Abstrak— Pada bidang biomedis, kemajuan teknologi sangat dirasakan dan mampu mempermudah proses diagnosa
maupun pengelompokkan sebuah masalah. Salah satu dampak kemajuan teknolgi yaitu adanya penemuan
kecerdasan buatan yang dapat diprogram dengan tujuan yang diinginkan. Pada penggunaannya dibidang biomedis,
kecerdasan merupakan sebuah program atau sistem yang membantu para ahli untuk memecahkan sebuah
permasalhan yang diderita oleh seorang pasien. Salah satu contoh penggunaan kecerdasan buatan di bidang biomedis
adalah proses diagnosa penyakit jantung dengan menggunakan bermacam metode. Pada studi literatur ini
disimpulkan bahwa terdapat dua jenis tipe metode kecerdasan buatan yaitu metode Supervised Learning dan Metode
Unsupervised Learning. Pada metode Unsupervised Learning metode terbaik yang didapatkan adalah K-Means
Clustering dengan nilai akurasi rata-rata sebesar 79%. Pada Supervised Learning metode terbaik yang didapatkan
adalah metode Artificial Neural Network dengan nilai akurasi rata-rata sebesar 94,90%.
Kata kunci— Biomedis; Unsupervised Learning; Supervised Learning
I. PENDAHULUAN penyakit jantung[2]. Total kematian ini merupakan
Pada bidang biomedis, kemajuan teknologi sangat data kematian yang besar. Total kematian ini terdiri
dirasakan dan mampu mempermudah proses diagnosa dari banyak kalangan, bukan hanya segi umur, tetapi
maupun pengelompokkan sebuah masalah. Salah satu segi ekonomi dan sebagainya. Melihat data ini, terlihat
dampak kemajuan teknolgi yaitu adanya penemuan bahwa penyakit jantung bukan hal yang dapat
kecerdasan buatan yang dapat diprogram dengan tujuan disepelekan. Penggunaan kecerdasan buatan untuk
yang diinginkan. Kecerdasan buatan ini merupakan mendeteksi penyakit jantung memberikan kemudahan
sebuah metode yang ditujukan untuk masalah tertentu bagi para ahli dan juga penderita.
seperti permasalahn yang ada pada manusia yaitu Penyakit jantung dapat diderita oleh semua orang.
pengenalan pola, pemecahan masalah, dan pembelajaran Salah satu contoh terjadi pada pesepakbola professional
[1]. Pada penggunaannya dibidang biomedis, kecerdasan Christian Eriksen dalam ajang Euro Cup 2020 [3].
merupakan sebuah program atau sistem yang membantu Eriksen mengalami serangan jantung saat pertandingan
para ahli untuk memecahkan sebuah permasalhan yang berlangsung. Kejadian ini membuat seluruh pecinta
diderita oleh seorang pasien. Salah satu contoh sepakbola kaget, karena seorang atlet profesional saja
penggunaan kecerdasan buatan di bidang biomedis dapat terkena penyakit jantung. Dalam kasus ini,
adalah proses diagnosa penyakit jantung dengan kecerdasan buatan dapat berperan dalam proses
menggunakan bermacam metode. Metode yang pemeriksaan pemain sebelum bermain. Kecerdasan
digunakan merupakan sebuah metode dengan algoritma buatan ini dapat digunakan untuk memperpendek waktu
tertentu yang telah dikemukakan para ahli. Tiap metode dan juga dapat dilakukan dengan jumlah orang yang
dari kecerdasan memiliki algoritma tersendiri dan banyak. Jika dilakukan oleh para ahli langsung, maka
memiliki kelebihan serta kekurangannya masing-masing pertandingan tidak dapat berlangsung sesuai jadwal
dalam memecehkan sebuah permasalahan tertentu. ataupun terlalu banyak memakan waktu pertandingan.
Pemilihan penyakit jantung pada studi literatur ini Dengan adanya kecerdasan buatan, pemeriksaan
dikarena penyakit jantung merupakan sebuah penyakit penyakit jantung dapat digunakan agar kondisi para
yang sangat banyak diderita oleh myarakat. pemain dapat diketahui dengan waktu yang cepat dan
Berdasarkan data 2022 di kompas.com, diketahui juga dapat dilakukan untuk semua pemain
bahwa 18,6 juta orang menjadi korban kematian akibat
[16] Peneliti meningkatkan akurasi dengan menggunakan Terdapat 60 data dari 170 data yang terbuang
fungsi sigmoid biner (logsig). Selain itu penggunaan karena tidak memenuhi atribut dari metode
fungsi ini juga bertujuan untuk mengurangi waktu yang digunakan. Sehingga data yang
pengolahan data. digunakan berjumlah sedikit yaitu 110 data.
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
[17] Data citra yang digunakan terlebih dahulu diproses Data yang digunakan terlalu sedikit yaitu 30
pada pra pengolahan dengan tujuan untuk data.
meningkatkan kualitas data serta nomalisasi data.
Sehingga pada proses pengecekan data citra dapat
terbaca dengan baik. Data citra yang bagus
mengakibatkan akurasi pembacaan semakin maksimal.
Pada tabel 2 terlihat bahwa jurnal memiliki kekurangan Jurnal memiliki sisi kekurangan dan juga kelebihan
dan kelebihan masing-masing. Beberapa jurnal seperti yang dapat dijadikan sebagai pedoman untuk sebuah
jurnal [5], [6], [7], [11], [16], dan [17] memiliki penelitian selanjutnya. Dari beberapa jurnal diketahui
kekurangan pada dataset yang digunakan. Dataset bahwa penelitian menggunakan beberapa metode yang
memiliki jumlah yang sedikit. Penggunaan dataset yang berbeda. Penggunaan metode yang berbeda ini
sedikit dapat berdampak pada nilai akurasi hasil memberikan sudut pandang dan pengetahuan yang
pembacaan sistem ketika dilakukan pengujian secara berbeda mengenai karakterisitik tiap metode. Penggunaan
langsung dengan data yang lebih beragam. Jumlah sedikit banyak metode ini memudahkan peneliti selanjutnya
dari dataset yang digunakan membuat nilai akurasi dari untuk memilih metode yang cocok dan sesuai dengan
hasil testing tidak dapat dijadikan patokan terhadap tujuan penelitian yang akan dilakukan. salah satu contoh
akurasi pada saat dilakukan percobaan secara langsung. penggunaan beberapa metode secara bersamaan adalah
Pada jurnal [15] juga terlihat bahwa penggabungan jurnal [12], pada jurnal ini peneliti mampu memanfaatkan
beberapa metode tidak dapat dimanfaatkan peneliti untuk keunggulan tiap metode sehingga didapatkan algoritma
meningkatkan nilai akurasi sistem dalam melakukan yang efisien dan hasil akurasi yang tinggi. Dalam
pembacaan data. Hal ini menjadi suatu keterbalikan dari meningkatkan nilai akurasi, beberapa peneliti juga
tujuan penggabungan beberapa metode agar hasil dari menambahkan tahapan preprocessing pada dataset yang
sistem yang dihasilkan adalah hasil yang maksimal. Selain akan digunakan. Tahapan ini bertujuan untuk
itu, pada jurnal [8] dan [9] terlihat baha kekurangan yang menghilangkan noisy dan redudansi. Tahapan
dimiliki adalah tidak adanya pemberian atribut terlebih preprocessing cukup memberikan efek yang cukup
dahulu pada data yang berbeda dengan kemiripan yang signifikan pada akurasi karena dataset hasil tahapan ini
cukup tinggi. Tidak adanya pemberian atribut yang jelas merupakan data sebenarnya sehingga sistem dapat bekerja
membuat dataset yang digunakan akan dibaca sebuah data secara maksimal. Selain menambahkan tahapan
yang sama, sehingga nilai akurasi pada sistem tidak preprocessing, peneliti lain pada jurnal [7[ menggunakan
maksimal. Bukan hanya itu, pemberian atribut juga harus metode time-frequency. Penggunaan metode ini ditujukan
dilakukan ketika dataset yang digunakan merupakan untuk data yang belum dilatih agar sistem dapat
dataset yang sama pada metode yang berbeda. melakukan analisa/prediksi. Metode ini terbukti berhasil
Penyamaratan ini bertujuan untuk sistem dengan metode karena nilai akurasi dengan data yang belum dilatih
yang berbeda dapat bekerja secara maksimal. Sehingga didapatkan nilai akurasi sebesar 87,04%. Selain segi
hasil penggunaan dataset yang sama dengan metode yang akurassi, peneliti pada jurnal [11] juga memanfaatkan
berbeda dapat dikomparasi satu sama lain. Kekurangan sebuah metode yaitu pembacaan sinyal PQRST.
yang lain berdasarkan studi literatur ini adalah terdapat Pembacaan sinyal PQRST ini dimanfaatkan oleh peneliti
beberapa pemilihan dataset yang kurang baik. Pemilihan agar ketika posisi penempatan elektroda tidak sesuai saat
dataset yang kurang banyak menyebabkan beberapa pengukuran sinyal EKG, sinyal EKG masih tetap bisa
dataset harus terbuang secara sia-sia karena tidak terbaca dan hasil tersebut adalah hasil yang maksimal
memenuhi standar metode yang digunakan. dengan beberapa komponen terbaik yang lain
Tabel 2 merupakan hasil studi literatur dari 13 jurnal keempat. Dari keempat metode yang digunakan dapat
mengenai metode supervised learning. Metode diketahui bahwa metode yang memiliki nilai akurasi
supervised learning merupakan metode yang ditujukan tertinggi dari beberapa jurnal penelitian adalah metode
untuk melakukan prediksi apakah seseorang terkena Artificial Neural Network dengan nilai akurasi rata-rata
penyakit jantung. Metode yang digunakan seperti sebesar 94,90%. Akan tetapi, nilai akurasi yang tinggi ini
Artificial Neural Network, Naïve Bayes, Support Vector didapatkan dengan menggunakan dataset yang berjumlah
Machine, dan Logistic Regression, Dari 4 metode ini sedikit. Seperti yang sudah disebutkan pada tabel 1,
didapatkan hasil yang berbeda-beda untuk setiap hasil jumlah dataset yang sedikit dapat berpengaruh terhadap
dengan jumlah dataset yang berbeda pula. nilai akurasi karena nilai yang didapatkan tidak bisa
Pada sistem yang menggunakan metode Support dijadikan patokan nilai akurasi sebenarnya. Hal ini terjadi
vector Machine didapatkan tingkat keberhasil sebesar karena dataset yang sedikit
87,5%. Hasil ini didapatkan dari 40 data pengujian yang mengakibatkan pembacaan sistem tidak begitu beragam
telah dilakukan. Pada sistem yang menggunakan metode dengan jumlah data yang sama besar untuk tiap perbedaan
Artificial Neural Network didapatkan hasil akurasi dari data yang dibaca.
sebesar 93,59% pada jurnal penelitian pertama dengan Hasil ini merupakan hasil berdasarkan metode
metode Artificial Neural Network, 94,67% pada jurnal Supervised Learning yang mana metode ini digunakan
penelitian kedua, dan 96,47% pada jurnal penelitian untuk mendeteksi penyakit jantung pada seorang pasien.
ketiga metode Artificial Neural Network. Pada sistem Pada tabel 3 dilakukan studi literatur mengenai metode
yang menggunakan metode Logistic Regression Unsupervised learning yang bertujuan untuk
didapatkan hasil akurasi sebesar 87,50%. Pada sistem mengelompokkan penderita penyakit jantung seorang
yang menggunakan metode Naïve Bayes didapatkan hasil pasien. Hasil studi literatur berupa kekurangan dan
akurasi sebesar 85,25% pada jurnal penelitian pertama, kelebihan dari jurnal dengan metode Unsupervised
61% untuk jurnal penelitian kedua, 83% pada jurnal Learning dapat dilihat pada tabel 3 berikut ini.
penelitian ketiga, dan 84,07% untuk jurnal penelitian
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
[23] Penelitian ini mengoptimalkan metode K-Means Peniliti tidak mampu mengoptimalkan jumlah
dengan memanambahkan metode GA K-Means iterasi yang sangat banyak akibat
sehingga hasil dari K-Means kembali diuji pada metode penggabungan dua buah metode.
GA K-Means sehingga akurasi yang didapatkan
merupakan akurasi terbaik.
[24] Untuk mengatasi data yang tidak sesuai peneliti Data yang tidak sesuai tetap dimasukkan
menambahkan tahapan standardization agar data tidak peneliti kedalam sistem sehingga nilai akurasi
mengganggu nilai akurasi. menjadi terganggu.
[25] Sistem pakar yang dibuat dengan jumlah data yang Tidak ada pembaharuan metode yang
sedikit mampu memprediksi penyakit jantung dengan ditambahkan. Selain itu, peneliti belum
metode clustering dengan nilai akurasi yang cukup mampu mengoptimalkan jumlah iterasi yang
tinggi. digunakan.
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
Berdasarkan tabel 3 di atas, terlihat bahwa tiap jurnal jurnal metode unsupervised Learning cukup bervariatif.
pada metode Unsupervised Learning memiliki kelebihan Pada jurnal [18] terlihat bahwa kekurangan dari sistem
dan kekurangan. Metode Unsupervised Learning ini yang dibuat adalah tidak adanya pengetesan menggunakan
digunakan dengan tujuan untuk mengelompokkan data tes sehingga nilai akurasi dari sistem hanya
penyakit jadi yang diderita oleh pasien. Pada beberapa bergantung pada data training yang digunakan. Dari segi
jurnal, terlihat bahwa kelebihan dari jurnal tersebut adalah data yang digunakan, terdapat kekurangan yang mana data
metode pengolahan data sebelum di proses. Pengolahan tersebut merupakan data yang tidak memenuhi kebutuhan
data ini ditujukan agar data ketika diolah oleh sistem yang dari sistem. Hal ini ditemukan pada jurnal [24] yang mana
telah dibuat terbaca sesuai dengan karakteristik yang data tidak sesuai dengan sistem. Akan tetapi, data tersebut
dinginkan. Penambahan metode seperti complexity tetap dimasukkan pada sistem sehingga akurasi yng
pruning pada jurnal [20] menunjukkan hasil yang dihasilkan tidak optimal. Selain itu, pada jurnal [19]
maksimal. Penambahan metode ini ditujukan untuk terlihat bahwa peneliti tidak memperhatikan kondisi data
meningkatkan akurasi terhadapa pembacaan data yang yang digunakan. Pada jurnal ini ditemukan bahwa sistem
memiliki kemiripan padahal data tersebut berbeda. Metode tidak bekerja secara maksimal karena adanya inkonsistensi
lain yang digunakan adalah standardization pada jurnal data. Dari segi metode, pada jurnal [23] dan [25] terlihat
[24]. Metode ini untuk menyeleksi data yang digunakan peneliti melakukan penggabungan beberapa metode, hal
terkait standar data dari sistem yang diperlukan. Hal ini ini membuat iterasi dari sisstem akan bertambah semakin
mempermudah peneliti karena pada awal pengolahan data banyak. Bertambahnya jumlah iterasi ini tidak
tidak dipisahkan terlebih dahulu. Keelebihan yang lain dari diminimalisir oleh peneliti. Kondisi ini mengakibatkan
beberapa jurnal tersebut adalah mampu menggabungkan waktu untuk proses pembacaan menjadi semakin lama.
beberapa metode seperti pada jurnal [23]. Penggabungan Kekurangan yang lain adalah tidak adanya keterbaharuan
beberapa metode ini ditujukan agar hasil akurasi dari penelitian yang dilakukan oleh peneliti, hasil ini terlihat
sistem dapat ditingkatkan dan juga waktu yang digunakan pada jurnal [22] dan [25]. Pada kedua jurnal tersebut
lebih efisien. Pengoptimalan sistem bukan hanya dengan peneliti terpaku pada metode yang sudah digunakan pada
menggabungkan dari beberapa metode, akan tetapi pada penelitian sebelumnya. Bahakan, pada jurnal [22] peneliti
jurnal [18] dan [25] terlihat bahwa dengan satu metode dan hanya menggunakan aplikasi yang sudah jadi. Penggunaan
data yang digunakan sedikit tetapi hasil keluaran dari ini menjadi kekurangan karena hasil akurasi yang
sistem tetap maksimal. didapatkan bernilai rendah. Dengan rendahnya nilai
Sebuah jurnal bukan hanya memiliki kelebihan, akurasi ini, peeneliti belum mampu memperbaiki nilai
tetapi jurnal juga memiliki kekurangan. Beberapa akurasi tersebut. karena sistem yang digunakan adalah
kekurangan berdasarkan hasil studi literatur beberapa sistem yang sudah jadi dalam bentuk software.
[22] Algoritma K-Means Hasil penelitian ini ialah untuk yang terkena
penyakit jantung berjenis kelamin laki-laki =
25%, untuk jenis kelamin perempuan yang
terkena penyakit jantung = 25,33 %, dan untuk
jenis kelamin laki-laki yang sembuh dari
penyakit jantung = 25,33 %, untuk jenis
kelamin perempuan yang sembuh dari
penyakit jantung = 26 %
[23] Metode yang digunakan adalah K-Means dan GA K- Hasil intra cluster dari GA K-Means lebih baik
Means. dibandingkan dengan K-Means dan untuk inter
cluster sangat kecil perbedaannya, dimana
rata-rata inter cluster metode K-Means sedikit
lebih baik daripada GA K-Means.
[24] Metode yang digunakan adalah algoritma ClusterMix Hasil yang didapatkan bahwa sistem mamp
K-Prototypes. mengelompokkan data menjadi 2 buah kluster
berdasarkan nilai koefisien silhouette sebesar
0,5777.
[25] Metode yang digunakan adalah clustering Hasil yang didapatkan dari hasil percobaan
menggunakan algoritma K-Means. yaitu nilai akurasi sebesar 83%.