KARAKTERISASI PENYAKIT STROKE ISKEMIK AKUT PADA SINYAL EEG MELALUI

METODE WAVELET, DAR, DTABR, BSI DAN FITUR ELM

Wahyu Intan Pertiwi *)**)

*)
Biomedical Engineering Magister Program, Faculty Of Science and Technology, University Of
Airlangga, Surabaya 60115, Indonesia

wahyu.intan.pertiwi-2019@fst.ac.id
**)

NIM. 081925053002

Abstrak

Prevalensi stroke di Indonesia ditemukan sebesar 8,3 per 1.000 penduduk, dan yang telah didiagnosis
oleh tenaga medis adalah 6 per 1.000 penduduk. Hal ini menunjukkan sekitar 72,3% kasus stroke di
masyarakat telah didiagnosis oleh tenaga kesehatan (Departemen Kesehatan Republik
Indonesia/Depkes RI, 2007).  Standart diagnosis AIS adalah dengan nanoimaging yaitu pemindaian
CT Scan dan MRI. Namun kendala dari 2 pemeriksaan tersebut adalah ketersediaan alat serta
lamanya waktu sampai dihasilkan laporan analisis. Electroencephalography (EEG) sebagai standard
diagnosis epilepsi yang mampu merekam aktivitas kelistrikan otak. Penelitian ini mencoba untuk
menganalisis sinyal EEG secara otomatis berdasarkan set data pelatihan dari pasien normal dan pasien
dengan stroke iskemik akut dengan menggunakan pemrosesan sinyal digital seperti transformasi
dengan algoritma Extreme Learning Machine (ELM). Dalam penelitian ini menggunakan Delta Alpha
Ratio (DAR), Delta Theta Alpha Ratio (DTABR) dan nilai Brain Symmetry Index (BSI) sebagai skor
fitur input ELM yang diperoleh dengan transformasi Wavelet. Hasil penelitian menunjukkan bahwa
data yang diolah dari 47 pasien untuk training dan 19 pasien untuk testing dengan jumlah hidden
neurons 5 (5,10,50,100,200) merupakan yang tertinggi dengan akurasi training scbesar 80.00% dan
akurasi testing sebesar 89.47% serta waktu testing tercepat yaitu 0.063 detik. mendekati standar acuan
untuk diagnosis Stroke Iskemik Akut.

Keyword Stroke Iskemik Akut, EEG, Wavelet, DAR,DTABR, BSI, Fitur ELM

PENDAHULUAN
World Health Organization (WHO)
mendefinisikan stroke sebagai gangguan
fungsional otak fokal maupun global akibat
terganggunya aliran peredaran darah otak yang
berlangsung lebih dari 24 jam atau dapat
menyebabkan kematian (The Royal College of
Physicians, 2012). Stroke merupakan
penyebab kematian ketiga terbesar di dunia
dengan angka kejadian lebih dari 5,1 juta.
Pada tahun 2020 diperkirakan 7,6 juta orang
akan meninggal karena stroke (Junaidi, 2011).
Menurut penelitian epidemiologi stroke
regional Asia Timur seperti Cina, Taiwan, dan
Hongkong selama tahun 1984-2004,
ditemukan kasus baru yaitu sebanyak 4995
kasus. Pada tahun 2005, dilaporkan prevalensi
stroke di kawasan Asia Tenggara seperti
Singapura sebanyak 4,05% penduduk,
sedangkan di Thailand sebanyak 690 per
100.000 penduduk (Kementrian Kesehatan
Republik Indonesia/Kemenkes RI, 2013).
Prevalensi stroke di Indonesia ditemukan
sebesar 8,3 per 1.000 penduduk, dan yang
telah didiagnosis oleh tenaga medis adalah 6
per 1.000 penduduk. Hal ini menunjukkan
sekitar 72,3% kasus stroke di masyarakat telah
didiagnosis oleh tenaga kesehatan
(Departemen Kesehatan Republik
Indonesia/Depkes RI, 2007). Terdapat dua
jenis stroke yaitu stroke perdarahan atau stroke
hemoragik dan stroke non perdarahan disebut
stroke iskemik. Pada negara berkembang
seperti di kawasan Asia, insiden stroke
hemoragik sebesar 30% sedangkan stroke
iskemik sebesar 70% (Junaidi, 2011).
Stroke adalah kondisi yang terjadi ketika
pasokan darah ke otak terganggu atau berkurang
akibat penyumbatan (stroke iskemik) atau
pecahnya pembuluh darah (stroke hemoragik).
Tanpa darah, otak tidak akan mendapatkan
asupan oksigen dan nutrisi, sehingga sel-sel pada
sebagian area otak akan mati. Ketika sebagian
area otak mati, bagian tubuh yang
dikendalikan oleh area otak yang rusak
tidak dapat berfungsi dengan baik.
Stroke adalah keadaan darurat medis
karena sel otak dapat mati hanya dalam
hitungan menit. Penanganan yang cepat
dapat meminimalkan kerusakan otak dan
kemungkinan munculnya komplikasi.
Stroke iskemik adalah jenis stroke yang
terjadi ketika pembuluh darah yang
menyuplai darah ke area otak terhalang
oleh bekuan darah. Stroke iskemik
bertanggung jawab atas 87 persen dari
total kasus stroke. Bekuan darah sering
diakibatkan oleh aterosklerosis, yang
merupakan penumpukan timbunan lemak
di lapisan dalam pembuluh darah.
Sebagian dari timbunan lemak ini bisa
lepas dan memblokir aliran darah di otak
Anda. Konsepnya mirip dengan serangan
jantung, di mana gumpalan darah
menghalangi aliran darah ke sebagian
jantung Anda. Stroke iskemik bisa bersifat
embolik, yang berarti bekuan darah berasal
dari bagian lain di tubuh Anda dan
kemudian berpindah menuju ke otak
biasanya dari jantung dan arteri besar di
dada bagian atas dan leher. Diperkirakan
15 persen kasus stroke embolik disebabkan
oleh kondisi yang disebut fibrilasi atrium,
sebuah kondisi yang membuat jantung
Anda berdetak tidak teratur. Ini
menciptakan kondisi di mana gumpalan
bisa terbentuk di jantung, terlepas, dan
berjalan ke otak.
Electroencephalography (EEG)
adalah suatu alat yang mempelajari
gambar dari rekaman aktivitas listrik di
otak, termasuk teknik perekaman EEG dan
interpretasinya. Pemeriksaan EEG adalah
tes yang mendeteksi aktivitas listrik di
otak, dengan menggunakan cakram logam
kecil (elektroda) yang dilekatkan pada keberadaan Computed Tomography
kulit kepala. Perlu diketahui bahwa sel-sel Scan (CT scan)atau Magnetic Resonance
otak berkomunikasi melalui impuls listrik Imaging (MRI) namun memiliki keunggulan
dan aktif setiap saat, bahkan ketika sedang dari segi biaya operasional yang lebih rendah.
Berdasarkan karakteristik yang ditunjukkan
tidur. Aktivitas ini kemudian ditampilkan
stroke iskemik akut pada sinyal EEG, yaitu
sebagai garis bergelombang pada rekaman
munculnya gelombang lambat dan asimetri
EEG. Pemeriksaan EEG adalah salah satu gelombang pada hemisfer, penelitian ini
tes diagnostik utama untuk epilepsi. menggunakan nilai Delta/Alpha Ratio (DAR),
Pemeriksaan ini juga dapat berperan dalam (Delta+Theta)/(Alpha+Beta) Ratio (DTABR)
mendiagnosis gangguan otak lainnya. dan Brain Symmetry Index (BSI) sebagai nilai
Mendapatkan rekaman EEG yang baik dan fitur masukan ELM yang diperoleh dengan
benar adalah salah satu dari tujuan utama transformasi Wavelet.
dari pemeriksaan EEG, selain interpretasi
ELM adalah metode yang bekerja
yang benar. dengan konsep single hidden layer feed
EEG dan Continuous EEG (CEEG)
forward networks (SLFNs), metode ini
telah banyak dikembangkan untuk mendeteksi
diciptakan untuk mengatasi kelemahan
serebral iskemik akut selama operasi arteri
metode jaringan syaraf tiruan feedforward
karotid. Kenneth G. Jordan (Jordan, 2004)
lebih-lebih pada proses learning speed. ELM
mengemukakan bahwa elektroensefalografi
baik digunakan untuk mengatasi masalah
dapat membantu mengkonfirmasi atau
peramalan dengan waktu pelatihan cepat,
mendeteksi adanya stroke iskemik akut yang
mudah untuk diaplikasikan pada masalah
ditunjukkan dengan adanya perlambatan
kompleks dan diterapkan pada kehidupan
gelombang pada spektra sinyal
nyata (Huang et al. 2006). Berdasarkan
elektroensefalogram (EEG) (muncul aktivitas
kelebihan yang dimiliki oleh ELM
sinyal delta) dan berkurangnya volume
mengukur performa kecepatan waktu
serebral. EEG berubah bila terdapat penurunan
komputasi dan seberapa akurat hasil yang
aliran darah di otak, seperti berkurang atau
didapatkan pada metode ELM. Nilai
hilangnya frekuensi cepat (beta dan alfa,
keakuratan akan dihitung dengan
kadang-kadang termasuk spindle sleep) serta
menggunakan Root Mean Square Error
muncul perlambatan gelombang (theta dan
(RMSE).
delta). Iskemia dapat terlihat pada fase reversal
EEG meskipun pencitraan anatomi seperti BAHAN DAN METODE
MRI tetap dalam keadaan normal. Saat aliran
darah di otak menurun, terjadi perlambataan a. Penyajian Data
frekuensi di bagian otak yang mengalami
Data dari Stroke Iskemik Akut (SIA)
kematian neuronal (infark). Kemampuan EEG
yang diperoleh dari Rumah Sakit Pusat Otak
untuk mendeteksi iskemia pada tahap awal
Nasional Jakartadari total pasien yang
dengan prosedur yang dilakukan secara
berjumlah 59 data pasien berdasarkan tingkat
kontinyu adalah dasar untuk memantau EEG
keparahan stroke adalah sebagai berikut :
pada pasien berisiko tinggi untuk iskemia
1. Normal (NIHSS = 0) = 30
(Hirsch & Brenner, 2010). Elektroensefalograf
2. Mild (NIHSSS < 4) = 8
atau elektroensefalograf yang dilakukan secara
3. Moderate (NIHSS 4-15) = 16
kontinyumerupakan alat neurodiagnostik
4. Severe (NIHSS > 15) = 5
paling sensitif untuk mendeteksi iskemia
serebral akut (Jordan, 2004), meskipun sampai
b. Kriteria Inklusi
saat ini dinyatakan belum dapat menggantikan
  Pasien stroke iskemik akut ( onset
maksimal 72 jam)
 Usia 40-75 tahun
 Mau dan mampu memberi informed
consent dan berpartisipasi
 Pasien menjalani pemeriksaan Brain
CT SCAN non kontras dan EEG
dalam onset 72 jam mengalami stroke
iskemik
c. Kriteria Eksklusi
 Transient ischemic attacks
 Kejang saat onset masuk ke RS atau
adanya riwayat kejang
 Stroke like syndrome (tumor
berdarah, subdural hematoma)
 Demam karena penyakit infeksi
 Penyakit artritis rematoid, SLE
(eritematosis lupus sistemik)
 Kanker, gagal ginjal, sirosis hepatis,
infark miokard, unstable/stable
angina, PAD (perifer arterial disease)
d. Prosedur Operasional Standar
1. Perangkat EEG : BioLogic 256 Hz dan 512
Hz, Natus 512 Hz
2. Total rekaman EEG selama 30 menit
3. Prosedur mengacu pada standard perekaman
penyakit epilepsi :
a. 3 menit mata tertutup
b. 3 menit mata terbuka
c. 3 menit mata tertutup
d. 3 menit fotik, yaitu dengan pemberian
stimulus cahaya yang berkedip (5 Hz, 10
Hz, 15 Hz, 20 Hz, 25 Hz, 30 Hz, 25 Hz, 20
Hz, 15 Hz, 10 Hz, 5 Hz) masing-masing
frekuensi kurang lebih selama 15 detik
e. Pengolahan Data
Data diolah dengan menggunakan Laptop
Hp menggunakan prosesor Intel (R) Hd
Graphics 1.50 GHz. RAM 2GB, 64-bit
Operating System, x64- based processor.
Perangkat lunak yang digunakan untuk analisis
data adalah pemograman interaktif untuk
komputasi ilmiah.
f. Metode
1. Segmentasi atau Pemotongan Data
Data mentah berisi 30 menit perckaman
dengan 32 channel sesuai prosedur standar
penyakit epilepsi. Karena besarnya data, muka
disederhanakan dan dipotong menjadi 3 menit
di awal saja (mata tertutup) untuk pengolahan.
Perlu dibuktikan apakah pengambilan datn
sclama 3 menit atau 180 detik.
Data mentah berisi 30 menit perckaman
dengan 32 channel sesuai prosedur standar
penyakit epilepsi. Karena besarnya data, muka
disederhanakan dan dipotong menjadi 3 menit
di awal saja (mata terbuka) untuk pengolahan.
Perlu dibuktikan apakah pengambilan datn
sclama 3 menit atau 180 detik.
2. EEG sinyal dalam Format Data Eropa (.edf)
menggunakan skrip Matlab (edfread), lalu
disaring menjadi gelombang 4-sub
berdasarkan rentang frekuensi (alpha, beta,
theta dan delta) menggunakan kepadatan
spektral daya. Daya spektral untuk setiap
elektroda dilakukan menggunakan Discrete
Wavelet Transform (DWT) untuk
menguraikan sinyal EEG ke dalam gelombang
4-sub (alfa, beta delta, dan theta) untuk
menghitung DAR dan DTABR. Delta, theta,
alpha dan beta's spectral. Sinyal harus
dilewatkan dalam dua filtrasi DWT, the filter
low pass dan filter high pas sehingga
frekuensi- sinyal dapat dianalisis. Analisis
frekuensi Komponen dilakukan dengan
menggunakan hasil resolusi setelah sinyal
melewati penyaringan tersebut dimana
koefisien detail pada resolusi k dengan waktu.
3. BSI digunakan untuk mengukur nilai simetri
aktivitas otak kiri dan kanan. Nilai level
simetri adalah diukur berdasarkan rata-rata
absolut dari spektral daya kepadatan dari
kedua belahan otak dalam rentang frekuensi 1
hingga 25 Hz. BSI yang digunakan untuk
mencari kelainan.
4. ELM adalah jenis jaringan neural
feedforward dengan lapisan tersembunyi
tunggal dengan L neuron tersembunyi, fungsi
aktif g (x) dan N sampel yang dapat
dimodelkan secara matematis. ELM digunakan
untuk meminimalkan kesalahan pelatihan
dengan Moore Penrose Pseudo Inverse theory.
HASIL DAN PEMBAHASAN
Gambar 1. Grafik hasil analisa data
dengan ELM
Hasil data pengujian dilakukan oleh pelatihan
ELM algoritma menggunakan fungsi aktivasi
sigmoid berdasarkan input data dalam bentuk
nilai featuers 'DAR, DTABR dan BSI sebagai
ditunjukkan pada gambar 1. Dari grafik diatas
terlihat hasil uji sistem dalam analisis sinyal
EEG diikuti oleh ELM untuk mengidentifikasi
stroke iskemik akut yang diperoleh nilai
hidden neurons 5 memiliki akurasi training
tertinggi sebesar 80,00% dan nilai akurasi
testing pada angka 89.47%. Nilai hidden
neurons 10 memiliki akurasi training sebesar
47,50% dan nilai akurasi testing 89,47%. Nilai
hidden neurons 50 memiliki akurasi training
sebesar 55% dan nilai akurasi testing terendah
84,2%. Nilai hidden neurons 100 memiliki
akurasi training sebesar 60% dan nilai akurasi
testing 89,47%. Dan yang terakhir nilai hidden
neurons 200 memiliki akurasi training sebesar
67,50% dan nilai akurasi testing 89,47%.
Untuk hasil waktu testing pada hidden
neurons 5, yaitu 0,063 detik, yang merupakan
waktu testing tercepat. Waktu testing pada
hidden neurons 10 yaitu, 0,090 detik. Waktu
testing pada hidden neurons 50 yaitu, 0,160
detik. Waktu testing hidden neurons 100, yaitu
0,172 detik, yang merupakan waktu testing
terlama diantara nilai hidden neurons lainnya.
Dan yang terakhir untuk nilai waktu testing
pada hidden neurons 200, yaitu 0,140 detik.
Pada dasarnya hasil waktu testing tersebut
relatif sangat cepat karena masih dalam fraksi
sepersekian detik.
Berdasarkan kelebihan yang dimiliki
oleh ELM sehingga mengukur performa
kecepatan waktu komputasi dan seberapa
akurat hasil yang didapatkan pada metode
ELM. Nilai keakuratan akan dihitung
dengan menggunakan Root Mean Square
Error (RMSE). Dari hasil diatas selanjutnya
akurasi taining terendah adalah di hidden
neurons 10 yaitu scbesar 47.50%, Artinya
peningkatan jurnlah hidden neurons tidak
memperbaiki nilai akurasi training. Oleh
karena itu, hidden neurons merupakan yang
paling optimum, ditambah dengan waktu
testing tercepat.
KESIMPULAN
Dapat disimpulkan untuk hasil uji sistem
dalam analisis sinyal EEG diikuti oleh ELM
Hasil penelitian menunjukkan bahwa data
yang diolah dari 47 pasien untuk training dan
19 pasien untuk testing dengan jumlah hidden
neurons 5 (5,10,50,100,200) merupakan yang
tertinggi dengan akurasi training scbesar
80.00% dan akurasi testing sebesar 89.47%
serta waktu testing tercepat yaitu 0.063 detik.
mendekati standar acuan untuk diagnosis
Stroke Iskemik Akut.
DAFTAR PUSTAKA

Badan Penelitian dan Pengembangan K. G. Jordan, “Emergency EEG and

Kesehatan, “Riset Kesehatan Dasar continuous EEG monitoring in acute
(RISKESDAS) 2013,” Lap. Nas. 2013, ischemic stroke.,” J. Clin. Neurophysiol.,
pp. 1–384, 2013. vol. 21, no. 5, pp. 341–52, 2004.

Fisher, et al. (2016). Definition and
Implications of the Preventable Stroke.
JAMA Neurology, 73(2), pp. 186-9.
HUANG, G. BIN, ZHU, Q.Y. & SIEW, C.K.,
2006. Extreme learning machine:
Theory and applications.
Neurocomputing, 70 (1–3), pp.489–50.
Ji Ye Chan, Sastra K. Wijaya, Prawito,
and Osmalina N. Rahma.
2019.ELM (extreme learning machine)
method for detecting acute ischemic
stroke using conventional and specific
asymmetry BSI (brain symmetry index)
features based on EEG signals, AIP
Conference Proceedings 2092, 020023
Musuka, et al. (2015). Diagnosis and
management of acute ischemic stroke:
speed is critical. CMAJ : Canadian
Medical Association Journal, 187(12), pp.
887–893.
O. N. Rahma, S. K. Wijaya, Prawito, and C.
Badri, “Electroencephalogram analysis
with extreme learning machine as a
supporting tool for classifying acute
ischemic stroke severity,” Proc. - 2017
Int. Semin. Sensor, Instrumentation,
Meas. Metrol. Innov. Adv. Compet.
Nation, ISSIMM 2017, vol. 2017-
January, pp. 180–186, 2017, doi:
10.1109/ISSIMM.2017.8124287.

Johns Hopskins Medicine.

https://www.hopkinsmedicine.org/health/t
reatment-tests-and-therapies/
electroencephalogram-eeg. Diakses pada
03 Juli 2020

Junaidi, Iskandar., 2011. Stroke Waspadai

Ancamannya. Yogyakarta : ANDI.

J. Y. Chan, S. K. Wijaya, Prawito, and O. N.

Rahma, “ELM (extreme learning
machine) method for detecting acute
ischemic stroke using conventional and
specific asymmetry BSI (brain symmetry
index) features based on EEG signals,”
AIP Conf. Proc., vol. 2092, 2019, doi:
10.1063/1.5096691

Kementrian Kesehatan RI (2013). Badan

Penelitian dan Pengembangan Kesehatan.
Riset Kesehatan Dasar 2013.