Fakultas Ilmu Komputer
Universitas Brawijaya 1
Sistem Monitoring Kesehatan Jantung Menggunakan Metode Adaptive Threshold Berbasis Shimmer Electrocardiogram Dan Matlab
Jamal Islamuddin1, Edita Rosana Widasari 2
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected]
Abstrak
Penyakit jantung masih menjadi tantangan kesehatan yang signifikan secara global dalam lima tahun terakhir yang menyebabkan lebih dari 9,4 juta kasus kematian. Oleh karena itu, pentingnya sistem monitoring kesehatan jantung yang akurat tidak dapat diabaikan untuk mencegah komplikasi serius dan menurunkan angka kematian akibat penyakit jantung. Metode yang sering digunakan untuk monitoring kesehatan jantung dirumah sakit adalah Treadmill Stress Test, namun test ini memerlukan fasilitas rumah sakit dan biaya yang relatif tinggi. Biaya menjadi hambatan untuk melakukan pemantauan kesehatan jantung secara teratur. Dengan hambatan tersebut, sebagai alternatif adalah dengan membuat sistem monitoring kesehatan jantung untuk deteksi kesehatan jantung berbasis shimmer electrocardiogram. Penelitian ini bertujuan untuk mengetahui apakah sistem monitoring kesehatan jantung menggunakan metode Adaptive Threshold yang dikembangkan dapat digunakan sebagai alternatif pengganti Treadmill Stress Test dirumah sakit. Penelitian ini menggunakan perangkat Shimmer untuk pengambilan sinyal ECG selama aktivitas Treadmill Stress Test. Data akan diproses dengan algoritma Adaptive Threshold yang diimplementasikan di Matlab dengan fitur GUI untuk sistem monitoringnya. Hasil penelitian menunjukkan bahwa algoritma Adaptive Threshold memiliki akurasi deteksi puncak R sebesar 88.45%, Akurasi nilai heart rate sebesar 93.02%, dan rata- rata waktu komputasi 20.75 detik. Evaluasi ini menunjukkan bahwa sistem monitoring detak jantung ini dapat mendeteksi kesehatan jantung dengan baik. Sistem ini memiliki potensi bagi pengguna treadmill yang ingin melakukan monitoring kesehatan jantung dalam lingkungan yang lebih santai seperti rumah atau pusat kebugaran, mengurangi ketergantungan pada fasilitas medis yang mahal dan terbatas.
Kata kunci: Adaptive Threshold, Electrocardiogram (ECG), Jantung, Shimmer ECG,Treadmill Stress Test, Monitoring kesehatan jantung, MATLAB.
Abstract
Heart disease has remained a significant global health challenge over the past five years, leading to more than 9.4 million deaths. Therefore, the importance of an accurate heart health monitoring system cannot be overlooked to prevent serious complications and reduce mortality from heart disease. The commonly used method for heart health monitoring in hospitals is the Treadmill Stress Test; however, this test requires hospital facilities and relatively high costs, making it a barrier for regular heart health monitoring. As an alternative, a heart health monitoring system based on Shimmer electrocardiogram was developed. This research aims to determine whether the heart health monitoring system using the developed Adaptive Threshold method can be used as an alternative to the Treadmill Stress Test in hospitals. The research employs Shimmer devices to collect ECG signals during Treadmill Stress Test activities. Data is processed using the Adaptive Threshold algorithm implemented in Matlab with a GUI feature for the monitoring system. The results show that the Adaptive Threshold algorithm has an R-peak detection accuracy of 88.45%, a heart rate value accuracy of 93.02%, and an average computation time of 20.75 seconds. This evaluation indicates that this heart rate monitoring system can effectively detect heart health. It has the potential for treadmill users who wish to monitor their heart health in a more relaxed environment such as at home or in fitness centers, reducing dependence on expensive and limited medical facilities .
Keywords: Adaptive Threshold, Electrocardiogram (ECG), Heart, Shimmer ECG, Treadmill Stress
Test, Heart Health Monitoring, MATLAB.
1. PENDAHULUAN
Penyakit jantung masih menjadi tantangan kesehatan yang signifikan secara global dalam lima tahun terakhir. Berdasarkan data terkini, penyakit jantung tetap menjadi penyebab kematian utama di seluruh dunia, menyebabkan lebih dari 9,4 juta kasus kematian (Dewa, 2024). Faktor-faktor seperti gaya hidup yang tidak sehat, tekanan darah tinggi, dan obesitas terus berperan dalam peningkatan kasus penyakit jantung.
Penyakit jantung tidak hanya mencakup kasus-kasus ekstrem seperti serangan jantung, tetapi juga kondisi yang mempengaruhi ritme jantung seperti takikardia dan bradikardia.
Takikardia adalah gejala yang terjadi saat denyut jantung berdetak dengan cepat, yaitu melebihi 100 BPM, biasanya terjadi pada saat orang yang tekanan intrakarnial meningkat, dan efek samping beberapa obat. Bradikardia adalah gejala yang terjadi saat denyut jantung berdetak dengan lambat, yaitu kurang dari 60 BPM, biasanya terjadi pada saat orang yang sedang demam, congentif heart failure, dan syok (Akbar, 2018). Oleh karena itu monitoring detak jantung untuk mendeteksi kesehatan jantung yang akurat menjadi sangat penting untuk mencegah komplikasi serius dan mengurangi angka kematian akibat penyakit jantung.
Metode yang sering digunakan untuk untuk monitoring kesehatan jantung dirumah sakit atau difasilitas kesehatan lainnya adalah treadmill stress test. Penggunaan treadmill sebagai alat untuk latihan fisik semakin populer di kalangan masyarakat, baik di pusat kebugaran maupun di rumah sendiri. Namun, dalam proses latihan ini, pemantauan detak jantung menjadi krusial untuk memastikan efektivitas dan keselamatan pengguna (Suci, 2020). Metode pemeriksaan kesehatan jantung menggunakan Treadmill Stress Test ini memerlukan fasilitas rumah sakit dan biaya yang relatif tinggi. Biaya menjadi hambatan bagi beberapa individu untuk melakukan pemantauan kesehatan jantung secara teratur (Hariri, 2019).
Stakeholder utama dalam pengembangan solusi pemantauan kesehatan jantung ini mencakup pengguna treadmill yang membutuhkan pemantauan kesehatan yang
akurat. Penggunaan Treadmill Stress Test dilakukan untuk menilai kemampuan jantung dalam menghadapi aktivitas fisik yang lebih intens dari biasanya (Dewi, 2024). Teknik ini memanfaatkan treadmill sebagai alat untuk memberikan beban fisik pada tubuh sehingga dapat menghasilkan respon jantung yang diukur melalui electrocardiogram (ECG) (Wahjuni, 2007).
Masalah yang dihadapi saat ini adalah keterbatasan dalam deteksi kesehatan jantung dengan metode Treadmill Stress Test biasa yang memerlukan akses ke fasilitas rumah sakit dan biaya yang mahal. Selain itu, metode ini tidak selalu praktis bagi pengguna treadmill yang ingin melakukan pemantauan detak jantung dalam lingkungan yang lebih santai seperti rumah atau pusat kebugaran. Sebagai alternatif adalah dengan membuat sistem monitoring berbasis shimmer electrocardiogram (ECG). Penggunaan perangkat Shimmer menawarkan alternatif yang lebih terjangkau dan nyaman untuk pemantauan kesehatan jantung (Dewa, 2024).
Shimmer ECG merupakan salah satu dari beberapa perangkat Shimmer yang digunakan untuk pemantauan kesehatan dan penelitian.
Shimmer ECG adalah sensor nirkabel yang dirancang untuk merekam sinyal electrocardiography dari pengguna. Sinyal ECG merekam aktivitas listrik jantung dan sering digunakan untuk menganalisis detak jantung, ritme, dan kondisi kardiovaskular lainnya (Dewa, 2024). Perangkat Shimmer ini memiliki beberapa kelebihan, di antaranya adalah sensor nirkabel yang memungkinkan pengguna untuk merekam data ECG tanpa kabel yang rumit, memberikan fleksibilitas dalam mengintegrasikannya dengan berbagai aplikasi.
Shimmer juga memiliki desain portabel sehingga dapat digunakan untuk pemantauan kesehatan jantung secara real-time atau dalam situasi yang memerlukan mobilitas (Dewa, 2024).
Namun, agar data yang diperoleh dari perangkat Shimmer ECG dapat diolah secara efisien dan akurat, diperlukan sistem monitoring berbasis MATLAB. MATLAB adalah platform komputasi yang kuat dan serbaguna, yang menyediakan berbagai fungsi dan alat analisis untuk pengolahan sinyal ECG.
Dengan menggunakan MATLAB, dapat menerapkan metode mendeteksi puncak-puncak
R secara akurat, sehingga dapat meningkatkan akurasi dalam pemantauan detak jantung. Selain itu, MATLAB memungkinkan integrasi yang lebih mudah dengan perangkat keras dan pemrograman GUI yang dapat menampilkan data dalam bentuk angka dan grafik secara real- time, mempermudah pengguna dalam melakukan pemantauan dan analisis data secara real-time (Gusriani, 2020). Oleh karena itu, sistem monitoring berbasis MATLAB merupakan pilihan yang ideal untuk mengembangkan solusi pemantauan detak jantung yang efisien.
Agar data ECG yang diproses di MATLAB menjadi lebih jernih dan lebih mudah untuk dianalisis, solusi yang ditawarkan adalah implementasi Adaptive Threshold untuk deteksi puncak R. Algoritma ini terbukti memiliki kinerja deteksi puncak R yang sangat baik, dengan tingkat akurasi mencapai 95,71%
dan memiliki waktu komputasi yang lebih cepat dari algoritma lain yaitu 0,03 detik. Dengan menggunakan metode ini, sistem monitoring dapat meningkatkan akurasi deteksi detak jantung, mempunyai waktu komputasi yang lebih cepat dibanding algoritma deteksi lainya dan efisiensi dalam penggunaan memori (Dewa, 2024). Hal ini tidak hanya meningkatkan keakuratan pemantauan detak jantung, tetapi juga meningkatkan aksesibilitas bagi individu untuk memantau kesehatan mereka secara mandiri dan dalam lingkungan yang lebih santai, tanpa harus bergantung pada fasilitas medis yang mahal dan terbatas. Penelitian ini memiliki relevansi signifikan dalam menghadirkan solusi untuk memonitoring kesehatan jantung yang mudah dan dapat diandalkan.
2. DASAR TEORI 2.1 Jantung
Jantung merupakan salah satu organ terbesar dan paling vital dalam tubuh manusia yang memiliki fungsi untuk memompa darah ke seluruh tubuh yang terletak antara kedua paru- paru di bagian tengah rongga toraks (Baihaqi, 2020). Jantung berukuran kurang lebih sebesar kepalan tangan pemiliknya dan bentuknya seperti kerucut tumpul. Ujung atas yang lebar (dasar) mengarah ke bahu kanan; ujung bawah yang mengerucut (apeks) mengarah ke panggul kiri. Fungsinya adalah memompa darah ke seluruh tubuh melalui sistem peredaran darah.
Jantung terdiri dari empat ruang utama: dua
atrium di bagian atas dan dua ventrikel di bagian bawah. Atrium menerima darah dari pembuluh darah besar, sementara ventrikel memompa darah keluar dari jantung ke pembuluh darah kecil dan kemudian ke seluruh tubuh. Jantung juga memiliki serangkaian katup yang mengatur aliran darah, memastikan bahwa darah mengalir hanya ke arah yang benar.
2.2 Elektrocardiography
Elektrocardiography (ECG) adalah sebuah perangkat yang dipakai untuk merekam sinyal biologis yang dihasilkan dari aktivitas listrik jantung. Sinyal ini direkam dengan menempatkan elektroda pada titik-titik tertentu di tubuh pasien. Hasil rekaman ECG memiliki pola khas yang berguna sebagai panduan bagi dokter spesialis jantung dalam menilai kesehatan jantung seseorang. Sinyal ECG memiliki tegangan hingga 0,3mV dan rentang frekuensi antara 0,03 - 100 Hz (Tahir, 2019).
Sinyal ini diambil dan direkam menggunakan alat elektrocardiography. Pada dasarnya, ECG terdiri dari berbagai gelombang, dimana setiap gelombang mewakili satu denyut jantung (satu siklus aktivitas listrik jantung).
2.3 Treadmill Stress Test
Treadmill Stress Test merupakan prosedur untuk merekam aktivitas kelistrikan jantung selama latihan fisik yang berdampak terhadap peningkatan kebutuhan oksigen pada jantung.
Biasanya, pasien berjalan di atas treadmill atau menggunakan sepeda statis dengan tingkat kesulitan yang secara bertahap ditingkatkan (Bahrudin, 2013). Tes ini berguna untuk mendiagnosis berbagai kondisi kesehatan, seperti aritmia, pembesaran jantung, peradangan jantung (perikarditis atau miokarditis), dan penyakit jantung koroner.
Selama latihan, ECG, detak jantung, dan tekanan darah selalu dimonitor.
Ga mba r 1. Treadmill Stress Test
Prosedur tahapan pelaksanaan treadmill
stress test (Wahyuji, 2007). Protokol Bruce yang dimodifikasi oleh Shejjields :
1. Dokter atau teknisi membersihkan sebagian dada dan meletakkan elektroda pada area tersebut. Elektroda dihubungkan dengan monitor elektrokardiograf (EKG/ECG).
2. Pasien akan diukur heart rate nya sebelum latihan.
3. Pasien melakukan treadmill atau bersepeda statis. Treadmill dimulai pada kecepatan 1.7 mph dengan sudut elevasi 0 dan setiap tiga menit kecepatan dinaikkan.
4. Pada tahap kedua, sudut elevasi dinaikkan menjadi 10% dengan kecepatan tetap.
5. Pada tahap ketiga, kecepatan treadmill dinaikkan menjadi 2.5 mph dan sudut elevasi menjadi 2.5%.
6. Pengukuran denyut jantung diambil pada menit ke-2 di setiap tahap.
7. Hal-hal yang harus diperhatikan selama pelaksanaan treadmill stress test adalah:
denyut jantung, irama jantung, pernapasan, perubahan ECG, ketidaknyamanan pasien pada dada.
8. Hasil treadmill stress test berupa: Normal, coronary artery disease (CAD), aritmia.
2.4 Adaptive Threshold
Algoritma Adaptive Threshold tidak bergantung pada nilai threshold tertentu. Dalam proses sinkronisasi, algoritma tersebut memanfaatkan grafik kompleks QRS yang tajam dan irama jantung tanpa harus memperhatikan resolusi dan frekuensi sampling yang digunakan dalam sinyal elektrocardiography Dengan menerapkan ambang batas tertentu, algoritma ini mampu mengurangi pengaruh ECG dan gangguan frekuensi tinggi lainnya. Selain itu, algoritma ini memiliki tingkat sensitivitas yang sangat tinggi, mencapai 99,3%. Algoritma ini dibagi menjadi dua tahap utama, yaitu tahap pre- processing dan tahap threshold. Tahap pre- processing bertujuan untuk memproses sinyal ECG mentah sehingga siap digunakan sebagai input pada tahap berikutnya (Gutiérrez, 2015).
Ga mba r 2. Dia gra m Alir Adaptive Threshold Pada tahap pre-processing,pertama melakukan derivative terhadap Sinyal ECG yang diperoleh dari shimmer akan diproses dengan filter derivative untuk menonjolkan
perubahan cepat dalam sinyal, sehingga menekan sinyal dengan frekuensi rendah.
Fungsi transfer dari proses derivative yang diimplementasikan melalui persamaan (1).
𝑦0[𝑛]=x[𝑛]−x[𝑛 – 𝑁d] , (1) dimana 𝑁d adalah penundaan dalam sampel.
Sinyal yang telah melewati proses derivative kemudian dilakukan proses filtering menggunakan moving average untuk mengurangi noise.Fungsi moving average diimplementasikan dengan persamaan (2).
𝑦1[𝑛] =∑𝑁−1𝑘=0𝑦0[𝑛 − 𝑘] , (2) di mana 𝑁 adalah ukuran window untuk Moving Average.
Sinyal yang telah di filter menggunakan moving average y1[n] akan di squaring untuk membuat semua nilai menjadi positif dan memperkuat perbedaan antara kompleks QRS dan bagian sinyal lainnya. Gelombang P dan T pada tahap ini ditekan, sedangkan gelombang dengan frekuensi tinggi pada sinyal yang terkait dengan kompleks QRS ditingkatkan. Fungsi squaring dapat ditulis sebagai persamaan (3).
𝑦 2[𝑛] = (𝑦 1[𝑛])2 (3) Pada tahap threshold, sinyal hasil pre- processing 𝑦2[𝑛] digunakan untuk mendeteksi puncak R dengan menerapkan threshold adaptif. Proses ini melibatkan perhitungan threshold adaptif berdasarkan rata-rata nilai sinyal dalam jendela waktu tertentu, yang terus diperbarui untuk mengikuti perubahan karakteristik sinyal secara real-time. Titik-titik yang melebihi threshold adaptif dianggap sebagai puncak R, dengan menerapkan algoritma ini, sinyal ECG yang telah diproses lebih bersih dan lebih mudah dianalisis, memungkinkan deteksi puncak R yang lebih akurat. Metode ini memastikan bahwa threshold adaptif terus diperbarui untuk menyesuaikan dengan karakteristik sinyal yang berubah-ubah, sehingga hasil deteksi puncak R tetap optimal dalam berbagai kondisi sinyal.
3. METODE PENELITIAN
3.1 Gambaran Umum Sistem
Ga mba r 3. Dia gra m Blok Sistem
Sistem yang akan dibuat adalah Sistem Untuk Monitoring Kesehatan Jantung Menggunakan Metode Adaptive Threshold sebagai pemroses sinyal ECG dengan menggunakan shimmer ECG. Input dari sistem ini adalah sinyal ECG yang diambil dengan Shimmer ECG dengan konfigurasi 3 Lead yang terhubung ke laptop dengan bantuan Realterm.
Data sinyal ECG yang diperoleh dari shimmer kemudian akan diproses menggunakan algoritma Adaptive Threshold untuk mendeteksi puncak R nya. Data sinyal ECG yang telah diproses akan di tampilkan dengan menggunakan fungsi GUI yang ada di MATLAB. Dalam GUI tersebut akan menampilkan hasil sinyal ECG asli dan sinyal ECG hasil deteksi puncak R nya, nilai heart rate atau BPM nya, dan kondisi Kesehatan jantung berdasarkan nilai heart rate nya..
3.2 Subjek Penelitian
Subjek penelitian ini terdiri dari lima subjek dengan kondisi normal (tanpa penyakit jantung) dan 5 subjek dari datasheet MIT-BIH Arrhythmia Database dengan kondisi abnormal (gangguan detak jantung) dengan detail seperti tabel 1.
Ta bel 1. Subjek Penelitia n
Subjek Jenis Kelamin Usia Kondisi
1 La ki-la ki 22 Norma l
2 La ki-la ki 23 Norma l
3 La ki-la ki 23 Norma l
4 La ki-la ki 22 Norma l
5 La ki-la ki 22 Norma l
6 La ki-la ki 32-89 Ta kika rdia 7 La ki-la ki 32-89 Ta kika rdia 8 La ki-la ki 32-89 Ta kika rdia 9 La ki-la ki 32-89 Bra dika rdia 10 La ki-la ki 32-89 Bra dika rdia
3.2 Teknik Pengumpulan Data
Proses Pengumpulan data dilakukan secara
langsung dengan jumlah subjek sebanyak 5 dengan kondisi normal (tanpa penyakit jantung) dengan rentang usia 21 hingga 22 tahun dan 5 datasheet dari MIT-BIH Arrhythmia Database dengan kondisi abnormal (gangguan detak jantung) dengan rincian 3 takikardia dan 3 bradikardia. Teknik pengumpulan data untuk penelitian Sistem Monitoring Kesehatan Jantung Menggunakan Metode Adaptive
Threshold Berbasis Shimmer
Electrocardiogram dan MATLAB adalah sebagai berikut :
1. Subjek Normal : Subjek akan dipasangkan dengan perangkat Shimmer ECG.
Selanjutnya, subjek akan berjalan di atas treadmill sesuai dengan tahapan Treadmill Stress Test untuk memonitor detak jantungnya.
2. Subjek Abnormal (gangguan detak jantung) : Pengumpulan data dilakukan menggunakan datasheet dari MIT-BIH Arrhythmia Database yang diambil dari Physionet.
4. PERANCANGAN DAN IMPLEMENTASI 4.1 Perancangan Sistem
Pada fase perancangan sistem, dirancanglah sistem monitoring kesehatan jantung dengan menggunakan Shimmer ECG yang terhubung dengan laptop melalui Bluetooth dengan bantuan Realterm dan diproses menggunakan aplikasi MATLAB.
Flowchart perancangan sistem dapat dilihat pada Gambar 3.
Ga mba r 3. Flowchart Sistem
Langkah awal dalam perancangan sistem monitoring detak jantung adalah menghubungkan laptop dengan Shimmer melalui koneksi Bluetooth menggunakan aplikasi Realterm dan memanfaatkan library Shimmer MATLAB Instrument Driver. Setelah shimmer terhubung, program kemudian akan terus mengakuisisi data sinyal ECG yang masuk. Data yang diterima akan diproses menggunakan algoritma Adaptive Threshold untuk mendeteksi puncak R dengan aplikasi MATLAB. Sinyal ECG yang telah diproses akan ditampilkan menggunakan fungsi GUI di MATLAB, yang menampilkan data sinyal ECG asli dan sinyal ECG yang telah diproses dengan algoritma Adaptive Threshold. Selain itu, GUI juga akan menampilkan nilai heart rate atau BPM dari data yang diperoleh, serta kondisi detak jantung berdasarkan nilai heart rate tersebut. Program akan terus melakukan pembacaan data, pendeteksian puncak R dan ploting data sampai program dihentikan.
5. HASIL DAN PEMBAHASAN 5.1 Akurasi Deteksi Puncak R Menggunakan Algoritma Adaptive Threshold
Pengujian ini dilakukan untuk mendeteksi puncak R pada sinyal ECG menggunakan algoritma Adaptive Threshold. Pengujian dilakukan sebanyak 10 kali dengan detail 5 kali pengujian saat melakukan treadmill stress test pada subjek normal berusia 22-23 tahun dan 5 kali pengujian dengan menggunakan datasheet MIT-BIH Arrhythmia Database yang diambil dari Physiobank dengan kondisi abnormal (gangguan detak jantung). Untuk pengujian saat melakukan treadmill stress test terdapat 5 tahapan pengujian yang sesuai dengan prosedur treadmill stress test, yaitu sebelum treadmill stress test, saat treadmill stress test menit ke-2, ke-5, dan ke-8. Hasil nilai rata-rata akurasi deteksi puncak r pada setiap tahapan treadmill stress test dapat dilihat dalam tabel 3.
Ga mba r 4. Pengujia n Deteksi Punca k R Algoritma Adaptive Threshold
Ta bel 2. Ra ta -ra ta Akura si Deteksi Punca k R Pa da Setia p Ta ha pa n Treadmill Stress Test
Pengujian Akurasi
Sebelum Trea dmill Stress Test 100%
Sa a t Menit ke-2 98.18%
Sa a t Menit ke-5 99.13%
Sa a t Menit ke-8 99.16%
Rata-rata Akurasi 99.11%
Berdasarkan hasil pengujian akurasi algoritma Adaptive Threshold dalam mendeteksi puncak R untuk subjek normal didapatkan rata-rata akurasi sebesar 99.11%, dengan nilai sebelum melakukan treadmill stress test memiliki nilai akurasi paling baik, yaitu 100% dikarenakan subjek dalam keadaan diam. Sedangkan untuk akurasi saat treadmill stress test pada menit ke-2, ke-5, dan ke-8, akurasinya berturut-turut adalah 98,18%, 99,13%, dan 99,16%.
Ta bel 3. Ha sil Akura si Deteksi Punca k R Untuk Subjek Abnorma l (Ga nggua n Deta k Ja ntung)
Subjek Akurasi
6 100%
7 100%
8 100%
9 44.44%
10 44.44%
Rata-rata 77.78%
Berdasarkan hasil pengujian akurasi algoritma Adaptive Threshold dalam mendeteksi puncak R untuk subjek abnormal didapatkan rata-rata akurasi sebesar 77.78%, dengan nilai akurasi subjek ke-6, ke-7, dan ke-8 memiliki nilai akurasi paling baik, yaitu 100%.
Sedangkan untuk akurasi subjek ke-9 dan ke- 10, akurasinya berturut-turut adalah 44.44%
dan 44.44%.
Ta bel 4. Ra ta -ra ta Akura si Deteksi Punca k R Subjek Norma l da n Subjek Abnorma l
Pengujian Akurasi
Subjek Norma l 99.11%
Subjek Abnorma l 77.78%
Rata-rata Akurasi 88.45%
Berdasarkan hasil pengujian akurasi deteksi puncak R menggunakan algoritma Adaptive Threshold dengan subjek normal dan subjek abnormal (gangguan detak jantung) didapatkan rata-rata akurasi sebesar 88.45%, dengan akurasi deteksi puncak R subjek normal memiliki nilai paling baik, yaitu 99.11%, untuk akurasi deteksi puncak R subjek abnormal (gangguan detak jantung), yaitu 77.78%.
5.2 Akurasi Nilai Heart Rate Algoritma Adaptive Threshold
Pengujian ini terbagi menjadi dua, yaitu pertama untuk menghitung rata-rata akurasi heart rate pada sistem yang menggunakan algoritma Adaptive Threshold dengan oxymeter pada sinyal ECG pada sinyal ECG yang didapatkan dari perangkat Shimmer saat melakukan treadmill stress test, yang kedua untuk menghitung nilai heart rate yang diperoleh menggunakan algoritma Adaptive Threshold dengan subjek 5 abnormal (gangguan detak jantung) yang didapatkan dari datasheet MIT-BIH Arrhythmia Database dengan rincian 3 takikardia dan 2 bradikardia. Hasil nilai rata- rata akurasi heart rate pada sistem dengan oxymeter dapat dilihat dalam tabel 5.
Ta bel 5. Ra ta -ra ta Akura si Nila i Heart Rate Setia p Ta ha pa n Treadmill Stress Test
Pengujian Akurasi
Sebelum Trea dmill Stress Test 97.51%
Sa a t Menit ke-2 97.61%
Sa a t Menit ke-5 97.76%
Sa a t Menit ke-8 97.66%
Rata-rata Akurasi 97.63%
Berdasarkan hasil pengujian untuk menghitung akurasi heart rate pada sistem yang menggunakan algoritma Adaptive Threshold dengan oximeter didapatkan rata-rata akurasi nilai heart rate pada sistem dengan oximeter sebesar 97.63%. Akurasi terbaik tercatat pada menit ke-5 treadmill stress test, yaitu 97.76%.
Sedangkan akurasi data sebelum treadmill stress test, pada menit ke-2, dan pada menit ke- 8 treadmill stress test berturut-turut adalah 97.51%, 97.61%, dan 97.66%.
Ta bel 6. Pengujia n Nila i Heart Rate Subjek Abnorma l (ga nggua n deta k ja ntung)
Subjek Akurasi Heart Rate
6 98.98%
7 95.29%
8 95.27%
9 68.17%
10 84.29%
Rata-rata 88.4%
Berdasarkan pengujian untuk menghitung akurasi heart rate menggunakan algoritma Adaptive Threshold dengan nilai heart rate dari datasheet yang didapatkan dari datasheet MIT- BIH Arrhythmia Database Physiobank ATM didapatkan rata-rata akurasi sebesar 88.4%, dengan nilai akurasi subjek ke-6 memiliki nilai
akurasi paling baik, yaitu 98.98%. Sedangkan untuk akurasi subjek ke-7, ke-8, ke-9 dan ke- 10, akurasinya berturut-turut adalah 95.29%, 95.27%, 68.17% dan 84.29%.
Ta bel 5. Ra ta -ra ta Akura si Nila i Heart Rate Subjek Norma l da n Subjek Abnorma l
Pengujian Akurasi
Subjek Norma l 97.63%
Subjek Abnorma l 88.4%
Rata-rata Akurasi 93.02%
Berdasarkan hasil pengujian untuk menghitung akurasi heart rate menggunakan algoritma Adaptive Threshold dengan subjek normal dan subjek abnormal (gangguan detak jantung) didapatkan rata-rata akurasi sebesar 93.02%, dengan akurasi nilai heart rate subjek normal memiliki nilai paling baik, yaitu 97.63%, untuk akurasi deteksi puncak R subjek abnormal (gangguan detak jantung), yaitu 88.4%.
5.3 Pengujian Waktu Komputasi
Pengujian ini bertujuan untuk menghitung rata-rata waktu komputasi yang diperlukan oleh sistem, yang merupakan aspek penting dalam menilai kinerja dan efektivitas algoritma Adaptive Threshold untuk deteksi titik puncak R pada sinyal ECG yang diperoleh menggunakan Shimmer ECG untuk setiap subjek normal dan abnormal (gangguan detak jantung).
Ta bel 6. Wa ktu Komputa si Subjek Norma l Subjek Waktu Komputasi
1 20.73 detik
2 20.65 detik
3 20.91 detik
4 20.74 detik
5 20.72 detik
Rata-rata 20.75 detik
Setelah melakukan pengujian untuk menghitung Waktu komputasi algoritma Adaptive Threshold pada subjek normal saat melakukan tahapan treadmill stress test. Hasil uji ini terdokumentasi dalam Tabel 6.
Berdasarkan data waktu komputasi di atas, didapatkan rata-rata Waktu komputasi subjek sebesar 20.75 detik. Waktu komputasi tercepat tercatat pada subjek normal ke-2 , yaitu 20.65 detik. Sedangkan Waktu komputasi subjek ke- 1, ke-3, ke-4 dan ke-5 secara berturut-turut adalah 20.73 detik, 20.91 detik, 20.74 detik, dan 20.72 detik
Ta bel 7. Wa ktu Komputa si Subjek Abnorma l Subjek Waktu Komputasi
6 1.12 detik
7 1.02 detik
8 0.94 detik
9 1.17 detik
10 1.26 detik
Rata-rata 1.102 detik
Setelah melakukan pengujian untuk menghitung Waktu komputasi algoritma Adaptive Threshold pada subjek abnormal (gangguan detak jantung) yang didapatkan menggunakan datasheet. Hasil uji ini terdokumentasi dalam Tabel 7. Berdasarkan data waktu komputasi di atas, didapatkan rata- rata Waktu komputasi subjek abnormal (gangguan detak jantung) sebesar 1.102 detik.
Waktu komputasi tercepat tercatat pada subjek abnormal ke-8 , yaitu 0.94 detik. Sedangkan Waktu komputasi subjek ke-6, ke-7, ke-9 dan ke-10 secara berturut-turut adalah 1.12 detik, 1.02 detik, 1.17 detik, dan 1.26 detik.
5.4 Pengujian Sistem Keseluruhan
Pengujian ini bertujuan untuk menganalisis kesesuaian hasil output GUI Matlab dengan perancangan dan kebutuhan fungsionalitas sistem menggunakan Adaptive Threshold untuk mendeteksi puncak R dan menghitung heart rate nya.
Ga mba r 3. Ha sil Output GUI Ma tla b Berdasarkan hasil output GUI Matlab pada gambar 3, Hasil GUI Matlab telah sesuai dengan perancangan sistem monitoring detak jantung menggunakan algoritma Adaptive Threshold yang akan menampilkan enam bagian yaitu sinyal ECG asli dan sinyal ECG yang telah diproses dengan algoritma Adaptive Threshold, yang berfungsi untuk membandingkan kedua sinyal tersebut. Selain itu, terdapat tombol start dan stop untuk memulai dan menghentikan sistem, serta
menampilkan nilai heart rate atau BPM dari data yang didapat. GUI ini juga menampilkan kondisi detak jantung berdasarkan nilai heart rate tersebut.
6. DAFTAR PUSTAKA
Dewa, M. I., Widasari, E. R., & Fitriyah, H.
(2024). Analisis Perbandingan Performa Algoritma Pendeteksi Puncak R pada Realtime Akuisisi Sinyal Electrocardiography berbasis Shimmer.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(1), 82- 87.
Gutiérrez-Rivas, R., Garcia, J. J., Marnane, W.
P., & Hernández, A. (2015). Novel real-time low-complexity QRS complex detector based on adaptive thresholding. IEEE Sensors Journal, 15(10), 6036-6043.
Fahrizal, M., Widasari, E. R., & Fitriyah, H.
(2024). Analisis Perbandingan Filter Moving Average, Wavelet Transform, serta Hybrid Moving Average dan Wavelet Transform pada Real-time Sinyal Elektrokardiografi berbasis Shimmer. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(2).
Zakariyah, M., Sahroni, A. (2019). Komparasi Algoritma Deteksi Puncak QRS Kompleks Elektrokardiogram (EKG) Pada Pasien Penderita Stroke Iskemik.
Seminar Nasional Informatika Medis (SNIMed), 22-27.
Akbar, M, A., Mandala, S. (2019). IoT on Heart Arrhythmia Real Time Monitoring.
Indonesian Journal of Computing, 3(2), 1-10.
Hariri, R., Hakim, L., & Lestari, R, F. (2020).
Sistem Monitoring Detak Jantung Menggunakan Sensor AD8232. Jurnal Telekomunikasi dan Komputer, 2(02), 1-5.
Tahir, M. Y. (2019). Pembangunan prototype aplikasi elektrokardiogram (EKG) berbasis mobile (Doctoral dissertation, Universitas Komputer Indonesia).
Bahrudin, M. B., Kep, M., & KMB, S. (2013).
Terapi Modalitas Treadmill Tes Pada Pasien Gangguan Kardiovaskuler Modality Therapy Treadmill Test In Patients Cardiovascular Disorders.
JURNAL KEPERAWATAN, 6(3), 138-142.
Wahjuni, N. (2007). Pengaruh Pelatihan Exercise Elektrocardiografi Test Terhadap Pencapaian Kompetensi Perawat Di Out Patient Department Rumah Sakit Surabaya Internasional:
Penelitian Study Pra Experimental (One Group Pre Test-Post Test Design) (Doctoral dissertation, UNIVERSITAS AIRLANGGA).
Hamdi, I., Suprayogi, S., & Suhendi, A. (2018).
Implementasi Deteksi Qrs Complex Pada Sinyal Ekg Berbasis Raspberry Pi.
eProceedings of Engineering, 5(2).
Dewi, L. A. Klasifikasi Machine Learning Untuk Mendeteksi Penyakit Jantung Dengan Algoritma K-Nn, Decision Tree dan Random Forest (Bachelor's thesis, Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta).
Amrullah, Y. A. (2020). Analisis Heart Rate Variability (HRV) antara Elektrokardiogram (EKG) dengan Stetoskop Elektronik Littmann 3200.
