Sistem Pendeteksi Atrial Fibrilasi Berdasarkan Fitur Mean, Median,
Standar Deviasi, Min, Dan Maks Interval RR Menggunakan Metode K-NN
Hani Firdhausyah1, Rizal Maulana2, Eko Setiawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1hanifirdhausyah97@gmail.ac.id, 2rizal_lana@ub.ac.id, 3ekosetiawan@ub.ac.id
Abstrak
91% kematian mendadak di Indonesia dikarenakan Aritmia. Atrial Fibrilasi adalah salah satu jenis dari penyakit Aritmia yang paling sering terjadi diantara jenis lainnya. Atrial Fibrilasi dicirikan dengan denyut jantung yang tidak beraturan karena kelainan aktifitas listrik. Darah terkumpul di atrium dan tidak disalurkan ke ventrikel dengan cukup. Sehingga jantung gagal untuk memompa cukup darah ke paru-paru. Untuk pemeriksaannya membutuhkan biaya cukup mahal terutama di rumah sakit. Oleh sebab itu dikembangkan sistem untuk dapat mendeteksi penyakit AF tanpa harus melukai tubuh. Sistem terdiri atas beberapa fungsi yaitu penghasil sinyal ECG menggunakan sensor AD8232, pemroses data menggunakan board Arduino Nano, serta penampil hasil klasifikasi atau diagnosis kelas “AF” atau “Normal” menggunakan LCD. Dalam proses klasifikasi, digunakan fitur statistik berupa Mean, Median, Standar Deviasi, Min dan Maks sebagai data uji dari Metode K-Nearest Neighbor. Metode tersebut digunakan karena tidak membutuhkan proses training. Masing-masing pengujian yang dilakukan yaitu sebanyak 20 kali. Hasil pengujian berupa 96,83% untuk tingkat akurasi sensor. Akurasi 95%, 90%, dan 85% untuk akurasi klasifikasi K-NN berdasarkan k = 3, 5, dan 7 sehingga akurasi terbaik dicapai dengan k = 3. Selain itu juga didapatkan waktu komputasi yang tergolong singkat yaitu 16,44 ms sehingga pengguna tidak perlu waktu yang lama untuk mengetahui hasil klasifikasi atau hasil diagnosisnya. Kata kunci: Atrial Fibrilasi, ECG, K-Nearest Neighbor
Abstract
91% of sudden deaths in Indonesia are due to Arrhythmias. Atrial Fibrillation is one type of arrhythmia that occurs most often among other types. Atrial fibrillation is characterized by an irregular heartbeat due to abnormal electrical activity. Blood collects in the atria and is not supplied to the ventricles sufficiently. So that the heart fails to pump enough blood to the lungs. For the examination, it is quite expensive, especially in the hospital. Therefore a system was developed to be able to detect AF without injuring the body. The system consists of several functions, namely the ECG signal generator using the AD8232 sensor, data processing using the Arduino Nano board, and displaying the classification or diagnosis results of the class "AF" or "Normal" using an LCD. In the classification process, statistical features in the form of Mean, Median, Standard Deviation, Min and Max are used as test data from the K-Nearest Neighbor Method. This method is used because it does not require a training process. Each test was carried out as much as 20 times. The test results are in the form of 96.83% for the sensor accuracy level. Accuracy of 95%, 90%, and 85% for the accuracy of K-NN classification based on k = 3, 5, and 7 so that the best accuracy is achieved with k = 3.In addition, there is also a relatively short computation time of 16.44 ms so that users it does not take long to find out the results of the classification or the results of the diagnosis.
1 PENDAHULUAN
Menurut Warganegara & Nur (2016) terdapat ancaman utama bagi kesehatan yaitu penyakit jantung. Sedangkan menurut Yuniadi (2018) 91% kematian mendadak di Indonesia disebabkan karena Aritmia. Aritma merupakan kondisi dimana terjadi gangguan pada bagian jantung sehingga detak jantung menjadi lebih lambat atau lebih cepat. Jantung hanya sekedar bergetar sehingga tidak dapat memompa darah dengan maksimal sehingga menyebabkan kesalahan fatal seperti kematian mendadak. Atrial Fibrilasi adalah salah satu jenis dari penyakit Aritmia yang paling sering terjadi diantara jenis lainnya.
Atrial Fibrilasi dicirikan dengan denyut jantung yang tidak beraturan karena kelainan aktifitas listrik. Darah terkumpul di atrium dan tidak disalurkan ke ventrikel dengan cukup. Sehingga jantung gagal untuk memompa cukup darah ke paru-paru (Chrisanto, et al., 2019). Terdapat penelitian serupa yang dilakukan oleh Alhafid (2020) yang berfokus pada prediksi kejadian dari Atrial Fibrilasi Paroksismal. Digunakan fitur statistik dari interval RR yang diklasifikasikan menggunakan metode Jaringan Syaraf Tiruan dengan Particle Swarm Optimization. Dihasilkan tingkat akurasi klasifikasi yaitu 85,82%.
Penelitian lainnya juga dilakukan dalam mendeteksi penyakit Diabetes Mellitus yang dilakukan oleh Yunita (2016). Digunakan metode K-Nearest Neighbor atau disebut dengan K-NN dalam mengenali data uji sehingga didapatkan akurasi sebesar 96%. Dari penelitian-penelitian tersebut, maka pada pada penelitian-penelitian ini akan dikembangkan sistem untuk mendeteksi Atrial Fibrilasi. Digunakan metode K-NN dalam klasifikasinya sedangkan untuk fiturnya digunakan fitur statistik dari interval RR yaitu mean, median, standar deviasi, min, dan maks.
Pada penelitian ini digunakan metode K-NN untuk pengklasifikasian Atrial Fibrilasi berdasarkan lima fitur yaitu mean, median, standar deviasi, min, dan maks dari interval RR. Untuk data latih maupun data uji dari kelas AF akan digunakan milik Moody & Mark (2000) yang dapat diakses melalui situs www.physionet.org.
2 METODE PENELITIAN
2.1 BLOK DIAGRAM
Gambar 1. Blok Diagram Sistem
Dari Gambar 1, input dari sistem dihasilkan oleh sensor AD8232 yaitu sinyal ECG. Sinyal tersebut diproses oleh board Arduino Nano dengan untuk ekstraksi fitur beserta klasifikasi fiturnya. Sedangkan LCD akan menampilkan hasil klasifikasinya.
2.2 PERANCANGAN SISTEM
Gambar 2. Prototipe Sistem
Prototipe sistem pada Gambar 2 dirancang sedemikian rupa sehingga ukuran sistem termasuk kecil yaitu 12x9x7,5cm. Digunakan pushbutton sebanyak 3 dengan masing-masing fungsi yaitu untuk mereset sistem, melakukan pengambilan data, serta klasifikasi.
Gambar 3. Skematik Perancangan Perangkat Keras
Skematik sistem pada Gambar 3 dirancang sedemikian rupa sehingga masing-masing komponen tersambung oleh board Arduino Nano serta disumberdayai oleh board tersebut.
Gambar 4. Perancangan Penempatan Elektroda Sumber: (ConectMed Technologies, 2020)
Penempatan tiga lead elektroda dirancang sesuai pada Gambar 4 agar dapat dilakukan pembacaan sinyal ECG pasien melalui sensor ECG.
Gambar 5. Perancangan Program Utama Perangkat
Pada Gambar 5, perancangan program utama diawali dengan tahap inisialisasi selanjutnya dilakukan dijalankan proses sesuai dengan tombol input yang ditekan. Pada tahap klasifikasi akan menampilkan hasil klasifikasi dan waktu komputasi K-NN ke LCD.
Gambar 6. Perancangan Klasifikasi Fitur menggunakan Metode K-NN
Pada Gambar 6 Perancangan klasifikasi metode K-NN dilakukan inisialisasi variabel untuk proses klasifikasi K-NN, waktu awal komputasinya juga akan dicatat. Selanjutnya mengakses variabel-variabel hasil ekstraksi fitur dan perhitungan jarak Euclidean untuk proses K-NN. Hasil perhitungan tersebut diurutkan secara menaik selanjutnya akan dilakukan perhitungan frekuensi kelas terbanyak yang muncul sesuai dengan nilai k masing-masing, yaitu k = 3, 5, 7. Dari frekuensi kelas terbanyak tersebut akan didapatkan hasil klasifikasi yang ditampilkan ke layar LCD.
Gambar 7. Pengambilan Data Sensor AD8232
Untuk perancangan pengambilan data berupa sinyal ECG dari sensor AD8232 pada Gambar 7, diawali dengan menginisialisasi variabel. Terdapat dua pin yaitu LO- dan LO+. Ketika dua pin dalam kondisi LOW berarti sudah tersambung kabel elektroda sudah tersambung dengan sensor sehingga dapat dilakukan pembacaan datanya.
Gambar 8. Sinyal ECG Pada Sensor AD8232
Gambar 8 menunjukkan sinyal ECG yang dihasilkan oleh sensor. Data sinyal tersebut memiliki kondisi yang bagus, terutama pada puncak R nya karena berperan penting dalam perhitungan interval RR yang nilainya nantinya ditunjukkan pada layar LCD.
Gambar 9. Perancangan Ekstraksi Fitur
Perancangan ekstraksi fitur pada Gambar 9, dilakukan untuk mendeteksi sinyal puncak R dengan mengandalkan sinyal upper (sinyal median filter + threshold). Dengan terdeteksinya 9 puncak R maka didapatkan 8 interval RR selanjutnya dilakukan ekstraksi fitur statistiknya yaitu berupa mean, median, standar deviasi, min dan maks.
2.3 IMPLEMENTASI SISTEM
Gambar 10. Implementasi Sistem Tampak Samping
Gambar 11. Implementasi Sistem Tampak Belakang
Implementasi dari sistem terdapat pada Gambar 10. Sistem siap digunakan untuk melakukan untuk mendeteksi AF dengan 3 elektroda dan tiga pushbutton untuk pengoperasiannya. Informasi yang berkaitan dengan proses sistem ditampilkan pada LCD. Untuk menyalakan sistem disediakan lubang dibagian belakang agar Arduino Nano dapat disambungkan dengan kabel power sesuai pada Gambar 11.
Gambar 12. Implementasi Penempatan Elektroda
Contoh hasil implementasi dari penempatan elektroda agar sistem membaca sinyal ECG dengan baik ditunjukkan pada Gambar 12, sesuai dengan perancangannya.
3 PENGUJIAN DAN ANALISIS
Dilakukan pengujian pada sistem untuk akurasi sensor, akurasi klasifikasi K-NN serta waktu komputasinya.
3.1 PENGUJIAN AKURASI SENSOR AD8232
Tingkat akurasi sensor dapat diuji dengan pemasangan elektroda pada dada terlebih dahulu lalu dilakukan pembacaan denyut jantung oleh sistem berdasarkan jumlah R yang dideteksi dan pembacaan denyut nadi (secara manual). Keduanya dilakukan bersamaan selama 1 menit dengan pengujian 20 kali. Dihasilkan akurasi sebesar 96,83% dari rata-rata %error 3,17%. Hasilnya ada pada Tabel 1.
Tabel 1. Hasil pengujian BPM
No. Manual Sensor
AD8232 Error Error (%) 1 86 90 4 4,65 2 80 84 4 5,00 3 88 86 2 2,27 4 86 87 1 1,16 5 85 86 1 1,18 6 80 86 6 7,50 7 87 85 2 2,30 8 83 86 3 3,61 9 87 93 6 6,90 10 84 85 1 1,19 11 82 83 1 1,22 12 86 82 4 4,65 13 88 88 0 0,00 14 86 89 3 3,49 15 84 86 2 2,38 16 80 85 5 6,25 17 81 82 1 1,23 18 86 87 1 1,16 19 90 88 2 2,22 20 80 84 4 5,00 Rata-rata Error (%) 3,17
3.2 PENGUJIAN AKURASI KLASIFIKASI METODE K-NEAREST NEIGHBOR
Tabel 2. Hasil Ekstraksi Fitur
No Fitur
Mean Median Std Deviasi Min Maks
1 676,375 655,500 31,634 642 724 2 688,00 672,00 42,579 643 759 3 712,750 678,000 76,936 632 817 4 728,750 718,000 53,923 642 806 5 759,250 759,500 31,862 712 806 6 776.00 779,500 37,616 727 832 7 792,857 795,000 68,975 701 905 8 806,500 807,000 45,351 753 864 9 808,750 811,500 41,115 736 886 10 837,125 835,500 31,179 782 875 11 587,500 532,000 200,892 396 1064 12 674,500 666,000 218,430 360 980 13 743,500 852,000 192,680 420 916 14 555,00 484,000 158,717 388 832 15 427,000 368,000 110,268 336 656 16 765,250 874,000 221,108 356 980 17 645,00 650,000 132,525 400 824 18 659,500 734,000 138,484 432 784 19 733,500 830,000 156,562 516 912 20 734,500 786,000 117,489 440 816
Tabel 3. Hasil Pengujian Klasifikasi K-NN
No Kelas
Asli
Kelas Hasil Klasifikasi K-NN
k = 3 k = 5 k = 7
1 Normal Normal Normal Normal 2 Normal Normal Normal Normal 3 Normal Normal Normal Normal 4 Normal Normal Normal Normal 5 Normal Normal Normal Normal 6 Normal Normal Normal Normal 7 Normal Normal Normal Normal 8 Normal Normal Normal Normal 9 Normal Normal Normal Normal 10 Normal Normal Normal Normal
11 AF AF AF AF 12 AF AF AF AF 13 AF AF AF Normal 14 AF AF AF AF 15 AF AF AF AF 16 AF AF AF AF 17 AF AF AF AF 18 AF AF AF AF
19 AF Normal Normal Normal
20 AF AF Normal Normal
Pengujian ini dilakukan untuk menguji akurasi dari K-NN terhadap fitur-fitur hasil ekstraksi. Hasil dari ekstraksi fitur terdapat pada Tabel 2 sedangkan untuk hasil klasifikasinya menggunakan K-NN ada pada Tabel 3. Hasil klasifikasi yang tidak tepat atau salah klasifikasi ditandai kolom warna merah. Dari pengujian yang telah dilakukan tersebut, didapatkan tingkat akurasi dari k = 3, 5, 7 masing-masing yaitu sebesar 95%, 90%, 85%.
3.3 PENGUJIAN WAKTU KOMPUTASI
KLASIFIKASI K-NEAREST
NEIGHBOR
Dalam melakukan proses klasifikasi metode K-NN, waktu komputasinya diuji untuk mengetahui seberapa lama waktu yang diperlukan dalam proses tersebut. Dilakukan pengujian sebanyak 20 kali lalu didapatkan 16,44 ms untuk rata-rata waktu komputasinya. Pada Tabel 4 ditunjukkan hasil pengujiannya.
Tabel 4. Hasil Pengujian Waktu Komputasi Klasifikasi K-NN No Waktu Komputasi Klasifikasi K-NN (ms) 1 14,82 2 14,75 3 14,97 4 15,07 5 15,48 6 15,75 7 15,92 8 16,08 9 16,09 10 16,17 11 18,30 12 18,50 13 16,74 14 17,94 15 17,64 16 17,96 17 17,62 18 16,92 19 15,97 20 16,11 Rata-rata 16,44
4 KESIMPULAN DAN SARAN
Masing-masing dari jenis pengujian dilakukan sebanyak 20 kali. Dari pengujian tersebut didapatkan kesimpulan yaitu didapatkan akurasi 96,83% untuk sensor dalam menghitung BPM. Akurasi sebesar 95%, 90%, 85% untuk akurasi klasifikasi K-NN berdasarkan k = 3, 5, 7 sehingga akurasi terbaik dicapai dengan k = 3. Waktu komputasi dalam melakukan klasifikasi tergolong singkat yaitu 16,44 ms sehingga pengguna tidak perlu waktu yang lama untuk mengetahui hasil klasifikasi atau hasil diagnosisnya. Adapun saran peneliti untuk mengembangkan penelitian ini agar lebih baik lagi yaitu menambahkan lebih banyak fitur untuk meningkatkan tingkat akurasi. Selain itu dapat menggunakan metode klasifikasi lainnya agar mendapatkan tingkat akurasi yang lebih baik lagi.
5 DAFTAR PUSTAKA
Alhafid, F., Nuryani, N. & Darmanto, D., 2020. Prediksi Kejadian Fibrilasi Atrium
Paroksismal. Indonesian Journal of Applied Physics, Volume 10, p. 81.
Chrisanto, E. Y., Novikasari, . L. & . T., 2019. Hubungan Antara Atrial Fibrilasi
Simtomatik Dan Asimtomatik. MALAHAYATI NURSING JOURNAL, Volume 1, pp. 81-89.
ConectMed Technologies, 2020. 3 Leads ECG Cable and Placement. [Online]
Available at: https://www.conectmed.com/3-lead-ecg-and-placement.html
[Diakses 18 10 2020].
Moody, G. & Mark, R., 2000. MIT-BH Atrial Fibrillation Database. [Online]
Available at:
https://physionet.org/content/afdb/1.0.0/ [Diakses 2 Oktober 2020].
Rofi'i, M., 2018. Identifikasi Fibrilasi Atrium Pada Isyarat Elektrokardiogram (EKG) Menggunakan Support Vector Machine (SVM). SIMETRIS, Volume 9 No.1. Warganegara, E. & Nur, N. N., 2016. Faktor
Risiko Perilaku Penyakit Tidak Menular. Medical Journal of Lampung University, 5(2).
Yuniadi, Y., 2018. Aritmia, Penyakit Serius yang Dokter Spesialisnya Hanya 26 Orang. [Online] Available at: https://sains.kompas.com/read/2018/01/25/0 80500223/aritmia-penyakit-serius-yang-dokter-spesialisnya-hanya-26-orang [Diakses 22 Oktober 2020].
Yunita, F., 2016. Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor. Jurnal Ilmiah Selodang Mayang, Volume 2, p. 1.
