PROPOSAL

IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK MENDETEKSI

SINYAL ARITMIA JANTUNG MENGGUNAKAN RASPBBERY PI

Oleh:

M. Firdaus Putra
NIM: 1507111532

PROGRAM STUDI TEKNIK INFORMATIKA S1

FAKULTAS TEKNIK
UNIVERSITAS RIAU
2019
 PRAKATA

Assalamu’alaikum Warahmatullahi Wabarakatuh.

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 kepada sebagai berikut.
1. Orang tua tercinta, yang memberikan doa dan dukungan baik moral maupun
material kepada penulis agar berusaha mencapai hasil terbaik.
2. Bapak Dr. Feri Candra, MT selaku Dosen Pembimbing dan Kepala Program
Studi Teknik Informatika Universitas Riau Pekanbaru.
3. Seluruh Dosen Teknik Informatika yang selama ini memberikan ilmu yang
sangat bermanfaat.
4. Seluruh Staff Jurusan Teknik Elektro Fakultas Teknik yang sudah
mempermudah penulis mengurus surat-surat perizinan.
5. Bapak Dr.Ari Sandyavitri selaku Dekan Fakultas Teknik Universitas Riau.
6. Teman-teman Prodi S1 Teknik Informatika Universitas Riau Angkatan 2015
yang mendongkrak semangat penulis mengerjakan skripsi.
7. 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 kritik dan saran dari
para pembaca untuk penulisan skripsi yang lebih baik lagi. Akhir kata, semoga
Skripsi ini mampu memberikan manfaat kepada penulis secara pribadi dan
pembaca pada umumnya.
Wassalamu’alaikum Warahmatullahi Wabarakatuh

i
 Pekanbaru, 07 Desember 2019
Penulis,

M. Firdaus Putra

ii
 2

BAB I
PENDAHULUAN

1.1. Latar Belakang

Gangguan irama jantung sebaiknya tidak dianggap sepele, baik itu yang
denyutnya lambat ataupun cepat bisa menyebabkan stroke dan kematian
mendadak. Menurut dokter ahli jantung Rumah Sakit Pusat Pertamina (RSPP) dr.
Hermawan, aritmia adalah gangguan irama jantung yang tidak beraturan baik itu
lebih cepat atau lebih lambat.
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: Bradikardi dan takikardi dengan nilai
moral berkisar amtara 60-100 kali/menit. Tergantung dari letak fokus, selain
menyebabkan Ventricular Ekstra Systole (VES), dapat terjadi Supra
Ventriculare Extra Systol (SVES) atau Supra Ventricular Tachhycardy (SVT) di
dalam fokusnya berasal dari berkas HIS di atas.
Gangguan irama jantung atau aritmia merupakan komplikasi yang sering
terjadi infark miokardium. Aritmia atau disritmia adalah perubahan pada frekuensi
dan irama jantung yang disebabkan oleh konduksi elektrolit abnormal atau
otomatis (Doenges, 1999).
Jaringan saraf tiruan merupakan suatu metode keerdasan buatan
komputasional berbasis pada model saraf biologi manusia sehingga komputer atau
mesin dapat menduplikasi kecerdasan manusia (Waslalaluddin dkk, 2010).
Jaringan syaraf tiruan (Artificial Neural Network) adalah sistem komputasi
yang arsitekturnya dan operasinya diilhami dari pengetahuan tentang sel saraf
biologis di dalam otak. Jaringan saraf tiruan merupakan salah satu representasi
buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran
 3

pada otak manusia tersebut. Jaringan saraf tiruan dapat digambarkan sebagai
model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi
data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model
jaringan saraf biologi.
Model jaringan saraf ditunjukkan dengan kemampuannya dalam emulasi,
analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki jaringan saraf tiruan
dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa
contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan
output yang akan muncul atau menyimpan karakteristik input yang diberikan
kepada jaringan saaraf tiruan. Salah satu organisasi yang sering digunakan dalam
paradigma jaringan saaraf tiruan adalah perambatan galat mundur atau
backpropogation (Hermawan, 2006).
Backpropogation adalah algoritma pembelajaran untuk memperkecil tingkat
error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan
target yang dinginkan. Backpropogation juga merupakam sebuah metode
sistematik untuk pelatihan Multi Layer Jaringan Saaraf Tiruan. Backpropogation
dikatakan sebagai algoritma pelatihan multilayer karena memiliki tiga layer dalam
proses pelatihannya, yaitu input layer, hidden layer, dan output layer.
Backpropogation ini merupakan perkembangan dari single layer network
(Jaringan Layar Tunggal) yang memiliki dua layer, yaitu input layer dan output
layer. Dengan adanya hidden layer pada backpropogation dapat menyebabkan
besarnya tingkat error lebih kecil dibanding pada single layer network. Hal
tersebut dikarenakan hidden layer pada backpropogation berfungsi sebagai tempat
untuk meng-update dan menyesuaikan bobot, sehingga didapatkan nilai bobot
yang baru bisa diarahkan mendekati dengan target output yang diinginkan.
Elektrokardiogram (EKG) adalah grafik yang dapat dibuat oleh sebuah
elektrokardiograf yang merekam aktivitas kelistrikan jantung dalam waktu
tertentu. Namanya terdiri atas sejumlah bagian yang berbeda, yakni elektro karena
berkaitan dengan elektronika, kardio kata Yunani untuk jantung, gram sebuah
akar Yunani yang berarti menulis. Analisis sejumlah gelombang dan vektor
normal depolarisasi dan repolarisasi menghasilkan informasi diagnostik yang
 4

penting. Elektrokardiogram tidak menilai kontraktilitas jantung secara langsung,

tetapi memberikan indikasi menyeluruh atas naik turunnya suatu kontraktilitas.
Raspberry Pi atau Raspi merupakan komputer papan tunggal (single-board
circuit; SBC) seperti kartu kredit dan dapat dijalankan pada program perkantoran,
permainan komputer dan sebagai pemutar media dan video beresolusi tinggi.
Berdasarkan uraian di atas, maka penulis akan melakukan pendeteksian pada
sinyal aritmia jantung pasien menggunakan algoritma backpropogation dan
penulis memberi judul skripsi ini “Implementasi Jaringan Saraf Tiruan Untuk
Mendeteksi Sinyal Aritmia Jantung Menggunakan Raspberry Pi”.

1.2. Identifikasi Masalah

Adapun identifikasi masalah pada penelitian adalah sebagai berikut diuraikan
di bawah ini.
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.

1.3. Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah sebagai berikut.
1. Kondisi jantung yang dideteksi berdasarkan RBBB, paced beat, ventricular
tachycardia, ventricular fibrillation, premature ventricular contraction dan
atrial fibrillation.
2. Dataset yang digunakan Dataset Arrhythmia Kaggle.com

1.4. Tujuan Penelitian

Adapun tujuan penelitian ini adalah sebagai berikut.
1. Mengetahui implementasi metode jaringan syaraf tiruan menggunakan
backpropogation untuk mengklasifikasikan citra gelombang ECG aritmia
jantung.
2. Mengetahui tingkat akurasi yang didapatkan dari hasil klasifikasi Gelombang
ECG arrhythmia cardiac dengan jaringan syaraf tiruan.
 5

1.5. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah sebagai berikut.
1. Memberikan pengetahuan mengenai implementasi jaringan syaraf tiruan pada
pendeteksian aritmia sinyal jantung menggunakan algoritma backpropogation.
2. Mengetahui tingkat akurasi dari implementasi jaringan syaraf tiruan.
3. Mengklasifikasikan ECG wave cardiac arrhythmia berdasarkan jaringan
syaraf tiruan.
4. Membantu para dokter mendiagnosa para pasien cardiac arrhythmia.

1.6. Sistematika Penulisan

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

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
 6

Penutup menjelaskan tentang kesimpulan skripsi beserta kritik dan saran

beserta perbaikan skripsi untuk masa yang akan datang.

DAFTAR PUSTAKA
LAMPIRAN
 BAB II
TINJAUAN PUSTAKA

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
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. Aritmia, penggolongan aritmia, jantung dan elektrokardiogram, artificial
aneuranetor.

1.2. 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 2.1. Sistem Kelistrikan Pada Jantung

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 2.2 Pulsa Jantung Normal

Pada Gambar 2.2. 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 2.1. Karakteristik Elektrokardiogram

Defleksi Deskripsi

Gelombang P Gelombang yang timbul karena

depolarisasi atrium dari nodus
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 2.2. Ciri-ciri Elektrokardiogram Normal

Gelombang Amplitudo Interval EKG Durasi
EKG
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

2.3. Jaringan Saraf Tiruan (Artificial Neural Network)

2.3.1. Defenisi Jaringan Saraf Tiruan (Artificial Neural Network)
Jaringan Saraf Tiruan adalah sebuah jaringan yang dirancang untuk
menyerupai otak manusia yang bertujuan untuk melaksanakan suatu tugas tertentu
di mana implementasinya pada komponen elektronik tertentu atau disimulasikan
menggunkan program komputer (Haykin, 2009). Jaringan Saraf Tiruan
merupakan suatu model komputasi paralel yang meniru fungsi dari sistem
jaringan saraf 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 2.3. Jaringan Saraf Manusia

Cara kerja dari sistem saraf 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. 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, peramalan)
2. Pengenalan Pola (klasifikasi, diagnosis, dan analisis diskriminan)
3. Klustering (pengelompokan tanpa adanya pengetahuan sebelumnya).

2.3.2. Komponen Jaringan Saraf Tiruan

Jaringan Saraf (Neural Network) memiliki beberapa tipe yang berbeda-
beda, akan tetapi hampir semua komponen yang dimiliki sama. Seperti halnya
jaringan saraf pada otak manusia, neural network juga terdir dari 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 2.4. Struktur Jaringan Saraf Tiruan

Berdasarkan gambar 2.4 diatas menunjukan struktur yang dimiliki oleh Neural
Network. Komponen yang dimiliki struktur tersebut sebagai berikut :

2.3.2.1. Input
Input terdiri dari variabel independen (X1, X2, X3,..... Xn,) yang
merupakan sebuah sinyal yang masuk ke sel saraf. Input layer terdiri dari node-
node yang masing-masing menyimpan sebuah nilai masukan yang tidak akan
berubah pada fase pelatihan (training) dan hanya akan berubah apabila diberi
input baru. Node-node tersebut menerima pola input-an dari luar yang
menggambarkan suatu permasalahan. Banyaknya node atau neuron dalam input
layer tergantung pada banyaknya input dalam model dan setiap node itu
dipengaruhi oleh setiap input.

2.3.2.2. Hidden Layer

Hidden Layer merupakan lapisan yang node-node-nya tersembunyi dan
output-nya tidak dapat diamati secara langsung. Untuk fase training dan testing
berlangsung di lapisan ini dan arsitektur yang dirancang menentukan jumlah
hidden layer ini. Namun, umumnya terdiri dari satu hidden layer.
2.3.2.3. Output Layer
Output Layer merupakan solusi dari suatu permasalahan yang
menampilkan hasil perhitungan dari fungsi aktivasi di hidden layer berdasarkan
input yang diterima.

2.3.2.4. Bobot (Weigth)

Bobot (Weigth) terdiri dari beberapa bobot (W1, W2, W3,..... Wn,) yang
berhubungan dengan masing-masing node.

2.3.2.5. Threshold
Threshold merupakan nilai ambang batas internal dari node. Besar nilai
ini mempengaruhi aktivasi dari output node y.

2.3.2.6. Activation Function (Fungsi Aktivasi)

Activation Function (Fungsi Aktivasi) merupakan operasi matematika
yang dikenal pada sinyal output y. Cara kerja struktur neural network di atas tidak
jauh berbeda dengan struktur jaringan saraf 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.

2.3.3. Parameter Jaringan Saraf Tiruan

Beberapa parameter pembentukan jaringan saraf tiruan digambarkan
sebagai berikut.
2.3.3.1. Epoch
Epoch adalah ketika seluruh dataset sudah melalui proses training pada
neural network sampai dikembalikan ke awal untuk sekali putaran.

2.3.3.2. Learning Rate /Laju Pembelajaran (α)

Learning rate merupakan salah satu parameter training untuk menghitung
nilai koreksi bobot pada waktu masa training. Learning rate mempengaruhi
ketelitian jaringan suatu sistem. Semakin besar learning rate maka ketelitian akan
semakin berkurang, tetapi sebaliknya apabila learning rate –Nya semakin kecil
maka ketelitian jaringan akan semakin besar dengan konsekuensi proses training
akan memakan waktu yang semakin lama (Skapura, 1991, pp.104). Learning rate
dapat diubah –ubah dari 0 sampai 1untuk mendapatkan kekonvergenan. Nilai
learning rate tidak dapat ditentukan secara pasti perlu adanya trial and error
berkali-kali untuk mendapatkan nilai learning rate yang dapat menghasilkan
iterasi tercepat dalam mencapai konvergen.

2.3.3.3. Error Goal

Error goal atau galat ditentukan untuk membandingkan dengan galat pada
jaringan saat pelatihan. Jaringan akan konvergen ketika error jaringan lebih kecil
dari error goal. Nilai galat yang ditentukan untuk mebandingkan dengan galat
jaringan adalah 0,1.

2.3.3.4. Jumlah Neuron pada Layer Tersembunyi (Hidden Layer)

 Jumlah Neuron pada Lapisan Tersembunyi tidaklah mampu ditetapkan
secara pasti. Ini disebabkan proses yang berlangsung pada neuron hanya
berpengaruh pada saat pelatihan sehingga banyaknya ditentukan dengan trial and
error untuk mendapatkan hasil yang optimal.

2.3.3.5. Bobot dan Bias (wi dan bi)

Penentuan bobot awal sangat mempengaruhi jaringan saraf dalam
mencapai minimum terhadap nilai error serta cepat tidaknya proses pelatihan
menuju kekonvergenan.

2.3.3.6. Fungsi Aktivasi

Dalam jaringan saraf tiruan, fungsi aktivasi digunakan untuk menentukan
keluaran suatu neuron.

2.3.3. 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 yang 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 training dan simulasi (testing) yang akan memerlukan waktu lebih lama.
Menurut Hermawan (2006), Arsitektur neural network dapat dibagi berdasarkan
jumlah lapisannya di antaranya sebagai berikut.

2.3.3.1. 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 2.5. Struktur Single Layers Neural Networks

2.3.3.2. 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 2.6. Struktur Multiple Layers Neural Networks

2.3.3.4. Competitive Layers

 Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak
menjadi aktif. Contoh algoritma yang menggunakan jaringan ini adalah LVQ.

Gambar 2.7. Competitive Layers

2.3.4. Fungsi Aktivasi

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 website Medium (Sena, Pengenalan Deep Learning Part 1 : Neural
Network, 2018) ada beberapa fungsi aktivasi yang sering digunakan dalam Neural
Nerwork, yaitu sebagai berikut:

2.3.4.1. 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 adalah
weighted sum dari input + bias. Grafik fungsi linear ditunjukan oleh gambar
berikut.
 Gambar 2.8. Fungsi Aktivasi Linear

2.3.4.2. Fungsi Aktivasi Sigmoid

Fungsi aktivasi sigmoid merupakan fungsi nonlonear. Masukan untuk fungsi
aktivasi ini berupa bilangan real dan output dari fungsi tersebut memiliki range
antara 0 sampai 1. Berikut ini grafik fungsi aktivasi sigmoid.

Gambar 2.9. 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
2.3.4.1. 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.

Gambar 2.10. 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.

2.3.4.1. 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 2.11. Struktur Neural Network

Berdasarkan gambar 2.11 di atas menunjukan struktur yang dimiliki oleh Neural
Network. Komponen yang dimiliki struktur tersebut sebagai berikut.
1. Input terdiri dari variabel independet (X1, X2, X3,..... Xn,) yang merupakan
sebuah sinyal yang masuk ke sel syaraf.
2. Bobot (Weigth) terdiri dari beberapa bobot (W1 , W2, W3,..... Wn ,) 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.
2.3.6. 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 jaringan
sengan satu lapisan tersembunyi serta menggunakan fungsi aktivasi sigmoid biner
(Siang, 2009) adalah sebagai berikut.

2.7. Python
Python merupakan bahasa pemrograman yang freeware atau perangkat
bebas dalam arti sebenarnya, tidak ada batas dalam penyalinannya atau
mendistribusikannya. Lengkap dengan source code-nya, debugger atau profiler,
antarmuka yang terkandung di dalamnya untuk pelayanan antarmuka, fungsi
system, GUI (antarmuka pengguna grafis), dan basis datanya. Python menjadi
bahas resmi yang terintegrasi dengan Raspberry Pi. Kata “Pi” pada Raspberry Pi
merupakan slang yang merujuk pada “Python”. Oleh karenanya, tepat dikatakan
bahwa Python adalah bahasa natural Raspberry Pi.
Beberapa fitur yang dimiliki Python adalah sebagai berikut.
1. Memiliki kepustakaan yang luas; dalam distribusi Python telah disediakan
modul-modul siap pakai untuk berbagai keperluan.
2. Memiliki tata bahasa yang jernih dan mudah dipelajari.
3. Memiliki aturan layout kode sumber yang memudahkan pengecekan,
pembacaan kembali, dan penulisan ulang kode sumber berorientasi objek.
4. Memiliki system pengelolaan memori otomatis (garbage collection, seperti
Java).
5. Modular, mudah dikembangkan dengan menciptakan modul-modul baru.
modul-modul tersebut dapat dibangun dengan bahasa Python maupun C/C++.
6. Memiliki fasilitas pengumpulan sampah otomatis. Seperti halnya pada bahasa
pemrograman Java, Python memiliki fasilitas pengaturan penggunaan ingatan
computer sehingga para pemrogram tidak perlu melakukan pengaturan ingatan
computer secara langsung.
Python adalah bahasa pemrograman yang mudah dipahami dan sangat
interpretative dengan bahasa pemrograman lainnya. Di antara keistiewaan lainnya
Python dilengkapi dengan fungsionalitas pustaka standar yang besar serta
komprehensif. Adapun versi Python sangatlah banyak, namun penulis
menggunakan Python versi 3.8 pada skripsi penulis. Python adalah bahasa
pemrograman yang dikembangkan pria berkebangsaan Belanda, Guido Van
Rossum pada tahun 1990 di Stichting Matematisch Centrum (CWI).

2.8. Raspberry Pi
Raspberry Pi adalah sebuah computer berukuran mini sebesar kartu kredit
dengan harga yang relatif murah (sekitar USD 35 untuk model B dan USD 25
untuk model A). Di Indonesia sendiri biasanya dijual dengan harga rata-rata
sekitar 400 sampai 500 ribu rupiah untuk yang model B. Perbedaan di antara
keduanya hanya terletak pada keberadaan Ethernet yang absen pada model A dan
jumlah port USB yang menjadi dua kalinya pada model B. Walaupun kecil dan
murah, tetapi RasPi tidak bisa disebut murahan. Pasalnya, banyak karya dan
kegunaan yang bisa dihasilkan dari RasPi, mulai dari fungsi utamanya sebagaui
computer yang memungkinkan kita untuk browsing, membuat laporan tugas,
membuat slide presentasi, bermain game, atau sekadar mendengarkan music dan
menonton film kesayangan (untuk urusan menonton film, RasPi sudah dilengkapi
dengan output HDMI dan mendukung video dengan kualitas full HD).
RasPi pun sangat membantu salam pembuatan karya-karya inovatif, seperti
penggunaan RasPi dalam robot mata-mata yang dilengkapi kamera. Bahkan ada
yang menjadikan RasPi sebagai pengendali mobil otomatis. Ada pula yang
membuat RasPi ini menjadi sebuah supercomputer.

2.8.1. Komponen-komponen Raspberry Pi

Adapun komponen-komponen utama yang menjadi pembentuk Raspberry
adalah sebagai berikut.
1. CPU
Ditenagai oleh prosesor ARM11 dengan default clock sebesar 700 MHz,
RasPi sudah cukup berukuran relative kecil, bai diajdikan desktop maupun
portable.
2. GPU
Sudah mengusung teknologi Open GL ES 2.0, mendukung revolusi video
hingga 1080P denga slot HDMI-nya, H.264 high-profile encode/decode.
Kapabilitas grafis pada RasPi juga setara dengan Xbox 1.
3. Memori
Kapasitas Memori 256 MB pada model A dan 512 MB pada model B
membuat RasPi cukup powerful pada mode console maupun Windows. Perlu
diingat bahwa sistem memori pada RasPi bersifat shared dengan GPU, sehingga
Anda perlu membagi kapasitas memori untuk graphic chip
4. Port USB
Terdiri dari 1 port pada model A dan model B menjadikan RasPi mendukung
kompatibilitas dengan perangkat universal lain berbasis USB.
5. Micro USB Power
Bagian ini menjadi sumber utama bagi RasPi untuk mendapatkan sumber daya.
Namun, jika Anda memiliki USB powered hub
2.9 Penelitian Terkait
Tabel Penelitian Terkait
No Penulis Judul Tahun Metode Hasil
1. Shalin Savalia dan Cardiac Arrhythmia 2018 Multi-Layer Membatasi jenis-jenis aritmia, yaitu: Ventricular
Vahid Emamian Classification by Multi- Perceptron and Tachycardia, Atrial Fibrillation, Atrial Flutter,
Layer Perceptron and Convolutional Second Degree AV, dan Ventricular Bigeminy.
Convolutional Neural Neural Networks Tingkat keakuratan deteksi metode MLP mencapai
Networks 88,7% sedangkan metode CNN mencapai 83,5%.
2. Syama Uday B et ANN based Prediction 2016 Artificial Neural Jenis-jenis aritmia yang diteliti adalah ventricular
al. of Cardiac Arrhythmia Network tachycardia, ventricular fibrillation, dan atrial
fibrillation. Tingkat akurasi yang diperoleh 98,8%.
3. Chatlani Akash et IOT Based Detection of 2017 Multi layer Kondisi jantung yang diteliti yakni: normal,
al. Cardiac Arrhythmias Perceptron Neural tachycardia, dan bradycardia. Kemudian untuk
Using Raspberry PI Network informasi normal dan abnormal kondisi jantung
sesorang akan ditampilkan pada suatu web server
dengan bantuan Raspberry Pi.
4. Kannathal N et al. Classification of 2003 ANN dengan Fitur yang digunakan: heart rate, perubahan heart
Cardiac Patient States algoritma rate, lebar QRS Complex, RT interval, fitur ST
using Artificial Neural Backpropogation segment, dan langkah-langkah kompleksitas.
Network (BP), Self- Penelitian ini melewati dua fase implementasi,
Orginizing Maps pada fase yang pertama akurasi BP mencapai 94%,
(SOM), dan Radial SOM 95,5%, dan RBF 97%. Sedangkan pada fase
Basis Functions kedua akurasi BP mencapai 96%, SOM 97%, dan
 (RBF). RBF 99%.
5. Siva A et al. Classification of 2018 Wavelet Transform Pada penelitian ini parameter yang digunakan,
Arrhythmia using and Neural Network yaitu: PR interval, QRS interval, dan R-R interval.
Wavelet Transform and Model Jenis aritmia yang diteliti, yakni: first degree AV
Neural Network Model degree, tachycardia, bradycardia. Tingkat efesiensi
keseluruhan 98,8%.
6. Valiappan CA et A Portable Real Time 2017 A Real Time Parameter yang digunakan heart rate, rhythm dan
al. ECG Device for Portable ECG heart rate, QRS width, PR interval, RR interval
Arrhythmia Detection Devices QTc values. Kondisi jantung yang terbaca dari
Using Raspberry Pi sampel data, yakni: Normal Sinus Rhythm, Sinus
Tachycardia, Sinus Bradycardia, Sinus
Arrhythmia, Bundle Branch Block, Premature
Ventricular Contractions, First Degree AV Block,
dan QT Syndrome.
7. Kelwade J.P. dan Prediction of Cardiac 2015 Artificial Neural Kelas aritmia yang diteliti, yaitu: BII, Premature
Salankar S.S. Arrhythmia using Network Ventricular Tachycardia, Left Bundle Branch
Artificial Neural Block, dan AFIB. Hasil kefektifan dari algoritma
Network yang diajukan pada penelitian ini memberikan
akurasi sebesar 97%.
8. Jadhav Shivajirao Artificial Neural 2012 Artificial Neural Pada penelitian yang menggunakan dataset UCI
M. et al. Network Models based Network dengan tiga machine learning repository, menghasilkan akurasi
Cardiac Arrhythmia jenis model, yakni: sebesar 86,67% dari sampel dataset DS5.
Disease Diagnosis from MLP, GFFNN, dan
 ECG Signal Data Modular NN.
9. Kim Jeong-Hwan Assessement of 2019 GoogleNet Deep Kelas aritmia yang menjadi target pada penelitian
et al. Electrocardiogram Learning ini adalah NSR, RBBB, LBBB, AVC, dan PVC.
Rhythms by GoogleNet Hasil akurasi deteksi aritmia jantung mencapai
Deep Neural Network 95,94% dengan error rate 4,06%.
Architecture
10. Mirta Malay dan Cardiac Arrhythmia 2013 Selected Features Hasil akurasi klasifikasi dari eksperimen data
Samantha R.K. Classification using dengan algoritma testing mencapai 87,71% dengan rata-rata 100
Neural Networks with IBPLN dan simulasi.
Selected Features Lavenberg-
Marquardt
 BAB III
METODOLOGI PENELITIAN

3.1. Bahan Penelitian

Data yang digunakan dalam penelitian ini adalah rekaman denyut jantung manusia
dalam elektrokardiogram yang diambil dari arrhythmia database website kaggle.com.

3.2. Langkah-langkah Pengerjaan

Penelitian ini dikembangkan menggunakan metode dengan tahapan-tahapan sebagai
berikut.

Mulai

Perumusan
Masalah

Pengumpulan dan
Pengolahan Data

Perancangan Sistem
menggunakan Bahasa
Pemrograman Python

Pembuatan Sistem
menggunakan Bahasa
Pemrograman Python

Pengujian Sistem
menggunakan Bahasa
Pemrograman Python

Selesai

Gambar 3.1. Diagram Alir Deteksi Aritmia Jantung

3.2.1. Perumusan Masalah
Perumusan masalah dilakukan dengan mengkaji semua bahan yang berkaitan dengan
aritmia jantung dan penyelesaiannya menggunakan jaringan saraf tiruan dengan bantuan
Raspberry Pi.

3.2.2. Pengumpulan dan Pengolahan Data

Data yang dijadikan sampel adalah “Cardiac Arrhythmia Database” dari website
Kaggle.com dengan 21 column yakni berupa rekaman denyut jantung manusia tergambar
dalam elektrokardiogram yang diambil dari arrhythmia database website kaggle.com.

3.2.3. Perancangan Sistem

Perancangan sistem adalah tahapan masukkan nilai berupa variabel yang akan
melakukan proses klasifikasi dengan metode backpropogation untuk mencari output kelainan
jantung tertentu yang ada dalam target.

Proses Output
Input
Klasifikasi Aritmia RBBB, Paced
Umur, jenis beat, dan LBBB
Jantung dengan
kelamin, berat
Metode
badan, dst.
backpropogation

Gambar 3.2. Skema Sistem Deteksi Aritmia Jantung

Untuk tahapan selanjutnya adalah membuat perancangan sistem yang akan melakukan
beberapa proses, yaitu proses training dan testing data seperti dijelaskan dalam Gambar 3.3.
 Start

Tidak

Tidak Tidak
Latih Uji/I
/Ibuj buj

Ya Ya

Jalankan data latih

Jalankan data uji,
dan gunakan
beri bobot
parameter JST

Klasifikasi Klasifikasi data uji

End

Beri Bobot

Gambar 3.3. Perancangan Sistem Deteksi Aritmia Jantung

3.2.4. Pembuatan Sistem

Dalam pengerjaannya, sistem deteksi aritmia jantung ini dibuat menggunakan software
Python versi 3.8.1. Software ini memiliki fitur GUI guna membangun sistem deteksi aritmia
dengan tampilan yang mudah dan nyaman digunakan serta dilengkapi dengan library
pemrograman yang mendukung metode jaringan saraf tiruan dengan algoritma
backpropogation khususnya dalam menjalankan penelitian ini tentang “Deteksi Aritmia
Jantung menggunakan JST.

3.2.5. Pengujian Sistem

Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibangun. Pengujian
sistem dilakukan dengan cara menghitung tingkat keakuratan sistem deteksi aritmia jantung
dengan jaringan saraf tiruan.

3.2.6. Penarikan Kesimpulan

Tahap ini merupakan jawaban dari semua proses yang dijalankan sistem berupa nilai
akurasi suatu metode agar dapat ditarik kesimpulan bagus tidaknya sistem menyelesaikan
rumusan masalah tertentu. Penarikan kesimpulan adalah tahap terakhir dari suatu penelitian.
Penarikan kesimpulan didasarkan pada studi pustaka dan pembahasan permasalahan serta
hasil dari analisis dari penelitian.

3.3. Analisis Kebutuhan Sistem: Hardware dan Software

Pada penelitian ini terdiri dari tahapan perancangan sistem, pembuatan sistem dan
pengujian sistem memerlukan kebutuhan-kebutuhan software dan hardware sebagai berikut.
1. Analisis Kebutuhan Hardware
Analisis kebutuhan hardware adalah kebutuhan perangkat keras minimal yang
digunakan untuk membangun sistem. Adapun kebutuhan hardware yang digunakan untuk
penelitian ini adalah sebagai berikut.
a. Main board: Asus x453m
b. Processor: Intel Core i3
c. Memori: RAM 2000 Mb
d. Hardware bantuan: Raspberry Pi 4

2. Analisis Kebutuhan Software

Analisis kebutuhan software adalah kebutuhan perangkat lunak minimal untuk
mendukung pengoperasian sistem.
a. Sistem Operasi: Windows 7 Ultimate
b. Source Code: Python 3.8.1
c .Text Editor: Atom
3.4. Analisis Data
Analisis data adalah tahap analisa akan kebutuhan data penelitian pendeteksian aritmia
jantung manusia dari Kaggle.com. Adapun tahap analisis data digambarkan sebagai berikut.

3.4.1. Pembagian Data

Dalam penelitian jaringan saraf tiruan, data dibagi menjadi data pelatihan (training)
dan data pengujian (testing). Adapun data dalam penelitian ini jumlah sampel yang
digunakan sebanyak 452 data dan dibagi lagi untuk data pelatihan sebanyak 352 data
sedangkan data pengujian sebanyak 100 data.
3.4.2. Variabel Data
Variabel data adalah beberapa besaran pada data yang dapat diubah atau berubah
sehingga mampu mempengaruhi hasil penelitian. Variabel yang digunakan pada penelitian ini
berupa angka (bilangan) sehingga bersifat kuantitatif. Berikut variabel data yang digunakan.
Tabel 3.1. Variabel Data Aritmia
Variabel Keterangan
X1 Umur
X2 Jenis kelamin
X3 Tinggi Badan
X4 Berat Badan
X5 QRS_duration
X6 PR_interval
X7 QT_interval
X8 T_interval
X9 P_interval
X10 Gelombang QRS
X11 Gelombang T
X12 Gelombang P
X13 Gelombang QRST
X14 Rata-rata detak jantung (heart rate)
X15 Gelombang Q
X16 Gelombang R
X17 Gelombang S
X18 Diagnosis

Dalam metode backpropagation, target yang diinginkan perlu ditentukan terlebih

dahulu. Berikut keterangan target pada penelitian ini diklasifikasikan menjadi 2 kelas.
Kelas Klasifikasi Keterangan
0 DISARITMIA
(Detak Jantung Normal)
 1 ARITMIA
(Kelainan Detak Jantung )

3.5. Perancangan Desain Sistem

 Implementasi Sistem

Selamat Datang di Aplikasi Deteksi Aritmia

Lakukan Lakukan
Help About
Training Testing

Database
Aritmia

Close