Anda di halaman 1dari 7

ANALISIS SPEKTRUM FREKUENSI ISYARAT EKG

MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTI-


LAYER PERCEPTRON DAN ALGORITMA
QUICKPROPAGATION
Riyantoro, Raymond Amir, V.Vekky R.Repi
Jurusan Teknik Fisika, Fakultas Teknik dan Sains, Universitas Nasional
Jl. Sawo Manila No. 61 Pejaten, Pasar Minggu, Jakarta Selatan 12520

Abstrak - Salah satu organ tubuh manusia yang sangat vital adalah jantung. Normal atau tidaknya
kondisi jantung manusia harus dipantau dan analisis. Salah satu teknik klasifikasi dan identifikasi
masalah dengan baik yang dapat meniru kemampuan seorang pakar yaitu menggunakan Jaringan
Syaraf Tiruan. Penelitian ini bertujuan untuk menganalisis frekuensi isyarat EKG dengan
jaringan syaraf tiruan.

Kata kunci : jaringan syaraf tiruan, feedforward, quick propagation, EKG

I. PENDAHULUAN

Jaringan syaraf tiruan (JST) dapat mengontrol lebih mendekati seperti layaknya panca
indera manusia dalam menentukan suatu obyek besaran–besaran yang dapat ditentukan secara
kualitatif dan kuantitatif seperti tinggi, sedang, rendah, sangat besar, besar, sedang, kecil,
sangat kecil, panas, hangat, dingin, banyak, sedikit dan lain sebagainya.
Kemampuan jaringan syaraf tiruan dalam suatu aplikasi kecerdasan buatan sudah
banyak diterapkan diberbagai ilmu pengetahuan dan teknologi. Penelitian jaringan syaraf
tiruan mengambil suatu pola klinis yang memiliki suatu kasus kompleks, yaitu spektrum
frekuensi denyut jantung, spektrum tersebut dihasilkan oleh alat kedokteran yang bernama
elektrokardiograf (EKG).
Tugas akhir ini mencoba untuk mengembangkan fungsi dan peranan dari jaringan
syaraf tiruan dengan memanfaatkan isyarat elektrokardiograf (EKG), Isyarat tersebut yang
mana sering digunakan oleh dokter untuk mendiagnosis jantung pasien. Isyarat
elektrokardiograf (EKG) pasien normal memiliki karakteristik yang berbeda dengan isyarat
elektrokardiograf (EKG) pasien berpenyakit jantung.

II. TELAAH PUSTAKA

Konsep dasar JST - Prinsip kerja dari JST adalah suatu sistem pemrosesan informasi
yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis[1]. Sebagai
ilustrasi, sistem JST dapat dijelaskan dengan Gambar 2.6.[2]
x i=1 w j,i=
1
=1
y j,k

Σ
x i=2 w j,i=2 Fungsi
Aktivasi y j,k=2
Sum
3 (f)
w j,i=
y j,k
x i=3 Np =3
,i=
wj

x i=Np
Gambar 2.6. Konsep pemodelan jaringan saraf tiruan

Proses arus informasi dalam sistem JST di atas dimulai dari node-node input. Untuk
mencerminkan tingkat kekuatan hubungan ini, digunakan faktor pembobot (weight), sehingga
yang diterima oleh node-node di lapisan tersembunyi adalah signal terbobot (weigthed
signal ) yaitu xiWj,i dimana Wj,i merupakan besaran bobot hubungan dari node input i menuju
i =Np
node tersembunyi ke-j. Jumlah total signal terbobot j ∑x W
i =1
i j ,i yang masuk ke salah satu

node atau elemen proses di lapis tersembunyi ini selanjutnya akan dikirim ke node-node di
lapisan output. Tiap neuron menerima signal output dari berbagai neuron lainnya dan
mengeluarkan output nya dengan menghitung tingkat (level) aktivitas yang masuk adalah :
i =Np
Ij = ∑x W
i =1
i j ,i ................................................ (2.1)

Jika input bersih cukup kuat untuk mengaktifkan node j, maka output dari node tersebut
adalah :
y j = f ( I j ) ...........................................................(2.2)
Dengan :
Np = jumlah node yang masuk dari lapisan sebelumnya ke
node yang dituju
xi = signal input dari node input ke i=1, 2, ... , Np.
Wj,i = besarnya bobot node ke i ke node j.
Ij = total signal bobot bersih yang masuk ke node j
f = fungsi aktivasi
yj = signal output node j

Arsitektur JST - Neuron-neuron dikelompokkan dalam lapisan-lapisan dimana


neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Jaringan
dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan
lapisan output (memiliki 1 atau lebih lapisan tersembunyi), Umumnya, ada lapisan bobot-
bobot yang terletak antara 2 lapisan yang bersebelahan.
Pada Algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa
masing-masing bobot penghubung tidak terpengaruh oleh bobot yang lain. Perubahan
algoritma quickpropagation dirumuskan sebagai berikut:
Wjibaru = Wjilama + C ( tjp – xjp ) ai
Dengan :
C = kecepatan belajar
tjp = nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan.
xjp = nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan.
ai = masukan yang berasal dari unit I.
III. TATA KERJA

Pemasangan perangkat keras dan istalansi kabel secara garis besarnya dapat dilihat dalam
gambar 3.1

Kabel &
Cardimax Personal
Sunction Fx-2111 Komputer
Cup

Pengambilan Spektrum Denyut Jantung - Sebagai data pembelajaran sistem JST


pencuplikan dilakukan dengan 3 mV/sekon. Setiap spektrum denyut jantung diambil
sebanyak 10 (sepuluh) pasien, sebagai input dari JST, setiap file berjumlah 73 sesuai dengan
tiap spektrum denyut jantung. Algoritma pembelajaran Quickpropagation dengan
akselerasi - Pelatihan perceptron meliputi 2 fase. Fase pertama adalah fase maju yaitu pola
masukan dihitung maju mulai dari lapisan masukan hingga lapisan keluaran menggunakan
aktivasi yang ditentukan. Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi
adalah sebagai berikut :
Langkah 1. Inisialisasi semua bobot 1 (v) dan bobot 2 (w) dengan bilangan acak kecil Fase I :
Fase Maju (Feedforward). Langkah 2. Tiap unit masukan menerima sinyal dan
meneruskannya ke unit tersembunyi di atasnya. Langkah 3. Hitung semua keluaran di unit
tersembunyi Z1 dan Z2
n
Z _ in j = ∑ xi vij
i =1
Sinyal masuk ke Z1 adalah Z_in1 = x1 * v11 + x2 * v21
Sinyal masuk ke Z2 adalah Z_in2 = x1. * v12 + x2 * v22
Gunakan fungsi fungsi aktivasi untuk menghitung sinyal keluaran yaitu :
Zj = f(Z_inj)
1
Sinyal keluar Z1 adalah Z1 = f (Z_in1) =
1 + e − z _ in1
1
Sinyal keluar Z2 adalah Z2 = f(Z_in2) =
1 + e − z _ in2
Langkah 4. Hitung semua keluaran jaringan (Yk, k = 1, 2, 3,...., m) di unit y1 dan y2 yaitu
dengan menjumlahkan sinyal-sinyal input terbobot :
P
Y _ in j = ∑ z i w jk
i =1
Sinyal masuk ke y1 adalah y_in1 = z1 * w11 + z2 * w12
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
Yk = f(y_ink)
1
Sinyal keluar y1 adalah y1 =
1 + e − y _ in1
Fase II : Perubahan Bobot
Wjibaru = Wjilama + C ( tjp – xjp ) ai
Dengan :
C = kecepatan belajar
tjp = nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan.
xjp = nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan.
ai = masukan yang berasal dari unit I.

IV. HASIL DAN PEMBAHASAN

Pengukuran spektrum denyut jantung dengan elektrokardiograf mempunyai


kecepatan 3 mV/sekon. Pengukuran yang dilakukan pada penelitian ini ditujukan untuk
mencari 3 (tiga) jenis spektrum denyut jantung yaitu Spektrum denyut jantung normal,
spektrum denyut jantung tachycardia dan spektrum denyut jantung atrial fibrillation.
Salah satu data gambar spektrum denyut jantung normal yang diambil untuk
pembelanjaran, dimana terdapat 73 input selama satu pencuplikan yaitu terdiri interval PR =
0,2 detik, interval QRS = 0,10 detik, kecepatan 82 denyut jantung per menit, interval QT =
0,35detik,segmenQT=0,14detik
SpektrumTachycardia

0,9

0,8

0,7

0,6

0,5
mV

0,4

0,3

0,2

0,1

0
4

2
0

0
,0

,2

,3

,8

,8
,5

,7

,0

,2

,3

,5

,6

,8

,0

,1

,3

,4

,6

,0
0

Detik

Gambar 4.2 Grafik Spektrum Tachycardia

Dimana terdiri dari interval PR = 0,2 detik, interval QRS = 0,10 detik, kecepatan 127
denyut jantung per menit, interval QT = 0,45 detik, segmen QT = 0,07 detik, untuk
gelombang P-QRS-T termasuk dianggap batas normal, yang dapat dilihat EKG hanya
ratenya. Rate untuk spektrum denyut jantung tachycardia berkisar lebih besar dari 150
X/menit sampai 250 X/menit.
Spektrum Atrial Fibrillation

0,9
0,8
0,7
0,6
0,5
mV

0,4
0,3
0,2
0,1
0
0,04 0,28 0,56 0,80 1,04 1,28 1,52 1,76 2,00 2,24 2,48 2,74 3,00

Detik

Gambar 4.3. Grafik spektrum Atrial Fibrillation

Penentuan Struktur JST - Dalam pengolahan data sistem JST menggunakan


program Trajan Neural Networks dimana jumlah data yang digunakan untuk pembelajaran
sistem JST sebanyak 30 data hasil pengukuran untuk mewakili 3 jenis spektrum. Sedangkan
outputnya diketahui yaitu spektrum denyut jantung normal, spektrum denyut jantung
tachycardia, spektrum denyut jantung atrial fibrillation. Dari hasil pengujian dapat dilihat
1.5 1.5 1.75 2 2.25
0.1 0.00218 0.00250 0.00216 0.00222 0.002682
6 6 9 7
0.2 0.00252 0.00552 0.00228 0.00216 0.002327
5 5 2 4
0.5 0.00243 0.00242 0.00224 0.00242 0.002465
6 7
0.7 0.00249 0.00265 0.00241 0.00251 0.002518
5 5 9 8 6
1 0.00206 0.00232 0.00202 0.00474 0.002417
7 6 3
pada tabel 4.1. dibawah ini :

Tabel 4.1. Hasil pengujian dengan satu lapisan tersembunyi.

Dari hasil pengujian didapat bahwa jumlah lapisan tersembunyi yang optimal adalah
10 buah dengan error 0,002023 dan performance 1 yang berarti bahwa semua data dapat
dikenali dengan baik (100%). Pengujian dilakukan sampai dengan epoch ke 100. Pada epoch
ini diharapkan minimal ralat telah tercapai.
0,7

0,6
Error rata-rata

0,5
LR=0,1
0,4 LR=0,25
LR=0,5
0,3
LR=0,75
0,2 LR=1

0,1

0
12

18

24

30

36

42

48

54

60

66

72

78

84

90

96
0

Iterasi

Gambar 4.4 Grafik hasil iterasi.

Gambar 4.4. Grafik iterasi dengan berbagai variasi pembelajaran dan kecepatan. Laju
pembelajaran dan kecepatan terbaik terjadi pada laju pembelajaran α=0,25 dan kecepatan
C=2,25 dengan iterasi ke 18 error 0,0041795 dan iterasi ke 19 error 0.003085. Kondisi ini
hampir sama dengan α =0,75 dan C=2 dengan laju pembelajaran iterasi ke 18 error
0,0066952 dan iterasi ke 21 error 0,0035747 namum sangat berbeda dengan α =0.5 dan
C=2,25 dengan laju pembelajaran iterasi ke 19 error 0,0057024 dan iterasi ke 20 error
0,00400207, dimana ralat dicapai dalam waktu yang relatif lambat.
Hasil dari pengujian dapat dilihat pada gambar grafik dibawah ini:
0,7

0,6
Error rata-rata

10&10
0,5 10&15
10&20
0,4 10&25
10&30
0,3 10&35
10&40
0,2 10&45
10&50
0,1

0
12

18

24

36

42

48

60

66

72

84

90

96
30

54

78
0

Iterasi
Gambar 4.4 Grafik hasil iterasi.

Gambar 4.5. Grafik Error dengan dua lapisan tersembunyiDi atas terlihat bahwa error
terkecil dan tercepat dicapai dengan konfigurasi lapisan tersembunyi 25 dan 10 yaitu pada
iterasi ke 21 diperoleh error 0,0087639.
DAFTAR PUSTAKA

1. Timothy, Signal and Image Processing with Neural Networks, John Wiley and Sons,
Inc., New York, 1994.
2. Jong Jek Siang, Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan Matlab,
Andi Offset,Yogyakarta, 2005.
3. Sri Kusumadewi, “Artificial Intelengence (Teknik dan Aplikasinya) ”, Edisi Pertama,
Yogyakarta, Penerbit Graha Ilmu, 2003.
4. ‘’ Identifikasi Spektrum Frekuensi Isyarat Elektrokardiograf Menggunakan Jaringan
Syaraf Tiruan Kompetisi Penuh’’.
http://nazrul.staff.ugm.ac.id/Effendy_SNIKTI3.pdf.2-1-2007.
5. ‘’ Analisis Kondisi Ginjal Pasien Menggunakan Metode Jaringan Syaraf Tiruan’’.
http://fukuoka.cool.ne.jp/metnet/paper2.pdf. 5-1- 2007.
6. Fausset, Laurence. Fundamentals Of Neural Network. Englewood Cliffs, New
Jersey : Prentice-Hall. Inc., 1994.
7. Defatta.J.David,Lucas.G.Josep,Hodghisss.S.William. Digital Signal Processing :
Published by John Wiley and Sons, New York,1998.
8. Poespawati.R.N dan Tamsir, Santoso, Agus, Sistem Sinyal & Sistem, Penerbit
Erlangga, jilid 1, edisi kedua, Jakarta, 1997.
9. National Instrument, LabView, User Manual, National Instruments Coporate, United
States of America, 1998.
10. Mustofa, Kawkab. ‘’Analisis Vibrasi Pompa Pendingin Sekunder Reaktor Serba
Guna G.A.Siwabessy Menggunakan Jaringan Syaraf Tiruan’’, Skripsi, UNAS, Jakarta,
2006.
11. Sutopo, Widjaja.’’Segi Praktis EKG’’, Penerbit Binarupa Aksara, Jakarta, 1990.
12. Hermawan, Arief. “Jaringan Saraf Tiruan (Teori dan Aplikasi) ”, Edisi Pertama, Yogyakarta,
Penerbit Andi, 2006.
13. Rilantono, Ismudiati, Lily. Baras, Faisal. Karo, Santoso. Roebiono, Surwianti, Poppy. ‘’ Buku
Ajar Kardiologi’’, Cetak Ulang Kelima, Jakarta, Penerbit Fakultas Kedokteran Universitas
Indonesia, 2004.