Mantap PDF
Mantap PDF
SKRIPSI
FATIMATUL KARIMAH
SKRIPSI
Oleh :
FATIMATUL KARIMAH
080810083
Disetujui Oleh :
Pembimbing I Pembimbing II
ii
Pembimbing I Pembimbing II
Mengetahui,
iii
iv
KATA PENGANTAR
Puji syukur ke hadirat Allah SWT, karena berkat rahmat dan hidayah-Nya
penyusunan skripsi dengan judul “Implementasi Learning Vector Quantization
(LVQ) Sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra
Elektrokardiogram” dapat terselesaikan dengan baik.
Penulisan ini tidak lepas dari bimbingan, arahan dan bantuan dari berbagai
pihak.Pada kesempatan ini, penulis mengucapkan terima kasih sebesar-besarnya
kepada :
1. Drs. Adri Supardi, M. Sc selaku pembimbing I dan Dosen Wali yang telah
memberikan arahan, bimbingan dan koreksi selama penyusunan skripsi ini
dan juga atas saran dan solusinya selama masa kuliah di Program studi
Teknobiomedik ini.
2. Endah Purwanti, S.Si., M.T selaku pembimbing II yang telah meluangkan
waktunya untuk membimbing dan memberikan arahan kepada penulis dalam
penyusunan naskah sripsi dan juga mengajarkan mengenai metode
pemrograman yang digunakan dalam penelitian ini.
3. Bapak Dr. Soegianto Soelistiono, M.Si dan Bapak Drs. R. Arif Wibowo, M.Si
sebagai penguji yang telah memberikan saran dan koreksi terhadap
penyusunan naskah skripsi ini.
4. Ketua Program Studi S1 Teknobiomedik, Ibu Dr. Retna Apsari, M.Si, yang
telah memberikan informasi tentang penyusunan naskah skripsi ini dan telah
memberikan motivasi sehingga naskah skripsi ini dapat terselesaikan.
5. Ketua Departemen Fisika, Bapak Drs. Siswanto, M.Si, yang telah
memberikan fasilitas laboratorium untuk pelaksana penelitian skripsi ini.
6. Bapak dan Ibu dosen FSAINTEK UNAIR yang telah mengarahkan dan
membimbing selama proses perkuliahan.
7. Keluarga yang selalu memberikan dukungan, doa dan motivasi untuk
menyelesaikan naskah skripsi ini secepatnya.
Fatimatul Karimah
vi
ABSTRAK
Penyakit jantung adalah penyakit yang menyebabkan angka kematian yang
tinggi di dunia. Salah satu cara pendeteksian penyakit jantung dapat dilakukan
dengan pembacaan sinyal Electrocardiograph (ECG). Namun, pembacaan perekaman
ECG (elektrokardiogram) ini cukup sulit karena memerlukan keahlian khusus. Untuk
membantu pembacaan elektrokardiogram maka, pada penelitian ini dilakukan
perancangan perangkat lunak berbasis jaringan saraf tiruan dengan metode Learning
Vector Quantization (LVQ) sebagai alat bantu identifikasi kelainan jantung. Input
perangkat lunak ini adalah citra digital elektrokardiogram. Citra elektrokardiogram
tersebut diolah menggunakan metode pengolahan citra (pre-processing, segmentasi,
morfologi citra dan ekstraksi fitur) sehingga diperoleh ordinat grafik citra
elektrokardiogram yang merepresentasikan potensial listrik jantung. Output dari
perangkat lunak ini dibagi menjadi tiga kelas yaitu, kondisi jantung normal, koroner
dan fibrilasi atrium. Tingkat akurasi maksimal perangkat lunak ini adalah sebesar
96% dengan parameter optimal LVQ yaitu, laju pembelajaran 0,1 dan pengurangan
laju pembelajaran 0,5.
vii
ABSTRACT
Heart disease is one of the most deathly disease in the world. One of the way
to detect this disease is by reading the graph output of electrocardiograph (ECG)
signal. But, to read ECG signal isn’t easy and need an expert people to read that. To
help read the ECG signal in this research has been design a software based on
artificial neural networks by Learning Vector Quantization method (LVQ) as a tool
for identification of cardiac abnormalities. Input of the software is a digital image of
an electrocardiogram. The electrocardiogram image, process by the method of digital
image processing (pre-processing, segmentation, morphology, and image feature
extraction) obtained images of the electrocardiogram graph ordinate represents the
heart's electrical potential. The output of the software is divided into three classes,
namely the condition of normal heart, coronary and atrial fibrillation. The maximum
accuracy of this software is about 96% with learning rate 0.1 and 0.5 of learning rate
reduction.
viii
DAFTAR ISI
Lembar Pengesahan........................................................................................iii
Kata Pengantar.................................................................................................v
Daftar Isi ..........................................................................................................ix
Daftar Tabel ....................................................................................................xi
Daftar Gambar...............................................................................................xii
Daftar Lampiran.............................................................................................xiv
BAB I Pendahuluan .......................................................................................1
1.1 Latar Belakang Masalah .................................................................1
1.2 Rumusan Masalah ..........................................................................4
1.3 Batasan Masalah .............................................................................4
1.4 Tujuan Penelitian ............................................................................5
1.5 Manfaat Penelitian ..........................................................................5
ix
Daftar Pustaka.................................................................................................62
DAFTAR TABEL
xi
DAFTAR GAMBAR
xii
xiii
DAFTAR LAMPIRAN
xiv
BAB I
Pendahuluan
Penyakit jantung adalah salah satu penyakit yang memakan banyak korban
jiwa. Saat ini tidak hanya orang usia lanjut saja yang mempunyai resiko terkena
penyakit jantung, anak usia remaja dan anak-anak pun mempunyai resiko yang
(WHF), penyakit jantung mencapai 29,1 persen atau sebanyak 17,1 juta pasien
instrument- instrument yang dapat mendeteksi kelainan pada jantung sejak dini.
detak jantung di proyeksikan pada piringan foto yang di pasang pada kereta
1
Skripsi Implementasi Learning Vector Quantization Fatimatul Karimah
sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra
Elektrokardiogram
ADLN Perpustakaan Universitas Airlangga
2
dipasang pada medan magnet. Kawat ini sangat sensitif, jadi ketika ada
perubahan arus listrik yang kecil maka kawat sudah mengalami perubahan.
menangkap dan merekam perubahan potensial dari jantung dengan bantuan lead
(sadapan) yang di pasang pada tubuh pasien pada lokasi tertentu. Lead tersebut
akan menangkap beda potensial pada jantung yang kemudian akan diproses
dalam perangkat ini dengan proses penguatan, pemfilteran dan berbagai proses
Manfaat ECG ini adalah dapat menunjukan adanya infark miokard maupun
informasi penting sinyal pada ECG sangatlah tidak efisien karena banyaknya
Salah satu pemecahan dalam menganalisis sinyal listrik jantung pada ECG
mikro, JST merupakan suatu perilaku kompleks yang dihasilkan oleh jaringan
dari banyak unit pemproses kecil yang disebut neuron yang masing– masing
melakukan suatu proses sederhana yang dihubungkan dengan elemen proses lain
Learning Vector Quantization (LVQ). Metode ini cukup baik untuk pengenalan
pola dan membutuhkan waktu pelatihan yang relatif lebih cepat dibandingkan
yang terawasi. Lapisan kompetitif ini akan belajar secara otomatis untuk
jantung normal, kondisi jantung koroner dan kondisi jantung fibrilasi atrium.
Sebelum menjadi input jaringan LVQ citra itu akan melalui proses pengolahan
citra.
jantung?
jaringan LVQ?
atrium.
electrokardiogram.
d. Keluaran dari sistem ini terdiri dari tiga kelas yaitu, kondisi jantung
LVQ.
BAB II
Tinjauan Pustaka
2.1. Jantung
Jantung adalah organ berongga yang memiliki empat ruang yang terdiri
dari atrium kanan, atrium kiri, ventrikel kanan dan ventrikel kiri. Jantung
terletak diantara kedua paru- paru dibagian tengah rongga toraks. Dua pertiga
Atrium kanan menerima darah vena dari seluruh tubuh dan memompanya
ke ventrikel kanan lalu darah dari ventrikel kanan akan dipompa ke paru-paru,
ke atrium kiri, dari atrium kiri ini darah akan di pompa ke ventrikel kiri yang
kemudian akan di pompa lagi keseluruh tubuh dan proses ini akan berulang
kembali.
Kerja jantung yang ritmis tersebut dikendalikan oleh suatu sinyal listrik
yang diawali oleh suatu stimulasi spontan sel-sel otot khusus yang terletak di
atrium kanan yang biasa disebut SA node. SA node melepaskan sinyal dengan
meningkat atau menurun bergantung pada saraf yang terletak di luar jantung
sebagai respon terhadap kebutuhan tubuh terhadap darah serta rangsangan lain.
Sinyal listrik dari SA node inilah yang akan memicu depolarisasi sel- sel
kedalam ventrikel. Setelah itu terjadi repolarisasi atrium. Sinyal ini selanjutnya
dan kiri sehingga kedua ventrikel berkontraksi dan mendorong darah ke dalam
sirkulasi paru dan sistemik, otot ventrikel akan mengalami repolarisasi dan
di kulit.
tidak dapat bekerja sebagaimana mestinya. Biasanya kelainan ini terjadi pada
otot- otot jantung maupun pembuluh darah pada jantung. Ada banyak macam
kelainan pada jantung. Berikut adalah beberapa macam kelainan pada jantung
a. Aterosklerosis
pada seluruh bagian tubuh. Bila terjadi pada dinding arteri jantung maka
banyak gangguan penyakit. Penyakit ini dimulai dengan adanya lesi dan
Salah satu gejala dari penyakit ini adalah Angina Pectoris yang
Infark Miokard Akut. Infark Miokard Akut adalah kematian otot jantung
c. Kardiomiopati
e. Fibrilasi Atrial
tidak beraturan dan memompa darah secara tidak efisien. Akibatnya atrium
(ventrikel). Flutter atrium adalah sebuah versi dari fibrilasi atrium yang
lebih beraturan (kacaunya lebih sedikit) ketika signal listrik ada pada
f. Inflamasi Jantung
infeksi.
tersebut, antara lain karena pengecilan (stenosis), atau katup tidak menutup
i. Aritmia
Aritmia adalah irama jantung yang tidak normal. Secara garis besar
teratur 60-100 detak per menit, interval antara gelombang P konstan dan
konstan. Sinus takikardi adalah dimana kondisi detak jantung teratur yang
mempunyai detak jantung lebih dari 100 detak per menit. Sinus
prinsip kerjanya tentu tetap sama. Eithoven mendefinisikan tiga lead yang di
beri nama menggunakan angka romawi I, II dan III. Lead tersebut dikenal
Dimana RA= lengan kanan, LA= lengan kiri dan LL= kaki kiri. Hubungan
penjumlahan aljabar dari semua beda potensial dalam sikuit tertutup adalah nol
(Berbari, 2000).
yang di tangkap oleh lead masuk ke rangkaian ECG melalui rangkaian proteksi
rangkaian proteksi dan lead terdapat rangkaian Lead Fail Detector, yang
bertujuan mendeteksi bila ada lead yang lepas atau tidak menempel sempurna
dari tubuh pasien. Setelah dari rangkaian proteksi tegangan akan masuk ke
kemudian di filter untuk menghilangkan noise- noise yang ada, proses ini
terjadi pada rangkaian filter setelah itu sinyal siap untuk di tampilkan. Filter
pada perangkat ECG ini terdiri dari Notch Filter untuk menghilangkan
interferensi sinyal karena jala-jala yang masuk lewat trafo, Low Pass Filter
untuk menghilangkan interferensi frekuensi tinggi dan High Pass Filter untuk
berguna untuk melingdungi pasien bila terjadi kebocoran arus, jadi listrik tidak
Ada beberapa jenis lead yang digunakan pada ECG, diantaranya adalah:
mencatat beda potensial antara dua titik. Pada sadapan ini jantung dan
ekstremitas terletak pada satu bidang frontal. Dalam sadapan standar ini
digunakan istilah:
kanan.
lengan kanan.
lengan kiri.
ektremitas.
Keterangan:
V1 = Di ruang intercosta keempat, disebelah kanan dari sternum.
V2 = di ruang intercosta keempat, disebelah kiri dari sternum.
V3 = antara V2 dan V4
V4 = diruang intercosta kelima di garis edio clavicular kiri
V5 = pada kiri garis anterior axilary setinggi V4
V6 = Pada kiri garis tengah axillary setinggi V4
2.3 Electrocardiogram
waktu (dapat dilihat pada Gambar 2.10). Potensial listrik yang di rekam adalah
konduksi jantung tidak dapat diukur dari luar karena terlalu kecil.
Elektrokardiogram ada yang di tampilkan pada layar monitor dan ada pula
yang langsung ditulis pada selembar kertas oleh pena yang bergerak (disebut
perekam pena). Pena biasanya berupa pipa halus yang salah satu ujungnya di
sebagai berikut:
dan kiri, pada saat ini vektor listrik utama diarahkan dari SA node ke AV node
dan menyebar dari atrium kanan ke atrium kiri. Gelombang QRS kompleks di
hasilkan oleh depolarisasi ventrikel kanan dan ventrikel kiri, karena pada
ventrikel terdapat lebih banyak otot dari pada atrium maka sinyal yang di
setiap perekaman ECG, gelombang ini biasanya sangat kecil dan mengikuti
perekaman ECG juga di kenal beberapa interval yaitu, interval P-R, R-R, Q-T,
P-P. interval P-R menunjukan waktu yang diperlukan dari awal depolarisasi
tertentu diantaranya :
aVF sedangkan negative di aVR, nilai di aVL dan III bisa bernilai
dengan gelombang T.
kurang dari 0,12 detik, interval PR 0,12- 0,20 detik, interval QRS
Citra secara harfiah adalah gambar pada bidang dua dimensi. Dari segi
matematis citra merupakan fungsi kontinu dari intensitas cahaya pada bidang
dua dimensi. Citra dapat juga diartikan sebagai kumpulan piksel-piksel yang
disusun dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah
2011).
W= lebar). Bila citra memiliki 256 derajat keabuan, maka nilai setiap elemen
matriks adalah bilangan bulat dalam selang 0 sampai 255. Pusat koordinat citra
digital terletak pada sudut kiri atas sedangkan pada koordinat kartesius terletak
Setiap pixel dari citra RGB ini mewakili warna yang mewakili tiga warna
dasar yaitu, Merah, Hijau dan biru (RGB). Setiap warna dasar menggunakan
penyimpanan 8 bit yang berarti setiap warna mempunyai gradasi sebanyak 255
kombinasi warna yang begitu banyak citra RGB disebut citra True Color.
b. Citra Grayscale
warna merah (R), hijau (G), biru (B). Rumus umum proses grayscale
Dalam komputasi, suatu citra digital grayscale atau grayscale adalah suatu
citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra yang
ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada
warna hitam pada bagian yang intensitas terlemah dan warna putih pada
pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu
”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara hitam
dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale
seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada
Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel,
dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada
aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa
c. Citra Biner
derajat keabuan yang dimilikinya. Pada citra biner, setiap titik bernilai 0 dan 1,
yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan,
sementara pixel yangmemiliki derajat keabuan yang lebih besar dari batas akan
komputer, nilai biner ini berhubungan dengan ada tidaknya cahaya yang ditembakkan oleh
tidak ada cahaya, dengan demikian warna yang direpresentasikan adalah hitam.
putih. Standar tersebut disebut sebagai standar citra cahaya, sedangkan standar
tidaknya tinta. Setiap titik pada citra hanya membutuhkan 1 bit,sehingga setiap
byte dapat menampung informasi 8 bit. Citra biner pada umumnya dihasilkan
Meskipun komputer saat ini dapat memproses citra grayscale maupun cita
keuntungan yaitu, kebutuhan memori yang kecil karena nilai derajat keabuan
karena banyak operasi pada citra biner yang dilakukan sebagai operasi logika
citra atau memanipulasi suatu citra agar mudah diintepretasi oleh manusia.
Pada proses ini output dari proses tetap berupa citra namun dengan kualitas
Gamma Corection.
kualitas gambar.
2.4.4 Segmentasi
memiliki dua nilai tingkat keabuan. Secara umum proses thresholding citra
1 ( , )≥
( , )=
0 ( , )≤
Dengan g (x,y) adalah citra biner dari citra grayscale f (x,y), dan T
dalam proses thresholding. Kualitas hasil citra biner sangat tergantung pada
menjadi hitam atau putih dengan satu nilai ambang T. Sedangkan pada lokal
thresholding lokal pada setiap nlok dengan nilai T yang berbeda-beda (Putra,
2010).
(a) (b)
Gambar 2.15 Sampel Hasil Thresholding. (a) Citra Asli. (b) Citra Hasil
Thresholding (e-radiography.net)
pixel pada citra di ambil dari perbandingan tiap pixel yang bersesuaian pada
urutan kemunculan dari pixel, tidak memperhatikan nilai numerik dari pixel
sehingga teknik ini sesuai digunakan pada binary image dan grayscale image.
Dengan mengatur atau memilih ukuran dan bentuk matriks kernel yang
citra masukan dapat diatur. Morfologi standar yang dilakukan adalah proses
a. Operasi Dilasi
Dilasi adalah operasi morfologi yang menambahkan pixel pada batas antar
objek dalam suatu citra digital. Aturan yang digunakan adalah misalnya untuk
gambar grayscale maka nilai hasil operasi adalah nilai maksimal yang
diperoleh dari himpunan pixel tetangganya. Dalam binary image, jika ada pixel
tetangga yang bernilai satu maka output pixel akan di set menjadi satu.
b. Operasi Erosi
Erosi adalah operasi morfologi yang mengurangi pixel pada batas antar
objek dalam suatu citra digital. Aturan pada operasi ini adalah untuk gambar
grayscale nilai hasil operasi adalah nilai minimal yang diperoleh dari
himpunan pixel tetangganya. Sedangkan dalam binary image, jika ada pixel
tetangga yang bernilai nol maka output pixel akan di set menjadi nol.
Pits, namun teknologi yang ada pada saat itu tidak memungkinkan mereka
otak manusia. Istilah JST ini di gunakan karena jaringan saraf ini
2003).
yang maksimal.
JST terdiri dari beberapa simpul (node) yang merupakan elemen pemroses.
Hubungan antar simpul di capai dengan bobot koneksi (weight). Bobot koneksi
bilangan negatif, begitu juga sebaliknya. Setiap sel saraf juga mempunyai nilai
ambang. Jumlah bobot dari input dikurangi dengan nilai ambang kemudian
akan menghadapi aktifasi dari sel saraf. Sinar aktifasi kemudian menjadi fungsi
aktifasi, besar sinyal yang keluar dari suatu simpul ditentukan oleh fungsi
aktivasi yang digunakan. Jadi fungsi aktivasi menentukan keaktifan dari sebuah
simpul.
yaitu:
a. Struktur Feedforward
akhirnya melalui unit output. Tipe feedforward mempunyai sel saraf yang
tersusun dari beberapa lapisan, lapisan input bukan termasuk sel saraf,
lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari
kompleks.
akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input
yang diberikan. Kelas yang diberikan berdasarkan pada jarak vektor tersebut.
Jika ada dua vektor yang mempunyai jarak yang berdekatan maka akan
yang didefinisikan oleh pengguna. Hal ini mengacu pada kelas dipelajari oleh
lapisan kompetitif sebagai subkelas dan kelas-kelas dari linier lapisan sebagai
Kedua lapisan kompetitif dan linier memiliki satu neuron per (sub atau
target) kelas. Dengan demikian, lapisan kompetitif bisa belajar sampai dengan
subclass S1. Ini, pada gilirannya, digabungkan oleh lapisan linier untuk
membentuk kelas menargetkan S2 (S1 adalah selalu lebih besar dari S2)
(Demuth, 2002).
1. Tetapkan :
2. Masukan :
Input : x(i,j)
Target : Tk
epoh = 0;
a. epoh = epoh + 1;
c. Kurangi nilai α
BAB III
Metodologi Penelitian
Waktu yang diperlukan untuk penelitian ini kurang lebih selama 6 bulan,
dimulai pada bulan Februari 2012 sampai pada bulan juli 2012. Penelitian ini
Bahan dan alat yang dibutuhkan dalam penelitian ini adalah sebagai berikut:
1. Data primer hasil permeriksaan ECG dari berbagai pasien di Rumah Sakit
pelatihan dan pengujian. Data tersebut terdiri dari 58 data jantung normal,
34
Skripsi Implementasi Learning Vector Quantization Fatimatul Karimah
sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra
Elektrokardiogram
ADLN Perpustakaan Universitas Airlangga
35
mempelajari metode pengolahan citra ECG dan mempelajari algoritma LVQ untuk
jurnal dan buku mengenai informasi terkait, selain itu juga dilakukan konsultasi
dengan dokter.
Pada proses ini data ECG yang didapat dari Rumah Sakit diubah dalam
bentuk digital menggunakan scanner. Proses digitalisasi citra ECG dapat dilihat
Setelah didapatkan data ECG dalam bentuk digital, proses persiapan data ini
dilanjutkan dengan pemotongan citra. Citra yang ada dipotong sehingga menjadi
citra sepanjang 157 pixel, berdasarkan data yang didapatkan pada penelitian ini
dengan panjang citra 157 pixel cukup untuk mendapatkan citra ECG sepanjang 1
siklus.
Setelah melalui proses persiapan data, citra kemudian memasuki proses pre-
processing. Proses ini terdiri dari proses grayscalling dan pencerahan citra. Pada
proses grayscalling citra ECG digital yang merupakan citra RGB diubah menjadi
citra grayscale. Setelah itu dilakukan proses pencerahan (brightness) pada citra
untuk memperbaiki kualitas citra yang ada. Proses pencerahan ini menggunakan
bantuan Gamma Corection agar mendapatkan warna yang pencerahan yang tidak
proses ini merupakan tahapan pemisahan grafik dengan latar belakangnya. Proses
mendadak dan memiliki nilai intensitas yang lebih kecil dari lingkungannya maka
pixel tersebut dianggap sebagi objek dan diberi nilai 1, sedangkan pixel yang
Proses selanjutnya adalah proses morfologi citra yaitu, dilasi yang digunakan
untuk menyambung gambar yang terputus karena proses segmentasi. Dari hasil
dilasi itu kemudian dilakukan proses erosi citra, sehingga citra tidak terlalu tebal
citra. Ekstraksi fitur dilakukan terhadap nilai ordinat dari citra. Nilai ordinat dari
citra ini nantinya akan mewakili nilai potensial dari listrik jantung. Nilai potensial
listrik jantung inilah yang akan menjadi masukan untuk jaringan LVQ.
jantung dengan metode LVQ. Arsitektur jaringan yang digunakan dalam perangkat
lunak ini seperti pada Gambar 3.4. yang mempunyai 3 macam keluaran. Keluaran
pada jaringan ini nantinya akan mengidentifikasikan kondisi jantung dari setiap
data.
Setelah menentukan arsitektur dari jaringan LVQ ini lalu ditentukan pula
diagram alir dari LVQ ini seperti pada Gambar 3.5. Pada awal proses jaringan LVQ
ini ditentukan parameter-parameter yang diperlukan dalam LVQ seperti, bobot awal,
target error dan maksimum epoh. Setelah inisialisasi dari parameter- parameter
tersebut maka proses pelatihan jaringan LVQ akan dimulai, proses pelatihan ini akan
berlangsung selama syarat berhentinya proses pelatihan ini belum terpenuhi. Jika
syaratnya sudah terpenuhi maka bobot akhir dari pelatihan ini akan disimpan.
Mulai
Baca
input bobot awal,
target error, Maks
epoh
LVQ
ya
Selesai
Sedangkan untuk diagram alir LVQ disajikan pada Gambar 3.6 berikut:
Pada proses klasifikasi data ini digunakan 72 data untuk proses pelatihan.
pengujian diambil dari tinjauan data ECG dalam bentuk yang telah ditentukan.
Tujuan dari pengujian ini adalah mendapatkan tingkat akurasi jaringan LVQ
seperti pada Gambar 3.7 terdiri dari empat submenu yaitu pelatihan, pengujian,
bantuan dan keluar. Lalu terdapat Static Text1 untuk menampilkan judul dari
program ini, Axes1 pada rancangan ini untuk menampilkan gambar sebagai logo
dari program ini, Static Text2 untuk menampilkan nama dari pembuat program.
pelatihan, program ini nantinya akan digunakan untuk pelatihan sistem jaringan LVQ
yang akan menghasilkan bobot akhir untuk kemudian digunakan pada proses
pengujian. Perancangan program pelatihan ini dapat dilihat pada Gambar 3.8,
rancangan program pelatihan ini terdiri dari Static Text1 untuk menampilkan judul
dari pelatihan ini, Static Text2 dan Static Text3 untuk memberI label keterangan pada
Edit Text. Edit Text1 digunakan untuk merubah inputan laju pembelajaran yang akan
digunakan dalam proses pelatihan, Edit Text2 digunakan untuk merubah inputan
pengurangan laju pembelajaran yang akan digunakan juga sebagai inputan pelatihan.
Panel1 dan Panel2 digunakan untuk mengelompokan antara input program dan
keluaran program. Push Button1 pada rancangan program ini untuk memulai proses
pelatihan. Table1 untuk menampilkan hasil dari bobot akhir pelatihan, Static Text4,
Static Text5 dan Static Text6 digunakan untuk memberi label keterangan terhadap
Edit Text. Sedangkan Edit Text3 digunakan untuk menampilkan epoh terakhir dari
proses pelatihan, Edit Text4 juga digunakan untuk menampilkan laju pembelajaran
terakhir dari proses pelatihan, Edit Text5 disini digunakan untuk menampilkan
presentasi kecocokan dari pelatihan. Untuk mengakhiri program ini digunakan Push
pengujian yang sudah disediakan. Pada rancangan program pengujian pada Gambar
3.9, rancangan ini terdiri dari Static Text1 untuk judul dari rancangan pengujian ini.
Push Button1 disini adalah tombol untuk mencari file citra yang ingin di uji, lokasi
dari citra yang dipilih itu kemudian akan ditampilkan pada Edit Text1, sedangkan
Axes1 akan menampilkan citra yang telah dipilih melalui Push Button1. Push
Button2 adalah tombol untuk mengolah citra dari Axes1 yang kemudian hasil
akhirnya akan ditampilkan pada Axes2, Axes3, Axes4, Axes5. Push Button3 disini
adalah tombol untuk memulai proses identifikasi dari hasil akhir yang ditunjukan
pada Axes2, hasil dari identifikasi ini akan ditampilkan pada Edit Text2. Push
program dan cara penggunaannya pada pengguna. Pada Static Text1 akan di
tampilkan judul dari sub program ini dan pada Static Text2 akan di tampilkan
BAB IV
Setelah data ECG dalam bentuk digital didapatkan, lalu dilakukan proses
informasi penting dan juga agar memori yang digunakan tidak terlalu banyak. Dari
data 12 lead ECG pada penelitian ini digunakan data lead 2 dengan panjang 157 pixel
Data yang didapat kemudian dikelompokkan menjadi tiga kelas yaitu data
jantung normal, data jantung koroner dan data jantung fibrilasi atrium. Beberapa data
Gambar 4.1 Hasil Persiapan Data. (a) Data Normal. (b) Data Jantung Koroner.
(c) Data Jantung Fibrilasi Atrium.
a. Pre-processing
pengolahan citra. Proses Grayscalling bertujuan untuk merubah data citra RGB
45
Skripsi Implementasi Learning Vector Quantization Fatimatul Karimah
sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra
Elektrokardiogram
ADLN Perpustakaan Universitas Airlangga
46
menjadi citra Grayscale yang mempunyai nilai derajat keabuan dari 0-255. Hasil
untuk perubahan citra asli setelah proses grayscalling dapat dilihat pada Gambar 4.2.
kualitas citra (image enhacement) dengan pencerahan citra (brightness). Proses ini
dilakukan untuk mencerahkan citra input sehingga pola lebih terlihat. Proses ini
pada gambar dapat disesuaikan. Pada penelitian ini digunakan nilai Gamma
Correction sebesar 0,7, nilai ini didapatkan dari melakukan pembandingan terhadap
nilai gamma. Hasil dari proses pencerahan ini ada pada Gambar 4.3.
b. Segmentasi
memberikan nilai ambang (threshold) tertentu sehingga nilai intensitas yang berada
diatas nilai ambang itu dikelompokkan menjadi nilai satu dan yang berada dibawah
nilai threshold dikelompokan menjadi nilai nol ataupun sebaliknya. Dapat dilihat
pada Gambar 4.4. setelah proses segmentasi ini citra ini sudah berubah menjadi citra
terputus- putus pada beberapa titik seperti diperlihatkan pada Gambar 4.4. Untuk
dilakukan operasi morfologi dasar pada citra tersebut, operasi morfologi yang
dilakukan adalah dilasi dan erosi. Dilasi dilakukan untuk menyambung gambar yang
terputus saat proses segmentasi dikarenankan adanya intensitas yang dibawah nilai
ambang. Setelah gambar itu tersambung seperti pola aslinya lalu dilakukan proses
erosi untuk menipiskan pola yang ada sehingga sesuai dengan pola aslinya. Hasil dari
yang dilakukan dengan mencari nilai ordinat dari citra. Nilai ordinat ini nantinya akan
menunjukan nilai potensial dari listrik jantung. Nilai potensial dari setiap titik pada
citra ini akan membentuk grafik yang merupakan visualisasi fitur citra ECG.
Penentuan titik nol dari visualisasi fitur itu ditentukan dari titik awal pada citra seperti
disajikan pada Gambar 4.6. Titik awal pada citra dianggap sebagai garis isoelektrik
Hasil dari proses visualisasi fitur ini seperti disajikan pada Gambar 4.7, plotting
itu adalah kurva satu dimensi yang pada sumbu Y menunjukan potensial setiap titik
dari kurva tersebut. Setelah didapatkan kurva visualisasi vitur tersebut nilai potensial
dari citra tersebut disimpan dalam file .mat yang kemudian akan menjadi masukan
Pada proses pelatihan ini digunakan 69 data dan juga 3 data untuk bobot awal
yang mewakili masing-masing kelas. Data yang digunakan untuk pelatihan terdiri
dari 43 data jantung normal, 23 data dengan kelainan jantung koroner dan 6 data
Pada proses pelatihan jaringan ini digunakan beberapa parameter seperti yang
Dari Tabel 4.1 dapat dilihat yang menjadi variable manipulasi adalah nilai laju
maksimum epoh digunakan nilai 15000, nilai minimum laju pembelajaran adalah
0,0000001.
Pada proses pelatihan ini data dilatih yang kemudian di uji kecocokannya
terhadap data target yang merupakan hasil diagnosa dari dokter. Dari banyaknya data
yang cocok dengan target yang diberikan maka akan didapatkan presentase tingkat
akurasiproses pelatihan yang dilakukan. Hasil tingkat akurasi yang didapatkan dari
Dari Tabel 4.2 tersebut dapat dilihat presentase tingkat akurasi data hasil
pelatihan terhadap beberapa variasi dari laju pembelajaran (Learning rate) dan
yang yang terjadi, tingkat akurasi untuk pelatihan. Tingkat akurasi yang paling
optimal pada penelitian ini ada pada laju pelatihan 0,1 dan pengurangan laju pelatihan
Dari Tabel 4.2 juga dapat dilihat pengaruh yang diberikan terhadap perubahan
laju pembelajaran yang tetap dan laju pembelajaran yang semakin kecil maka terjadi
penurunan tingkat akurasi yang dihasilkan. Namun dengan laju pembelajaran yang
tetap dan pengurangan laju pembelajaran yang semakin besar didapatkan tingkat
Pada proses pengujian jaringan ini digunakan 25 data yang tidak digunakan
sebagai data pelatihan, 25 data tersebut terdiri dari 13 data jantung normal, 5 data
jantung dengan kelainan koroner dan 7 data dengan kelainan atrial fibrilasi.
Proses pengujian ini dilakukan dengan variasi yang sama dengan variasi yang
dilakukan pada saat proses pelatihan seperti pada Tabel 4.1 dan hasil dari proses
Decα α Tingkat
Akurasi (%)
0,01 0,1 96%
0,01 96%
0,001 92%
0,1 0,1 92%
0,01 92%
0,001 56%
0,25 0,1 88%
0,01 84%
0,001 52%
0,5 0,1 96%
0,01 76%
0,001 52%
0,75 0,1 92%
0,01 64%
0,001 52%
Pada Tabel 4.3 didapatkan tingkat akurasi tertinggi sebesar 96%. Tingkat
akurasi tertinggi itu ada di beberapa variasi laju pembelajaran dan pengurangan laju
pembelajaran. Namun, dari jika dihubungkan dengan hasil pengujian pada data
pelatihan (Tabel 4.2) tingkat akurasi yang paling tinggi ada pada laju pembelajaran
0,1 dan pengurangan laju pembelajaran 0,5 dengan presentase 94% dan pada tabel
hasil pengujian pun didapatkan tingkat akurasi yang tinggi sebesar 96% maka, dapat
dikatakan parameter optimal pada penelitian ini adalah pada laju pembelajaran 0,1
Sama dengan pada proses pelatihan, pada proses pengujian pun dapat dilihat
dari Tabel 4.3 pengaruh yang diberikan terhadap perubahan parameter laju
pembelajaran yang tetap dan laju pembelajaran yang semakin kecil maka terjadi
penurunan tingkat akurasi yang dihasilkan. Namun, laju pembelajaran yang tetap dan
Dari Tabel 4.4 dapat dilihat dari 25 data yang di ujikan hanya ada 1 data yang
tidak cocok dengan identifikasi program yaitu, pada data ke-17 yang seharusnya
fibrilasi.
program untuk jaringan tersebut menggunakan GUI MATLAB. Pada saat program
pertama di buka akan tampil program menu seperti pada Gambar 4.8. program ini
terdiri dari menu bar yaitu, pelatihan, pengujian, bantuan dan keluar. Tampilan
Tampilan dari program pelatihan adalah seperti pada Gambar 4.9 yang
menampilkan bobot akhir dari proses pelatihan, epoh akhir, error akhir dan juga
presentase kecocokan bobot akhir terhadap data pelatihan. Pengguna dapat merubah
nilai laju pembelajaran dan juga pengurangan laju pembelajaran, lalu melihat hasil
Pada program pengujian hasil yang ditampilkan adalah seperti Gambar 4.10,
pada program pengujian ini gambar yang akan diuji dipilih dengan menggunakan
tombol Browse. Setelah gambar dipilih maka akan ditampilkan pada tempat yang
disediakan. Saat di tekan tombol pengolahan citra maka akan ditampilkan seluruh
tahap hasil pengolahan citra yang kemudian akan diidentifikasi setelah menekan
tombol Identifikasi. Hasil identifikasi akan muncul pada tempat yang disediakan
tersebut.
Pada tampilan program Bantuan tampilan yang keluar adalah seperti pada
program identifikasi kelainan jantung dan cara mengoperasikan program ini secara
umum.
BAB V
5.1 Kesimpulan
1. Pada penelitian ini diperoleh parameter optimal jaringan LVQ yaitu, laju
2. Tingkat akurasi maksimal dari pengujian terhadap 25 data uji sebesar 96%
sebesar 0,5.
3. Pada penelitian ini semakin kecil nilai laju pembelajaran maka tingkat
berpengaruh fluktuatif (tidak tentu) terhadap tingkat akurasi atau dapat juga
5.2 Saran
2. Input jaringan LVQ untuk penelitian ini adalah matriks sebesar 1x157,
ukuran ini cukup besar dengan penggunaan data yang semakin banyak,
kinerja dari jaringan LVQ ini pun akan semakin berat, karena itu perlu
60
Skripsi Implementasi Learning Vector Quantization Fatimatul Karimah
sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra
Elektrokardiogram
ADLN Perpustakaan Universitas Airlangga
61
Daftar Pustaka
Jondri dan achmad rizal. 2010. Deteksi Otomatis Kelainan Jantung Menggunakan
Hidden Markov Model (Hmm), Institut Teknologi Telkom, Bandung.
Low, A.,. 1991. Introduction Computer Vision and Image Processing, Mc Graw
Hill Book Company, London.
Marieb, Elaine. 1994. Human Anatomy and Physiology. San Francisco, CA:
Pearson Education.
Nurdin, Dewi Triwulandari. 2010. Konsep Pengolahan Citra Digital dan Ekstrasi
fitur. Graha Ilmu. Jogjakarta
Paulus,Erick, S.Si.,M.Kom. Gui Matlab. Penerbit Andi.
Pramitarini, Yushinta. 2011. Analisa Pengiriman Citra Terkompresi JPEG Dengan
Tekni Spread Spektrum Direct Sequenze. Surabaya
Pratanu, sunoto. 1999. Buku Ajar Ilmu Penyakit Dalam, FK UI. Jilid 1 edisi ke-
3.(halaman 88-934). Jakarta.
Pratt, William K. 2007. Digital Image Processing. John Wiley and Sons,
Hoboken, New Jersey.
Putra, Darma. 2008. Sistem Biometrika: Konsep Dasar Teknik Analisis Citra,
Penerbit Andi, Jogjakarta.
Tompkins, W. J. 1993. Biomedical Signal Processing, Prentice Hall, New Jersey.
Widodo, Arief. 2009. Sistem Akuisisi ECG Menggunakan USB untuk Deteksi
Aritmia. Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS. Surabaya.
LAMPIRAN
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25