Klasifikasi Sinyal ECG Berdasarkan Model AR Menggunakan Jaringan Saraf Tiruan.
Klasifikasi Sinyal ECG Berdasarkan Model AR
Menggunakan Jaringan Saraf Tiruan
Disusun oleh:
Nama: Edwin
NRP: 0722079
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha,
Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
Alamat e-mail: li_h4oyu@yahoo.com
Kondisi fisiologis jantung manusia -normal atau arrhythmia- dapat
diketahui dari sinyal ECG. Tugas Akhir ini bertujuan untuk melakukan klasifikasi
terhadap kondisi tersebut, yakni normal, atrial fibrilation, ventricular
tachycardia, dan ventricular bigeminy.
Pemodelan sinyal dengan menggunakan AR Model metode Burg dilakukan
untuk mengekstrak informasi penting pada sinyal. Orde model ditentukan melalui
kriteria uji kecocokan dan AIC. Parameter AR Model kemudian digunakan
sebagai masukan bagi Jaringan Saraf Tiruan dengan fungsi sebagai data uji
maupun data latih.
Hasil pengujian menunjukkan bahwa klasifikasi terbaik didapatkan dengan
menggunakan pemodelan orde 5 dan arsitektur Jaringan Saraf Tiruan 3 layer
dengan jumlah neuron 20 – 20 – 4. Hasil klasifikasi 100% didapatkan untuk setiap
kondisi fisiologis pada kategori data uji sama dengan data latih. Kategori data uji
tidak sama dengan data latih menunjukkan hasil klasifikasi 66,67% untuk kondisi
atrial fibrilation, 75% untuk kondisi ventricular tachycardia, 40% untuk
ventricular bigeminy, dan 30% untuk kondisi normal.
Kata kunci: sinyal ECG, arrhythmia, AR Model, Jaringan Saraf Tiruan, klasifikasi
ii
Classification of ECG Signal Based on AR Model by
using Artificial Neural Network
Composed by:
Name: Edwin
NRP: 0722079
Department of Electrical Engineering, Faculty of Engineering,
Maranatha Christian University,
Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
E-mail adress: li_h4oyu@yahoo.com
Physiological conditions of human’s heart -normal or arrhythmia- can be
known from the ECG signal. The aim of this Final Project is to classify ECG
signal for certain conditions such as normal, atrial fibrilation, ventricular
tachycardia, and ventricular bigeminy.
The signal is modeled by using AR Model with Burg Method. Fitness and
AIC criterions is used to determine the order AR Model. The coefficients
(parameter) of the model is used as input for Artificial Neural Network.
The optimal result is achieved with 5 – order AR Model and Artificial
Neural Network architecture (20 – 20 – 4) neurons in each layer. signal can be
classified 100% correct when tested data is as the same as trained data. The result
is about 66,67% for atrial fibrilation, 75% for ventricular tachycardia, 40% for
ventricular bigeminy, and 30% for normal when tested data differs from trained
data.
Keywords: ECG signal, arrhythmia, AR Model, Artificial Neural Network,
classification
iii
DAFTAR ISI
KATA PENGANTAR ................................................................................................... i
ABSTRAK ................................................................................................................... ii
ABSTRACT ............................................................................................................... iii
DAFTAR ISI ............................................................................................................... iv
DAFTAR GAMBAR ................................................................................................... vi
DAFTAR TABEL ..................................................................................................... viii
DAFTAR SINGKATAN ............................................................................................. ix
BAB I PENDAHULUAN
I.1 Latar Belakang ............................................................................................... 1
I.2 Identifikasi Masalah........................................................................................ 1
I.3 Tujuan ............................................................................................................ 2
I.4 Pembatasan Masalah ....................................................................................... 2
I.5 Sistematika Penulisan ..................................................................................... 2
BAB II TEORI DASAR
II.1 Jantung .......................................................................................................... 4
II.1.1 Arrhythmia .......................................................................................... 5
II.1.1.1 Atrial Fibrilation ...................................................................... 6
II.1.1.2 Ventricular Tachycardia ........................................................... 7
II.1.1.3 Ventricular Bigeminy ............................................................... 7
II.2 Electrocardiogram (ECG) .............................................................................. 8
II.3 Pemodelan Sinyal ........................................................................................ 11
II.3.1 Autoregressive (AR) Model ............................................................... 13
II.3.2 Pemilihan Orde Model ....................................................................... 15
II.3.2.1 Uji Kecocokan ....................................................................... 15
II.3.2.2 Akaike’s Information Criteria (AIC) ...................................... 16
II.4 Jarinagan Saraf Tiruan ................................................................................. 16
iv
II.4.1 Model Matematis ............................................................................... 18
II.4.2 Fungsi Aktivasi.................................................................................. 20
II.4.3 Arsitektur Jaringan Saraf Tiruan ........................................................ 23
II.4.4 Learning Rules .................................................................................. 25
II.4.5 Supervised Learning .......................................................................... 26
II.4.6 Backpropagation ................................................................................ 26
BAB III PERANCANGAN
III.1 Pengolahan Data Sinyal ECG ..................................................................... 31
III.1.1 Pencuplikan Sinyal ECG .................................................................. 33
III.2 Desain Jaringan Saraf Tiruan...................................................................... 37
III.3 Diagram Alir Sistem .................................................................................. 40
BAB IV DATA PENGAMATAN DAN ANALISA DATA
IV.1 Pemilihan Orde Model ............................................................................... 41
IV.2 Klasifikasi Jaringan Saraf Tiruan ............................................................... 47
BAB V SIMPULAN DAN SARAN ............................................................................ 51
DAFTAR PUSTAKA ................................................................................................. 52
LAMPIRAN A AR MODEL METODE BURG .......................................................... 54
A.1 Lattice Filter ................................................................................... 54
A.2 Metode Burg Dalam Penentuan Parameter AR Model ..................... 56
LAMPIRAN B PLOT SINYAL UNTUK PENENTUAN ORDE MODEL ................. 59
LAMPIRAN C CONTOH PEMROGRAMAN MATLAB .......................................... 71
C.1 Desain dan Pengujian Dengan Jaringan Saraf Tiruan ....................... 71
C.2 Perhitungan Kriteria Uji Kecocokan dan AIC .................................. 72
v
DAFTAR GAMBAR
Gambar II.1
Bagian – bagian dan jalur elektrik jantung ..................................... 5
Gambar II.2 Posisi lead elektroda pada daerah dada .......................................... 9
Gambar II.3 Posisi peletakan lead pada daerah lengan dan kaki ...................... 10
Gambar II.4
Perspektif vertikal dan horizontal dari lead elektroda yang
diletakkan pada bagian dada dan tungkai ..................................... 10
Gambar II.5
Blok diagram pemodelan sinyal dengan menggunakan pole –
zero model................................................................................... 12
Gambar II.6 Gambaran umum sel saraf manusia ............................................. 17
Gambar II.7 Gambaran input dengan nilai bobot tertentu ................................ 19
Gambar II.8 Proses penjumlahan sinyal sebagai model dari badan sel ............. 19
Gambar II.9 Model neuron dalam Jaringan Saraf Tiruan ................................. 20
Gambar II.10 Grafik fungsi aktivasi Threshold ................................................. 21
Gambar II.11 Grafik fungsi aktivasi Threshold dengan adanya pengaruh bias ... 21
Gambar II.12 Grafik fungsi aktivasi Linear ....................................................... 22
Gambar II.13 Grafik fungsi aktivasi Linear dengan adanya pengaruh bias ........ 22
Gambar II.14 Fungsi aktivasi Logistic Sigmoid ................................................. 23
Gambar II.15 Fungsi aktivasi Hyperbolic Sigmoid ............................................ 23
Gambar II.16 Single – layer feedforward network menggunakan 2 neuron ........ 24
Gambar II.17 Multiple feedforward network dengan susunan 3 layer ................ 25
Gambar II.18 Supervised Learning .................................................................... 26
Gambar II.19 Contoh Jaringan Saraf Tiruan dengan arsitektur dua layer ........... 27
Gambar III.1 Diagram blok sistem ................................................................... 31
Gambar III.2 Plot sinyal ECG cuplikan record 203 ........................................... 32
Gambar III.3 Keterangan tambahan data record 203......................................... 23
Gambar III.4 Plot sinyal dengan jenis arrhythmia ventricular tachycardia
pada data record 203 ................................................................... 35
Gambar III.5 Plot sinyal dengan jenis arrhythmia atrial fibrilation pada data
record 203................................................................................... 36
vi
Gambar III.6 Gambar desain Jaringan Saraf Tiruan dalam perancangan ........... 39
Gambar III.7 Diagram alir sistem ..................................................................... 40
Gambar IV.1 Plot uji kecocokan dengan orde berbeda pada data record 203
jenis arrhythmia atrial fibrilation pada kanal V1 ......................... 42
Gambar IV.2 Plot nilai AIC dengan orde berbeda pada data record 203 jenis
arrhythmia atrial fibrilation pada kanal V1 ................................. 42
Gambar IV.3 Plot uji kecocokan dengan orde berbeda pada data record 112
kondisi normal pada kanal V1 ..................................................... 43
Gambar IV.4 Plot nilai AIC dengan orde berbeda pada data record 112
kondisi normal pada kanal V1 ..................................................... 44
Gambar A.1 Single – stage lattice filter ........................................................... 55
Gambar A.2 Two – stage lattice filter .............................................................. 55
vii
DAFTAR TABEL
Tabel III.1 Hasil Sampling Sinyal ECG ............................................................. 36
Tabel III.2 Desain Jaringan Saraf Tiruan yang digunakan .................................. 37
Tabel III.3 Target yang diharapkan untuk masing – masing kondisi fisiologis ... 38
Tabel IV.1 Nilai kecocokan dan AIC dengan orde berbeda pada data record
203 .................................................................................................. 44
Tabel IV.2 Rekapitulasi penentuan orde pada kurva nilai kecocokan ................. 45
Tabel IV.3 Rekapitulasi penentuan orde pada kurva nilai AIC ........................... 46
Tabel IV.4 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
sama dengan data latih ..................................................................... 47
Tabel IV.5 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
tidak sama dengan data latih ............................................................ 48
Tabel IV.6 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
tidak sama dengan data latih dengan orde model 5 dan jumlah
neuron yang divariasikan ................................................................. 49
viii
DAFTAR SINGKATAN
AIC
AR
MA
ARMA
aVF
aVL
aVR
A – V node
ECG
JST
LA
LL
RA
RL
S – A node
: Akaike’s Information Criteria
: autoregressive
: moving average
: autoregressive - moving average
: augmented vector foot
: augmented vector left
: augmented vector right
: atrioventricular node
: electrocardiogram
: Jaringan Saraf Tiruan
: left arm
: left leg
: right arm
: right leg
: sinoatrial node
ix
LAMPIRAN A
AR MODEL METODE BURG
Salah satu metode yang dapat digunakan dalam penentuan parameter AR
Model adalah metode Burg. Pembahasan mengenai lattice filter akan dibahas
terlebih dahulu untuk menunjang pembahasan metode ini.
A.1 Lattice filter
Lattice filter merupakan salah satu struktur filter FIR (Finite Impukse
Response). Persamaan umum dari filter FIR ditunjukkan dalam persamaan A.1.
Nilai � pada persamaan tersebut menunjukkan orde polinomial.
−�
�� (�) = 1 + ∑�
� =1 �� (�)�
� ≥ 1 ..................(A.1)
Bila diasumsikan bahwa deret input terhadap filter �� (�) adalah �(�) ,
dan deret output adalah �(�) , maka persamaannya dapat dituliskan dalam
persamaan A.2.
�(�) = �(�) + ∑�
� =1 �� (� )�(� − �) .........................(A.2)
Asumsikan bahwa filter memiliki orde satu, sehingga persamaan A.2 dapat
dituliskan menjadi persamaan A.3.
�(�) = �(�) + �1 (1)�(� − 1) ..........................(A.3)
Persamaan A.3 ternyata bisa didapatkan dari single – stage lattice filter
yang ditunjukkan pada Gambar A.1. Kedua input bagi filter tersebut adalah �(�),
dan output yang dipilih adalah output pada cabang atas, yaitu �1 (�).
54
Gambar A.1 Single – stage lattice filter
Persamaan output dari filter tersebut ditunjukkan pada persamaan A.4.
Bila dipilih nilai �1 = �1 (1) , maka persamaan A.4 akan ekivalen dengan
persamaan A.3. Parameter �1 pada persamaan A.4 dikenal sebagai koefisien
refleksi dari lattice filter.
�1 (�) = �(�) + �1 �(� − 1)
�1 (�) = �1 �(�) + �(� − 1) ................................(A.4)
Bila orde pada filter adalah 2, maka persamaan deret outputnya dapat
dituliskan dalam persamaan A.5
�(�) = �(�) + �2 (1)�(� − 1) + �2 (2)�(� − 2) ..............(A.5)
Persamaan A.5 juga bisa didapatkan dari persamaan output two – stage
lattice filter yang ditunjukkan pada Gambar A.2.
Gambar A.2 Two – stage lattice filter
55
Persamaan ouput dari two – stage lattice filter ditunjukkan pada
persamaan A.6. Nilai dari �1 (�) dan �1 (�) dari persaman tersebut ekivalen
dengan nilai pada persamaan II.9.
�2 (�) = �1 (�) + �2 �1 (� − 1)
�2 (�) = �2 �1 (�) + �1 (� − 1) .............................(A.6)
Dengan meneruskan proses ini, dapat dilihat bahwa ada ekivalensi antara
FIR filter orde m dengan m – stage lattice filter. Lattice filter secara umum dapat
dideskripsikan dengan set of order – recursive equations yang ditunjukkan pada
persamaan A.7.
�0 (�) = �0 (�) = �(�)
�� (�) = �� −1 (�) + �� �� −1 (� − 1)
.........................(A.7)
�� (�) = ��∗ �� −1 (�) + �� −1 (� − 1)
� = 1, 2, … , �
A.2 Metode Burg Dalam Penentuan Parameter AR Model
Metode Burg merupakan sebuah metode yang didasari oleh proses
minimalisasi nilai forward dan backward error dalam prediktor linear untuk
menentukan nilai – nilai parameter modelnya. Metode Burg menggunakan
realisasi lattice filter sehingga sering pula dikenal dengan nama metode lattice
least – square order – recursive.
Forward Linear Prediction digunakan untuk memprediksi nilai mendatang
dari sebuah proses atau deret berdasarkan nilai – nilai terdahulunya. Asumsikan
sebuah deret yang tersusun dari data �(�), dengan nilai n = 0, 1,........., N – 1. Bila
prediktor memiliki orde m, nilai �(�) dapat diprediksi melalui kombinasi linear
dari nilai - nilai �(� − 1), �(� − 2),...., �(� − �) yang telah diboboti dengan
koefisien tertentu. Persamaan matematis dari proses prediksi linear ini
ditunjukkan pada persamaan A.8.
56
�� (�) = − ∑�
� =1 �� (� )�(� − �) .............................(A.8)
Selisih antara nilai aktual, � (�), dengan nilai prediksi, ��(�) , disebut
forward prediction error, yang secara matematis dituliskan pada persamaan A.9.
�� (�) = � (�) − ��(�) .............................................(A.9)
Backward Linear Prediction digunakan untuk memprediksi nilai terdahulu
dari sebuah proses atau deret berdasarkan nilai – nilai sesudahnya. Asumsikan
sebuah deret yang tersusun dari data �(�), dengan nilai n = 0, 1,........., N – 1. Bila
prediktor memiliki orde m, nilai �(� − �) dapat diprediksi melalui kombinasi
linear dari nilai - nilai �(� − � + 1), �(� − � + 2),...., �(�) yang telah diboboti
dengan koefisien tertentu. Persamaan matematis dari proses prediksi linear ini
ditunjukkan pada persamaan A.10.
∗
�� (� − �) = − ∑�
� =1 �� (� )�(� + � − �) ...................(A.10)
Selisih antara nilai aktual, � (� − �), dengan nilai prediksi, ��(� − �) ,
disebut backward prediction error, yang secara matematis dituliskan pada
persamaan A.11.
�� (�) = �(� − �) − ��(� − �) ......................(A.11)
Berdasarkan persamaan A.9 dan persamaan A.11, bisa didapatkan nilai
average prediction error yang dituliskan pada persamaan A.12.
�� =
1
2(�−� )
2
2
∑�−1
� =� [ |�� (� )| + |�� (� )| ] ....................(A.12)
Nilai average prediction error dapat diminimalkan dengan menentukan
∗
nilai koefisien prediksi, �� dan ��
, yang juga harus memenuhi Levinson –
Durbin recursion. Persamaan dari koefisien prediksi tersebut ditunjukkan pada
persamaan A.13.
∗
�� (�) = �� −1 (�) + �� ��
−1 (� − � )
57
1 ≤ � ≤ � − 1 ...........(A.13)
1≤�≤�
Pada persamaan A.13, �� = �� adalah koefisien refleksi ke – m dalam
realisasi lattice filter. Bila persamaan A.13 disubstitusikan pada �� (�) dan �� (�),
akan didapatkan pasangan persamaan order – recursive untuk forward dan
backward prediction error yang ditunjukkan pada persamaan A.14.
�0 (�) = �0 (�) = �(�)
�� (�) = �� −1 (�) + �� �� −1 (� − 1)
.........................(A.14)
�� (�) = ��∗ �� −1 (�) + �� −1 (� − 1)
� = 1, 2, … , �
Persamaan A.14 dapat disubstitusikan pada persamaan A.12 untuk
mendapatkan nilai error minimal, �� , yang merupakan fungsi dari �� . Persamaan
lengkapnya ditunjukkan pada persamaan A.15.
�� =
1
2(�−� )
∗
2
2
∑�−1
�=� [ | �� −1 (�) + �� ��−1 (� − 1)| + | �� �� −1 (�) + ��−1 (� − 1)| ]..(A.15)
Persamaan A.15 kemudian didiferensialkan. Bila hasil diferensial bernilai
nol, maka bisa didapatkan nilai koefisien refleksi yang ditunjukkan pada
persamaan A.16.
�� =
�
Numerator
∗
− ∑�−1
� =� �� −1 (� )�� −1 (�−1)
1 � −1
∑
[|�� −1 (� )|2 +|�� −1 (�−1)|2 ]
2 � =�
pada
persamaan
A.16
� = 1, 2, … , � ......(A.16)
merupakan
estimasi
dari
crosscorrelation antara nilai forward dan backward prediction error. Normalisasi
pada denominator mengakibatkan nilai |�� | < 1, sehingga model yang dihasilkan
stabil.
Algoritma Burg, dapat disimpulkan, melakukan perhitungan nilai
koefisien refleksi dalam persamaan lattice filter pada persamaan A.16. Algoritma
Levinson – Durbin yang ditunjukkan pada persamaan A.13kemudian digunakan
untuk mendapatkan nilai parameter dari AR Model.
58
LAMPIRAN B
PLOT SINYAL UNTUK PENENTUAN ORDE MODEL
Pada bagian ini akan disajikan plot dari 20 sinyal hasil pencuplikan untuk
penentuan orde model terbaik. Kriteria uji kecocokan dan AIC digunakan dalam
penentuan orde model ini. Pengujian pada masing – masing sinyal dilakukan pada
kanal MLII dan V1.
Data record 112 kondisi normal
-6.6
-8
-6.8
-8.1
-7
-8.2
-7.2
-8.3
aic value
aic value
1.
-7.4
-7.6
-8.4
-8.5
-7.8
-8.6
-8
-8.7
-8.2
-8.8
-8.4
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
-8.9
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
10
11
12
13
14
15
(b)
94
78
92
76
90
fit value
fit value
74
88
86
72
70
84
68
82
80
0
1
2
3
4
5
6
8
7
orde
9
10
11
12
13
14
66
15
(c)
0
1
2
3
4
5
6
7
8
orde
9
(d)
Gambar B.1 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
59
2.
Data record 116 kondisi normal
-6.8
-4.2
-4.4
-7
-4.6
-7.2
-4.8
aic value
aic value
-5
-5.2
-7.4
-7.6
-5.4
-5.6
-7.8
-5.8
-8
-6
-6.2
-8.2
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
94
91
92
90
90
89
fit value
fit value
88
86
88
87
84
86
82
85
80
78
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
84
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.2 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
60
3.
Data record 234 kondisi normal
-7
-5.5
-6
-7.5
aic value
aic value
-6.5
-7
-8
-7.5
-8
-8.5
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
-8.5
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
96
86
94
84
92
82
90
fit value
fit value
80
88
86
78
76
84
74
82
72
80
78
0
1
2
3
4
5
6
8
7
orde
9
10
11
12
13
14
15
(c)
70
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.3 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
61
4.
Data record 200 kondisi ventricular tachycardia
-5.8
-7.9
-6
-8
-6.2
-8.1
-6.4
-8.2
aic value
aic value
-6.6
-6.8
-7
-8.3
-8.4
-7.2
-8.5
-7.4
-8.6
-7.6
-8.7
-7.8
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
96
94
95
93.5
94
93
fit value
fit value
93
92
92.5
92
91
91.5
90
91
89
88
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
90.5
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.4 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
62
5.
Data record 214 kondisi ventricular tachycardia
-7
-6.2
-6.4
-6.6
-7.5
aic value
aic value
-6.8
-7
-7.2
-8
-7.4
-7.6
-7.8
-8
-8.5
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10 11 12 13 14 15
(b)
97
96
96.5
95
96
94
fit value
fit value
95.5
93
92
95
94.5
91
94
90
89
93.5
93
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
(c)
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.5 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
63
6.
Data record 223 kondisi ventricular tachycardia
-6.6
-5.5
-6.8
-6
-7
-7.2
-6.5
aic value
aic value
-7.4
-7
-7.6
-7.8
-7.5
-8
-8.2
-8
-8.4
-8.5
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
0
15
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
97
97
96
96
95
95
fit value
fit value
94
94
93
93
92
92
91
91
90
90
89
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
89
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.6 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
64
7.
Data record 106 kondisi ventricular bigeminy
-6.5
-6.4
-6.6
-6.8
-7
aic value
aic value
-7
-7.2
-7.4
-7.5
-7.6
-7.8
-8
-8.2
-8
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
(b)
94
96
93
95
92
94
fit value
fit value
91
93
92
90
89
91
88
90
89
87
86
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
(c)
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
(d)
Gambar B.7 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
65
Data record 213 kondisi ventricular bigeminy
-4.5
-4.5
-5
-5
-5.5
-5.5
-6
-6
aic value
aic value
8.
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
-8
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
99
97
98
96
97
95
fit value
fit value
96
94
93
95
94
92
93
91
92
90
89
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
91
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.8 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
66
9.
Data record 233 kondisi ventricular bigeminy
-5.5
-5
-5.5
-6
-6
aic value
aic value
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
-8
-8.5
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
-8.5
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
98
96
96
94
fit value
fit value
94
92
92
90
90
88
88
86
86
84
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.9 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
67
10. Data record 201 kondisi atrial fibrilation
-6.6
-6.8
-6.8
-7
-7
-7.2
-7.2
aic value
aic value
-7.4
-7.4
-7.6
-7.6
-7.8
-7.8
-8
-8
-8.2
-8.2
-8.4
0
1
2
3
4
5
6
7 8
orde
9
-8.4
10 11 12 13 14 15
0
1
2
3
4
5
6
94
92
92
90
90
88
88
84
84
82
80
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
86
86
82
9
(b)
fit value
fit value
(a)
7 8
orde
9
10 11 12 13 14 15
(c)
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
(d)
Gambar B.10 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
68
14
15
11. Data record 203 kondisi atrial fibrilation
-5.8
-6.8
-6
-7
-6.2
-7.2
-6.4
aic value
aic value
-7.4
-6.6
-6.8
-7.6
-7.8
-7
-8
-7.2
-8.2
-7.4
-7.6
-8.4
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
9
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
94
93
93
92
92
91
fit value
fit value
91
90
90
89
89
88
88
87
87
86
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
86
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.11 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
69
-5
-5
-5.5
-5.5
-6
-6
aic value
aic value
12. Data record 219 kondisi atrial fibrilation
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
0
1
2
3
4
5
6
7 8
orde
9
-8
10 11 12 13 14 15
0
1
2
3
4
5
6
98
96
96
94
94
92
92
90
90
86
86
84
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
9
10 11 12 13 14 15
88
88
84
9
(b)
fit value
fit value
(a)
7 8
orde
9
10 11 12 13 14 15
(c)
82
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.12 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
70
LAMPIRAN C
CONTOH PEMROGRAMAN MATLAB
Pada bagian ini akan disajikan contoh – contoh pemrograman pada
MATLAB yang digunakan dalam penyusunan Tugas Akhir ini. Beberapa contoh
yang akan disajikan adalah contoh program untuk mendesain Jarigan Saraf Tiruan
dan perhitungan kriteria uji kecocokan dan AIC. Program selangkapnya dapat
dilihat pada CD yang akan disertakan bersama laporan ini.
C.1. Desain dan Pengujian dengan Jaringan Saraf Tiruan
Beberapa desain Jaringan Saraf Tiruan telah digunakan dalam Tugas Akhir
ini. Salah satu contoh desain Jaringan Saraf Tiruan yang digunakan adalah dengan
menggunakan arsitektur 3 layer dengan masing – masing jumlah neuron 30, 20,
dan 4. Algoritma pembelajaran yang digunakan adalah backpropagation metode
gradient descent with momentum dengan orde model 5. Proses pengujian untuk
kategori data uji sama dengan data latih dan data uji tidak sama dengan data latih
juga dilakukan secara langsung setelah proses pembelajaran dilakukan. Berikut ini
adalah list program yang digunakan.
disp('backpropagation neural network(30-20-4),traingdm,orde 5');
load koefburg.mat; %load input dan target
load inafib.mat;
load inb.mat;
load invt.mat;
load innormal.mat;
p = p(:,4:15);
t1 = [0;0;0;1];
t2 = [0;0;1;0];
t3 = [0;1;0;0];
t4 = [1;0;0;0];
t = [t1 t1 t1 t2 t2 t2 t3 t3 t3 t4 t4 t4];
netgdmI1 = newff(minmax(p),[30 20 4],{'purelin' 'tansig' 'logsig'},'traingdm');
netgdmI1.trainParam.show = 50;
netgdmI1.trainParam.lr = 0.5;
netgdmI1.trainParam.mc = 0.9;
71
netgdmI1.trainParam.goal = 1e-3;
netgdmI1.trainParam.epochs = 50000;
netgdmI1 = init(netgdmI1);
[netgdmI1,tr] = train(netgdmI1,p,t);
sim(netgdmI1,p)
sim(netgdmI1,pafib)
sim(netgdmI1,pb)
sim(netgdmI1,pvt)
sim(netgdmI1,pnormal)
C.2. Perhitungan Kriteria Uji Kecocokan dan AIC
Pengujian kriteria uji kecocokan dan AIC dilakukan pada 20 data seperti
yang disajikan pada bagian Lampiran B. Berikut adalah list program yang
digunakan.
disp('fit and aic for arburg model');
s = input('signal=' ); %input sinyal asli
s = s';
s = iddata(s);
for i=1:15
bu = ar(s,i,'burg');
[yh,fit] = compare(s,bu,1);
fitt(i) = fit;
am = aic(bu);
aics(i) = am;
end
angka = 1:15;
plot(angka,aics);
xlabel('orde')
ylabel('aic value')
figure
plot(angka,fitt);
xlabel('orde')
ylabel('fit value')
72
BAB I
PENDAHULUAN
I.1. Latar Belakang
Kondisi fisiologis jantung manusia dapat diketahui dari sinyal ECG. Hal ini
dapat dilakukan dengan cara mengambil informasi penting yang terkandung di
dalam sinyal tersebut.
Pada tugas akhir ini, data sinyal ECG akan diidentifikasi dengan
menggunakan Artificial Neural Network (Jaringan Saraf Tiruan). Jaringan Saraf
Tiruan digunakan karena keandalan serta kemampuannya untuk mengenali pola
pada sinyal. Keuntungan lainnya adalah ketidakharusan untuk melakukan
pemrograman ulang karena kemampuan Jaringan Saraf Tiruan yang dapat terus
belajar.
Sinyal ECG dimodelkan dengan menggunakan pemodelan autoregressive
(AR). Pemodelan autoregressive baik digunakan untuk sinyal ini karena dapat
mengambil informasi penting dari sinyal walaupun telah terganggu oleh noise.
Hasil pemodelan akan menjadi input bagi Jaringan Saraf Tiruan untuk
diidentifikasi. Hasil identifikasi akan mengungkapkan kondisi sinyal ECG
tersebut, normal atau memiliki arrhythmia.
I.2. Identifikasi Masalah
Masalah dalam Tugas Akhir ini adalah :
1. Bagaimana penggunaan pemodelan AR dalam pengolahan sinyal ECG?
2. Bagaimana penerapan Jaringan Saraf Tiruan dalam proses identifikasi sinyal
ECG normal dan arrhythmia?
1
I.3. Tujuan
Tugas Akhir ini bertujuan untuk :
1. Menggunakan pemodelan AR pada sinyal ECG yang disimulasikan pada
MATLAB.
2. Menggunakan Jaringan Saraf Tiruan untuk mengidentifikasi sinyal ECG yang
disimulasikan pada MATLAB.
I.4. Pembatasan masalah
Pada penelitian ini, masalah yang akan diteliti dibatasi pada:
1. Data sinyal ECG diperoleh dari MIT-BIH Arrhythmia Database.
2. Pengolahan sinyal ECG dilakukan dengan menggunakan MATLAB 7.
3. Identifikasi sinyal ECG menggunakan Neural Network Toolbox versi 4.
I.5. Sistematika Penulisan
Laporan ini terbagi menjadi 5 bab. Berikut adalah sistematika penulisan
pada laporan ini.
1. BAB I PENDAHULUAN
Bab ini menjelaskan apa saja yang melatarbelakangi penulisan laporan,
perumusan masalah yang akan dijawab, tujuan dari Tugas Akhir, pembatasan
masalah dalam Tugas Akhir yang dilakukan, dan sistematika penulisan
laporan.
2. BAB II TEORI DASAR
Bab ini menjelaskan teori – teori yang menunjang penyusunan laporan Tugas
Akhir, yang antara lain adalah penjelasan mengenai arrhythmia, ECG, AR
Model, dan Jaringan Saraf Tiruan.
3. BAB III PERANCANGAN
Bab ini menjelaskan proses perancangan sistem, diagram blok sistem, serta
diagram alir sistem.
2
4. BAB IV DATA PENGAMATAN DAN ANALISIS DATA
Bab ini membahas tentang proses pengambilan data pada sistem dan analisis
untuk data – data tersebut.
5. BAB V SIMPULAN DAN SARAN
Bab ini membahas tentang simpulan dan saran.
3
BAB V
SIMPULAN DAN SARAN
Dari hasil percobaan, dapat disimpulkan beberapa hal berikut:
1. Pemodelan AR pada sinyal ECG menunjukkan hasil klasifikasi terbaik dengan
pemodelan orde 5.
2. Klasifikasi terbaik dicapai dengan menggunakan arsitektur Jaringan Saraf
Tiruan 3 layer yang memiliki konfigurasi input-hidden-output neuron (20 – 20
– 4) dan fungsi aktivasi linear-tansig-logsig.
3. Klasifikasi untuk kategori data uji sama dengan data latih berhasil dilakukan
sebesar 100%.
4. Klasifikasi untuk kategori data uji tidak sama dengan data latih berhasil
dilakukan sebesar:
66,67% untuk kondisi atrial fibrilation,
75% untuk kondisi ventricular bigeminy,
40% untuk kondisi ventricular tachycardia,
30% untuk kondisi normal.
Saran untuk penelitian lebih lanjut:
1. Penggunaan metode pemodelan sinyal lainnya seperti model ARMA.
2. Data yang digunakan sebagai data latih bagi Jaringan Saraf Tiruan sebaiknya
lebih banyak.
51
DAFTAR PUSTAKA
1.
Cavuto, David J. 1997. An Exploration and Development of Current Artificial
Neural Network Theory and Appication With Emphasis on Artificial Life.
Thesis. Albert Nerken School of Engineering.
2.
Fausett, Laurene. 1994. Fundamental of Neural Networks: Architectures,
Algorithms, and Applications. New Jersey: Prentice-Hall.
3.
Hagan, Martin T, Howard B. Demuth, dan Mark Beale. 2002. Neural
Network Design. China Machine Press.
4.
Hayes, Monson H. 2002. Statistical Digital Signal Processing And Modelling.
Siangapore: John Wiley & Sons.
5.
Haykin, Simon. 1999. Neural Network: The Comprehensive Foundation, 2th
ed. New Jersey: Prentice-Hall.
6.
Manolakis, Dimitris G, Vinay K. Ingle, dan Stephen M. Kogon. 2005.
Statistical and Adaptive Signal Processing: Spectral Estimation, Signal
Modelling, Adaptive Filtering, and Array Processing. London: Artech House.
7.
Morris, Francis, June Edhouse, William J. Brady, dan John Camm. 2003.
ABC of Clinical Electrocardiography. London: BMJ.
8.
Priatna, Dhany. 2005. Identifikasi Model Dinamik Steam Temperature pada
Waste Heat Recovery Boiler (WHB) Menggunakan Struktur Model ARX.
Laporan Tugas Akhir. Bandung: Universitas Kristen Maranatha.
9.
Proakis, John G dan Dimitris G. Manolakis. 1996. Digital Signal Processing:
Principles, Algorithms, and Applications, 3th ed. New Jersey: Prentice-Hall.
10. Ryan, Yohanes. 2004. Identifikasi Sistem Furnace Temperature dan Sistem
Steam Preasure pada Waste Heat Recovery Boiler (WHB). Laporan Tugas
Akhir. Bandung: Universitas Kristen Maranatha.
11. Shiavi, Richard. 2007. Introduction to Applied Statistical Signal Analysis:
Guide to Biomedical and Electrical Engineering Application, 3th ed. London:
Elvesier.
52
12. Takalo, Reijo, Heli Hytti, dan Helmo Ihalainen. 2005. Tutorial on Univariate
Autoregressive Spectral Analysis. Journal of Clinical Monitoring and
Computing, Vol 19, No 6, pp. 401 - 410, December 2005.
13. ____, Arrhythmia. 2003. , http://www.bhf.ogrg.uk
14. ____, Arrhythmia. 2006. , http://www.upmc.com
15. ____, MIT – BIH Arrhythmia Database. 2006. , http://www.physionet.com
53
Menggunakan Jaringan Saraf Tiruan
Disusun oleh:
Nama: Edwin
NRP: 0722079
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha,
Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
Alamat e-mail: li_h4oyu@yahoo.com
Kondisi fisiologis jantung manusia -normal atau arrhythmia- dapat
diketahui dari sinyal ECG. Tugas Akhir ini bertujuan untuk melakukan klasifikasi
terhadap kondisi tersebut, yakni normal, atrial fibrilation, ventricular
tachycardia, dan ventricular bigeminy.
Pemodelan sinyal dengan menggunakan AR Model metode Burg dilakukan
untuk mengekstrak informasi penting pada sinyal. Orde model ditentukan melalui
kriteria uji kecocokan dan AIC. Parameter AR Model kemudian digunakan
sebagai masukan bagi Jaringan Saraf Tiruan dengan fungsi sebagai data uji
maupun data latih.
Hasil pengujian menunjukkan bahwa klasifikasi terbaik didapatkan dengan
menggunakan pemodelan orde 5 dan arsitektur Jaringan Saraf Tiruan 3 layer
dengan jumlah neuron 20 – 20 – 4. Hasil klasifikasi 100% didapatkan untuk setiap
kondisi fisiologis pada kategori data uji sama dengan data latih. Kategori data uji
tidak sama dengan data latih menunjukkan hasil klasifikasi 66,67% untuk kondisi
atrial fibrilation, 75% untuk kondisi ventricular tachycardia, 40% untuk
ventricular bigeminy, dan 30% untuk kondisi normal.
Kata kunci: sinyal ECG, arrhythmia, AR Model, Jaringan Saraf Tiruan, klasifikasi
ii
Classification of ECG Signal Based on AR Model by
using Artificial Neural Network
Composed by:
Name: Edwin
NRP: 0722079
Department of Electrical Engineering, Faculty of Engineering,
Maranatha Christian University,
Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
E-mail adress: li_h4oyu@yahoo.com
Physiological conditions of human’s heart -normal or arrhythmia- can be
known from the ECG signal. The aim of this Final Project is to classify ECG
signal for certain conditions such as normal, atrial fibrilation, ventricular
tachycardia, and ventricular bigeminy.
The signal is modeled by using AR Model with Burg Method. Fitness and
AIC criterions is used to determine the order AR Model. The coefficients
(parameter) of the model is used as input for Artificial Neural Network.
The optimal result is achieved with 5 – order AR Model and Artificial
Neural Network architecture (20 – 20 – 4) neurons in each layer. signal can be
classified 100% correct when tested data is as the same as trained data. The result
is about 66,67% for atrial fibrilation, 75% for ventricular tachycardia, 40% for
ventricular bigeminy, and 30% for normal when tested data differs from trained
data.
Keywords: ECG signal, arrhythmia, AR Model, Artificial Neural Network,
classification
iii
DAFTAR ISI
KATA PENGANTAR ................................................................................................... i
ABSTRAK ................................................................................................................... ii
ABSTRACT ............................................................................................................... iii
DAFTAR ISI ............................................................................................................... iv
DAFTAR GAMBAR ................................................................................................... vi
DAFTAR TABEL ..................................................................................................... viii
DAFTAR SINGKATAN ............................................................................................. ix
BAB I PENDAHULUAN
I.1 Latar Belakang ............................................................................................... 1
I.2 Identifikasi Masalah........................................................................................ 1
I.3 Tujuan ............................................................................................................ 2
I.4 Pembatasan Masalah ....................................................................................... 2
I.5 Sistematika Penulisan ..................................................................................... 2
BAB II TEORI DASAR
II.1 Jantung .......................................................................................................... 4
II.1.1 Arrhythmia .......................................................................................... 5
II.1.1.1 Atrial Fibrilation ...................................................................... 6
II.1.1.2 Ventricular Tachycardia ........................................................... 7
II.1.1.3 Ventricular Bigeminy ............................................................... 7
II.2 Electrocardiogram (ECG) .............................................................................. 8
II.3 Pemodelan Sinyal ........................................................................................ 11
II.3.1 Autoregressive (AR) Model ............................................................... 13
II.3.2 Pemilihan Orde Model ....................................................................... 15
II.3.2.1 Uji Kecocokan ....................................................................... 15
II.3.2.2 Akaike’s Information Criteria (AIC) ...................................... 16
II.4 Jarinagan Saraf Tiruan ................................................................................. 16
iv
II.4.1 Model Matematis ............................................................................... 18
II.4.2 Fungsi Aktivasi.................................................................................. 20
II.4.3 Arsitektur Jaringan Saraf Tiruan ........................................................ 23
II.4.4 Learning Rules .................................................................................. 25
II.4.5 Supervised Learning .......................................................................... 26
II.4.6 Backpropagation ................................................................................ 26
BAB III PERANCANGAN
III.1 Pengolahan Data Sinyal ECG ..................................................................... 31
III.1.1 Pencuplikan Sinyal ECG .................................................................. 33
III.2 Desain Jaringan Saraf Tiruan...................................................................... 37
III.3 Diagram Alir Sistem .................................................................................. 40
BAB IV DATA PENGAMATAN DAN ANALISA DATA
IV.1 Pemilihan Orde Model ............................................................................... 41
IV.2 Klasifikasi Jaringan Saraf Tiruan ............................................................... 47
BAB V SIMPULAN DAN SARAN ............................................................................ 51
DAFTAR PUSTAKA ................................................................................................. 52
LAMPIRAN A AR MODEL METODE BURG .......................................................... 54
A.1 Lattice Filter ................................................................................... 54
A.2 Metode Burg Dalam Penentuan Parameter AR Model ..................... 56
LAMPIRAN B PLOT SINYAL UNTUK PENENTUAN ORDE MODEL ................. 59
LAMPIRAN C CONTOH PEMROGRAMAN MATLAB .......................................... 71
C.1 Desain dan Pengujian Dengan Jaringan Saraf Tiruan ....................... 71
C.2 Perhitungan Kriteria Uji Kecocokan dan AIC .................................. 72
v
DAFTAR GAMBAR
Gambar II.1
Bagian – bagian dan jalur elektrik jantung ..................................... 5
Gambar II.2 Posisi lead elektroda pada daerah dada .......................................... 9
Gambar II.3 Posisi peletakan lead pada daerah lengan dan kaki ...................... 10
Gambar II.4
Perspektif vertikal dan horizontal dari lead elektroda yang
diletakkan pada bagian dada dan tungkai ..................................... 10
Gambar II.5
Blok diagram pemodelan sinyal dengan menggunakan pole –
zero model................................................................................... 12
Gambar II.6 Gambaran umum sel saraf manusia ............................................. 17
Gambar II.7 Gambaran input dengan nilai bobot tertentu ................................ 19
Gambar II.8 Proses penjumlahan sinyal sebagai model dari badan sel ............. 19
Gambar II.9 Model neuron dalam Jaringan Saraf Tiruan ................................. 20
Gambar II.10 Grafik fungsi aktivasi Threshold ................................................. 21
Gambar II.11 Grafik fungsi aktivasi Threshold dengan adanya pengaruh bias ... 21
Gambar II.12 Grafik fungsi aktivasi Linear ....................................................... 22
Gambar II.13 Grafik fungsi aktivasi Linear dengan adanya pengaruh bias ........ 22
Gambar II.14 Fungsi aktivasi Logistic Sigmoid ................................................. 23
Gambar II.15 Fungsi aktivasi Hyperbolic Sigmoid ............................................ 23
Gambar II.16 Single – layer feedforward network menggunakan 2 neuron ........ 24
Gambar II.17 Multiple feedforward network dengan susunan 3 layer ................ 25
Gambar II.18 Supervised Learning .................................................................... 26
Gambar II.19 Contoh Jaringan Saraf Tiruan dengan arsitektur dua layer ........... 27
Gambar III.1 Diagram blok sistem ................................................................... 31
Gambar III.2 Plot sinyal ECG cuplikan record 203 ........................................... 32
Gambar III.3 Keterangan tambahan data record 203......................................... 23
Gambar III.4 Plot sinyal dengan jenis arrhythmia ventricular tachycardia
pada data record 203 ................................................................... 35
Gambar III.5 Plot sinyal dengan jenis arrhythmia atrial fibrilation pada data
record 203................................................................................... 36
vi
Gambar III.6 Gambar desain Jaringan Saraf Tiruan dalam perancangan ........... 39
Gambar III.7 Diagram alir sistem ..................................................................... 40
Gambar IV.1 Plot uji kecocokan dengan orde berbeda pada data record 203
jenis arrhythmia atrial fibrilation pada kanal V1 ......................... 42
Gambar IV.2 Plot nilai AIC dengan orde berbeda pada data record 203 jenis
arrhythmia atrial fibrilation pada kanal V1 ................................. 42
Gambar IV.3 Plot uji kecocokan dengan orde berbeda pada data record 112
kondisi normal pada kanal V1 ..................................................... 43
Gambar IV.4 Plot nilai AIC dengan orde berbeda pada data record 112
kondisi normal pada kanal V1 ..................................................... 44
Gambar A.1 Single – stage lattice filter ........................................................... 55
Gambar A.2 Two – stage lattice filter .............................................................. 55
vii
DAFTAR TABEL
Tabel III.1 Hasil Sampling Sinyal ECG ............................................................. 36
Tabel III.2 Desain Jaringan Saraf Tiruan yang digunakan .................................. 37
Tabel III.3 Target yang diharapkan untuk masing – masing kondisi fisiologis ... 38
Tabel IV.1 Nilai kecocokan dan AIC dengan orde berbeda pada data record
203 .................................................................................................. 44
Tabel IV.2 Rekapitulasi penentuan orde pada kurva nilai kecocokan ................. 45
Tabel IV.3 Rekapitulasi penentuan orde pada kurva nilai AIC ........................... 46
Tabel IV.4 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
sama dengan data latih ..................................................................... 47
Tabel IV.5 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
tidak sama dengan data latih ............................................................ 48
Tabel IV.6 Hasil klasifikasi Jaringan Saraf Tiruan untuk kategori data uji
tidak sama dengan data latih dengan orde model 5 dan jumlah
neuron yang divariasikan ................................................................. 49
viii
DAFTAR SINGKATAN
AIC
AR
MA
ARMA
aVF
aVL
aVR
A – V node
ECG
JST
LA
LL
RA
RL
S – A node
: Akaike’s Information Criteria
: autoregressive
: moving average
: autoregressive - moving average
: augmented vector foot
: augmented vector left
: augmented vector right
: atrioventricular node
: electrocardiogram
: Jaringan Saraf Tiruan
: left arm
: left leg
: right arm
: right leg
: sinoatrial node
ix
LAMPIRAN A
AR MODEL METODE BURG
Salah satu metode yang dapat digunakan dalam penentuan parameter AR
Model adalah metode Burg. Pembahasan mengenai lattice filter akan dibahas
terlebih dahulu untuk menunjang pembahasan metode ini.
A.1 Lattice filter
Lattice filter merupakan salah satu struktur filter FIR (Finite Impukse
Response). Persamaan umum dari filter FIR ditunjukkan dalam persamaan A.1.
Nilai � pada persamaan tersebut menunjukkan orde polinomial.
−�
�� (�) = 1 + ∑�
� =1 �� (�)�
� ≥ 1 ..................(A.1)
Bila diasumsikan bahwa deret input terhadap filter �� (�) adalah �(�) ,
dan deret output adalah �(�) , maka persamaannya dapat dituliskan dalam
persamaan A.2.
�(�) = �(�) + ∑�
� =1 �� (� )�(� − �) .........................(A.2)
Asumsikan bahwa filter memiliki orde satu, sehingga persamaan A.2 dapat
dituliskan menjadi persamaan A.3.
�(�) = �(�) + �1 (1)�(� − 1) ..........................(A.3)
Persamaan A.3 ternyata bisa didapatkan dari single – stage lattice filter
yang ditunjukkan pada Gambar A.1. Kedua input bagi filter tersebut adalah �(�),
dan output yang dipilih adalah output pada cabang atas, yaitu �1 (�).
54
Gambar A.1 Single – stage lattice filter
Persamaan output dari filter tersebut ditunjukkan pada persamaan A.4.
Bila dipilih nilai �1 = �1 (1) , maka persamaan A.4 akan ekivalen dengan
persamaan A.3. Parameter �1 pada persamaan A.4 dikenal sebagai koefisien
refleksi dari lattice filter.
�1 (�) = �(�) + �1 �(� − 1)
�1 (�) = �1 �(�) + �(� − 1) ................................(A.4)
Bila orde pada filter adalah 2, maka persamaan deret outputnya dapat
dituliskan dalam persamaan A.5
�(�) = �(�) + �2 (1)�(� − 1) + �2 (2)�(� − 2) ..............(A.5)
Persamaan A.5 juga bisa didapatkan dari persamaan output two – stage
lattice filter yang ditunjukkan pada Gambar A.2.
Gambar A.2 Two – stage lattice filter
55
Persamaan ouput dari two – stage lattice filter ditunjukkan pada
persamaan A.6. Nilai dari �1 (�) dan �1 (�) dari persaman tersebut ekivalen
dengan nilai pada persamaan II.9.
�2 (�) = �1 (�) + �2 �1 (� − 1)
�2 (�) = �2 �1 (�) + �1 (� − 1) .............................(A.6)
Dengan meneruskan proses ini, dapat dilihat bahwa ada ekivalensi antara
FIR filter orde m dengan m – stage lattice filter. Lattice filter secara umum dapat
dideskripsikan dengan set of order – recursive equations yang ditunjukkan pada
persamaan A.7.
�0 (�) = �0 (�) = �(�)
�� (�) = �� −1 (�) + �� �� −1 (� − 1)
.........................(A.7)
�� (�) = ��∗ �� −1 (�) + �� −1 (� − 1)
� = 1, 2, … , �
A.2 Metode Burg Dalam Penentuan Parameter AR Model
Metode Burg merupakan sebuah metode yang didasari oleh proses
minimalisasi nilai forward dan backward error dalam prediktor linear untuk
menentukan nilai – nilai parameter modelnya. Metode Burg menggunakan
realisasi lattice filter sehingga sering pula dikenal dengan nama metode lattice
least – square order – recursive.
Forward Linear Prediction digunakan untuk memprediksi nilai mendatang
dari sebuah proses atau deret berdasarkan nilai – nilai terdahulunya. Asumsikan
sebuah deret yang tersusun dari data �(�), dengan nilai n = 0, 1,........., N – 1. Bila
prediktor memiliki orde m, nilai �(�) dapat diprediksi melalui kombinasi linear
dari nilai - nilai �(� − 1), �(� − 2),...., �(� − �) yang telah diboboti dengan
koefisien tertentu. Persamaan matematis dari proses prediksi linear ini
ditunjukkan pada persamaan A.8.
56
�� (�) = − ∑�
� =1 �� (� )�(� − �) .............................(A.8)
Selisih antara nilai aktual, � (�), dengan nilai prediksi, ��(�) , disebut
forward prediction error, yang secara matematis dituliskan pada persamaan A.9.
�� (�) = � (�) − ��(�) .............................................(A.9)
Backward Linear Prediction digunakan untuk memprediksi nilai terdahulu
dari sebuah proses atau deret berdasarkan nilai – nilai sesudahnya. Asumsikan
sebuah deret yang tersusun dari data �(�), dengan nilai n = 0, 1,........., N – 1. Bila
prediktor memiliki orde m, nilai �(� − �) dapat diprediksi melalui kombinasi
linear dari nilai - nilai �(� − � + 1), �(� − � + 2),...., �(�) yang telah diboboti
dengan koefisien tertentu. Persamaan matematis dari proses prediksi linear ini
ditunjukkan pada persamaan A.10.
∗
�� (� − �) = − ∑�
� =1 �� (� )�(� + � − �) ...................(A.10)
Selisih antara nilai aktual, � (� − �), dengan nilai prediksi, ��(� − �) ,
disebut backward prediction error, yang secara matematis dituliskan pada
persamaan A.11.
�� (�) = �(� − �) − ��(� − �) ......................(A.11)
Berdasarkan persamaan A.9 dan persamaan A.11, bisa didapatkan nilai
average prediction error yang dituliskan pada persamaan A.12.
�� =
1
2(�−� )
2
2
∑�−1
� =� [ |�� (� )| + |�� (� )| ] ....................(A.12)
Nilai average prediction error dapat diminimalkan dengan menentukan
∗
nilai koefisien prediksi, �� dan ��
, yang juga harus memenuhi Levinson –
Durbin recursion. Persamaan dari koefisien prediksi tersebut ditunjukkan pada
persamaan A.13.
∗
�� (�) = �� −1 (�) + �� ��
−1 (� − � )
57
1 ≤ � ≤ � − 1 ...........(A.13)
1≤�≤�
Pada persamaan A.13, �� = �� adalah koefisien refleksi ke – m dalam
realisasi lattice filter. Bila persamaan A.13 disubstitusikan pada �� (�) dan �� (�),
akan didapatkan pasangan persamaan order – recursive untuk forward dan
backward prediction error yang ditunjukkan pada persamaan A.14.
�0 (�) = �0 (�) = �(�)
�� (�) = �� −1 (�) + �� �� −1 (� − 1)
.........................(A.14)
�� (�) = ��∗ �� −1 (�) + �� −1 (� − 1)
� = 1, 2, … , �
Persamaan A.14 dapat disubstitusikan pada persamaan A.12 untuk
mendapatkan nilai error minimal, �� , yang merupakan fungsi dari �� . Persamaan
lengkapnya ditunjukkan pada persamaan A.15.
�� =
1
2(�−� )
∗
2
2
∑�−1
�=� [ | �� −1 (�) + �� ��−1 (� − 1)| + | �� �� −1 (�) + ��−1 (� − 1)| ]..(A.15)
Persamaan A.15 kemudian didiferensialkan. Bila hasil diferensial bernilai
nol, maka bisa didapatkan nilai koefisien refleksi yang ditunjukkan pada
persamaan A.16.
�� =
�
Numerator
∗
− ∑�−1
� =� �� −1 (� )�� −1 (�−1)
1 � −1
∑
[|�� −1 (� )|2 +|�� −1 (�−1)|2 ]
2 � =�
pada
persamaan
A.16
� = 1, 2, … , � ......(A.16)
merupakan
estimasi
dari
crosscorrelation antara nilai forward dan backward prediction error. Normalisasi
pada denominator mengakibatkan nilai |�� | < 1, sehingga model yang dihasilkan
stabil.
Algoritma Burg, dapat disimpulkan, melakukan perhitungan nilai
koefisien refleksi dalam persamaan lattice filter pada persamaan A.16. Algoritma
Levinson – Durbin yang ditunjukkan pada persamaan A.13kemudian digunakan
untuk mendapatkan nilai parameter dari AR Model.
58
LAMPIRAN B
PLOT SINYAL UNTUK PENENTUAN ORDE MODEL
Pada bagian ini akan disajikan plot dari 20 sinyal hasil pencuplikan untuk
penentuan orde model terbaik. Kriteria uji kecocokan dan AIC digunakan dalam
penentuan orde model ini. Pengujian pada masing – masing sinyal dilakukan pada
kanal MLII dan V1.
Data record 112 kondisi normal
-6.6
-8
-6.8
-8.1
-7
-8.2
-7.2
-8.3
aic value
aic value
1.
-7.4
-7.6
-8.4
-8.5
-7.8
-8.6
-8
-8.7
-8.2
-8.8
-8.4
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
-8.9
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
10
11
12
13
14
15
(b)
94
78
92
76
90
fit value
fit value
74
88
86
72
70
84
68
82
80
0
1
2
3
4
5
6
8
7
orde
9
10
11
12
13
14
66
15
(c)
0
1
2
3
4
5
6
7
8
orde
9
(d)
Gambar B.1 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
59
2.
Data record 116 kondisi normal
-6.8
-4.2
-4.4
-7
-4.6
-7.2
-4.8
aic value
aic value
-5
-5.2
-7.4
-7.6
-5.4
-5.6
-7.8
-5.8
-8
-6
-6.2
-8.2
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
94
91
92
90
90
89
fit value
fit value
88
86
88
87
84
86
82
85
80
78
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
84
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.2 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
60
3.
Data record 234 kondisi normal
-7
-5.5
-6
-7.5
aic value
aic value
-6.5
-7
-8
-7.5
-8
-8.5
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
-8.5
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
96
86
94
84
92
82
90
fit value
fit value
80
88
86
78
76
84
74
82
72
80
78
0
1
2
3
4
5
6
8
7
orde
9
10
11
12
13
14
15
(c)
70
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.3 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
61
4.
Data record 200 kondisi ventricular tachycardia
-5.8
-7.9
-6
-8
-6.2
-8.1
-6.4
-8.2
aic value
aic value
-6.6
-6.8
-7
-8.3
-8.4
-7.2
-8.5
-7.4
-8.6
-7.6
-8.7
-7.8
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
96
94
95
93.5
94
93
fit value
fit value
93
92
92.5
92
91
91.5
90
91
89
88
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
90.5
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.4 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
62
5.
Data record 214 kondisi ventricular tachycardia
-7
-6.2
-6.4
-6.6
-7.5
aic value
aic value
-6.8
-7
-7.2
-8
-7.4
-7.6
-7.8
-8
-8.5
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10 11 12 13 14 15
(b)
97
96
96.5
95
96
94
fit value
fit value
95.5
93
92
95
94.5
91
94
90
89
93.5
93
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
(c)
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.5 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
63
6.
Data record 223 kondisi ventricular tachycardia
-6.6
-5.5
-6.8
-6
-7
-7.2
-6.5
aic value
aic value
-7.4
-7
-7.6
-7.8
-7.5
-8
-8.2
-8
-8.4
-8.5
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
0
15
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
97
97
96
96
95
95
fit value
fit value
94
94
93
93
92
92
91
91
90
90
89
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
89
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.6 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
64
7.
Data record 106 kondisi ventricular bigeminy
-6.5
-6.4
-6.6
-6.8
-7
aic value
aic value
-7
-7.2
-7.4
-7.5
-7.6
-7.8
-8
-8.2
-8
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
(b)
94
96
93
95
92
94
fit value
fit value
91
93
92
90
89
91
88
90
89
87
86
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
(c)
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
(d)
Gambar B.7 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
65
Data record 213 kondisi ventricular bigeminy
-4.5
-4.5
-5
-5
-5.5
-5.5
-6
-6
aic value
aic value
8.
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
-8
0
1
2
3
4
5
6
7 8
orde
9
10
11
12
13
14
15
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
99
97
98
96
97
95
fit value
fit value
96
94
93
95
94
92
93
91
92
90
89
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
91
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.8 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
66
9.
Data record 233 kondisi ventricular bigeminy
-5.5
-5
-5.5
-6
-6
aic value
aic value
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
-8
-8.5
0
1
2
3
4
5
6
7 8
orde
9
10 11 12 13 14 15
-8.5
0
1
2
3
4
5
6
(a)
7 8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
98
98
96
96
94
fit value
fit value
94
92
92
90
90
88
88
86
86
84
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.9 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
67
10. Data record 201 kondisi atrial fibrilation
-6.6
-6.8
-6.8
-7
-7
-7.2
-7.2
aic value
aic value
-7.4
-7.4
-7.6
-7.6
-7.8
-7.8
-8
-8
-8.2
-8.2
-8.4
0
1
2
3
4
5
6
7 8
orde
9
-8.4
10 11 12 13 14 15
0
1
2
3
4
5
6
94
92
92
90
90
88
88
84
84
82
80
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
86
86
82
9
(b)
fit value
fit value
(a)
7 8
orde
9
10 11 12 13 14 15
(c)
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
(d)
Gambar B.10 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
68
14
15
11. Data record 203 kondisi atrial fibrilation
-5.8
-6.8
-6
-7
-6.2
-7.2
-6.4
aic value
aic value
-7.4
-6.6
-6.8
-7.6
-7.8
-7
-8
-7.2
-8.2
-7.4
-7.6
-8.4
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
9
0
1
2
3
4
5
6
(a)
7
8
orde
9
10
11
12
13
14
15
9
10
11
12
13
14
15
(b)
94
93
93
92
92
91
fit value
fit value
91
90
90
89
89
88
88
87
87
86
0
1
2
3
4
5
6
7
8
orde
9
10
11
12
13
14
15
(c)
86
0
1
2
3
4
5
6
7
8
orde
(d)
Gambar B.11 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
69
-5
-5
-5.5
-5.5
-6
-6
aic value
aic value
12. Data record 219 kondisi atrial fibrilation
-6.5
-6.5
-7
-7
-7.5
-7.5
-8
0
1
2
3
4
5
6
7 8
orde
9
-8
10 11 12 13 14 15
0
1
2
3
4
5
6
98
96
96
94
94
92
92
90
90
86
86
84
0
1
2
3
4
5
6
7 8
orde
10 11 12 13 14 15
9
10 11 12 13 14 15
88
88
84
9
(b)
fit value
fit value
(a)
7 8
orde
9
10 11 12 13 14 15
(c)
82
0
1
2
3
4
5
6
7 8
orde
(d)
Gambar B.12 (a) Plot AIC kanal MLII (b) Plot AIC kanal V1 (c) Plot uji
kecocokan kanal MLII (d) Plot uji kecocokan kanal V1
70
LAMPIRAN C
CONTOH PEMROGRAMAN MATLAB
Pada bagian ini akan disajikan contoh – contoh pemrograman pada
MATLAB yang digunakan dalam penyusunan Tugas Akhir ini. Beberapa contoh
yang akan disajikan adalah contoh program untuk mendesain Jarigan Saraf Tiruan
dan perhitungan kriteria uji kecocokan dan AIC. Program selangkapnya dapat
dilihat pada CD yang akan disertakan bersama laporan ini.
C.1. Desain dan Pengujian dengan Jaringan Saraf Tiruan
Beberapa desain Jaringan Saraf Tiruan telah digunakan dalam Tugas Akhir
ini. Salah satu contoh desain Jaringan Saraf Tiruan yang digunakan adalah dengan
menggunakan arsitektur 3 layer dengan masing – masing jumlah neuron 30, 20,
dan 4. Algoritma pembelajaran yang digunakan adalah backpropagation metode
gradient descent with momentum dengan orde model 5. Proses pengujian untuk
kategori data uji sama dengan data latih dan data uji tidak sama dengan data latih
juga dilakukan secara langsung setelah proses pembelajaran dilakukan. Berikut ini
adalah list program yang digunakan.
disp('backpropagation neural network(30-20-4),traingdm,orde 5');
load koefburg.mat; %load input dan target
load inafib.mat;
load inb.mat;
load invt.mat;
load innormal.mat;
p = p(:,4:15);
t1 = [0;0;0;1];
t2 = [0;0;1;0];
t3 = [0;1;0;0];
t4 = [1;0;0;0];
t = [t1 t1 t1 t2 t2 t2 t3 t3 t3 t4 t4 t4];
netgdmI1 = newff(minmax(p),[30 20 4],{'purelin' 'tansig' 'logsig'},'traingdm');
netgdmI1.trainParam.show = 50;
netgdmI1.trainParam.lr = 0.5;
netgdmI1.trainParam.mc = 0.9;
71
netgdmI1.trainParam.goal = 1e-3;
netgdmI1.trainParam.epochs = 50000;
netgdmI1 = init(netgdmI1);
[netgdmI1,tr] = train(netgdmI1,p,t);
sim(netgdmI1,p)
sim(netgdmI1,pafib)
sim(netgdmI1,pb)
sim(netgdmI1,pvt)
sim(netgdmI1,pnormal)
C.2. Perhitungan Kriteria Uji Kecocokan dan AIC
Pengujian kriteria uji kecocokan dan AIC dilakukan pada 20 data seperti
yang disajikan pada bagian Lampiran B. Berikut adalah list program yang
digunakan.
disp('fit and aic for arburg model');
s = input('signal=' ); %input sinyal asli
s = s';
s = iddata(s);
for i=1:15
bu = ar(s,i,'burg');
[yh,fit] = compare(s,bu,1);
fitt(i) = fit;
am = aic(bu);
aics(i) = am;
end
angka = 1:15;
plot(angka,aics);
xlabel('orde')
ylabel('aic value')
figure
plot(angka,fitt);
xlabel('orde')
ylabel('fit value')
72
BAB I
PENDAHULUAN
I.1. Latar Belakang
Kondisi fisiologis jantung manusia dapat diketahui dari sinyal ECG. Hal ini
dapat dilakukan dengan cara mengambil informasi penting yang terkandung di
dalam sinyal tersebut.
Pada tugas akhir ini, data sinyal ECG akan diidentifikasi dengan
menggunakan Artificial Neural Network (Jaringan Saraf Tiruan). Jaringan Saraf
Tiruan digunakan karena keandalan serta kemampuannya untuk mengenali pola
pada sinyal. Keuntungan lainnya adalah ketidakharusan untuk melakukan
pemrograman ulang karena kemampuan Jaringan Saraf Tiruan yang dapat terus
belajar.
Sinyal ECG dimodelkan dengan menggunakan pemodelan autoregressive
(AR). Pemodelan autoregressive baik digunakan untuk sinyal ini karena dapat
mengambil informasi penting dari sinyal walaupun telah terganggu oleh noise.
Hasil pemodelan akan menjadi input bagi Jaringan Saraf Tiruan untuk
diidentifikasi. Hasil identifikasi akan mengungkapkan kondisi sinyal ECG
tersebut, normal atau memiliki arrhythmia.
I.2. Identifikasi Masalah
Masalah dalam Tugas Akhir ini adalah :
1. Bagaimana penggunaan pemodelan AR dalam pengolahan sinyal ECG?
2. Bagaimana penerapan Jaringan Saraf Tiruan dalam proses identifikasi sinyal
ECG normal dan arrhythmia?
1
I.3. Tujuan
Tugas Akhir ini bertujuan untuk :
1. Menggunakan pemodelan AR pada sinyal ECG yang disimulasikan pada
MATLAB.
2. Menggunakan Jaringan Saraf Tiruan untuk mengidentifikasi sinyal ECG yang
disimulasikan pada MATLAB.
I.4. Pembatasan masalah
Pada penelitian ini, masalah yang akan diteliti dibatasi pada:
1. Data sinyal ECG diperoleh dari MIT-BIH Arrhythmia Database.
2. Pengolahan sinyal ECG dilakukan dengan menggunakan MATLAB 7.
3. Identifikasi sinyal ECG menggunakan Neural Network Toolbox versi 4.
I.5. Sistematika Penulisan
Laporan ini terbagi menjadi 5 bab. Berikut adalah sistematika penulisan
pada laporan ini.
1. BAB I PENDAHULUAN
Bab ini menjelaskan apa saja yang melatarbelakangi penulisan laporan,
perumusan masalah yang akan dijawab, tujuan dari Tugas Akhir, pembatasan
masalah dalam Tugas Akhir yang dilakukan, dan sistematika penulisan
laporan.
2. BAB II TEORI DASAR
Bab ini menjelaskan teori – teori yang menunjang penyusunan laporan Tugas
Akhir, yang antara lain adalah penjelasan mengenai arrhythmia, ECG, AR
Model, dan Jaringan Saraf Tiruan.
3. BAB III PERANCANGAN
Bab ini menjelaskan proses perancangan sistem, diagram blok sistem, serta
diagram alir sistem.
2
4. BAB IV DATA PENGAMATAN DAN ANALISIS DATA
Bab ini membahas tentang proses pengambilan data pada sistem dan analisis
untuk data – data tersebut.
5. BAB V SIMPULAN DAN SARAN
Bab ini membahas tentang simpulan dan saran.
3
BAB V
SIMPULAN DAN SARAN
Dari hasil percobaan, dapat disimpulkan beberapa hal berikut:
1. Pemodelan AR pada sinyal ECG menunjukkan hasil klasifikasi terbaik dengan
pemodelan orde 5.
2. Klasifikasi terbaik dicapai dengan menggunakan arsitektur Jaringan Saraf
Tiruan 3 layer yang memiliki konfigurasi input-hidden-output neuron (20 – 20
– 4) dan fungsi aktivasi linear-tansig-logsig.
3. Klasifikasi untuk kategori data uji sama dengan data latih berhasil dilakukan
sebesar 100%.
4. Klasifikasi untuk kategori data uji tidak sama dengan data latih berhasil
dilakukan sebesar:
66,67% untuk kondisi atrial fibrilation,
75% untuk kondisi ventricular bigeminy,
40% untuk kondisi ventricular tachycardia,
30% untuk kondisi normal.
Saran untuk penelitian lebih lanjut:
1. Penggunaan metode pemodelan sinyal lainnya seperti model ARMA.
2. Data yang digunakan sebagai data latih bagi Jaringan Saraf Tiruan sebaiknya
lebih banyak.
51
DAFTAR PUSTAKA
1.
Cavuto, David J. 1997. An Exploration and Development of Current Artificial
Neural Network Theory and Appication With Emphasis on Artificial Life.
Thesis. Albert Nerken School of Engineering.
2.
Fausett, Laurene. 1994. Fundamental of Neural Networks: Architectures,
Algorithms, and Applications. New Jersey: Prentice-Hall.
3.
Hagan, Martin T, Howard B. Demuth, dan Mark Beale. 2002. Neural
Network Design. China Machine Press.
4.
Hayes, Monson H. 2002. Statistical Digital Signal Processing And Modelling.
Siangapore: John Wiley & Sons.
5.
Haykin, Simon. 1999. Neural Network: The Comprehensive Foundation, 2th
ed. New Jersey: Prentice-Hall.
6.
Manolakis, Dimitris G, Vinay K. Ingle, dan Stephen M. Kogon. 2005.
Statistical and Adaptive Signal Processing: Spectral Estimation, Signal
Modelling, Adaptive Filtering, and Array Processing. London: Artech House.
7.
Morris, Francis, June Edhouse, William J. Brady, dan John Camm. 2003.
ABC of Clinical Electrocardiography. London: BMJ.
8.
Priatna, Dhany. 2005. Identifikasi Model Dinamik Steam Temperature pada
Waste Heat Recovery Boiler (WHB) Menggunakan Struktur Model ARX.
Laporan Tugas Akhir. Bandung: Universitas Kristen Maranatha.
9.
Proakis, John G dan Dimitris G. Manolakis. 1996. Digital Signal Processing:
Principles, Algorithms, and Applications, 3th ed. New Jersey: Prentice-Hall.
10. Ryan, Yohanes. 2004. Identifikasi Sistem Furnace Temperature dan Sistem
Steam Preasure pada Waste Heat Recovery Boiler (WHB). Laporan Tugas
Akhir. Bandung: Universitas Kristen Maranatha.
11. Shiavi, Richard. 2007. Introduction to Applied Statistical Signal Analysis:
Guide to Biomedical and Electrical Engineering Application, 3th ed. London:
Elvesier.
52
12. Takalo, Reijo, Heli Hytti, dan Helmo Ihalainen. 2005. Tutorial on Univariate
Autoregressive Spectral Analysis. Journal of Clinical Monitoring and
Computing, Vol 19, No 6, pp. 401 - 410, December 2005.
13. ____, Arrhythmia. 2003. , http://www.bhf.ogrg.uk
14. ____, Arrhythmia. 2006. , http://www.upmc.com
15. ____, MIT – BIH Arrhythmia Database. 2006. , http://www.physionet.com
53