1528 1367 1 PB - 2 PDF
1528 1367 1 PB - 2 PDF
ISSN: 1907-5022
1.
Pendahuluan
Elektrokardiografi
(EKG)
merupakan
gambaran sinyal potensial jantung yang diperoleh
dengan cara menempatkan beberapa elektroda pada
tubuh pasien. Penggunaan sinyal EKG sudah sangat
umum di dunia kedokteran yaitu sebagai alat bantu
untuk mendiagnosis kelainan pada jantung. Pola
EKG dari kondisi jantung umumnya memiliki pola
yang khusus, tetapi untuk membedakan apakah
jantung dalam keadaan sehat atau terdapat suatu
kelainan fungsional pada jantung diperlukan
keahlian dan pengalaman melakukan klasifikasi
dari pola-pola EKG yang sudah ada.
Teknik pengenalan pola EKG ini masih
merupakan suatu topik yang menarik, dengan
mempergunakan suatu sistem intelijensi buatan
yang prinsipnya meniru kemampuan dari dokter
untuk mengenali pola-pola EKG tersebut. Proses
pengenalan diserahkan pada jaringan saraf tiruan
(JST), dilakukan pengenalan beberapa pola sinyal
jantung tanpa adanya tambahan informasi medis,
maksudnya proses klasifikasi sinyal EKG benarbenar dilakukan oleh sistem intelijensia buatan
tanpa adanya tambahan informasi dari luar.
input
xin seharusnya
jaringan menghasilkan nilai ouput t k . Besarnya
(1)
H = JTe
F-39
(2)
g=J J
T
ISSN: 1907-5022
(3)
X = [ J T J + I ] J T e
(4)
sehingga perbaikan pembobot dapat ditentukan
dengan
(5)
X = X + X
T
T
(6)
X = X + [ J J + I ] J e
e11 ( x )
x
1
...
e k 1 ( x )
x1
e12 ( x )
x1
...
e k 2 ( x )
x
1
...
ekp ( x )
x
e11 ( x )
x 2
...
e k 2 ( x )
x 2
e12 ( x )
x 2
...
e k 2 ( x )
x 2
e11 ( x )
x 3
...
e k 1 ( x )
x 2
e12 ( x )
x 3
...
e k 2
x 3
...
...
ekp
ekp
x 2
x 3
...
...
...
...
...
...
...
...
START
Inisialisasi jaringan
Random bobot v , w
e11 ( x )
x n
...
e k 1 ( x )
x n
e k 2 ( x )
x n (7)
...
e k 2
x n
...
ekp
xn
Hitung sse
p 1
2
sse = (t y )
k
k
2
k =1
X = [ J T J + I ] J T e
Koreksi Pembobot
X = X + X
konstanat learning
I = matrik identitas
Enew<Estep3
2.
Cara Penelitian
Data yang digunakan dalam penelitian ini
terdiri dari lima macam jenis aritma (Kelainan)
sinyal EKG yang bersal dari generator EKG. Sinyal
EKG secara rieltime disampling dengan
menggunakan peralatan akuisisi sebanyak 1024
data. Jumlah data tersebut dihasilkan lebih kurang 3
gelombang sinyal EKG.
Dilakukan proses pengolahan sinyal yaitu
dengan teknik downsampling menggunkan
transformasi Haar wavelet. Pada proses ini terjadi
pemisahan sinyal frekuensi tinggi yang dapat
dianggap sebagai noise (dalam trnsformasi wavelet
dinamakan koefisien detil (cD) dan frekensi rendah
(dalam transformasi wavelet dinamakan koefisien
approksimasi (cA)). Satu kali proses downsampling
menghasilkan sinyal setengahnya, pada penelitian
Ya
Reduce
( / )
increas
( )
END
ISSN: 1907-5022
Akuisisi Data
(Peralatan Antar Muka)
Transformasi
Wavelet Haar (downsampling)
3.
PC
Normalisasi Data
F-41
ISSN: 1907-5022
GRAFIK MSE LM vs BP
1,00E+00
MSE
1,00E-01
1,00E-02
LM
BP
1,00E-03
1,00E-04
Grafik Perubahan
1,00E-05
0
1,00E+00
EPOCH
MSE
1,00E-01
= 0.1
= 0.2
1,00E-02
= 0.3
1,00E-03
= 0.4
= 0.5
1,00E-04
1,00E-05
0
10
20
30
40
50
60
Epoch
terhadap
Grafik Perubahan
1,00E+01
=1.5
=2
1,00E+00
=2.5
MSE
1,00E-01
=3
=3.5
1,00E-02
=4
1,00E-03
=4.5
0.01 0
=5
1,00E-04
=5.5
0.0001
1,00E-05
0
10
15
20
25
30
35
40
45
50
55
1E-06
EPOCH
1E-08
10
20
30
LM
Bakpro
1E-10
terhadap
1E-12
ini bertujuan
4.
Kesimpulan
Dari hasil pengujian dapat diambil
kesimpulan bahwa semakin kecil konstanta
learning jumlah iterasi semakin kecil dan
F-42
Daftar Pustaka
[1] Leslie
Crowell.
(1996).
Biomedical
Instrumentation and Measurement, Prentice
Hall of India, New Delhi.
[2] Oliver Rioul, Martin Vitterli. (1991). Wavelets
and Signal Processing. IEEE SP Magazine.
[3] Supeno. (2005). Analisis Multi Resolusi Data
Seismik Dengan Menggunakan Transformasi
Wavelet. Tesis Magister. Jurusan Fisika
Fakultas MIPA. ITS Surabaya.
[4] Laurene Fausett. (1994). Fundamentals of
Neural Networks. Prentice-Hall International,
Inc. New Jersey, USA.
[5] Rahmat. dkk. (2005). Pengenalan Pola Sinyal
EKG menggunakan JST dengan Algoritma
LevenbergMarquardt. Seminar Nasional
Pasca Sarjana V ITS Surabaya.
[6] Martin T Hagan. dkk. (1994) Training
Feedforwaed Network with the Marquardt
Algorithm. IEE
Transactions on Neural
Network. Vol 5 No 6.
[7] N. N. R. Ranga Suri. dkk. Paralell Levenberg
Marquardt-Baesd Neural Network Training on
Linux Clustersa Cases Studi. AI and Neural
Networks Group Center for Artificial
Intelligence & Robotics. Bangalore, University
of Mysore.
[8] Syed Muhammad Akhil Burney.dkk.(2004)
Levenberg Marquard Algorithm for Karachi
Stock Exchage Share Rates Forescasting.
International
Journal
of
Computation
Inteligence. Volume 1 Number 2 ISSN : 1304 4508
[9] Deepak Misrha. dkk (2005). Levenberg
Marquardt Learning Algorithm for Integrate
and Fire Neuron Model. Neural Information
Processing- Letter and Reviews. Vol 9 N0. 2
November.
F-43
ISSN: 1907-5022
F-44
ISSN: 1907-5022