BAB I

PENDAHULUAN

1.1. Latar Belakang

Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya

kontraksi. Kontraksi otot berfungsi untuk menggerakkan bagian-bagian tubuh dan

substansi dalam tubuh. Ada tiga macam sel otot dalam tubuh manusia yaitu:

jantung, lurik dan polos, namun yang berperan dalam pergerakan kerangka tubuh

manusia adalah otot lurik (otot rangka). Otot rangka adalah jaringan peka

rangsang yang diatur oleh syaraf motorik somatic dalam kesatuan yang disebut

syaraf motorik unit (SMU). SMU juga memiliki ambang rangsang tertentu. Jika

rangsang yang diberikan melewati ambangnya, maka pada syaraf tersebut akan

muncul potensial aksi dan dihantarkan sebagai impuls [1].

Kelelahan otot adalah penurunan kemampuan otot untuk menciptakan

kekuatan, berkontraksi dan gaya yang dihasilkan berkurang. Elektromiografi

(EMG) adalah teknik medis untuk mengukur respon otot terhadap stimulasi syaraf

selama otot berkontraksi, power spectrum EMG bergeser ke arah frekuensi yang

lebih rendah, efek ini disebabkan oleh kelelahan otot. Kelelahan otot sering

merupakan hasil dari kerja otot yang tidak sehat [2].

Tidak seperti evaluasi khas subjektif, yang biasanya menentukan titik

waktu ketika subjek tidak dapat lagi menjalankan tugas, analisis sinyal EMG

dapat memberikan informasi pengukuran metabolisme kontinyu di seluruh bagian

1
 2

otot yang menunjukkan kelelahan selama kontraksi [1]. Namun, ambang batas

kelelahan otot tidak dapat didefinisikan sebagai fungsi sederhana dari besarnya

beban otot dan timing, karena karakteristik dan kemampuan otot bervariasi pada

setiap individu

EMG adalah teknik yang berkaitan dengan pencatatan dan analisis sinyal

myoelectric. Sinyal ini dibentuk oleh variasi dalam keadaan fisiologis dari

membran serat otot. Setiap otot memiliki beberapa unit motorik yang terhubung

ke serat otot. Unit motorik Ini adalah kontrol syaraf otot sebenarnya [1][3][4].

Sinyal EMG merupakan sinyal elektrik yang dihasilkan dari aktivitas unit

motorik otot, sinyal EMG merupakan sinyal tak-stasioner yang sangat acak [4][5]

sehingga sangat sulit untuk menentukan polanya, disamping itu Sinyal EMG yang

berasal dari otot pasti mengandung berbagai sinyal derau atau artefak pada

permukaan elektroda, hal ini dapat memberikan interpretasi sinyal EMG yang

salah [5]

Metode yang sering digunakan pada sampel spektrum frekuensi

elektromiografi adalah Fast Fourier Transformation (FFT). Namun, untuk

mengevaluasi gerakan yang lebih dinamis, FFT kurang baik karena membutuhkan

sinyal cukup stabil. Selanjutnya, FFT terbatas pada analisis frekuensi global, tidak

dapat mendeteksi perubahan pada ranah waktu [4].

Untuk mengatasi masalah dalam analisis sinyal EMG para peneliti terus-

menerus mencari metode terbaik. Salah stu metode terbaik adalah Transformasi

wavelet. Transformasi wavelet sangat cocok digunakan untuk melakukan

ekstraksi ciri sinyal EMG sebelum dilakukan pengenalan pola [4][5][6][7]

 3

Dengan menguraikan ke ranah waktu dan ranah frekuensi. Transformasi wavelet

juga dapat digunakan untuk menganalisis time series yang mengandung sinyal

tak-stasioner di banyak frekuensi yang berbeda [3]. Pengenalan pola dapat

dilakukan menggunakan jaringan syaraf tiruan (JST), kombinasi ekstraksi ciri

sinyal EMG dengan wavelet dan pengenalan pola dengan JST telah sukses

dilakukan oleh banyak peneliti [2][5][8].

Penelitian ini akan melakukan analisis sinyal EMG menggunakan

transformasi wavelet sebagai metode untuk mendapatkan ciri sinyalnya dan

pengenalan polanya menggunakan JST. Bahan yang digunakan adalah dari MIT

BIH database [9] meliputi 3 sinyal yaitu EMG normal, miopati dan neuropati.

1.2. Rumusan masalah

Berdasar uraian pada sub-bab 1.1, sinyal EMG memiliki karakteristik

sinyak tak-stasioner, sehingga sulit untuk menganalisis sinyalnya dengan metode

yang biasa, seperti FFT. Transformasi wavelet yang merupakan transformasi

gelombang pendek sangat cocok untuk menganalisis sinyal EMG, untuk dapat

menganalisis sinyal EMG dengan baik, maka perlu dipilih fungsi wavelet yang

dapat memberikan rekonstruksi paling mendekati sinyal aslinya, karena jika

dipilih fungsi wavelet dimana hasil rekonstruksi sinyalnya tidak mendekati

aslinya maka dapat menyebabkan ekstraksi cirinya tidak mencerminkan sinyal

aslinya [10]. Metode yang paling baik untuk memilih fungsi wavelet yang tepat

adalah dengan melakukan eksperimen, karena sejauh ini belum ada referensi yang

secara khusus menyatakan fungsi wavelet mana yang memberikan ekstraksi ciri
 4

terbaik untuk sinyal EMG. Pada penelitian ini akan dibandingkan dua fungsi

wavelet yaitu deubechies dan symlet yang masing-masing adalah (db2, dB4, dB5

dB6 dan dB8) dengan (sym2, sym4, sym5, sym6 dan sym8). Pemilihan fungsi

wavelet berdasar pada hasil error rekonstruksi terkecil.

Klasifikasi sinyal EMG dengan tepat, sulit dilakukan, sehingga diperlukan

keahlian dari seorang dokter yang berpengalaman dalam menentukan jenis sinyal

EMG. Untuk membuat klasifikasi sinyal EMG dibutuhkan tool yang dapat dengan

akurat mengenali pola sinyal yang diberikan. Pada penelitian ini digunakan JST

jenis perambatan balik dengan menggunakan hasil ekstraksi ciri sebagai

masukannya.

1.3. Keaslian Penelitian

Keaslian pada penelitian ini adalah pada bagaimana cara memperoleh

ekstraksi ciri sinyal EMG, metode ekstraksi ciri yang digunakan oleh peneliti

sebelumnya cukup beragam. Menggunakan koefisien autoregressive (AR) [8],

mean dan median frekuensi [11], metode konvolusi [1], untuk ekstraksi ciri

menggunakan transformasi wavelet peneliti sebelumnya banyak menggunakan

koefisien detil dan koefisien aproksimasi [5][7][12]

Pada penelitian ini ekstraksi ciri sinyal EMG menggunakan energi

penyusun sinyal EMG yang diperoleh malalui teknik dekomposisi sinyal

menggunakan transformasi wavelet. Menurut teori Parseval, energi suatu sinyal

merupakan penjumlahan dari energi-energi penyusun sinyal yang memiliki

komponen frekuensi yang berbeda-beda [10]. Sinyal EMG didekomposisi 7

 5

tingkat untuk memperoleh sinyal-sinyal detil dan sebuah sinyal aproksimasi. Tiap

tingkat dekomposisi memiliki rentang frekuensi berbeda-beda. Tiap tingkat ini

dihitung energi rerata dekomposisinya kemudian dinormalisasi dengan cara

membagi dengan rerata energi terbesar sehingga didapatkan rentang nilai antara 0

dan 1. Inilah yang menjadi ekstraksi ciri sinyal EMG.

Cara memperoleh ekstraksi ciri sinyal EMG dengan normalisasi energi

dekomposisi ini belum pernah dilakukan oleh peneliti sebelumnya sehingga

merupakan keaslian penelitian ini. Metode ekstraksi ciri sinyal biomedis yang

hampir serupa menggunakan energi dekomposisi namun untuk aplikasi pada

sinyal elektroencephalograf (EEG) dan Electrokardiograf (EKG) [10].

1.4. Batasan Masalah

Berdasar uraian pada sub-bab sebelumnya, dalam penelitian ini dapat

dirumuskan batasan masalah sebagai berikut;

1. Bagaimana mengaplikasikan DWT jenis symlet untuk mendapatkan

ekstraksi ciri sinyal EMG dan JST jenis perambatan balik untuk

mengklasifikasi sinyal EMG.

2. Jenis kelainan sinyal elektrik otot yang diklasifikasi ada tiga yaitu

sinyal EMG Sehat, sinyal EMG dengan kelaianan Miopati dan

Neuropati
 6

1.5. Tujuan Penelitian

Tujuan penelitian ini adalah:

1. Mengaplikasikan dan menguji transformasi wavelet diskrit untuk

mendapatkan ekstraksi ciri sinyal EMG NOR, MYO dan NEU berdasar

energi dekomposisi, yaitu energi sinyal detail dan aproksimasi.

2. Mengaplikasikan JST perambatan balik dan mencari arsitektur yang

terbaik untuk mengenali pola sinyal EMG NOR, MYO dan NEU berdasar

input energi detail dan energi aproksimasi sinyal EMG.

1.6. Manfaat Penelitian

Manfaat penelitian ini adalah untuk mengetahui seberapa baik ekstraksi

ciri sinyal EMG menggunakan energi dekomposisi yang diperoleh menggunakan

transformasi wavelet 7 tingkat (D1, D2, D3, D4, D5, D6, D7 dan A7). Ekstraksi

ciri tersebut khususnya untuk membedakan antara sinyal EMG dari kondisi NOR,

MYO dan NEU. Selain itu juga diperoleh manfaat wavelet manakah antara

deubechies (dB2, dB4, dB5, dB6 dan dB8) dan symlet (sym2, sym4, sym5, sym6

dan sym8) yang memberikan error rekonstruksi terkecil jenis sinyal EMG

tersebut dapat memanfaatkan hasil penelitian ini untuk hasil klasifikasi EMG yang

lebih baik khususnya menggunakan JST perambatan balik.

 7

1.7. Sistematika Penulisan

Sistematika penulisa tesis ini terdiri dari,

BAB I. Pendahuluan

Bab ini menguraikan tentang latar belakang, rumusan masalah, keaslian

penelitian, batasan masalah, tujuan penelitian, manfaat penelitian, dan

sistematika penulisan.

BAB II. Tinjauan Pustaka dan Landasan Teori

Bab ini menjelaskan tinjauan pustaka penelitian terkait sebelumnya,

landasan teori yang mendasari penelitian seperti anatomi dan cara kerja

otot, Sinyal Biomedis, Miopati, Neuropati, transformasi wavelet dan JST.

BAB III. Metode Penelitian

Bab ini menguraikan tata cara penelitian, meliputi bahan penelitian: yaitu

spesifikasi data EMG dan modifikasi sinyal EMG. Alat penelitian yang

meliputi wavelet dan JST. Jalan penelitian yang meliputi data penelitian,

pemilihan fungsi wavelet, ekstraksi ciri, dan klasifikasi menggunakan

JST.

BAB IV. Hasil dan Pembahasan

Bab ini menyajikan hasil penelitian dan pembahasannya meliputi contoh

sinyal EMG yang digunakan, hasil penambahan derau untuk data uji.

Hasil dekomposisi sebagai ekstraksi ciri sinyal EMG, hasil klasifikasi

dan persentase keberhasilan pengenalan pola sinyal EMG.

 8

BAB V. Kesimpulan dan Saran

Bab ini menjelaskan kesimpulan yang diperoleh dari seluruh penelitian

dan saran-saran untuk kepentingan penelitian selanjutnya.