PROPOSAL

IMPLEMENTASI JARINGAN SYARAF TIRUAN MENGGUNAKAN

ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI ARITMIA
JANTUNG

Oleh:

M. Firdaus Putra
NIM: 1507111532

PROGRAM STUDI TEKNIK INFORMATIKA S1

FAKULTAS TEKNIK
UNIVERSITAS RIAU
2019
 PRAKATA

Assalamualaikum Wr., Wb Puji syukur penulis panjatkan kepada Allah

SWT atas segala limpahan rahmat, taufik dan hidayah-Nya sehingga penulis dapat
menyelesaikan Skripsi ini sesuai dengan waktu yang telah direncanakan. Adapun
penulisan ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai
gelar Sarjana Teknik, Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Riau.
Penulis menyadari bahwa Skripsi ini tidak dapat terselesaikan dengan
baik dan lancar apabila tanpa bantuan dan bimbingan dari berbagai pihak. Penulis
ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Dr. Feri Candra, MT selaku Dosen Pembimbing dan Kepala
Program Studi Teknik Informatika Universitas Riau Pekanbaru.
2. Ibu Dra. Asmiati selaku Kepala Dinas Kebudayan Provinsi Riau.
3. Ibu selaku Kepala UPT. Museum Sang Nila Utama dan Taman Budaya
Provinsi Riau yang telah mengizinkan penulis melakukan penelitian
4. Seluruh Dosen Teknik Informatika yang selama ini memberikan ilmu yang
sangat bermanfaat.
5. Seluruh Staff Jurusan Teknik Elektro Fakultas Teknik yang sudah
mempermudah penulis mengurus surat-surat perizinan.
6. Orang tua tercinta, yang memberikan doa dan dukungan baik moral
maupun material kepada penulis untuk selalu berusaha mencapai hasil
yang terbaik.
7. Teman-teman Prodi S1 Teknik Informatika Universitas Riau Angkatan
2015. Terimakasih atas semangat dan dukungannya .
8. Semua pihak yang tidak dapat disebutkan satu persatu yang selalu
memberikan doa, dukungan dan semangat.
Penulis menyadari bahwa dalam mengerjakan Skripsi ini masih banyak
terdapat kekurangan, oleh karena itu penulis mengharapkan saran dan kritik yang
sifatnya membangun.

i
 Akhir kata, semoga Skripsi ini dapat bermanfaat khususnya bagi penulis
sendiri dan pembaca pada umumnya.

Pekanbaru, 06 Oktober 2019

Penulis,

M. Firdaus Putra

ii
 DAFTAR ISI

PRAKATA .............................................................................................................. i
DAFTAR ISI ......................................................................................................... iii
DAFTAR GAMBAR ............................................................................................. v
DAFTAR TABEL ................................................................................................ vi

BAB I PENDAHULUAN
1.1. Latar Belakang ............................................ Error! Bookmark not defined.
1.2. Perumusan Masalah .................................... Error! Bookmark not defined.
1.3. Objektif ....................................................... Error! Bookmark not defined.
1.4. Batasan Masalah.......................................... Error! Bookmark not defined.
1.5. Sistematika Penulisan .................................................................................. 4

BAB II TINJAUAN PUSTAKA

2.1. Augmented Reality (AR) ............................ Error! Bookmark not defined.
2.2. Metode Augmented Reality ........................ Error! Bookmark not defined.
2.2.1. Marker Based Tracking ...................................................................... 21
2.2.2. Markerless Augmented Reality ........... Error! Bookmark not defined.
2.3. Android ....................................................... Error! Bookmark not defined.
2.4. Tools dan Software Augmented Reality....... Error! Bookmark not defined.
2.4.1. Adobe Photoshop ................................. Error! Bookmark not defined.
2.4.2. Adobe Premiere Pro ............................. Error! Bookmark not defined.
2.4.3. Unity 3D .............................................. Error! Bookmark not defined.
2.4.4. Vuforia SDK ........................................ Error! Bookmark not defined.
2.4.5. Android SDK ....................................... Error! Bookmark not defined.
2.4.6. Java Development Kit (JDK) ............... Error! Bookmark not defined.
2.4.7. Vuforia Object Scanner ....................... Error! Bookmark not defined.
2.5. Bend a Bersejarah ....................................... Error! Bookmark not defined.
2.6. Museum Sang Nila Utama .......................... Error! Bookmark not defined.

iii
2.7. Penelitian Terkait ........................................ Error! Bookmark not defined.
BAB III METODE PENELITIAN
3.1. Tempat dan Waktu Penelitian ..................... Error! Bookmark not defined.
3.2. Metodologi Penelitian ................................. Error! Bookmark not defined.
3.2.1. M etode Pengembangan Sistem ........... Error! Bookmark not defined.
3.2.2. Jad wal Kegiatan Penelitian ................. Error! Bookmark not defined.
3.2.3. Met ode Pengumpulan Data ................. Error! Bookmark not defined.
3.2.4. Sum ber Data ....................................... Error! Bookmark not defined.
3.3. Analisis Sistem ............................................ Error! Bookmark not defined.
3.3.1. Analis is Kebutuhan Fungsional .......... Error! Bookmark not defined.
3.3.2. Analisi s Kebutuhan Software ............. Error! Bookmark not defined.
3.3.3. Analisis Kebutuhan Hardware ............ Error! Bookmark not defined.
3.3.4. Analisis Kebutuhan Sistem ................. Error! Bookmark not defined.
3.4. Perancangan Sistem ................................... Error! Bookmark not defined.
3.4.1. Perancan gan UML (Unified Modelling Language) . Error! Bookmark
not defined.
3.4.2. Perancan gan Antarmuka ..................... Error! Bookmark not defined.
3.4.3. Perancan gan Database Vuforia .......... Error! Bookmark not defined.
3.4.4. Perancan gan Informasi Objek Bersejarah......... Error! Bookmark not
defined.
3.5. Pengujian .................................................... Error! Bookmark not defined.

iv
 DAFTAR GAMBAR

Gambar 2.1 Marker Based Tracking .................................................................. 6

Gambar 2.2 Face Tracking ................................................................................. 7
Gambar 2.3 3D Object Tra cking ........................................................................ 8
Gambar 2.4 Motion Tracki ng ............................................................................. 9
Gambar 2.5 GPS Based Tr acking ..................................................................... 10
Gambar 3.1 Metode Waterf all .......................................................................... 20
Gambar 3.2 Cara Kerja Tek nologi AR ............................................................. 25
Gambar 3.3 Use Case Diagr am ........................................................................ 26
Gambar 3.4 Activity Diagram Scan Object ....................................................... 27
Gambar 3.5 Activity Diagram How To Use ...................................................... 28
Gambar 3.6 Activity Diagram Database ........................................................... 29
Gambar 3.7 Activity Diagram Credit ................................................................ 30
Gambar 3.8 Scene Menu ................................................................................... 31
Gambar 3.9 Scene Scan Object ........................................................................ 31
Gambar 3.10 Panel How To Use ...................................................................... 32
Gambar 3.11 Panel Data base........................................................................... 33
Gambar 3.12 Panel Credi t ............................................................................... 33
Gambar 3.13 Upload Targ et Object 2D ........................................................... 34
Gambar 3.14 Download D atabase Vuforia ...................................................... 35
Gambar 3.15 Vuforia Obje ct Scanner .............................................................. 35
Gambar 3.16 Tab Scan Obj ect .......................................................................... 36
Gambar 3.17 Scan Object 3 D ........................................................................... 36
Gambar 3.18 Save Object D ata ........................................................................ 37
Gambar 3.19 File Object Da ta ......................................................................... 37
Gambar 3.20 Upload Databa se Object 3D ...................................................... 38

v
 DAFTAR TABEL

Tabel 2.1 Penelitian Terkait .............................................................................. 15

Tabel 3.1 Jadwal Kegiatan P enelitian ............................................................... 22

vi
 2

1.1. Latar Belakang

Aritmia adalah kelainan sekunder akibat penyakit jantung atau ekstra
kardiak, tetapi dapat juga merupakan kelainan primer. Kesemuanya mempunyai
mekanisme yang sama dan penatalaksanaan yang sama juga. Kelainan irama
jantung ini dapat terjadi pada pasien usia muda atau usia lanjut.
Aritmia dapat dibagi menjadi kelompok aritmia supraventricular dan
aritmia ventricular berdasarkan letak lokasi yaitu apakah di atrial termasuk AV
Node dan berkas HIS ataukah di ventrikel mulai dari invra his bundle. Selain itu,
aritmia juga dibagi menurut denyut jantung, yaitu: Bradikari ataupun takikardi
dengan nilai moral berkisar amtara 60-100 kali/menit. Tergantung dari letak
fokus, selain menyebabkan Ventricular Ekstra Systole (VES), dapat terjadi Supra
Ventricula re Extra Systol (SVES) atau Supra Ventricular Tachhycardy (SVT) di
dalam fo kusnya berasal dari berkas HIS di atas.
Gangguan ir ama jantung atau aritmia merupakan komplikasi yang sering
terjadi infark mioka rdium. Aritmia atau disritmia adalah perubahan pada
frekuensi dan irama ja ntung yang disebabkan oleh konduksi elektrolit abnormal
atau otomatis (Doenge s, 1999).
Elektrokardiogr af adalah alat yang digunakan untuk menangkap sinyal
listrik yang dihasilkan o leh jantung saat melakukan tugasnya mengambil darah
kotor dan memompa da rah bersih ke seluruh tubuh. Sinyal listrik tersebut
dinamakan elektrokardiogr am (EKG). Rekaman EKG ini digunakan oleh dokter
atau ahli medis untuk men entukan kondisi jantung pasien, di antaranya untuk
mengetahui frekuensi (rate) jantung, arrhythmia, infark miokard, pembesaran
atrium, hipertrofi ventricular, dan lain-lain. Pola EKG beberapa kondisi jantung
memiliki ciri yang khusus, te tapi untuk membedakan pola sinyal jantung yang
sehat atau terdapat kelainan f ungsional pada jantung diperlukan pengalaman
pengalaman dan keahlian tersen diri dalam melakukan identifikasi macam-macam
sinyal EKG yang sudah ada.
Penyakit jantung me miliki ragam yang sangat banyak, sehingga untuk
mendiagnosa dengan tepat kelainan jantung tertentu pada pasien diperlukan
keahlian khusus serta penga laman yang memadai. Ada beberapa kelemahan
elektrokardiograf ini, yaitu kemampuan para ahli dalam menganalisa hasil
 3

rekaman jantung sangat mung kin menghasilkan diagnosis yang berbeda-beda.

Selain itu , kondisi fisik, mental, dan pikiran orang kadang-kadang bersifat labil,
sehingga seorang dokter ahli ya ng sudah berpengalaman dapat saja melakukan
kesalahan dalam mendiagnosa pe nyakit jantung.
Sinyal EKG yang sama dap at diinterpretasikan secara beragam oleh
dokter yang berbeda, sehingga bertolak dari kenyataan tersebur, maka perlu
dibuat sistem cerdas yang dapat melakukan analisis sendiri data
elektrokardiogram, sehingga kesalahan fata l akibat interpretasi yang keliru dalam
pembacaan sinyal EKG dapat dihindari. S inyal jantung dideteksi menggunakan
sensor bipotensial, yang berfungsi sebagai t ransduser arus ion tubuh menjadi arus
electron penghantar, diolah elektrokardio graf. Sinyal EKG hasil pemrosesan
elektrokardiograf tersebut kemudian diolah dengan computer untuk mendapatkan
sinyal yang siap diproses. Sinyal terseb ut kemudian diekstraksi ciri untuk
memperoleh pita-pita energy. Dari pita-pit a energy inilah pola kondisi jantung
dapat dikenali. Selanjutnya dengan meto de pembelajaran mendalam (deep
learning) dapat melakukan identifikasi sinyal jantung dan yang dapat memberi
hasil diagnosis banding bagi dokter.

1.2. Identifikasi Masalah

Adapun identifikasi masalah ada penelitian in adalah sebagai berikut.
1. Aritmia jantung adalah salah satu penyakit umum yang menyerang banyak
orang dari segala usia.
2. Kemampuan para ahli dalam menganalisa hasil rekaman jantung sangat
mungkin menghasilkan diagnosis yang berbeda-beda.
3. Kondisi fisik, mental, dan pikiran orang kadang-kadang bersifat labil,
sehingga seorang dokter ahli yang sudah berpengalaman dapat saja
melakukan kesalahan dalam mendiagnosa penyakit

1 .3. Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah sebagai berikut.
 4

1. Kondisi jantung yang dideteksi dibatasi untuk 5 denyut jantung, yaitu:

denyut normal, RBBB beats, dan paced beats (denyut mondar-mandir).
2. Dataset yang digunakan Dataset Arrhythmia Keaggle.

1 .4. Rumusan Masalah

Adapun rumusan masalah pada penelitian ini adalah sebagai berikut.
1. Bagaimana implementasi system cerdas deep learning mampu melakukan
diagnosa aritmia jantung sehingga membantu kinerja ahli kardiologis?
2. Bagaimana tingkat akurasi yang didapatkan dari hasil klasifikasi
Gelombang ECG aritmia cerdas?

1 .5 Tujuan Penelitian
Adapun tujuan penelitian ini adalah sebagai berikut.
1. Mengetahui implementasi metode deep learning menggunakan CNN u
ntuk mengklasifikasikan citra gelombang ECG aritmia jantung.
2. Mengetahui tingkat akurasi yang didapatkan dari hasil klasifikasi
Gelombang ECG arrhythmia cardiac dengan deep learning.

1 .6. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah sebagai berikut.
1. Memberikan pengetahuan mengenai implementasi deep learning
menggunakan CNN
2. Mengetahui tingkat akurasi dari implementasi CNN
3. Mengklasifikasikan ECG wave cardiac arrhythmia berdasarkan RBBB
Beats, Normal Beats, dan Paced Beast.
4. Membantu para dokter mendiagnosa para pasien cardiac arrhythmia.

1 .7. Sistematika Penulisan

Berikut adalah sistematika penulisan yang di rancang untuk penulisan
skripsi ini:
BAB I – PENDAHULUAN
 5

Bab ini berisi tentang latar belakang, perumusan masalah, tujuan

penelitian, manfaat penelitian, batasan masalah dan sistematika penulisan.

BAB II – TINJAUAN PUSTAKA

Tinjauan pustaka merupakan dasar teori untuk mendukung skripsi ini.
Pada bab ini menjelaskan tentang konsep AR, metode AR, Android, tools
software AR, dan benda bersejarah di museum.

BAB III – METODOLOGI PENELITIAN

Metodologi menjelaskan tentang tempat dan waktu penelitian, metodologi
penelitian, analisis keperluan sistem, perancangan sistem dan metode
pengujian.

BAB IV – HASIL DAN PEMBAHASAN

Hasil dan pembahasan menjelaskan tentang menjelaskan tentang
penerapan aplikasi sekaligus pengujian aplikasi.

BAB V – PENUTUP
Penutup menjelaskan tentang kesimpulan skripsi beserta kritik dan saran
beserta perbaikan skripsi untuk masa yang akan datang.

DAFTAR PUSTAKA
LAMPIRAN
6
 20

BAB II
TINJAUAN PUSTAKA

Berdasarkan penelitian yang akan dilakukan, acuan dari beberapa

penelitian terdahulu menjadi sangat penting dalam melakukan sebuah penelitian
dengan tujuan untuk mengetahui hubungan antara penelitian yang akan dilakukan
dengan penelitian terdahulu, sehingga dengan menambahkan acuan tersebut dapat
menghindari adanya suatu duplikasi dalam penelitian yang akan dilakukan.
Penelitian terdahulu mengenai deep learning menggunakan convolutional neural
network sudah banyak dilakukan oleh para reaseacher pada berbagai macam
object. Adapun penelitan yang dilakukan oleh Ardian Yusuf Wicaksono,
(Wicaksono, 2017) mengenai Modifika Arsitektur Convolutional Neural Network
untuk klasifikasi motif gambar batik. Penelitian yang dilakukan oleh Ardian
Yusuf Wicaksono, dkk menggunakan metode CNN dengan mengembangkan pada
arsitektur dari modelnya dengan mengkombinasi GoogleNet dan Residual
Networks yang dinamai IncRes. Penelitian ini menggunakan 11 class dari tipe
motif batik dengan jumlah data gambar 7112 yang dibagi kedalam 6401
digunakan untuk data latih (train) dan 711 digunakan untuk data uji (test). Dari
hasil penelitian ini memperoleh accuracy sebesar 70.84 % dengan waktu 733 ms
(milisecond).
Tahun 2012 penerapan Deep Learning dengan metode CNN dipopulerkan
dengan arsitektur AlexNet yang diuji dengan dataset ImageNet
(Krizhevsky,2012). Penelitian ini menggunakan dataset ImageNet LSVRC-2010
kedalam 1000 classes. Arsitektur yang dibuat oleh Alex Krizhevsky menunjukan
hasil yang sangatsignifikan pada testing test dengan test error sebesar 17 %. Hasil
ini sudah dapat dinilai sangat baik karena citra yang digunakan pada dataset
sangatlah banyak.
Pada tahun 2016 penerapan Deep Learning dengna menggunakan
Convolutional Neural Network yang dilakukan oleh Muhammad Zufar dan Budi
Setiyono yang diimplementasikan untuk pengenalan wajah secara real-time
(Zufar, 2017). Metode ini diimplementasikan dengan bantuan Library
OpenCVuntuk deteksi wajah dan perangkat Web Cam M-Tech 5 MP. Dataset
 21

yang digunakan yaitu himpunan gambar wajah yang di bagi menjadi dua jenis
himpunan yaitu himpunan wajah indoor (kondisi pencahayaan gelap) dan
himpunan wajah outdoor (kondisi pencahayaan terang). Hasil uji coba dengan
menggunakan konstruksi model CNN sampai kedalaman 7 lapisan dengan input
dari hasil ekstraksi Extended Local Binary Pattern dengan radius 1 dan neighbor
15 menunjukan kinerja pengenalan wajah meraih rata-rata akurasi lebih dari 89%
dalam 2 frame perdetik. Penelitian ini menunjukan bahwa implementasi dari
model CNN dapat di terapkan pada proses pengenalan wajah secara real-time
dengan akurasi yang cukup tinggi.
2.1. Aritmia
Gangguan irama jantung atau aritmia merupakan komplikasi yang sering
terjadi pada infark miokardium. Aritmia atau disritmia adalah perubahan pada
frekuensi dan irama jantung yang disebabkan oleh konduksi elektrolit abnormal
atau otomatis (Doenges, 1999). Gangguan irama jantung tidak hanya terbatas pada
iregularitas denyut jantung tapi juga termasuk gangguan kecepatan denyut dan
konduksi. Aritmia jantung (heart arrhythmia) menyebabkan detak jantung menjadi
terlalu cepat, terlalu lambat, atau tidak teratur. Aritmia jantung umumnya tidak
berbahaya. Kebanyakan orang sesekali mengalami detak jantung yang tidak
beraturan kadang menjadi cepat, kadang melambat. Namun beberapa jenis aritmia
jantung dapat menyebabkan gangguan kesehatan atau bahkan sampai mengancam
nyawa. Aritmia dan HR abnormal tidak harus terjadi bersamaan. Aritmia dapat
terjadi dengan HR yang normal, atau dengan HR yang lambat (disebut
bradiaritmia - kurang dari 60 per menit). Aritmia bisa juga terjadi dengan HR
yang cepat (disebut tachiaritmia - lebih dari 100 per menit) (Hanafi, 2001).
Pada jantung orang normal, setiap denyut berasal dari nodus SA (irama
sinus normal). Jantung berdenyut sekitar 70 kali dalam satu menit pada keadaan
istirahat. Frekuensi melambat (bradikardia) selama tidur dan dipercepat
(takikardia) oleh emosi, olahraga, demam, dan rangsangan lain. Pada orang muda
sehat yang bernapas dengan frekuensi normal, frekuensi jantung bervariasi sesuai
fase pernapasan meningkat selama inspirasi dan menurun selama ekspirasi,
terutama bila kedalaman napas meningkat. Aritmia sinus ini adalah fenomena
 22

normal dan terutama disebabkan oleh fluktuasi persarafan simpatis di jantung

(Ganong, 2008).
Otot jantung yang disebut myocardium mempunyai kesanggupan luar
biasa untuk berkontraksi secara teratur biasa untuk berkontraksi secara teratur. Ini
disebabkan denyutan di bagian atas jantung pada daerah yang disebut sinotrial
node. Ini terletak pada serambi kanan, dekat vena besar (vena cava besar) yang
mengirimkan darah kesini. Rangsangan jantung timbul pada nodus ini. Dari sini
menyebar dengan cepat ke seluruh jantung. Mula-mula gelombang kontraksi
melintasi serat otot serambi jantung sampai tiba pada persimpangan atrium dan
ventrikel. Kemudian menyebar kepada jaringan khusus jantung (yang disebut
bundle of his) lalu masuk ke jaringan ventrikel. Kemudian terbagi dua dan
bervariasi diseluruh myokardium ventrikel itu. Dari sini gelombang kontraksi
tersebut meluas keseluruh ventrikel yang menimbulkan kontraksi otot (Knight,
1997).
Gangguan irama jantung dapat di bagi dua:
1. Gangguan irama fibrilasi(tidak kuncup)pada serambi beresiko stroke.
2. Gangguan irama fibrilasi (tidak kuncup) pada bilik jantung berakibat langsung
fatal.

2.1.1 Penggolongan Aritmia

Adapun aritmia dapat digolongkan berdasarkan gangguan pembentukan impuls
dan gangguan penghantaran impuls.
1. Gangguan Pembentukan Impuls
Pada Nodus Sinoatrial Pada Atrium
 Bradikardia Sinus  Ekstrasistolik atrial
 Takikardia Sinus  Takikardia atrial
 Aritmia Sinus  Atrial Flutter
 Henti Sinus  Fibrilasi Atrial

Pada Pengubung AV Node Pada Ventrikel

 Ekstrasistolik penghubungAV  Ekstrasistolik Ventrikular
 Takikardia penguhung AV  Takikardia Ventrikular
 23

 Ventrikular Flutter

2. Gangguan Panghantaran Impuls

a. Blok Sino-Atrial
b. Blok Sino-Ventrikular
c. Blok Intraventrikular
Keterangan :
Kelainan Ciri-ciri Hasil EKG
Bradikardia - Kecepatan jantung <
Sinus 60x/menit
- Biasanya terjadi karena
peningkatan tekanan
intrakranial dan IM
- Irama teratur
- RR interval jaraknya
sama dalam 1 lead
panjang
- PP interval jaraknya sama
dalam 1 lead panjang
- Komplek QRS harus
sama dalam 1 lead
panjang
- Impuls dari SA node yang
ditandai dengan adanya
gel P yang mempunyai
bentuksama dalam 1 lead
panjang.
- Adanya gel P yang selalu
diikuti komplek QRS
- Gel P dan komplek QRS
normal dan sama
bentuknya dalam satu
 24

lead.

Takikardia - HR : > 100x/menit

Sinus - Gel P, normal, diikuti gel
QRS & T
- PR : normal (0,12-0,20)
- Irama : reguler, semua
gel. sama

Aritmia - Terdapat perbedaan

Sinus interval PP terpanjang dan
terpendek > 0,12 detik
- Irama tidak teratur
- Frekuensi 60-100x/menit
- Gel P normal dan dikuti
ole gel QRS & T
- Interval PR normal 0,12-
0,20 detik
- Gel QRS normal 0,06-
0,12 detik

Henti Sinus - Irama teratur kecuali pada

grafik yang hilang
- Frekuensi biasanya
<60x/menit
- Gel P normal kecuali
pada grafik yang hilang
tidak ada gel P
- Interval PR normal
kecuali pada grafik yang
hilang
- Gel QRS normal 0,12-
 25

0,20 detik

Takikardia - Irama teratur

Atrial - Komplek QRS normal
- PR interval <0,12detik
dan
- Frekwensi jantungnya >
150x/menit

Atrial - Irama teratur/ irreguler

Flutter - Frekuensinya 250-
400x/menit
- Ciri utama yaitu
gelombang P tidak ada
digantika dengan bentuk
yang mirip gigi gergaji
(saw tooth).
- Komplek QRS normal,
interval RR normal
- Gel T bisa ada namun
tertutup dengan gel flutter

Fibrilasi - Frekuensinya 350-

Atrial 600x/menit
- Gel P tidak jelas, tampak
undulasi yang ireguler
- QRS tampak normal
- Irama ireguler dan
biasanya cepat
 26

Begemini - Frekuensinya dapat

Ventrikel terjadi biasanya
<90x/menit
- Gel P dapat tersembunyi
dalam komples QRS
- Irama ireguler

Takikardia - Frekuensi 150-200x/menit

Ventrikular - Gel P bisa terlihat bisa
tidak
- Irama reguler tetapi dapat
juga terjadi takikardia
ventrikular ireguler
Torsade de - Irama tidak teratur
Point - Frekuensi 200-300x/menit
- Gel P tidak ada
- Interval PR tidak dapat
dihitung
- Interval QT memanjang
- Kompleks QRS tidal
normal (besar)

Asistol - Frekuensi tidak ada

Ventrikular - Gel P mungkn ada tetapi
tak dapat dihantarkan ke
nodus AV dan ventrikel
- Irama tidak ada

Blok AV I - Gel P mendahului setiap

kompleks QRS
- Interval PR > 0,20 detik
- Gel P bertumpuk pada gel
 27

T didepannya
- Kompleks QRS
mengikuti P
- Irama biasanya reguler

Blok AV II - Irama irregular

- Gel P normal, PP interval
regular
- Komplek QRS bisa
normal atau bisa juga
tidak normal,
- RR interval irregular
- PR interval harus sama di
tiap beat!!
- Panjangnya bisa normal
dan lebih dari normal.
- Ada 2 atau lebih,
gelombang P tidak diikuti
oleh komplek QRS.

Blok AV - Irama regular

total - Tidak ada hubungan
antara atrium dengan
ventrikel.
- Makanya kadang
gelombang P muncul
bareng dengan komplek
QRS.
- Komplek QRS biasanya
lebar dan bentuknya
berbeda dengan komplek
 28

- QRS lainya karena gel P

juga ikut tertanam di
komplek QRS, RR
interval regular.
- Gel P normal, kadang
bentuknya beda karena
tertanam di komplek
QRS.

A. Jantung dan Elektrokardiogram (EKG)

Jantung adalah organ muskular berlubang yang berfungsi sebagai pompa
ganda sistem kardiovaskular. Sisi kanan jantung memompa darah ke paru
sedangkan sisi kiri memompa darah ke seluruh tubuh. Jantung mempunyai empat
ruangan, atrium kanan dan kiri , ventrikel kanan dan kiri. Seperti terlihat pada
Gambar 1. Jantung merupakan otot tubuh yang bersifat unik karena mempunyai
sifat membentuk impuls secara otomatis dan berkontraksi ritmis. Pembentukan
impuls listrik terjadi dalam sistem penghantar jantung. Adapun jalur hantaran
listrik jantung normal terjadi dalam urutan berikut : nodus sinoatrial (SA)- nodus
atrioventrikular (AV)– berkas His – cabang berkas – serabut purkinje – otot
ventrikel [Atwood.1996].

Gambar 1. Sistem Kelistrikan Pada Jantung

 29

Pembentukan dan hantaran impuls listrik ini menimbulkan arus listrik yang lemah
dan menyebar melalui tubuh. Kegiatan impuls listrik pada jantung ini dapat
direkam oleh elektrokardiograf dengan meletakkan elektroda- elektroda ke
berbagai permukaan tubuh (sadapan/leads). Rekaman grafik potensial-potensial
listrik yang ditimbulkan oleh jaringan jantung ini disebut sebagai
elektrokardiogram (EKG) [Khandpur.1997]. Sebuah perangkat elektrokardiograf
yang penampil outputnya berupa plotter akan menampilkan hasil perekaman pada
sebuah kertas grafik millimeter blok seperti pada Gambar 2 berikut

Gambar 2. Pulsa Jantung Normal

Pada Gambar 2 di atas, suatu pulsa jantung normal manusia memiliki nilai
magnitude sebesar 1.1 mV, hal ini dapat dilihat dengan menghitung jumlah kotak
dari titik Q ke titik R, dimana jumlah kotak tersebut ada 11 kotak. Masing-masing
kotak sama dengan 0.1 mV, sehingga 11 kotak sama dengan 1.1 mV.

Tabel 1. Karakteristik Elektrokardiogram

Defleksi Deskripsi

Gelombang P gelombang yang timbul karena

depolarisasi atrium dari nodus
 30

sinoatrial ke nodus atrioventrikular

Gelombang Q defleksi negatif pertama sesudah

gelombang P dan yang
mendahului defleksi R, dibangkitkan
oleh depolarisasi permulaan
ventrikel

Gelombang R defleksi positif pertama sesuadah

gelombang P dan yang
ditimbulkan oleh depolarisasi utama
ventrikel.

Gelombang S defleksi negatif sesudah defleksi R.

Keseluruhan depolarisasi
ventrikel ini membangkitkan
gelombang QRS kompleks.

Gelombang T gelombang yang timbul oleh

repolarisasi ventrikel.

Fase depolarisasi merupakan kondisi dimana terjadi proses penyebaran

impuls/sinyal pada jantung. Fase repolarisasi merupakan kondisi dimana otot-otot
jantung tidak melakukan aktifitas sementara (istirahat). Fase defleksi merupakan
penyebaran proses depolarisasi. Sebuah sinyal yang didapat dari
elektrokardiogram normal memiliki ciri-ciri seperti tertera pada Tabel 2.
[Ekananda. 2008]

Tabel 2. Ciri-ciri Elektrokardiogram Normal

Gelombang EKG Amplitudo Interval EKG Durasi
 31

P < 0.3 mV P-R 0.12 – 0.20 detik

R 1.6 – 3 mV Q-T 0.35 – 0.44 detik

Q 25 % dari R S-T 0.05 – 0.15 detik

T 0.1 – 0.5 mV Q-R-S 0.06 – 0.10 detik

3.4. Citra Digital

Citra Digital adalah gambar dua dimensi yang dihasilkan dari gambar analog
dua dimensi yang kontinus menjadi gambar diskrit melalui proses sampling.
Proses
perubahan citra menjadi citra digital dinamakan dengan digitasi. Digitasi
merupakan proses mengubah sebuah gambar, teks, atau suara dari benda yang
dapat diliat ke dalam data elektronik dan dapat disimpan serta diproses untuk
keperluan lainnya. Dalam konteks yang lebih luas, pengolahan citra digital lebih
mengacu pada pemrosesan setiap dua data dimensi. Pengolahan citra digital
adalah
sebuah disiplin ilmu yang mempelajari tentang bagaimana teknik pengolahan
sebuah citra. Citra yang dimaksud disini adalah sebuah gambar diam (foto)
maupun
gambar bergerak (Video). Sedangkan digital disini mempuyai maksud penting
bahwa pengolahan citra/gambar dilakukan secara digital menggunakan komputer
(Sutoyo, 2009). Dalam citra digital terdapat sebuah larik (array) yang berisi
nilainilai
real
maupun
kompleks
yang
di representasikan
dengan
derean
 32

bit
tertentu.

Dalam sebuah komputer, citra digital dipetakan menjadi bentuk grid dan
elemen piksel berbentuk matriks 2 dimensi. Setiap piksel-piksel tersebut memiliki
angka yang mempresentasikan channel warna. Angka pada setiap piksel disimpan
secara berurutan oleh sebuah komputer dan sering dikurangi untuk keperluan
kompresi maupun pengolahan tertentu. Sebuah citra digital dapat mewakili oleh
sebuah matriks yang terdiri dari M kolom N baris, dimana perpotongan antara
kolom dan baris disebut piksel. ( pixel = picture element ), yaitu elemen terkecil
dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan intensitas
atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar
intensitas atau warna dari piksel di titik itu. Oleh karena itu, citra dapat dituliskan
kedalam sebuah matriks :

𝑓
(
𝑥, 𝑦
)
= [
(0,0) 𝑓(0,1) ⋯ 𝑓(0, 𝑀 − 1)
(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑀 − 1)
⋮⋮⋮⋮
(𝑁 − 1,0) (𝑁 − 1,1) ⋯ 𝑓(𝑁 − 1, 𝑀 − 1)
] (3.1)

Berdasarkan rumus diatas, suatu citra f(x,y) dapat dituliskan kedalam fungsi
matematis seperti berikut ini :
0 ≤ x ≤ M-1
0 ≤ x ≤ N-1
 33

0 ≤ f( x,y) ≤ G-1

15

Dimana :
M = jumlah piksel baris pada array citra
N = jumlah piksel kolom pada array citra
G = nilai skala keabuan (grayscale )
Besarnya nilai M, N, dan G biasanya merupakan perpengkatan dari dua
seperti yang terlihat pada persamaan berikut :
M = 2m ; N = 2n; G =2k (3.2)
Dimana nilai m, n, dan k merupakan bilaingan positif. Interval (0,G) disebut
dengan
(grayscale). Besarnya nilai G tergantung pada proses digitalisasinya. Biasanya
keabuan 0 (nol) menyatakan intensitas hitam dan 1 (satu) menyatakan intensitas
putih. Untuk citra 8 bit, nilai G sama dengan 28 = 256 warna (derajat keabuan).

Gambar 3.2. Representasi Citra Digital dalam 2 Dimensi

(Bernd, 2000)

3.4.1. Pengolahan Citra

Pengolahan citra adalah suatu proses pengolahan citra dengan
menggunakan
 34

komputer menjadi sebuah citra yang memiliki kualitas yang lebih baik.
Tujuan dari
pengolahan citra ini adalah memperbaiki kualitas suatu citra sehingga dapat
diinterpretasi dengan mudah oleh manusia atau atau sebuah mesin
(komputer).
3.5. Web Crawler
Web Crawler adalah meng-crawl (merayapi) seluruh informasi suatu
website
yang biasanya digunakan untuk meng-index suatu website, pemeliharaan
website,
atau digunakan untuk memperoleh data khusus contohnya email. Dan hal ini juga dapat
digunakan untuk memvalidasi hyperlink dan kode HTML. Web Crawler
dimulai dengan me-list daftar URL yang akan dikunjungi, yang disebut dengan
seed. Web crawler akan mengunjungi URL yang ada di daftar dan
mengidentifikasi
semua hyperlink di halaman tersebut serta menambahkannya kedalam daftar URL
yang akan dikunjungi yang disebut crawl frontier. URL yang telah ada dikunjungi
dan diambil informasi yang ada sesuai yang dibutuhkan. Dengan banyaknya
jumlah
URL yang mungkin di-crawl oleh crawler server yang membuatnya sulit untuk
menghindari pengambilan konten yang sama. Misalkan protokol HTTP GET
membuat kombinasi URL yang sangat banyakdan sedikit dari URL tersebut
menghasilkan konten yang berbeda dan selebihnya menghasilkan konten yang
sama
untuk URL yang berbeda, inilah yang menimbulkan masalah bagi crawler agar
bisa
mengambil konten yang berbeda dari URL-URL tersebut (Wikipedia.org, 2018).
3.6. Artificial Intellegence (AI)
Artificial Intelligence (AI) merupakan bagian dari ilmu komputer yang
mempelajari bagaimana menjadikan mesin (komputer) dapat melakukan pekerjaan
seperti dan sebaik yang dilakukan manusia, bahkan bisa lebih baik. Artificial
Intelligence (AI) menurut John McCarthy (1956) yang dikutip dari jurnal
penelitian
(Pannu, 2015) mengatakan bahwa AI bertujuan untuk mengetahui atau
memodelkan proses berpikir manusia dan mendesain mesin sehingga bisa
menirukan perilaku manusia. Dalam pembuatan aplikasi kecerdasan buatan
terdapat dua hal yang menjadi bagian utama yang dibutuhkan yaitu :

1. Knowladge Base (Basis Pengetahuan). Bagian ini berisi tentang fakta-fakta,

teori, pemikiran dan hubungan antara satu dengan yang lainnya.
2. Inference Engine (Motor Inferensi) yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
 35

Gambar 3.3. Bagian Utama dalam Artificial Intelligence (AI)

 36

Artificial Intelligence (AI) merupakan salah satu disiplin ilmu yang luas,
beberapa lingkup utama AI antara lain adalah Sistem Pakar (Expert System),
Pengolahan Bahasa Alami (Natural Languange Processing/NLP), Pengenalan
Ucapan (Speech Recognition), Computer Vision, Intelligent Computer-Aided
Instruction, dan lainnya. Sistem pakar adalah usaha untuk menirukan seorang
pakar. Tujuan dari sistem pakar yaitu untuk mentransfer kepakaran dari seorang
pakar ke komputer, kemudian ke orang lain (orang yang bukan pakar).
Pengolahan
Bahasa Alami yaitu dimana pengguna bisa melakukan komunikasi dengan
komputer menggunakan bahasa sehari-hari. Pengenalan ucapan yaitu dimana
manusia dapat melakukan komukasi dengan komputer menggunakan suara.
Computer vision yaitu dalam hal menginterpretasikan objek atau gambar yang
tampak melalui komputer. Intelligent Computer-Aided Instruction yaitu
bagaimana
komputer dapat berperan sebagai tutor yang dapat mengajar atau melatih.
Artificial Intelligence (AI) dibuat berdasarkan sistem yang memiliki keahlian
seperti manusia pada domain tertentu yaitu disebut dengan soft computing. Soft
computing merupakan inovasi baru dalam membangun sistem cerdas yang mampu
beradaptasi dan bekerja lebih baik jika terjadi perubahan lingkungan. Soft
computing juga mengeksploitasi adanya toleransi terhadap ketidakpastian,
ketidaktepatan, dan kebenaran parsial sehingga dapat diselesaikan dan
dikendalikan
dengan mudah agar sesuai dengan realita. Metodologi yang sering digunakan
dalam
soft computing salah satunya adalah Jaringan Syaraf (menggunakan
pembelajaran),
yaitu Jaringan Syaraf Tiruan (Artificial Neural Network/ANN). Metologi lain yang
juga digunakan adalah Sistem Fuzzy (mengakomodasi ketepatan), Probabilistic
Reasoning (Mengakomodasi Ketidakpastian), Evolutionary Computing
(Optimasi).

18

Menurut Rich dan Knight (1991) ialah sebuah studi tentang bagaimana
membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih
baik
oleh manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat
hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer
semakin mendominasi kehidupan manusia. Komputer tidak lagi hanya digunakan
sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan
untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia
3.6.1. Mechine Learning
Istilah machine learning pertama kali didefinisikan oleh Arthur Samuel
ditahun 1959. Menurut Arthur Samuel, machine learning adalah salah satu bidang
ilmu komputer yang memberikan kemampuan pembelajaran kepada komputer
untuk mengetahui sesuatu tanpa pemrogram yang jelas. Menurut Mohri dkk
(2012)
machine learning dapat didefinisikan sebagai metode komputasi berdasarkan
 37

pengalaman untuk meningkatkan performa atau membuat prediksi yang akurat.

Definisi pengalaman disini ialah informasi sebelumnya yang telah tersedia dan
bisa
dijadikan data pembelajar.
Dalam pembelajaran machine learning, terdapat beberapa skenarioskenario.
Seperti:

1. Supervised Learning
Penggunaan skenario supervised learning, pembelajaran menggunakan
masukan data pembelajaran yang telah diberi label. Setelah itu membuat
prediksi dari data yang telah diberi label.
2. Unsupervised Learning
Penggunaan skenario Unsupervised Learning, pembelajaran menggunakan
masukan data pembelajaran yang tidak diberi label. Setelah itu mencoba untuk
mengelompokan data berdasarkan karakteristik-karakteristik yang ditemui.
3. Reinforcement Learning
Pada skenario reinforcement learning fase pembelajaran dan tes saling
dicampur. Untuk mengumpulkan informasi pembelajar secara aktif dengan
berinteraksi ke lingkungan sehingga untuk mendapatkan balasan untuk setiap
aksi dari pembelajar.

19

Saat ini telah banyak pendekatan machine learning yang digunakan untuk
deteksi spam, Optical character recognition (OCR), pengenalan wajah, deteksi
penipuan online, NER (Named Entity Recognition), Part-of-Speech Tagger
3.6.2. Deep Learning
Deep Learning merupakan salah satu bidang dari Machine Learning yang
memanfaatkan jaringan syaraf tiruan untuk implementasi permasalahan dengan
dataset yang besar. Teknik Deep Learning memberikan arsitektur yang sangat
kuat
untuk Supervised Learning. Dengan menambahkan lebih banyak lapisan maka
model pembelajaran tersebut bisa mewakili data citra berlabel dengan lebih baik.
Pada Machine Learning terdapat teknik untuk menggunakan ekstraksi fitur dari
data pelatihan dan algoritma pembelajaran khusus untuk mengklasifikasi citra
maupun untuk mengenali suara. Namun, metode ini masih memiliki beberapa
kekurangan baik dalam hal kecepatan dan akurasi.
Aplikasi konsep jaringan syaraf tiruan yang dalam (banyak lapisan) dapat
ditangguhkan pada algoritma Machine Learning yang sudah ada sehingga
komputer
sekarang bisa belajar dengan kecepatan, akurasi, dan skala yang besar. Prinsip ini
terus berkembang hingga Deep Learning semakin sering digunakan pada
komunitas
riset dan industri untuk membantu memecahkan banyak masalah data besar
seperti
Computer vision, Speech recognition, dan Natural Language Processing. Feature
Engineering adalah salah satu fitur utama dari Deep Learning untuk mengekstrak
 38

pola yang berguna dari data yang akan memudahkan model untuk membedakan
kelas. Feature Engineering juga merupakan teknik yang paling penting untuk
mencapai hasil yang baik pada tugas prediksi. Namun, sulit untuk dipelajari dan
dikuasai karena kumpulan data dan jenis data yang berbeda memerlukan
pendekatan teknik yang berbeda juga.
Algoritma yang digunakan pada Feature Engineering dapat menemukan
pola umum yang penting untuk membedakan antara kelas Dalam Deep Learning,
metode CNN atau Convolutional Neural Network sangatlah bagus dalam
menemukan fitur yang baik pada citra ke lapisan berikutnya untuk membentuk
hipotesis nonlinier yang dapat meningkatkan kekompleksitasan sebuah model.

20

Model yang kompleks tentunya akan membutuhkan waktu pelatihan yang lama
sehingga di dunia Deep Learning pengunaan GPU sudah sangatlah umum
(Danukusumo, 2017).
3.6.3. Artificial Neural Network
Artificial Neural Network (ANN) merupakan suatu model komputasi paralel
yang meniru fungsi dari sistem jaringan syaraf biologi otak manusia. Dalam otak
manusia terdiri dari milyaran neuron yang saling berhubungan. Hubungan ini
disebut dengan Synapses. Komponen neuron terdiri dari satu inti sel yang akan
melakukan pemrosesan informasi, satu akson (axon) dan minimal satu dendrit.
Informasi yang masuk akan diterima oleh dendrit. Selain itu, dendrit juga
menyertasi akson sebagai keluaran dari suatu pemrosesan informasi.

Gambar 3.4. Jaringan Syaraf Manusia

Cara kerja dari sistem syaraf diatas adalah bermula pada sinyal masuk
melalui dendrit menuju cell body. Kemudian sinyal akan di proses didalam cell
body
berdasarkan fungsi tertentu (Summation Proses). Jika sinyal hasil proses melebihi
nilai ambang batas (treshold) tertentu maka sinyal tersebut akan membangkitkan
neuron untuk meneruskan sinyal tersebut. Sedang jika dibawah nilai ambang
batasnya maka sinyal tersebut akan dihalangi (inhibited). Kemudian sinyal yang
diteruskan akan menuju ke axon dan akhirnya menuju ke neuron lainnyamelewati
synapse.
 39

ANN merupakan sistem adatif yang dapat mengubah strukturnya untuk

memecahkan suatu masalah berdasarkan informasi internal maupun eksternal.
Menurut Pham dalam jurnal Hermantoro (Pham, 1994) mengatakan bahwa ANN
bersifat fleksibel terhadap inputan data dan menghasilkan output respon
konsisten.
ANN telah banyak digunakan dalam area yang luas. Menurut Kumar & Haynes
(Kumar, 2003) dalam jurnal Ulil Hamida (Hamida, 2014) menjelaskan, penerapan
ANN dapat mengidentifikasi beberapa aplikasi yaitu:

1. Estimasi/prediksi (aproksimasi fungsi, peramalah)

2. Pengenalan Pola (klasifikasi, diagnosis, dan analisis diskriminan)
3. Klustering (pengelompokan tanpa adanya pengetahuan sebelumnya).
3.6.4. Komponen Neural Network
Neural Network memiliki beberapa tipe yang berbeda-beda, akan tetapi
hampir semua komponen yang dimiliki sama. Seperti halnya jaringan syaraf pada
otak manusia, neural network juga terdir dair beberapa neuron unit yang saling
behubungan. Masing-masing dari neuron tersebut akan melakukan transformasi
informasi yang diterima melalui sambungan keduanya menuju neuron lain.
Hubungan ini biasanya disebut dengan sebutan bobot(Weight). Informasi tersebut
disimpan pada suatu nilai tertentu pada bobot tertentu. Berikut adalah struktur
Neuron pada neural network :

Gambar 3.5. Struktur Neural Network

Berdasarkan gambar 3.5 diatas menunjukan struktur yang dimiliki oleh

Neural Network. Komponen yang dimiliki struktur tersebut sebagai berikut :
1. Input terdiri dari variabel independet (X
1

,X
2
,X
3
,..... X
n
,) yang merupakan
sebuah sinyal yang masuk ke sel syaraf.
22
 40

2. Bobot (Weigth) terdiri dari beberapa bobot (W

1

,W
2
,W
3
,..... W
n
,) yang
berhubungan dengan masing-masing node.
3. Threshod merupakan nilai ambang batas internal dari node. Besar nilai ini
mepengaruhi aktivasi dari output node y.
4. Activation Function (Fungsi Aktivasi) merupakan operasi matematika yang
dikenal pada sinyal output y.
Cara kerja struktur neural network diatas tidak jauh berbeda dengan struktur
jaringan syaraf pada manusia. Informasi (input) akan dikirimkan dengan bobot
kedatangan tertentu. Input tersebut kemudian diproses oleh suatu fungsi
perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil
penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang
(treshold)
tertentu melalui fungsi aktivasi setiap neuron. Jika input tersebut melewati suatu
nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Jika tidak, neuron
tersebut tidak akan diaktifkan. Apabila neuron diaktifkan, selanjutnya neuron
tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua
neuron
yang berhubungan dengannya, begitu seterusnya.
Pada neuron layer, penempatan neuron-neuron akan dikumpulkan dalam
neuron layer (lapisan-lapisan). Kemudian neuron-neuron pada satu lapisan akan
di
hubungkan dengan lapsan-lapisan sebelum dan sesudahnya, kecuali lapisan input
dan output. Informasi yang di bawa dari langkah input awal akan dirambatkan dari
lapisan ke lapisan dari lapisan input sampai lapisan output. Lapisan ini sering
disebut dengan istilah hidden layer (lapisan tersembunyi). Pada umumnya setiap
neuron terletak pada lapisan yang sama akan memiliki keadaan yang sama.
Sehingga pada setiap lapisan sama , setiap neuron akan memiliki fungsi aktifasi
yang sama. Koneksi antar lapisan dengan neuron harus selalu berhubungan.
Faktor
terpenting dalam menentukan kelakuan suatu neuron adalah terletak pada pola
bobot dan fungsi aktivasinya.

23

3.6.5. Arsitektur Neural Network

Pada Neural Network , neuron-neuron yang ada pada lapisan yang sama
memiliki keadaan yang sama. Terdapat faktor penting dalam menentukan sifat
suaru neuron yaitu bobot (Weight) dan penggunaan fungsi aktivasi dari neuron
 41

tersebut. Setiap lapisan pada neuron memiliki fungsi aktivasi yang sama.
Arsitektur
yag dapat dibentuk oleh ANN bermacam-macam. Dari yang paling sederhana
terdiri satu neuron (single neuron) sampai yang paling rumit menjadi multi
neuron
(multiple neuron) dalam satu lapis (single layer), sampai jaringan multiple neuron
dalam multiple layers. Beberapa jaringan tersebut memiliki kemampuan yang
berbeda-beda. Semakin rumit suatu jaringan, maka persoalan yang dapat
diselesaikan menjadi lebih luas. Namun terdapat kelemahan yaitu kerumitan
tersebut dapat menimbulkan persoalan tersendiri pada kebutuhan proses trainning
dan simulasi (testing) yang akan memerlukan waktu lebih lama. Menurut
Hermawan (2006), Arsitektur neural network dapat dibagi berdasarkan jumlah
lapisannya diantaranya :
1. Single Layer Neural Network : Jaringan dengan lapisan tunggal terdiri dari 1
lapisan input dan 1 lapisan output. Setiap neuron yang terdapat di dalam lapisan
input selalu terhubung dengan setiap neuron yang terdapat pada lapisan output.
Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi :

Gambar 3.6. Struktur Single Layers Neural Networks

2.Multiple Layers Neural Network : Jaringan dengan lapisan jamak memiliki ciri
khas tertentu yaitu memiliki 3 jenis lapisan yakni lapisan input, lapisan output,
dan lapisan tersembunyi. Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan
dengan lapisan tunggal. Akan tetapi, proses pelatihan sering membutuhkan
waktu yang cenderung lama.

Gambar 3.7. Struktur Multiple Layers Neural Networks

 42

3. Competitive Layers : Pada jaringan ini sekumpulan neuron bersaing untuk

mendapatkan hak menjadi aktif. Contoh algoritma yang menggunakan jaringan
ini adalah LVQ.

3.6.6. Fungsi Aktivasi

Gambar 3.8. Competitive Layers

Fungsi aktivasi merupakan fungsi yang menggambarkan hubungan antara
tingkat aktivitas internal (summation function) yang mungkin berbentuk linear
ataupun non-linear. Fungsi ini bertujuan untuk menentukan apakah neuron
diaktifkan atau tidak. Menurut Samuel Sena dalam articelnya yang diunggah
dalam

25

website Medium (Sena, Pengenalan Deep Learning Part 1 : Neural Network,

2018)
ada beberapa fungsi aktivasi yang sering digunakan dalam Neural Nerwork, yaitu
sebagai berikut :

1. Fungsi Aktivasi Linear

Fungsi Aktivasi lenear merupakan fungsi yang memiliki nilai output yang sama
dengan nilai inputnya. Hal ini berkaitan dengan, jika sebuah neuron
menggunakan linear activation, maka keluaran dari neuron tersebut adlaah
weighted sum dari input + bias. Grafik fungsi linear ditunjukan oleh gambar
3.8.

2. Fungsi Aktivasi Sigmoid

Fungsi aktivasi sigmoid merupakan fungsi nonlonear. Masukan untuk fungsi
aktivasi ini berupa bilangan real dan output dari fungsi tersebut memiliki range
 43

antara 0 sampai 1. Berikut ini grafik fungsi aktivasi sigmoid:

Gambar 3.10. Fungsi Aktivasi Sigmoid

Jika input dari suatu node pada neural network bernilai negatif maka keluaran
yang didapatkan adalah 0, sedangkan jika masukannya berilai positif maka
keluaran
nilainya adalah satu. Fungis ini memiliki kekurangan yaitu sigmoid dapat
mematikan gradient, ketika aktivasi dari neuron mengeluarkan nilai yang berada
pada range 0 atau satu, dimana gradient di wilayah ini hampir bernilai 0.
Kemudian
output dari sigmoid tidak zero-centered

3. Fungsi Aktivasi Tanh

Fungsi aktivasi Tanh merupakan fungsi nonlonear. Masukan untuk fungsi
aktivasi ini berupa bilangan real dan output dari fungsi tersebut memiliki range
antara -1 sampai 1. Berikut ini grafik fungsi aktivasi tanh :
 44

Gambar 3.11. Fungsi Aktivasi Tanh

Sama seperti fungsi sigmoid, fungsi ini memiliki kekurangan yaitu dapat
mematikan gradient, akan tetapi fungsi ini juga memiliki kelebihan yaitu output
yang dimiliki fungsi Tanh merupakan zero-centered. Dalam pengaplikasiannya
fungsi Tanh lebih menjadi pilihan jika dibandingkan dengan fungsi sigmoid.
Fungsi
Perlu diketahui fungsi tanh merupakan pengembangan dari fungsi Sigmoid.

4. Fungsi Aktivasi ReLU

Pada dasarnya fungsi ReLU (Rectified Linear Unit) melakukan “treshold” dari
0 hingga infinity. Fungsi ini menjadi salah satu fungsi yang populer saat ini.
Berikut
ini grafik fungsi aktivasi tanh

Gambar 3.5. Struktur Neural Network

Berdasarkan gambar 3.5 diatas menunjukan struktur yang dimiliki oleh
Neural Network. Komponen yang dimiliki struktur tersebut sebagai berikut :
1. Input terdiri dari variabel independet (X
1

,X
2
,X
3
,..... X
n
,) yang merupakan
sebuah sinyal yang masuk ke sel syaraf.
 45

22

2. Bobot (Weigth) terdiri dari beberapa bobot (W

1

,W
2
,W
3
,..... W
n
,) yang
berhubungan dengan masing-masing node.
3. Threshod merupakan nilai ambang batas internal dari node. Besar nilai ini
mepengaruhi aktivasi dari output node y.
4. Activation Function (Fungsi Aktivasi) merupakan operasi matematika yang
dikenal pada sinyal output y.
Cara kerja struktur neural network diatas tidak jauh berbeda dengan struktur
jaringan syaraf pada manusia. Informasi (input) akan dikirimkan dengan bobot
kedatangan tertentu. Input tersebut kemudian diproses oleh suatu fungsi
perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil
penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang
(treshold)
tertentu melalui fungsi aktivasi setiap neuron. Jika input tersebut melewati suatu
nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Jika tidak, neuron
tersebut tidak akan diaktifkan. Apabila neuron diaktifkan, selanjutnya neuron
tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua
neuron
yang berhubungan dengannya, begitu seterusnya.
Pada neuron layer, penempatan neuron-neuron akan dikumpulkan dalam
neuron layer (lapisan-lapisan). Kemudian neuron-neuron pada satu lapisan akan
di
hubungkan dengan lapsan-lapisan sebelum dan sesudahnya, kecuali lapisan input
dan output. Informasi yang di bawa dari langkah input awal akan dirambatkan dari
lapisan ke lapisan dari lapisan input sampai lapisan output. Lapisan ini sering
disebut dengan istilah hidden layer (lapisan tersembunyi). Pada umumnya setiap
neuron terletak pada lapisan yang sama akan memiliki keadaan yang sama.
Sehingga pada setiap lapisan sama , setiap neuron akan memiliki fungsi aktifasi
yang sama. Koneksi antar lapisan dengan neuron harus selalu berhubungan.
Faktor
terpenting dalam menentukan kelakuan suatu neuron adalah terletak pada pola
bobot dan fungsi aktivasinya.
3.6.5. Arsitektur Neural Network
Pada Neural Network , neuron-neuron yang ada pada lapisan yang sama
memiliki keadaan yang sama. Terdapat faktor penting dalam menentukan sifat
suaru neuron yaitu bobot (Weight) dan penggunaan fungsi aktivasi dari neuron
tersebut. Setiap lapisan pada neuron memiliki fungsi aktivasi yang sama.
Arsitektur
 46

yag dapat dibentuk oleh ANN bermacam-macam. Dari yang paling sederhana
terdiri satu neuron (single neuron) sampai yang paling rumit menjadi multi
neuron
(multiple neuron) dalam satu lapis (single layer), sampai jaringan multiple neuron
dalam multiple layers. Beberapa jaringan tersebut memiliki kemampuan yang
berbeda-beda. Semakin rumit suatu jaringan, maka persoalan yang dapat
diselesaikan menjadi lebih luas. Namun terdapat kelemahan yaitu kerumitan
tersebut dapat menimbulkan persoalan tersendiri pada kebutuhan proses trainning
dan simulasi (testing) yang akan memerlukan waktu lebih lama. Menurut
Hermawan (2006), Arsitektur neural network dapat dibagi berdasarkan jumlah
lapisannya diantaranya :
1. Single Layer Neural Network : Jaringan dengan lapisan tunggal terdiri dari 1
lapisan input dan 1 lapisan output. Setiap neuron yang terdapat di dalam lapisan
input selalu terhubung dengan setiap neuron yang terdapat pada lapisan output.
Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi :

Gambar 3.6. Struktur Single Layers Neural Networks

2. Multiple Layers Neural Network : Jaringan dengan lapisan jamak memiliki ciri
khas tertentu yaitu memiliki 3 jenis lapisan yakni lapisan input, lapisan output,
dan lapisan tersembunyi. Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan
dengan lapisan tunggal. Akan tetapi, proses pelatihan sering membutuhkan
waktu yang cenderung lama.
 47

3.6.7. Algoritma Backpropagation

Neural network merupakan suatu model komputasi yang sistemnya
mengikuti syaraf manusia. Jaringan ini membutuhkan proses pembelajaran.
Pembelajaran ini bertujuan untuk melakukan suatu proses dalam enentuka nilai
bobot (weight) yang tepat untuk masing-masing input. Salah satu algoritma
pembelajaran yang dimiliki oleh neural network adalah backpropagation.
Backpropagation merupakan algoritma pembelajaran yang digunakan oleh
perceptron dengan banyak lapisan untuk mengubah setiap bobot yang terhubung
dengan neuron pada hidden layers. Penggunaan error di dalam backpropagation
bertujuan untuk mengubah nilai setiap bobot dalam arah mundur (backward).
Sebelum mendapatkan error ini, terdapat tahap awal yang harus dilakukan yaitu
tahap perambatan maju (forward).
Pelatihan backpropagation meliputi tiga tahap. Tahap pertama adalah tahap
maju (forward). tahap ini menghitung maju tahap layer input sampai tahap
layer
output dengan menggunakan fungsi aktivasi yang telah ditentukan. Tahap kedua
adalah tahap mundur (backward), pada tahap ini selisih antara output jaringan
dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan
tersebut dipropagasikan mundur, mulai dari garis yang terhubung langsung
dengan
setiap unit pada layer output. Kemudian tahap yang ketiga adalah tahap yang akan
memodifikasi bobot untuk menurunkan tingkat kesalahan yang terjadi
(Jumarwanto, 2009). Berikut adalah langkah dari altgoritma Backpropagation:
Tahap Pertama : Propagasi maju (Forward)

a. Langkah 0 : Inisialisasi semua bobot dengan bilangan kecil

b. Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9
c. Langkah 2 : Untuk setiap pasangan data pelatihan lakukan langkah 3-8
d. Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit
tersembunyi di atasnya
e. Langkah 4 : Hitunglah semua output di unit tersembunyi tersebut z
j
(j=1,2,...,p). Perhatikan rumus dibawah ini :
z_net
j
=V
jo
𝑗𝑖
𝑛
+
∑
𝑥
𝑖=1
𝑗
𝑣
(3.3)
z
j
=f (z_net
j
 48

)=
1
1+ 𝑒
(3.4)
f. Langkah 5 : Hitunglah semua keluaran jaringan di unit y
k
-𝑧_𝑛𝑒𝑡
𝑗

(k = 1,2, ... , m)
perhatikan rumus dibawah ini :
y_net
k
y
k
=w
ko
=f (y_net
k
𝑘𝑖
𝑝
+
∑
𝑧
)=
𝑗=1
1
1+ 𝑒
𝑗
𝑤
-𝑦_𝑛𝑒𝑡
𝑘

(3.5)
(3.6)

Tahap Kedua : Propagasi Mundur

g. Langah 6 : Hitung faktor d

unit keluaran berdasarkan error pada setiap y

k
(k
=1,2, ..., m ) Perhatikan rumus berikut ini :
d
k
d
k
= (t
k
–y
k
)𝑓
'
(y_net
k
 49

) = (t
k
–y
k
)y
k

(1- y
k
) (3.7)
merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer
di bawahnya ( langkah 7). Hitung suku perubahan bobot w
kj
dengan laju
percepatan a. Peratikan rumus berikut ini :
Δw
kj
ad
k
z
j
; k = 1,2, ..... , m ; j = 0,1,2, ... , p (3.8)