BAB I PENDAHULUAN A. Latar Belakang Masalah Jantung

BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Jantung merupakan organ tubuh yang paling fungsional karena peranannya
sebagai pemompa darah agar dapat mengalir ke seluruh tubuh melalui pembuluh
darah. Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
menyebabkan gangguan terhadap jantung. Penyakit jantung sendiri merupakan
penyakit pembunuh nomor satu di dunia terutama pada kalangan dewasa dan lanjut
usia. Pada tahun 1990 tercatat sebanyak 14,4 juta kematian akibat serangan jantung.
Angka tersebut meningkat menjadi 17,5 juta pada tahun 2005, dan pada tahun 2030
diperkirakan akan meningkat kembali hingga mencapai angka 23,6 juta jiwa
penduduk (American Heart Association, 2014).
Ada banyak macam penyakit kardiovaskuler, namun yang paling umum adalah
Penyakit Jantung Koroner, Penyakit Serebrovaskular (CVD), Penyakit Arteri
Perifer, Penyakit Jantung Rematik, Penyakit Jantung Bawaan, dan Gagal Jantung
(WHO, 2016). Penyakit kardiovaskuler khususnya penyakit jantung koroner
menyebabkan angka kematian yang tinggi di Indonesia, yaitu mencapai 26%
(WHO, 2011). Penyakit jantung koroner merupakan jenis penyakit kardiovaskular
terbanyak yang menyebabkan kematian di dunia, yaitu 7.2 juta orang per tahun atau
41% dari kasus penyakit kardiovaskular (World Heart Federation, 2010).
Penyakit Jantung Koroner adalah penyakit pembuluh darah yang menyuplai
otot jantung. Penyakit Serebrovaskular adalah penyakit pembuluh darah yang
1
menyuplai otak. Penyakit Arteri Perifer adalah penyakit pembuluh darah yang
menyuplai lengan dan kaki. Penyakit Jantung Rematik adalah kerusakan pada otot
jantung dan katup jantung dari demam rematik, yang disebabkan oleh bakteri
streptokokus. Penyakit Jantung Bawaan adalah kelainan struktur jantung yang
dialami pada saat lahir. Gagal jantung adalah kondisi saat otot jantung menjadi
sangat lemah sehingga tidak bisa memompa cukup darah ke seluruh tubuh pada
tekanan yang tepat (WHO, 2016).
Klasifikasi perlu dilakukan untuk menelusuri sebaran dan karakteristik hasil
pemeriksaan diagnosis. Teknik analisa konvensional secara manual yang selama ini
digunakan tidak lagi efektif digunakan untuk mendiagnosis karena teknik ini
menyebabkan bias, kesalahan dan biaya medis yang berlebihan yang
mempengaruhi kualitas layanan yang diberikan kepada pasien. Seiring dengan
perkembangan sistem berbasis pengetahuan medis, tuntutan akan adanya
penggunaan sistem pengetahuan berbasis komputer sebagai teknik analisa dalam
mendiagnosis penyakit menjadi semakin penting. Oleh karenanya, saat inilah waktu
yang tepat untuk mengembangkan sistem pengetahuan berbasis komputer yang
modern, efektif dan efisien dalam mendiagnosis penyakit (Mehdi & Yaghobi,
2009).
Demi mengurangi waktu yang dibutuhkan untuk mendiagnosis dan
meningkatkan tingkat akurasi diagnosis, dibutuhkan adanya pengembangan suatu
sistem diagnosis medis yang baik dan dapat dihandalkan. Diagnosis medis secara
alamiah sangat sulit dan membutuhkan proses berfikir yang rumit. Klasifikasi dapat
diselesaikan dengan teknik-teknik pendekatan secara fungsional yang dikenal
2
dengan istilah soft computing. Soft computing merupakan suatu model pendekatan
untuk melakukan komputasi dengan meniru kemampuan akal manusia yang luar
biasa untuk menalar dan belajar pada lingkungan yang memiliki ketidakpastian dan
ketidaktepatan (Jang et al, 1997). Beberapa teknik dalam soft computing antara lain
sistem fuzzy, Artificial Neural Network (ANN), algoritma evolusioner, dan
probabilistic reasoning. Adakalanya teknik-teknik dalam soft computing saling
digabungkan untuk mendapatkan algoritma yang lebih sempurna.
Radial Basis Function (RBF) adalah tipe khusus dari neural network yang
menggunakan radial basis function sebagai fungsi aktivasinya (Tiruvenkadam
Santhanam & A.C. Subhajini, 2011). Jaringan ini terdiri dari tiga layer yaitu input
layer, hidden layer, dan output layer. Fungsi aktivasinya adalah fungsi basis dan
fungsi linear pada lapisan output. Ada banyak fungsi basis yang dapat digunakan
untuk membangun neural network di antaranya yaitu: linear, Gaussian,
multikuadratik, invers multikuadratik dan sebagainya. Radial basis function (RBF)
merupakan salah satu jenis dari Artificial Neural Network (ANN) yang memiliki
kelebihan tertentu termasuk kemampuan pendekatan yang lebih baik, jaringan
arsitektur sederhana dan algoritma pembelajaran yang lebih cepat. Ide utama
jaringan saraf RBF adalah untuk menciptakan jumlah neuron tersembunyi yang
tepat dan menentukan bobot masing-masing neuron (Alexey V. Zakharov et al,
2014).
Electrocardiogram
(ECG),
Electroenchepalogram
(EEG)
dan
Phonocardiogram (PCG) adalah beberapa contoh literatur biometric yang erat
hubungannya dengan ilmu kedokteran. Masing-masing perangkat tersebut memiliki
3
fungsionalitas yang berbeda-beda tetapi memiliki tujuan dengan arah yang sama,
yaitu mengetahui kondisi bagian tubuh yang diamati (Primasari, 2012).
Electroencephalogram (EEG) adalah tes medis yang digunakan untuk mengukur
aktivitas listrik otak. EEG dilakukan dengan cara menempatkan elektroda pada kulit
kepala. EEG sering juga disebut sebagai tes gelombang otak. EEG akan membantu
mendiagnosis sejumlah kondisi kesehatan, seperti epilepsi, gangguan tidur, dan
tumor otak. Electrocardiograph (ECG) merupakan metoda yang umum dipakai
untuk mengukur kinerja jantung manusia melalui aktivitas elektrik jantung. Sinyal
jantung (ECG) merupakan sinyal biomedik yang bersifat nonstationer, dimana
sinyal ini mempunyai frekuensi yang berubah terhadap waktu sesuai dengan
kejadian fisiologi jantung. Sinyal ECG juga dapat memberikan informasi terkait
aktivitas mekanik jantung, tetapi tidak sepenuhnya bisa menggambarkan kelainan
jantung yang sebelumnya dialami, sehingga kelainan jantung tersebut tidak bisa
dideteksi dari sinyal jantung (Suprayitno, 2012).
Phonocardiogram (PCG) adalah teknik dalam penelusuran suara jantung dan
pencatatan getaran akustik jantung melalui suatu transduser mikrofon yang akan
direkam dan ditampilkan pada osiloskop. Suatu mikrofon yang dirancang khusus
ditempatkan pada dinding dada sehingga getaran yang dihasilkan oleh jantung
dapat diterima, diperkuat, serta direkam. Dalam hal tertentu, diagnosis berbasis
suara jantung mempunyai kelebihan jika dibandingkan dengan diagnosis berbasis
EKG, diantaranya dari sisi safety dan kemudahan perekaman isyarat jantung.
(Kristomo, 2014).
4
Penelitian mengenai klasifikasi dari suara jantung dengan menggunakan
metode jaringan syaraf tiruan (neural network) pernah dilakukan juga oleh
Winstem Siswanto Siregar pada tahun 2005. Winstem mencoba mengkasifikasikan
data berupa rekaman suara jantung yang ia rekam dari alat PCG. Hasilnya ia
mendapatkan 56% untuk akurasi terbaiknya. Metode jaringan syaraf tiruan juga
pernah diterapkan oleh Edwin, M. Jimmy Hasugian, dan E. Merry Sartika (2011)
untuk mengklasifikasikan kondisi jantung berdasarkan sinyal ECG. Sinyal jantung
diklasifikasikan ke dalam 4 kondisi yakni normal, atrial fibrilation, ventricular
tachycardia, dan ventricular bigeminy. akurasi yang didapatkan sebesar 100%
untuk data testing dan untuk data training-nya sebesar 66,67% untuk kondisi atrial
fibrilation, 75% untuk kondisi ventricular tachycardia, 40% untuk ventricular
bigeminy, dan 30% untuk kondisi normal.
Pada tahun 2012, Arif Surtono dkk pernah meneliti tentang analisis sinyal ECG
berbasis wavelet dan backpropagation neural network. Sinyal ECG diekstraksi
kemudian diklasifikasikan dalam beberapa kondisi yaitu jantung normal,
arrhytmia, ventricular tachyarrhytmia, intracardiac atrial fibrillation dan myocard
infarction. Penelitian tersebut menghasilkan akurasi pengklasifikasian sebesar
87.424% untuk semua data. Pada tahun 2016, Hindarto pernah melakukan
penelitian tentang klasifikasi sinyal jantung menggunakan jaringan syaraf tiruan.
Data sinyal jantung diekstraksi dengan menggunakan metode Fast Fourier
Transform (FFT) kemudian dijalankan algoritma backpropagation. Dalam
penelitian tersebut didapatkan akurasi hasil sebesar 93%.
5
Dalam penelitian ini akan dilakukan diagnosis untuk jenis-jenis penyakit
jantung menggunakan data suara detak jantung yang didapatkan dari isyarat sinyal
phonocardiogram (PCG) berdasarkan waktu, kemudian digunakan transformasi
wavelet untuk menganalisis, mengekstraksi, dan mengurai menjadi beberapa
komponen, setelah itu digunakan neural network untuk mencari pola dan ciri dari
jantung normal atau tidak normal (penyakit jantung).
B. Batasan Masalah
Dalam tugas akhir ini dibahas tentang diagnosis penyakit jantung dengan
menggunakan radial basis function neural network. Di dalam penyusunan tugas
akhir ini, data yang digunakan adalah data rekaman detak jantung pasien penyakit
jantung di Rumah Sakit PKU Muhammadiyah Yogyakarta. Perekaman detak
jantung menggunakan alat phonocardiogram (PCG). Diagnosis yang menjadi
target keluaran dari hasil adalah kondisi jantung normal atau tidak normal (sakit
jantung).
C. Rumusan Masalah
1. Bagaimana proses diagnosis penyakit jantung dengan menggunakan metode
radial
basis
function
neural
network
berdasarkan
isyarat
sinyal
phonocardiogram (PCG)?
2. Berapa tingkat keakuratan metode radial basis function neural network untuk
mendiagnosis penyakit jantung?
6
D. Tujuan Penelitian
Tujuan dari penelitian tugas akhir ini adalah:
1. Menjelaskan proses diagnosis penyakit jantung dengan menggunakan metode
radial basis function neural network berdasarkan isyarat sinyal PCG.
2. Mempresentasikan tingkat keakuratan metode radial basis function neural
network untuk mendiagnosis penyakit jantung.
E. Manfaat Penelitian
Manfaat penulisan tugas akhir ini adalah:
1. Bagi dunia kesehatan, hasil penelitian ini dapat digunakan sebagai tambahan
informasi mengenai diagnosis penyakit jantung.
2. Bagi mahasiswa, menambah pengetahuan mengenai aplikasi radial basis
function neural network yang dapat digunakan sebagai acuan untuk membuat
karya ilmiah yang terkait dengan radial basis function neural network.
3. Bagi Universitas Negeri Yogyakarta, dapat menambah referensi mengenai
penerapan radial basis function neural network.
7