Page 1
i
Tesis – TF142510
KLASIFIKASI KELAINAN IRAMA JANTUNG PADA SINYAL ELECTROCARDIOGRAM MENGGUNAKAN METODE HYBRID PSO-NEURAL NETWORK DENGAN FILTER NEURAL ICA MIFTAH RAHMALIA ARIYATI 02311650010203 DOSEN PEMBIMBING Dr.rer.nat. Ir. Aulia M T Nasution, M.Sc. NIP. 196711171997021001
PROGRAM MAGISTER BIDANG KEAHLIAN REKAYASA INSTRUMENTASI INDUSTRI DEPARTEMEN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
Page 2
ii
[Halaman ini sengaja dikosongkan]
Page 4
iv
[Halaman ini sengaja dikosongkan]
Page 5
v
KLASIFIKASI KELAINAN IRAMA JANTUNG PADA SINYAL
ELECTROCARDIOGRAM MENGGUNAKAN METODE HYBRID PSO-
NEURAL NETWORK DENGAN FILTER NEURAL ICA
Nama Mahasiswa : Miftah Rahmalia Ariyati
NRP : 02311650010203
Pembimbing : Dr.rer.nat. Ir. Aulia M T Nasution, MSc.
ABSTRAK
Penelitian untuk mempelajari klasifikasi irama jantung dengan
interpretasi sinyal Electrocardiogram (ECG) telah banyak diteliti dan
dikembangkan. Terdapat penelitian terkini mengenai klasifikasi kelainan irama
jantung tipe left bundle branch (LBBB), right bundle branch (RBBB) dan
premature ventricular contraction (PVC) dengan menggunakan metode optimasi
Taguchi dan metode klasifikasi Naïve Bayes. Hasil klasifikasi metode Naïve
Bayes hasilnya lebih rendah dibandingkan dengan metode klasifikasi SVM,
sehingga masih terdapat peluang pengembangan selanjutnya untuk topik tersebut.
Penelitian ini mengusulkan suatu metode Hybrid PSO-Neural Network
sebagai metode klasifikasi dan metode Neural-ICA sebagai filter. Filter Neural
ICA bertujuan untuk memisahkan sinyal asli dan sinyal noise pada rekaman sinyal
ECG. Metode ICA mengimplementasikan algoritma Neural untuk proses update
bobot setelah mengalami proses filter. Metode Hybrid PSO-Neural Network
merupakan metode Neural Network yang dioptimasi menggunakan PSO untuk
mengoptimalkan hasil klasifikasi. Metode Hybrid PSO-NN mampu meningkatkan
hasil akurasi sebesar 2%. Hasil dari pendekatan yang diusulkan diperoleh akurasi
sebesar 99% dan pada metode NN diperoleh akurasi sebesar 97% dan metode
SVM diperoleh akurasi sebesar 97%.
Kata kunci: Klasifikasi sinyal ECG, ICA, Neural Network, PSO
Page 6
vi
[Halaman ini sengaja dikosongkan]
Page 7
vii
HEART RHYTHM CLASSIFICATION ON ELECTROCARDIOGRAM
SIGNALS USING HYBRID PSO-NEURAL NETWORK METHOD AND
NEURAL ICA FILTER
Student Name : Miftah Rahmalia Ariyati
NRP : 02311650010203
Supervisor : Dr.rer.nat. Ir. Aulia M T Nasution, MSc.
ABSTRACT
Studies on the classification of heart rhythms from Electrocardiogram
(ECG) signal interpretation have been widely reported. Several techniques for
recognizing the abnormalities on left bundle branch (LBBB), right bundle branch
(RBBB) and premature ventricular contraction (PVC) using the Taguchi
optimization method and the Naïve Bayes classification method have been
reported. Unfortunately results from the Naïve Bayes classification method are
not as good as those using method such as SVM classification method. In the
paper we propose a Hybrid PSO-Neural Network (NN) as a classification method
and a Neural Independent Component Analysis (Neural-ICA) as a filter method.
Neural ICA aims to separate the original signal and the noise signal on the ECG
signal record. In this research the ICA method implements the Neural algorithm
for the process of updating the weights after filter process. The Hybrid PSO-
Neural Network is a Neural Network method that optimized by PSO to optimize
the classification result. Hybrid PSO-NN method can improve the classification
accuracy up to 2%, i.e. 99% accuracy, in comparison to NN method 98%
accuracy and SVM method 96% accuracy, respectively.
Keyword : ECG signal classification, ICA, Neural Network, PSO
Page 8
viii
[Halaman ini sengaja dikosongkan]
Page 9
ix
KATA PENGANTAR
Segala puji bagi Allah SWT, yang senantiasa melimpahkan rahmat serta
karunia-Nya kepada penulis sehingga dalam menyelesaikan penelitian dan laporan
tesis dengan judul “Klasifikasi Kelainan Irama Jantung pada Sinyal
Electrocardiogram Menggunakan Metode Hybrid PSO-Neural Network dengan
Filter Neural ICA”.
Penelitian ini merupakan salah satu penelitian yang mengangkat tema
mengenai pengembangan pada bidang biomedis. Fokus utamanya adalah
klasifikasi kelainan pada irama jantung, dengan demikian penulis dapat membuat
suatu sistem untuk klasifikasi otomatis kelainan irama jantung.
Penelitian dan laporan tesis ini tidak dapat diselesaikan oleh penulis tanpa
bantuan dari berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih
kepada semua pihak yang memberikan bantuan secara moral maupun materi,
terutama kepada:
1. Bapak Dr.rer.nat. Ir. Aulia M T Nasution, M.Sc selaku dosen pembimbing
yang senantiasa memberikan bimbingan, motivasi dan saran dalam
menyelesaikan penelitian ini,
2. Bapak Anari, S.Pd, M.M.Pd dan Ibu Sudariyati, S.Pd, M.M selaku orang
tua yang selalu memberikan semangat, doa, dan dukungan kepada penulis
3. Bapak Agus Muhamad Hatta, S.T., M.T., PhD dan Ibu Dr. Katherin
Indriawati, S.T., M.T selaku dosen penguji yang telah memberikan saran-
saran yang sangat bermanfaat,
4. Bapak dr. Tatid M. Ali, M.Si selaku Direktur Rumah Sakit Dian Husada
Mojokerto yang telah memberikan izin untuk melakukan klasifikasi
manual pada kelainan irama jantung di Rumah Sakit Dian Husada
Mojokerto,
5. Bapak Drs. Budi Prabowo, S.Pd selaku Dewan Pengawas Rumah Sakit
Dian Husada Mojokerto yang telah memberikan izin dalam melakukan
klasifikasi manual pada kelainan irama jantung di Rumah Sakit Dian
Husada Mojokerto,
Page 10
x
6. Bapak dr. Ihwan Arifiyanto, Sp. PD selaku Dokter Spesialis yang telah
membimbing dalam melakukan kalsifikasi manual pada kelainan irama
jantung di Rumah Sakit Dian Husada Mojokerto,
7. Bapak dan Ibu dosen Teknik Fisika ITS yang telah memberikan ilmu yang
bermanfaat,
8. Ryan Prayogi Arlanda, S.T, Izza Milenia Ariyati, dan Royyan Surya
Arlanda selaku saudara kandung penulis yang selalu memberikan doa dan
semangat kepada penulis,
9. Ibu Martha Hardiyah, S.Pd selaku admin Pasca Sarjana Teknik Fisika
yang telah membantu semua urusan administrasi dalam penyelesaian tesis
ini,
10. Adhian Dini Khoirina, S.TP., M.P selaku sahabat penulis yang senantiasa
memberi motivasi, dukungan, dan doa kepada penulis,
11. Teman-teman serta sahabat-sahabat Pascasarjana Teknik Fisika yang
senantiasa ada untuk memberikan motivasi, sebagai teman berdiskusi dan
bermain
12. Semua pihak yang telah membantu dalam penelitian dan penyusunan
laporan tesis ini.
Apabila terdapat kekurangan dalam penelitian dan laporan tesis ini, penulis
memohon kritik dan saran demi penelitian yang lebih baik. Semoga laporan tesis
ini dapat memberikan manfaat dan ilmu bagi banyak orang
Surabaya, Juni 2018
Penulis
Page 11
xi
DAFTAR ISI
LEMBAR PENGESAHAN ................................... Error! Bookmark not defined.
ABSTRAK .............................................................................................................. v
ABSTRACT .......................................................................................................... vii
DAFTAR ISI .......................................................................................................... xi
DAFTAR GAMBAR ........................................................................................... xiii
DAFTAR TABEL ................................................................................................. xv
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ....................................................................................................... 1
1.2 Perumusan Masalah ............................................................................................... 4
1.3 Tujuan dan Manfaat Penelitian ............................................................................ 5
1.4 Batasan Masalah .................................................................................................... 5
1.5 Kontribusi Penelitian ............................................................................................. 6
BAB 2 KAJIAN PUSTAKA ................................................................................... 7
2.1 Jantung .................................................................................................................... 7
2.1.1 Atrium (dipisahkan oleh septum intratrial) ..................................................... 7
2.1.2 Ventrikel (dipisahkan oleh septum interventricular) ..................................... 8
2.2 Aritmia .................................................................................................................... 9
2.2.1 Premature venticular contractions (PVC) ..................................................... 9
2.2.2 Blok jantung ........................................................................................................ 9
2.3 Sinyal Electrocardiogram (ECG) ...................................................................... 10
2.4 Perekam Sinyal ECG ........................................................................................... 13
2.5 Gangguan Perekaman Sinyal ECG (Noise) ...................................................... 13
2.6 Filter Frekuensi .................................................................................................... 13
2.7 Independent Component Analysis (ICA) .......................................................... 14
2.8 Neural Network (NN) .......................................................................................... 18
2.9 Particle Swarm Optimization (PSO) ................................................................. 21
2.10 Hybrid Particle Swarm Optimization Neural Network (Hybrid PSO-NN) 23
2.11 Zero Crossing Rate (ZCR) ............................................................................... 28
BAB 3 METODOLOGI PENELITIAN................................................................ 31
3.1 Identifikasi Masalah dan Studi Literatur .......................................................... 33
3.2 Perancangan Sistem ............................................................................................. 33
Page 12
xii
3.3 Pengumpulan Bahan dan Data ........................................................................... 36
3.4 Implementasi Algoritma ...................................................................................... 36
3.5 Analisa Hasil dan Metode Pengujian ................................................................ 43
BAB 4 HASIL DAN PEMBAHASAN ................................................................ 49
4.1 Lingkungan Uji Coba .......................................................................................... 49
4.2 Massachusetts Institute of Technology–Beth Israel Hospital (MIT –BIH)
Arrhythmia Database ......................................................................................... 49
4.3 Data Uji Coba ....................................................................................................... 50
4.4 Hasil Klasifikasi Manual sinyal ECG ............................................................... 52
4.7 Hasil Pengujian..................................................................................................... 56
4.8 Analisa Hasil ......................................................................................................... 80
BAB 5 KESIMPULAN DAN SARAN ................................................................ 91
5.1 Kesimpulan .......................................................................................................... 91
5.2 Saran ..................................................................................................................... 91
DAFTAR PUSTAKA ............................................................................................ 93
LAMPIRAN .......................................................................................................... 97
BIODATA PENULIS .......................................................................................... 103
Page 13
xiii
DAFTAR GAMBAR
Gambar 1.1 Perbandingan irama detak jantung (Maji et al., 2016) ........................ 4
Gambar 2.1 Anatomi jantung (Purba, 2013) ........................................................... 8
Gambar 2.2 Gelombang PQRST dan interval dari sinyal ECG (Kelwade, 2015) 11
Gambar 2.3 Diagram pemodelan dari ICA (B.T. Atmaja, A.S. Aisyah, 2010) .... 15
Gambar 2.4 Arsitektur metode ICA berbasis Neural Network (Musthafa, 2016) 16
Gambar 2.5 Flowchart langkah-langkah PSO (Sankoh et al., 2015) .................... 22
Gambar 2.7 Zero Crossing Rate (Shete, Patil, & Patil, 2014) .............................. 28
Gambar 2.8 Flowchart langkah-langkah Zero Crossing Rate ............................... 29
Gambar 3.1 Diagram alur kerja ............................................................................. 31
Gambar 3.2 Flowchart prosedur penelitian ........................................................... 32
Gambar 3.3 Diagram tahap persiapan data ........................................................... 34
Gambar 3.4 Flowchart sistem ............................................................................... 35
Gambar 3.5 Bentuk data sinyal ECG MIT-BIH Arrhythmia ............................... 37
Gambar 3.6 Arsitektur Neural Network yang digunakan ..................................... 43
Gambar 4.1 Aplikasi overview ............................................................................. 50
Gambar 4.2 Aplikasi klasifikasi manual sinyal ECG............................................ 51
Gambar 4.3 Aplikasi eksperimen .......................................................................... 51
Gambar 4.4 Bentuk sinyal normal data ECG MIT-BIH Arrhythmia.................... 53
Gambar 4.5 Bentuk sinyal kelainan RBBB data ECG MIT-BIH Arrhythmia ...... 54
Gambar 4.6 Bentuk sinyal kelainan LBBB data ECG MIT-BIH Arrhythmia ...... 55
Gambar 4.7 Bentuk sinyal kelainan PVC data ECG MIT-BIH Arrhythmia......... 56
Gambar 4.8 Pemrosesan Sinyal NORMAL .......................................................... 58
Gambar 4.9 Pemrosesan Sinyal PVC .................................................................... 59
Gambar 4.10 Pemrosesan Sinyal LBBB ............................................................... 60
Gambar 4.11 Pemrosesan Sinyal RBBB ............................................................... 61
Gambar 4.12 Fitur Sinyal NORMAL.................................................................... 62
Gambar 4.13 Fitur Sinyal PVC ............................................................................. 62
Gambar 4.14 Fitur Sinyal LBBB .......................................................................... 62
Gambar 4.15 Fitur Sinyal RBBB .......................................................................... 62
Gambar 4.16 Grafik perbandingan akurasi pada sinyal ECG berdurasi 12.5 detik
........................................................................................................ 83
Gambar 4.17 Grafik perbandingan akurasi pada sinyal ECG berdurasi 10 detik . 84
Gambar 4.18 Grafik perbandingan akurasi pada sinyal ECG berdurasi 7.5 detik 84
Gambar 4.19 Grafik perbandingan akurasi pada sinyal ECG berdurasi 5 detik ... 84
Gambar 4.20 Grafik perbandingan akurasi pada sinyal ECG berdurasi 2.5 detik 85
Gambar 4.21 Grafik perbandingan akurasi durasi 10 detik dan 5 detik metode
Hybrid PSO-NN ............................................................................... 86
Gambar 4.22 Grafik perbandingan akurasi hasil pengenalan kasus kelainan pada
sinyal ECG berdurasi 10 detik ......................................................... 87
Gambar 4.23 Grafik perbandingan akurasi hasil pengenalan kasus kelainan pada
sinyal ECG berdurasi 5 detik ........................................................... 87
Page 14
xiv
Gambar 4.24 Perbandingan waktu komputasi metode klasifier berdasarkan
panjang fitur yang digunakan ........................................................... 88
Page 15
xv
DAFTAR TABEL
Tabel 3.1 Pseudocode untuk mendapatkan hasil independent dengan indeks urut39
Tabel 3.2 Pseudocode highpass filter .................................................................... 40
Tabel 3.3 Pseudocode lowpass filter ..................................................................... 41
Tabel 3.4 Pseudocode pendeteksian QRS ............................................................. 41
Tabel 4.1 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi benar ..................................................................................... 63
Tabel 4.2 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi salah ...................................................................................... 64
Tabel 4.3 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi di luar keempat kelas yang didefinisikan.............................. 65
Tabel 4.4 Hasil pemilihan populasi pada proses pelatihan Hybrid PSO-NN pada
potongan sinyal ECG setiap 10 detik ..................................................... 67
Tabel 4.5 Hasil pemilihan populasi pada proses pelatihan Hybrid PSO-NN pada
potongan sinyal ECG setiap 5 detik ....................................................... 68
Tabel 4.6 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 68
Tabel 4.7 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 68
Tabel 4.8 Hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN dengan
durasi potongan sinyal ECG setiap 10 detik .......................................... 69
Tabel 4.9 Hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN dengan
durasi potongan sinyal ECG setiap 5 detik ............................................ 69
Tabel 4.10 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 2.5 detik .................................................... 70
Tabel 4.11 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 70
Tabel 4.12 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 7.5 detik .................................................... 71
Tabel 4.13 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 71
Tabel 4.14 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 12.5 detik .................................................. 71
Tabel 4.15 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 72
Tabel 4.16 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 72
Tabel 4.17 Hasil pengenalan setiap kasus menggunakan NN dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 73
Tabel 4.18 Hasil pengenalan setiap kasus menggunakan NN dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 73
Page 16
xvi
Tabel 4.19 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 2.5 detik ............................................................................... 74
Tabel 4.20 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 5 detik .................................................................................. 75
Tabel 4.21 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 7.5 detik ............................................................................... 75
Tabel 4.22 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 10 detik ................................................................................ 75
Tabel 4.23 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 12.5 detik ............................................................................. 75
Tabel 4.24 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 76
Tabel 4.25 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 77
Tabel 4.26 Hasil pengenalan setiap kasus menggunakan SVM dengan durasi
potongan sinyal ECG setiap 10 detik ..................................................... 78
Tabel 4.27 Hasil pengenalan setiap kasus menggunakan SVM dengan durasi
potongan sinyal ECG setiap 5 detik ....................................................... 78
Tabel 4.28 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 2.5 detik ............................................................................... 79
Tabel 4.29 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 5 detik .................................................................................. 79
Tabel 4.30 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 7.5 detik ............................................................................... 79
Tabel 4.31 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 10 detik ................................................................................ 79
Tabel 4.32 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 12.5 detik ............................................................................. 80
Tabel 4.33 Perbandingan nilai akurasi beberapa metode penelitian ..................... 88
Page 17
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Jantung adalah organ utama dan organ penting dalam sistem
kardiovaskular yang terdiri dari otot-otot yang kuat yang berfungsi memompa
darah yang membawa oksigen dan makanan ke seluruh bagian tubuh. Gangguan
pada aktvitas listrik jantung disebut aritmia. Aritmia dapat berakibat fatal bagi
kesehatan manusia hingga berujung pada kematian.
WHO (World Health Organization) menghimpun data mengenai 10
penyakit penyebab kematian di dunia diantaranya yakni Ischaemic Heart Disease,
Stroke, Lower Respiratory Infections, Chronic Obstructive Pulmonary Disease,
Trachea, Diabetes Mellitus, Alzheimer Disease, Diarrhoeal Disease,
Tuberculosis, dan Road Injury. WHO menempatkan iskemia sebagai penyebab
kematian nomer satu didunia dimana iskemia merupakan salah satu penyebab dari
aritmia maka dibutuhkan diagnosis dini dari aritmia secara cepat dan otomatis
sehingga dapat meningkatkan probabilitas bertahan hidup.
Pengembangan ilmu pengetahuan biomedis yang terdiri dari pengolahan
sinyal, analisa data pasien, dan teknologi healthcare telah banyak dilakukan. Data
biomedis seperti (ECG, EEG, PPG, EMG, respirasi, dsb) direkam secara kontinyu
menggunakan sensor dan akan digunakan sebagai informasi klinis. Proses digitasi
data dapat berukuran besar tergantung dari besarnya sampling rate dan durasi
pada proses perekaman data. Suatu sistem biomedis yang ideal harus memiliki
performa yang baik, pemrosesan yang cepat, akurasi yang tinggi, dan reability
yang baik. Pada penelitian ini dilakukan penelitian dengan menggunakan data
sinyal electrocardiogram (ECG) yang akan digunakan untuk mengklasifikasikan
jenis irama detak jantung.
Suatu penelitian mengenai klasifikasi sinyal ECG untuk analisa kelainan
irama jantung dengan menggunakan metode Wavelet Transform (WT) dan
Probabilistic Neural Network (PNN). Klasifikasi irama jantung yang dilakukan
Page 18
2
terdiri dari delapan kelas, diantaranya Normal sinus rhythm (N), Auricular
Fibrillation (AF), Premature Atrial Contraction (PAC), Left Bundle Branch Block
(LBBB), Right Bundle Branch Block (RBBB), Premature Ventricular Contraction
(PVC), Sinoauricular Heart Block (SHB) dan Supraventricular Tachycardia
(SVT). Hasil akurasi dari metode yang diusulkan dibandingkan dengan beberapa
metode klasifikasi lain. Berdasarkan pengujian yang telah dilakukan pada
penelitian tersebut, penggunaan metode Wavelet Transform dan Fuzzy Inference
Classification (Subtractiveclustering) memiliki akurasi yang lebih tinggi
dibandingkan dengan metode klasifikasi yang diusulkan pada penelitian tersebut
(Lorias-espinoza et al., 2017).
Penelitian lain mempresentasikan sebuah metode klasifikasi sinyal ECG
menggunakan metode Taguchi dan metode klasifikasi Naïve Bayes. Terdapat
empat kelas irama jantung yang digunakan pada penelitian tersebut, seperti Left
Bundle Branch Block (LBBB), Right Bundle Branch Block (RBBB) dan
premature ventricular contraction (PVC), dan detak jantung normal. Pola dari
masing-masing kelas tersebut dapat dilihat pada Gambar 1.1. Pada gambar 1.1 (a)
irama jantung normal (b) kelainan irama jantung Left Bundle Branch Block
(LBBB) adanya hambatan pada aktivasi ventrikel kiri menyebabkan adanya
gelombang R sekunder (R') di lead prekordial sebelah kiri dan gelombang S yang
lebar dan dalam di lead prekordial kanan (c) kelainan irama jantung Right Bundle
Branch Block (RBBB) adanya hambatan pada aktivasi ventrikel kanan
menyebabkan adanya gelombang R sekunder (R') di lead prekordial sebelah
kanan dan gelombang S yang lebar dan dalam di lead lateral dan (d) kelainan
irama jantung premature ventricular contraction (PVC) yang tidak didahului oleh
gelombang P dan gelombang QRS yang lebar. Hasil akurasi yang dihasilkan
menggunakan metode klasifikasi tersebut lebih rendah dibandingkan dengan
metode SVM yang digunakan sebagai metode pembanding pada penelitian
tersebut (Maji, Mitra, & Pal, 2016).
Hasil klasifikasi dapat ditingkatkan dengan menerapkan beberapa
pendekatan pada penelitian. Pendekatan yang dapat diterapkan misalnya dengan
menekankan pada bagian filter, susunan fitur, metode optimasi, dan metode
klasifikasi agar dapat memperoleh hasil yang lebih optimal.
Page 19
3
Metode Independent Component Analysis (ICA) merupakan salah satu
filter dalam pemrosesan sinyal. Metode ICA adalah sebuah teknik pemrosesan
sinyal untuk menemukan faktor–faktor atau komponen tersembunyi yang
membentuk sekumpulan variabel acak. Metode ICA telah banyak digunakan
sebagai filter pada beberapa penelitian.
Penelitian mengenai diagnosa otomatis CAD (Coronary Artery Disease)
pada sinyal ECG dilakukan dengan menggunakan beberapa metode, seperti
metode LDA, PCA, ICA and Discrete Wavelet Transform (DWT). Kombinasi
metode ICA dengan metode klasifikasi GMM (Gaussian Mixture Model),
menghasilkan akurasi lebih tinggi dibandingkan metode lainnya (PCA dan LDA)
(Giri et al., 2013).
Penelitian mengenai penghapusan OA (Ocular Artifacts) pada sinyal
EEG secara real-time dengan menggunakan metode Hybrid ICA-ANC mampu
mengurangi OA secara efektif (Jafarifarmand, Badamchizadeh, &
Khanmohammadi, 2017). Penelitian lain mengenai reduksi noise dengan
menggunakan metode ICA dapat memberikan hasil yang efektif dalam
penghapusan noise secara real-time pada sinyal EEG (Mayeli, Zotev, Refai, &
Bodurka, 2016).
Hasil klasifikasi yang optimal dapat diperoleh dengan menggunakan
suatu metode pengoptimalan yang sesuai dengan tujuan yang ingin dicapai.
Pengoptimalan dapat dilakukan dengan menerapkan beberapa metode salah
satunya adalah menggunakan metode Particle Swarm Optimization (PSO).
Penelitian mengenai klasifikasi sinyal ECG ke dalam lima tipe detak
jantung dilakukan dengan menggunakan metode Block-based Neural Network
(BBNN) dan Particle Swarm Optimization (PSO). Penelitian ini memberikan hasil
klasifikasi dengan akurasi yang tinggi sebesar 97% (Shadmand & Mashoufi,
2016).
Penelitian selanjutnya mengenai klasifikasi sinyal ECG ke dalam lima
tipe detak jantung dengan menggunakan metode Block-based Neural Network
(BBNN) dan Particle Swarm Optimization (PSO) dengan filter Adaptive untuk
menghilangkan Baseline Wander Noise dari sinyal ECG daoat memberikan hasil
klasifikasi dengan akurasi yang tinggi sebesar 97% (Galphade & Bhaskar, 2015).
Page 20
4
Penelitian klasifikasi sinyal ECG dengan menggunakan Discrete
Orthogonal Stockwell Transform (DOST) dan PSO Tuned Support Vector
Machines (SVM) memberikan hasil klasifikasi sinyal ECG dengan akurasi
sebesar 99,18% pada enam belas kelas sinyal ECG dan 89,10% pada lima kelas
sinyal ECG (dipetakan menurut standar AAMI ) (Raj, Ray, & Shankar, 2016).
Berdasarkan beberapa penelitian tersebut, maka diusulkan suatu
pendekatan baru yang ditekankan pada bagian filter, susunan fitur dan metode
pengklasifikasi. Metode classifier yang diusulkan pada penelitian ini yaitu
metode Hybrid PSO-Neural Network sedangkan filter yang digunakan yaitu
metode Neural ICA. Metode Hybrid PSO-Neural Network merupakan metode
Neural Network yang dioptimasi menggunakan PSO. Hal tersebut bertujuan untuk
mengoptimalkan hasil klasifikasi. Filter Neural ICA bertujuan untuk memisahkan
sinyal asli dan sinyal noise pada rekaman sinyal ECG. Metode ICA adalah sebuah
teknik pemrosesan sinyal untuk menemukan faktor–faktor atau komponen
tersembunyi yang membentuk sekumpulan variabel acak. Pada penelitian ini
metode ICA mengimplementasikan algoritma Neural untuk proses update bobot.
Pendekatan metode pemrosesan sinyal ECG akan dilakukan penelitian
dan uji coba lebih lanjut sehingga dapat ditemukan suatu pendekatan yang
memiliki pengaruh signifikan terhadap nilai akurasi hasil klasifikasi yang
dihasilkan.
Gambar 1.1 Perbandingan irama detak jantung (Maji et al., 2016)
1.2 Perumusan Masalah
Dalam penelitian ini ditetapkan rumusan masalah sebagai berikut:
a. Apakah metode Neural ICA tepat untuk mendapatkan input sinyal ECG
yang bersih dari artefak dan noise untuk memperbaiki hasil klasifikasi?
Page 21
5
b. Apa metode yang tepat untuk mendapatkan fitur sinyal ECG dengan
dimensi yang lebih kecil namun tidak menghilangkan informasi penting?
c. Apakah metode Hybrid PSO-Neural Network tepat untuk mendapatkan
hasil klasifikasi sinyal ECG yang optimal pada kasus klasifikasi irama
jantung?
1.3 Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah sebagai berikut:
a. Mendapatkan input sinyal ECG yang bersih dari noise dan artefak,
sehingga dapat memperbaiki hasil klasifikasi.
b. Mendapatkan fitur sinyal ECG dengan dimensi yang lebih kecil
namun tidak menghilangkan informasi penting.
c. Mendapatkan hasil klasifikasi sinyal ECG secara akurat khususnya
pada kasus klasifikasi irama jantung
Manfaat dari penelitian ini, yaitu secara umum dapat mengembangkan
ilmu pada bidang informatika khususnya pada bidang biomedik.
1.4 Batasan Masalah
Batasan masalah dalam penelitian ini yaitu data sinyal ECG yang
digunakan berasal dari dataset Massachusetts Institute of Technology–Beth Israel
Hospital (MIT –BIH) Arrhythmia yang terdiri dari 48 data sinyal ECG pasien,
direkam dalam durasi 30 menit, kemudian dipotong tiap 2.5, 5, 7.5, 10, dan 12.5
detik untuk diklasifikasikan secara manual ke dalam empat kelas yakni LBBB,
RBBB, PVC, dan irama jantung normal dengan didampingi Dokter Spesialis
Penyakit Dalam Rumah Sakit Dian Husada Mojokerto.
Jenis klasifikasi sinyal ECG yang digunakan pada penelitian ini yaitu
berupa jenis irama jantung Left Bundle Branch Block (LBBB), Right Bundle
Branch Block (RBBB) dan premature ventricular contraction (PVC), dan detak
jantung normal.
Page 22
6
Hasil klasifikasi yang didapatkan kemudian dilakukan pengujian.
Pengujian dilakukan dengan membandingkan nilai precission (jumlah sampel
berkategori positif diklasifikasi benar dibagi dengan total sampel yang diklasifikasi
sebagai sampel positif), recall (jumlah sampel diklasifikasi positif dibagi total sampel
dalam testing set berkategori positif), f-measure (harmonic mean dari precision dan
recall) dari hasil klasifikasi sinyal ECG. Metode klasifikasi yang diusulkan akan
dibandingkan dengan metode klasifier lain seperti SVM (Support Vector
Machine).
1.5 Kontribusi Penelitian
Kontribusi penelitian ini adalah sebagai berikut
a. Pemrosesan sinyal ECG menggunakan filter modifikasi Neural ICA
untuk mendapatkan sinyal ECG yang bersih dari noise
b. Pemrosesan sinyal ECG dengan penambahan garis vertikal tegak
lurus dari titik R sampai tinggi lembah Q untuk proses penyeleksian
detakan secara otomatis
c. Penggunaan metode Hybrid PSO-NN dalam klasifikasi sinyal ECG
pada kasus klasifikasi irama jantung
Page 23
7
BAB 2
KAJIAN PUSTAKA
Pada bab ini dibahas dasar teori yang menjadi acuan penelitian ini.
Tinjauan pustaka yang dijelaskan meliputi teori tentang jantung, aritmia, sinyal
electrocardiogram, perekam sinyal ECG, gangguan perekaman sinyal ECG,
independent component analysis, Neural network., dan particle swarm
optimization.
2.1 Jantung
Jantung adalah adalah organ utama dan organ penting dalam sistem
kardiovaskular yang terdiri dari otot-otot yang kuat yang berfungsi memompa
darah yang membawa oksigen dan makanan ke seluruh bagian tubuh. Jantung
berbentuk seperti kerucut dan berukuran sebesar kepalan tangan yang dibungkus
oleh selaput bernama perikardium. Jantung terletak dirongga dada sebelah kiri.
Berat jantung kira-kira 7-15 ons atau 200-425 gram dengan panjang kira-kira 12
cm, lebar 8-9 cm, dan tebal kira-kira 6 cm. Jantung berdetak 100.000 kali
perharinya dan memompa darah sebanyak kira-kira 7.571 liter. Jantung berdenyut
70 kali/menit. Jantung terdiri dari beberapa ruang sebagai berikut (LIPI, 2009).
2.1.1 Atrium (dipisahkan oleh septum intratrial)
Atrium kanan terletak dalam bagian superior kanan jantung, menerima
darah dari seluruh jaringan kecuali paru. Vena cava superior dan Inferior
membawa darah dari seluruh tubuh ke jantung. Sinus koroner membawa kembali
darah dari dindin jantung itu sendiri. Atrium kiri di bagian superior kiri jantung,
berukuran lebih kecil dari atrium kanan, tetapi dindingnya lebih tebal.
Menampung empat vena pulmonalis yang mengembalikan darah teroksigenasi
dari paru-paru (Syaifuddin, 2009).
Page 24
8
2.1.2 Ventrikel (dipisahkan oleh septum interventricular)
Ventrikel kanan terletak dibagian inferior kanan pada apeks jantung.
Darah meningalkan ventrikel kanan melalui truncus pulmonal dan mengalir
melewati jarak yang pendek ke paru-paru. Ventrikel kiri terletak dibagian
inferior kiri pada apeks jantung. Tebal dinding 3 kali tebal dinding ventrikel
kanan. Darah meninggalkan ventrikel kiri melalui aorta dan mengalir ke seluruh
bagian tubuh kecuali paru-paru (Syaifuddin, 2009)
Mekanisme kerja jantung berawal dari darah kotor dari seluruh tubuh
masuk ke jantung melalui vena cava superior dan vena cava inferior menuju ke
atrium kanan yang kemudian dialirkan ke ventrikel kanan melalui katub
triskupidalis dimana katub trikupisdalis merupakan katub yang meisahkan atrium
kanan dan ventrikel kanan agar darah yang mengalir ke ventrikel tidak kembali ke
atrium. Darah darah ventrikel kanan dipompa melalui katub pulmonalis ke dalam
arteri pulmonalis menuju ke paru-paru, darah akan mengalir melalui pembuluh
yang sangat kecil yakni pembuluh kapiler yang mengelilingi kantong udara di
paru-paru yang menyerap oksigen dan melepaskan karbondioksida yang
selanjutnya dialirkan kembali ke jantung. Darah yang kaya oksigen mengalir di
vena pulmonalis menuju atrium kiri yang kemudian didorong menuju ventrikel
kiri yang selanjutnya memompa darah bersih melewati katub aorta masuk ke
dalam aorta dan darah yang kayak oksigen di sirkulasikan ke seluruh tubuh
kecuali paru-paru (Syaifuddin, 2016).
Gambar 2.1 Anatomi jantung (Purba, 2013)
Page 25
9
2.2 Aritmia
Gangguan irama jantung atau aritmia merupakan komplikasi yang sering
terjadi pada infark miokardium. Aritmia atau disritmia adalah perubahan pada
frekuensi dan irama jantung yang disebabkan oleh konduksi elektrolit abnormal
atau otomatis (Doenges, 2009). Aritmia timbul akibat perubahan elektrofisiologi
sel-sel miokardium. Perubahan elektrofisiologi ini bermanifestasi sebagai
perubahan bentuk potensial aksi yaitu rekaman grafik aktivitas listrik sel (Futhuri
et al., 2009). Gangguan irama jantung tidak hanya terbatas pada iregularitas
denyut jantung tapi juga termasuk gangguan kecepatan denyut dan konduksi.
Aritmia jantung (heart Arrhythmia) menyebabkan detak jantung menjadi terlalu
cepat atau terlalu lambat. Beberapa jenis kelainan irama jantung adalah sebagai
berikut:
2.2.1 Premature venticular contractions (PVC)
Premature venticular contractions (PVC) merupakan aritmia yang paling
umum dan terjadi pada orang dengan atau tanpa penyakit jantung. Kelainan irama
jantung premature ventricular contraction (PVC) tidak didahului oleh gelombang
P dan gelombang QRS yang lebar. Pada beberapa orang bisa berkaitan dengan
stres, terlalu banyak kafein atau nikotin, tetapi kadang-kadang, PVC dapat
disebabkan oleh penyakit jantung atau ketidakseimbangan elektrolit (Awade,
2014).
2.2.2 Blok jantung
Suatu penundaan (delay) atau blok total impuls listrik ketika berjalan dari
sinus node ke ventrikel. Blok atau delay dapat terjadi pada AV node atau sistem
HIS purkinje. Jantung berdenyut ireguler dan sering lebih lambat. Blok jantung
meliputi RBBB dan LBBB (Durães et al., 2016).
Right Bundle Branch Block (RBBB) adalah adanya Blok atau
hambatan pada cabang berkas kanan ventrikel yang menyebabkan terhambatnya
aktivasi depolarisasi dari ventrikel kanan. Adanya hambatan pada aktivasi
ventrikel kanan menyebabkan adanya gelombang R sekunder (R') di lead
Page 26
10
prekordial sebelah kanan dan gelombang S yang lebar dan dalam di lead lateral.
Terhambatnya aktivasi ventrikel kanan juga menyebabkan gangguan repolarisasi
sekunder pada lead prekordial sebelah kanan seperti ST depresi dan Inversi
gelombang T.
Penyebab RBBB :
Normal Variant
Penyakit Jantung Kongenital ( ASD , VSD , ToF )
Penyakit Jantung Reumatik
Kardiomiopati
Myoperikarditis
Iskemia Miokardium dan Infark Miokard
Emboli Paru atau Akut Cor Pulmonale
Left Bundle Branch Block (LBBB) adalah adanya Blok atau hambatan
pada cabang berkas kiri ventrikel yang menyebabkan terhambatnya aktivasi
depolarisasi dari ventrikel kanan. Adanya hambatan pada aktivasi ventrikel kiri
menyebabkan adanya gelombang R sekunder (R') di lead prekordial sebelah kiri
dan gelombang S yang lebar dan dalam di lead prekordial kanan. Terhambatnya
aktivasi ventrikel kiri juga menyebabkan gangguan repolarisasi sekunder pada
lead prekordial sebelah kiri seperti ST depresi dan Inversi gelombang T
Penyebab LBBB :
Normal Variant ( < 1 % )
Iskemia Miokardium dan Infark Miokard
Left Ventricular Hyperthrophy ( HT, Stenosis Aorta )
Kardiomiopati
2.3 Sinyal Electrocardiogram (ECG)
Sinyal ECG adalah representasi elektrik dari aktivitas jantung yang
digunakan untuk menganalisa penyakit jantung. Pembacaan dilakukan dengan
menggunakan elektroda yang dibuat dari materi yang memiliki resistansi yang
Page 27
11
rendah. Sinyal ECG juga dapat disebut sebagai grafik hasil catatan potensial
listrik yang dihasilkan oleh aktifitas listrik otot jantung (Sulastomo, Heru, 2016).
ECG memperlihatkan 3 bentuk gelombang, gelombang P yang mewakili
depolarisasi atrium, gelombang QRS yang mewakili depolarisasi ventrikel dan
gelombang T yang mewakili repolarisasi. Penjelasan gelombang yang dihasilkan
oleh ECG.
Gambar 2.2 Gelombang PQRST dan interval dari sinyal ECG (Kelwade, 2015)
Beberapa gelombang PQRST dijelaskan sebagai berikut (Halomoan,
2013):
Gelombang P
Normal:
Tinggi tidak lebih dari 3 kotak kecil
Lebar tidak lebihb dari 3 kotak kecil
Positif kecuali di aVR
Gelombang simetris
Kelainan Gelombang P:
Pulmonal / Runcing: R
Mitral / berlekuk lebar: LAH
Page 28
12
PR interval
Normalnya 0,12-0,2 second.
Jika memanjang berarti ada block jantung karena interval ini
terbentuk saat aliran listrik jantung melewati berkas HIS.
Gelombang Q
Normal:
Lebar kurang dari 0,04 second
Tinggi < 0,1 second
Kompleks QRS
Lebar jika aliran listrik berasal dari ventrikel atau terjadi blok
cabang berkas
Normal R/S =1 di lead V3 dan V4
Rotasi menurut arah jarum jam menunjukkan penyakit paru
kronik. Artinya gelombang QRS menjadi berbalik. Yang tadinya
harus positif di V5 + V6 dan negatif di V1 dan V2 maka
sekarang terjadi sebaliknya.
Segmen ST
Normal:
Isoelektrik
Di V1-V6 bisa naik 2 kotak kecil atau turun 0,05 kotak kecil.
Patologis:
Elevasi: AMI atau perikarditis
Depresi: Iskemia atau terjadi setelah pemakaian digoksin
Gelombang T
Normal:
Sama dengan gelombang P
Dapat positif di lead I, II, V3-V6 dan negatif di VR
Patologis:
Runcing: Hiperkalemia
Tinggi lebih dari 2/3 R dan datar: Hipokalemia
Page 29
13
Inversi: bisa normal (di lead III, VR, V1, V2 dan V3 (pada orang
kulit hitam) atau iskemia, infark, RVH dan LVH, emboli paru,
Sindrom WPW, dan Block cabang berkas.
2.4 Perekam Sinyal ECG
Perekam sinyal ECG atau elektrokardiograf merupakan alat yang
berfungsi untuk menampilkan rekaman sinyal listrik jantung dalam bentuk grafik
yang ditampilkan melalui monitor, dicetak pada kertas, atau direkam dalam media
penyimpanan.
2.5 Gangguan Perekaman Sinyal ECG (Noise)
Pada perekaman ECG dikenal istilah noise. Noise adalah potensial listrik
yang terekam di dalam ECG tetapi bukan berasal dari jaringan jantung. Noise
sangat tidak diinginkan dalam perekaman ECG sebab dapat mengganggu atau
merusak gelombang asli sinyal jantung tersebut (Musthafa & Tjandrasa, 2014).
Berikut beberapa hal yang sering menjadi noise pada perekaman ECG :
1. Aktifitas otot
Noise yang disebabkan karena gerakan otot umumnya terjadi karena
gerakan pernafasan, gerakan bagian tubuh, dsb.
2. Interferensi listrik
Noise muncul berupa noise 50/60 Hz berasal dari jaringan daya dan
peralatan elektronik.
3. Elektroda
Noise muncul akibat perubahan sifat dari elektroda yang dipakai.
Misalnya elektroda yang dipakai sudah lama sehingga resistansinya berubah.
2.6 Filter Frekuensi
Filter adalah sebuah rangkaian yang dirancang agar melewatkan suatu
pita frekuensi tertentu seraya memperlemah semua isyarat doluar pita ini. Filter
digunakan untuk menghilangkan frekuensi sinyal yang tidak dibutuhkan (Emilia,
Arifin, & Hikmah, 2016). Filter frekuensi dibagi menjadi dua, yaitu filter aktif dan
Page 30
14
filter pasif. Filter aktif adalah rangkaian filter dengan menggunakan komponen-
komponen elektronik pasif dan aktif seperti operational amplifier (OP-AMP),
transistor, dan komponen lainnya. Filter pasif adalah rangkaian filter yang
menggunakan komponen-komponen pasif, dimana komponen pasif tersebut
adalah resistor, kapasitor, dan induktor. Perbedaan antara komponen aktif dan
pasif adalah pada komponen aktif dibutuhkan sumber agar dapat digunakan,
sedangkan komponen pasif tidak membutuhkan sumber lagi untuk digunakan.
Terdapat beberapa filter frekuensi dua diantaranya yaitu LPF (Low Pass
Filter) yaitu filter yang hanya melewatkan frekuensi rendah dan HPF (High Pass
Filter) yaitu filter yang hanya melewatkan frekuensi tinggi. Pada filter frekuensi
terdapat istilah frekuensi cut off, dimana frekuensi ini adalah frekuensi yang
menjadi batas untuk melewatkan atau menghalangi sinyal masukan yang
mempunyai frekuensi yang lebih tinggi maupun frekuensi yang lebih rendah dari
frekuensi cutoff.
Pada filter digunakan Induktor dan Kapasitor, kedua komponen ini
hambatannya tergantung dari frekuensi dimanfaatkan untuk membuat filter. Filter
menggunakan prinsip pembagi tegangan.
2.7 Independent Component Analysis (ICA)
Independent Component Analysis (ICA) adalah sebuah teknik
pemrosesan sinyal untuk menemukan faktor–faktor atau komponen tersembunyi
yang membentuk sekumpulan variabel acak (hasil dari pengukuran, sinyal atau
secara umum data). ICA mendefinisikan sebuah model untuk mengamati data
multivariabel atau multidimensi, yang biasanya berupa sampel data yang besar.
Dalam model tersebut, variabel data dianggap sebagai gabungan linier dari
beberapa variabel tersembunyi yang tidak diketahui dan sistem pencampuran yang
tidak diketahui pula. Tujuan dari ICA adalah untuk melakukan alih ragam linier
yang menyebabkan variabel yang dihasilkan sedapat mungkin saling secara
statistik independen (Musthafa & Tjandrasa, 2014). Secara mendasar, variabel y1
dan y2 dikatakan independen jika informasi pada nilai dari y1 tidak memberikan
informasi apapun tentang nilai dari y2 dan sebaliknya. Secara teknik, independen
Page 31
15
dapat dijelaskan dengan kepadatan probabilitas. p(y1,y2) adalah probability
density function (pdf) gabungan dari y1 dan y2. Dan p1(y1) adalah pdf marjinal
dari y1 yaitu pdf y1 jika dianggap sendiri (Hyvärinen & Oja, 2000):
( ) ∫ ( ) (2.1)
Begitu pula untuk y2. y1 dan y2 adalah independen jika dan hanya jika
pdf gabungannya dapat difaktorkan dengan cara sebagai berikut:
( ) ( ) ( ) (2.2)
Apabila variabel-variabel independen satu dengan lainnya, maka
variabel–variabel tersebut saling tidak terkorelasi. Dua buah variabel acak y1 dan
y2 dikatakan tidak terkorelasi jika kovariansnya bernilai nol.
* + * + * + (2.3)
Ketidakkorelasian tidak menandakan independensi. Karena
independensi menandakan ketidakkorelasian, maka metode ICA menjaga
prosedur perkiraan sehingga akan selalu memberikan perkiraan yang tidak
terkorelasi dari komponen independen.
a.
Gambar 2.3 Diagram pemodelan dari ICA (B.T. Atmaja, A.S. Aisyah, 2010)
Pada Gambar 2.3 ditunjukkan model ICA secara umum. Dinotasikan s =
(si) sebagai m×1 vektor sinyal sumber dan dengan x = (xi) sebagai n×1 vektor
sinyal yang teramati oleh sensor. Apabila A adalah n×m matriks pencampuran
dan n merupakan derau, sinyal teramati (campuran) vektor x dapat ditulis sebagai
(Musthafa & Tjandrasa, 2014):
(2.4)
Titik awal dari ICA adalah anggapan bahwa komponen si adalah secara
statistik independen dan terdistribusi nongaussian. Matriks pencampur merupakan
matriks kotak (m=n). Kemudian setelah memperkirakan matriks A, dapat dihitung
Page 32
16
inversnya (yang disebut dengan W). Setelah W didapatkan, maka dapat dihitung
perkiraan sinyal sumber y = (yi), yaitu
(2.5)
Pada model ICA, akan terjadi kerancuan sebagai berikut:
1. Tidak dapat ditentukannya varian dari komponen independen.
2. Tidak dapat ditentukannya urutan dari komponen independen.
Permasalahan utama metode ICA adalah mencari model filter linier W,
dimana W merupakan invers dari matriks pencampur A. Ketepatan pemilihan
model filter ini akan mempengaruhi kualitas pemisahan sinyal.
Pada penelitian ini menggunakan algoritma ICA berbasis Neural
Network untuk mencari model filter linier W. Arsitektur metode tersebut dapat
ditunjukkan pada gambar berikut:
Gambar 2.4 Arsitektur metode ICA berbasis Neural Network (Musthafa, 2016)
Input xi(t) merupakan sinyal yang tercampur, pada kasus ini berupa
sinyal ECG yang disertai dengan noise. Vektor output y=[y1,y2,…,yn] diperoleh
dari transformasi linear dari sinyal input x=[x1,x2,..,xn]T oleh variabel Wij.
dengan matrik W sebagai berikut.
Page 33
17
Dengan rumus untuk meng-update nilai W sebagai berikut :
, ( ) ( )- (2.6)
dengan
( )
( ) ( )
dan merupakan koefisien learning.
Proses update nilai W tersebut dilakukan setelah fase forward. Update
nilai W akan dilakukan sepanjang iterasi yang ditentukan. Setelah iterasi proses
tersebut telah mencapai batas yang ditentukan, maka matriks W akan dikalikan
dengan sinyal input x sesuai dengan rumus y = W x. Sehingga akan diperoleh
vektor output y (independent component). Pada tahap selanjutnya dilakukan
perhitungan nilai standar deviasi dan mean dari vektor y (masing-masing
independent component). Setelah itu parameter tersebut dilakukan perbandingan
untuk mendapatkan independent component dengan indeks yang sesuai dengan
varian. Pada kasus ini dapat mengetahui indeks dari sinyal ECG yang bersih dari
noise dan indeks dari sinyal noise.
Hasil sinyal yang dihasilkan oleh metode ICA kadang memiliki index
yang tidak urut antara sinyal noise dan bukan noise. Untuk mengatasi hal tersebut
dilakukan perbandingan antara nilai mean dan standar deviasi dari tiap-tiap index
output ICA, sehingga index output dari ICA selalu dalam keadaan urut antara
sinyal noise dan bukan noise.
Berikut adalah tahapan dalam Neural ICA
1. Centering
2. Whitening, transformasi data ke bentuk baru dimana kovarian matriksnya
adalah matriks identitas
3. Tentukan nilai W dan I secara random
4. Hitung nilai y dengan mengalikan matriks input dengan W.
5. Update nilai W berdasarkan rumus berikut
Page 34
18
, ( ) ( )-
dengan
( )
( ) ( )
dan merupakan koefisien learning.
2.8 Neural Network (NN)
Neural Network (NN) adalah sebuah sistem pemrosesan informasi yang
memiliki karakteristik yang hampir sama dengan jaringan saraf biologis
(Musthafa & Harsono, 2013). Neural Network telah banyak digunakan dalam
berbagai aplikasi, misalnya: pemrosesan sinyal, sistem kontrol, pengenalan pola,
pengobatan, pengenalan suara, produksi suara, dan bisnis. Pada penelitian ini
menggunakan algoritma Resilient Propagation. Algoritma Resilient Propagation
merupakan salah satu metode pembelajaran untuk meminimasi total square error
pada keluaran hasil perhitungan jaringan. Umumnya tujuan pembelajaran dalam
Resilient Propagation adalah untuk mendapatkan keseimbangan sistem saat
diberi masukan pola untuk dihafalkan. Setelah proses learning, sistem dapat
mengenali sesuatu yang sesuai dengan pengenalan pada saat belajar, hal
tersebut dapat ditunjukkan ketika diberi masukan pola lain.
Algoritma Pelatihan
Pelatihan suatu jaringan dengan algoritma Resilient Propagation
meliputi dua tahap : perambatan maju dan perambatan mundur.
Langkah 1 :
Pada layer pertama merupakan layer input, didefinisikan dengan persamaan
(2.7)
dan merupakan nilai pada layer input. Pada kasus ini yaitu sinyal fitur yang
digunakan pada penelitian ini.
Page 35
19
Perambatan Maju
Langkah 2 :
Pada layer kedua merupakan layer hidden, didefinisikan dengan persamaan
∑
(2.8)
merupakan nilai sementara pada titik hidden.
( ) (2.9)
merupakan nilai pada layer hidden dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Langkah 3 :
Pada layer ketiga merupakan layer output, didefinisikan dengan persamaan
∑
(2.10)
merupakan nilai sementara pada titik output.
( ) (2.11)
merupakan nilai pada layer output dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Langkah 4 :
Hitung nilai error pada layer output, didefinisikan dengan persamaan
( )
(
) (2.12)
merupakan nilai output dan merupakan nilai output yang diharapkan.
(2.13)
merupakan jarak (delta) nilai output.
Perambatan Mundur
Langkah 5 :
Update nilai bobot antara layer ke-2 dan layer ke-3, didefinisikan dengan
persamaan
Page 36
20
(2.14)
merupakan jarak (delta) nilai output, merupakan nilai pada layer hidden,
dan merupakan learning rate.
(2.15)
merupakan bobot baru antara layer ke-2 dan layer ke-3.
Langkah 6 :
Update nilai bias antara layer ke-2 dan layer ke-3, didefinisikan dengan
persamaan
(2.16)
merupakan jarak (delta) nilai output, dan merupakan learning rate.
(2.17)
merupakan bias baru antara layer ke-2 dan layer ke-3.
Langkah 7 :
Hitung nilai error pada layer hidden, didefinisikan dengan persamaan
∑
(2.18)
merupakan bobot antara layer ke-2 dan layer ke-3.
(
) (2.19)
merupakan jarak (delta) nilai hidden.
Langkah 8 :
Update nilai bobot antara layer ke-1 dan layer ke-2, didefinisikan dengan
persamaan
(2.20)
merupakan jarak (delta) nilai hidden, merupakan nilai pada layer input,
dan merupakan learning rate.
(2.21)
Page 37
21
merupakan bobot baru antara layer ke-1 dan layer ke-2.
Langkah 9 :
Update nilai bias antara layer ke-1 dan layer ke-1, didefinisikan dengan
persamaan
(2.22)
merupakan jarak (delta) nilai hidden, dan merupakan learning rate.
(2.23)
merupakan bias baru antara layer ke-1 dan layer ke-2.
Langkah 10 :
Kembali mengeksekusi tahap perambatan maju sampai tercapai suatu kondisi
berhenti.
Algoritma Pengujian
Pengujian suatu jaringan dengan algoritma Resilient Propagation berupa
proses perambatan maju seperti ditunjukkan pada Langkah 2 sampai 3.
2.9 Particle Swarm Optimization (PSO)
Particle Swarm Optimization (PSO) merupakan sebuah algoritma
optimasi stokastik. Sejak pertama kali ditemukan, algoritma PSO telah digunakan
secara luas untuk memecahkan masalah optimasi (Sankoh, Musthafa, Rosadi, &
Arifin, 2015), model matematika PSO dapat dilihat pada persamaan (2.24).
( ) ( ) ( ) ( ) ( )
( ) ( )
(2.24)
Keterangan: i : Indeks dari setiap partikel, t : Jumlah iterasi atau pengulangan,
rand1(.) dan rand2(.) : Nomor acak antara 0 dan1, Pbesti : Pengalaman terbaik dari
partikel ke-I yang tercatat, Gbest : Partikel terbaik di antara seluruh populasi,
Nswarm : Jumlah kawanan, Konstanta c1 dan c2 : Faktor bobot dari istilah
Page 38
22
percepatan stokastik yang menarik setiap partikel terhadap posisi Pbesti dan
Gbest, tmax: Jumlah maksimum iterasi atau pengulangan, : Berat inersia, max:
Berat inersia maksimum, min: Berat inersia minimum, K: Jumlah variabel.
Mulai
Hitung kesesuaian nilai untuk semua partikel
Update nilai fitness terbaik dan nilai global terbaik
Update nilai kecepatan untuk semua partikel
Update nilai posisi untuk semua partikel
Apakah sudah mencapai
stopping condition?
Berhenti
Ya
Tidak
Inisialisasi secara acak posisi awal dan kecepatan awal partikel
Gambar 2.5 Flowchart langkah-langkah PSO (Sankoh et al., 2015)
Sebagaimana ditunjukkan dalam persamaan (2.24), terdapat tiga
parameter penyetelan (tuning parameter), yaitu , c1, dan c2 yang masing-masing
memiliki dampak yang besar pada kinerja algoritma. Berat inersia mengontrol
sifat eksplorasi algoritma. Learning factor c1 dan c2 masing-masing menentukan
dampak dari Pbesti terbaik dan Gbest terbaik. Jika c1>c2, maka partikel memiliki
kecenderungan untuk berkumpul ke posisi terbaik yang ditentukan oleh dirinya
sendiri (Pbesti) dibandingkan posisi terbaik yang ditemukan oleh populasi
(Gbest), dan sebaliknya.
Page 39
23
Proses algoritma PSO dimulai dengan menentukan kecepatan awal
(velocity) dan posisi awal (position) secara acak. Setelah itu hitung kecepatan dari
semua partikel. Semua partikel bergerak menuju titik optimal dengan suatu
kecepatan tersebut. Nilai kecepatan awal dari partikel diasumsikan sama dengan
nol. Nilai fitness setiap partikel ditaksir menurut fungsi sasaran (objective
function) yang ditetapkan. Jika nilai fitness setiap partikel pada lokasi saat ini
lebih baik dari Pbest, maka Pbest diatur untuk posisi saat ini. Nilai fitness partikel
dibandingkan dengan Gbest. Jika Gbest yang terbaik maka Gbest yang diupdate.
Apabila posisi semua partikel menuju ke satu nilai yang sama, maka disebut
konvergen. Apabila belum konvergen maka dilakukan perhitungan nilai baru dari
Pbest dan Gbest. Flowchart dari algoritma PSO ditunjukkan pada Gambar 2.5.
2.10 Hybrid Particle Swarm Optimization Neural Network (Hybrid PSO-NN)
Metode Hybrid PSO-Neural Network merupakan metode Neural
Network yang dikombinasikan dengan metode PSO. Proses pelatihan metode
Hybrid PSO-NN terdiri dari proses pelatihan metode Neural Network yang
dioptimasi dengan menggunakan metode PSO. Proses pengujian metode Hybrid
PSO-NN merupakan fase forward dari metode Neural Network. Parameter yang
dioptimasi dengan menggunakan metode PSO yaitu parameter bobot dan bias.
Flowchart dari algoritma Hybrid PSO-NN ditunjukkan pada Gambar 2.6.
Algoritma Pelatihan
Pelatihan suatu jaringan dengan algoritma Hybrid PSO-NN meliputi dua
tahap : perambatan maju dan perambatan mundur.
Langkah 1 :
Pada layer pertama merupakan layer input, didefinisikan dengan persamaan
(2.25)
dan merupakan nilai pada layer input. Pada kasus ini yaitu sinyal fitur yang
digunakan pada penelitian ini.
Page 40
24
Hitung kesesuaian nilai untuk semua
partikel
Update nilai fitness terbaik dan nilai
global terbaik
Update nilai kecepatan untuk semua
partikel
Update nilai posisi untuk semua
partikel
Apakah sudah mencapai
kondisi berhenti? SelesaiYa
Tidak
Hitung nilai error
Update nilai bobot dan bias
Apakah sudah mencapai
kondisi berhenti?
Bobot
dan
Bias
Mulai
Ya
Tidak
PSO
NN
Proses feed forward NN
Diperoleh nilai bobot dan bias
Hasil digunakan PSO
Inisialisasi bobot, bias, parameter NN dan PSO
Inisialisasi secara acak posisi awal
dan kecepatan awal partikel
Gambar 2.6 Flowchart langkah-langkah pelatihan Hybrid PSO-NN
Neural Network :
Perambatan Maju
Langkah 2 :
Pada layer kedua merupakan layer hidden, didefinisikan dengan persamaan
∑
(2.26)
merupakan nilai sementara pada titik hidden.
Page 41
25
( ) (2.27)
merupakan nilai pada layer hidden dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Langkah 3 :
Pada layer ketiga merupakan layer output, didefinisikan dengan persamaan
∑
(2.28)
merupakan nilai sementara pada titik output.
( ) (2.29)
merupakan nilai pada layer output dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Particle Swarm Optimization :
Langkah 4 :
Inisialisasi secara acak posisi awal dan kecepatan awal partikel
Langkah 5 :
Hitung kesesuaian nilai untuk semua partikel
Langkah 6 :
Update nilai fitness terbaik dan nilai global terbaik
Langkah 7 :
Update nilai kecepatan untuk semua partikel menggunakan persamaan berikut.
( ) ( ) ( ) (2.30)
Langkah 8 :
Update nilai posisi untuk semua partikel menggunakan persamaan berikut.
( ) ( ) (2.31)
Langkah 9 :
Pengecekan kondisi berhenti. Jika sudah memenuhi kondisi berhenti, maka lanjut
ke langkah 10. Jika tidak, maka kembali ke langkah 5.
Page 42
26
Neural Network :
Perambatan Maju
Langkah 10 :
Pada langkah ini kembali pada arsitektur NN. Pada layer kedua dari NN
merupakan layer hidden, didefinisikan dengan persamaan
∑
(2.32)
merupakan nilai sementara pada titik hidden.
( ) (2.33)
merupakan nilai pada layer hidden dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Langkah 11 :
Pada layer ketiga merupakan layer output, didefinisikan dengan persamaan
∑
(2.34)
merupakan nilai sementara pada titik output.
( ) (2.35)
merupakan nilai pada layer output dengan menggunakan fungsi aktivasi
bipolar sigmoid, merupakan nilai bias.
Langkah 12 :
Pengecekan kondisi berhenti. Jika sudah memenuhi kondisi berhenti, maka proses
pelatihan selesai dilakukan. Jika tidak, maka lanjut ke langkah 13.
Perambatan Mundur
Langkah 13 :
Update nilai bobot antara layer ke-2 dan layer ke-3, didefinisikan dengan
persamaan
(2.36)
Page 43
27
merupakan jarak (delta) nilai output, merupakan nilai pada layer hidden,
dan merupakan learning rate.
(2.37)
merupakan bobot baru antara layer ke-2 dan layer ke-3.
Langkah 6 :
Update nilai bias antara layer ke-2 dan layer ke-3, didefinisikan dengan
persamaan
(2.38)
merupakan jarak (delta) nilai output, dan merupakan learning rate.
(2.39)
merupakan bias baru antara layer ke-2 dan layer ke-3.
Langkah 7 :
Hitung nilai error pada layer hidden, didefinisikan dengan persamaan
∑
(2.40)
merupakan bobot antara layer ke-2 dan layer ke-3.
(
) (2.41)
merupakan jarak (delta) nilai hidden.
Langkah 8 :
Update nilai bobot antara layer ke-1 dan layer ke-2, didefinisikan dengan
persamaan
(2.42)
merupakan jarak (delta) nilai hidden, merupakan nilai pada layer input,
dan merupakan learning rate.
(2.43)
merupakan bobot baru antara layer ke-1 dan layer ke-2.
Page 44
28
Langkah 9 :
Update nilai bias antara layer ke-1 dan layer ke-1, didefinisikan dengan
persamaan
(2.44)
merupakan jarak (delta) nilai hidden, dan merupakan learning rate.
(2.45)
merupakan bias baru antara layer ke-1 dan layer ke-2.
Langkah 10 :
Kembali mengeksekusi tahap perambatan maju sampai tercapai suatu kondisi
berhenti.
Algoritma Pengujian
Pengujian suatu jaringan dengan algoritma Hybrid PSO-NN berupa proses
perambatan maju seperti ditunjukkan pada langkah 2 sampai 3.
2.11 Zero Crossing Rate (ZCR)
Zero crossing rate adalah suatu parameter atau rasio dengan melakukan
penjumlahan terhadap rata-rata amplitudo sinyal yang melewati nilai zero (nol)
dan sebaliknya per satuan waktu.
Gambar 2.7 Zero Crossing Rate (Shete, Patil, & Patil, 2014)
Perhitungan ZCR dapat dilakukan dengan menggunakan persamaan
sebagai berikut.
Page 45
29
∑ | ( ) ( )|
(2.46)
ZCR merupakan Zero Crossing Rate, merupakan sinyal per satuan waktu,
dan N merupakan panjang sinyal.
Mulai
Inisialisasi panjang sinyal (N),
Inisialisasi window = 1 / (2N)
Baca sinyal sebagai
input
Hitung sum = sum + (input[i] - input[i - 1])
Perulangan sebanyak N
Hitung zcr = sum × window
Selesai
Gambar 2.8 Flowchart langkah-langkah Zero Crossing Rate
Page 46
30
[Halaman ini sengaja dikosongkan]
Page 47
31
BAB 3
METODOLOGI PENELITIAN
Pada penelitian ini, terdapat beberapa tahap penyelesaian yang akan
dilakukan. Beberapa tahap tersebut dijelaskan pada Gambar 3.1.
Identifikasi masalah dan
studi literatur
Perancangan sistem
Pengumpulan bahan dan
data
Implementasi sistem
Analisa hasil dan pengujan
Penulisan Laporan
Gambar 3.1 Diagram alur kerja
Page 48
32
Diagram alur kerja tersebut dijelaskan dalam flowchart berikut:
Mulai
Studi literatur
Penggunaan dataset
Arrhythmia MIT BIH
Sinyal ECG dipotong dalam
durasi per 5 detik
LBBB RBBB PVC Normal
klasifikasi secara manual ke dalam 4 kelas
Pembacaan data
Pengolahan data
Klasifikasi data
Analisis hasil dan evaluasi
Penyusunan laporan
Kesimpulan
Selesai
Proses pelatihan
Jika data sebagai data
pelatihan
YaTidak
Persiapan data
Inisialisasi data sebagai data pelatihan
Simpan hasil pelatihan
Inisialisasi data sebagai data
pengujian
Simpan ke dalam folder masing-masing kelas
Gambar 3.2 Flowchart prosedur penelitian
Page 49
33
3.1 Identifikasi Masalah dan Studi Literatur
Pada tahap ini dilakukan identifikasi permasalahan dan studi literatur
untuk memperoleh informasi yang berkaitan dengan klasifikasi kelainan irama
jantung pada sinyal ECG, diantaranya teori mengenai: BCI, klasifikasi sinyal
ECG, filter sinyal ECG, ekstraksi fitur, Neural network, PSO, dan artifact
removal. Berdasarkan studi literatur yang dilakukan, penelitian yang
menggunakan pendekatan ekstraksi fitur dengan optimasi menggunakan metode
Taguchi memiliki akurasi yang tinggi dalam hasil klasifikasi sinyal ECG, akan
tetapi metode klasifikasi yang digunakan pada penelitian tersebut memiliki hasil
akurasi yang lebih rendah dibandingkan dengan metode pembandingnya, yaitu
metode SVM. Dengan adanya hal tersebut, maka diusulkan suatu pendekatan baru
berupa penggunakan metode klasifier Hybrid PSO-Neural Network. Pada
penelitian ini juga akan melakukan eksperimen terhadap metode ekstraksi fitur
yang optimal untuk mengatasi kasus tersebut.
3.2 Perancangan Sistem
Pada penelitian ini terdiri dari tahap persiapan data dan tahap pengolahan
atau pemrosesan data sinyal ECG. Tahap persiapan data digunakan untuk
mempersiapkan data sinyal ECG yang akan digunakan pada penelitian ini. Data
sinyal ECG yang digunakan pada penelitian ini diperoleh dari Massachusetts
Institute of Technology–Beth Israel Hospital (MIT –BIH) Arrhytmia dengan total
48 sinyal ECG yang berasal dari sumber pasien yang berbeda. Data sinyal ECG
tersebut memiliki durasi 30 menit untuk setiap file-nya. Data dalam durasi 30
menit tersebut akan dipotong setiap durasi 2.5, 5, 7.5, 10 detik, dan 12.5 detik.
Kemudian data potongan tersebut akan dipisahkan secara manual kedalam
kategori atau kelas masing-masing, yaitu LBBB, RBBB, PVC, dan normal dengan
didampingi oleh Dokter Spesialis Penyakit Dalam Rumah Sakit Dian Husada
Mojokerto. Data dari potongan file tersebut memiliki total lebih dari 4000 data.
Proses tersebut ditunjukkan pada Gambar 3.3.
Page 50
34
Gambar 3.3 Diagram tahap persiapan data
Data potongan sinyal ECG tersebut akan digunakan sebagai data
pelatihan dan data pengujian pada penelitian ini. Tahap pengolahan atau
pemrosesan data sinyal ECG bertujuan untuk menghasilkan klasifikasi jenis irama
jantung pada sinyal ECG. Flowchart sistem pada penelitian ini ditunjukkan pada
Gambar 3.4.
Berikut merupakan penjelasan algoritma dari flowchart yang
ditunjukkan pada Gambar 3.4.
1. Sinyal ECG yang diperoleh dari hasil tahap persiapan data digunakan
sebagai input.
2. Sinyal ECG difilter menggunakan metode Neural ICA. Hasil dari Neural
ICA akan menghasilkan independent component yang memiliki indeks tidak
terurut dengan input yang digunakan, oleh karena itu dilakukan pengurutan
dengan menggunakan perbandingan parameter statistika.
3. Posisi QRS dicari dari sinyal ECG. Setiap QRS akan diganti dengan tanda
berupa garis vertikal tepat pada tengah segmen QRS. Garis tersebut
digunakan untuk proses seleksi beat
4. Ekstraksi fitur sinyal ECG menggunakan metode ekstraksi fitur
5. Klasifikasi menggunakan metode Hybrid PSO-Neural Network, sehingga
akan dihasilkan output berupa kelas atau kategori dari sinyal ECG tersebut.
Sinyal ECG dari 48 pasien
(Durasi 30 menit setiap pasien)
Sinyal ECG
(Dipotong dengan durasi per 5 detik dan 10 detik)
Sinyal ECG
(Potongan akan diklasifikasikan manual pada 4 kelas)
LBBB RBBB PVC Normal
Page 51
35
Mulai
Sinyal ECG
(durasi per 5 detik)
ICA
Perbandingan nilai mean dan standar
deviasi
IC Sinyal ECG IC Noise
Penghilangan noise pada sinyal
Cari sinyal PQRST pada sinyal ECG
Gambar garis vertikal tegak lurus dari titik
R sampai tinggi lembah Q
Pemrosesan sinyal
Tandai titik PQRST
Seleksi denyut atau beat sinyal ECG
Ekstraksi fitur
Selesai
Pelatihan Neural Network
Optimasi menggunakan PSO
Pelatihan
Mulai
Sinyal ECG
(durasi per 5 detik)
ICA
Perbandingan nilai mean dan standar
deviasi
IC Sinyal ECG IC Noise
Penghilangan noise pada sinyal
Cari sinyal PQRST pada sinyal ECG
Gambar garis vertikal tegak lurus dari titik
R sampai tinggi lembah Q
Pemrosesan sinyal
Tandai titik PQRST
Seleksi denyut atau beat sinyal ECG
Ekstraksi fitur
Selesai
Klasifikasi menggunakan Neural Network
yang telah dioptimasi menggunakan PSO
pada tahap pelatihan
Pengujian
Tampilkan hasil
klasifikasi
Validasi
(a) Tahap Pelatihan (b) Tahap Pengujian
Simpan hasil pelatihan ke dalam file
Gambar 3.4 Flowchart sistem
Page 52
36
3.3 Pengumpulan Bahan dan Data
Tahap pengumpulan bahan adalah melakukan kegiatan untuk mencari,
mengumpulkan bahan yang berhubungan dengan penelitian ini. Bahan yang
diperlukan untuk menunjang penelitian ini antara lain:
1. Komputer : CPU i7 2,2 Ghz, RAM 8GB, VGA NVIDIA
2GB
2. IDE Netbean 8.0.1 – JDK 1.7
Tahap pengumpulan data menggunakan dataset dimana dataset yang
digunakan pada penelitian ini yaitu berupa data sinyal ECG secara offline yang
diperoleh dari Massachusetts Institute of Technology–Beth Israel Hospital (MIT –
BIH) Arrhythmia. Data sinyal ECG tersebut terdiri dari 48 data sinyal ECG yang
berasal dari sumber pasien yang berbeda. Durasi sinyal ECG tersebut sebesar 30
menit dengan sampling rate 360 Hz. Data dalam durasi 30 menit tersebut akan
dipotong setiap durasi 2.5, 5, 7.5, 10, dan 12.5 detik. Kemudian data potongan
tersebut akan dipisahkan secara manual kedalam kategori atau kelas masing-
masing, yaitu LBBB, RBBB, PVC, dan normal dengan didampingi oleh Dokter
Spesialis Penyakit Dalam Rumah Sakit Dian Husada Mojokerto. Data dari
potongan file tersebut memiliki total lebih dari 4000 data.
3.4 Implementasi Algoritma
Pada bagian ini dilakukan implementasi sistem klasifikasi aritmia
dengan menggunakan pendekatan yang diusulkan. Sistem tersebut dibangun
menggunakan bahasa pemrograman java dengan spesifikasi komputer yang
digunakan memiliki CPU i7 2,2 Ghz, RAM 8GB, VGA NVIDIA 2GB.
3.4.1 Pembuatan Database
Penelitian ini membutuhkan database untuk menyimpan data sinyal
Electrocardiogram (ECG) yang telah dipotong-potong ke dalam bentuk sub
sinyal. Data sinyal Electrocardiogram (ECG) yang telah dipotong-potong akan
diklasifikasikan secara manual oleh dokter ahli pada bidang tersebut.
Page 53
37
Penelitian ini menggunakan database MySQL yang telah dipasang pada
komputer. Sehingga database ini dapat diakses tanpa membutuhkan koneksi
internet.
3.4.2 Persiapan Data
Penelitian ini menggunakan dataset sinyal ECG Massachusetts Institute
of Technology–Beth Israel Hospital (MIT –BIH) Arrhythmia. Pada sinyal ECG
terdapat istilah Upper signal, yaitu Modified Limb Lead (MLII) yang diperoleh
dengan meletakkan elektroda pada dada. Sedangkan lower signal merupakan
modified lead V1 (terkadang V2 atau V5, dan pada suatu kasus menggunakan
V4), seperti upper signal, elektroda dari lower signal juga diletakkan di dada.
Konfigurasi ini sering digunakan BIH Arrhythmia Laboratory. Sinyal QRS
normal terlihat menonjol pada bagian upper signal.
Gambar 3.5 menunjukkan salah satu bentuk sinyal ECG dari MIT-BIH
Arrhytmia pada lead II dan V1. Pada gambar terdapat gelombang PQRST.
Gelombang P adalah representasi dari depolarisasi atrium, PR interval adalah
jarak dari awal gelombang P sampai awal komplek QRS, kompleks QRS adalah
representasi dari depolarisasi ventrikel.
Gambar 3.5 Bentuk data sinyal ECG MIT-BIH Arrhythmia
3.4.3 Pemotongan Dataset Sinyal ECG
Penelitian ini menggunakan dataset sinyal ECG Massachusetts Institute
of Technology–Beth Israel Hospital (MIT –BIH) Arrhythmia. Terdapat 48 file
Page 54
38
sinyal ECG dengan durasi 30 menit. Pada setiap file sinyal ECG terdapat berbagai
kelompok sinyal ECG, seperti PVC, Normal, LBBB, RBBB, dan sebagainya.
Oleh karena itu, diperlukan pemotongan sinyal ECG tersebut menjadi sub sinyal
ECG dengan durasi yang lebih kecil, yaitu setiap 2.5, 5, 7.5, 10, dan 12.5 detik.
Proses pemotongan sinyal ECG tersebut dimulai dari indeks pertama sampai
indeks terakhir dengan panjang data sinyal selama 2.5, 5, 7.5, 10, dan 12.5 detik.
Setiap 1 detik terdapat 360 bit data. Sehingga dalam 2.5 detik terdapat 900 bit
data, 5 detik terdapat 1800 bit data, 7.5 detik terdapat 2700 bit data, 10 detik
terdapat 3600 bit data, dan 12.5 detik terdapat 4500 bit data. Proses pemotongan
sinyal ECG tersebut dilakukan secara otomatis menggunakan aplikasi yang
dikembangkan pada penelitian ini. Hasil dari proses pemotongan sinyal ECG akan
disimpan ke dalam database. Setelah semua file ECG telah berhasil dipotong-
potong dan disimpan ke dalam database, maka data yang terdapat di dalam
database telah siap untuk diklasifikasikan secara manual oleh dokter ahli pada
bidang tersebut.
3.4.4 Penghilangan Artefak
Artefak adalah potensial listrik yang terekam di dalam sinyal ECG tetapi
bukan berasal dari jaringan jantung. Artefak sangat mengganggu sinyal ECG dan
dapat mempengaruhi kualitas sinyal ECG yang dihasilkan. Analisa dan otomasi
pendeteksian sinyal QRS akan mengalami kesulitan apabila data sinyal ECG
terdiri dari banyak artefak. Sinyal ECG yang memiliki artefak akan direduksi
menggunakan metode yang diusulkan pada penelitian ini, yaitu menggunakan
Neural ICA. Metode Neural ICA merupakan suatu teknik perhitungan statistik
untuk menemukan faktor-faktor tersembunyi yang mendasari sekumpulan
variabel random, pengukuran, atau sinyal-sinyal. Oleh karena itu, diharapkan
metode Neural ICA dapat memisahkan variabel berupa sinyal artefak dan sinyal
ECG yang bersih dari artefak secara otomatis. Pada penelitian ini penggunaan
filter Neural ICA mereduksi noise yang memiliki frekuensi di atas 100 Hz.
Hasil sinyal yang dihasilkan oleh metode Neural ICA kadang memiliki
index yang tidak urut antara sinyal artefak dan bukan artefak. Untuk mengatasi
hal tersebut dilakukan perbandingan antara nilai mean dan standar deviasi dari
Page 55
39
tiap-tiap index output ICA. Sehingga index output dari Neural ICA selalu dalam
keadaan urut antara sinyal artefak dan bukan artefak. Pseudocode pengurutan
indeks independent ditunjukkan pada Tabel 3.1.
Metode Neural ICA dengan algoritma ICA yang lain memiliki
perbedaan, khususnya pada rumus dan cara untuk menemukai model filter W.
Pada proses utama yaitu menghitung nilai y dengan mengalikan matriks input
dengan W.
Pada iterasi tertentu, akan dilakukan update nilai W berdasarkan rumus
berikut :
, ( ) ( )- ,
dengan
( ) , ( ) ( ), dan merupakan koefisien learning. Banyaknya
iterasi tersebut berasal suatu konstanta yang diberikan. Misalkan terdapat 5000
iterasi, maka akan melakukan perhitungan dan kemudian melakukan
update nilai , ( ) ( )- .
Tabel 3.1 Pseudocode untuk mendapatkan hasil independent dengan indeks urut
No Pseudocode 1. FUNGSI ICAIndeksUrut
2. PERULANGAN i := 0 sampai i < PanjangHasilICA
3. HITUNG meanindex_0 := meanindex_0 + hasil_ica[0][i]
4. HITUNG meanindex_0 /= PanjangHasilICA
5.
6. PERULANGAN i := 0 sampai i < PanjangHasilICA
7. HITUNG sum += Math.pow(hasil_ica[0][i] - meanindex_0, 2)
8. HITUNG stdevindex_0 := Math.sqrt(sum / PanjangHasilICA)
9.
10. PERULANGAN i := 0 sampai i < PanjangHasilICA
11. HITUNG meanindex_1 := meanindex_1 + hasil_ica[1][i]
12. HITUNG meanindex_1 /= PanjangHasilICA
13.
14. PERULANGAN i := 0 sampai i < PanjangHasilICA
15. HITUNG sum += Math.pow(hasil_ica[1][i] - meanindex_1, 2)
16. HITUNG stdevindex_1 := Math.sqrt(sum / PanjangHasilICA)
17.
18. JIKA stdevindex_0 > stdevindex_1
19. tmp_hasil_ica[0] := hasil_ica[0]
20. tmp_hasil_ica[1] := hasil_ica[1]
Page 56
40
No Pseudocode 21. JIKA TIDAK
22. tmp_hasil_ica[0] := hasil_ica[1]
23. tmp_hasil_ica[1] := hasil_ica[0]
24. HASIL hasil_bersih_aar := tmp_hasil_ica[1]
3.4.5 Pemrosesan Sinyal ECG
Pemrosesan sinyal ECG dilakukan dengan beberapa tahap diantaranya
proses filter dengan menggunakan metode Neural ICA dan penambahan tanda
berupa garis vertikal tepat pada tengah segmen QRS. Garis vertikal tersebut
bertujuan untuk memudahkan analisa secara otomatis. Garis vertikal tersebut
digunakan untuk menyeleksi fitur setiap beat atau detakan. Pendeteksian titik
tengah dari segmen QRS menggunakan implementasi metode High Pass Filter
dan Low Pass Filter. Sinyal ECG setelah mengalami proses penghilangan artefak
akan diproses menggunakan High Pass Filter untuk menyeleksi sinyal dengan
frekuensi yang tinggi. Threshold dari HPF yang digunakan adalah sebesar 200 Hz.
Setelah itu, hasil dari highpass filter akan diproses menggunakan lowpass filter
pada frekuensi 5 Hz untuk menyeleksi sinyal dengan frekuensi yang rendah.
Setelah itu, sinyal hasil Low Pass Filter akan diproses dengan algoritma
pendeteksian puncak yang diusulkan pada penelitian ini.
Tabel 3.2 Pseudocode highpass filter
No Pseudocode 1. FUNGSI HighPass
2. DEFINISI M := 5
3. DEFINISI Konstanta := 1 / M
4. PERULANGAN i := 0 sampai i < PanjangSampel
5. HITUNG y2_index := i - ((M + 1) / 2)
6. JIKA y2_index < 0
7. HITUNG y2_index := PanjangSampel + y2_index
8. y2 := SinyalInput[y2_index]
9.
10. PERULANGAN j := i sampai j > i - M
11. x_index := i - (i - j)
12. JIKA x_index < 0
13. HITUNG x_index := PanjangSampel + x_index
14. y1_sum += SinyalInput[x_index]
15.
16. HITUNG y1 := Konstanta * y1_sum
17. HITUNG SinyalHighPass[i] := y2 - y1
18. HASIL SinyalHighPass
Page 57
41
Tabel 3.3 Pseudocode lowpass filter
No Pseudocode 1. FUNGSI LowPass
2. PERULANGAN i := 0 sampai i < PanjangSampel
3.
4. JIKA i + 30 < PanjangSampel
5. PERULANGAN j := i sampai j < i + 30
6. sum += SinyalInput[j] KUADRAT
7.
8. JIKA i + 30 >= SinyalInput.length
9. HITUNG over := i + 30 - SinyalInput.length
10. PERULANGAN j := i sampai j < PanjangSampel
11. sum += SinyalInput[j] KUADRAT
12.
13. PERULANGAN j := 0 sampai j < over
14. sum += SinyalInput[j] KUADRAT
15.
16. HITUNG SinyalLowPass[i] := sum
17. HASIL SinyalLowPass
Tabel 3.4 Pseudocode pendeteksian QRS
No Pseudocode 1. FUNGSI DeteksiQRS
2. PERULANGAN i := 0 sampai i < 100
3. JIKA SinyalLowPass[i] > NilaiThreshold
4. ATUR NilaiThreshold := SinyalLowPass[i]
5.
6. PERULANGAN i := 0 sampai i < PanjangSampel
7. JIKA i + lebarFrame > PanjangSampel
8. ATUR index := PanjangSampel
9. JIKA TIDAK
10. ATUR index := i + lebarFrame
11. PERULANGAN j := i sampai j < index
12. JIKA SinyalLowPass[j] > max
13. ATUR max := SinyalLowPass[j]
14.
15. PERULANGAN j := i sampai j < index
16. JIKA SinyalLowPass[j] > NilaiThreshold
17. JIKA BUKAN BatasAwal
18. BatasAwal := j
19. JIKA TIDAK
20. ATUR BatasAkhir := j
21. JIKA BatasAkhir > BatasAwal
22. PERULANGAN j := BatasAwal sampai j <= BatasAkhir
23. indeksMax := j JIKA MEMENUHI KONDISI
24. JIKA lastMax < indeksMax DAN JARAKINDEX > 100
25. ATUR SinyalQRS[indeksMax] := 1
26. ATUR lastMax := indeksMax
27. UPDATE NilaiThreshold
28. HASIL SinyalQRS
Page 58
42
3.4.6 Ekstraksi Fitur
Tahap ini bertujuan untuk mendapatkan fitur-fitur yang terpilih dari
masukan data-data pelatihan. Penelitian ini menggunakan metode ZCR sebagai
metode pengekstraksi fitur tersebut. Pemilihan panjang fitur dilakukan pada
beberapa fitur dengan panjang 90, 100, dan 110 bit. Ketiga panjang fitur tersebut
akan diuji dan dianalisa untuk mengetahui panjang fitur yang dapat memberikan
hasil klasifikasi dengan nilai akurasi yang paling tinggi. Fitur-fitur yang terpilih
nantinya digunakan untuk proses klasifikasi pelatihan dan digunakan untuk
ekstraksi fitur data pengujian.
Ekstraksi fitur pada proses pengujian dilakukan dengan mengambil hasil
ekstraksi fitur pada proses pelatihan diterapkan pada data pengujian. Hasil
ekstraksi fitur pada data pengujian ini nantinya digunakan sebagai masukan pada
proses klasifikasi pengujian.
3.4.7 Klasifikasi
Proses klasifikasi pelatihan dilakukan setelah data-data pelatihan diambil
fitur-fitur khusus, fitur-fitur khusus ini berupa vektor fitur yang dimensinya lebih
kecil. Proses klasifikasi data fitur tersebut menggunakan metode Hybrid PSO-NN.
Pada metode ini akan dilakukan uji coba menggunakan beberapa jumlah populasi
diantaranya adalah 20, 30, dan 40 partikel. Banyaknya populasi yang digunakan
mempengaruhi hasil klasifikasi dan waktu komputasi dari suatu metode
pengklasifikasi. Selain populasi, hasil klasifikasi dan waktu komputasi juga
dipengaruhi oleh panjang fitur. Panjang fitur yang digunakan terdiri dari 90, 100,
dan 110 bit. Ketiga panjang fitur tersebut akan diuji dan dianalisa untuk
mengetahui panjang fitur yang dapat memberikan hasil klasifikasi dengan nilai
akurasi yang paling tinggi.
Pada proses klasifikasi pelatihan variabel bobot dan bias yang didapat
akan disimpan dan nantinya akan digunakan sebagai data tiap pengklasifikasi
dalam proses pengujian.
Pada proses klasifikasi pengujian menggunakan hasil ekstraksi fitur data
pengujian dan hasil proses klasifikasi pelatihan. Hasil dari proses ini berupa nilai
indeks dari fungsi keputusan yang terbesar yang menyatakan kelas dari data
Page 59
43
pengujian. Jika kelas yang dihasilkan dari proses klasifikasi pengujian sama
dengan kelas data pengujian, maka informasi yang dihasilkan dari proses
klasifikasi sinyal ECG yaitu berupa informasi yang didefinisikan pada kelas
tesebut.
3.5 Analisa Hasil dan Metode Pengujian
Hasil penelitian dianalisis dan dibandingkan dengan beberapa parameter
metode pengklasifikasi dan diterapkan metode pengujian sebagai berikut
3.5.1 Parameter Metode Pengklasifikasi
3.5.1.1 Neural Network
Pada penelitian ini menggunakan algoritma Resilient Propagation.
Algoritma Resilient Propagation merupakan salah satu metode pembelajaran
untuk meminimasi total square error pada keluaran hasil perhitungan jaringan.
Umumnya tujuan pembelajaran dalam Resilient Propagation adalah untuk
mendapatkan keseimbangan sistem saat diberi masukan pola untuk dihafalkan.
Setelah proses learning, sistem dapat mengenali sesuatu yang sesuai dengan
pengenalan pada saat belajar, hal tersebut dapat ditunjukkan ketika diberi
masukan pola lain.
Arsitektur Neural Network yang digunakan pada penelitian ini
ditunjukkan pada Gambar 3.6 sebagai berikut
I0
I1
I2
I3
In
H0
H1
H2
H3
H2n
O0
O1
O2
O3
Input Output
Gambar 3.6 Arsitektur Neural Network yang digunakan
Page 60
44
Terdapat 1 layer input, 1 layer hidden, dan 1 layer output. Pada layer
input terdiri dari N titik. Sedangkan pada hidden terdiri dari 2xN titik pada
masing-masing layer. Pada output layer terdiri dari 4 titik.
Pada penelitian ini dilakukan pengujian dengan memanfaatkan beberapa
learning rate, diantaranya 0,1; 0,2; 0,3; dan 0,4. Error maksimal yang digunakan
yaitu sebesar 0.01. Hasil klasifikasi menggunakan NN akan diambil nilai akurasi
dan waktu komputasi yang dibutuhkan.
3.5.1.2 Hybrid PSO Neural Network
Pada penelitian ini digunakan kombinasi PSO-Neural Network. Neural
Network yang diterapkan menggunakan algoritma Resilient Propagation.
Terdapat 1 layer input, 1 layer hidden, dan 1 layer output. Pada layer input terdiri
dari N titik. Sedangkan pada hidden terdiri dari 2xN titik pada masing-masing
layer. Pada output layer terdiri dari 4 titik.
Particle Swarm Optimization (PSO) merupakan sebuah algoritma
optimasi stokastik. Pada PSO terdapat tiga parameter penyetelan (tuning
parameter), yaitu , c1, dan c2. Berat inersia mengontrol sifat eksplorasi
algoritma. Learning factor c1 dan c2 masing-masing menentukan dampak dari
Pbesti terbaik dan Gbest terbaik. Jika c1>c2, maka partikel memiliki
kecenderungan untuk berkumpul ke posisi terbaik yang ditentukan oleh dirinya
sendiri (Pbesti) dibandingkan posisi terbaik yang ditemukan oleh populasi
(Gbest), dan sebaliknya.
Metode Hybrid PSO-Neural Network merupakan metode Neural
Network yang dikombinasikan dengan metode PSO. Proses pelatihan metode
Hybrid PSO-NN terdiri dari proses pelatihan metode Neural Network yang
dioptimasi dengan menggunakan metode PSO. Proses pengujian metode Hybrid
PSO-NN merupakan fase forward dari metode Neural Network. Parameter yang
dioptimasi dengan menggunakan PSO yaitu parameter bobot dan bias. Pada
penelitian ini menggunakan jumlah populasi sebesar 20 partikel, error maksimal
yang digunakan sebesar 0.01, bobot inersia sebesar 0.8, velocity maksimal
sebesar 2, personal learning coefficient sebesar 1.0 dan global learning
coefficient sebesar 1.0
Page 61
45
3.5.1.3 Support Vector Machine
Metode SVM yang digunakan pada penelitian ini yaitu menggunakan
Multiclass One Against All yang akan membangun sejumlah k SVM biner (k
adalah jumlah kelas). Kernel yang digunakan yaitu kernel Gaussian seperti
ditunjukkan pada persamaan (4.1). Pada proses klasifikasi pelatihan variabel
hyperplane untuk setiap pengklasifikasi (classifier) yang didapat akan disimpan
dan nantinya akan digunakan sebagai data tiap pengklasifikasi dalam proses
pengujian, dengan kata lain proses klasifikasi pelatihan adalah untuk mencari
support vector dari data input (dalam hal ini digunakan quadratic programming).
Pada proses klasifikasi pengujian menggunakan hasil ekstraksi fitur data
pengujian dan hasil proses klasifikasi pelatihan. Hasil dari proses ini berupa nilai
indeks dari fungsi keputusan yang terbesar yang menyatakan kelas dari data
pengujian. Jika kelas yang dihasilkan dari proses klasifikasi pengujian sama
dengan kelas data pengujian, maka informasi yang dihasilkan dari proses
klasifikasi sinyal ECG yaitu berupa informasi yang didefinisikan pada kelas
tesebut.
Kernel Gaussian K(Z,Zi) = exp (4.1)
Matriks Hessian H = K(Z,Zi) * Y * YT
(4.2)
Pada penelitian ini menggunakan fungsi quadratic programming monqp
dari LIBSVM (Chang & Lin, 2013). Fungsi quadratic programming monqp
memerlukan variabel c dan epsilon. Pada penelitian ini menggunakan nilai c =
10000 dan epsilon = 1x10-7
. Hasil dari fungsi monqp (quadratic programming)
adalah nilai variable w, x, dan b yang nantinya akan digunakan untuk proses
pengujian.
3.5.2 Metode Pengujian
Pada penelitian ini, terdapat empat kelas yang digunakan sebagai target
klasifikasi. Kelas tersebut terdiri dari irama jantung NORMAL, irama jantung
dengan kelainan LBBB, irama jantung dengan kelainan RBBB, dan irama jantung
dengan kelainan PVC.
))2(
||(
2
2
iZZ
Page 62
46
Pengujian pada penelitian ini dilakukan dengan membandingkan
beberapa nilai parameter yang diperoleh dari proses klasifikasi menggunakan
metode yang diusulkan pada penelitian ini dengan metode pada penelitian lain,
khususnya penelitian dengan topik klasifikasi irama jantung menggunakan sinyal
ECG. Parameter-parameter yang akan dibandingkan yaitu F-Measure, precision,
dan recall. Precision (p) adalah jumlah sampel berkategori positif diklasifikasi
benar dibagi dengan total sampel yang diklasifikasi sebagai sample positif. Recall
(r) atau sensitivity adalah jumlah sampel diklasifikasi positif dibagi total sampel
dalam testing set berkategori positif. F-Measure (F1) adalah nilai yang
didapatkan dari pengukuran precision dan recall antara class hasil cluster
dengan kelas sebenarnya yang terdapat pada data masukan. Berikut merupakan
rumus untuk menghitung beberapa parameter tersebut. Acuan dari penelitian ini
yaitu dari beberapa penelitian yang memiliki topik yang sama. Beberapa
penelitian berbasis sinyal ECG juga menggunakan parameter tersebut untuk
perbandingan, khususnya penelitian yang menggunakan data sinya ECG yang
berasal dari dataset MIT-BIH.
(4.3)
(4.4)
(4.5)
(4.6)
Classified positive Classified negative
Actual positive TP FN
Actual negative FP TN
Keterangan :
TP : Jumlah klasifikasi yang benar dari contoh positif (true positive)
FN : Jumlah klasifikasi yang salah contoh positif (false negative)
FP : Jumlah klasifikasi yang salah contoh negatif (false positive)
TN : Jumlah klasifikasi yang benar dari contoh negatif (true negative)
Page 63
47
Tabel 3.6 Pseudocode penghitungan parameter uji
No Pseudocode 1. FUNGSI HitungParameterPengujian
2. HITUNG akurasi := TP / (TP + TN + FN + FP)
3. HITUNG presisi := TP / (TP + TN)
4. HITUNG fmeasure := 0
5. HITUNG recall := 0
6. JIKA presisi > 0
7. HITUNG recall := TP / (TP + FN)
8. HITUNG fmeasure := (2*(presisi*recall))/(presisi+recall)
9. TAMPILKAN NILAI PARAMETER
Page 64
48
[Halaman ini sengaja dikosongkan]
Page 65
49
BAB 4
HASIL DAN PEMBAHASAN
4.1 Lingkungan Uji Coba
Sebagai uji coba pada penelitian ini, data sampel diujikan dengan
menggunakan komputer (laptop) dengan dukungan processor Intel i7 @3.00 GHz,
kapasitas memory 8 Gigabyte, GPU NVIDIA GT 640M 2 Gigabyte, kapasitas
harddisk 500 GB. Sistem operasi yang digunakan pada penelitian ini yaitu sistem
operasi Windows 7 64 bit yang dilengkapi IDE dengan bahasa pemrograman Java.
4.2 Massachusetts Institute of Technology–Beth Israel Hospital (MIT –BIH)
Arrhythmia Database
Sumber ECG yang termasuk dalam Database Arrhythmia MIT-BIH
adalah satu set lebih dari 4000 rekaman Holter jangka panjang yang diperoleh
oleh Beth Israel Hospital Arrhythmia Laboratory antara tahun 1975 dan 1979.
Sekitar 60% dari rekaman ini diperoleh dari pasien rawat inap. Basis data berisi
23 rekaman dipilih secara acak dari set ini, dan 25 rekaman dipilih dari set yang
sama untuk menyertakan variasi fenomena langka tetapi secara klinis penting
yang tidak akan terwakili dengan baik oleh sampel acak kecil dari rekaman
Holter. Terdapat 48 rekaman dengan durasi kurang lebih 30 menit.
Pada beberapa catatan, upper signal adalah Modified Limb Lead (MLII)
yang diperoleh dengan meletakkan elektroda pada dada. Untuk lower signal
merupakan modified lead V1 (terkadang V2 atau V5, dan pada suatu kasus
menggunakan V4), seperti upper signal, electrode dari lower signal juga
diletakkan di dada. Konfigurasi ini sering digunakan BIH Arrhythmia Laboratory.
Kompleks QRS normal biasanya terlihat menonjol pada bagian upper signal.
Sumbu utama pada lower signal kemungkinan mendekati orthogonal pada sumbu
rata-rata cardiac electrical (misal, detak normal biasanya merupakan biphasic dan
kemungkinan mendekati isoelektrik). Jadi, detak jantung normal sering sulit untuk
diketahui dalam lower signal, meskipun detak ektopik akan lebih sering terlihat.
Page 66
50
Detak ektopik adalah irama abnormal yang muncul selain dari SA Node. Pada
beberapa kondisi misalnya kondisi surgical dressing tidak digunakan lead II,
namun dapat digunakan V5 sebagai upper signal.
Pada sinyal ECG terdapat gelombang PQRST. Gelombang P adalah
representasi dari depolarisasi atrium, PR interval adalah jarak dari awal
gelombang P sampai awal komplek QRS, kompleks QRS adalah representasi dari
depolarisasi ventrikel, dan interval QT meliputi komplek QRS, segmen ST, dan
gelombang T.
4.3 Data Uji Coba
Data uji yang digunakan pada penelitian ini yaitu berupa data sinyal ECG
yang diperoleh dari Massachusetts Institute of Technology–Beth Israel Hospital
(MIT –BIH) Arrhythmia.dengan total 48 sinyal ECG yang berasal dari sumber
pasien yang berbeda. Data sinyal ECG tersebut memiliki durasi 30 menit untuk
setiap file-nya. Aplikasi untuk klasifikasi dapat ditunjukkaan seperti pada Gambar
4.1.
Gambar 4.1 Aplikasi overview
Page 67
51
Gambar 4.2 Aplikasi klasifikasi manual sinyal ECG
Gambar 4.3 Aplikasi eksperimen
Gambar 4.1, Gambar 4.2, dan Gambar 4.3 menunjukkan aplikasi yang
terdiri dari beberapa menu diantaranya adalah menu overview yang berfungsi
untuk menjelaskan deskripsi singkat penelitian, menu pengelompokan yang
Page 68
52
berfungsi mengklasifikasikan secara manual sinyal ECG, menu ekperimen yang
berfungsi untuk tahap pemerosesan data, dan menu klasifikasi yang berfungsi
untuk klasifikasi data sinyal ECG.
Pada menu pengelompokan data sinyal ECG dari Massachusetts Institute
of Technology–Beth Israel Hospital (MIT –BIH) Arrhythmia memiliki durasi 30
menit tiap pasien dengan jumlah pasien 48 orang. Data sinyal ECG dipotong tiap
2.5, 5, 7.5, 10, dan 12.5 detik. Data ECG yang dipotong tiap 5 detik dan 10 detik
untuk kemudian dipilih mana yang lebih memudahkan dalam pembacaan untuk
klasifikasi manual. Kemudian data hasil potongan tersebut akan dipisahkan secara
manual kedalam kategori atau kelas masing-masing, yaitu LBBB, RBBB, PVC,
dan normal dengan didampingi oleh Dokter Spesialis Penyakit Dalam Rumah
Sakit Dian Husada Mojokerto. Data dari potongan file tersebut memiliki total
lebih dari 4000 data. Data hasil potongan sinyal ECG yang telah diklasifikasikan
secara manual akan digunakan sebagai data pelatihan dan data pengujian pada
penelitian ini. Pada penelitian ini menggunakan 418 data pelatihan dan 9535 data
pengujian (terdiri dari sinyal ECG durasi 5 detik dan 10 detik), selain itu juga
terdapat data pengujian pada durasi 2.5, 7.5, dan 12.5 detik.
4.4 Hasil Klasifikasi Manual sinyal ECG
Hasil klasifikasi manual irama jantung yang telah dilakukan ada empat
kelas diantaranya adalah irama jantung normal, LBBB, RBBB, dan PVC dengan
karakterter bentuk sinyal yang berbeda-beda. Pada sinyal ECG terdapat
gelombang PQRST. Gelombang P adalah representasi dari depolarisasi atrium,
PR interval adalah jarak dari awal gelombang P sampai awal komplek QRS,
kompleks QRS adalah representasi dari depolarisasi ventrikel, dan interval QT
meliputi komplek QRS, segmen ST, dan gelombang T (Thaler, 2017).
Pada Gambar 4.4 irama jantung adalah normal atau irama sinus. Irama
Sinus yakni adanya gelombang P, dan setiap gelombang P harus diikuti oleh
kompleks QRS. Pada gambar tersebut muncul gelombang P sebagai rekaman
depolarisasi di miokardium atrium. Kemudian diikuti oleh kompleks QRS.
Page 69
53
Gambar 4.4 Bentuk sinyal normal data ECG MIT-BIH Arrhythmia
Bagian awal pada kompleks QRS menggambarkan peristiwa depolarisasi
septum intraventrikulare oleh fasikulus septal dari cabang kiri berkas. Setelah sel
miokardium berdepolarisasi, sel-sel mengalami periode refrakter yang singkat. Sel
sel kemudian mengalami repolarisasi yakni pemulihan kembali muatan elektron
negatif di sisi dalam sel untuk dirangsang kembali. Gelombang T merupakan
gambaran dari repolarisasi ventrikel (Thaler, 2017). Apabila tidak ada kompleks
QRS sesudah gelombang P, atau sama sekali tidak ada gelombang P maka
termasuk irama bukan Sinus. Ini menunjukkan adanya blokade impuls elektrik
jantung di titik-titik tertentu dari tempat jalannya impuls seharusnya (bisa di
Nodus SA-nya sendiri, jalur antara Nodus SA – Nodus AV, atau setelah nodus
AV), sehingga terjadi kelainan (Nazmah, 2014).
Pada Gambar 4.5 irama jantung mengalami kelainan pada berkas kanan
yakni Right Bundle Branch Blok (RBBB). Pada kelainan ini jantung mengalami
blokade konduksi cabang berkas kanan. Blokade cabang berkas kanan didiagnosis
dengan melihat pada lebar dan konfigurasi kompleks QRS-nya. Pada blokade
cabang berkas kanan, depolarisasi ventrikel kanan yang terlambat sehingga
depolarisasi ini belum sampai ventrikel kiri hampir terdepolarisasi penuh.
Page 70
54
Gambar 4.5 Bentuk sinyal kelainan RBBB data ECG MIT-BIH Arrhythmia
Keterlambatan depolarisasi ventrikel kanan memperpanjang waktu total
depolarisasi ventrikel sehingga menyebabkan kompleks QRS melebar seperti
yang ditunjukkan pada gambar.
Pada kompleks QRS normal gelombang R positif kecil dan gelombang S
negative dalam, yang menggambarkan dominasi listrik ventrikel kiri. Pada
blockade berkas kanan, gelombang R dan S masih terlihat di awal ketika ventrikel
kiri berdepolarisasi, tetapi ketika ventrikel kanan mulai depolarisasinya yang
terlambat, ventrikel kiri telah berdepolarisasi secara penuh sehingga sumbu aliran
listriknya berbelok kembali ke arah kanan. Hal ini menyebabkan adanya
gambaran gelombang R kedua atau R sekunder yang diseut R’ pada sandapan V1
dan V2. Seluruh komplek ini disebut R’SR dan gambarannya menyerupai telinga
kelinci. Sandapan-sandapan lateral kiri yang merekam ventrikel kiri, depolarisasi
ventrikel kanan yang lambat menyebabkan rekaman gelombang S yang lambat
dan terbalik (Thaler, 2017).
Page 71
55
Gambar 4.6 Bentuk sinyal kelainan LBBB data ECG MIT-BIH Arrhythmia
Pada Gambar 4.6 irama jantung mengalami kelainan pada berkas kiri
yakni Left Bundle Branch Blok (LBBB). Pada kelainan ini jantung mengalami
blokade konduksi cabang berkas kiri. Blokade cabang berkas kiri didiagnosis
dengan melihat pada lebar dan konfigurasi kompleks QRSnya. Pada blokade
cabang berkas kiri, depolarisasi ventrikel kiri yang terlambat. Keterlambatan
depolarisasi kiri menyebabkan kompleks QRS melebar seperti yang ditunjukkan
pada Gambar 4.6. Gelombang R yang tinggi dan lebar pada lead lateral (V5, V6,
I, aVL) yang biasa disertai notching atau membentuk huruf M. Pada blokade
berkas kiri, depresi segmen ST dan inversi gelombang T dapat ditemukan pada
sandapan lateral kiri (Thaler, 2017).
Pada Gambar 4.7 irama jantung mengalami kelainan pada ventrikel yakni
Premature Ventricular Contraction (PVC). Premature Ventricular Contraction
atau Ventrikular Ekstrasistol merupakan suatu beat prematur yang fokusnya
berasal dari jaringan ventrikel. Karakteristik beat prematur ialah fokus ektopik
muncul sebelum SA node mengeluarkan impuls. Ektopik adalah irama abnormal
yang muncul dari mana saja selain dari SA node yang menyerupai escape beats
(Thaler, 2017).
Page 72
56
Gambar 4.7 Bentuk sinyal kelainan PVC data ECG MIT-BIH Arrhythmia
Beat PVC premature yakni beat muncul sebelum jadwal gelombang QRS
dari SA Node seperti yang terlihat pada Gambar 4.7. Pada kelainan PVC
mempunyai gelombang QRS yang lebar. Umumnya setelah terjadi PVC akan
tampak Full Compensatory Pause (Pause setelah PVC / VES sama dengan 2x
Interval R-R sebelumnya) (Nazmah, 2014).
4.7 Hasil Pengujian
Pengujian yang dilakukan pada penelitian ini yaitu dengan
membandingkan hasil metode yang diusulkan pada penelitian ini, yaitu Hybrid
PSO-NN dengan metode pembanding lainnya, seperti metode Suport Vector
Machine (SVM) dan Neural Network (NN). Pada penelitian ini menggunakan
sebanyak 418 data pelatihan dan 22841 data pengujian (2710 data pada durasi
12.5 detik, 4204 data pada durasi 10 detik, 4318 data pada durasi 7.5 detik, 5331
data dengan durasi 5 detik, dan 6278 data pada durasi 2.5 detik).
Sinyal ECG yang digunakan sebagai input akan diproses menggunakan
Automatic Artifact Removal (AAR) yang menggunakan metode Neural ICA. Hasil
dari proses tersebut menghasilkan sinyal ECG yang telah mengalami proses
reduksi noise. Sinyal ECG pada umumnya memiliki frekuensi antara 0.05 Hz -
Page 73
57
100 Hz, selain itu dianggap sebagai noise. Sinyal yang telah diproses
menggunakan Neural ICA, memiliki range frekuensi tidak lebih dari 100 Hz.
Hasil dari AAR akan diproses dengan menggunakan High Pass Filter.
Penggunaan High Pass Filter bertujuan untuk mendapatkan sinyal dengan
frekuensi yang tinggi. Threshold dari HPF yang digunakan adalah sebesar 200 Hz.
Setelah itu, hasil dari highpass filter akan diproses menggunakan lowpass filter
pada frekuensi 5 Hz untuk menyeleksi sinyal dengan frekuensi yang rendah. Hasil
dari proses Low Pass Filter akan diproses dengan algoritma pendeteksian QRS.
Setiap QRS yang telah terdeteksi, akan diberikan garis vertikal untuk
memudahkan pada proses selanjutnya yakni seleksi beat. Setelah garis vertikal
telah ditambahkan, tahap selanjutnya yaitu seleksi beat atau detakan. Setiap beat
memiliki panjang fitur 100 bit. Setiap fitur tersebut akan digunakan sebagai input
di metode pengklasifikasi seperti Hybrid PSO-NN, NN, dan SVM. Setiap fitur
akan memiliki kelas masing-masing bergantung dari hasil yang diperoleh dari
metode pengklasifikasi.
Sistem akan memprioritaskan kelas yang paling banyak muncul dalam
suatu sinyal ECG. Misalkan dalam suatu sinyal ECG terdapat 10 fitur.
Berdasarkan hasil klasifikasi otomatis, fitur ke-1 sampai ke-6 merupakan fitur dari
sinyal NORMAL, sedangkan fitur yang lain merupakan fitur dari sinyal PVC.
Sistem akan memutuskan bahwa sinyal ECG tersebut merupakan sinyal dengan
kategori sinyal PVC.
Contoh kasus yang lain yaitu misalkan dalam suatu sinyal ECG terdapat
10 fitur. Berdasarkan hasil klasifikasi otomatis, fitur ke-1 sampai ke-9 merupakan
fitur dari sinyal LBBB, sedangkan fitur ke-10 merupakan fitur dari sinyal RBBB.
Berdasarkan hal tersebut, maka sistem akan memutuskan bahwa sinyal ECG
tersebut merupakan sinyal dengan kategori sinyal LBBB.
Contoh kasus lain yaitu misalkan dalam suatu sinyal ECG terdapat 10
fitur. Berdasarkan hasil klasifikasi otomatis, fitur ke-1 sampai ke-4 merupakan
fitur dari sinyal LBBB, sedangkan fitur ke-5 sampai ke-7 merupakan fitur dari
sinyal RBBB, sedangkan fitur sinyal ke-8 sampai ke-10 merupakan fitur dari
sinyal NORMAL. Sistem akan memutuskan bahwa sinyal ECG tersebut tidak
dapat didefinisikan ke dalam kategori 4 kelas yang telah didefinisikan.
Page 74
58
Tahapan pemrosesan sinyal ECG pada masing-masing kelas ditunjukkan
pada Gambar 4.8 sampai Gambar 4.11.
Gambar 4.8 Pemrosesan Sinyal NORMAL
Page 75
59
Gambar 4.9 Pemrosesan Sinyal PVC
Page 76
60
Gambar 4.10 Pemrosesan Sinyal LBBB
Page 77
61
Gambar 4.11 Pemrosesan Sinyal RBBB
Page 78
62
Gambar 4.12 sampai Gambar 4.15 merupakan fitur masing-masing kelas
dari total 4 kelas. Fitur tersebut telah diproses menggunakan algoritma
pemrosesan sinyal ECG yang digunakan pada penelitian ini.
Gambar 4.12 Fitur Sinyal NORMAL
Gambar 4.13 Fitur Sinyal PVC
Gambar 4.14 Fitur Sinyal LBBB
Gambar 4.15 Fitur Sinyal RBBB
Karakteristik dari fitur sinyal NORMAL yaitu pada titik P ke Q memiliki
bentuk amplitudo yang memiliki nilai perubahan yang tidak signifikan atau dapat
disebut hampir memiliki nilai yang konstan. Pada titik Q-R-S berbentuk seperti
gunung yang tinggi. Lebar gunung tersebut tidak terlalu besar yaitu sekitar satu
per tiga dari ukuran fitur keseluruhan. Pada titik S ke T memiliki nilai amplitudo
yang hampir konstan. Karakteristik dari fitur sinyal PVC yaitu pada titik P ke Q
memiliki bentuk amplitudo yang memiliki kenaikan nilai. Pada titik Q-R-S
berbentuk seperti gunung yang memiliki lebar cukup besar yaitu sekitar setengah
dari ukuran fitur keseluruhan. Pada titik S akan terus mengalami penurunan nilai
amplitudo sampai akhirnya amplitudo bernilai nol. Karakteristik dari fitur sinyal
LBBB yaitu pada titik P ke Q memiliki bentuk amplitudo yang memiliki nilai
perubahan yang tidak signifikan atau dapat disebut hampir memiliki nilai yang
Am
pli
tudo
Page 79
63
konstan. Besarnya nilai amplitudo tersebut sekitar setengah dari nilai maksimal
amplitudo pada fitur tersebut. Pada titik Q-R-S berbentuk seperti gunung yang
tinggi. Lebar gunung tersebut tidak terlalu besar yaitu sekitar satu per tiga dari
ukuran fitur keseluruhan. Pada titik R ke S memiliki perununan amplitudo yang
cukup besar, kemudian dari titik S ke T mengalami kenaikan nilai amplitudo.
Bentuk pola tersebut seperti bentuk gunung yang terbalik. Kemudian pada titik T
ke U memiliki nilai amplitudo yang hampir konstan. Karakteristik dari fitur sinyal
RBBB hampir mirip dengan fitur LBBB. Namun yang membedakan yaitu pada
bagian akhir dari fitur tersebut. Pada RBBB hanya terdapat kenaikan nilai
amplitudo tanpa diketahui kapan kenaikan nilai tersebut akan mengalami
penurunan.
4.7.1. Klasifikasi Menggunakan Hybrid PSO-NN
Tabel 4.1 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi benar
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
NORMAL NORMAL
NORMAL NORMAL
PVC PVC
PVC PVC
Page 80
64
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
LBBB LBBB
LBBB LBBB
RBBB RBBB
Tabel 4.2 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi salah
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
PVC NORMAL
PVC NORMAL
NORMAL LBBB
PVC LBBB
Page 81
65
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
PVC RBBB
RBBB LBBB
LBBB PVC
Tabel 4.3 Contoh klasifikasi menggunakan Hybrid PSO-NN yang memiliki hasil
klasifikasi di luar keempat kelas yang didefinisikan
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
RBBB -
PVC -
PVC -
PVC -
Page 82
66
Sinyal ECG Kelas yang
diharapkan
Prediksi
Kelas
PVC -
PVC -
PVC -
Tabel 4.1 merupakan contoh hasil klasifikasi yang bernilai benar. Tabel
4.2 merupakan contoh hasil klasifikasi yang bernilai salah. Tabel 4.3 merupakan
contoh hasil klasifikasi yang memiliki kelas di luar kelas yang telah didefinisikan.
Hal yang mempengaruhi ketidakberhasilan metode tersebut yaitu kondisi sinyal
yang memiliki fitur di luar bentuk pola yang digunakan pada tahap pelatihan.
Selain itu, terlalu banyak kelas yang dihasilkan dalam satu sinyal ECG. Misalkan
dalam satu sinyal ECG terdapat 10 fitur beat atau detakan. 10 fitur detakan
tersebut akan diklasifikasikan masing-masing. Misalkan detakan ke-1 sampai
detakan ke-3 memiliki kelas PVC, detakan ke-4 sampai detakan ke-6 memiliki
kelas LBBB, detakan yang lain memiliki kelas RBBB. Hal ini akan
membingungkan sistem untuk mengklasifikasikan kelas dari sinyal ECG tersebut.
Oleh karena itu, sistem pada penelitian ini akan memberikan suatu solusi berupa
tidak mendefinisikan kelas sinyal ECG tersebut seperti ditunjukkan pada Tabel
4.3.
Proses pelatihan Hybrid PSO-NN menggunakan beberapa jumlah
populasi, diantaranya yaitu 20, 30, dan 40 populasi. Penggunaan populasi sebesar
20 membutuhkan waktu pelatihan sebesar 6123 detik. Penggunaan populasi
sebesar 30 membutuhkan waktu pelatihan sebesar 11232 detik. Penggunaan
populasi sebesar 40 membutuhkan waktu pelatihan sebesar 15480 detik. Proses
Page 83
67
pelatihan menggunakan metode Hybrid PSO-NN memiliki waktu pelatihan yang
sangat lama dibandingkan dengan metode NN atau SVM. Pemilihan jumlah
populasi berpengaruh pada waktu yang dibutuhkan saat tahap pelatihan dan hasil
akurasi yang dihasilkan. Semakin besar jumlah populasi, semakin lama proses
pelatihan yang dilakukan untuk mencapai konvergen. Hal tersebut dikarenakan
semakin banyak usaha untuk memindahkan posisi tiap partikel ke titik optimal.
Pada penelitian ini terbatas menguji coba terhadap populasi dengan jumlah 20, 30,
dan 40.
Selain jumlah populasi, dilakukan pengujian terhadap penggunakan
panjang fitur yang digunakan sebagai input metode klasifier Hybrid PSO-NN.
Terdapat beberapa panjang fitur yang digunakan, diantaranya 90, 100, dan 110 bit
data. Panjang fitur yang digunakan berpengaruh terhadap akurasi yang dihasilkan
dan waktu pelatihan yang dibutuhkan. Tabel 4.4 menunjukkan hasil pemilihan
populasi pada proses pelatihan Hybrid PSO-NN pada potongan sinyal ECG setiap
10 detik dan Tabel 4.5 menunjukkan hasil pemilihan populasi pada proses
pelatihan Hybrid PSO-NN pada potongan sinyal ECG setiap 5 detik. Tabel 4.6
merupakan hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik. Tabel 4.7 merupakan hasil pengujian
terhadap pemilihan panjang fitur dengan durasi potongan sinyal ECG setiap 5
detik.
Tabel 4.4 Hasil pemilihan populasi pada proses pelatihan Hybrid PSO-NN pada
potongan sinyal ECG setiap 10 detik
Populasi Accuration Precision Recall F-Measure Waktu Pelatihan
(detik)
20 0.997 1.0 0.997 0.998 6123
30 0.998 0.998 1.0 0.999 11232
40 0.998 0.998 1.0 0.999 15480
Page 84
68
Tabel 4.5 Hasil pemilihan populasi pada proses pelatihan Hybrid PSO-NN pada
potongan sinyal ECG setiap 5 detik
Populasi Accuration Precision Recall F-Measure Waktu Pelatihan
(detik)
20 0.990 0.992 0.997 0.994 7923
30 0.988 0.989 0.997 0.993 13059
40 0.986 0.992 0.996 0.994 16129
Tabel 4.6 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.977 0.977 1.0 0.988 4687
100 0.997 1.0 0.997 0.998 6123
110 0.990 0.992 0.997 0.994 8649
Tabel 4.7 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.962 0.970 0.991 0.980 5329
100 0.990 0.992 0.997 0.994 7332
110 0.983 0.986 0.997 0.991 9146
Hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN dilakukan
dengan menggunakan lima tipe durasi data potongan sinyal ECG, yaitu 5 detik
dan 10 detik. Pengenalan setiap kasus pada durasi 10 detik dilakukan dengan
beberapa data uji yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak
1541 data, kasus LBBB sebanyak 361 data, dan kasus RBBB sebanyak 302 data.
Pada durasi 10 detik, penggunaan data uji sebanyak 2000 pada kasus normal
menghasilkan akurasi pengenalan sebesar 98%, data uji sebanyak 1541
menghasilkan akurasi pengenalan sebesar 94%, data uji sebanyak 362
Page 85
69
menghasilkan akurasi pengenalan sebesar 99%, dan data uji sebnayka 302
menghasilkan akurasi pengenalan sebesar 98%.
Pengenalan setiap kasus pada durasi 5 detik dilakukan dengan beberapa
data uji yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak 2000 data,
kasus LBBB sebanyak 723 data, dan kasus RBBB sebanyak 608 data. Pada durasi
5 detik, penggunaan data uji sebanyak 2000 pada kasus normal menghasilkan
akurasi pengenalan sebesar 98%, data uji sebanyak 1541 menghasilkan akurasi
pengenalan sebesar93%, data uji sebanyak 362 menghasilkan akurasi sebesar
98%, dan data uji sebnayka 302 menghasilkan akurasi pengenalan sebesar 94%.
Berdasarkan Tabel 4.8 dan Tabel 4.9 menunjukkan hasil pengenalan setiap kasus
menggunakan Hybrid PSO-NN dengan durasi potongan sinyal ECG pada durasi
10 detik dan 5 detik. Pada durasi 10 detik diketahui memiliki akurasi yang lebih
tinggi dibandingkan durasi 5 detik. Tabel 4.8 merupakan hasil pengenalan setiap
kasus menggunakan Hybrid PSO-NN dengan durasi potongan sinyal ECG setiap
10 detik. Tabel 4.9 hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN
dengan durasi potongan sinyal ECG setiap 5 detik.
Tabel 4.8 Hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN dengan
durasi potongan sinyal ECG setiap 10 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.977 0.977 1.0 0.988
PVC 1541 0.985 0.985 1.0 0.992
LBBB 361 0.997 0.997 1.0 0.998
RBBB 302 0.997 1.0 0.997 0.998
Tabel 4.9 Hasil pengenalan setiap kasus menggunakan Hybrid PSO-NN dengan
durasi potongan sinyal ECG setiap 5 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.988 0.989 0.997 0.993
PVC 2000 0.969 0.978 0.990 0.984
LBBB 723 0.997 1.0 0.997 0.998
RBBB 608 0.985 0.985 1.0 0.992
Page 86
70
Pengujian klasifikasi sinyal ECG empat kelas menggunakan metode
Hybrid PSO-NN dilakukan dengan menggunakan lima tipe durasi data potongan
sinyal ECG, yaitu 2.5, 5, 7.5, 10, dan 12.5 detik. Data potongan tersebut diproses
berdasarkan algoritma dan metode yang diusulkan pada penelitian ini. Seperti
dijelaskan pada Bab III. Pengujian yang dilakukan pada penelitian ini yaitu
dengan menggunakan beberapa data uji dengan jumlah tertentu, yaitu 400, 800,
22841 data (2710 data pada durasi 12.5 detik, 4204 data pada durasi 10 detik,
4318 data pada durasi 7.5 detik, 5331 data dengan durasi 5 detik, dan 6278 data
pada durasi 2.5 detik). Tabel 4.10 merupakan hasil klasifikasi menggunakan
Hybrid PSO-NN dengan durasi potongan sinyal ECG setiap 2.5 detik. Tabel 4.11
merupakan hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 5 detik. Tabel 4.12 merupakan hasil klasifikasi
menggunakan Hybrid PSO-NN dengan durasi potongan sinyal ECG setiap 7.5
detik. Tabel 4.13 merupakan hasil klasifikasi menggunakan Hybrid PSO-NN
dengan durasi potongan sinyal ECG setiap 10 detik. Tabel 4.14 merupakan hasil
klasifikasi menggunakan Hybrid PSO-NN dengan durasi potongan sinyal ECG
setiap 12.5 detik.
Tabel 4.10 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 2.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.983 0.991 0.981 0.987
800 0.985 0.987 0.991 0.990
6278 0.962 0.955 0.967 0.982
Tabel 4.11 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.990 0.992 0.997 0.994
Page 87
71
Jumlah
Data Uji Accuration Precision Recall F-Measure
800 0.988 0.992 0.996 0.994
5331 0.962 0.970 0.991 0.980
Tabel 4.12 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 7.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.985 0.987 0.997 0.992
800 0.978 0.983 0.994 0.989
4318 0.963 0.965 0.997 0.981
Tabel 4.13 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 10 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.997 1.0 0.997 0.998
800 0.997 0.998 0.998 0.998
4204 0.966 0.971 0.994 0.982
Tabel 4.14 Hasil klasifikasi menggunakan Hybrid PSO-NN dengan durasi
potongan sinyal ECG setiap 12.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.997 1.0 0.997 0.998
800 0.995 1.0 0.995 0.997
2710 0.984 0.988 0.995 0.992
Pada durasi 12,5 detik, penggunaan data uji sebanyak 400 dan data uji 800
menghasilkan akurasi sebesar 99%, dan 98% apabila menggunakan 2710 data uji.
Sensitivitas yang dihasilkan pada durasi 12.5 detik diatas 99%. Pada durasi 10
detik, penggunaan data uji sebanyak 400 dan 800 menghasilkan akurasi sebesar
99%, dan 96% apabila menggunakan 4204 data uji. Sensitivitas yang dihasilkan
Page 88
72
pada durasi 10 detik diatas 99%. Pada durasi 7.5 detik, penggunaan data uji
sebanyak 400 menghasilkan akurasi sebesar 98%, data uji 800 menghasilkan
akurasi 97% dan 96% apabila menggunakan 4318 data uji. Sensitivitas yang
dihasilkan pada durasi 7.5 detik sebesar 98%. Pada durasi 5 detik, penggunaan
data uji sebanyak 400 menghasilkan akurasi sebesar 99%, data uji 800
menghasilkan akurasi sebesar 98%, dan 96% apabila menggunakan 5331 data uji.
Sensitivitas yang dihasilkan pada durasi 5 detik diatas 99%. Pada durasi 2.5 detik,
penggunaan data uji sebanyak 400 dan data uji 800 menghasilkan akurasi dan 800
menghasilkan akurasi sebesar 98%, dan 96% apabila menggunakan 6278 data uji.
Sensitivitas yang dihasilkan pada durasi 2.5 detik diatas 98%.
4.7.2 Klasifikasi Menggunakan NN
Proses pengujian NN menggunakan beberapa panjang fitur, diantaranya
90, 100, dan 110 bit data. Panjang fitur yang digunakan berpengaruh terhadap
akurasi yang dihasilkan dan waktu pelatihan yang dibutuhkan. Tabel 4.15 dan
Tabel 4.16 menunjukkan perbandingan beberapa parameter berdasarkan panjang
fitur yang digunakan.
Tabel 4.15 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.942 0.956 0.985 0.970 2069
100 0.997 1.0 0.997 0.998 2387
110 0.983 0.986 0.997 0.991 3129
Tabel 4.16 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.938 0.943 0.994 0.968 2724
100 0.990 0.992 0.997 0.994 3145
110 0.981 0.981 1.0 0.990 3723
Page 89
73
Hasil pengenalan setiap kasus menggunakan metode NN dilakukan dengan
menggunakan lima tipe durasi data potongan sinyal ECG, yaitu 5 detik dan 10
detik. Pengenalan setiap kasus pada durasi 10 detik dilakukan dengan beberapa
data uji yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak 1541 data,
kasus LBBB sebanyak 361 data, dan kasus RBBB sebanyak 302 data. Pada durasi
10 detik, penggunaan data uji sebanyak 2000 pada kasus normal menghasilkan
akurasi sebesar 92%, data uji sebanyak 1541 menghasilkan akurasi 93%, data uji
sebanyak 362 menghasilkan akurasi sebesar 100%, dan data uji sebanyak 302
menghasilkan akurasi sebesar 99%.
Pengenalan setiap kasus pada durasi 5 detik dilakukan dengan beberapa
data uji yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak 2000 data,
kasus LBBB sebanyak 723 data, dan kasus RBBB sebanyak 608 data. Pada durasi
5 detik, penggunaan data uji sebanyak 2000 pada kasus normal menghasilkan
akurasi sebesar 96%, data uji sebanyak 1541 menghasilkan akurasi 93%, data uji
sebanyak 362 menghasilkan akurasi sebesar 100%, dan data uji sebnayka 302
menghasilkan akurasi sebesar 98%. Tabel 4.17 dan Tabel 4.18 menunjukkan hasil
pengenalan setiap kasus menggunakan NN dengan durasi potongan sinyal ECG
pada durasi 10 detik dan 5 detik.
Tabel 4.17 Hasil pengenalan setiap kasus menggunakan NN dengan durasi
potongan sinyal ECG setiap 10 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.923 0.923 1.0 0.960
PVC 1541 0.933 0.945 0.986 0.965
LBBB 361 1.0 1.0 1.0 1.0
RBBB 302 0.996 0.996 1.0 0.998
Tabel 4.18 Hasil pengenalan setiap kasus menggunakan NN dengan durasi
potongan sinyal ECG setiap 5 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.962 0.963 0.997 0.980
Page 90
74
Kelas Data Uji Accuration Precision Recall F-Measure
PVC 2000 0.933 0.943 0.988 0.965
LBBB 723 1.0 1.0 1.0 1.0
RBBB 608 0.981 0.981 1.0 0.990
Pengujian klasifikasi sinyal ECG empat kelas menggunakan metode
Hybrid PSO-NN dilakukan dengan menggunakan lima tipe durasi data potongan
sinyal ECG, yaitu 2.5, 5, 7.5, 10, dan 12.5 detik. Data potongan tersebut diproses
berdasarkan algoritma dan metode yang diusulkan pada penelitian ini. Seperti
dijelaskan pada Bab III. Pengujian yang dilakukan pada penelitian ini yaitu
dengan menggunakan beberapa data uji dengan jumlah tertentu, yaitu 400, 800,
22841 data (2710 data pada durasi 12.5 detik, 4204 data pada durasi 10 detik,
4318 data pada durasi 7.5 detik, 5331 data dengan durasi 5 detik, dan 6278 data
pada durasi 2.5 detik). Tabel 4.19 merupakan hasil klasifikasi menggunakan NN
dengan durasi potongan sinyal ECG setiap 2.5 detik. Tabel 4.20 merupakan hasil
klasifikasi menggunakan NN dengan durasi potongan sinyal ECG setiap 5 detik.
Tabel 4.21 merupakan hasil klasifikasi menggunakan NN dengan durasi potongan
sinyal ECG setiap 7.5 detik. Tabel 4.22 merupakan hasil klasifikasi menggunakan
NN dengan durasi potongan sinyal ECG setiap 10 detik. Tabel 4.23 merupakan
hasil klasifikasi menggunakan NN dengan durasi potongan sinyal ECG setiap
12.5 detik.
Tabel 4.19 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 2.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.981 0.977 0.967 0.979
800 0.973 0.974 0.998 0.991
6278 0.938 0.953 0.974 0.968
Page 91
75
Tabel 4.20 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.990 0.992 0.997 0.994
800 0.987 0.992 0.994 0.993
5331 0.958 0.963 0.994 0.978
Tabel 4.21 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 7.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.978 1.0 0.996 0.998
800 0.973 0.974 0.968 0.976
4318 0.938 0.953 0.944 0.968
Tabel 4.22 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 10 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.997 1.0 0.997 0.998
800 0.973 0.974 0.998 0.986
4204 0.938 0.943 0.994 0.968
Tabel 4.23 Hasil klasifikasi menggunakan NN dengan durasi potongan sinyal
ECG setiap 12.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.991 0.997 0.987 0.998
800 0.973 0.976 0.978 0.986
2710 0.938 0.947 0.984 0.978
Page 92
76
Pada durasi 12.5 detik, penggunaan data uji sebanyak 400 menghasilkan
akurasi sebesar 99%, data uji 800 menghasilkan akurasi sebesar 97%, dan 93%
apabila menggunakan 2710 data uji. Sensitivitas yang dihasilkan pada durasi 12,5
detik diatas 97%. Pada durasi 10 detik, penggunaan data uji sebanyak 400
menghasilkan akurasi sebesar 99%, data uji 800 menghasilkan akurasi sebesar
97%, dan 93% apabila menggunakan 4204 data uji. Sensitivitas yang dihasilkan
pada durasi 10 detik diatas 99%. Pada durasi 7.5 detik, penggunaan data uji
sebanyak 400 menghasilkan akurasi sebesar 99%, data uji 800 menghasilkan
akurasi 98% dan 93% apabila menggunakan 4318 data uji. Sensitivitas yang
dihasilkan pada durasi 7.5 detik sebesar diatas 94%. Pada durasi 5 detik,
penggunaan data uji sebanyak 400 menghasilkan akurasi sebesar 99%, data uji
800 menghasilkan akurasi sebesar 98%, dan 95% apabila menggunakan 5331 data
uji. Sensitivitas yang dihasilkan pada durasi 5 detik diatas 99%. Pada durasi 2.5
detik, penggunaan data uji sebanyak 400 menghasilkan akurasi sebesar 98%, data
uji 800 menghasilkan akurasi sebesar 97%, dan 93% apabila menggunakan 6278
data uji. Sensitivitas yang dihasilkan pada durasi 2.5 detik diatas 96%.
4.7.1. Klasifikasi Menggunakan SVM
Proses pengujian SVM menggunakan beberapa panjang fitur, diantaranya
90, 100, dan 110 bit data. Panjang fitur yang digunakan berpengaruh terhadap
akurasi yang dihasilkan dan waktu pelatihan yang dibutuhkan. Tabel 4.24 dan
Tabel 4.25 menunjukkan perbandingan beberapa parameter berdasarkan panjang
fitur yang digunakan.
Tabel 4.24 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 10 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.938 0.943 0.994 0.968 3.7
100 0.995 0.995 1.0 0.997 5.3
110 0.973 0.974 0.998 0.986 6.4
Page 93
77
Tabel 4.25 Hasil pengujian terhadap pemilihan panjang fitur dengan durasi
potongan sinyal ECG setiap 5 detik
Panjang
Fitur Accuration Precision Recall F-Measure
Waktu Pelatihan
(detik)
90 0.931 0.932 0.998 0.964 2.8
100 0.995 0.995 1.0 0.997 4.1
110 0.961 0.963 0.997 0.980 7.2
Hasil pengenalan setiap kasus menggunakan metode SVM dilakukan
dengan menggunakan lima tipe durasi data potongan sinyal ECG, yaitu 5 detik
dan 10 detik. Data potongan tersebut diproses berdasarkan algoritma dan metode
yang diusulkan pada penelitian ini seperti yang dijelaskan pada Bab III.
Pengenalan setiap kasus pada durasi 10 detik dilakukan dengan beberapa data uji
yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak 1541 data, kasus
LBBB sebanyak 361 data, dan kasus RBBB sebanyak 302 data. Pada durasi 10
detik, penggunaan data uji sebanyak 2000 pada kasus normal menghasilkan
akurasi sebesar 88%, data uji sebanyak 1541 menghasilkan akurasi 98%, data uji
sebanyak 362 menghasilkan akurasi sebesar 99%, dan data uji sebanyak 302
menghasilkan akurasi sebesar 59%.
Pengenalan setiap kasus pada durasi 5 detik dilakukan dengan beberapa
data uji yakni kasus normal sebanyak 2000 data, kasus PVC sebanyak 2000 data,
kasus LBBB sebanyak 723 data, dan kasus RBBB sebanyak 608 data. Pada durasi
5 detik, penggunaan data uji sebanyak 2000 pada kasus normal menghasilkan
akurasi sebesar 98%, data uji sebanyak 1541 menghasilkan akurasi 96%, data uji
sebanyak 362 menghasilkan akurasi sebesar 99%, dan data uji sebnayka 302
menghasilkan akurasi sebesar 59%. Tabel 4.26 dan Tabel 4.27 menunjukkan hasil
pengenalan setiap kasus menggunakan SVM dengan durasi potongan sinyal ECG
pada durasi 10 detik dan 5 detik. Tabel 4.28 merupakan hasil klasifikasi
menggunakan SVM dengan durasi potongan sinyal ECG setiap 2.5 detik. Tabel
4.29 merupakan hasil klasifikasi menggunakan SVM dengan durasi potongan
sinyal ECG setiap 5 detik. Tabel 4.30 merupakan hasil klasifikasi menggunakan
Page 94
78
SVM dengan durasi potongan sinyal ECG setiap 7.5 detik. Tabel 4.31 merupakan
hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal ECG setiap 10
detik. Tabel 4.32 merupakan hasil klasifikasi menggunakan SVM dengan durasi
potongan sinyal ECG setiap 12.5 detik
Pengujian klasifikasi sinyal ECG empat kelas menggunakan metode
Hybrid PSO-NN dilakukan dengan menggunakan lima tipe durasi data potongan
sinyal ECG, yaitu 2.5, 5, 7.5, 10, dan 12.5 detik. Data potongan tersebut diproses
berdasarkan algoritma dan metode yang diusulkan pada penelitian ini. Seperti
dijelaskan pada Bab III. Pengujian yang dilakukan pada penelitian ini yaitu
dengan menggunakan beberapa data uji dengan jumlah tertentu, yaitu 400, 800,
22841 data (2710 data pada durasi 12.5 detik, 4204 data pada durasi 10 detik,
4318 data pada durasi 7.5 detik, 5331 data dengan durasi 5 detik, dan 6278 data
pada durasi 2.5 detik).
Tabel 4.26 Hasil pengenalan setiap kasus menggunakan SVM dengan durasi
potongan sinyal ECG setiap 10 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.884 0.884 1.0 0.938
PVC 1541 0.983 0.983 1.0 0.991
LBBB 361 0.997 0.997 1.0 0.998
RBBB 302 0.599 0.599 1.0 0.749
Tabel 4.27 Hasil pengenalan setiap kasus menggunakan SVM dengan durasi
potongan sinyal ECG setiap 5 detik
Kelas Data Uji Accuration Precision Recall F-Measure
NORMAL 2000 0.980 0.981 0.997 0.989
PVC 2000 0.961 0.963 0.997 0.980
LBBB 723 0.998 0.998 1.0 0.999
RBBB 608 0.592 0.592 1.0 0.743
Page 95
79
Tabel 4.28 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 2.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.992 0.985 0.998 0.997
800 0.997 0.977 1.0 0.991
6278 0.931 0.942 0.978 0.994
Tabel 4.29 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.995 0.995 1.0 0.997
800 0.987 0.987 1.0 0.993
5331 0.931 0.932 0.998 0.964
Tabel 4.30 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 7.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.987 0.985 0.995 0.997
800 0.957 0.988 0.998 0.992
4318 0.931 0.952 0.988 0.954
Tabel 4.31 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 10 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.995 0.995 1.0 0.997
800 0.973 0.973 1.0 0.986
4204 0.909 0.909 0.997 0.952
Page 96
80
Tabel 4.32 Hasil klasifikasi menggunakan SVM dengan durasi potongan sinyal
ECG setiap 12.5 detik
Jumlah
Data Uji Accuration Precision Recall F-Measure
400 0.988 0.997 1.0 0.994
800 0.987 0.988 0.998 0.995
2710 0.923 0.925 0.998 0.987
Pada durasi 12.5 detik, penggunaan data uji sebanyak 400 dan data uji 800
menghasilkan akurasi sebesar 98%, dan 92% apabila menggunakan 2710 data uji.
Sensitivitas yang dihasilkan pada durasi 12.5 detik diatas 99%. Pada durasi 10
detik, penggunaan data uji sebanyak 400 menghasilkan akurasi sebesar 99%, data
uji 800 menghasilkan akurasi 97%, dan 90% apabila menggunakan 4204 data uji.
Sensitivitas yang dihasilkan pada durasi 10 detik diatas 99%. Pada durasi 7.5
detik, penggunaan data uji sebanyak 400 dan 800 menghasilkan akurasi sebesar
99%, dan 93% apabila menggunakan 4318 data uji. Sensitivitas yang dihasilkan
pada durasi 7.5 detik sebesar 98%. Pada durasi 5 detik, penggunaan data uji
sebanyak 400 menghasilkan akurasi sebesar 99%, data uji 800 menghasilkan
akurasi sebesar 98%, dan 93% apabila menggunakan 5331 data uji. Sensitivitas
yang dihasilkan pada durasi 5 detik diatas 99%. Pada durasi 2.5 detik, penggunaan
data uji sebanyak 400 dan data uji 800 menghasilkan akurasi sebesar 99%, dan
93% apabila menggunakan 6278 data uji. Sensitivitas yang dihasilkan pada durasi
2.5 detik diatas 97%.
4.8 Analisa Hasil
Penelitian ini menggunakan dataset sinyal ECG Massachusetts Institute of
Technology–Beth Israel Hospital (MIT –BIH) Arrhythmia. Terdapat 48 file sinyal
ECG dengan durasi 30 menit. Pada setiap file sinyal ECG terdapat berbagai
kelompok sinyal ECG, seperti PVC, Normal, LBBB, RBBB, dan sebagainya.
Oleh karena itu, diperlukan pemotongan sinyal ECG tersebut menjadi sub sinyal
ECG dengan durasi yang lebih kecil, yaitu setiap 2.5, 5, 7.5, 10, dan 12.5 detik.
Page 97
81
Proses pemotongan sinyal ECG tersebut dimulai dari indeks pertama sampai
indeks terakhir dengan panjang data sinyal selama 2.5, 5, 7.5, 10, dan 12.5 detik.
Setiap 1 detik terdapat 360 bit data. Sehingga dalam 2.5 detik terdapat 900 bit
data, 5 detik terdapat 1800 bit data, 7.5 detik terdapat 2700 bit data, 10 detik
terdapat 3600 bit data, dan 12.5 detik terdapat 4500 bit data. Proses pemotongan
sinyal ECG tersebut dilakukan secara otomatis menggunakan algoritma yang
dikembangkan pada penelitian ini.
Hasil dari proses pemotongan sinyal ECG akan disimpan ke dalam
database. Setelah semua file ECG telah berhasil dipotong-potong dan disimpan ke
dalam database kemudian diklasifikasikan secara manual oleh dokter ahli pada
bidang tersebut.
Pada data sinyal ECG yang telah diklasifikasikan secara manual terdapat
artefak yang sangat mengganggu sinyal ECG dan dapat mempengaruhi kualitas
sinyal ECG yang dihasilkan. Artefak adalah potensial listrik yang terekam di
dalam sinyal ECG tetapi bukan berasal dari jaringan jantung. Analisa dan otomasi
pendeteksian sinyal QRS akan mengalami kesulitan apabila data sinyal ECG
terdiri dari banyak artefak. Sinyal ECG yang memiliki artefak akan direduksi
menggunakan metode yang diusulkan pada penelitian ini, yaitu menggunakan
Neural ICA. Metode ICA merupakan suatu teknik perhitungan statistik untuk
menemukan faktor-faktor tersembunyi yang mendasari sekumpulan variabel
random, pengukuran, atau sinyal-sinyal. Metode Neural ICA yakni metode ICA
yang menerapkan algoritma Neural untuk untuk mencari model filter linier W.
Metode Neural ICA dapat memisahkan variabel berupa sinyal artefak dan sinyal
ECG yang bersih dari artefak secara otomatis. Sinyal ECG pada umumnya
memiliki frekuensi antara 0.05 Hz - 100 Hz, selain itu dianggap sebagai noise.
Sinyal yang telah diproses menggunakan Neural ICA, memiliki range frekuensi
tidak lebih dari 100 Hz.
Hasil sinyal yang dihasilkan oleh metode Neural ICA memiliki indeks
yang tidak urut antara sinyal artefak dan bukan artefak maka dilakukan
perbandingan antara nilai mean dan standar deviasi dari tiap-tiap index output
Page 98
82
ICA. Sehingga index output dari Neural ICA selalu dalam keadaan urut antara
sinyal artefak dan bukan artefak.
Pemrosesan sinyal ECG selanjutnya yakni penambahan tanda berupa
garis vertikal tepat pada tengah segmen QRS. Penambahan garis tegak vertikal
QRS dilakukan dengan menerapkan filter frekuensi yakni Low Pass Filter dan
High Pass Filter. Threshold dari High Pass Filter yang digunakan adalah sebesar
200 Hz. Setelah itu, hasil dari High Pass Filter akan diproses menggunakan Low
Pass Filter pada frekuensi 5 Hz untuk menyeleksi sinyal dengan frekuensi yang
rendah. Low Pass Filter dan High Pass Filter mendeteksi puncak tiap detakan
(beat) untuk dapat ditarik garis tegak vertikal. Garis tegak vertikal ini berfungsi
sebagai garis bantu untuk sekeksi detakan (beat). Setelah semua tanda telah
ditambahkan pada sinyal ECG tersebut, tahap selanjutnya yaitu melakukan
ekstraksi fitur sinyal ECG tersebut.
Tahap ekstraksi bertujuan untuk mendapatkan fitur-fitur yang terpilih
dari masukkan data-data pelatihan. Penelitian ini menggunakan metode ZCR
sebagai metode pengekstraksi fitur tersebut. Fitur-fitur yang terpilih digunakan
untuk proses klasifikasi pelatihan dan digunakan untuk ekstraksi fitur data
pengujian. Ekstraksi fitur pada proses pengujian dilakukan dengan mengambil
hasil ekstraksi fitur pada proses pelatihan diterapkan pada data pengujian. Hasil
ekstraksi fitur pada data pengujian digunakan sebagai masukan pada proses
klasifikasi pengujian. Metode ekstraksi fitur menghasilkan fitur sinyal ECG yakni
dengan panjang fitur 100 bit yang digunakan untuk tahap pelatihan dan tahap
pegujian.
Proses klasifikasi pelatihan dilakukan setelah data-data pelatihan diambil
fitur-fitur khusus, fitur-fitur khusus ini berupa vektor fitur yang dimensinya lebih
kecil. Proses klasifikasi data fitur tersebut menggunakan metode Hybrid PSO-NN.
Pada proses klasifikasi pelatihan, variabel bobot dan bias akan disimpan dan
digunakan sebagai data tiap pengklasifikasi dalam proses pengujian. Hasil dari
proses pengujian berupa nilai indeks dari fungsi keputusan yang terbesar yang
menyatakan kelas dari data pengujian. Jika kelas yang dihasilkan dari proses
klasifikasi pengujian sama dengan kelas data pengujian, maka informasi yang
dihasilkan dari proses klasifikasi sinyal ECG yaitu berupa informasi yang
Page 99
83
didefinisikan pada kelas tesebut. Hasil pengujian yang dihasilkan oleh metode
yang diusulkan pada penelitian ini akan dibandingkan dengan beberapa metode
pengklasifikasi, diantaranya NN dan SVM. Pemilihan metode tersebut didasarkan
pada studi literatur yang menyebutkan bahwa hasil klasifikasi suatu cluster
menggunakan metode-metode tersebut menghasilkan nilai akurasi yang tinggi.
Pengujian yang dilakukan pada penelitian ini memiliki lima jenis data,
yaitu data sinyal ECG dengan durasi 2.5, 5, 7.5, 10 dan 12.5 detik. Setiap metode
klasifier akan diuji coba dengan menggunakan data tersebut. Pada penelitian ini
menggunakan beberapa data uji untuk tahap pengujian diantaranya 400, 800,
2710 (data pada durasi 12.5 detik), 4204 (data pada durasi 10 detik), 4318 (data
pada durasi 7.5 detik), 5331 (data dengan durasi 5 detik), dan 6278 (data pada
durasi 2.5 detik). Berdasarkan hasil eksperimen yang telah dilakukan, metode
Hybrid PSO-NN memiliki akurasi yang lebih tinggi dari metode NN dan SVM,
khususnya pada data uji yang memiliki jumlah lebih dari 400 data. Perbandingan
nilai akurasi dari masing-masing metode ditunjukkan pada Gambar 4.16 hingga
4.20.
Gambar 4.16 Grafik perbandingan akurasi pada sinyal ECG berdurasi 12.5 detik
0.997 0.995 0.984
0.991
0.973
0.938
0.988 0.987
0.923
400 800 2710
Akura
si
Jumlah Data Uji
Hybrid PSO-NN NN SVM
Page 100
84
Gambar 4.17 Grafik perbandingan akurasi pada sinyal ECG berdurasi 10 detik
Gambar 4.18 Grafik perbandingan akurasi pada sinyal ECG berdurasi 7.5 detik
Gambar 4.19 Grafik perbandingan akurasi pada sinyal ECG berdurasi 5 detik
0.997 0.997
0.966
0.997 0.973
0.938
0.995 0.973
0.909
400 800 4204
Akura
si
Jumlah Data Uji
Hybrid PSO-NN NN SVM
0.985 0.978
0.963 0.978
0.963
0.938
0.987
0.957
0.931
400 800 4318
Akura
si
Jumlah Data Uji
Hybrid PSO-NN NN SVM
0.99 0.988
0.962
0.99 0.987
0.958
0.995 0.987
0.931
400 800 5331
Akura
si
Jumlah Data Uji
Hybrid PSO-NN NN SVM
Page 101
85
Gambar 4.20 Grafik perbandingan akurasi pada sinyal ECG berdurasi 2.5 detik
Durasi potongan sinyal ECG juga berpengaruh terhadap akurasi yang
dihasilkan. Penggunaan sinyal ECG dengan durasi 12.5 detik memiliki akurasi
paling tinggi apabila menggunakan metode Hybrid PSO-NN sebagai klasifier.
Namun, apabila menggunakan metode SVM, sinyal ECG dengan durasi 2.5 detik
memiliki akurasi yang lebih tinggi dibandingkan sinyal ECG pada durasi lain.
Berdasarkan waktu pelatihan yang dibutuhkan, metode Hybrid PSO-NN memiliki
waktu yang lebih lama dibandingkan metode SVM dan NN salah satunya
disebabkan oleh mekanisme dari PSO dalam mencari Pbest dan Gbest. Metode
SVM memiliki waktu pelatihan yang jauh lebih cepat dibandingkan metode
Hybrid PSO-NN dan NN. Berdasarkan tingkat kestabilan perununan nilai Mean
Square Error (MSE) pada proses pelatihan, penurunan nilai MSE pada metode
Hybrid PSO-NN lebih stabil dibandingkan metode NN dan SVM. Proses
pelatihan menggunakan metode NN dan SVM, dapat mengalami kenaikan nilai
MSE, sehingga kurang optimal dalam menghasilkan hasil klasifikasi.
Pada hasil eksperimen dari metode yang diusulkan yakni metode Hybrid
PSO-NN, sinyal ECG dengan durasi potongan sebesar 12.5 detik memiliki akurasi
paling tinggi dibandingkan pada durasi lain. Hal ini dikarenakan pada durasi 12.5
detik variansi tiap fiturnya lebih banyak dibandingkan pada durasi dibawah 12.5
detik dan pada durasi 12.5 detik informasi yang diperoleh lebih banyak sehingga
0.983 0.985
0.962
0.987
0.973 0.974
0.998 1
0.978
400 800 6278
Akura
si
Jumlah Data Uji
Hybrid PSO NN NN SVM
Page 102
86
sistem tidak kesulitan untuk memberi keputusan. Perbandingan nilai akurasi dari
tiap durasi ditunjukkan pada Gambar 4.21.
Gambar 4.21 Grafik perbandingan akurasi tiap durasi metode Hybrid PSO-NN
Pengenalan kasus kelainan pada penelitian ini dilakukan pada durasi 5
detik dan durasi 10 detik. Pengenalan kasus kelainan menggunakan beberapa data
uji yakni pada durasi 10 detik untuk kasus normal sebanyak 2000 data, kasus PVC
sebanyak 1541 data, kasus LBBB sebanyak 361 data, dan kasus RBBB sebanyak
302 data. Pada durasi 5 detik dilakukan dengan beberapa data uji yakni untuk
kasus normal sebanyak 2000 data, kasus PVC sebanyak 2000 data, kasus LBBB
sebanyak 723 data, dan kasus RBBB sebanyak 608 data. Berdasarkan hasil
eksperimen yang telah dilakukan, metode Hybrid PSO-NN memiliki akurasi yang
lebih tinggi dari metode NN dan SVM. Perbandingan nilai akurasi pengenalan
dari masing-masing metode ditunjukkan pada Gambar 4.22 dan 4.23.
0.997
0.995
0.997 0.997
0.995
0.987
0.99
0.988
0.983
0.985
400 800
Akura
si
Jumlah Data Uji
12.5 detik 10 detik 7.5 detik 5 detik 2.5 detik
Page 103
87
Gambar 4.22 Grafik perbandingan akurasi hasil pengenalan kasus kelainan pada
sinyal ECG berdurasi 10 detik
Gambar 4.23 Grafik perbandingan akurasi hasil pengenalan kasus kelainan pada
sinyal ECG berdurasi 5 detik
Pemilihan panjang fitur pada penelitian ini dilakukan pada keiga metode
klasifier yakni Hybrid PSO-NN, NN, dan SVM. Pemilihan panjang fitur
dilakukan sebanyak tiga kali yakni sebesar 90 bit, 100 bit, dan 110 bit.
Berdasarkan hasil eksperimen yang telah dilakukan, metode Hybrid PSO-NN
memiliki waktu komputasi terlama dibandingkan metode NN dan SVM. Pada
hasil eksperimen tersebut metode SVM memiliki waktu komputasi tercepat.
Waktu komputasi metode Hybrid PSO-NN sangat lama dikarenakan mekanisme
dari PSO dalam mencari Pbest dan Gbest memiliki waktu proses yang lama.
Perbandingan waktu komputasi metode klasifier berdasarkan panjang fitur yang
digunakan ditunjukkan pada Gambar 4.24.
0.977 0.985 0.997 0.997 0.923 0.933
1 0.996 0.88
0.983 0.997
0.543
NORMAL PVC LBBB RBBB
Akura
si
Hybrid PSO-NN NN SVM
0.988 0.969 0.997 0.985 0.962 0.933 1 0.981 0.98 0.961 0.998
0.592
NORMAL PVC LBBB RBBB
Akura
si
Hybrid PSO-NN NN SVM
Page 104
88
Gambar 4.24 Perbandingan waktu komputasi metode klasifier berdasarkan
panjang fitur yang digunakan
Tabel 4.33 menunjukkan perbandingan metode penelitian yang dilakukan
pada penelitian ini dengan penelitian lain. Berdasarkan data yang diperoleh,
metode yang diusulkan pada penelitian ini memiliki akurasi yang lebih tinggi
dibandingkan penelitian terdahulu.
Tabel 4.33 Perbandingan nilai akurasi beberapa metode penelitian
Metode Penelitian terdahulu Accuration Recall
P* + Hybrid PSO-NN Penelitian yang diusulkan 0.997 0.998
P* + NN Metode pembanding penelitian yang
diusulkan 0.973 0.998
P* + SVM Metode pembanding penelitian yang
diusulkan 0.973 1.0
ICA + LDA + Taguchi +
Naïve Bayes Maji et al (2016) 0.993 0.995
PCA + Probabilistic NN Martis et al (2013) 0.990 0.973
GA + SVM Li et al (2014) 0.992 0.984
Keterangan:
P* : Metode pengolahan sinyal ECG yang diusulkan
GA : Genetic Algoritm
4687
2069
3.7
6123
2387
5.3
8649
3129
6.4
Hybrid PSO-NN NN SVM
Wak
tu k
om
puta
si (
det
ik)
90 100 110
Page 105
89
LDA : Linear Discriminant Analysis
PCA : Principal Component Analysis
Berdasarkan Tabel 4.33 yang menunjukkan perbandingan nilai akurasi
dari beberapa metode oleh beberapa penelitian sebelumnya didapatkan hasil
bahwa metode yang diusulkan yakni metode Hybrid PSO-NN memberikan nilai
akurasi paling tinggi yakni sebesar 99%.
Page 107
91
BAB 5
KESIMPULAN DAN SARAN
Berdasarkan uji coba dan analisis hasil pengujian pada penelitian ini, dapat
diuraikan beberapa kesimpulan dan saran untuk pengembangan kedepannya.
5.1 Kesimpulan
1. Penggunaan filter Neural ICA dapat mereduksi noise yang memiliki frekuensi
di atas 100 Hz sehingga dapat memperbaiki hasil klasifikasi.
2. Metode ekstraksi fitur yang diterapkan mampu mendapatkan fitur sinyal ECG
dengan dimensi yang lebih kecil namun tidak menghilangkan informasi
penting yakni dengan panjang fitur 100 bit yang digunakan untuk tahap
pelatihan dan tahap pegujian
3. Sinyal ECG dengan durasi 12.5 detik memiliki akurasi lebih tinggi dari 10
detik. Sehingga panjang durasi potongan sinyal ECG berpengaruh terhadap
akurasi yang dihasilkan. Semakin tinggi durasi sinyal ECG yang digunakan,
semakin tinggi nilai akurasi yang diperoleh.
4. Pada jumlah data 800, durasi 10 dan 12.5 detik, dan panjang fitur 100 bit,
metode Hybrid PSO-NN memiliki akurasi tertinggi yakni sebesar 99%
dibandingkan dengan dua metode klasifikasi lain yakni metode klasifikasi NN
sebesar 97% dan metode klasifikasi SVM sebesar 97%.
5. Metode Hybrid PSO-NN memiliki kelemahan berupa waktu pelatihan sangat
lama yakni sebesar 6123 detik dibandingkan dengan metode NN sebesar 2387
detik dan metode SVM sebesar 5.3 detik.
5.2 Saran
1. Metode klasifikasi lain dapat digunakan sebagai pembanding
2. Tesis ini bertujuan untuk menghasilkan pendekatan yang dapat bermanfaat
bagi perkembangan keilmuan berbasis sinyal ECG, khususnya untuk
pendeteksian kelainan pada jantung (aritmia). Dengan pendekatan yang
dihasilkan pada penelitian ini, kedepannya dapat diuji coba menggunakan
sinyal ECG secara real time
Page 108
92
[Halaman ini sengaja dikosongkan]
Page 109
93
DAFTAR PUSTAKA
Awade, K. L. (2014). ECG Signal Processing : Detection of Arrhythmia -PVC,
4(9), 763–765.
B.T. Atmaja, A.S. Aisyah, dan D. A. (2010). PEMISAHAN BANYAK
SUMBER SUARA MESIN MENGGUNAKAN INDEPENDENT
COMPONENT ANALYSIS (ICA) UNTUK DETEKSI KERUSAKAN, 3,
30–37.
Chang, C., & Lin, C. (2013). LIBSVM : A Library for Support Vector Machines,
1–39.
Doenges, M. E. (2009). Rencana Asuhan Keperawatan : Pedoman Untuk
Perencanaan Dan Pendokumentasian Perawatan Pasien.
Durães, A. R., Carlos, L., Passos, S., Souza, H. C. De, Marques, V. R., Fernandes,
M., & Solano, J. D. C. (2016). iMedPub Journals Bundle Branch Block :
Right and Left Prognosis Implications Abstract, 1–6.
https://doi.org/10.21767/2471-8157.100016
Emilia, M. R., Arifin, A., & Hikmah, F. (2016). Instrumentasi Elektrokardiografi
dengan Capacitive Contact Electrode pada Kursi, 5(2), 116–120.
Futhuri, S. H., Studi, P., Dokter, P., Kedokteran, F., Ilmu, D. A. N., Islam, U., &
Syarif, N. (2009). MENGGUNAKAN PACEMAKER DI RUMAH SAKIT
BINAWALUYA CARDIAC CENTER TAHUN 2008-2009.
Galphade, V. B., & Bhaskar, P. C. (2015). SWARM ALGORITHM BASED
ADAPTIVE FILTER DESIGN TO, 125–133.
Giri, D., Acharya, U. R., Joy, R., Sree, S. V., Lim, T., Ahamed, T., & Suri, J. S.
(2013). Knowledge-Based Systems Automated diagnosis of Coronary Artery
Disease affected patients using LDA , PCA , ICA and Discrete Wavelet
Transform. Knowledge-Based Systems, 37, 274–282.
https://doi.org/10.1016/j.knosys.2012.08.011
Page 110
94
Halomoan, J. (2013). Analisa Sinyal EKG dengan Metoda HRV ( Heart Rate
Variability ) pada Domain Waktu Aktivitas Berdiri dan Terlentang, 29–35.
Hyvärinen, A., & Oja, E. (2000). Independent Component Analysis : Algorithms
and Applications, 1(1).
Jafarifarmand, A., Badamchizadeh, M., & Khanmohammadi, S. (2017).
Biomedical Signal Processing and Control Real-time ocular artifacts removal
of EEG data using a hybrid ICA-ANC approach. Biomedical Signal
Processing and Control, 31, 199–210.
https://doi.org/10.1016/j.bspc.2016.08.006
Kelwade, J. P. (2015). Prediction of Cardiac Arrhythmia using Artificial Neural
Network, 115(20), 30–35.
LIPI. (2009). UPT – Balai Informasi Teknologi LIPI UPT – Balai Informasi
Teknologi LIPI. In JANTUNG (pp. 1–17).
Lorias-espinoza, D., Gutiérrez-gnecchi, J. A., Morfin-maga, R., Tellez-anguiano,
A. C., Reyes-archundia, E., Casta, R., & Méndez-pati, A. (2017). Biomedical
Signal Processing and Control DSP-based arrhythmia classification using
wavelet transform and probabilistic neural network, 32, 44–56.
https://doi.org/10.1016/j.bspc.2016.10.005
Maji, U., Mitra, M., & Pal, S. (2016). Imposed target based modification of
Taguchi method for feature optimisation with application in arrhythmia beat
detection. Expert Systems With Applications, 56, 268–281.
https://doi.org/10.1016/j.eswa.2016.03.026
Mayeli, A., Zotev, V., Refai, H., & Bodurka, J. (2016). Real-time EEG artifact
correction during fMRI using ICA. Journal of Neuroscience Methods, 274,
27–37. https://doi.org/10.1016/j.jneumeth.2016.09.012
Musthafa, A. R. (2016). KLASIFIKASI SINYAL ELECTROENCEPHALOGRAM
MENGGUNAKAN AUTOMATIC ARTIFACT REMOVAL DAN SUPPORT
VECTOR MACHINE DENGAN PERANGKAT EMOTIV EPOC. Surabaya:
Institut Teknologi Sepuluh Nopember.
Page 111
95
Musthafa, A. R., & Harsono, T. (2013). Analisa Sinyal EEG untuk Menentukan
Sifat Manusia Menggunakan Backpropagation, (31), 1–5.
Musthafa, A. R., & Tjandrasa, H. (2014). EEG SIGNAL CLASSIFICATION
USING AAR AND SVM WITH EEG- GYROSCOPE SENSOR OF
EMOTIV EPOC.
Nazmah, A. (2014). Sistematika Membaca EKG. Jakarta: Trans Info Media
(TIM).
Purba, B. A. (2013). KARDIOVASKULER. Jambi: Universitas Jambi.
Raj, S., Ray, K. C., & Shankar, O. (2016). Cardiac Arrhythmia Beat Classification
Using DOST and PSO Tuned SVM. Computer Methods and Programs in
Biomedicine. https://doi.org/10.1016/j.cmpb.2016.08.016
Sankoh, A. S., Musthafa, A. R., Rosadi, M. I., & Arifin, A. Z. (2015). Klasterisasi
Jenis Musik Menggunakan Kombinasi Algoritma Neural Network , K-Means
dan Particle Swarm Optimization, 183–194.
Shadmand, S., & Mashoufi, B. (2016). Biomedical Signal Processing and Control
A new personalized ECG signal classification algorithm using Block-based
Neural Network and Particle Swarm Optimization. Biomedical Signal
Processing and Control, 25, 12–23.
https://doi.org/10.1016/j.bspc.2015.10.008
Shete, D. S., Patil, P. S. B., & Patil, P. S. B. (2014). Zero crossing rate and Energy
of the Speech Signal of Devanagari Script, 4(1), 1–5.
Sulastomo, Heru, D. (2016). PEMERIKSAAN ELEKTROKARDIOGRAFI.
Universitas Sebelas Maret Surakarta.
Syaifuddin. (2009). Fisiologi tubuh manusia untuk mahasiswa keperawatan
(EDISI KE 4). Penerbit Buku Kedokteran ECG.
Syaifuddin. (2016). Cara Kerja Fungsi Anatomi Fisiologi Jantung Manusia (pp.
1–10). UNIVERSITAS MUHAMMADIYAH SEMARANG.
Page 112
96
Thaler, M. S. (2017). Satu-satunya Buku EKG yang Anda Perlukan (8th ed.).
Jakarta: EGC.
Page 113
97
LAMPIRAN
Data sinyal ECG
a. Sinyal NORMAL
995 995 995 995 995 995 995 995 1000 997 995 994 992 993 992 989 988 987 990 993 989 988 986 988 993 997 993 986
983 977 979 975 974 972 969 969 969 971 973 971 969 966 966 966 966 967 965 963 967 969 969 968 967 963 966 964
968 966 964 961 960 957 952 947 947 943 933 927 927 939 958 980 1010 1048 1099 1148 1180 1192 1177 1128 1058
991 951 937 939 950 958 959 957 955 958 959 961 962 960 957 956 959 955 957 958 957 958 959 958 958 955 953 957
959 963 960 960 958 956 957 956 955 953 953 956 958 958 958 956 954 959 959 958 958 957 957 956 958 956 954 953
954 955 958 960 957 958 955 958 957 957 955 955 953 956 956 957 958 954 954 955 957 957 957 954 953 953 955 955
957 954 952 952 952 951 952 950 947 950 952 953 952 949 949 951 951 952 952 951 950 953 958 959 959 957 956 961
964 964 966 965 966 967 969 973 974 974 971 973 975 978 975 975 973 973 976 974 973 975 973 974 974 971 972 972
971 970 971 972 969 968 966 969 970 972 968 968 967 969 969 971 970 967 966 968 969 967 968 964 964 963 965 964
962 962 963 965 967 967 966 965 962 966 965 964 963 962 959 962 964 966 962 959 958 961 964 963 962 960 958 959
961 962 963 963 962 964 963 966 964 964 963 963 966 968 965 963 961 963 965 966 968 970 969 969 970 974 974 973
979 980 983 984 983 981 978 980 979 979 979 978 977 976 977 980 982 983 975 967 967 964 962 958 958 959 961 960
961 959 956 955 956 956 954 955 953 958 957 958 960 955 953 956 958 959 958 954 951 952 948 939 935 929 922 917
923 941 964 992 1021 1071 1122 1168 1199 1212 1205 1175 1122 1057 1002 970 946 934 929 933 939 946 946 947 946
948 948 948 945 947 947 947 949 945 942 942 944 945 946 943 945 947 949 946 946 943 942 942 946 946 945 943 941
944 942 943 942 941 942 944 944 945 946 943 942 946 946 947 947 942 943 945 946 949 946 945 942 944 946 946 947
943 941 941 944 945 943 941 940 940 942 941 939 940 937 938 938 940 938 934 933 934 937 935 934 933 930 932 933
934 933 930 929 932 934 935 936 937 936 942 945 950 951 952 951 956 959 961 960 958 958 960 962 964 964 960 960
961 963 963 965 960 958 963 962 964 964 960 959 962 963 961 963 961 961 962 965 966 963 962 960 961 964 961 961
961 958 961 960 961 959 957 956 957 957 958 959 955 954 955 957 958 958 955 955 955 960 958 957 956 953 957 958
958 957 953 952 953 954 956 955 955 955 955 958 958 957 955 954 954 956 958 955 955 953 954 956 958 956 956 956
958 957 958 957 955 955 956 958 961 965 964 965 967 969 971 971 971 973 974 976 979 981 976 975 976 975 977 975
974 969 969 971 974 979 980 978 971 970 968 967 963 960 956 958 957 957 953 950 952 955 954 953 951 949 948 950
951 951 948 947 948 949 953 950 946 943 942 937 931 926 920 913 910 919 943 974 1006 1048 1106 1162 1201 1216
1194 1128 1034 960 924 923 935 941 945 946 945 946 945 943 945 943 946 945 945 942 943 944 944 941 943 940 941
943 943 940 940 937 940 942 942 943 939 938 940 941 942 942 939 940 944 945 944 944 945 941 943 946 944 944 941
939 939 941 941 942 939 939 940 941 944 944 942 939 942 943 945 944 944 943 947 944 946 946 944 941 943 943 942
941 940 940 939 941 941 942 937 938 937 940 940 940 940 939 939 941 945 945 946 949 952 956 957 958 957 957 959
960 963 963 961 962 963 964 964 964 962 962 962 961 964 963 961 960 959 962 963 963 960 959 963 962 965 962 959
958 960 960 960 959 954 954 956 957 958 957 956 952 954 954 953 952 953 951 953 954 956 953 954 951 951 954 953
954 950 948 950 952 951 952 951 948 950 951 954 954 954 950 951 955 955 956 953 951 952 953 953 953 949 947 953
952 953 952 952 950 952 955 953 955 955 955 956 962 963 963 962 963 966 967 969 968 968 969 971 973 975 972 971
969 968 971 970 969 968 969 968 969 971 973 976 972 968 962 962 955 952 948 947 948 950 949 947 946 945 947 947
947 945 943 944 949 949 946 945 941 943 944 946 943 939 932 929 923 922 919 916 904 895 898 909 925 947 970 1001
1042 1098 1151 1186 1196 1178 1119 1037 963 924 920 929 942 946 946 944 942 943 947 946 945 943 942 943 944 946
945 942 941 942 945 943 942 943 943 942 946 947 946 945 944 944 944 945 945 943 943 944 945 947 949 947 945 946
947 949 947 945 945 947 949 949 947 945 946 946 951 949 947 945 948 947 949 948 946 948 949 949 949 949 948 946
946 951 950 949 947 946 946 949 951 947 948 946 949 949 951 950 947 945 947 947 950 951 950 949 954 957 960 961
960 959 961 965 967 964 965 967 967 968 970 968 966 965 965 966 968 966 965 962 965 967 968 969 965 963 964 965
965 967 964 963 964 965 964 963 961 962 961 965 964 962 958 956 958 960 960 961 959 957 958 961 960 960 958 955
956 957 958 957 955 954 955 956 957 957 958 957 956 957 960 956 956 954 951 952 955 955 954 954 954 956 956 955
955 948 952 952 955 955 954 953 955 958 958 957 957 956 958 960 966 966 964 963 967 968 969 968 969 970 971 974
Page 114
98
978 975 976 973 973 975 977 973 971 972 973 970 971 968 973 974 975 971 968 964 961 959 957 955 958 957 955 952
954 956 957 955 952 951 949 950 951 951 948 949 949 951 950 952 950 948 951 952 954 953 950 947 945 938 935 927
921 911 913 929 953 980 1013 1061 1119 1165 1188 1180 1131 1053 984 940 924 928 934 942 944 946 946 944 943 939
939 943 945 943 943 941 943 947 946 945 945 945 945 947 946 946 944 939 942 944 945 944 943 939 941 943 943 943
942 941 943 940 943 942 942 940 941 943 945 945 945 944 945 945 943 943 940 937 941 943 945 946 941 943 943 944
945 945 943 940 941 944 945 944 943 939 939 939 940 939 934 935 934 937 935 930 933 932 936 937 939 938 935 934
935 938 940 942 939 940 943 948 950 951 951 951 955 958 961 963 963 960 962 962 963 962 961 960 961 963 963 965
962 960 962 961 965 964 963 964 967 968 966 965 963 959 963 964 964 961 959 957 959 961 960 957 958 956 959 959
960 961 957 957 955 957 959 958 961 957 958 958 958 958 957 956 958 960 961 959 957 953 955 956 957 960 959 954
958 961 961 958 958 957 957 958 958 958 956 956 956 959 959 959 955 954 956 958 960 962 963 963 969 970 973 972
971 972 974 977 977 980 977 977 980 978 979 977 975 973 976 978 978 974 973 974 978 983 985 982 978 970 970 967
967 962 958 956 956 955 954 954 956 953 955 956 956 955 953 950 953 950 955 956 952 948 952 955 954 954 953 948
946 945 939 933 929 922 915 916 925 943 965 992 1032 1087 1143 1184 1201 1183 1128 1050 981 939 924 926 934 944
946 945 945 944 946 948 947 947 944 942 942 946 946 943 943 941 942 945 945 944 941 941 941 944 946 946 942 941
943 945 945 945 943 942 942 944 946 945 942 939 941 943 942 943 941 939 939 942 945 946 944 942 942 944 946 942
940 940 941 941 943 940 941 939 942 944 943 944 944 942 944 945 945 943 942 939 939 942 942 940 938 935 936 937
938 938 934 935 935 937 937 935 936 934 938 938 941 944 944 947 951 957 958 959 958 958 962 965 967 966 966 962
965 967 968 964 966 965 966 968 969 969 966 966 967 970 970 970 969 966 967 969 969 966 965 963 965 965 967 966
964 963 962 965 964 963 962 959 959 961 962 961 961 959 960 962 960 961 958 958 960 962 962 962 958 957 958 960
959 959 958 957 958 959 959 960 959 958 959 961 963 959 961 957 958 962 960 958 958 957 958 958 960 960 958 958
959 961 961 961 958 958 960 961 963 963 965 961 964 969 973 973 972 971 973 977 978 979 980 980 981 984 983 983
979 977 976 978 981 976 976 974 977 982 984 980 973 969 967 964 963 960 958 959 960 958 958 957 956 955 956 957
960 959 957 955 955 955 957 956 955 953 956 956 956 956 955 953 951 950 943 935 928 925 920
b. Sinyal PVC
976 975 976 977 976 978 977 980 980 976 969 967 962 959 961 961 958 957 955 956 956 958 959 954 951 952 952 952
954 955 953 951 954 958 958 955 952 953 953 954 946 940 935 934 929 920 913 915 929 956 989 1028 1075 1127 1178
1214 1222 1192 1119 1032 965 935 932 940 946 948 948 950 955 954 954 949 950 950 953 950 950 948 946 948 949 949
946 944 943 944 946 949 952 951 948 949 949 951 948 947 949 949 949 950 948 948 946 947 950 950 946 947 946 946
947 947 948 945 944 946 948 948 947 946 948 950 952 952 950 949 947 947 952 949 951 948 947 948 947 949 945 941
937 939 939 940 939 940 936 936 937 937 939 937 935 933 935 938 937 936 936 935 940 944 945 948 949 951 955 957
958 959 958 965 968 971 971 968 969 972 972 973 971 969 968 970 972 972 970 970 966 970 971 972 973 967 965 968
971 971 971 969 970 970 972 974 973 970 967 966 970 969 970 968 965 964 966 967 964 965 964 964 965 967 967 966
963 962 965 963 968 966 961 963 965 968 969 966 963 966 967 965 965 964 965 962 966 969 968 965 964 966 970 972
972 970 967 968 971 972 969 970 967 968 970 971 970 968 970 969 974 978 979 981 978 978 982 983 986 984 984 985
989 990 989 986 985 983 986 989 988 985 981 982 986 992 994 987 979 974 972 971 968 966 964 961 965 965 966 965
960 961 961 964 963 963 958 962 964 967 967 966 965 965 964 966 965 963 961 959 957 953 944 937 930 926 921 928
948 978 1012 1056 1108 1166 1214 1241 1244 1210 1131 1035 962 935 938 950 960 962 962 959 956 957 957 958 958
957 955 957 956 958 958 958 956 958 960 959 959 960 958 957 957 958 959 953 955 954 958 959 958 956 954 953 955
958 957 958 953 956 958 961 960 957 956 958 959 960 959 958 954 957 958 958 958 956 952 955 958 959 960 956 954
955 958 958 958 957 954 955 956 957 954 954 949 951 954 951 951 952 949 950 954 956 956 953 951 952 954 958 957
958 960 962 965 970 971 971 970 975 975 978 977 977 976 978 981 982 983 983 982 981 981 983 982 982 979 977 981
981 982 979 977 980 981 982 981 980 979 980 980 980 981 977 975 977 978 981 981 979 977 976 979 979 978 974 973
973 975 976 975 975 971 970 974 972 973 972 970 970 971 971 973 971 969 970 972 974 973 972 971 974 975 974 973
972 970 967 971 974 973 972 969 970 972 974 974 974 969 970 974 977 979 979 980 983 987 990 992 990 989 992 995
997 998 997 994 995 995 995 994 991 987 990 994 993 992 990 989 995 1000 1006 1005 999 994 990 987 987 985 980
Page 115
99
978 975 975 974 972 972 969 970 971 972 972 972 968 967 969 969 971 968 966 966 970 969 970 967 966 962 956 947
941 938 927 924 934 959 989 1024 1061 1109 1171 1223 1257 1267 1242 1174 1082 1000 955 945 956 967 972 971 970
966 965 965 965 968 965 963 959 961 961 961 963 961 957 960 960 963 961 960 959 960 962 961 962 964 961 961 962
963 966 963 961 962 961 963 962 959 956 959 961 963 961 961 959 960 958 962 964 961 959 960 963 964 965 963 961
963 962 962 962 959 955 957 959 965 960 958 959 958 959 961 960 958 955 957 958 959 961 958 956 957 957 960 959
957 955 955 958 962 961 960 961 962 967 968 971 970 971 972 976 978 979 979 978 979 981 982 983 980 980 979 977
979 982 978 978 978 978 982 981 976 974 975 976 980 978 977 975 974 979 980 977 977 974 975 973 977 975 974 972
972 971 972 972 968 967 968 967 970 970 971 966 967 969 971 972 968 967 967 968 970 969 968 963 963 966 967 968
965 962 963 966 967 969 968 966 966 966 968 964 965 962 963 965 966 968 964 964 965 966 969 969 970 969 973 975
981 981 981 981 982 984 988 989 987 986 985 985 985 985 982 979 978 981 984 983 979 978 980 991 994 994 990 984
981 979 978 974 970 969 965 964 962 960 961 958 960 961 961 963 963 960 958 958 961 961 959 958 959 961 965 963
962 959 956 957 954 943 934 930 925 918 918 925 944 972 1010 1049 1100 1156 1200 1228 1239 1219 1163 1073 991
943 929 935 942 949 956 955 956 955 956 955 955 952 955 953 954 952 951 948 950 949 951 948 949 949 949 950 952
951 949 947 948 949 950 949 949 949 948 952 954 955 952 949 946 950 951 953 951 946 949 950 951 950 950 948 948
950 953 953 950 948 949 950 952 955 951 951 952 954 953 951 948 947 947 949 952 952 950 947 948 949 951 950 946
943 942 944 946 947 945 945 945 946 948 947 946 944 943 945 947 945 946 946 947 949 954 956 956 954 956 961 965
966 967 966 966 969 972 971 968 966 969 969 973 972 970 968 967 971 972 971 968 967 968 967 967 967 965 963 960
963 968 968 964 964 962 961 963 963 962 958 958 960 960 961 958 955 956 956 960 959 957 956 956 959 962 959 955
954 955 956 957 955 952 949 951 955 957 957 955 951 954 956 956 955 953 947 948 952 955 954 952 952 952 954 955
955 955 953 954 954 957 955 955 956 960 965 967 964 963 964 966 968 974 975 973 975 976 980 981 979 976 974 975
978 980 979 976 969 965 966 969 972 976 974 975 973 970 967 959 956 956 955 956 955 954 949 947 951 953 954 952
949 947 949 951 952 948 949 949 951 953 950 949 946 946 943 947 945 943 937 930 928 924 919 906 898 898 913 930
951 972 994 1028 1077 1129 1172 1205 1216 1193 1136 1057 987 945 928 927 932 937 940 940 939 941 942 941 939
939 936 940 942 944 944 944 941 942 946 946 946 945 942 940 940 942 941 941 940 939 939 940 941 940 938 939 942
944 944 941 938 938 942 941 944 944 942 940 941 942 943 940 939 939 940 941 940 939 937 937 935 938 939 939 937
939 942 943 940 940 936 935 939 942 941 938 935 932 936 938 937 935 934 933 930 932 930 929 926 926 927 930 928
925 925 929 929 929 932 931 934 937 940 945 945 945 946 944 951 955 957 958 958 958 962 964 963 965 964 963 965
967 966 965 960 962 963 966 962 962 961 961 965 965 964 963 962 960 963 963 964 962 960 959 961 961 961 959 956
954 958 958 958 956 957 955 955 957 958 957 952 950 951 953 948 947 941 936 934 929 923 922 914 899 865 813 754
687 626 581 546 519 500 485 481 486 499 517 540 572 614 663 708 753 794 837 875 908 937 958 970 975 978 983 993
1002 1011 1012 1015 1017 1023 1028 1032 1034 1037 1041 1048 1052 1053 1053 1050 1050 1053 1057 1059 1062 1064
1067 1070 1074 1077 1082 1082 1079 1076 1077 1075 1075 1073 1072 1076 1078 1080 1081 1079 1083 1089 1093 1096
1098 1100 1103 1107 1114 1120 1121 1125 1133 1141 1146 1153 1156 1160 1166 1172 1180 1186 1190 1190 1198 1201
1210 1212 1211 1211 1211 1214 1216 1215 1215 1213 1213 1216 1213 1211 1205 1196 1188 1181 1175 1165 1155 1141
1131 1119 1108 1098 1084 1074 1062 1053 1044 1035 1028 1020 1015 1010 1008 1001 996 989 987 984 982 979 977
973 972 971 974 972 969 967 971 970 971 971 970 968 969 969 972 972 969 968 968 968 971 970 968 965 968 967 967
967 967 965 965 965 968 966 964 961 960 962 965 963 961 959 960 961 963 962 960 957 958 961 961 958 956 954 953
957 958 956 954 951 952 954 956 954 953 952 951 953 956 956 955 955 953 956 958 957 954 952 954 956 956 956 952
951 951 953 953 952 951 949 947 952 954 950 952 950 950 952 955 953 952 952 951 953 953 953 952 950 948 950 953
951 950 949 949 951 952 951 950 949 950 951 954 953 952 952 950 952 955 953 952 947 951 953 953 952 951 951 950
951 955 954 950 950 951 949 952 951 950 950 948 953 954 954 950 951 949 952 952 950 950 948 950 951 952 953 951
951 950 951 954 953 953 951 951 953 955 955 954 954 952 954 954 954 953 950 949 952 954 954 954 951 951 954 957
956 956 954 955 962 964 967 964 964 964 967 970 971 971 974 973 976 976 975 974 972 971 969 970 971 970 967 965
969 974 977 973 966 962 961 962 958 955 952 950 950 952 950 950 950 950 951 952 949 949 945 944 948 949 949 945
945 945 947 947 947 945 943 943 940 935 926 920 917 909 908 913 936 964 1003 1042 1090 1147 1197 1235
Page 116
100
c. Sinyal LBBB
1059 1059 1059 1059 1059 1059 1059 1059 1059 1060 1061 1066 1070 1068 1063 1056 1043 1036 1041 1054 1063 1056
1037 1035 1048 1068 1072 1064 1056 1052 1052 1049 1046 1044 1046 1051 1052 1045 1035 1030 1026 1027 1021 1017
1012 1006 999 999 1002 1002 1002 998 998 997 996 994 989 992 991 990 987 985 988 991 989 984 981 981 987 990 986
978 978 982 989 992 990 986 985 986 991 992 988 986 989 988 989 985 984 988 987 985 982 975 976 987 1008 1029
1046 1058 1064 1065 1071 1090 1109 1131 1144 1150 1146 1139 1134 1131 1128 1122 1113 1102 1090 1078 1068 1059
1043 1020 995 968 943 926 915 910 900 892 884 886 890 892 893 892 896 901 905 906 909 908 908 912 921 927 929
927 927 931 932 932 932 930 929 931 930 927 927 923 923 924 926 926 925 923 918 918 920 924 925 923 920 921 923
923 921 921 920 924 927 925 926 927 928 928 928 933 934 937 935 941 941 943 945 947 947 950 954 954 951 949 954
963 971 973 969 967 968 976 982 981 979 980 976 978 984 986 988 987 985 987 993 992 989 987 987 988 990 990 988
989 991 995 999 999 997 992 987 985 992 995 994 988 982 986 988 987 981 977 976 984 992 995 989 985 984 986 990
987 983 980 981 985 987 985 982 976 971 969 965 960 953 949 943 939 937 934 936 936 936 938 940 938 937 933 930
929 933 932 931 927 927 930 933 934 932 932 934 936 937 933 929 928 929 935 938 930 926 923 927 935 939 938 934
930 931 933 936 932 927 927 925 927 925 925 927 941 961 983 999 1007 1014 1017 1030 1052 1075 1087 1098 1103
1104 1102 1103 1097 1093 1082 1068 1062 1058 1045 1028 1011 990 963 941 913 891 874 863 855 847 842 843 842 839
843 848 854 856 858 858 862 870 872 875 878 882 882 888 886 886 885 885 884 886 885 882 883 881 881 882 880 879
877 877 881 882 880 877 874 873 876 880 878 877 877 876 878 884 882 882 881 880 885 889 891 893 891 892 893 899
903 903 903 903 906 913 917 918 919 918 923 930 933 932 933 934 940 944 944 946 946 946 948 950 951 950 951 953
955 961 961 960 956 955 956 961 962 965 967 970 970 965 962 960 956 952 951 952 952 953 952 952 957 962 962 965
964 966 962 957 951 949 944 944 946 950 947 949 947 946 947 949 942 933 926 917 914 910 906 903 900 900 902 905
901 902 900 901 900 901 896 893 891 891 895 898 898 896 896 897 906 910 910 906 901 899 899 898 898 903 902 903
900 902 906 913 916 916 909 906 900 893 891 888 895 904 900 893 880 876 876 880 891 909 935 956 978 995 1005
1014 1023 1039 1064 1085 1106 1124 1136 1142 1141 1141 1135 1131 1120 1101 1086 1069 1056 1041 1031 1014 987
951 909 872 843 819 802 794 786 783 784 783 788 791 794 799 796 793 791 793 798 805 812 822 828 831 829 828 825
826 827 829 828 832 839 841 842 837 827 823 818 813 812 810 809 808 807 808 813 816 816 819 817 816 818 819 822
822 822 822 825 828 825 823 821 824 834 841 849 847 837 832 833 839 849 857 857 853 851 848 848 850 857 861 864
868 872 876 880 880 882 886 887 889 887 897 904 911 910 905 903 906 913 915 913 912 911 908 910 914 921 931 932
931 925 915 908 910 911 914 922 924 921 908 901 903 912 916 914 904 896 892 896 903 905 909 908 901 898 899 902
904 902 898 900 902 901 897 891 883 877 871 862 861 861 863 865 861 852 847 847 853 858 860 855 850 855 860 863
860 856 851 853 852 854 864 869 870 865 855 850 850 849 846 841 841 846 854 856 853 848 845 844 851 854 853 852
845 842 847 854 858 856 854 852 850 844 838 831 838 858 893 928 952 965 978 984 988 995 1008 1019 1036 1053 1065
1066 1061 1052 1044 1039 1034 1021 1005 989 976 965 953 934 915 890 856 825 798 776 755 732 719 713 709 708 711
715 723 725 731 730 734 738 743 749 759 764 764 765 770 776 783 786 792 793 795 798 804 803 801 800 800 802 804
804 800 801 802 804 805 805 805 804 805 804 805 802 802 802 804 806 808 807 806 806 807 810 812 811 810 810 810
815 820 820 818 820 818 826 831 832 831 833 832 838 844 843 846 847 851 853 857 859 860 861 863 866 872 873 877
876 879 880 884 886 889 889 889 893 897 897 896 895 896 899 901 904 902 902 904 909 910 909 910 909 911 913 912
912 914 909 907 905 902 904 904 906 908 910 914 915 914 911 910 913 916 913 909 907 907 907 910 912 911 908 906
904 901 894 885 877 870 867 866 860 856 852 851 850 848 850 848 847 846 851 853 850 850 850 850 851 853 854 852
854 855 858 856 857 857 858 859 861 861 861 858 861 859 864 865 861 860 862 864 866 865 863 864 864 862 861 861
858 855 858 868 889 908 927 944 954 958 965 974 993 1010 1022 1040 1051 1053 1050 1049 1047 1047 1044 1033 1022
1007 998 992 982 969 947 925 898 874 852 822 801 786 778 778 776 776 775 777 776 776 780 785 790 796 799 804 809
815 816 818 824 834 839 840 841 842 843 845 847 850 848 842 842 845 849 846 847 846 846 850 852 846 846 841 846
850 850 852 847 849 847 848 852 853 851 850 849 852 856 856 860 854 856 860 862 860 864 866 871 873 878 878 879
877 881 884 888 889 888 889 890 894 900 904 902 906 907 908 916 918 917 917 919 922 926 930 931 931 930 934 940
940 938 936 936 939 943 942 942 944 946 948 947 949 947 948 954 953 954 949 947 943 942 946 950 950 948 946 949
952 952 952 948 948 949 948 951 945 947 946 941 946 950 952 951 946 940 937 934 927 922 915 908 905 903 901 900
896 896 898 897 894 892 888 889 890 891 893 892 888 885 887 887 886 889 887 887 887 890 891 892 888 887 888 891
Page 117
101
892 888 885 887 891 894 894 893 891 891 893 896 896 894 891 894 894 890 887 881 883 889 905 926 947 967 983 989
996 1009 1028 1045 1062 1076 1088 1099 1100 1096 1094 1089 1087 1084 1070 1053 1035 1023 1013 995 974 942 913
884 861 839 822 808 799 793 792 792 793 793 791 797 804 813 817 821 822 827 832 837 844 845 842 848 851 859 861
862 861 860 859 862 860 859 859 861 860 862 862 861 858 860 862 863 863 861 859 857 860 865 865 863 863 861 865
864 867 868 866 868 870 874 874 873 875 880 886 886 888 887 887 891 896 901 903 902 902 905 905 909 915 917 915
921 924 926 929 932 932 934 937 940 940 939 944 943 944 949 950 948 947 952 951 957 956 958 957 957 962 961 963
960 957 958 962 964 961 958 952 949 950 959 961 961 958 957 962 962 961 963 961 959 960 959 955 952 947 950 953
953 951 951 949 943 937 934 926 917 907 907 905 904 902 901 901 901 900 903 903 900 899 899 899 902 905 902 902
902 904 906 905 906 902 900 904 907 905 903 902 901 903 908 905 905 904 904 905 908 909 908 907 909 911 914 913
911 906 908 911 913 910 909 906 910 923 943 968 994 1024 1047 1053 1052 1054 1059 1065 1074 1088 1106 1116 1120
1119 1118 1120 1119 1112 1094 1075 1058 1042 1031 1013 988 956 927 902 883 861 841 821 812 808 807 807 806 808
809 813 817 819 826 831 839 846 853 857 858 861 868 873 880 884 886 887 889 893 893 895 892 887 888 892 895 894
892 888 885 887 888 889 888 885 881 882 888 888 887 885 883 889 891 888 885 885 887 889 889 891 892 892 893 896
898 900 900 900 902 903 905 906 907 908 910 917 921 922 925 923 929 929 934 937 940 937 942 947 948 949 948 950
952 955 958 959 961 958 963 968 971 972 971 972 975 977 981 982 980 978 981 984 986 986 985 982 982 983 985 983
982 980 978 977 976 978 977 975 975 980 984 984 983 980 980 979 983 982 976 972 971 971 971 972 972 973 972 970
965 960 954 948 942 938 933 933 929 925 923 925 926 926 927 926 925 923 924 922 919 920 922 926 926 926 924 922
921 919 923 923 922 921 922 924 926 924 927 924 923 921 922 926 928 929 929 930 929 928 929 926 925 930 931 933
931 928 925 928 929 931 939 952 975 1003 1031 1052 1071 1080 1085 1090 1100 1112 1127 1137 1155 1167 1170 1168
1161 1151 1141 1130 1115 1093 1072 1056 1038 1018 996 972 946 916 890 868 851 832 811 796 791 790 794 798 798
798 801 806 814 821 821 827 835 842 849
d. Sinyal RBBB
857 857 857 857 857 857 857 861 861 858 856 854 849 847 840 830 822 816 811 805 807 811 810 812 814 812 812 811
811 811 808 808 801 801 805 810 813 813 809 804 804 801 802 802 803 803 802 804 803 806 806 808 811 808 814 817
825 844 873 910 945 969 977 976 978 984 998 1021 1046 1069 1073 1055 996 909 808 724 666 640 628 622 614 600 590
590 596 609 612 615 619 627 634 644 664 687 710 735 757 778 789 796 794 790 790 796 805 812 804 788 778 782 805
827 832 825 817 810 808 816 821 825 822 815 807 801 803 803 799 796 789 787 789 787 783 784 783 784 791 798 797
794 782 779 783 781 778 771 772 782 794 794 789 783 774 760 745 730 725 727 738 749 757 769 782 793 792 781 770
764 766 772 781 790 797 806 811 816 817 819 813 810 810 816 826 832 840 847 849 846 846 841 831 823 817 816 829
843 847 854 853 843 840 833 828 833 836 837 834 832 840 841 844 838 835 835 839 841 830 817 812 814 823 836 839
840 839 838 839 838 837 839 836 827 816 809 816 829 837 843 844 832 820 810 812 820 833 846 854 850 841 829 816
815 819 829 837 843 839 836 834 833 828 829 829 827 826 831 834 838 846 851 848 849 839 832 830 828 836 844 842
840 835 841 852 860 857 850 849 853 860 872 878 884 886 884 875 868 858 858 857 860 861 856 854 849 864 879 889
894 890 876 861 844 838 842 848 856 853 850 844 834 822 814 809 807 805 810 815 824 834 838 838 833 828 822 820
825 822 824 823 822 827 831 833 842 848 851 845 830 814 812 825 842 854 854 843 834 822 825 842 867 895 926 942
950 950 950 959 987 1031 1080 1109 1106 1066 990 897 813 757 721 700 684 660 634 618 602 595 594 597 604 605 605
608 612 622 637 649 655 663 683 707 735 763 783 795 801 803 801 796 790 792 803 818 830 830 825 816 808 804 806
810 814 819 823 826 822 820 812 811 810 811 815 814 809 803 798 794 790 787 783 787 790 793 793 792 792 790 786
775 765 762 766 776 787 792 791 776 760 749 753 771 784 791 789 780 771 768 766 772 783 781 783 783 787 787 791
799 809 822 830 828 824 816 815 822 829 830 835 834 835 842 846 847 840 837 844 852 858 858 853 844 837 836 835
837 841 850 858 861 859 854 851 850 850 853 856 853 843 832 829 834 844 851 849 840 838 834 837 834 826 824 827
833 840 844 849 851 848 845 845 844 838 834 828 835 845 850 850 841 835 833 836 843 843 837 832 833 836 847 849
856 855 854 848 840 839 845 853 857 853 852 852 853 851 844 843 844 850 854 858 854 845 840 835 838 842 849 851
850 853 853 852 853 857 860 866 869 873 873 877 880 880 882 882 884 883 880 874 870 863 861 867 881 890 898 893
887 880 881 884 875 860 845 839 842 847 851 857 855 848 845 843 839 837 831 829 828 827 826 831 837 843 845 839
Page 118
102
832 826 818 819 824 829 829 825 824 829 837 836 839 833 826 822 821 823 819 817 821 841 871 902 933 954 959 953
944 950 978 1023 1073 1108 1111 1076 1004 917 829 757 703 670 651 644 638 635 627 615 607 600 602 607 606 607
611 620 630 643 658 673 692 718 744 767 787 800 802 801 798 794 799 803 812 821 822 826 830 828 816 799 788 784
795 807 819 825 833 833 829 823 808 794 787 789 792 795 793 793 792 792 783 776 767 763 763 765 770 776 780 784
785 779 771 767 760 756 752 752 753 763 776 782 782 784 778 771 766 761 757 760 762 769 775 784 790 791 799 799
805 811 813 817 820 821 811 798 792 810 829 847 856 855 851 840 835 834 837 837 833 830 831 834 838 837 836 831
835 831 830 829 832 826 818 808 818 834 851 861 861 857 844 832 821 816 813 820 823 825 823 820 815 817 822 834
839 841 839 834 830 821 819 825 834 843 845 839 836 833 830 829 826 823 819 815 819 826 832 835 841 841 843 842
841 836 837 837 830 827 827 834 844 857 868 869 865 854 842 833 831 835 837 842 841 839 834 833 835 837 844 844
853 857 854 850 851 854 864 865 866 871 875 875 875 872 872 878 881 881 876 872 863 856 849 853 860 874 884 892
899 896 885 869 842 832 832 838 845 853 852 850 845 846 841 831 818 807 810 814 818 823 828 831 833 834 836 840
850 855 852 850 845 844 843 844 836 837 839 837 837 829 821 818 814 814 821 836 856 879 905 932 960 980 987 986
981 986 996 1026 1059 1082 1083 1051 989 903 817 741 690 655 636 627 621 620 622 620 614 606 601 597 595 594 598
605 626 649 672 700 731 753 777 789 797 796 799 801 806 813 816 819 810 799 792 800 810 818 818 819 814 809 805
802 799 801 800 801 799 796 796 796 794 791 787 786 782 782 779 780 778 775 774 771 767 765 764 760 760 761 765
765 761 755 751 746 751 758 762 763 764 762 761 762 761 764 768 774 778 781 785 783 784 786 790 795 802 806 809
815 821 824 824 820 815 815 822 826 831 834 835 835 836 835 835 830 832 834 833 835 834 829 830 832 830 829 831
828 831 829 830 831 830 826 824 821 823 821 820 819 821 823 824 825 826 827 829 829 824 821 826 828 832 830 823
820 818 814 816 819 815 815 815 814 817 813 815 816 817 821 819 822 820 822 820 825 825 826 827 824 818 817 815
811 808 806 805 808 813 815 816 814 816 814 813 817 819 820 825 827 832 834 834 832 834 831 827 828 831 835 832
833 834 832 834 837 842 852 859 864 865 867 862 857 853 847 845 843 844 849 856 863 863 866 863 862 856 853 850
845 841 837 834 832 830 831 829 831 830 829 827 825 822 824 825 823 819 815 813 811 811 809 809 812 812 812 814
815 812 811 803 799 791 789 791 798 805 806 809 808 813 812 824 842 863 892 921 952 976 987 986 983 984 992 1011
1038 1065 1080 1079 1052 1000 925 843 768 709 671 651 643 636 630 624 618 615 614 612 607 607 605 609 615 619
629 645 667 694 723 753 775 794 807 811 806 808 805 806 813 819 823 826 828 828 825 822 818 818 816 816 818 819
821 818 816 811 809 804 803 805 804 801 801 799 798 802 798 793 790 783 781 778 776 776 777 775 777 774 772 774
770 770 766 763 762 759 760 762 764 767 770 769 770 771 770 774 769 777 781 787 792 793 797 798 798 800 805 808
810 813 818 821 826 826 829 834 835 835 836 837 838 839 844 844 849 850 849 850 851 848 847 845 846 846 846 848
848 853 851 853 848 847 848 847 846 847 844 848 850 850 847 849 847 844 843 846 844 843 845 846 846 850 850 846
847 840 842 841 843 840 848 847 852 851 848 850 849 847 846 845 845 846 848 851 853 853 850 847 847 848 848 846
846 849 850 849 854 854 853 854 852 852 850 851 846 849 853 857 857 859 856 856 861 859 859 860 860 865 865 871
874 878 880 878 878 880 883 888 890 893 892 892 894 895 886 884 879 877 879 882 890 895 901 902 903 899 888 882
877 872 868 867 863 860 861 858 859 861 859 853 853 852 852 851 850 849 854 856 855 856 854 855 855 855 854 855
855 856 859 856 859 859 859 857 852 849 845 843 845 856 875 902 933 960 983 987 987 981 972 978 988 1015 1050
1078 1093 1079 1031 957 878 806 755 722 701 687 680 670 663 658 654 653 651 649 650 650 647 654 663 674 693 724
753 784 811 830 841 848 847 847 852 854 856 861 858 860 857 854 852 852 847 848 845 850 849 851 851 847 843 841
835 831 829 829 826 829 829 829 829 822 820 817 815 810 807 805 801 799 795 792 788 784 779 775 769 768 762 761
762 768 769 777 778 783 787 792 799 804 809 813 820 823 827 835 834 839 842 842 843 847 843 844 848 852 856 856
859 857 859 856 857 856 856 859 860 867 865 868 868 869 871 868 866 862 863 863 863 865 866 870 871 867 865 864
860 859 855 855 855 857 859 859 859 859 857 852 853 853 847 850 851 852 853 851 853 849 852 853 853 853 851 853
856 855 856 857 857 858 855 851 851 850 849 850 853 855 860 861 858 857 856 853 852 853 851 855 854 857 853 861
857 859 857 857 856 856 857 861 864 867 869 872 871 876 874 874 876
Page 119
103
BIODATA PENULIS
Penulis lahir di Kota Mojokerto, Jawa Timur pada
tanggal 21 Janurai 1994. Tamat MI MIFTAHUL
ULUM Gondang (2006), SMP Negeri 1 Dlanggu
(2009) ,SMA Negeri I Sooko Mojokerto (2012),
Jurusan Pendidikan Fisika, Universitas Negeri
Surabaya (2012-2016). Penulis melanjutkan studi di
Pascasarjana Teknik Fisika Intitut Teknologi Sepuluh
Nopember Surabaya, di bidang Rekayasa Instrumentasi
Industri pada tahun 2016. Penulis fokus pada bidang Rekayasa Instrumentasi Industri
pada bidang Biomedis sebagai penelitian tesisnya. Penulis dapat dihubungan melalui
alamat email: [email protected]