BAB V KESIMPULAN DAN REKOMENDASI
5.1 Kesimpulan Setelah dilakukan penelitian, maka dapat di utarakan beberapa kesimpulan sebagai berikut. 1. Jaringan saraf tiruan sangat baik dalam melakukan klasifikasi pola terhadap sinyal EKG. Hal ini dapat diperihatkan dari persentase tingkat akurasi, yang dapat dibedakan kedalam dua bagian, yaitu tingkat akurasi internal yang mencapai 99.999895 % pada pengujian arsitektur JST_1, 99.999853 % pada pengujian arsitektur JST_2 dan 99.999755 % untuk arsitektur JST_3. Sedangkan untuk tingkat akurasi eksternal pada pengujian data yang telah dilatih diperoleh persentase sebesar 100 % untuk semua arsitektur jaringan, sedangkan tingkat akurasi eksternal data baru diperoleh hasil sebesar 98.04 % dengan jumlah data 30 %, 98.81 % dengan jumlah data 50 % dan 99.16% dengan jumlah data 70 % 2. Penggunaan metode pembelajaran backpropagation sangat cocok pada penelitian ini. Namun metode ini ternyata memiliki kelemahan yakni proses pelatihan memerlukan waktu yang lama karena membutuhkan banyak iterasi sampai mencapai keadaan stabil. 3. Konstanta belajar selamanya tidak berpengaruh untuk mempersepat proses pembelajaran JST dalam mengklasifikasikan pola sinyal EKG. Hal ini terlihat
114
pada pelatihan arsitektur JST_1 dan arsitektur JST_2 yang tidak mempercepat proses pelatihan. Sedangkan pada pelatihan arsitektur JST_3 terdapat percepatan dengan menerapkan konstanta belajar. Ini bisa dilihat dari perubahan nilai epoch dari 1161 tanpa konstanta belajar menjadi 1082 iterasi dengan konstanta belajar sebesar 0.009 pada jumlah layer tersembunyi sebesar 700. 5.2 Rekomendasi Dalam penelitian ini tentunya terdapat beberapa kekurangan yang terjadi, maka untuk memperbaikinya maka penulis mengemukan saran sebagai berikut. 1. Kekurangan
dari
metode
backpropagation
adalah
proses
pelatihan
mamerlukan waktu yang lama dan dilakukan beberapa tahap pelatihan untuk mencapai steady state, maka untuk memperbaikinya perlu dicoba penerapan metode pembelajaran JST probabilistik yang memerlukan waktu yang lebih singkat dan dilakukan hanya satu kali pelatihan saja. 2. Variabel pola keluaran hendaknya diperbanyak karena jenis ganguan jantung pada umumnya memiliki banyak jenis yang harus diamati. 3. Untuk mudahkan membuat penelitian lebih baik lagi peneliti menyarankan untuk digunakan data deterministik dari hasil penentuan ciri sinyal EKG. 4. Untuk merealisasikan
penggunaan JST dalam melakukan klasifikasi pola
sinyal EKG hendaknya dirancang sebuah perangkat lunak dari hasil
115
penggunaan JST tersebut, sehingga dapat membantu dalam mendiagnosis penyakit jantung.
116
DAFTAR PUSTAKA Busono, Pratindo., Susanto, Eddy.,Wiewie., Sadeli Yuliana (2004). Algoritma untuk Deteksi QRS Sinyal ECG. Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004. Dhaneswara,Giri.,S. Moertini,Veronica (2004). Jaringan saraf tiruan propagasi balik Untuk Klasifikasi Data. Jurnal Integral, Vol. 9 no. 3, November 2004. Dubowik, Krzysztof (1999). Automated Arrhythmia Analysis — An Expert System for an Intensive Care Unit. Thesis pada Institute of Computer Science, Technical university of lodz. ECG Review – Acls Program Ohio State University Medical Center. Published by: Department of Educational Development and Resources, OSU Medical Center. Effendy,
Nazrul
(2005).
Identifikasi
Spektrum
Frekuensi
Isyarat
Elektrokardiograf Menggunakan Jaringan Syaraf Tiruan Kompetisi Penuh. Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah Mada, Yogyakarta. Elektrokardiografi
(2008).
[Online].
Tersedia:
http://www.wikipedia.com/indonesia. [ 12 Februari 2008]. Gao, Dayong., Madden, Michael., Schukat, Michael., Des, Chambers.,dan Lyons, Gerard (2002). Arrhythmia Identification from ECG Signals with a Neural Network Classifier Based on a Bayesian Framework. Journal of
117
Department of Information Technology National University of Ireland Galway, Ireland. Hermawan, Arif (2006). Jaringan Saraf Tiruan : Teori dan Aplikasi. Yogyakarta : Penerbit Andi. Junaryanto, Mahfudh (1996). Pengenalan Pola Sinyal Elektrokardiogram menggunakan Jaringan Saraf Tiruan. Tugas Akhir pada Departemen Teknik Fisika ITB. K. Dubowik (1999). Automated Arrhythmia Analysis –An Expert System for an Intensive Care Unit. New Jersey: Prentice-Hall. L. Schamroth (1990). An Introduction toelectrocardiography. Blackwell Scientific Publication: Oxford. Nugroho A, Beni (2008). Application of Neural Network to Create Density Log. MedcoEnergi Convetion 2008. Jakarta 18-19 Maret 2008. Ondˇrej, Polakoviˇ (2005). Backpropagation and his application in ECG classification. Journal of Institute for Research and Applications of Fuzzy Modeling. University of Ostrava. Paola, J.D.,Schowengerdt,R.A (1997). The Effect of Neural Network Structure on a Multispectral Land-Use/Land-Cover Classification. Photogrammetric Enginnering & Remote Sensing. Vol 69, No.11. Resnick dan Halliday (1997). Fisika. Jakarta : Penerbit Erlangga
118
Qi Gao, George (2003). Computerised Detection and Classification of Five Cardiac Conditions. Thesis pada Auckland University of Technology. Auckland New Zealand. Quoc C, Nguyen., Thi Lan Huong, Nguyen., Thi Ngoc Yen, Pham (2005). Study and Design of an Electrocardiograph. Proceedings of the First Young Vietnamese Scientists Meeting (YVSM ‘05), Nha Trang, 12-16 Juni 2005. Semelius,
Kim
(2008).
Theory,
modelling
and
applications
of
Electrocardiographic mapping. Helsinki: Helsinki University of Technology Laboratory of Biomedical Engineering. Soewolo.,Basoeki,Soedjono.,Yudani,Titi (2003). Common Textbook Fisiologi Manusia. Malang : IMSTEP JICA. Subekti,R. Muhammad., Purwadi, Dhandhang.,Rokhmadi (2005). Karakteristik Jaringan Syaraf Tiruan untuk Analisis Aktivasi Neutron.
Pusat
Pengembangan Teknologi Reaktor Riset (P2TRR) . BATAN, Serpong . Tangerang Suyanto (2007). Artificial Intelligence : Searching, Reasoning, Planning and Learning. Bandung : Penerbit Informatika. The
Cardiovascular
System:
The
Heart
(2008).
[Online].
Tersedia:
http://www.wiley.com/colleg. [ 27 Januari 2008]. The Heart (2008). [Online]. Tersedia : http:// butler.cc.tut.fi .[29 Januari 2008] Victor,Emil Neagoe., Iuliana,Florentina Iatan., dan
Sorin, Grunwald (2003).
Neuro-Fuzzy Approach to Classification of ECG Signals for Ischemic
119
Heart Disease Diagnosis. Journal of Dept. of Applied Electronics and Information Engineering, Polytechnic University, Bucharest, Romania dan Dykonex Corp., Palo Alto, CA. W. Setiawan, A. Murni, dan Waslaludin, (2007). Pengembangan Model Sistem Pengenalan Wajah (Face Recognition) Menggunakan Jaringan Neural Buatan Multihidden Layer Melalui Pembelajaran Supervisi. Dalam Penelitian Ilmu Komputer FPMIPA UPI Wiryadinata,Romi dan Ratnawati Dwi A. Simulasi Jaringan Saraf Tiruan Berbasis Metode Backpropagation sebagai Penendali Kecepatan Motor DC.
Seminar
Nasional
Teknologi
Informasi
(SNATI)
2005.
Yogyakarta,18 juni 2005. Yudha Setiadi, Ibnu., Rizal,Achmad., Magdalena, Rita (2005). Desain dan Realisasi Perangkat Elektrokardiograf Berbasis PC Menggunakan Sound Card. Jurnal Jurusan Teknik Elektro STT Telkom Bandung.
120
