PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
T 610.28 PUT
Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari sinyal EKG satu dimensi dengan memanfaatkan teknik klasifikasi bertingkat. Klasifikasi bertingkat mempergunakan suatu struktur potion klasifikasi yang masing-masing cabangnya adalah suatu unit pengenal pola yang berisi satu unit jaringan saraf tiruan (JST) dan satu unit penentu keputusan. Masing-masing jaringan saraf tiruan difokuskan untuk mengenali dua atau tiga pola saja pada suatu tingkatan sehingga kekompleksitasan pelatihan dapat dikurangi. Ekstraksi ciri sinyal EKG dilakukan melalui Tranformasi Wavelet Cepat, terdapat empat algoritma ekstraksi ciri. Masing-masing algoritma ektraksi ciri akan mereduksi dimensi data, tiga algoritma ekstraksi ciri memanfaatkan teknik threshold koefisien terbesar absolut sebagai pereduksi data dan satu algoritma ekstraksi ciri menggunakan matriks eigen vektor sebagai pereduksi data. Sistem klasifikasi bertingkat ini akan mengklasifikasikan sinyal EKG menjadi dua pola utama beserta sub polanya. Pola utama yang ingin dikenali adalah pola Bundle Branch Block dengan 2 sub pola dan pola Infark Miokardial dengan tiga sub pola. Kedua pola utama ini merupakan gambaran dari ketidaknormalan kondisi jantung. Didefinisikan dua kriteria keberhasilan pengenalan yaitu : persentase keberhasilan pengenalan pola utama dan persentase keberhasilan pengenalan sub pola. Untuk memperlihatkan kemampuan sistem klasifikasi bertingkat ini dilakukan beberapa pengujian yaitu pengujian algoriuna ektraksi ciri yang terbaik, mencari kondisi optimum dari jumlah neuron pada lapisan tersembunyi JST, pengaruh reduksi dimensi data dan pengaruh tidak adanya unit pengenal pola komplemen serta menentukan ciri khas Infark Miokardial mula-mula yang dapat dikenali oleh sistem ini. Hasil akhir penelitian ini menunjukkan bahwa : untuk 20 data uji persentase keberhasilan pengenalan terbaik diperoleh melalui algoritma ektraksi ciri ke-2 yaitu 75% untuk pengenalan pola utama dan 55% untuk pengenalan sub pola. Kondisi optimum yang diperoleh adalah jumlah neuron optimum pada lapisan tersembunyi JST adalah 10 neuron, reduksi dimensi data yang optimum adalah 25% dari jumlah data semula. Ketidak hadiran unit pengenal pola komplemen meningkatkan persentase keberhasilan pengenalan pola utama. Sistem klasifikasi bertingkat dapat mcngcnali dcngan balk pola Infark yang memiliki dua ciri khas mulamula atau lebih, dan cenderung gagal bila hanya terdapat satu ciri khas saj2.
iii
Abstract The hierarchical classification technique is applied in the multi pattern recognition of one-dimensional ECG signal. The hierarchical classification was assigned in the form of classification tree structure with each of its branch consists of one artificial neural network (ANN) unit and one decision-maker unit, together they are called a pattern recognition unit. To reduce the complexity of learning process, each of artificial neural network units is focused to classify only two or three patterns, it is shown by two or three branch in every level. There are four feature-extraction algorithms. All of them use Fast Wavelet Transform. Differently, each of them will reduce the dimension of the data, three of them use a threshold technique with the greatest absolute coefficient as a result and the last algorithm uses eigen vector matrix as data reduction tool. The system classifies ECG signal into two main patterns with their sub pattern respectively. There are Bundle Branch Block pattern with two sub patterns and Infark Myocardial pattern with three sub patterns. Both of main patterns are the pictures of abnormal heart condition. Defined two criteria of successful recognition i.e. the percentage of successful recognition for the main pattern and the other for the sub pattern. We made some test to show the performance of the system : finding the best feature-extraction algorithm, finding the optimum number of the neuron in the hidden layer of ANN, observing the effect of data reduction and the absence of complement-pattern recognition unit. Observing the origin feature of Infark Myocardial which still can be recognized by the system. The result is obtained by testing with 20 data. We made some conclusion : the second feature-extraction algorithm gives the best percentage of successful recognition with 75% for main pattern and 55% for sub pattern. The optimum conditions of the system are the neuron number for hidden layer in ANN is 10 neuron and the data reduction percentage is 25% from the origin data. The absence of complementpattern recognition unit generally can increase the percentage of successful recognition of the main pattern. It is also proved that the system can recognize the infark-pattern successfully if at least the ECG signal has two origin features and tended to fail if there is only one origin feature in it.
iv
