BAB 1

PENDAHULUAN

1.1 Latar Belakang

Penyakit jantung dan pembuluh darah (kardiovaskular) kini telah menjadi

pembunuh utama di Indonesia. Menurut WHO, penyakit kardiovaskular

merupakan 28% penyebab kematian di negara-negara Asia Pasifik, dimana

penyakit ini banyak menyerang golongan usia produktif, terutama di negara

berkembang, sehingga berpotensi mengurangi GDP (Gross Domestic Product)

dan menambah angka kemiskinan (depkes.go.id).

Gejala abnormalitas pada jantung seringkali datang secara tiba-tiba. Untuk

itu, pengenalan secara dini terhadap penyakit jantung dengan prosedur dan

penanganan lanjutan dapat mencegah peningkatan resiko fatal dari serangan

jantung. Informasi seputar kerja jantung dapat diperoleh melalui prinsip

kelistrikan pada jantung menggunakan sebuah instrumen medis yang disebut

Electrocardiograf (ECG/EKG). Mengetahui cara kerja EKG relatif mudah namun

untuk mengetahui informasi yang terdapat pada data hasil rekaman EKG sangat

sulit. Untuk membaca kertas rekaman diperlukan pengalaman dan pengetahuan

mengenai penyakit jantung serta gejala-gejalanya. Ekstraksi manual terhadap

informasi penting sinyal pada EKG sangatlah tidak efisien karena banyaknya data

yang harus diamati (Schamroth : 1990).

Sinyal biomedik pada umumnya adalah sinyal nonstasioner. Sinyal

elektrik jantung termasuk sinyal biomedik yang nonstationer, dimana sinyal ini

mempunyai karakteristik waktu-frekuensi yang sangat kompleks. Seringkali

sinyal elektrik jantung berdurasi pendek, komponen frekuensi tinggi berhubungan

dengan jarak dalam domain waktu dan frekuensi rendah berhubungan dengan

jarak dalam domain frekuensi. Sehingga, untuk menganalisa sinyal elektrik

jantung, dibutuhkan resolusi yang baik di dalam domain waktu dan domain

frekuensi (Akay:1997), hal ini dikarenakan sifat sinyal nonstationer yang

memiliki perubahan frekuensi di setiap waktu. Dengan cara ini maka deteksi

bentuk sinyal dan durasi / interval yang memisahkan mereka dapat dilakukan

1

dengan lebih teliti. Akuisisi rekaman EKG berkualitas tinggi sangat penting untuk

mendeteksi munculnya gejala arrhythmias (ganguan jantung) pada serangan

jantung mendadak. Ketidaknormalan sinyal EKG dapat diketahui dari berkurang

atau berlebihnya durasi waktu dan frekuensi sinyal normal yang telah ditentukan

oleh ahli kardiovaskular.

Ada banyak metode yang dapat digunakan dalam menganalisa sinyal

elektrik jantung berdasarkan time-frequency, beberapa metode yang terkenal

adalah wigner-ville distribution (WVD), transformasi fourier (TF), Short Time

Fourier Transform (STFT), dan wavelet transform (WT). Pada penelitian

sebelumnya telah ditunjukkan bahwa FFT dapat menginformasikan frekuensi

yang berharga. Akan tetapi, FFT tidak mempertimbangkan waktu (Cvetkovic dkk:

2008). Pada perkembangan selanjutnya, TF berkembang menjadi Short Time

Fourier Transform (STFT) yang dibuat secara terpotong-potong berdasarkan

window yang telah ditentukan dan berpengaruh pada resolusi time-frequency yang

mampu dianalisa. Apabila panjang window waktunya sempit, maka resolusi

frekuensinya buruk. Sebaliknya, apabila panjang window waktunya lebar maka

resolusi waktunya buruk. Metode alternatif yang telah berkembang hingga

sekarang adalah menggunakan wavelet transform (WT) (Polikar:1996).

WT merupakan suatu multiresolution analysis yang dapat

merepresentasikan informasi waktu dan frekuensi sinyal elektrik jantung dengan

penggunaan modulasi window yang fleksibel. WT sangat baik dalam menganalisa

time-frequency untuk sinyal yang non-stationer (Polikar:1996). Teknik yang

digunakan dalam WT adalah pada menyempit dan melebarnya fungsi mother

wavelet yang merupakan fungsi basis yang akan dikonvolusikan terhadap sinyal

yang akan diekstrak. Salah satu jenis metode WT yaitu Continuous wavelet

transform (CWT) yang memiliki kemampuan analisa spectral lebih tepat dari

sinyal yang nonstationer. Hasil studi di literatur telah menunjukkan bahwa WT

adalah metode yang paling menjanjikan untuk mengekstrak fitur yang mencirikan

perilaku dari sinyal EKG (Addison:2005), sehingga dalam penelitian ini dilakukan

ekstraksi sinyal elektrik jantung yang direkam oleh EKG untuk mendapatkan

karakterisasi pola sinyal normal dan abnormal menggunakan CWT.

2

Hasil ekstraksi parameter-parameter karakteristik sinyal EKG pada

domain time-frequency ini mempunyai tingkat variabilitas yang sangat tinggi.

Suatu sinyal EKG dapat menampilkan interval waktu dan frekuensi yang berbeda-

beda maka akan menghasilkan pola sinyal yang berbeda-beda pula. Untuk

membedakan antara sinyal kondisi normal dan abnormal maka diperlukan suatu

classifier guna mendapat klasifikasi terbaik pola sinyal. Salah satu cara yang

paling handal dalam pengenalan pola adalah artificial neural network (ANN)

(Ham:2000). ANN mampu menyelesaikan persoalan rumit yang sulit atau bahkan

tidak mungkin jika diselesaikan dengan menggunakan komputasi konvensional.

ANN merupakan salah satu sistem pemrosesan informasi yang didesain dengan

menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan

melakukan proses belajar melalui perubahan bobot sinapsisnya. ANN mampu

melakukan pengenalan kegiatan berbasis data masa lalu yang akan dipelajari

sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data

yang belum pernah dipelajari.

Peneliti sebelumnya telah efisien menggunakan ANN untuk mendeteksi

dan mengklasifikasikan sinyal EKG seperti yang dilakukan oleh Silipo, R. dan

Marchesi, C (1998), Lehtinen, R. dkk. (1998), Heden, B., dkk. (1996). Namun,

tidak menggunakan isyarat EKG domain frekuensi serta ukuran jaringan yang

digunakan cukup besar sehingga membutuhkan waktu untuk pelatihan dan

pengujian sistem. Oleh karena itu, performansi pengklasifikasian ANN sinyal

EKG harus dikelola menjadi lebih sensitif dan dapat lebih teliti dalam

menganalisa kelainan yang muncul dari karakteristik sinyal EKG. Salah satu jenis

ANN yang mampu memberikan unjuk kerja yang bagus adalah ANN dengan

arsitektur Multi-Layer Perceptron (MLP) dan pembelajaran Backpropagation

(Fu:1994). Dengan peningkatan performansi klasifikasi ANN MLP

Backpropagation akan diperoleh pengklasifikasi terbaik berbasis pada model saraf

biologis manusia sehingga komputer dapat menduplikasi kecerdasan manusia dan

diharapkan akan memberikan kemudahan bagi analis medis di lapangan dengan

menghadirkan data analisa hasil komputasi yang lebih objektif pada saat

subyektifitas analis menjadi dominan.

3

Analisa sinyal EKG adalah variasi besar dalam bentuk gelombang

morfologi EKG yang memiliki kompleksitas dan bersifat non-stationer. Kami

mengatasi masalah kinerja pengklasifikasi dengan menggunakan kombinasi

continuous wavelet transform (CWT) dalam rangka mempersiapkan data masukan

yang lebih efektif untuk pengklasifikasi neural network, yang menyebabkan hasil

klasifikasi yang lebih baik.

1.2 Rumusan Masalah

Permasalahan yang akan ditemukan solusinya adalah menghadirkan data

analisa sinyal EKG melalui hasil komputasi yang lebih objektif pada saat

subyektifitas analis medis menjadi dominan, serta mewujudkan hasil komputasi

yang dapat menduplikasi pengetahuan ahli kardiologi yang diharapkan akan

memberikan kemudahan bagi analis medis di lapangan dalam mendiagnosa

kelainan jantung pada saat minimnya jumlah dokter spesialis kardiologi.

Langkah untuk memberikan solusi permasalahan di atas adalah dengan

pengembangan sistem diagnostik kelainan jantung. Pengembangan sistem

dilakukan melalui dua tahap yakni ekstraksi fitur untuk mendapatkan karakterisasi

data sinyal EKG, kemudian dilakukan pengklasifikasian dari data hasil ekstraksi

fitur. Dalam penelitian ini, karakteristik parameter-parameter sinyal elektrik

jantung EKG domain waktu dan frekuensi akan didapatkan dengan pemanfaatan

ekstraktor fitur CWT. Hasil ekstraksi fitur ini menjadi masukkan bagi ANN MLP-

Backpropagation guna mendapat klasifikasi terbaik pola sinyal EKG kondisi

normal dan abnormal.

1.3 Batasan Masalah

Permasalahan dalam penelitian ini dibatasi pada :

1) Mendeteksi kelainan jantung berdasarkan sinyal EKG kondisi normal dan

kelainan (Right/Left Bundle Branch Block)

2) Data sinyal EKG yang digunakan diperoleh dari database sinyal EKG

MIT-BIH Arrhythmia dengan rekaman elektroda ML I

3) Metoda ekstraksi ciri dengan fungsi Continuous wavelet transform

4) Metode klasifikasi dengan NN Multi-Layer Perceptron backpropagation

4

5

1.4 Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah untuk mengembangkan algoritma

untuk mendeteksi dan mengklasifikasikan sinyal EKG normal dan abnormal

yang dianalisa dan diidentifikasi secara sistematis menggunakan transformasi

wavelet dan algoritma ANN MLP backpropagation.

Hasil yang diharapkan dari penelitian ini adalah didapatkan sebuah

sistem diagnosa elektronik cardiac pathology yang dapat digunakan untuk

menganalisa dan mengidentifikasi sinyal EKG normal dan abnormal secara

sistematis. Adapun manfaat yang dapat diperoleh adalah memberikan

kontribusi bagi dunia medis dalam mempersiapkan sistem diagnosa kelainan

jantung sehingga menghasilkan analisa pola sinyal elektrik jantung pada

elektrokardiograf (EKG).