihan yang telah dilatih pada menu pelatihan. Format hasil pelatihan .MAT.
Pilih Citra Testing, tombol yang digunakan untuk memilih citra penyakit jantung yang akan diuji. Citra penyakit jantung yang dapat diuji adalah gagal jantung, serangan jantung mendadak, dan jantung koroner. Format citra .JPG.
Proses Citra, tombol yang digunakan untuk memperbaiki citra. Proses yang digunakan adalah citra enhancement dan segmentasi.
Ekstraksi Ciri, tombol yang digunakan untuk mengambil keunikan ciri citra. Ekstraksi ciri yang digunakan adalah moment invariants.
Identifikasi, tombol yang digunakan untuk menentukan hasil penyakit jantung yang diuji.
Reset, tombol yang digunakan untuk memulai ulang pelatihan.
Nilai RMSE, indikator untuk mengukur kemiripan citra awal dengan citra yang diolah.
Hasil Identifikasi, panel yang menunjukkan nama penyakit jantung yang telah diuji.
Hasil yang ditunjukkan adalah nama penyakit jantung dan tidak diketahui.
Citra Testing, panel yang menunjukkan citra yang akan diolah
Citra Enhancement, panel yang menunjukkan citra yang telah diperbaiki.
Citra Segmentasi, panel yang menunjukan hasil segmentasi thresholding. Citra berwarna hitam putih.
Nilai ekstrasi ciri, panel yang menunjukkan nilai keunikan dari citra.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang penerapan hasil analisis dan perancangan sistem pada bab sebelumnya serta hasil pengujian sistem yang telah dirancang.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses klasifikasi penyakit jantung dimulai dari tahap preprosesing, segmentasi, ekstrasi ciri, klasifikasi dengan Dynamic Evolving Neuro Fuzzy Inference System.
3.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan:
1. MacBook Air (13-inch, Early 2015) 2. Processor 1.6 GHz Intel Core i5 3. Memory 8 GB 1600 MHz DDR3 4. Sistem operasi macOS High Sierra 5. Macintosh HD 128GB
6. Matlab R2017b 4.1.2. Implementasi Data
Data digunakan adalah citra EKG yang diambil dari beecardia physiobank dengan 3 jenis penyakit yaitu, penyakit jantung koroner, gagal jantung, dan serangan jantung mendadak. Data citra pengujian dapat dilihat pada Tabel 4.1.
Tabel 4.1. Daftar Citra Uji
No. Citra EKG Nama Penyakit
1. Gagal Jantung
2. Gagal Jantung
3. Gagal Jantung
4. Gagal Jantung
5. Gagal Jantung
6. Gagal Jantung
7. Gagal Jantung
8. Gagal Jantung
9. Jantung Koroner
10. Jantung Koroner
11. Jantung Koroner
12. Jantung Koroner
13. Jantung Koroner
14. Jantung Koroner
Tabel 4.1. Daftar Citra Uji (lanjutan)
No. Citra EKG Nama Penyakit
15. Serangan Jantung
Mendadak
16. Serangan Jantung
Mendadak
17. Serangan Jantung
Mendadak
18. Serangan Jantung
Mendadak
19. Serangan Jantung
Mendadak
20. Serangan Jantung
Mendadak
21. Serangan Jantung
Mendadak
22. Serangan Jantung
Mendadak
4.1.3. Implementasi Perancangan Antarmuka
Perancangan antarmuka dibuat berdasarkan rancangan yang telah dibuat pada Bab 3:
a. Tampilan Halaman Depan
Tampilan halaman depan adalah tampilan yang pertama kali muncul ketika sistem di operasikan. Tampilan halaman depan dapat dilihat pada Gambar 4.1..
Gambar 4.1. Tampilan Halaman Depan b. Tampilan Halaman Pelatihan
Tampilan halaman pelatihan akan muncul ketikan menekan Menu Utama kemudian memilih menu Pelatihan. Tampilah halaman pelatihan dapat dilihat pada Gambar 4.2..
Gambar 4.2. Tampilan Halaman Pelatihan
c. Tampilan Halaman Pengujian
Tampilan halaman pngujian akan muncul ketikan menekan Menu Utama kemudian memilih menu Pengujian.
Gambar 4.3. Tampilan Halaman Pengujian
4.2. Prosedur Operasional
Tahapan berikut untuk mengklasifikasi penyakit jantung dari citra EKG.
1. Pada halaman pengujian (Gambar 4.2) tekan tombol Load Data Training.
Selanjutnya pilih data latih (format .MAT).
Gambar 4.4. Tampilan Pengambilan Data Latih
2. Setelah memilih data latih, selanjutnya tekan tombol Pilih Citra Testing untuk memilih citra EKG yang akan diuji.
Gambar 4.5. Tampilan Pengambilan Citra Uji
Gambar 4.6. Tampilan Setelah Pengambilan Citra Uji
3. Setelah citra uji dipilih, tekan tombol Proses Citra untuk melakukan proses Citra Enhancement dan segmentasi thresholding.
Gambar 4.7. Tampilan Proses Citra
4. Proses selanjutnya adalah menekan tombol Ekstrasi Ciri untuk mendapatkan keunikan ciri citra. Hasilnya ada pada panel Nilai Ekstraksi (Moment Invariants).
Gambar 4.8. Tampilan Nilai Ekstrasi Ciri
5. Selanjutnya mengidentifikasi citra dengan menekan tombol Identifikasi.
Hasilnya dapat dilihat di panel Hasil Identifikasi.
Gambar 4.9. Tampilan Hasil Identifikasi
6. Tombol Reset berfungsi untuk mengembalikan proses ke awal pelatihan.
4.3. Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui kinerja dari metode Dynamic Evolving- Neural-Fuzzy Inference System dalam mengklasifikasikan penyakit jantung dari citra EKG. Kemampuan sistem bergantung pada proses pelatihan sistem (data latih). Data yang akan diuji sebanyak 22 citra EKG; 8 citra EKG gagal jantung, 6 citra EKG jantung koroner, dan 8 citra EKG serangan jantung mendadak. Pada tahap awal pengujian, citra EKG akan diubah menjadi citra hitam putih melalui proses segmentasi thresholding. Citra thresholding dapat dilihat pada tabel 4.2., tabel 4.3., dan tabel 4.4.
Tabel 4.2. Citra EKG Gagal Jantung dan Hasil Thresholding No. Citra EKG Gagal Jantung Hasil Thresholding
1.
2.
3.
4.
5.
6.
7.
8.
Tabel 4.3. Citra EKG Jantung Koroner dan Hasil Thresholding No. EKG Jantung Koroner Hasil Thresholding
1.
2.
3.
4.
5.
6.
Tabel 4.4. Citra EKG Serangan Jantung Mendadak dan Hasil Thresholding No. EKG Serangan Jantung
Mendadak
Hasil Thresholding
1.
2.
3.
4.
5.
6.
7.
8
Citra EKG yang telah melalui tahap segmentasi akan dilanjutkan ke proses ekstraksi ciri. Ekstraksi ciri dilakukan untuk memperoleh nilai ciri dari masing-masing citra yang akan diklasifikasi. Pada tahap ini ekstraksi ciri dilakukan dengan Moment Invariants.
Nilai ekstraksi ciri sesuai dengan yang ditampilkan sistem. Nilai ekstraksi ciri dari setiap citra akan ditunjukkan pada Tabel 4.5..
Tabel 4.5. Nilai Ekstraksi Ciri Data Uji
No. Hasil Segmentasi
Nilai Ekstraksi Ciri
IM 1 IM 2 IM 3 IM 4 IM 5 IM 6 IM 7
1. 15.5041 237.5769 22.7033 22.6486 512.9481 348.9634 -36.3476
2. 28.7521 821.5334 0.1161 0.1574 0.0197 4.3696 0.0151
3. 27.7999 772.0510 0.1863 0.1112 0.0074 2.5645 -0.0160
4. 31.8358 1.0120e+03 86.2245 85.7041 7.3535e+03 2.7253e+03 629.0719
5. 29.6285 876.6312 5.9778 5.8204 33.5970 171.5165 -10.0003
6. 27.8634 775.3043 211.1141 209.2624 4.3962e+04 5.8255e+03 -2.1096e+03
7. 30.0075 899.0509 8.7404 8.5160 71.9547 254.1157 -21.1362
8. 20.9586 435.1320 0.8607 0.6247 0.3645 12.4444 0.3498
9. 24.7561 569.6140 4.0949 2.7484 7.2937 63.6050 6.3744
10. 25.8366 662.0465 2.7432 2.4197 5.8612 61.5408 2.7714
11. 28.0508 784.9698 4.4756 4.2493 17.5252 117.5198 -8.4506
12. 27.0281 727.0361 40.6128 41.0107 1.6659e+03 1.1046e+03 239.3106
13. 24.7561 569.6140 4.0949 2.7484 7.2937 63.6050 6.3744
14. 21.5504 428.4403 1.6079 1.5584 0.9789 25.7744 -2.8017
15. 26.7664 713.8792 0.2003 0.1123 0.0068 2.3674 0.0161
16. 12.4194 151.2718 0.6332 0.5933 0.3443 7.2061 0.1617
17. 27.8948 775.8686 41.4787 41.1800 1.7010e+03 1.1469e+03 75.7055
18. 20.8518 431.3878 1.1770 0.8945 0.7543 17.8707 0.6679
19. 19.6961 385.4973 0.5761 0.4934 0.2269 9.3805 30.1778
