bab i pendahuluan

BAB I
PENDAHULUAN
1.1
Latar Belakang
Jantung adalah salah satu organ penting dalam tubuh manusia yang
berfungsi memompa darah ke seluruh tubuh. Darah yang dipompa ke seluruh
tubuh melalui sistem peredaran darah mengangkut zat-zat yang sangat diperlukan
untuk kelangsungan hidup sel-sel tubuh. Sebaliknya darah juga membawa zat-zat
yang tidak berguna lagi bagi sel untuk dibuang ke luar tubuh [1].
Selama bertahun-tahun, serangan jantung menduduki ranking pertama
penyebab kematian di berbagai tempat di dunia. Sekitar tahun 60-an, harapan
penderita jantung untuk sembuh relatif kecil dibanding saat ini. Keterbatasan
peralatan untuk mendeteksi kerja jantung merupakan salah satu penyebabnya.
Dokter umum sebagai pintu gerbang utama dan ujung tombak dalam pelayanan
kepada masyarakat umum memegang kunci keberhasilan dalam menekan angka
kesakitan maupun angka kematian akibat penyakit jantung [2].
Elektrokardiograf adalah alat yang digunakan untuk menangkap sinyal
listrik yang dihasilkan oleh jantung saat melakukan tugasnya mengambil darah
kotor dan memompa darah bersih ke seluruh tubuh. Sinyal listrik tersebut
dinamakan elektrokardiogram (EKG). Rekaman EKG ini digunakan oleh dokter
atau ahli medis untuk menentukan kondisi jantung pasien, di antaranya untuk
mengetahui frekuensi (rate) jantung, arrhythmia, infark miokard, pembesaran
atrium, hipertrofi ventricular, dan lain-lain. Pola EKG beberapa kondisi jantung
memiliki ciri yang khusus, tetapi untuk membedakan pola sinyal jantung yang
sehat atau terdapat kelainan fungsional pada jantung diperlukan pengalaman dan
keahlian tersendiri dalam melakukan identifikasi macam-macam sinyal EKG yang
sudah ada.
Penyakit jantung memiliki ragam yang sangat banyak, sehingga untuk
mendiagnosa dengan tepat kelainan jantung tertentu pada pasien diperlukan
keahlian khusus serta pengalaman yang memadai. Ada beberapa kelemahan
elektrokardiograf ini yaitu kemampuan para ahli dalam menganalisa hasil
1
rekaman jantung sangat mungkin menghasilkan diagnosis yang berbeda-beda.
Selain itu kondisi fisik, mental, dan pikiran orang kadang-kadang bersifat labil,
sehingga seorang dokter ahli yang sudah berpengalamanpun dapat saja melakukan
kesalahan dalam mendiagnosa penyakit jantung.
Sinyal EKG yang sama dapat diinterpretasikan secara beragam oleh dokter
yang berbeda, sehingga bertolak dari kenyataan tersebut maka perlu dibuat sistem
cerdas yang dapat melakukan analisis sendiri data elektrokardiogram, sehingga
kesalahan fatal akibat interpretasi yang keliru dalam pembacaan sinyal EKG dapat
dihindari. Sinyal jantung yang dideteksi menggunakan sensor bipotensial, yang
berfungsi sebagai transduser arus ion tubuh menjadi arus elektron penghantar,
diolah oleh elektrokardiograf. Sinyal EKG hasil pemrosesan elektrokardiograf
tersebut kemudian diolah dengan komputer untuk mendapatkan sinyal yang siap
diproses. Sinyal tersebut kemudian diekstrasi ciri untuk memperoleh pita-pita
energi. Dari pita-pita energi inilah pola kondisi jantung dapat dikenali.
Selanjutnya dengan Jaringan Syaraf Tiruan (JST) back error propagation dapat
melakukan identifikiasi sinyal jantung tersebut yang dapat memberi hasil
diagnosis banding bagi dokter.
1.2
Perumusan masalah
Perlu dibuat sistem cerdas yang mampu mengidentifikasi kelainan jantung
yang beresiko tinggi sebagai upaya untuk mengurangi kesalahan interpretasi oleh
tenaga medis sekaligus sebagai diagnosis banding bagi dokter atau tenaga medis.
1.3
Keaslian penelitian
Penelitian mengenai sinyal jantung terutama untuk mengidentifikasi
beberapa jenis gangguan jantung telah banyak dilakukan, dengan menggunakan
algoritma dan metode yang beragam, tetapi biasanya hanya sebatas analisis,
dengan mengambil data sampel berupa data sekunder dari sumber tertentu di
internet atau dari rumah sakit. Dalam penelitian ini digunakan dua jenis sumber
data sekaligus yaitu data riil rekaman EKG yang diperoleh dari rumah sakit,
phantom, dan akuisisi secara langsung dari pasien serta data simulasi yang
2
diambil dari MIT BIH database yang diunduh di http://www.phisyonet.org. Selain
itu untuk jenis gangguan jantung yang beresiko tinggi seperti yang akan dianalisis
dalam penelitian ini masih sangat jarang diteliti khususnya ischemic heart
disease/jantung koroner.
Dalam penelitian sebelumnya telah diaplikasikan jaringan syaraf tiruan
untuk menganalisis dan mengenali suara jantung untuk kepentingan klasifikasi
jenis kelainan katub jantung pada manusia. Dari hasil ekstraksi ciri menggunakan
metode wavelet dan proses pengenalan pola suara jantung dari beberapa jenis
kelainan katub jantung, sistem yang dibuat mampu mengenali 80% suara jantung
normal, 80% untuk pola suara jantung murmur sistolic, 82,4% untuk suara jantung
murmur diastolic, dan 30% untuk pola suara jantung murmur kontinu [3].
Julian dkk berhasil mengimplementasikan klasifikasi aritmia EKG
menggunakan JST dengan fungsi aktivasi adaptif. Tahap pertama adalah tahap
training menggunakan algoritma backpropagation dengan melakukan perbaikan
parameter jaringan serta parameter bebas yang terdapat pada fungsi aktivasi.
Tahap kedua adalah tahap testing setelah mendapatkan arsitektur jaringan yang
optimum pada tahap training. Kedua tahap tersebut dilakukan pada dua model JST
dengan fungsi aktivasi berbeda, yang masing-masing memiliki parameter bebas.
Kemudian kedua model tersebut dibandingkan dengan JST klasik. Dengan
mengambil data dari database aritmia milik MIT_BIH, diperoleh JST klasik dan
dua model JST dengan fungsi aktivasi adaptif mempunyai akurasi sebesar
97,92%, 99,59%, dan 99,54% [4].
Edwin dkk telah melakukan klasifikasi terhadap kondisi jantung normal,
atrial fibrillation, ventricular tachycardia, dan ventricular bigeminy berdasarkan
pemodelan sinyal EKG. Pemodelan sinyal menggunakan AR (Auto Regresive)
metode Burg. Orde model ditentukan melalui kriteria uji kecocokan dan AIC
(Akaike’s Information Criteria). Parameter model AR digunakan sebagai masukan
bagi JST dengan fungsi sebagai data uji maupun data latih. Hasil pengujian
menunjukkan bahwa klasifikasi terbaik didapatkan dengan menggunakan
pemodelan orde 5 dan arsitektur JST 3 layer dengan jumlah neuron 20 – 20 – 4.
Hasil klasifikasi 100% diperoleh untuk setiap kondisi fisiologis pada kategori data
3
uji sama dengan data latih. Kategori data uji tidak sama dengan data latih
menunjukkan hasil klasifikasi 66,67% untuk atrial fibrillation, 75% untuk kondisi
ventricular tachycardia, 40% ventricular bigeminy, dan 30% untuk kondisi
normal [5].
Rizal dkk melakukan penelitian untuk melakukan pendeteksian masalah
jantung dengan menggunakan kombinasi empiris modus dekomposisi (EMD) dan
dekomposisi paket wavelet. Sinyal EKG didekomposisi menggunakan EMD
sampai level 3 dan menggunakan wavelet Daubechies 2 sampai level 5.
Periodogram energi yang dihasilkan dari masing-masing sub-band dihitung.
Metode k-mean clustering digunakan sebagai pengklasifikasi. Dari tiga kelas data
yang terdiri atas Normal Sinus Rhythm (NSR), Congestive Heart Failure (CHF),
dan Atrial Fibrillation diperoleh akurasi 90% [6].
Lutfi dkk merealisasikan sebuah sistem yang mampu menganalisis dan
mengklasifikasikan kelainan sinyal EKG. Continous Wavelet Transform (CWT)
dengan fungsi Morlet digunakan untuk mengeksplorasi karakteristik timefrequency sinyal EKG. Klasifikasi sinyal EKG dilakukan dengan Artificial Neural
Network (ANN). Sinyal EKG yang digunakan diambil dari MIT-BIH database
Arrhythmia termasuk sinyal denyut normal dan denyut bundle branch block
(BBB). 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 dilatihkan, ANN mengenali data dengan akurasi 87,04%. Dalam
pengujian dengan validasi silang sensitivitas mencapai 87% dan spesifisitas 95%
[7].
Purwanti dkk merancang sistem jaringan syaraf tiruan untuk klasifikasi
citra EKG. Metode pemrosesan citra digunakan untuk ekstraksi fitur citra EKG
dan proses klasifikasi menggunakan learning vector quantization. Beberapa data
EKG digunakan sebagai data pelatihan dan pengujian jaringan. Hasil simulasi
menunjukkan bahwa akurasi algoritma klasifikasi sebesar 89% terdiri atas 9
normal, 4 bradikardi, 8 takikardi, dan 7 aritmia [8].
4
Mukhopadhyay menyajikan sistem untuk mendeteksi puncak komplek
gelombang P, Q, R, S, T, sinyal EKG berbasis transformasi wavelet. Metode yang
digunakan mengusulkan puncak ‘PQRST‘ ditandai dan disimpan pada seluruh
sinyal dan interval waktu antara puncak ‘R‘ berturut-turut dan puncak lainnya
diukur untuk mendeteksi anomali sinyal EKG. Keakuratan deteksi kompleks
‘PQRST‘ dan interval sinyal dicapai hingga 100% [9].
Jumnahdi mengembangkan manfaat skema pemrosesan sinyal dalam
memecahkan masalah identifikasi sinyal murmur jantung dengan memanfaatkan
data yang tersedia pada sejumlah pasien jantung Indonesia. Pemrosesan sinyal
menggunakan jaringan syaraf tiruan yang didahului dengan analisis transformasi
fourier cepat (FFT), dan diarahkan untuk sembilan kelas murmur yaitu stenosis
katub aorta, cacat septum atrium, regurgitasi katub mitral, cacat septum ventrikel,
klik-mid sistolik, regurgitasi dan stenosis aorta, presistolik, stenosis mitral, dan
ductusarteriosus paten ones. Vektor bobot jaringan dikelompokkan menurut pola
yang merupakan fitur khusus masing-masing sinyal berdasar data sampel dan data
training. Keberhasilan identifikasi mencapai 78,5% [10].
Pada penelitian ini akan dilakukan identifikasi kelainan jantung yang
beresiko tinggi meliputi Atrial Fibrilation, Ventricular Takikardia, Ventricular
Fibrilation, serta gangguan berikutnya adalah Ischemic Heart Disease/jantung
koroner. Proses ekstraksi ciri dilakukan dengan dekomposisi paket wavelet hingga
6 level untuk mendapatkan pita-pita energi, selanjutnya ciri tersebut akan
dilatihkan menggunakan metode back error propagation untuk membentuk suatu
jaringan yang mampu mengenali setiap ciri berdasarkan jenis kondisi jantung
masing-masing.
1.4
Tujuan Penelitian
Penelitian ini bertujuan melakukan analisis sinyal EKG berbasis sistem
cerdas yang dapat menginterpretasikan dan mengidentifikasi gangguan-gangguan
jantung dengan resiko tinggi yang terdiri atas Atrial Fibrilation, Ventricular
Takikardia, Ventricular Fibrilation, serta gangguan berikutnya adalah Ischemic
Heart Disease/jantung koroner. Pada penelitian ini pengenalan pola gangguan
5
jantung menggunakan
jaringan syaraf tiruan back error propagation dengan
ekstrasi ciri menggunakan wavelet. Penghapusan derau yang dilakukan adalah
menghilangkan derau akibat interferensi jala-jala listrik 50/60 Hz dan baseline
wander removal.
1.5
Manfaat Penelitian
Hasil penelitian ini diharapkan dapat memberi kontribusi dalam dunia
medis, terutama dalam mendiagnosis gangguan jantung yang beresiko tinggi,
sehingga membantu tenaga medis dalam menganalisis jantung pasien, serta
mengurangi human error. Apabila penelitian ini berhasil, dapat digunakan sebagai
rujukan untuk pengembangan
sistem berikutnya yaitu sistem yang
dapat
dihubungkan dengan elektrokardiograf yang dapat melakukan analisis dan
identifikasi secara online, atau dikembangkan menjadi sistem tertanam (embedded
system).
1.6
Sistematika Penulisan
Untuk memudahkan memahami masalah yang akan dibahas, penelitian ini
ditulis dengan sistematika berikut ini:
Bab 1 Pendahuluan. Dalam bab ini menjelaskan secara singkat tentang latar
belakang masalah, perumusan masalah, keaslian penelitian, tujuan penelitian,
manfaat penelitian, dan sistematika penulisan.
Bab 2 Tinjauan Pustaka dan Landasan Teori. Bab ini menjelaskan secara singkat
mengenai hasil-hasil penelitian sebelumnya yang berhubungan dengan penelitian
ini serta berisi landasan-landasan teori yang relevan dengan masalah yang akan
dibahas.
Bab 3 Metodologi. Bab ini menjelaskan mengenai alat dan bahan yang digunakan
dalam penelitian, serta berisi tentang penjelasan jalannya penelitian dan metode
yang dipakai.
Bab 4 Hasil dan Pembahasan. Bab ini memuat hasil penelitian dan
pembahasannya.
6
Bab 5 Kesimpulan dan Saran. Bab ini berisi kesimpulan yang dapat diambil dari
hasil penelitian secara keseluruhan. Selaian kesimpulan, dalam bab ini juga berisi
saran-saran yang diperoleh dari hasil penulisan.
7