BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Rancangan Antarmuka (interface) Program - DETEKSI SINYAL ECG IRAMA MYOCARDIAL ISCHEMIA DENGAN JARINGAN SARAF TIRUAN Repository - UNAIR REPOSITORY
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Rancangan Antarmuka (interface) Program
Rancangan antarmuka (interface) program terdiri dari form cover, form testing dan form training (untuk programer).
4.1.1 Form Cover
Gambar 4.1 Antarmuka (interface) cover programPada Gambar 4.1 adalah tampilan awal atau cover untuk masuk ke perangkat lunak deteksi ischemia. Dimana pada form ini ada tombol tool pada kiri atas form yakni : 1. Training untuk masuk ke form training data.
2. Testing untuk masuk ke form testing data.
3. Exit untuk keluar dari form.
61
4.1.2 Form Training
Gambar 4.2 Antarmuka (interface) training programPada Gambar 4.2 merupakan form pelatihan (traininig) untuk pembelajaran pola grafik potensial sinyal ECG untuk nantinya hasilnya menjadi masukan pada form testing deteksi ischemia pada citra sinyal ECG. Pengguna (programer) bisa memberi masukan yang bervariasi pada hidden layer dan epoch.
Output yang ditampilkan pada form training adalah bobot dan bias baru untuk hidden dan input.Dimana pada form ini ada tombol tool pada kiri atas form yakni:
A. Tombol Proses, berisi training untuk mengolah citra sinyal ECG agar bisa menghasilkan citra yang sesuai keinginan.
B. Tombol File, berisi exit untuk keluar dari form.
4.1.3 Form Testing
Gambar 4.3 Antarmuka (interface) testing programPada Gambar 4.3 adalah form uji (testing) untuk deteksi ischemia pada citra grafik sinyal ECG, dimana pada form ini output yang ditampilkan yaitu hasil pengolahan citra dari proses grayscale, gamma corection, segmentasi,morfologi citra dan hasil visualisasi ekstraksi fitur citra ECG yang diujikan. Form ini ada beberapa tombol
tool pada kiri atas form yakni:
A. Tombol File, terdiri dari: 1. Browse untuk mengambil data citra sinyal ECG pada directory.
2. Exit untuk keluar dari form.
B. Tombol Proses, terdiri dari:
1. Olahcitra untuk mengolah citra sinyal ECG agar bisa menghasilkan citra proses grayscale, gamma corection, segmentasi, morfologi (proses dilasi dan erosi) serta proses ektraksi fitur.
2. Deteksi Ischemia untuk menganalisis hasil olahcitra dan menampilkan hasil diagnosa penyakit.
4.2 Persiapan Data
Tahap awal yang dilakukan adalah persiapan data yakni melakukan pemotongan citra sinyal ECG pada lead III. Penggunaan lead III dikarenakan menurut referensi dari dokter kelainan myocardial ischemia muncul pada lead III, sedangkan pemotongan citra sinyal ECG pada lead III memiliki lebar sebesar 157
pixel . Pengambilan nilai 157 pixel berdasarkan visual dari lead yang
direferensikan oleh dokter. Banyak data citra sinyal ECG terdiri dari 66 data
training dan 26 data testing, dimana masing-masing data terdiri dari data jantung
normal, ischemia dan abnormal variasi jantung. Gambar hasil pemotongan citra sinyal ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada Gambar 4.4
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.4 Hasil pemotongan Citra ECGSetelah persiapan data selesai, mulai pengolahan citra, pengujian proses jaringan saraf tiruan serta pembuatan rancangan antarmuka (interface) program.
4.3 Hasil Pengolahan Citra
4.3.1 Proses Preprosesing
Tahap pertama dilakukan proses grayscale dimana mengubah citra ECG berwarna menjadi citra abu-abu (gray). Tahap ketiga adalah proses gamma
correction . Gamma correction sangat penting dalam upaya menampilkan citra
secara akurat. Citra yang tidak diperbaiki dengan benar sering menampilkan tampilan yang tidak sesuai, dan yang sering adalah gambar teralalu gelap. Gambar hasil grayscale citra sinyal ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada Gambar 4.5, dan untuk hasil gamma corection disajikan pada Gambar 4.6.
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.5 Hasil Grayscale Citra ECG(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.6 Hasil Gamma Corection Citra ECG4.3.2 Proses Segmentasi
Pada proses segmentasi, menentukan nilai threshold (T) adalah dengan membuat histogram citra. Nilai T dapat dipilih secara manual atau dengan teknik yang otomatis. Nilai ambang T dipilih sedemikian sehingga galat yang diperoleh sekecil mungkin. Gambar hasil threshold untuk disajikan pada Gambar 4.7.
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.7 Hasil threshold Citra ECG4.3.3 Proses Morfologi Citra
Dalam proses morfoologi dilakukan 2 operasi pengolahan citra yakni operasi dilasi dan operasi erosi.
A. Proses Dilasi Proses dilasi adalah “penumbuhan” atau “penebalan” dalam citra biner.
Proses ini merupakan proses perbaikan citra ECG akibat dari proses threshold, pengertian penebalan ini dikontrol oleh bentuk strel yang digunakan, dimana strel yang digunakan pada pengolahan citra ini adalah strel jenis square (bujur sangkar). Gambar hasil dilasi citra sinyal ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada Gambar 4.8.
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.8 Hasil dilasi Citra sinyal ECGB. Proses Erosi
Proses erosi citra, dimana proses ini mengecilkan atau menipiskan obyek citra biner, berbeda dengan dilasi yang melakukan penumbuhan/penebalan. Proses erosi dapat dianggap sebagai operasi morphological filtering dimana detail citra yang lebih kecil dari strel akan difilter (dihilangkan) dari citra. Pada proses ini menggunakan strel jenis square (bujur sangkar). Gambar hasil erosi citra sinyal ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada Gambar 4.9.
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.9 Hasil Erosi Citra sinyal ECG4.3.4 Proses Ekstraksi fitur
Data citra biner sinyal ECG hasil proses morfologi (proses erosi) akan diolah dalam proses ini dimana menggunakan ekstraksi fitur bentuk sehingga didapatkan ordinat potensial citra sinyal ECG yang kemudian dijadikan sebagai masukan untuk proses training JST. Setelah didapatkan ordinat potensial grafik sinyal ECG, dibuat visualisasi potensial citra ECG untuk mengetahui hasil dari pengolahan citra sama dengan gambar aslinya. Gambar visualisasi fitur potensial citra ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada Gambar 4.10.
(a)Normal (b) Ischemia (c) Abnormal Variasi
Gambar 4.10 Visualisasi Fitur Potensial Citra ECG4.4 Pengujian Proses Jaringan Saraf Tiruan (backpropagation)
Pengujian ini dilakukan pada proses-proses yang terdapat dalam aplikasi jaringan saraf tiruan.
4.4.1 Hasil Pelatihan (Training) Pada Model Jaringan Saraf Tiruan
(backpropagation)
Hasil pelatihan (training) menggunakan metode trial dan error dalam pengujian ini. Dimana variabel hidden layer selama pelatihan berubah-ubah.
Pengaruh jumlah hidden layer terhadap lamanya pelatihan, hubungan Jumlah hidden layer, epoch dan MSE disajikan pada Tabel 4.1.
Tabel 4.1 Hubungan Jumlah hidden layer, epoch dan MSE.No.
Hidden Layer Epoch MSE
Akurasi (%) 1. 3 11000 0,405 74,2424 2.
6 11000 0,0231 98,4848 3. 9 11000 3,25 x 10
- 5
- 6
- 5
- 5
- 6
- 6
- 6
- 6
100 4. 11 8731 9,98 x 10
100 5. 22 904 9,93 x 10
100 6. 40 1558 9,86 x 10
100 7. 50 1328 9,97 x 10
100 8. 60 6328 9,97 x 10
100 9. 80 5682 9,98 x 10
100 10. 100 3415 9,91 x 10
100 Dari Tabel 4.1 jumlah hidden layer dari 3 sampai 100, berpengaruh pada nilai MSE dimana semakin banyak jumlah hidden layer maka nilai MSE semakin mendekati nilai konstan (kovergen). Dari hasil variasi hidden layer tersebut didapatkan hasil nilai MSE mendekati nilai konstan pada hidden layer sebanyak 11 dengan tingkat akurasi mencapai 100 %, sehingga arsitektur jaringan ini akan menjadi masukan pada proses testing. Hasil proses training data pada jumlah hidden layer 11 dapat dilihat pada Gambar 4.11.
Gambar 4.11 Grafik MSE terhadap Epoch pada hidden layer 114.4.2 Hasil Testing Model Jaringan Saraf Tiruan (Backpropagation)
Uji validasi yang dilakukan adalah bobot baru hasil dari proses training dibuat sebagai masukan (input) untuk proses testing, kemudian dengan target data
testing yang telah ditentukan. Data diolah pada jaringan saraf tiruan (JST), output
menghasilkan diagnosa dari citra ECG tersebut. Hasil deteksi citra ECG oleh jaringan saraf tiruan backpropagation dibandingkan dengan identifikasi hasil medis, kemudian dari perbandingan tersebut akan diketahui apakah data tersebut sudah sesuai dengan hasil medis. Hasil testing data disajikan pada Tabel 4.2 dengan nilai target 1 untuk kondisi ischemia, nilai target 0 untuk kondisi normal, dan nilai target -1 untuk kondisi abnormal variasi jantung.
Tabel 4.2 Hasil uji software dibandingkan dengan hasil identifikasi medis.No. Citra Hasil Hasil Kondisi Target
ECG Medis Software
1 Ischemia
1 Ischemia Terdeteksi
2 Normal Normal Terdeteksi
3 Ischemia
1 Ischemia Gagal
4 Abnormal Abnormal
- 1 Terdeteksi Variasi Variasi
5 Ischemia
1 Ischemia Terdeteksi
6 Abnormal Abnormal
- 1 Terdeteksi Variasi Variasi
7 Normal Normal Terdeteksi
8 Normal Normal Terdeteksi
9 Ischemia
1 Ischemia Terdeteksi
10 Normal Normal Terdeteksi
11 Ischemia
1 Ischemia Terdeteksi
12 Normal Normal Terdeteksi
13 Ischemia
1 Ischemia Terdeteksi
14 Normal Normal Gagal
- 1
- 1
Abnormal Variasi
Abnormal Variasi
23 Abnormal Variasi
22 Normal Normal Terdeteksi
Terdeteksi
Abnormal Variasi
21 Abnormal Variasi
20 Normal Normal Terdeteksi
Terdeteksi
19 Abnormal Variasi
18 Normal Normal Terdeteksi
Gagal
Abnormal Variasi
17 Abnormal Variasi
16 Normal Normal Terdeteksi
Terdeteksi
Abnormal Variasi
15 Abnormal Variasi
- 1
- 1
- 1
Terdeteksi Kesalahan deteksi software adalah 3 kali kesalahan dari 26 data yang diuji cobakan terhadap sistem, dengan kata lain tingkat akurasinya mencapai 89 %. jumlah tot al data jumlah data tidak val id
akurasi
x 100 % total jumlah data
26
3 akurasi x 100%
26
23 akurasi x 100% = 88,461 %
26 Pada penelitian Febrianty (2007) hasil performansi akurasi JST resilient
propagation didapatkan akurasi pengenalan data latih sebesar 100% sedangkan
akurasai pengenalan data uji sebesar 84,21%. Pada penelitian ini didapatkan kinerja perangkat lunak jaringan saraf tiruan backpropagation dimana akurasi pelatihan mencapai 100 % serta MSE mendekati nilai konstan (konvergen), akurasi pengenalan data uji sebesar 88,461 %. Dengan demikian kinerja perangkat lunak JST backpropagation lebih baik dibandingkan JST resilient
propagation dikarenakan proses pembelajaran JST backpropagation melakukan
beberapa kali pelatihan pada setiap data latih dimana error yang dihasilkan dipropagasikan (balik) kembali ke unit-unit dibawahnya untuk untuk melakukan pembaharuan bobot sehingga JST backpropagation termasuk baik dalam pengenalan pola sinyal ECG iraman myocardial ischemia.