identifikasi jantungjurnal.pdf

7/26/2019 identifikasi jantungjurnal.pdf

1/14

Azhar, Identifikasi Sinyal ECG Irama Myocardial Ischemia dengan Pendekatan Fuzzy Logic

IDENTIFIKASI SINYAL ECG IRAMA MYOCARDIAL ISCHEMIADENGAN PENDEKATAN FUZZY LOGIC

Azhar A.N1 Suyanto21,2Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember

Email: [email protected],2 [email protected]

ABSTRACTThe heart is one of vital organs in human body. Incidence of heart disease can be fatal for the patient. Myocardialischemia, the disease that is often suffered by the human, is a disease due to clogged heart arteries blood vessels. One ofthe ways to detect this disease is by reading the graph output of electrocardiogram (ECG) signal. ECG signal representsthe condition and activity of the heart. Specialized knowledge, accuration and expertise are required to read ECG graph.To help expert or doctor, expert system based on artificial intelligent, such as Fuzzy Logic approach, can be applied toimprove diagnostic accuracy and thoroughness. Fuzzy logic can be applied because of it flexibility to understand thelinguistic variables used in identifying myocardial ischemia disease.

Keywords: Myocardial ischemia, ECG, Band-stop Filter, Fuzzy Logic

ABSTRAKJantung merupakan organ tubuh yang sangat vital bagi tubuh manusia. Timbulnya penyakit pada jantung dapat beraki-

bat fatal bagi penderita. Myocardial Ischemia merupakan salah satu penyakit pembuluh jantung akibat penyumbatanpembuluh darah yang cukup sering diderita. Penyakit ini dapat dideteksi salah satunya melalui pembacaan grafik sinyalhasil keluaran electrocardiogram (ECG). Sinyal ECG merepresentasikan kondisi dan aktivitas jantung. Pembacaan grafikECG membutuhkan pengetahuan dan kepakaran khusus. Selain itu juga dibutuhkan ketelitian dari pakar yang bersangku-tan dalam memahami grafik PQRST jantung. Untuk membantu kerja pakar (dokter), maka dapat diaplikasikan artificialintelligent berbasis kepakaran untuk meningkatkan akurasi dan ketelitian diagnosa. Salah satu artificial intelligent yangdapat digunakan yaitu lewat pendekatan fuzzy logic. Fuzzy logic dapat diterapkan karena flexibilitasnya dalam memahamivariabel linguistik yang digunakan dalam mengidentifikasi penyakit myocardial ischemia.

Keywords: Myocardial ischemia, ECG, Band-stop filter, Fuzzy logic

Penyakit jantung adalah penyakit yang mengganggusistem pembuluh darah atau lebih tepatnya menyerang jan-tung dan urat-urat darah, beberapa contoh penyakit jan-tung seperti penyakit jantung koroner, serangan jantung,tekanan darah tinggi, stroke, sakit di dada (angina) danpenyakit jantung rematik.

Untuk beberapa dekade,myocardial ischemia (MI) me-rupakan penyakit cardiovascular yang utama. Myocar-dial ischemia didefinisikan sebagai berkurangnya suplaidarah ke otot jantung. Resiko terkena penyakit ini semakinmeningkat dikarenakan faktor usia, rokok,high cholesterollevel, diabetes dan hipertensi. Jika dibiarkan, akan memacuterjadinya serangan jantung (myocardial infarction) dimanasuplai darah ke otot jantung betul-betul terhambat yang da-pat berakibat pada kematian. WHO memperkirakan pada2002 terdapat 12,6 persen kematian di dunia diakibatkanischemic hearth diseases. Bahkan di Amerika didapatkan

data setiap 65 detik terjadi kematian karena penyakit jan-tung [1].

Aktivitas jantung menghasilkan sinyal elektris pada ba-gian-bagian jantung. Aliran sinyal elektris ini akan meng-alir ke seluruh tubuh dan permukaan kulit. Aliran sinyalelektris yang ada di permukaan kulit dapat dibaca poten-sialnya dengan elektroda. Bentuk gelombang electrocar-diograph (ECG) yang terbaca menentukan normal atau ti-daknya jantung. Pada umumnya alat ECG hanya menampil-kan pada layar monitor dan mencetak bentuk gelombangECG tersebut. Untuk mendapatkan data-data keadaan jan-tung dilakukan dengan mengukur dan membaca hasil ECG

yang tercetak dan menghitungnya secara manual. Pemba-caan meliputi irama, frekuensiatrium, frekuensiventrikel,gelombang P, interval PR, interval QRS, interval QT.

Setiap ketidaknormalan pada jantung dapat diamati dariadanya perubahan grafik PQRST pada sinyal ECG myocar-dial ischemia akan menyebabkan penyimpangan segmenST dan atau perubahan pada gelombang T. Dengan menga-mati perubahan inilah makamyocardial ischemiadapat di-deteksi [1][2] [3]. PenggunaanArtificial Intelligent(kecer-dasan buatan) telah menyentuh berbagai aspek kehidupan,termasuk da-lam bidang kesehatan. Logika fuzzy meru-pakan salah satu kecerdasan buatan yang dapat digunakandalam mendeteksimyocardial ischemia.

Terdapat beberapa permasalahan yang harus diselesai-kan berdasarkan latar belakang yang telah diuraikan. Dalamhal ini cara merancang suatu sistem identifikasi untuk ke-lainan jantung jenis myocardial ischemia dilakukan melalui

tahapan preprocess, process dan postprocess pada sinyalECG yang kemudian akan dilakukan identifikasi melaluisistem pakar dengan pendekatan logika fuzzy.

Penelitian ini dilakukan dengan tujuan untuk meran-cang suatu sistem identifikasi kelainan jantung jenis my-ocardial ischemiamelalui sinyal ECG. Dengan data sinyalECG tersebut akan dilakukan pemrosesan sinyal dan pe-rancangan sistem pakar dengan pendekatan logika fuzzy.

Teori-teori dasar yang digunakan dalam penelitian iniakan dijelaskan pada bagian setelah bagian pendahuluanini. Bagian berikutnya akan memaparkan tentang prosesperancangan dan metodologi dalam penelitian ini. Pengu-

191


2/14

Volume 7, Nomor 4, Juli 2009 : 191204

jian dan analisa perancangan dijelaskan pada bagian berikut-nya. Simpulan dan saran dipaparkan pada bagian terakhirdari makalah.

TEORI PENUNJANG

Jantung

Jantung adalah sebuah rongga, rongga, organ berototyang memompa darah lewat pembuluh darah oleh kon-traksi berirama yang berulang. Istilahkardiakberarti; ber-hubungan dengan jantung, dari Yunani cardia untuk jan-tung. Jantung adalah salah satu organ yang berperan dalamsistem peredaran darah. Pada saat berdenyut, setiap ruangjantung mengendur dan terisi darah (disebutdiastol). Se-lanjutnya jantung berkontraksi dan memompa darah keluardari ruang jantung (disebut sistol). Kedua serambi me-ngendur dan berkontraksi secara bersamaan, dan kedua bi-lik juga mengendur dan berkontraksi secara bersamaan.

Penyakit jantung adalah sebuah kondisi yang menye-babkan organ Jantung tidak dapat melaksanakan tugasnyadengan baik. Hal-hal tersebut antara lain otot jantung yang

lemah. Ini adalah kelainan bawaan sejak lahir. Otot jan-tung yang lemah membuat penderita tak dapat melakukanaktifitas yang berlebihan, karena pemaksaan kinerja jan-tung yang berlebihan akan menimbulkan rasa sakit di bagi-an dada, dan kadangkala dapat menyebabkan tubuh men-jadi nampak kebiru-biruan. Penderita lemah otot jantungini mudah pingsan.

Adanya celah antara serambi kanan dan serambi kiri,oleh karena tidak sempurnanya pembentukan lapisan yangmemisahkan antara kedua serambi saat penderita masih didalam kandungan. Hal ini menyebabkan darah bersih dandarah kotor tercampur. Penyakit ini juga membuat pen-derita tidak dapat melakukan aktifitas yang berat, karenaaktifitas yang berat hampir dapat dipastikan akan membuattubuh penderita menjadi biru dan sesak nafas, walaupuntidak menyebabkan rasa sakit di dada. Ada pula variasidari penyakit ini, yakni penderitanya benar-benar hanyamemiliki satu buah serambi [4, 5].

Myocardial Ischemia

Jantung merupakan alat langsung yang berhubungandengan darah sebagai alat transportasi, namun bukan be-rarti bahwa jantung tidak dapat mengalami gangguan tekan-an darah. Dinding jantung terutama terdiri dari jaringanotot yang dapat berkontraksi agar darah dapat dipompa.Sehingga kehidupan sel-sel otot jantung harus dijaga se-tiap saat. Dinding jantung mendapatkan perawatan daricabang-cabang pembuluh darah yang dinamakan arteri ko-

ronaria (arteri koroner). Seperti halnya pembuluh arteridi bagian tubuh yang lain, arteri koroner pun bercabang-cabang halus menjadi kapiler yang berada di antara setiapserabut atau sel otot jantung. Selama kapiler-kapiler da-pat dialiri terus oleh darah yang kaya akan oksigen danmakanan yang bergizi, maka selama itu pula sel-sel ototjantung dapat mengadakan pertukaran gas dan bahan ma-kanan untuk metabolisme.

Seringkali arteri kecil pada dinding jantung mengalamipenyumbatan karena penebalan dindingnya sebelah dalam,sehingga aliran darah merah sel-sel otot kurang lancar. Apa-bila penyumbatan ini tidak segera dideteksi untuk diatasi,

maka sel-sel otot jantung akan mati, sehingga terjadilahgangguan kontraksi otot jantung. Daya pembelahan sel-sel otot jantung sangat kecil, sehingga sel-sel otot jantungyang mati tidak dapat diganti dengan sel-sel otot jantungyang baru. Gangguan kontraksi sel otot jantung dapat meng-hambat pemompaan darah oleh jantung, bahkan kontraksidapat berhenti sama sekali [4] [5].

Myocardial ischemia dapat diidentifikasi ,salah satunya,melalui sinyal ECG. Perubahan sinyal yang terjadi yaitupenyimpangan padasegmen ST dan atau perubahan padagelombang T. Diagnosa dari myocardial ischemia lewatECG didasarkan pada dua hal : ischemic beat classifica-tion; ischemic episode definition. Pada yang pertama memi-liki relasi dengan klasifikasi detak jantung, apakah normalatau ischemic[1] [2] [3].

ECG

Sinyal ECG merupakan sinyal (waktu dan voltase) yangberasal dari arus ionik yang menggambarkan aktifitas jan-tung saat berkontraksi sekuensial. Sinyal tersebut diukurmelalui perbedaan potensial antara dua elektroda yang dile-takkan di permukaan kulit.

Elektrofisiologis jantung

Terdapat beribu-ribu kanal ion pada membrane sel-selotot jantung (myocardium) yang merupakan jalur utamabagi ion-ion untuk berdifusi. Kanal-kanal tersebut bersi-fat relatif spesifik terhadap ion-ion tertentu, misalnya kanalKalsium dilalui Ca++, kanal Kalium dilalui K+, kanalNatrium dilalui Na+, dan seterusnya. Selain itu, kanal-kanal ion tersebut dikontrol oleh suatu mekanisme "pintugerbang" sehingga dapat membuka dan menutup tergan-tung pada kondisi transmembrane.

Karena ionion yang cenderung membentuk persamaan

electron di dalam dan di luar sel, maka distribusi yangtidak seimbang ini menimbulkan gaya suatu gaya tarik-menarik antara ion-ion dimana ion negative (terutama an-ion organik) berkumpul di permukaan dalam, sedangkanion positif (terutamaN a+) berkumpul di permukaan luarmembran sel. Keadaan ini dikatakan sel berada dalam sta-dium polarisasi.

Karena ion-ion memiliki muatan listrik, maka pada wak-tu sel tidak aktif, terdapat perbedaan potensial antara per-mukaan dalam dan luar membran sel sebesar 95mV, di-mana muatan intraseluler lebih negatif dibandingkan mu-atan ekstraseluler sehingga ditulis 95mV.

Apabila sel-sel otot jantung dirangsang oleh listrik, te-kanan, suhu panas, K+ atau obat-obat yang mengham-bat aktifitas pompa sodium, muatan negatif di permukaandalam membran sel-sel jantung dapat berkurang (menujunilai yang lebih positif). Perubahan potensial membarndari nilai nega-tif menuju kea rah yang lebih positif disebutproses depolarisasi.

Apabila membran mengadakan depolarisasi mulai dari95mVsampai mencapaithreshold(nilai ambang poten-sial) untuk sel otot jantung yaitu70mV, maka peruba-han voltase ini akan menjadi trigger untuk membuka kanalionNa+ secara mendadak, sehingga terjadilah pengaliranNa+ yang masuk ke dalam sel. Perpindahan muatan posi-tif yang tiba-tiba masuk dari luar ke dalam sel mengaki-

192


3/14


Gambar 1:OrganJantung(Irianto.2004)

batkan potensial membran secara mendadak berubah puladarinegatif menjadi positif. Bagian dari proses depolarisasiini dinamakanaksi potensial.

Instrumen ECG

Secara umum, instrumen ECG dibagi menjadi tiga ba-

gian, yaitu: mesin ECG, tampilan ECG, dan elektroda.Mesin ECG merupakan alat yang digunakan untuk mengo-lah sinyal elektrik jantung melalui elektroda dan menampil-kannya lewat kertas/layar monitor. Disinilah unit pemros-esan sinyal berlangsung sehingga dapat ditampilkan datayang merepresentasikan keadaan jantung.

Hasil dari pengukuran sinyal elektrik jantung kemu-dian ditampilkan lewat sebuah media (kertas / layar moni-tor) dengan skala tertentu. Aksis horizontal mewakili wak-tu dengan kecepatan 25mm/detik. Setiap 1 mm horizontalmewakili 0,04 detik sedangkan 5 mm mewakili 0,2 detik.Aksis vertikal mewakili voltase. Standarisasi untuk voltase(amplitudo) adalah 1, artinya 10 kotak kecil vertikal (1 cm)mewakili 1 mV. Standarisasi ini harus selalu konsisten agardengan melihat amplitudo gambaran ECG, dapat diketahuiada tidaknya perubahan oltase dari konduksi jantung.

Elektroda dibuat dari material yang memiliki resistansirendah antara kulit dan permukaan elektroda. Menurutpolaritasnya, maka elektroda-elektroda ECG dapat dibagimenjadi elektroda positif (anoda), negatif (katoda) dan ne-tral (ground electrode).

Sadapan ECG

Untuk melakukan pengukuran sinyal bioelektrik jan-tung, elektroda perlu diletakkan pada beberapa tempat ter-tentu. Seperti yang ditunjukkan pada Gambar 3, umum-

nya terdapat 12 tempat peletakan (sadapan) dari elektroda(lead) di tubuh manusia, yaitu:

Sadapan I : berasal dari elektroda lengan kanan (RA =right arm, negatif) ke elektroda lengan kiri (LA = left arm,positif).

Sadapan II : berasal dari elektroda lengan kanan (RA= right arm, negatif) ke elektroda kaki kiri (LL = left leg,

positif).Sadapan III : berasal dari elektroda lengan kiri (LA =

left arm, negatif) ke elektroda kaki kiri (LL = left leg, posi-tif).

Sadapan aVL : 30Sadapan aVR : 150Sadapan aVF :+90

V1 : pada sisi kanan sternum di sela iga keempat.V2 : pada sisi kiri sternum di sela iga keempat.V3 : antara V2 dan V4.V4 : pada garis midklavikular kiri di sela iga kelima.V5 : pada garis aksilaris anterior kiri setinggi V4.V6 : pada garis midaksilaris setinggi V4.Akan tetapi dalam perakteknya dua sadapan yang pa-

ling baik dalam memberi informasi aktifitas bioelektrik jan-tung secara keseluruhan ialah sadapan I dan aVF karenasumbu kedua sadapan ini saling berpotongan tegak lurussebagai garis horizontal dan vertikal, yang dalam keadaannormal arus bioelektrik jantung berjalan di antara keduasumbu ini [6].

Pemrosesan Sinyal

Pemrosesan sinyal merupakan analisa, interpretasi danmanipulasi dari sebuah sinyal. Sinyal yang dimaksud da-pat berbentuk suara, gambar, sinyal elektrik maupun sinyal

193


4/14


Gambar 2:SinyalkeluaranECG(Rubenstein.2005)

biologi seperti electrocardiogram. Sinyal adalah represen-tasi perubahan ruang dan waktu dari suatu sumber yangmemuat informasi.

Transformasi Fourier

Pada tahun 1822,Joseph Fourier, ahli matematika dariPerancis menemukan bahwa: setiap fungsi periodik (sinyal)dapat dibentuk dari penjumlahan gelombang-gelombangsinus / cosinus. Sehingga dapat disimpulkan bahwa setiapsinyal dalam domain ruang-waktu dapat ditransformasikanke dalam domain lain yaitu ruang-frekuensi. Dalam do-main frekuensi inilah pemrosesan sinyal berlangsung [7].

Transformasi Fourier dari f(x), didefinisikan sebagaiberikut:

F(u) =

f(x)exp[j2ux]dx (1)

dimana

j =1 (2)

Sebaliknya, jika diketahui F(u), makaf(x) dapat diper-oleh dengan Invers Transformasi Fourier berikut:

f(x) =

F(u)exp[j2ux]dx (3)

Kedua persamaan di atas disebut dengan pasangan trans-formasi Fourier. Jikaf(x) adalah bilangan real, biasanyaF(u) merupakan bilangan kompleks yang bisa diuraikanmenjadi:

=R(u) +jI(u) (4)

dimanaR(u)danI(u)adalah komponen real dan imajinerdariF(u). Persamaan di atas juga sering dituliskan seba-gai:

F(u) = |F(u)|eju (5)dimana|F(u)| adalah magnitude dari F(u), yang diper-oleh dari :

|F(u)| = [R2(u) + I2(u)]12 (6)

Gambar 4:DaerahBand StopFilter(Moon.2000)

(u) = tan1[I(u)/R(u)] (7)

Fungsi magnitude|F(u)| disebut juga spektrum Fourierdari f(x), danf(u) disebut dengan sudut fase dari f(u).

Jikaf(x)dijadikan diskrit maka persamaan TransformasiFourier diskrit adalah:

F(u) = 1

NN1x=0exp[

j2uxN

] (8)

dan inverse dari Transformasi Fourier diskrit adalah:

f(x) = N1x=0 F(u)exp[j2ux

N ] (9)

Band-Stop Filter

Dalam pemrosesan sinyal, band-stop filter atau band-rejec-tion filter adalah filter (tapis) yang melewatkan ham-pir semua frekuensi tetapi menolak frekuensi dalam range

tertentu. Band-stop filter merupakan kebalikan dari band-pass filter. Jika range stopband tersebut sangat sempit (ke-cil) maka band-stop filter tersebut dinamakan notch filter[7]. Penentuan koefisien filter dari band-stop filter dapatdilakukan dengan menggunakan sampling rate (fS) dan re-jected frequency (f0) untuk menemukan sudut0.

0 = 2f0fS

(10)

Kemudian dari sudut0dicari letak himpunan zeros:

Z1 = cos(0) +j.sin(0) (11)

194


5/14


Gambar 3:LetaksadapanECG(Karim.1996)

Z2 = cos(0) j.sin(0) (12)Z1dan Z2dimasukkan ke dalam fungsi sistem:

H(z) = Y(z)

X(z)=

(z z1)(z z2)z2

(13)

Didapatkan persamaan pembilang dari fungsi sistem:

1 z1(z2+ z1) + z2z1z2 (14)

1 + z1(2cos(0)) + z2 (15)koefisien band-stop filter dari fungsi sistem:

b3 = 1; b2 = 2cos(0); b1 = 1 (16)

Logika Fuzzy

Semakin berkembangnya teknlogi kedokteran mengaki-batkan semakin banyaknya informasi yang tersedia bagidokter. Tetapi bersamaan dengan itu menjadi semakin ru-

mit pula proses pengenalan gejala-gejala penyakit, penen-tuan jenis penyakit, serta pengambilan keputusan untuktindakan terapinya. Teori himpunan kabur (fuzzy) mem-berikan alternatif untuk pemecahan masalah diagnose me-dis tersebut.

Secara umum Logika Fuzzy mempunyai empat bagianyaitu: fuzzifikasi, basis pengetahuan, logika pengambil ke-putusan dan defuzzifikasi. Keempat bagian tersebut mem-punyai fungsi sebagai berikut 1) Fuzzifikasi berfungsi un-tuk mentransformasi sinyal masukan yang bersifat crisp(bukan fuzzy) ke himpunan fuzzy dengan menggunakanoperator fuzzifikasi; 2) Basis pengetahuan berisi basis data

dan aturan dasar yang mendefinisikan himpunan fuzzy atasdaerah-daerah masukan dan keluaran dan menyusunnya da-lam perangkat aturan kontrol; 3) Logika pengambil kepu-tusan yang mempunyai kemampuan seperti manusia dalammengambil keputusan. Aksi fuzzy disimpulkan denganmenggunakan implikasi fuzzy serta mekanisme inferensifuzzy; 4) Defuzzifikasi berfungsi untuk mentransformasi

kesimpulan tentang aksi atur yang bersifat fuzzy menjadisinyal sebenarnya yang bersifat crisp menggunakan opera-tor defuzzifikasi.

Fuzzifikasi

Fuzzifikasi merupakan suatu proses pemetaan dari in-put (berupa crisp) ke bentuk himpunan fuzzy untuk semestapembicaraan tertentu. Data yang telah dipetakan selanjut-nya dikonversikan ke dalam bentuk linguistik yang sesuaidengan label dari himpunan fuzzy yang telah terdefinisiuntuk variabel input sistem. Proses ini dinyatakan sebagai: (Xo)= fuzzifier(X)

Dimana Xo merupakan vector dari nilai crisp untuksatu variable input dari proses, sedangkan X merupakan

vector dari himpunan fuzzy terdefinisi untuk variable itusertafuzzifiermerupakan suatu operator fuzzifikasi denganefek yang memetakan data crispke himpunan fuzzy.

Basis Pengetahuan

Basis data berfungsi untuk mendefinisikan himpunan-him-punan fuzzy dari sinyal masukan dan sinyal keluaranagar digunakan oleh variable linguistik dalam basis atu-ran. Pe-rancangan basis data terdiri dari tiga pokok, yaitukuantisasi dan normalisasi, pembagian ruang masukan dankeluaran, serta pemilihan fungsi keanggotaan.

195


6/14


Kuantisasi berarti mendiskritkan semesta pembicara-an yang kontiyu ke dalam sejumlah segmen-segmen ter-tentu yang disebut level kuantisasi. Pemberian nomor ataulevel-level ini membentuk pendukung himpunan fuzzy se-cara berhingga atau semesta pembicaraan baru yang bersi-fat diskrit.

Pendefinisian himpunan fuzzy atas daerah masukan dan

keluaran berarti pula membagi-bagi semesta pembicaraanatas nilai-nilai variable linguistik himpunan fuzzy. Nilaiini dinyatakan dengan seperangkat istilah seperti NegativeBig (NB), Negative Small (NS), Positive Big (PB), Zero(ZR), dan sebagainya.

Pendefinisian secara numerik suatu tingkat keanggotaanpendukung dalam himpunan fuzzy dinyatakan dalam ben-tuk tabulasi. Fungsi keanggotaan dapat dipilih secara be-bas dengan menentukan secara sembarang nilai keanggota-annya. Namun pada dasarnya penentuan ini harus tetapdapat menggambarkan karakteristik masing-masing him-punan fuzzy. Pada pendefinisian secara fungsional tidakdiperlukan pendukung yang diskrit. Pembagian ruangnyadapat ditentukan pada sumbu semesta serta sebaran fungsi

yang digunakan.

Logika pengambil keputusan

Sistem fuzzy yang selalu dikaitkan dengan variabel lin-guistik. Pada dasarnya berbentuk aturan sebab akibat (jika-maka) dan pengaturan pakar yang disebut perancangan pe-rangkat aturan. Inferensi fuzzy merupakan proses pengam-bilan keputusan untuk keluaran. Tinjau basis aturan logikafuzzy dengan dua aturan: 1) Aturan 1 JIKA A adalah X1dan B adalahY1MAKA C adalahZ1; 2) Aturan 2 JIKA AadalahX2 dan B adalahY2MAKA C adalahZ2.

Defuzzifikasi

Defuzzifikasi berfungsi untuk memetakan kembali ni-lai inferensi yang masih berbentuk fuzzy menjadi variablebukan fuzzy (crisp) sebagai keluaran yang merupakan si-nyal kendali untuk mengendalikan suatu sistem [6]. Ben-tuk umum proses defuzzifikasi dinyatakan dengan :

Zo = defuzzier(z) (17)

Dimanaz adalah keluaran fuzzy,Zoadalahcrisp, dande-fuzzifieradalah operator defuzzifikasi.

Metode Largest of Maximum

Metode ini menggunakan semua keluaran untuk ga-bungan semua keluaran sel-sel individual himpunan fuzzy

untuk menentukan nilai terkecil domain dengan derajat ke-anggotaan maksimum. Pertama, tinggi terbesar dalam ga-bungan ditentukan. Kemudian, maksimum pertama diten-tukan. Solusi crisp diperoleh dengan cara mengambil ni-lai terbesar dari domain yang memiliki nilai keanggotaanmaksimum.

PERANCANGAN DAN METODOLOGI

Penelitian ini memiliki tahapan-tahapan tertentu untukmencapai tujuannya. Tahapan-tahapan tersebut direpresen-tasikan dalam suatu diagram alir seperti pada Gambar 5.

Gambar 5: Diagram alir metodologi penelitian

Pembangkitan Data Input

Alur pembangkitan data input dilakukan dalam tiga ta-hapan yaitu: pengambilan data rekaman ECG jantung, kon-versi data rekaman ECG menjadi dara rekaman numeric(file ASCII) dan penskalaan data numerik. Setelah itu,data numerik yang telah diskalakan kemudian divalidasidengan data rekaman ECG. Jika hasil validasi masih ku-rang tepat, maka proses konversi data diulangi dari reka-man ECG yang di dapat ke dalam rekaman numerik (fileASCII). Hasil rekaman numerik inilah yang kemudian di-jadikan input dalam proses pengerjaan selanjutnya.

Pengambilan Data Rekaman ECG

Data sinyal merupakan data yang diambil dari electro-cardiogram yang tercatat dalam grafik electrocardiograph.Data diambil dari rekam medis rawat inap di RSUD Syai-ful Anwar Malang. Data berbentuk grafik seperti yang di-tunjukkan pada Gambar 6. Data yang digunakan dalampenelitian ini merupakan data rekaman pasien yang telahdidiagnosa memiliki penyakit jantung myocardial ischemia.Bersama data sinyal ECG juga diambil data umur pasien.

Ada 12 sendapan lead yang diambil (lead I, II, III,aVL, aVR, aVF, dan V1-V6), namun yang digunakan se-bagai data input adalah lead I. Karena sumbu sandapan

196


7/14


Gambar 6: Grafik Sinyal ECG Data A Lead I

ini membentuk garis horizontal pada keadaan normal arusbioelektrik jantung, sehingga dapat member informasi ak-tivitas jantung secara keseluruhan [4].

Konversi Data Rekaman ECG Menjadi Data RekamanNumerik (fike ASCII)

Agar dapat diproses, sinyal input harus dikonversi ter-lebih dahulu ke dalam sinyal numerik. Untuk itu, datarekam ECG kemudian diubah ke dalam bentuk numerikatau file ASCII dengan cara memplot sinyal untuk menda-patkan titik sumbu x yang mewakili waktu dan titik sumbuy yang mewakili amplitudo tegangan.

Karena desain sistem identifikasi ini disimulasikan den-gan bantuan program MATLAB 7.1, data sinyal berben-tuk ASCII harus diubah kembali menjadi data yang dapatdikenali oleh program tersebut. Pada MATLAB 7.1, dataASCII ini masih dapat dikenali, sehingga load pada datatersebut dapat dilakukan dengan program ini.

Metode konversi sinyal ECG ke dalam numerik ataufile ASCII pada penelitian ini mengikuti metode generator

ECG pada penelitian Achmad Rizal [8].

Pemrosesan Sinyal ECG

Sebelum sinyal dapat diproses, sinyal harus dikondisi-kan dan dihilangkan dari filter yang dapat mengurangi kea-kuratan hasil identifikasi. Setiap sinyal bioelektrik yangdiukur selalu disertai dengan derau (noise). Umumnya,sinyal ECG memiliki 60 Hz power line noise yang be-rasal dari adanya gerakan dari elektroda akibat pernafasandan aktivi-tas otot selama pengukuran. 60 Hz. Powerline noise dapat mempengaruhi sinyal ECG, membangk-itkan peluang kesalahan lebih besar dalam diagnose ar-

Gambar 7: Filter Karakteristik Band-Stop Filter 60 Hz

rhythmia atau myocardial infarction. Power line noise da-pat menyebabkan distorsi dalam pengukuran interval QRScomplex atau interval QT, yang merupakan parameter yangsangat penting dalam melakukan diagnose. Untuk menghi-langkan 60 Hzpower line noise, dapat diaplikasikan notchfilter [9].

Transformasi Sinyal ECG ke Domain Waktu

Sebelum sinyal ECG dapat difilter, sinyal harus diubahdari domain-waktu ke dalam domain-frekuensi. Dalam pe-nelitian ini menggunakan Digital Fourier Transform (DFT)untuk mengubah sinyal ECG ke dalam domain frekuensi.

Pemfilteran Sinyal Domain-Frekuensi Dengan Band-StopFilter

Seperti yang telah dibahas pada subbab 3.2, frekuensi60 Hz perlu dihilangkan dari sinyal ECG. Pada penelitianini digunakan band-stop filter pada range sempit (notch fil-ter) untuk menghilangkan Power line noise tersebut. Gam-bar 7 menunjukkan karakteristik filter.

Transformasi Balik Sinyal ECG ke Domain Waktu

Hasil sinyal ECG yang telah difilter masih dalam do-main-frekuensi. Untuk dapat diproses selanjutnya, sinyaltersebut harus dikembalikan ke dalam domain-waktu. Si-

nyal diubah kembali ke dalam domain-waktu dari domainfrekuensi dengan menggunakan invers Transformasi Fou-rier.

Penentuan Amplitudo Segmen ST dan Gelombang TMelalui Interval Waktu

Diagnosa penyakitmyocardial ischemiadilakukan de-ngan mengamati perubahan amplitudo dari segmen ST dangelombang T. Sebelum memasuki langkah selanjutnya, seg-men ST dan gelombang T dari sinyal ECG diidentifikasiterlebih dahulu dengan interval waktu. Segmen ST terjadiantara0, 1 0, 2 detik setelah titik awal QRS complexs

197


8/14


Gambar 8: Diagram Alir Perancangan

dan gelombang T terjadi pada0, 2 0, 4detik setelah titikawal QRS complexs [6].

Perancangan Sistem Identifikasi Logika Fuzzy

Tahap berikutnya yaitu identifikasi segmen ST dan de-lombang T dari sinyal ECG dengan pendekatan logika fuzzy.Berdasarkan gambar 8 bahwa dalam perancangan sistemidentifikasi logika fuzzy perlu melalui beberapa tahapansebagai berikut: 1) Fuzzifikasi, yang terdiri dari: a) Nilaimasukan (input) dan keluaran (output) sesungguhnya be-serta semesta pembicaraan (universe of discourse), yaiturentang kerja dari masukan dan keluaran; b) Fungsi keang-gotaan (membership function) yang akan digunakan untukmenentukan nilai fuzzy dari data nilai crisp masukan dankeluaran; 2) Basis aturan (rule base) dari sistem identi-fikasi logika fuzzy; 3) Inferensi/ pengambilan keputusan

(Rule Evaluation); 4) Defuzzifikasi.Perancangan sistem identifikasi logika fuzzy dilakukan

melalui FIS (Fuzzy Inference System) editor pada Matlab7.1 seperti yang ditunjukkan oleh Gambar 9. Masukan sis-tem identifikasi logika fuzzy berupa nilai amplitudo seg-men ST dan gelombang T serta umur pasien. Keluarannyaberupa identifikasi penyakit myocardial ischemia. Metodepengambilan keputusan dengan menggunakan metode in-ferensi max-min yang dalam aturannya menggunakan atu-ran operasi minimum mamdani.

Fuzzifikasi

Dalam melakukan perancangan sistem identifikasi logi-ka fuzzy, yang pertama dilakukan adalah adalah fuzzifikasi.Pada tahap ini, dilakukan pemetaan nilai crisp masukan(variabel terukur nilai amplitudo segmen ST dan gelom-bang T serta umur pasien) dan keluaran aksi kontrol iden-tifikasi myocardial ischemia) ke bentuk himpunan fuzzy

dalam suatu semesta pembicaraan. Data masukan padaproses pengendalian berbentukcrisp, dan dengan fuzzi-fikasi ini, nilaicrispyang teramati dipetakan ke nilai fuzzyyang bersesuain dengan rentang kerja (range) setiap vari-abel masukannya. Kemudian data tersebut akan dikelom-pokkan ke bentuk variabel linguistik yang sesuai. Penen-tuan fungsi keanggotaan mengacu pada jurnal Costas Pa-paloukas (Use of Novel Rule-Based Expert System in theDetection of Changes in the ST Segment and the T Wave inLong Duration ECGs).

Range input amplitudo segmen ST ditetapkan [-4,4]berdasarkan nilai amplitudo yang biasa terjadi. Data inputini menggunakan fungsi keanggotan trapesium dan segiti-ga. Fungsi keanggotaan trapesium digunakan karena ada

beberapa titik yang memiliki nilai keanggotaan 1. Sedang-kan pada fungsi keanggotaan segitiga, nilai keanggotaan1 hanya terdapat pada 1 titik. Terdapat 3 fungsi keang-gotaan yaitu: Depression,Flatdan Elevation. Fungsikeanggotaan Depression menggunakan kurva trapesiumdengan parameter [-7.6 -4 -2 -0.5]. Fungsi keanggotaanFlat menggunakan kurva segitiga dengan parameter [-1.50 1.5]. Fungsi keanggotaan Elevation menggunakan kurvatrapesium dengan parameter [0.5 2 4 7.6].

Range input amplitudo T-wave ditetapkan [-5,5] berda-sarkan nilai amplitudo yang biasa terjadi. Data input inimenggunakan fungsi keanggotan. Fungsi keanggotaan tra-pesium digunakan karena ada beberapa titik yang memilikinilai keanggotaan 1. Terdapat 2 fungsi keanggotaan yaitu:

Negative dan Positive. Fungsi keanggotaan Negativemenggunakan kurva trapesium dengan parameter [-14 -50 1]. Fungsi keanggotaanPositive menggunakan kurvatrapesium dengan parameter [0 1 5 6].

Range input umur pasien ditetapkan [0 100]. Data in-put ini menggunakan fungsi keanggotan. Fungsi keang-gotaan trapesium digunakan karena ada beberapa titik yangmemiliki nilai keanggotaan 1. Terdapat 2 fungsi keang-gotaan yaitu:Muda dan Tua. Fungsi keanggotaan Mudamenggunakan kurva trapesium dengan parameter [-90 0 4050]. Fungsi keanggotaan Tuamenggunakan kurva trape-sium dengan parameter [40 50 100 190].

Data output berupa identifikasi myocardial ischemiadengan range [0,1]. Data output menggunakan lima fungsi

keanggotaan segitiga berdasarkan kemungkinan teridenti-fikasi sebagai penyakit jantung myocardial ischemia(VerySmall, Small, Medium, Big, Very Big).

Basis Pengetahuan

Sistem identifikasi logika fuzzy memiliki apa yang dise-but sebagai basis pengetahuan, yang terdiri dari basis datadan basis aturan. Basis data meliputi parameter fuzzy itusendiri, antara lain fungsi keanggotaan, dan semesta pem-bicaraan himpunan fuzzy. Sedangkan basis aturan (rulebase) meliputi kumpulan aturan sistem identifikasi logikafuzzy untuk mengidentifikasi penyakit jantungmyocardial

198


9/14


Gambar 9: Visualisasi Logika Fuzzy

ischemia. Pada penelitian ini, perancangan basis aturandisusun berdasarkan pengetahuan pakar (dokter) dan sum-ber lainnya (jurnal dan buku ilmiah). Serta dilakukan be-berapa penyesuain agar basis pengetahuan dapat lebih apli-katif.

Prinsip-prinsip dasar dalam perancangan basis aturansistem identifikasi logika fuzzy dapat digeneralisasikan se-bagai berikut.Jika segmen ST mencapai situasi depres-sionatau elevation, gelombang T memiliki nilai nega-tive dan umur pasien tua maka peluang teridentifikasipenyakit jantungmyocardial ischemiasemakin besar.

Jika segmen ST mencapai situasi flat, gelombang Tmemiliki nilai positive dan umur pasien muda makapeluang teridentifikasi penyakit jantung myocardial ische-miasemakin kecil.

Algoritma fuzzy meliputi aturan sebagai berikut:Aturan 1: If (STSegment is Depression) and TAmpli-

tudo is Negative) and (Age is Muda) then Ischemia is B)(1)

Aturan 2: If (STSegment is Depression) and (TAmpli-tudo is Negative) and (Age is Tua) then (Ischemia is VB)(1)

Aturan 3: If (STSegment is Depression) and (TAmpli-tudo is Positif) and (Age is Muda) then (Ischemia is S) (1)

Aturan 4: If (STSegment is Depression) and (TAmpli-tudo is Positif) and (Age is Tua) then (Ischemia is M) (1)

Aturan 5: If (STSegment is Normal) and (TAmplitudois Negative) and (Age is Muda) then (Ischemia is S) (1)

Aturan 6: If (STSegment is Normal) and (TAmplitudois Negative) and (Age is Tua) then (Ischemia is M) (1)

Aturan 7: If (STSegment is Normal) and (TAmplitudois Positif) and (Age is Muda) then (Ischemia is VS) (1)

Aturan 8: If (STSegment is Normal) and (TAmplitudois Positif) and (Age is Tua) then (Ischemia is VS) (1)

Aturan 9: If (STSegment is Elevation) and (TAmpli-tudo is Negative) and (Age is Muda) then (Ischemia is B)(1)

Aturan 10: If (STSegment is Elevation) and (TAmpli-tudo is Negative) and (Age is Tua) then (Ischemia is VB)(1)

Aturan 11: If (STSegment is Elevation) and (TAmpli-tudo is Positif) and (Age is Muda) then (Ischemia is S) (1)

Aturan 12: If (STSegment is Elevation) and (TAmpli-tudo is Positif) and (Age is Tua) then (Ischemia is M) (1)

Pengambilan Keputusan (Fuzzy Evaluation)

Proses inferensi yang sering disebut sebagai proses pe-ngambilan keputusan, merupakan prosedur untuk menda-patkan output logika fuzzy berdasarkan basis aturan yangada. Nilai masukan (segmen ST, gelombang T dan umur)yang teramati diolah untuk diidentifikasi aturan mana yangdigunakan. Pada penelitian ini, teknik pengambilan kepu-tusan yang digunakan adalah metode max-min.

Pada metode max-min, dalam penerapannya menggu-nakan aturan operasi minimum mamdani. Metode Mam-dani digunakan karena metode ini lebih intuitif dan lebihcocok apabila input diterima dari manusia sehingga rele-van untuk digunakan sebagai sistem identifikasi [10]. Vi-sualisai pengambilan keputusan ditunjukkan pada Gambar11.

Defuzzifikasi

Defuzzifikasi merupakan suatu proses mengubah be-saran fuzzy yang disajikan dalam bentuk himpunan-himpu-nan fuzzy keluaran dengan fungsi keanggotaannya untukmendapatkan kembali bentuk data crisp (nilai sebenarnya/nilai tegas). Range defuzzifikasi akan terjadi antara0

1

sesuai fungsi keanggotaan data output.Terdapat 5 metode defuzzifikasi, yaitu: metode Cen-

troid, metodeBisektor, metodeMean of Maximum (MOM),metode Largest of Maximum (LOM), dan metode Small-est of Maximum (SOM). Kelima metode ini kemudian diu-jikan satu-persatu untuk menemukan metode terbaik dalamsistem fuzzy identifikasi penyakit jantung myocardial is-chemia.

199


10/14


Gambar 10:Visualisasi Basis Aturan

Gambar 11:Visualisasi Pengambilan Keputusan

Pengujian

Setelah terbangun sistem identifikasi penyakit jantungmyocardial ischemia, maka akan diujikan dengan data-datasinyal ECG yang telah diambil sebelumnya di RSUD Syai-ful Anwar Malang. Sinyal ECG dinyatakan memiliki iramamyocardial ischemiajika data output memiliki range0, 51.Sedangkan sinyal ECG yang dinyatakan tidak memiliki

iramamyocardial ischemiajika data output memiliki range0 0, 49.

Dengan parameter ini, pengujian dilakukan untuk me-ngetahui performa model sistem identifikasi ini, yakni ke-mampuan suatu model untuk mengidentifikasi dan menge-nali suatu data sinyal ECG sebagai sinyal myocardial is-chemiaatau tidak.

Pengujian dilakukan dengan membandingkan data re-kam medis hasil identifikasi pakar dengan dengan hasilidentifikasi dari sistem yang telah dirancang. Sistem dinya-takan valid jika memiliki kesesuaian dengan hasil identi-

fikasi pakar.

UJI COBA

Bahasan utama bab ini terfokus pada hasil pengujiandan analisa yang didapatkan setelah dilakukannya sistemidentifikasi yang telah dirancang sesuai. Analisa ini di-

dasarkan pada pengujian yang dilakukan terhadap data si-nyal rekaman ECG yang akan diidentifikasi. Sebelum pen-gujian dilakukan, akan dibahas tentang tahapan pada preprocessdahulu. Terutama dalam pemaparan data yang di-gunakan serta analisa yang diambil.

Pembangkitan Data Input

Agar sinyal ECG dapat diolah, maka harus dikonversike dalam nilai numeric (file ASCII). Dengan mengikutimetode generator ECG pada penelitian Achmad Rizal [8].Telah dilakukan pembangkitan data input untuk sinyal ECG

200


11/14


Gambar 12: Representasi Sinyal Numerik ECG Data A

Gambar 13:Sinyal ECG data A domain-frekuensi

data A sehingga merepresentasikan data sinyal ECG rekammedis. Gambar 12 menunjukkan hasil pembangkitan datanumerik sinyal ECG. Sumbu y merupakan amplitude sinyalECG dalam besaran mV (voltase). Sedangkan sumbu xmerupakan waktu (s).

Pemrosesan Sinyal ECG

Setelah sinyal berhasil dibangkitkan, sinyal masih belumdapat diproses sepenuhnya. Sinyal ECG yang merupakansinyal bioelektrik, tentunya memiliki noise yang harus di-hilangkan agar proses identifikasi dapat maksimal. Padapembahasan sebelumnya telah dijelaskan, untu mendap-

atkan sinyal yang terfilter (bebas dari noise) maka harusmelewati empat tahapan sebagai berikut.

Transformasi Fourier

Sebelum sinyal dapat difilter, maka sinyal harus diba-wa ke dalam domain frekuensi. Untuk itu maka si-nyalECG data A diubah ke dalam domain frekuensi denganFast Fourier Transformmelalui program Matlab 7.1.

Tabel 1:Data Numerik Pembangkitan Data A

Data Numerik AmplitudomV (awal)

Data Numerik Amplitudo mVPenskalaan

-15 -0.01330 0.0261

570 0.4957

1290 1.12171695 1.4739915 0.7957

1050 0.913480 0.4174-60 -0.0522-60 -0.0522-75 -0.0652-75 -0.0652-75 -0.0652-90 -0.0783

-105 -0.0913-165 -0.1435-210 -0.1826-210 -0.1826-270 -0.2348-285 -0.2478-285 -0.2478-225 -0.1957-120 -0.1043-60 -0.052230 0.026145 0.039160 0.052230 0.026130 0.026130 0.0261

Tabel 2:Data Numerik Pembangkitan Data A

b1 1b2 -1,98b3 1

Band-Stop Filter

Sinyal ECG yang telah diubah ke dalam domain-frekuensikemudian di filter dengan band-stop filter (notch filter) un-tuk menghilangkan power line noise 60 Hz. Frekuensisampling ditentukan sebesar 500Hz dengan frekuensi re-jected sebesar 60 Hz. Maka sesuai persamaan 10 didap-atkan0 sebesar 0,7536. Didapatkan koefisien untuk de-sain band-stop filter melalui persamaan 16 seperti yang ter-

lihat pada tabel 2.

Inverse Transformasi Fourier

Setelah sinyal domain-frekuensi telah difilter, maka un-tuk dapat diproses selanjutnya, sinyal kemudian dikemba-likan ke dalam domain waktu. Pengembalian ke dalamdomain waktu menggunakan invers Transformasi Fourierdengan bantuan program Matlab 7.1. Invers TransformasiFourier memanfaatkan persama-an 9 pada invers DigitalFourier Transform.

201


12/14


Gambar 14: Sinyal ECG data A Setelah Melalui Proses Pemfilteran (domain-waktu)

Identifikasi Segmen ST dan Gelombang T

Segmen ST dan Gelombang T diidentifikasikan ber-

dasarkan interval waktu yaitu antara0, 10, 2detik untukSegmen ST dan0, 20, 4untuk Gelombang T pada sinyalECG. Pada 20 data sinyal ECG yang telah difilter, telah di-identifikasi letak Segmen ST dan Gelombang T pada Tabel3.

Tabel 3: Segmen ST dan Gelombang T

Data sinyalECG

Amplitudo segmenST (mV)

AmplitudoGelombang T(mV)

A 0.9216 0.051B -2.2592 -0.0079C -0.4607 0.3329D -0.6988 0.3687E -2.4582 -0.2969F 0.8966 -0.2232G -0.1095 0.0317H 0.9263 1.1487I 0.9987 1.4945J 1.0417 1.0663K 0.4699 -1.5078L 2.3771 0.4165M 0.567 -0.1449N -0.0009 0.1325O -0.4702 0.4541P -0.2396 0.1061Q -1.9781 -0.2838R 0.8036 -0.1689S 0.0215 0.1373T -0.1881 -0.0081

Pada penelitian ini suatu titik diidentifikasi sebagai Seg-men ST dan Gelombang T disaat sinyal berada pada 0,09detik dan 0,36 detik. Penentuan ini setelah melalui serang-kaian pengujian awal untuk mendapatkan titik yang mere-presentasikan Segmen ST dan Gelombang T.

Sistem Identifikasi Logika Fuzzy

Inti dari penelitian ini pada penggunaan pendekatanlogika fuzzy dalam melakukan identifikasi penyakit jan-tungmyocardial ischemia.

Fuzzifikasi

Terdapat 3 data input dan 1 data output dari sistem

identifikasi logika fuzzy penyakit jantung myocardial is-chemia. Keempatnya menggunakan empat parameter fungsikeanggotaan seperti yang terlihat pada table 4. Hal inidikarenakan ada beberapa data input yang memiliki nilaikebenaran 1 di beberapa titik.

Defuzzifikasi

Pada penelitian ini kemudian diujikan beberapa metodedefuzzifikasi untuk mengetahui metode apa yang palingcocok untuk diterapkan pasa sistem identifikasi penyakitjantungmyocardial ischemia.

Setelah dilakukan serangkaian pengujian pada 10 datasinyal ECG (tabel 5) maka didapatkan hasil bahwa metodedefuzzifikasi Largest of Maximum memiliki tingkat keaku-

ratan nilai yang lebih baik untuk mengidentifikasi penyakitjantungmyocardial ischemiapada penelitian ini.

Pengujian Sistem

Seperti yang telah dibahas pada subbab 3.3, pada peneli-tian ini sinyal ECG dinyatakan memiliki irama myocar-dial ischemia jika data output memiliki range 0, 5 1.Sedangkan sinyal ECG yang dinyatakan tidak memilikiiramamyocardial ischemiajika data output memiliki range00, 49. Validasi dilakukan dengan membandingkan hasilidentifikasi dari pakar dengan hasil identifikasi dari sistemyang telah dibangun.

Sistem dikatakan valid jika hasil identifikasi sama den-gan pakar. Sebaliknya, sistem dikata-kan tidak valid jikahasil identifikasi berbeda dengan pakar. Hasil pengujiandan validasi sistem dapat terlihat pada tabel 6.

Keakuratan sistem identifikasi dihitung dengan

jumlahdatavalidjumlahdatatidakvalidtotaljumlahdata

100%

18220 100% = 90%

202


13/14


Tabel 4:Parameter Fungsi Keanggotaan

Parameter

A B C D

Data Input I MF1 -7,6 -4 -2 -0,5MF2 -1,5 0 0 1,5MF3 0,5 2 4 7,6

Data Input II MF1 -14 -5 0 1MF2 0 1 5 6

Data Input III MF1 -90 0 40 50MF2 40 50 100 190

Data Output MF1 -0,25 0 0 -0,25MF2 0 0,25 0,25 0,5MF3 0,25 0,5 0,5 0,75MF4 0,5 0,75 0,75 1MF5 0,75 1 1 1,25

Tabel 5: Pengujian Beberapa Metode Defuzzifikasi

Data Centroid Bisector Mom Lom Som

A 0.585 0.56 0.5 0.65 0.35B 0.92 0.93 1 1 1C 0.92 0.93 1 1 1

D 0.488 0.5 0.5 0.51 0.49E 0.365 0.39 0.08 0.16 0F 0.378 0.41 0.5 0.65 0.35G 0.5 0.5 0.5 0.57 0.43H 0.66 0.63 0.95 1 0.9I 0.402 0.44 0.5 0.6 0.4J 0.456 0.48 0.5 0.53 0.47

SIMPULAN

Berdasarkan penelitian yang telah dilakukan, diperolehsimpulan yaitu sistem identifikasi penyakit jantung myocar-dial ischemia mempunyai proses perancangan sebagai beri-kut a) Fuzzifikasi, dengan masukan berupa segmen ST,

gelombang T dan umur pasien, sedangkan keluarannya ada-lah identifikasi ischemia; b) Basis aturan terdiri dari 12 at-uran, penyusunan basis aturan berdasarkan hubungan am-plitudo segmen ST, gelombang T, umur pasien dan iden-tifikasi ischemia berdasarkan pengetahuan kepakaran; c)Rule evaluation atau pengambilan keputusan menggunakanmetode max-min, dalam penerapannya menggunakan su-atu aturan operasi minimum mamdani; d) Defuzzifikasi,untuk identifikasi penyakit jantung myocardial ischemiamenggunakanLargest of Maximum(LOM).

Proses filterisasi sinyal ECG dengan band-stop filter 60Hz untuk menghilangkan power line noise. Sistem identi-fikasi penyakit jantung myocardial ischemia memiliki ting-kat keakuratan 90% setelah dilakukan pengujian terhadap

20 data sinyal ECG.Dalam rangka pengembangan penelitian, saran yangperlu disampaikan dalam makalah ini adalah untuk prosesidentifikasi selanjutnya dapat dilakukan secara online ter-hadap mesin ECG. Sistem identifikasi dengan pendekatanlogika fuzzy juga dapat diterapkan pada jenis penyakit lainuntuk membangun sistem berbasis kepakaran.

DAFTAR PUSTAKA

[1] Exarchos, T.P., Tsipouras, M.G., Exarchos, C.P., Pa-paloukas, C., Fotiadis, D.I., Michalis, L.K.: A

Methodology for the Automated Creation of FuzzyExpert Systems for Ischaemic and Arrhythmic BeatClassification Based on a Set of Rules Obtained bya Decision Tree. Artificial Intelligent Med. 40(3)(2007)

[2] Papaloukas, C., Fotiadis, D.I., Likas, A., Michalis,L.K.: An Ischemia Detection Method Based on Arti-ficial Neural Networks(2001)

[3] Papaloukas, C., Fotiadis, D.I., Likas, A., Stroumbis,C.S., Michalis, L.K.: Use of a novel rule-based ex-pert system in the detection of changes in the ST seg-ment and the T wave in long duration ECGs . JurnalElectrocardiol35(2002) 2734

[4] Rubenstein, D.: Kedokteran Klinis. Penerbit Er-langga, Jakarta (2007)

[5] Irianto, K.: Struktur dan Fungsi Tubuh Manusia un-tuk Paramedis. Yrama Widya, Bandung (2008)

[6] Karim, S.K., Peter: EKG. Penerbit FKUI, Jakarta(1996)

[7] Mitra, S.K.: Digital Signal Processing A Computer-Based Approach. McGraw-Hill Series, Singapore(1998)

[8] Rizal, Achmad: Generator ECG Berbasis PC Meng-gunakan Metode Template Gelombang. JurusanTeknik Elektro, STT Telkom Bandung (2006)

203


14/14


Tabel 6:Pengujian Sistem Terhadap Data

Data Sinyal ECG Identifikasi Pakar Identifikasi Sistem Validasi

A Ischemia 0.65 (Ischemia) ValidB Ischemia 1 (Ischemia) ValidC Ischemia 0.58 (Ischemia) ValidD Ischemia 0.61 (Ischemia) Valid

E Ischemia 1 (Ischemia) ValidF Ischemia 0.64 (Ischemia) ValidG Ischemia 0.51 (Ischemia) ValidH Ischemia 0.15 (normal) Tidak ValidI Ischemia 0.16 (normal) Tidak ValidJ Ischemia 0.65 (Ischemia) ValidK Ischemia 0.57 (Ischemia) ValidL Ischemia 1 (Ischemia) ValidM Ischemia 0.6 (Ischemia) ValidN Ischemia 0.53 (Ischemia) ValidO Ischemia 0.64 (Ischemia) ValidP Ischemia 0.53 (Ischemia) ValidQ Ischemia 1 (Ischemia) ValidR Ischemia 0.63 (Ischemia) ValidS Ischemia 0.53 (Ischemia) ValidT Ischemia 0.53 (Ischemia) Valid

[9] Lee, J.W., Lee, G.K.: Design of an Adaptive Filterwith a Dynamic Structure for ECG Signal Process-ing. Journal of Control, Automation, and Systems3(1) (2005)

[10] Kusumadewi, S.: Analisis dan Desain Sistem FuzzyMenggunakan Toolbox Matlab. Graha Ilmu, Yo-gyakarta (2002)

Date post:	02-Mar-2018
Category:	Documents
Upload:	suhendi
View:	236 times
Download:	0 times

identifikasi jantungjurnal.pdf

Documents