BAB II

KAJIAN PUSTAKA

A. Penyakit Jantung

1. Pengertian Penyakit Jantung

Penyakit kardiovaskular atau yang biasa disebut penyakit jantung umumnya

mengacu pada kondisi yang melibatkan penyempitan atau pemblokiran pembuluh

darah yang bisa menyebabkan serangan jantung, nyeri dada (angina) atau stroke.

Kondisi jantung lainnya yang mempengaruhi otot jantung, katup atau ritme, juga

dianggap bentuk penyakit jantung (American Heart Association, 2017).

2. Jenis-jenis Penyakit Jantung

Menurut WHO (2016) ada beberapa jenis penyakit jantung, antara lain adalah:

a. Penyakit Jantung Koroner

Penyakit jantung koroner adalah kelainan pada pembuluh darah yang

menyuplai otot jantung. Kondisi yang menjadikan jantung tidak dapat

memompa darah dengan baik merupakan hal yang sangat menakutkan untuk

dialami manusia pada umumnya. Menjalani pemeriksaan rutin merupakan

tindakan utama untuk dapat terhindar dari terkena serangan penyakit jantung

koroner ini.

8
b. Penyakit Serebrovaskular

Serebrovaskular (CVD) adalah kelainan pada pembuluh darah yang

menyuplai otak yang berupa penyumbatan, terutama arteri otak. Penyakit ini

disebabkan oleh adanya gangguan pada pembuluh darah otak, berupa

penyumbatan ataupun pecah pembuluh darah otak, dan bukan disebabkan oleh

penyakit lain seperti tumor otak, infeksi otak ataupun gangguan saraf perifer.

c. Penyakit Arteri Perifer

Penyakit arteri perifer adalah sebuah kondisi penyempitan pembuluh darah

arteri yang menyebabkan aliran darah ke kaki menjadi tersumbat. Penyempitan

ini disebabkan oleh timbunan lemak pada dinding arteri yang berasal dari

kolesterol atau zat buangan lain (artheroma). Dalam kondisi ini, kaki tidak

menerima aliran darah yang memadai sehingga kaki terasa sakit, terutama saat

berjalan (klaudikasio). Kendati demikian, penyakit arteri perifer yang paling

ringan sekali pun mengindikasikan adanya masalah pada arteri di bagian lain

pada tubuh, khususnya jantung.

d. Penyakit Jantung Rematik

Jantung rematik adalah kerusakan pada otot jantung dan katup jantung dari

demam rematik, yang disebabkan oleh bakteri streptokokus. Bagian jantung

yang terkena dapat meliputi katup jantung maupun otot jantung. Gejala penyakit

ini umumnya terjadi antara 1 hingga 6 bulan setelah bakteri streptokokus

menyerang.

9
e. Penyakit Jantung Bawaan

Penyakit jantung bawaan adalah kelainan struktur jantung yang dialami

sejak bayi dilahirkan. Kelainan ini terjadi pada saat janin berkembang dalam

kandungan. Peyakit jantung bawaan yang paling banyak ditemukan adalah

kelainan pada septum bilik jantung atau dikenal dengan sebutan ventricular

septal defect (VSD) dan kelainan pada septum serambi jantung atau lebih

dikenal dengan nama Atrial Septal Defect (ASD).

f. Gagal jantung

Gagal jantung adalah kondisi saat otot jantung menjadi sangat lemah

sehingga tidak bisa memompa cukup darah ke seluruh tubuh pada tekanan yang

tepat.

3. Penyebab Penyakit Jantung

Berdasarkan American Heart Association (2014) faktor-faktor penyebab

penyakit jantung adalah sebagai berikut

a. Diet Tidak Sehat

Salah satu faktor yang dapat menyebabkan penyakit jantung adalah diet

yang tidak sehat. Diet lemak jenuh, dan kolesterol mengakibatkan penyakit

jantung. Selain itu, terlalu banyak kandungan garam (sodium) dalam makanan

bisa menaikkan kadar tekanan darah sehingga dapat lebih berpotensi terserang

penyakit jantung.

10
b. Kurang Aktivitas

Kurangnya aktivitas fisik dapat mengakibatkan penyakit jantung, hal ini

juga dapat meningkatkan kemungkinan memiliki kondisi medis lain yang

merupakan faktor resiko, termasuk obesitas, tekanan darah tinggi, kolesterol

tinggi, dan diabetes.

c. Obesitas

Obesitas adalah kelebihan lemak tubuh. Obesitas dikaitkan dengan kadar

kolesterol dan trigliserida yang lebih tinggi dan menurunkan kadar kolesterol

baik. Selain penyakit jantung, obesitas juga bisa menyebabkan tekanan darah

tinggi dan diabetes sehingga dapat menimbulkan resiko terserang penyakit

jantung.

d. Alkohol

Kebiasaan mengkonsumsi alkohol bisa menaikkan kadar tekanan darah dan

beresiko terkena penyakit jantung. Selain itu, kebiasaan mengkonsumsi alkohol

juga dapat meningkatkan kadar trigliserida, yaitu suatu bentuk kolesterol yang

bisa mengeraskan arteri.

e. Merokok

Merokok dapat merusak jantung dan pembuluh darah, yang meningkatkan

resiko kondisi jantung seperti aterosklerosis dan serangan jantung. Selain itu,

nikotin meningkatkan tekanan darah, dan karbon monoksida mengurangi

jumlah oksigen yang dibawa oleh darah. Kondisi tersebut bukan hanya berlaku

11
 bagi perokok aktif, namun juga berlaku untuk perokok pasif karena menghirup

asap rokok berlebihan.

f. Tekanan darah tinggi

Tekanan darah tinggi merupakan faktor resiko utama penyakit jantung.

Tekanan darah tinggi (hipertensi) adalah kondisi medis yang terjadi saat

tekanan darah di arteri dan pembuluh darah lainnya terlalu tinggi. Menurunkan

tekanan darah dengan perubahan gaya hidup atau dengan pengobatan bisa

mengurangi resiko penyakit jantung dan serangan jantung.

g. Kolesterol Tinggi

Kolesterol adalah zat berlemak, seperti lemak yang dibuat oleh hati atau

ditemukan pada makanan tertentu. Jika mengkonsumsi lebih banyak kolesterol

dari pada yang dibutuhkan tubuh, maka kolesterol ekstra bisa menempel di

dinding arteri, termasuk pada jantung. Hal ini menyebabkan penyempitan arteri

dan bisa menurunkan aliran darah ke jantung, otak, ginjal, dan bagian tubuh

lainnya. Kolesterol tinggi adalah istilah yang digunakan untuk kadar low-

density lipoprotein, atau LDL, yang dianggap buruk karena dapat menyebabkan

penyakit jantung. Kadar kolesterol lipoprotein high-density yang lebih tinggi,

atau HDL, dianggap baik karena dapat mencegah penyakit jantung.

h. Diabetes Mellitus

Diabetes mellitus juga meningkatkan resiko penyakit jantung. Tubuh

membutuhkan glukosa (gula) untuk energi. Insulin adalah hormon yang dibuat

di pankreas yang membantu memindahkan glukosa dari makanan menuju ke sel

12
 tubuh. Jika menderita diabetes, maka tubuh tidak dapat membuat insulin.

Diabetes menyebabkan gula terbentuk di dalam darah. Resiko kematian akibat

penyakit jantung bagi orang dewasa dengan diabetes adalah dua sampai empat

kali lebih tinggi daripada orang dewasa yang tidak menderita diabetes.

i. Genetika dan Riwayat Keluarga

Faktor lain yang dapat menyebabkan terserang penyakit jantung adalah

genetika. Faktor genetik dapat mewariskan kelainan tekanan darah tinggi,

penyakit jantung, dan kondisi terkait lainnya. Resiko penyakit jantung bisa

meningkat bahkan lebih bila faktor keturunan dikombinasikan dengan pilihan

gaya hidup yang tidak sehat, seperti merokok dan makan makanan yang tidak

sehat.

j. Usia

Resiko penyakit jantung meningkat seiring bertambahnya usia. Hal tersebut

sudah menjadi wajar karena semakin bertambahnya usia maka semakin

menurunnya kinerja organ tubuh manusia.

k. Ras atau Etnisitas

Pada tahun 2013 penyakit jantung merupakan penyebab utama kematian di

Amerika Serikat untuk kulit putih non-Hispanik, kulit hitam non-Hispanik, dan

Indian Amerika. Bagi orang Hispanik, dan orang Amerika Asia dan Kepulauan

Pasifik, penyakit jantung menjadi penyebab kematian yang kedua setelah

kanker.

13
B. Sinyal Phonocardiogram (PCG)

Phonocardiogram adalah teknik dalam penelusuran suara jantung dan

pencatatan getaran akustik jantung melalui suatu transduser mikrofon yang akan

direkam dan ditampilkan pada osiloskop. Suatu mikrofon yang dirancang khusus

ditempatkan pada dinding dada sehingga getaran yang dihasilkan oleh jantung

dapat diterima, diperkuat, serta direkam. Suara-suara ini mengindikasikan laju dan

ritme jantung dalam memompa darah. Suara ini juga memberikan informasi tentang

efektifitas pemompaan jantung dan aktifitas katup-katup jantung (Amrullah, 2012).

Phonocardiogram berupa perangkat keras yang berfungsi untuk menyalurkan

sinyal suara jantung dari stetoskop elektronik menuju ke komputer. Stetoskop

elektronik tersebut merupakan stetoskop yang dikombinasikan dengan mikrofon

dan penguat mikrofon. Mikrofon berfungsi untuk mengubah sinyal suara jantung

menjadi sinyal elektris, sedangkan penguat mikrofon berfungsi untuk menguatkan

sinyal karena sinyal suara yang dideteksi oleh stetoskop sangat lemah. Gambar

berikut menunjukkan rangkaian alat rekam phonocardiogram.

Gambar 1. Rangkaian alat rekam Phonocardiogram

Suara jantung dapat digunakan lebih efisien oleh dokter ketika mereka

14
ditampilkan secara visual. Dengan adanya hasil PCG dari pasien, ahli medis dapat

mendengar kembali, melihat perekaman secara visual, serta dapat menganalisis dan

mengolah data tersebut sesuai dengan kebutuhan. Dalam keadaan normal suara

jantung menghasilkan dua suara yang berbeda yang sering disebut dengan lub-dub.

Lub disebut suara jantung pertama (S1) dan dub suara jantung kedua (S2). Lub atau

suara jantung pertama (S1) muncul akibat dua penyebab yaitu penutupan katub

atrioventrikular (katub mitral dan trikuspidalis) dan kontraksi otot-otot jantung.

Sedangkan dub atau suara jantung kedua (S2) disebabkan oleh penutupan katub

semilunaris (katub aorta dan pulmonal) (Debbal, 2009).

Suara jantung pertama memiliki waktu yang sedikit lebih lama dibandingkan

dengan suara jantung kedua. Diantara suara jantung pertama dan suara jantung

kedua terdapat dua interval yaitu sistole dan diastole. Sistole adalah tekanan darah

yang dialirkan dari jantung ke arteri dan nadi, sedangkan diastole merupakan

tekanan darah balik dari arteri dan nadi ke jantung. Sistole ialah interval antara suara

jantung S1 dan S2, sedangkan diastole interval antara suara jantung S2 dan S1

(Nurlaili, 2011). Gambar berikut adalah contoh sinyal phonocardiogram.

S1 S2 S1 S2

Gambar 2. Sinyal suara jantung dari alat Phonocardiogram

15
C. Wavelet

1. Pengertian Wavelet

Wavelet telah berkembang sejak abad ke-20, yaitu paper dari Frazier dan

Jawerth (1985), selain itu wavelet di

Perancis yang diketuai oleh J. Morlet, A. Grossmann dan Y. Meyer. Wavelet atau

dalam bahasa Perancis digunakan oleh geophysicist pada tahun 80-an

sebagai sarana untuk mengolah sinyal elektrik. Kesuksesan numeris terapan ini

dilakukan oleh A. Grossmann dan J. Morlet (Sianipar, 2003).

Wavelet merupakan fungsi basis yang dapat digunakan dalam

merepresentasikan data atau suatu fungsi tertentu kedalam 2 posisi yang diskalakan

dengan variabel tertentu. Fungsi wavelet mempunyai nilai yang berbeda dari nol

dalam interval waktu yang relatif pendek. Bentuk basis dari wavelet disebut sebagai

transformasi wavelet, yaitu pembagian data dari sebuah fungsi kedalam beberapa

komponen yang berbeda frekuensinya, serta menganalisis setiap komponen dengan

skala yang berbeda. Kelebihan wavelet sebagai fungsi transformasi adalah adanya

fungsi kompresi (dilation) dan pergeseran (translation) dalam fungsi induknya

(Ucuk Darusalam, 2009).

Menurut Daniel T.L Lee (1994), wavelet telah banyak diaplikasikan pada

analisis sementara sinyal, analisis citra, sistem komunikasi, dan aplikasi

pemrosesan sinyal lainnya. Beberapa contoh keluarga wavelet adalah Haar,

Daubechies, Symlets, Coiflets, BiorSplines, ReverseBior, Meyer, DMeyer,

Gaussian, Mexican hat, Morlet, Complex, Shannon, Frequency B-Spline, Complex

16
Morlet, Riyad, dll.

2. Transformasi Wavelet

Transformasi merupakan suatu proses pengubahan data kedalam bentuk lain

agar mudah dianalisis, sebagai misal transformasi fourier merupakan suatu proses

pengubahan data (sinyal) kedalam beberapa gelombang kosinus yang berfrekuensi

berbeda, sedangkan transformasi wavelet merupakan proses pengubahan sinyal

kedalam berbagai wavelet basis (mother wavelet) dengan berbagai fungsi

pergeseran dan penyekalaan. Proses transformasi wavelet dilakukan dengan

mengkonvolusi sinyal dengan data tapis atau dengan proses perata-rataan dan

pengurangan secara berulang, yang sering disebut dengan metode filter bank

(Bagus, 2006). Gambar berikut ini menunjukkan proses transformasi Wavelet

dengan cara filter bank .

Gambar 3. Transformasi Wavelet. (Chui, 1992).

Terdapat dua jenis transformasi wavelet yaitu Continue Wavelet Transform

(CWT) dan Discrete Wavelet Transform (DWT). CWT digunakan untuk sebuah

fungsi yang berdomain bilangan real atas sumbu , dan DWT digunakan untuk

sebuah fungsi atas domain bilangan bulat (biasanya 1, dimana

dinotasikan sebagai banyaknya nilai dalam runtun waktu). Pada penelitian ini

17
digunakan Discrete Wavelet Transform (DWT) karena data runtun waktu dari

rekaman detak jantung pasien berdomain bilangan bulat. Selain itu, Transformasi

wavelet ini dipilih karena mampu menganalis sinyal-sinyal stasioner maupun non-

stasioner yang memiliki frekuensi yang berubah-ubah terhadap waktu dalam hal ini

adalah suara detak jantung. Sinyal non-stasioner banyak terjadi pada sinyal

biomedis seperti Phonocardiogram (PCG), Electrokardiogram (EKG), EEG, EMG

dan lain-lain (Setiawan, 2014).

3. Discrete Wavelet Transform (DWT)

DWT digunakan untuk sebuah fungsi atas domain bilangan bulat, dengan =

1, dimana N adalah banyak nilai dalam runtun waktu. DWT dianalisis

dengan menggunakan penggambaran sebuah skala waktu sinyal digital didapatkan

dengan menggunakan teknik filterisasi digital. Secara garis besar proses dalam

teknik ini adalah dengan melewatkan sinyal yang akan dianalisis pada filter dengan

frekuensi dan skala yang berbeda (Popola, 2007).

Wavelet menganalisis data runtun waktu untuk dilatasi dan translasi data diskrit

dengan menggunakan mother wavelet ( ). Analisis DWT berdasarkan pada bentuk

, (Percival & Walden, 2000). DWT dapat dikembangkan dari

beberapa jenis wavelet, seperti Haar, Daubechies, Biorthorgonal, Coiflets, Symlets,

Morlet and the Mexican Hat (The Mathworks, 2015). Satu dari fungsi mother

wavelet adalah Wavelet Haar, A. Haar memperkenalkannya pada tahun 1909.

Langkah transformasi wavelet multilevel menurut Ida Bagus (2006), adalah:

18
a. Data ditansfomasikan menggunakan DWT sehingga diperoleh koefisien

approximation dan koefisien detail.

(2.1)

Untuk dengan merupakan banyaknya anggota

dan merupakan konstanta positif.

Hasil dekomposisi level 1 adalah sebagai berikut:

(2.2)

(2.3)

merupakan aproksimasi data dan hasil dekompisisi (DWs).

b. Transformasi dari koefisien yang pertama akan menghasilkan koefisien

approximation dan koefisien detail yang kedua.

(2.4)

Hasil dekomposisi level 2 adalah sebagai berikut:

(2.5)

dengan

(2.6)

19
 dengan

c. Jika banyak levelnya adalah tiga, maka proses transformasi dilakukan sebanyak

tiga kali.

Level maksimum dari transformasi sinyal wavelet multilevel adalah

panjang data (signal )

ln
panjang filter
levelmax (2.7)
ln(2)

Pada penelitian ini yang digunakan adalah transformasi wavelet multilevel Haar

pada transformasi sinyal One Dimensional karena penggunaannya yang lebih

sederhana dengan panjang filter Haar adalah 2.

D. Ekstraksi Fitur

Ekstraksi fitur atau ciri adalah dengan mengkonversi sinyal suara ke dalam

beberapa parameter, dimana ada sebagian informasi tidak berguna yang dibuang

tanpa menghilangkan informasi dari sinyal suara tersebut. Hasil output dari

ekstraksi ciri ini menjadi masukan pada proses pengenalan pola (Wenny

Puspitasari, 2011). Ciri-ciri yang diekstraksi dari sinyal PCG detak jantung adalah

sebagai berikut

1. Nilai minimum, nilai terkecil dari data numerik dekomposisi sinyal PCG.

2. Nilai maksimum, nilai terbesar dari data numerik dekomposisi sinyal PCG.

3. Standar deviasi, mengukur besar dari variansi atau penyebaran dari rata-rata.

20
 (2.8)

dengan adalah data ke-i, adalah rata-rata, dan n adalah banyak data.

4. Energi, pada sinyal suara jantung energi total disetiap komponen detail dan

aproksimasi memberikan informasi yang berguna tentang lokasi sinyal yang

tidak diinginkan (noise) seperti suara dari tubuh, suara karena gerakan subjek

dan gerakan diafragma stetoskop. Semakin rendah range frekuensi hasil

dekomposisi maka memiliki energi normalisasi yang besar dikarenakan

mengandung suara jantung, sedangkan semakin tinggi range frekuensi hasil

dekomposisi maka memiliki energi normalisasi yang kecil karena mengandung

noise (Kumar, 2015). Energi dekomposisi rata-rata di setiap EDi dihitung

dengan persamaan berikut

(2.9)

dengan k Di, i level maksimum dekomposisi.

Proses ekstraksi ciri dilakukan dengan bantuan software MATLAB R2013a.

E. Neural Network

Neural Network (NN) atau Jaringan Syaraf Tiruan (JST) merupakan bagian dari

sistem kecerdasan buatan digunakan untuk memproses informasi yang didesain

dengan menirukan cara kerja otak manusia dalam menyelesaikan masalah dengan

melakukan proses belajar melalui perubahan bobot sinapsisnya (Siang, 2009).

Adapun kelebihan NN adalah mampu melakukan pembelajaran, dapat melakukan

21
generalisasi, dan model cenderung stabil, sedangkan kelemahan NN adalah

ketidakmampuan mengintepretasi secara fungsional dan kesulitan untuk

menentukan banyak neuron serta banyak layer pada lapisan tersembunyi (Vieira et

al, 2003).

Pada JST Informasi yang datang sebagai akan diterima sebagai input pada

neuron yang terdapat pada lapisan input. Neuron pada lapisan lain akan menerima

neuron dari lapisan input sebagai output dari suatu pemrosesan informasi. Informasi

hasil olahan ini akan menjadi input bagi neuron dilapisan lain dimana antar neuron

tersebut dipertemukan dengan bobot tertentu. Informasi ini akan diterima oleh

neuron lain jika memenuhi batasan tertentu dikenal dengan nilai ambang

(threshold) yang dikatakan teraktivasi (Fausett, 1994).

Karakteristik jaringan syaraf ditentukan oleh beberapa hal yaitu:

i. Pola hubungan antar neuron yang disebut dengan arsitektur jaringan;

ii. Metode penentuan bobot-bobot sambungan yang disebut dengan pelatihan atau

proses belajar jaringan;

iii. Fungsi aktivasi.

1. Komponen-komponen Jaringan Syaraf Tiruan

Seperti halnya otak manusia, jaringan syaraf juga terdiri atas beberapa neuron

dan ada hubungan antar neuron tersebut. Neuron-neuron tersebut akan

mentransformasikan informasi yang diterima melalui sambungan keluarnya

menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal

dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada

22
bobot tersebut.

Neuron ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan

tersebut bekerja dengan cara yang sama pula dengan neuron biologis. Informasi

(disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu.

Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan

nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan

dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi

aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu,

maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak

akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan

mengirimkan output melalui bobot-bobot outputnya kesemua neuron yang

berhubungan dengannnya. (Kusumadewi, 2003)

Pada Jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan (layer)

yang disebut dengan lapisan neuron (neuron layer). Neuron-neuron pada satu

lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali

lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf

akan dirambatkan lapisan ke lapisan. Mulai dari lapisan input sampai ke lapisan

output melalui lapisan lainnya, yang sering disebut sebagai lapisan tersembunyi

(hidden layer).

2. Arsitektur Jaringan Syaraf

a. Jaringan dengan lapisan tunggal (single layer net)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-

23
bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung

akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Gambar berikut ini adalah contoh dari jaringan dengan lapisan tunggal.

Gambar 4. Jaringan dengan lapisan tunggal

b. Jaringan dengan banyak lapisan (multilayer net)

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. Jaringan dengan banyak lapisan ini dapat menyelesaikan

permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tentu saja

dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus,

pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam

menyelesaikan masalah.

24
Gambar berikut ini adalah contoh dari jaringan dengan lapisan banyak.

Gambar 5. Jaringan dengan lapisan banyak

3. Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf

tiruan, antara lain:

a. Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi untuk

mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output

biner (0 atau 1). Berikut ini adalah gambar fungsi undak biner.

Gambar 6. Fungsi undak biner

Fungsi undak biner (hard limit) dirumuskan sebagai:

0, jika x 0
y
1, jika x 0

25
b. Fungsi undak biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut

dengan fungsi nilai ambang (Threshold) atau fungsi Heaviside. Berikut ini adalah

gambar dari fungsi undak biner dengan threshold.

Gambar 7. Fungsi undak biner dengan threshold

Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai

0, jika x
y
1, jika x

c. Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja

output yang dihasilkan berupa 1, 0 atau -1. Berikut ini adalah gambar dari fungsi

bipolar.

Gambar 8. Fungsi bipolar

26
Fungsi Symetric Hard Limit dirumuskan sebagai:

1, jika x 0
y 0, jika x 0
1, jika x 0

d. Fungsi Bipolar (dengan threshold)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan

threshold, hanya saja output yang dihaslikan berupa 1, atau -1. Berikut ini adalah

gambar fungsi bipolar denan threshold.

Gambar 9. Fungsi bipolar dengan threshold

Fungsi bipolar (dengan nilai ambang ) dirumuskan sebagai

1, jika x
y
1, jika x

e. Fungsi Linear (Identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai input-nya. Fungsi

ini dirumuskan sebagai:

27
 Fungsi identitas digambarkan sebagai berikut.

Gambar 10. Fungsi identitas

f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika input-nya kurang dari -½, dan akan bernilai 1 jika

input-nya lebih dari ½. Sedangkan jika nilai input terletak antara -½ dan ½, maka

output-nya akan bernilai sama dengan nilai input ditambah ½. Fungsi saturating

linear digambarkan sebagai berikut.

Gambar 11. Fungsi saturating linear

Fungsi saturating linear dirumuskan sebagai:

1; jika x 0,5
y x 0,5; jika 0,5 x 0,5
0; jika x 0,5

28
g. Fungsi Symmetric Saturating Linear

Fungsi ini akan bernilai -1 jika input-nya kurang dari -1, dan akan bernilai 1 jika

input-nya lebih dari 1. Sedangkan jika nilai input terletak antara -1 sampai 1, maka

output-nya akan bernilai sama dengan nilai input-nya. Berikut ini adalah gambar

fungsi symmetric saturating linear.

Gambar 12. Fungsi symmetric saturating linear

Fungsi symmetric saturating linear dirumuskan sebagai:

1; jika x 1
y x; jika 1 x 1
1; jika x 1

h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan

metode backpropagation. Fungsi sigmoid biner memiliki nilai antara 0 sampai 1.

Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang

membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi

ini bisa juga digunakan oleh jaringan syaraf yang nilai output-nya 0 atau 1.

29
 Berikut ini adalah gambar fungsi sigmoid biner.

Gambar 13. Fungsi sigmoid biner

Fungsi sigmoid biner dirumuskan sebagai:

1
y f ( x)
1 e x

Dengan:

Sehingga

30
i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja

output dari fungsi ini memiliki nilai antara 1 sampai -1. Fungsi sigmoid bipolar

digambarkan sebagai berikut.

Gambar 14. Fungsi sigmoid bipolar

Fungsi sigmoid bipolar dirumuskan sebagai:

Dengan turunannya adalah:

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki

nilai antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai:

ex e x
y f ( x)
ex e x

31
Atau

1 e 2x
y f ( x)
1 e 2x

4. Proses Pembelajaran

Algoritma pembelajaran adalah prosedur untuk menentukan bobot pada lapisan

yang berhubungan dalam Neural Network (Fausett, 1994: 429). Selama proses

pembelajaran akan terjadi perbaikan bobot-bobot berdasarkan algoritma tertentu.

Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang

bersangkutan tersampaikan, sebaliknya jika informasi tidak tersampaikan oleh

suatu neuron ke neuron lain, maka nilai bobot yang menghubungkan keduanya

akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda maka

nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup

seimbang. Apabila nilai ini telah seimbang, maka mengindikasikan bahwa tiap-tiap

input telah berhubungan dengan output yang diharapkan (Sri Kusumadewi & Sri

Hartati, 2010).

Terdapat dua metode yang dapat dilakukan dalam proses pembelajaran Neural

Network, yaitu metode pembelajaran terawasi (supervised learning) dan metode tak

terawasi (unsupervised learning) (Edy Irwansyah & M. Faisal, 2015: 53):

a. Pembelajaran Terawasi (Supervised Learning)

Metode pembelajaran pada Neural Network disebut terawasi jika output yang

diharapkan telah diketahui terlebih dahulu. Pengetahuan yang akan diberikan

kepada sistem awalnya diberikan suatu acuan untuk memetakan suatu input

32
menjadi output yang diinginkan. Proses pembelajaran ini akan terus dilakukan

selama kondisi error atau kondisi yang diinginkan belum tercapai. Adapun setiap

perolehan error akan dikalkulasikan untuk setiap pemrosesan hingga data atau nilai

yang diinginkan telah tercapai.

b. Pembelajaran Tidak Terawasi (Unsupervised Learning)

Sistem pembelajaran tidak terawasi memerlukan suatu target output. Pada

sistem ini tidak membutuhkan adanya acuan awal, agar perolehan nilai dapat

dicapai. Pada metode ini hasil yang diharapkan selama proses pembelajaran tidak

dapat ditentukan. Tujuan pembelajaran unsupervised adalah mengelompokkan

unit-unit yang hampir sama dalam area tertentu.

F. Metode Clustering

Proses pengelompokkan data (clustering), diawali dengan menentukan nilai

suatu jarak untuk mengukur kemiripan dari objek-objek yang diamati. Jarak yang

umumnya digunakan yaitu jarak Euclide. Semakin kecil nilai jarak Euclide,

semakin tinggi tingkat kemiripan, begitu pula sebaliknya, semakin besar nilai jarak

Euclide maka semakin rendah tingkat kemiripannya. Setelah ukuran kemiripan

ditemukan, maka dapat dilakukan pengelompokan (Brodjol Sutijo, 2008).

Algoritma K-Means clustering dikembangkan oleh MacQueen (1967)

kemudian Hartigan dan Wong sekitar tahun 1975. Sederhananya, K-Means

merupakan algoritma untuk mengklasifikasikan atau mengelompokkan objek/data

berdasarkan unsur/fitur ke sejumlah kelompok/cluster, dengan adalah bilangan

33
bulat positif. Pengelompokan dilakukan dengan meminimalkan jumlah kuadrat dari

jarak data dengan pusat cluster yang sesuai (Teknomo, 2015).

Algoritma metode K-Means clustering adalah sebagai berikut (Johnson &

Wichern, 2007: 696):

c. Partisi data ke dalam k cluster

d. Tempatkan setiap data/obyek ke cluster terdekat. Kedekatan dua obyek

ditentukan berdasarkan jarak kedua obyek tersebut. Jarak biasanya dihitung

dengan menggunakan jarak Euclide. Persamaan jarak Euclide antara dua titik

sebarang P dan Q dengan koordinat P ( ) dan Q ( )

adalah sebagai berikut:

(2.10)

Hitung ulang nilai pusat untuk cluster yang menerima data baru dan cluster

yang kehilangan data.

e. Ulangi langkah ke-2 sampai nilai pusat lama sama dengan nilai pusat baru

(stabil).

Beberapa keunggulan K-Means clustering antara lain (Zhang C & Fang Z,

2013):

a. Algoritma K-Means merupakan algoritma klasik untuk menyelesaikan masalah

pengelompokkan. Algoritma ini relatif sederhana dan cepat.

b. Untuk data yang besar, algoritma ini relatif fleksibel dan efisien.

c. Memberikan hasil yang relatif baik

Beberapa kekurangan K-Means clustering antara lain (Zhang C & Fang Z,

2013):

34
a. Sensitif terhadap nilai awal, sehingga apabila nilai awal berbeda, mungkin akan

terbentuk cluster yang berbeda.

b. Algoritma K-Means clustering memiliki ketergantungan yang lebih tinggi dari

pusat cluster awal. Jika pusat cluster awal benar-benar jauh dari pusat cluster

data itu sendiri, jumlah iterasi cenderung tak terbatas dan menghasilkan

pengelompokan yang tidak tepat.

c. Algoritma K-Means clustering memiliki sensitivitas yang kuat terhadap noise

objek data. Jika terdapat sejumlah data noise pada kumpulan data, ini akan

mempengaruhi hasil pengelompokan akhir yang menyebabkan error pada hasil.

G. Ridge Regression

Sekitar pertengahan abad ke-20 teoritikus Rusia Andre Tikhonov mengerjakan

solusi dari masalah ill-posed. Ini adalah kasus matematika yang tidak mempunyai

solusi, karena pada dasarnya tidak ada cukup informasi khusus dalam kasus

tersebut. Hal ini diperlukan untuk memberikan informasi tambahan (atau asumsi)

sehingga teknik matematika Tikhonov dikembangkan untuk kasus ini yang dikenal

sebagai regularisasi.

Kerja Tikhonov menjadi dikenal secara luas di Barat setelah publikasi bukunya

pada tahun 1997. Sementara itu, dua ahli statistik Amerika, Arthur Hoerl dan Robert

Kennard, menerbitkan sebuah makalah pada tahun 1970 pada ridge regresion,

metode untuk memecahkan masalah regresi linear yang buruk. Kondisi buruk

berarti kesulitan numerik dalam menjalankan matriks invers yang diperlukan untuk

mendapatkan matriks variansi. Hal ini merupakan gejala dari masalah regresi ill-

35
posed dalam pengertian Tikhonov dan metode Hoerl & Kennard adalah bentuk

dasar dari regularisasi, yang sekarang dikenal sebagai regularisasi orde nol.

Pada tahun 1980-an, ketika jaringan saraf menjadi populer, weight decay adalah

salah satu dari sejumlah teknik 'temuan' untuk membantu pangkasan koneksi

jaringan yang tidak penting. Namun, segera diakui bahwa weight decay melibatkan

penambahan penalty yang sama dengan Sum Squared Error seperti dalam ridge

regression. Weight decay ekuivalen dengan ridge regression. Sementara itu ridge

regression secara matematis dan komputasi mudah digunakan dan akibatnya bentuk

lain dari regularisasi cukup diabaikan.

H. Model Radial Basis Function Neural Network

Pada RBFNN, lapisan tersembunyi menghitung jarak antara pusat cluster dan

vektor input, kemudian dengan fungsi aktivasi menuju lapisan output

(Pislaru & Shebani, 2014). Beberapa fungsi aktivasi dalam RBFNN adalah sebagai

berikut (Andrew, 2002:63):

a. Fungsi Gaussian

(2.11)

b. Fungsi Multikuadratik

(2.12)

c. Fugsi Invers Multikuadratik

(2.13)

36
 d. Fungsi Cauchy

(2.14)

Dengan,

= jarak pada neuron tersembunyi

= nilai input variabel

= nilai pusat pada neuron tersembunyi

= fungsi aktivasi neuron tersembunyi

Output yang dihasilkan dari model RBFNN merupakan kombinasi linear dari

bobot dengan fungsi aktivasi dan adalah bobot bias. Vektor output

dirumuskan sebagai berikut (Ali & Dale, 2003):

(2.15)

Dengan,

(2.16)

Dimana,

= banyak neuron tersembunyi

= bobot dari neuron lapisan tersembunyi ke- menuju neuron output ke-

= bobot bias menuju neuron output ke-

= fungsi aktivasi neuron tersembunyi ke-

= merupakan vektor input

37
Sedangkan persamaan normal untuk bobot pengklasifikasian adalah:

(2.17)

= vektor bobot klasifikasi

= vektor target klasifikasi

= fungsi aktivasi neuron tersembunyi

= parameter regulasi

= matriks identitas ukuran

I. Uji Ketepatan Hasil

Untuk mengetahui tingkat keakuratan pembentukan model maka harus

dilakukan pengujian baik terhadap data latih maupun data uji, pengujian dilakukan

dengan mencari akurasi, sensitivitas, dan spesifisitas. Berikut pengukuran hasil

diagnosis untuk menghitung sensitivitas dan spesifisitas (Sharma, 2013).

a. True Positive (TP), yaitu pasien memiliki penyakit dan hasil klasifikasi

menyatakan pasien memiliki penyakit.

b. False Positive (FP), yaitu pasien tidak memiliki penyakit dan hasil

klasifikasi menyatakan pasien memiliki penyakit.

c. True Negative (TN), yaitu pasien tidak memiliki penyakit dan hasil

klasifikasi menyatakan pasien tidak memiliki penyakit.

d. False Negative (FN), yaitu pasien memiliki penyakit dan hasil klasifikasi

menyatakan pasien tidak memiliki penyakit.

38
1. Sensitivitas

Sensitivitas berkaitan dengan tes kemampuan untuk mengidentifikasi hasil yang

positif. Rumus untuk menghitung sensitivitas (Altman D.G., 1994).

(2.18)

2. Spesifisitas

Spesifisitas berkaitan dengan tes kemampuan untuk mengidentifikasi hasil

negatif. (Altman, 1994).

(2.19)

3. Akurasi

Hasil klasifikasi model dapat diketahui tingkat akurasinya dengan

membandingkan kebenarannya dengan klasifikasi yang asli atau sesungguhnya.

Model yang baik akan memiliki tingkat akurasi 100 %. Secara umum akurasi dapat

dihitung dengan rumus:

jumlah data benar

akurasi 100% (2.20)
jumlah data keseluruhan

J. Graphical User Interface (GUI)

GUIDE atau GUI builder merupakan sebuah graphical user interface (GUI)

yang dibangun dengan obyek grafik seperti tombol (button), kotak teks, slider, pop-

up menu, dan lain-lain. Aplikasi yang menggunakan GUI umumnya lebih mudah

dipelajari dan digunakan karena orang yang menjalankannya tidak perlu

mengetahui perintah yang ada dan bagaimana kerjanya.

39
 GUI MATLAB mempunyai kelebihan tersendiri dibandingkan dengan bahasa

pemrogram lainnya, diantaranya:

1. GUI MATLAB banyak digunakan dan cocok untuk aplikasi-aplikasi

berorientasi sains, sehingga banyak peneliti dan mahasiswa menggunakan

GUI Matlab untuk menyelesaikan riset atau tugas akhirnya.

2. GUI MATLAB mempunyai fungsi built-in yang siap digunakan dan

pemakai tidak perlu repot membuatnya sendiri.

3. Ukuran file, baik fig-file maupun m-file, yang dihasilkan relatif kecil.

4. Kemampuan grafisnya cukup handal dan tidak kalah dibandingkan dengan

bahasa pemrograman lainnya.

Untuk memulai GUI pada MATLAB R2013a ada 2 cara. Cara yang pertama

command window. Cara yang kedua

toolbar

Inte rancangan dapat disimpan

dalam 2 format, yaitu fig-file dan m-file. Gambar berikut ini menunjukkan tampilan

layar awal Graphical User Interface (GUI).

Gambar 15. Tampilan awal GUI

40