Klasifikasi Sinyal ECG Berdasarkan Model AR Menggunakan Jaringan Saraf Tiruan.

(1)

Klasifikasi Sinyal ECG Berdasarkan Model AR

Menggunakan Jaringan Saraf Tiruan

Disusun oleh:

Nama: Edwin NRP: 0722079

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.

Alamat e-mail: li_h4oyu@yahoo.com

Kondisi fisiologis jantung manusia -normal atau arrhythmia- dapat diketahui dari sinyal ECG. Tugas Akhir ini bertujuan untuk melakukan klasifikasi terhadap kondisi tersebut, yakni normal, atrial fibrilation, ventricular tachycardia, dan ventricular bigeminy.

Pemodelan sinyal dengan menggunakan AR Model metode Burg dilakukan untuk mengekstrak informasi penting pada sinyal. Orde model ditentukan melalui kriteria uji kecocokan dan AIC. Parameter AR Model kemudian digunakan sebagai masukan bagi Jaringan Saraf Tiruan dengan fungsi sebagai data uji maupun data latih.

Hasil pengujian menunjukkan bahwa klasifikasi terbaik didapatkan dengan menggunakan pemodelan orde 5 dan arsitektur Jaringan Saraf Tiruan 3 layer dengan jumlah neuron 20 – 20 – 4. Hasil klasifikasi 100% didapatkan untuk setiap kondisi fisiologis pada kategori data uji sama dengan data latih. Kategori data uji tidak sama dengan data latih menunjukkan hasil klasifikasi 66,67% untuk kondisi atrial fibrilation, 75% untuk kondisi ventricular tachycardia, 40% untuk ventricular bigeminy, dan 30% untuk kondisi normal.

(2)

iii

Classification of ECG Signal Based on AR Model by

using Artificial Neural Network

Composed by:

Name: Edwin NRP: 0722079

Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University,

Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.

E-mail adress: li_h4oyu@yahoo.com

Physiological conditions of human’s heart -normal or arrhythmia- can be known from the ECG signal. The aim of this Final Project is to classify ECG signal for certain conditions such as normal, atrial fibrilation, ventricular tachycardia, and ventricular bigeminy.

The signal is modeled by using AR Model with Burg Method. Fitness and AIC criterions is used to determine the order AR Model. The coefficients (parameter) of the model is used as input for Artificial Neural Network.

The optimal result is achieved with 5 – order AR Model and Artificial Neural Network architecture (20 – 20 – 4) neurons in each layer. signal can be classified 100% correct when tested data is as the same as trained data. The result is about 66,67% for atrial fibrilation, 75% for ventricular tachycardia, 40% for ventricular bigeminy, and 30% for normal when tested data differs from trained data.

(3)

DAFTAR ISI

KATA PENGANTAR ... i

ABSTRAK ... ii

ABSTRACT ... iii

DAFTAR ISI ... iv

DAFTAR GAMBAR ... vi

DAFTAR TABEL ... viii

DAFTAR SINGKATAN ... ix

BAB I PENDAHULUAN I.1 Latar Belakang ... 1

I.2 Identifikasi Masalah... 1

I.3 Tujuan ... 2

I.4 Pembatasan Masalah ... 2

I.5 Sistematika Penulisan ... 2

BAB II TEORI DASAR II.1 Jantung ... 4

II.1.1 Arrhythmia ... 5

II.1.1.1 Atrial Fibrilation ... 6

II.1.1.2 Ventricular Tachycardia ... 7

II.1.1.3 Ventricular Bigeminy ... 7

II.2 Electrocardiogram (ECG) ... 8

II.3 Pemodelan Sinyal ... 11

II.3.1 Autoregressive (AR) Model ... 13

II.3.2 Pemilihan Orde Model ... 15

II.3.2.1 Uji Kecocokan ... 15

II.3.2.2 Akaike’s Information Criteria (AIC) ... 16

(4)

v

II.4.1 Model Matematis ... 18

II.4.2 Fungsi Aktivasi... 20

II.4.3 Arsitektur Jaringan Saraf Tiruan ... 23

II.4.4 Learning Rules ... 25

II.4.5 Supervised Learning ... 26

II.4.6 Backpropagation ... 26

BAB III PERANCANGAN III.1 Pengolahan Data Sinyal ECG ... 31

III.1.1 Pencuplikan Sinyal ECG ... 33

III.2 Desain Jaringan Saraf Tiruan... 37

III.3 Diagram Alir Sistem ... 40

BAB IV DATA PENGAMATAN DAN ANALISA DATA IV.1 Pemilihan Orde Model ... 41

IV.2 Klasifikasi Jaringan Saraf Tiruan ... 47

BAB V SIMPULAN DAN SARAN ... 51

DAFTAR PUSTAKA ... 52

LAMPIRAN A AR MODEL METODE BURG ... 54

A.1 Lattice Filter ... 54

A.2 Metode Burg Dalam Penentuan Parameter AR Model ... 56

LAMPIRAN B PLOT SINYAL UNTUK PENENTUAN ORDE MODEL ... 59

LAMPIRAN C CONTOH PEMROGRAMAN MATLAB ... 71

C.1 Desain dan Pengujian Dengan Jaringan Saraf Tiruan ... 71

(5)

DAFTAR GAMBAR

Gambar II.1 Bagian – bagian dan jalur elektrik jantung ... 5

Gambar II.2 Posisi lead elektroda pada daerah dada ... 9

Gambar II.3 Posisi peletakan lead pada daerah lengan dan kaki ... 10

Gambar II.4 Perspektif vertikal dan horizontal dari lead elektroda yang diletakkan pada bagian dada dan tungkai ... 10

Gambar II.5 Blok diagram pemodelan sinyal dengan menggunakan pole – zero model... 12

Gambar II.6 Gambaran umum sel saraf manusia ... 17

Gambar II.7 Gambaran input dengan nilai bobot tertentu ... 19

Gambar II.8 Proses penjumlahan sinyal sebagai model dari badan sel ... 19

Gambar II.9 Model neuron dalam Jaringan Saraf Tiruan ... 20

Gambar II.10 Grafik fungsi aktivasi Threshold ... 21

Gambar II.11 Grafik fungsi aktivasi Threshold dengan adanya pengaruh bias ... 21

Gambar II.12 Grafik fungsi aktivasi Linear ... 22

Gambar II.13 Grafik fungsi aktivasi Linear dengan adanya pengaruh bias ... 22

Gambar II.14 Fungsi aktivasi Logistic Sigmoid ... 23

Gambar II.15 Fungsi aktivasi Hyperbolic Sigmoid ... 23

Gambar II.16 Single – layer feedforward network menggunakan 2 neuron ... 24

Gambar II.17 Multiple feedforward network dengan susunan 3 layer ... 25

Gambar II.18 Supervised Learning ... 26

Gambar II.19 Contoh Jaringan Saraf Tiruan dengan arsitektur dua layer ... 27

Gambar III.1 Diagram blok sistem ... 31

Gambar III.2 Plot sinyal ECG cuplikan record 203 ... 32

Gambar III.3 Keterangan tambahan data record 203 ... 23

Gambar III.4 Plot sinyal dengan jenis arrhythmia ventricular tachycardia pada data record 203 ... 35

(6)

vii

Gambar III.6 Gambar desain Jaringan Saraf Tiruan dalam perancangan ... 39 Gambar III.7 Diagram alir sistem ... 40 Gambar IV.1 Plot uji kecocokan dengan orde berbeda pada data record 203

jenis arrhythmia atrial fibrilation pada kanal V1 ... 42 Gambar IV.2 Plot nilai AIC dengan orde berbeda pada data record 203 jenis

arrhythmia atrial fibrilation pada kanal V1 ... 42

Gambar IV.3 Plot uji kecocokan dengan orde berbeda pada data record 112 kondisi normal pada kanal V1 ... 43 Gambar IV.4 Plot nilai AIC dengan orde berbeda pada data record 112

(7)

DAFTAR TABEL

Tabel III.1 Hasil Sampling Sinyal ECG ... 36 Tabel III.2 Desain Jaringan Saraf Tiruan yang digunakan ... 37 Tabel III.3 Target yang diharapkan untuk masing – masing kondisi fisiologis ... 38 Tabel IV.1 Nilai kecocokan dan AIC dengan orde berbeda pada data record

203 ... 44 Tabel IV.2 Rekapitulasi penentuan orde pada kurva nilai kecocokan ... 45 Tabel IV.3 Rekapitulasi penentuan orde pada kurva nilai AIC ... 46 Tabel IV.4 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji

sama dengan data latih ... 47 Tabel IV.5 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji

tidak sama dengan data latih ... 48 Tabel IV.6 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji

(8)

ix

DAFTAR SINGKATAN

AIC : Akaike’s Information Criteria AR : autoregressive

MA : moving average

ARMA : autoregressive - moving average aVF : augmented vector foot

aVL : augmented vector left aVR : augmented vector right A – V node : atrioventricular node ECG : electrocardiogram JST : Jaringan Saraf Tiruan

LA : left arm

LL : left leg

RA : right arm

(9)

LAMPIRAN A

AR MODEL METODE BURG

Salah satu metode yang dapat digunakan dalam penentuan parameter AR Model adalah metode Burg. Pembahasan mengenai lattice filter akan dibahas terlebih dahulu untuk menunjang pembahasan metode ini.

A.1 Lattice filter

Lattice filter merupakan salah satu struktur filter FIR (Finite Impukse

Response). Persamaan umum dari filter FIR ditunjukkan dalam persamaan A.1.

Nilai � pada persamaan tersebut menunjukkan orde polinomial.

��(�) = 1 +∑_��₌₁��(�)�−� � ≥1 ...(A.1) Bila diasumsikan bahwa deret input terhadap filter �_�(�) adalah �(�), dan deret output adalah �(�), maka persamaannya dapat dituliskan dalam persamaan A.2.

�(�) = �(�) + ∑�_�₌₁�_�(�)�(� − �) ...(A.2)

Asumsikan bahwa filter memiliki orde satu, sehingga persamaan A.2 dapat dituliskan menjadi persamaan A.3.

�(�) = �(�) + �1(1)�(� −1)...(A.3)

(10)

55

Gambar A.1 Single – stage lattice filter

Persamaan output dari filter tersebut ditunjukkan pada persamaan A.4. Bila dipilih nilai �₁ = �₁(1), maka persamaan A.4 akan ekivalen dengan persamaan A.3. Parameter �₁ pada persamaan A.4 dikenal sebagai koefisien refleksi dari lattice filter.

�1(�) = �(�) + �1�(� −1)

�1(�) = �1�(�) + �(� −1) ...(A.4)

Bila orde pada filter adalah 2, maka persamaan deret outputnya dapat dituliskan dalam persamaan A.5

�(�) = �(�) + �2(1)�(� −1) + �2(2)�(� −2) ...(A.5)

Persamaan A.5 juga bisa didapatkan dari persamaan output two – stage lattice filter yang ditunjukkan pada Gambar A.2.

(11)

Persamaan ouput dari two – stage lattice filter ditunjukkan pada persamaan A.6. Nilai dari �1(�) dan �1(�) dari persaman tersebut ekivalen dengan nilai pada persamaan II.9.

�2(�) = �1(�) + �2�1(� −1)

�2(�) = �2�1(�) + �1(� −1) ...(A.6)

Dengan meneruskan proses ini, dapat dilihat bahwa ada ekivalensi antara FIR filter orde m dengan m – stage lattice filter. Lattice filter secara umum dapat dideskripsikan dengan set of order – recursive equations yang ditunjukkan pada persamaan A.7.

�0(�) = �0(�) = �(�)

��(�) = ��−1(�) + ��−1(� −1) ...(A.7)

�_�(�) = �_�∗�_�−1(�) + ��−1(� −1) �= 1, 2, … ,�

A.2 Metode Burg Dalam Penentuan Parameter AR Model

Metode Burg merupakan sebuah metode yang didasari oleh proses minimalisasi nilai forward dan backward error dalam prediktor linear untuk menentukan nilai – nilai parameter modelnya. Metode Burg menggunakan realisasi lattice filter sehingga sering pula dikenal dengan nama metode lattice least – square order – recursive.

Forward Linear Prediction digunakan untuk memprediksi nilai mendatang

(12)

57

��(�) =− ∑�_�₌₁��(�)�(� − �) ...(A.8)

Selisih antara nilai aktual, �(�), dengan nilai prediksi, ��(�), disebut forward prediction error, yang secara matematis dituliskan pada persamaan A.9.

��(�) =�(�)− ��(�) ...(A.9)

Backward Linear Prediction digunakan untuk memprediksi nilai terdahulu dari sebuah proses atau deret berdasarkan nilai – nilai sesudahnya. Asumsikan sebuah deret yang tersusun dari data �(�), dengan nilai n = 0, 1,..., N – 1. Bila prediktor memiliki orde m, nilai �(� − �) dapat diprediksi melalui kombinasi linear dari nilai - nilai �(� − � + 1), �(� − �+ 2),...., �(�) yang telah diboboti dengan koefisien tertentu. Persamaan matematis dari proses prediksi linear ini ditunjukkan pada persamaan A.10.

��(� − �) =− ∑�_�₌₁��∗ (�)�(�+� − �) ...(A.10)

Selisih antara nilai aktual, �(� − �), dengan nilai prediksi, ��(� − �), disebut backward prediction error, yang secara matematis dituliskan pada persamaan A.11.

��(�) =�(� − �)− ��(� − �) ...(A.11)

Berdasarkan persamaan A.9 dan persamaan A.11, bisa didapatkan nilai average prediction error yang dituliskan pada persamaan A.12.

��= 1

2(�−�)∑ [ �−1

�=� |��(�)|2+ |��(�)|2] ...(A.12)

Nilai average prediction error dapat diminimalkan dengan menentukan nilai koefisien prediksi, �_� dan �_�∗ , yang juga harus memenuhi Levinson – Durbin recursion. Persamaan dari koefisien prediksi tersebut ditunjukkan pada

persamaan A.13.

��(�) = ��−1(�) + ��−∗ 1(� − �) 1≤ � ≤ � −1...(A.13)

(13)

Pada persamaan A.13, �_� =�_� adalah koefisien refleksi ke – m dalam realisasi lattice filter. Bila persamaan A.13 disubstitusikan pada �_�(�) dan �_�(�), akan didapatkan pasangan persamaan order – recursive untuk forward dan backward prediction error yang ditunjukkan pada persamaan A.14.

�₀(�) = �₀(�) = �(�)

��(�) = ��−1(�) + ��−1(� −1) ...(A.14)

�_�(�) = �_�∗�_�−1(�) + ��−1(� −1) �= 1, 2, … ,� Persamaan A.14 dapat disubstitusikan pada persamaan A.12 untuk mendapatkan nilai error minimal, �_�, yang merupakan fungsi dari �_�. Persamaan lengkapnya ditunjukkan pada persamaan A.15.

��= 1

2(�−�)∑ [

�−1

�=� | �� −1(�) + ��−1(� −1)|2+ | ��∗��−1(�) + ��−1(� −1)|2]..(A.15)

Persamaan A.15 kemudian didiferensialkan. Bila hasil diferensial bernilai nol, maka bisa didapatkan nilai koefisien refleksi yang ditunjukkan pada persamaan A.16.

�� = − ∑ �� −1(�)�� −1

∗ �−1

�=� (�−1)

1 2∑�− [

1

�=� |�_{� −}1(�)|2+|�� −1(�−1)|2] �

= 1, 2, … ,� ...(A.16)

Numerator pada persamaan A.16 merupakan estimasi dari crosscorrelation antara nilai forward dan backward prediction error. Normalisasi

pada denominator mengakibatkan nilai |�_�| < 1, sehingga model yang dihasilkan stabil.

Algoritma Burg, dapat disimpulkan, melakukan perhitungan nilai koefisien refleksi dalam persamaan lattice filter pada persamaan A.16. Algoritma Levinson – Durbin yang ditunjukkan pada persamaan A.13kemudian digunakan

(14)

59

PLOT SINYAL UNTUK PENENTUAN ORDE MODEL

Pada bagian ini akan disajikan plot dari 20 sinyal hasil pencuplikan untuk penentuan orde model terbaik. Kriteria uji kecocokan dan AIC digunakan dalam penentuan orde model ini. Pengujian pada masing – masing sinyal dilakukan pada kanal MLII dan V1.

1. Data record 112 kondisi normal

(a) (b)

(c) (d)

Gambar B.1 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji kecocokan kanal MLII (d) Plot uji kecocokan kanal V1

(15)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

(a) (b)

(c) (d)

(16)

61

(a) (b)

(c) (d)

(17)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

4. Data record 200 kondisi ventricular tachycardia

(a) (b)

(c) (d)

(18)

63

(a) (b)

(c) (d)

(19)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

(a) (b)

(c) (d)

(20)

65

7. Data record 106 kondisi ventricular bigeminy

(a) (b)

(c) (d)

(21)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

(a) (b)

(c) (d)

(22)

67

(a) (b)

(c) (d) Gambar B.9 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji

(23)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

10. Data record 201 kondisi atrial fibrilation

(a) (b)

(c) (d)

(24)

69

(a) (b)

(c) (d)

(25)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

(a) (b)

(c) (d)

(26)

71

LAMPIRAN C

CONTOH PEMROGRAMAN MATLAB

Pada bagian ini akan disajikan contoh – contoh pemrograman pada MATLAB yang digunakan dalam penyusunan Tugas Akhir ini. Beberapa contoh yang akan disajikan adalah contoh program untuk mendesain Jarigan Saraf Tiruan dan perhitungan kriteria uji kecocokan dan AIC. Program selangkapnya dapat dilihat pada CD yang akan disertakan bersama laporan ini.

C.1. Desain dan Pengujian dengan Jaringan Saraf Tiruan

Beberapa desain Jaringan Saraf Tiruan telah digunakan dalam Tugas Akhir ini. Salah satu contoh desain Jaringan Saraf Tiruan yang digunakan adalah dengan menggunakan arsitektur 3 layer dengan masing – masing jumlah neuron 30, 20, dan 4. Algoritma pembelajaran yang digunakan adalah backpropagation metode gradient descent with momentum dengan orde model 5. Proses pengujian untuk

kategori data uji sama dengan data latih dan data uji tidak sama dengan data latih juga dilakukan secara langsung setelah proses pembelajaran dilakukan. Berikut ini adalah list program yang digunakan.

disp('backpropagation neural network(30-20-4),traingdm,orde 5'); load koefburg.mat; %load input dan target

load inafib.mat; load inb.mat; load invt.mat; load innormal.mat; p = p(:,4:15); t1 = [0;0;0;1]; t2 = [0;0;1;0]; t3 = [0;1;0;0]; t4 = [1;0;0;0];

t = [t1 t1 t1 t2 t2 t2 t3 t3 t3 t4 t4 t4];

netgdmI1 = newff(minmax(p),[30 20 4],{'purelin' 'tansig' 'logsig'},'traingdm'); netgdmI1.trainParam.show = 50;

(27)

netgdmI1.trainParam.goal = 1e-3; netgdmI1.trainParam.epochs = 50000; netgdmI1 = init(netgdmI1);

[netgdmI1,tr] = train(netgdmI1,p,t); sim(netgdmI1,p)

sim(netgdmI1,pafib) sim(netgdmI1,pb) sim(netgdmI1,pvt) sim(netgdmI1,pnormal)

C.2. Perhitungan Kriteria Uji Kecocokan dan AIC

Pengujian kriteria uji kecocokan dan AIC dilakukan pada 20 data seperti yang disajikan pada bagian Lampiran B. Berikut adalah list program yang digunakan.

disp('fit and aic for arburg model'); s = input('signal=' ); %input sinyal asli s = s';

s = iddata(s); for i=1:15

bu = ar(s,i,'burg');

[yh,fit] = compare(s,bu,1); fitt(i) = fit;

am = aic(bu); aics(i) = am; end

angka = 1:15; plot(angka,aics); xlabel('orde') ylabel('aic value') figure

(28)

1

BAB I

PENDAHULUAN

I.1. Latar Belakang

Kondisi fisiologis jantung manusia dapat diketahui dari sinyal ECG. Hal ini dapat dilakukan dengan cara mengambil informasi penting yang terkandung di dalam sinyal tersebut.

Pada tugas akhir ini, data sinyal ECG akan diidentifikasi dengan menggunakan Artificial Neural Network (Jaringan Saraf Tiruan). Jaringan Saraf Tiruan digunakan karena keandalan serta kemampuannya untuk mengenali pola pada sinyal. Keuntungan lainnya adalah ketidakharusan untuk melakukan pemrograman ulang karena kemampuan Jaringan Saraf Tiruan yang dapat terus belajar.

Sinyal ECG dimodelkan dengan menggunakan pemodelan autoregressive (AR). Pemodelan autoregressive baik digunakan untuk sinyal ini karena dapat mengambil informasi penting dari sinyal walaupun telah terganggu oleh noise. Hasil pemodelan akan menjadi input bagi Jaringan Saraf Tiruan untuk diidentifikasi. Hasil identifikasi akan mengungkapkan kondisi sinyal ECG tersebut, normal atau memiliki arrhythmia.

I.2. Identifikasi Masalah

Masalah dalam Tugas Akhir ini adalah :

1. Bagaimana penggunaan pemodelan AR dalam pengolahan sinyal ECG?

(29)

I.3. Tujuan

Tugas Akhir ini bertujuan untuk :

1. Menggunakan pemodelan AR pada sinyal ECG yang disimulasikan pada MATLAB.

2. Menggunakan Jaringan Saraf Tiruan untuk mengidentifikasi sinyal ECG yang disimulasikan pada MATLAB.

I.4. Pembatasan masalah

Pada penelitian ini, masalah yang akan diteliti dibatasi pada: 1. Data sinyal ECG diperoleh dari MIT-BIH Arrhythmia Database. 2. Pengolahan sinyal ECG dilakukan dengan menggunakan MATLAB 7. 3. Identifikasi sinyal ECG menggunakan Neural Network Toolbox versi 4.

I.5. Sistematika Penulisan

Laporan ini terbagi menjadi 5 bab. Berikut adalah sistematika penulisan pada laporan ini.

1. BAB I PENDAHULUAN

Bab ini menjelaskan apa saja yang melatarbelakangi penulisan laporan, perumusan masalah yang akan dijawab, tujuan dari Tugas Akhir, pembatasan masalah dalam Tugas Akhir yang dilakukan, dan sistematika penulisan laporan.

2. BAB II TEORI DASAR

Bab ini menjelaskan teori – teori yang menunjang penyusunan laporan Tugas Akhir, yang antara lain adalah penjelasan mengenai arrhythmia, ECG, AR Model, dan Jaringan Saraf Tiruan.

3. BAB III PERANCANGAN

(30)

3 4. BAB IV DATA PENGAMATAN DAN ANALISIS DATA

Bab ini membahas tentang proses pengambilan data pada sistem dan analisis untuk data – data tersebut.

5. BAB V SIMPULAN DAN SARAN

(31)

BAB V

SIMPULAN DAN SARAN

Dari hasil percobaan, dapat disimpulkan beberapa hal berikut:

1. Pemodelan AR pada sinyal ECG menunjukkan hasil klasifikasi terbaik dengan pemodelan orde 5.

2. Klasifikasi terbaik dicapai dengan menggunakan arsitektur Jaringan Saraf Tiruan 3 layer yang memiliki konfigurasi input-hidden-output neuron (20 – 20 – 4) dan fungsi aktivasi linear-tansig-logsig.

3. Klasifikasi untuk kategori data uji sama dengan data latih berhasil dilakukan sebesar 100%.

4. Klasifikasi untuk kategori data uji tidak sama dengan data latih berhasil dilakukan sebesar:

66,67% untuk kondisi atrial fibrilation, 75% untuk kondisi ventricular bigeminy, 40% untuk kondisi ventricular tachycardia, 30% untuk kondisi normal.

Saran untuk penelitian lebih lanjut:

1. Penggunaan metode pemodelan sinyal lainnya seperti model ARMA.

(32)

52

DAFTAR PUSTAKA

1. Cavuto, David J. 1997. An Exploration and Development of Current Artificial Neural Network Theory and Appication With Emphasis on Artificial Life. Thesis. Albert Nerken School of Engineering.

2. Fausett, Laurene. 1994. Fundamental of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.

3. Hagan, Martin T, Howard B. Demuth, dan Mark Beale. 2002. Neural Network Design. China Machine Press.

4. Hayes, Monson H. 2002. Statistical Digital Signal Processing And Modelling. Siangapore: John Wiley & Sons.

5. Haykin, Simon. 1999. Neural Network: The Comprehensive Foundation, 2th ed. New Jersey: Prentice-Hall.

6. Manolakis, Dimitris G, Vinay K. Ingle, dan Stephen M. Kogon. 2005. Statistical and Adaptive Signal Processing: Spectral Estimation, Signal

Modelling, Adaptive Filtering, and Array Processing. London: Artech House.

7. Morris, Francis, June Edhouse, William J. Brady, dan John Camm. 2003. ABC of Clinical Electrocardiography. London: BMJ.

8. Priatna, Dhany. 2005. Identifikasi Model Dinamik Steam Temperature pada Waste Heat Recovery Boiler (WHB) Menggunakan Struktur Model ARX. Laporan Tugas Akhir. Bandung: Universitas Kristen Maranatha.

9. Proakis, John G dan Dimitris G. Manolakis. 1996. Digital Signal Processing: Principles, Algorithms, and Applications, 3th ed. New Jersey: Prentice-Hall. 10. Ryan, Yohanes. 2004. Identifikasi Sistem Furnace Temperature dan Sistem

Steam Preasure pada Waste Heat Recovery Boiler (WHB). Laporan Tugas Akhir. Bandung: Universitas Kristen Maranatha.

(33)

12. Takalo, Reijo, Heli Hytti, dan Helmo Ihalainen. 2005. Tutorial on Univariate Autoregressive Spectral Analysis. Journal of Clinical Monitoring and Computing, Vol 19, No 6, pp. 401 - 410, December 2005.

13. ____, Arrhythmia. 2003. , http://www.bhf.ogrg.uk 14. ____, Arrhythmia. 2006. , http://www.upmc.com