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

IMPLEMENTASI METODE JST BACKPROPAGATION

UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER

MELALUI PENGENALAN POLA ECG PASIEN

TUGAS AKHIR

Diajukan Oleh :

ADI KURNIAWAN NPM : 0735210010

JURUSAN SISTEM INFORMASI FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR S U R A B A Y A

MELALUI PENGENALAN POLA ECG PASIEN. Nama Mahasiswa : ADI KURNIAWAN

NPM : 0735210010

Program Studi : SISTEM INFORMASI Jurusan : SISTEM INFORMASI

Menyetujui,

Pembimbing 1, Pembimbing 2,

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

KETUA JURUSAN D E K A N

SISTEM INFORMASI FAKULTAS TEKNOLOGI INDUSTRI

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

PASIEN

Disusun oleh : ADI KURNIAWAN

NPM. 0735210010

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

pada tanggal 10 Juni 2011

Sususan Tim Penguji : 1. Anggota Tim Penguji 1,

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

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

DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI

PENGENALAN POLA ECG PASIEN

TUGAS AKHIR

Diajukan Untuk Memenuhi Sebagai Persyaratan

Dalam Memperoleh Gelar Sarjana Komputer

Jurusan Sistem Informasi

Disusun oleh :

ADI KURNIAWAN

NPM. 0735210010

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL ″VETERAN″

JAWA TIMUR

LEMBAR PENGESAHAN

IMPLEMENTASI METODE JST BACKPROPAGATION UNTUK

DIAGNOSA PENYAKIT JANTUNG KORONER MELALUI

PENGENALAN POLA ECG PASIEN

Disusun Oleh :

ADI KURNIAWAN

NPM. 0735210010

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

Pembimbing 1, Pembimbing 2,

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

Mengetahui,

Ketua Jurusan Sistem Informasi UPN “VETERAN” JAWA TIMUR

FAKULTAS TEKNOLOGI INDUSTRI PANITIA UJIAN SKRIPSI / KOMPREHENSIF

KETERANGAN REVISI Mahasiswa di bawah ini:

Nama : Adi Kurniawan NPM : 0735210010 Jurusan : Sistem Informasi

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

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

Surabaya, 10 Juni 2011 Dosen Penguji yang memerintahkan revisi :

1) Nur Cahyo, S.Kom,M.Kom NIP. 379 030 401 971 2) M. Irwan Afandi, ST, Msc

NIP. 376 070 702 201

3) Hj. Asti Dwi I, S.Kom,M.Kom NIP. 373 020 602 13

Mengetahui, Mengetahui,

Dosen Pembimbing I Dosen Pembimbing II

Hj. Asti Dwi I, S.Kom, M.Kom Syurfah Ayu I, S.Kom

{

}

{

}

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

PASIEN

Disusun Oleh :

ADI KURNIAWAN

NPM. 0735210010

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

pada tanggal 10 Juni 2011

Pembimbing : 1.

Hj. Asti Dwi I, S.Kom, M.Kom NIP. 373 020 602 13

Tim Penguji : 1

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

2

Syurfah Ayu I, S.Kom NPT. 385 011 002 941

2

M. Irwan Afandi, ST, Msc NIP. 376 070 702 201

3.

Hj. Asti Dwi I, S.Kom, M.Kom NIP. 373 020 602 13

Mengetahui

Dekan Fakultas Teknologi Industri

Universitas Pembangunan Nasional “Veteran” Jawa Timur Surabaya

Assalammualaikum Wr.Wb.

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

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

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

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

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

3. Bapak Nur Cahyo Wibowo, S. Kom, M. Kom, bapak M. Irwan Afandi, ST. Msc dan ibu Hj. Asti Dwi. I, S.Kom, M.Kom, selaku dosen penguji yang telah

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

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

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

Surabaya, 10 Juni 2011

Penyusun menyadari bahwa dalam menyelesaikan Tugas Akhir ini banyak mendapatkan bantuan dan dukungan dari berbagai pihak, untuk itu pada kesempatan yang berharga ini penyusun ingin mengucapkan terima kasih kepada: 1. Bapak Ir. Sutiyono, MT selaku Dekan Fakultas Teknologi Industri Universitas

Pembangunan Nasional ″Veteran″ Jawa Timur.

2. Bapak Nur Cahyo Wibowo, S. Kom, M. Kom selaku Ketua Jurusan Sistem Informasi UPN ″Veteran″ Jawa Timur, yang telah meluangkan waktu untuk memberikan arahan dan memberi motivasi sehingga penyusun dapat menyelesaikan Tugas Akhir ini.

3. Ibu Hj. Asti Dwi I, S.Kom, M.Kom selaku Dosen Pembimbing I dan Ibu Syurfah Ayu I, S.Kom selaku Dosen Pembimbing II, yang telah meluangkan waktu untuk memberikan bimbingan serta mencarikan solusi atas kesulitan yang dihadapi penyusun dalam menyusun Tugas Akhir ini.

4. M. Irwan Afandi, ST. Msc selaku Dosen Penguji I dan ibu Syurfah Ayu I, S. Kom selaku Dosen penguji II, yang telah memberikan saran dan kritik untuk memperbaiki program dan laporan Tugas Akhir ini.

5. Kedua orang tua dan keluarga penyusun yang senantiasa memberikan dukungan dan doa maupun material, sehingga penulis telah menyelesaikan Tugas Akhir ini.

6. Ucapan terima kasih buat teman yang paling tercantik didunia Nila Cubye Kyute yang telah senantiasa membantu dan medampingi penulis, sehingga selesainya Tugas Akhir ini.

membantu dan memberikan do’anya kepada penulis untuk menyelesaikan Tugas Akhir ini.

8. Teman-teman kampus tercinta yang telah mendukung saya untuk memberi semangat menyelesaikan laporan TA, terutama nicko, Adit, Dian, dan Erif. 9. Teman-teman team dotA “Rusak Jiwa”, terima kasih sudah membantu

segalanya sampai selesainya Tugas Akhir ini.

10. Teman-teman penulis lainnya yang tidak mungkin penulis sebutkan namanya satu per satu terima kasih telah membantu dan memberikan do’anya kepada penulis untuk menyelesaikan Tugas Akhir ini.

Halaman

ABSTRAKSI ... v

KATA PENGANTAR ... vi

UCAPAN TERIMA KASIH ... viii

DAFTAR ISI ... x

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xv

DAFTAR RUMUS ... xvii

DAFTAR LAMPIRAN ... xix

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Metodologi Peneletian .... ... 3

1.7 Sistematika Penulisan ... 5

BAB II TINJAUAN PUSTAKA... 6

2.1 Jantung Koroner ... 6

2.2 Electokardiagram(ECG)... 10

2.3 Potensial Permukaan Tubuh ... 12

2.4.3 Momentum ... 26

2.4.4 Scaling ... 26

2.4.5 Validasi ... 27

2.5 Pengolahan Citra ... 27

BAB III ANALISA DESAIN SISTEM ... 28

3.1 Pengambilan Data Gambar ... 28

3.2 Perancangan Jaringan Syaraf Tiruan ... 32

BAB IV IMPLEMENTASI SISTEM ... 40

4.1 Sistem Yang Digunakan ... 40

4.2 Implementasi Data Gambar ... 41

4.3 Implementasi Antarmuka ... 42

4.3.1 Form Input Nilai Parameter ... 43

4.3.2 Form Input Gambar dan Normalisasi ... 43

4.3.3 Form Training ... 44

4.3.4 Form Grafik RMSE... 45

4.3.5 Form Testing ... 46

BAB V UJI COBA DAN EVALUASI ... 48

5.1 Pengujian Arsiktektur Jaringan Syaraf Tiruan ... 48

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

5.1 Kesimpulan ... 74

5.2 Saran ... 75

DAFTAR PUSTAKA ... 76

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

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

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

Tabel 5.2 Hasil identifikasi V2 data training normal dengan μ = 0.4 ... 50

Tabel 5.3 Hasil identifikasi V3 data training normal dengan μ = 0.4 ... 51

Tabel 5.4 Hasil identifikasi V4 data training normal dengan μ = 0.4 ... 52

Tabel 5.5 Hasil identifikasi V1 data training normal dengan μ = 0.5 ... 52

Tabel 5.6 Hasil identifikasi V2 data training normal dengan μ = 0.5 ... 53

Tabel 5.7 Hasil identifikasi V3 data training normal dengan μ = 0.5 ... 54

Tabel 5.8 Hasil identifikasi V4 data training normal dengan μ = 0.5 ... 55

Tabel 5.9 Hasil identifikasi V1 data training normal dengan μ = 0.6 ... 55

Tabel 5.10 Hasil identifikasi V2 data training normal dengan μ = 0.6 ... 56

Tabel 5.11 Hasil identifikasi V3 data training normal dengan μ = 0.6 ... 57

Tabel 5.12 Hasil identifikasi V4 data training normal dengan μ = 0.6 ... 58

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

Tabel 5.14 Hasil identifikasi V2 data training koroner dengan μ = 0.4 ... 59

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

Tabel 5.16 Hasil identifikasi V4 data training koroner dengan μ = 0.4 ... 60

Tabel 5.17 Hasil identifikasi V1 data training koroner dengan μ = 0.5 ... 61

Tabel 5.18 Hasil identifikasi V2 data training koroner dengan μ = 0.5... 62

Tabel 5.19 Hasil identifikasi V3 data training koroner dengan μ = 0.5 ... 63

Tabel 5.20 Hasil identifikasi V4 data training koroner dengan μ = 0.5... 63 μ

Tabel 5.22 Hasil identifikasi V2 data training koroner dengan μ = 0.6... 65 Tabel 5.23 Hasil identifikasi V3 data training koroner dengan μ = 0.6... 66 Tabel 5.24 Hasil identifikasi V4 data training koroner dengan μ = 0.6 ... 66 Tabel 5.25 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data normal V1 ... 68 Tabel 5.26 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data normal V2 ... 68 Tabel 5.27 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data normal V3 ... 69 Tabel 5.28 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data normal V4 ... 69 Tabel 5.29 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data koroner V1... 70 Tabel 5.30 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data koroner V2... 71 Tabel 5.31 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

data koroner V3... 71 Tabel 5.32 Performansi hasil identifikasi arsitektur jaringan syaraf tiruan untuk

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

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

... ....

8

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Gambar 3.2 Flowchart Proses Pengolahan Citra... 30

Gambar 3.3 Data Numerik Matrik 25x25 dan Normalisasi Pasien Jantung Koroner ... 31

Gambar 3.6 Block Diagram Training Sistem... 37

Gambar 3.7 Block Diagram Testing Sistem... 38

Gambar 3.8 Block Diagram Keseluruhan Sistem ... 39

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

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

Gambar 4.3 Memasukan Parameter Inputan... 43

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

Gambar 4.5 Form Menampilkan Nilai Random... 45

Gambar 4.6 Form Nilai Error Telah Tercapai ... 46

Gambar 4.7 Form Proses Testing ... 47

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

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

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

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

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

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

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

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

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

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

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

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

Rumus 2.13 Rumus bobot wjk... 25

Rumus 2.14 Rumus bobot bias wok... 25

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

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

Rumus 2.17 Rumus bobot vij... 25

Rumus 2.18 Rumus bobot bias voj... 25

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

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

Rumus 2.21 Rumus momentum output ... 26

Rumus 2.24 Rumus pengolahan citra ... 27 Rumus 2.25 Rumus pengolahan citra ... 27

Lampiran 1. Daftar Notasi Rumus ... 77 Lampiran 2. Source Code Normalisasi ... 77 Lampiran 3. Source Code Random Bobot ... 79 Lampiran 4. Source Code Training... 82

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

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

ABSTRAKSI

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

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

Hasil pengujian mampu mengenali jenis data V1 normal 91.7% dengan arsitektur, jumlah hidden 5, α = 0,6, µ = 0,6; V2 normal 66.7% dengan arsitektur, jumlah hidden 5, α = 0,8, µ = 0,5; V3 normal 100% dengan jumlah hidden 5, α = 0,7, µ = 0,5 dan V4 normal 100% dengan jumlah hidden 5, α = 0,6, µ = 0,6. Serta jenis data V1 koroner 100% dengan arsitektur, jumlah hidden 5, α = 0,8, µ = 0,6; V2 koroner 100% dengan arsitektur, jumlah hidden 5, α = 0,7, µ = 0,8; V3 normal 100% dengan jumlah hidden 5, α = 0,7, µ = 0,5 dan V4 koroner 91% dengan jumlah hidden 5, α = 0,8, µ = 0,4.

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

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

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

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

Dalam penelitian ini akan dikembangkan sebuah software berbasis jaringan syaraf tiruan adalah untuk proses mencari nilai parameter-parameter yang optimal. Metode pembelajaran yang digunakan pada jaringan syaraf tiruan ini adalah Propagasi Balik(Backpropagation)[Zulkifa,Risfa:2006] yang prosedur

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

1.2 Perumusan Masalah

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

1.3 Pembatasan Masalah

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

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

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

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

d. Data electrocardiogram yang digunakan adalah data jantung normal dan koroner saja.

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

1.4 Tujuan Penelitian

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

1.5 Manfaat Penelitian

Manfaat dari tugas akhir ini adalah sebagai berikut:

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

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

1.6 Metodologi Penelitian

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

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

1. Studi literature mengenai JST Backpropogation, sehingga terdapat pemahaman mengenai algoritma Backpropogation.

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

b. Pengambilan data sinyal ECG.

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

c. Melakukan Preprosesing pada Data.

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

d. Perancangan Jaringan Syaraf Tiruan dan pemrograman sofware.

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

e. Pegujian dan analisa.

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

f. Penyusunan laporan.

1.7 Sistematika Penulisan

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

BAB I PENDAHULUAN

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

BAB II TINJAUAN PUSTAKA

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

BAB III ANALISA DESAIN SISTEM

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

BAB IV IMPLEMENTASI SISTEM

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

BAB V Uji Coba dan Evaluasi

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

BAB VI PENUTUP

Bab ini membahas tentang kesimpulan dari keseluruhan bab - bab sebelumnya (Bab I, Bab II, Bab III, Bab IV, dan Bab V), serta saran-saran yang bermanfaat guna peningkatan efisiensi sistem dan pengembangan sistem sebelumnya.

BAB II

TINJAUAN PUSTAKA

2.1 Jantung Koroner

Penyakit jantung merupakan gangguan kesehatan yang mematikan. Jenis gangguan jantung yang sedang populer saat ini adalah penyakit jantung koroner (PJK). PJK adalah suatu kelainan yang disebabkan penyempitan pembuluh arteri yang mengalirkan darah ke otot jantung. Ini karena timbunan lemak dan pengapuran dinding pembuluh darah[Rachmawati,Evy:2006]. Penyempitan itu mengakibatkan ketidakseimbangan antara kebutuhan dan pasokan darah ke otot jantung sehingga menimbulkan sejumlah gejala seperti rasa nyeri (Angina Pectoris) atau Infark Jantung, yang dalam masyarakat di kenal dengan serangan jantung yang dapat menyebabkan kematian mendadak.

Tersumbatnya pembuluh koroner mengakibatkan otot-otot jantung tidak mendapat pasokan darah dengan segala nutrisi yang ada di dalamnya seperti glukosa, vitamin dan mineral, hormon-hormon dan elektrolit seperti natrium, kalium, magnesium dan kalsium. Pasokan oksigen yang sangat diperlukan untuk hidupnya otot jantung juga akan terhenti. Matinya sebagian otot jantung ini akan mengakibatkan gangguan fungsi jantung sebagai pompa untuk memompakan darah ke seluruh tubuh termasuk semua organ seperti paru, hati (limpa), ginjal dan organ-organ tubuh lainnya. Intinya adalah pasokan darah beserta zat makanan di dalamnya untuk kebutuhan tubuh dari ujung rambut sampai ujung kaki akan terganggu.

Penderita serangan jantung akut akan merasakan nyeri dada khas akibat terhentinya pasokan darah ke otot jantung karena pembuluh koroner yang tersumbat. Dapat dikatakan bahwa nyeri dada yang dirasakan oleh pasien yang mengalami serangan jantung itu merupakan jeritan dari otot jantung yang terhenti pasokan oksigen dan zat makanan lain untuknya. Nyeri dada khas ini lebih dikenal dengan istilah angina pektoris. Biasanya berlangsung lebih dari 20 menit. Nyeri dada ini tidak hilang dengan istirahat dan juga tidak hilang dengan pemberian obat nitrat di bawah lidah. Rasa nyeri di dada ini sering menjalar ke lengan kiri sampai ke jari-jari tangan. Terasa tembus sampai ke punggung dan dapat pula sampai ke leher sehingga terasa seperti di cekik dan dapat juga ke rahang bawah. Nyeri angina ini dapat juga seperti keluhan penderita sakit lambung (maag), yaitu berupa rasa nyeri di ulu hati. Sering juga dikeluhkan oleh pasien sebagai rasa sukar bernafas. Serangan jantung akut ini biasanya diikuti dengan keringat yang bercucuran yang sering melebihi pekerja berat. Di samping itu ada juga serangan jantung yang seolah-olah tanpa gejala. Pasien hanya merasakan tak enak di dada. Keadaan ini dikenal sebagai Silent Myocardial Infarction. Diagnosa biasanya diketahui dokter berdasarkan hasil rekaman listrik jantung (ECG). Sering terdapat pada penderita dengan diabetes mellitus.

Dibawah ini merupakan gambar potongan melintang dari pembuluh arteri yang normal dan pembuluh arteri yang menyempit karena timbunan kolesterol.

Gambar 2.1 Pembuluh Arteri Normal[Medistra,2006].

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

Beberapa faktor risiko yang menjadi penyebab gangguan pembuluh darah dan jantung antara lain:

a. Kadar kolesterol tinggi dalam darah: dapat menyebabkan aterosklerosis yang menjadi pemicu penyakit jantung dan stroke.

b. Hipertenis: meningkatkan risiko terkena stroke dan penyakit jantung koroner.

c. Kencing manis (diabetes mellitus).

d. Kebiasaan merokok: rokok menyebabkan darah mudah menggumpal. e. Minuman alkohol dan narkotika.

f. Obesitas. g. Stres.

h. Kurangnya aktivitas fisik.

Faktor pencegahan sangat diperlukan agar gangguan pembuluh darah tidak semakin meluas. Diet dengan mengurangi kalori, lemak, kolesterol, garam, kurangi atau berhenti merokok serta menghindari stress, dan diikuti dengan olahraga secara teratur, dapat menurunkan risiko terkena penyakit karena gangguan pembuluh darah.

Untuk dapat mendeteksi secara dini PJK dapat dilakukan dengan pemeriksaan ECG, Treadmill, Echokardiografi dan Arteriorgrafi Koroner. Tetapi

yang paling popular adalah dengan melakukan pemeriksaan

ECG[Medistra,hospital:2006]. Hasil ECG kemudian diperiksa oleh seorang Kardiolog, apakah ada tanda-tanda penyempitan pembuluh darah koroner. Bila ECG istirahat ini normal, tidak menunjukkan adanya tanda-tanda iskemik miokard

akibat kurangnya pasokan oksigen ke otot jantung, selanjutnya kardiolog akan melakukan Uji Latih Jantung dengan Beban (ULJB) dimana ECG dilakukan sambil melakukan aktifitas fisik. ULJB dapat dilakukan dengan treadmill (jentera lari) atau dengan memakai ergo cycle (sepeda statis). Seandainya pemeriksaan ULJB ini menunjukkan adanya tanda-tanda penyempitan pada arteri koroner maka disebut hasil treadmill positif. Dokter akan memberitahukan bahwa pasien mengidap sejenis PJK yang disebut penyakit jantung koroner iskemi. Diduga terdapat penyempitan pada salah satu atau lebih pada pembuluh koroner.

Pada dasarnya terdapat empat infrak untuk penyakit jantung koroner. Adapun letak infrak dan lead yang dapat diidentifikasi nampak seperti tabel di bawah ini.

Tabel 2.1 letak Infrak pada Penyakit Jantung Koroner.

No. Letak infrak Kelainan tampak di

1 Dinding anterior yang luas

Lead 1, aVL, V1-V6

2 Anteroseptor Lead V1-V4

3 Dinding lateral Lead 1, aVL, V5-V6

4 Dinding inferior Lead 1, 3 dan aVR

Pada tugas akhir ini tidak semua infrak akan diidentifikasi, namun dibatasi pada infrak Anteroseptor sehingga lead yang digunakan hanya lead V1 sampai lead V4.

2.2 Electrokardiogram (ECG)

Jantung berfungsi sebagai pompa dengan empat kamar pada sistem peredaran darah. Pemompaan utama adalah oleh ventrikel, sedangkan atrial berfungsi untuk menyimpan darah selama ventrikel memompa. Fasa pengisian dalam siklus jantung dikenal sebagai diastole. Kontraksi ventrikel atau fasa pemompaan disebut sistole. Rithme kontraksi atria dan ventrikel yang mulus disebabkan suatu sistem elektrik yang mengkordinasi langkah-langkah elektrik yang terjadi pada jantung.

Jantung terbagi menjadi empat ruangan, yaitu dua atrium (kanan dan kiri) dan dua ventrikel (kanan dan kiri). Selain itu jantung juga mempunyai beberapa

jaringan yang berbeda (jaringan noda SA dan AV, jaringan atrial, pukinye, dan ventrikular). Tampilan anatomi masing-masing tipe sel sangat berbeda, tetapi mereka semua dapat dieksitasi elektrik, dan setiap sel mempunyai potensial-aksinya sendiri.

Irama sinyal jantung diatur oleh isyarat listrik yang dihasilkan oleh rangsangan yang terjadi secara spotan. Rangsangan spontan ini dilakukan oleh sel-sel khusus yang terdapat pada antrium kanan (dekat muara vena cava superior dan inferior), yaitu SA node (simpul sinoatrial). SA node ini bertindak sebagai pemicu (pace maker), dan bergetarnya SA node berkisar 60-100 kali per menit pada jantung normal dalam kondisi rileks. Getaran tersebut dapat meningkat atau menurun diatur oleh syaraf eksternal jantung yang merupakan respon/jawaban terhadap kebutuhan darah dan tubuh. Isyarat listrik SA node menyebabkan depolarisasi otot jantung atrium dan memompa darah ke ventrikel, kemudian diikuti oleh repolarisasi otot atrium. Isyarat listrik dilanjutkan ke AV node dan akan menyebabkan depolarisasi ventrikel kanan dan kiri yang menyebabkan kontraksi ventrikel sehingga darah dipompa ke dalam arteri pulmonalis dan ke aorta, setelah itu syaraf pada ventrikel dan otot ventrikel akan mengalami repolarisasi dan mulai kembali isyarat listrik dari SA node. Jalan depolarisasi sel dalam jantung diilustrasikan pada Gambar 2.3.

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

Depolarisasi SA node menyebar melalui atrium dan mencapai AV node dalam waktu 40 mdt. Karena kecepatan konduksi yang kecil pada jaringan AV node, maka diperlukan waktu 110 mdt untuk mencapai bundle branches, yang disebut sistem purkinje. Ventrikel akan kontraksi, ventrikel kanan mendorong darah menuju ke paru-paru, dan ventrikel kiri memompa darah ke dalam aorta dan kemudian melalui sistem sirkulasi. Periode kontraksi jantung disebut systole. Potensial-aksi dalam ventrikel tetap ada selama 200-250 mdt. Waktu relatif panjang yang diperlukan kontraksi ventrikular ini adalah untuk mengosongkan darah pada ventrikel menuju ke arteri. Jantung kemudian repolarisasi selama periode istirahat dan disebut distole. Kemudian siklus berulang.

2.3 Potensial Permukaan Tubuh

Potensial jantung yang diukur dari permukaan luar tubuh disebut Electrocardiogram (ECG). Pada ECG, jantung dipandang sebagai ekivalensi dan generator listrik. Potensial-aksi dipandang sebagai ekivalensi dan generator listrik. Potensial-aksi pada jantung berasal dari sinoatnial node (SA node) dan

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

berosilasi pada 15-40 bpm.

Sementara jantung dalam keadaan istirahat, semua sel terpolarisasi, sehingga setiap sel adalah negatif terhadap luarnya. Depolarisasi pertama muncul pada SA node, membuat bagian luar jaringan relatif negatif terhadap sel di dalam, juga akan lebih negatif dibandingkan dengan jaringan yang belum dipolarisasi. Hal ini menghasilkan arus ionik, I, yang menyebabkan lengan kiri terukur lebih positifv dibandingkan lengan kanan. Seperti yang terlihat pada Gambar 2.4.

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

Setelah sekitar 90 mdt, atrium telah depolarisasi secara lengkap dan arus ionik yang terukur pada lead 1 berkurang menjadi nol (lead 1 adalah antara lengan kanan (-) dan lengan kiri (+). Depolarisasi kemudian akan melewati AV node, yang menyebabkan delay sekitar 110 mdt. Depolarisasi kemudian melewati otot ventrikular kanan, dan menyebabkannya lebih negatif relatif terhadap otot sebelah kiri. Sekali lagi, arah I menyebabkan suatu tegangan plus minus dari LA

ke RA lagi, arah I menyebabkan suatu tegangan plus-minus dan LA ke RA yang disebut R-wave.

Bentuk gelombang lengkap ditampilkan pada Gambar 2.5 yang disebut Elektrokardiogram (ECG), dengan label P,Q,R,S, dan T. P-wave muncul dari depolarisasi atriunm. Komplek QRS muncul pada depolarisasi ventrikel. Besar R-wave dalam kompleks QRS ini sekitar 1 mV. T-R-wave muncul dari repolarisasi otot ventrikel. Selama T-wave, repolarisasi parsial berkaitan. U-wave yang kadang-kadang menyertai T-wave adalah efek orde kedua dari sumber yang tidak tentu dan untuk diagnostik tidak singnifikan.

Interval, segmen dari kompleks pada ECG didefinisikan seperti path, Gambar 2.5. Durasinya adalah sebagai berikut:

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

Fitur Durasi (mdt)

QRS kompleks 70-110

Interval R-R 600-1000

Interval P-R 150-200

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

P-R awal P-wave ke awal QRS kompleks S-T akhir S-wave ke akhir T-wave Q-t awal Q-wave ke akhir T-wave b. Segmen

P-R akhir P-wave ke awal Q-wave S-T akir S-wave ke awal T-wave c. Kompleks

QRS mulai Q-wave ke akhir S-wave Keterangan Gambar 2.5:

1. Sinyal jantung normal terbentuk karena adanya penyebaran impuls atau rangsang listrik yang terpusat di sinoatrial node melalui bagian atrium, sehingga menyebabkan perubahan potensial listrik pada bagian atrium. 2. Gelombang P, adalah gelombang yang timbul akibat aktivitas listrik yang

normal dapat mencapai 0.5 sampai dengan 2.5 mm. Lamanya gelombang P ini menunjukkan waktu yang diperlukan untuk penyebaran impuls di bagian atrium yaitu mulai dari sinoatrial node(SA) sampai Atrioventricular node (AV).

3. Gelombang kompleks QRS, adalah gelombang yang timbul akibat aktivitas listrik ventrikel ketika berdepolarisasi. Gelombang QRS ini dapat dibedakan menjadi tiga gelombang, yaitu gelombang Q, R, dan S.

4. Gelombang Q, adalah defleksi negatif pertama sesudah gelombang P dan yang mendahului defleksi R, gelombang ini dibangkitkan akibat depolarisasi permukaan ventrikel.

5. Gelombang R, adalah defleksi positif yang pertama sesudah gelombang P yang ditimbulkan oleh depolarisasi utama ventrikel.

6. Gelombang S, merupakan defleksi negatif sesudah R atas penyimpangan negatif yang menunjukkan depolarisasi ventrikel.

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

8. PR segment, menunjukkan berhentinya impuls pada atriventricular node atau tidak ada transmisi impulse di atrioventricular node.

9. ST segment, tidak adanya transmisi impuls disebabkan adanya periode refrakter di sel miokardiums.

2.4 Jaringan Syaraf Tiruan

Seperti juga otak manusia, Jaringan Syaraf Tiruan juga terdiri dari neuron dan hubungan diantaranya. Neuron mengolah informasi yang masuk dan

menggantikan hubungan/koneksi adalah bobot. Informasi berupa sinyal listrik disimulasikan sebagai harga yang spesifik pada bobot. Dengan cara mengubah-ubah harga bobot artinya kita juga mengmengubah-ubah-mengubah-ubah struktur hubungan/koneksi antar neuron.

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

Seperti ilustrasi di atas jaringan syaraf tiruan mirip dengan neuron asli, dan bekerja dengan cara yang sama. Informasi (input) masuk ke neuron input dengan matrik pembobot-nya. Pada neuron input, nilai-nilai tadi diproses dengan cara dijumlahkan. Informasi yang diteruskan oleh neuron akan dilanjutkan sampai dengan neuron output. Neuron dikelompokan dalam layer-layer, dengan demikian setiap layer dapat terdiri dari satu atau lebih neuron (tergantung dari arsitektur yang diinginkan), dalam setiap arsitektur jaringan syaraf tiruan minimal terdiri dari dua layer (input dan output) dapat juga ditambah dengan hidden layer/tersembunyi. Hidden layer sendiri bisa juga lebih dari satu dalam arsitektur jaringan syaraf tiruan. Gambaran sederhana struktur jaringan syaraf tiruan ditunjukkan pada Gambar 2.7 di bawah ini.

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

2.4.1 Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain:

a. Fungsi Undak Biner

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk mengkonversikan input dari suatu variable yang bernilai kontinu ke suatu output biner (0 atau 1). Fungsi undak biner dirumuskan sebagai:

    

  

   

  x

x Y

1 0

b. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang. Fungsi undak biner (dengan nilai ambang θ) dirumuskan sebagai:

              x x Y 1 0 …(2.2)

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

c. Fungsi Bipolar

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1,0, -1. Fungsi bipolar dirumuskan sebagai:                 0 1 0 0 0 1 x x x

Y …(2.3)

d. Fungsi Bipolar (Threshold)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak buner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau –1. Fungsi bipolar dengan threshold dirumuskan sebagai:

    

   

   

  x x Y

1 1

…(2.4)

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

e. Fungsi Linear

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi linear dirumuskan sebagai:

x

Y  …(2.5)

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

f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari -0,5 dan akan bernilai 1 jika inputnya lebih dari 0,5. Sedangkan jika nilai input terletak

antara –0,5 dan 0,5, maka outputnya akan bernilai sama dengan nilai input ditambah 0,5. Fungsi saturating linear dirumuskan sebagai:

                  5 , 0 0 5 , 0 5 , 0 5 5 , 0 1 x x x x

Y …(2.6)

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

g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai –1 jika inputnya kurang dari –1, dan akan bernilai 1 jika inputnya > 1. Sedangkan jika nilai input terletak antara –1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya.

Fungsi symmetric saturating linear dirumuskan sebagai:

                   1 1 1 1 1 1 x x x x

Y …(2.7)

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

h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bias juga digunakan oleh jaringan syaraf yang nilai outputnya 0 sampai 1.Fungsi sigmoid biner dirumuskan sebagai:

 

_x

e x f Y _    1 1 …(2.8)

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

i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai –1.

Fungsi sigmoid bipolar dirumuskan sebagai:

 

_xx

e e x f Y _      1 1 …(2.9)

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

2.4.2 Algoritma Backpropogation

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

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

mengalir menuju lapisan keluaran yang hasilnya merupakan tanggapan jaringan terhadap informasi yang masuk. Apabila masih terdapat perbedaan antara keluaran jaringan saat itu dengan keluaran yang diinginkan bobot koneksi akan disesuaikan mulai dari lapisan keluaran menuju lapisan masukan sampai perbedaan tersebut seminimal mungkin sesuai dengan target error yang diinginkan terpenuhi atau maksimal epoch tercapai.

Algoritma ini banyak dipakai, karena prosedur belajarnya didasarkan pada hubungan yang sederhana, jika output memberikan hasil yang salah, maka pembobot dikoreksi supaya error dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. Backpropagation juga berkemampuan untuk menangani pelatihan pembobot pada lapisan hidden. Kekurangan utama pada Backpropagation adalah konvergensi hasil yang tidak dijamin, tetapi dengan perhitungan matematis yang sederhana algoritma ini tetap banyak dipakai. Algoritma pembelajarannya adalah sebagai berikut:

1. Propagasi Maju

Tahapan ini dimulai dengan memberikan suatu pola masukan pada jaringan. Misal untuk satu vektor masukan x = (x1, x2, …, xn). Tiap unit input mendistribusikan pola masukan tersebut ke unit pengolah lapisan hidden [Laurence.Fausett.1994]. Masing-masing unit hidden (Zj, j=1,..,p) menjumlahkan bobot sinyal input. NET input untuk unit hidden ke j adalah



   n i ij i oj

j v xv in

z

1

_ ………(2.10)

Anggap bahwa aktivasi dari sinyal ini sama dengan NET input, maka output dari sinyal adalah zj = f (z_inj ). Sinyal ini dikirim ke semua unit dalam lapisan output. Masing-masing unit output (Yk, k=1,…,m) menjumlahkan sinyal input bobotnya.



   p i jk j ok

k w z w

in y

1

_ ………(2.11)

Output sinyalnya menjadi : yk = f(y_ink).

2. Propagasi Balik

Tahapan propagasi balik dimulai dengan membandingkan respon jaringan keseluruhan dengan output yang diinginkan. Masing-masing unit output (Yk, k=1,…,m) menerima korespondensi pola target ke pola training input [Laurence. Fausett. 1994].

Informasi error dihitung dengan :

Koreksi bobot dihitung untuk mengupdate wjk :

wjk =  k zj ……….……….(2.13)

Koreksi bias dihitung untuk mengupdate wok :

wok =  k ……….……….(2.14)

Masing-masing unit hidden (Zj, j=1,…,p) menjumlahkan delta input dari unit-unit dalam lapisan di atas.





 m

k

jk k

j w

in

1

_ 

 ……….………….…(2.15)

Informasi error dihitung dengan mengalikan terhadap turunan fungsi aktivasinya. j = _inj f ‘ (z_inj) ……….………….…(2.16)

Koreksi bobot dihitung untuk mengupdate vij :

vij =  j xi ………..…………....(2.17)

Koreksi bias dihitung untuk mengupdate voj :

voj =  j ……….……….(2.18)

3. Update Bobot dan Bias

Masing-masing unit output (Yk,k=1,…,m) mengupdate bias dan bobotnya (j = 0,…,p) dengan persamaan :

wjk(new) = wjk(old) + wjk ………(2.19)

Masing-masing unit hidden (Zj, j=1,…,p) mengupdate bias dan bobotnya (i=0,…,n) dengan persamaan :

2.4.3 Momentum

Konvergensi juga dapat dipercepat dengan menggunakan faktor momentum dalam persamaaan yang memperbaharui pembobot, dikerjakan dengan menambahkan bagian terdahulu dari perubahan pembobot, w dan arah penambahannya sama sehingga persamaan pada lapisan output jaringan menjadi :

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

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

Persamaan pada lapisan hidden

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

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

Dimana  adalah konstanta momentum yang biasanya berharga positif dengan range dari 0 sampai 1.

2.4.4 Scaling

Penskalaan pada jaringan syaraf tiruan diperlukan untuk mempercepat konvergensi pada saat training dilakukan. Hasil dari skala adalah data dibawa pada range 0 sampai 1. Umumnya sebelum scaling dilakukan, data ditranformasi lebih dahulu menjadi zero mean dan unity standard deviation. Namun transformasi ini tidak diperlukan karena dengan langsung menskala didapatkan hasil yang sama. Rumus yang dipakai untuk menskala adalah sebagai berikut :

 

 

min

 

...(2.23)

max min

X X

X X

X_A

  

Dengan :

XA = data yang sudah terskala X = data belum terskala

2.4.5 Validasi

Validasi dapat dilakukan dengan memberikan suatu input yang tidak pernah dijumpai pada saat training. Hasil validasi dapat dinyatakan secara numerik dengan menghitung nilai RMSE atau secara visualisasi.

2.5 Pengolahan Citra

Pemrosesan citra adalah ilmu untuk memanipulasi gambar, yang melingkupi teknik-teknik untuk memperbaiki atau mengurangi kualitas gambar, menampilkan bagian tertentu dari gambar, membuat sebuah gambar yang baru dari beberapa bagian gambar yang sudah ada, dan beberapa teknik manipulasi gambar lainnya. Dengan menggunakan mengubah representasi nilai RGB (Red, Green, Blue), sebuah gambar berwarna dapat diubah menjadi gambar yang terdiri dari warna putih dan gradiasi warna hitam yang biasanya disebut gambar

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

0.299 0.587 0.114

greyscale R G B...(2.24)

atau

0.333 0.333 0.333

greyscale R G B... (2.25)

Perhitungan nilai gray scale yang sebenarnya adalah dengan menggunakan persamaan 2.24, namun persamaan yang umum digunakan adalah persamaan 2.25 karena lebih mudah untuk digunakan dan diingat.

28

BAB III

ANALISA DESAIN SISTEM

Dalam bab ini dibahas tentang perencanaan pengolahan data ECG sebelum diinputkan pada JST. Data awal perekaman ECG yang didapat merupakan data dalam bentuk pola sinyal ECG. Dalam sekali pengambilan data, didapatkan 12 lead dari setiap pasien yaitu lead I, lead II, lead III, aVR, aVL, aVF, V1, V2, V3, V4, V5, dan lead V6. Dalam percobaan, tidak semua lead tersebut akan dijadikan inputan bagi JST, namun yang digunakan hanya lead V1, V2, V3, V4. Karena JST memerlukan data numerik sebagai inputannya maka pola ECG yang diinputkan tersebut harus diubah dalam data numerik. Untuk mengubah data pola ECG menjadi data numerik yang dapat dibaca JST dibutuhkan bahasa pemrograman. Dalam tugas akhir ini digunakan bahasa pemrograman Visual Basic 6.

3.1Pengambilan Data Gambar

Data yang akan diolah merupakan data pasien normal dan data pasien jantung koroner yang direkam diatas kertas thermal ECG. Penentuan bentuk normal dan jantung koroner sudah divalidasi oleh seorang dokter kardiolog di ruang ICCU RSUD Sidoarjo. Seluruh data terdiri dari 64 pasien yang terdiri dari 40 data pasien normal dan 24 data pasien dengan jantung koroner.

Sebelum dijadikan inputan ke jaringan syaraf tiruan, ada beberapa proses yang harus dilakukan pada data ECG. Yaitu merubah data gambar menjadi data gambar digital, selanjutnya melakukan perbaikan mutu citra gambar, lalu merubah

dalam nilai numerik, setelah menjadi nilai numerik baru dapat diinputkan pada JST.Dibawah ini contoh gambar ECG pasien.

(a) (b) Gambar 3.1 (a) Sinyal ECG Normal dan

(b) Sinyal ECG Jantung Koroner.

Data rekaman detak jantung dari alat ECG dicetak diatas kertas thermal ECG. Data tersebut kemudian direkam oleh scanner dan disimpan pada suatu file *.JPG. Pengenalan pola sinyal ECG dapat dibagi menjadi 2 kategori. Yang pertama untuk mendeteksi keberadaan puncak QRS (salah satu sub gelombang sinyal ECG) dan yang kedua untuk mengklasifikasi sinyal berdasarkan bentuk morfologi gelombang. Yang akan dilakukan pada Tugas Akhir ini adalah untuk mengidentifikasi sinyal berdasarkan bentuk morfologi gelombang.

Dari satu periode sinyal tersebut kemudian diekstrasi sejumlah N nilai tertentu yang digunakan sebagai masukan sistem. Ukuran N adalah tetap, meskipun ukuran sinyal untuk satu periode bervariasi. Yaitu diambil ukuran pixel yang sama 250x250 pixel.

Sebelum data tersebut diolah, data yang akan digunakan harus mempunyai

 

flatbed scanner dapat terjadi proses gangguan seperti adanya noise secara acak atau adanya garis-garis latar perekaman ECG. Maka diperlukan perbaikan mutu gambar pada pola yang dapat dilakukan dengan cara tresholding. Pada proses penskalaan digunakan software paint dan untuk perbaikan mutu citra gambar digunakan bantuan software adobe photoshop, hasilnya berupa file *jpg. Dibawah ini merupakan diagram blok proses pengolahan data.

Start

Input gambar

Mengubah ukuran pixel gambar menjadi 250x250

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

Gambar ECG yg Di Scan

Finish

Gambar 3.2 Flowchart Proses Pengolahan Citra.

Dari gambar berukuran 250x250 pixel dijadikan matrik 25x25 karena disesuaikan dengan kemampuan komputer dalam melakukan proses identifikasi dengan jaringan syaraf tiruan. Dari matrik 25x25 didapatkan nilai numerik berdasarkan nilai greyscale dari gambar.

Gambar 3.3 Data Numerik Matrik 25x25 dan Normalisasi Pasien Jantung Koroner.

Sebelum data dilatihkan (training) dilakukan dulu proses normalisasi. Untuk menghitungnya digunakan persamaan 2.24, sehingga mendapatkan harga data dari range 0-1 yang bertujuan agar perhitungan dalam komputer dapat lebih cepat dikarenakan nilai dari data input tidak terlalu besar. Sehingga berdasarkan data tersebut digunakan fungsi aktivasi binary sigmoid.

3.2 Perancangan Jaringan Syaraf Tiruan

Dipilihnya jaringan syaraf tiruan propagasi balik (backpropagation) sebagai metode pada tugas akhir ini karena propagasi balik dikenal sangat efektif dalam menyelesaikan masalah pengenalan dan pengelompokan pola. Jika diberikan suatu pola input, maka akan dikeluarkan pola output yang dikehendaki.

Jika persyaratan telah tercapai maka proses training selesai, simpan nilai bobot dalam file dengan format text (*.txt). Bobot ini yang akan digunakan dalam proses testing jaringan.

Pada Gambar 3.4 dan 3.5 dibawah ini diberikan flowchart proses training dan testing pada JST. Pada saat training dimulai dengan memberikan nilai jumlah hidden layer, learning rate dan momentum, yang harganya bisa berubah-ubah sesuai keinginan kita. Selanjutnya memberi bobot awal secara rondom. Lalu melakukan proses training, yaitu mengalikan antara bobot rondom dan input kemudian ditambah dengan bias. Dari perhitungan ini didapat harga input ke hidden layer. Selanjutnya mengalikan output hidden dengan bobot hidden dan ditambah bias, didapat harga input pada layer output. Selanjutnya menghitung koreksi bobot dan koreksi bias. Lalu menghitung error output, jika error kurang dari error maximal atau epoch kurang dari atau sama dengan epoch maximal maka proses training diulangi. Namun jika kondisi error sudah tercapai atau epoch sudah terpenuhi maka training akan berhenti.

Gambar 3.4 Flowchart Training Jaringan Syaraf Tiruan.

Start

Random Bobot Hidden, Learning  Rate, Momentum 







 j ij

j V Xi V

Zin 0  

 

j

j f Zin

Z   







 k j jk

k W Z W

Yin 0  

)

( k

k f Yin

Y   

RMSE <= max Error  Atau  Epoch <= max Epoch

End

Ya

Tidak

Update  bobot 

Gambar 3.5 Flowchart Testing Jaringan Syaraf Tiruan.

Start

Bobot hasil Training Hidden, Learning Rate, 

Momentum 

Tidak Ya

Jenis data







 j ij

j V Xi V

Zin 0  

 

j

j f Zin

Z   







 _{k j jk}

k W Z W

Yin 0  

)

( _k

k f Yin

Y   

Error < max Error

Identifikasi  Koroner  Identifikasi 

Normal 

End Testing data lain

Ya

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

Langkah-langkah proses pengujian (testing) adalah: 1. Memasukkan data input yang akan ditesting.

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

3. Menghitung semua nilai hasil output pada lapisan hidden Zj dan output. Parameter-parameter jaringan syaraf tiruan yang digunakan pada tugas akhir ini adalah sebagai berikut:

a. Jumlah layer

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

Jumlah unit tiap layer : Unit input : 625 unit

Unit hidden : 5 unit

Unit output : 1 unit

b. Inisialisasi bobot

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

c. Fungsi aktifasi

d. Nilai learning rate

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

e. Nilai koefisien momentum

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

Langkah-langkah pada proses training adalah sebagai berikut:

1. Inisialisasi nilai parameter konstanta belajar , unit hidden, nilai momentum , maksimum error, maksimum epoch, target dan jumlah input.

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

3. Normalisasi data input

4. Memberikan bobot random pada vij dan wjk.

5. Mengalikan input (xi) dengan bobot random sebanyak jumlah input. Dan ditambahkan dengan input bias (v0j).

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

7. Output lapisan hidden dikalikan dengan bobot sebanyak input lapisan hidden (zj), serta ditambahkan dengan bias lapisan hidden (w0k).

8. Didapatkan harga input pada layer output (y_ink).Pada back propagation error (δk) dihitung dengan mengurangi target dengan output (yk) dan dikalikan dengan fungsi input pada layer output (y_ink).

10.Menghitung koreksi bias untuk mengupdate wok. 11.Mengupdate bobot wjk dan bobot vij.

12.Menghitung error output. Jika error < error max atau epoch  epoch max maka ulangi proses training.

Block diagram dari flowchart diatas adalah:

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

Gambar 1 Gambar 2 Gambar n

Normalisasi Normalisasi

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

Bobot Random (Vij & Wjk) Awal Input Hidden, Learning

Rate (alpa), momentum, Batas

error dan Eppoch

Output Zin, Z, Yin dan Y

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

Output Faktor kesalahan

error < error max atau epoch <= epoch max

Ya

Output Vij & Wjk Akhir

Gambar 3.6 Block Diagram Training Sistem.

Pertama diawali dengan pasien datang untuk cek up ke dokter spesialis. Dari rangkaian pemeriksaan, pasien discan detak jantungnya dengan batuan dokter kardiolog dibagian ICCU untuk mengetahui pasien tersebut mengalami penyakit jantung atau tidak. Kemudian menentukan nilai paramater inputan yang

terdiri dari input hidden, learning rate(alfa), momentum, batas error dan nilai epoch. Kemudian memasukan gambar yang akan di normalisasi, dimana gambar yang dipakai training adalah gambar ECG jantung normal. Dari hasil normalisasi gambar tersebut, lalu dimasukan ke fase I untuk mencari nilai unit tersembunyi (Y dan Z) dengan membutuhkan bobot random awal Vij dan Wjk secara acak antara -0.5 s/d -0.5.

Dari hasil fase I tersebut, menghitung nilai kesalahan di fase II. Setelah semua faktor  dihitung, bobot semua garis dimodifikasi bersamaan di fase III. Perubahan bobot suatu garis didasarkan atas factor  neuron dilayer. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atas kesalahan.

Normalisasi Gambar 1

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

Bobot Random (Vij & Wjk) Awal Input Hidden, Learning

Rate (alpa), momentum, dan Error

Training

Output Zin, Z, Yin dan Y

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

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

Error <= error max

Sedangkan alur system block diagram testing hampir sama dengan block diagram training system. Tapi didalam block diagram testing tidak menggunakan fase III, dikarenakan untuk nilai ukur sebagai perbandingan yang dipakai adalah nilai Vij, Wjk akhir, dan error yang dihasilkan dari proses training sebelumnya. Dari nilai perbandingan tersebut menghasilkan suatu output koroner atau normal dari nilai testing gambar inputan dari ECG pasien. Untuk jelasnya alur dari block diagram diatas dapat dilihat dari block diagram keseluruhan system, bisa dilihat dari Gambar 3.8 dibawah ini.

Pasien

Dokter Kardiolog Sunday, April 03, 2011

Page 1

Block Diagram

Cek up kesehatan

Dokter Spesialis

Terkena jantung

Scanning detak jantung Pasien

Data ECG Pasien Start

Input ke JST

Normalisasi Data ECG

Mentraining Data

Mentesting Data Pasien

Data ECG Normal Ya

Koroner

Normal Tidak End

40

BAB IV

IMPLEMENTASI SISTEM

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

4.1 Sistem Yang Digunakan

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

a. Software

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

b. Hardware

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

3. Hardisk Seagate 40 Gb. 4. Printer Canon + Scaner.

4.2 Implementasi Data Gambar

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

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

Gambar 4.1 Contoh Gambar ECG Pasien Jantung Normal Sebelum di Edit

Sebelum data tersebut diolah, data yang akan digunakan harus mempunyai kondisi yang bersih dan jelas. Karena pada saat proses perekaman pola oleh flatbed scanner dapat terjadi proses gangguan seperti adanya noise secara acak atau adanya garis-garis latar perekaman ECG. Maka diperlukan perbaikan mutu gambar pada pola yang dapat dilakukan dengan cara tresholding. Pada proses

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

Gambar 4.2 Contoh Gambar ECG Pasien Jantung Normal Setelah di Edit

4.3Implementasi Antarmuka

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

a. Form Input Nilai Parameter

b. Form Input Gambar dan Normalisasi c. Form Training

d. Form Grafik RMSE e. Form Testing

4.3.1 Form Input Nilai Parameter

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

OK lihat pada Gambar 4.3.

Gambar 4.3 Memasukan Parameter Inputan

4.3.2 Form Input Gambar dan Normalisasi

Form selanjutnya adalah form data input gambar dan normalisasi. Klik tombol Gambar untuk menampilkan data input berupa gambar data ECG kemudian klik tombol Pixel untuk mendapatkan nilai numerik gambar matrik 25x25 dan hasil normalisasi (Lihat Gambar 4.4).

Gambar 4.4 Memasukan Gambar Training Jantung Normal dan Normalisasi.

4.3.3 Form Training

Form berikutnya adalah form training JST. Pertama klik tombol

Random untuk menampilkan bobot vij dan wjk awal, dimana nilai

random yang dipakai antara -0.5 s/d 0.5 (Lihat Gambar 4.5). Lalu tekan tombol Training, maka secara otomatis akan muncul form Grafik untuk mencari nilai RMSE yang akan dicapai (Lihat Gambar 4.6).

4.5 Form Menampilkan Nilai Random.

4.3.4 Form Grafik RMSE

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

Simpan untuk menyimpan output hasil training gambar ECG beserta

Gambar 4.6 Form Nilai Error Telah Tercapai.

4.3.5 Form Testing

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

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

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

48

BAB V

UJI COBA DAN EVALUASI

Pada bab ini akan dibahas tentang hasil pengujian dan analisa dari perancangan jaringan syaraf tiruan propagasi balik untuk identifikasi Penyakit jantung koroner. Penilaian kemampuan jaringan ini berdasarkan beberapa parameter keberhasilan, yaitu:

a. Kecepatan jaringan syaraf tiruan dalam melakukan proses training (epoch). b. Maksimum error pada saat proses training tidak lebih dari 0.007.

c. Tingkat keberhasilan sistem jaringan syaraf tiruan dalam melakukan identifikasi pola.

5.1 Pengujian Arsitektur Jaringan Syaraf Tiruan

Pengujian ini dilakukan untuk mendapatkan arsitektur jaringan syaraf tiruan yang memiliki kecepatan training (epoch) tercepat dengan kemampuan pengenalan pola terbaik. Data yang digunakan adalah 16 data ECG normal, yaitu 4 data V1, 4 data V2, 4 data V3 dan 4 data V5.

Sebagai input pada JST adalah matrik 25x25 dari hasil threshold dari rekaman ECG yang berupa grafik, nilai error maksimal 0.007 dan 1 unit output. Tabel 5.1 sampai Tabel 5.4 menunjukkan kecepatan proses training (epoch) jaringan syaraf tiruan untuk mencapai error maksimal yang ditentukan dengan variasi unit hidden, learning rate dan momentum yang berbeda-beda.

Pada saat training proses update bobot akan terhenti, apabila error yang diinginkan sudah tercapai, atau pada saat epoch yang diinginkan sudah terpenuhi.

pada saat testing. Ketika proses training berhenti maka pada form grafik akan muncul grafik antara error dan epoch.Gambar di bawah ini menunjukkan grafik error-epoch.

Gambar 5.1 Grafik Error – Epoch

5.2 Hasil Identifikasi Dengan Jaringan Syaraf Tiruan Propagasi Balik

Dari hasil training jaringan syaraf tiruan akan didapatkan bobot yang akan digunakan untuk menguji kumpulan data testing dalam kemampuan identifikasi pola. Kumpulan pola data testing terdiri dari 24 data pasien normal, yaitu 6 data V1, 6 data V2, 6 data V3, 6 data V4 dan 24 data pasien jantung koroner dengan spesifikasi yang sama. Total ada 48 data testing. Pada saat testing parameter JST yang diubah-ubah adalah nilai momentum dan learning rate. Untuk momentum terdapat 3 variasi yaitu antara nilai 0.4, 0.5 dan 0.6. sedangkan untuk nilai learning rate dibuat bervariasi antara nilai 0.5, 0.6, 0.7, 0.8, dan 0.9. Tabel berikut menunjukkan hasil identifikasi jenis data testing dengan arsitektur jaringan syaraf tiruan yang berbeda.

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

data

No.

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

Normal

6 Normal Normal Normal Normal Normal

1 Koroner Koroner Koroner Koroner Koroner

2 Koroner Koroner Koroner Koroner Koroner

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

5 Normal Normal Normal Normal Normal

Koroner

6 Normal Normal Normal Koroner Koroner

Dari Tabel 5.1 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V1 dengan unit hidden 5, dan μ=0.4, performansi terbaik adalah pada

α=0.8 dan α=0.9, yaitu mampu melakukan identifikasi dengan kesalahan 1 data yaitu pada pasien nomor 5, yang seharusnya koroner tetapi dikenali normal. Sementara untuk α=0.5, terjadi kesalahan identifikasi 4 data, yang seharusnya koroner dikenali normal. Untuk α=0.6 dan α=0.7 terjadi kesalahan identifikasi 2 data, yaitu pada pasien nomor 5 dan 6 yang seharusnya koroner dikenali normal.

Tabel 5.2 Hasil Identifikasi V2 Data Training Normal dengan μ = 0.4 Jenis

data

No.

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

2 Normal Normal Normal Koroner Koroner

3 Normal Normal Normal Normal Normal

4 Normal Koroner Koroner Koroner Koroner

5 Normal Normal Normal Koroner Normal

Normal

6 Koroner Koroner Koroner Koroner Koroner

1 Normal Normal Koroner Koroner Koroner

2 Koroner Koroner Koroner Koroner Koroner

3 Normal Normal Normal Normal Normal

4 Normal Normal Normal Normal Normal

5 Normal Normal Normal Normal Normal

Dari Tabel 5.2 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V2 dengan unit hidden 5, dan μ=0.4, performansi terbaik adalah pada

α=0.5 dan α=0.7, yaitu mampu melakukan identifikasi sebanyak 6 data, sementara pada α=0.6 dan α=0.9, bisa melakukan identifikasi dengan kesalahan 7 data, sedangkan pada α=0.8, kesalahan identifikasi sebanyak 8 data. Performansi identifikasi pada V2 tidak cukup baik. Hal ini karena antara data normal dan data koroner pada V2 mempunyai pola yang hampir sama, sehingga error antara data normal dan data koroner hampir sama.

Tabel 5.3 Hasil Identifikasi V3 Data Training Normal dengan μ = 0.4 Jenis

data

No.

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

1 Normal Normal Normal Normal Normal

2 Normal Normal Normal Normal Koroner

3 Normal Normal Normal Normal Normal

4 Normal Normal Normal Normal Koroner

5 Normal Normal Normal Normal Normal

Normal

6 Normal Normal Normal Normal Normal

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

Koroner

6 Normal Normal Koroner Koroner Koroner

Dari Tabel 5.3 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V3 dengan unit hidden 5, dan μ=0.4, performansi terbaik adalah pada

α=0.8, yaitu mampu mengenali semua data dengan benar. Untuk α=0.5, hanya mampu melakukan identifikasi sebanyak 6 data normal, sementara JST tidak

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

mengidentifikasi dengan kesalahan sebanyak 4 data, yang seharusnya koroner dikenali normal. Pada α=0.6 dan α=0.9 hanya terdapat 2 kesalahan identifikasi.

Tabel 5.4 Hasil Identifikasi V4 Data Training Normal dengan μ = 0.4 Jenis

data

No.

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

Normal

6 Normal Normal Normal Normal Normal

1 Koroner Koroner Koroner Koroner Koroner

2 Koroner Koroner Koroner Koroner Koroner

3 Normal Normal Normal Normal Koroner 4 Normal Koroner Koroner Koroner Koroner 5 Normal Normal Normal Normal Koroner

Koroner

6 Koroner Koroner Koroner Koroner Koroner

Dari Tabel 5.4 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V4 dengan unit hidden 5, dan μ=0.4, performansi terbaik adalah pada

α=0.9, yaitu mampu mengenali semua data dengan benar. Untuk α=0.5, mampu melakukan identifikasi dengan kesalahan sebanyak 3 data, yaitu yang seharusnya koroner dikenali normal. Untuk α=0.6, α=0.7 dan α=0.8 JST mampu mengidentifikasi dengan kesalahan sebanyak 2 data, yaitu yang seharusnya koroner dikenali normal.

Tabel 5.5 Hasil Identifikasi V1 Data Training Normal dengan μ = 0.5 Jenis

data

No.

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

4 Normal Normal Normal Normal Koroner

5 Normal Normal Normal Normal Normal

Normal

6 Normal Normal Normal Normal Koroner

1 Koroner Koroner Koroner Koroner Koroner

2 Koroner Koroner Koroner Koroner Koroner

3 Koroner Koroner Koroner Koroner Koroner

4 Koroner Koroner Koroner Koroner Koroner

5 Normal Normal Normal Normal Normal

Koroner

Dari Tabel 55 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V1 dengan unit hidden 5, dan μ=0.5, performansi terbaik adalah pada

α=0.7 dan α=0.8, yaitu mampu melakukan identifikasi dengan kesalahan 1 data yaitu pada pasien nomor 5, yang seharusnya koroner tetapi dikenali normal. Sementara untuk α=0.5, dan 0.6 terjadi kesalahan identifikasi 2 data, yang seharusnya koroner dikenali normal. Untuk α=0.9 terjadi kesalahan identifikasi 3 data, yaitu pada pasien nomor 4 dan 5 yang seharusnya normal dikenali koroner, juga pada pasien nomor 5 yang seharusnya koroner dikenali normal.

Tabel 5.6 Hasil Identifikasi V2 Data Training Normal dengan μ = 0.5 Jenis

data

No.

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

2 Normal Normal Koroner Koroner Koroner

3 Normal Normal Normal Normal Koroner

4 Koroner Koroner Koroner Koroner Koroner

5 Normal Normal Normal Normal Normal

Normal

6 Koroner Koroner Koroner Koroner Koroner

1 Koroner Koroner Koroner Koroner Koroner

2 Koroner Koroner Koroner Koroner Koroner

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

5 Normal Normal Normal Normal Normal

Koroner

6 Normal Normal Normal Koroner Koroner

Dari Tabel 5.6 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V2 dengan unit hidden 5, dan μ=0.5, performansi terbaik adalah pada

α=0.8, yaitu mampu mengenali data dengan kesalahan 4 data. Untuk α=0.5,

α=0.6, dan α=0.7 JST hanya mampu melakukan identifikasi dengan benar sebanyak 6 data. Sementara JST dengan α=0.9 mampu melakukan identifikasi dengan benar sebanyak 7 data. Performansi JST untuk identifikasi pada data V2

mempunyai pola yang hampir sama, sehingga error antara data normal dan data koroner hampir sama.

Tabel 5.7 Hasil Identifikasi V3 Data Training Normal dengan μ = 0.5 Jenis

data

No.

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

2 Normal Normal Normal Koroner Koroner

3 Normal Normal Normal Normal Normal

4 Normal Normal Normal Koroner Koroner

5 Normal Normal Normal Normal Normal

Normal

6 Normal Normal Normal Normal Koroner

1 Normal Normal Koroner Koroner Koroner 2 Normal Koroner Koroner Koroner Koroner 3 Normal Normal Koroner Koroner Koroner

4 Koroner Koroner Koroner Koroner Koroner

5 Koroner Koroner Koroner Koroner Koroner

Koroner

6 Normal Koroner Koroner Koroner Koroner

Dari Tabel 5.7 dapat diketahui bahwa hasil proses identifikasi untuk 12 data testing V3 dengan unit hidden 5, dan μ=0.5, performansi terbaik adalah pada

α=0.7 , yaitu mampu mengenali semua data dengan benar. Untuk α=0.5, JST mampu melakukan identifikasi dengan kesalahan sebanyak 4 data. Sementara untuk α=0.6 dan α=0.8 JST mampu melakukan identifikasi dengan kesalahan sebanyak 2 data. Sementara pada α=0.9, JST mampu mengidentifikasi dengan kesalahan sebanyak 3 data.

Tabel 5.30 Performansi Hasil Identifikasi arsitektur jaringan syaraf tiruan untuk data koroner V2.

No. Learning Rate (α)

Momentum (μ) Performansi

(%)

1 0.5 0.4 50

2 0.6 0.4 66.7

3 0.7 0.4 83.3

4 0.8 0.4 100

5 0.9 0.4 83.3

6 0.5 0.5 83.3

7 0.6 0.5 83.3

8 0.7 0.5 91.7

9 0.8 0.5 91.7

10 0.9 0.5 75

11 0.5 0.6 50

12 0.6 0.6 58

13 0.7 0.6 58

14 0.8 0.6 58.3

15 0.9 0.6 41.7

Pada Tabel 5.30 menunjukkan performansi Hasil Identifikasi arsitektur jaringan syaraf tiruan dengan data testing koroner V2, dimana hasil performansi terbaik pada α=0.8 μ=0.4, α=0.7 μ=0.5 dan α=0.8 μ=0.5.

Tabel 5.31 Performansi Hasil Identifikasi Arsitektur Jaringan Syaraf Tiruan untuk Data Koroner V3.

No. Learning Rate (α)

Momentum (μ) Performansi

(%)

1 0.5 0.4 50

2 0.6 0.4 41.7

3 0.7 0.4 50

4 0.8 0.4 33

5 0.9 0.4 41.7

6 0.5 0.5 66.7

7 0.6 0.5 83.3

8 0.7 0.5 100

9 0.8 0.5 83.3

10 0.9 0.5 75

11 0.5 0.6 83.3

12 0.6 0.6 100

13 0.7 0.6 83.3

14 0.8 0.6 75

jaringan syaraf tiruan dengan data testing koroner V3, dimana hasil performansi terbaik pada α=0.7 μ=0.5, dan α=0.6 μ=0.6.

Tabel 5.32 Performansi Hasil Identifikasi Arsitektur Jaringan Syaraf Tiruan untuk Data Koroner V5.

No. Learning Rate (α)

Momentum (μ) Performansi

(%)

1 0.5 0.4 66

2 0.6 0.4 83.3

3 0.7 0.4 83.3

4 0.8 0.4 91.7

5 0.9 0.4 91.7

6 0.5 0.5 83.3

7 0.6 0.5 91.7

8 0.7 0.5 75

9 0.8 0.5 58

10 0.9 0.5 58

11 0.5 0.6 83.3

12 0.6 0.6 91.7

13 0.7 0.6 83.3

14 0.8 0.6 75

15 0.9 0.6 66.7

Pada Tabel 5.32 menunjukkan performansi Hasil Identifikasi arsitektur jaringan syaraf tiruan dengan data testing koroner V4, dimana hasil performansi terbaik pada α=0.8 μ=0.4, α=0.9 μ=0.4 dan α=0.6 μ=0.6.

Berdasarkan performansi kemampuan pengenalan pola arsitektur jaringan syaraf tiruan pada Tabel 5.1 sampai Tabel 5.24 dan kecepatan proses training (epoch) pada Tabel 5.25 sampai 5.32 didapatkan arsitektur yang terbaik, yaitu:

a. Data V1 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.6 pada µ = 0.6.

b. Data V2 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.8 pada µ = 0.5.

Hak Cipta © milik UPN "Veteran" Jatim :

c. Data V3 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.7 pada µ = 0.5.

d. Data V4 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.6 pada µ = 0.6.

e. Data V1 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.8 pada µ = 0.6.

f. Data V2 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.8 pada µ = 05.

g. Data V3 adalah arsitektur dengan jumlah hidden 5, untuk data training dan koroner adalah α = 0.7 pada µ = 0.5 atau α = 0.6 pada µ = 0.5.

h. Data V4 adalah arsitektur dengan jumlah hidden 5, untuk data training

PENUTUP

5.1 Kesimpulan

Berdasarkan pengujian yang telah dilakukan maka didapatkan kesimpulan sebagai berikut :

a. Dari hasil penelitian telah dapat dirancang suatu software yang dapat membantu mencari parameter-paramater nilai untuk diagnose penyakit jantung koroner dengan menggunakan metode jaringan syaraf tiruan backpropagation.

b. Data yang dipakai dalam proses system ini adalah lead V1-V4, dimana 4 dari 12 lead tersebut diperoleh dari titik-titik point pemeriksaan pada waktu pembuatan Electokardiagram(ECG).

c. Dari hasil proses training dan testing didapatkan arsitektur jaringan syaraf tiruan yang terbaik untuk jenis data:

1. Data V1 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.6 pada µ = 0.6.

2. Data V2 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.8 pada µ = 0.5.

3. Data V3 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.7 pada µ = 0.5.

4. Data V4 adalah arsitektur dengan jumlah hidden 5, untuk data training normal adalah α = 0.6 pada µ = 0.6.

5. Data V1 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.8 pada µ = 0.6.

Hak Cipta © milik UPN "Veteran" Jatim :

6. Data V2 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.7 atau 0.8 pada µ = 0.5.

7. Data V3 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.7 pada µ = 0.5 atau α = 0.6 pada µ = 0.6.

8. Data V4 adalah arsitektur dengan jumlah hidden 5, untuk data training koroner adalah α = 0.8 pada µ = 0.4 atau α = 0.9 pada µ = 0.4 .

5.2 Saran

Adapun saran untuk penelitian lebih lanjut adalah: a. Proses identifikasi dapat dilakukan secara on line.

b. Menggunakan data dari 12 lead ECG pada saat training maupun testing Jaringan Syaraf Tiruan.

c. Untuk penggujian training dan testing system diharapkan dilakukan secara otomatis, dimana proses tersebut dilakukan secara satu proses(mesin ke program).

Basuki, A., Polandi, J.F., Fatchurrochman. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Yogyakarta : Graha Ilmu.

http://www.medistra.com/artikel_kesehatan/kateterisasi.html. 2006 http://en.wikipedia.org/wiki/electrocardiogram

Jamshaid, K., Akram, O., Sabir, F., Ismail, S., Ahmed, j., “Aplication Of Adaptive and Non Adaptive Filters In ECG Signal Processing”. Faculty of computer science and engineering GIK Institute of engineering science and technology.

Jong J.S., 2004. “Jaringan Syaraf Tiruan & Pemrograman Menggunakan Mantlab”. Yogyakarta : Andi.

Laurence. Fausett. 1994. Fundamental of Neural Network. Prentice Hall.Inc. Nugroho. Suryono. 2006. Pelatihan Kalibrasi Electrocardiogram. Surabaya :

BPFK.

Rahmawati. Evi. 2006. artikel “Kenali Sinyal Jantung Koroner”. Jakarta : Kompas.

Sri. Kusumadewi. 2003. “Artificial Intelligence (Teknik dan Aplikasi)”. Yogyakarta : Graha Ilmu.

Sri. Kusumadewi. 2004. “Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK”. Yogyakarta : Graha Ilmu. Subekti. M., Achmad. B., Suyitno. G., jurnal “Analisis Kondisi Ginjal Pasien

Menggunakan Metode Jaringan Syaraf Tiruan”.

Wijaya. H. 2005. artikel “Mencegah dan Mengatasi Gangguan Pembuluh Darah dan Jantung Secara Alamiah”.

Yahya. Fauzi. 2003. Artikel”Pilihan Terapi Penyakit Jantung Koroner”. Jakarta : Sinar harapan.

Zulhaida. 2001. ”Identifikasi Kelainan Sinyal Jantung Pada Electrocardiogram (ECG) Dengan JST”. Surabaya : Teknik Fisika. Zulkifa. Risfa. 2006. ”Identifikasi Kanker Payudara Dengan Menggunakan

Jaringan Syaraf Tiruan Propogasi Balik”. Surabaya : Teknik Fisika.

Hak Cipta © milik UPN "Veteran" Jatim :