Klasifikasi Sinyal Elektrokardiografi Menggunakan
Wavelet Transform Dan Neural Network
Fuad Lutfi*, Achmad Arifin
Jurusan Teknik Elektro, ITS Surabaya 60111 Phone : (62 31) 594 7302, Fax : (62 31) 593 1237
*
email : fuad.lutfi10@mhs.ee.its.ac.id
Abstrak-Elektrokardiografi (EKG) merupakan metode
yang umum digunakan untuk mengukur kinerja
jantung manusia melalui aktivitas elektrik jantung.
Pada penelitian ini telah direalisasikan sebuah sistem
yang mampu menganalisis dan mengklasi-fikasikan
kelainan sinyal EKG. Continuous Wavelet Transform
(CWT) dengan fungsi Morlet digunakan untuk
mengeksplorasi karakteristik time-frequency sinyal
EKG. Klasifikasi sinyal EKG dilakukan dengan
Artificial Neural Network (ANN) metode algoritma
backpropagation. Konfigurasi ANN adalah 20.000
neuron pada lapisan masukan, 50 neuron pada
lapisan tersembunyi, dan 3 neuron pada lapisan
keluaran. Sinyal EKG yang digunakan diambil dari
database MIT-BIH Arrhythmia, termasuk sinyal
denyut normal dan sinyal denyut bundle branch blok
(BBB). Hasil komputasi CWT menunjukkan perbedaan
karakteristik time-frequency yang signifikan antara
sinyal normal dan sinyal BBB. Dalam pengujian
kinerja klasifikasi ANN dengan data yang sebelumnya
telah dilatih (sejumlah 25 data untuk 3 kelas : normal,
left bundle branch block, right bundle branch block),
masing-masing kelas 100% dikenali. Pengujian
dengan data yang belum dilatih, ANN mengenali data
dengan akurasi 87,04%. Dalam pengujian dengan
validasi silang, ANN menunjukkan kinerja yang baik
dengan sensitivitas 87% dan spesifisitas 95%. Hasil
pengujian menunjukkan efektivitas pengenalan pola
sinyal EKG menggunakan CWT dan ANN. Oleh
karena itu, metode yang diusulkan ini diharapkan
dapat diwujudkan dalam pengembangan Sistem
Cerdas Diagnosa Jantung untuk aplikasi klinis.
. frequency, beberapa metode yang terkenal adalah
Kata Kunci: Electrocardiografi (EKG), MIT-BIH
Arrhythmia database, Continuous Wavelet Transform
(CWT), Artificial Neural Network (ANN), Sistem
Cerdas Diagnosa Jantung.
1. PENDAHULUAN
Gejala abnormalitas pada jantung seringkali datang
secara tiba-tiba. Untuk itu, pengenalan secara dini
terhadap penyakit jantung dengan prosedur dan
penanganan lanjutan dapat mencegah peningkatan
resiko fatal dari serangan jantung. Informasi seputar
kerja jantung dapat diperoleh melalui prinsip
kelistrikan pada jantung menggunakan sebuah
instrumen medis yang disebut Electrocardiograf
(EKG). Seperti yang ditunjukkan pada gambar 1, EKG
terdiri dari tiga gelombang dasar : P, QRS, dan T.
136
Gambar 1. Komponen Sinyal EKG normal
Gelombang ini sesuai dengan medan jauh yang
disebabkan oleh fenomena listrik spesifik pada
permukaan jantung, yaitu depolarisasi atrium, P,
depolarisasi ventrikel, QRS kompleks, dan repolarisasi
ventrikel, T.
Sinyal biomedik pada umumnya adalah sinyal
nonstasioner. Sinyal elektrik jantung termasuk sinyal
biomedik yang nonstationer, dimana sinyal ini mem-
punyai karakteristik waktu-frekuensi yang sangat
kompleks[1], hal ini dikarenakan sifat sinyal non-
stationer yang memiliki perubahan frekuensi di setiap
waktu. Dengan cara ini maka deteksi bentuk sinyal
dan durasi yang memisahkan mereka dapat dilakukan
dengan lebih teliti. Ketidaknormalan sinyal EKG
dapat diketahui dari berkurang atau berlebihnya durasi
waktu dan frekuensi sinyal normal yang telah
ditentukan oleh ahli kardiovaskular.
Ada banyak metode yang dapat digunakan dalam
menganalisa sinyal elektrik jantung berdasarkan time-
wigner-ville distribution (WVD), transformasi fourier
(TF), Short Time Fourier Transform (STFT), dan
wavelet transform (WT). Pada penelitian sebelumnya
telah ditunjukkan bahwa FFT dapat menginformasikan
frekuensi yang berharga. Akan tetapi, FFT tidak
mempertimbangkan waktu [2]. Pada perkembangan
selanjutnya, TF berkembang menjadi Short Time
Fourier Transform (STFT) yang dibuat secara
terpotong-potong berdasarkan window yang telah
ditentukan dan berpengaruh pada resolusi time-
frequency yang mampu dianalisa. Apabila panjang
window waktunya sempit, maka resolusi frekuensinya
buruk. Sebaliknya, apabila panjang window waktunya
lebar maka resolusi waktunya buruk. Metode alternatif
yang telah berkembang hingga sekarang adalah
menggunakan wavelet transform (WT) [3].
WT merupakan suatu multiresolution analysis yang
dapat merepresentasikan informasi waktu dan
frekuensi sinyal elektrik jantung dengan penggunaan
modulasi window yang fleksibel. WT sangat baik
dalam menganalisa time-frequency untuk sinyal yang
non-stationer [3]. Teknik yang digunakan dalam WT
adalah pada menyempit dan melebarnya fungsi mother
wavelet yang merupakan fungsi basis yang akan
dikonvolusikan terhadap sinyal yang akan diekstrak.
Salah satu jenis metode WT yaitu Continuous wavelet
transform (CWT) yang memiliki kemampuan analisa
spectral lebih tepat dari sinyal yang nonstationer.
Hasil studi di literatur telah menunjukkan bahwa WT
adalah metode yang paling menjanjikan untuk
mengekstrak fitur yang mencirikan perilaku dari
sinyal EKG [4].
Hasil ekstraksi parameter-parameter karakteristik
sinyal EKG pada domain time-frequency ini mem-
punyai tingkat variabilitas yang sangat tinggi. Suatu
sinyal EKG dapat menampilkan interval waktu dan
frekuensi yang berbeda-beda maka akan menghasilkan
pola sinyal yang berbeda-beda pula. Untuk mem-
bedakan antara sinyal kondisi normal dan abnormal
maka diperlukan suatu classifier guna mendapat
klasifikasi terbaik pola sinyal. Salah satu cara yang
paling handal dalam pengenalan pola adalah artificial
neural network (ANN) [5]. ANN mampu menyele-
saikan persoalan rumit yang sulit atau bahkan tidak
mungkin jika diselesaikan dengan menggunakan
komputasi konvensional. ANN merupakan salah satu
sistem pemrosesan informasi yang didesain dengan
menirukan cara kerja otak manusia dalam menye-
lesaikan suatu masalah dengan melakukan proses
belajar melalui perubahan bobot sinapsisnya. ANN
mampu melakukan pengenalan kegiatan berbasis data
masa lalu yang akan dipelajari sehingga mempunyai
kemampuan untuk memberikan keputusan terhadap
data yang belum pernah dipelajari.
komputasi yang lebih objektif pada saat subyektifitas
analis menjadi dominan.
Analisa sinyal EKG adalah variasi besar dalam bentuk
gelombang morfologi EKG yang memiliki
kompleksitas dan bersifat nonstationer. Kami menga-
tasi masalah kinerja pengklasifikasi dengan menggu-
nakan kombinasi CWT dalam rangka mempersiapkan
data masukan yang lebih efektif untuk pengklasifikasi
neural network, yang menyebabkan hasil klasifikasi
yang lebih baik.
2. METODE
Skema yang dirancang dari algoritma dalam penelitian
ini untuk klasifikasi denyut EKG ditunjukkan pada
Gambar 2. Tahap pertama adalah tahap pengolahan
data yaitu pemilihan sample data, segmentasi data, dan
akhirnya ekstraksi fitur. Tahap berikutnya adalah
klasifikasi denyut EKG, yang merupakan tujuan utama
dari penelitian ini.
2.1. Pengambilan Data
Data dari sinyal EKG yang digunakan dalam
penelitian ini diambil dari database sinyal EKG MIT-
BIH Arrhythmia, 10 file dengan panjang waktu 1
menit dan sample frequency 360 Hz, sinyal denyut
normal dan dua jenis denyut aritmia yang berbeda.
Semua file yang dipilih dilakukan segmentasi 6 detik
sehingga didapat 100 sampel data percobaan, Tabel 1
menunjukkan jenis file dan klasifikasinya. Untuk
tulisan ini, jenis aritmia yang dipilih adalah right
bundle branch block (RBBB) dan left bundle branch
block (LBBB).
Sinyal EKG
Persiapan Data
Pengumpulan Data

Peneliti sebelumnya telah efisien meng-gunakan ANN

untuk mendeteksi dan mengklasi-fikasikan sinyal Segmentasi Data
EKG seperti yang dilakukan oleh [6][7], namun tidak
menggunakan isyarat EKG domain frekuensi serta
Komputasi Ekstraksi Fitur
ukuran jaringan yang digunakan cukup besar sehingga CWT
membutuhkan waktu untuk pelatihan dan pengujian
sistem. Oleh karena itu, performansi pengklasifikasian Klasifikasi Data
ANN sinyal EKG harus dikelola menjadi lebih sensitif
dan dapat lebih teliti dalam menganalisa kelainan yang ANN Backpropagation
muncul dari karakteristik sinyal EKG. Salah satu jenis
ANN yang mampu memberikan unjuk kerja yang Class1 Class2 Class3
bagus adalah ANN dengan pembelajaran
Gambar 2. Blok Diagram Penelitian
Backpropagation[7]. Dengan peningkatan performansi
klasifikasi ANN Backpropagation akan diperoleh
pengklasifikasi terbaik berbasis pada model saraf Tabel 1. File dan klasifikasinya dari database MIT-BIH
biologis manusia sehingga komputer dapat
menduplikasi kecerdasan manusia dan diharapkan Class Records Jumlah File
akan memberikan kemudahan bagi analis medis di Normal 100-103-112-115-234 50
lapangan dengan menghadirkan data analisa hasil RBBB 118-124-212 30
LBBB 109-111 20

137
 2.2. Komputasi CWT
CWT merupakan pengkonvolusian sinyal x(t) dengan
sebuah fungsi window yang dapat berubah disetiap
waktu pada skala yang diinginkan. CWT dapat
direpresentasikan ke dalam persamaan (1). Dimana a
adalah faktor skala dengan nilainya berbanding
terbalik dengan frekuensi, b adalah lokasi waktu, ψ
adalah fungsi mother wavelet, * adalah fungsi
matematis konjungat kompleks. Mother wavelet yang
digunakan dalam penelitian ini adalah morlet.
Morlet merupakan fungsi Gaussian yang termodulasi
oleh eksponential komplek, fungsi mother wavelet
morlet ditunjukan dalam persamaan (2), dengan nilai
ω 0 =2π (0.849) [7]. Morlet memiliki bagian real dan
imaginary.
t2
1
ψ
−
(t ) = e 2
e − jω0t
morlet 4
π sehingga jaringan dapat mengenali pola ini. Jenis pola
Dalam menghitung CWT sinyal EKG, diperlukan
berbagai skala tertentu, yang cocok dan tepat untuk
ekstraksi fitur. Dengan s = 0.001 maka diperoleh nilai
mother wavelet (ψ Re dan ψim ) yang kemudian
dikalikan dengan amplitudo sinyal x(t).Perkalian
dilakukan pada semua waktu kemudian dijumlahkan
(diintegralkan). Hasilnya dikalikan dengan 1/ , Keputusan TP terjadi ketika deteksi sinyal normal dari
sehingga diperoleh nilai CWT real dan CWT imajiner
yang dapat dihitung magnitudonya dengan persamaan
3.
Dalam penelitian ini, analisis menunjukkan bahwa
komputasi CWT dalam kisaran skala s = 0.001, dapat
menyebabkan analisis yang lengkap dan berguna.
Karena dalam rentang ini, baik noise dari sinyal dan
efek perbedaan morfologis dapat dianalisis dan fitur
diekstrak akan berguna untuk klasifikasi dari sinyal
yang diteliti. Hasil CWT merupakan fitur matriks
berukuran 100x200, selanjutnya diubah menjadi
vektor 20.000 elemen yang akan menjadi input untuk
pengklasifikasi sinyal EKG.
2.3. Klasifikasi Sinyal EKG
Setelah karakteristik ciri dilakukan, langkah
berikutnya adalah mengenali ciri yang diambil dari
tiap data. Sebagai pengklasifikasi digunakan metode
Artificial Neural Network dengan pembelajaran
Backpropagation. Klasifikasi data dilakukan dengan
memisahkan sinyal EKG ke dalam dua bagian, yaitu
data untuk pelatihan dan data untuk pengujian. 75 data
Tabel 2. Pola Vektor Keluaran
No Klasifikasi data
1 Kondisi normal
2 Right Bundle Branch Block
3 Left Bundle Branch Block
138
Gambar 3. Arsitektur Jaringan Backpropagation
vektor CWT sinyal EKG menjadi data pelatihan dan
25 data menjadi data pengujian. Jaringan ini
mempunyai input 20.000 (x 1 , x 2 ,…, x 20000 ), 50 hidden
(1) node (z 1 , z 2 ,… z 50 ), dan output bertipe Boolean untuk
identifikasi kondisi (y 1, y 2, y 3 ). Arsitektur jaringan
dapat dilihat pada Gambar 3. Pola keluaran yaitu 3
(2) target keluaran dalam bentuk biner yang akan dilatih
tersebut dapat dilihat pada Tabel 2.
Untuk mengevaluasi hasil klasifikasi, dari hasil
pengujian dihitung sensitifitas (Se), spesifisitas (Sp)
dan Total akurasi (Ta). Langkah-langkah didefinisikan
menggunakan True Positive (TP), True Negative
(TN), False Positive (FP) dan False Negative (FN).
classifier dan dokter dianggap benar. Keputusan TN
terjadi ketika classifier dan dokter keduanya
menyarankan adanya ketidaknormalan. FP terjadi
ketika sinyal normal dianggap sebagai sinyal
(3) abnormal oleh sistem. Sedangkan, FN terjadi ketika
sinyal abnormal dianggap normal oleh sistem.
Sensitifitas dihitung dari jumlah identifikasi benar dari
pengujian dengan sinyal EKG normal. Spesifisitas
dihitung dari jumlah identifikasi benar dari pengujian
sinyal abnormal. Total akurasi dihitung dari total
klasifikasi benar dari total pengujian dengan sinyal
normal dan abnormal.
Sensitivity = TP / (TP + FN)………………....…. (4)
Specificity= TN / (FP + TN) …………………… (5)
Accuracy = (TP + TN) / N……………………… (6)
3. HASIL DAN PEMBAHASAN
Pada penelitian ini, CWT mampu menunjukan
karakterisasi perbedaan nilai waktu dan frekuensi
kondisi normal dan kelainan bundle branch block
(BBB). Sinyal EKG normal dan BBB dalam domain
waktu dan koefisien CWT dapat dilihat pada Gambar
4. Perbedaan dominan terlihat dari lebar kompleks
QRS, hal ini menggambarkan adanya keterlambatan
hantaran impuls saat depolarisasi ventrikel. Rentang
waktu kondisi normal < 0.12 detik, sedangkan rentang
Data keluaran biner waktu kondisi BBB > 0.12 detik. Hasil komputasi
100 CWT berupa vektor 20.000 elemen telah siap
010 dijadikan input untuk pengklasifikasi sinyal EKG.
001
 (a) (b)
Gambar 4. Sinyal EKG dalam domain waktu dan Koefisien CWT : a) Sinyal EKG normal (file 100); b) Sinyal EKG BBB

Hasil CWT dengan jumlah data sebanyak 100 file
dalam bentuk file *.txt (50 sampel sinyal normal, 30
sampel sinyal rbbb, dan 20 sampel sinyal lbbb),
75% data digunakan sebagai data pelatihan dan
pengujian, 25% data lainnya digunakan sebagai data
pengujian tanpa melalui proses pelatihan. Target
keluaran merupakan tiga klasifikasi pola sinyal
EKG normal, rbbb dan lbbb. Pelatihan dilakukan
dengan target error 0,001 dan learning rate 0,5.
Jumlah data pelatihan adalah 75 sampel sinyal EKG
(40 sinyal normal, 21 sinyal rbbb, dan 14 sinyal
lbbb).
Tahap pengujian dibedakan terhadap data yang
telah dilatih dan pengujian terhadap data baru.
Untuk pengujian terhadap data yang telah dilatih
dilakukan dengan menggunakan konfigurasi terbaik
dari proses pelatihan yang telah dilakukan. Jumlah
data 75 sampel sinyal EKG (40 sinyal normal, 21
sinyal rbbb, dan 14 sinyal lbbb). Tujuan dari
pengujian ini adalah untuk melihat kehandalan
ANN dalam belajar mengenali pola sinyal pada
EKG yang direpresentasikan oleh nilai prosentase
akurasi/keberhasilan dan nilai error kerja. Hasil
keluaran pengujian data latih diidentifikasikan
dengan target keluaran biner, jika nilai keluaran
sesuai dengan target maka identifikasi dianggap
benar. Dari hasil pengujian jaringan terhadap data
yang telah dilatih dapat mengenali semua pola data
dengan tingkat akurasi 100%, prosentase keber-
hasilan untuk setiap kelas data dapat dilihat pada
Tabel 3. Hal ini menunjukan bahwa ANN sangat
handal dalam melakukan proses pembelajaran
terhadap data yang telah dilatih.
Untuk melihat kehandalan ANN dalam melakukan
klasifikasi pola maka selanjutnya dilakukan pengujian
terhadap data baru sebanyak 25 data uji baru yang
terdiri dari 10 sinyal normal, 9 sinyal rbbb dan 6
sinyal lbbb. Dari hasil pengujian jaringan terhadap
data baru prosentase tingkat akurasi mencapai
87.04%, yaitu ANN dapat mengenali 10 pola data
sinyal normal dari 10 jumlah data pengujian, dapat
mengenali 7 pola data sinyal rbbb dari 9 jumlah data
pengujian, juga dapat mengenali 5 pola data sinyal
lbbb dari 6 jumlah data pengujian. Prosentase
keberhasilan untuk setiap kelas data dapat dilihat pada
Tabel 4.

Tabel 3. Persentase Keberhasilan Pengenalan Pola Sinyal Tabel 4 Persentase Keberhasilan Pengenalan Pola Sinyal EKG
EKG pada Sampel Data Latih pada Sampel Data Test

Predicted class Predicted class

Klasifikasi ∑ Persentase Klasifikasi ∑ Persentase
Normal RBBB LBBB Normal RBBB LBBB
Normal 40 0 0 40 100 % Normal 10 0 0 10 100 %
Actual
Actual

class
class

RBBB 0 21 0 21 100 % RBBB 0 7 2 9 77.78 %

LBBB 0 0 14 14 100 % LBBB 0 1 5 6 83.33 %
∑ 40 21 14 75 100 % ∑ 10 8 7 25 87.04 %

139
 Pengujian berikutnya dilakukan dengan cara cross Keakuratan sistem dituntut mampu mengenali pola
validation, yaitu menukar data latih menjadi data test yang telah diajarkan maupun pola mirip dan
dan sebaliknya data test dijadikan sebagai data latih. keakuratan data saat pembelajaran awal pola yang
Dari 100 data set, 70 data dijadikan sebagai data latih dikenalkan, sehingga ANN Backpropagation
dengan komposisinya adalah 35 klasifikasi sinyal merupakan kolaborasi seorang programmer yang
normal, 21 klasifikasi sinyal RBBB dan 14 klasifikasi bertanggung jawab atas keakuratan sistem pemroses
sinyal LBBB. 30 data lainnya dijadikan validasi data dan seorang dokter yang bertanggung jawab atas
untuk testing dengan komposisinya adalah 15 keakuratan pelatihan
klasifikasi sinyal normal, 9 klasifikasi sinyal RBBB
4. KESIMPULAN
dan 6 klasifikasi sinyal LBBB. Proses cross validation
diulangi sampai 10 kali, dengan setiap sample tepat
Pada penelitian ini, sinyal EKG diekstrak
digunakan sekali sebagai validasi data. Pengujian ini
menggunakan CWT dengan memanfaatkan mother
dilakukan pada semua bagian dari data set digunakan
wavelet Morlet. CWT mampu menunjukan
untuk training dan testing sehingga setiap bagian
karakterisasi perbedaan nilai waktu dan frekuensi
mendapatkan perlakuan yang sama.
kondisi normal dan kelainan bundle branch block
Hasil pengujian cross validation dengan 70 data latih (BBB). Hasil ekstraksi karakteristik parameter-
dan 30 data testing selanjutnya dijadikan pedoman parameter sinyal EKG ini selanjutnya dijadikan input
untuk mendapatkan nilai Sensitifitas dan Spesifisitas. dari ANN Backpropagation.
Sensitifitas (Se) merupakan probabilitas yang
ANN Backpropagation hasil perancangan ini mampu
mempunyai pengujian benar dari sekelompok data
mengenali pola yang telah diajarkan dengan tingkat
sinyal EKG yang mempunyai klasifikasi benar,
keakuratan 100%, sedangkan kemampuan pengenalan
sedangkan Spesifisitas (Sp) merupakan probabilitas
pola terhadap data baru prosentase tingkat akurasinya
yang mempunyai pengujian salah dari sekelompok
mencapai 87.04%. Hasil pengujian menunjukkan
data sinyal EKG yang mempunyai klasifikasi salah.
efektifitas dari pengenalan pola sinyal EKG dengan
Hasil perhitungan dari 10 kali percobaan yang
menggunakan metode CWT dan ANN Backpro-
ditampilkan dalam Tabel 5, didapatkan rata-rata nilai
pagation. Pengembangan sistem diagnosa kelainan
Sensitifitas (Se) 0.87±0.08 (87%) dan nilai Spesifisitas
jantung ini dapat menghadirkan data analisa sinyal
(Sp) 0.95±0.03 (95%).
EKG melalui hasil komputasi yang lebih objektif pada
ANN Backpropagation hasil perancangan ini memiliki saat subyektifitas analis medis menjadi dominan.
tingkat akurasi yang lebih baik dalam mengenali pola
sinyal normal dengan rata-rata keakuratan 97,33%, DAFTAR REFERENSI
sedangkan tingkat akurasi untuk kelas rbbb dan lbbb [1] Akay, Metin (1997). “Wavelet Applications in
masing-masing 82.22% dan 86.67%. Ketidakakuratan Medicine”, IEEE Spectrum. Biomed. Eng.
terjadi disebabkan oleh kemiripan pola sinyal rbbb p.50-56.
atau lbbb yang sama-sama memiliki proses [2] Cvetkovic, Dean. Ubeyli, Elif Derya. Cosic,
melebarnya kompleks QRS sebagai gambaran dari Irena.(2008), “Wavelet Transform Feature
terhambatnya impuls di ventrikel kanan atau kiri. Extraction From Human PPG, ECG, and EEG
Selain itu, ketidakakuratan juga terjadi untuk Signal Responses to ELF PEMF Exposures : A
pengenalan pola mirip yang belum diajarkan pada Pilot Study,” Digital Signal Processing.,
jaringan syaraf. Selain itu semakin banyak sample vol.18, pp. 861-874.
training yang dilatihkan, semakin tinggi persentase [3] Polikar, Robi. (1996), “The Wavelet Tutorial
keberhasilan dalam pengenalan sinyal EKG. Part III Multiresolution Analysis and The
Continues Wavelet Transform 2nd ed,”.
[4] Addison PS. (2005), “Wavelet transforms and
Tabel 5. Nilai Sensitifitas dan Spesifisitas Hasil pengujian the ECG : a review”. Physiological Measure-
cross validation dengan 70 data latih dan 30 data testing ment vol.26,. pp.155-199.
[5] Ham, Fredric M. (2000), Principles of
Pengujian Hasil Pengujian Sensitifitas Spesifisitas
Neurocomputing for Science and Engineering.
Ke- TP FN FP TN Se Sp
1 9 1 1 19 0.87 0.96
McGraw-Hill Companies, Inc. Singapore.
2 8 1 1 20 0.89 0.95 [6] Silipo, R., Marchesi, C. (1998), Artificial Neural
3 8 1 1 20 0.89 0.95 Networks for Automatic ECG Analysis, IEEE
4 9 2 2 17 0.79 0.93 Transactions on Signal Processing, Vol. 46-5.
5 10 0 0 20 1.00 1.00 [7] Heden, B., Ohlson, M., Rittner, R., Pahlm, O.,
6 8 2 2 18 0.73 0.89 Haisty, W., K., Peterson, C. and Edenbrandt,
7 9 1 2 18 0.86 0.92 L. (1996), “Agreement Between Artificial
8 8 2 1 19 0.83 0.92
9 9 1 1 19 0.87 0.96
Neural Networks and Experienced Electro-
10 10 1 0 19 0.96 0.99 cardiographer on Electrocardiographic Diag-
nosis of Heald Myocardial Infarction”, JACC
Rata-rata Se dan Sp 0.87±0.08 0.95±0.03
Elsevier Science Inc, Vol. 28, No. 4.

140