implementasi learning vector quantization (lvq)
advertisement
ADLN Perpustakaan Universitas Airlangga IMPLEMENTASI LEARNING VECTOR QUANTIZATION (LVQ) SEBAGAI ALAT BANTU IDENTIFIKASI KELAINAN JANTUNG MELALUI CITRA ELEKTROKARDIOGRAM SKRIPSI FATIMATUL KARIMAH PROGRAM STUDI S-1 TEKNOBIOMEDIK DEPARTEMEN FISIKA FAKULTAS SAINS DAN TEKOLOGI UNIVERSITAS AIRLANGGA 2012 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga IMPLEMENTASI LEARNING VECTOR QUANTIZATION (LVQ) SEBAGAI ALAT BANTU IDENTIFIKASI KELAINAN JANTUNG MELALUI CITRA ELEKTROKARDIOGRAM SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Teknik Bidang Teknobiomedik pada Fakultas Sains dan Teknologi Universitas Airlangga Oleh : FATIMATUL KARIMAH 080810083 Tanggal Lulus : 6 Agustus 2012 Disetujui Oleh : Pembimbing I Pembimbing II Drs. Adri Supardi, M. Sc NIP. 195603031986011002 Endah Purwanti, S. Si., M. T NIP. 197710312009122003 ii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga LEMBAR PENGESAHAN NASKAH SKRIPSI Judul : Implementasi Learning Vector Quantization (LVQ) Sebagai Alat Bantu Deteksi Kelainan Jantung Melalui Citra Elektrokardiogram Penyusun : Fatimatul Karimah NIM : 080810083 Tanggal Ujian : 6 Agustus 2012 Disetujui oleh : Pembimbing I Pembimbing II Drs. Adri Supardi, M. Sc NIP. 195603031986011002 Endah Purwanti, S. Si., M. T NIP. 197710312009122003 Mengetahui, Ketua Departemen Fisika Fakultas Sains dan Teknologi Universitas Airlangga Ketua Program Studi S1 Teknobiomedik Fakultas Sains dan Teknologi Universitas Airlangga Drs. Siswanto, M.Si. NIP. 19640305 198903 1 003 Dr. Retna Apsari, M.Si NIP. 19680626 199303 2 003 iii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga PEDOMAN PENGGUNAAN SKRIPSI Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas Airlangga. iv Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga KATA PENGANTAR Puji syukur ke hadirat Allah SWT, karena berkat rahmat dan hidayah-Nya penyusunan skripsi dengan judul “Implementasi Learning Vector Quantization (LVQ) Sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram” dapat terselesaikan dengan baik. Penulisan ini tidak lepas dari bimbingan, arahan dan bantuan dari berbagai pihak.Pada kesempatan ini, penulis mengucapkan terima kasih sebesar-besarnya kepada : 1. Drs. Adri Supardi, M. Sc selaku pembimbing I dan Dosen Wali yang telah memberikan arahan, bimbingan dan koreksi selama penyusunan skripsi ini dan juga atas saran dan solusinya selama masa kuliah di Program studi Teknobiomedik ini. 2. Endah Purwanti, S.Si., M.T selaku pembimbing II yang telah meluangkan waktunya untuk membimbing dan memberikan arahan kepada penulis dalam penyusunan naskah sripsi dan juga mengajarkan mengenai metode pemrograman yang digunakan dalam penelitian ini. 3. Bapak Dr. Soegianto Soelistiono, M.Si dan Bapak Drs. R. Arif Wibowo, M.Si sebagai penguji yang telah memberikan saran dan koreksi terhadap penyusunan naskah skripsi ini. 4. Ketua Program Studi S1 Teknobiomedik, Ibu Dr. Retna Apsari, M.Si, yang telah memberikan informasi tentang penyusunan naskah skripsi ini dan telah memberikan motivasi sehingga naskah skripsi ini dapat terselesaikan. 5. Ketua Departemen Fisika, Bapak Drs. Siswanto, M.Si, yang telah memberikan fasilitas laboratorium untuk pelaksana penelitian skripsi ini. 6. Bapak dan Ibu dosen FSAINTEK UNAIR yang telah mengarahkan dan membimbing selama proses perkuliahan. 7. Keluarga yang selalu memberikan dukungan, doa dan motivasi untuk menyelesaikan naskah skripsi ini secepatnya. v Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 8. Teman-teman S1 Teknobiomedik 2008 yang telah melewati masa kuliah bersama khususnya Devi, Talitha, Taufik, Yudha dan Ima yang menjadi teman untuk mendiskusikan software yang dirancang dalam penelitian ini. 9. Mustika, Ratna, Dwi, Eka, Melan, Ninda, Ayu dan Nana sebagai sahabat yang telah memberikan semangat untuk dapat menyelesaikan naskah skripsi ini. 10. Sajidah Lillah, Hammadah, Na’imah, Hassan dan Sofia yang menjadi semangat untuk dapat menyelesaikan naskah skripsi ini. 11. Serta berbagai pihak lainnya yang tidak dapat disebutkan satu persatu. Penulis menyadari bahwa penyusunan naskah skripsi ini masih banyak kekurangan baik isi, maupun teknik penulisan. Oleh sebab itu, kritik, saran dan pendapat dari pembaca sangat diharapkan. Harapan penulis, semoga laporan ini dapat bermanfaat bagi pembaca. Surabaya , 6 Agustus 2012 Penulis Fatimatul Karimah vi Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Karimah, Fatimatul, 2012, Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram. Skripsi di bawah bimbingan Drs. Adri Supardi, M. Sc.dan Endah Purwanti, S. Si., M. T., Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya ABSTRAK Penyakit jantung adalah penyakit yang menyebabkan angka kematian yang tinggi di dunia. Salah satu cara pendeteksian penyakit jantung dapat dilakukan dengan pembacaan sinyal Electrocardiograph (ECG). Namun, pembacaan perekaman ECG (elektrokardiogram) ini cukup sulit karena memerlukan keahlian khusus. Untuk membantu pembacaan elektrokardiogram maka, pada penelitian ini dilakukan perancangan perangkat lunak berbasis jaringan saraf tiruan dengan metode Learning Vector Quantization (LVQ) sebagai alat bantu identifikasi kelainan jantung. Input perangkat lunak ini adalah citra digital elektrokardiogram. Citra elektrokardiogram tersebut diolah menggunakan metode pengolahan citra (pre-processing, segmentasi, morfologi citra dan ekstraksi fitur) sehingga diperoleh ordinat grafik citra elektrokardiogram yang merepresentasikan potensial listrik jantung. Output dari perangkat lunak ini dibagi menjadi tiga kelas yaitu, kondisi jantung normal, koroner dan fibrilasi atrium. Tingkat akurasi maksimal perangkat lunak ini adalah sebesar 96% dengan parameter optimal LVQ yaitu, laju pembelajaran 0,1 dan pengurangan laju pembelajaran 0,5. Kata kunci : LVQ, Elektrokardiogram, Pengolahan Citra. vii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Karimah, Fatimatul, 2012,Implementation of Learning Vector Quantization (LVQ) as an Identification Cardiac Abnormalities Using Electrocardiogram Image. Final project was under guidance Drs. Adri Supardi, M. Sc. andEndah Purwanti, S. Si., M. T., Department of Physics, Faculty of Sains and Technology, Airlangga University, Surabaya ABSTRACT Heart disease is one of the most deathly disease in the world. One of the way to detect this disease is by reading the graph output of electrocardiograph (ECG) signal. But, to read ECG signal isn’t easy and need an expert people to read that. To help read the ECG signal in this research has been design a software based on artificial neural networks by Learning Vector Quantization method (LVQ) as a tool for identification of cardiac abnormalities. Input of the software is a digital image of an electrocardiogram. The electrocardiogram image, process by the method of digital image processing (pre-processing, segmentation, morphology, and image feature extraction) obtained images of the electrocardiogram graph ordinate represents the heart's electrical potential. The output of the software is divided into three classes, namely the condition of normal heart, coronary and atrial fibrillation. The maximum accuracy of this software is about 96% with learning rate 0.1 and 0.5 of learning rate reduction. Key words: LVQ, Electrocardiogram, Image Processing. viii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga DAFTAR ISI Lembar Pengesahan........................................................................................iii Kata Pengantar.................................................................................................v Daftar Isi ..........................................................................................................ix Daftar Tabel ....................................................................................................xi Daftar Gambar...............................................................................................xii Daftar Lampiran.............................................................................................xiv BAB I Pendahuluan .......................................................................................1 1.1 Latar Belakang Masalah .................................................................1 1.2 Rumusan Masalah ..........................................................................4 1.3 Batasan Masalah .............................................................................4 1.4 Tujuan Penelitian ............................................................................5 1.5 Manfaat Penelitian ..........................................................................5 BAB II Tinjauan Pustaka................................................................................6 2.1 Jantung ............................................................................................6 2.1.1 Anatomi Jantung ..................................................................6 2.1.2 Fisiologi Jantung ..................................................................7 2.1.3 Kelainan pada Jantung...........................................................8 2.2 ECG(Electrocardiograph) .............................................................11 2.3 Elektrokardiogram..........................................................................16 2.4 Pengolahan Citra..............................................................................20 2.4.1 Citra Digital...........................................................................20 2.4.2 Jenis Citra Digital..................................................................21 2.4.3 Operasi Pengolahan Citra Digital…………………………..24 2.4.4 Segmentasi...………………………………………………..25 ix Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 2.4.5 Morfologi Citra……………………………………………..26 2.5Jaringan Saraf Tiruan Menggunakan Metode LVQ.........................29 2.5.1 Jaringan Syaraf Tiruan...........................................................29 2.5.2Learning Vector Quantization (LVQ)...................................32 BAB III Metode Penelitian..............................................................................34 3.1 Waktu dan Tempat Penelitian ........................................................34 3.2 Alat dan Bahan ..............................................................................34 3.3 Prosedur Penelitian ........................................................................34 3.3.1 Studi Literatur…………………………..………....…35 3.3.2 Persiapan Data……………………...………………...35 3.3.3 Pengolahan Citra………………..……...………….…36 3.3.4 Metode Klasifikasi Data ……..………….…….……..37 3.3.5 Hasil Klasifikasi Data…………………………..…….40 3.3.6 Rancangan Tampilan Program………………………..40 BAB IV Hasil dan Pembahasan………..........................................................45 4.1 Hasil Pengolahan Data…………………………………………….45 4.2 Pembentukan Jaringan Learning Vector Quantization (LVQ)……49 4.2.1 Pelatihan Jaringan LVQ………………………………..49 4.2.2 Pengujian Jaringan LVQ……………………………….51 4.3 Tampilan Program…………………………………………………56 BAB V Kesimpulan dan Saran..……………………………………………60 5.1 Kesimpulan………………………………………………………..60 5.2 Saran………………………………………………………………60 Daftar Pustaka.................................................................................................62 x Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga DAFTAR TABEL Nomor Judul Tabel Halaman 2.1 Parameter Elektrokardiogram(Tompkins, 1993) 18 4.1 Parameter yang digunakan pada jaringan LVQ 50 4.2 Hasil Kecocokan Terhadap Data Pelatihan 51 4.3 Hasil Kecocokan Pengujian 52 4.4 Hasil Pengujian 53 xi Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga DAFTAR GAMBAR Nomor Judul Gambar Halaman 2.1 Anatomi Jantung Manusia (Marieb, 1994) 6 2.2 Hubungan antara ECG dengan aktifasi kelistrikan 7 dan kontraksi myocardium(Guyton, 1995) 2.3 Segitiga Eithoven (Berbari, 2000) 12 2.4 Diagram blok ECG (Widodo,2009) 13 2.5 Sadapan Standar Bipolar(Berbari, 2000) 14 2.6 Augmented Extremity Leads(Berbari, 2000) 15 2.7 Unipolar Precodial Lead(Berbari, 2000) 15 2.8 letak 12 Leads (Brunet, 2003) 16 2.9 Contoh Hasil Perekaman Sinyal ECG(MIT-BIH) 17 2.10 Gambar Gelombang Jantung 18 2.11 Ilustrasi Gambar True Color (Pramitarini, 2011) 21 2.12 Ilustrasi Gambar Grayscale (Pramitarini, 2011) 22 2.13 Ilustrasi Citra Biner (Pramitarini, 2011) 23 2.14 Proses Pengolahan Citra 24 2.15 Sampel Hasil Thresholding 26 2.16 Proses Dilasi Pada Citra Biner Dan Grayscale 27 (Wirayudha, 2006) 2.17 Hasil Proses Dilasi 28 2.18 Proses Erosi pada Citra Grayscale (Wirayudha, 2006) 28 2.19 Hasil Proses Erosi 28 2.20 Model Tiruan dari Neuron 29 2.21 Jaringan Saraf Tiruan FeedForward (Yani,2005) 31 2.22 Jaringan Saraf Tiruan FeedBack (Yani,2005) 31 2.23 Arsitektur LVQ (Kusumadewi, 2004) 32 xii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Nomor Judul Gambar Halaman 3.1 Diagram alir Metode Penelitian 35 3.2 Diagram Blok Hardware 36 3.3 Diagram Blok Pengolahan Citra 36 3.4 Arsitektur Jaringan LVQ 38 3.5 Diagram alir program JST 39 3.6 Diagram Alir LVQ 39 3.7 Rancangan Program MENU 41 3.8 Rancangan Program Pelatihan 42 3.9 Rancangan Program Pengujian 43 3.10 Rancangan Tampilan Bantuan 44 4.1 Hasil Persiapan Data 45 4.2 Hasil Grayscalling 46 4.3 Hasil Pencerahan 46 4.4 Hasil Segmentasi 47 4.5 Hasil Morfologi Citra 48 4.6 Penentuan Titik Awal Sumbu Y 48 4.7 Hasil Visualisasi Fitur 49 4.8 Tampilan Program Menu 57 4.9 Tampilan Program Pelatihan 58 4.10 Tampilan Program Pengujian 59 4.11 Tampilan Program Bantuan 59 xiii Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga DAFTAR LAMPIRAN Nomor 1 Judul Lampiran Pengolahan Citra Data Uji Halaman 65 xiv Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga BAB I Pendahuluan 1.1 Latar Belakang Penyakit jantung adalah salah satu penyakit yang memakan banyak korban jiwa. Saat ini tidak hanya orang usia lanjut saja yang mempunyai resiko terkena penyakit jantung, anak usia remaja dan anak-anak pun mempunyai resiko yang sama untuk terkena penyakit jantung. Menurut dr. Dewi Andang Joesoef, ketua Yayasan Jantung Indonesia (2011), di Indonesia angka kematian karena serangan jantung mencapai 26 hingga 30 persen. Berdasarkan data yang dikemukakan World Heart Federation (WHF), penyakit jantung mencapai 29,1 persen atau sebanyak 17,1 juta pasien setiap tahunnya meninggal diseluruh dunia. Faktor risiko penyakit jantung adalah kebiasaan merokok, stress, kurang olah raga, diabetes, obesitas, hipertensi serta hiperlipidemia atau kelebihan lemak dalam darah, keturunan, usia, dan jenis kelamin. Untuk mengurangi resiko kematian dari penyakit jantung maka diciptakan instrument- instrument yang dapat mendeteksi kelainan pada jantung sejak dini. Salah satu perangkat bioinstrumen yang digunakan untuk mendeteksi adanya kelainan pada jantung adalah Electrocardiograph (ECG). Pada awalnya ECG berupa elektrometer kapiler Lippman yang dipasang pada sebuah proyektor detak jantung di proyeksikan pada piringan foto yang di pasang pada kereta 1 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 2 mainan. Lalu terjadi penggatian elektrometer kapiler lippman menjadi senar galvanometer. Senar galvanometer adalah kawat yang sangat tipis yang dipasang pada medan magnet. Kawat ini sangat sensitif, jadi ketika ada perubahan arus listrik yang kecil maka kawat sudah mengalami perubahan. Electrocardiograph (ECG) adalah perangkat yang digunakan untuk menangkap dan merekam perubahan potensial dari jantung dengan bantuan lead (sadapan) yang di pasang pada tubuh pasien pada lokasi tertentu. Lead tersebut akan menangkap beda potensial pada jantung yang kemudian akan diproses dalam perangkat ini dengan proses penguatan, pemfilteran dan berbagai proses lainnya untuk menghilangkan noise dan memperjelas citra. Hasil pemeriksaan ECG adalah berupa citra yang disebut Electrocardiogram (Pratanu, 1999). Manfaat ECG ini adalah dapat menunjukan adanya infark miokard maupun iskemi miokard (jantung koroner), gangguan irama jantung (arithmia) dan bermacam- kelainan lainnya (Dubowik, 1999, Schamroth, 1990 ). Namun, untuk membaca kertas rekaman ECG diperlukan pengalaman dan pengetahuan mengenai penyakit jantung serta gejala-gejalanya. Ekstraksi manual terhadap informasi penting sinyal pada ECG sangatlah tidak efisien karena banyaknya data yang harus diamati (Schamroth,1990). Salah satu pemecahan dalam menganalisis sinyal listrik jantung pada ECG ini adalah dengan mengunakan software (perangkat lunak) berbasis Jaringan Syaraf Tiruan (JST) kedalam analisis komputasi untuk mengenali dan mengklasifikasi ada tidaknya kelainan jantung. JST merupakan suatu metode Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 3 kecerdasan buatan komputasional berbasis pada model syaraf biologis manusia sehingga komputer atau mesin dapat menduplikasi kecerdasan manusia. Secara mikro, JST merupakan suatu perilaku kompleks yang dihasilkan oleh jaringan dari banyak unit pemproses kecil yang disebut neuron yang masing– masing melakukan suatu proses sederhana yang dihubungkan dengan elemen proses lain oleh suatu aturan koneksi atau bobot. Penelitian sebelumnya dilakukan oleh Endarko, et al (2006) dengan judul Aplikasi Citra Elektrokardiograf dan Jaringan Saraf Tiruan untuk Identifikasi Penyakit Jantung Koroner. Pada penelitian tersebut digunakan metode Backpropagation dan kelainan yang dideteksi adalah jantung koroner. Jaringan ini mampu mengidentifikasi kondisi jantung normal, iskemia depresi ST, iskemia inversi T, injuri elevasi T dan nekrosis Q patologis. Dalam penelitian ini dirancang software untuk mengidentifikasi ada tidaknya kelainan jantung dari citra elektrokardiograf menggunakan metode Learning Vector Quantization (LVQ). Metode ini cukup baik untuk pengenalan pola dan membutuhkan waktu pelatihan yang relatif lebih cepat dibandingkan dengan metode Backpropagation (Kohonen, 1990). Metode LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif yang terawasi. Lapisan kompetitif ini akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang di berikan (Kusumadewi, 2004). Citra elektrokardiogram digunakan sebagai input dari software. Citra tersebut kemudian akan dikelompokkan menjadi tiga kelas yaitu, kondisi jantung normal, kondisi jantung koroner dan kondisi jantung fibrilasi atrium. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 4 Sebelum menjadi input jaringan LVQ citra itu akan melalui proses pengolahan citra. 1.2 Rumusan Masalah 1. Berapakah parameter LVQ yang optimal untuk identifikasi kelainan jantung? 2. Berapakah tingkat keakurasian maksimal yang dihasilkan jaringan LVQ ini? 3. Bagaimana pengaruh perubahan parameter LVQ terhadap tingkat akurasi jaringan LVQ? 1.3 Batasan Masalah Dalam pengerjaan penelitian ini, diberikan beberapa batasan masalah untuk permasalahan yang ada, antara lain: a. Data Elektrokardiogram yang digunakan merupakan data primer yang sudah didiagnosa oleh dokter. b. Jumlah data yang digunakan sebanyak 97 data yang digunakan untuk proses pelatihan dan pengujian. Data tersebut terdiri dari 58 data jantung normal, 27 data jantung koroner dan 12 data jantung fibrilasi atrium. c. Dalam penelitian ini lead yang digunakan lead adalah 2 electrokardiogram. d. Keluaran dari sistem ini terdiri dari tiga kelas yaitu, kondisi jantung normal, jantung koroner dan jantung dengan atrial fibrillation. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 1.4 5 Tujuan Penelitian 1. Mendapatkan parameter LVQ optimal untuk proses pembelajaran jaringan LVQ. 2. Mendapatkan tingkat akurasi optimal dari jaringan LVQ. 3. Mengetahui pengaruh perubahan parameter pada jaringan LVQ. 1.5 Manfaat Penelitian 1. Dapat mengaplikasikan algoritma JST dengan metode metode Learning Vector Quantization (LVQ). 2. Dapat digunakan sebagai alat bantu tenaga medis untuk mengidentifikasi ada tidaknya kelainan pada jantung pasien. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga BAB II Tinjauan Pustaka 2.1. Jantung 2.1.1 Anatomi Jantung Jantung adalah organ berongga yang memiliki empat ruang yang terdiri dari atrium kanan, atrium kiri, ventrikel kanan dan ventrikel kiri. Jantung terletak diantara kedua paru- paru dibagian tengah rongga toraks. Dua pertiga jantung terletak disebelah kiri garis midstrenal. Gambar 2.1 Anatomi Jantung Manusia (Marieb, 1994) Atrium kanan menerima darah vena dari seluruh tubuh dan memompanya ke ventrikel kanan lalu darah dari ventrikel kanan akan dipompa ke paru-paru, tempat darah mengalami oksigenasi. Darah yang sudah teroksigenasi mengalir ke atrium kiri, dari atrium kiri ini darah akan di pompa ke ventrikel kiri yang kemudian akan di pompa lagi keseluruh tubuh dan proses ini akan berulang kembali. 6 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 7 2.1.2 Fisiologi Jantung Kerja jantung yang ritmis tersebut dikendalikan oleh suatu sinyal listrik yang diawali oleh suatu stimulasi spontan sel-sel otot khusus yang terletak di atrium kanan yang biasa disebut SA node. SA node melepaskan sinyal dengan interval teratur sekitar 72 kali/menit, namun pelepasan sinyal ini dapat meningkat atau menurun bergantung pada saraf yang terletak di luar jantung sebagai respon terhadap kebutuhan tubuh terhadap darah serta rangsangan lain. Gambar 2.2 Hubungan antara ECG dengan aktifasi kelistrikan dan kontraksi myocardium (Guyton, 1995) Sinyal listrik dari SA node inilah yang akan memicu depolarisasi sel- sel otot kedua atrium sehingga keduanya berkontraksi dan memompa darah kedalam ventrikel. Setelah itu terjadi repolarisasi atrium. Sinyal ini selanjutnya berjalan ke AV node dan memicu depolarisasi dan repolarisasi ventrikel kanan dan kiri sehingga kedua ventrikel berkontraksi dan mendorong darah ke dalam sirkulasi paru dan sistemik, otot ventrikel akan mengalami repolarisasi dan proses akan kembali berulang. Depolarisasi dan repolarisasi otot jantung Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 8 menyebabkan arus mengalir di seluruh tubuh dan menimbulkan potensial listrik di kulit. 2.1.3 Kelainan pada Jantung Manusia Kelainan pada jantung adalah suatu kondisi yang menyebabkan jantung tidak dapat bekerja sebagaimana mestinya. Biasanya kelainan ini terjadi pada otot- otot jantung maupun pembuluh darah pada jantung. Ada banyak macam kelainan pada jantung. Berikut adalah beberapa macam kelainan pada jantung yang sering terjadi: a. Aterosklerosis Kelainan penyakit ini disebabkan adanya penebalan dinding arteri bagian dalam karena endapan plak (lemak, kolestrol) sehingga menghambat dan menyumbat pasokan darah. Aterosklerosis dapat terjadi pada seluruh bagian tubuh. Bila terjadi pada dinding arteri jantung maka disebut jantung koroner atau penyakit jantung iskemik. Penyakit ini berlangsung selama bertahun- tahun dan menimbulkan banyak gangguan penyakit. Penyakit ini dimulai dengan adanya lesi dan retakan pada pembuluh darah yang biasanya disebabkan oleh adanya tekanan yang kuat pada pembuluh jantung, lalu tubuh berusaha memulihkan diri dengan menempatkan zat lemak ke dalam pembuluh darah untuk menutup retakan. Karena penutupan yang terus menerus, lemak tersebut dapat menyumbat pembuluh jatung. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 9 Salah satu gejala dari penyakit ini adalah Angina Pectoris yang merupakan rasa nyeri pada daerah jantung, karena berkurangnya pasokan darah ke otot jantung. b. Infark Miokard Akut Angina Pektoris yang berlangsung terus menerus akan menyebabkan Infark Miokard Akut. Infark Miokard Akut adalah kematian otot jantung karena penyumbatan pada arteri koroner. Otot jantung akan mengalami kerusakan atau kematian mendadak karena tidak menerima suplai darah. c. Kardiomiopati Kardiomiopati adalah kerusakan otot jantung sehingga menyebabkan dinding- dinding jantung tidak bergerak sempurna dalam menyedot dan memompa darah. Penderita Kardiomiopati sering kali beresiko terhadap penyakit aritmia dan gagal jantung mendadak. d. Gagal Jantung Kongestif Gagal jantung adalah ketidakmampuan jantung untuk memompa darah secara efektif keseluruh tubuh. Jantung dikatakan gagal bukan berarti berhenti bekerja, namun karena memompa tidak sekuat seharusnya. e. Fibrilasi Atrial Fibrilasi atrial adalah gangguan ritme listrik yang mengganggu atrial. Gangguan impuls listrik ini menyebabkan kontraksi otot jantung tidak beraturan dan memompa darah secara tidak efisien. Akibatnya atrium jantung tidak sepenuhnya mengosongkan darah menuju ke serambi (ventrikel). Flutter atrium adalah sebuah versi dari fibrilasi atrium yang Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 10 lebih beraturan (kacaunya lebih sedikit) ketika signal listrik ada pada atrium. Kondisi-kondisi yang menyebabkan fibrilasi atrium dapat juga menyebabkan flutter atrium. Perawatan flutter atrium sama dengan perawatan fibrilasi atrium. f. Inflamasi Jantung Inflamasi jantung dapat terjadi pada dinding jantung (miokarditis), selaput yang menyelimuti jantung (perikarditis), ataupun bagian dalam (endokarditis). Inflamasi jantung dapat disebabkan oleh racun maupun infeksi. g. Penyakit Jantung Reumatik Penyakit jantung reumatik dalah kerusakan pada katup jantung, karena demam reumatik yang disebabkan oleh bakteri streptokokus. h. Kelainan Katup Jantung Katup jantung berfungsi untuk mengendalikan arah aliran darah dalam jantung. Kelainan katup jantung dapat mengganggu aliran darah tersebut, antara lain karena pengecilan (stenosis), atau katup tidak menutup dengan sempurna (prolapsis). Kelainan ini dapat terjadi karena bawaan lahir maupun karena infeksi dan efek samping pengobatan. i. Aritmia Aritmia adalah irama jantung yang tidak normal. Secara garis besar aritmia jantung dapat disebabkan oleh peradangan jantung (demam reumatik dan peradangan miokard), gangguan sirkulasi koroner, gangguan keseimbangan elektrolit, gangguan metabolik, gangguan endokrin. Dari Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 11 frekuensi irama jantungnya aritmia dapat dibedakan menjadi tiga yaitu, normal sinus ritmik, sinus takikardi dan sinus bradikardi. Normal sinus ritmik adalah kondisi dimana jantung mempunyai detak teratur 60-100 detak per menit, interval antara gelombang P konstan dan gelombang QRS yang mengikuti gelombang P mempunyai intyerval yang konstan. Sinus takikardi adalah dimana kondisi detak jantung teratur yang mempunyai detak jantung lebih dari 100 detak per menit. Sinus bradikardia adalah kondisi jantung yang mempunyai detak jantung permenit kurang dari 60 detak permenit. 2.2 Electrocardiograph (ECG) Electrocardiograph (ECG) adalah suatu perangkat perekaman sinyal biopotensial jantung. Perkembangan alat ini di mulai ketika Augustus Waller melakukan pendekatan sistematis terhadap jantung dengan sudut pandang kelistrikan. Augustus Waller menggunakan elektrometer kapiler Lippman yang dipasang pada sebuah proyektor. Detak jantung di proyeksikan pada piringan foto yang di pasang pada kereta mainan. Penemuan ini kemudian di kembangkan oleh seorang dokter asal belanda William Eithoven, yang mengganti elektrometer kapiler Lippman dengan senar Galvanometer yang lebih sensitif. Sekarang ECG telah banyak mengalami perkembangan namun prinsip kerjanya tentu tetap sama. Eithoven mendefinisikan tiga lead yang di beri nama menggunakan angka romawi I, II dan III. Lead tersebut dikenal dengan sebutan segitiga Eithoven. Lead tersebut didefinisikan sebagai: Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 12 Gambar 2.3 Segitiga Eithoven (Berbari, 2000) Dimana RA= lengan kanan, LA= lengan kiri dan LL= kaki kiri. Hubungan antara ketiga sadapan ini dideskripsikan menurut persamaan Eithoven yaitu, II = I+III. Persamaan ini didasarkan hukum Kirchoff, yang menyatakan bahwa penjumlahan aljabar dari semua beda potensial dalam sikuit tertutup adalah nol (Berbari, 2000). Hampir sama dengan perangkat instrumentasi biomedis lainnya, ECG mempunyai beberapa rangkaian dasar yaitu, rangkaian proteksi, rangkaian Lead Fail Detector, rangkaian amplifier, rangkaian filter, rangkaian Baseline Restoration dan rangkaian isolasi. Masukan sinyal biopotensial dari jantung yang di tangkap oleh lead masuk ke rangkaian ECG melalui rangkaian proteksi (Protection Circuit), rangkaian ini bertujuan untuk melindungi pasien dan peralatan instrumentasi dari frekuensi tinggi ataupun jala-jala listrik. Diantara rangkaian proteksi dan lead terdapat rangkaian Lead Fail Detector, yang bertujuan mendeteksi bila ada lead yang lepas atau tidak menempel sempurna dari tubuh pasien. Setelah dari rangkaian proteksi tegangan akan masuk ke rangkaian amplifier untuk dikuatkan. Tegangan yang sudah di kuatkan kemudian di filter untuk menghilangkan noise- noise yang ada, proses ini Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 13 terjadi pada rangkaian filter setelah itu sinyal siap untuk di tampilkan. Filter pada perangkat ECG ini terdiri dari Notch Filter untuk menghilangkan interferensi sinyal karena jala-jala yang masuk lewat trafo, Low Pass Filter untuk menghilangkan interferensi frekuensi tinggi dan High Pass Filter untuk menghilangkan interferensi gerakan otot. Rangkaian isolasi pada perangkat ini berguna untuk melingdungi pasien bila terjadi kebocoran arus, jadi listrik tidak berhubungan secara langsung dengan pasien. Baselin Restoration berguna untuk mereset rangkaian secara otomatis saat terjadi kondisi saturasi. Gambar 2.4 Diagram blok hardware ECG (Widodo, 2009) Ada beberapa jenis lead yang digunakan pada ECG, diantaranya adalah: 1. Sadapan Standar Bipolar (Bipolar Standart Leads) digunakan untuk mencatat beda potensial antara dua titik. Pada sadapan ini jantung dan ekstremitas terletak pada satu bidang frontal. Dalam sadapan standar ini digunakan istilah: Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 14 L1 = Sadapan 1: Mencatat perbedaan potensial antara lengan kiri dan lengan kanan. Elektroda positif di lengan kiri, elektroda negatif di lengan kanan. L2 = Sadapan 2: Elektroda positif di kaki kiri, elektroda negatif di lengan kanan. L3 = Sadapan 3: Elektroda positif di kaki kiri, elektroda negatif di lengan kiri. Gambar 2.5 Sadapan Standar Bipolar (Berbari, 2000) 2. Sadapan Unipolar (Unipolar Leads) a. Sadapan Unipolar Ekstremitas: Sadapan Ekstremitas diperkuat (Augmented Extremity Leads), sadapan unipolar berguna untuk mencatat besar potensial yang terjadi pada suatu tempat. Pada augmented extremity leads, elektroda negatif dihubungkan dengan central terminal, sedangkan elektroda positif diletakkan pada ektremitas. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 15 Gambar 2.6 Augmented Extremity Leads (Berbari, 2000) b. Unipolar Precodial (Chest) Leads: Sadapan unipolar juga digunakan dalam Precodial Leads yaitu, untuk mengetahui perubahan potensial jantung dalam bidang horizontal. Sadapan ini tidah pernah augmented. Gambar 2.7 Unipolar Precodial Leads (Berbari, 2000) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 16 Pada sadapan ini elektroda prekodial negative dihubungkan dengan central terminal, sedangkan elektroda prekodial positif diletakkan pada : Gambar 2.8 letak 12 Leads (Brunet, 2003) Keterangan: V1 = Di ruang intercosta keempat, disebelah kanan dari sternum. V2 = di ruang intercosta keempat, disebelah kiri dari sternum. V3 = antara V2 dan V4 V4 = diruang intercosta kelima di garis edio clavicular kiri V5 = pada kiri garis anterior axilary setinggi V4 V6 = Pada kiri garis tengah axillary setinggi V4 2.3 Electrocardiogram Electrocardiogram adalah rekaman potensial listrik yang timbul sebagai aktifitas jantung. Grafik ini menunjukan hubungan antara tegangan dengan waktu (dapat dilihat pada Gambar 2.10). Potensial listrik yang di rekam adalah ketika otot jantung berkontraksi sedangkan potensial aksi pada system konduksi jantung tidak dapat diukur dari luar karena terlalu kecil. Elektrokardiogram ada yang di tampilkan pada layar monitor dan ada pula yang langsung ditulis pada selembar kertas oleh pena yang bergerak (disebut Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 17 perekam pena). Pena biasanya berupa pipa halus yang salah satu ujungnya di hubungkan dengan bak tinta sedangkan ujung perekamnya dihubungkan dengan system elektromagnetik yang mampu menggerakan pena bolak- balik dengan kecepatan tinggi (Guyton,1995). Dari hasil perekaman ECG biasanya didapat gambaran sinyal ECG sebagai berikut: Gambar 2.9 Contoh Hasil Perekaman Sinyal ECG (MIT-BIH) Gelombang P pada Gambar 2.10 dihasilkan dari depolarisasi atrium kanan dan kiri, pada saat ini vektor listrik utama diarahkan dari SA node ke AV node dan menyebar dari atrium kanan ke atrium kiri. Gelombang QRS kompleks di hasilkan oleh depolarisasi ventrikel kanan dan ventrikel kiri, karena pada ventrikel terdapat lebih banyak otot dari pada atrium maka sinyal yang di hasilkan juga terlihat lebih tinggi daripada saat gelombang P. Gelombang T dihasilkan oleh repolarisasi ventrikel. Gelombang U tidak selalu terlihat pada setiap perekaman ECG, gelombang ini biasanya sangat kecil dan mengikuti gelombang T, gelombang U ini diperkirakan timbul karena repolarisasi serabut purkintje. Selain gelombang-gelombang yang telah disebutkan di atas, pada perekaman ECG juga di kenal beberapa interval yaitu, interval P-R, R-R, Q-T, Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 18 P-P. interval P-R menunjukan waktu yang diperlukan dari awal depolarisasi atrium sampai awal depolarisasi ventrikel. Interval R-R menunjukan interval waktu yang diperlukan dari puncak R ke puncak R berikutnya (siklus ventricular jantung). Interval Q-T menunjukan waktu yang di perlukan untuk depolarisasi ventrikel dan repolarisasi. Interval P-P menunjukan waktu yang di butuhkan untuk satu siklus atrial. Gambar 2.10 Gambaran gelombang pada jantung manusia Parameter elektrokardiogram juga dapat dilihat pada tabel berikut: Tabel 2.1 Parameter Elektrokardiogram (Tompkins, 1993) Bentuk electrocardiogram normal biasanya mempunyai beberapa ciri- ciri tertentu diantaranya : Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 19 a. Gelombang P pada bidang frontal gelombang ini positif di I, II dan aVF sedangkan negative di aVR, nilai di aVL dan III bisa bernilai positif, negative atau bifasik. Pada bidang horizontal biasanya gelombang ini bifasik atau negative di V1 dan V2, sedangkan positif di V3 sampai V6. Gelombang P biasanya lebarnya sekitar 0,11 detik dan tingginya 2,5mm. b. Gelombang kompleks QRS pada bidang horizontal yang normal mempunyai corak khas. Pada lead V1 dan V2 terletak dekat dengan ventrikel kanan sehingga disebut kompleks ventrikel kanan. Gaya listrik dari ventrikel kanan ini akan menimbulkan gelombang R yang kemudian diikuti oleh gelombang S yang menggambarkan gaya listrik dari ventrikel kiri. Untuk lead V5 dan V6 berlaku hal yang sebaliknya sehingga disebut kompleks ventrikel kiri. Gelombang Q menggambarkan aktivasi ventrikel kanan atau septum, sedangkan gelombang R menggambarkan aktivasi ventrikel kiri. Jadi kompleks QRS pada bidang horizontal adalah gelombang R meningkat dari V1sampai V6, sedangkan gelombang S mengecil dari V1 sampai V6. c. Pada orang dewasa biasanya gelombang T tegak di semua lead kecuali aVR dan V1. d. Gelombang U biasanya tegak dan paling besar terdapat pada lead V2 dan V3. Gelombang U biasanya tak terlihat jelas karena bersatu dengan gelombang T. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 20 e. Nilai normal untuk interval- interval adalah untuk interval P kurang dari 0,12 detik, interval PR 0,12- 0,20 detik, interval QRS 0,07- 0,10 detik. Sedangkan interval QT bergantung pada frekuensi jantung, sehingga biasanya dibedakan menjadi 3 yaitu, frekuensi 60 detak/menit dengan interval 0,33- 0,43 detik, frekuensi 80 detak/menit dengan interval 0,29-0,38 detik dan frekuensi 100 detak/menit dengan interval 0,27- 0,35detik. 2.4 Pengolahan Citra Digital 2.4.1 Citra Digital Citra secara harfiah adalah gambar pada bidang dua dimensi. Dari segi matematis citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Citra dapat juga diartikan sebagai kumpulan piksel-piksel yang disusun dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah piksel yang dinyatakan dalam bilangan bulat dan nilai-nilai tersebut mendefinisikan suatu ukuran intensitas cahaya pada titik tersebut (Mabrur, 2011). Citra digital direpresentasikan dalam bentuk matriks H x W (H= tinggi, W= lebar). Bila citra memiliki 256 derajat keabuan, maka nilai setiap elemen matriks adalah bilangan bulat dalam selang 0 sampai 255. Pusat koordinat citra digital terletak pada sudut kiri atas sedangkan pada koordinat kartesius terletak pada sudut kiri bawah (Munir, 2004). Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 2.4.2 21 Jenis Citra Digital a. Citra RGB (True Color) Setiap pixel dari citra RGB ini mewakili warna yang mewakili tiga warna dasar yaitu, Merah, Hijau dan biru (RGB). Setiap warna dasar menggunakan penyimpanan 8 bit yang berarti setiap warna mempunyai gradasi sebanyak 255 warna, sehingga setiap pixel mempunyai 16 juta kombinasi warna. Karena kombinasi warna yang begitu banyak citra RGB disebut citra True Color. Gambar 2.11 Ilustrasi Gambar True Color (Pramitarini, 2011) b. Citra Grayscale Citra grayscale adalah citra yang merepresentasikan warna kedalam tingkat keabuan. Tingkat keabuan dapat diperoleh dengan mengatur komposisi warna merah (R), hijau (G), biru (B). Rumus umum proses grayscale ditunjukan pada persamaan berikut: Dalam komputasi, suatu citra digital grayscale atau grayscale adalah suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 22 warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik pita tunggal . Gambar 2.12 Ilustrasi Gambar Grayscale (Pramitarini, 2011) Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 bit. c. Citra Biner Citra biner diperoleh melalui proses pemisahan pixel – pixel berdasarkan derajat keabuan yang dimilikinya. Pada citra biner, setiap titik bernilai 0 dan 1, masing – masing merepresentasikan warna tertentu. Nilai 0 diberikan untuk pixel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan, sementara pixel yangmemiliki derajat keabuan yang lebih besar dari batas akan Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 23 di ubah menjadi nilai 1. Pada standard citra untuk ditampilkan di layer komputer, nilai biner ini berhubungan dengan ada tidaknya cahaya yang ditembakkan oleh electron gun yang terdapat di dalam monitor komputer. Angka 0 menyatakan tidak ada cahaya, dengan demikian warna yang direpresentasikan adalah hitam. Untuk angka 1, terdapat cahaya, sehingga warna yang direpresentasikan adalah putih. Standar tersebut disebut sebagai standar citra cahaya, sedangkan standar citratinta / cat adalah berkebalikan, karena biner tersebut menyatakan ada tidaknya tinta. Setiap titik pada citra hanya membutuhkan 1 bit,sehingga setiap byte dapat menampung informasi 8 bit. Citra biner pada umumnya dihasilkan dari proses thresholding. Gambar 2.13 Ilustrasi Citra Biner (Pramitarini, 2011) Meskipun komputer saat ini dapat memproses citra grayscale maupun cita bewarna, namun citra biner tetap dipertahankan karena memiliki beberapa keuntungan yaitu, kebutuhan memori yang kecil karena nilai derajat keabuan hanya membutuhkan representasi 1 bit, waktu pemrosesan relative lebih cepat karena banyak operasi pada citra biner yang dilakukan sebagai operasi logika daripada operasi aritmetika bilangan bulat. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 2.4.3 24 Operasi Pengolahan Citra Digital Pengolahan citra digital adalah suatu proses untuk memperbaiki kualitas citra atau memanipulasi suatu citra agar mudah diintepretasi oleh manusia. Pada proses ini output dari proses tetap berupa citra namun dengan kualitas yang lebih baik dari citra yang sebelumnya. Gambar 2.14 Proses Pengolahan Citra Ada beberapa macam operasi pengolahan citra diantaranya: 1. Perbaikan kualitas citra (image anhacement) bertujuan untuk memperbaiki kualitas citra dengan merubah parameter- parameter tertentu. Contoh dari operasi ini adalah operasi pencerahan citra (Brightness). Operasi ini dilakukan dengan mengalikan intensitas citra asli dengan konstanta tertentu. Operasi pencerahan ini juga dapat dilakukan dengan menggunakan Gamma Corection. Dengan Gamma Corection intensitas citra asli akan dipangkatkan satu per konstanta Gamma Corection. 2. Pemugaran citra (image restoration) bertujuan untuk menghilangkan cacat pada citra. Perbedaan dengan operasi perbaikan citra adalah Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 25 degradasi citra tidak diketahui. contoh dari operasi pemugaran citra adalah penghilangan kesamaran dan penghilangan derau. 3. Pemampatan citra (image compression) bertujuan untuk merepresentasikan citra dalam bentuk yang lebih kompak sehingga keperluan memori lebih sedikit namun dengan tetap mempertahankan kualitas gambar. 4. Segmentasi citra (image segmentation) bertujuan untuk memecah suatu citra kedalam beberapa segmen dengan suatu kriteria tertentu yang biasanya berkaitan dengan pola tertentu. 5. Pengorakan citra (image analysis) bertujuan untuk menghitung besaran kuantitatif dari citra untuk menghasilkan deskripsinya. Beberapa contoh operasi pengorakan citra adalah pendeteksi tepi, ekstraksi batas dan represenasi daerah. 6. Rekonstrusi citra (image reconstruction) bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. 2.4.4 Segmentasi Segmentasi merupakan proses mempartisi citra menjadi beberapa daerah atau objek. Segmentasi citra yang paling sederhana adalah dengan menggunakan nilai ambang atau Thresholding. Proses thresholding akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan. Secara umum proses thresholding citra grayscale untuk menghasilkan citra biner ditunjukan pada persamaan berikut: Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga ( , )= 1 0 26 ( , )≥ ( , )≤ Dengan g (x,y) adalah citra biner dari citra grayscale f (x,y), dan T menyatakan nilai threshold. Nilai T memegang peranan yang sangat penting dalam proses thresholding. Kualitas hasil citra biner sangat tergantung pada nilai T yang digunakan (Putra, 2010). Terdapat dua jenis thresholding yaitu global thresholding dan lokal thresholding. Pada global thresholding, seluruh pixel apada citra dikonversikan menjadi hitam atau putih dengan satu nilai ambang T. Sedangkan pada lokal thresholding, suatu citra dibagi menjadi blok-blok kecil dan kemudian thresholding lokal pada setiap nlok dengan nilai T yang berbeda-beda (Putra, 2010). (a) (b) Gambar 2.15 Sampel Hasil Thresholding. (a) Citra Asli. (b) Citra Hasil Thresholding (e-radiography.net) 2.4.5 Morfologi Citra Morfologi citra digital adalah teknik pengolahan citra digital menggunakan bentuk sebagai pedoman dalam pengolahan. Nilai dari setiap pixel pada citra di ambil dari perbandingan tiap pixel yang bersesuaian pada Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 27 citra digital masukan dengan tetangganya. Operasi morfologi bergantung pada urutan kemunculan dari pixel, tidak memperhatikan nilai numerik dari pixel sehingga teknik ini sesuai digunakan pada binary image dan grayscale image. Dengan mengatur atau memilih ukuran dan bentuk matriks kernel yang digunakan maka sensitifitas operasi morfologi terhadap bentuk tertentu pada citra masukan dapat diatur. Morfologi standar yang dilakukan adalah proses erosi dan dilasi. a. Operasi Dilasi Dilasi adalah operasi morfologi yang menambahkan pixel pada batas antar objek dalam suatu citra digital. Aturan yang digunakan adalah misalnya untuk gambar grayscale maka nilai hasil operasi adalah nilai maksimal yang diperoleh dari himpunan pixel tetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai satu maka output pixel akan di set menjadi satu. Gambar 2.16 Proses Dilasi Pada Citra Biner Dan Grayscale (Wirayudha, 2006) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 28 Contoh hasil dari proses dilasi ditunjukkan oleh Gambar 2.17. Gambar 2.17 Hasil Proses Dilasi b. Operasi Erosi Erosi adalah operasi morfologi yang mengurangi pixel pada batas antar objek dalam suatu citra digital. Aturan pada operasi ini adalah untuk gambar grayscale nilai hasil operasi adalah nilai minimal yang diperoleh dari himpunan pixel tetangganya. Sedangkan dalam binary image, jika ada pixel tetangga yang bernilai nol maka output pixel akan di set menjadi nol. Gambar 2. 18 Proses Erosi pada Citra Grayscale (Wirayudha, 2006) Contoh hasil dari proses dilasi ditunjukkan oleh Gambar 2.17. Gambar 2.19 Hasil Proses Erosi Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 29 2.5 Jaringan Saraf Tiruan Learning Vector Quantization (LVQ) 2.5.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan (JST) pertama kali di temukan oleh seorang neurophysiologist bernama Waren McCulloch dan logician bernama Walter Pits, namun teknologi yang ada pada saat itu tidak memungkinkan mereka untuk mengembangkan JST lebih lanjut. JST merupakan representasi buatan dari otak manusia yang mencoba mensimulasikan proses pembelajaran pada otak manusia. Istilah JST ini di gunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan proses perhitungan selama proses pembelajaran (Kusuma Dewi, 2003). JST mempunyai pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan komputer konvensional. Komputer konvensional menggunakan pendekatan algoritma (menjalankan suatu perintah untuk memecahkan masalah), jika perintah yang diberikan tidak diketahui maka komputer konvensional tidak dapat memecahkan masalah tersebut. JST dan algoritma komputer konvensional tidak saling bersaing tapi saling melengkapi, biasanya komputer konvensional digunakan untuk mengontrol JST untuk hasil yang maksimal. Gambar 2.20 Model Tiruan dari Neuron (Yani, 2005) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 30 JST terdiri dari beberapa simpul (node) yang merupakan elemen pemroses. Setiap simpul tersebut memodelkan sebuah sel saraf biologis (neuron). Hubungan antar simpul di capai dengan bobot koneksi (weight). Bobot koneksi menentukan apakah sinyal yang mengalir bersifat peredam (inhibitory conection). Bobot koneksi yang bersifat meredam dapat dinyatakan dengan bilangan negatif, begitu juga sebaliknya. Setiap sel saraf juga mempunyai nilai ambang. Jumlah bobot dari input dikurangi dengan nilai ambang kemudian akan menghadapi aktifasi dari sel saraf. Sinar aktifasi kemudian menjadi fungsi aktifasi, besar sinyal yang keluar dari suatu simpul ditentukan oleh fungsi aktivasi yang digunakan. Jadi fungsi aktivasi menentukan keaktifan dari sebuah simpul. Berdasarkan pola koneksi (arsitektur), JST dibagi dalam dua kategori, yaitu: a. Struktur Feedforward Sinyal bergerak dari input kemudian melalui lapisan tersembunyi dan akhirnya melalui unit output. Tipe feedforward mempunyai sel saraf yang tersusun dari beberapa lapisan, lapisan input bukan termasuk sel saraf, lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variable. Lapisan output dan lapisan tersembunyi terhubung satu sama lain dengan lapisan sebelumnya. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 31 Gambar 2.21 Jaringan Saraf Tiruan FeedForward (Yani,2005) b. Struktur Recurrent ( feedback) Jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan menghasilkan dinamika yang kompleks. Gambar 2.22 Jaringan Saraf Tiruan FeedBack (Yani,2005) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 32 2.5.2 Learning Vector Quantization (LVQ) Salah satu metode untuk melakukan pembelajaran lapisan kompetitif yang terawasi adalah Learning vector qualization (LVQ). Lapisan kompetitif ini akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Kelas yang diberikan berdasarkan pada jarak vektor tersebut. Jika ada dua vektor yang mempunyai jarak yang berdekatan maka akan dikelompokkan menjadi satu kelas yang sama (Kusumadewi, 2003). Sebuah jaringan LVQ memiliki lapisan kompetitif pertama dan lapisan linier kedua. Para lapisan kompetitif belajar untuk mengklasifikasikan vektor masukan. Lapisan linier mengubah kelas lapisan kompetitif ke klasifikasi target yang didefinisikan oleh pengguna. Hal ini mengacu pada kelas dipelajari oleh lapisan kompetitif sebagai subkelas dan kelas-kelas dari linier lapisan sebagai kelas target (Demuth, 2002). Gambar 2.23 Arsitektur LVQ (Kusumadewi, 2004) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 33 Kedua lapisan kompetitif dan linier memiliki satu neuron per (sub atau target) kelas. Dengan demikian, lapisan kompetitif bisa belajar sampai dengan subclass S1. Ini, pada gilirannya, digabungkan oleh lapisan linier untuk membentuk kelas menargetkan S2 (S1 adalah selalu lebih besar dari S2) (Demuth, 2002). Algoritma LVQ adalah sebagai berikut: 1. Tetapkan : Bobot (w), maksimum epoh (maxEpoh), learning rate (α), pengurangan learning rate (Decα), minimal learning rate (Minα). 2. Masukan : Input : x(i,j) Target : Tk 3. Tetapkan kondisi awal : epoh = 0; 4. Kerjakan jika : (epoh <= maxEpoh ) atau (α >= Minα) a. epoh = epoh + 1; b. Kerjakan untuk i = 1 sampai n i. Tentukan j sedemikian hingga || x – wj || minimum (sebut sebagai Cj) ii. Perbaiki wj dengan ketentuan: jika T = Cj maka wj(baru)=wj(lama) + α (x-wj(lama)) jika T ≠ Cj maka wj(baru)=wj(lama) - α (x-wj(lama)) c. Skripsi Kurangi nilai α Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga BAB III Metodologi Penelitian 3.1 Tempat dan Waktu Penelitian Waktu yang diperlukan untuk penelitian ini kurang lebih selama 6 bulan, dimulai pada bulan Februari 2012 sampai pada bulan juli 2012. Penelitian ini dilakukan di laboratorium Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga dan Rumah Sakit Islam Surabaya. 3.2 Alat dan Bahan Bahan dan alat yang dibutuhkan dalam penelitian ini adalah sebagai berikut: 1. Data primer hasil permeriksaan ECG dari berbagai pasien di Rumah Sakit Islam Surabaya. Data yang digunakan sebanyak 97 data untuk proses pelatihan dan pengujian. Data tersebut terdiri dari 58 data jantung normal, 27 data jantung koroner dan 12 data jantung fibrilasi atrium. 2. Software yang digunakan dalam penelitian ini adalah MATLAB V7.6.0 3.3 Prosedur Penelitian Prosedur penelitian disajikan pada Gambar 3.1 berikut : 34 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 35 Gambar 3.1 Diagram alir Metode Penelitian 3.3.1 Studi Literatur Studi literatur dilakukan dengan mengkaji tentang kelainan pada jantung, mempelajari diagnosa penyakit jantung terhadap hasil pemeriksaan ECG, mempelajari metode pengolahan citra ECG dan mempelajari algoritma LVQ untuk pendeteksian kelainan jatung. Studi literatur ini dilakukan dengan mengumpulkan jurnal dan buku mengenai informasi terkait, selain itu juga dilakukan konsultasi dengan dokter. 3.3.2 Persiapan Data Pada proses ini data ECG yang didapat dari Rumah Sakit diubah dalam bentuk digital menggunakan scanner. Proses digitalisasi citra ECG dapat dilihat pada Gambar 3.2. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 36 Gambar 3.2 Diagram Blok Hardware Setelah didapatkan data ECG dalam bentuk digital, proses persiapan data ini dilanjutkan dengan pemotongan citra. Citra yang ada dipotong sehingga menjadi citra sepanjang 157 pixel, berdasarkan data yang didapatkan pada penelitian ini dengan panjang citra 157 pixel cukup untuk mendapatkan citra ECG sepanjang 1 siklus. 3.3.3 Pengolahan Citra Setelah melalui proses persiapan data, citra kemudian memasuki proses preprocessing. Proses ini terdiri dari proses grayscalling dan pencerahan citra. Pada proses grayscalling citra ECG digital yang merupakan citra RGB diubah menjadi citra grayscale. Setelah itu dilakukan proses pencerahan (brightness) pada citra untuk memperbaiki kualitas citra yang ada. Proses pencerahan ini menggunakan bantuan Gamma Corection agar mendapatkan warna yang pencerahan yang tidak terlalu gelap dan tidak terlalu terang. Gambar 3.3 Diagram blok pengolahan citra Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 37 Setelah proses pre-processing selesai dilanjutkan dengan proses segmentasi, proses ini merupakan tahapan pemisahan grafik dengan latar belakangnya. Proses segmentasi yang digunakan merupakan segmentasi yang sederhana dengan proses thresholding, dideteksi intensitasnya dan dipetakan ke dalam nilai 0 atau 1 berdasarkan nilai threshold yang ditentukan dari perubahan intensitas secara mendadak dan memiliki nilai intensitas yang lebih kecil dari lingkungannya maka pixel tersebut dianggap sebagi objek dan diberi nilai 1, sedangkan pixel yang lainnya diberi nilai 0. Proses selanjutnya adalah proses morfologi citra yaitu, dilasi yang digunakan untuk menyambung gambar yang terputus karena proses segmentasi. Dari hasil dilasi itu kemudian dilakukan proses erosi citra, sehingga citra tidak terlalu tebal dan sesuai dengan pola pada gambar aslinya. Setelah didapatkan hasil erosi, kemudian dilakukan ekstraksi fitur terhadap citra. Ekstraksi fitur dilakukan terhadap nilai ordinat dari citra. Nilai ordinat dari citra ini nantinya akan mewakili nilai potensial dari listrik jantung. Nilai potensial listrik jantung inilah yang akan menjadi masukan untuk jaringan LVQ. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 38 3.3.4 Metode Klasifikasi Data Pada tahapan ini dilakukan perancangan perangkat lunak deteksi kelainan jantung dengan metode LVQ. Arsitektur jaringan yang digunakan dalam perangkat lunak ini seperti pada Gambar 3.4. yang mempunyai 3 macam keluaran. Keluaran pada jaringan ini nantinya akan mengidentifikasikan kondisi jantung dari setiap data. Gambar 3.4 Arsitektur Jaringan LVQ Setelah menentukan arsitektur dari jaringan LVQ ini lalu ditentukan pula diagram alir dari LVQ ini seperti pada Gambar 3.5. Pada awal proses jaringan LVQ ini ditentukan parameter-parameter yang diperlukan dalam LVQ seperti, bobot awal, target error dan maksimum epoh. Setelah inisialisasi dari parameter- parameter tersebut maka proses pelatihan jaringan LVQ akan dimulai, proses pelatihan ini akan berlangsung selama syarat berhentinya proses pelatihan ini belum terpenuhi. Jika syaratnya sudah terpenuhi maka bobot akhir dari pelatihan ini akan disimpan. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 39 Mulai Baca input bobot awal, target error, Maks epoh LVQ Jumlah epoh>= maks epoh ? or alpha<error maks Tidak ya Simpan bobot akhir Selesai Gambar 3.5 Diagram alir program JST Sedangkan untuk diagram alir LVQ disajikan pada Gambar 3.6 berikut: Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 40 Gambar 3.6 Diagram Alir LVQ Pada proses klasifikasi data ini digunakan 72 data untuk proses pelatihan. 3.3.5 Hasil Klasifikasi Data Tahap pengujian dilakukan setelah tahap pelatihan dan dilakukan pada 25 data pengujian yang belum pernah dilakukan untuk pelatihan. Data pengujian diambil dari tinjauan data ECG dalam bentuk yang telah ditentukan. Tujuan dari pengujian ini adalah mendapatkan tingkat akurasi jaringan LVQ untuk identifikasi penyakit jantung. Tingkat akurasi didapatkan dengan membandingkan hasil identifikasi perangkat lunak dan diagnosa dokter. 3.3.6 Rancangan Tampilan Program Perancangan program ini di bagi menjadi 4 bagian yaitu, rancangan program MENU, PELATIHAN, PENGUJIAN dan BANTUAN. Program MENU merupakan tampilan awal dari program yang akan menghubungkan dengan program lainnya. Desain rancangan program Menu Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 41 seperti pada Gambar 3.7 terdiri dari empat submenu yaitu pelatihan, pengujian, bantuan dan keluar. Lalu terdapat Static Text1 untuk menampilkan judul dari program ini, Axes1 pada rancangan ini untuk menampilkan gambar sebagai logo dari program ini, Static Text2 untuk menampilkan nama dari pembuat program. Gambar 3.7 Rancangan Program MENU Setelah perancangan program Menu dilanjutkan dengan perancangan program pelatihan, program ini nantinya akan digunakan untuk pelatihan sistem jaringan LVQ yang akan menghasilkan bobot akhir untuk kemudian digunakan pada proses pengujian. Perancangan program pelatihan ini dapat dilihat pada Gambar 3.8, rancangan program pelatihan ini terdiri dari Static Text1 untuk menampilkan judul dari pelatihan ini, Static Text2 dan Static Text3 untuk memberI label keterangan pada Edit Text. Edit Text1 digunakan untuk merubah inputan laju pembelajaran yang akan digunakan dalam proses pelatihan, Edit Text2 digunakan untuk merubah inputan pengurangan laju pembelajaran yang akan digunakan juga sebagai inputan pelatihan. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 42 Panel1 dan Panel2 digunakan untuk mengelompokan antara input program dan keluaran program. Push Button1 pada rancangan program ini untuk memulai proses pelatihan. Table1 untuk menampilkan hasil dari bobot akhir pelatihan, Static Text4, Static Text5 dan Static Text6 digunakan untuk memberi label keterangan terhadap Edit Text. Sedangkan Edit Text3 digunakan untuk menampilkan epoh terakhir dari proses pelatihan, Edit Text4 juga digunakan untuk menampilkan laju pembelajaran terakhir dari proses pelatihan, Edit Text5 disini digunakan untuk menampilkan presentasi kecocokan dari pelatihan. Untuk mengakhiri program ini digunakan Push Button2 sebagi tombol keluar. Gambar 3.8 Rancangan Program Pelatihan Program pengujian ini untuk tempat melakukan pengujian terhadap data pengujian yang sudah disediakan. Pada rancangan program pengujian pada Gambar Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 43 3.9, rancangan ini terdiri dari Static Text1 untuk judul dari rancangan pengujian ini. Push Button1 disini adalah tombol untuk mencari file citra yang ingin di uji, lokasi dari citra yang dipilih itu kemudian akan ditampilkan pada Edit Text1, sedangkan Axes1 akan menampilkan citra yang telah dipilih melalui Push Button1. Push Button2 adalah tombol untuk mengolah citra dari Axes1 yang kemudian hasil akhirnya akan ditampilkan pada Axes2, Axes3, Axes4, Axes5. Push Button3 disini adalah tombol untuk memulai proses identifikasi dari hasil akhir yang ditunjukan pada Axes2, hasil dari identifikasi ini akan ditampilkan pada Edit Text2. Push Button4 adalah untuk Keluar dari program ini. Gambar 3.9 Rancangan Program Pengujian Untuk program pengujian program ini terdiri dari Static Text1 dan Static Text2, program bantuan ini ditujukan untuk memberikan petunjuk mengenai kegunaan program dan cara penggunaannya pada pengguna. Pada Static Text1 akan di Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 44 tampilkan judul dari sub program ini dan pada Static Text2 akan di tampilkan tetntang informasi yang akan diberikan pada pengguna. Rancangan programnya seperti terlihat pada Gambar 3.10. Gambar 3.10 Rancangan Tampilan Bantuan Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Setelah data ECG dalam bentuk digital didapatkan, lalu dilakukan proses pemotongan. Pemotongan ini dilakukan untuk mengambil data yang mempunyai informasi penting dan juga agar memori yang digunakan tidak terlalu banyak. Dari data 12 lead ECG pada penelitian ini digunakan data lead 2 dengan panjang 157 pixel untuk mengetahui kelainan pada jantung. Data yang didapat kemudian dikelompokkan menjadi tiga kelas yaitu data jantung normal, data jantung koroner dan data jantung fibrilasi atrium. Beberapa data yang digunakan dalam penelitian ini disajikan pada Gambar 4.1 Gambar 4.1 Hasil Persiapan Data. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium. a. Pre-processing Pada proses pre-processing data diolah menggunakan MATLAB untuk proses pengolahan citra. Proses Grayscalling bertujuan untuk merubah data citra RGB 45 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 46 menjadi citra Grayscale yang mempunyai nilai derajat keabuan dari 0-255. Hasil untuk perubahan citra asli setelah proses grayscalling dapat dilihat pada Gambar 4.2. (a) (b) (c) Gambar 4.2 Hasil Grayscalling. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium Setelah citra menjadi citra grayscale, kemudian dilakukan proses perbaikan kualitas citra (image enhacement) dengan pencerahan citra (brightness). Proses ini dilakukan untuk mencerahkan citra input sehingga pola lebih terlihat. Proses ini menggunakan bantuan dari Gamma Correction sehingga hasil gambar kecerahan pada gambar dapat disesuaikan. Pada penelitian ini digunakan nilai Gamma Correction sebesar 0,7, nilai ini didapatkan dari melakukan pembandingan terhadap nilai gamma. Hasil dari proses pencerahan ini ada pada Gambar 4.3. (a) (b) (c) Gambar 4.3 Hasil Pencerahan. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 47 b. Segmentasi Citra yang telah melalui proses pencerahan kemudian di segmentasi untuk menghilangkan background pada citra ECG. Segmentasi ini dilakukan dengan memberikan nilai ambang (threshold) tertentu sehingga nilai intensitas yang berada diatas nilai ambang itu dikelompokkan menjadi nilai satu dan yang berada dibawah nilai threshold dikelompokan menjadi nilai nol ataupun sebaliknya. Dapat dilihat pada Gambar 4.4. setelah proses segmentasi ini citra ini sudah berubah menjadi citra biner yang hanya mempunyai nilai 0 atau 1 (hitam atau putih). (a) (b) (c) Gambar 4.4 Hasil Segmentasi. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium c. Morfologi Citra Setelah melalui proses thresholding citra sinyal ECG yang dihasilkan terlihat terputus- putus pada beberapa titik seperti diperlihatkan pada Gambar 4.4. Untuk menghubungkan kembali garis yang terputus karena proses thresholding maka dilakukan operasi morfologi dasar pada citra tersebut, operasi morfologi yang dilakukan adalah dilasi dan erosi. Dilasi dilakukan untuk menyambung gambar yang terputus saat proses segmentasi dikarenankan adanya intensitas yang dibawah nilai Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 48 ambang. Setelah gambar itu tersambung seperti pola aslinya lalu dilakukan proses erosi untuk menipiskan pola yang ada sehingga sesuai dengan pola aslinya. Hasil dari proses morfologi citra ini dapat dilihat pada Gambar 4.5. (a) (b) (c) Gambar 4.5 Hasil Morfologi Citra. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium Setelah didapatkan citra hasil erosi lalu dilakukan ekstraksi fitur. Ekstraksi fitur yang dilakukan dengan mencari nilai ordinat dari citra. Nilai ordinat ini nantinya akan menunjukan nilai potensial dari listrik jantung. Nilai potensial dari setiap titik pada citra ini akan membentuk grafik yang merupakan visualisasi fitur citra ECG. Penentuan titik nol dari visualisasi fitur itu ditentukan dari titik awal pada citra seperti disajikan pada Gambar 4.6. Titik awal pada citra dianggap sebagai garis isoelektrik yang bernilai 0, sebagi standart untuk mendapatkan nilai yang merepresentasikan tegangan pada citra ECG. Gambar 4.6 Penentuan Titik Awal Sumbu Y Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 49 Hasil dari proses visualisasi fitur ini seperti disajikan pada Gambar 4.7, plotting itu adalah kurva satu dimensi yang pada sumbu Y menunjukan potensial setiap titik dari kurva tersebut. Setelah didapatkan kurva visualisasi vitur tersebut nilai potensial dari citra tersebut disimpan dalam file .mat yang kemudian akan menjadi masukan pada saat proses pelatihan jaringan. (a) (b) (c) Gambar 4.7 Hasil Visualisasi Fitur. (a) Data Normal. (b) Data Jantung Koroner. (c) Data Jantung Fibrilasi Atrium 4.2 Pembentukan Jaringan Learning Vector Quantization (LVQ) 4.2.1 Pelatihan Jaringan LVQ Pada proses pelatihan ini digunakan 69 data dan juga 3 data untuk bobot awal yang mewakili masing-masing kelas. Data yang digunakan untuk pelatihan terdiri dari 43 data jantung normal, 23 data dengan kelainan jantung koroner dan 6 data dengan kelainan fibrilasi atrium. Pada proses pelatihan jaringan ini digunakan beberapa parameter seperti yang ditunjukan pada Tabel 4.1 berikut: Tabel 4.1 Parameter yang digunakan pada jaringan LVQ Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Jumlah Pola Masukan pada Pelatihan Jumlah Pola Masukan Pada Pengujian Jumlah Pola Target Variasi Laju Pelatihan(α) Pembaruan laju Pelatihan Variasi pengurangan Laju Pelatihan(decα) Minimum Laju Pelatihan yang diharapkan Maksimum Iterasi(Epoh) 50 72 data 25 data 3 kelas 0,1;0,01;0,001 α=α-α*(decα) 0,01;0,1;0,25;0,5;0,75 0,0000001 15000 Dari Tabel 4.1 dapat dilihat yang menjadi variable manipulasi adalah nilai laju pembelajaran dan juga pengurangan laju pembelajaran. Sedangkan untuk nilai maksimum epoh digunakan nilai 15000, nilai minimum laju pembelajaran adalah 0,0000001. Pada proses pelatihan ini data dilatih yang kemudian di uji kecocokannya terhadap data target yang merupakan hasil diagnosa dari dokter. Dari banyaknya data yang cocok dengan target yang diberikan maka akan didapatkan presentase tingkat akurasiproses pelatihan yang dilakukan. Hasil tingkat akurasi yang didapatkan dari perubahan parameter yang dilakukan dapat dilihat pada Tabel 4.2. Dari Tabel 4.2 tersebut dapat dilihat presentase tingkat akurasi data hasil pelatihan terhadap beberapa variasi dari laju pembelajaran (Learning rate) dan pengurangan laju pembelajaran, variasi tersebut mempengaruhi banyaknya iterasi yang yang terjadi, tingkat akurasi untuk pelatihan. Tingkat akurasi yang paling optimal pada penelitian ini ada pada laju pelatihan 0,1 dan pengurangan laju pelatihan 0,5 yaitu, 94%. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 51 Tabel 4.2 Hasil Kecocokan Terhadap Data Pelatihan Decα α Epoh Akhir 0,01 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 1375 1146 917 132 110 88 49 41 33 20 17 14 10 9 7 0,1 0,25 0,5 0,75 Tingkat Akurasi (%) 91,30% 89,85% 89,85% 92% 89,85% 76,8% 91,3% 85,05% 71,01% 94% 84,05% 63,7% 88% 79,7% 62,3% Dari Tabel 4.2 juga dapat dilihat pengaruh yang diberikan terhadap perubahan parameter laju pembelajaran dan pengurangan laju pembelajaran. Pada pengurangan laju pembelajaran yang tetap dan laju pembelajaran yang semakin kecil maka terjadi penurunan tingkat akurasi yang dihasilkan. Namun dengan laju pembelajaran yang tetap dan pengurangan laju pembelajaran yang semakin besar didapatkan tingkat keakurasian yang fluktuatif (tidak tentu). 4.2.2 Pengujian Jaringan LVQ Pada proses pengujian jaringan ini digunakan 25 data yang tidak digunakan sebagai data pelatihan, 25 data tersebut terdiri dari 13 data jantung normal, 5 data jantung dengan kelainan koroner dan 7 data dengan kelainan atrial fibrilasi. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 52 Proses pengujian ini dilakukan dengan variasi yang sama dengan variasi yang dilakukan pada saat proses pelatihan seperti pada Tabel 4.1 dan hasil dari proses pengujian ini dapat dilihat pada Tabel 4.3 berikut: Tabel 4.3 Hasil Kecocokan Pengujian Decα α 0,01 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,01 0,001 0,1 0,25 0,5 0,75 Tingkat Akurasi (%) 96% 96% 92% 92% 92% 56% 88% 84% 52% 96% 76% 52% 92% 64% 52% Pada Tabel 4.3 didapatkan tingkat akurasi tertinggi sebesar 96%. Tingkat akurasi tertinggi itu ada di beberapa variasi laju pembelajaran dan pengurangan laju pembelajaran. Namun, dari jika dihubungkan dengan hasil pengujian pada data pelatihan (Tabel 4.2) tingkat akurasi yang paling tinggi ada pada laju pembelajaran 0,1 dan pengurangan laju pembelajaran 0,5 dengan presentase 94% dan pada tabel hasil pengujian pun didapatkan tingkat akurasi yang tinggi sebesar 96% maka, dapat Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 53 dikatakan parameter optimal pada penelitian ini adalah pada laju pembelajaran 0,1 dan pengurangan laju pembelajaran 0,5. Sama dengan pada proses pelatihan, pada proses pengujian pun dapat dilihat dari Tabel 4.3 pengaruh yang diberikan terhadap perubahan parameter laju pembelajaran dan pengurangan laju pembelajaran. Pada pengurangan laju pembelajaran yang tetap dan laju pembelajaran yang semakin kecil maka terjadi penurunan tingkat akurasi yang dihasilkan. Namun, laju pembelajaran yang tetap dan pengurangan laju pembelajaran yang semakin besar didapatkan tingkat keakurasian yang fluktuatif (tidak tentu). Tabel 4.4 Hasil Pengujian No. 1. Skripsi Gambar Target Normal Hasil Normal Keterangan Cocok 2. Normal Normal Cocok 3. Normal Normal Cocok 4. Normal Normal Cocok 5. Normal Normal Cocok Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Skripsi 54 6. Normal Normal Cocok 7. Normal Normal Cocok 8. Normal Normal Cocok 9. Normal Normal Cocok 10. Normal Normal Cocok 11. Normal Normal Cocok 12. Normal Normal Cocok 13. Normal Normal Cocok 14. Koroner Koroner Cocok Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga Skripsi 55 15. Koroner Koroner Cocok 16. Koroner Koroner Cocok 17. Koroner FibrilasiAtrium Tidak cocok 18. Koroner Koroner Cocok 19. Fibrilasi atrium Fibrilasi atrium Cocok 20. Fibrilasi atrium Fibrilasi atrium Cocok 21. Fibrilasi atrium Fibrilasi atrium Cocok 22. Fibrilasi atrium Fibrilasi atrium Cocok 23. Fibrilasi atrium Fibrilasi atrium Cocok 24. Fibrilasi atrium Fibrilasi atrium Cocok Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 25. Fibrilasi atrium Fibrilasi atrium 56 Cocok Dari Tabel 4.4 dapat dilihat dari 25 data yang di ujikan hanya ada 1 data yang tidak cocok dengan identifikasi program yaitu, pada data ke-17 yang seharusnya adalah kelainan koroner tapi program mengidentifikasinkannya sebagai atrial fibrilasi. 4.3 Tampilan Program Setelah mendapatkan hasil dari proses pengujian maka dibuatlah tampilan program untuk jaringan tersebut menggunakan GUI MATLAB. Pada saat program pertama di buka akan tampil program menu seperti pada Gambar 4.8. program ini terdiri dari menu bar yaitu, pelatihan, pengujian, bantuan dan keluar. Tampilan program untuk menu utama adalah sebagai berikut: Gambar 4.8 Tampilan Program Menu Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 57 Tampilan dari program pelatihan adalah seperti pada Gambar 4.9 yang menampilkan bobot akhir dari proses pelatihan, epoh akhir, error akhir dan juga presentase kecocokan bobot akhir terhadap data pelatihan. Pengguna dapat merubah nilai laju pembelajaran dan juga pengurangan laju pembelajaran, lalu melihat hasil dari perubahan yang dilakukan di panel output, sehingga penggunaan dapat menentukan apakah laju pembelajaran dan pengurangan laju pembelajaran yang diberikan sudah cukup bagus untuk sistem atau belum. Gambar 4.9 Tampilan Program Pelatihan Pada program pengujian hasil yang ditampilkan adalah seperti Gambar 4.10, pada program pengujian ini gambar yang akan diuji dipilih dengan menggunakan tombol Browse. Setelah gambar dipilih maka akan ditampilkan pada tempat yang disediakan. Saat di tekan tombol pengolahan citra maka akan ditampilkan seluruh Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 58 tahap hasil pengolahan citra yang kemudian akan diidentifikasi setelah menekan tombol Identifikasi. Hasil identifikasi akan muncul pada tempat yang disediakan sehingga pengguna dapat dengan mudah mengetahui hasil identifikasi gambar tersebut. Gambar 4.10 Tampilan Program Pengujian Pada tampilan program Bantuan tampilan yang keluar adalah seperti pada Gambar 4.11. program bantuan ini berfungsiuntuk memberikan informasi mengenai program identifikasi kelainan jantung dan cara mengoperasikan program ini secara umum. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 59 Gambar 4.11 Tampilan Program Menu Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. Pada penelitian ini diperoleh parameter optimal jaringan LVQ yaitu, laju pembelajaran sebesar 0,1 dan pengurangan laju pembelajaran 0,5. 2. Tingkat akurasi maksimal dari pengujian terhadap 25 data uji sebesar 96% untuk laju pembelajaran sebesar 0,1 dan pengurangan laju pembelajaran sebesar 0,5. 3. Pada penelitian ini semakin kecil nilai laju pembelajaran maka tingkat akurasi program semakin kecil. Sedangkan, perubahan laju pembelajaran berpengaruh fluktuatif (tidak tentu) terhadap tingkat akurasi atau dapat juga dikatakan tidak ada pengaruh tertentu. 5.2 Saran 1. Untuk mengidentifikasi lebih banyak kelainan jantung dan juga untuk meningkatkan keakuratan program maka di perlukan data yang lebih banyak ataupun dengan memilah data yang digunakan sehingga variasi untuktiap kelasnya mempunyai perbedaan signifikan. 2. Input jaringan LVQ untuk penelitian ini adalah matriks sebesar 1x157, ukuran ini cukup besar dengan penggunaan data yang semakin banyak, kinerja dari jaringan LVQ ini pun akan semakin berat, karena itu perlu 60 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 61 dilakukan metode untuk melakuakan ekstraksi fitur lain untuk mengambil informasi dari citra yang diolah. 3. Data ECG yang digunakan sebaiknya di konsultasikan dengan beberapa dokter sehingga keakuratan diagnose yang dihasilkan lebih baik. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 62 Daftar Pustaka Away, Gunaidi Abdia. 2010. The Shortcut of MATLAB Programming. INFORMATIKA. Bandung. Berbari, E. J. 2000. Principle of Electrocardiography. The Biomedical Enginering Handbook. CRC Press LCC. Brunet, Bob, et al. 2003. 12- Lead ECG Review. York Region Hospital Program. Demuth, Howard and Mark Beale. 2002. Neural Network Toolbox User’s Guide, The MathWorks, Inc Dr, Soeparman. 1987. Ilmu Penyakit Dalam Jilid I Edisi Kedua. Jakarta: Balai Penerbit FKUI. Yani, Eli. 2005. Pengantar Jaringan Saraf Tiruan, dipublikasikan melalui materikuliah.com,http://trirezqiariantoro.files.wordpress.com/2007/05/jari ngan_syaraf_tiruan.pdf, diakses tanggal 13 Desember 2011. Endarko, et al. 2006. Aplikasi Pengolahan Citra Elektrokardiograf dan Jaringan Saraf Tiruan untuk Identifikasi Penyakit Jantung Koroner. Jurnal Fisika dan Aplikasinya. Surabaya. Frank G. Yanowitz, MD. http://library.med.utah.edu. University of Utah School of Medicine.(di akses tanggal 28 Desember 2011). Gao, George Qi. 2003. Computerized Detection and Classification of Five Cardiac Condition, Auckland university of technology, new Zealand. Green, Jacqueline M. 2010. 12-Lead EKG Confidence : Step by Step Guide. Spinger Publishing Company. New York. Guyton, A. C. 1995. Fisiologi Manusia dan Mekanisme Penyakit, Alih bahasa: Petrus Andrianto,Penerbit Buku Kedokteran. EGC, Jakarta. Jondri dan achmad rizal. 2010. Deteksi Otomatis Kelainan Jantung Menggunakan Hidden Markov Model (Hmm), Institut Teknologi Telkom, Bandung. Dubowik, K. 1999. Automated Arrhythmia Analysis –An Expert System for an Intensive Care Unit. New Jersey: Prentice-Hall. Kohonen, T.. 1990. Statistical Pattern Recognition Revisited, Advanced Neural Computers. R. Eckmiller (editor), 137-144. Kusumadewi, Sri. 2003. Artificial Intelegence (Teknik dan Aplikasinya). Graha ilmu. Jogjakarta. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 63 Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excellink. Graha Ilmu, edisi 1. Jogjakarta Cromwell, Leslie cs. 1980. Biomedical Instrumentation and Measurments. Prentice Hall. Low, A.,. 1991. Introduction Computer Vision and Image Processing, Mc Graw Hill Book Company, London. Schamroth, L. 1990. An Introduction to electrocardiography. Blackwell Scientific Publication: Oxford Mabrur, S. Si, Andik. 2011. Pengolahan Citra Digital Menggunakan Matlab. Tulungagung Marieb, Elaine. 1994. Human Anatomy and Physiology. San Francisco, CA: Pearson Education. McConahy, Douglas. 2005. Application of Multiobject Optimilization to Determining An Optimal Left Ventricular Assist Device Pump Speed.Univercity of Pittsburg. Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika Bandung. Bandung Nurdin, Dewi Triwulandari. 2010. Konsep Pengolahan Citra Digital dan Ekstrasi fitur. Graha Ilmu. Jogjakarta Paulus,Erick, S.Si.,M.Kom. Gui Matlab. Penerbit Andi. Pramitarini, Yushinta. 2011. Analisa Pengiriman Citra Terkompresi JPEG Dengan Tekni Spread Spektrum Direct Sequenze. Surabaya Pratanu, sunoto. 1999. Buku Ajar Ilmu Penyakit Dalam, FK UI. Jilid 1 edisi ke3.(halaman 88-934). Jakarta. Pratt, William K. 2007. Digital Image Processing. John Wiley and Sons, Hoboken, New Jersey. Putra, Darma. 2008. Sistem Biometrika: Konsep Dasar Teknik Analisis Citra, Penerbit Andi, Jogjakarta. Tompkins, W. J. 1993. Biomedical Signal Processing, Prentice Hall, New Jersey. Widodo, Arief. 2009. Sistem Akuisisi ECG Menggunakan USB untuk Deteksi Aritmia. Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS. Surabaya. Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 64 Wirayuda, T.A. Budi. 2006. Pemanfaatan Operasi Morphologi untuk Proses Pendeteksian Sisi Pada Pengolahan Citra Digital. Seminar Nasional Sistem dan Informatika. Bali Yusuf, Muhammad, http://yusufsila2011.weebly.com/1/post/2011/03/9-macamgangguan-jantung.html (30 November 2011) Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 65 LAMPIRAN Lampiran 1 Pengolahan Citra Data Uji Data ke1 Citra Asli Hasil Segmentasi Visualisasi Fitur 2 3 4 5 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 66 6 7 8 9 10 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 67 11 12 13 14 15 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 68 16 17 18 19 20 21 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah ADLN Perpustakaan Universitas Airlangga 69 22 23 24 25 Skripsi Implementasi Learning Vector Quantization sebagai Alat Bantu Identifikasi Kelainan Jantung Melalui Citra Elektrokardiogram Fatimatul Karimah
