IDENTIFIKASI KELAINAN JANTUNG YANG BERESIKO TINGGI MENGGUNAKAN JARINGAN SYARAF TIRUAN

IGNATIUS RADEN HARYOSUPROBO, Prof. Adhi Susanto, M.Sc., Ph.D.

2014 | Tesis | S2 Teknik Elektro

Angka kematian akibat penyakit jantung terutama penyakit jantung koroner dan gangguan ritme jantung tergolong sangat tinggi. Deteksi dan penanganan dini penyakit jantung ini dapat mencegah kerusakan permanen pada jaringan jantung. Sinyal EKG yang sama, yang diperoleh dari elektrokardiograf dapat diinterpretasikan berbeda-beda oleh para dokter. Hal itu disebabkan karena ragam penyakit jantung yang sangat banyak sehingga untuk mendiagnosa dengan tepat kelainan jantung tertentu pasien diperlukan keahlian khusus serta pengalaman yang memadai. Pada penelitian ini akan diimplementasikan identifikasi jenis kelainan jantung yang beresiko tinggi menggunakan Jaringan Syaraf Tiruan (JST). Jenis penyakit jantung yang akan diteliti meliputi Atrial Fibrilation, Ventricular Takikardia, Ventricular Fibrilation, serta Ischemic Heart Disease/jantung koroner. Tahap pertama penelitian adalah preprocessing yang meliputi segmentasi, transformasi data spasial ke data satu dimensi, penghapusan derau, penyeragaman frekuensi cuplik, ekstraksi ciri menggunakan paket wavelet dan normalisasi isyarat, sedangkan tahap selanjutnya adalah identifikasi sinyal EKG menggunakan JST backpropagation. Tahapan-tahapan tersebut berlaku untuk proses pelatihan maupun proses pengujian. Data pelatihan berupa data riil dan data simulasi yang diambil dari MIT-BIH database. Penelitian ini juga menampilkan gelombang singkat baru masing-masing kondisi jantung yang diperoleh dengan mengembalikan ke kawasan waktu hasil rerata spektrum masing-masing kondisi jantung. Hasil simulasi menunjukkan akurasi total jaringan sebesar 97%. Akurasi paling baik (100%) dicapai pada EKG Atrial Fibrillation, sedangkan akurasi terendah (79%) yaitu saat mengenali EKG Ventricular Fibrillation. Rerata hasil korelasi gelombang singkat terhadap sinyal EKG yang relevan sebesar 60,27%. Keywords—JST Backpropagation, EKG, ekstraksi ciri, paket wavelet

The death rate from heart disease, especially coronary heart disease and heart rhythm disorders classified as very high. Early detection and treatment of heart disease can prevent permanent damage to the heart tissue. The same ECG signal, which is obtained from an electrocardiograph, can be interpreted differently by doctors. It is caused due to a variety of heart disease very much so to properly diagnose certain heart disorders patients required special skills and adequate experience. This research will be implemented identification of high-risk cardiac abnormalities using Artificial Neural Network (ANN). The type of heart disease that will be examined include atrial fibrillation, ventricular tachycardia, ventricular fibrillation, and Ischemic Heart Disease / Coronary heart disease. The first stage is a preprocessing research that includes segmentation, spatial data transformation into one dimension, elimination of noise, uniformity sampling frequency, feature extraction using wavelet decomposition and data normalization, while the next step is the identification of ECG signals using backpropagation neural network. These stages apply to the process of training and testing process. Training data in the form of real data and simulation data are taken from the MIT-BIH database. This study also displays a new short wave each cardiac conditions obtained by returning to the time domain of mean spectrum each heart condition. The simulation results show the overall accuracy is 97%. The best accuracy (100%) was achieved in Atrial Fibrillation ECG, whereas the lowest accuracy (79%) while recognizing the ECG Ventricular Fibrillation. The mean short wave correlation results relevant to the ECG signal by 60,27% Keywords-ANN Backpropagation, ECG, feature extraction, wavelet packet

Kata Kunci : JST Backpropagation, EKG, ekstraksi ciri, paket wavelet; ANN Backpropagation, ECG, feature extraction, wavelet packet