HEART RATE VARIABILITY FREKUENSI DOMAIN UNTUK DETEKSI STRES MENTAL DAN INFLUENZA MENGGUNAKAN SVM CLASSIFIER TESIS

HEART RATE VARIABILITY FREKUENSI DOMAIN UNTUK DETEKSI STRES MENTAL DAN INFLUENZA MENGGUNAKAN SVM CLASSIFIER

TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung

Oleh

NEFY PUTERI NOVANI NIM : 23214046 (Program Studi Magister Teknik Elektro)

INSTITUT TEKNOLOGI BANDUNG Juni 2016

HEART RATE VARIABILITY FREKUENSI DOMAIN UNTUK DETEKSI STRES MENTAL DAN INFLUENZA MENGGUNAKAN SVM CLASSIFIER

Oleh

Nefy Puteri Novani NIM : 23214046 (Program Studi Magister Teknik Elektro)

Institut Teknologi Bandung

Menyetujui Pembimbing Bandung, ........ Juni 2016

______________________________________ Dr. techn. Ary Setijadi Prihatmanto, S.T., M.T. NIP: 19720827199702100

ABSTRAK HEART RATE VARIABILITY FREKUENSI DOMAIN UNTUK DETEKSI STRES MENTAL DAN INFLUENZA MENGGUNAKAN SVM CLASSIFIER Oleh

Nefy Puteri Novani NIM : 23214046 (Program Studi Magister Teknik Elektro)

Heart Rate Variability (HRV) merupakan variasi dari beat-to-beat denyut jantung yang memberikan gambaran gejala fisiologis dari denyut jantung (heart rate) dengan variasinya dalam interval waktu. Analisis HRV memberikan suatu informasi tentang modulasi otonom jantung dan menjadi alat yang berguna untuk memahami sistem saraf otonom (ANS) yang mengatur proses-proses tertentu di dalam tubuh dengan dua komponen utama yaitu sistem saraf simpatetik dan parasimpatetik. Analisis HRV mencakup analisis spektral atau frekuensi domain. Analisis HRV frekuensi domain menggambarkan dua komponen utama dari sistem saraf otonom yang diartikan sebagai irama fisiologis berbeda. Frekuensi domain HRV dihasilkan dengan estimasi Power Spektrum Density (PSD) menggunakan metode Fast Fourier Transform (FFT). Pengukuran dasar power spektrum menghasilkan very low frequency (VLF), low frequency (LF), dan high frequency (HF). Hasil pengukuran power spektrum frekuensi domain HRV digunakan untuk mengklasifikasikan kondisi stres mental dan kondisi kesehatan subjek penelitian yang berkaitan dengan influenza. Dari pengukuran dasar frekuensi domain digunakan nLF, nHF dan LF/HF ratio sebagai pengukuran efisien untuk klasifikasi stres dan flu menggunakan SVM Classifier. Pengklasifikasi SVM (SVM Classifier) digunakan sebagai pengklasifikasi biner untuk masing-masing kondisi yang dirasakan oleh subjek penelitian. Pengujian evaluasi performa pengklasifikasi SVM untuk dua subjek uji berbeda menghasilkan akurasi 94% untuk klasifikasi flu Subjek_1, 81% untuk klasifikasi stres Subjek_1, 75% untuk klasifikasi flu Subjek_2, dan 66% untuk klasifikasi stres Subjek_2 dengan menggunakan data latih dan data uji dari masing-masing subjek. Kata kunci: Heart rate variability, frekuensi domain, PSD, FFT, SVM Classifier.

i

ABSTRACT HEART RATE VARIABILITY FREQUENCY DOMAIN FOR DETECTION OF MENTAL STRESS AND INFLUENZA USING SVM CLASSIFIER By

Nefy Puteri Novani NIM : 23214046 (Electrical Engineering Master Program) Heart Rate Variability (HRV) is the variation of beat-to-beat heart rate and provide a description of the physiological symptoms of heart rate with te variation in the time interval. HRV analysis gives an information on cardiac autonomic modulation and become a useful tool for understanding the autonomic nervous system (ANS) which serves to regulate certain processes on the body with two main components, the sympathetic and parasympathetic nervous system. HRV analysis include spectral analysis or frequency domain. Frequency domain HRV analysis defined two major components of the autonomic nervous system which is interpreted as different physiological rythms. Frequency domain HRV generated by the esimated Power Spectrum Density (PSD) using Fast Fourier Transform (FFT). Basic measurement of power spectrum include very low frequency (VLF), low frequency (LF) and high frequency (HF). The results of measurements of the frequency omain HRV power spectrum is used to classify the condition of mental stress and the health condition of subjects related to influenza. From basic frequency domain measurements, nLF, nHF and LF/HF ratio was used as an effiecient measurement for stress and flu classification using SVM Classifier. SVM Classifier are used as a binary classifier for each condition perceived by the subjects.SVM Classifier performance evaluation testing for two different test subjects resulted in the classification accuracy of flu 94% for Subjek_1, 81% accuracy for stress classification on Subjek_1, 75% accuracy for flu classification on Subjek_2, and 66% accuracy for stress classification on Subjek_2 using training and test data from each subject. Keywords: Heart rate variability, frequency domain, PSD, FFT, SVM Classifier.

ii

PEDOMAN PENGGUNAAN TESIS

Tesis S2 yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada pengarang dengan mengikuti aturan HaKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.

Sitasi hasil penelitian Tesis ini ditulis dalam bahasa Indonesia sebagai berikut: Puteri, Nefy. (2016): Heart Rate Variability Frekuensi Domain untuk Deteksi Stres Mental dan Influenza Menggunakan SVM Classifier, Tesis Program Magister, Institut Teknologi Bandung.

dan dalam bahasa Inggris sebagai berikut:

Puteri, Nefy. (2016): Heart Rate Variability Frequency Domain for Detection of Mental Stress and Influenza Using SVM Classifier, Master’s Program Thesis, Institut Teknologi Bandung.

Memperbanyak atau menerbitkan sebagian atau seluruh tesis haruslah seizin Dekan Sekolah Pascasarjana, Institut Teknologi Bandung.

iii

Dipersembahkan kepada kedua orangtua tercinta.

iv

KATA PENGANTAR Puji syukur penulis panjatkan ke hadirat Allah SWT, yang atas rahmat dan karuniaNya penulis dapat menyelesaikan tesis ini. Shalawat dan salam tercurah kepada Rasulullah Muhammad SAW beserta keluarganya.

Selama melaksanakan tesis ini, penulis mendapat bantuan dan dukungan dari berbagai pihak. Untuk itu, penulis ingin mengucapkan terima kasih kepada : 1. bapak Dr. techn. Ary Setijadi Prihatmanto,S.T.,M.T., selaku dosen pembimbing, yang telah banyak memberikan waktu, masukan, arahan, dan saran untuk mengembangkan ide penelitian, 2. Institut Teknologi Bandung yang telah menjadi tempat menimba ilmu selama masa pendidikan strata dua, 3. Kementrian Pendidikan dan Kebudayaan Ditjen Dikti yang memberikan beasiswa BPPDN Fresh Graduate, 4. kedua orangtua, beserta seluruh keluarga besar yang selalu memberikan dukungan moral, semangat, motivasi dan do’anya, 5. seluruh staf pengajar Laboratorium Sistem Kendali dan Komputer (LSKK) dan karyawan Tata Usaha Teknik Elektro ITB, yang telah memberikan ilmu dan bantuan, 6. rekan-rekan Magister Teknik Komputer angkatan 2013, 2014, dan 2015, beserta rekan-rekan TMDG 8 & 9, 7. serta semua pihak yang membantu dalam proses pengerjaan tesis yang tidak dapat penulis sebutkan satu per satu. Penullis menyadari bahwa tesis ini bukanlah tanpa kelemahan, untuk itu kritik dan saran sangat diharapkan. Akhir kata, semoga tesis ini dapat bermanfaat bagi para pembacanya.

Bandung, 6 Juni 2016

Penulis

v

DAFTAR ISI Halaman

ABSTRAK .............................................................................................

i

ABSTRACT .............................................................................................

ii

PEDOMAN PENGGUNAAN ...............................................................

iii

HALAMAN PERSEMBAHAN .............................................................

iv

KATA PENGANTAR ............................................................................

v

DAFTAR ISI ..........................................................................................

vi

DAFTAR GAMBAR .............................................................................

viii

DAFTAR TABEL ..................................................................................

x

BAB I. Pendahuluan ............................................................................

1

1.1 Latar Belakang ......................................................................

1

1.2 Rumusan Masalah .................................................................

3

1.3 Tujuan Penelitian ..................................................................

4

1.4 Batasan Masalah ....................................................................

4

1.5 Metodologi Penelitian ...........................................................

4

1.6 Kontribusi dan Manfaat Penelitian ........................................

6

1.7 Sistematika Penulisan ...........................................................

6

BAB II. Tinjauan Pustaka .....................................................................

8

2.1 Tinjauan Sistem Saraf Otonom .............................................

8

2.2 Tinjauan Analisis Heart Rate Variability (HRV) ..................

8

2.3 Tinjauan Kaitan Stres Mental dan Heart Rate ......................

14

2.4 Tinjauan Hubungan Influenza dan Heart Rate ......................

17

2.5 Tinjauan Estimasi Power Spektrum ......................................

18

2.5.1 Tinjauan Hann Window ......................................................

18

2.5.2 Tinjauan Fast Fourier Transform (FFT) ............................

20

2.5.3 Tinjauan Estimasi PSD .......................................................

21

2.6 SVM Classifier ......................................................................

23

2.6.1 SVM RBF Kernel ...............................................................

24

2.7 Pemodelan Performansi Kinerja Klasifikasi .........................

26

vi

BAB III. Desain Penelitian Dan Perancangan Sistem ............................

28

3.1 Desain Penelitian ..................................................................

28

3.1.1 Alat Penelitian ....................................................................

29

3.1.2 Objek Penelitian .................................................................

29

3.2 Metodologi Penelitian ...........................................................

30

3.3 Desain Sistem .......................................................................

31

3.4 Ekstraksi Fitur HRV Frekuensi Domain ...............................

33

3.4.1 Preprosess RR-interval .......................................................

33

3.4.2 Estimasi Power Spektrum Menggunakan FFT ...................

36

3.5 Klasifikasi dengan Multiclass SVM Classifier .....................

47

BAB IV. Hasil dan Analisis ...................................................................

53

4.1 Hasil Power Spektrum Frekuensi Domain HRV dengan Physical Activity dan Stres .................................................... 4.2 Hasil Data Latih .....................................................................

53

4.3 Hasil dan Analisa Data Uji .....................................................

65

4.4 Analisa Hasil .........................................................................

68

BAB V. Kesimpulan dan Saran ..............................................................

71

5.1 Kesimpulan ............................................................................

71

5.2 Saran ......................................................................................

71

DAFTAR PUSTAKA .............................................................................

73

Lampiran A .............................................................................................

A-1

Lampiran B .............................................................................................

A-2

vii

62

DAFTAR GAMBAR

Halaman

Gambar 2.1 Contoh Inter Beat Interval (IBI) ........................................... Gambar 2.2 Nilai power dari RR-Interval pada range frekuensi VLF, LF dan HF .................................................................................... Gambar 2.3 Pikiran, emosi, dan pengaruh eksternal erat hubungannya dengan irama jantung, emosi dan pikiran ............................. Gambar 2.4 Bentuk dari Hanning Window ............................................... Gambar 2.5 Power Spektral Density dari RR-Interval ..............................

9 13 15 19 22

Gambar 2.6 Alternatif bidang pemisah dan bidang pemisah terbaik dengan margin (m) terbesar ................................................. Gambar 2.7 Transformasi kelinieran ........................................................

23

Gambar 2.8 Pemetaan dari input space ke feature space oleh Fungsi ϕ ...

26

Gambar 3.1 Polar H7 Heart Rate Monitoring ..........................................

29

Gambar 3.2 Metodologi Penelitian ...........................................................

30

Gambar 3.3 Flowchart diagram sistem .....................................................

32

Gambar 3.4 Contoh data heart rate time series .........................................

34

Gambar 3.5 Contoh data RR-interval ........................................................

35

Gambar 3.6 RR-interval dalam miliseconds ..............................................

35

Gambar 3.7 Hasil plot setelah proses normalisasi ....................................

36

Gambar 3.8 RR-interval time series dikalikan dengan Hanning Window

37

Gambar 3.9 Hasil plot FFT data RR-interval ............................................

38

Gambar 3.10 Power Spektral Density yang diperoleh menggunakan Fourier Transform dari RR-interval time series .................... Gambar 3.11 Flowchart diagram sistem klasifikasi dengan SVM .............

39

Gambar 3.12 Tahap pelatihan (training) dengan SVM ..............................

48

Gambar 3.13 Tahap pengujian menggunakan data uji dengan SVM ..........

49

Gambar 3.14 Antarmuka Pengklasifikasi SVM .........................................

49

Gambar 3.15 Antarmuka proses training dengan pengklasifikasi SVM ....

50

Gambar 3.16 Antarmuka proses pengujian dengan data uji ..................

51

Gambar 3.17 Antarmuka hasil frekuensi domain data input training ........

51

Gambar 3.18 Antarmuka plot power spektrum ............................................

52

viii

25

47

Gambar 4.1 Hasil plot estimasi PSD dengan level stres 2 ..........................

54

Gambar 4.2 Hasil plot estimasi PSD dengan level stres 3 ..........................

55

Gambar 4.3 Hasil plot estimasi PSD dengan level stres 4 ..........................

56

Gambar 4.4 Hasil plot estimasi PSD dengan level stres 5 ..........................

58

Gambar 4.5 Hasil plot estimasi PSD dengan level stres 6 ..........................

59

Gambar 4.6 Hasil plot estimasi PSD dengan level stres 7 ..........................

60

Gambar 4.7 Hasil plot estimasi PSD dengan level stres 8 ..........................

61

ix

DAFTAR TABEL

Halaman

Tabel 2.1 Pengukuran HRV time domain ................................................ 11 Tabel 2.2 Kesimpulan pengukuran frequency domain HRV ................... 12 Tabel 2.3 Matriks hasil evaluasi deteksi sistem ....................................... 27 Tabel 3.1 Kondisi level stres mental dan flu yang dirasakan oleh subjek penelitian .................................................................................. Tabel 3.2 Representatif 300 RR-interval untuk menghitung power pada band frekuensi tertentu .............................................................. Tabel 4.1 Hasil frekuensi domain dengan physical activity dan level stres 2 ........................................................................................ Tabel 4.2 Hasil frekuensi domain dengan physical activity dan level stres 3 ........................................................................................ Tabel 4.3 Hasil frekuensi domain dengan physical activity dan level stres 4 ........................................................................................ Tabel 4.4 Hasil frekuensi domain dengan physical activity dan level stres 5 ........................................................................................ Tabel 4.5 Hasil frekuensi domain dengan physical activity dan level stres 6 ........................................................................................ Tabel 4.6 Hasil frekuensi domain dengan physical activity dan level stres 7 ....................................................................................... Tabel 4.7 Hasil frekuensi domain dengan physical activity dan level stres 8 ....................................................................................... Tabel 4.8 Matriks hasil evaluasi sistem deteksi stres dan flu ..................

28

Tabel 4.9 Hasil evaluasi performa data training untuk klasifikasi flu .....

64

Tabel 4.10 Hasil evaluasi performa data training untuk klasifikasi stres

65

39 54 55 57 58 59 60 62 63

Tabel 4.11 Hasil evaluasi performa klasifikasi flu Subjek_1 ..................... 66 Tabel 4.12 Hasil evaluasi performa klasifikasi stres Subjek_1 ................ 66 Tabel 4.13 Hasil evaluasi performa klasifikasi flu Subjek_2 ...................

67

Tabel 4.14 Hasil evaluasi performa klasifikasi stres Subjek_2 ................ Tabel 4.15 Hasil frekuensi domain HRV dengan physical activity dan level stres ...............................................................................

67

x

69

DAFTAR LAMPIRAN

Halaman

Lampiran A Rekap Pencatatan data Subjek Penelitian Subjek_1 ...........

A-1

Lampiran B Rekap Pencatatan data Subjek Penelitian Subjek_2 ...........

A-2

xi

Bab I Pendahuluan 1.1 Latar Belakang Kesehatan secara fisik maupun stres mental menjadi hal yang sangat penting bagi setiap orang. Dengan semakin padatnya kesibukan dan aktivitas sehari-hari bagi setiap orang, menjadi diperlukannya suatu tools yang dapat memberikan informasi mengenai kondisi kesehatan fisik dan stres mental. Adanya suatu pengukuran terhadap kondisi kesehatan seseorang dapat membantu mengatasi hal ini. Meskipun stres memiliki keterkaitan asalnya dengan sisi psikologis, namun stres ini mempengaruhi beberapa proses fisiologis dalam tubuh manusia, seperti ; peningkatan ketegangan otot pada leher, perubahan konsentrasi beberapa hormon dan perubahan heart rate (HR) dan Heart Rate Variability (HRV). Beberapa alat yang dapat me-monitoring kondisi kesehatan seperti perubahan HR seseorang menjadi suatu inovasi agar kondisi dari keadaan sehat atau tidaknya seseorang dapat dimonitor secara mandiri. Terdapat beberapa device yang dapat me-monitoring detak jantung (heart rate) seperti Fitbit, Polar, Smartwatch, dll. yang ada saat ini dapat dijadikan sebagai parameter pengukuran kondisi kesehatan berdasarkan HR.

HRV merupakan variasi dari beat-to-beat denyut jantung (heart rate) dan digunakan sebagai suatu tools yang mendeskripsikan aktivitas sistem saraf otonom terkait dengan stres mental [1]. Heart Rate Variabilty (HRV) merupakan gambaran gejala fisiologis dari detak jantung (heart rate) dengan variasi dalam interval waktu. Sebagai teknologi non-invasif sederhana, analisis HRV memberikan suatu informasi tentang modulasi otonom jantung dan menjadi alat yang berguna untuk memahami sistem saraf otonom atau Autonomic Nervous System (ANS) yang merupakan suatu sistem yang secara otomatis berfungsi untuk mengatur prosesproses tertentu di dalam tubuh. ANS ini dibagi menjadi sistem saraf simpatetik (Sympathetic Nervous System atau SNS) dan sistem saraf parasimpatetik (Parasympathetic Nervous System atau PNS). Kedua cabang ANS berinteraksi satu sama lain dan interaksi keduanya dijelaskan pada HRV [2].

1

Terdapat beberapa fitur-fitur analisis pengukuran HRV diantaranya time domain, frequency domain, non linear analysis, time frequency domain, dll. Pada cakupan frequency domain, high frequency (HF) dimodulasi oleh sistem saraf parasimpatetik (PNS) yang mengarah pada fungsi pernapasan. Low frequency (LF) dengan range frekuensi 0,04-0,15 Hz merefleksikan sifat simpatetik (SNS) dan sebagian sifat parasimpatetik (PNS) [3]. Hubungan antara kedua frekuensi (LF/HF ratio) mengindikasikan keseimbangan antara sifat simpatetik dan parasimpatetik. Komponen high frequency dengan range frekuensi 0,15-0,40 Hz, terkait dengan aktivitas parasimpatetik dan dimediasi hampir seluruhnya oleh vagus dan terkait dengan aktivitas pernafasan [4].

Analisis spektral atau analisis frekuensi domain HRV telah diusulkan sebagai suatu teknik non-invasif untuk mempelajari kontrol otonom jantung. Teknik ini menyediakan kuantifikasi dari osilasi LF dan HF rr-interval dan mencerminkan modulasi otonom dari node sinoatrial. [5]. Pada umumnya, analisis HRV merupakan analisis sinyal jangka panjang (long-term), misalnya analisis 24 jam sinyal ECG. Marães pada [3] mengatakan untuk memilih cara analisis variabilitas detak jantung yang digunakan dalam kondisi fisiologis tertentu harus mempertimbangkan jenis pencatatan yang dilakukan, ini mungkin short-term (5 sampai 30 menit) atau long-term (24 jam) dan dilakukan pada saat istirahat atau selama kondisi beraktivitas, seperti berolahraga.

Terdapat beberapa teknik analisis spektral atau frekuensi domain yang telah dideskripsikan pada [2]. Estimasi Power Spectral Density (PSD) [2], teknik analisis HRV spektral biasanya didasarkan pada Fast Fourier Transform (FFT) membutuhkan data stasioner dan untuk alasan ini harus diterapkan pada jendela waktu yang singkat, oleh karena itu digunakan short-term rr-interval (<= 5 menit). PSD dianalisis dengan menghitung power dan frekuensi puncak untuk band frekuensi yang berbeda. Pada penelitian ini dianalisis domain frekuensi RR-interval dalam pengukuran 5 menit RR-interval (short-term RR-interval). Analisis frekuensi domain melibatkan perhitungan power dari respiratory-dependent yang tergantung pada HF dan komponen LF dari HRV. Banyak penelitian telah menyelidiki 2

kelainan pada fungsi ANS yang terkait dengan stres mental, dengan memberikan pengaruh

pada

HRV

sebagai

parameternya.

Stres

mental

dilaporkan

membangkitkan penurunan dalam komponen frekuensi tinggi dan peningkatan komponen frekuensi rendah dari HRV.

Dalam penelitian ini, dibuat suatu analisis HRV yang penting untuk mengetahui pengaruh dari frekuensi domain HRV terhadap kondisi kesehatan dan stres mental yang dirasakan oleh subjek penelitian. RR-interval diperoleh dari Polar H7 Heart Rate Monitoring digunakan sebagai material dasar untuk analisis domain frekuensi. Pengukuran short-term rr-interval (<= 5 menit) digunakan untuk analisis frekuensi domain selama beraktivitas treadmill dan kaitannya dengan kondisi stres mental dan kondisi kesehatan, yaitu level influenza yang dirasakan oleh subjek penelitian. HRV frekuensi domain estimasi power spektrum dari data rr-interval subjek dengan aktivitas fisik atau berolahraga digunakan untuk mengklasifikasikan kondisi level stres dan influenza yang dirasakan oleh subjek penelitian sebagai eksperimen untuk menyelidiki pengaruh komponen spektral (frekuensi domain) terhadap kondisi stres dan influenza dari subjek dengan aktivitas olahraga secara kontinu. 1.2 Rumusan Masalah Permasalahan yang dibahas dalam penelitian ini adalah sebagai berikut. 1. Bagaimana analisis heart rate variability berdasarkan frekuensi domain pada saat subjek melakukan treadmill? 2. Apakah metode FFT dapat digunakan untuk estimasi power spektrum pada frekuensi domain heart rate variability ? 3. Bagaimana analisis heart rate variability berdasarkan frekuensi domain dan kaitannya dengan keadaan stres mental dan influenza subjek penelitian yang diukur saat melakukan treadmill? 4. Apakah metode SVM Classifier dapat diterapkan untuk mengklasifikasikan keadaan stres dan influenza terhadap subjek penelitian?

3

1.3 Tujuan Penelitian Berdasarkan latar belakang dan perumusan masalah, tujuan penelitian yang ingin dicapai adalah sebagai berikut. 1. Menerapkan metode FFT untuk ekstraksi fitur frekuensi domain HRV. 2. Analisis heart rate variability berdasarkan power spektrum frekuensi domain dan klasifikasi kondisi stres dan influenza pada subjek penelitian saat melakukan physical activity berupa jalan/lari di treadmill di pagi hari. 3. Membuat sistem deteksi stres dan influenza berdasarkan parameter pengukuran frekuensi domain HRV.

1.4 Batasan Masalah Batasan masalah pada penelitian ini adalah sebagai berikut. 1. Parameter yang diukur pada subjek penelitian hanya heart rate, data diperoleh melalui Polar H7 sebagai heart rate monitoring dengan interval pengambilan data per detik. 2. Data diperoleh dari

subjek penelitian dengan short-term rr-Interval

(pengambilan data selama 10-20 menit) dengan keadaan sedang jalan/lari di treadmill pada pagi hari. 3. Dilakukan pencatatan level kondisi stres mental dan influenza dari subjek penelitian berdasarkan kondisi yang dirasakan. 4. Analisis frekuensi domain berdasarkan metode FFT terhadap kondisi stres dan level influenza pada subjek penelitian. 5. Analisis pengklasifikasian kondisi stres dan influenza menggunakan SVM classifier.

1.5 Metodologi Penelitian Tahapan-tahapan kegiatan yang dilakukan dalam penelitian ini dijelaskan sebagai berikut. 1. Penentuan Topik, Tujuan dan Batasan. Tahap ini dengan melakukan konsultasi bersama dosen pembimbing untuk memperoleh gambaran mengenai topik penelitian dan arahan pengerjaan

4

penelitian. Kemudian dibahas juga mengenai tujuan penelitian, keutuhan penelitian, dan batasan penelitian ditentukan. 2. Studi Literatur. Dengan tahap ini dilakukan penelusuran untuk konstruksi literatur, alur pikir, penelusuran pustaka dan penelitian terdahulu yang terkait dengan heart rate time series, heart rate variability dan ekstraksi fitur HRV serta proses untuk klasifikasi pendeteksian suatu penyakit tertentu berdasarkan HRV. 3. Pengambilan Data Subjek Penelitian. Dalam tahap ini melakukan proses pengambilan data berdasarkan desain penelitian. 4. Uji Coba Metode. Tahap ini dilakukan uji coba metode untuk estimasi power spektrum, ekstraksi fitur HRV berdasarkan hasil review studi literatur. 5. Rancang Bangun Sistem Perancangan sistem klasifikasi untuk deteksi stres dan influenza. Tahapan pengerjaan sistem dari ekstraksi fitur frekuensi domain HRV hingga proses untuk klasifikasi menggunakan SVM Classifier. 6. Pengujian dan Evaluasi. Pada tahap ini dilakukan pengujian terhadap sistem yang sudah dibangun. Dievaluasi dan analisis penerapan metode untuk ekstraksi fitur frekuensi domain HRV dan evaluasi performa proses pengklasifikasi deteksi stres dan influenza pada subjek penelitian. 7. Pembuatan Laporan dan Sidang. Tahapan terakhir berupa penulisan rangkuman proses penelitian secara keseluruhan, dimulai dari pemaparan permasalahan yang diteliti, desain penelitian, proses penelitian, penerapan metode, hingga proses uji coba sistem, analisis dan evaluasi. Tahap ini berupa dokumentasi penelitian dalam bentuk dokumen buku tesis, publikasi paper, dan presentasi sidang.

5

1.6 Kontribusi dan Manfaat Penelitian Banyak kontribusi dan manfaat yang dapat dicapai dari penelitian ini. Berikut adalah beberapa paparan mengenai aplikasi yang mungkin dapat dibangun menggunakan sistem ini. 1. Alat bantu dalam monitoring kondisi kesehatan. Pengembangan penelitian ini dapat digunakan sebagai alat bantu dalam monitoring kondisi kesehatan, misalnya kondisi kesehatan jantung. Saat ini telah banyak juga aplikasi smartphone yang dapat memberikan informasi mengenai keadaan jantung penggunanya dengan alat monitoring berupa smartwatch yang me-monitoring heart rate penggunanya. 2. Alat bantu deteksi suatu penyakit. Elektrokardiogram adalah suatu representasi dari potensial listrik otot jantung yang didapat melalui serangkaian pemeriksaan menggunakan sebuah alat yang dinamakan elektrokardiograf (EKG). Melalui EKG (atau ada yang lazim menyebutnya ECG) dapat dideteksi adanya suatu kelainan pada aktivitas elektrik jantung melalui gelombang irama jantung. Pengembangan selanjutnya diharapkan dengan menggunakan beberapa device wearable yang dapat memonitoring heart rate dapat dikembangkan untuk menghasilkan informasi pendeteksian suatu penyakit. 3. Alat bantu prediksi suatu penyakit. Perkembangan selanjutnya adalah dengan menggunakan pola data heart rate berdasarkan keadaan kondisi jantung penggunanya, penelitian ini dapat berkontribusi untuk prognosis kondisi kesehatan seseorang.

1.7 Sistematika Penulisan Secara keseluruhan tesis ini disusun dalam beberapa bagian bab sebagai berikut. Bab I. Pendahuluan Bab ini memberikan gambaran umum mengenai penelitian yang akan dilakukan meliputi latar belakang dan motivasi perancangan penelitian, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, kontribusi dan manfaat penelitian serta sistematika penulisan tesis.

6

Bab II. Tinjauan Pustaka Bab ini menguraikan secara umum mengenai konsep teori yang mendasari perancangan penelitian, meliputi landasan teori yang berkaitan dengan heart rate time series, rr-Interval heart rate variability (HRV), metode FFT, estimasi Power Spectral Density (PSD) menggunakan FFT, dan SVM Classifier. Bab III. Desain Penelitian Dan Perancangan Sistem Membahas tentang gambaran dari desain penelitian, metode penelitian secara keseluruhan, metode ekstraksi fitur frekuensi domain HRV, desain klasifikasi deteksi stres dan influenza, serta menguraikan analisis kebutuhan dari sistem yang dirancang. Bab IV. Hasil dan Analisis Membahas tentang hasil dan analisis hasil power spektrum frekuensi domain HRV dengan physical activity dan stres mental serta pengujian performa sistem klasifikasi stres dan influenza menggunakan SVM Classifier dan analisis terhadap sistem yang sudah dibuat. Bab V. Kesimpulan dan Saran Bab ini menguraikan kesimpulan yang diperoleh dari penelitian yang telah dilaksanakan dan mengemukakan saran untuk pengembangan penelitian selanjutnya.

7

Bab II Tinjauan Pustaka 2.1 Tinjauan Sistem Saraf Otonom Sistem saraf otonom terdiri dari bagian parasimpatetik dan simpatetik. Keduanya memiliki fungsi yang berlawanan pada tubuh manusia, misalnya, aktivasi parasimpatetik menjaga sirkulasi darah dari otot, sedangkan aktivasi simpatetik mempercepat proses tersebut [7]. Sistem saraf simpatetik berfungsi untuk meningkatkan respon-respon tubuh untuk melakukan aktivitas yang cukup berat atau dalam menghadapi situasi stres. Sistem saraf parasimpatetik mendominasi pada aktivitas atau keadaan yang tenang dan santai sehingga akan mengatur jantung untuk tidak berdenyut dengan cepat dan kuat.

Otak menstimulasi aksi dari jantung dengan men-stimuli melalui sistem saraf otonom (ANS), yang dibagi menjadi sistem saraf simpatetik dan sistem saraf parasimpatetik. Aktivitas simpatetik mengarah pada peningkatan heart rate (HR) contohnya selama melakukan aktivitas olahraga, sementara aktivitas parasimpatetik menginduksi HR lebih rendah misalnya saat tidur. Kedua cabang dari ANS ini berinteraksi satu sama lain dan interaksi dari keduanya terlihat pada HRV.

2.2 Tinjauan Analisis Heart Rate Variability (HRV) HRV adalah variasi dalam interval waktu antara satu detak jantung dan detak jantung berikutnya. Ketika berbicara tentang heart rate, misalnya angka antara 60 dan 90 beats per minute (bpm). Angka ini merupakan kisaran untuk rata-rata denyut jantung. Faktanya adalah heart rate ini berubah dari beat-to-beat. HRV merupakan ukuran alami ketidakteraturan dalam denyut jantung. HRV mencerminkan efek dari cabang simpatetik dan parasimpatetik dan mekanisme kontrol fisiologis lainnya pada fungsi jantung. Perubahan yang terus menerus di impuls saraf simpatetik dan parasimpatetik mengakibatkan perubahan HR dan menyebabkan osilasi pada mean HR. Pengukuran HRV telah menjadi alat yang digunakan secara luas untuk menilai fungsi otonom kardiovaskular dalam berbagai pengaturan fisiologis.

8

Dataset yang digunakan dalam analisis HRV adalah data time series berupa interval beat-to-beat yang diekstrak dari sinyal ECG (electrocardiograph) dan dari pengukuran instantaneous heart rate. Interval beat-to-beat dapat didefinisikan sebagai perbedaan waktu antara puncak R berturut-turut dari sinyal ECG (RRInterval). Karena gelombang R bukan satu-satunya penanda sementara untuk lokasi beat, misalnya QRS kompleks, beberapa menggunakan istilah IBI (inter beat interval) sebagai generalisasi untuk mewakili setiap interval beat-to-beat. Interval waktu

antara

heart

rate

yang

berurutan

lazim

diukur

menggunakan

elektrokardiogram dari satu awal QRS kompleks ke awal QRS kompleks berikutnya, interval ini disebut RR-interval.

Gambar 2.1 menunjukkan contoh dari IBI atau RR-Interval yang merupakan perbedaan waktu antara puncak R berturut-turut dari sinyal ECG. Simulasi ECG berisi tiga beats dengan arbitrary units waktu dan amplitudo. Interval waktu diindikasikan oleh IBI, ditunjukkan dengan IBI(1) dan IBI(2). Morfologi ECG ditunjukkan oleh lima karakteristik gelombang, yaitu karateristik P, Q, R, S, dan T.

Gambar 2.1 Contoh Inter Beat Interval (IBI). [6]

Perhitungan RR-Interval yang berasal dari instantaneous heart rate diperoleh menggunakan rumus sebagai berikut. 𝑅𝑅𝐼 = 9

60 𝐻𝑅

Variasi heart rate dapat dievaluasi dengan sejumlah metode analisis HRV, diantaranya adalah analisis time domain, frequency domain, non-linear analysis, time-frequency domain, dll. Metode pengukuran yang paling sederhana adalah pengukuran time domain. Dengan metode ini, heart rate di setiap titik waktu atau rr-interval dapat ditentukan. Variabel time domain sederhana yang dapat dihitung antara lain mean rr-interval, mean heart rate, perbedaan antara rr-interval panjang dan pendek, perbedaan antara heart rate malam dan siang, dan lain-lain [2].

HRV dapat digunakan untuk empat jenis analisis berikut : 2.2.1 Analisis Time Domain Dari serangkaian instantaneous heart rate atau siklus interval, terutama yang tercatat lebih dari 24 jam, pengukuran statistikal time domain yang lebih kompleks dapat dihitung. Hal ini dapat dibagi menjadi dua kelas, yaitu, a. yang berasal dari pengukuran langsung RR-interval atau instantaneous heart rate, dan b. yang berasal dari perbedaan antara RR-interval. Variabel yang paling sederhana untuk dihitung adalah standar deviasi dari rrinterval (SDNN) yang merupakan akar kuadrat dari varians. Secara matematis varians sama dengan total daya analisis spektral, SDNN menggambarkan semua komponen siklik yang berhubungan untuk variabilitas dalam periode perekaman. Variabel-variabel ini dapat diturunkan dari analisis dari total rekaman ECG atau dapat dihitung dengan menggunakan segmen yang lebih kecil dari periode rekaman. Metode terakhir memungkinkan perbandingan HRV yang akan dilakukan selama kegiatan yang bervariasi, misalnya beristirahat, tidur, berolahraga, dll. Pengukuran time domain HRV dapat disimpulkan pada Tabel 2.1.

10

Tabel 2.1 Pengukuran HRV time domain [2] Variabel SDNN SDANN

Satuan ms ms

RMSSD

ms

SDNN index SDSD

ms ms

NN50 count

ms

pNN50

%

Deskripsi pengukuran statisik Standar deviasi dari seluruh NN interval Standar deviasi dari rata-rata NN interval di semua 5 menit segmen dari seluruh rekaman. Akar kuadrat dari mean dari jumlah kuadrat dari perbedaan antara NN interval yang berdekatan. Mean dari standar deviasi dari seluruh NN interval Standar deviasi dari perbedaan antara NN interval yang berdekatan. Jumlah pasang NN interval yang berdekatan berbeda dengan lebih dari 50ms di seluruh rekaman. Tiga varian yang mungkin menghitung semua seperti NN interval berpasangan atau hanya sepasang dimana pertama atau interval kedua lebih panjang. nn50 count dibagi dengan jumlah total seluruh NN interval.

2.2.2 Analisis Frequency Domain Fluktuasi HR sering dianggap periodik dan terjadi pada banyak skala waktu. Pengukuran fluktuasi ini dalam time series (IBI) dapat dilakukan dengan menghitung Power Spectrum Density (PSD). PSD ini menyajikan kerapatan spektral daya dari time series sebagai fungsi dari frekuensi. PSD mengkuantifikasi fluktuasi pada IBI time series. Analisis HRV pada domain frekuensi terbagi dalam tiga komponen sebagai berikut. a. Very Low Frequency (VLF) ; ≤ 0,04 Hz. b. Low Frequency (LF) ; 0,04 − 0,15 Hz. c. High Frequency (HF) ; 0,15 − 0,4 Hz. Pengukuran komponen VLF, LF dan HF biasanya dibuat dalam nilai absolut (ms2), tetapi LF dan HF juga dapat diukur dalam normalized units (n.u) yang mewakili nilai relatif dari masing-masing komponen daya sebanding dengan daya total dikurangi komponen VLF. Representasi LF dan HF dalam n.u menekankan perilaku pengendalian dan keseimbangan dari dua cabang sistem saraf otonom. Selain itu, normalisasi cenderung untuk meminimalkan efek perubahan daya total pada nilai-nilai dari komponen LF dan HF [2].

11

Tabel 2.2 Kesimpulan pengukuran frequency domain HRV [2] Variabel

Satuan

5 min total power VLF LF

ms2

normalized LF

n.u.

HF

ms2

normalized HF

n.u.

LF/HF

ms2 ms2

Deskripsi Analisis pada short-term recording (5 menit) Varians dari NN interval atas segmen temporal Power di rentang frekuensi VLF Power di rentang frekuensi rendah (low frequency) Power LF di unit normalisasi = 𝐿𝐹 (𝑇𝑜𝑡𝑎𝑙 𝑃𝑜𝑤𝑒𝑟−𝑉𝐿𝐹)

× 100

Power di rentang frekuensi tinggi (High Frequency) Power LF di unit normalisasi = 𝐻𝐹 (𝑇𝑜𝑡𝑎𝑙 𝑃𝑜𝑤𝑒𝑟−𝑉𝐿𝐹)

Range frekuensi Sekitar ≤ 0,4 Hz ≤ 0,04 Hz 0,04 – 0,15 Hz

0,15 – 0,4 Hz

× 100

𝐿𝐹 (𝑚𝑠2 )

Ratio = 𝐻𝐹 (𝑚𝑠2 )

Rasio LF/HF merupakan rasio antara komponen LF dan HF. Pengukuran ini menunjukkan keseimbangan antara sistem simpatetik dan parasimpatetik secara keseluruhan. Nilai yang lebih tinggi mencerminkan dominasi sistem simpatetik sedangkan nilai yang lebih rendah menunjukkan dominasi sistem parasimpatetik. Rasio ini dapat digunakan untuk membantu mengukur keseimbangan keseluruhan antara sistem simpatetik dan parasimpatetik. Analisis power spektrum [9] mencerminkan amplitudo fluktuasi HR yang ada di berbagai osilasi frekuensi. Sinyal RR-interval didisintegrasi menjadi berbagai fungsi sinusoidal dengan frekuensi yang berbeda, dan spektrum daya dibuat, dimana amplitudo diplot sebagai fungsi dari masing-masing frekuensi. Metode analisis spektral didasarkan pada teknik nonparametrik (Fast Fourier Transform) atau teknik parametrik (estimasi autoregressive model).

Pengukuran komponen power yang berbeda biasanya dibuat dalam nilai power absolut (milidetik kuadrat). LF dan HF juga dapat diukur dalam unit normalisasi, yang merupakan nilai relatif setiap komponen power sebanding dengan daya total dikurangi komponen VLF [2]. Standar spektral analisis biasanya diterapkan untuk perekaman yang dimodifikasi dan parameter berikut dievaluasi dalam interval waktu lima menit: total power (TP), high frequency (HF), low frequency (LF) dan 12

very low frequency (VLF). Power spektrum HF dievaluasi dalam range 0,15-0,4 Hz. Frequency band ini mencerminkan parasympathetic vagal tone dan fluktuasi yang disebabkan oleh respirasi spontan dikenal sebagai respiratory sinus arrhythmia (RSA). Power spektrum LF dievaluasi dalam range 0,04-0,15 Hz. Frequency band ini mencerminkan simpatetik dan parasimpatetik dari ANS. Power spektrum VLF dievaluasi dalam range 0.0033-0.04 Hz. Gambar 2.2 menunjukkan range frequency band masing-masing VLF, LF, dan HF.

Gambar 2.2 Nilai power dari RR-Interval pada range frekuensi VLF, LF dan HF [10] Terdapat beberapa temuan dalam short-term recording, VLF memiliki representasi yang wajar dari emosi negatif, kekhawatiran, dll. Total power (TP) adalah efek dari semua mekanisme fisiologis yang mungkin berkontribusi dalam variabilitas HR yang dapat dideteksi dalam short-term recording melalui rekaman 5-menit, namun sympathetic tone dianggap sebagai kontributor utama. LF/HF ratio digunakan untuk menunjukkan keseimbangan antara simpatetik dan parasimpatetik. Penurunan nilai ini mungkin menunjukkan baik peningkatan parasimpatetik atau menurunkan simpatetik [10].

Keuntungan dari analisis domain frekuensi daripada analisis time domain adalah. 1. Keuntungan utama dari analisis sinyal spektral adalah kemungkinan untuk mempelajari osilasi frekuensi tertentu.

13

2. Analisis spektral melibatkan dekomposisi dari serangkaian runtutan RR- interval ke sejumlah fungsi amplitudo sinusoidal dan frekuensi yang berbeda. 2. Hasilnya dapat ditampilkan dengan besarnya variabilitas sebagai fungsi dari frekuensi (power spektrum). 4.

Power spektrum mencerminkan amplitudo fluktuasi denyut jantung pada

frekuensi osilasi berbeda. Metode yang biasa digunakan berdasarkan Fast Fourier Transform dan analisis autoregressive untuk mengubah sinyal ke dalam domain frekuensi.

2.2.3. Analisis Nonlinear Atas dasar bahwa kontrol HR mungkin berisi komponen linear, terdapat studi lanjut untuk mempelajari HRV menggunakan metode selain metode linear yang standar, yaitu time domain dan analisis spektral. Beberapa analisis nonlinear HRV adalah analisis Poincare Plot, Sample Entropy, dan Detrended Fluctuation Analysis. Poincare Plot adalah plot dari interval IBI dibandingkan dengan interval IBI sebelumnya. Poincare Plot [6] adalah jenis analisis nonlinear yang digunakan untuk mengukur self-similarity. Analisis HRV berdasarkan poincare plot berdasar pada ide bahwa setiap IBI dipengaruhi oleh IBI sebelumnya.

Sample Entropy adalah entropi yang mencoba untuk mengukur kompleksitas sinyal. Fractal scaling atau self-similarity merupakan konsep yang didasarkan pada ide bahwa suatu sistem dapat dipecah-pecah menjadi bagian-bagian yang lebih kecil dimana setiap bagia tersebut menyerupai satu sama lain, tetapi pada skala yang berbeda. Untuk kasus IBI, skalanya adalah waktu. Analisis Detrended Fluctuation Analysis (DFA) mencoba untuk mengukur fractal scaling atau self-similarity dari time series yang non-stasioner.

2.3 Tinjauan Kaitan Stres Mental dan Heart Rate Banyak hal yang dapat menyebabkan mental stres, seperti karena lelah fisik saat menghadapi kondisi buruk di tempat bekerja, “good stress” seperti pada saat menerima promosi jabatan, dan “bad stress” seperti kecelakaan lalu lintas, pikiran terhadap masalah berat, dll [8]. Untuk keperluan penelitian ini, stres yang dibahas 14

adalah stres mental dengan kondisi “bad stress” terhadap suatu masalah yang menjadi beban pikiran.

Secara eksklusif, stres mental tidak disebabkan oleh apa yang sedang terjadi pada seseorang. Pikiran dan emosi pada diri seseorang lebih menjadi pemicu stres pada seseorang daripada faktor eksternal lain. Namun, stres mental ini apapun pemicunya baik dari dalam diri seseorang atau karena faktor eksternal dapat menyebabkan perubahan secara fisik pada tubuh. Ketika seseorang merasakan suatu ancaman, tubuh dibanjiri oleh hormon stres seperti adrenalin yang mempercepat kemampuan tubuh untuk merespon dengan cepat. Denyut jantung (heart rate) dan pernapasan meningkat, ketegangan otot, keringat berlebih dan tubuh memberikan respon cepat berupa “fight or flight” terhadap kondisi stres yang dihadapi. Hal ini menjadi masalah jika menjadi stres berkepanjangan pada tubuh.

Studi menunjukkan bahwa stres merupakan penyebab utama dari berbagai penyakit dari mulai penyakit kardiovaskular hingga penyalahgunaan suatu zat karena depresi [8]. Namun stres dapat dikelola, tidak sepenuhnya dihindari, tetapi dapat dikelola dengan baik. Untuk mengelola stres ini, seseorang harus mengetahui kapan dia mengalami stres tersebut dan memahami bagaimana untuk mengontrol kondisi stres tersebut.

Gambar 2.3 Pikiran, emosi, dan pengaruh eksternal erat hubungannya dengan irama jantung, emosi dan pikiran [8]. 15

Beberapa penelitian menunjukkan bahwa salah satu indikator yang menunjukkan kondisi stres adalah heart rate variability (HRV). Penelitian menunjukkan ketika HRV tinggi, seseorang mengalami stres mental tingkat rendah dan sebaliknya ketika HRV rendah, ini merupakan indikasi stres mental yang lebih besar. Pada [14] dijelaskan bahwa kondisi stres mental berpengaruh pada HRV time domain dan frequency domain yang meneliti pola HRV sehari-hari untuk memberikan bukti awal yang menjelaskan kondisi subjek dengan stres mental yang tinggi. Variasi pada fitur time-domain dari pola HRV dibandingkan pada dua kelompok untuk menunjukkan penurunan secara signifikan dalam SDNN, RMSSD, pNN50, indeks HRV, TINN, LF, LFnu, HF, HFnu, dan rasio LF/HF pada kelompok dengan stres tinggi. Pada frequency domain, rasio LF/HF meningkat dengan beban mental dalam penelitian [15] meskipun tidak signifikan. Berdasarkan data HR dan HRV pada [15] disimpulkan bahwa pengukuran short-term HRV berkurang pada kondisi dengan stres mental dan peningkatan keseimbangan sympathovagal (LF/HF) telah dibuktikan.

Penelitian [16] menunjukkan parameter HRV menggambarkan stres mental, yaitu RMSSD, TINN dan HF yang nilainya lebih rendah pada pagi hari menandakan subjek merasakan stres mental lebih tinggi pada pagi hari. Sebaliknya, parameterparameter ini memberikan nilai yang tinggi pada malam hari menandakan subjek pada kondisi relaks dan stres mental lebih rendah. Nilai dari parameter LF dan LF/HF lebih tinggi pada pagi hari dan lebih rendah saat malam hari mengindikasikan stres mental tinggi pada pagi hari dan rendah saat malam hari. Pada [17] dieksplorasi kemungkinan untuk deteksi stres mental menggunakan RR time series.

HRV menyediakan suatu ukuran untuk menjelaskan secara non-invasif aktivitas ANS, dan akibatnya dapat memberikan pengukuran terhadap mental stres. Pada [15] dieksplorasi pengukuran dari heart rate dan HRV dengan eksperimen beberapa situasi stres. Dicatat perubahan HR dan HRV pada 28 subjek dengan keadaan istirahat (rest) dan dengan keadaan tugas mental (mental stressor). Hasil penelitian 16

dari [15] menunjukkan bahwa terdapat perubahan HR dan HRV pada keadaan dengan tugas mental. Rekaman HR dan HRV memiliki potensi untuk mengukur level stres dan memberikan suatu pencegahan untuk mengurangi penyakit terkait stres. Dari HR dan HRV yang dilaporkan pada [15] disimpulkan bahwa short-term HRV berkurang pada kondisi stres mental, dan peningkatan keseimbangan sympathovagal (LF/HF).

Penelitian ini menyelidiki pengaruh dari HRV frekuensi domain terhadap kondisi mental stres yang dirasakan (perceived-test) oleh subjek penelitian pada saat melakukan physical activity. Tujuannya adalah agar dapat memonitor kondisi stres yang dirasakan oleh subjek penelitian dan memberikan peringatan awal tentang kondisi mental stres agar dapat menjadi acuan untuk pengelolaan stres mental.

2.4 Tinjauan Hubungan Influenza dan Heart Rate Influenza [22], juga dikenal sebagai flu adalah suatu penyakit penapasan yang menular disebabkan oleh virus flu, yang paling umum dialami manusia. Flu mempengaruhi sistem pernapasan, infeksi penyakit flu disebabkan oleh kuman mikroorganisme. Kuman yang menyebabkan flu adalah virus influenza. Flu biasanya menyebabkan demam, sakit kepala, sakit tenggorokan, batuk kering, nyeri otot dan kelelahan ekstrim. Gejala ini berlangsung dalam beberapa hari hingga satu minggu. Kebanyakan orang memiliki gejala ringan, dan beberapa mengalami gejala berat.

Sinus dan infeksi teleinga adalah contoh komplikasi moderat dari flu, sementara pneumonia merupakan komplikasi flu serius yang dapat mengakibatkan infeksi virus influenza itu sendiri atau dari co-infection virus flu dan bakteri. Komplikasi serius yang mungkin lainnya dipicu oleh flu dapat mencakup peradangan jantung (myocarditis), otak (encephalitis), atau jaringan otot (myositis, rhabdomyolysis), dan kegagalan multi-organ (misalnya, pernapasan dan gagal ginjal). Infeksi virus flu dari saluran pernapasan dapat memicu respon inflamasi ekstrim dalam tubuh dan dapat menyebabkan sepsis, respon yang mengancam tubuh terhadap infeksi. Flu juga dapat membuat masalah medis yang kronis, misalnya, orang dengan asma 17

dapat mengalami serangan asma saat flu, dan orang dengan penyakit jantung kronis mungkin mengalami memburuknya kondisi ini yang dipicu oleh flu [22].

Influenza mempengaruhi sistem vaskular dalam berbagai cara [23]. Influenza dikaitkan dengan sejumlah peningkatan pada proinflamasi, prothrombotic cytokines, dan hal ini menyebabkan disfungsi endotel, peningkatan viskositas plasma, takikardia, dan pelepasan endogenous catecholamines. Flu klinis berhubungan juga dengan tekanan psikologis, dehidrasi yang menyebabkan hypotension, dan hemoconcentration, hypoxemia, dan ischemia. Selanjutnya, hubungan antara influenza dengan congestive heart disease (CHD) masih diselidiki [23]. Pada penelitian ini, berkaitan dengan kondisi kesehatan yang dirasakan oleh subjek penelitian yang dimonitor denyut jantungnya, dilakukan pencatatan level flu yang dirasakan (self-assessment) atau perceived--test selama beraktivitas treadmill. Hal ini untuk menyelidiki respon kardiovaskular jantung, baik simpatetik maupun parasimpatetik terhadap keadaan flu yang dirasakan.

2.5 Tinjauan Estimasi Power Spektrum 2.5.1 Tinjauan Hanning Window Fungsi Hann[10] biasanya digunakan sebagai fungsi window pada pemrosesan sinyal digital untuk memilih subset dari serangkaian sampel untuk Transformasi Fourier. Proses windowing berkaitan dengan proses FFT yang berguna untuk ; 1. Mengurangi dampak dari batas ketidak-kontinuan (boundary of discontinues). Ketidak-kontinuan berada pada awal dan akhir tiap frame. Window berupaya mengurangi kerusakan spektrum dengan cara meruncingkan sinyal dengan mengatur nol pada awal dan akhir setiap frame. 2. Diaplikasikan dalam sinyal domain waktu sebelum menggunakan FFT. 3. Tersedia berbagai macam window untuk mengurangi kebocoran sinyal (spectral leakage).

18

Gambar 2.4 Bentuk dari Hanning Window. [21]

Bentuk dari Hanning Window ditunjukkan seperti pada Gambar 2.4, dapat diamati bahwa Hanning Window memiliki ketajaman main-lobe tetapi lebih rendah pada side-lobe. Ini membantu mengurangi kebocoran sinyal. Sinyal dengan ketidakkontinuan jika dikalikan dengan fungsi window maka menjadi sinyal kontinu. Berikut merupakan beberapa fungsi window yang umum digunakan, sebagai berikut. (n = 0,1,2, ... (N-1) :) Rectangular

:

𝑊(𝑛) = 1

Hanning

:

𝑊(𝑛) = 2 − 2 cos (

Hamming

:

𝑊(𝑛) = 0.54 − 0.46 cos (

1

1

2𝜋𝑛 𝑁

) 2𝜋𝑛 𝑁

)

Spektrum gelombang sinyal tanpa ada implementasi window menjadi kurang sempurna. Jika spektrum kurang sempurna, maka akan sulit membedakan dua frekuensi berbeda sebagai penyusun sinyal dalam plot spektrum frekuensi. Fast Fourier Transform akan sangat baik dan optimal jika data sinyal yang dianalisis berada pada kelipatan kuadrat dua (2n). Jika tidak pada kisaran (2n), akan ditambahkan suatu nilai nol (0) atau zero-padding untuk mendekatkan jumlah data sinyal yang akan dianalisis pada kelipatan kuadrat dua (2n). Zero-padding akan mengakibatkan kebocoran spektrum dengan munculnya frekuensi riak. Frekuensi riak adalah frekuensi di luar frekuensi penyusun suatu gelombang sinyal yang muncul dan mengganggu plot spektrum, sehingga spektrum frekuensi sulit dibedakan. Untuk mengurangi dampak penambahan zero-padding, digunakan teknik jendela atau windowing. Dengan windowing, suatu sinyal akan dicuplik pada 19

rentang tertentu sehingga mengurangi dampak zero-padding. Pada proses ini digunakan Hanning Window dengan persamaan sebagai berikut. Hanning

:

1

1

2𝜋𝑛

𝑊(𝑛) = 2 − 2 cos (

𝑁

).

Vektor yang dihasilkan adalah elemen-per-elemen dikalikan dengan vektor sinyal sampel sebelum menerapkan FFT. Representasi kodenya adalah sebagai berikut. 𝐻𝑎𝑛 = 𝐵(𝑖) ∗ 𝑤(𝑘), dengan 𝑤(𝑘) adalah vektor hasil Hanning Window dan 𝐵(𝑖) merupakan vektor sinyal sampel.

2.5.2 Tinjauan Fast Fourier Transform (FFT) Transformasi dari domain waktu ke domain frekuensi (dan kebalikannya) didasarkan pada transformasi Fourier (FT) dan sebaliknya, yang didefinisikan sebagai berikut. ∞

𝑆(𝜔) = ∫ 𝑠(𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 −∞ ∞

𝑠(𝑡) = ∫ 𝑆(𝑓)𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓 −∞

dengan, 𝑠(𝑡), 𝑆(𝜔), dan 𝑓 masing-masing adalah sinyal waktu, sinyal frekuensi dan frekuensi, dan 𝑗 = √−1. Sering juga ditulis transformasi dalam hal frekuensi sudut (angular frequency) 𝜔 = 2𝜋𝑓, sebagai berikut. ∞

𝑆(𝜔) = ∫ 𝑠(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 −∞ ∞

1 𝑠(𝑡) = ∫ 𝑆(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝜔 2𝜋 −∞

FT berlaku untuk sinyal riil atau kompleks, dan secara umum merupakan fungsi kompleks dari 𝜔 (atau 𝑓). FT berlaku untuk sinyal waktu periodik dan non-periodik yang memenuhi kondisi minimum tertentu. FT didefinisikan di atas perilaku hasil frekuensi sinyal waktu di setiap frekuensi, dengan resolusi frekuensi nol. perhitungan bertahap dari Fast Fourier Transform adalah sebagai berikut 𝐶 = 2^𝑛𝑒𝑥𝑡𝑝𝑜𝑤2(𝑁) 20

dimana, 𝑁 adalah panjang dari RR interval, 𝑛𝑒𝑥𝑡𝑝𝑜𝑤2 adalah power tertinggi berikutnya dari kelipatan kuadrat 2. Fungsi ini berguna untuk mengoptimalkan operasi FFT yang paling efisien ketika urutan panjang adalah urutan dari kelipatan kuadrat dua. Hasil yang diperoleh setelah menerapkan FFT adalah kombinasi dari nilai-nilai riil dan imajiner yaitu bilangan kompleks. Pada Matlab perhitungan FFT dilakukan dengan fungsi 𝑓𝑓𝑡().

2.5.3 Tinjauan Estimasi PSD Power Spectral Density (PSD) [10] menggambarkan bagaimana power (atau variance) dari suatu time series didistribusikan oleh frekuensi. Secara matematis, didefinisikan sebagai Fourier Transform dari urutan otokorelasi time series. PSD menunjukkan kekuatan variasi energi sebagai fungsi dari frekuensi. Dengan kata lain, PSD menunjukkan dimana variasi frekuensi yang kuat dan dimana variasi frekuensi lemah. Jika 𝑆(𝜔) = |𝑌(𝜔)|2 menjadi energi spectral density [21], diperoleh : ∞

∑

1

𝜋

|𝑦(𝑡)|2 = ∫−𝜋 𝑆(𝜔)𝑑𝜔, 2𝜋

(Parseval’s theorem)

𝑡=−∞

dengan 𝑆(𝜔) merupakan distribusi energi sebagai fungsi dari frekuensi. Menurut teorema Wiener-Khinchin [21], power spektrum dari proses zero-mean proses stokastik stasioner 𝑦(𝑡) dapat dihitung sebagai Fourier Transform dari fungsi kovariansnya, 𝑟(𝑘). Oleh karena itu, beberapa definisi diilustrasikan sebagai berikut. Sekuen auto-kovarians dari 𝑦(𝑡) didefinisikan : 𝑟(𝑘) = 𝐸{𝑦(𝑡)𝑦 ∗ (𝑡 − 𝑘)}, 𝐸{} menunjukkan nilai yang diharapkan dan * sebaga konjugat kompleks.

Definisi pertama dari Power Spectral Density (PSD) adalah sebagai berikut. ∞

ϕ(𝜔) = ∑ 𝑟(𝑘)𝑒 −𝑖𝜔𝑘 𝑘= −∞

21

dimana ϕ(𝜔) mewakili distribusi dari sinyal power atas frekuensi. Dari ϕ(𝜔) yang diberikan, ACS 𝑟(𝑘) dapat juga ditulis sebagai kebalikan (inverse) Fourier Transform dari spektrum, sebagai berikut. 1

𝜋

𝑟(𝑘) = 2𝜋 ∫−𝜋 ϕ(𝜔) 𝑒 𝑖𝜔𝑘 𝑑𝜔 . Dapat diperhatikan bahwa, 𝑟(0) =

1 𝜋 ∫ ϕ(𝜔) 𝑑𝜔 = 𝐸{|𝑦(𝑡)|2 } 2𝜋 −𝜋

mengukur rata-rata power 𝑦(𝑡), sehingga ϕ(𝜔) non-negatif (ϕ(𝜔) ≥ 0) dan bernilai riil. Oleh karena itu, ϕ(𝜔) = ϕ(−𝜔). Selain itu, ϕ(𝜔) adalah periodik dengan periode 2𝜋. Dengan 𝜔 ∈ [−𝜋, 𝜋], dan 𝑓 =

𝜔

1 1

, diperoleh 𝑓 ∈ [− 2 , 2]. 2𝜋

Definisi kedua dari Power Spectral Density (PSD) adalah sebagai berikut. 𝑁−1

2

1 ϕ(𝜔) = lim 𝐸 { |∑ 𝑦(𝑡)𝑒 −𝑖𝜔𝑡 | } 𝑁→∞ 𝑁 𝑡=0

PSD menggambarkan bagaimana power dari suatu time series didistribusikan dengan frekuensi. Power dari sinyal dalam suatu frequency band dapat dihitung dengan mengintegrasikan nilai di atas frequency band tertentu. Dengan kata lain, dapat disimpulkan definisi dari PSD adalah modulus kuadrat dari Fourier Transform suatu time series, diskalakan dengan istilah konstan yang tepat. PSD menjadi power per unit frekuensi. Dimensinya adalah semua power dibagi dengan Hertz (Hz). Misalnya, unit khas PSD (beats/min)2/Hz untuk sinyal instantaneous heart rate seperti pada Gambar 2.5.

Gambar 2.5 Power Spektral Density dari RR-Interval [10]. 22

2.6 SVM Classifier SVM [1] merupakan suatu pengklasifikasi biner. Teknik SVM digunakan untuk menemukan fungsi pemisah (hyperplane) yang optimal yang dapat memisahkan dua set data dari dua kelas berbeda. Teori SVM dimulai dengan kasus klasifikasi yang secara linier dapat dipisahkan. Dalam hal ini fungsi pemisah yang dicari adalah fungsi linier, ditentukan dalam persamaan sebagai berikut. 𝑓(𝑥) =< 𝑤. 𝑥 > +𝑏, dengan 𝑥 adalah data point yang diamati, dan 𝑤 adalah vektor normal dan 𝑏 adalah bias. Dua parameter 𝑤 dan 𝑏 menetukan batas, yang memaksimalkan margin antara data sampel ke dalam dua kelas. Sampel data, digunakan untuk merancang keputusan yang optimal, disebut dengan vektor. Tergantung pada tanda fungsi, input 𝑥 diklasifikasikan ke dalam salah satu dari dua class, jika 𝑓(𝑥) < 0 , 𝑥 diklasifikasikan sebagai class sendiri, selain itu diindikasikan sebagai unsur dari class lainnya. SVM menghasilkan suatu hyper-plane yang optimal untuk membedakan dua kelas [11].

Linearly separable data merupakan data yang dapat dipisahkan secara linier. Misalkan {𝑥1 , 𝑥2 , … , 𝑥𝑛 } adalah dataset dan 𝑦1 ∈ {+1, −1} adalah label kelas dari data 𝑥𝑖 . Gambar 2.6. menggambarkan berbagai alternatif bidang pemisah yang dapat memisahkan semua set data sesuai dengan kelasnya. Data yang berada pada bidang pembatas disebut support vector.

Gambar 2.6 Alternatif bidang pemisah dan bidang pemisah terbaik dengan margin (m) terbesar. 23

Pada contoh di atas, dua kelas dapat dipisahkan oleh sepasang bidang pembatas yang sejajar. Bidang pembatas pertama membatasi kelas pertama dan bidang pembatas kedua membatasi kelas kedua, sehingga diperoleh. 𝑥𝑖 . 𝑤 + 𝑏 ≥ +1 𝑓𝑜𝑟 𝑦𝑖 = +1 𝑥𝑖 . 𝑤 + 𝑏 ≥ −1 𝑓𝑜𝑟 𝑦𝑖 = −1, dengan 𝑤 adalah normal bidang dan 𝑏 adalah posisi bidang relatif terhadap pusat koordinat.

2.6.1 SVM RBF Kernel Secara umum, masalah yang terjadi di dunia nyata jarang yang bersifat linearly separable.

Kebanyakan

bersifat

non-linear,

SVM

dimodifikasi

dengan

memasukkan fungsi kernel untuk pemecahan masalah non-linear. SVM pada nonlinearly separable data, pendekatan yang dapat dilakukan untuk data yang tidak dapat dipisahkan secara linier yaitu dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space) sehingga dapat dipisahkan secara linier pada feature space. Beberapa kernel yang terdapat pada SVM meliputi. 1. Polinomial Derajat h Kernel trick polinomial cocok digunakan untuk menyelesaikan masalah klasifikasi, dimana dataset pelatihan sudah normal. Kernel trick ini dinyatakan dalam persamaan berikut. 𝐾(𝑥𝑖 , 𝑥𝑗 ) = (𝑥𝑖 ∙ 𝑥𝑗 + 1)ℎ

2. Radial Basis Function Kernel trick radial basis function merupakan kernel yang paling banyak digunakan untuk menyelesaikan masalah klasifikasi untuk dataset yang tidak dapat dipisahkan secara linier (non linear), dikarenakan akurasi pelatihan dan akurasi prediksi yang sangat baik pada kernel ini. Persamaan kernel radial basis function dinyatakan sebagai berikut. 𝑒 −‖𝑥𝑖 −𝑥𝑗‖ 𝐾(𝑥𝑖 , 𝑥𝑗 ) = 2σ2

24

2

3. Sigmoid Kernel sigmoid merupakan kernel trick SVM yang merupakan pengembangan dari jaringan saraf tiruan. Kernel ini dinyatakan dalam persamaan. 𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝑡𝑎𝑛(𝑘𝑥𝑖 ∙ 𝑥𝑗 − δ) Dengan metode kernel, suatu data 𝑥 di input space dipetakan ke feature space F dengan dimensi yang lebih tinggi melalui pemetaan ϕ sebagai berikut. ϕ : xk → ϕ(xk). Oleh karena itu data 𝑥 di input space menjadi ϕ(x) di feature space. Gambar 2.7 menunjukkan suatu contoh feature mapping dari ruang data dua dimensi ke feature space yang memperlihatkan bahwa fungsi ϕ(x) memetakan data x ke ruang vektor yang berdimensi lebih tinggi.

Gambar 2.7 Transformasi kelinieran. Seringkali fungsi ϕ(x) tidak tersedia atau tidak dapat dihitung. Tetapi dot product dari dua vektor dapat dihitung baik di dalam input space maupun di feature space. Dengan kata lain, ϕ(x) mungkin tidak diketahui, namun dot product (ϕ(x1) ∙ ϕ(x2)) masih dapat dihitung di feature space.

Agar dapat menggunakan metode kernel, pembatas (constraint) perlu diekspresikan dalam bentuk dot product dari vektor data 𝑥𝑖. Sebagai konsekuensi, pembatas yang menjelaskan permasalahan dalam klasifikasi harus diformulasikan kembali sehingga menjadi bentuk dot product. Dalam feature space ini dot product (∙) menjadi (ϕ(x) ∙ ϕ(x)' ). Suatu fungsi kernel, k(x, x’), dapat menggantikan dot product 25

( ϕ(x) ∙ ϕ(x)' ). Kemudian di feature space dapat dibuat suatu fungsi pemisah yang linier yang mewakili fungsi nonlinier di input space.

Gambar 2.8 Pemetaan dari input space ke feature space oleh Fungsi ϕ.

Pada ruang vektor yang baru ini, hyperplane yang memisahkan kedua kelas secara linier tersebut dapat dikonstruksikan. Pada Gambar 2.8 diilustrasikan sebuah fungsi ϕ yang memetakan tiap data pada ruang input tersebut ke ruang vektor baru yang berdimensi lebih tinggi (dimensi tiga).

Selanjutnya proses pembelajaran pada SVM dalam menemukan titik-titik support vector hanya bergantung pada dot product dari data yang sudah ditransformasikan pada ruang baru yang berdimensi lebih tinggi, yaitu ϕ(xi) ∙ ϕ(xj). Karena umumnya transformasi ϕ ini tidak diketahui, dan sangat sulit untuk dipahami secara mudah, maka perhitungan dot product tersebut sesuai teori Mercer dapat digantikan dengan fungsi kernel yang terlihat pada persamaan berikut. 𝐾(𝑥𝑖 , 𝑥𝑗 ) = ϕ(𝑥𝑖 ) ∙ ϕ(𝑥𝑗 )

2.7 Pemodelan Performansi Kinerja Klasifikasi Agar diketahui kinerja program apakah telah memberikan prediksi dengan baik, pengklasifikasi SVM harus dapat membedakan beberapa kelas yang telah ditentukan. Pada penelitian ini, pengklasifikasi SVM harus dapat membedakan kondisi subjek per level stres dan per level influenza. Berikut ini adalah tabel matrik evaluasi hasil pengklasifikasi SVM.

26

Tabel 2.3 Matriks hasil evaluasi deteksi sistem. Hasil Deteksi Stres Label Asli

No-stres

Stres

True Positive

False Negative

No-stres

False Positive

True Negative

Untuk mengevaluasi kinerja classifier, digunakan perhitungan statistik berikut [1]. a. True Positive (TP), subjek diinduksi oleh stres dan classifier dengan benar mengklasifikasikan stres. b. False Positive (FP), subjek tidak mengalami stres tapi classifier salah menafsirkan subjek seperti di bawah kondisi stres. c. True Negative (TN), subjek tidak disebabkan oleh stres dan classifier dengan benar menafsirkan bahwa subjek tidak berada di bawah kondisi stres. d. False Negative (FN), subjek diinduksi oleh stres tapi classifier salah menafsirkan sebagai subjek tidak di bawah kondisi stres. e. Sensitivity, mengacu pada kemampuan classifier untuk benar mengidentifikasi subjek di bawah kondisi stres. 𝑠𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃/(𝑇𝑃 + 𝐹𝑁) f. Specificity, mengacu pada kemampuan dari classifier untuk secara benar mengidentifikasi subjek tidak berada di bawah kondisi stres. 𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁/(𝑇𝑁 + 𝐹𝑃) g. Positive Predictive Value (PPV). Probabilitas bahwa subjek sebenarnya berada di bawah tekanan stres, ketika classifier mengidentifikasi bahwa subjek diinduksi oleh stres. 𝑃𝑃𝑉 = 𝑇𝑃/(𝑇𝑃 + 𝐹𝑃) h. Negative Predictive Value (NPV). Probabilitas bahwa subjek tidak berada di bawah kondisi stres, ketika classifier mengidentifikasi bahwa subjek tidak diinduksi oleh stres. 𝑁𝑃𝑉 = 𝑇𝑁/(𝑇𝑁 + 𝐹𝑁) i. Classification Accuracy of the Classifier. Ini adalah rasio jumlah total penilaian yang mengukur berapa data yang dapat diklasifikasikan secara benar oleh sistem. 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (𝑇𝑁 + 𝑇𝑃)/(𝑇𝑁 + 𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃) 27

Bab III Desain Penelitian dan Perancangan Sistem

3.1 Desain Penelitian Desain penelitian yang telah dilakukan pada penelitian ini dijabarkan sebagai berikut. a. Subjek penelitian melakukan latihan fisik berupa treadmill setiap pagi hari dengan usia rata-rata 24-35 tahun. b. Dilakukan pengukuran tekanan darah dan temperatur suhu badan terhadap subjek subjek sebelum melakukan aktivitas treadmill. c. Dilakukan pencatatan (tagging) data terhadap kondisi subjek pada saat sebelum memulai aktivitas treadmill. Kondisi subjek yang dicatat yaitu keadaan stres mental dan level influenza yang dirasakan oleh subjek pada pagi hari, stres mental dan flu level kategorinya sebagai berikut. Tabel 3.1 Kondisi level stres mental dan flu yang dirasakan oleh subjek penelitian. 0-1 2-3

4-5 6-7

8-9

10

Stres Level Tidak berat, kondisi pikiran relaks/santai. Tidak begitu berat, ada masalah yang dipikirkan tapi masih dapat berfikir hal lain. Sedang, ada masalah yang dipirkan tetapi masih dapat berfikir hal lain. Sedang berat, ada yang dipikirkan tetapi lebih sering memikirkan masalahnya. Berat, ada yang dipikirkan dan dapat beraktivitas tetapi lebih sering diam untuk berfikir. Berfikir lebih keras terhadap masalah setiap saat. Tidak dapat berfikir yang lain selain masalah yang sedang dihadapi/dipikirkan dan tidak dapat melakukan aktivitas lain.

28

Flu Level Tidak berat, tidak mengganggu aktivitas. Sesekali bersin-bersin.

Sering bersin-bersin. Bersin-bersin atau gejalanya yang sudah mulai mengganggu aktivitas. Berat, kepala pusing, bersin-bersin atau meriang. Tidak dapat berbicara dengan normal karena bersin atau hidung tersumbat. Demam, kepala pusing, tidak dapat melakukan aktivitas lain.

d. Dalam perekaman heart rate, prosedur eksperimen dibuat dengan kondisi subjek melakukan treadmill dengan kecepatan 2km/jam selama 10 menit dan 4km/jam selama 10 menit. e. Data heart rate dikumpulkan melalui heart rate monitoring Polar H7 yang menyimpan rekaman heart rate beat per beat. Dalam perekaman data ini, Polar H7 yang berbentuk chest strap dengan elektroda ditempatkan pada dada subjek penelitian, menangkap impuls listrik jantung dan mengirimkan ke monitor. f. Prosedur percobaan perekaman data heart rate kemudian dianalisis dalam domain frekuensi HRV.

3.1.1 Alat Penelitian Alat penelitian yang dibutuhkan dalam penelitian ini berupa hardware dan software. Hardware dan software yang digunakan dalam penelitian pembuatan sistem ini adalah sebagai berikut. a. Hardware

1. Polar H7 Heart Rate Monitoring

Gambar 3.1 Polar H7 Heart Rate Monitoring. 2. Handphone dengan sistem Operasi Android b. Software

1. Bluetooth v4.0 2. Sensor BLE Connect 3. Android KitKat 4. Matlab R2015

3.1.2 Objek Penelitian Objek penelitian yang digunakan pada penelitian ini adalah data heart rate dari aktivitas subjek dengan physical activity sedang melakukan treadmill pada pagi hari. 29

3.2 Metodologi Penelitian Pada penelitian ini dibutuhkan suatu metodologi penelitian tentang sekumpulan peraturan, kegiatan, dan prosedur yang dilakukan peneliti dalam menyelesaikan penelitian. Metodologi penelitian yang digunakan pada penelitian ini dijelaskan berdasarkan Gambar 3.2 seperti berikut.

Identifikasi Masalah 1. Bagaimana analisis heart rate time series berdasarkan frekuensi domain dan kaitannya dengan dua kondisi sistem saraf otonom ? 2. Apakah metode FFT dapat digunakan untuk estimasi power spektrum pada frekuensi domain HRV ? 3. Bagaimana analisis herat rate time series berdasarkan frekuensi domain dan kaitannya dengan keadaan stres dan influenza subjek penelitian yang diukur saat melakukan physical activity ? 4. Apakah metode SVM Classifier dapat diterapkan untuk klasifikasi kondisi subjek penelitian?

Studi Literatur 1. Heart rate Time Series RR-Interval 2. Frekuensi Domain HRV 3. SVM Classifier

Desain Sistem

Implementasi Menggunakan software Matlab R2015

Pengujian dan Analisis Sistem diujikan pada subjek, kemudian dianalisis HRV nya dan dideteksi apakah subjek sedang dalam keadaan stres atau tidak dengan hasil klasifikasi dari metode SVM Classifier

Kesimpulan Berdasarkan pada pengujian dan analisis

Gambar 3.2 Metodologi penelitian.

30

3.3 Desain Sistem Telah dilakukan pengambilan data heart rate terhadap subjek dengan aktivitas treadmill. Pada setiap pengambilan data subjek, dilakukan pencatatan level stres mental dan influenza yang dirasakan subjek. Kemudian, dilakukan analisis terhadap data yang telah didapat, ekstraksi fitur heart rate variability time domain dan frequency domain. Namun bahasan pada tesis ini fokus pada frekuensi domain HRV dengan kondisi stres mental dan influenza yang dirasakan oleh subjek penelitian dengan physical activity sedang beraktivitas treadmill. Pada Gambar 3.3 digambarkan flowchart desain sistem yang dibuat.

Data heart rate diperoleh dari Polar H7 yang merupakan suatu perangkat berbentuk chest strap dengan elektroda ditempatkan pada dada subjek, memonitor denyut jantung subjek kemudian menampilkan ke monitor. Data HR kemudian dijadikan RR-Interval HRV dan dilakukan ekstraksi fitur power spektral atau frekuensi domain analisis HRV untuk mendapatkan parameter-parameter frekuensi domain yang digunakan pada proses pengklasifikasian stres dan influenza yang dirasakan oleh subjek penelitian. Proses klasifikasi menggunakan SVM Classifier dengan kernel RBF.

Pada penelitian ini digunakan software Matlab 2015 untuk pengolahan data heart rate time series menjadi sinyal rr-interval dan untuk analisis komponen spektral atau frekuensi domain HRV. Fitur-fitur frekuensi domain HRV yang diperoleh seperti nHF, nLF, dan rasio LF/HF digunakan sebagai parameter untuk klasifikasi level stres dan influenza subjek penelitian menggunakan SVM Classifier dengan RBF kernel menggunakan Matlab.

31

Data heart rate dari Polar H7 (file csv)

RR-Interval

Estimasi Power Spektrum dengan FFT

Frekuensi Domain HRV

Training

Ya

Pemodelan struktur training oleh SVM

Tidak

Model klasifikasi SVM

Klasifikasi dengan SVM Multiclass

Flu proses ?

Ya

Level flu 0-3

Tidak

Tidak

Stres proses

Level flu 4-10

Ya

Tidak Flu

Flu Tidak

Level 0-3

Level 4-10 Ya

Hasil Kondisi Flu

Tidak Stres

Stres

Hasil Kondisi Stres

Gambar 3.3 Flowchart diagram sistem. 32

3.4 Ekstraksi Fitur HRV Frekuensi Domain HRV merupakan variasi dari beat-to-beat denyut jantung dan digunakan sebagai suatu tools yang mendeskripsikan aktivitas ANS terkait dengan stres mental [1]. Analisis frekuensi domain melibatkan perhitungan power terkait dengan respirasi yang tergantung pada HF dan komponen LF dari HRV. Banyak penelitian telah menyelidiki kelainan pada fungsi ANS yang terkait dengan stres mental dengan memberikan pengaruh pada HRV sebagai parameternya. Stres mental dilaporkan membangkitkan penurunan dalam komponen frekuensi tinggi dan peningkatan komponen frekuensi rendah dari HRV.

Fitur frekuensi domain diperoleh dengan menghitung power spektral density (PSD) dari sinyal RR-interval menggunakan metode Fast Fourier Transform (FFT). Pengukuran dasarnya adalah power spektrum very low frequency (VLF), low frequency (LF) dan high frequency (HF). Pengukuran efisien yang berasal dari pengukuran dasar tersebut adalah normalized very low frequency spectrum (nVLF), normalized low frequency spectrum (nLF), normalized high frequency spectrum (nHF), LF/HF ratio sebagai indeks keseimbangan sympathovagal untuk klasifikasi stres dan influenza menggunakan SVM Classifier [1]. Parameter frekuensi domain yang digunakan dihitung menggunakan persamaan. 𝑛𝐿𝐹 =

𝐿𝐹 × 100 (𝑇𝑜𝑡𝑎𝑙 𝑃𝑜𝑤𝑒𝑟 − 𝑉𝐿𝐹)

𝑛𝐻𝐹 =

𝐻𝐹 × 100 (𝑇𝑜𝑡𝑎𝑙 𝑃𝑜𝑤𝑒𝑟 − 𝑉𝐿𝐹) 𝐿𝐹

𝐿𝐹

𝐻𝐹

𝑟𝑎𝑡𝑖𝑜 = 𝐻𝐹

3.4.1 Preproses RR-interval Data denyut jantung dimonitor menggunakan Polar H7 HRM, yang membuat rekaman dan menyimpan denyut jantung beat per beat. Dalam prosedur eksperimen, data denyut jantung dibuat saat subjek sedang melakukan physical activity berupa olahraga lari/jalan cepat menggunakan treadmill dengan kecepatan 2 km/jam dan 4 km/jam [9], yang bertujuan untuk mengevaluasi fungsi otonom 33

jantung berdasarkan variabilitas detak jantung pada domain frekuensi. Polar H7 merupakan suatu perangkat berbentuk chest strap dengan elektroda ditempatkan pada dada subjek, memonitor denyut jantung subjek kemudian menampilkan ke monitor.

Pada penelitian ini digunakan software Matlab 2015 untuk pengolahan data heart rate time series menjadi sinyal rr-interval dan untuk analisis komponen spektral atau frekuensi domain HRV. Contoh data heart rate dari device Polar H7 sebagai berikut.

Gambar 3.4 Contoh data heart rate time series. Data heart rate yang direkam menggunakan Polar H7 diubah menjadi sinyal rrinterval (RRI) menggunakan rumus;

60

𝑅𝑅𝐼 = 𝐻𝑅 ,

Berikut merupakan data rr-interval dari heart rate time series rekaman data Polar H7.

34

Gambar 3.5 Contoh data RR-interval. Preproses untuk data rr-interval: a. Data diubah menjadi miliseconds (ms) dengan rumus : 𝑌1 = 𝑋 ∗ 1000, dimana 𝑋 merupakan data rr-interval dalam detik.

Gambar 3.6 RR-interval dalam miliseconds.

35

b. Normalisasi data untuk menghilangkan data yang berlebihan dan memastikan dependensi data. Secara matematis, proses normalisasi RR interval menggunakan persamaan berikut. 𝐴 = 𝑚𝑒𝑎𝑛(𝑌1(: )); 𝐵 = (𝑌1() − 𝐴), dimana A adalah mean dari RR-interval series dan B adalah hasil normalisasi data.

Gambar 3.7 Hasil plot setelah proses normalisasi.

3.4.2 Estimasi Power Spektrum Menggunakan FFT a. Proses Hanning Window Proses pengolahan sinyal rr-interval menggunakan FFT membutuhkan windowing terhadap sinyal tersebut. Fungsi Hann Window biasanya digunakan pada pengolahan sinyal digital untuk memilih subset dari suatu set sampel sebelum diproses dengan FFT. Berikut merupakan fungsi windowing yang digunakan, 1

Hanning : 𝑊(𝑛) = 2 −

1 2

2𝜋

cos ( 𝑛 ),

kemudian vektor yang dihasilkan dikalikan elemen per elemennya dengan sinyal sampel sebelum proses FFT dilakukan. Representasi kodenya adalah sebagai berikut. 𝐻𝑎𝑛 = 𝐵(𝑖) ∗ 𝑤(𝑘) 36

Gambar 3.8 RR-interval time series dikalikan dengan Hanning Window. b. Frekuensi sampling Frekuensi sampling mendefinisikan jumlah sampel per detik yang diambil dari sinyal kontinyu untuk membuat sinyal diskrit. Untuk sinyal domain waktu, satuan untuk frekuensi sampling adalah 1/s. Notasi umum untuk frekuensi sampling adalah 𝑓𝑠. Menurut Teorema Nyquist, Nyquist rate adalah frekuensi sampling minimum yang diperlukan untuk menghindari aliasing sama dengan dua kali frekuensi tertinggi. Secara matematis,

𝐹𝑚𝑎𝑥 = 𝑓𝑠/2,

dengan 𝐹𝑚𝑎𝑥 = frekuensi tertinggi, dan 𝑓𝑠 = frekuensi sampling RR-interval.

c. FFT (Fast Fourier Transform) Pada Matlab, terdapat fungsi fft() yang mengkalkulasikan proses Fourier Transform (FT). FT berlaku untuk sinyal riil atau kompleks, dan secara umum adalah fungsi kompleks dari 𝜔 atau 𝑓. FT berlaku untuk sinyal waktu periodik dan non-periodik yang memenuhi kondisi minimum tertentu. Hampir semua sinyal dunia nyata dengan mudah memenuhi persyaratan ini. a) Fourier Transform didefinisikan untuk sinyal waktu kontinyu, dan b) untuk melakukan analisis frekuensi, sinyal waktu harus diperhatikan secara tidak terbatas.

37

Dengan kondisi tersebut, Fourier Transform didefinisikan sebagai perilaku hasil frekuensi sinyal waktu di setiap frekuensi, dengan resolusi frekuensi nol. Perhitungan bertahap dari Fast Fourier Transform adalah sebagai berikut. 𝐶 = 2^𝑛𝑒𝑥𝑡𝑝𝑜𝑤2(𝑁), dimana 𝑁 adalah panjang dari RR interval, 𝑛𝑒𝑥𝑡𝑝𝑜𝑤2 adalah power tertinggi berikutnya dari kelipatan kuadrat 2. Fungsi ini berguna untuk mengoptimalkan operasi FFT yang paling efisien ketika panjang suatu sekuen adalah kelipatan dari kuadrat dua. 𝑌 = 𝑓𝑓𝑡(ℎ𝑎𝑛𝑛, 𝐶)/𝑁 𝑍 = 𝑎𝑏𝑠(𝑌), dengan 𝑎𝑏𝑠 merupakan nilai absolut dari nilai-nilai yang diperoleh setelah menerapkan FFT. Plot menunjukkan variasi amplitudo terhadap frekuensi, amplitudo pada sumbu-y dan frekuensi pada sumbu-x, seperti terlihat pada Gambar 3.8.

Gambar 3.9 Hasil plot FFT data RR-interval.

d. Estimasi power spektrum dengan Power Spektral Density (PSD) Power spektral density (PSD), menjelaskan bagaimana kekuatan sinyal atau time series didistribusikan dengan frekuensi. PSD menunjukkan kekuatan variasi (energi) sebagai fungsi frekuensi yang menunjukkan di mana variasi frekuensi 38

kuat dan di mana variasi frekuensi lemah. Satuan PSD adalah energi per frekuensi dapat diperoleh energi dalam rentang frekuensi tertentu dengan mengintegrasikan PSD dalam rentang frekuensi. Perhitungan PSD dilakukan langsung dengan menggunakan metode yang disebut FFT atau komputasi fungsi autokorelasi dan kemudian ditransformasi. 𝑃𝑜𝑤𝑒𝑟 = 𝑍(: )^2

Gambar 3.10 Power Spektral Density yang diperoleh menggunakan Fourier Transform dari RR-interval time series.

Tabel 3.2 Representatif 300 RR-interval untuk menghitung power pada band frekuensi tertentu. X 0.714285714

Konversi ke ms 714.285714

Normalisasi 47.06159407

Hann Window 0.005126461

FFT 4.863386044

Power Magnitude 0.078841746

Frekuensi fs =1 0

0.714285714

714.285714

47.06159407

0.020503608

4.539725156

0.13739403

0.003333333

0.722891566

722.891566

55.66744607

0.05455928

3.386674386

0.076463756

0.006666667

0.714285714

714.285714

47.06159407

0.081978702

3.518752061

0.082544107

0.01

0.705882353

705.882353

38.65823307

0.105185162

4.547646245

0.137873909

0.013333333

0.689655172

689.655172

22.43105207

0.08785189

3.530965354

0.083118109

0.016666667

0.681818182

681.818182

14.59406207

0.077761774

1.600853653

0.017084883

0.02

0.666666667

666.666667

-0.55745293

-0.003877443

1.075889327

0.007716919

0.023333333

0.659340659

659.340659

-7.88346093

-0.069357104

0.744375482

0.003693966

0.026666667

39

0.652173913

652.173913

-15.05020693

-0.163354709

1.689547382

0.019030469

0.03

0.652173913

652.173913

-15.05020693

-0.197508411

3.527489887

0.082954566

0.033333333

0.638297872

638.297872

-28.92624793

-0.451387254

4.068082652

0.110328643

0.036666667

0.631578947

631.578947

-35.64517293

-0.652209963

3.189003968

0.067798309

0.04

0.625

625

-42.22411993

-0.895138677

2.109456092

0.029665367

0.043333333

0.612244898

612.244898

-54.97922193

-1.336585433

1.748429297

0.020380033

0.046666667

0.6

600

-67.22411993

-1.857338165

2.141628712

0.030577157

0.05

0.6

600

-67.22411993

-2.094244675

2.603612063

0.045191972

0.053333333

0.6

600

-67.22411993

-2.344884237

2.592779071

0.044816689

0.056666667

0.612244898

612.244898

-54.97922193

-2.133890446

2.36334394

0.037235964

0.06

0.618556701

618.556701

-48.66741893

-2.090007764

2.341149327

0.036539868

0.063333333

0.638297872

638.297872

-28.92624793

-1.367513862

2.186424869

0.031869691

0.066666667

0.64516129

645.16129

-22.06282993

-1.142949987

1.348410212

0.012121401

0.07

0.652173913

652.173913

-15.05020693

-0.850758937

0.575267677

0.002206219

0.073333333

0.652173913

652.173913

-15.05020693

-0.92476025

1.63117292

0.017738167

0.076666667

0.64516129

645.16129

-22.06282993

-1.468349082

1.910093425

0.024323046

0.08

0.638297872

638.297872

-28.92624793

-2.078350497

1.607468152

0.017226359

0.083333333

0.638297872

638.297872

-28.92624793

-2.236966706

1.374632838

0.012597436

0.086666667

0.631578947

631.578947

-35.64517293

-2.958588244

1.248317679

0.010388647

0.09

0.631578947

631.578947

-35.64517293

-3.167088688

0.943094132

0.00592951

0.093333333

0.625

625

-42.22411993

-4.006178146

0.492147839

0.00161473

0.096666667

0.625

625

-42.22411993

-4.268178816

0.300661516

0.000602649

0.1

0.618556701

618.556701

-48.66741893

-5.229933194

0.515573578

0.001772107

0.103333333

0.618556701

618.556701

-48.66741893

-5.548697729

0.921894933

0.005665935

0.106666667

0.612244898

612.244898

-54.97922193

-6.637675182

1.368314386

0.012481895

0.11

0.612244898

612.244898

-54.97922193

-7.016113404

1.640989986

0.017952321

0.113333333

0.606060606

606.060606

-61.16351393

-8.236245839

1.799954057

0.021598897

0.116666667

0.606060606

606.060606

-61.16351393

-8.676913063

2.11488321

0.029818207

0.12

0.606060606

606.060606

-61.16351393

-9.127124743

2.685383274

0.048075222

0.123333333

0.606060606

606.060606

-61.16351393

-9.58668471

3.304172124

0.072783689

0.126666667

0.606060606

606.060606

-61.16351393

-10.05539272

3.551214982

0.084074186

0.13

0.618556701

618.556701

-48.66741893

-8.381076545

3.031275231

0.06125753

0.133333333

0.625

625

-42.22411993

-7.607244776

1.691182358

0.019067318

0.136666667

0.64516129

645.16129

-22.06282993

-4.153440234

0.056513015

2.13E-05

0.14

0.652173913

652.173913

-15.05020693

-2.957102938

1.212480367

0.009800724

0.143333333

0.659340659

659.340659

-7.88346093

-1.614865777

1.511137847

0.015223584

0.146666667

0.674157303

674.157303

6.93318307

1.479059681

1.108447891

0.008191045

0.15

0.674157303

674.157303

6.93318307

1.538776642

0.616113031

0.002530635

0.153333333

0.674157303

674.157303

6.93318307

1.599333597

0.459485121

0.001407511

0.156666667

0.674157303

674.157303

6.93318307

1.66070416

0.398664948

0.001059558

0.16

0.681818182

681.818182

14.59406207

3.626552011

0.202073157

0.000272224

0.163333333

0.681818182

681.818182

14.59406207

3.758990132

0.055410345

2.05E-05

0.166666667

0.681818182

681.818182

14.59406207

3.892969862

0.155662482

0.000161539

0.17

40

0.689655172

689.655172

22.43105207

6.191695356

0.223248933

0.000332267

0.173333333

0.689655172

689.655172

22.43105207

6.402090727

0.237769379

0.000376895

0.176666667

0.681818182

681.818182

14.59406207

4.303571707

0.320350694

0.000684164

0.18

0.681818182

681.818182

14.59406207

4.443127752

0.49176142

0.001612195

0.183333333

0.681818182

681.818182

14.59406207

4.583927309

0.505689546

0.001704813

0.186666667

0.681818182

681.818182

14.59406207

4.725909029

0.303049834

0.000612261

0.19

0.681818182

681.818182

14.59406207

4.869011047

0.086067161

4.94E-05

0.193333333

0.681818182

681.818182

14.59406207

5.01317101

0.030958389

6.39E-06

0.196666667

0.681818182

681.818182

14.59406207

5.158326105

0.172992587

0.00019951

0.2

0.681818182

681.818182

14.59406207

5.304413084

0.320754857

0.000685891

0.203333333

0.674157303

674.157303

6.93318307

2.589774813

0.293728025

0.000575174

0.206666667

0.666666667

666.666667

-0.55745293

-0.213871239

0.249291751

0.000414309

0.21

0.659340659

659.340659

-7.88346093

-3.104769056

0.29879259

0.00059518

0.213333333

0.659340659

659.340659

-7.88346093

-3.185350463

0.289513869

0.000558789

0.216666667

0.666666667

666.666667

-0.55745293

-0.230962902

0.227470931

0.000344953

0.22

0.674157303

674.157303

6.93318307

2.943960771

0.162354103

0.000175726

0.223333333

0.681818182

681.818182

14.59406207

6.347723654

0.284966151

0.000541371

0.226666667

0.697674419

697.674419

30.45029907

13.55995653

0.355439517

0.000842248

0.23

0.697674419

697.674419

30.45029907

13.87620519

0.289391555

0.000558316

0.233333333

0.697674419

697.674419

30.45029907

14.19304162

0.173801455

0.00020138

0.236666667

0.697674419

697.674419

30.45029907

14.51032776

0.047164677

1.48E-05

0.24

0.689655172

689.655172

22.43105207

10.92291294

0.133415718

0.000118665

0.243333333

0.681818182

681.818182

14.59406207

7.258950977

0.30795143

0.000632227

0.246666667

0.674157303

674.157303

6.93318307

3.520861503

0.394612634

0.001038128

0.25

0.674157303

674.157303

6.93318307

3.593198471

0.357506462

0.000852072

0.253333333

0.666666667

666.666667

-0.55745293

-0.294717837

0.249218963

0.000414067

0.256666667

0.666666667

666.666667

-0.55745293

-0.300522587

0.158846339

0.000168214

0.26

0.666666667

666.666667

-0.55745293

-0.30631784

0.12019158

9.63E-05

0.263333333

0.674157303

674.157303

6.93318307

3.88167994

0.069683824

3.24E-05

0.266666667

0.674157303

674.157303

6.93318307

3.953426577

0.016761876

1.87E-06

0.27

0.674157303

674.157303

6.93318307

4.024961088

0.113544658

8.59E-05

0.273333333

0.674157303

674.157303

6.93318307

4.096252305

0.202945514

0.000274579

0.276666667

0.674157303

674.157303

6.93318307

4.167269164

0.259303135

0.000448254

0.28

0.674157303

674.157303

6.93318307

4.237980721

0.251935023

0.000423142

0.283333333

0.666666667

666.666667

-0.55745293

-0.346407378

0.177646335

0.000210388

0.286666667

0.659340659

659.340659

-7.88346093

-4.978473489

0.06960968

3.23E-05

0.29

0.652173913

652.173913

-15.05020693

-9.655444241

0.040669024

1.10E-05

0.293333333

0.652173913

652.173913

-15.05020693

-9.805624918

0.115081772

8.83E-05

0.296666667

0.659340659

659.340659

-7.88346093

-5.214437993

0.116648829

9.07E-05

0.3

0.659340659

659.340659

-7.88346093

-5.292029206

0.036814284

9.04E-06

0.303333333

0.659340659

659.340659

-7.88346093

-5.369032063

0.075606467

3.81E-05

0.306666667

0.674157303

674.157303

6.93318307

4.789019141

0.150051809

0.000150104

0.31

0.681818182

681.818182

14.59406207

10.22087159

0.169478381

0.000191486

0.313333333

41

0.689655172

689.655172

22.43105207

15.92297139

0.188569832

0.000237057

0.316666667

0.697674419

697.674419

30.45029907

21.90258951

0.217353001

0.000314949

0.32

0.697674419

697.674419

30.45029907

22.18673228

0.1889773

0.000238083

0.323333333

0.681818182

681.818182

14.59406207

10.76827114

0.096603425

6.22E-05

0.326666667

0.681818182

681.818182

14.59406207

10.90148732

0.080035701

4.27E-05

0.33

0.674157303

674.157303

6.93318307

5.241496868

0.152637554

0.000155321

0.333333333

0.674157303

674.157303

6.93318307

5.303264229

0.180756569

0.00021782

0.336666667

0.666666667

666.666667

-0.55745293

-0.431303549

0.172229011

0.000197752

0.34

0.666666667

666.666667

-0.55745293

-0.43613904

0.15280711

0.000155667

0.343333333

0.681818182

681.818182

14.59406207

11.5428736

0.123377849

0.000101481

0.346666667

0.689655172

689.655172

22.43105207

17.93034927

0.098459082

6.46E-05

0.35

0.689655172

689.655172

22.43105207

18.11639289

0.113496892

8.59E-05

0.353333333

0.681818182

681.818182

14.59406207

11.90595123

0.133148542

0.00011819

0.356666667

0.674157303

674.157303

6.93318307

5.711766105

0.121453528

9.83E-05

0.36

0.681818182

681.818182

14.59406207

12.13804984

0.072342816

3.49E-05

0.363333333

0.674157303

674.157303

6.93318307

5.820048544

0.027920162

5.20E-06

0.366666667

0.674157303

674.157303

6.93318307

5.872663265

0.080093377

4.28E-05

0.37

0.674157303

674.157303

6.93318307

5.924229604

0.119333477

9.49E-05

0.373333333

0.666666667

666.666667

-0.55745293

-0.480389451

0.14263325

0.000135628

0.376666667

0.666666667

666.666667

-0.55745293

-0.484361601

0.16622757

0.000184211

0.38

0.666666667

666.666667

-0.55745293

-0.488244151

0.177617844

0.000210321

0.383333333

0.674157303

674.157303

6.93318307

6.119568822

0.164423678

0.000180234

0.386666667

0.697674419

697.674419

30.45029907

27.07895024

0.134149746

0.000119974

0.39

0.705882353

705.882353

38.65823307

34.6280444

0.115103187

8.83E-05

0.393333333

0.714285714

714.285714

47.06159407

42.45146364

0.127965482

0.000109168

0.396666667

0.714285714

714.285714

47.06159407

42.73934284

0.145447492

0.000141033

0.4

0.714285714

714.285714

47.06159407

43.01885243

0.142967967

0.000136266

0.403333333

0.697674419

697.674419

30.45029907

28.00987797

0.111788396

8.33E-05

0.406666667

0.689655172

689.655172

22.43105207

20.75840107

0.053616208

1.92E-05

0.41

0.674157303

674.157303

6.93318307

6.453558897

0.039424052

1.04E-05

0.413333333

0.652173913

652.173913

-15.05020693

-14.08736549

0.109301033

7.96E-05

0.416666667

0.64516129

645.16129

-22.06282993

-20.76194998

0.138079758

0.000127107

0.42

0.631578947

631.578947

-35.64517293

-33.71527535

0.101100858

6.81E-05

0.423333333

0.618556701

618.556701

-48.66741893

-46.25762413

0.089551479

5.35E-05

0.426666667

0.618556701

618.556701

-48.66741893

-46.47322336

0.179427444

0.000214628

0.43

0.625

625

-42.22411993

-40.49910934

0.213448483

0.000303735

0.433333333

0.631578947

631.578947

-35.64517293

-34.33264983

0.162819549

0.000176735

0.436666667

0.638297872

638.297872

-28.92624793

-27.97191473

0.106948842

7.63E-05

0.44

0.64516129

645.16129

-22.06282993

-21.41494445

0.107486991

7.70E-05

0.443333333

0.652173913

652.173913

-15.05020693

-14.6597433

0.130981856

0.000114375

0.446666667

0.652173913

652.173913

-15.05020693

-14.70812742

0.17040506

0.000193586

0.45

0.64516129

645.16129

-22.06282993

-21.62769942

0.226637099

0.000342429

0.453333333

0.638297872

638.297872

-28.92624793

-28.43667947

0.248058021

0.000410219

0.456666667

42

0.631578947

631.578947

-35.64517293

-35.13410741

0.182827984

0.00022284

0.46

0.631578947

631.578947

-35.64517293

-35.21878319

0.067854567

3.07E-05

0.463333333

0.631578947

631.578947

-35.64517293

-35.29587904

0.040998309

1.12E-05

0.466666667

0.638297872

638.297872

-28.92624793

-28.69917936

0.065801634

2.89E-05

0.47

0.652173913

652.173913

-15.05020693

-14.95817373

0.08739477

5.09E-05

0.473333333

0.659340659

659.340659

-7.88346093

-7.84723296

0.138916517

0.000128652

0.476666667

0.681818182

681.818182

14.59406207

14.54602337

0.179315557

0.00021436

0.48

0.689655172

689.655172

22.43105207

22.38160711

0.17734911

0.000209685

0.483333333

0.697674419

697.674419

30.45029907

30.40968269

0.184113851

0.000225986

0.486666667

0.697674419

697.674419

30.45029907

30.42957191

0.218099163

0.000317115

0.49

0.705882353

705.882353

38.65823307

38.64875858

0.196876458

0.000258402

0.493333333

0.705882353

705.882353

38.65823307

38.65718027

0.09718244

6.30E-05

0.496666667

0.697674419

697.674419

30.45029907

30.4494698

0.058817855

2.31E-05

0.5

0.689655172

689.655172

22.43105207

22.42555459

0.148820529

0.00014765

0.503333333

0.681818182

681.818182

14.59406207

14.58412806

0.161300941

0.000173453

0.506666667

0.674157303

674.157303

6.93318307

6.923935187

0.102319258

6.98E-05

0.51

0.666666667

666.666667

-0.55745293

-0.556224132

0.046401305

1.44E-05

0.513333333

0.659340659

659.340659

-7.88346093

-7.857511253

0.063690266

2.70E-05

0.516666667

0.659340659

659.340659

-7.88346093

-7.84723296

0.088185269

5.18E-05

0.52

0.674157303

674.157303

6.93318307

6.890786111

0.124907792

0.000104013

0.523333333

0.674157303

674.157303

6.93318307

6.878758175

0.135242759

0.000121937

0.526666667

0.689655172

689.655172

22.43105207

22.21124589

0.112938046

8.50E-05

0.53

0.697674419

697.674419

30.45029907

30.08605073

0.111258962

8.25E-05

0.533333333

0.697674419

697.674419

30.45029907

30.01371547

0.117708331

9.24E-05

0.536666667

0.689655172

689.655172

22.43105207

22.05141294

0.103697793

7.17E-05

0.54

0.681818182

681.818182

14.59406207

14.3062331

0.092611532

5.72E-05

0.543333333

0.674157303

674.157303

6.93318307

6.775597204

0.119865632

9.58E-05

0.546666667

0.659340659

659.340659

-7.88346093

-7.678931865

0.166664007

0.000185179

0.55

0.652173913

652.173913

-15.05020693

-14.60825046

0.19450983

0.000252227

0.553333333

0.638297872

638.297872

-28.92624793

-27.97191473

0.194399381

0.000251941

0.556666667

0.625

625

-42.22411993

-40.66934749

0.182100662

0.000221071

0.56

0.625

625

-42.22411993

-40.49910934

0.169782569

0.000192174

0.563333333

0.631578947

631.578947

-35.64517293

-34.03809201

0.152410269

0.000154859

0.566666667

0.638297872

638.297872

-28.92624793

-27.49394839

0.135754927

0.000122863

0.57

0.652173913

652.173913

-15.05020693

-14.23536005

0.11711681

9.14E-05

0.573333333

0.666666667

666.666667

-0.55745293

-0.524584103

0.063961872

2.73E-05

0.576666667

0.666666667

666.666667

-0.55745293

-0.521789714

0.034155041

7.78E-06

0.58

0.681818182

681.818182

14.59406207

13.58447313

0.089154481

5.30E-05

0.583333333

0.697674419

697.674419

30.45029907

28.17966446

0.108850465

7.90E-05

0.586666667

0.697674419

697.674419

30.45029907

28.00987797

0.1220786

9.94E-05

0.59

0.697674419

697.674419

30.45029907

27.83452087

0.131084931

0.000114555

0.593333333

0.697674419

697.674419

30.45029907

27.65366956

0.120742255

9.72E-05

0.596666667

0.689655172

689.655172

22.43105207

20.23371733

0.096119191

6.16E-05

0.6

43

0.681818182

681.818182

14.59406207

13.07260548

0.061559998

2.53E-05

0.603333333

0.666666667

666.666667

-0.55745293

-0.495733724

0.037204557

9.23E-06

0.606666667

0.666666667

666.666667

-0.55745293

-0.492035409

0.069775079

3.25E-05

0.61

0.674157303

674.157303

6.93318307

6.072415984

0.105532973

7.42E-05

0.613333333

0.674157303

674.157303

6.93318307

6.024127727

0.122339909

9.98E-05

0.616666667

0.689655172

689.655172

22.43105207

19.33013571

0.139772687

0.000130243

0.62

0.697674419

697.674419

30.45029907

26.01901051

0.164523496

0.000180453

0.623333333

0.697674419

697.674419

30.45029907

25.79253295

0.158846488

0.000168215

0.626666667

0.697674419

697.674419

30.45029907

25.56145092

0.087616327

5.12E-05

0.63

0.697674419

697.674419

30.45029907

25.32586513

0.058673518

2.30E-05

0.633333333

0.697674419

697.674419

30.45029907

25.08587821

0.162391923

0.000175808

0.636666667

0.689655172

689.655172

22.43105207

18.29942964

0.197438396

0.000259879

0.64

0.674157303

674.157303

6.93318307

5.599570992

0.153216609

0.000156502

0.643333333

0.674157303

674.157303

6.93318307

5.542067026

0.079239522

4.19E-05

0.646666667

0.681818182

681.818182

14.59406207

11.5428736

0.025246668

4.25E-06

0.65

0.681818182

681.818182

14.59406207

11.41807654

0.013469421

1.21E-06

0.653333333

0.697674419

697.674419

30.45029907

23.55951747

0.021758019

3.16E-06

0.656666667

0.722891566

722.891566

55.66744607

42.5806116

0.009857526

6.48E-07

0.66

0.731707317

731.707317

64.48319707

48.74939433

0.055279212

2.04E-05

0.663333333

0.740740741

740.740741

73.51662107

54.91552035

0.108136852

7.80E-05

0.666666667

0.75

750

82.77588007

61.07642384

0.121126093

9.78E-05

0.67

0.75

750

82.77588007

60.31225789

0.08438286

4.75E-05

0.673333333

0.740740741

740.740741

73.51662107

52.87975563

0.079484786

4.21E-05

0.676666667

0.731707317

731.707317

64.48319707

45.77422847

0.147610212

0.000145258

0.68

0.722891566

722.891566

55.66744607

38.98639155

0.201970969

0.000271948

0.683333333

0.714285714

714.285714

47.06159407

32.507273

0.20303428

0.000274819

0.686666667

0.714285714

714.285714

47.06159407

32.05130459

0.146567095

0.000143213

0.69

0.714285714

714.285714

47.06159407

31.59162359

0.083114483

4.61E-05

0.693333333

0.714285714

714.285714

47.06159407

31.12843031

0.056546162

2.13E-05

0.696666667

0.714285714

714.285714

47.06159407

30.66192655

0.037532857

9.39E-06

0.7

0.722891566

722.891566

55.66744607

35.71339079

0.017298292

1.99E-06

0.703333333

0.722891566

722.891566

55.66744607

35.15447173

0.041150796

1.13E-05

0.706666667

0.722891566

722.891566

55.66744607

34.59236286

0.088443687

5.21E-05

0.71

0.722891566

722.891566

55.66744607

34.02730908

0.104519958

7.28E-05

0.713333333

0.714285714

714.285714

47.06159407

28.28691061

0.100561435

6.74E-05

0.716666667

0.705882353

705.882353

38.65823307

22.83999639

0.092675251

5.73E-05

0.72

0.681818182

681.818182

14.59406207

8.472375727

0.065090612

2.82E-05

0.723333333

0.681818182

681.818182

14.59406207

8.321798554

0.022488483

3.37E-06

0.726666667

0.674157303

674.157303

6.93318307

3.88167994

0.030467973

6.19E-06

0.73

0.674157303

674.157303

6.93318307

3.809752439

0.055120657

2.03E-05

0.733333333

0.681818182

681.818182

14.59406207

7.86765133

0.055488339

2.05E-05

0.736666667

0.689655172

689.655172

22.43105207

11.85899435

0.042672971

1.21E-05

0.74

0.689655172

689.655172

22.43105207

11.62513974

0.041234746

1.13E-05

0.743333333

44

0.697674419

697.674419

30.45029907

15.46350135

0.028367712

5.36E-06

0.746666667

0.697674419

697.674419

30.45029907

15.14569605

0.04818537

1.55E-05

0.75

0.697674419

697.674419

30.45029907

14.82792536

0.124712875

0.000103689

0.753333333

0.697674419

697.674419

30.45029907

14.51032776

0.177463175

0.000209955

0.756666667

0.689655172

689.655172

22.43105207

10.45522919

0.176615225

0.000207953

0.76

0.681818182

681.818182

14.59406207

6.650515957

0.135930542

0.000123181

0.763333333

0.666666667

666.666667

-0.55745293

-0.248241815

0.09443816

5.95E-05

0.766666667

0.666666667

666.666667

-0.55745293

-0.242465541

0.080007052

4.27E-05

0.77

0.674157303

674.157303

6.93318307

2.943960771

0.095169278

6.04E-05

0.773333333

0.674157303

674.157303

6.93318307

2.872544017

0.116047176

8.98E-05

0.776666667

0.681818182

681.818182

14.59406207

5.896801263

0.10963767

8.01E-05

0.78

0.681818182

681.818182

14.59406207

5.747626926

0.074954609

3.75E-05

0.783333333

0.689655172

689.655172

22.43105207

8.605851094

0.066916536

2.99E-05

0.786666667

0.689655172

689.655172

22.43105207

8.3787451

0.086504353

4.99E-05

0.79

0.689655172

689.655172

22.43105207

8.152875158

0.077701089

4.02E-05

0.793333333

0.689655172

689.655172

22.43105207

7.928339684

0.04805452

1.54E-05

0.796666667

0.681818182

681.818182

14.59406207

5.01317101

0.05463714

1.99E-05

0.8

0.674157303

674.157303

6.93318307

2.313115073

0.081593646

4.44E-05

0.803333333

0.674157303

674.157303

6.93318307

2.245131774

0.083786763

4.68E-05

0.806666667

0.681818182

681.818182

14.59406207

4.583927309

0.058411194

2.27E-05

0.81

0.689655172

689.655172

22.43105207

6.82908086

0.044015841

1.29E-05

0.813333333

0.689655172

689.655172

22.43105207

6.614583424

0.073497253

3.60E-05

0.816666667

0.697674419

697.674419

30.45029907

8.690879799

0.090850954

5.50E-05

0.82

0.697674419

697.674419

30.45029907

8.405266715

0.096591641

6.22E-05

0.823333333

0.697674419

697.674419

30.45029907

8.122625215

0.099587452

6.61E-05

0.826666667

0.689655172

689.655172

22.43105207

5.777562339

0.094332168

5.93E-05

0.83

0.689655172

689.655172

22.43105207

5.57400514

0.086039703

4.94E-05

0.833333333

0.689655172

689.655172

22.43105207

5.372906084

0.066074905

2.91E-05

0.836666667

0.681818182

681.818182

14.59406207

3.366530719

0.025515021

4.34E-06

0.84

0.681818182

681.818182

14.59406207

3.239060846

0.07402136

3.65E-05

0.843333333

0.689655172

689.655172

22.43105207

4.785228426

0.101932937

6.93E-05

0.846666667

0.681818182

681.818182

14.59406207

2.98948033

0.066092881

2.91E-05

0.85

0.674157303

674.157303

6.93318307

1.362249444

0.009554014

6.09E-07

0.853333333

0.666666667

666.666667

-0.55745293

-0.104943357

0.066092881

2.91E-05

0.856666667

0.659340659

659.340659

-7.88346093

-1.420311828

0.101932937

6.93E-05

0.86

0.659340659

659.340659

-7.88346093

-1.35762058

0.07402136

3.65E-05

0.863333333

0.659340659

659.340659

-7.88346093

-1.296055288

0.025515021

4.34E-06

0.866666667

0.659340659

659.340659

-7.88346093

-1.23564278

0.066074905

2.91E-05

0.87

0.659340659

659.340659

-7.88346093

-1.176409377

0.086039703

4.94E-05

0.873333333

0.652173913

652.173913

-15.05020693

-2.135085588

0.094332168

5.93E-05

0.876666667

0.64516129

645.16129

-22.06282993

-2.970968794

0.099587452

6.61E-05

0.88

0.64516129

645.16129

-22.06282993

-2.815523963

0.096591641

6.22E-05

0.883333333

0.652173913

652.173913

-15.05020693

-1.817020713

0.090850954

5.50E-05

0.886666667

45

0.652173913

652.173913

-15.05020693

-1.71591284

0.073497253

3.60E-05

0.89

0.666666667

666.666667

-0.55745293

-0.059905408

0.044015841

1.29E-05

0.893333333

0.674157303

674.157303

6.93318307

0.7008332

0.058411194

2.27E-05

0.896666667

0.674157303

674.157303

6.93318307

0.657812799

0.083786763

4.68E-05

0.9

0.666666667

666.666667

-0.55745293

-0.049529929

0.081593646

4.44E-05

0.903333333

0.659340659

659.340659

-7.88346093

-0.654335858

0.05463714

1.99E-05

0.906666667

0.652173913

652.173913

-15.05020693

-1.163884507

0.04805452

1.54E-05

0.91

0.64516129

645.16129

-22.06282993

-1.585214013

0.077701089

4.02E-05

0.913333333

0.631578947

631.578947

-35.64517293

-2.372295716

0.086504353

4.99E-05

0.916666667

0.625

625

-42.22411993

-2.594461849

0.066916536

2.99E-05

0.92

0.618556701

618.556701

-48.66741893

-2.751074574

0.074954609

3.75E-05

0.923333333

0.612244898

612.244898

-54.97922193

-2.848161418

0.10963767

8.01E-05

0.926666667

0.606060606

606.060606

-61.16351393

-2.891559022

0.116047176

8.98E-05

0.93

0.606060606

606.060606

-61.16351393

-2.62664883

0.095169278

6.04E-05

0.933333333

0.6

600

-67.22411993

-2.609147642

0.080007052

4.27E-05

0.936666667

0.6

600

-67.22411993

-2.344884237

0.09443816

5.95E-05

0.94

0.594059406

594.059406

-73.16471393

-2.279313031

0.135930542

0.000123181

0.943333333

0.594059406

594.059406

-73.16471393

-2.021471098

0.176615225

0.000207953

0.946666667

0.6

600

-67.22411993

-1.634267934

0.177463175

0.000209955

0.95

0.6

600

-67.22411993

-1.425131178

0.124712875

0.000103689

0.953333333

0.606060606

606.060606

-61.16351393

-1.119126375

0.04818537

1.55E-05

0.956666667

0.606060606

606.060606

-61.16351393

-0.954442162

0.028367712

5.36E-06

0.96

0.612244898

612.244898

-54.97922193

-0.721508934

0.041234746

1.13E-05

0.963333333

0.612244898

612.244898

-54.97922193

-0.59674361

0.042672971

1.21E-05

0.966666667

0.612244898

612.244898

-54.97922193

-0.48369614

0.055488339

2.05E-05

0.97

0.612244898

612.244898

-54.97922193

-0.382415782

0.055120657

2.03E-05

0.973333333

0.612244898

612.244898

-54.97922193

-0.292946666

0.030467973

6.19E-06

0.976666667

0.606060606

606.060606

-61.16351393

-0.23954874

0.022488483

3.37E-06

0.98

0.6

600

-67.22411993

-0.182910065

0.065090612

2.82E-05

0.983333333

0.606060606

606.060606

-61.16351393

-0.106543469

0.092675251

5.73E-05

0.986666667

0.612244898

612.244898

-54.97922193

-0.053884756

0.100561435

6.74E-05

0.99

0.612244898

612.244898

-54.97922193

-0.023953129

0.104519958

7.28E-05

0.993333333

0.625

625

-42.22411993

-0.00459951

0.088443687

5.21E-05

0.996666667

dari perhitungan di atas, nilai power dapat dihitung sebagai berikut. VLF = 0.826001665 ms2, LF = 0.856607167 ms2, dan HF = 0.0335731 ms2 sebagai jumlah dari power pada masing-masing band frekuensi. Nilai-nilai ini dijadikan sebagai parameter – parameter sebagai pengklasifikasi untuk SVM Classifier yang mengklasifikasikan level stres berdasarkan physical activity yang dilakukan oleh subjek penelitian. 46

3.5 Klasifikasi dengan Multiclass SVM Classifier Klasifikasi dengan menggunakan SVM multiclass, tujuannya mengklasifikasikan subjek dengan kondisi flu dan stres atau tidak (kondisi normal). Parameter yang digunakan yaitu hasil ekstraksi fitur frekuensi domain, seperti LF/HF ratio, nLF, dan nHF. Flowchart diagram desain sistem digambarkan pada Gambar 3.11.

Estimasi Power Spektrum dengan FFT

Frekuensi Domain HRV

LF/HF ratio, nLF, dan nHF

Training

Ya

Pemodelan struktur training oleh SVM

Tidak

Model klasifikasi SVM

Klasifikasi dengan SVM Multiclass

Flu proses ?

Tidak

Ya

Level flu 0-3

Tidak

Tidak

Stres proses

Level flu 4-10

Ya

Tidak Flu

Flu

Level stres 0-3

Level 4-10 Ya

Stres

Hasil Kondisi Flu

Tidak Stres

Hasil Kondisi Stres

Gambar 3.11 Flowchart diagram sistem klasifikasi dengan SVM. 47

Berdasarkan klasifikasi ini akan dianalisis bagaimana kaitan antara aktivitas treadmill yang dilakukan oleh subjek penelitian dengan level stres mental dan influenza yang dirasakan (self-assessment). Pengklasifikasi SVM dibuat dengan menggunakan SVM RBF kernel untuk membedakan kelinieran data dari ekstraksi frekuensi domain HRV.

Melalui tahap pelatihan menggunakan data latih untuk memperoleh model klasifikasi SVM. Diagram flowchart tahap pelatihan (training) dengan SVM sebagai berikut.

Mulai

Data latih frekuensi domain HRV

Mencari nilai x dari support vector, mencari nilai w, dan mencari nilai b Model klasifikasi SVM Selesai

Gambar 3.12 Tahap pelatihan (training) dengan SVM.

Pengklasifikasi SVM dibuat dengan menggunakan SVM RBF kernel untuk membedakan kelinieran data menggunakan frekuensi domain HRV. diagram flowchart proses untuk data uji pengklasifikasi SVM adalah sebagi berikut.

48

Mulai Model klasifikasi SVM

Data Uji

Menghitung f(x) = (w.x) + b

Model klasifikasi SVM

Hasill klasifikasi level stres dan flu

Selesai

Gambar 3.13 Tahap pengujian menggunakan data uji dengan SVM.

Berikut merupakan antar muka yang dirancang untuk proses klasifikasi menggunakan SVM.

Gambar 3.14 Antarmuka pengklasifikasi SVM. 49

Gambar 3.15 Antarmuka proses training dengan pengklasifikasi SVM.

50

Gambar 3.16 Antarmuka proses pengujian dengan data uji.

Gambar 3.17 Antarmuka hasil frekuensi domain data input training.

51

Gambar 3.18 Antarmuka plot power spektrum.

52

Bab IV Hasil dan Analisis 4.1 Hasil Power Spektrum Frekuensi Domain HRV dengan Physical Activity dan Stres Stres psikologis dan aktivitas fisik (physical activity) diyakini memiliki keterkaitan timbal balik. Namun, sebagian besar penelitian yang meneliti hubungan antara konstruksi ini dikhususkan untuk mempelajari latihan dan atau PA sebagai instrumen untuk mengurangi stres mental [12]. Pada penelitian ini, diperoleh hasil power spektrum yang bervariasi nilainya per masing-masing subjek dan masingmasing level stres mental. Beberapa plot hasil estimasi power spektrum HRV frekuensi domain dari rr-interval subjek penelitian pada saat melakukan aktivitas fisik digambarkan pada Gambar 4.1 dan seterusnya.

Pada [20] disebutkan rasio LF/HF secara umum diterima menjadi cerminan dari kesimbangan sympathovagal. Namun, analisis spektral pasien selama melakukan physical activity menunjukkan bahwa HRV tidak menunjukkan rasio LF/HF yang diharapkan, rasio LF/HF konsisten pada saat aktivitas simpatetik selama berolahraga sebagai bentuk dari physical activity dan dorongan parasimpatetik selama pemulihan. Studi analisis spektral awal, data HRV selama physical activity menunjukkan HF menurun selama beraktivitas olahraga. Suatu studi kuantitas power HF dan LF pada unit normalisasi yang memungkinkan apresiasi yang lebih baik pada pecahan distribusi energi HRV. Power HF normalisasi (nHF), umumnya diduga menjadi indikator aktivitas vagal, diharapkan berkurang selama melakukan physical activity. Sebaliknya, nilai power HF normalisasi ini, meningkat secara bertahap selama melakukan physical activity, sedangkan power LF normalisasi (nLF), yang dianggap mencerminkan aktivitas simpatetik, menurun selama melakukan physical activity di kebanyakan studi [20]. Di bawah ini, dijabarkan hasil dari penelitian yang telah dilakukan yaitu hasil power spektrum dan level stres mental saat melakukan physical activity.

53

Hasil plot estimasi power spektrum dengan kondisi level stres 2 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.1 (a) dan (b) merupakan hasil plot estimasi PSD level stres 2 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 2 dengan kecepatan treadmill 4 km/jam .

(a)

(b)

(c)

(d)

Gambar 4.1 Hasil plot estimasi PSD dengan level stres 2

Tabel 4.1 Hasil frekuensi domain dengan physical activity dan level stres 2. Level stres Kecepatan VLF 2 2 km/jam 0.41847 2 2 km/jam 2.1303 2 4 km/jam 1.3113 2 4 km/jam 0.28477

LF 0.76494 0.53074 0.14914 0.12871

HF 0.068618 0.039455 0.010863 0.0057151

Rasio LF/HF 11.1478 13.4518 13.7284 22.5206

nLF nHF 61.0961 5.4805 19.6534 1.461 10.1365 0.73836 30.7037 1.3634

Dari hasil Tabel 4.1 terlihat adanya peningkatan terhadap rasio LF/HF pada masingmasing physical activity pada kecepatan treadmill yang sama dan pada kondisi peningkatan kecepatan treadmill. Hal ini menunjukkan peningkatan keseimbangan sympathovagal yang konsisten dengan bertambahnya beban physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini berkurang selama melakukan physical activity dengan kecepatan treadmill dari 2 km/jam yang menunjukkan nHF berkurang selama melakukan physical activity 54

pada kecepatan 2 km/jam. Namun, nHF mengalami kenaikan pada kecepatan treadmil 4 km/jam. Hal ini tidak menunjukkan nHF berkurang selama melakukan physical activity pada kecepatan 4 km/jam. Power LF normalisasi (nLF) mengalami penurunan dari physical activity dengan kecepatan treadmill 2 km/jam menjadi 4 km/jam namun kemudian kembali meningkat pada 5 menit terakhir subjek beraktivitas treadmill.

Hasil plot estimasi power spektrum dengan kondisi level stres 3 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.2 (a) dan (b) merupakan hasil plot estimasi PSD level stres 3 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 3 dengan kecepatan treadmill 4 km/jam.

(a)

(b)

(c)

(d)

Gambar 4.2 Hasil plot estimasi PSD dengan level stres 3.

Tabel 4.2 Hasil frekuensi domain dengan physical activity dan level stres 3. Level stres Kecepatan VLF LF HF 3 2 km/jam 0.63121 0.89569 0.033823 3 2 km/jam 1.0381 0.26319 0.023566 3 4 km/jam 0.14457 0.13857 0.015466 3 4 km/jam 1.3088 0.18246 0.019544

55

Rasio LF/HF 26.4819 11.168 8.9597 9.3358

nLF 57.3895 19.8651 46.4044 12.077

nHF 2.1671 1.7787 5.1793 1.2936

Dari hasil Tabel 4.2 tergambar terjadi penurunan rasio LF/HF pada saat aktivitas simpatetik selama melakukan physical activity kecepatan treadmill 2 km/jam, dan mengalami kenaikan pada kecepatan treadmill 4 km/jam. Hal ini mencerminkan keseimbangan sympathovagal dengan rasio LF/HF yang tidak konsisten pada saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini berkurang selama melakukan physical activity pada kecepatan treadmill yang sama. Hal ini menunjukkan nHF berkurang selama melakukan physical activity. Power LF normalisasi (nLF) mengalami penurunan dari physical activity pada kecepatan treadmill yang sama, namun terjadi peningkatan pada perubahan kecepatan treadmill dari 2 km/jam menjadi 4 km/jam. Hal ini mencerminkan aktivitas simpatetik yang menurun selama melakukan physical activity.

Hasil plot estimasi power spektrum dengan kondisi level stres 4 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.3 (a) dan (b) merupakan hasil plot estimasi PSD level stres 4 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 4 dengan kecepatan treadmill 4 km/jam.

(a)

(b)

(c)

(d)

Gambar 4.3 Hasil plot estimasi PSD dengan level stres 4

56

Tabel 4.3 Hasil frekuensi domain dengan physical activity dan level stres 4. Level stres kecepatan VLF LF 4 2 km/jam 2.477 0.48555 4 2 km/jam 0.87166 0.46693 4 4 km/jam 0.89564 0.11296 4 4 km/jam 1.0894 0.3564

HF 0.076226 0.033459 0.018117 0.025318

Rasio LF/HF 6.3698 13.9554 6.2348 14.0767

nLF 15.9785 34.0318 11.0016 24.227

nHF 2.5085 2.4386 1.7646 1.7211

Dari hasil Tabel 4.3 di atas terjadi peningkatan terhadap rasio LF/HF dengan physical activity pada kecepatan treadmill yang sama, namun mengalami penurunan pada saat perubahan kecepatan dari 2 km/jam menjadi 4 km/jam. Hal ini mencerminkan keseimbangan sympathovagal dengan rasio LF/HF yang konsisten pada saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini terjadi penurunan nHF dengan physical activity pada kecepatan treadmil yang sama. Hal ini menunjukkan nHF berkurang selama melakukan physical activity. Power LF normalisasi (nLF) mengalami kenaikan dari physical activity dengan kecepatan treadmill yang sama, namun terjadi penurunan pada perubahan kecepatan treadmill dari 2 km/jam menjadi 4 km/jam tetapi setelah itu menunjukkan kenaikan kembali pada kecepatan treadmill yang sama yaitu pada 4 km/jam. Hal ini tidak mencerminkan aktivitas simpatetik yang tergambar pada nLF yang menurun selama melakukan physical activity.

Hasil plot estimasi power spektrum dengan kondisi level stres 5 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.4 (a) dan (b) merupakan hasil plot estimasi PSD level stres 5 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 5 dengan kecepatan treadmill 4 km/jam.

(a)

(b) 57

(c)

(d)

Gambar 4.4 Hasil plot estimasi PSD dengan level stres 5.

Tabel 4.4 Hasil frekuensi domain dengan physical activity dan level stres 5. Level Rasio stres Kecepatan VLF LF HF LF/HF 5 2 km/jam 1.2278 0.72411 0.038308 18.9023 5 2 km/jam 1.0918 0.54027 0.035224 15.3382 5 4 km/jam 0.86014 0.06787 0.0083077 8.1696 5 4 km/jam 0.79775 0.093852 0.0073505 12.7681

nLF 36.3828 32.4044 7.2487 10.4402

nHF 1.9248 2.1127 0.88728 0.81768

Dari hasil Tabel 4.4 di atas terjadi peningkatan terhadap rasio LF/HF dengan physical activity pada kecepatan treadmill yang sama yaitu pada kecepatan treadmill 4 km/jam, namun mengalami penurunan pada saat physcial activity dengan kecepatan treadmill 2 km/jam dan pada perubahan kecepatan dari 2 km/jam menjadi 4 km/jam. Hal ini mencerminkan keseimbangan sympathovagal dengan rasio LF/HF yang tidak konsisten pada saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini terjadi penurunan nHF dengan physical activity pada masing-masing kecepatan treadmill yang berbeda, namun mengalami kenaikan pada kecepatan treadmill yang sama dalam waktu yang berbeda (pada kecepatan treadmill 2 km/jam). Hal ini tidak menunjukkan nHF berkurang selama melakukan physical activity dengan kecepatan treadmill 2 km/jam. Power LF normalisasi (nLF) mengalami penurunan pada kecepatan treadmill 2 km/jam. Hal ini menunjukkan aktivitas simpatetik yang tergambar pada nLF yang menurun selama melakukan physical activity. Namun hasil nLF yang menurun tidak tergambar pada physical activity dengan kecepatan 4 km/jam.

58

Hasil plot estimasi power spektrum dengan kondisi level stres 6 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.5 (a) dan (b) merupakan hasil plot estimasi PSD level stres 6 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 6 dengan kecepatan treadmill 4 km/jam.

(a)

(b)

(c)

(d)

Gambar 4.5 Hasil plot estimasi PSD dengan level stres 6.

Tabel 4.5 Hasil frekuensi domain dengan physical activity dan level stres 6. Level Rasio stres Kecepatan VLF LF HF LF/HF 6 2 km/jam 1.6841 0.81358 0.098642 8.2478 6 2 km/jam 6.0621 0.47722 0.014792 32.2623 6 4 km/jam 0.70959 0.11101 0.0084182 13.1869 6 4 km/jam 0.31253 0.014018 0.0024256 5.7793

nLF 31.336 7.2813 13.3904 4.2612

nHF 3.7993 0.22569 1.0154 0.73732

Dari hasil Tabel 4.5 di atas terjadi peningkatan terhadap rasio LF/HF dengan physical activity pada kecepatan treadmill 2 km/jam, namun mengalami penurunan pada saat physcial activity dengan kecepatan treadmill 4 km/jam. Hal ini menunjukkan keseimbangan sympathovagal dengan rasio LF/HF yang tidak konsisten saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini terjadi penurunan nHF dengan physical activity pada masing-masing kecepatan treadmill 2 km/jam dan 4 km/jam, 59

namun nHF mengalami kenaikan pada perubahan kecepatan treadmill dari 2 km/jam menjadi 4 km/jam. Hal ini menunjukkan nHF berkurang selama melakukan physical activity. Power LF normalisasi (nLF) mengalami penurunan pada masingmasing kecepatan treadmill 2 km/jam dan 4 km/jam. Hal ini mencerminkan aktivitas simpatetik yang tergambar pada nLF yang menurun selama melakukan physical activity.

Hasil plot estimasi power spektrum dengan kondisi level stres 7 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.6 (a) dan (b) merupakan hasil plot estimasi PSD level stres 7 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 7 dengan kecepatan treadmill 4 km/jam.

(a)

(b)

(c)

(d)

Gambar 4.6 Hasil plot estimasi PSD dengan level stres 7.

Tabel 4.6 Hasil frekuensi domain dengan physical activity dan level stres 7. Level Rasio stres Kecepatan VLF LF HF LF/HF nLF nHF 7 2 km/jam 0.44473 0.14682 0.013985 10.4981 24.2462 2.3096 7 2 km/jam 0.37205 0.050091 0.0071051 7.05 11.6695 1.6552 7 4 km/jam 0.30619 0.59106 0.0041306 14.3095 15.9994 1.1181 7 4 km/jam 0.12795 0.061766 0.0047917 12.8904 31.756 2.4635

60

Dari hasil Tabel 4.6 di atas terjadi penurunan LF/HF pada saat melakukan physical activity dengan kecepatan treadmill yang sama (masing-masing kecepatan 2 km/jam dan 4 km/jam). Hal ini mencerminkan keseimbangan treadmill dengan rasio LF/HF yang konsisten pada saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini terjadi penurunan nHF dengan physical activity pada kecepatan treadmil 2 km/jam. Hal ini menunjukkan nHF berkurang selama melakukan physical activity. Namun nHF mengalami kenaikan pada kecepatan treadmill dari 4 km/jam. Power nLF pada hasil ini mengalami penurunan pada physical activity treadmill dengan kecepatan 2 km/jam. Hal ini mencerminkan aktivitas simpatetik yang tergambar pada nLF yang menurun selama melakukan physical activity. Namun pada kecepatan treadmill 4 km/jam nLF mengalami kenaikan. Pada kondisi ini, nLF tidak mencerminkan aktivitas simpatetik yang menurun selama melakukan physical activity.

Hasil plot estimasi power spektrum dengan kondisi level stres 8 dan physical activity berupa aktivitas treadmill adalah sebagai berikut. Keterangan Gambar 4.7 (a) dan (b) merupakan hasil plot estimasi PSD level stres 8 dengan kecepatan treadmill 2 km/jam. (c) dan (d) merupakan hasil plot estimasi PSD level stres 8 dengan kecepatan treadmill 4 km/jam.

(a)

(b)

(c)

(d)

Gambar 4.7 Hasil plot estimasi PSD dengan level stres 8. 61

Tabel 4.7 Hasil frekuensi domain dengan physical activity dan level stres 8. Level stres 8 8 8 8

Kecepatan VLF LF HF 2 km/jam 0.13897 0.053868 0.016786 2 km/jam 0.22222 0.18339 0.0080717 4 km/jam 0.067897 0.031253 0.0030267 4 km/jam 0.18082 0.083249 0.0050898

Rasio LF/HF 3.2092 22.7202 10.3256 16.3559

nLF 25.6978 44.3318 30.5871 30.9296

nHF 8.0076 1.9512 2.9622 1.891

Dari hasil Tabel 4.7 di atas terjadi peningkatan terhadap rasio LF/HF pada masingmasing physical activity dengan kecepatan treadmill yang sama. Hal ini mencerminkan keseimbangan sympathovagal dengan rasio LF/HF yang konsisten pada saat melakukan physical activity. Power HF normalisasi (nHF) yang menjadi indikator aktivitas vagal, pada hasil ini terjadi penurunan nHF dengan physical activity pada masing-masing kecepatan treadmill 2 km/jam dan 4 km/jam. Hal ini menunjukkan nHF berkurang selama melakukan physical activity. Power LF normalisasi (nLF) mengalami kenaikan pada masing-masing kecepatan treadmill 2 km/jam dan 4 km/jam. Hal ini tidak mencerminkan aktivitas simpatetik yang tergambar pada nLF yang menurun selama melakukan physical activity.

4.2 Hasil Data Latih Data training atau data latih yang digunakan untuk pengklasifikasi SVM dibagi per level stres dan influenza. Terdapat 11 level stres dan influenza, mulai dari 0 – 10. Masing-masing data latih dikelompokkan per level stres dan influenza. Parameter yang digunakan pada pengklasifikasi ini adalah hasil ekstraksi fitur frekuensi domain HRV, diantaranya nHF, nLF, dan rasio LF/HF.

Masing-masing data latih ini menggunakan rekaman data selama 20 menit subjek penelitian melakukan aktivitas treadmill sebagai physical activity, masingmasingnya 10 menit dengan kecepatan treadmill 2km/jam dan 10 menit dengan kecepatan 4 km/jam. Data heart rate yang direkam diubah menjadi rekaman per 5 menit rr-interval untuk dijadikan data latih pada pengklasifikasi SVM per level stres dan influenza, karena proses estimasi power spektrum menggunakan FFT dilakukan dalam perekaman short-term recording.

62

4.2.1 Performa Evaluasi terhadap Data Training Untuk mengevaluasi kinerja classifier, digunakan langkah-langkah statistik berikut. a. True Positive (TP), subjek dengan kondisi stres dan classifier dengan benar mengklasifikasikan kondisi stres tersebut. b. False Positive (FP), subjek tidak mengalami stres tetapi classifier salah menafsirkan subjek seperti di bawah kondisi stres. c. True Negative (TN), subjek tidak disebabkan oleh stres dan classifier dengan benar menafsirkan bahwa subjek tidak berada di bawah kondisi stres. d. False Negative (FN), subjek dengan kondisi stres tetapi classifier salah menafsirkan sebagai subjek tidak di bawah kondisi stres.

Tabel 4.8 Matriks hasil evaluasi sistem deteksi stres dan flu [1] Klasifikas Stres Label Asli

Stress No-stress

Klasifikasi Flu Label Asli

Flu No-flu

Hasil Deteksi Stress No-stress True Positive False Negative False Positive True Negative Hasil Deteksi Flu No-flu True Positive False Negative False Positive True Negative

e. Sensitivity, mengacu pada kemampuan classifier untuk secara benar mengidentifikasi subjek dengan kondisi stres. 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃/(𝑇𝑃 + 𝐹𝑁) f. Specificity, mengacu pada kemampuan dari classifier untuk secara benar mengidentifikasi subjek tidak berada di bawah kondisi stres. 𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁/(𝑇𝑁 + 𝐹𝑃) g. Positive Predictive Value (PPV). Probabilitas bahwa subjek sebenarnya berada di bawah tekanan stres, ketika classifier mengidentifikasi bahwa subjek diinduksi oleh stres. 𝑃𝑃𝑉 = 𝑇𝑃/(𝑇𝑃 + 𝐹𝑃)

63

h. Negaative Predictive Value (NPV). Probabilitas bahwa subjek tidak berada di bawah kondisi stres, ketika classifier mengidentifikasi bahwa subjek tidak diinduksi oleh stres. 𝑁𝑃𝑉 = 𝑇𝑁/(𝑇𝑁 + 𝐹𝑁) i. Classification Accuracy of the Classifier. Ini adalah rasio jumlah total penilaian yang benar untuk total jumlah penilaian. 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (𝑇𝑁 + 𝑇𝑃)/(𝑇𝑁 + 𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃)

Tabel 4.9 Hasil evaluasi performa data training untuk klasifikasi flu. Hasil Klasifikasi Flu Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

Data Latih 148 8 5 130 5 62% 96% 62% 96% 93%

Dari hasil evaluasi performa data latih yang digunakan untuk klasifikasi flu diperoleh nilai akurasi 93%. Pengklasifikasi mampu memisahkan data-data yang berbeda dengan lebih banyak mengklasifikasi secara benar data subjek pada level kondisi tidak flu (level flu 0-3), terlihat pada nilai True Negative (TN) sebanyak 130 dari jumlah total data latih sebanyak 148.

64

Tabel 4.10 Hasil evaluasi performa data training untuk klasifikasi stres. Hasil Klasifikasi Stres Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

Data Latih 148 59 13 59 17 78% 82% 83% 77% 80%

Dari hasil evaluasi performa untuk data latih yang digunakan untuk klasifikasi stress diperoleh nilai akurasi 80%. Pengklasifikasi mampu memisahkan data-data yang berbeda, data subjek pada level kondisi tidak stres dan level kondisi stres. Hal ini terlihat pada nilai True Positive (TP) dan True Negative (TN) memiliki jumlah yang sama sebanyak 59 data.

4.3 Hasil dan Analisis Data Uji Program klasifikasi diujikan kepada dua subjek dan dianalisis hasil evaluasi performa pengklasifikasi SVM untuk masing-masing klasifikasi level flu dan stres. Data latih dan data uji berasal dari masing-masing subjek penelitian. Hasil pengujian

ini

dikatakan

benar

jika

program

pengklasifikasi

mampu

mengklasifikasikan dengan benar apakah subjek stres atau tidak berdasarkan level kondisi stress dan flu yang dirasakan. Level stres 0-3 dikatakan subjek dalam kondisi tidak stres, dan level stres 4-10 dikatakan subjek dalam kondisi stres. Hal yang sama diterapkan juga untuk level flu, level flu 0-3 dikatakan subjek dalam kondisi tidak flu, dan level flu 4-10 dikatakan subjek dalam kondisi flu. Berikut hasil pengujian terhadap dua subjek untuk masing-masing klasifikasi flu dan stres.

65

Tabel 4.11 Hasil evaluasi performa klasifikasi flu Subjek_1. Hasil Klasifikasi

Data

Flu

Uji / testing

Latih / training

Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

48 4 3 41 0 100% 93% 57% 100% 94%

40 4 0 36 0 100% 100% 100% 100% 100%

Berdasarkan Tabel 4.11 diperoleh hasil akurasi dari pengklasifikasi SVM untuk klasifikasi kondisi flu data Subjek_1 dan tidak sebanyak 94%. Dengan menggunakan data uji sebanyak 48 data, pengklasifikasi mengenali kondisi klasifikasi tidak flu lebih banyak dengan nilai NPV 100%. Hal ini karena pada data latih dan data uji yang digunakan untuk subjek_1 berisi lebih dominan data dengan level flu rendah (0-3) yang menjadikan pengklasifikasi SVM lebih cenderung mengklasifikasikan subjek dengan kondisi tidak flu.

Tabel 4.12 Hasil evaluasi performa klasifikasi stres Subjek_1. Data

Hasil Klasifikasi Uji / testing 48 12 9 27 0 100% 75% 57% 100% 81%

Stress Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

66

Latih / training 48 12 0 36 0 100% 100% 100% 100% 100%

Berdasarkan Tabel 4.12 diperoleh hasil akurasi 81% dari pengklasifikasi SVM untuk klasifikasi kondisi stres dan tidak pada Subjek_1. Pada pengujian kondisi stres pada Subjek_1 ini menggunakan 48 data uji dengan level stres yang bervariasi. Pengklasifikasi mengenali kondisi klasifikasi tidak stres lebih banyak dengan nilai NPV 100%. Tabel 4.13 Hasil evaluasi performa klasifikasi flu Subjek_2. Data

Hasil Klasifikasi Flu Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

Uji / testing 36 1 6 26 3 25% 81% 14,2% 90% 75%

Latih / training 40 8 0 32 0 100% 100% 100% 100% 100%

Berdasarkan Tabel 4.13 diperoleh hasil akurasi dari pengklasifikasi SVM untuk klasifikasi kondisi flu dan tidak pada Subjek_2 sebanyak 75%. Dengan menggunakan data uji sebanyak 36 data, pengklasifikasi mengenali kondisi klasifikasi tidak flu lebih banyak dengan nilai NPV 90%. Tabel 4.14 Hasil evaluasi performa klasifikasi stres Subjek_2. Data Uji / Latih / testing training 36 36 36 34 8 1 0 0 11 1 77% 97% 0 0 82% 97% 0 0 66% 94%

Hasil Klasifikasi Stres Total jumlah sinyal True Positive False Positive True Negative False Negative Sensitivity Specificity PPV NPV Accuracy

67

Berdasarkan Tabel 4.14 diperoleh hasil akurasi 66% dari pengklasifikasi SVM untuk klasifikasi kondisi stres dan tidak pada Subjek_2. Pada pengujian kondisi stres pada Subjek_2 digunakan 36 data uji dengan level stres yang bervariasi. Pengklasifikasi mengenali kondisi klasifikasi stres lebih banyak dengan nilai NPV 0% dan diperoleh nilai PPV 82%. Data uji yang digunakan untuk klasifikasi stres pada Subjek_2 ini adalah data-data dengan kondisi level stres yang tinggi (5-8) sehingga pengklasifikasi cenderung mengklasifikasikan kondisi stres lebih banyak.

4.4 Analisis Hasil Telah dilakukan pengujian pengklasifikasi SVM dengan menggunakan data latih dan data uji dari masing-masing subjek untuk mengklasifikasikan kondisi subjek berdasarkan level stres dan level flu yang dirasakan. Diperoleh hasil klasifikasi yang cukup signifikan antara Subjek_1 dan Subjek_2 baik untuk klasifikasi flu maupun stres.

Pada penelitian ini, digunakan analisis frekuensi domain HRV yaitu estimasi power spektrum menggunakan FFT sebagai ekstraksi fitur-fitur frekuensi domain, seperti nLF, nHF, rasio LF/HF, dll. Fitur-fitur ini kemudian digunakan sebagai parameter pengklasifikasi kondisi stres dan flu subjek penelitian menggunakan SVM Classifier. Hasil dari ekstraksi fitur frekuensi domain HRV bervariasi setiap subjek, oleh karena itu untuk pengujian sistem digunakan data latih dan data uji dari masing-masing subjek.

Pada [20] disebutkan rasio LF/HF secara umum diterima menjadi cerminan dari kesimbangan sympathovagal. Namun, analisis spektral pasien selama melakukan physical activity menunjukkan bahwa HRV tidak menunjukkan rasio LF/HF yang diharapkan, rasio LF/HF konsisten pada saat aktivitas simpatetik selama berolahraga sebagai bentuk dari physical activity dan dorongan parasimpatetik selama pemulihan. Studi analisis spektral awal, data HRV selama physical activity menunjukkan HF menurun selama beraktivitas olahraga. Pada hasil penelitian ini lebih banyak menunjukkan HF menurun selama beraktivitas olahraga (treadmill),

68

namun terdapat beberapa nilai HF (bertanda abu pada Tabel 4.15) yang mengalami kenaikan dalam hasil penelitian ini.

Suatu studi kuantitas power HF dan LF pada unit normalisasi yang memungkinkan apresiasi yang lebih baik pada pecahan distribusi energi HRV. Power HF [20] normalisasi (nHF), umumnya diduga menjadi indikator aktivitas vagal, akan diharapkan berkurang selama melakukan physical activity. Pada hasil penelitian ini diperoleh hasil nHF yang berkurang selama melakukan physical activity dengan kecepatan treadmil masing-masing 2 km/jam dan 4 km/jam. Namun, terdapat juga beberapa hasil nHF yang meningkat selama melakukan physical activity, yang bertanda kuning pada Tabel 4.15.

Power LF normalisasi (nLF), yang dianggap mencerminkan aktivitas simpatetik, menurun selama melakukan physical activity di kebanyakan studi [20]. Hasil nLF yang diperoleh pada penelitian ini, berdasarkan Tabel 4.15 cukup bervariasi. Terdapat nLF yang mengalami penurunan selama melakukan physical activity dan juga terdapat beberapa nilai nLF yang mengalami kenaikan selama melakukan physical activity. Hal ini mencerminkan aktivitas simpatetik yang berubah-ubah selama subjek melakukan melakukan physical activity.

Tabel 4.15 Hasil frekuensi domain HRV dengan physical activity dan level stres. Level stres

Kecepatan

VLF

LF

HF

Rasio LF/HF

nLF

nHF

2

2 km/jam

0.41847

0.76494

0.068618

11.1478

61.0961

5.4805

2

2 km/jam

2.1303

0.53074

0.039455

13.4518

19.6534

1.461

2

4 km/jam

1.3113

0.14914

0.010863

13.7284

10.1365

0.73836

2

4 km/jam

0.28477

0.12871

0.0057151

22.5206

30.7037

1.3634

3

2 km/jam

0.63121

0.89569

0.033823

26.4819

57.3895

2.1671

3

2 km/jam

1.0381

0.26319

0.023566

11.168

19.8651

1.7787

3

4 km/jam

0.14457

0.13857

0.015466

8.9597

46.4044

5.1793

3

4 km/jam

1.3088

0.18246

0.019544

9.3358

12.077

1.2936

4

2 km/jam

2.477

0.48555

0.076226

6.3698

15.9785

2.5085

4

2 km/jam

0.87166

0.46693

0.033459

13.9554

34.0318

2.4386

4

4 km/jam

0.89564

0.11296

0.018117

6.2348

11.0016

1.7646

4

4 km/jam

1.0894

0.3564

0.025318

14.0767

24.227

1.7211

5

2 km/jam

1.2278

0.72411

0.038308

18.9023

36.3828

1.9248

69

5

2 km/jam

1.0918

0.54027

0.035224

15.3382

32.4044

2.1127

5

4 km/jam

0.86014

0.06787

0.0083077

8.1696

7.2487

0.88728

5

4 km/jam

0.79775

0.093852

0.0073505

12.7681

10.4402

0.81768

6

2 km/jam

1.6841

0.81358

0.098642

8.2478

31.336

3.7993

6

2 km/jam

6.0621

0.47722

0.014792

32.2623

7.2813

0.22569

6

4 km/jam

0.70959

0.11101

0.0084182

13.1869

13.3904

1.0154

6

4 km/jam

0.31253

0.014018

0.0024256

5.7793

4.2612

0.73732

7

2 km/jam

0.44473

0.14682

0.013985

10.4981

24.2462

2.3096

7

2 km/jam

0.37205

0.050091

0.0071051

7.05

11.6695

1.6552

7

4 km/jam

0.30619

0.59106

0.0041306

14.3095

15.9994

1.1181

7

4 km/jam

0.12795

0.061766

0.0047917

12.8904

31.756

2.4635

8

2 km/jam

0.13897

0.053868

0.016786

3.2092

25.6978

8.0076

8

2 km/jam

0.22222

0.18339

0.0080717

22.7202

44.3318

1.9512

8

4 km/jam

0.067897

0.031253

0.0030267

10.3256

30.5871

2.9622

8

4 km/jam

0.18082

0.083249

0.0050898

16.3559

30.9296

1.891

70

Bab V Kesimpulan dan Saran

5.1 Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan, diperoleh beberapa kesimpulan sebagai berikut. 1. Penggunaan metode FFT untuk estimasi power spektrum frekuensi domain HRV dari data Polar H7 HRM (Heart Rate Monitoring) telah berhasil dilakukan dengan frekuensi sampling 1 Hz. 2. Pengukuran dasar power spektrum menghasilkan very low frequency (VLF), low frequency (LF), dan high frequency (HF). Dari pengukuran dasar ini digunakan nLF, nHF dan LF/HF ratio sebagai pengukuran efisien untuk klasifikasi stres dan flu menggunakan SVM Classifier. 3. Dilakukan pencatatan level stres dan flu yang dirasakan oleh subjek penelitian, pengklasifikasi SVM dapat mengklasifikasikan kondisi subjek berdasarkan level stres dan flu yang dicatat (tagging). 4. Pengujian evaluasi performa pengklasifikasi SVM untuk dua subjek uji yang telah dilakukan menghasilkan akurasi 94% untuk klasifikasi flu Subjek_1, 81% untuk klasifikasi stres Subjek_1, 75% untuk klasifikasi flu Subjek_2, dan 66% untuk klasifikasi stres Subjek_2 dengan menggunakan data latih dan data uji dari masing-masing subjek.

5.2 Saran Untuk pengembangan penelitian lebih lanjut, penulis memberikan beberapa saran sebagai berikut. 1. Penambahan fitur pengukuran dari frekuensi domain sebagai parameter pengklasifikasi SVM Classifier, seperti menggunakan VLF, LF, dan HF. 2. Analisis HRV menggunakan metode pengukuran yang lainnya seperti time domain, analisis nonlinear yang mencakup poincare plot dan DFA untuk klasifikasi stres dan penyakit yang berkaitan dengan heart rate.

71

3. Penggunaan lebih lanjut analisis HRV untuk diagnosa atau prediksi penyakit yang berkaitan dengan denyut jantung (heart rate) yang mungkin membutuhkan penggunaan sinyal rr-interval dengan waktu perekaman yang lebih panjang (long-term recording).

72

DAFTAR PUSTAKA [1] Vanitha, L., and G. R. Suresh. "Hierarchical SVM to detect mental stress in human beings using Heart Rate Variability ." In Devices, Circuits and Systems (ICDCS), 2014 2nd International Conference on, pp. 1-5. IEEE, 2014. [2] Force, Task. "Task Force." Heart rate variability . Standards of measurement, physiological interpretation, and clinical use. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Eur. Heart J 17 (1996): 354-381. [3] Maraes, V. R. F. S., D. V. A. Carreiro, and N. B. H. Barbosa. "Study of heart rate variability of university trained at rest and exercise." In Health Care Exchanges (PAHCE), 2013 Pan American, pp. 1-5. IEEE, 2013. [4]

Shin, K. S., H. Minamitani, S. Onishi, H. Yamazaki, and M. H. Lee. "The power spectral analysis of heart rate variability in athletes during exercise." In Computers in Cardiology 1993, Proceedings., pp. 329-332. IEEE, 1993.

[5] Pichon, Aurélien, Manuel Roulaud, Sophie Antoine-Jonville, Claire de Bisschop, and André Denjean. "Spectral analysis of heart rate variability : interchangeability between autoregressive analysis and fast Fourier transform." Journal of electrocardiology 39, no. 1 (2006): 31-37. [6] Ramshur, John T. "Design, evaluation, and applicaion of heart rate variability analysis software (HRVAS)." Analysis (2010). [7] Saalasti, Sami. Neural networks for heart rate time series analysis. Jyväskylän yliopisto, 2003. [8] ________________________. Stress dan Heart Rate Variability, 2011. http://www.sweetwaterhrv.com/documentation/stressandhrv.pdf, Maret 2016 [9] Hautala, Arto. Effect of physical exercise on autonomic regulation of heart rate. Oulun yliopisto, 2004. [10] Latawa, Anchali. "Estimation of Power Spectral Density in Different Frequency Bands." PhD diss., Thapar University Patiala, 2010. [11] Müller, Klaus-Robert, Sebastian Mika, Gunnar Rätsch, Koji Tsuda, and Bernhard Schölkopf. "An introduction to kernel-based learning algorithms."Neural Networks, IEEE Transactions on 12, no. 2 (2001): 181201. [12] Stults-Kolehmainen, Matthew A., and Rajita Sinha. "The effects of stress on physical activity and exercise." Sports medicine 44, no. 1 (2014): 81-121. 73

[13] Deshpande, Sandhya. "Parametric method for power spectrum estimation of HRV." In Signal and Image Processing (ICSIP), 2010 International Conference on, pp. 334-338. IEEE, 2010. [14] Kim, D., Seo, Y., Cho, J. and Cho, C.H. “Detection of subjects with higher self-reporting stress scores using heart rate variability patterns during the day.” In Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE (pp. 682-685), 2008. [15] Taelman, J., Vandeput, S., Spaepen, A. and Van Huffel, S. “Influence of mental stress on heart rate and heart rate variability.” In 4th European conference of the international federation for medical and biological engineering (pp. 1366-1369). Springer Berlin Heidelberg. 2009. [16] Orsila, R., Virtanen, M., Luukkaala, T., Tarvainen, M., Karjalainen, P., Viik, J., Savinainen, M. and Nygård, C.H. “Perceived mental stress and reactions in heart rate variability —a pilot study among employees of an electronics company.” International Journal of Occupational Safety and Ergonomics, 14(3), pp.275-283, 2008. [17] Choi, J. and Gutierrez-Osuna, R. “Using heart rate monitors to detect mental stress.” In Wearable and Implantable Body Sensor Networks, 2009. BSN 2009. Sixth International Workshop on (pp. 219-223). IEEE, 2009. [18] Jo, J., Y. K. Lee, and HYUN SOON Shin. "Real-time analysis of heart rate variability for a mobile human emotion recognition system." Recent Advances in Electrical and Computer Engineering 2013: 162-166, 2013. [19] Boonnithi, Sansanee, and Sukanya Phongsuphap. "Comparison of heart rate variability measures for mental stress detection." In Computing in Cardiology, 2011, pp. 85-88. IEEE, 2011. [20] Freeman, James V., Frederick E. Dewey, David M. Hadley, Jonathan Myers, and Victor F. Froelicher. "Autonomic nervous system interaction with the cardiovascular system during exercise." Progress in cardiovascular diseases 48, no. 5 (2006): 342-362. [21] Cui, Tiying. "Spectrum Analysis of Heart Rate Variability (HRV)." (2013). [22]

_____________________, Flu Symptoms & complications., http://www.cdc.gov/flu/about/disease/complications.htm, 2016, diakses Mei 2016.

[23] Madjid, Mohammad, Ibrahim Aboshady, Imran Awan, Silvio Litovsky, and S. Ward Casscells. "Influenza and cardiovascular disease: is there a causal relationship?." Texas Heart Institute Journal 31, no. 1: 4, 2004.

74

[24] Kim, Desok, Yunhwan Seo, Sook-hyun Kim, and Suntae Jung. "Short term analysis of long term patterns of heart rate variability in subjects under mental stress." In BioMedical Engineering and Informatics, 2008. BMEI 2008. International Conference on, vol. 2, pp. 487-491. IEEE, 2008. [25] Sun, Feng-Tso, Cynthia Kuo, Heng-Tze Cheng, Senaka Buthpitiya, Patricia Collins, and Martin Griss. "Activity-aware mental stress detection using physiological sensors." In Mobile computing, applications, and services, pp. 211-230. Springer Berlin Heidelberg, 2010. [26] Soman, Karthik, A. Sathiya, and N. Suganthi. "Classification of stress of automobile drivers using Radial Basis Function Kernel Support Vector Machine." In Information Communication and Embedded Systems (ICICES), 2014 International Conference on, pp. 1-5. IEEE, 2014. [27] Wijaya, Rifki, and Ary Setijadi Prihatmanto. "Preliminary design of estimation heart disease by using machine learning ANN within one year." In Rural Information & Communication Technology and Electric-Vehicle Technology (rICT & ICeV-T), 2013 Joint International Conference on, pp. 1-4. IEEE, 2013. [28] Orsila, Reetta, Matti Virtanen, Tiina Luukkaala, Mika Tarvainen, Pasi Karjalainen, Jari Viik, Minna Savinainen, and Clas-Håkan Nygård. "Perceived mental stress and reactions in heart rate variability—a pilot study among employees of an electronics company." International Journal of Occupational Safety and Ergonomics 14, no. 3: 275-283, 2008. [29] Dishman, Rod K., Yoshio Nakamura, Melissa E. Garcia, Ray W. Thompson, Andrea L. Dunn, and Steven N. Blair. "Heart rate variability, trait anxiety, and perceived stress among physically fit men and women." International Journal of Psychophysiology 37, no. 2 (2000): 121-133. [30] Costantini, Giovanni, Daniele Casali, and Massimiliano Todisco. "An SVM based classification method for EEG signals." In Proceedings of the 14th WSEAS International Conference on Circuits, Corfu Island, Greece, vol. 2224. 2010.

75