BAB I PENDAHULUAN
1.1. Latar Belakang Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya kontraksi. Kontraksi otot berfungsi untuk menggerakkan bagian-bagian tubuh dan substansi dalam tubuh. Ada tiga macam sel otot dalam tubuh manusia yaitu: jantung, lurik dan polos, namun yang berperan dalam pergerakan kerangka tubuh manusia adalah otot lurik (otot rangka).
Otot rangka adalah jaringan peka
rangsang yang diatur oleh syaraf motorik somatic dalam kesatuan yang disebut syaraf motorik unit (SMU). SMU juga memiliki ambang rangsang tertentu. Jika rangsang yang diberikan melewati ambangnya, maka pada syaraf tersebut akan muncul potensial aksi dan dihantarkan sebagai impuls [1]. Kelelahan otot adalah penurunan kemampuan otot untuk menciptakan kekuatan, berkontraksi dan gaya yang dihasilkan berkurang. Elektromiografi (EMG) adalah teknik medis untuk mengukur respon otot terhadap stimulasi syaraf selama otot berkontraksi, power spectrum EMG bergeser ke arah frekuensi yang lebih rendah, efek ini disebabkan oleh kelelahan otot. Kelelahan otot sering merupakan hasil dari kerja otot yang tidak sehat [2]. Tidak seperti evaluasi khas subjektif, yang biasanya menentukan titik waktu ketika subjek tidak dapat lagi menjalankan tugas, analisis sinyal EMG dapat memberikan informasi pengukuran metabolisme kontinyu di seluruh bagian
1
2
otot yang menunjukkan kelelahan selama kontraksi [1]. Namun, ambang batas kelelahan otot tidak dapat didefinisikan sebagai fungsi sederhana dari besarnya beban otot dan timing, karena karakteristik dan kemampuan otot bervariasi pada setiap individu EMG adalah teknik yang berkaitan dengan pencatatan dan analisis sinyal myoelectric. Sinyal ini dibentuk oleh variasi dalam keadaan fisiologis dari membran serat otot. Setiap otot memiliki beberapa unit motorik yang terhubung ke serat otot. Unit motorik Ini adalah kontrol syaraf otot sebenarnya [1][3][4]. Sinyal EMG merupakan sinyal elektrik yang dihasilkan dari aktivitas unit motorik otot, sinyal EMG merupakan sinyal tak-stasioner yang sangat acak [4][5] sehingga sangat sulit untuk menentukan polanya, disamping itu Sinyal EMG yang berasal dari otot pasti mengandung berbagai sinyal derau atau artefak pada permukaan elektroda, hal ini dapat memberikan interpretasi sinyal EMG yang salah [5] Metode yang sering digunakan pada sampel spektrum frekuensi elektromiografi adalah Fast Fourier Transformation (FFT). Namun, untuk mengevaluasi gerakan yang lebih dinamis, FFT kurang baik karena membutuhkan sinyal cukup stabil. Selanjutnya, FFT terbatas pada analisis frekuensi global, tidak dapat mendeteksi perubahan pada ranah waktu [4]. Untuk mengatasi masalah dalam analisis sinyal EMG para peneliti terusmenerus mencari metode terbaik. Salah stu metode terbaik adalah Transformasi wavelet. Transformasi wavelet sangat cocok digunakan untuk melakukan ekstraksi ciri sinyal EMG sebelum dilakukan pengenalan pola [4][5][6][7]
3
Dengan menguraikan ke ranah waktu dan ranah frekuensi. Transformasi wavelet juga dapat digunakan untuk menganalisis time series yang mengandung sinyal tak-stasioner di banyak frekuensi yang berbeda [3]. Pengenalan pola dapat dilakukan menggunakan jaringan syaraf tiruan (JST), kombinasi ekstraksi ciri sinyal EMG dengan wavelet dan pengenalan pola dengan JST telah sukses dilakukan oleh banyak peneliti [2][5][8]. Penelitian ini akan melakukan analisis sinyal EMG menggunakan transformasi wavelet sebagai metode untuk mendapatkan ciri sinyalnya dan pengenalan polanya menggunakan JST. Bahan yang digunakan adalah dari MIT BIH database [9] meliputi 3 sinyal yaitu EMG normal, miopati dan neuropati.
1.2. Rumusan masalah Berdasar uraian pada sub-bab 1.1, sinyal EMG memiliki karakteristik sinyak tak-stasioner, sehingga sulit untuk menganalisis sinyalnya dengan metode yang biasa, seperti FFT. Transformasi wavelet yang merupakan transformasi gelombang pendek sangat cocok untuk menganalisis sinyal EMG, untuk dapat menganalisis sinyal EMG dengan baik, maka perlu dipilih fungsi wavelet yang dapat memberikan rekonstruksi paling mendekati sinyal aslinya, karena jika dipilih fungsi wavelet dimana hasil rekonstruksi sinyalnya tidak mendekati aslinya maka dapat menyebabkan ekstraksi cirinya tidak mencerminkan sinyal aslinya [10]. Metode yang paling baik untuk memilih fungsi wavelet yang tepat adalah dengan melakukan eksperimen, karena sejauh ini belum ada referensi yang secara khusus menyatakan fungsi wavelet mana yang memberikan ekstraksi ciri
4
terbaik untuk sinyal EMG. Pada penelitian ini akan dibandingkan dua fungsi wavelet yaitu deubechies dan symlet yang masing-masing adalah (db2, dB4, dB5 dB6 dan dB8) dengan (sym2, sym4, sym5, sym6 dan sym8). Pemilihan fungsi wavelet berdasar pada hasil error rekonstruksi terkecil. Klasifikasi sinyal EMG dengan tepat, sulit dilakukan, sehingga diperlukan keahlian dari seorang dokter yang berpengalaman dalam menentukan jenis sinyal EMG. Untuk membuat klasifikasi sinyal EMG dibutuhkan tool yang dapat dengan akurat mengenali pola sinyal yang diberikan. Pada penelitian ini digunakan JST jenis perambatan balik dengan menggunakan hasil ekstraksi ciri sebagai masukannya.
1.3. Keaslian Penelitian Keaslian pada penelitian ini adalah pada bagaimana cara memperoleh ekstraksi ciri sinyal EMG, metode ekstraksi ciri yang digunakan oleh peneliti sebelumnya cukup beragam. Menggunakan koefisien autoregressive (AR) [8], mean dan median frekuensi [11], metode konvolusi [1], untuk ekstraksi ciri menggunakan transformasi wavelet peneliti sebelumnya banyak menggunakan koefisien detil dan koefisien aproksimasi [5][7][12] Pada penelitian ini ekstraksi ciri sinyal EMG menggunakan energi penyusun sinyal EMG yang diperoleh malalui teknik dekomposisi sinyal menggunakan transformasi wavelet. Menurut teori Parseval, energi suatu sinyal merupakan penjumlahan dari energi-energi penyusun sinyal yang memiliki komponen frekuensi yang berbeda-beda [10]. Sinyal EMG didekomposisi 7
5
tingkat untuk memperoleh sinyal-sinyal detil dan sebuah sinyal aproksimasi. Tiap tingkat dekomposisi memiliki rentang frekuensi berbeda-beda. Tiap tingkat ini dihitung energi rerata dekomposisinya kemudian dinormalisasi dengan cara membagi dengan rerata energi terbesar sehingga didapatkan rentang nilai antara 0 dan 1. Inilah yang menjadi ekstraksi ciri sinyal EMG. Cara memperoleh ekstraksi ciri sinyal EMG dengan normalisasi energi dekomposisi ini belum pernah dilakukan oleh peneliti sebelumnya sehingga merupakan keaslian penelitian ini. Metode ekstraksi ciri sinyal biomedis yang hampir serupa menggunakan energi dekomposisi namun untuk aplikasi pada sinyal elektroencephalograf (EEG) dan Electrokardiograf (EKG) [10].
1.4. Batasan Masalah Berdasar uraian pada sub-bab sebelumnya, dalam penelitian ini dapat dirumuskan batasan masalah sebagai berikut; 1. Bagaimana mengaplikasikan DWT jenis symlet untuk mendapatkan ekstraksi ciri sinyal EMG dan JST jenis perambatan balik untuk mengklasifikasi sinyal EMG. 2. Jenis kelainan sinyal elektrik otot yang diklasifikasi ada tiga yaitu sinyal EMG Sehat, sinyal EMG dengan kelaianan Neuropati
Miopati dan
6
1.5. Tujuan Penelitian Tujuan penelitian ini adalah: 1. Mengaplikasikan dan menguji transformasi wavelet diskrit untuk mendapatkan ekstraksi ciri sinyal EMG NOR, MYO dan NEU berdasar energi dekomposisi, yaitu energi sinyal detail dan aproksimasi. 2. Mengaplikasikan JST perambatan balik dan mencari arsitektur yang terbaik untuk mengenali pola sinyal EMG NOR, MYO dan NEU berdasar input energi detail dan energi aproksimasi sinyal EMG.
1.6. Manfaat Penelitian Manfaat penelitian ini adalah untuk mengetahui seberapa baik ekstraksi ciri sinyal EMG menggunakan energi dekomposisi yang diperoleh menggunakan transformasi wavelet 7 tingkat (D1, D2, D3, D4, D5, D6, D7 dan A7). Ekstraksi ciri tersebut khususnya untuk membedakan antara sinyal EMG dari kondisi NOR, MYO dan NEU. Selain itu juga diperoleh manfaat wavelet manakah antara deubechies (dB2, dB4, dB5, dB6 dan dB8) dan symlet (sym2, sym4, sym5, sym6 dan sym8) yang memberikan error rekonstruksi terkecil jenis sinyal EMG tersebut dapat memanfaatkan hasil penelitian ini untuk hasil klasifikasi EMG yang lebih baik khususnya menggunakan JST perambatan balik.
7
1.7. Sistematika Penulisan Sistematika penulisa tesis ini terdiri dari, BAB I. Pendahuluan Bab ini menguraikan tentang latar belakang, rumusan masalah, keaslian penelitian, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan. BAB II. Tinjauan Pustaka dan Landasan Teori Bab ini menjelaskan tinjauan pustaka penelitian terkait sebelumnya, landasan teori yang mendasari penelitian seperti anatomi dan cara kerja otot, Sinyal Biomedis, Miopati, Neuropati, transformasi wavelet dan JST. BAB III. Metode Penelitian Bab ini menguraikan tata cara penelitian, meliputi bahan penelitian: yaitu spesifikasi data EMG dan modifikasi sinyal EMG. Alat penelitian yang meliputi wavelet dan JST. Jalan penelitian yang meliputi data penelitian, pemilihan fungsi wavelet, ekstraksi ciri, dan klasifikasi menggunakan JST. BAB IV. Hasil dan Pembahasan Bab ini menyajikan hasil penelitian dan pembahasannya meliputi contoh sinyal EMG yang digunakan, hasil penambahan derau untuk data uji. Hasil dekomposisi sebagai ekstraksi ciri sinyal EMG, hasil klasifikasi dan persentase keberhasilan pengenalan pola sinyal EMG.
8
BAB V. Kesimpulan dan Saran Bab ini menjelaskan kesimpulan yang diperoleh dari seluruh penelitian dan
saran-saran
untuk
kepentingan
penelitian
selanjutnya.
