Seluruh isi buku dan sampul merupakan hak cipta Fakultas Ilmu Komputer Universitas Indonesia. Teknik Biomedis: Teori dan Implementasi

Teknik Biomedis: Teori dan Implementasi

Penulis : Wisnu Jatmiko Petrus Mursanto Bob Hardian Anom Bowolaksono Budi Wiweko Muhammad Ali Akbar I Putu Satwika Zaki Immadudin M. sakti Alvissalim Ikhsanul Habibie Muhammad Anwar Ma'sum Muhammad Nanda Kurniawan

Hak Cipta

Seluruh isi buku dan sampul merupakan hak cipta Fakultas Ilmu Komputer Universitas Indonesia.

2

TeknikBiomedis : Teori dan Aplikasi

Kata Pengantar Assalamu’alaikum Wr. Wb. Puji syukur kami panjatkan kehadirat Allah SWT, berkat rahmat, karunia dan hidayah-Nya maka penulis dapat menyelesaikan buku ini. Buku Teknik Biomedis ini merupakan buku pengantar yang memuat teori dan implementasi yang berhubungan dengan perangkat lunak dan perangkat keras, disusun dari beberapa disiplin ilmu kedokteran, ilmu Komputer dan Elektronika. Buku ini juga memberikan pengetahuan mengenai jaringan syaraf tiruan seperti bagaimana mengimplementasi algoritma-algoritma tertentu untuk mendeteksi serta mengklasifikasikan objek hingga menghasilkan sebuah analisa tertentu, baik analisa dalam bentuk klasifikasi penyakit, bentuk dan ukuran dari sebuah objek. Buku ini juga menjelaskan secara gambalang mengenai teori-teori yang berhubungan dengan biomedis beserta dengan alur proses penelitiannya, sehingga diharapkan seluruh pembaca dapat dengan mudah memahami konsep dasar dan tujuan dari berbagai hasil penelitian yang diterangakan dalam buku ini. Kami mengucapkan terima kasih kepada Direktorat Riset dan Pengabdian Masyarakat Universitas Indonesia yang telah memberikan bantuan dana untuk riset yang berjudul "Teknik Biomedis: Teori dan Implementasi". Penulis juga sangat berterimakasih kepada Kementerian Riset dan Teknologi yang telah memberikan hibah riset (No. Hibah RT-2012-1170) dengan bidang Bidang Prioritas Iptek : 20.04 Teknologi Kesehatan dan Obat Riset Pengembangan Alat Kesehatan (USG), Sehingga kami dapat menyelesaikan buku ini yang berjudul "Teknik Biomedis: Teori dan Aplikasi". Kami mengucapkan terimakasih yang sebesar-besarnya kepada dokter dr. Yudianto Budi Saroyo, SpOG yang telah memberikan berbagai informasi mengenai segala hal yang berhubungan dengan ultrasonografi, baik keterangan mengenai tatacara penggunaan alat, teori penunjang maupun dataset janin, sehingga dengan informasi tersebut penelitian dan penulisan buku ini dapat berjalan dengan lancar.

3


Kami juga mengucapkan terima kasih kepada dr. Fachruddin N, SpOG dan Rumah Sakit Tugu Ibu yang telah membantu tim Penulis dengan memberikan data USG dan memberikan kesempatan kepada tim Penulis yang telah memberikan Tur keliling Rumah Sakit Tugu Ibu dan mengambil sejumlah foto yang dimuat dalam buku ini. Kami juga mengucapkan banyak terima kasih kepada semua pihak yang telah membantu dan memberikan dukungan selama pembuatan buku ini, terutama bagi pihak Fakultas Ilmu Komputer Universitas Indonesia yang telah memberikan dukungan kepada kami untuk berkarya dalam riset dan memberikan sumber inspirasinya melalui SDM dan karya tulisnya. Kami juga mengucapkan terima kasih yang sebesar-besarnya kepada mahasiswa Laboratorium Computer Networks, Architecture & High Performance Computing yang telah banyak membantu secara formal maupun informal sehingga kami dapat belajar dan menyempurnakan hasil riset hingga terbentuknya buku ini. Terimakasih juga kami ucapkan kepada para anggota lab 1231 yang bersedia memberikan ilmu dan motivasinya untuk buku ini, khususnya kepada mba Elly Matul Imah yang berkontribusi membantu dalam penulisan bab 2 tentang Jantung: penyakit dan Penanganannya, juga kepada akang M. Eka Suryana, mas M. Fajar dan mas M. Iqbal Tawakal. Semoga bantuan dan kerjasama yang selama ini sudah terjalin dengan baik dapat terus dilestarikan dan dikembangkan sehingga ilmu dan harapan yang telah dicita-citakan dapat tercapai dan menghasilkan sebuah inovasi baru yang dapat bermanfaat bagi masyarakat, khususnya bagi Fakultas Ilmu Komputer Universitas Indonesia.

Depok, Universitas Indonesia November 2013 Tim Penulis

4


Sistematika Penyusunan Buku ini disusun dalam beberapa bab agar pembaca dapat memiliki gambaran singkat mengenai perkembangan Biomedes. Berikut adalah penjelasan isi singkat bab dalam buku ini: 





5

Bab 1: Pada bab ini dijelaskan hal-hal yang melatar belakangi dan menjadi alasan mengapa buku ini di buat. Selain itu, hal yang dijelaskan pada bab ini adalah mengenai pengetahuan umum mengenai Biomedis, sejarah Biomedis, perkembangan Teknis Biomedis di Indonesia dan peralatan-peralatan yang biasa digunakan dalam bidang Teknik Biomedis. Selain itu, pada bab ini juga akan dibahas beberapa penelitian yang dilakukan di Fakultas Ilmu Komputer, Universitas Indonesia, yang berkaitan dengan bidang teknologi Biomedis, seperti; Aritmia, Sleep Apnea, Sleep Stages dan Ultrasonografi (USG). Bab 2: Di dalam bab ini, Pembaca akan diperkenalkan hasil penelitian biomedik yang berhubungan dengan organ jantung dan beberapa jenis penyakit yang menyertainya. bab ini akan dijelaskan suatu proses pengenalan Aritmia dan data pendukung untuk mendeteksi stabil atau tidaknya keadaan jantung seseorang dengan menggunakan pendekatan jaringan saraf tiruan. Proses ini dibagi menjadi beberapa tahap studi yaitu: pemrosesan data, ekstraksi fitur dan pemrosesan data pada elektrokardiogram Bab 3: Bab ini akan menjelaskan tentang tidur, jam tidur dan siklus tidur pada manusia. Kebutuhan tidur yang tidak terpenuhi ternyata memberikan dampak yang cukup signifikan dalam kesehatan seseorang. Bab ini juga menjelaskan tentang penyakit yang ditimbulkan akibat gejala kelainan tidur yang dialami seseorang. Bab ini banyak menjelaskan tentang pembangunan alat pendeteksian gangguan tidur dengan menanamkan algortima cerdas jaringan syaraf tiruan untuk mengklasifikan kelainan sleep apnea disaat seseorang sedang tidur,semua proses tersebut diterapkan pada perangkat lunak


maupun perangkat keras yang dikembangkan di Fakultas Ilmu Komputer UI 





6

Bab 4: Di dalam Bab ini dijelaskan mengenai Pendeteksian kadar Trycloroetilen pada Hati Manusia, dimana pembaca akan dibawa untuk menyelami berbagai fenomena yang berhubungan dengan hati manusia, terutama pada penyakit dan penanggulangannya. bab ini megupas secara lebih terperinci mengenai zat perusak fungsi hati pada manusia, yaitu Trycloroetilen. dimana beberapa tim peneliti dari fakultas ilmu komputer Universitas Indonesia tertarik untuk meneliti bagai mana cara kerja zat tersebut untuk meneyrang hati manusia dan seperti apa proses penyebaran penyakitnya. dengan sistem algoritma yang telah dibuat, maka proses pendeteksiaan penyakit yang di sebabkan oleh zat Trycloroetilen bisa terdeteksi dengan baik. Bab 5: Bab ini menjelaskan mengenai Ultrasonografi (USG), perkembangan teknologinya dan cara kerja USG. Selain itu, Pada bab ini juga akan dijelaskan beberapa jenis kelainan pada janin bayi dan penyebab adanya kelainan tersebut. Kemudian, penjelasan dilanjutkan mengenai sistem pedeteksian ketidaknormalan pada janin berdasarkan Biometri atau ukuran anatomi janin baik dari sisi hardware dan software. dengan beberapa penelitian yang sudah populer dan diakui oleh beberapa konfeerensi international, maka ilmu pengetahuan mengenai pendeteksian normal dan abnormal dari janin ini akan kami publikasikan melalui buku ini, lengkap dengan sistem algoritma yang diharapkan dapat di pelajari oleh para peneliti lainnya. Bab 6: Bab ini menjelaskan tentang sistem algorima dari masing masing bab diatas, dengan sistem algorima ini maka diharapkan para peneliti dapat dengan mudah melakukan implementasi dan pengembang kedepan. Algoritma yang kami suguhkan dalam buku ini lebih banyak di fokuskan pada bidang ilmu jaringan syaraf tiruan. dimana semua ide dan usulan yang terangkum dalam buku biomedis ini sudah dipublikasikan melalui paper dan jurnal didunia internasional. TeknikBiomedis : Teori dan Aplikasi

Daftar Isi Kata Pengantar ................................................................................................. 3 Sistematika Penyusunan ................................................................................... 5 Daftar Isi............................................................................................................ 7 BAB 1

Pendahuluan ...................................................................................... 12

1.1 Pendahuluan............................................................................................ 13 1.2 Sejarah Teknik Biomedis ........................................................................ 16 1.3 Peralatan-peralatan dalam Teknik Biomedis .......................................... 25 1.3.1 Alat Foto Sinar-X (Röntgen) ............................................................. 25 1.3.2 Elektrokardiogram (EKG/ECG) ......................................................... 26 1.3.3 Elektroensefalogram (EEG) ............................................................. 27 1.3.4 Ultrasonography (USG)................................................................... 28 1.4 Susunan Buku ........................................................................................ 29 BAB 2

Jantung: Penyakit dan Penanganannya .............................................. 30

2.1 Penyakit Jantung.................................................................................... 35 2.1.1.

Aterosklerosis pada Jantung ....................................................... 36

2.1.2.

Arrhythmia (Aritmia)................................................................ 37

2.1.3 Infark Miokardial Akut ..................................................................... 40 2.1.4 Kardiomiopati...................................................................................41 2.1.5 Gagal Jantung Kongesitif ................................................................ 42 2.1.6. Penyakit Jantung Rematik.............................................................. 44 2.1.7. Inflamasi Jantung ........................................................................... 47 2.1.8. Fibrilasi Atrial .................................................................................. 48 2.2 Elektrokardiogram(EKG) ....................................................................... 49 2.2.1

Heartbeat..................................................................................... 52

2.2.2

Whole Signal ................................................................................ 53

2.3 7

Pemrosesan Data Elektrokardiogram.............................................. 57 TeknikBiomedis : Teori dan Aplikasi

2.3.1

Base Wander Removal ................................................................. 58

2.3.2. Ekstraksi Beat................................................................................. 60 2.3.3. Noise Removal ............................................................................... 64 2.3.4 Fitur Ekstraksi ................................................................................. 67 2.4 Sistem Telehealth Monitoring Penyakit Jantung .................................. 70 2.4.1 Fitur Utama Sistem Telehealth Monitoring Penyakit Jantung ........ 72 2.4.2 Implementasi Server ...................................................................... 75 BAB 3

Pendeteksian Tahapan dan Gangguan Tidur ...................................... 76

3.1. Penelitian Tentang Tahapan Tidur ........................................................ 77 3.1.1 Siklus NREM1.................................................................................... 79 3.1.2 Siklus NREM2 ................................................................................... 80 3.1.3 Siklus NREM3................................................................................... 80 3.1.4 Siklus REM ....................................................................................... 81 3.2. Jenis-Jenis Gangguan Tidur .................................................................. 81 3.3 Metode Pendeteksian Siklus Tidur ........................................................ 83 3.4 Ekstraksi Fitur Untuk Deteksi Siklus Tidur ............................................. 84 3.5. Dataset ................................................................................................. 88 3.5.1. Pengambilan Sinyal Detak Jantung Pasien ..................................... 88 3.5.2. Anotasi Potongan Sinyal Detak Jantung ........................................ 89 3.6. Karakteristik Data ................................................................................. 90 3.7. Perangkat Portable Berbasis Single Board Computer .......................... 91 3.7.1. Rangkaian Elektronik Terintegrasi.................................................. 91 3.7.2. Pengantar Beagleboard SBC .......................................................... 92 3.7.3. Implementasi Alat Deteksi Data Tidur Pada Alat Portable............. 92 BAB 4

Deteksi Kadar Trichloroethylene (TCE) pada Hati ............................ 94

4.1 Apa itu Trichloroethylene ...................................................................... 95 4.1.1 Kegunaan Trichloroethylene........................................................... 95 4.1.2 Dampak Negatif dari Trichloroethylene .......................................... 95 8


4.2 Definisi Hati.......................................................................................... 96 4.2.1 Fungsi Hati....................................................................................... 96 4.2.2 Tanda dan Gejala Penyakit .............................................................. 98 4.2.3 Pencegahan Penyakit...................................................................... 99 4.3 Tujuan Penelitian Deteksi Kadar Trycloroetilen pada Tikus Putih....... 100 4.3.1

Penelitian Mengenai Hati Tikus Putih Sebelumnya .................... 100

4.3.2

Mengapa objek yang digunakan adalah Hati Tikus Putih .......... 100

4.3.3

Persamaan antara Hati Tikus Putih dan Hati Manusia ................ 101

4.4 Dataset Tikus Putih ............................................................................ 101 4.4.1

Cara Perolehan Data ................................................................... 101

4.4.2

Cara Pengelompokan Data Citra dari Hati Tikus Putih................ 101

4.5 Pengolahan Data .................................................................................. 103 4.5.1 Croping Gambar ............................................................................. 103 4.5.2 Scaling Gambar .............................................................................. 103 4.5.3

Clustering (Pengelompokan)................................................... 103

4.5.4

Klasifikasi ................................................................................105

4.6

Kesimpulan ....................................................................................105

BAB 5

Ultrasonografi (USG) ...................................................................... 107

5.1 Teknologi USG...................................................................................... 108 5.2. Pertumbuhan Janin Terhambat (PJT) .................................................. 110 5.3. Parameter untuk menghitung PJT ....................................................... 111 5.3.1. Kepala (Head)................................................................................. 111 5.3.2. Paha (Femur) ................................................................................ 113 5.3.3. Lengan Atas (Humerus) ................................................................ 114 5.3.4. Perut (Abdomen).......................................................................... 115 5.4. Dataset ................................................................................................ 117 5.4.1. Perolehan Dataset ......................................................................... 117 5.4.2. Katakteristik Data ......................................................................... 119 9


5.5. Pengolahan Citra USG ......................................................................... 123 5.6. Preprocessing dan Pendekatan Metode ............................................. 125 5.6.1. Speckle Noise Reduction............................................................... 125 5.6.2. Segmentasi Citra Menggunakan Thresholding ............................. 127 5.6.3. Segmentasi Citra Menggunakan Deteksi Objek........................... 128 5.7. Deteksi dan Pengukuran Biometri Janin.............................................. 134 5.7.1. Hough Transform untuk Deteksi Elips ............................................ 134 5.7.2. Swarm Intelligence......................................................................... 139 5.7.3. Hough Transform dan Swarm Intelligence untuk Deteksi Elips ...... 141 5.7.4. Perbaikan terhadap Deteksi Elips menggunakan Hough Transform ............................................................................................................... 143 5.8. Sistem Telehealth Pertumbuhan Janin (TERRAIN).............................. 147 5.8.1 Fitur-FItur Sistem Telehealth Pertumbuhan Janin (TERRAIN) ...... 148 5.8.2 Implementasi Terrain Server ........................................................ 152 BAB 6

Metode Klasifikasi.......................................................................... 154

6. 1 LVQ....................................................................................................... 155 6.1.1 Ide Dasar LVQ ................................................................................. 155 6.1.2 LVQ1 ...............................................................................................156 6.1.3 LVQ2 ............................................................................................... 157 6.1.4 LVQ2.1 ............................................................................................158 6.1.5 LVQ3 ...............................................................................................159 6.1.6 GLVQ ............................................................................................. 160 6.1.7 FNLVQ ............................................................................................163 6.2 Multi Layer Perceptron......................................................................... 167 6.2.1 Karakteristik Backpropagation....................................................... 167 6.2.2 Contoh Eksekusi Algoritma Backpropagation ............................... 175 6.3 Pengembangan Lanjut GLVQ ............................................................... 182 6.3.1 FNGLVQ .......................................................................................... 182 6.3.2 Mahalanobis GLVQ ........................................................................ 192 10 TeknikBiomedis : Teori dan Aplikasi

6.3.3 Adaptive FNGLVQ .......................................................................... 193 6.3.4 Adaptive Multicodebook FNGLVQ................................................ 198 6.4 Adaboost.............................................................................................. 210 Daftar Pustaka ........................................................................................... 213

11


BAB 1 Pendahuluan TeknikBiomedis:Teori dan Aplikasi

12


1.1 Pendahuluan Pada kehidupan modern yang serba cepat, dan penuh dengan berbagai macam aktifitas, kesehatan merupakan aset yang sangat berharga dalam menunjang kegiatan tersebut. Untuk menunjang kesehatan sering kali kita memiliki ketergantungan kepada dunia medis dan peralatan pendukungnya untuk menghilangkan sakit maupun untuk menjaga stamina tubuh agar tetap fit. Bertambahnya populasi manusia di dunia ditambah dengan pola hidup dan pola makan yang tidak sehat sangat mempengaruhi kondisi kesehatan manusia. Kehidupan manusia sangat dipengaruhi oleh situasi dan kondisi kesehatannya. Selain faktor kesehatan, ada faktor lain yang mempengaruhi keadaan manusia yakni kondisi kebugaran, tekanan kejiwaan dan permasalahan hidup yang sedang dihadapi. Perubahan-perubahan ini dapat diamati melalui perubahan kinerja organ tubuh manusia. Perubahan ini sangat berpengaruh terhadap kinerja jantung, hati, pankreas, paru-paru dan ginjal. Detak jantung untuk orang sehat, tentunya berbeda dengan detak jantung orang yang sedang tertekan/depresi, berbeda dengan detak jantung orang yang ketakutan, berbeda dengan detak jantung orang yang menderita penyakit degeneratif maupun yang menderita penyakit lainnya. Begitu pula kerja ginjal untuk orang yang sehat berbeda dengan kinerja ginjal orang yang sedang terkena penyakit kencing batu. Dalam cabang ilmu kedokteran dikenal suatu cabang yang dikenal sebagai Ilmu Teknik Biomedis (Biomedis saja). Ilmu Biomedis ini menerapkan azas-azas dan pengetahuan dasar tentang Ilmu Pengetahuan Alam yang meliputi Kimia, Biologi, Fisika, dan Matematika untuk menjelaskan fenomena molekul, sel, organ, dan virus yang berhubungan dengan penyakit dan pengembangan perawatan medis yang tepat untuk mengobati, mencegah, dan membantu pada tahap pemulihan kondisi kesehatan pasien. Berdasarkan “The Biomedical Engineering Handbook: Second Edition" yang disusun Joseph D. Bronzino, teknik biomedis dapat dikategorikan dalam beberapa subbidang disiplin. Walau memang dalam pengkategorian tersebut masih terdapat persilangan antara satu sama lainnya. Bagan kategori subbidang tersebut dapat dilihat pada Gambar 1.1. 13


Gambar 1.1 Bidang Disiplin Teknik Biomedis

Ilmu Biomedis adalah cabang ilmu kedokteran yang menggunakan azas-azas dan pengetahuan dasar ilmu pengetahuan alam (Biologi, Kimia dan Fisika) untuk menjelaskan fenomena hidup pada tingkat molekul, sel, organ dan organisme utuh, dan berhubungan dengan penyakit dan pengembangan bahan yang tepat untuk mencegah, mengobati dan memulihkan kerusakan akibat penyakit. Penelitian dalam ilmu biomedis ini dapat dibagi menjadi dua 14 TeknikBiomedis : Teori dan Aplikasi

kategori umum yaitu evaluasi pengobatan baru untuk keamanan dan keberhasilan dalam hal uji klinis, dan semua penelitian lain yang memberikan kontribusi untuk pengembangan pengobatan baru. Demikian luas cakupan ilmu biomedis sehingga terbuka peluang bagi semua disiplin ilmu untuk mempelajarinya dan membantu memecahkan masalah yang ada pada bidang kesehatan baik dari segi material maupun sampai proses rehabilitasi. Biomedis adalah ilmu yang merupakan integrasi dari beberapa disiplin ilmu. Definisi biomedis seperti yang dikatakan oleh The National Institutes of Health pada tahun 1997 : "Bioengineering integrates physical, chemical, or mathematical sciences and engineering principles for the study of biology, medicine, behavior, or health. It advances fundamental concepts, creates knowledge from the molecular to the organ systems levels, and develops innovative biologics, materials, implants, devices, and informatics approaches for the prevention, diagnosis, and treatment of disease, for patient rehabilitation , and for improving health." Inti dari definisi tersebut menyatakan bahwa teknik biomedika merupakan gabungan dari beberapa prinsip dasar ilmu kimia, biologi, sains matematika, dan engineering untuk membantu memecahkan masalah yang ada pada bidang kesehatan baik dari segi material sampai proses rehabilitasi. Sedangkan, ilmu biomedis yang pertama kali dikembangkan secara edukasi oleh Universitas Pennsylvania di Philadelphia didefinisikan oleh Prof.Kenneth R. Foster : "Biomedical engineering is presently undergoing explosive growth. The field began when engineers partnered with physicians to develop solutions to medical problems. The discipline has now developed an identity of its own, and is moving into areas such as tissue engineering and neuroscience that are far from the original engineering roots of the field. At the sametime, biomedical engineers are still making important contributions to such traditional subjects such as biomedical signal analysis, physiological modeling, and instrumentation." Inti sari definisi tersebut juga menyatakan bahwa teknik biomedika merupakan integrasi dari beberapa disiplin ilmu seperti engineer dan kedokteran untuk menemukan solusi pada masalah bidang kesehatan. Perkembangan teknik biomedika sangat pesat bahkan hampir meninggalkan 15


akar engineering itu sendiri. Namun untungnya teknik biomedika masih berada di jalur tradisi seperti pada bidang bio-signal processing. Dalam penerapannya, teknik biomedis masa kini memanfaatkan berbagai peralatan elektronik dalam melakukan penanganan medis. Beberapa peralatan yang sudah umum digunakan saat ini antara lain adalah elektrokardiogram (ECG/EKG) yang digunakan untuk mengukur detak jantung, elektroensefalogram (EEG) yang digunakan untuk mengukur aktivitas gelombang otak, mesin sinar-X yang digunakan untuk melihat bagian struktur bagian dalam tubuh, alat Ultrasonography (USG) yang biasa digunakan untuk melihat kondisi perut seorang ibu yang sedang mengandung, dan masih banyak lagi. Pada subbab-subbab berikutnya, penjelasan-penjelasan mengenai peralatan tersebut akan lebih diperinci.

1.2 Sejarah Teknik Biomedis Pada masa sebelum abad ke-20 M, teknik pengobatan masih bergantung pada teknik pengobatan yang ditemukan ilmuwan-ilmuwan Arab jauh sebelumnya. Dalam teknik pembedahan sebut saja Abu Qasim AlZahrawi yang hidup sekitar abad ke-10 M, penemu alat-alat bedah. Alat-alat temuan Al-Zahrawi antara lain adalah pisau bedah, benang penjahit bekas bedah, alat suntik, dan sebagainya. Al Zahrawi dan gambar alat-alat bedahnya dapat kita lihat pada Gambar 1.2.

Gambar 1.2 Al Zahrawi (kiri) dan salah satu halaman buku yang menerangkan peralatan-peralatan bedahnya (kanan) 16 TeknikBiomedis : Teori dan Aplikasi

Tidak hanya peralatannya saja, prosedur pembedahan pada masa itu juga telah ia kembangkan. Salah satu contoh prosedur yang digagas AlZahrawi adalah mengikat organ tubuh untuk mencegah pendarahan. Selain itu, ia menggunakan benang yang dikembangkannya untuk menjahit luka pascabedah. Hal tersebut akan dapat membuat pendarahan berhenti dan segera membeku. Penemuan-penemuan Al-Zahrawi merupakan fondasi dari teknik biomedis awal yang sangat bermanfaat dan terus digunakan selama berabad-abad. Jika berbicara mengenai sejarah teknik biomedis pada masa modern saat ini, perkembangan Ilmu Fisika tidak akan dapat terlepas dari pembahasannya, terutama dalam bidang instrumentasi elektronika. Dalam hal ini, pengetahuan dasar tentang gelombang elektromagnetik merupakan fondasi dari pengembangan perangkat-perangkat yang nantinya akan dimanfaatkan dalam bidang Biomedis. Semua dimulai dari penemuan Michael Faraday, seorang ahli fisika dan kimia asal Inggris pada tahun 1831. Penemuan tersebut terkait perihal mengenai kelistrikan dan kemagnetan atau yang saat ini biasa disebut induksi elektromagnetik. Faraday dan ilustrasi percobaannya dapat kita lihat pada Gambar 1.3.

Gambar 1.3 Michael Faraday (kiri) dan ilustrasi percobaan induksi elektromagnetiknya (kanan) Di saat yang hampir bersamaan Joseph Henry, seorang ilmuwan asal Amerika, juga melakukan percobaan induksi elektromagnetik. Ia membuat besi tergulung kumparan kawat di sekelilingnya menghasilkan elektro 17


magnet setelah dialiri listrik dari kedua elektrodanya. Walau Faraday dan Henry bekerja secara terpisah, mereka mengerjakan pekerjaan yang sama terkait induksi elektromagnetik. Walau sudah ditemukan jauh sebelumnya, persamaan mengenai hukum elektro magnet baru dirumuskan pada tahun 1860. Ilmuwan yang memiliki andil besar dalam perumusan hukum tersebut adalah James Clerk Maxwell, seorang ilmuwan asal Skotlandia. Ia menerjemahkan penemuan pada eksperimen yang dilakukan oleh Faraday ke dalam bahasa (rumus) matematika. Dalam usahanya merumuskan fenomena elektromagnetik Maxwell akhirnya sampai pada satu set persamaan yang secara komprehensif menjelaskan tentang hubungan antara medan listrik dan medan magnet serta bagaimana dapat memproduksinya. Teori Maxwell berpengaruh besar terhadap berbagai hal terkait pemahaman tentang dunia secara fisik serta berbagai jenis gelombang elektromagnetik yang bermanfaat bagi kehidupan umat manusia. Fenomena yang telah ditemukan Faraday dan Henry serta teori Maxwell akhirnya menuntun penemuan gelombang yang sangat bermanfaat bagi banyak keperluan di masa sekarang ini. Salah satu wujud nyata dari manfaat fenomena yang ditemukan sebelumnya serta perumusan persamaan elektromagnetik oleh Maxwell adalah ditemukannya gelombang elektromagnetik oleh seorang fisikawan asal Jerman, Heinrich Hertz. Penemuan tersebut didapat dari eksperimen yang dilakukannya pada tahun 1887 yang dilakukan dengan mendapatkan frekuensi dari gelombanggelombang tak terlihat. Penemuan ini memperkuat pembuktian tentang teori yang belum lama telah diutarakan oleh Maxwell. Pada masa awal-awal penemuannya, gelombang-gelombang tersebut dinamakan "Hertzian waves". Namun demikian, pada masa kini gelombang tersebut dikenal sebagai gelombang-gelombang radio. Penemuan pertama yang langsung dapat dihubungkan dengan teknik biomedis adalah penemuan sinar-X (X-rays) oleh Wilhelm Conrad Röntgen. Röntgen adalah fisikawan asal Jerman yang merupakan profesor fisika Würzburg University. Kisah penemuan sinar-X dimulai pada petang hari tanggal 8 November 1895. Saat itu Röntgen sedang di laboratorium untuk mempelajari bagaimana tabung sinar katoda bisa mengeluarkan cahaya. Perhatiannya terganggu oleh sebuah layar berpendar (fluorescent screen) di 18 TeknikBiomedis : Teori dan Aplikasi

dalam laboratoriumnya yang bersinar tanpa alasan yang jelas. Fenomena tersebut membuatnya kebingungan karena layar tersebut posisinya lumayan jauh dari tabung untuk dapat terpengaruh sinar-sinar katoda. Fenomena membingungkan yang ditemukan oleh Röntgen tidak diabaikannya begitu saja. Rasa ingin tahunya membuatnya mencoba melakukan investigasi mengenai sumber yang menyebabkan hal tersebut (cahaya pada layar) terjadi. Percobaan yang dilakukan Röntgen sampaisampai membuatnya tidak meninggalkan laboratoriumnya selama berminggu-minggu. Namun demikian usahanya tidaklah sia-sia. Pada akhirnya ia menemukan bahwa sinar-sinar katoda pada tabung kaca hampa udara telah membuat sejenis sinar tak tampak yang baru. Sinar-sinar tersebut memiliki kemampuan menembus yang tidak biasa, yaitu dapat merambat walau dihalangi kayu, tembaga, dan aluminium serta dapat direkam pada pelat fotografis. Pada awalnya, Röntgen jarang terlihat tampil dalam konferensi ilmiah maupun menulis paper ilmiah. Namun demikian penemuan sinar-X yang tak diduga sebelumnya, berdampak besar pada kehidupannya. Ia memahami bahwa ia harus mengatasi sifat malu dan keengganannya dalam berbicara serta menyebarkan informasi tentang penemuan pentingnya ke komunitas sesegera mungkin. Pada akhirnya ia menulis 10 halaman artikel berjudul "On a new kind of rays" yang diterima oleh Proceedings of the Würzburg PhysicalMedical Society pada 28 Desember 1895. Röntgen menamakan penemuannya sebagai X-radiation atau X-rays yang diambil dari istilah matematika 'X' yang mengacu pada hal yang tidak diketahui. Ia sangat menyukai istilah ini walaupun para peneliti lainnya bersikeras untuk menyebutnya Röntgen rays. Foto sinar-X pertama Röntgen yang berdampak luar biasa di seluruh dunia adalah foto tangan istrinya, Anna Bertha, yang tembus sehingga terlihat cincin dan tulang tangannya. Gambar Röntgen beserta foto sinar-X tersebut dapat dilihat pada Gambar 1.4. Para dokter memahami bahwa teknik fotografis baru ini dapat membantu untuk melihat ke dalam tubuh manusia tanpa pembedahan. Dalam dunia kedokteran sinar Röntgen dimanfaatkan untuk mendiagnosis keretakan tulang, menemukan lokasi peluru yang tertanam di tubuh, dan mengidentifikasi penyebab kekeraman. Karena penemuan sinar-X pulalah, departemen radiologi diadakan di berbagai rumah sakit. 19 TeknikBiomedis : Teori dan Aplikasi

Gambar 1.4 Wilhelm Conrad Röntgen (kiri) dan foto sinar-X dari tangan istrinya, Anna Bertha (kanan) Setelah publikasi pertama mengenai penemuan sinar-X, informasi mengenai penemuan Röntgen ini tersebar ke berbagai media dari mulai jurnal ilmiah sampai halaman pertama (headline) koran harian. Pada akhir tahun 1896, lebih dari 1000 buku dan papers telah mempublikasikan sinar-X serta aplikasi-aplikasinya. Fakta menariknya adalah publikasi-publikasi tersebut justru sebagian besar tidak berasal dari Röntgen sendiri. Röntgen hanya mempublikasikan dua papers lagi tentang sinar-X. Hal luar biasa lainnya yang Röntgen lakukan (atau tidak lakukan?) adalah ia menolak untuk mematenkan penemuannya. Ia meyakini bahwa penemuan-penemuannya adalah milik dunia secara luas. Hal tersebut membuat para peneliti di seluruh dunia dapat melakukan eksperimen terhadap sinar-X. Reaksi dunia terhadap sinar-X yang ditemukannya akhirnya membuat Wilhelm Conrad Röntgen, pada tahun 1901, meraih hadiah Nobel pertama dalam bidang fisika. Kalimat motivasi penobatannya adalah "in recognition of the extraordinary services he has rendered by the discovery of the remarkable rays subsequantly named after him". Penemuan penting lainnya dalam bidang biomedis adalah penemuan mekanisme elektrokardiogram (EKG) oleh Willem Einthoven. Einthoven adalah seorang fisiolog asal Belanda yang lahir pada tahun 1860 di Semarang, Jawa, Indonesia, yang dulunya merupakan wilayah bagian Hindia Belanda. 20 TeknikBiomedis : Teori dan Aplikasi

Pada tahun 1903, ia membuat string galvanometer yang menjadi cikal bakal elektrokardiogram. Ilustrasi dari string galvanometer Einthoven dapat dilihat pada Gambar 1.5.

Gambar 1.5 Ilustrasi String Galvanometer Einthoven Dengan menggunakan string galvanometer, Einthoven meletakkan dua sensor pada kulit dan mengaitkannya dengan kabel perak yang digantung melalui lubang yang berakhir pada sebuah magnet permanen berukuran besar. Kabel perak tersebut bergerak dengan ritme tertentu sehingga menggambarkan detak jantung yang sesuai. Dengan memproyeksikan secercah cahaya tersorot melewati kabel perak yang bergetar, Einthoven dapat merekam pergerakan kabel sebagai gelombang. Perekaman tersebut dilakukan dengan meletakan kertas fotografi tergulung yang bergerak pada akhir sorotan cahaya. Walaupun pada masa kini sudah banyak elektrokardiogram yang dibuat menggunakan teknologi digital dan bahkan mencapai ukuran yang cukup kecil dan portabel, kardiogram dengan string galvanometer masih menjadi standar baku referensi untuk berbagai kasus sampai saat ini. 21


Atas jasa besarnya dalam menemukan mekanisme elektrokardiogram, Willem Einthoven dinobatkan sebagai penerima hadiah Nobel Kedokteran pada tahun 1924. Kalimat motivasi penobatannya adalah "for his discovery of the mechanism of the electrocardiogram". Sinyal yang dikeluarkan elektrokardiogram saat ini umum digunakan untuk melihat aktivitas jantung yang abnormal untuk dibandingkan dengan sinyal jantung yang normal. Sejarah teknik biomedis berlanjut ke penemuan elektroensefalograf (EEG) yang dibuat oleh Hans Berger, dari Universitas Jena di Austria, pada tahun 1924. EEG adalah alat yang digunakan untuk mengukur dan merekam aktivitas elektris dari otak. Untuk mengetahui bagaimana hal ini dapat ditemukan, kita mundur sedikit ke tahun 1875. Pada saat itu, seorang ahli bedah dari Liverpool, Inggris, mengukur potensi elektris dari membran dari kelinci dan kera. Selanjutnya pada tahun 1912, fisiolog Rusia, PravdichNeminski mempublikasikan paper yang mempresentasikan rekaman fotografis dari aktifitas otak. Pada akhirnya, berdasarkan temuan-temuan yang dilakukan para peneliti tersebut sebelumnya, Berger membuat elektroensefalogram pertamanya. Foto diri Berger beserta keluaran gelombang EEG-nya dapat dilihat pada Gambar 1.6.

Gambar 1.6 Hans Berger (atas) dan hasil EEG pertamanya (bawah) Alat EEG pertama Berger selanjutnya digunakan pada operasi bedah syaraf seorang anak berusia 17 tahun oleh seorang ahli bedah syaraf bernama Nikolai Guleke. Ia melaporkan hal tersebut pada tahun 1929 dan memperkenalkan istilah gelombang Alfa dan Beta. Setelah itu, pada tahun 22 TeknikBiomedis : Teori dan Aplikasi

1935, amplifier elektrik digunakan untuk membuktikan bahwa aktifitas elektris dari lapisan otak memiliki suatu ritme yang spesifik. Penemuan ensefalografi merupakan sebuah batu loncatan dalam perkembangan ilmu jaringan syaraf (neuroscience) serta hal-hal terkait neurologis dan bedah syaraf. Salah satu alat terpenting lainnya dalam dunia penelitian biomedis adalah penemuan mikroskop elektron pada awal tahun 1930-an oleh dua kelompok yang berbeda di Jerman. Kelompok pertama adalah Hans Herman Knoll dan Ernst Ruska dari Universitas Berlin sedangkan kelompok kedua adalah Reinhold Rüdenberg dari Siemens-Schuckert, sebuah perusahaan peralatan elektronik pada masa itu. Detail dari mikroskop elektron dapat dilihat pada Gambar 1.7.

Gambar 1.7 Mikroskop Elektron Pada masa perang dunia ke-II dunia dalam kondisi berkecamuk, negara-negara besar menginvasi negara-negara lainnya untuk menjajah. Ditambah lagi kekhawatiran akan bahaya peperangan dengan menggunakan senjata nuklir, hal tersebut semakin parah setelah pihak sekutu Amerika 23 TeknikBiomedis : Teori dan Aplikasi

Serikat membom Atom Nagasaki dan Hiroshima. Setelah perang dunia ke-2 berakhir dunia terpecah menjadi dua kubu, yakni kubu komunis yang dipimpin oleh Uni Soviet dan kubu sekutu yang dipimpin oleh Amerika Serikat. Dunia kembali berkecamuk dengan terjadinya perang dingin antara kedua kubu. Terjadi perlombaan pengembangan senjata nuklir, pengembangan senjata biologis, dan juga penyalahgunaan penelitian ilmiah teknologi biomedis yang diujikan pada manusia. Masyarakat dunia yang cemas terhadap kondisi ini mulai merancang usaha-usaha untuk melindungi terhadap kemungkinan penyalahgunaan penelitian terhadap manusia. Kode etik internasional pertama untuk penelitian yang melibatkan subyek manusia diterbitkan yang biasa disebut kode Nuremberg (Nuremberg Code). Kode ini dimunculkan sebagai wujud tanggapan terhadap kekejaman dokter-dokter peneliti NAZI yang menggunakan subyek manusia sebagai obyek penelitiannya, yang terungkap pada Pengadilan Kejahatan Perang Nuremberg. Dengan demikian kode ini dibuat untuk mencegah berulangnya pelanggaran terhadap hak-hak dan kesejahteraan manusia oleh para dokter peneliti, sehingga lahirlah etika penelitian manusia. Pada tahun 1952, perhatian paling utama dari penelitian bidang teknik biomedis terkait kardiologi adalah penemuan alat pacu jantung pertama (cardiac pacemaker). Alat tersebut dibuat oleh Paul Maurice Zoll, seorang Amerika, yang bekerja pada Beth Israel Hospital di Boston. Dalam pengembangannya, Dr. Zoll bekerjasama dengan para insinyur dari Electrodyne Company. Alat pacu jantung yang dibuat saat itu adalah external pacemaker yang menstimulasi detak jantung melalui elektroda besar yang diletakkan di dada. Alat pacu yang sepenuhnya ditanam di dalam tubuh adalah pacemaker yang dibuat pada 1958 dan 1959 oleh Wilson Greatbatch dan William M. Chardack. Dalam bidang teknologi pencitraan pada teknik biomedis, penggunaan ultra-sound tidak dapat diindahkan dari sejarah. Pada akhir 1940an dan tahun 1950-an, sejumlah kelompok di berbagai negara, antara lain Jepang, Austria, Perancis, dan Amerika Serikat, memprakarsai pembuatan teknik pencitraan medis menggunakan ultrasound. Teknik ini menggunakan suara frekuensi tinggi yang akan merefleksikan struktur dalam tubuh. Sebagai pionir dari teknologi cross-sectional imaging, teknik yang yang saat ini dikenal 24 TeknikBiomedis : Teori dan Aplikasi

sebagai ultrasonografi banyak digunakan untuk mengembangkan teknologi lanjut berikutnya.

1.3 Peralatan-peralatan dalam Teknik Biomedis Pada subbab-subbab sebelumnya telah disebutkan bahwa dalam teknik biomedis banyak peralatan yang dimanfaatkan dalam melakukan / membantu penanganan medis. Oleh karena itu, beberapa peralatan yang umum digunakan sampai saat ini akan dibahas lebih jauh dalam subbab ini. Dalam penjelasan, nanti, masih akan ada alat-alat yang dibahas lebih detail dalam bab-bab berikutnya karena terkait dengan penelitian-penelitian yang sudah dilakukan penulis bersama rekan-rekan peneliti lainnya.

1.3.1 Alat Foto Sinar-X (Röntgen) Alat pencitraan (imaging) yang sudah lama ditemukan oleh Wilhelm Conrad Röntgen ini masih banyak digunakan untuk berbagai hal sampai saat ini. Pada awalnya, sinar-X hanya digunakan untuk mendiagnosis keretakan dan pergeseran tulang. Namun demikian, seiring perkembangan teknologi, penggunaan sinar-X diperbolehkan untuk digunakan dalam mendiagnosis berbagai penyakit dan cedera secara luas. Pada dasarnya, setiap alat / mesin yang memanfaatkan sinar-X, dari mulai alat foto sinar-X yang konvensional sampai alat yang lebih modern saat ini seperti computerized tomography (CT) scanner, menggunakan beberapa konsep / perangkat dasar yang sama. Perangkat-perangkat tersebut antara lain adalah sumber penembak sinar-X, collimator, dan pendeteksi sinar-X. Alat sinar-X medis biasanya mengeluarkan (generate) sinar-sinar dengan energi sekitar 20-150 keV. Secara umum, sinar-sinar tersebut diproduksi oleh tabung sinar katoda yang menciptakan sorotan sinar-sinar X. Sorotan tersebut dibentuk oleh sebuah collimator lalu diarahkan ke tubuh pasien. Hasil akhir dari sorotan tersebut selanjutnya ditangkap oleh pendeteksi sinar yang akan merepresentasikan gambar bayangan dari tubuh pasien. Pada alat sinar-X konvensional, sorotan sinar-X langsung diarahkan ke sebuah layar film, sehingga langsung tercetak. Kelemahan sistem konvensional ini adalah jika ada foto yang kurang baik layar film harus diganti dengan yang baru sehingga akan menambah biaya. Selain itu, pada masa sekarang dimana sebuah data dapat bernilai sangat penting, kebutuhan akan 25 TeknikBiomedis : Teori dan Aplikasi

perolehan data yang nantinya dapat diproses oleh komputer tidak dapat dipenuhi dengan foto langsung. Dengan adanya detektor, data dapat disimpan dalam komputer maupun jaringan. Hal ini juga akan sangat membantu untuk menghindari foto ulang jika terjadi foto fisik sinar-X yang sudah dicetak sebelumnya hilang.

1.3.2 Elektrokardiogram (EKG/ECG) Dalam buku ini, akan banyak sekali penjelasan detail mengenai elektrokardiogram (EKG/ECG). Oleh karena itu, dalam subbab ini hanya akan disampaikan pengantar mengenai alat EKG. Seperti telah dijelaskan sebelumnya, bahwa Willem Einthoven menemukan mekanisme kardiogram pertama dengan menggunakan string galvanometer, alat EKG yang ada saat ini masih menggunakan konsep yang sama. Walau demikian, seiring perkembangan zaman, saat ini alat EKG sudah menggunakan perangkat elektronik dan komputer yang modern. Berdasarkan “Introduction to Biomedical Engineering - Third Edition” yang disusun john d. Enderle dan Joseph D. Bronzino, ada beberapa komponen penyusun dari alat EKG yang ada saat ini. Komponen beserta mekanisme lengkapnya ada pada Gambar 1.8.

Tubuh Pasien

Sensor

Pemroses Analog

Kendali dan feedback

Konversi Analog ke Digital

Kalibrasi

Pemrosesan Sinyal

Tampilan luaran

Penyimpanan Data

Pengiriman / Transmisi Data

Gambar 1.8 Mekanisme Elektrokardiogram

26 TeknikBiomedis : Teori dan Aplikasi

Dapat kita lihat pada gambar tersebut bahwa mekanisme elektrokardiogram saat ini terdiri dari perolehan data oleh sensor, konversi dari sinyal / data analog ke digital, pemrosesan sinyal, serta perolehan data maupun keluaran. Sensor yang umum digunakan pada alat EKG saat ini adalah elektroda yang dipasang di beberapa tempat di tubuh seorang pasien. Jenis elektroda ini biasanya adalah noninvasive bipotential electrodes yang biasa disusun oleh sejenis polimer dan elastomer yang membuat konduksi listrik dengan menambahkan bahan karbon atau serbuk logam. Tipe paling umum dari elektroda tersebut adalah perak atau perak klorida (Ag/AgCl) yang dibentuk secara elekrokimia. Dalam hal luaran (output), setelah data didapatkan, operator atau pengamat dapat menganalisis data yang dapat berupa angka maupun grafik, diskret maupun kontinu, serta permanen maupun sementara. Pada umumnya, alat tersebut menyediakan luaran yang dapat dianalisis secara visual, namun demikian saat ini ada beberapa alat yang menyediakan fitur berupa keluaran suara. Fitur tersebut biasanya menyediakan suara yang keluar setiap terjadinya detak jantung.

1.3.3 Elektroensefalogram (EEG) Elektroensefalogram (EEG) merupakan alat yang digunakan untuk mengukur gelombang otak. EEG merekam potensial listrik yang diproduksi oleh otak yang besarannya sekitar kurang dari 300 µV. Seperti yang sudah dikemukakan pada subbab sebelumnya bahwa Hans Berger adalah orang yang pertama mengembangkan alat EEG untuk menganalisis gelombang otak manusia. Dari penelitian awal yang dilakukannya, ia menemukan bahwa potensial listrik tidak teratur yang besarnya sekitar 50 sampai 100 µV datang dari otak manusia. Dengan melakukan studi lanjut selama beberapa tahun, ia menemukan bahwa gelombang otak tidak sepenuhnya tanpa pola, melainkan mengeluarkan tampilan yang menunjukkan kebiasaan serta aturan periodik tertentu. Salah satu contoh dari temuan Berger adalah gelombang otak berjalan lambat sewaktu tidur, yaitu menampilkan pola sinkronisasi dengan amplitudo tinggi dan frekuensi rendah sekitar kurang dari 3 Hz. Di lain pihak, eksperimen Berger yang dilakukan terhadap kondisi otak saat sadar (tidak tertidur) menghasilkan gelombang yang lebih cepat, yaitu pola dissinkronisasi dengan amplitudo rendah dan frekuensi tinggi lebih tinggi sekitar 15-25 Hz. 27 TeknikBiomedis : Teori dan Aplikasi

Saat ini sudah banyak teknik pembacaan EEG yang lebih kompleks. Namun demikian, berbeda dengan sinyal jantung yang dibaca oleh EKG, sinyal EEG sangat sulit dianalisis oleh pengamat yang tidak terlatih. Hal tersebut sebagian disebabkan oleh pemetaan spasial ke beberapa region dari otak serta penempatan elektrodanya. Dalam hal perolehan data, sensor yang dipakai dalam EEG adalah Elektroda berbentuk cup dan subdermal needle. Pada cup electrodes dibuat dari platinum atau logam putih lainnya dengan diameter sekitar 5-10 mm. Elektroda tersebut diisi oleh gel elektrolit dan dapat ditempelkan di kulit kepala menggunakan semacam perekat. Selanjutnya subdermal electrodes juga merupakan pilihan untuk digunakan dalam perekaman EEG. Hal tersebut disebabkan karena perekaman yang lumayan sulit pada kulit kepala yang terhalang rambut maupun kulit berminyak. Elektroda tersebut terbuat dari platinum atau jarum anti karat dengan panjang 10 mm dan lebar 0.5 mm. Penggunaannya adalah dengan memasukkannya ke bawah kulit dengan tujuan untuk mendapatkan kontak listrik yang lebih baik.

1.3.4 Ultrasonography (USG) Alat Ultrasonografi (USG) adalah alat yang memancarkan gelombang suara berfrekuensi tinggi yaitu sekitar 1-5 MHz. Gelombang tersebut nantinya akan ditangkap menggunakan Probe yang merupakan alat ukur jarak antara organ tempat gelombang suara terpantul kembali ke dirinya.

Gambar 1.9 Mesin USG Modern


Alat USG biasa digunakan untuk melihat kondisi perut seorang ibu yang mengandung. Karena waktu pemantulan yang berbeda-beda dari bagian-bagian dalam perut ibu, maka akan didapatkan kondisi di dalam rahim. Contoh mesin USG modern dapat dilihat pada Gambar 1.9.

1.4 Susunan Buku Buku ini membahas dasar instrumentasi medis, analisis sinyal dan citra medis, serta instrumen terapi. Analisis sinyal dan citra medis terutama difokuskan pada sinyal ECG, citra termal kanker payudara, dan juga instrumen terapi terutama untuk penyakit jantung dan penyakit kanker. Hal ini berkaitan dengan pengalaman penelitian yang telah dilakukan oleh penulis beserta rekan-rekan peneliti.


BAB 2 Jantung: Penyakit dan Penanganannya TeknikBiomedis:Teori dan Aplikasi


Jantung merupakan organ vital yang tanpa lelah memompa darah ke tubuh anda baik tubuh anda dalam keadaan istirahat maupun dalam keadaan bekerja. Jantung tersebut yang membuat kita tetap hidup dan memberikan nutrisi untuk setiap sel jaringan dalam tubuh. Jantung dan sistem peredaran darah bersama-sama membentuk sistem kardiovaskular, yang dapat mendistribusikan oksigen dan nutrisi ke sel-sel tubuh, serta membawa pergi karbon dioksida dan produk limbah lainnya keluar tubuh. Jantung melakukan aksi pemompaan dengan kekuatan untuk mendorong darah terlebih dahulu ke paru-paru untuk mengambil oksigen, kemudian darah bersih dari paru-paru masuk ke dalam sistem peredaran darah. Peredaran darah membawa sistem darah keluar ke jaringan darah melalui arteri, kemudian kembali ke jantung melalui vena. Lebih dari 60,000 juta mil pembuluh darah yang terlibat dalam jaringan peredaran darah tersebut. Apabila pembuluh darah tersebut tidak mendapat asupan darah yang cukup, maka seseorang dikatakan terkena penyakit jantung. Tersumbatnya pembuluh darah tersebut diantaranya bisa diakibatkan oleh penimbunan lemak (kolesterol) pada serabut otot jantung atau konsentrasi darah terlalu pekat dikarenakan penyakit keturunan seperti diabetes, dan kurang berolahraga.Pada bab ini akan dijelaskan mengenai penyakit jantung, sebab penyakit dan cara penanganannya. Sebelum membahas tentang Penyakit Jantung, kita terlebih dahulu akan membahas tentang jantung. Jantung merupakan organ muskular yang terletak di atas epigastrum dan ruang antara paru (mediatinum) tepat di tengah rongga dada. Kira-kira dua pertiga jantung terletak di sebelah kiri garis tengah sternum. Jantung dilapisi membran yang disebut perikardium.Jantung terdiri dari empat ruangan yaitu atrium kiri dan kanan, ventrikel kiri dan kanan.Atrium mempunyai dinding tipis dan berfungsi menerima darah. Atrium kanan menerima darah dengan kadar oksigen rendah dari vena cava superior dan inferior dan meneruskan ke ventrikel kanan melalui katup tricuspid, selanjutnya ke arteri pulmonal. Darah kaya oksigen akan dialirkan ke atrium kiri melaui vena pulmonal dan selanjutnya ke ventrikel kiri melalui katup mitral, serta dipompa ke seluruh tubuh melalui aorta. (gambar 2.1).

31


Gambar 2.1 Gambar anatomi dan fisiologi jantung dan pembuluh darah Jantung merupakan sistem elektromekanikal dimana sinyal untuk kontraksi otot jantung timbul akibat dari penyebaran arus listrik di sepanjang otot jantung. Sistem konduksi terdiri dari sel otot jantung yang memiliki sifat unik, terdiri dari: 1) Nodal Sinortrial (SA) a) Nodal SA merupakan sekumpulan sel yang terletak di bagian sudut kanan atas atrium kanan dengan ukuran panjang 10-20 mm dan lebar 2-3 mm serta merupakan pacemaker jantung. b) Nodal SA mengatur ritme jantung (60-100/ menit) dengan mempertahankan kecepatan depolarisasi serta mengawali siklus jantung ditandai dengan sistol atrium. c) Impuls dari nodal SA menyebar pertama sekali ke atrium kanan lalu ke atrium kiri (melalui berkas Bacham) yang selanjutnya diteruskan ke nodal atrioventrikular (AV) melalui traktus intermodal. 2) Nodal Artrioventrikular (AV) a) Nodal AV terletak dekat septum interatrial bagian bawah, diatas sinus koronarius dan dibelakang katup tricuspid yang berfungsi memperlambat kecepatan konduksi sehingga memberikan 32 TeknikBiomedis : Teori dan Aplikasi

kesempatan atrium mengisi ventrikel sebelum sistol ventrikel serta melindungi ventrikel dari stimulasi berlebihan atrium seperti pada fibrilasi atrial. b) Nodal AV menghasilkan impuls 40-60x/ penit dan kecepatan konduksi 0.005 meter/ detik. c) Impuls dari nodal AV akan diteruskan ke berkas His. d) Sistem His-Purkinje i. Berkas His terbagi menjadi berkas kanan dan kiri. Berkas His kiri terbagi menjadi berkas anterior kiri, posterior dan septal. ii. Berkas-berkas tersebut bercabang menjadi cabang-cabang kecil atau serabut purkinje yang tersebar mulai dari septum interventrikel sampai muskus papilaris dan menghasilkan impalas 20-40x/ menit dengan kecepatan 4 meter/ detik. iii. Impuls listrik menyebar mulai dari endokardium ke miokardium dan terakhir mencapai epikardium, selanjutnya otot jantung akan bergerak (twisting) dan memompa darah ke ruang ventrikel ke pembuluh darah arteri. Sebagai gambaran lebih jelasnya, lihat gambar 2.2.

Gambar 2.2 Anatomi dan fisiologi sistem konduksi jantung 33 TeknikBiomedis : Teori dan Aplikasi

Potensial aksi jantung terbagi menjadi beberapa fase sebagai berikut: - Fase 0: Depolarisasi cepat (fast sodium chanel): terjadi pemasukan Na+ dari luar sel ke dalam sel melalui saluran Na+. Ion K+ bergerak ke luar sel dan Ca++ bergerak lambat masuk ke dalam sel melalui saluran Ca++. Sel akan terdepolarisasi dan dimulailah kontraksi jantung ditandai dengan kompleks QRS pada electrocardiogram (EKG). Selanjutnya terjadi repolarisasi segera yang terdiri dari 3 fase (fase 1, 2, dan 3). - Fase 1: Repolarisasi dini: Saluran Na+ akan menutup sebagian sehingga memperlambat aliran Na+ ke dalam sel. Pada saat bersamaan, Cl- masuk ke dalam sel dan K+ keluar melalui saluran K+. Alhasil terjadi penurunan jumlah ion positif dalam sel yang menimbulkan gelombang defleksi negative pada kurva potensial aksi. - Fase 2: Fase Plateau: terjadi pemasukan lambat Ca++ ke dalam sel melalui saluran Ca++. Ion K+ terus keluar dari sel. Pengeluaran cepat K+ menyebabkan terjadinya gelombang T (repolarisasi ventrikel) pada EKG.Jika saluran K+ dihambat, terjadi pemanjangan potensial aksi. - Fase 3: Repolarisasi cepat akhir: terjadi downslope potensial aksi, dimana K+ bergerak cepat keluar sel. Seluruh Ca++ dan Na++ tertutup sehingga Ca++ dan Na++ tidak bisa masuk ke dalam sel menjadi negative. Hal ini menjelaskan terjadinya gelombang T (repolarisasi ventrikel) pada EKG.Jika saluran K+ dihambat, terjadi pemanjangan potensi aksi. - Fase 4: Resting membrane potensial: kembali pada keadaan instirahat, Na+ dijumpai banyak di dalam sel serta K+ banyak di luar sel. Pompa na+ K+ akan diaktivasi untuk mengeluarkan Na+ dan memasukkan K+ ke dalam sel. Jantung mengalami polarisasi (siap untuk stimulus berikutnya). 34 TeknikBiomedis : Teori dan Aplikasi

Gambar 2.3 Fase potensial aksi jantung dan korelasi dengan EKG Gelombang potensial elektrik negatifakan menyebar sepanjang miokard yang berkontraksi. Potensial ini dideteksi dengan meletakkan beberapa elektroda di berbagai lokasi kulit, sinyalakan diperkuat dan digambarkan sebagai rekaman elektrokardiogram.

2.1 Penyakit Jantung Pada dasarnya gejala penyakit jantung biasanya ditandai dengan nyeri dada, jantung berdebar-debar, mengalami sensasi rasa seperti tertusuk dalam selang waktu tertentu. Sering terjadi sesak nafas, keluar keringat dingin disertai dengan kesemutan yang terasa hingga ke bagian lengan, punggung dan daerah sekitar jantung.Adakalanya penyakit jantung ini apabila tidak diantisipasi sejak dini dapat menyebabkan penyakit stroke, dan kematian mendadak. Di dalam dunia medis telah di kenal beberapa jenis penyakit jantung di antaranya: • • • • • • • • •

Aterosklerosis pada Jantung Arrhythmia (Aritmia) Infark Miokardial Akut Kardiomiopati Gagal Jantung Kongestif Penyakit Jantung Rematik Inflamasi Jantung Fibralasi Atrial Kelainan Katup Jantung


2.1.1. Aterosklerosis pada Jantung Semakin bertambahnya usia seseorang semakin berkurang kinerja metabolisme tubuhnya. Pada usia muda pembuluh darah arteri manusia memiliki elastisitas yang tinggi dalam membawa asupan darah dari jantung dan kembali ke jantung. Ketika memasuki usia tua tingkat keelastisan pembuluh arteri ini semakin berkurang, dan juga semakin menyempit dan kaku. Pada dasarnya serangan jantung yang berkembang saat ini adalah akibat dari kondisi aterosklerosis. Aterosklerosis berasal dari bahasa Yunani Athero (bubur atau pasta) dan Sclerosis (keras), atau dengan kata lain aterosklerosis sendiri adalah keadaan penyempitan dan pengerasan pembuluh darah arteri akibat pengendapan kolesterol dan material lemak sehingga menimbulkan plak (plaque). Biasanya plak yang tertimbun pada lapisan dalam dari dinding pembuluh darah arteri memiliki kadar kolesterol yang tinggi, selain kalsium dan lemak. Oleh karena itu penyakit ini juga sering disebut sebagai pengapuran pembuluh darah. Kepingan plak tersebut bisa pecah dan masuk ke pembuluh darah sehingga dapat menghalangi jalannya aliran darah, menyumbatnya dan menyebabkan kerusakan jaringan atau kematian jaringan.Penyempitan dan pengerasan pembuluh darah ini apabila terjadi pada pembuluh darah di otak maka akan mengakibatkan penyakit stroke, begitupula apabila terjadi penyempitan dan pengerasan pada pembuluh darah arteri pada jantung maka akan mengakibatkan penyakit jantung angina pectoris.

Gambar 2.4 Ilustrasi Aterosklerosis 36 TeknikBiomedis : Teori dan Aplikasi

Biasanya penyebab dari penyakit ini adalah: • • • • • • • • • • • •

Darah tinggi Diabetes Kebiasaan merokok Peradangan tulang Meningkatnya kadar LDL dalam darah Riwayat genetik Polusi udara juga berkontribusi menyebabkan arterosklerosis Depresi Kelebihan berat badan Terlalu banyak mengkonsumsi alkohol Kurangnya aktifitas fisik dan olahraga Obesitas (kegemukan)

2.1.2. Arrhythmia (Aritmia) Aritmia adalah kondisi berupa kelainan irama jantung atau ketidaknormalan denyut jantung. Aritmia ini biasanya disebabkan kurangnya pasokan darah yang membawa darah segar yang mengandung oksigen ke otot jantung, biasanya timbul sensasi denyutan yang terlalu lambat, denyutan yang terlalu cepat maupun denyutan yang tidak beraturan. Detak jantung orang yang normal berada pada rentang 60 sampai 100 detakan per menit. Ditinjau dari detakannya terdapat dua kelompok penyakit aritmia yakni:  Brardycardia: yaitu kondisi denyut jantung yang lambat, biasanya kurang dari denyut minimal orang normal yakni kurang dari 60 denyut per menit. Termasuk di dalamnya sinus bradycardia  Tachycardia: yaitu kondisi denyut jantung yang terlalu cepat, biasanya denyutannya ini bias melebihi100 denyut per menit. Tergolong ke dalam kelas penyakit ini adalah sinus tachycardia, ventricular tachycardia danparoxysmal atrial tachycardia (PAT). Gejala yang timbul dari Tachycardia ini terkadang dapat menimbulkan palpitasi. Namun tidak selamanya denyut jantung yang cepat ini merupakan gejala dari tachycardia, terkadang denyut jantung yang cepat ini juga terjadi apabila seseorang telah selesai melakukan olahraga maupun latihan fisik. 37 TeknikBiomedis : Teori dan Aplikasi

Berikut ini adalah beberapa penyakit kelainan jantung yang termasuk kategori Aritmia: 1. Atrial Fibrilation/Flutter (AF) AF merupakan kondisi dari irama jantung tidak teratur yang umumnya menyebabkanatrial, bagian atas bilik jantung berkontraksi tidak normal.Penyebab terseringdari AF adalah kelainan infark miokard, dilatasi atrium kiri, penyakit paru kronis, gagal jantung pasca pembedahan kardiotorasik dan tirotoksikosis. 2. Supraventricular tachycardia (SVT) Denyut jantung cepat yang tidak normal secara teratur yang disebabkan oleh tembakan secara cepat impuls listrik dari atas atrioventricular node (AV node) di dalam jantung.Termasuk didalamnya adalah takikardia atrium, takikardia atrium multifokal, takikardia supraventrikular paroksismal. 3. Sindrom Wolff-Parkinson-White (WPW) Merupakan kumpulan gejala yang ditimbulkan oleh impuls dari atrium yangdikonduksi ke ventrikel lebih cepat dari biasanya (pre-eksitasi) melalui jalurtambahan. 4. Sick-Sinus Syndrome (SSS) Merupakan kelainan dimana nodus SA tidak dapat mencetuskan impuls secaranormal akibat dari fibrosis di nodus SA.Gejala klinis yang munculberupa bradikardia sinus, episode henti sinus yang intermiten, dan sindrombradi-takikardia sehingga penderita mengeluh palpitasi, presinkope atausinkope.Biasanya diagnosis SSS dapat dilakukan dengan menggunakanHolter Monitor ECG (ECG 24 jam atau lebih). 5. Premature Ventricular Contractions (PVC) Atau juga disebut Ventricular Premature beat, merupakan kejadian umumdimana denyut jantung diinisiasi oleh ventrikel jantung, bukan oleh sino-atrialnode yang merupakan inisiator denyut jantung yang normal. Akibatnya,muncul denyut tambahan yang tidak normal sebelum denyut normal mumcul. 38 TeknikBiomedis : Teori dan Aplikasi

6. Ventricular Tachycardia (VT) Merupakan suatu irama jantung yang cepat yang berasal dari ruang bawah(atau ventrikel) jantung. Laju denyut yang cepat mencegah jantung mengisicukup darah , sehingga sejumlah kecil darah dipompa ke seluruh tubuh. Hal Ini bisa mengakibatkan penyakit Aritmia yang serius, terutama pada orang dengan penyakit jantung,dan dapat berhubungan dengan banyak gejala.Seorang dokter harusmengevaluasi Aritmia ini. 7. Ventricular fibrillation (VF) Tembakan impuls yang tidak teratur dan tidak menentu dari ventrikel.Ventrikelbergetar dan tidak bisa berkontraksi atau memompa darah ke tubuh.Hal Iniadalah keadaan darurat medis yang harus diobati dengan cardiopulmonaryresuscitation (CPR) dan defibrillation sesegera mungkin. 8. Blok Blok atau hambatan konduksi dapat dibagi menadi 3 jenis menurut lokasi kejadiannya yaitu: • Blok nodus SA : pada kondisi ini, serabut sinus adalah normal, hanyasaja gelombang depolarisasi yang dicetuskan terhambat sebelum mencapaiatrium. Blok SA biasanya tidak memberi gejala sehingga tidakmemerlukan pengobatan. • Blok nodus AV : semua hambatan konduksi yang terjadi antara nodusSA sampai pada berkas HIS-Sistem Purkinje. Blok AV dibagi menjadi • Blok AV derajat I, II dan III. Mungkin jantung berdetak tidak teraturdan kadang sering lebih lambat. Jika serius, Heart Block diobati denganalat pacu jantung (PaceMaker). Sebagian besar muncul dari patologi disimpul atrioventrikular dimana penyakit ini penyebab paling umum dariBradycardia. • Blok Infranodal : hambatan konduksi yang terjadi pada sistem infranodal.Sistem infranodal terdiri dari berkas His dan 3 cabang berkasinfra-ventrikular yaitu satu right bundle branch (RBB), dan 2 fasikulus dari left bundle branch (LBB). Jika konduksi terhambat pada bagian berkas cabang kanan (RBB), makadisebut sebagai Right Bundle Branch Block (RBBB), dan jika konduksi terhambat pada 39 TeknikBiomedis : Teori dan Aplikasi

bagian berkas cabang kiri (LBB), maka disebut Left Bundle Branch Block (LBBB). 9. Sudden Arrhythmia Death Syndrome (SADS) Merupakan kematian mendadak yang yang tidak diharapkan yang disebabkanoleh kehilangan fungsi jantung secara tiba-tiba sudden cardiac arrest. Terkadang kelainan aritmia ini dapat menyebabkan kematian.Kematian akibat kelainan detak jantung ini dapat dicegah apabila indikasi penyakit jantung tersebut dapat dideteksi secara dini dan termonitor dengan baik.

2.1.3 Infark Miokardial Akut Penyakit Infark Miokardio akut adalah kondisi penyakit di mana otot jantung (miokard) tidak mendapat suplai oksigen dan nutrisi yang cukup sehingga mengakibatkan rusaknya jaringan jantung. Biasanya penyakit ini diakibatkan penyempitan dan penyumbatan pembuluh darah arteri koroner jantung, atau dengan kata lain tidak berfungsinya otot jantung (nekrosis).

Gambar 2.5 Ilustrasi penyakit Infrak Miokardio Akut Penyakit ini timbul akibat penyakit aterosklerosis yang terdapat pada pembuluh darah arteri koronerjantung yang tidak ditangani secara dini. 40 TeknikBiomedis : Teori dan Aplikasi

Terlepasnya plak yang pada pembuluh darah di salah satu arteri koroner otot jantung menyebabkan otot jantung mengalami terhambatnya suplai darah segar dari dan menuju jantung, atau dengan kata lain tidak berfungsinya otot jantung. Keadaan ini akan menyebabkan rasa nyeri pada dada yang terjadi secara mendadak. Pertanda awal anda terkena serangan ini awalnya anda akan mengalami sensasi dada seperti tertusuk-tusuk terkadang sensasinya dapat berupa rasa terbakar di bagian dada dengan waktu lebih dari 30 menit. Rasa sakit tersebut menjalar ke bahu, lalu menjalar pula ke lengan kiri epigastrium, leher dan dagu. Terkadang juga muncul perasaan badan melemas dikarenakan penurunan aliran darah ke otot-otot rangka. Lalu akan timbul perasaan mual dan keinginan untuk muntah dikarenakan sensasi nyeri yang hebat.

2.1.4 Kardiomiopati Kardiomiopati adalah istilah umum yang dipakai untuk penyakit gangguan otot jantung yang mengakibatkan jantung tidak bisa berkontraksi secara normal. Penyakit ini juga membuat jantung sulit untuk memompa darah dan mengirimkannya ke seluruh tubuh, sedangkan ada banyak penyebab penyakit kardiomiopati ini. Satu penyebabnya adalah penyumbatan arteri koroner jantung yang menyuplai bagian dari dinding otot jantung. Penyebab lainnya adalah adanya kelainan pada katup jantung. Dalam dunia kedokteran terdapat 3 jenis penyakit Kardiomioipati di antaranya adalah sebagai berikut. a) Pelebaran Kardiomiopati (Dilated Cardiomyopathy) Merupakan kondisi jantung yang membesar dikarenakan kemampuan jantung yang melemah sedang ukuran bilik pada jantung membesar menyebabkan otot pada jantung juga ikut membesar. Hal ini mengakibatkan jantung tidak dapat menyuplai darah keseluruh tubuh. b) Hypertrophic cardiomyopathy Merupakan kondisi otot-otot pada jantung mengalami penebalan, biasanya penebalan ini meyebabkan darah tersumbat dan sukar melintasi jantung.Hal ini biasanya terjadi pada orang yang memiliki riwayat penyakit kardiomiopati turunan. 41 TeknikBiomedis : Teori dan Aplikasi

c) Restrictive cardiomyopathy Merupakan kondisi jantung tidak dapat mengisi bilik jantung dengan darah sesuai takaran bilik dikarenakan otot-otot jantung mengalami kekakuan. d) Isekemik Kardiomiopati Pada tiap jenis Kardiomiopati menimbulkan perubahan yang berbeda pada jantung tetapi semua mempengaruhi ukuran dan bentuk dari jantung anda serta dapat mempengaruhi sistem listrik yang membuat jantung berdetak.

2.1.5 Gagal Jantung Kongesitif Gagal Jantung Kongestif (congestive heartfailure, CHF) adalah keadaan patofisiologis yaitu jantung tidak stabil untuk menghasilkan curah jantung yang adekuat sehingga perfusi jaringan tidak adekuat, dan/atau peningkatan tekanan pengisian diastolik pada ventrikel kiri, sehingga tekanan kapiler paru meningkat.CHF merujuk pada disfungsi primer ventikel kiri (LV) dan bisa sistolik, diastolik atau keduanya.Disfungsi primer pada ventrikel kanan paling sering berhubungan dengan penyakit paru dan tidak dianggap sebagai gagal jantung kongestif.CHF terjadi karena interaksi kompleks antara faktor-faktor yang mempengaruhi kontraktilitas, after load, preload, atau fungsi lusitropik (fungsi relaksasi) jantung, dan respons neurohormonal dan hemodinamik yang diperlukan untuk menciptakan kompensasi sirkulasi.Meskipun konsekuensi hemodinamik gagal jantung berespon terhadap intervensi farmakologis standar, terhadap interaksi neurohormonal kritis yang efek gabungannya memperberat dan memperlama sindrom yang ada. Banyak pasien mengalami disfungsi ventrikel kiri sistolik, kategori ini sebaiknya dianggap sebagai hal yang berbeda untuk dapat memahami efeknya terhadap homeostasis sirkulasi dan responnya terhadap bergabai intervensi. Berikut adalah penjelasan faktor-faktor yang mempengaruhi CHF: • Penurunan curah jantung, akhibat penurunan kontraktilitas, peningkatan afterload atau peningkatan preload yang mengakhibatkan penurunan fraksi dan peningkatan volume akhir diastolik ventrikel (LVEDV). Ini


meningkatkan tekanan akhir diastolik pada ventrikel (LVEDP) dan menyebabkan kongesti vena pulmonal dan edema paru. • Penurunan kontraksi (inotropi) terjadi akhibat fungsi miokard yang tidak adekuat atau tidak terkoordinasi sehingga ventrikel kiri tidak dapat melakukan ejeksi lebih dari 60% dari volume akhir diastoliknya (LVEDV). Ini menyebabkan peningkatan bertahap LVEDV (juga dinamakan preload) mengakhirbatkan peningkatan LVEDP dan kongesti vena pulmonalis.Penyebab penurunan kontraktilitas yang sering adalah penyakit jantung iskemik, yang tidak hanya mengakhibatkan nekrosis jaringan miokard sesungguhnya, tetapi juga menyebabkan remodeling ventrikel iskemik. Remodeling iskemik adalah sebuah proses yang sebagian dimesiasi oleh angiotensin II (ANG II) yang menyebabkan jaringan parut dan disfungsi sarkomer di jantung sekitar daerah cedera iskemik. Aritmia jantung dan kardiomiopati primer seperti yang disebabkan oleh alkohol, infeksi hemakromatis, hipertiroidisme, toksisitas obat dan amilodiosis juga menyebabkan penurunan kontraktilitas.Penurunan curah jantung mengakhibatkan kekurangan perfusi pada sirkulasi sistemik dan aktivvisi sistem saraf simpatis dan sistem RAA, menyebabkan peningkatan tahanan perifer dan peningkatan after load. • Peningkatan afterload berartiterdapat peningkatan tahanan terhadap ejeksi LV. Biasanya disebabkan oleh peningkatan tahanan vaskular perifer yang umum terlihat pada hipertensi. Bisa juga diakhibatkan oleh stemosis katup aorta. Ventrikel kiri berespon terhadap meningkatnya beban kerja ini dengan hipertrofi miokard, suatu respons yang meningkatkan massa otot ventrikel kiri tetapi pada saat yang sama meningkatkan kebutuhan perfusi koroner pada ventrikel kiri. • Peningkatan preload berarti peningkatan LVEDV, yang dapat disebabkan langsung oleh kelebihan volume intravaskular sama seperti yang terlihat pada infus cairan intra vena atau gagal ginjal. Selain itu, penurunan fraksi ejeksi yang disebabkan oleh perubahan kontraktilitas atau afterload menyebabkan peningkatan LVEDV sehingga meningkatkan preload. Pada saat LVEDV meningkat, ia akan meregangkan jantung, menjadikan sarkommer berada pada posisi mekanis yang tidak menguntungkan sehingga terjadi penurunan kontraktilitas. Penurunan kontraktilitas ini, 43 TeknikBiomedis : Teori dan Aplikasi

yang menyebabkan penurunan fraksi ejeksi, menyebabkan peningkatan LVEDV yang lebih lanjut, sehingga menciptakan lingkaran perburukan gagal jantung.

2.1.6. Penyakit Jantung Rematik Penyakit Jantung Rematik (PJR) atau dalam bahasa medisnya Rheumatic heart Disease (RHD) adalah suatu kondisi dimana terjadi kerusakan pada katup jantung yang bisa berupa penyempitan atau kebocoran, terutama katup mitral (stenosis katup mitral) sebagai akibat adanya gejala sisa dari Demam Rematik (DR). Demam rematik sendiri merupakan suatu penyakit yang diakibatkan oleh infeksi bakteri Streptococcus hemoliticus tipe A seperti Streptococcus pyogenes. Demam rematik merupakan suatu penyakit sistemik yang dapat bersifat akut, subakut, kronik, atau fulminan. Awalnya terjadi infeksi ditenggorokan oleh bakteri tersebut.Bakteri merupakan suatu antigen. Akibat infeksi ini maka tubuh bereaksi membentuk antibodi. Antibodi ini ditujukan untuk bakteri Namun karena ada kemiripan struktur antigen dengan katup jantung, maka katup jantung ikut terserang sehingga menimbulkan kerusakan katup jantung.

Gambar 2.6 Katup-katup Jantung 44 TeknikBiomedis : Teori dan Aplikasi

Pada demam rematik kerusakan katup berlangsung sementara, namun jika berlanjut pada penyakit jantung rematik, maka kerusakan relatif bersifat menetap. Penyakit jantung rematik biasanya menyerang anak usia 615 tahun. Meskipun demikian cacat yang terjadi pada jantung bisa berlangsung hingga usia dewasa. Jika efek bakteri ini sudah menyerang jantung biasanya gejala yang timbul adalah sesak nafas, jantung berdebardebar, detak jantung yang cepat, nyeri dada, dan cepat capek. Pada anakanak yang usianya masih kecil, biasanya si anak akan cepat lelah dan akhirnya tidak ikut bermain dengan teman-temannya.

Gambar 2.7 Gambar Etiologi Faktor dari Penyakit Jantung Rematik


Seseorang yang mengalami demam rematik apabila tidak ditangani secara adekuat, Maka sangat mungkin sekali mengalami serangan penyakit jantung rematik. Infeksi oleh kuman Streptococcus Beta Hemolyticus group A yang menyebabkan seseorang mengalami demam rematik dimana diawali terjadinya peradangan pada saluran tenggorokan, dikarenakan penatalaksanaan dan pengobatannya yang kurang terarah menyebabkan racun/toxin dari kuman ini menyebar melalui sirkulasi darah dan mengakibatkan peradangan katup jantung. Akibatnya daun-daun katup mengalami lengket sehingga menyempit, atau menebal dan mengkerut sehingga kalau menutup tidak sempurna lagi dan terjadi kebocoran. Tanda dan Gejala Penyakit Jantung Rematik adalah, penderita umumnya megalami sesak nafas yang disebabkan jantungnya sudah mengalami gangguan, nyeri sendi yang berpindah- pindah, bercak kemerahan di kulit yang berbatas, gerakan tangan yang tak beraturan dan tak terkendali (korea), atau benjolan kecil-kecil dibawah kulit. Selain itu tanda yang juga turut menyertainya adalah nyeri perut, kehilangan berat badan, cepat lelah dan tentu saja demam. Penegakan diagnosis penyakit jantung rematik selain dengan adanya tanda dan gejala yang tampak secara langsung dari fisik, umumnya dokter akan melakukan beberapa pemeriksaan laboratorium, misalnya; pemeriksaan darah rutin, ASTO, CRP, dan kultur ulasan tenggorokan. Bentuk pemeriksaan yang paling akurat adalah dengan dilakukannya echocardiografi untuk melihat kondisi katup-katup jantung dan otot jantung. Ada beberapa faktor yang dapat mendukung seseorang terserang kuman tersebut, diantaranya faktor lingkungan seperti kondisi kehidupan yang jelek, kondisi tinggal yang berdesakan dan akses kesehatan yang kurang merupakan determinan yang signifikan dalam distribusi penyakit ini. Variasi cuaca juga mempunyai peran yang besar dalam terjadinya infeksi streptokokkus untuk terjadi demam rematik. Seseorang yang terinfeksi kuman Streptococcus beta hemolyticus dan mengalami demam rematik, harus diberikan therapy yang maksimal dengan antibiotiknya. Hal ini untuk menghindarkan kemungkinan serangan kedua kalinya atau bahkan menyebabkan Penyakit Jantung Rematik.


2.1.7. Inflamasi Jantung Inflamasi jantung dapat terjadi pada dinding jantung (miokarditis), selaput yang menyelimuti jantung (perikarditis), atau bagian dalam (endokarditis). Inflamasi jantung dapat disebabkan oleh racun maupun infeksi.

a. Miokarditis Miokarditis akut adalah proses inflamasi di miokardium. Jantung merupakan organ otot, jadi efisiensinya tergantung pada sehatnya tiap serabut otot. Bila serabut otot sehat, jantung dapat berfungsi dengan baik meskipun ada cedera katup yang berat, bila serabut otot rusak maka hidup dapat terancam. Miokarditis biasanya diakibatkan oleh proses infeksi, terutama oleh virus, bakteri, jamur, parasit, protozoa dan spiroseta atau dapat juga disebabkan oleh keadaan hipersensitifitas seperti demam rematik. Jadi miokarditis dapat terjadi pada pasien dengan infeksi akut, yang menerima terapi imunosupresif atau yang menderita endokarditis infeksi.Miokarditis dapat menyebabkan dilatasi jantung, thrombus dalam dinding jantung (mural trombi), infiltrasi sel darah yang beredar di sekitar pembuluh koroner dan diantara serabut otot dan degenerasi serabut otot itu sendiri.

b. Perikarditis Perikarditis mengacu pada inflamasi pada perikardium, kantong membran yang membungkus jantung. Bisa merupakan penyakit primer, atau dapat terjadi sesuai perjalanan berbagai penyakit medis dan bedah. Penyebab yang mendasari atau yang berhubungan dengan perkarditis adalah penyebab idiopatik atau nonspesifik dan Infeksi.

c. Endokarditis Endokarditis rematik adalah terjadinya rematik disebabkan langsung oleh demam rematik, suatu penyakit sistemik yang disebabkan oleh infeksi streptokokus group A. Endokarditis infeksi (endokarditis bacterial) adalah infeksikatup dan permukaan endotel jantung yang disebabkan oleh invasi langsung bakteri atau organisme lain dan menyebabkan deformitas bilah katup. Mikroorganisme penyebab mencakup bakteri (streptokoki, enterokoki, pneumokoki, stapilokoki) fungi, riketsia, dan streptokokus viridans. Endokarditis infeksi terjadi pada pasien yang mempunyai riwayat penyakit katup jantung. Pasien yang beresiko tinggi adalah pasien dengan 47 TeknikBiomedis : Teori dan Aplikasi

penyakit jantung rematik atau prolapsmitral dan pernah menjalani pembedahan katup prostetik.

2.1.8. Fibrilasi Atrial Fibrilasi Atrium atau juga dikenal dengan sebutan FA merupakan bentuk gangguan irama jantung, yang sering disebut aritmia, yang paling umum ditemui di dunia. Ketidakteraturan denyut jantung (aritmia) yang berbahaya ini menyebabkan ruang atas jantung (atrium), bergetar dan tidak berdenyut sebagaimana mestinya, sehingga darah tidak terpompa sepenuhnya, yang pada gilirannya dapat menyebabkan pengumpulan dan penggumpalan darah. Gumpalan ini dapat terbawa sampai ke otak, menyumbat pembuluh arteri, dan mengganggu pasokan darah ke otak.Situasi ini seringkali menjadi awal dari serangan stroke yang gawat dan mematikan. FA meningkatkan kemungkinan terjadinya serangan stroke iskemik (stroke akibat penyumbatan pembuluh darah) sampai dengan 500% yang berpotensi melumpuhkan bahkan mematikan. Penyebab utama FA yang sering ditemukan antara lain adalah tekanan darah tinggi, cacat pada katup jantung, penyakit jantung rematik, dan diabetes. Faktor makanan dan gaya hidup seperti tekanan emosi dan fisik, serta konsumsi kafein, alkohol, atau obat-obatan yang dilarang secara berlebihan juga berkontribusi terhadap terbentuknya FA. Salah satu gejala FA yang paling mudah dikenali adalah detak jantung yang tidak teratur. Gejala lain dari FA adalah jantung berdebar, sakit pada dada, sesak napas, kepala pening, dan kehilangan kesadaran. Namun banyak pengidap yang tidak menunjukkan gejala-gejala atau gejala non-spesifik yang tidak jelas. Secara kasat mata, pengidap FA bisa terlihat sehat walaupun seringkali mereka sendiri mungkin merasa sangat tidak sehat. FA dapat berimbas pada banyak aspek kehidupan pengidapnya: • • • • • • •

Mengakibatkan gangguan emosional dan kesehatan jiwa Mengurangi kemandirian - Memengaruhi karier Memengaruhi aspek keuangan pribadi Memengaruhi aspek kehidupan sosial Memengaruhi kemampuan berolahraga/beraktivitas Memengaruhi kemampuan untuk bepergian Memengaruhi hubungan


• Pada beberapa kasus, serangan stroke seringkali mendahului diagnosis bahwa seseorang mengidap FA

2.2 Elektrokardiogram(EKG) Sudah lebih dari 100 tahun sejak penemuannya, alat EKG (Elektro Kardiogram) merupakan alat yang biasa digunakan untuk mendiagnosis kinerja jantung. Sinyal listrik yang berasal dari sino atrial ini akan direkam dalam bentuk gelombang oleh alat EKG. Gelombang inilah yang digunakan para pakar kardiologi untuk mengetahui keadaan jantung si pasien. Sebuah alat EKG dapat memberikan 2 jenis informasi. Pertama interval waktu yang diukur pada EKG, sangat membantu dalam menentukan durasi gelombang listrik yang melintasi jantung, sehingga kita dapat menentukan apakah aktivitas listrik pada jantung normal, lambat, cepat atau tidak teratur. Kedua, jika jumlah aktifitas listrik yang melewati otot jantung diukur, maka hal tersebut memungkinkan seorang ahli jantung pediatrik untuk mengetahui apakah bagian jantung tersebut terlalu besar atau terlalu banyak bekerja.

Gambar 2.8 Segitiga Einthoven


Terkadang plak yang ada pada otot jantung dapat menyebabkan aktifitas elektrik yang melewati otot jantung terganggu dan tereduksi.Pada alat EKG satu gelombang denyut jantung yang terekam terdiri dari gelombang P, QRS complex, dan gelombang T. Gelombang P merepresentasikan depolarisasi atrium, QRS sesuai dengan depolarisasi pada ventrikular, dan gelombang T mewakili repolarisasi ventrikuler.Penyimpangan dari data gelombang yang terjadi dalam setiap parameter menunjukan penyakit yang diderita jantung. Elektrokardiogran dapat memberikan informasi mengenai irama jantung secara keseluruhan di berbagai bagian dari otot jantung. Informasi ini terdiri dari:      

Mekanisme laju dan Irama jantung Orientasi sinyal dari jantung di dalam rongga dada Gejala peningkatan ketebalan (hypertrophy) dari otot jantung Gejala kerusakan dari berbagai bagian otot jantung Gejala gangguan akut aliran darah ke otot jantung Informasi pola-pola aktivitas elektrik yang tidak normal yang dapat mempengaruhi pasien ke arah gangguan Irama jantung yang abnormal.

Rekaman EKG 12 sadapan terdiri dari tiga sadapan ekstimitas standart, tiga sadapan ekstremitas diperkuat (augmented) dan enam sadapan prekordial. Masing-masing sadapan elektroda tertentu kea lat yang mengukur perbedaan karakteristik tertentu pada EKG.Sadapan ekstremitas standart atau sadapan bipolar terdiri dari sadapan I, II, dan III yang mengukur perbedaan potensial listrik antara lengan kanan dan lengan kiri (sadapan I), lengan kanan dan tungkai kiri (sadapan II) serta lengan kiri dan tungkai kiri (sadapan III). Ketiga sadapan ini membentuk segitiga sama sisi dan jantung berada di tengah yang disebut segitiga Einthoven. Jika ketiga sadapan dipisah, maka sadapan I merupakan aksis horisonal dan membentuk sudut 0o, sadapan II membentuk sudut 60o dan sadapan III membentuk sudut 120o dengan jantung.Aksis listrik ini disebut sistem referensi dan digunakan untuk menghitung aksis jantung. Untuk detil bisa dilihat pada gambar 2.9. Sadapan ekstremitas diperkuat (augmented) (VR, VL, VF) dan sadapan prekordial diperkenalkan pada EKG klinik tahun 1932. Alat EKG modern dapat memperbesar aplitudo defleksi VR, VL, VF sekitar 50%. 50 TeknikBiomedis : Teori dan Aplikasi

Sadapan-sadapan ini dinamakan sadapan ekstremitas unipolar yang diperkuat dan diberi tanda aVR (augmented Voltage Right arm), aVL (augmented Voltage Left arm) dan aVF (augmented Voltage Foot). Pada praktek seharihari, sadapan unipolar ekstremitas yang diperkuat telah digunakan secara luas karena lebih mudah dibaca.

Gambar 2.9 Lokasi sadapan prekordial Sadapan perikordial dipasang pada: Sadapan V1

: ruang interkosta IV, tepi sternum kanan.

Sadapan V1

: ruang interkosta IV, tepi sternum kiri.

Sadapan V3

: pertengahan antara V2 dan V4.

Sadapan V4

: ruang interkosta V, garis midklavikularis kiri.

Sadapan selanjutnya diambil dalam bidang horizontal seperti V4. Sadapan V5

: garis aksilaris anterior kiri.

Sadapan V6

: garis mid-aksilaris kiri,

Sadapan V7

: garis aksilaris posterior kiri.

Sadapan V8

: garis skapularis posterior kiri.


Sadapan V9

: batas kiri kolumna vertebralis.

Sadapan V3R-9R: dada sisi kanan dengan tempat sama seperti sadapan v3-9 sisi kiri. Oleh karena itu V2R sama seperti v1. EKG rutin yang biasa dipakai terdiri dari 12 sadapan, yaitu sadapan I, II, III; aVR, aVL, aVF; V1, V2, V3, V4, V5 dan V6. Lebih detil ada pada Gambar 2.9. Secara sistematis, interpretasi EKG dilakukan dengan menentukan: a. b. c. d. e.

f. g. h. i.

Ritme atau irama jantung Frekuensi (laju QRS) Morfologi gelombang P (cari tanda kelainan kiri atau atrium kanan) Interval PR Kompleks QRS: - Aksis jantung - Amplitude (cari tahu hipertrofi ventrikel kiri/ kanan) - Durasi - Morfologi (ada atau tidak gelombang Q patologis atau gelombang R tinggi di V1) Segment ST (apakah ada tanda iskemia, injuri atau infrak miokard) Gelombang T Interval QT Gelombang U

2.2.1 Heartbeat

Gambar 2.10 Representasi skematik dari EKG Normal 52 TeknikBiomedis : Teori dan Aplikasi

Karakteristik sinus ritme adalah lajunya 60-100x/menit, ritme interval P-P regular dan R-R regular, gelombang P positif (upright) di sadapan II, selalu diikuti kompleks QRS, PR intervalnya 0.12-0.20 detik dan konstan dari beat to beat serta surasi QRS kurang dari 0.01 detik kecuali ada gangguan konduksi intraventrikel. Gambar 2.10 adalah representasi kertas EKG normal.

2.2.2 Whole Signal

Gambar 2.11 Komponent gelombang P-QRS-T pada EKG Komponent gelombang pada EKG (Gambar 2.11) merupakan gambaran dari: 1.

Gelombang P, berhubungan dengan sistol atrium (depolarisasi atrium), merupakan gelombang pertama siklus jantung. Setengah gelombang P pertama terjadi karena stimulasi atrium kanan serta bentuk downslope berikutnya terjadi karena stimulasi atrium kiri.Karakterisktik P yang normal adalah lembut dan tidak tajam, rurasi normal 0.08-0.10 detik, tinggi tidak lebih dari 2.5 mm.

2.

Kompleks QRS merupakan sistol ventrikel (depolarisasi ventrikel), lebar normal 0.06-0.10 detik dan terdiri dari: - Gelombang Q: defleksi negative pertama, merupakan depolarisasi septum interventrikel yang teraktivati dari kiri ke kanan, durasi normal (kecuali sadapan III dan aVR) kurang dari 0.04 detik (1 kotak kecil) dan 53 TeknikBiomedis : Teori dan Aplikasi

tingginya kurang dari sepertiga tinggi gelombang R pada sadapan bersangkutan. - Gelombang R: defleksi positif pertama. Defleksi kedua disebut R’. - Gelombang S: defleksi negative pertama setelah R. defleksi kedua tersebut gelombang S’. Beberapa variasi kompleks QRS dapat dilihat pada Gambar 2.12.

Gambar 2.12 Variasi QRS kompleks 3.

Gelombang T merupakan repolarisasi ventrikel, biasanya tinggi kurang dari 5 mm sadapan ekstrimitas atau 10 mm pada sadapan prekordial. Gelombang T bisa positif, negative atau bifasik.

4.

Penyebab ternjadinya gelombang U masih kontroversi, salah satu teori menyebut gelombang U akan terjadi karena repolarisasi serabut purkinje. Bentuk normal bulat, kecil dan amplitude kurang dari 1.5 mm.

5.

Interval PR merupakan cerminan depolarisasi atrium plus perambatan fisiologis di nodal AV dan berkas His, nilai normal 0.12-0.01 detik.

6.

Segmen PR dibentuk dari akhir gelombang P sampai dengan awal kompleks QRS dan merupakan penentu garis isoelektris.

Gambar 2.13 Segemen ST dan posisi J point 7.

Segmen ST merupakan tanda awal repolarisasi ventrikel kiri dan kanan. Titik pertemuan antara akhir kompkleks QRS dan awal ST disebutJ point. Jika Jpoint berada di bawah garis isoelektris disebut depresi J point dan


jika di atas garis isoelektris disebut elevasi J point. Lebih jelasnya bisa dilihat pada Gambar 2.13. 8.

Interval QT merupakan aktivitas total ventrikel (mulai dari depolarisasi hingga repolarisasi ventrikel). Diukur mulai awal kompleks QRS hingga akhir gelombang T. Durasi normal tergantung dari umur, jenis kelamin dan denyut jantung.Rata-rata kurang dari 0.38 detik.

Tabel 2-1 Fitur yang dapat diperoleh pada gelombang EKG deskripsi fitur dan durasinya

Fitur RR Interval

Deskripsi Interval

Durasi

antara

gelombang

R

gelombang

R

dengan

berikutnya

merupakan

0.6 - 1.2 s

kebalikan dari denyut jantung. Denyut jantung yang normal adalah antara 50-100 bpm. Gel. P

Selama normal atrial depolarization, vektor

80 ms

eletrik diarahkan dari noda SA ke noda AV dan menyebar dari atrium kanan ke atrium kiri. PR Interval

Interval PR dihitung dari awal gelombang P ke

awal

QRS

complex.

Interval

120-200 ms

ini

merefleksikan waktu yang dibutuhkan signal elektrik merambat dari sinus node melalui AV node dan masuk ke ventrikel. PR

interval

bagus

digunakan

untuk

mendeteksi fungsi dari AV node. PR

Segmen PR menghubungkan gelombang P

Segment

dengan gelombang WRS kompleks. Segmen ini bertepatan dengan konduksi listrik dari


50-120 ms

Fitur

Deskripsi

Durasi

AV node ke rangkaian HIS dan cabangnya yang kemudian ke serat Purkinje. Aktivitas elektrik ini tidak menghasilkan kontraksi langsung dan hanya merambat turun ke ventrikel dan ini muncul data pada EKG. Secara klinis, interval PR lebih relevan QRS Complex

QRS

Complex

mereeksikan

proses

80-120 ms

depolarisasi yang cepat pada ventrikel kiri dan kanan. ventrikel memiliki massa otot yang lebuh besar dibandingkan dengan atria, sehingga QRS Complex memiliki amplitude yang lebih besar dibandingkan gelombang P

J-Point

Titik dimana QRS Complex berakhir dan

N/A

Segmen ST dimulai. digunakan untuk menghitung derajat kemiringan dari ST dan kemunculan dari depresi. ST Segment

Segmen ST menghubungkan QRS Complex dengan

gelombang

T.

Segmen

80-120 ms

ST

merepresentasikan periode dari ventrikel untuk melakukan depolarisasi. T Wave

Gelombang T merepresentasikan proses repolarisasi

(recovery)

dari

ventrikel.

Interval antara awal QRS Complex dengan puncak gelombang T, dikenal sebagai absolute refractory period. Setengah bagian


160 ms

Fitur

Deskripsi

Durasi

sisa dari gelombang T dikenal sebagai relative refractory period atau vulnerable period. ST Interval

ST Interval diukur dari titik J ke bagian

320 ms

akhir dari gelombang T

QT

Interval ini diukur dari awal QRS Complex

Interval

kebagian akhir dari gelombang T. Interval

300-430 ms

QT yang terlalu panjang/lama merupakan faktor

resiko

pada

entricular

tachyarrhythmias dan sudden death. Hal ini bervariasi dengan denyut jantung dan yang berhubungan dengan klinis, dibutuhkan perbaikan pada interval ini. U Wave

Gelombang U tidak selalu muncul. pada

80 ms

umumnya memiliki amplitude rendah, dan selalu muncul setelah gelombang T Beberapa fitur yang lebih detail yang dapat digunakan untuk mencirikan suatu ketidaknormalan pada jantung seperti yang ditunjukkan pada Tabel 2-1 Fitur yang dapat diperoleh pada gelombang EKG deskripsi fitur dan durasiTabel 2-1.

2.3

Pemrosesan Data Elektrokardiogram

Pada penelitian ini, data yang digunakan bersumber dari data yang tersedia dengan bebas di physionet, yakni data MIT-BIH arrhytmia database. Data ini tersedia bebas dan juga telah banyak digunakan oleh para peneliti dalam melakukan investigasi mengenai kelainan Aritmia. Data set Aritmia ini terdiri dari 48 data record yang didapat dari 47 subjek yang diteliti oleh BIH arrhytmia Laboratory yang dilakukan antara tahun 1975 sampai 1979. Setiap record data merupakan hasil perekaman dari 2 sandapan (lead) EKG dengan durasi masing-masing 30 menit. Sandapan yang digunakan 57 TeknikBiomedis : Teori dan Aplikasi

sebagian besar adalah sandapan MLII dan sebagian sandapan V1/V2/V4/V5. Frekuensi cuplik (sampling rate) yang digunakan dalam perekaman EKG ini adalah 360Hz. Data MIT-BIH database direpresentasikan menggunakan suatu standar format-WaveForm DataBase (WFDB). sebuah rekam data ECG direpresentasikan menjadi 3 file dengan tipe anotasi, sinyal data dan header. Cara untuk membaca maupun menulis format data tersebut juga disediakan dalam situs resminya: http://www.physionet.org .

2.3.1 Base Wander Removal Tahapan pertama dalam pemrosesan sinyal EKG adalah Baseline Wander Removal (BWR). Baseline wander adalah suatu kondisi di mana signal ECG yang dihasilkan tidak berada pada garis isoelektrik (garis sumbu), melainkan mengalami pergeseran ke atas maupun ke bawah. Hal ini dikarenakan aktifitas frekuensi rendah yang muncul ketika proses perekaman dilakukan yaitu dari proses pernafasan maupun dari pergerakan bagian tubuh. Hal ini dapat mengganggu proses analisis sinyal dan memungkinkan terjadinya kesalahan dalam proses penerjemahan sinyal EKG, salah satu contoh-nya adalah perubahan gelombang ST-T pada ECG di mana proses penerjemahannya sangat tergantung pada garis isoelektrik. Terdapat beberapa teknik yang digunakan untuk mereduksi noise frekuensi rendah (baseline wander) mulai dari linear filtering seperti yang dikembangkan oleh J.A. Alst´e van, maupun polinomial fitting atau cubic spline filtering seperti yang dikembangkan oleh Meyer dkk dalam penelitiannya. Penggunaan linear filter mengakibatkan terjadinya distorsi gelombang EKG, terutama dibagian antara PQ interval dan ST segment. Dengan menggunakan nonlinear cubic spline interpolation, digabungkan dengan teknik pengurangan (substraction technique) dapat mereduksi noise tanpa mempengaruhi gelombang ECG secara signifikan. Konsep dasar dari teknik polinomial fitting ini adalah dengan melakukan proses estimasi pergeseran sumbu utama dengan menggunakan titik perwakilan pada gelombang ECG, dengan satu titik untuk setiap beat. Pilihan terbaik yang digunakan sebagai titik acuan (knot) adalah PQ interval. Estimasi kemudian dilakukan sedemikian sehingga menginterpolasi setiap titik secara halus. Oleh karena itu, sebelum langkah ini dilakukan, QRS complex harus dideteksi terlebih dahulu dan PQ interval sudah ditentukan. 58 TeknikBiomedis : Teori dan Aplikasi

Metode interpolasi cubic spline adalah salah satu cara untuk fitting kurva pada data eksperimental yang bentuk dari fungsinya maupun turunannya tidak diketahui. Metode ini menggunakan polinomial pangkat tiga yang diasumsikan berlaku pada titik-titik yang terletak di antara dua titik data yang diketahui. Fungsi yang bersangkutan kemudian diaplikasikan pada semua titik-titik data yang ada, sehingga didapatkan persamaan simultan, yang selanjutnya dapat diselesaikan dengan menggunakan metode matriks. Estimasi pergeseran sumbu utama dilakukan dengan interpolasi cubic spline karena interpolasi cubic spline menghasilkan suatu pendekatan yang lebih halus dibandingkan dengan linier spline ataupun kuadratik spline karena ada jaminan bahwa turunan pertama dan kedua adalah kontinu pada seluruh selang. Interpolasi cubic spline merupakan pendekatan fungsi yang diperoleh dengan mengunakan polinomial derajat tiga pada masing-masing sub selang. Dalam kasus sinyal ECG sub selang yang kita gunakan adalah PQ interval dari tiap tiap beat. Definisi dari cubic spline adalah sebagai berikut: Diberikan titik-titik data (t1;A1), (t2;A2),……..(tn;An), di mana titik data tersebut merupakan PQ interval dari sinyal ECG. Suatu cubic spline S yang menginterpolasi data yang diberikan memenuhi sifat-sifat berikut:   

Dalam setiap selang [x, xi+1], dimana i = 1, 2, ………,n-1 , dan S adalah polynomial derajat tiga. S(xi) = fi, i = 1, 2,………n. S, Sʹ dan Sʺ adalah kontinu di titik-titik dalam x2, x3, ………….xn-1.

Dari definisi di atas, persamaan-persamaan yang terjadi pada cubic spline diberikan sebagai berikut, pada selang yang ke-i yaitu terletak diantara titik (xi; fi) dan (xi+1; fi+1), polinomial berderajat tiga yang memenuhi adalah:

f = ai(x-xi)3+bi(x-xi)2+ci(x-xi)+di

(3.1)

Setelah diperoleh persamaan tersebut maka pergeseran sumbu utama bisa diestimasi dan langkah selanjutnya adalah mencari sumbu utama yang sebenarnya atau iso elektrik sinyal ECG dengan menentukan pivot isoelektrik untuk digunakan sebagai pengurang sinyal ECG.


Pada penelitian ini, proses BWR dilakukan menggunakan matlab package yang dikembangkan oleh Gari Clifford yang bersifat open source. Untuk lebih jelasnya, hasil dari proses BWR dapat dilihat pada Gambar 2.14.

Gambar 2.14 Sinyal ECG asli dan hasil proses BWR serta garis isoelektrik (estimasi)

2.3.2. Ekstraksi Beat Setelah dilakukan proses penghilangan baseline wander metode umum yang dilakukan adalah proses ekstraksi beat sinyal EKGnya. Untuk melakukan pengenalan kelaianan Aritmia, terdapat beberapa pendekatan yang umum dilakukan oleh para peneliti dimana dapat dikelompokkan menjadi dua sebagai berikut; 1.

Pendekatan beat : dimana pada metode ini rangkaian sinyal ECG disegmentasi menjadi sekumpulan beat tunggal seperti yang dilakukan pada. 2. Pendekatan interval waktu : pengenalan dilakukan dengan mendeteksi karakteristik interval waktu dari sinyal ECG seperti yang umum dilakukan oleh dokter seperti RR interval, PR interval, PR segment, QRS interval, ST segment, ST interval, QT interval. 60 TeknikBiomedis : Teori dan Aplikasi

Gambar 2.15 Ilustrasi teknik segmentasi beat Berdasarkan penelitian yang telah dilakukan oleh para peneliti pada lab Computational Inteligence Architecture Network and High Performance Computing, pendekatan beat dengan segmentasi sinyal ECG dipilih karena dataset sudah menyediakan anotasi tambahan mengenai posisi puncak gelombang R (R-peak). Dengan informasi anotasi tersebut, asumsi terhadap lebar setiap beat dibuat dengan pendekatan sekitar 300 sampel data dan ekstraksi beat dilakukan dengan memposisikan puncak R sebagai pivot untuk setiap beat. Untuk setiap puncak R, sinyal awal dipotong dimulai dari posisi R150 sampai R+149, sehingga didapat beat dengan lebar 300 sampel data. Ilustrasi dapat dilihat pada Gambar 2.15. Hasil dari proses segmentasi tersebut dapat dilihat pada Gambar 2.16. Dari proses segmentasi yang telah dilakukan, didapat sejumlah beat yang dilengkapi dengan label anotasinya seperti yang ditunjukkan pada Tabel 2-3. Dari tabel tersebut dapat dilihat jumlah beat untuk tiap label anotasi tidak berimbang dan bahkan ada yang berjumlah sangat kecil, yaitu 2 beat untuk jenis Supraventrikular premature beat.


Gambar 2.16 Contoh beat dari 11 jenis Aritmia dan 1 beat normal Sesuai dengan standar AAMI, seperti yang terlihat pada Tabel 2-2, maka jenis beat yang akan digunakan adalah 15 beat pertama yang ditunjukkan dengan kotak hitam pada Tabel 2-3. Karena jumlah tiga beat terakhir sangat kecil maka untuk saat ini hanya 12 kelas saja yang nantinya akan digunakan dalam proses pengenalan. Tabel 2-2 Kelas detak jantung sesuai standar AAMI AAMI hearthbeat class Description

N

S

V

F

Q

Any hearthbeat not in the S, V, F, or Q classes Normal Beat

Supravenricular Ectopic Beat

Ventricular Ectopic Beat

Fusion Beat

Unknown Beat

Atrial Premature Beat (AP)

Premature Ventricular Contraction (PVC)

Fusion of Ventricular and Normal Beat (fVN)

Paced Beat

Left Bundle Branch Block Beat

Abberated Atrial Premature Beat (aAP)

Ventricular Escape Beat


Fusion of Paced and Normal

MIT-BIH HearthBeat type

(LBBB) Right Bundle Branch Block Beat(RBBB) Atrial Escape Beat (AE)

Nodal (Junction)

Beat (fPN) Unclassified Beat

Superventricular Premature Beat (SP)

Nodal (Junctional) Escape Beat(NE)

Tabel 2-3 Beberapa beat beserta label anotasinya No

Beat Code ‘N’ ‘N’ ‘R’ ‘V’ ‘Q’ ‘S’ ‘F’ ‘Q’ ‘N’ ‘S’ ‘V’ ‘S’ ‘N’ ‘Q’ ‘S’ ‘tilde’ ‘seru’ ‘petik’ ‘x’ ‘pagar’

Beat Code ‘NOR’ ‘LBBB’ ‘RBBB’ ‘PVC’ ‘P’ ‘AP’ ‘fVN’ ‘fPN’ ‘NE’ ‘aAP’ ‘VE’ ‘NP’ ‘AE’ ‘U’ ‘SP’ ‘-tilde’ ‘-seru’ ‘petik’ ‘x’ ‘pagar’

Beat Name

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Beat Code ‘N’ ‘L’ ‘R’ ‘V’ ‘/’ ‘A’ ‘F’ ‘f’ ‘j’ ‘a’ ‘E’ ‘j’ ‘e’ ‘Q’ ‘S’ ‘~’ ‘!’ ‘“‘ ‘x’ ‘|’

‘Normal Beat’ ‘Left Bundle Branch Block Beat’ ‘Right Bundle Branch Block Beat’ ‘Premature ventricular Contraction’ ‘Paced Beat’ ‘Atrial Premature Beat’ ‘Fusion of Ventricular and Normal Beat’ ‘Fusion of Paced and Normal Beat’ ‘Nodal (junctional) premature Beat’ ‘abberated Atrial Premature Beat’ ‘ventricular Escape Beat’ ‘Nodal (junctional) Premature Beat’ ‘Atrial Escape Beat’ ‘Unclassifiable Beat’ ‘Supraventricular Premature Beat’ [] ‘Ventricular Flutter Wave’ [] ‘Non-Conducted P wave (Blocked APB)’ ‘Isolated QRS-like artifact’

Num Beat 74,754 8,071 7,255 7,123 3,619 2,546 802 260 229 150 106 83 16 15 2 577 472 437 193 131

21 22

‘[‘ ‘]’

‘buka’ ‘tutup’

‘-buka’ ‘-tutup’

‘Start of Ventricular Flutter/Fibrillation’ ‘End of Ventricular Flutter/Fibrilation’

6 6


2.3.3. Noise Removal Untuk menganalisis hasil ekstraksi beat yang dilakukan pada tahap sebelumnya, beat yang dihasilkan kemudian dikelompokkan berdasarkan tipe masing-masing Aritmia dan diplot menggunakan aplikasi matlab. Empat jenis Aritmia diplot seperti yang diilustrasikan pada Gambar 2.17.

Gambar 2.17 Plot data dari keempat jenis aritmia Dari hasil pengamatan terlihat bahwa terdapat beat EKG pada tiaptiap tipe Aritmia yang berada diluar distribusi masing-masing kategori kelas, di mana dalam hal ini diistilahkan dengan outlier. Outlier ini jika digunakan untuk melatih jaringan saraf yang dibangun dapat menyebabkan ketidak-akuratan data karena model akan mencoba mengakomodasi outlier tersebut, namun akan berimbas pada kinerja dari jaringan saraf karena akan menurunkan tingkat pengenalan terhadap beat tersebut. Oleh karena itu, beat yang terindikasi menjadi outlier harus dihilangkan. Untuk menghilangkan outlier pada tiap kelas, ada beberapa teknik yang dapat dilakukan salah satunya adalah teknik Inter-Quartile Range (IQR). Pada umumnya IQR digunakan untuk univariate data, tapi pada penelitian ini, 64 TeknikBiomedis : Teori dan Aplikasi

teknik IQR digunakan untuk multivariate data dengan asumsi penerapannya dilakukan tanpa memperhitungkan korelasi antar fitur yang biasanya didapat dengan covariance matrix. Ilustrasi dari teknik ini dapat dilihat pada Gambar 2.18.

Gambar 2.18 Ilustrasi pendeteksian outlier dengan menggunakan teknik IQR. Sampel data yang memiliki fitur berada diluar rentang quartil yang ditentukan akan dianggap outlier, dalam hal ini sampel data dengan fitur bertanda + berwarna merah. Setelah dilakukan proses pendeteksian dan penghapusan outlier beat, maka didapatkan hasil beat yang jika diplot seperti yang ditunjukkan pada Gambar 2.19. Dari gambar tersebut dapat dilihat beat outlier yang terdapat pada sinyal EKG dikecualikan/dihapus dan menghasilkan kumpulan beat dengan sebaran sesuai dengan rentang quartil yang ditentukan. Pada Tabel 2-4, dapat dilihat data statistik jumlah beat yang dihasilkan untuk setiap tipe Aritmia setelah dilakukan penghilangan outlier pada data. Seperti yang telah disebutkan sebelumnya, karena jumlah beat yang sedikit, untuk saat ini, proses pengenalan akan dilakukan hanya pada 12 kategori pertama yang terdapat pada tabel tersebut (dapat dilihat pada bagian yang didalam kotak hitam).


Gambar 2.19 Hasil proses penghapusan data yang bersifat ourlier Tabel 2-4 Data statistik jumlah beat yang dihasilkan untuk setiap tipe Aritmia setelah dilakukan penghilangan outlier pada data No

Beat Code ‘N’ ‘N’ ‘R’ ‘V’ ‘Q’ ‘S’ ‘F’ ‘Q’ ‘N’ ‘S’ ‘V’ ‘S’ ‘N’ ‘Q’ ‘S’

Beat Code ‘NOR’ ‘LBBB’ ‘RBBB’ ‘PVC’ ‘P’ ‘AP’ ‘fVN’ ‘fPN’ ‘NE’ ‘aAP’ ‘VE’ ‘NP’ ‘AE’ ‘U’ ‘SP’

Beat Name

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Beat Code ‘N’ ‘L’ ‘R’ ‘V’ ‘/’ ‘A’ ‘F’ ‘f’ ‘j’ ‘a’ ‘E’ ‘j’ ‘e’ ‘Q’ ‘S’

‘Normal Beat’ ‘Left Bundle Branch Block Beat’ ‘Right Bundle Branch Block Beat’ ‘Premature ventricular Contraction’ ‘Paced Beat’ ‘Atrial Premature Beat’ ‘Fusion of Ventricular and Normal Beat’ ‘Fusion of Paced and Normal Beat’ ‘Nodal (junctional) premature Beat’ ‘abberated Atrial Premature Beat’ ‘ventricular Escape Beat’ ‘Nodal (junctional) Premature Beat’ ‘Atrial Escape Beat’ ‘Unclassifiable Beat’ ‘Supraventricular Premature Beat’

With Outlier 74,754 8,071 7,255 7,123 3,619 2,546 802 260 229 150 106 83 16 15 2

Without Outlier 40,113 4,402 2,955 3,737 1,898 1,236 412 105 148 61 103 37 7 12 2

16 17 18 19 20

‘~’ ‘!’ ‘“‘ ‘x’ ‘|’

21 22

‘[‘ ‘]’

‘tilde’ ‘seru’ ‘petik’ ‘x’ ‘pagar ’ ‘buka’ ‘tutup ’

‘-tilde’ ‘-seru’ ‘petik’ ‘x’ ‘pagar’

[] ‘Ventricular Flutter Wave’ [] ‘Non-Conducted P wave (Blocked APB)’ ‘Isolated QRS-like artifact’

577 472 437 193 131

105 417 315 17 48

‘-buka’ ‘-tutup’

‘Start of Ventricular Flutter/Fibrillation’ ‘End of Ventricular Flutter/Fibrilation’

6 6

1 4


2.3.4 Fitur Ekstraksi Ekstraksi fitur merupakan suatu bagian yang penting dalam sistem pngenalan pola karena pemilihan fitur yang digunakan sangat mempengaruhi performa dari sistem yang dikembangkan. Terdapat berbagai cara yang bisa digunakan untuk melakukan ekstraksi fitur, salah satunya adalah dengan menggunakan Discrete Wavelet Transform (DWT). Kegunaan dari wavelet itu adalah sebagai berikut. (1) Untuk mengkstraksi informasi dari suatu data sinyal (2) Untuk melakukan kompresi data (3) Untuk memfilter/membersihkan data sinyal. Hal yang pertama dilakukan adalah untuk mendapat informasi karakteristik dari sinyal tersebut seperti waktu kemunculan frekuensi pada sinyal. Kedua sangat jelas adalah untuk memampatkan data, umumnya untuk keperluan transmisi. Ketiga adalah untuk melakukan penyaringan dan membersihkan data sinyal, misal frekuensi tinggi, yang terdapat pada sinyal tersebut. Umumnya langkah yang dilakukan adalah dengan melakukandekomposisi, aproksimasi dan detil, di mana aproksimasi mengandung komponen frekuensi rendah dan detil mengandung komponen frekuensi tinggi. Setelah dilakukan sampai level tertentu, kemudian sinyal direkonstruksi kembali, sehingga akan menghasilkan sinyal dengan mereduksi kandungan frekuensi tinggi. Jadi disini terdapat langkah dekomposisirekonstruksi. Di bidang biomedis, transformasi wavelet dapat digunakan untuk mengekstraksi dan mendeteksi kemunculan gelombang P, Q, R, S, T maupun time interval antar gelombang seperti penelitian yang dilakukan Zheng dkk dan Haque dkk. Namun, pada penelitian ini transformasi wavelet diskrit akan digunakan untuk mengekstraksi dan mereduksi fitur dari data dasar yang dihasilkan dari ekstraksi beat pada tahap sebelumnya, di mana tujuannya adalah untuk mencari fitur yang dapat merepresentasikan pola dengan baik. Mother wavelet yang akan digunakan adalah wavelet daubechies dimana Guler dkk telah menunjukkan bahwa proses ekstraksi fitur menggunakan wavelet daubechies memberikan hasil yang lebih baik dibandingkan dengan wavelet orthogonal yang lain. Pada proses ekstraksi fitur ini, EKG beat akan didekomposisi secara bertahap dari level 1 sampai dengan level 5, artinya 67 TeknikBiomedis : Teori dan Aplikasi

proses dekomposisi akan menghasilkan lima komponen detail d1,………,d5 dan salah satu dari aproksimasi a1,….., a5, tergantung dari level dekomposisi yang akan dipakai. Jika kita memilih dekomposisi level 5, maka akan didapat a5, d1,….,d5, dan kemudian dipilih koefisien yang tepat untuk merepresentasikan sinyal dengan baik di mana pada dasarnya koefisien wavelet ini merupakan representasi distribusi energi dari sinyal dalam dimensi waktu dan frekuensi. Ilustrasi proses dekomposisi dengan jumlah koefisien yang dihasilkan dengan menggunakan wavelet daubechies db8 dapat dilihat pada Gambar 2.20.

Gambar 2.20 Ilustrasi proses dekomposisi dengan jumlah koefisien yang dihasilkan dengan menggunakan wavelet daubechies db8 Pada Gambar 2.21 dapat dilihat komponen aproksimasi tiap level dari hasil dekomposisi sinyal ECG dengan menggunakan wavelet daubechies db8 sebanyak 5 level. Berdasarkan penelitian yang telah dilakukan, ekstraksi fitur pada buku ini menggunakan dua pendekatan yang nantinya akan diujicobakan pada tahap selanjutnya, diantaranya adalah sebagai berikut. 1.

Fitur Aproksimasi: fitur akan diekstrak dari setiap level dekomposisi, danhanya memilih komponen aproksimasi pada setiap level. Sehingga akan dihasilkan5 model data fitur yaitu: 

Fit1(a1) dengan 157 fitur ,


   

Fit2(a2) dengan 86 fitur, Fit3(a3) dengan 50 fitur, Fit4(a4) dengan 32 fitur, Fit5(a5) dengan 23 fitur

Gambar 2.21 Komponen aproksimasi tiap level dari hasil dekomposisi sinyal ECG dengan menggunakan wavelet daubechies db8 2.

Fitur Statistik: dari 5 level dekomposisi, akan dihasilkan a5;d1; : : : ;d5. Semua komponen koefisien yang dihasilkan akan digunakan. Karena jumlah fitur menjadi 371 (23+157+86+50+32+23) maka untuk mereduksi jumlah fitur, dicari fitur statistik untuk setiap komponen, yakni min, mean, max dan deviasi standar. Karena ada enam komponen wavelet, satu aproksimasi dan lima detail, maka akan didapat Fit6 dengan jumlah 24 fitur data.


2.4 Sistem Telehealth Monitoring Penyakit Jantung Sehubungan dengan keterbatasan jumlah dokter spesialis jantung di Indonesia, disertai dengan kurangnya fasilitas penanganan penyakit jantung, dibuat suatu sistem telehealth monitoring penyakit jantung. Diagram sistem telehealth penyakit jantung ini dapat dilihat pada gambar 2.3.1 Dengan adanya sistem monitoring ini diharapkan setiap penduduk Indonesia dapat melakukan pemeriksaan dan pengawasan kesehatan jantungnya secara mandiri, tanpa harus bertemu dokter secara langsung. Pasien cukup mengambil data detak jantungnya menggunakan alat EKG dan aplikasi teleheath ini. Selanjutnya data detak jantung tersebut dikirimkan ke dokter untuk diverifikasi. Selain itu, seistem juga memiliki fitur prediksi (klasifikasi) penyakit jantung berdasarkan data tersebut. Dengan adanya sistem ini, diharapkan adanya gejala penyakit jantung dapat dideteksi dan ditangani sejak dini.

Gambar 2.22 Arsitektur sistem telehealth monitoring penyakit jantung Arsitektur sistem telehealth monitoring penyakit ini jantung yerdiri dari tiga komponen besar seperti yang terlihat pada Gambar 2.22. Komponen pertama pada prototype sistem adalah hardware EKG. Hardware yang berupa sensor EKG ini bertugas untuk mengambil data detak jantung dari tubuh manusia. Sebenarnya tanpa menggunakan elektrokardiogram data detak jantung ditampilkan pada alat osiloskop. Akan tetapi pola dari gelombang sinyal elektrik yang dihasilkan terlalu lemah sehingga susah dibaca. Selain itu 70 TeknikBiomedis : Teori dan Aplikasi

gelombang ini juga mengandung banyak noise, sehingga tidak dapat digunakan keperluan analisis kondisi jantung seseorang. Pada dasarnya elektrokardiogram bertugas melakukan penguatan pada sinyal detak jantung manusia sekaligus mereduksi noise. Dengan demikian pola gelombang yang dihasilkan mudah dibaca. Selain itu Sensor EKG juga mengubah sinyal detak jantung dari bentuk analog menjadi digital agar bisa terbaca oleh perangkat komputasi seperti komputer, smarrtphone, dan sebagainya. Komponen kedua dalam sistem telehealth monitoring penyakit jantung ini adalah semartphone Android. Komponen kedua ini memiliki beberapa fungsi. Urutan kerja fungsi-fungsi komponen smartphone Android ini dapat dilihat pada Fungsi pertama adalah untuk menerima data (raw) data detak jantung yang dikirimkan oleh komponen pertama (hardware sensor EKG). Pada tahap raw data ini, juga dilakukan filter untuk menghilangkan noise yang ditimpulkan oleh perangkat keras. Perangkat keras sensor EKG juga dapat memberikan efek noise pada gelombang sinyal detak jantung. Dengan demikian ketika data sampai di smartphone bentuk gelombangnya tidak mulus (smooth). Oleh sebab itu dilakukan filter lagi untuk membuat gelombang detak jantung smooth. Fungsi kedua dari komponen smartphone ini adalah pemrosesan dan pengelolaan data. Data detak jantung yang sudah diterima tadi diproses untuk klasifikasi guna mengetahui ada tidaknya gejala penyakit jantung pada pengguna. History data detak jantung tersebut juga akan disimpan dalam database smartphone Android dalam bentuk lite database. Fungsi ketiga dari komponen smartphone Android ini adalah pengiriman data dan pegunduhan data ke dan dari server. Aplikasi berbasis sistem operasi Android yang digunakan untuk melakukan ketiga fungsi terebut diberi nama E-Cardio. Aplikasi ini dapat digunakan baik oleh pasien maupun oleh dokter. Komponen ketiga dalam sistem telehealth monitoring penyakit jantung ini adalah server. Server berguna untuk menyimpan data pada database secara online. Dengan adanya server ini pasien (pengguna) dapat mengirimkan data detak jantungnya untuk diverifikasi oleh dokter. Selanjutnya, dokter bisa mmelakukan verifikasi pada detak jantung pasien yang dikirimkan ke server. Pada server terdapat dua komponen, yaitu database, dan aplikasi web. Database digunakan untuk menyimpan data pasien, dokter, history data detak jantung, data rumash sakit dan klinik, dan

71


data affiliasi dokter. Aplikasi web digunakan untuk menerima permintaan (request) dari pengguna aplikasi E-Cardio

2.4.1 Fitur Utama Sistem Telehealth Monitoring Penyakit Jantung Fitur pertama dari sistem teleheath monitoring penyakit jantung ini adalah pengelolaan akun pengguna. Fitur ini dibuat dengan tujuan untuk mengelola data pengguna aplikasi. Dalam fitur ini ada pembedaa pada pembedaan jenis pengguna dan data pengguna yang disimpan. Dalam aplikasi E-Cardio ini ada pembedaan role pengguna antara dokter dan pasien. Data yang disimpan meliputi nama, tanggal lahir,jenis kelamin, tinggi badan, berat badan, nomor telepon, email, alamat pasien dan akun si pengguna (username dan password). Jika akun pengguna belum terdaftar, pengguna harus melakukan registrasi terlebih dahulu. Pengguna cukup mengisi form, jika sudah tinggal menekan tombol save. Implementasi fitur ini dapat dilihat pada Gambar 2.23. Gambar 2.23 (a) menunjukkan list pasien yang terdaftar. Gambar 2.23 (b), dan (c) menunjukkan isian pendaftaran akun pegguna

(a) (b) (c) Gambar 2.23 Tampilan fitur pengelolaan akun pengguna (a) list pengguna (b) dan (c) Form isian saat mendaftarkan akun pengguna

Fitur utama kedua dalam sistem ini adalah menampilkan dan menyimpan data detak jantung. Pertama kali data detak jantung diambil dari sensor EKG melalui koneksi USB atau bluetooth . Kemudian data detak 72 TeknikBiomedis : Teori dan Aplikasi

jantung tersebut divisualisasikan pada layar smartphone. Pada tampilan visualisai terdapat menu untuk klasifikasi data detak jantung dan penyimpanan data detak jantung. Jika pengguna memilih menu untuk menyimpan data terebut, ma data detak jantung akan disimpan di database smartphone atau juga bisa disimpan di server . Implementasi fitur visualisasi dan penyimpanan data detak jantung dapat dilihat pada Gambar 2.24.

(a)

(a) (b) (c) Gambar 2.24 (a) Visualisai data detak jantung (b) Penyimpanan data detak jantung Selain fitur-fitur tersebut, fitur yang cukup panting dari aplikasi ini adalah verivikasi data detak jantung oleh dokter. Fitur ini diimplementasikan dalam suatu menu khusus. Dalam aplikasi ini dibuat satu menu khusus untuk dokter, yaitu melakukan verifikasi detak jantung, mendaftarkan rumah sakit dan klinik, dan mendaftarkan afiliasi dokter. Implementasi use case ini diilustrasikan pada Gambar 2.25. Pertama kali dokter memilih verify heartbeat data pada sub menu khusus dokter seperti tampilan pada gambar (a). Selanjutnya dokter memilih salah satu data detak jantung dari 73 TeknikBiomedis : Teori dan Aplikasi

list yang ada untuk dia verifikasi seperti pada gambar (b). Setelah dipilih, sinyal detak jantung akan ditampilkan seperti gambar (c). Selanjutnya dokter tinggal menekan menu verify heartbeat dan mengisi form isian verifikasi data detak jantung untuk dikirimkan ke server seperti gambar bagian (d). Dokter juga dapat melabeli data tersebut dengan kelas yang sudah disediakan seperti gambar (e).

(a)

(b)

(c)

(d) (e) Gambar 2.25 Fitur Verifikasi Data Detak Jantung Oleh Dokter


2.4.2 Implementasi Server Untuk keperluan manajemen dan penyimpanan data, diperlukan suatu server. Pada server dibuat suatu database seluruh data pasien, dokter, history detak jantung dan keseluruhan data yang dibutuhkan sistem. Selain itu di server juga diimplementasikan layanan (service) guna membuat sistem telehealth ini dapat berjalan baik. Layanan tersebut dibuat untuk menangani request baik dari pasien maupun dokter yang menggunakan sistem telehealth ini. Ada 11 macam layanan di server yang dibuat. Dalam implementasinya, dilakukan uji coba respon dari tiap-tiap layanan tersebut. Waktu rata-rata respon dari setiap layanan tersebut dapat dilihat pada Gambar 2.26.

Waktu respon (ms)

600 500 400 300 200 100 0

Service

Gambar 2.26 Pengukuran responsivitas server sistem telehealth monitoring penyakit jantung untuk masing-masing server


BAB 3

Pendeteksian

Tahapan dan Gangguan Tidur TeknikBiomedis:Teori dan Aplikasi

3.1. Penelitian Tentang Tahapan Tidur Tidur adalah keadaan alami istirahat semua makhluk hidup, karena dalam keadaan tidurlah tubuh meregenerasi semua sel tubuh nya sehingga ketika mereka terbangun mereka dalam keadaan fit. Sedangkan kebutuhan tidur seseorang berbeda untuk setiap jenjang umur. Normalnya manusia dewasa membutuhkan tidur 7.5 - 9 jam dalam sehari agar tubuh kembali berada dalam kondisi optimal, sementara anak-anak dan balita memiliki waktu tidur yang lebih lama dari orang dewasa. Sedangkan untuk manusia berusia lanjut biasanya membutuhkan waktu tidur yang lebih sedikit. Efek dari tidak terpenuhinya kebutuhan tidur disebut dengan “Kekurangan Tidur”, Hal tersebut dapat mempengaruhi vitalitas tubuh diantaranya kelesuan, kurang konsentrasi, kelupaan, penurunan imunitas, dan penurunan konsentrasi. Meskipun demikian memotong kebutuhan jam tidur tidak berdampak langsung terhadap kematian, namun hal tersebut dapat mempengaruhi kesehatan tubuh manusia terutama apabila Kekurangan tidur dialami dalam hari yang kontinu. Untuk mengatasi kekurangan tidur, seseorang cukup melakukan satu malam tidur yang baik. Tabel 3-1 Kebutuhan Tidur Berdasarkan Rentang Usia Usia Bayi (0 – 2 bulan) Bayi (3 bulan – 1 tahun) Balita (1 – 3 tahun) Anak-anak (3 – 5 tahun) Anak-anak (5 – 12 tahun) Remaja (12 – 18 tahun) Dewasa (> 18 tahun)

Jam Tidur (Jam) 12 – 18 14 – 15 12 – 14 11 – 13 10 - 11 8.5 – 11 7.5 - 9

Analisa siklus tidur seseorang dalam satu malam dapat menunjukkan seberapa baik kualitas tidur seseorang. Kualitas tidur secara Kuantitatif ditunjukkan oleh nilai Sleep Efficiency Index yang umumnya dilakukan oleh dokter spesialis tidur pada rumah sakit yang telah dilengkapi dengan peralatan Polysomnograph (PSG). Para ahli yang bergerak dalam penelitian kualitas tidur menggunakan data berupa kanal Polysomnogram yang dihasilkan dari alat rekam PSG. Polysomnogram adalah sebuah rekaman serentak dari sejumlah variabel fisiologis selama tidur yang didalamnya terdapat berbagai macam kanal rekam seperti aktivitas otak 77 TeknikBiomedis : Teori dan Aplikasi

(electroencephalogram, EEG), Pergerakan mata (eye movement, EOG), dan aktivitas otot dagu (chin muscle, EMG) namun tidak terbatas itu saja. Misalnya data jejak rekam PSG yang dilakukan oleh Rumah Sakit Mitra Kemayoran di Jakarta menghasilkan total 21 kanal rekam. Rechtschaffen dan Kales merupakan orang yang pertama kali melakukan standarisasi siklus tidur yang dialami seseorang dalam semalam, selanjutnya dikenal dengan standar metode RKS dan diperkenalkan pertama kali pada tahun 1968. Metode RKS membagi siklus tidur menjadi 6 tahap yaitu : Terbangun, Non Rapid Eye Movement (NREM) 1, NREM 2, NREM3, NREM 4, dan siklus Rapid Eye Movement (REM). Secara ringkas NREM 1 disebut dianggap sebagai tidur dangkal, NREM 2 dianggap sebagai tidur menengah, serta NREM 3 dan 4 dianggap sebagai tidur dalam. Sementara fase mimpi terjadi pada siklus REM. Metode RKS menjadi standar internasional dan terus dipakai hingga American Academy of Sleep Medicine (AASM) melakukan penyederhanaan dari standar RKS menjadi lima siklus tidur pada tahun 2004. Perubahan fundamental yang dilakukan adalah dengan menggabungkan siklus NREM 3 dan 4 pada metode RKS menjadi siklus NREM 3 pada standar AASM, dan memasukkan momen gerak tubuh ke dalam siklus bangun atau tidur. Sebelumnya pada metode RKS momen gerak tubuh dianggap sebagai fase tersendiri di luar 6 siklus tidur yang yang ada. Terdapat keteraturan dalam pola siklus tidur dalam semalam, khususnya orang dewasa yang memiliki siklus tidur yang relatif stabil. Hal tersebut berupa setelah siklus tidur berpindah dari terbangun ke NREM, selanjutnya selalu terjadi perulangan siklus dari NREM 1 – 4 hingga REM. Dalam satu malam perulangan ini dapat terjadi 4 – 5 kali. Sebagaimana yang ditunjukkan oleh Gambar 3.1. Dokter spesialis tidur mampu melakukan diagnosa untuk menentukan siklus tidur seseorang dalam rentang waktu dengan melakukan pembacaan data rekam kanal PSG. Dari sejumlah kanal PSG, siklus tidur paling berkorelasi dari data kanal Electroencephalography (EEG), namun dengan menganalisa data EEG saja presisi pengukuran siklus tidur maksimal hanya mencapai 70%. Untuk itulah dokter spesialis tidur perlu membaca kanal lainnya terutama kanal pernapasan hidung, kanal pernapasan perut, kanal EOG, EMG, serta ECG.


Gambar 3.1 Hypnogram Normal Orang Dewasa Kanal EEG sebagai kanal yang paling berkorelasi dengan siklus tidur, memiliki karakteristik unik yang membedakan satu siklus tidur dengan siklus tidur lainnya. Misalnya ketika mata tertutup gelombang EEG pola yang relatif lebih halus yang disebut sebagai keadaan terelaksasi. Pada siklus NREM 1, terdapat kemunculan gelombang Theta, pada siklus NREM 2 terdapat lompatan gelombang berfrekuensi tinggi disebut sebagai kumparan tidur, dan juga terdapatnya gelombang K kompleks. Pada siklus NREM 3 terdapat kemunculan gelombang delta yaitu gelombang yang memiliki loncatan amplitudo tinggi namun bergerak dengan peralihan yang lambat. Dengan hanya membaca kanal EEG saja, siklus REM tidak dapat dibedakan dengan keadaan terbangun karena memiliki keadaan gelombang EEG yang mirip. Berikut ini rincian karakteristik dari keempat siklus tidur tersebut.

3.1.1 Siklus NREM1 Rata-rata seseorang berada dalam siklus NREM1 dalam durasi satu menit, yang dihitung semenjak transisi dari keadaan terjaga hingga transisi ke siklus NREM2. Karakteristik dari siklus NREM1 antara lain:   

Kecepatan gelombang otak mengalami penurunan menjadi 4 - 6 siklus per detik suhu tubuh mulai menurun, otot terelaksasi, dan bola mata bergerak perlahan kiri ke kanan seseorang yang berada dalam pasien ini tidak sadar terhadap lingkungan, namun masih mudah sekali terbangun


3.1.2 Siklus NREM2 Siklus ini biasa disebut dengan tidur ringan dan berlangsung antara 10 - 25 menit, serta merupakan siklus tidur yang memakan setengah waktu tidur semalam. Karakteristik dari siklus ini antara lain:  



Bola mata dalam keadaan diam, dan detak jantung dan pernapasan lebih lambat ketimbang saat terbangun Timbulnya irregularitas dalam perekaman EEG dimana terdapat gelombang yang memiliki amplitudo tinggi dengan siklus pelan, namun juga terdapat aktifitas otak sepintas yang disebut “Kumparan Tidur” dimana pola gelombang yang dihasilkan seperti terdapat noise Penjejakan EEG juga akan menunjukkan pola yang disebut gelombang K-kompleks yang dapat dianggap sebagai sistem penjagaan yang membuat tubuh siap terbangun jika diperlukan. Seseorang yang berada dalam keadaan ini dapat terprovokasi dengan suara tertentu seperti penyebutan nama seseorang atau stimuli lainnya.

3.1.3 Siklus NREM3 Siklus ini biasa disebut sebagai tidur dalam, dimana otak menjadi kurang responsif terhadap stimuli eksternal, yang menyulitkan untuk membangunkan orang yang tidur tersebut. Pada siklus ini tubuh semakin aktif untuk memperbaiki kerusakan yang terjadi di dalamnya. Karakteristik dari siklus ini adalah: 

   

Timbulnya gelombang delta yang dicirikan gelombang yang memiliki amplutido yang besar dan berjalan pelan. Gelombang ini mendominasi pola siklus NREM3 Pernasapan berjalan secara teratur. Tekanan darah, serta detak jantung menurun hingga 20% - 30% dibanding saat terbangun. Darah yang diarahkan ke otak menurun Terdapat pelepasan hormon pertumbuhan pada periode awal siklus NREM3 Substansi material berkaitan dengan sistem kekebalan tubuh semakin bertambah, meningkatkan kemampuan tubuh dalam bertahan terhadap infeksi

Manusia muda menghabiskan 20% dari total waktu tidur semalam dalam kondisi tidur dalam. Sementara pada usia diatas 65 siklus tidur dalam 80 TeknikBiomedis : Teori dan Aplikasi

hampir tidak ditemukan. Ketika seseorang terkena gejala kurang tidur, umumnya orang tersebut ketika tidur akan berada pada siklus tidur yang lebih rendah dalam waktu yang lebih singkat dan menghabiskan waktu lebih lama dalam siklus tidur dalam. Hal ini menunjukkan tidur dalam memerankan peran penting dalam memperbaiki kondisi fisik tubuh.

3.1.4 Siklus REM Mimpi dialami ketika berada dalam kondisi tidur REM. Siklus ini dianalogikan sebagai aktifnya otak meskipun tubuh dalam kondisi istirahat. Hal-hal yang terjadi pada siklus ini yaitu:   

Aktifitas otak sangat meningkat dan mata yang berada dibalik penutup mata begerak bolak-balik dengan cepat Suhu tubuh meningkat, tekanan darah meningkat, dan detak jantung serta pernapasan seperti layaknya pada aktifitas saat terbangun Sistem syaraf simpatik berfungsi dua kali lebih aktif dibanding saat terjaga. Namun tubuh tetap dalam kondisi diam, dan hanya otot yang berkaitan dengan pernapasan dan pergerakan mata yang bekerja

3.2. Jenis-Jenis Gangguan Tidur Sleep Disorder (Gangguan Tidur) adalah sebuah gangguan medis pada pola tidur hewan dan manusia yang cukup mengganggu pola tidur seseorang hingga mempengaruhi fungsi fisik, mental dan fungsi emosional sehingga dapat mempengaruhi tingkat keselamatan kerja tergantung skala gangguan tidur yang dialaminya. Menurut penelitian dari lembaga perburuhan internasional (ILO), Indonesia merupakan negara yang memiliki standar keselamatan kerja yang sangat buruk. Hal ini ditunjukkan dari peringkat kulitas keselamatan kerja indonesia yang menempati urutan 152 dari 153 negara yang diteliti. Dalam penelitiannya, National Commision on Sleep Disorder melaporkan bahwa kecelakaan yang terjadi diseluruh dunia disebabkan oleh sleep disorder mencapai angka 40%. Salah satu jenis Sleep disorder yang umum muncul adalah Sleep Apnea. Sleep apnea adalah sebuah gangguan tidur dengan ditandai berkurangnya atau bahkan berhentinya pernafasan selama lebih dari 10 detik. Hal ini mengakibatkan kadar oksigen dalam darah akan berkurang. Salah satu keadaan khusus yang muncul pada pasien yang terkena sleep apnea adalah Hypopnea, didefinisikan sebagai penurunan volume aliran pernapasan 81 TeknikBiomedis : Teori dan Aplikasi

sejumlah 50% yang mengalir ke paru-paru setidaknya selama 10 detik, diikuti dengan penurunan tekanan SpO2 sebanyak 4%, atau terbangkitnya rangsangan fisik. Pasien yang terkena sleep apnea dapat saja menempuh jam tidur yang cukup sebagaimana orang sehat, namun akibat gangguan tidur yang dialaminya kualitas tidur terganggu. Sehingga pasien terkena sleep apnea sering mengalami kekantukan yang mengakibatkan menambahnya jumlah jam tidur dalam sehari yang dilakukan. Dalam dunia kedokteran, sleep apnea terbagi dalam sejumlah kondisi yaitu : a. Central Sleep Apnea (CSA) CSA terjadi saat otak mengirimkan sinyal yang tidak cukup kuat untuk ke otot – otot pernapasan untuk melakukan pernapasan. Hal ini biasanya dapat terjadi karena kelainan pada jantung, Serebrovaskular, atau bahkan konsumsi obat – obatan yang akhirnya menjadi racun bagi tubuh. Secara umum utamanya CSA disebabkan oleh terdapatnya gangguan pada sistem syaraf manusia pada bagian tertentu yang mengakibatkan terjadinya gangguan pernapasan saat tidur. CSA tidak dapat dieliminasi secara total namun gangguan yang diakibatkan saat tidur dapat diminimalisasi dengan secara rutin melakukan terapi dokter. b. Obstructive Sleep Apnea (OSA) Gangguan tidur ini diakibatkan fungsi pernapasan yang terganggu atau secara mudahnya adalah gangguan ini disebabkan oleh saluran pernapasan yang terhambat secara fisik. Misalnya tubuh yang terlampau gemuk (obesitas) menjadi salah satu faktor penyebab gangguan tidur OSA atau posisi tidur yang kurang baik. Sleep apnea tidak senantiasa muncul selama waktu tidur satu malam, even saat terjadinya sleep apnea dikenal juga dengan even pernapasan yang terbagi dalam sejumlah kondisi seperti, respiratori normal, keadaan hyponea, keadaan apnea, dan juga terdapatnya fase transisi antara CSA – OSA. Sleep apnea sangat berkaitan dengan even pernapasan, selain itu apnea juga dapat mempengaruhi sistem tubuh seperti sistem Kardiovaskular (jantung), sehingga dapat menyediakan informasi berharga untuk mendeteksi sleep apnea. Meskipun demikian untuk mendapatkan data mengenai gejala gangguan tidur semacam sleep apnea tetap diperlukan pengukuran standar menggunakan PSG dalam waktu perekaman yang memadai. Diagnosa sleep 82 TeknikBiomedis : Teori dan Aplikasi

apnea dilakukan membutuhkan kanal rekam EEG, EOG, EMG, sensor pernapasan perut, tenggorokan, hidung, saturasi oksigen dan juga ECG.

3.3 Metode Pendeteksian Siklus Tidur Electrocardiogram (ECG) dapat juga disebut sebagai EKG adalah sebuah rekaman terhadap aliran listrk yang dihasilkan oleh gerak kinetik dan potensial otot-otot jantung. Bentuk gelombang ECG dan atributnya dapat dilihat pada Gambar 3.2.

Gambar 3.2 Gelombang ECG dan Definisi Intervalnya

Ritme detak jantung memiliki sedikit keterkaitan dengan kondisi tidur dan terbangun. Dalam kondisi terbangun ritme jantung bergerak normal, sementara dalam kondisi tertidur ritme jantung bergerak lebih perlahan. Ritme jantung umumnya dihitung dalam skala waktu 30 detik atau 1 menit, namun dapat juga dihitung dalam satuan lebih dari itu. Sebagai gambaran berikut ini adalah kondisi ritme jantung seseorang dalam keadaan tidur dan terlelap yang diambil dalam interval 30 detik. Dalam kondisi terbangun selain ritme jantung yang bergerak normal sinyal ECG yang terekam juga memiliki spike dan sinyal cenderung bergesar dari garis tengah.


Gambar 3.3 Ritme jantung kondisi terbangun dan terlelap

3.4 Ekstraksi Fitur Untuk Deteksi Siklus Tidur Ekstraksi fitur dilakukan untuk mengkuantisasi data hasil rekam baik berupa sinyal EEG yang memiliki korelasi tinggi terhadap siklus tidur atau sinyal ECG yang memiliki korelasi relatif rendah terhadap siklus tidur. Diasumsikan telah terdapat anotasi siklus tidur per satuan rentang waktu tertentu, misalnya database sleep PSG PHYSIONET melakukan anotasi per 30 detik. Dengan demikian ekstraksi fitur dilakukan juga dalam waktu per 30 detik. Selain untuk mengkuantisasi nilai fitur yang berkorelasi terhadap siklus tidur, ekstraksi fitur juga berguna sebagai reduksi data yang ingin diproses. Sebagai gambaran data EEG diambil dalam satuan 1/200 detik, dengan demikian dalam rentang 30 detik akan terdapat sampel poin sebanyak 6000. Dengan melakukan ekstraksi fitur, hanya akan terdapat 12 fitur/data input per interval. Hal yang sama berlaku untuk fitur berbasis sinyal EKG. a.

Histogram Persebaran Siklus Tidur

Dengan melakukan pengelompokan kemunculan siklus tidur berdasarkan kelas-kelasnya, akan terlihat histogram persebaran siklus tidur dalam satuan waktu satu malam untuk seseorang. Histogram ini berguna salah satunya untuk mendiagnosa cepat apakah seseorang memiliki kualitas 84 TeknikBiomedis : Teori dan Aplikasi

tidur normal, karena manusia sehat tidak akan berbeda jauh histogram siklus tidur rata-rata. Histogram rata-rata dihitung dengan mengumpulkan data siklus tidur sejumlah orang sehat kemudian dikelompokkan. Sebagai gambaran berikut ini adalah siklus tidur rata-rata yang diambil dari data rumah sakit Mitra Kemayoran Jakarta dibandingkan dengan data dari rumah sakit MIT-BIH, Masachuset.

(a) MIT-BIH (b) Mitra Kemayoran Gambar 3.4 Histogram Pie Chart Siklus Tidur (a) MIT-BIH dan (b) Mitra Kemayoran

Gambar 3.5 Histogram Batang Siklus Tidur


Data rekam PSG tidur MIT-BIH merupakan kumpulan rekam jejak tidur pasien yang terkena sleep apnea (kurang sehat), dan data rekam PSG tidur R.S Mitra Kemayoran, Jakarta merupakan kumpulan rekam jejak tidur pasien sehat. Dari kedua histogram ini distribusi data perkelas pada data Mitra lebih merata, dan pada kedua data kemunculan siklus tidur NREM 1 dan NREM 2 lebih dominan. Hal ini bermakna baik pada orang sehat/tidak dalam satu malam lebih banyak kondisi tidur ringan dan menengah. Tabel 3-2 Formula Penurunan Fitur Berbasis EEG


b.

Metode Ekstraksi Fitur Data EEG

Terdapat banyak variasi metode ekstraksi fitur yang mengolah dari data EEG, yang akan dijelaskan disini adalah salah satu metode ekstraksi yang relatif sederhana. Ekstraksi dilakukan dengan menerapkan formula perhitungan energi dan fluktuasi energi dari sinyal EEG. Formula ekstraksi fitur yang dilakukan dapat dilihat pada Tabel 3-2. Dengan demikian, setiap interval akan dihasilkan 12 fitur yang berkorelasi langsung dengan siklus tidur. Hal ini bermakna setiap siklus tidur akan memiliki kuantisasi nilai dari 12 fitur yang unik kecuali jika terdapat outlier. c.

Metode Ekstraksi Fitur Data ECG

Berbeda dengan metode penurunan fitur berbasis EEG yang menghitung dari nilai energi dan fluktuasinya. Mengingat pada sinyal ECG yang berkorelasi adalah ritme jantung maka penurunan fitur tidur menggunakan sinyal ECG banyak yang dhitung dari penurunan terhadap interval NN, yaitu rentang waktu antara puncak gelombang R yang bertetanggaan dan keduanya merupakan PQRS normal. Dari interval NN yang terhitung, dapat diturunkan 12 lebih fitur dimana 7 diantaranya merupakan fitur statistik dari interval NN, dan 5 fitur lainnya merupakan bentuk spektrum frekuensi dari interval NN. Metode penurunan fitur berbasis interval NN disebut juga metode ekstraksi fitur Heart Rate Variability (HRV). Berikut ini adalah hal-hal yang dihitung selama penurunan fitur HRV. Tabel 3-3 Metode Penurunan Fitur HRV No

Domain Spasial

Domain Frekuensi

1

Rata-rata interval NN

Total power spektral interval NN hingga 0.04 Hz (UVLF)

2

Standar deviasi interval NN

Total power spektral interval NN hingga 0.003 dan 0.04 Hz (VLF)

3

Akar kuadrat dari rata-rata Total power spektral interval NN pangkat dua perbedaan interval hingga 0.04 dan 0.15 Hz (LF) NN bertetangga

4

Persentase perbedaan interval Total power spektral interval NN 87 TeknikBiomedis : Teori dan Aplikasi

NN bertetangga yang lebih dari hingga 0.15 dan 0.4 Hz (HF) 50 ms 5

Nilai tengah dari interval NN

6

Inter-Quartile Range (IQR)

7

Mean Absolute Deviation

Rasio LF / HF

Metode ekstraksi fitur HRV merupakan metode yang paling umum jika data input berupa gelombang ECG. Metode penurunan fitur berbasis energi dan fluktuasinya seperti yang dijelaskan sebelumnya, dapat saja diterapkan untuk melakukan ekstraksi fitur dengan metode alternatif. Terdapat metode lainnya untuk menurunkan fitur yaitu dengan metode berbasis ECG Derived Respiration (EDR), yaitu aproksimasi tingkat pernapasan yang dihitung dari sinyal ECG. Umumnya dari rekam PSG telah terdapat channel khusus untuk merekam volume pernapasan hidung, tenggorokan, perut dan paru-paru. EDR dilakukan jika alat PSG tidak tersedia karena umumnya langka dan mahal, dan hanya tersedia alat rekam ECG yang sifatnya murah dan portabel.

3.5. Dataset Pada bagian ini dijelaskan data dari pasien yang digunakan untuk pendeteksian tahapan dan gangguan tidur.

3.5.1. Pengambilan Sinyal Detak Jantung Pasien Untuk mendapatkan contoh-contoh detak jantung pada tahap-tahap tidur yang berbeda, rekam jejak detak jantung beberapa pasien diambil dengan alat Polysomnograph dan EKG. Sinyal detak jantung dari pasien kemudian disimpan dalam format yang standar yakni format .edf. Pengambilan data dilakukan mulai pada saat pasien hendak tidur hingga bangun kembali. Data dari setiap pasien rata-rata berdurasi sekitar 5 sampai 6 jam. Data yang disimpan berupa data dari sensor EEG, EKG, dan Polysomnograph. Data EKG akan diproses untuk pelatihan menggunakan machine learning. Sedangkan data EEG dan Polysomnograph yang lain digunakan dokter sebagai bantuan untuk menentukan tahapan tidur pasien 88 TeknikBiomedis : Teori dan Aplikasi

secara manual. File .edf yang dihasilkan bisa ditampilkan menggunakan program EDF viewer yang salah satunya adalah EDFBrowser. Contoh data hasil rekaman EKG yang berhasil direkam ditunjukkan oleh Gambar 3.6.

Gambar 3.6 Program EDF Browser Untuk Menampilkan Sinyal EKG yang telah disimpan

3.5.2. Anotasi Potongan Sinyal Detak Jantung Sinyal EKG yang telah direkam dari beberapa pasien kemudian dipotong menjadi beberapa potongan setiap 30 detik. Setiap potongan 30 detik akan dikaitkan dengan tahapan tidur tertentu. Pelabelan potongan sinyal ini dilakukan oleh dokter dengan spesialisasi gangguan tidur. Contohya potongan sinyal EKG selama 30 detik ditunjukkan oleh Gambar 3.7.

Gambar 3.7 Sinyal EKG yang telah dipotong untuk periode 30 detik


Format file .edf kurang sesuai untuk dimanipulasi menggunakan program-program pengolahan sinyal yang telah dikembangkan sebelumnya. Oleh sebab itu, diperlukan konversi file .edf ke file yang kompatibel dengan program pengolahan gelombang dari MIT.Untuk itu perlu dijalankan program bernama edf2mit untuk melakukan konversi. Untuk mendapatkan format gelombang raw, digunakan program lain untuk menkonversi format MIT ke format csv yang bisa dibaca dengan program yang sangat sederhana. Program yang digunakan bernama mit2wav.

Gambar 3.8 Proses PengolahanSinyal EKG _

3.6. Karakteristik Data

Gambar 3.9 Visualisasis 3 dimensi data tahapan tidur dengan 3 kelas (Hermawan, 2013) Data EKG yang dikaitkan dengan tahapan tidur memiliki karakteristik yang unik. Secara umum sangat sulit untuk membedakan tahapan tidur dari tampilan visual sinyal EKG. Banyak tahapan tidur yang mempunyai sinyal EKG 90 TeknikBiomedis : Teori dan Aplikasi

yang sangat mirip atau dengan kata lain banyak data yang bersifat tumpangtindih. Data yang bersifat tumpang-tindih menyebabkan proses pendeteksian tahapan tidur menjadi lebih sulit. Karakteristik lain dari data tidur yaitu distribusi data yang bersifat menyebar. Contoh karakteristik data ini dapat dilihat pada Gambar 3.9. Karena sifat data yang saling tumpang tindih dan menyebar ini, diperlukan penanganan khusus agar informasi dari data tersebut dapat diolah. Salah satu tahapan terpenting adalah melakukan klasifikasi terhadap data tersebut sehingga setiap kriteria tidur dapat dibedakan dengan baik. Tim riset dari Fakultas Ilmu Komputer Universitas Indonesia tercatat telah melakukan beberapa penelitian terkait dengan pembacaan data kualitas tidur seseorang. Salah satu teknik yang memiliki tingkat pengenalan paling baik adalah riset menggunakan algoritma berbasiskan jaringan syaraf tiruan dengan menggunakan aturan kompetisi antar syaraf yang dikenal sebagai Learning Vector Quantization. Penelitian untuk mengklasifikasi tahapan tidur menggunakan LVQ pertama kali dilakukan oleh Eka Suryana yang mengembangkan varian LVQ yaitu Generalize Learning Vector Quantization (GLVQ) dan dan Fuzzy Neuro Learning Vector Quantization (FNLVQ). Teknik pengenalan berbasiskan LVQ ini kemudian dilanjutkan oleh M Iqbal Tawakal dengan algoritma Multicodebook GLVQ untuk meningkatkan tingkat pengenalan. Penelitian serupa juga dilakukan oleh Andry Sunandar dengan menggunakan Adaptive FNGLVQ dan Indra Hermawan yang sejauh ini memberikan hasil yang paling baik. Semua varian algoritma LVQ yang disebutkan di atas akan dijelaskan secara lebih rinci di bab 6.

3.7. Perangkat Portable Berbasis Single Board Computer Pada tahap ini dijelaskan beberapa tahapan dalam pembuatan perangkat portable untuk pendeteksian tahapan tidur pasien menggunakan sebuah Single Board Computer (SBC) dan beberapa rangkaian elektronik tambahan.

3.7.1. Rangkaian Elektronik Terintegrasi Rangkaian ini terdiri dari beberapa komponen untuk mendeteksi sinyal EKG yang didapat dari tubuh. Karena sinyal elektronik dari tubuh sangat 91 TeknikBiomedis : Teori dan Aplikasi

lemah, maka diperlukan komponen penguat agar sinyal dapat diproses lebih lanjut. Rangkaian ini terdiri dari rangkaian analog, mikrokontroller dsb.

3.7.2. Pengantar Beagleboard SBC Sebuah Single Board Computer (SBC) adalah komputer berukuran mini yang hanya terdiri dari satu rangkain terintegrasi. SBC memiliki komponenkomponen utama seperti mikroprosesor, memory, Input/Output (IO), sehingga SBC memiliki semua fitur umum yang dimiliki oleh komputer biasa pada umumnya. Konfigurasi dari SBC juga memiliki keunggulan dari sisi ekonomi karena menyebabkan harga produksi yang relatif lebih murah. Meskipun memiliki kemampuan komputasi yang terbatas cukup terbatas, desain komputer pada satu board memungkinkan SBC untuk digunakan sebagai bagian utama komputasi dari sistem tertanam.

3.7.3. Implementasi Alat Deteksi Data Tidur Pada Alat Portable Sistem tertanam untuk mengolah sinyal detak jantung dapat dibuat menggunakan suatu rangkaian yang terdiri dari transducer, Single Board Computer (SBC), mikrocontroller EKG, rangkaian converter analog ke digital (ADC), dan disertai dengan perangkat penunjang lainnya seperti power supply dan layar sentuh untuk input/output ke SBC. Pada bagian ini akan dijelaskan alat portable yang dikembangkan oleh Fasilkom UI untuk melakukan deteksi sinyal jantung.

Gambar 3.10 Contoh alat portable untuk mendeteksi sinyal jantung yang dihubungkan dengan simulator detak jantung 92 TeknikBiomedis : Teori dan Aplikasi

Transducer berfungsi untuk memperoleh informasi detak jantung manusia dengan cara melekatkan beberapa elektroda pada bagian tubuh tertentu sehingga beda potensial ionik pada tubuh dapat diterjemahkan ke perangkat elektronik yang akan digunakan. Pada umumnya, untuk alat EKG single lead, elektroda diletakkan pada tiga titik, yaitu pada lengan kiri, lengan kanan, dan kaki kiri.

Gambar 3.11 Contoh elektroda Setelah informasi mengenai beda potensial tubuh diperoleh oleh transducer, sinyal tersebut kemudian dikirimkan ke rangkaian EKG untuk diolah. Pada dasarnya, bagian EKG terdiri atas rangkaian amplifier dan filter untuk memperkuat sinyal jantung yang diperoleh sekaligus melakukan penyaringan sinyal sehingga informasi yang diperoleh tidak memiliki derau yang signifikan. Amplifier diperlukan karena kecilnya sinyal yang dihasilkan oleh pasien, yaitu sekitar 0.05 – 4 mV. Perlu diingat kembali bahwa sinyal yang diperoleh sejauh ini diolah secara analog pada rangkaian EKG. Agar sinyal dapat diolah secara digital, sinyal keluaran dari rangkaian EKG kemudian diteruskan ke rangkaian ADC untuk kemudian dikonversi menjadi data digital. Sinyal digital yang dihasilkan oleh rangkaian ADC kemudian diteruskan ke Beagleboard untuk kemudian diolah secara digital. Beagleboard juga berfungsi sebagai kontrol digital untuk fungsi input dan output dari sinyal detak jantung.


BAB 4

Deteksi Kadar Trichloroethylene (TCE) pada Hati Teknik Biomedis:Teori dan Aplikasi

4.1 Apa itu Trichloroethylene Trichloroethylene (C2HCI3) adalah hidrokarbon terklorinasi yang mengandung klor (gas klorin yang berwarna kuning kehijauan).Senyawa ini tidak mudah terbakar dan memiliki bau yang khas, di dalam industri senyawa biasanya dikenal sebagai senyawa TCE, Trichlor, Trike, Triky dan tri. TCE adalah senyawa yang dapat larut dalam air, dan juga dapat bertahan lama dalam tanah. TCE diperkirakan tidak terjadi secara alami di lingkungan, namun banyak ditemukan pada sumber air bawah tanah maupun aliran air dipermukaan sebagai akibat dari pembuangan limbah atau sampah industri. Dalam penelitian di Amerika, sejumlah besar TCE yang dilepas ke atmosfer merupakan hasil degresi industri. Degresi adalah sebuah proses pemangkasan lemak dari sebuah objek dengan menggunakan media degreaser. Bahan yang digunakan untuk membuat degrease sendiri salah satunya adalah TCE.

4.1.1 Kegunaan Trichloroethylene Pada dunia industri, TCE menjadi senyawa yang sangat berguna, terutama dalam pembuatan produk pembersih pakaian. Secara khusus TCE digunakan sebagai degreaser. Selain itu, produk kimia yang larut air ini dapat membersihkan permukaan keras seperti lantai, mesin, alat-alat yang terbuat dari logam. TCE digunakan sebagai senyawa pembersih pakaian karena dapat menghilangkan lemak dan noda dengan mudah. Senyawa ini dapat juga melarutkan cat kayu maupun besi yang sudah menempel. Aplikasi lain dari senyawa ini juga digunakan sebagai bahan utama dalam pembuatan perekat.

4.1.2 Dampak Negatif dari Trichloroethylene TCE merupakan senyawa yang sangat mudah menguap dilingkungan. Manusia yang menghirup senyawa tersebut dalam jangka pendek (akut) akan merasakan mata pedih, tenggorokan gatal, menyebabkan sakit kepala, pusing dan sulit berkonsentrasi. Bahkan dalam penelitian yang dilakukan di National Center for Biotechnology Information (NCBI) interaksi langsung dengan senyawa TCE dapat mengakibatkan gangguan pada tubuh manusia, seperti menyebabkan kerusakan hati dan ginjal, fungsi sistem kekebalan tubuh terganggu, dan gangguan perkembangan janin pada ibu hamil, meskipun sejauh mana efek tersebut masih belum jelas. Selain melalui rongga hidung, TCE dapat memberikan efek negatif ketika mengenai kulit, saluran tenggorokan, dan mata. Dalam jangka panjang (kronis) akan mengakibatkan kerusakan pada sistem syaraf, paru – paru, ginjal dan juga hati. Dalam 95 TeknikBiomedis : Teori dan Aplikasi

penelitian National Academy of Sciences, TCE dianggap menjadi salah satu penyebab munculnya kanker pada manusia dan bahkan kematian. Kangker yang dapat disebabkan oleh TCE sendiri diantaranya adalah kanker kidney (ginjal), liver(hati), cervix(mulut rahim), dan sistem lymphatic(sistem limfa). Beberapa peneliti gabungan dari Amerika Serikat, Kanada, Jerman, dan Argentina yang menguji dampak TRI, zat ini dianggap mampu memberikan ekses negatif bagi lingkungan dan meracuni tubuh.

4.2 Definisi Hati Hati atau dalam bahasa inggris biasa disebut dengan liver adalah sebuah organdalam pada tubuh mahluk hidup, dalam hal ini adalah manusia. Organ dalam ini memiliki ukuran paling besar jika dibandingkan dengan organ lainnya.

Gambar 4.1 Organ Hati Pada umumnya hati memiliki berat 1500 gram pada keadaan normal orang dewasa. Hati merupakan salah satu organ yang sangat penting dimiliki oleh manusia. Tanpa adanya organ hati, manusia tidak dapat hidup lebih dari 24 jam. Letak organ hati berada dibawah dibawah tulang rusuk, dibagian kanan atas dari abdomen.

4.2.1 Fungsi Hati Organ dalam yang memiliki ukuran terbesar ini memiliki beberapa fungsi utama, yakni : mengolah nutrisi dalam makanan, membentuk empedu, membuang racun dalam tubuh dan membuat protein. Organ hati menjadi 96 TeknikBiomedis : Teori dan Aplikasi

salah satu organ terpenting yang dimiliki oleh manusia dengan fungsi – fungsi tersebut. Gangguan organ hati dapat menyebabkan berbagai penyakit. Idealnya organ hati menjaga tubuh manusia dengan menghilangkan racun yang ada di dalam tubuh, menghasilkan protein untuk metabolisme, dan mengolah nutrisi dari makanan. Adapun penjelasan dari fungsi – fungsi hati tersebut adalah sebagai berikut.

a. Memproses Nutrisi dari Makanan Pada proses pencernaan, sistem dalam tubuh akan memecah makanan yang masuk menjadi bagian yang kecil dan semakin kecil. Sehingga akhirnya dapat dialirkan melalui darah. Darah akan membawa nutrisi yang terkandung dalam makanan dan melewati organ hati. Di dalam organ hati, nutrisi tersebut akan diproses menjadi energi secara cepat, sedangkan sisanya akan diproses menjadi protein – protein yang dibutuhkan oleh tubuh manusia. Rusaknya organ hati akan secara langsung mengganggu proses pembentukan protein dan pembentukan energi, sehingga pada penyakit gagal fungsi organ hati dapat menyebabkan kerusakan otak dan koma.

b. Membentuk Empedu Empedu adalah sebuah cairan kental berwarna hijau kekuningan yang dihasilkan oleh hati. Fungsi utama dari empedu adalah untuk membantu pencernaan makanan. Terutama dalam proses pencernaan lemak saat lewat dari lambung ke usus. Cairan berwarna hijau kekuningan yang dihasilkan organ hati ini akan disimpan dalam kantong terdekat dari hati yang disebut sebagai empedu, yang pada umumnya disebut kantung empedu. Dalam membantu pencernaan, empedu memecah lemak yang masuk ke dalam tubuh melalui makanan, sehingga lemak tersebut dapat dicerna dan tidak mengendap dalam tubuh. Sebagai contoh adalah ketika seseorang mengkonsumsi sejumlah daging panggang dalam jumlah besar, maka di dalamnya terkandung lemak yang masuk ke dalam tubuh. Maka dengan segera fungsi empedu akan dijalankan untuk memecah lemak yang masuk ke dalam tubuh tersebut. Obesitas merupakan salah satu awal dari gangguan fungsi empedu, hal ini karena jumlah lemak yang masuk ke dalam tubuh tidak seimbang dengan kemampuan dari empedu dalam memecah lemak.

c. Membuang Penyakit Dalam Tubuh Fungsi lain dari organ hati adalah membuang berbagai racun dalam tubuh. Seluruh darah yang ada dalam tubuh manusia akan selalu melewati 97 TeknikBiomedis : Teori dan Aplikasi

organ hati. Sehingga penting bagi hati untuk menarik semua hal buruk yang ada dalam darah. Diantaranya adalah racun yang harus dibuang dari tubuh manusia. Jenis – jenis racun ini seperti obat – obatan (penicillin dan Tylenol). Beberapa racun lainnya seperti sel – sel yang sudah mati dan hancur yang sebelumnya dibutuhkan oleh tubuh, protein dan hormon yang sudah tua. Organ Hati menyiapkan fungsinya sebagai pembuang racun dalam tubuh untuk berbagai jenis racun tersebut, sehingga pada akhirnya dapat dibuang dari dalam tubuh. Kerusakan fungsi hati akan mengakibatkan racun – racun yang ada dalam tubuh yang seharusnya dibuang menjadi terkumpul, mengendap dan akhirnya mengakibatkan masalah baru.

d. Membentuk Protein Protein merupakan senyawa kimia kompleks yang dibutuhkan oleh setiap mahluk hidup seperti tanaman, hewan dan manusia. Protein adalah senyawa yang dibutuhkan olkeh tubuh manusia dan harus diproduksi secara berkala dalam tubuh manusia. Seperti halnya pembentukan protein yang berfungsi untuk pembekuan darah. Protein ini harus tetap diproduksi setiap harinya dalam tubuh manusia oleh hati. Pada kasus tertentu, terdapat masalah dalam pembekuan darah yang diakibatkan oleh irisan kecil pada tubuh manusia. Darah tidak dapat membeku dan terus mengalir ketika protein tersebut tidak diproduksi oleh hati.

4.2.2 Tanda dan Gejala Penyakit Berbagai fungsi utama dibebankan pada hati membuat organ ini menjadi bagian vital dalam tubuh manusia. Sehingga apabila terjadi kerusakan dari organ ini, akan mengakibatkan berbagai penyakit dan kelainan yang masiv. Adapun tanda – tanda kelainan dan gejala penyakit pada hati dapat berupa:

a. Rasa Mual dan Muntah - Muntah Perasaan mual sampai dengan muntah – muntah adalah tahap paling awal dalam gejala penyakit hati. Namun gejala ini biasanya sering dianggap sebagai gejala sakit biasa bahkan diabaikan dan baru ditanggulangi sampai penyakit hati ini bertambah parah.

b. Rasa sakit di perut kanan atas Pembengkakan organ hati pada pasien yang sudah mengalami penyakit hati yang cukup parah akan mulai terasa dibagian perut kanan atas. 98 TeknikBiomedis : Teori dan Aplikasi

Apabila perasaan sakit perut dibagian kanan atas ini sudah terjadi, maka perawatan lebih lanjut sangat dibutuhkan pada kasus ini.

c. Warna kulit yang berubah menjadi kekuningan Penyakit kuning merupakan gejala awal dalam kerusakan hati. Hal ini terjadi karena adanya penumpukan bilirubin dan dan cairan empedu yang mengalir dalam darah akibat kerusakan hati yang diderita.

d. Mudah letih dan lesu Perasaan mudah letih dan lesu merupakan gejala non deskriptif yang dialami oleh pasien yang mengidap penyakit kerusakan hati.Gejala ini juga biasanya diabaikan sampai informasi mengenai penyakit ini ditemukan dalam diagnosa lebih lanjut.

4.2.3 Pencegahan Penyakit Pencegahan awal dalam penyakit hati merupakan jalan terbaik dalam menjaga agar tubuh tidak terkena penyakit liver. Beberapa hal yang seharusnya dilakukan adalah sebagai berikut : a. Menjaga lingkungan tempat tinggal dalam keadaan bersih, sehingga terhindar dari berbagai jenis bakteri dan jamur yang dapat menyebabkan penyakit organ hati. b. Mengkonsumsi makanan bergizi dan seimbang serta terjaga kebersihannya, sehingga hati tidak bekerja secara berlebihan. c. Hindari mengkonsumsi kacang – kacangan yang sudah membusuk (tengik) karena biasanya mengandung jamur yang dapat menyebabkan penyakit organ hati. d. Mengurangi bahkan sebisa mungkin mngurangi konsumsi obat – obatan yang menyebabkan kinerja jantung menjadi berlebihan dan akhirnya gagal untuk berfungsi kembali. e. Hindari gaya hidup yang menyimpang, dan mengkonsumsi minuman keras dan obat – obatan terlarang.


4.3 Tujuan Penelitian Deteksi Kadar Trycloroetilen pada Tikus Putih Tujuan dari penelitian yang dipaparkan dalam buku ini adalah untuk mengetahui seberapa besar tingkat kerusakan pada sel-sel hati apabila terkena paparan dari zat kimia berbahaya bernama Trycloroetilen dalam jangka waktu yang lama, dan tidak semua penyakit hati seperti yang disebutkan diatas berasal dari zat TCE, namun beberapa penyakit seperti ginjal, menurunnya daya tahan tubuh, serta beberapa penyakit lainnya bisa dijadikan faktor penyebab dari terjangkitnya penyakit hati pada manusia. Tujuan akhir dari penelitian ini tidak hanya mendeteksi dan mengetahui efek dari pencemaran zat Trycloroetilen (TCE), namun penelitian ini dapat dijadikan tindak lanjut untuk pembuatan alat yang secara otomatisasi dapat membantu memprediksi konsentrasi TCE dalam hati manusia dengan beberapa tahapan metode yaitu akuisisi data, pra-pengolahan, dan clustering yang sudah dikerjakan pada penelitian sebelumnya.

4.3.1

Penelitian Mengenai Hati Tikus Putih Sebelumnya

Sebuah studi yang dilakukan oleh Ramadhan.dengan menggunakan sampel hati tikus terbukti bahwa bahwa zat TCE dapat merusak fungsi hati yang pada akhirnya akan mengurangi kinerja dari sistem kekebalan tubuh. pada penelitian lain, ternyata tidak hanya menyerang fungsi hati saja, zat TCE juga dapat merusak organ reproduksi ginjal dimana penelitian ini melibatkan tikus putih jantan untuk objek penelitian. Pada kasus lain, banyak penelitian menggunakan metode klasifikasi dan pendekatan clustering untuk menganalisa gambar dari hati tikus putih. mereka menggunakan jaringan syaraf untuk mengidentifikasi lesi (kelainan) pada hati menggunakan gambar hasil scanning alat Ultrasonografi. para peneliti mencoba untuk membedakan hati yang normal dari lemak sel hati menggunakan berbagai metode salah satunya adalah Transformasi Wavelet dan Jaringan Saraf Probabilistik.

4.3.2

Mengapa objek yang digunakan adalah Hati Tikus Putih

Ada beberapa alasan mengapa beberapa hewan seperti tikus sering digunakan sebagai objek percobaan untuk penelitian, dimana sebagian besar digunakan untuk penelitian yang berhubungan dengan biomedis. Hal ini dikarenakan tikus dapat dikategorikan sebagai hewan omnivora (pemakan segala) yang biasanya mengkonsumsi semua makanan seperti layaknya 100 TeknikBiomedis : Teori dan Aplikasi

manusia. secara telah diketahui pula beberapa hewan di atas mudah untuk diperkembangbiakan dan cepat untuk tumbuh dewasa, sehingga peneliti tidak terlalu khawatir jika kekurangan bahan untuk eksperimen.

4.3.3

Persamaan antara Hati Tikus Putih dan Hati Manusia

Menurut para ahli, ternyata tikus putih memiliki anatomi dan fisiologis yang mirip dengan manusia. Manusia dan tikus memiliki organ yang membentuk suatu sistem yang letaknya dapat diketahui melalui terminologi anatomi. dan pada pada opini lainnya organ-organ vital pada tikus dan manusia berada pada tempat yang dinamakan rongga tubuh (body cavity). Rongga ini berfungsi sebagai perlindungan dari gangguan eksternal sekaligus memungkinkan perubahan bentuk dan ukuran organ dalam tanpa mengganggu fungsi organ lain.

4.4 Dataset Tikus Putih Pada subab di bawah ini akan di akan dijelaskan bagaimana cara perolehan dan pengolahan dataset dari gambar hati tikus putih

4.4.1

Cara Perolehan Data

Data yang diperlukan dalam penelitian ini adalah gambar hati manusia yang telah terinfeksi oleh TCE, namun peneliti kesulitan untuk menemukan data tersebut dan tidak etis untuk melakukan eksperimen menggunakan data tersebut.sehingga diperlukan objek lain yang sekiranya tepat untuk menggantikan dari gambar organ hati manusia. Berdasarkan penelitian telah diketahui bahwa struktur organ tikus putih dan metabolisme yang sangat homolog dengan manusia, oleh karena itu kita mengekspos tikus putih sejumlah 18 ekor yang 99% sudah terkena zat TCE. Percobaan ini dilakukan di dalam ruang tertutup selama tujuh hari, delapan jam per hari. Ruang ini memiliki mekanisme otomatis untuk memeriksa konsentrasi TRI untuk setiap sepuluh detik. Pada akhir tujuh hari, anestesi yang diberikan kepada tikus sehingga hati mereka dapat diperoleh dan dianalisis. Penelitian menggunakan 148 gambar RGB dengan ukuran 1360 x 1024 piksel.

4.4.2

Cara Pengelompokan Data Citra dari Hati Tikus Putih

Gambar-gambar ini dikelompok menjadi tiga kelas, yaitu:


• Kontrol Kelas, merupakan kelas untuk gambar dari hati tikus yang tidak terkena TRI. • Kelas yang Konsentrasi TCE, adalah kelas untuk gambar dari hati tikus yang terkena zat TCE sampai 1000 ppm. • High Class Konsentrasi, merupakan kelas untuk gambar hati tikus putih yang terkena zat TCE sebesar 2000 ppm. Berikut ini merupakan contoh gambar hati tikus putih yang sudah dikelompokan sesuai dengan kelasnya, yang nantinya digunakan untuk proses klasifikasi dalam menentukan apakah hati pada tikus putih ini dalam keadaan sehat atau tidak.

(a) Mengandung 0 ppm zat TCE

(b) Mengandung 1000 ppm zat TCE

(c) Mengandung 2000 ppm zat TCE Gambar 4.2 Beberapa contoh gambar hati tikus putih


4.5 Pengolahan Data Dalam menentukan kadar Trycloroetilen (TCE) pada hati tikus putih dibutuhkan beberapa pengolahan data, yang masing-masingnya akan dijelaskan pada sub bab dibawah ini.

4.5.1 Croping Gambar Gambar hati tikus putih diberikan dua anotasi , Central Vein (CV) and Portal Vein (PV). Kerusakan sel, akibat TCE, terlihat pada gambar 1b dan 1c yang terletak di sekitar anotasi CV. Meskipun dapat dimungkinkan untuk memilih gambar hati yang sudah proporsional, namun hal tersebut tidak dapat diterapkan secara universal karena kualitas gambar dan properti akan tergantung pada orang yang mengambil gambarnya, yang juga berarti bahwa untuk semua gambar, CV tidak selalu berada di tengah gambar dan kemungkinan tidak memiliki tingkatan zoom yang sama. Berdasarkan dua fakta, pendekatan dengan melakukan croping gambar tidak terlalu digunakan.

4.5.2 Scaling Gambar Pendekatan lain yang kita bisa digunakan untuk meminimalkan jumlah fitur yang digunakan dalam perhitungan kita adalah dengan skala. Scaling otomatis akan mengurangi detail dari gambar, namun juga tidak perlu menghapus fitur-fitur lainnya. Dalam penelitian ini, kami mencoba untuk mengurangi besaran gambar hingga 50% dan 12,5% dari ukuran aslinya. Namun, gambar ukuran 50% masih terlalu besar, sehingga sulit untuk melakukan proses komputasi jika dibandingkan dengan gambar yang memiliki ukuran 12,5%.

4.5.3 Clustering (Pengelompokan) Proses clustering ini bertujuan untuk memberi gambaran mengenai distribusi dan pengujian data apakah metode dengan menggunakan Fuzzy C mean (FCM) sudah sesuai untuk pengolahan data. Algoritma ini sudah banyak digunakan untuk pengenalan pola dan identifikasi model fuzzy, yang menggunakan jarak timbal balik berdasarkan perhitungan bobot fuzzy algoritma ini diusulkan oleh lC.Bezdek. Metode ini juga telah digunakan dalam gambar resonansi magnetik oleh Venkateswaran. Ide utama dari metode ini adalah untuk menemukan bobot tersebut sehingga Mean Squared Error (MSE) dapat diminimalkan. FCM adalah generalisasi dari K-means, yang umumnya digunakan untuk mengelompokkan himpunan fuzzy. Untuk cluster 103 TeknikBiomedis : Teori dan Aplikasi

N item ke kelas C, FCM dapat dilihat sebagai proses untuk meminimalkan tujuan dari fungsi J, yang juga tergantung pada fungsi keanggotaan U dan centroid v, di mana J didefinisikan sebagai:

= Di mana

∈ [0,1],

= 1,0 <

<

1 ≤ i ≤ N,1 ≤ k ≤ C

Fungsi dari J harus diminimalkan sehingga jarak antara dua kelas centroid lebih kecil dari ambang batas yang diberikan. Dalam rangka meminimalkan J, berat proses update (Uk) harus diterapkan. Uk Proses didefinisikan sebagai berikut:

( =

∑

)− (

)−

,

1 ≤

≤

,1 ≤

≤

dimana d_ki adalah jarak absolut antara y_i dan v_k. FCM menggunakan nilai acak untuk menginisialisasi bobotnya. disaat proses pengolahan data berlangsung nilai bobot tersebut akan diperbarui untuk meminimalkan nilai J. Berdasarkan gambar dengan skala 25%, ada tiga kelas yang berbeda dalam FCM tersebut, terkena 0 ppm (kontrol), terkena 1000 ppm (tingkat rendah), dan terkena sampai 2000 ppm (tingkat tinggi). Gambar 1b menunjukkan hasil pengelompokan data kami. Titik-titik biru mewakili cluster 1, lingkaran mewakili cluster 2, dan segitiga merupakan cluster 3. Garis hijau adalah batas antara cluster 1 dan cluster 2. Garis merah adalah batas antara cluster 2 dan cluster 3. Seperti dapat dilihat dari gambar, ada beberapa data yang berada di cluster yang salah, ada 32 data yang tepatnya. Ini outlier 104 TeknikBiomedis : Teori dan Aplikasi

adalah 10 data normal, 18 data dari kandungan TCE yang rendah, dan 14 data dari kandungan TCE yang tinggi. Secara umum, akurasi FCM adalah 70.27%. Hasil ini menunjukkan bahwa proses pengelompokan gambar hati tikus putih tidak cukup bagus apabila dilakukan secara langsung, metode ini tidak cocok untuk digunakan dalam kasus pendeteksian citra hati tikus putih.

Gambar 4.3 Gambar Hasil Klustering FCM

4.5.4 Klasifikasi Algoritma FCM ternyata tidak cukup tinggi tingkat akurasinya dalam mengklasifikasi 3 kelas berbeda pada citra tikus putih. Dalam eksperimen ini, kami akan mencoba beberapa variasi dari classifier yang ada, yaitu backpropagation neural networks(BPNNs), fuzzy-neuro learning vector quantization (FNLVQ), dan fuzzy-neuro learning vector quantization-particle swarm optimization (FNLVQ-PSO). Ketiga algoritma diatas telah digunakan pada banyak problem-problem sebelumnya, seperti pengenalan tulisan tangan, pengenalan objek wajah, dll.

4.6

Kesimpulan

Setelah melakukan eksperimen terhadap citra tikus putih, dapat disimpulkan bahwa algoritma classifier BPNN dapat memisahkan citra tikus putih secara akurat.Akurasi yang dicapai oleh BPNN adalah 99.12 % dengan 105 TeknikBiomedis : Teori dan Aplikasi

jumlah fitur sebanyak 45 fitur pembeda.Lalu akurasi terbaik yang dapat dicapai oleh classifier FNLVQ adalah 77.18 %, sedangkan untuk FNLVQ-PSO dapat mencapai akurasi sebesar 95.89 %.Walaupun kedua metode diatas masih lebih baik akurasinya dibandingkan FCM, FNLVQ dan FNLVQ-PSO masih kalah jauh jika dibandingkan dengan BPNN. Namun algoritma di atas masih membutuhkan improvisasi terutama dalam hal efisiensi memory serta fitur yang digunakan karena keterbatasan perangkat keras Spartan 3AN.


BAB 5 Ultrasonografi (USG) TeknikBiomedis:Teori dan Aplikasi


5.1 Teknologi USG Alat USG merupakan alat yang memanfaatkan rambatan dan pantulan gelombang ultrasonik yang dikonversi menjadi bentuk citra. Secara umum gelombang yang digunakan dalam pencitraan medis berkisar antara 1 sampai 18 MHz yang tentunya tidak dapat terdengar oleh sistem pendengaran manusia.Sistem alat USG terinspirasi dari hewan kelelawar yang tidak mengandalkan indra penghilatan namun lebih pada suatu sensor yang mampu mengasilkan dan menerima gelombang ultrasonik. Dengan memanfaatkan hasil pantulan dari gelombang tersebut kelelawar mampu bergerak pada kondisi yang minim cahaya. Perkembangan alat USG hingga saat ini sangatlah pesat. Hal ini ditunjukkan dengan munculnya alat USG 3D bahkan live-3D atau yang sering disebut dengan USG 4D. Perkembangan ini tidak dapat terlepas dari perkembangan teknologi khususnya komputer. Dengan kemajuan yang sangat pesat dalam bidang komputasi ini mampu meningkatkan kinerja dari alat USG tersebut sehingga berbagai macam sistem kecerdasan dapat ditanamkan. Berbagai sistem cerdas tersebut bertujuan mempermudah tenaga medis dalam melakukan pemeriksaan dan diagnosis. Para produsen alat USG juga berlomba-lomba untuk mampu menciptakan alat USG yang memiliki ukuran yang kecil untuk memungkinakan portabitilas dari alat tersebut. Dari tahun ke tahun citra yang dihasilkan alat USG semakin diperbaiki. Tidak hanya terjadi pada bagian pemrosesan citra, probe atau yang sering dikenal dengan transduser juga berkembang dengan cukup pesat. Perkembangan alat transduser ini memiliki tujuan untuk meningkatkan kualitas citra yang dihasilkan dengan menggunakan bahan pembuatan yang lebih murah. Berbagi macam alat USG yang kini ada di pasaran telah mampu memberikan hasil citra yang memiliki kontras dan resolusi yang lebih baik. Dengan kualitas citra yang baik akan mempermudah para tenaga medis untuk melakukan pengenalan terhadap objek yang ada pada citra secara lebih akurat. Hal ini diharapkan akan mengurangi kesalahan diagnosis yang mungkin dilakukan pada saat pemeriksaan. Berbagai fitur-fitur menarik dan canggih juga dirancang oleh para produsen alat USG. Fitur tersebut dirancang sedemikian rupa untuk membantu para tenaga medis dalam melakukan pemeriksaan. Salah fitur 108 TeknikBiomedis : Teori dan Aplikasi

tersebut adalah kemampuan dari alat USG untuk melakukan penghilangan suatu objek yang tidak diinginkan. Contoh manfaat dari fitur tersebut misalnya saat melakukan pencitraan terhadap wajah janin sering kali terhalangi oleh tangan janin.Dengan fitur ini, sistem secara otomatis akan memberikan gelombang yang lebih kuat untuk menembus objek tangan janin sehingga tangan janin seolah-olah menghilang. Dengan menghilangkan objek tangan janin tersebut, wajah janin dapat terlihat dengan baik. Namun demikian harga dari satu buah alat USG kurang terjangkau. Selain itu terdapat kendala pada tenaga medis yang mengerti dan mampu menggunakan alat USG di Indonesia masih sangat terbatas. Harga yang cukup tinggi ini bukan berasal dari peralatan untuk melakukan komputasi namun lebih dikarenakan hingga saat ini masih terdapat permasalahan untuk menciptakan alat transduser dengan biaya yang murah dan tanpa mengurangi kualitas hasil citra yang dihasilkan. Alat ultrasonografi merupakan salah satu alat yang memiliki penanan yang sangat penting dalam dunia kedokteran untuk melakukan pemeriksaan organ-organ yang berada dalam tubuh manusia. Pengembangan alat ini dalam dunia medis dapat diterapkan dalam bidang obstetri, ginekologi, kardiologi, anestesi, urologi, sistem kardiovaskulas dan lain-lain. Alat USG semakin sering digunakan karena sifatnya yang non-invasive sehingga dapat melakukan pemeriksaan keadaan dalam tubuh manusia tanpa melakukan pembedaan. Pesatnya penggunaan alat USG juga dikarenakan panggunaan alat ini cenderung lebih aman bila dibandingkan dengan penggunaan alat radiografi yang menggunakan radiasi partikel tertentu. Penelitian di berbagai negara menunjukkan bahwa penggunaan alat USG dalam waktu tertentu masih dapat ditoleransi oleh tubuh manusia. Selain keuntungan yang telah dijelaskan sebelumnya, alat USG memiliki kelemahan. Citra yang dihasilkan oleh USG masih memiliki noise yang tinggi yang sering disebut sebagi speckle noise. Selain itu terdapat artifakartifak yang mirip dengan fokus objek yang akan diobservasi. Berbagai macam kendala ini disebabkan oleh karakteristik dari transduser yang tidak mampu untuk menerima sinyal secara sempurna. Berbeda dengan pemeriksaan yang menggunakan radiasi ionisasi, citra yang dihasilkan akan terlihat lebih baik dan memiliki kontras yang lebih baik. Namun demikian, alat


USG akan terus mengalami perkembangan seiring dengan penelitian dalam bidang teknologi dan informasi untuk menciptakan alat yang canggih. Alat ultrasonografi menjadi salah satu bagian yang menjadi sorotan dalam buku ini dikarenakan signifikansi dari alat tersebut dalam penggunaannya di masyarakat. Harga alat yang mahal, kurannya ketersediaan tenaga ahli, persebaran alat dan tenaga medis yang tidak merata, serta tingginya angka kematian ibu dan bayi di Indonesia menjadikan alasan dibahasnya USG dalam buku ini. Di dalam bab ini akan dijelaskan tentang metode-metode kecerdasan buatan yang dapat digunakan untuk menghitung parameter biometri janin. Diharapkan dengan metode yang telah diciptakan mampu untuk menciptakan alat USG yang memiliki suatu kecerdasan tertanam sehingga dapat digunakan oleh semua kalangan.

5.2. Pertumbuhan Janin Terhambat (PJT) Pertumbuhan janin terhambat atau dalam istilah kedokteran sering disingkat PJT merupakan suatu kondisi janin yang perbandingan ukuran dan berat badan tidak sesuai dengan usia kehamilan atau dibawah persentil yang seharusnya. Hal ini dapat disebabkan oleh berbagai faktor baik instrinsik maupun extrinsik.Faktor-faktor instrinsik penyebab terjadinya PJT seperti abnormalitas kromosom, deteak struktural kongenital, infeksi serta obatobatan. Sedangkan penyebab PJT yang berasal dari faktor ekstrinsik seperti penyakit ibu, abnormalitas plasenta dan anomali uterus.Sebagian besar PJT berasal dari kehamilan dengan resiko tinggi seperti hipertensi, penyakit jantung, kehamilan ganda dan lain-lain.Angka kematian perinatal dan kasakitan bayi meningkat 3-8 kali akibat PJT dibandingkan dengan bayi yang lahir dengan berat normal. Untuk mendeteksi PJT dapat dilakukan dengan berbagai cara seperti melakukan pemeriksaan rutin penilaian pertambahan berat badan ibu, pengukuran tinggi fundus dan penggunaan perhitungan parameter biometri janin yang berasal dari USG. Untuk mengetahui dan melakukan diagnosis terhadap PJT, seorang ibu hamil perlu melakukan pemeriksaan secara berkesinambungan. Dengan kata lain, data yang diperoleh harus dalam bentuk sekuensial. Pemeriksaan dalam satu waktu tidak mampu melakukan pendeteksian dan diagnosis terjadinya PJT pada janin. Proses pemeriksaan dengan menggunakan USG merupakan cara yang dapat dipergunakan untuk menilai ukuran janin, termasuk melihat terjadinya 110 TeknikBiomedis : Teori dan Aplikasi

anomali pada janin. Pemeriksaan menggunakan USG dilakukan untuk dapat mengukur paramater-parameter biometri janin.PJT merupakan topik khusus yang dibahas dalam bab ini dikarenakan jumlah kemungkinan terjadinya kasus ini lebih tinggi bila dibandingkan dengan kasus kecacatan janin jenis lainnya.

5.3. Parameter untuk menghitung PJT Perhitungan pertumbuhan janin dapat diukur dengan cara pengukuran ukuran tubuh janin yang dibandingkan dengan umur kehamilan. Umur kehamilan biasa dihitung dari hari pertama haid terakhir, yang biasa disebut menstrual age.Umur kehamilan dan ukuran tubuh janin kemudian dipetakan ke statistika biometri janin yang merupakan standar ukuran tubuh janin. Terhambat tidaknya kehamilan dapat ditentukan dengan cara pembandingan ukuran janin dengan rata-rata ukuran kehamilan pada umur kehamilan yang sama. Pengukuran janin dilakukan terhadap bagian tubuh tertentu dari janin yang mudah diamati dengan ultrasonografi.Bagian yang biasa diukur yaitu, diameter biparietal, keliling kepala (BPD), panjang paha (femur length), lingkar perut (abdominal circumference), ataupun panjang lengan (humerus length).

5.3.1. Kepala (Head) Bagian kepala janin merupakan bagian yang mudah diamati pada janin.Ada dua pengukuran yang dapat dilakukan terhadap bagian kepala janin, yaitu diameter biparietal (BPD), lingkar kepala (head circumference), dan diameter oksipitofrontal. Diameter biparietal diukur dengan cara mengukur jarak maksimal antara tulang parietal depan dan belakang. Pengukuran BPD paling akurat pada usia kehamilan antara 12-18minggu. Akurasi pengukuran BPD berkurang jika kepala janin mengalami deformasi. Kedua biparietal yang diukur ditentukan dengan cara mendapatkan bidang potongnya terlebih dahulu posisi garis tengah kepala hingga kedua bagian kepala yang dipisahkan garis paling simetris. Pada bidang yang benar, terlihat thalamus (T), kavum setptum pelusidum (S), sebagian dari falks serebri (F), dan insula dengan arteri serebri media.Berikut ini skema bidang potong pada pengukuran BPD. Pengukuran BPD dapat dilakukan dengan beberapa cara: 111 TeknikBiomedis : Teori dan Aplikasi

1.

Outer to inner: Pengukuran dari batas luar tulang kepala proksimal ke batas dalam tulang kepala yang distal. 2. Outer to outer: Pengukuran pada batas-batas luar tulang kepala di sebelah proksimal dan distal. 3. Midpoint to midpoint: Pengukuran pada pertengahan tulang kepala bagian proksimal dan distal 4. Inner to inner: Pengukuran dilakukan pada batas-batas dalam tulang kepala di sebelah proksimal dan distal.

Selain BPD, citra kepala juga dapat digunakan untuk mengukur lingkar kepala (HC) yang juga dapat digunakan untuk mengukur pertumbuhan janin. Perhitungan HC dapat dilakukan dengan memanfaatkan ukuran BPD dengan diameter oksipito-frontalis (OFID) maupun dengan mengukur secara langsung menggunakan tracing. Bidang potong yang optimal pada pengukuran HC sama dengan BPD, namun pengukurannya dilakukan pada midpoint.

Gambar 5.1 Contoh pengukuran citra kepala janin untuk memperoleh parameter BPD dan HC


Hasil pengukuran HC juga dapat langsung dibandingkan dengan standar yang digunakan. HC termasuk pengukuran yang termasuk sering digunakan oleh para dokter.

Gambar 5.2 Pengukuran BPD dan HC

5.3.2. Paha (Femur) Pengambilan citra femur janin lebih sulit didapatkan dibanding kepala.Hal ini disebabkan karena posisi paha berubah akibat gerakan janin.Namun, pengukuran femur lebih mudah dan akurat dibanding pengukuran kepala.Hal ini disebabkan karena ukurannya yang lebih panjang sehingga kesalahan pengukurannya lebih kecil. Salah satu pengukuran yang umum dilakukan terhadap paha yaitu panjang femur atau femur length (FL). Ukuran FL relatif lebih tidak terpengaruh gangguan pertumbuhan janin dibandingkan parameter lain, namun sangat dipengaruhi faktor genetik. Pengukuran FL tidak seakurat BPD, sehingga tidak dapat menggantikan pengukuran BPD. Namun demikian, FL dapat digunakan sebagai pembanding parameter BPD atau digunakan jika gambaran kepala yang baik tidak dapat didapatkan.


Gambar 5.3 Fetal Femur Length Permasalahan yang umum terjadi pada pengukuran FL yaitu kurang dari panjang sebenarnya jika gambar paha secara keseluruhan tidak didapatkan, ataupun lebih dari ukuran sebenarnya jika kaput femuris atau epifisis distal termasuk dalam pengukuran.

5.3.3. Lengan Atas (Humerus) Pengukuran lengan atas yang dilakukan yaitu terhadap panjangnya, atau biasa disebut humerus length (HL). Akurasi pengukuran HL hampir sama dengan akurasi BPD. Pengukuran HL lebih tepat digunakan setelah 14 minggu kehamilan.


Gambar 5.4Gambar humerus pada janin HL dipengaruhi oleh skeletaldysplasias, namun hal ini sangat jarang terjadi.Oleh karena itu pengukuran HL cukup handal untuk digunakan.

5.3.4. Perut (Abdomen) Ukuran perut juga dapat digunakan untuk menentukan ukuran janin, yaitu lingkar perut atau abdominal circumference (AC).AC digunakan untuk menentukan kondisi nutrisi janin. Pengukuran ini lebih jarang digunakan dibanding parameter lain karena nilai diagnostiknya lebih rendah. Bidang potong yang baik untuk pengukuran AC adalah oitibgab transversal abdomen melalui pertemuan vena umbilikalis dan vena porta kiri dengan sudut di mana potongan transversal tulanng belakang jelas terlihat.Bentuk gambar diusahakan sebulat mungkin dan tidak terlihat jantung maupun ginjal janin.


Gambar 5.5Lingkar perut janin Cara pengukuran AC dapat dilakukan dengan tracing maupun dengan rumush 1,57 (Diameter Transversa + Diameter Antero-posterior) x 1,57. Beberapa kesalahan pengukuran sering terjadi apabila vertebra terletak di depan sehingga shadowing menghilangkan struktur intra hepatic, atau jika carian amnion yang sedikit, atau ibu yang terlalu gemuk.


5.4. Dataset 5.4.1. Perolehan Dataset Dataset yang digunakan pada penelitian ini didapatkan dari mesin Voluson 730 EXPERT.Penggunaan mesin ini disebabkan tersedianya mesin ini di rumah sakit tempat prakter dokter rekan kami. Dataset didapatkan dari dokter kehamilan saat mengambil gambar ultrasonografi dari ibu hamil.Hasil pengukuran setiap minggunya kami dapakan dari dokter sehingga kami berhasil mengumpulkan gambar yang cukup untuk metode pengukuran yang telah dibangun. Citra dari mesin yang kami gunakan berupa berkas dengan format jpeg dengan resolusi 600x800 piksel monokrom 8 bit. Kumpulan citra ini yang kami gunakan selama penelitian

Gambar 5.6 Mesin USGVoluson 730 EXPERT


Citra yang diperoleh merupakan citra hasil kerja sama dengan dokter spesialis obstetri dan ginekologi yang ada di Rumah Sakit dr. Cipto Mangunkusumo (RSCM), Jakarta. Citra- citra yang diperoleh berasal dari alat USG Voluson 730 Expert.Gambar-gambar pada halaman selanjutnya menunjukkan hasil pencitraan menggunakan alat tersebut.

(a)

(b)

(c)

(d)

Gambar 5.7 (a) kepala, (b) perut, (c) femur dan (d) humerus hasil pencitraan menggunakan mesin USG Voluson 730 EXPERT terhadap janin dalam kandungan 118 TeknikBiomedis : Teori dan Aplikasi

5.4.2. Katakteristik Data Citra yang dihasilkan oleh mesin USG merupakan citra hasil pantulan dari gelombang suara Ultrasonik. Gelombang suara tersebut akan melalui beberapa jaringan tubuh di dalam manusia. Dalam perambatannya, gelombang-gelombang ini akan mengalami perubahan dan akan mengalami pelemahan. Pelemahan dari intensitas suara ini disebut dengan Atenuasi yang dapat disebabkan oleh beberapa faktor seperti pembiasan/penyimpangan berkas suara (divergensi), penyerapan energi suara (absorpsi), pantulan suara ke luar jaringan (defleksi), scattering dan refleksi. Divergensi terjadi akibat pembiasan berkas suara sehingga intensitas suara yang diterima menjadi menurun.Absorpsi terjadi dikarenakan penyerapan dari sebagian energi suara oleh jaringan tubuh.Semakin kental dan kaki suatu jaringan semakin besar absorbsinya. Jaringan tulang akan menyerap 100 kali leih besar besar bila dibandingkan dengan cairan. Scattering disebabkan oleh permukaan medium yang dikenai gelombang suara lebih kecil atau sama besar dengan panjang gelimbang suara yang menyebabkan suara akan dipantulkan ke berbagai arah. Refleksi terjadi karena dimensi permukaan medium yang di observasi lebih besar daripada panjang gelombang suara.

Speckle NoisedanArtefak Dengan adanya batasan terhadap hal yang telah dijelaskan sebelumnya, citra yang dihasilkan oleh alat USG memiliki keterbatasan dan tidak mampu menghasilkan kualitas yang baik. Selain hal tersebut, terdapat karakteriktik lain yang dihasilkan oleh citra USG yaitu noise dan artefak. Dalam pengolahan citra digital terdapat berbagai macam jenis noise seperti gaussian noise, salt-and-pepper noise, shot noise, anisotropic noise dan beberapa lainnya. Noise ini dapat disebabkan oleh kondisi daerah sewaktu pengambilan citra yang akan mempengaruhi mesin/alat yang digunakan untuk memperoleh citra. Noise ini dibentuk oleh sensor yang ada pada alat pengambilan citra. Citra USG 2D memiliki karakteristik noise yang disebabkan oleh sensor USG yang tidak mampu menangkap sinya dengan sempurna. Noise tersebut sering disebut dengan speckle noise.Noise ini adapada hampir seluruh bagian citra. Dengan adanya noise ini tentunya akan mempersulit proses segmentasi dimana noise akan memberikan andil dalam perhitungan 119 TeknikBiomedis : Teori dan Aplikasi

proses segmentasi citra. Speckle noise ini sendiri masuk dalam golongan noise anisotropic.

Gambar 5.8 Gambar yang ditunjukkan oleh warna hijau merupakan spekle noise dan hampir ada di keseluruhan citra Selain speckle noise yang telah dijelaskan sebelumnya, terdapat karakteristik lain yang ada pada alat USG 2D. Karakteristik lain yang sering muncul dalam citra USG adalah artefek. Artefak dalam pemeriksaan citra USG sangat penting untuk diketahui agar tidak menyebabkan kesalahan dalam melakukan diagnosa.Namum demikian, dengan mengetahui artefak dalam memperkuat diagnosa yang dilakukan.Artefak dalam citra USG mampu membuat obyek seolah-olah menghilang, salah lokasi, berubah bentuk, berubah ukuran, kecemerlangan warna atau obyek sebenarnya tidak nyata.Terdapat berbagai macam jenis artefak dan dapat kelompokkan menjadi beberapa kelompok tertentu.

PJT dan Data Normal Hal ini dikarenakan oleh berbagai faktor.Masalah kesejahteraan dalam bidang kesehatan seperti kita ketahui masih menjadi salah satu isu di Indonesia.Tingginya angka kematian ibu dan bayi serta angka kesakitan bayi di Indonesia merupakan salah satu hal yang perlu mendapat perhatian khusus.Tentunya hal ini dikarenakan untuk menciptakan benih-benih generasi penerus bangsa yang sehat dan baik. Pembahasan dalam buku ini lebih bertitik berat pada kelainan janin dalam kandungan khususnya Pertumbuhan Janin Terhambat (PJT) dikerakan 120 TeknikBiomedis : Teori dan Aplikasi

kasus kemunculannya di Indonesia masih sangat tinggi. Berbeda dengan kasus kecacatan lainnya yang terjadi akibat kerusakan pada gen, kasus PJT masih lebih sering terjadi di Indonesia. Hal ini lebih sering dikarenakan kurangnya perhatian dari para ibu untuk memeriksakan kandungan mereka. Selain itu tingkat kesejahteraan masyarakat Indonesia yang rata-rata masih dalam tingkat kemiskinan merupakan faktor lain yang menyebabkan hal ini sering terjadi. Untuk melakukan diagnosa terhadap suatu keadaan janin dapat digolongkan ke dalam PJT atau bukan, maka dibutuhkan pemeriksaan secara berkesinambungan.Hal ini dikarenakan tidak dapat melakukan diagnosa keadaan suatu janin PJT atau tidak bila hanya dilakukan dalam satu kali pemeriksaan. Pemeriksaan PJT dapat menggunakan alat bantu berupa grafik yang tertera pada gambar dibawah. Pada grafik kurva memiliki kecenderungan naik berdasarkan waktu.Namun bila dalam beberapa kali pemeriksaan titik pada grafik memiliki kecenderungan yang tidak sesuai dengan kurva, maka keadaan tersebut dapat digolongkan dalam kasus pertumbuhan janin terhambat.

Gambar 5.9 Gambar grafik yang menunjukkan pertumbuhan janin normal menggunakan parameter diameter kepala.Titik warna merah memiliki kecenderungan mengikuti kurva.


Gambar 5.10 Gambar grafik yang menunjukkan pertumbuhan janin terhambat menggunakan parameter diameter kepala. Titik warna merah memiliki kecenderungan tidak mengikuti kurva (turun)

Pada contoh gambar di atas, digunakan parameter diameter kepala janin (BPD) dalam satuan milimeter yang memiliki korespondensi terhadap waktu (umur janin dalam kandungan). Parameter diameter janin sendiri dapat diperoleh dengan pengukuran menggunakan alat USG. Bentuk grafik yang hampir sama juga akan berlaku terhadap parameter-parameter biometri janin lainnya, hanya saja memiliki perbedaan korespondensi antara parameter dan waktu. Sebagai contoh gambaran, berikut adalah contoh grafik menggunakan parameter keliling perut janin.


Gambar 5.11 Gambar grafik standar korespondensi antara parameter keliling perut janin dengan waktu.

5.5. Pengolahan Citra USG Pada sub bab ini akan dijelaskan tahapan-tahapan pengolahan citra USG sampai pengukuran secara otomatis data biometri janin. Diagram pengolahan citra USG ini dapat dilihat pada gambar 5.5.2. Masukan pada proses ini adalah data citra USG 2 dimensi. Selanjutnya data ini akan dilakukan pengolahan dengan tiga tahap utama, yaitu segmentasi, pengukuran biometri janin, dan evaluasi hasil pengukuran.


Gambar 5.12 Tahapan pengolahan citra USG Sebelum melakukan proses pengukuran biometri janin pada citra, hal yang pertama kali dilakukan dalam sistem ini adalah dengan melakukan proses segmentasi. Segmentasi dilakukan agar objek/gambar janin yang ada pada citra dideteksi terlebih dahulu. Atau dengan kata lain umenghilangkan background dari objek/gambar janin. Metode yang sering digunakan untuk proses segmentasi adalah thresholding. Metode ini menggunakan intensitas keabuan (grayscale) pada citra dengan menggunakan suatu konstanta batas (threshold) tertentu. Selain itu, segmentasi dapat dilakukan dengan melakukan deteksi objek pada citra, diteruskan dengan thresholding. Penambahan metode deteksi objek ini dimaksudkan untuk membatasi proses selanjutnya. Dengan deteksi objek terlebih dahulu, proses pengukuran dapat dilakukan pada area (region) yang lebih sempit, tidak perlu dicobakan ke keseluruhan area gambar. Hasil dari proses segmentasi ini adalah citra biner yang terdiri dari piksel dengan intensitas hitam dan putih. Proses selanjutnya adalah pengukuran data biometri janin. Metode yang digunakan untuk proses ini adalah aproksimas Randomize Hough Transform (RHT), atau Particle Swarm Optimization – Hough Transform (PSOHT). Dalam proses aproksimasi ini dilakukan untuk dua jenis kurva, yaitu elisps dan garis (line). Aproksimasi elips digunakan untuk mengukur data biometri yang berkaitan dengan bagian kepala (head) dan perut (abdomen) janin. Sedangkan aproksimasi garis dilakukan untuk mengukur data biometri yang berkaitan dengan bagian tulang paha (femur) dan tulang lengan (humerus). Metode Randomized Hough Transform menggunakan sample yang diambil 124 TeknikBiomedis : Teori dan Aplikasi

secara acak (random) dalam melakukan voting, tidak semua titik dalam citra digunakan. Metode Particle Swarm Optimization-Hough Transform (PSO-HT) menggunakan konsep vote metode Randomized Hough Transform sebagai fitness function dari setiap partikel dalam populasi PSO. Kedua metode tersebut melakukan aproksimasi terhadap citra hasil proses segmentasi ke dalam bentuk elips atau garis. Hasil pengukuran dengan metode tersebut dikalikan dengan skala citra untuk memperoleh ukuran sebenarnya. Nilai pengukuran inilah yang disebut sebagai hasil pengukuran otomatis. Setelah dilakukan pengukuran menggunakan metode RHT atau RHT akan dilakukan evaluasi hasil pengukuran otomatis tersebut. Hasil pengukuran otomatis tersebut akan dibandingkan dengan hasil pengukuran manual oleh dokter. Dari setiap data (gambar) akan dihitung error / selisih pengukuran otomatis dan anotasi dokter. Selanjutnya akan dihitung rata-rata error dari semua data. Rata-rata error tersebut meneskripsikan performance metode pengukuran otomatis yang digunakan.

5.6. Preprocessing dan Pendekatan Metode 5.6.1. Speckle Noise Reduction Hingga saat ini, tidak terdapat suatu metode yang paling baik dalam teknik citra digital untuk melakukan penghilangan noise. Sejak munculnya USG sebagai salah satu metode untuk melakukan pemeriksaan, para peneliti telah mencoba untuk melakukan analisis terhadap citra USG dan menemukan berbagai cara untuk meningkatkan kualitas citra. Hingga saat ini terdapat berbagai macam metode yang dapat digunakan untuk meningkatkan kualitas citra yang dihasilkan oleh mesin USG.Metode-metode tersebut berupaya untuk mengurangi pengaruh dari noise yang dihasilkan oleh mesin USG.Meskipun metode-metode tersebut merupakan metode yang cukup canggih, namun tidak dapat menghilangkan noise secara menyeluruh. Metode tersebut hanya mampu mengurangi efek dari noise untuk proses selanjutnya. Jika dilakukan penghilangan terhadap noise maka obyek utama dalam citra juga akan ikut teregradasi. Hal ini dikarenakan obyek utama dalam citra memiliki karakteristik yang hampir mirip dengan nosie.


Hingga saat ini telah banyak dikembangkan berbagi metode yang dapat digunakan untuk melakukan reduksi terhadap noise yang ada pada citra USG.Metode-metode yang dapatdigunakanuntukmelakukan reducing noise speckle seperti Speckle Reduction Anisotropic Diffusion (SRAD), median filter dan clustering k-means.Ide utama dari metode-metode tersebut adalah berupaya untuk mengelompokkan piksel-piksel dalam citra.Walaupun demikian tidak semua metode mampu berjalan secara otomatis.Salah satu metode yang berjalan secara semi-otomatis adalah SRAD. Dalam buku ini akan dibahas tentang metode SRAD lebih lanjut. Hal ini dikarenakan berdasarkan hasil uji coba terhadap beberapa metode, metode SRAD memiliki hasil yang cukup baik dalam melakukan proses reduksi noise. Metode ini menggunakan teknik dasar perhitungan menggunakan parameter gradient dan Laplacian. Jika dalam suatu citra, piksel digambarkan sebagai I0(x,y) dan nilai dari pangkatnya memiliki nilai yang dapat dihitung dan tidak bernilai 0 dalam suatu citra Ω, maka nilai dari persamaan turunan parsial I(x,y;t) adalah sebagai berikut : ( , ; ) ( , ; 0) =

=

[ ( )∇I(x, y; t)]

( , ), ( ( , ; )/ ⃗) |

Ω

dimana nilai dari Ω menunjukkan batas dari citra Ω dan ( ) =

1+ [

( , ; ) −

1 ( )]/[

( )(1 +

( ))]

dan nilai varian dari instantaneous coefficient : ( , ; ) = dimana

(1/2)( |∇I| / I) − (1/4 )(∇ / ) [1 + (1/4) (∇ / )]

( ) adalah fungsi skala dari speckle noise.

Dalam metode ini, nilai varian dari instantaneous coefficient sebagai penunjuk tepi dari suatu citra dengan spekle noise. Fungsi skala dari speckle noise ( ) digunakan sebagai kontron terhadap jumlah smooting yang dilakukan pada citra dengan estimasi sebagai berikut : 126 TeknikBiomedis : Teori dan Aplikasi

[ ( )]

( ) =

( )

dimana nilai dari var[z(t)] dan ( ) berturut-turut adalah varian intensitas dan nilai rata-rata dari homogenous area saat t. Jika persamaan 5.1 di turunkan terhadap turunan waktu, maka sebenarnya turunan dari persamaan 5.1 akan dapat diperoleh dalam bentuk diskrit sebagai berikut : ,

∆

=

,

+

∆

(

,

+

,

+

,

+

,

−4

,

Metode ini selanjutnya diapliklasikan dengan menggunakan citra USG kepala janin. Pada gambar berikut adalah hasil keluaran dari algoritma perhitungan menggunakan SRAD pada citra USG kepala janin:

5.6.2. Segmentasi Citra Menggunakan Thresholding Secara umum segmentasi merupakan suatu proses untuk membedakan obyek utama dalam citra dengan latar belakang (background).Segmentasi merupakan salah satu teknik yang penting dalam pengolahan citra digital. Dengan menggunakan proses ini, obyek utama dalam suatu citra akan tampak lebih jelas sehingga proses selanjutnya pada citra dapat dilakukan dengan lebih mudah. Selain itu, dengan proses segmentasi, latar belakang dari suatu citra seolah-olah terhapus sehingga pengolahan pada citra dapat terfokus pada obyek utama dan mengurangi beban komputasi. Terdapat berbagai macam metode segementasi yang populer dan dapat digunakan hingga saat ini. Salah satu metode segmentasi citra yang paling mudah adalah dengan carathresholding. Teknik ini merupakan teknik dalam citra digital yang paling mudah dikarenakan hanya menggunakan suatu nilai threshold untuk menghilangkan atau memunculkan nilai piksel tertentu. Misalkan dalam suatu citra dengan intensitas I(i,j) , maka jika dari intensitas pada piksel tertentu kurang dari threshold (t), maka ganti nilai intensitas piksel dengan nilai terkecil (misal 0). Sedangkan bila nilai intensitas piksel lebih besar atau sama dengan nilai threshold (t) maka ganti nilai intensitas citra tersebut menjadi nilai paling besar (misal 255). Pada gambar berikut adalah salah satu contoh penggunaan thresholding untuk segmentasi citra setelah suatu citra kepala janin USG di smooting menggunakan metode SRAD yang telah dibahas pada bagian sebelumnnya : 127 TeknikBiomedis : Teori dan Aplikasi

Gambar 5.13. Gambar Hasil proses Smooting dengan menggunakan metode SRAD

5.6.3. Segmentasi Citra Menggunakan Deteksi Objek Selain thresholding, ada teknik lain yang dapat digunakan untuk melakukan segmentasi citra, aalah satu nya adalah menggunakan deteksi objek. Menurut Zaki Imaduddin (2013) deteksi objek dapat menghasilkan segmentasi yang lebih baik dibandingkan dengan thresholding. Secara umum deteksi objek adalah metode untuk menemukan suatu objek tertentu dalam gambar. Kriteria objek yang digunakan sebagai fitur (cirri-ciri) bisa bermacammacam, baik warna, bentuk kurva maupun fitur sintesis seperti gabor wavelet (Daugman, J.G., 1988), fitur haar (Paul Viola, 2001), fitur local binary pattern (LBP) (Shengcai Liao, 2007), fitur speed up robust feature (SURF) dan fitur lain-lain. Metode yang digunakan juga bervariasi, akan tetapi pada umumnya metode yang digunakan adalah klasifikasi. Penyelesaian kasus deteksi objek pada citra dipopulerkan oleh Viola-Jones yang melakukan metode face detection (H.Bay, 2006). Pada penelitian yang dilakukan oleh Viola-Jones tersebut, digunakan fitur haar dan classifier adaboost. Berbekal studi literature tersebut, dalam proses segmentasi citra ini juga digunakan fitur haar dan metode classifier adaboost untuk melakukan klasifikasi. Sebelum measuk ke penjelasan selanjutnya, akan dijelaskan terlebih dahulu tentang fitur haar. Haar like features merupakan kernel (fitur) yang 128 TeknikBiomedis : Teori dan Aplikasi

digunakan untuk proses pendeteksian objek. Fitur ini diperkenalkan oleh Viola, Jones pada pendeteksian objek wajah manusia pada suatu citra (Paul Viola, 2001). Variasi jenis haar like yang digunakan dapat bervariasi sampai motif apapun yang diingnkan, akan tetapi ada lima fitur dasar yang digunakan untuk dalam proses pendeteksian wajah manusia. Lima fitur dasar tersebut dapat dilihat pada Gambar 5.14.

Gambar 5.14 Fitur haar dasar pada pendeteksian wajah manusia [8]

Gambar 5.15 Pengaplikasian fitur haar pada citra USG Selanjutnya, dari fitur dasar tersebut, diekspan menjadi fitur serupa dengan variasi posisi dan ukuran (lebar dan tinggi). Dalam penggunanaannya, fitur tersebut diaplikasikan pada citra USG sesuai dengan posisi dan ukuran masing-masing fitur tersebut. Contoh pengaplikasian fitur haar dalam citra USG dapat dilihat pada Gambar 5.15. Selanjutnya baru dihitung nilai dari fitur haar. Nilai dari setiap fitur tersebut adalah selisih jumlah piksel yang ada di 129 TeknikBiomedis : Teori dan Aplikasi

kotak hitam dan jumlah piksel yang ada di kotak putih, atau lebih jelasnya ditulis dengan aturan berikut. 

2-kotak : (selisih jumlah pixel antar kotak kiri-kanan, atas-bawah)



3-kotak : (selisih jumlah pixel antara di kotak pinggir dengan di kotak tengah)



4-kotak : (selisih jumlah pizel anatar kotak yang berdiagonal)

Pada segmentasi cotra USG kali ini juga digunakan algoritma Adaboost. Adaboost merupakan algoritma yang digunakan untuk melakukan penggabungan (ensemble) classifier. Classifier-classifier yang digabungkan tersebut biasanya disebut weak classifier, sedangkan classifie yang merupakan gabungan weak classifer tersebut disebut Strong classifier. Adaboost pertama kali diusulkan oleh Freund dan Schapire (Y.Freud, 1996), namun dipopulerkan oleh Viola Jones dalam kasus deteksi wajah (Paul Viola, 2001). Penjelasan lengkap mengenai algoritma adaboost dapat dilihat pada BAB 6. Pada kasus segmentasi citra ini adaboost digunakan sebagai seleksi fitur sekaligus pembentukan classifier. Dalam setiap iterasi adaboost akan dibentuk suatu classifier berupa Tree. Dengan demikian, setelah T iterasi, akan terbentuk suatu ensemble classifier yang terdiri dari T tree. Untuk iterasi sama dengan 2, contoh hasil classifier akhir yang dibentuk dapat dilihat pada Gambar 5.16. Pada node setiap tree yang dibentuk terdapat satu fitur haar dan satu fungsi threshold. Pertama kali fitur haar detraining menggunakan seluruh sampel data. Kemudian dipilih salah satu yang etrbaik (minimum eror) untuk dijadikan root. Selanjutnya node tersebut dicek, apakah perlu dilakukan split atau tidak, jika perlu maka displit menjadi dua node anak. Selanjutnya pada setiap node-node anaknya dilakukan pemilihan fitur haar dan fungs threshold seperti sebelumnya, dan dicek seperti node sebelumnya. Langkah ini dilakukan terus menerus sampai terbentuk tree dengan jumlah node atau kedalaman (depth) yang diinginkan.


Gambar 5.16 Adaboost dengan weak classifier berupa tree Sebagaimana proses klasifikasi yang lain, pada proses segmentasi gambar janin ini juga perlu dilakukan proses training pada sistem agar bisa mengenali mana gambar objek janin dan mana yang bukan. Setelah proses pelatihan (training) dilakukan, sistem dicoba untuk mencari gambar objek janin yang menjadi bagian dari citra USG. Prosesnya adalah dengan melakukan pengecekan semua sub -area pada gambar. Sistem akan melakukan klasifikasi pada area tersebut, apakah termasuk gambar janin ataukah background. Setelah dilakukan eksperimen, metode adaboost ini dapat dikatakan berhasil dalam melakukan segmentasi (pendeteksian objek) janin pada citra USG (Zaki Imaduddin, 2013). Dengan segmentasi yang tepat, proses aproksimasi dan pengukuran biometri janin dapat dilakukan dengan lebih tepat. Gambar 5.17 menunjukkan hasil contoh aproksimasi elips pada kepala janin yang disegmentasi dengan thresholding. Gambar 5.18 menunjukkan hasil contoh aproksimasi elips pada kepala janin yang disegmentasi dengan metode deteksi objek, baru dilakukan thresholding. Meskipun sudah dilakukan deteksi objek tetap perlu dilakukan thresholding, karena dalam melakukan aproksimasi kurva elips diperlukan data berupa gambar binary. Dengan membandingkan hasil segmentasi pada Gambar 5.17 dan Gambar 5.18, dapat dikatakan bahwa proses segmentasi menggunakan deteksi objek 131 TeknikBiomedis : Teori dan Aplikasi

dan thresholding memberikan hasil yang lebih baik daripada menggunakan thresholding saja.

Gambar 5.17 Contoh aproksimasi elips pada kepala janin yang disegmentasi dengan thresholding


Gambar 5.18 Contoh aproksimasi elips pada kepala janin yang disegmentasi dengan metode deteksi objek, baru dilakukan thresholding

Gambar 5.19 Gambar Hasil Segmentasi menggunakan metode thresholding


Selain metode thresholding terdapat beberapa macam metode lain yang dapat digunakan untuk melakukan segmentasi citra USG seperti regiongrowing atau watershed.

5.7. Deteksi dan Pengukuran Biometri Janin 5.7.1. Hough Transform untuk Deteksi Elips Transformasi Hough (Hough Transform) merupakan suatu metode yang digunakan untuk melakukan pendeteksian suatu bentuk yang terdapat dalam suatu citra. Metode ini dikembangkan oleh Paul Hough pada tahun 1962 yang pada awalnya digunakan untuk mendeteksi garis. Selanjutnya dilakukan pengembangan oleh para ilmuan sehingga metode ini dapat mendeteksi bentuk lain seperti lingkaran, elips dan bahkan bentuk poligon. Metode ini sangat sering digunakan dalam penelitian yang berhubungan dengan pendeteksian suatu bentuk citra dikarenakan metode ini bersifat robust terhadap noise dan dapat melakukan pendeteksian dengan baik sekalipun suatu bentuk yang akan diekstraksi tidak dalam keadaan sempurna dan rusak. Walaupun demikian metode ini memiliki kelemahan dari segi komputasi dan memori yang digunakan. Pada dasarnya metode ini melakukan transformasi bentuk obyek ke dalam suatu parameter space.Selain itu metode ini menggunakan suatu array yang digunakan untuk menyimpan hasil vote terhadap parameter dalam parameter space tersebut.Pada buku ini bentuk garis dan elipse menjadi pembahasan pokok dikarenakan metode ini akan digunakan untuk aproksimasi biometri janin. Seperti yang telah dijelaskan sebelumnya bahwa biometri kepala dan perut janin menggunakan citra USG dapat diaproksimasi menggunakan elipse sedangkan panjang femur dan panjang humerus dapat diaproksimasi dengan garis lurus. Untuk mendeteksi elips maka dibutuhkan setidaknya lima parameter yang harus dipertimbangkan. Parameter-parameter tersebut antara lain semi mayor axis, semi minor axis, titik pusat dan kemiringan dari elips yang dapat disimbolkan dalam (a, b, x0,y0,θ). Tidak seperti bentuk lain seperti lingkaran yang hanya membutuhkan 3 parameter yaitu titik pusat (x0,y0) dan jari-jari (r), mencari suatu bentuk elips dalam suatu citra akan membuhkan perhitungan yang lebih kompleks. 134 TeknikBiomedis : Teori dan Aplikasi

Gambar 5.20.Gambar Elipse dan parameternya Dalam suatu koordinat kartesius (x,y) untuk mendeteksi suatu garis yang terletak dalam suatu citra maka dapat menggunakan persamaan garis lurus sebagai berikut : y = mx + n

(5.6)

Dimana m menyatakan kemiringan dari suatu garis dan n adalah bilangan konstanta intersep. Ketika suatu set titik (yk,xk) yang terletak pada suatu garis dapat dideskripsikan dengan = + dapat ditransformasikan ke dalam ruang (m,n) (parameter space), dimana setiap titik dalam garis dapat direpresentasikan sebagai berikut : =

−

1

(5.7)

Setaip titik yang segaris akan bertemu dalam suatu titik dalam parameter space (M,N). Hal ini dapat ditunjukkan dengan gambar berikut :

Gambar 5.21Gambar Transformasi setiap titik dalam parameter space. Setiap titik (x,y) dapat direpresentasikan sebagai sebuah titik pada ruang Hough 135 TeknikBiomedis : Teori dan Aplikasi

Namun demikian, rumusan ini tidak mampu digunakan untuk mendeteksi suatu garis dalam keadaan vertikal. Maka dari itu, persamaan tersebut diubah menjadi berikut : x cosθ + y sinθ = ρ

(5.8)

dimana ρ dan θ memiliki hibungan dengan m dan n yaitu : = −

(5.9)

=

(5.10)

Dari persamaan tersebut maka dapat dibentuk dua dimensional parameter space dengan koordinat ρ dan . Sesuai dengan persamaan pada 5.7 maka untuk setiap titik sembarang (xk,yk) akan membentuk suatu sistem koordinat dari ρ dan θ sebagai berikut : =

+

.

(θ + φ)

(5.11)

dimana φ = x /y . Hal ini akan menyebabkan fungsi sinus akan selalu berada pada ρ = 0 dan amplitudo dan fase pergeseran dari suatu garis identik dengan lokasi dari suatu titik (xk,yk) dalam koordinat polar dengan penambahan fase pergeseran900 .

Gambar 5.22 Hasil transformasi suatu garis lurus pada parameter space menggunakan persamaan 5.8


Berikut adalah algoritma Hough Transform dalam bentuk pseudocode untuk melakukan pendeteksian garis dalam suatu citra dengan input IM dengan ukuran xm,ym dan nilai theta dari 00 sampai 1800 dengan penambahan angular sebesar deltatheta : function HTLine (citra_input) [baris,kolom] = size(citra_input); %akumulator acc = zeros(rmax,180); %citra for x=1:kolom for y = 1: baris if(citra_input(y,x)==0) for m=1:180 r = round(x*cos((m*pi)/180)+ y*sin((m*pi)/180));

if (r < rmax & r>0) acc(r,m) = acc(r,m)+1; end end end end end

Untuk mendeteksi bentuk elips maka dibutuhkan pemahaman tentang bentuk elips. Untuk mendeteksi elips pada citra dibutuhkan lima parameter yaitu a, b, x0, y0 dan theta seperti yang telah dijelaskan sebelumnya. Untuk mendeteksi titik pusat elips (x0,y0) maka dapat menggunakan persamaan berikut : =

−

+

=

−

+

Berikut ini adalah algoritma Hough transform untuk melakukan deteksi elips dengan melakukan vote terhadap titik pusat dari suatu elips yang mungkin pada suatu citra menggunakan titiktitik piksel yang terdapat dalam citra :


function HTEllipse(citra_input,a,b) [baris,kolom]=size(citra_input); %kosongkan akumulator acc = zeros(baris,kolom); for x=1:kolom for y=1:baris if(citra_input(y,x)==0) for ang = 0:360 t = ang*pi/180; x0 = round(x-a*cos(t)); y0 = round(y-b*sin(t)); if(x00 & y00) acc(y0,x0)=acc(y0,x0)+1; end end end end end

Metode-metode yang telah dijelaskan sebelumnya merupakan metode standar dari Hough Transform.Seperti yang dapat diperhatikan pada masing-masing pseudocode, algoritma ini membutuhkan memory dan biaya komputasi yang cukup tinggi.Hal ini dapat diperhatikan dari jumlah perulangan yang sangat dipengaruhi oleh ukuran citra.Berbeda dengan metode Hough Transform untuk mendeteksi elipse, dibutuhkan perulangan yang cukup banyak untuk setiap nilai a (semi mayor axis), b (semi minor axis), t (sudut theta) dan titik pusat. Seiring dengan berjalannya waktu, metode Hough Transform juga mengalami perbaikan dan penyempurnaan.Metode yang cukup baik dan banyak digunakan dalam beberapa penelitian adalah Iterative Randomized Hough Transform (IRHT). Metode ini adalah metode turunan dari Hough Transform yang menggunakan teknik Randomized dalam menentukan titik yang akan di-vote. Berikut adalah alur jalannya metode dalam flow-cart yang dapat dilihat pada gambar.


inisialisasi parameter (a,b,x0,y0,tetha) sama dengan 0

scan citra hasil preprosesing (hitam-putih) dan simpan masing-masing titik pada matriks D Pergunakan metode RHT untuk memperoleh nilai parameter (a,b,x0,y0,tetha)

Bandingkan hasil vote parameter sebelumnya dengan parameter terbaik

Varian kurang dari 1%

pada

proses

Simpan parameter sekarang menjadi kemungkinan solusi

Ganti nilai parameter (a,b,x0,y0,tetha) terbaik dengan (a,b,x0,y0,tetha) sekarang

update citra dengan mengabaikan piksel yang tidak ada pada batasan ellipse dengan parameter (a*0.95,b*0.95,x0,y0, tetha) Gambar 5.23 Gambar Flow cart dari metode IRHT

5.7.2. Swarm Intelligence Kecerdasan koloni atau sering disebut Swarm Intelligence merupakan suatu metode optimasi.Metode ini terinspirasi dari alam dan biasanya dari suatu sistem biologi. Inti dari metode ini adalah memanfaatkan komunikasi yang dilakukan antar individu atau agen dalam suatu populasi terhadap suatu nilai optimum yang akan dicari. Dalam perkembangannya hingga sekarang


terdapat beberapa metode Swarm Intelligence seperti Genetic Algorithm, Artificial Bee Colony Algorithm, Firefly Algorithm, Cuckoo Search dan lain-lain Salah satu metode yang populer digunakan adalah Particle Swarm Optimization (PSO).PSO merupakan teknik komputasi yang dikenalkan oleh R.C. Eberhart dan J. Kennedy pada tahun 1995 [11].Metode ini merupakan algoritma pencarian yang menggunakan pendekatan sebuah populasi yang berbasis simulasi perilaku sosial burung, lebah dan ikan-ikan dalam usahanya mencari makanan.PSOdigunakanuntuk mengoptimisasisuatupermasalahan denganmencobamelakukanimprovisasi secara iteratif terhadap kandidat solusi permasalahan tersebut.Hingga saat ini metode ini telah berkembang cukup pesat dengan memiliki banyak turunan yang disesuaikan dengan solusi permasalahan yang akan dipecahkan. Setiap individu dalam populasi direpresentasikan oleh vektor (Xin) yang menunjukkan posisi individu tersebut. Setiap individu juga dikaitkan dengan sebuah vektor yang menujukkan arah pergerakan individu tersebut yang disebut dengan velocity vector (Vin). Algoritma PSO akan menentukan bagaimana velocity vector diperbaharui. Adapun rumusan tersebut dapat diperhatikan pada persamaan 2.3.Sedangkan untuk melakukan perbaharuan posisi individu dapat dilakukan dengan rumus yang ada pada persamaan 2.4 [11]. = =

(

+

.

(). (

−

)+

.

().

−

)

+

Berikut adalah penjelasan dari masing-masing variabel yang digunakan dalam rumusan tersebut : +1

: Velocity vector individu ke-i pada iterasi n+1 : Velocity vector individu ke-i pada iterasi n

1

: Konstanta bobot komponen kognitif individu

2

: Konstanta bobot komponen sosial : Posisi local best value individui i pada iterasi ke-n : Posisi global best value individui i pada iterasi ke-n : Vektor posisi partikel ke-i (i = 1,2,3,…) pada iterasi ke-n (n= 0,1,2,3,..)


+1

: Vektor posisi partikel ke-i pada iterasi ke-(n+1)

rand() : Fungsi yang menghasilkan bilangan random (0-1) γ

: Constriction factor

Secara umum PSO bekerja dengan selalu memperbaharui nilai posisi local best dan posisi global best kemudian memperbaharui velocity vector hingga kondisi terminasi terpenuhi. Adapun beberapa hal yang menyebabkan kondisi ini terpenuhi adalah sebagai berikut : 1. Waktu pencarian sudah melebihi batas yang ditentukan 2. Solusi optimum telah ditemukan, yang biasanya dengan menggunakan nilai ambang batas (threshold) untuk menetapkan apakah solusi telah ditemukan atau tidak. 3. Tidak ada peningkatan global best dalam beberapa kali iterasi.

5.7.3. Hough Transform dan Swarm Intelligence untuk Deteksi Elips Salah satu pendekatan berbasis swarm intelligence bisa digunakan untuk mendeteksi ellipse. Dengan menggunakan Particle Swarm Optimization (PSO) pencarian ellipse bisa dilakukan dengan lebih cepat. Sebuah ellipse mempunyai paling tidak 5 parameter yang berbeda (a, b, x0,y0,θ). Hough transform standar melakukan pencarian langsung di ruang parameter sebesar 5D. Hal ini menyebabkan pencarian dengan Hough Transform yang standar memakan waktu yang tidak memungkinkan penggunaan praktis. Untuk mengurangi waktu pencarian, pencarian parameter yang tepat dapat dilakukan dalam ruang dimensi 3 saja (a, b, θ). Kedua parameter yang lain (x0, y0) dicari dengan melakukan Hough Transform pada gambar dengan asumsi (a, b, θ) sudah diketahui. Dengan melakukan hal permasalahan pencarian ellipse dengan ukuran sembarang bisa disederhanakan menjadi pencarian ellips dengan ukuran dan kemiringan (a, b, θ) yang sudah diketahui sebelumnya.Dengan menjadikan hasil HoughTransform sebagai fitness function, bisa diartikan setiap partikel mencari apakah terdapat sebuah ellipse berukuran (a, b) dengan kemiringan (θ) pada gambar. Cell akumulator Hough Transform yang memiliki vote tertinggi 141 TeknikBiomedis : Teori dan Aplikasi

nilai votenya akan digunakan sebagai nilai fitness function. Index (x0, y0) dari cell tersebut menunjukkan posisi pusat ellipse pada gambar. Hough Transform standar untuk mencari dua parameter (x0, y0) masih terlalu lama untuk dijalankan. Agar pencarian lebih cepat digunakan Randomized Hough Transform (RHT) untuk mengurangi jumlah iterasi saat penghitungan fitness function. Randomized Hough Transform dilakukan dengan sampling 2 titik, sehingga sample-space yang ada berdimensi 2.Setiap partikel telah mempunyai parameter (a, b, θ) sehingga parameter-parameter tersebut membantu membatasi pencarian.Untuk melakukan penghitungan akumulator dilakukan sampling sebanyak 150 kali.Pada setiap iterasi diambil 2 sample titik. Dari dua titik ini akan ditentukan pusat ellipse yang ada digambar (jika ada) dan titik pusat tersebut akan mendapatkan satu vote. Penghitungan titik pusat tersebut digunakan dengan menyelesaikan dua buah persamaan ellipse. Misalkan diketahui ellipse dengan parameter (a, b, θ) dan dari hasil sampling didapat 2 buah titik berbeda (x1,y1) dan (x2,y2). Sebagai penyederhanan diperkenalkan simbol F dan G sebagai berikut: = =

1 1

Jika titik pusat yang dicari adalah (h,k), dengan eliminasi dapat dihasilkan persamaan sebagai berikut: ℎ= =

( − 2( − =

− ) ( + ) 2 ( ( (

− −

− −

) )

) )

Dengan substitusi didapatkan persamaan kuadrat Ax2+Bx+c = 0 sebagai berikut: 142 TeknikBiomedis : Teori dan Aplikasi

=( = (2 =(

−2

+ −2 +

) −2 +

) − 1)

Persamaan tersebut dapat diselesaikan dengan aturan sebagai berikut: = Keterangan :

−

∓ √ − 4 2

a = semi mayor axis b = semi minor axis (x1,y1) = sample point pertama (x2,y2) = sample point kedua

5.7.4. Perbaikan terhadap Deteksi Elips menggunakan Hough Transform Seperti yang sudah dijelaskan pada bagian sebelumnya, deteksi bentuk elips pada citra dengan menggunakan Hough Transform memerlukan biaya yang tinggi baik dari sisi waktu maupun memori yang dipakai. Pada bagian ini akan dijelaskan beberapa teknik untuk mengurangi waktu komputasi dan memori dalam melakukan pendeteksian elips pada citra. Xie pada [citation needed] menunjukkan bahwa bila panjang dari sumbu mayor dapat diketahui atau diprediksi sebelumnya, maka komputasi Hough Transform dapat direduksi dari yang sebelumnya menggunakan array akumulator 5 dimensi menjadi 1 dimensi.Pada teknik ini, voting dilakukan terhadap nilai sumbu mayor elips. Namun sayangnya, teknik yang ditunjukkan oleh Xie memiliki akurasi yang buruk saat dicobakan pada data citra USG dalam mengukur HC dan BPC. Hal ini disebabkan oleh citra janin yang mana bagian elips di sekitar sumbu mayor umumnya tidak terlihat setelah penghilangan derau diterapkan. Kondisi ini bertolak belakang dengan gagasan Xie yang memanfaatkan eksistensi sumbu mayor dalam membantu pendeteksian bentuk elips.


Satwika (Satwika, 2013) mengadopsi ide dari Xie untuk melakukan pendeteksian objek berbentuk elips pada citra dengan cara memilih sumbu minor elips sebagai variabel yang divoting. Ide dari algoritma yang dikembangkan oleh Satwika adalah sebagai berikut. Kita tahu bahwa sembarang elips dapat direpresentasikan menggunakan persamaan berikut +

− (

)−2

−

−

−

−

=0

dengan = =

1− 1+

2

=

1− 1+

2

= 2 (1 − ) − 2 = 2 (1 − ) − 2 =

2 +

−

2

−

2

Dari persamaan di atas dapat diketahui bahwa bila nilai dari kelima variabel U, V, R, S, dan T diketahui, maka posisi elips dapat diketahui. Apabila kelima nilai parameter tersebut telah diketahui, maka persamaan elips dapat dihitung dengan menggunakan persamaan-persamaan berikut

=

=

+ 2(1 −

+ −

)

=

+ − 2(1 − −

)

2 +

+

2(1 − √

+


)

=

2 +

+

2(1 + √

+

=

1 2

)

tan

Dari pelajaran aljabar kita ketahui bahwa bila terdapat persamaan dengan N variabel, maka persamaan tersebut dapat diselesaikan bila terdapat N persamaan yang saling bebas linier. Berangkat dari ide ini, Satwika [citation needed] mengusulkan untuk melakukan deteksi dengan cara mengambil 5 piksel putih yang diasumsikan sebagai salah satu pixel yang merepresentasikan elips secara acak dari citra USG. Bila kelima piksel ini dimasukkan ke persamaan di atas, maka akan didapat lima persamaan linier yang membentuk suatu sistem persamaan linier. Dengan menyelesaikan sistem persamaan tersebut, bila kelima titik tersebut memang benar berasal dari bagian elips, maka akan diperoleh persamaan elips yang mendekati solusi sebenarnya. Sebaliknya, bila salah satu piksel yang terambil berasal dari derau, maka persamaan akan menghasilkan persamaan yang tidak sesuai. Satwika mengusulkan untuk melakukan deteksi elips dengan cara menghitung persamaan elips dengan memilih lima piksel secara acak berulang kali sehingga diperoleh beberapa persamaan elips yang merupakan calon dari solusi elips yang sebenarnya. Setelah beberapa persamaan diperoleh, langkah selanjutnya adalah memilih calon elips yang paling merepresentasikan solusi elips sebenarnya. Hal ini dapat dilakukan dengan menggunakan teknik voting sebagai berikut. Apabila persamaan elips telah diperoleh, Satwika menunjukkan bahwa bila salah satu titik pada elips diketahui, maka nilai sumbu minor elips dapat dihitung sebagai berikut.

=

−

cos

di mana


cos =

+ − 2

dengan variabel b menyatakan sumbu minor, a sebagai sumbu mayor, d sebagai jarak titik pusat elips dengan suatu titik yang dipilih secara acak pada elips, dan f adalah jarak antara titik pada ujung sumbu mayor dengan titik dipilih secara acak.

Gambar 5.24 Ilustrasi geometris persamaan untuk menghitung sumbu mayor Apabila perhitungan terhadap sumbu minor ini dilakukan terhadap titik acak yang berbeda-beda dari citra USG, jika persamaan elips yang diuji memiliki tingkat ketepatan yang tinggi terhadap solusi persamaan elips yang sebenarnya, maka persamaan tersebut akan terdapat satu nilai yang muncul secara berulang. Ide ini digunakan sebagai teknik voting dalam menentukan persamaan elips yang paling sesuai untuk citra yang diberikan.Teknik ini memiliki keuntungan komputasi bila dibandingkan dengan algoritma Hough Transform elips biasa karena menggunakan array akumulator 1 dimensi. Algoritma untuk menentukan posisi elips pada citra USG dengan menggunakan array akumulator 1 dimensi dapat dijelaskan dengan langkahlangkah berikut. 1. Lakukan preprocessing untuk memperoleh citra biner. 2. Simpan semua piksel putih ke dalam array. 3. Tentukan N jumlah kandidat persamaan elips dan M sampel yang akan diambil. 4. Lakukan langkah 5 hingga 8 sehingga N kandidat elips diperoleh 5. Pilih 5 piksel putih dari array secara acak 6. Selesaikan persamaan elips untuk mendapatkan kandidat elips


7. Simpan kandidat elips dan siapkan array akumulator untuk melakukan voting terhadap sumbu minor 8. Hentikan iterasi untuk memperoleh N kandidat elips 9. Lakukan langkah 10 hingga 13 dan pilih M piksel putih secara acak 10. Untuk setiap kandidat elips lakukan langkah 11 hingga 12 11. Selesaikan persamaan menghitung sumbu minor b, dan simpan nilai ke dalam array akumulator untuk melakukan voting 12. Hentikan iterasi untuk menghitung sumbu minor. 13. Hentikan iterasi untuk M sampel piksel putih. 14. Kandidat elips yang memiliki voting terbanyak pada akumulator dinobatkan sebagai solusi dari posisi elips yang ingin dicari.

5.8. Sistem Telehealth Pertumbuhan Janin (TERRAIN) Untuk memenuhi kebutuhan pemeriksaan dan pengawasan kandungan seiring dengan keterbatasan dokter spesialis kandungan, dibuat suatu sistem untuk pemerikasaan dan pengawasan janin secara jarak jauh (telehealth). Arsitektur sistem telehealth pertumbuhan janin (TERRAIN) dapat dilihat pada Gambar 5.25 Sistem ini terdiri dari beberapa komponen perangkat keras, yaitu smartphone Andoid, personal computer (PC), dan server. Ketiga perangkat tersebut dapat berkomunikasi satu sama lain melalui jaringan internet. Smartphone Android digunakan oleh petugas klinik dan dokter untuk mengumpulkan dan mengolah data janin. PC digunakan oleh administrator untuk mengolah data dokter, klinik, petugas klinik, dan hak akses. Server berperan sebagai pusat dan sinkronisasi data.


Gambar 5.25 Arsitektur TERRAIN Suatu klinik dapat memiliki satu atau lebih perangkat smartphone Android. Pada setiap smartphone Android akan di-install aplikasi Terrain mobile untuk mengelola data janin pada klinik tersebut dan dioperasikan oleh seorang petugas klinik. Secara berkala, petugas klinik harus melakukan sinkronisasi data dengan server menggunakan akses in-ternet. Koneksi internet dapat diperoleh menggunakan beberapa alternatif, seperti WIFI atau jaringan telepon seluler. Salah satu tujuan utama dari proses sinkronisasi adalah mengirimkan foto-foto USG yang terbaru sehingga dapat segera divalidasi oleh dokter. Intensitas proses sinkronisasi tidak perlu terlalu sering dilakukan dan dapat menyesuaikan konteks di lapangan. Laptop atau PC yang dikendalikan oleh Administrator berfungsi untuk men-jalankan aplikasi Terrain server. Aplikasi Terrain server dapat digunakan untuk mengelola data dokter, klinik, petugas klinik, dan hak akses. Sinkronisasi pada aplikasi Terrain server tidak perlu dilakukan karena pengelolaan data dilakukan langsung di server. Perubahan data yang dilakukan melalui Terrain server juga akan diterima oleh pihak petugas klinik dan dokter ketika sinkronisasi pada aplikasi Terrain mobile dilakukan.

5.8.1 Fitur-FItur Sistem Telehealth Pertumbuhan Janin (TERRAIN) Fitur pertama dari aplikasi TERRAIN Mobile adalah fitur Login. Halaman login merupakan halaman yang pertama kali dibuka oleh pengguna 148 TeknikBiomedis : Teori dan Aplikasi

sebelum menggunakan menu-menu aplikasi yang lain. Pada halaman login, pengguna harus memasukkan username idan password sebelum mengakses menu-menu selanjutnya. Menu login perlu ada dalam palikasi ini, agar aplikasi tidak digunakan oleh sembarang petugas. Selain itu juga diperlukan untuk melindungi data-data pasien. Gambar 5.26 (a) menunjukkan halaman login yang muncul ketika aplikasi dijalankan. Ada tiga macam user dalam aplikasi TERRAIN Mobile ini, yaitu dokter, petugas klinik dan pasien. Masing-masing user memiliki username dan password yang sudah terdaftar ke Terrain Server. Seperti aplikasi-aplikasi pada umumnya, TERRAIN Mobile juga memiliki halaman utama (home). Halaman ini akan terbuka setelah user berhasil login. Gambar 5.26 (b) menunjukkan halaman awal setelah proses login masuk sebagai petugas klinik. Terdapat daftar pasien yang sudah terdaftar di klinik tersebut. Gambar 5.26 (c) menunjukkan menu pada halaman awal.

(a) (b) (c) Gambar 5.26 Tampilan aplikasi TERRAIN (a) Halaman (b) Login Halaman Awal/Utama (c) Menu – menu aplikasi TERRAIN Mobile


(a) (b) (c) Gambar 5.27 (a) Halaman Informasi Pasien (b) Kandungan Psaien dan (c) Grafik Pertumbuhan Janinnya Selain fitur-fitur tersebut, fitur yang paling panting dari aplikasi ini adalah pengolahan data citra USG dari pasien. Pengolahan data yang disediakan oleh aplikasi ini adalah pengukuran biometri janin secara otomatis, dan kurva pertumbuhan janin. Gambar 5.27 (a) menunjukkan fitur edit data pasien, yang terdiri dari umur, nama, alamat, telepon, dan keterangan. Selanjutnya tiap pasien memiliki data citra USG berdasarkan kandungannya, seperti yang ditunjukkan Gambar 5.27 (b). Pasien dapat melakukan pengecekan pertumbuhan janinnya melalui fitur monitoring pertumbuhan janin, ditunjukkan pada Gambar 5.27 (c).


Gambar 5.28 Fitur Chatting dengan Dokter Gambar 5.28 menunjukkan fitur chatting dengan dokter, untuk memberikan masukan dan saran kepada pasien. Dokter dapat berkomunikasi dengan pasien meskipun tidak bertatap muka dengan fitur chatting yang sudah disediakan. Dengan adanya fitur ini diharapkan pasien dapat menjaga kesehatan janinnya.

(a) (b) Gambar 5.29 Pengukuran Data BIometri Janin (a) Hasil Deteksi Otomatis dan (b) Validasi oleh Dokter 151 TeknikBiomedis : Teori dan Aplikasi

Gambar 5.29 (a) menunjukkan hasil dari deteksi otomatis citra USG 2 dimensi. Terlihat jelas parameter- parameter kepala janin yaitu HC dan BPD hasil aproksimasi, beserta detail kelima parameter elips hasil deteksi otomatis. Untuk menjaga kebenaran pengukuran, validasi dari dokter sangat dibutuhkan. Dokter dapat memvalidasi hasil deteksi otomatis yang dirasa kurang valid. Fitur ini ditunjukkan pada Gambar 5.29 (b).

5.8.2 Implementasi Terrain Server Dua hal yang diperhatikan dalam implementasi Terrain Server yaitu waktu yang digunakan untuk merespons request dan sinkronisasi data. Berikut grafik hasil implementasi Terrain Server. Grafik pada Gambar 5.30 menunjukkan rata-rata (µ) responsivitas Terrain Server untuk 10 kali operasi pada masing-masing URL. Grafik diatas menunjukkan bahwa operasi pada Terrain Server relatif cepat untuk koneksi internet yang stabil.

Gambar 5.30 Pengukuran responsivitas server TERRAIN untuk masingmasing server Grafik pada Gambar 5.31 menunjukkan rata-rata waktu yang dibutuhkan untuk sinkronisasi Terrain Server dan Mobile pada masingmasing URL. Terdapat 10 kali pengujian untuk mengetahui rata-rata (µ) waktu yang dibutuhkan dari tiap sinkronisasi data. Grafik diatas menunjukkan bahwa sinkronisasi data pada Terrain Server dan Mobile relatif cepat untuk koneksi internet yang stabil.


Waktu sinkronisasi (ms)

90 80 70 60 50 40 30 20 10 0

Service

Gambar 5.31 Pengukuran waktu sinkronisasi server dengan aplikasi TERRAIN mobile untuk berbagai fungsionalitas


BAB 6 Metode Klasifikasi TeknikBiomedis:TeoridanAplikasi


6. 1 LVQ 6.1.1 Ide Dasar LVQ Learning Vector Quantization (LVQ) yang dikembangkan oleh Teuvo Kohonen (1986) [21] merupakan suatu metode pengenalan pola di mana setiap unit output merepresentasikan suatu kelas atau kategori. Vektor bobot untuk suatu unit output sering dirujuk sebagai vektor pewakil (vector reference, codebook, prototype) untuk kelas yang direpresentasikan unit output tersebut. Dalam suatu jaringan LVQ, beberapa unit output vektor pewakil dapat digunakan untuk setiap kelas. Diasumsikan bahwa satu set pola pembelajaran dengan klasifikasi yang dike-tahui, diberikan pada jaringan, bersama dengan distribusi awal dari vektor reference-nya. Setelah pembelajaran, jaringan LVQ mengklasifikasikan suatu vek-tor input dengan memasukkannya pada kelas yang sama dengan unit output yang vektor bobot-nya paling dekat ke vektor input. Dari sisi arsitektur, karakteristik dari jaringan LVQ memiliki jaringan lapis tunggal tanpa hidden layers, dimana arsitekturnya serupa dengan SelfOrganized Map tanpa adanya asumsi topologi tertentu. Terdiri dari satu lapis input dengan satu lapis output untuk komputasi. Dalam lapisan output, setiap unit neuron merepresentasikan suatu kelas atau cluster tertentu. Dalam JST, pada lapisan output umumnya terdapat suatu fungsi yang digunakan untuk menentukan level aktivasi dari neuron, dimana fungsi tersebut akan membatasi nilai keluaran pada suatu interval tertentu. Pada LVQ, fungsi aktivasi yang digunakan adalah fungsi identitas yang artinya keluaran input sama dengan masukkannya, f(x) = x. Secara umum, algoritma LVQ dapat ditunjukkan pada algoritma 2.1.

Algoritma 2.1 Init weight vector W Init learning rate α Init maximum iteration t t←0 α ≠ 0 or t < t x ← getNextSample( ) train(W, x) t ←t+1


Terdapat beberapa versi dari LVQ dimana setiap versi merupakan penyempur-naan dari versi sebelumnya, baik dari sisi konvergensi maupun inisialisasi awal vektor pewakil. Berikut akan diuraikan beberapa versi dari LVQ.

6.1.2 LVQ1 Pada LVQ versi pertama, setiap pemberian satu sampel data akan mengakibatkan proses update terhadap satu vektor pewakil. Pada setiap iterasi dari proses pelati-han, vektor pewakil dengan jarak minimal terhadap input akan disesuaikan. Proses penyesuaian vektor pewakil tergantung dari hasil proses klasifikasi. Jika vector pewakil pemenang adalah sama dengan kategori input, maka vektor pewakil akan disesuaikan mendekati sampel data. Jika tidak, maka vektor pewakil pemenang akan disesuaikan menjauhi sampel data. Tahap pembelajaran yang dilakukan pada LVQ1 dapat diuraikan sebagai berikut:

1. Pilih sampel data , 2. Tentukan vektor pewakil pemenang wp seperti pada 2.1 3. Sesuaikan vektor pewakil wp berdasarkan aturan berikut : ←

+

−

,

=

←

−

−

,

≠

Nilai a disini adalah laju pembelajaran dengan rentang nilai antara 0 < a < 1 di-mana nilainya selalu menurun seiring iterasi proses pembelajaran. Aturan pembelajaran diatas dapat ditunjukkan lebih detail seperti yang terlihat pada Algorithm 2.2 Aturan pembelajaran LVQ1 Require : W, x ← = ℎ ← , + ( − , ≠ ℎ ← , − − , ←

ℎ( , ,

)

)

,

( )


( , )

6.1.3 LVQ2 Pada algoritma LVQ1, proses penyesuaian bobot hanya ditentukan berdasarkan vektor pewakil pemenang saja. Namun, pada algoritma LVQ2, proses pembela-jaran memperhitungkan vektor pewakil tentangga dimana proses pembelajaran di-tentukan berdasarkan ide dimana jika vektor masukan (x) memiliki jarak yang ham-pir sama antara pemenang (wp) dan runner-up(wr), maka kedua vektor pewakil se-harusnya di-update secara simultan jika x berada pada bagian jendela yang salah. Tahap pembelajaran yang dilakukan pada LVQ2 dapat diuraikan sebagai berikut : 1. Pilih sampel data x 2. Tentukan vektor pewakil pemenang wp dan pemenang kedua (runner up) wr : 3. Lakukan pengecekan terhadap wp dan wr : a) wp dan wr harus berasal dari kategori yang berbeda ≠ b) Kategori dari vektor masukan (Cx ) berasal dari kategori yang sama de-ngan vektor pewakil pemenang kedua, Cx = Cwr c) Jarak antara vektor masukkan ke vektor pemenang ( ( , )) dan ke vektor runner-up ( ( , )) hamper sama. Untuk menentukan seberapa dekat/sama antara dpdan dr, disini digunakan suatu jendela (window) untuk membatasi kedua jarak tersebut. Pada algoritma LVQ2 diperke-nalkan satu parameter baru yakni w yaitu seberapa lebar jendela yang ditentukan.

Gambar 6.1: Ilustrasi sistem jendela pada LVQ2 > (1 − )


< (1 − )

Jika misal > 0.7

nilai = 0.3, maka kondisinya menjadi < 1.3 . Ilustrasi dapat dilihat pada Gambar 2.7

4. Jika ketiga kondisi pada langkah (3) terpenuhi, maka lakukan proses penye-suaian vektor pewakil sebagai berikut;

← ←

− − + ( −

)

Aturan ini dapat diartikan, jika x berada dalam rentang jendela yang diten-tukan, tapi dikenali salah ( ≠ ), maka jauhkan dari distribusi kelas dan dekatkan dengan distribusi kelas. Aturan pembelajaran diatas dapat ditunjukkan lebih detail seperti yang terlihat padaalgoritma 2.3

Algoritma 2.3 Aturan pembelajaran LVQ2 train(W, x) Require: W, x ← ← ← , ( ← , ) ≠ ℎ ≠ ℎ > (1 − ) ← ←

, ,

, ,

+ +

←

ℎ( , ) ℎ( , )

< (1 + ) ℎ − −

, ,

( )

6.1.4 LVQ2.1 Algoritma LVQ2.1 merupakan penyempurnaan dari LVQ2 dimana algoritma ini mengabaikan aturan (2) dari kondisi update vektor pewakil LVQ2. Pada algoritma LVQ2.1, kategori dari sampel data ( ) tidak harus sama dengan vektor pewakil pemenang kedua ( ). Persyaratannya adalah minimal salah satu dari vektor pewakil ( , ) berasal dari kategori yang sama dengan kategori input ( ). Sedangkan aturan updateyang lain masih tetap samadengan sebelumnya. Secara lebih detail dapat ditunjukkan pada algoritma 2.4, dimana diasumsikan = . 158 TeknikBiomedis : Teori dan Aplikasi

Algorithm 2.4 Aturan pembelajaran LVQ2.1 train(W,x) Require: W, x w ← ClosestDistanceWeight(x, W) w ← RunnerUpDistanceWeight(x, W) d ← distance x, w d ← distance(x, w ) ifC ≠ C then ifC = C orC = C then d d 1−ω if min , > then d d 1+ω w , ←w , +α x−w , w , ←w , +α x−w , endif endif endif α ← getNextLearningRate( )

6.1.5 LVQ3 Algoritma LVQ2.1 memiliki kelemahan dimana vektor pewakil kemungkinan men-galami divergensi selama proses pembelajaran dilakukan[22]. Pada algoritma LVQ3, koreksi dilakukan terhadap LVQ2.1 dimana untuk memastikan vektor pe-wakil agar selalu mendekati distribusi dari kelas. Aturan update vektor pewakil sama dengan LVQ2.1, hanya saja terdapat aturan tambahan dimana jika kedua vek-tor pewakil (w1; w2) berasal dari kelas yang sama, maka update vektor pewakil nyaadalah sebagai berikut; ←

+

∗( −

∗

), > 0

Dimana ∈ 1,2 , jika , , berasal dari kelas yang sama. Berikut algoritma 2.5 untuk pembelajaran LVQ3

Algorithm 2.5 Aturan pembelajaran LVQ3 train( W, x) Require: W, x ← ← ← , ( , ) ← ≠ ℎ 1− , > 1+ ← , + ( − , ← , − ( − ,

ℎ( , ) ℎ( , )

ℎ , ) ,

)


← ←

, ,

, ,

+ +

( − ( −

, ) , )

( )

←

6.1.6 GLVQ Generalized Learning Vector Quantization (GLVQ) merupakan algoritma yang dikembangkan oleh A. Sato dan Yamada pada tahun 1995 [16]. Algoritma ini merupakan variasi dari algoritma LVQ khususnya LVQ2.1 dimana merupakan penurunan dari cost function yang eksplisit, tidak seperti pada algoritma LVQ. Disamping itu algoritma LVQ2.1 juga tidak menjamin konvergensi dari vektor pewakil ke distribusi dari kelas selama proses pelatihan ([16, 22]). Metode pembelajaran yang digunakan disini berdasarkan atas proses minimisasi dari cost function, miss-classification error, dengan menggunakan metode optimasi gradient descent. Diberikan adalah vektor pewakil terdekat berasal dari kategori yang sama de-ngan kategori vektor masukan (( = )) dan adalah vektor pewakil terdekat yang bukan berasa dari kategori vektor masukan ( ≠ ) . miss-classification error ( ) dapat dihitung dengan menggunakan persamaan 2.5; ( )=

(2.5)

Dimana dan adalah jarak antara dan , nilai dari ( ) diantara -1 dan +1. Jika ( ) negative, maka akan dikenali secara benar, sedangkan jika positif maka akan dikenali secara salah. Untuk perbaikan error rate, maka ( ) harus diturunkan terhadap semua vektor masukan. Sehingga, kriteria dari proses pembelajaran adalah meminilisasi cost function S sebagai berikut : =∑

( ( )) (2.6)

Dimana N adalah jumlah dari vektor masukan untuk pelatihan dan ( ( )) adalah fungsi monoton naik. Untuk meminimalkan S, dan diupdate berdasarkan metode steepest descent dengan nilai laju pembelajaran sebagai berikut: 160 TeknikBiomedis : Teori dan Aplikasi

←

−

, = 1,2 (2.7)

Jika fungsi diskriminan yang digunakan adalah menggunakan squared Euclidean distance = | − | maka akan didapat : =

=−

∗(

)

=

=−

∗(

)

( −

) (2.8)

( −

) (2.9)

Sehingga aturan pembelajaran dari algoritma GLVQ dapat ditulis sebagai berikut : ←

+

←

−

(

)

(

)

( −

) (2.10)

( −

) (2.11)

dapat dilihat sebagai gain factor untuk proses update vektor pewakil dan nilai-nya tergantung pada . Ini artinya,

merupakan bobot untuk setiap .

Untuk menurunkan error rate, maka akan efektif jika proses update vektor pewakil meng-gunakan vektor input yang berada di class boundaries, sehingga decision bound-aries akan digeser menuju batas bayes. Dengan demikian, ( )harus merupakan fungsi monoton naik yang non-linear, dan dianggap bahwa kemampua n pengenalan tergantung pada definisi fungsi ( ). Pada GLVQ, fungsi monoton naik yang digunakan adalah fungsi sigmoid : ( , )=

(2.12)

= ( , )(1 − ( , )) (2.13) Dimana

memiliki puncak yang tunggal pada

= 0, semakin

bertambah nilai maka lebar dari puncak semakin mengecil dan vektor masukan yang mempen-garuhi proses pembelajaran secara gradual dibatasi


pada decision boundaries tersebut. Pada Algoritma 2.6 dapat dilihat algoritma GLVQ dengan pseudocode.

Algoritma 2.6 Algoritma GLVQ Require : X in round robin mode InitializeweightvectorW Initializelearningratea Initializemaximumiterationt t←0 whilea ≠ ort < t do forx ∈ Xdo d ← closestDistance1(x, W)whereC = C d ← closestDistance2(x, W)whered = m ∧ d −d mce ← d +d 4d factor1 ← (d + d ) 4d factor2 ← (d + d ) δf d w ←w +α (x − w ) δφ (d + d ) δf d w ← w −α (x − w ) (d δφ +d ) endfor endwhile t a ← α ∗ (1 − ) t

d ∧ (C ≠ C )

Keunggulan dari metode ini bahwa algortitma GLVQ akan menjamin kekonvergenan dari vektor pewakil akan mendekati distribusi dari kategori kelas selama proses pelatihan. Keunggulan berikutnya bahwa algoritma GLVQ tidak sensitif terhadap inisialisasi bobot awal yang pada umumnya kensensitifan ini terjadi pada algoritma LVQ standar. Penelitian yang dikembangkan tim dari tim peneliti Fasilkom UI telah melakukan implementasi algoritma GLVQ untuk membuat sistem cerdas pendeteksian gangguan tidur sleep apnea dan gangguan penyakit jantung Aritmia. a. Gangguan penyakit jantung Aritmia


Pada penelitian ini tim peneliti membuat sistem pendeteksi aritmia pada perangkat lunak dan perangkat keras Field Programmable Gate Array (FPGA).

6.1.7 FNLVQ Fuzzy-Neuro Learning Vector Quantization (FNLVQ) merupakan algoritma pem-belajaran yang berbasis kompetisi yang dikembangkan oleh Kusumoputro danWisnu J [23] dimana algoritma ini diaplikasikan pada sistempengenalan aroma.Algoritma ini dikembangkan berdasarkan algoritma LVQ dengan menggunakan teorifuzzy dimana aktifasi dari neuron ditunjukkan dalam bentuk nilai fuzzy karena di-motivasi oleh ketidakjelasan (fuzzines) dari data yang dihasilkan akibat dari kesalahan pengukuran oleh alat. Proses fuzzifikasi dari semua komponen vektor pewakildan vektor masukan dikalkulasi melalui proses normalisasi dengan menggunakanfungsi keanggotaan segitiga, dengan nilai derajat keanggotaan maksimal adalah 1.Fungsi keanggotaan segitiga sangat umum digunakan karena sifatnya yang sangatsederhana dan mudah untuk diimplementasikan. Distribusi data direpresentasikanpada vektor pewakil dengan nilai min, mean danmax, yaitu = ( , , ). adalah pusat (center) dari distribusi sampel data, sedangkan dan secara berurutan adalah nilai minimum dan maksimum sampel data. Karena neuron pada FNLVQ menggunakan fuzzy number, maka konsep jarakeuclid yang digunakan pada standar LVQ dimodifikasi menggunakan fuzzy simi-larity dimana dihitung dengan menggunakan operasi MAX-MIN antara vektor input dengan vektor pewakil. Dengan model seperti ini, arsitektur dari jaringan disesuaikan untuk mengakomodasi operasi MAX-MIN dari dua vektor. ArsitekturFNLVQ dapat dilihat pada Gambar 19, dimana jaringan terdiri dari lapisan input, satu lapisan tersembunyi (hidden layer) dan lapisan output. Lapisan tersembunyidisini merupakan representasi dari vektor referensi yang terdiri dari beberapa fungsikeanggotaan yang berkorespondensi dengan setiap fitur masukan , dan setiap kat-egori kelas direpresentasikan dengan satu vektor referensi, dalam hal ini disebutdengan cluster.


Gambar 6.2 Arsitektur dari fuzzy neuro LVQ digunakan dalam sistem pengenalan aroma. Diberikan ( ) adalah vektor masukan. ℎ ( ) adalah fungsi keanggotaan dari x, sedangkan adalah vektor referensi dari kategori dan ℎ adalah fungsi keanggotaan untuk . Tingkat kemiripan antara setiap cluster ( ) pada hidden layer dengan vektor masukan ( ( ))dihitung dengan menggunakan fuzzy similarity ( ) dengan menggunakan operasi max sebagai berikut ( ) = max[ℎ ( ) ∧ ℎ ( )] , = 1,2, … , Dimana

(2.14)

adalah maksimal jumlah kategori dari aroma.

Fungsi aktifasi yang digunakan pada tiap cluster adalah dengan menggunakan operasi minimum untuk semua komponen yang ada didalamnya, dimana nantinya nilai fuzzy similarity ( )akan dipropagasikan ke neuron keluaran. ( ) = min [ ( )] (2.15) Kemudian dicari nilai terbesar nilai similarity ( )setiap neuron output untuk menentukan neuron pemenang. Jika neuron pemenang memiliki ( ) sama dengan , maka vektor masukan dan vektor referen tidak mirip sama sekali. Aturan pembelajaran dari algoritma FNLVQ terdiri dari tiga kondisi yangmungkin terjadi diantaranya; (1) Jika jaringan dapat mengenali masukan 164 TeknikBiomedis : Teori dan Aplikasi

denganbenar, (2) Jika jaringan salah mengenali vektor masukan, dan (3) Jika tidak terda-pat interseksi fuzzy set antara vektor masukan dan vektor pewakil. Berikut adalahaturan pembelajaran untuk setiap kondisi; 1.

Jika jaringan mengenali vektor masukan dengan benar,

=

maka

2.

vektorpewakil dari cluster pemenang diupdate sesuai dengan : a. Posisi pusat dari vektor pewakil digeser mendekati vektor masukan ( + 1) = ( ) + ( )( 1 − ( ) ∗ ( ) − ( ) ) (2.16) b. Tingkatkan kemampuan pengenalan vektor pewakil dengan memper-lebar fungsi keanggotaan dari vektor pewakil dengan aturan sebagaiberikut; i. Modifikasi dengan faktor konstan ( + 1) = ( ) − (1 + )( ( ) − ( )) (2.17) ( + 1) = ( ) − (1 + ) ( ) − ( ) ( + 1) = ( + 1) ii. Modifikasi dengan faktor variable ( + 1) = ( ) − (1 − )(1 − )( ( ) − ( )) (2.18) ( + 1) = ( ) − (1 + )(1 + ) ( ) − ( ) ( + 1) = ( + 1) Jika jaringan salahmengenali vektor masukan, ≠ maka vektor pewakildari cluster pemenang diupdate sesuai aturan: a. Posisi pusat dari vektor pewakil digeser menjauhi vektor masukan ( + 1) =

( )− ( )

b.

3.

1− ( ) ∗

( )−

( ) (2.19)

Turunkan kemampuan pengenalan vektor pewakil dengan mempersem-pit fungsi keanggotaan dari vektor pewakil dengan aturan sebagaiberikut; i. Modifikasi dengan faktor konstan ( + 1) = ( ) + (1 + ) ( ) − ( ) (2.20) ( + 1) = ( ) − (1 + ) ( ) − ( ) ( + 1) = ( + 1) ii. Modifikasi dengan factor variable ( + 1) = ( ) + (1 − )(1 − ) ( ) − ( ) (2.21) ( + 1) = ( ) − (1 − )(1 − ) ( ) − ( ) ( + 1) = ( + 1) Jika fungsi keanggotaan vektor pewakil tidakmemiliki interseksi dengan vektor masukan, maka fungsi keanggotaan vektor pewakil diupdate berdasarkanaturan sebagai berikut ( + 1) = ( ) ∗ ( )(2.22) 165 TeknikBiomedis : Teori dan Aplikasi

Dimana nomenklatur yang digunakan adalah sebagai berikut : ( + 1) = ℎ − (2.23) ( )= − ( ) = laju pembelajaran, nilai monoton turun(0<α≤1), yang didefinisikan sebagai berikut: ( + 1) = 0.999 ( ) (0) = 0.05 , =nilai konstan yang digunakan dalam proses pelebaran dan penyem-pitan fungsi keanggotaan dengan interval [0, 1] , = nilai variabel yang digunakan dalamproses pelebaran dan penyem-pitan fungsi keanggotaan dengan definisi;

( + 1) =

− ( + 1)(2.24)

( + 1) = 1 − ( + 1) dimana nilai adalah konstan =

= 1.1

Terdapat beberapa penelitian yang dilakukan untuk meningkatkan kinerja darialgoritma FNLVQ.Kusumoputro dkk. [24] menggunakan Matrix Similarity Analysis (MSA)menangani kelemahan dari FNLVQ standar dimana sensitif terhadappemilihan vektor pewakil awal. Untuk menanggulanginya, dalam proses pelatihanakan dipilih bobot terbaik untuk setiap iterasi dengan menggunakan matrix similarity sebagai fitness function nya, sehingga selain menggunakan maksimal epoch,lama proses pembelajaran juga dapat ditentukan berdasarkan nilai matrix yang di-dapat yang digunakan sebagai nilai threshold. Matrix ideal yang diharapkan untukmendapatkan kinerja terbaik adalah jika menghasilkan matrik identitas. Selain itu, pendekatan lain yang dilakukan untuk menangani sensitifitas pemilihan vektor pewakil awal adalah penelitian yang dilakukan oleh Rohmatullah dalamtesis-nya [25], dimana pendekatan yang dilakukan menggunakan konsep ParticleSwarm Optimization (PSO) digabungkan dengan FNLVQ-MSA. Tujuan dari PSOini adalah untuk menentukan inisialisasi vektor awal terbaik yang dihasilkan dariproses pencarian dengan menggunakan faktor kognitif dan sosial sebagai salah satuparameter pencarian. Namun, kelemahannya adalah, proses komputasi yang dibutuhkan sangat lama.


6.2 Multi Layer Perceptron Algoritma Backpropagation Backpropagationatau propagasi balik adalah salah satu algoritma dalam artificial neural network (jaringan saraf tiruan) yang pertama kali ditemukan oleh Arthur E. Bryson dan Yu-Chi Ho pada 1969. Sejak 1986, David E. Rumelhart, Geoffrey E. Hinton dan Ronald J. Willliams mengembangkan algoritma ini dan menjadikan algoritma ini sebagai awal kebangkitan riset di bidang jaringan saraf buatan. Algoritma ini digunakan untuk mengklasifikasi suatu data berdasarkan input (masukan) berupa deretan angka yang merepresentasikan ciri atau fitur dari suatu objek pada suatu kelas tertentu. Algoritma ini adalah pengembangan dari algoritma perceptron. Perbedaannya adalah jika perceptron merupakan single layer network (jaringan lapis tunggal) propagasi balik adalah multi layer network (jaringan lapis banyak) atau sering juga disebut multi layer perceptron. Ada tiga fase yang menjadi prinsip dasar algoritma ini, antara lain, 1. Fase feedforward, 2. Fase Backpropagation of error, 3. Fase penyesuaian bobot.

6.2.1 Karakteristik Backpropagation Karakteristik dari jaringan propagasi balik adalah sebagai berikut: 

Jaringan lapis banyak Terdiri dari satu input layer (lapisan masukan), satu atau lebih hidden layers (lapisan tersembunyi). Setiap neuron pada lapisan masukan tidak memiliki fungsi aktivasi. Setiap neuron pada lapisan tersembunyi mendapatkan masukan dari semua neuron pada lapisan sebelumnya ditambah masukan dari satu bias.



Fungsi aktivasi Fungsi aktivasi yang digunakan dalam propagasi balik harus memiliki karakteristik

kontinyu,

dapat

didiferensiasikan

(diturunkan)

dan

monoton tidak turun. Fungsi tersebut mendekati nilai maksimum dan 167 TeknikBiomedis : Teori dan Aplikasi

nilai minimumnya secara asimtotik dan akan lebih baik jika turunan fungsinya mudah untuk dihitung. Fungsi yang sering digunakan antara lain, 1.

Fungsi sigmoid biner (range: [0,1])

(2.1) Dan turunannya,

2.

Fungsi sigmoid bipolar (range: [-1,1])

Dan turunannya,

Gambar 6.3. Arsitektur Neural Network Backpropagation 168 TeknikBiomedis : Teori dan Aplikasi



Arsitektur Pada gambar 3 terdapat tiga lapisan yang digambarkan. Lapisan pertama adalah lapisan masukan yang terdiri dari neuron X sebanyak n sebagai neuron input bagi neural network. Pada lapisan ini di setiap neuron tidak memiliki activation function dan hanya berfungsi memberikan input bagi neural network. Lapisan kedua adalah lapisan tersembunyi yang terdiri dari neuron Z sebanyak p. Setiap neuron pada lapisan ini memiliki activation function. Lapisan ketiga adalah lapisan output (keluaran), lapisan ini terdiri dari neuron Y sebanyak m dan seperti pada lapisan tersembunyi, setiap neuron pada lapisan ini memiliki activation function. Setiap neuron pada lapisan tersembunyi dan lapisan keluaran tersambung dengan bias. Fungsi bias mirip seperti fungsi input, perbedaannya, bias selalu memberikan nilai masukan bernilai 1 kepada setiap neuron yang ada pada jaringan saraf tiruan.



Algoritma Pelatihan Algoritma ini didasarkan pada aturan error-correction learning rule. Terdiri dari tiga tahap, 1. Feedforward untuk menghitung output (keluaran)dari input (masukan) yang diberikan. 2. Propagasi balik untuk menghitung error pada setiap neuron menggunakan ouput pada fase feedforward dan expected value (ouput yang diharapkan). 3. Penyesuaian bobot dengan berdasarkan error yang ada pada setiap neuron. Pada penjelasan algoritma ini diasumsikan hanya terdapat satu lapisan tersembunyi. Algoritma ini dieksekusi menggunakan masukan berupa sederetan data pelatihan. Biasanya data pelatihan berisi fitur-fitur atau ciri sebagai berikut.


Langkah 1 : Inisialisasi bobot menggunakan nilai yang dekat dengan 0 (nol).Set laju pembelajaran α dan set banyaknya epoch Langkah 2 : Selama syarat berhenti masih belum terpenuhi (penjelasan syarat berhenti ada pada langkah 10) lakukan langkah 3 sampai 10. Langkah 3 : Untuk setiap satu paket data input lakukan langkah 4 sampai dengan langkah 9. Feedforward : Langkah 4 : Setiap neuron input (Xi , i = 1, …, n) menerima sinyal masukan xi dan meneruskannya ke seluruh neuron pada lapisan berikutnya (lapisan tersembunyi). Langkah 5 : Setiap neuron pada lapisan tersembunyi (Zj = 1, …, p) menghitung total sinyal masukan dari neuron pada lapisan sebelumnya dan dari bias yang sudah dikalikan bobot yang bersesuaian.

(2.5) Lalu menghitung sinyal keluaran dengan cara menjadikan total sinyal sebelumnya sebagai masukan bagi fungsi aktivasi,

(2.6) Dan mengirimkan hasil output dari fungsi aktivasi ini ke setiap neuron pada lapisan selanjutnya (lapisan output). Langkah 6 : Setiap neuron pada lapisan output (Yk, k = 1, …, m) menghitung total sinyal masukan dari neuron pada 170 TeknikBiomedis : Teori dan Aplikasi

lapisan sebelumnya dan dari bias yang sudah dikalikan bobot yang bersesuaian.

(2.7) Lalu menghitung sinyal keluaran dengan cara menjadikan total sinyal sebelumnya sebagai masukan bagi fungsi aktivasi,

(2.8) Backpropagation of error : Langkah 7 : Setiap neuron output (Yk, k = 1, …, m) menerima sebuah nilai ekspektasi atau nilai yang diharapkan . Setiap neuron output akan menghitung nilai error (kesalahan),

(2.9) Nilai koreksi bobot dengan rumus,

(2.10) Dan nilai koreksi bobot bias dengan rumus,

(2.11) Serta mengirimkan nilai error δk ke lapisan sebelumnya. Langkah 8 : Setiap neuron pada lapisan tersembunyi (Zj,j = 1, …,p) menghitung nilai error dengan memanfaatkan nilai erroryang


dikembalikan dari lapisan setelah lapisan ini (lapisan output) menggunakan rumus,

(2.12) Lalu mengalikannya dengan hasil turunan fungsi aktivasinya untuk mendapatkan nilai error,

(2.13) Selanjutnya menghitung koreksi bobot dengan rumus (2.14) untuk mengubah bobot vijpada rumus (2.17),

(2.14) Dan menghitung koreksi error dari bobot bias,

(2.15) Kemudan langkah berikutnya adalah perubahan bobot dan bobot bias. Langkah 9 : Setiap neuron pada lapisan output (Yk, k = 1, …, m) mengubah bias dan bobot-bobotnya (j = 0, …, p) :

(2.16) Setiap neuron pada lapisan tersembunyi (Zj, j = 1, …, p) mengubah bias dan bobotnya (i = 1, …, n) :


Langkah 10 : Uji syarat henti :

(2.17) Pelatihan akan berhenti ketika mean square error (2.17) hasil pelatihan dari paket data pelatihan yang digunakan berada dibawah error tolerance (nilai toleransi kesalahan) yang diinginkan atau pelatihan telah mencapai batas pengulangan (epoch) yang ditentukan. Nilai toleransi kesalahan (ε) yang digunakan adalah 1 < ε ≤ 0. Jika syarat tidak dipenuhi kembali ke langkah 2. 

Algoritma Pengujian Langkah 1 : Inisialisasi bobot dengan menggunakan nilai acak yang bernilai antara -0.5 dan 0.5. Langkah 2 : Untuk setiap input x, lakukan 3-5 Langkah 3 : Set nilai aktivasi dari neuron input, i = 1, …, n Xi = xi Langkah 4 : Untuk j = 1, …,p

(2.18)

Langkah 5 : Untuk k = 1, …, m


(2.19)

1.

Pemilihan bobot awal dan bobot bias i. Pemilihan bobot awal akan mempengaruhi jaringan dalam mencapai error minimum global atau lokal dan seberapa cepat konvergensi tersebut bisa dicapai. ii. Penyesuaian bobot tergantung pada fungsi aktivasi neuron yang berada pada lapisan sebelum (pemberi sinyal input) dan turunan fungsi aktivasi neuron yang berada pada lapisan setelahnya (penerima sinyal input), sehingga perlu dihindari pembobotan awal yang menyebabkan keluaran dari fungsi dan turunan fungsi aktivasi bernilai nol. iii. Jika menggunakan fungsi sigmoid, nilai bobot awal tidak boleh terlalu, karena akan menyebabkan nilai turunannya menjadi sangat kecil atau jatuh di daerah saturasi. Sebaliknya nilai bobot awal juga tidak boleh terlalu kecil, karena dapat menyebabkan sinyal yang dikirim ke neuron pada lapisan tersembunyi atau ke neuron pada lapisan output menjadi terlalu dekat dengan nol sehingga membuat proses pembelajaran terjadi terlalu lambat. iv. Pada penelitian ini digunakan inisialisasi acak dengan nilai diantara -0.5 dan 0.5.


Feedforward

Gambar 6.4. Menghitung output neuron Z1

6.2.2 Contoh Eksekusi Algoritma Backpropagation Pada gambar 4 sampai dengan gambar 16 adalah ilustrasi langkahlangkah untuk mengeksekusi algoritma Backpropagation. Pada ilustrasi tersebut algoritma dijalankanpada jaringan saraf tiruan dengan tiga lapisan yang terdiri dari satu lapisan input yang terdiri dari tiga neuron, satu lapisan tersembunyi yang terdiri dari dua neuron dan satu lapisan output yang terdiri dari tiga neuron.


Gambar 6.5. Menghitung output neuron Z2

Gambar 6.6. Menghitung output neuron Y1


Gambar 6.7 Menghitung output neuron Y2

Gambar 6.8 Menghitung output neuron Y3


Backpropagation of error

Gambar 6.9 Menghitung error pada Y1, Y2 dan Y3

Gambar 6.10 Menghitung error pada Z2


Gambar 6.11 Menghitung error pada Z1

Gambar 6.12 Menyesuaikan bobot V01, V11, V21 dan V31


Gambar 6.13 Menyesuaikan bobot V02, V12, V22 dan V32

Gambar 6.14 Menyesuaikan bobot W01, W11 dan W21





Penerapan MLP : Implementasi pada Sistem Operasi Android dan Klasifikasi Data ECG Algoritma Backprogation pernah diimpelementasikan oleh Muhammad Fajar pada Tugas Akhir S1. Pada tugas akhir tersebut, Backpropagation memimplementasikan pada sistem operasi Android. Fiturfitur yang dibuat adalah : 15. Pelatihan menggunakan data offline dengan format comma separated value (csv) dan metadata file pelatihan, 16. Konfigurasi epoch, error tolerance, learning rate dan banyaknya neuron pada lapisan tersembunyi dan jumlah lapisan dari jaringan saraf tiruan, 17. Pembuatan jaringan saraf tiruan dari file dengan ekstensi (.nn), 18. Klasifikasi warna dengan input dari penguna, 19. Klasifikasi warna dengan input dari file, 20. Klasifikasi ECG melalui file ekstraksi data ECG Klasifikasi tersebut dapat langsung dilakukan pada file csv yang berisi hasil ekstraksi fitur. Hasil training dari Backpropagation tersebut akan dapat kita simpan dan dapat diload kembali ketika ingin digunakan untuk melakukan testing data yang ada.

6.3 Pengembangan Lanjut GLVQ 6.3.1 FNGLVQ Metode Fuzzy-Neuro Generalized Learning Vector Quantization (FNGLVQ) yang dikembangkan merupakan metode yang mengadaptasi mekanisme fuzzifikasi dari Fuzzy-Neuro LVQ dengan metode Generalized LVQ, dengan harapan dapat meningkatkan tingkat akurasi pengenalan kelainanAritmia dimana sebaran dari tiap kategori kelas Aritmia tumpang tindih satu samalain. Berikut akan diuraikan mengenai metode FNGLVQ. Perbedaan yang mendasar dari karakteristik pengenalan Aritmia berdasarkan beat dengan pengenalan aroma adalah dari sisi data yang akanmenjadi masukan jaringan LVQ. Pada pengenalan aroma, data masukan merupakan data himpunan fuzzy, di-mana merupakan representasi dari ketidakpastian (fuzziness) sensor dalam mem-baca informasi aroma, dimana hal ini berimplikasi pada model dari vektor pewakil yang diimplementasikan juga dengan himpunan fuzzy. Sedangkan pada pengenalan Aritmia, distribusi 182 TeknikBiomedis : Teori dan Aplikasi

data masing-masing kategori saling tumpang tindih (overlaping) satu samalain, seperti yang dapat ditunjukkan pada Gambar 4.1 sehingga diharapkan dengan menggunakan vektor pewakil fuzzy, maka ketidakpastian pola suatu ke-las dapat diturunkan. Selain itu, kunci utama proses pengenalan unknown data pada FNLVQ adalah terletak pada model vektor pewakil dengan menggunakan fuzzy, dimana jika nilai similarity antara vektor masukan dengan vektor pewakil adalah 0 (nol), maka vektor masukkan tersebut polanya belumpernah diketahui oleh jaringan saraf (unknown).

Gambar 6.17 Ilustrasi data Aritmia yang tumpang tindih (overlap) antar kategori. Pada pengenalan Aritmia yang dilakukan pada penelitian ini, yang dikenali adalah beat dalam ECG, dimana kemunculan suatu kelainan beat ditandai dengan morfologinya. Menurut dr. Jolanda Jonas, tidak semua kemunculan kelainan beat menandakan seorang pasien menderita Aritmia. Terdapat kelainan beat yang hanyamuncul sekali dalamdata ECGdimana hal ini sering digunakan sebagai indikasi un-tuk pemeriksaan lanjutan, seperti pemasangan alat observasi ECG 24 jam (Holter ECG). Sehingga himpunan fuzzy sebagai masukan sistem, seperti pada sistem pengenalan aroma, tidak 183 TeknikBiomedis : Teori dan Aplikasi

cocok untuk digunakan. Oleh karena itu pada pengenalanAritmia ini, digunakan masukan berupa data crisp. Ilustrasi pendekatan denganmenggunakan algoritma FNLVQ pada sinyal ECG dapat dilihat pada Gambar 4.2.

Gambar 6.18 Ilustrasi algoritma FNLVQ pada sinyal ECG Seperti terlihat pada Gambar 4.2, beberapa data beat ECG (c) difuzzifikasi terlebih dahulu membentuk fungsi keanggotaan untuk merepresentasikan data masukkan. Berbeda dengan pendekatan yang dilakukan pada algoritma yang diusulkan, seperti terlihat pada Gambar 4.3. Data sinyal beat ECG langsung di-masukkan ke jaringan saraf tanpa melalui proses fuzzifikasi terlebih dahulu, oleh karena itu data masukan pada algoritma yang diusulkan berbentuk (crisp).

Gambar 6.19 Ilustrasi algoritma FNGLVQ pada sinyal ECG 184 TeknikBiomedis : Teori dan Aplikasi

Fungsi diskriminan yang di-gunakan GLVQ adalah menggunakan distance metric, yakni jarak euclidean, se-hingga semakin kecil jarak antara input dengan vektor pewakil, maka kedua vektor akan semakin mirip. Pada metode yang dikembangkan, fungsi diskriminan yang digunakan adalah dengan menggunakan pendekatan fuzzy, seperti yang digunakan FNLVQ dalam aplikasi pengenalan aroma.

Gambar 6.20 Ilustrasi Perhitungan similarity crisp data dengan menggunakan fungsi keanggotaanSegitiga Pada fuzzy similarity, perhitungan kemiripan dilakukan dengan mencari dera-jat keanggotaan setiap fitur( ) terhadap fungsi keanggotaan ℎ ( ) , dengan

=

− dan

=

−

seperti yang diilustrasikan pada Gambar 4.4 = ℎ ( ) . Kemudian nilai derajat keanggotaan ( ) vektor pewakil (cluster) dipropagasi ke neuron keluaran dengan menggunakan operasi ratarata (average). = ∑

(4.2)

dimana vektor pewakil pemenang akan di-update selama proses pembelajaran tergantung dari vektor masukan yang diberikan. Namun pada metode ini, vek-tor pewakil yang akan di-update tidak hanya berdasarkan vektor pemenang saja,melainkan ditentukan oleh miss classification error dengan menghitung jarak re-latif antara jarak vektor masukkan (x) dengan vektor pewakil dari kelas yang sama ( = ) dan jarak terbesar vektor 185 TeknikBiomedis : Teori dan Aplikasi

masukan dengan vektor pewakil yang tidak berasal dari kelas yang sama ≠

. Secara garis besar, taksonomi dari algoritma yang

dikembangkan ini (FNGLVQ) dapat dilihat pada Gambar 4.5

Gambar 6.21: Bagan taksonomi algoritma yang dikembangkan (FNGLVQ) Pada konsep similarity, semakin besar nilainya, maka tingkat kemiripan kedua vektor akan semakin tinggi. Untuk dapat menggunakan pendekatan similarity dengan fuzzy pada GLVQ, maka nilai derajat keanggotaan di-komplemen menjadi = 1 − dimana adalah nilai jarak (disimilarity). Kemudian persamaan tersebutdisubstitusikan ke Persamaan 2.5 sehingga didapat : (

( )= ( ( )=

) ( ) (

) )

(2.23)

− 2−

−

Berikut adalah turunan dari masing-masing bagian turunan berantai pada Persamaan 4.5 :

=

=

−1 ∗ (2 −

− ) − (−1) ∗ ( (2 − − )


−

)

= −2

(1 − ) (2 − − )

=

=

1 ∗ (2 −

=2

dan

− ) − (−1) ∗ ( (2 − − )

−

)

(1 − ) (2 − − )

merupakan turunan MCE terhadap nilai similarity

mencari

dan

. Untuk

, maka perhitungannya tergantung dari fungsi keanggotaan yang

digu-nakan pada setiap vektor pewakil. Pada penelitian ini, fungsi keanggotaanℎ( )yang adalah fungsi segitiga, seperti yang juga digunakan pada algoritma FNLVQ, karena fungsi segitiga adalah fungsi yang paling sederhana untuk diim-plementasikan, dan untuk mendapatkan parameternya hanya membutuhkan nilaiminimum, rata-rata dan maksimum yang dihitung dari sebaran data pelatihan. Olehkarena itu, elemen vektor pewakil pada algoritma ini akan direpresentasikan sebagaiberikut : =(

dan (

Dimana , ,,

, ,,

,

,

)

,

adalah vektor pewakil untuk fitur ke- dengan kategori , , , , ) secara berturut-turut nilai minimum, rata-rata

dan maksimum dari distribusi data sampel fitur ke- dengan kategori . Untuk lebihmenyeder-hanakan notasi, akan digunakan ( , ,, , , , ) untuk mewakili notasi diatas. Jika fungsi keanggotaan segitiga didefinisikan sebagai :

= ℎ( ,

,

,

)=

⎧ ⎪ ⎨ ⎪ ⎩


0, ≤ , , 0, ≥

≤ ≤

≤ ≤

(4.9)

Maka turunan dari fungsi segitiga diatas, dalam hal ini akan diturunkan ), didapat sebagai berikut : terhadap nilai rata-rata bobot ( <

Untuk nilai x dengan kondisi

≤ −

= =( −

: −

)∗(

=( − =−

) ∗ −(

(

)

<


(4.10) :

− −

− )∗( =(

(

)

≤


)

−

− )∗(

=

)

−

<

= =(

)

−

)

− (4.11) ≥

:

=0 = 0 (4.12) Dari Persamaan 4.10, 4.11, 4.12 kemudian di subtitusikan ke rumus update bobot dengan aturan update bobot seperti berikut : <

Untuk nilai x dengan kondisi ( + 1) ←

( )−

( + 1) ←

( )+

( (

) )

( (

≤ (

)

(4.13)

(

)

(4.14)

) )


<


( )+

( + 1) ←

( )−

(

)

(

) (

)

)

(4.15)

(

)

(4.16)

≤

≥


(

)

(


<

≤

≥

:

( ), = 1,2 (4.17)

dengan adalah vektor pewakil dari kelas yang sama dengan vektor masukkan ( = ) dan adalah vektorpewakil dari kelas yang berbeda dengan vektormasukkan dengan nilai similarity terbesar ( ≠ ( ) ) .Proses update padapersamaan diatas (4.13, 4,14, 4.15, 4,16) dilakukan pada .

sedangkan

,

mengikuti pergesearan dari

←

( + 1) −

( )−

( ) (4.18)

←

( + 1) +

( )−

( ) (4.19)

Fungsi Monoton naik yang dipakai pada algoritma ini akan tetap sama denganyang dipakai pada GLVQ standar, yakni menggunakan fungsi sigmoid, sehingga

akan sama seperti pada Persamaan 2.19. Sedangkan nilai laju

pembelajaran yangdigunakan adalah berkisar [0, 1] dan menurun seiring bertambahnya iterasi prosespembelajaran. ( + 1) =

∗ 1−

(4.20)

Sebagai bagian dari karakteristik algoritma GLVQ dimana terlepas dari apakahjaringan saraf benar mengenali vektor masukan maupun tidak, vektor pewakil , keduanya secara simultan akan di-update. Namun pada algoritma ini, selain melakukan penyesuaian , dilakukan penyesuaian tambahan seperti yang dilakukan pada FNGLVQ yaitu proses penyesuaian lebar interval dari fungsikeanggotaan tiap vektor pewakil.


Jika jaringan bisa mengenali dengan benar vektor masukan yang diberikan, maka fungsi keanggotaan akan diperlebar dengan harapan tingkatpengenalan-nya meningkat.Sebaliknya jika jaringan salah mengenali vektor masukan, maka fungsikeanggotaan akan dipersempit dengan harapan tingkat pengenalan terhadapvektor masukan menurun. Kedua langkah diatas hanya akan dilakukan jika nilai > 0 atau > 0. Jika kedua nilai similarity adalah 0, = 0 dan = 0, maka hal ini berarti semua vektor pewakil sama sekali tidak mengenali vektor masukan yang diberikan. Terdapat 2kemungkinan;  

Vektor masukan memang berada diluar distribusi dari kategori yang dikenali, Interval dari fungsi keanggotaan (fuzzy) dari vektor pewakil terlalu sempit,sehingga tingkat pengenalan-nya rendah

Karena ini merupakan proses pelatihan, maka asumsi adalah yang ke2, sehingga untuk membuat jaringan mengenali vektor pewakil, semua interval dari fungsi keanggotaan vektor pewakil diperlebar. Berikut adalah aturan perlebaran/penyempitan fungsi keanggotaan vektor pewakil yang telah dijelaskan pada uraian diatas; Jika > 0 > 0 minimal salah satu dari kedua vektor pewakil men-genali vektor masukan: Jika pengenalan-nya benar ( < 0), maka interval ketidakpastian (fuzzi-ness) dari vektor pewakil diperlebar ←

−(

←

+(

− −

)∗ 1+(

) (4.21)

)∗ 1+(

)

Jika pengenalan-nya benar ( ≥ 0), maka interval ketidakpastian (fuzzi-ness) dari vektor pewakil dipersempit

Disini, nilai

←

−(

←

+(

− −

)∗ 1−(

) (4.22)

)∗ 1−(

)

adalah diantara [0,1]. Pada studi kasus yang dilakukan disini,


dipilih nilai

= 0:00005.

Jika = 0 = 0 yang artinya kedua vektor pewakil tidak mengenali vektor masukan, maka semua fungsi keanggotaan pada semua vektor pewakilpada jaringan diperlebar dengan aturan sebagai berikut ←

−(

←

+(

− −

)∗ 1−(

)

)∗ 1+(

) (4.23)

Disini nilai adalah diantara [0,1]. Pada studi kasus yang dilakukan disini, dipilih nilai = 0:1.

Penerapan FNGLVQ pada Sistem Pengenalan Kelainan Aritmia Algoritma FNGLVQ telah digunakan pada penelitian Pengenalan Kelainan Aritmia. Sesuai dengan penelitian sebelumnya dimana fitur yang digunakan adalah fitur berbasis sinyal EKG, detak jantung akan diklasifikasikan menggunakan FNGLVQ. Hasil dari penggunaan FNGLVQ ternyata menghasilkan akurasi yang lebih baik dibandingkan dengan FNLVQ.

Penerapan FNGLVQ pada Sistem Pengenalan Sleep Stages Algoritma FNGLVQ telah digunakan pada penelitian Sleep Stages. Pada umumnya, untuk mengetahui kualitas tidur seseorang adalah dengan testing menggunakan Polysomnography. Namun, di Indonesia, pelaksanaan testing Plysomnography harganya cukup mahal, sekitar $400 per malam dan hanya bisa dilakukan di rumah sakit karena alat yang diperlukan cukup banyak dan rumit. Oleh karena itu, kita membuat sebuah alat portable berbasiskan sinyal Electrocardiography (ECG) untuk mendeteksi Sleep Stages. Dengan menggunakan beberapa fitur turunan dari sinyal ECG, kita dapat menggunakan algoritma FNGLVQ untuk mengklasifikasi fitur tersebut ke beberapa kelas yang ada. Kelas kelas tersebut terdiri dari 2 grup berbeda, yaitu Non Rapid Eye Movement (NREM) dan Rapid Eye Movement (REM). NREM terdiri dari 4 stages, yaitu NREM stage 1, NREM stage 2, NREM stage 3, NREM stage 4. Algoritma FNGLVQ digunakan untuk mengklasifikasikan fitur-fitur hasil turunan dari EKG yang memiliki karakteristik yang kuat untuk kasus Sleep Stages ini. Hasil dari penggunaan FNGLVQ ini mempunyai akurasi yang lebih tinggi jika dibandingkan dengan GLVQ. 191 TeknikBiomedis : Teori dan Aplikasi

Tabel 6-1 Perbandingan performa FNGLVQ dan GLVQ

6.3.2 Mahalanobis GLVQ Mahalanobis GLVQ adalah salah satu jenis evolusi dari algoritma GLVQ yang dicetuskan oleh Sato dan Yamada (1995). Algoritma ini melakukan modifikasi terhadap proses penghitungan jarak dari vector input terhadap output class. Algoritma GLVQ aslinya menggunakan perhitungan dengan rumus Euclidian Distance dengan rumus : ( , )= ( , )= =

(

−

) +(

(

−

)

−

) +⋯+ (

−

)

Sedangkan dengan Mahalanobis Distance, rumusnya adalah : ( , )=

( − )

( − )

= Keunggalan dari Mahalanobis Distance adalah hasil perhitungannya akan invariant terhadap scaling, sehingga kita dapat membandingkan barisan dari 2 buah pattern yang berbeda. Penggunaan Mahalanobis GLVQ untuk Pendeteksian Kelainan Aritmia Mirip dengan alur penelitian sebelumnya mengenai pengenalan penyakit aritmia berbasis data Electrocardiogram (ECG) dimana kita akan mengklasifikasikan dengan Algoritma berbasis Neural Network. Riset 192 TeknikBiomedis : Teori dan Aplikasi

mengenai Mahanobis GLVQ dilakukan setelah penelitian mengenai klasifikasi menggunakan GLVQ.Hasil yang ditunjukkan oleh Mahalanobis GLVQ lebih memuaskan dibandingkan dengan GLVQ dengan Euclid Distance.Akurasinya bertambah dari 87 % menjadi 92 % tanpa mengubah epoch (jumlah iterasi pembelajaran). Tetapi, untuk data ECG yang banyak mengandung noise, hasil dari Mahalanobis GLVQ akan turun menjadi 67 %. Berikut table perbandingannya dari scenario 1 (data sinyal EKG yang bebas dari noise) dan scenario 2 (data sinyal EKG yang memiliki noise). Berikut hasilnya : Tabel 6-2 Hasil klasifikasi dari kedua skenario

6.3.3 Adaptive FNGLVQ Algoritma Adaptive FNGLVQ merupakan varian dari algoritma FNGLVQ di mana pembaruan nilai bobot diubah sehingga dapat beradaptasi dengan kondisi data.Bila dibandingkan dengan algoritma FNGLVQ standar, versi adaptif dari FNGLVQ memiliki perbedaan pada pembaruan nilai parameter, di mana nilai yang diperbarui tidak hanya untuk parameter mean, melainkan 193 TeknikBiomedis : Teori dan Aplikasi

juga untuk parameter min dan max. Adaptasi pada nilai parameter akandipengaruhi oleh pembelajaran terhadap data yang diberikan kepada algoritma. Berbeda dengan versi standarnya, pada FNGLVQ adaptif tidak dikenal proses mempersempit atau memperlebar fungsi keanggotaan segitiga dengan suatu nilai konstan. Dengan demikian, operasi utama pada FNGLVQ adaptif adalah pergeseran terhadap nilai parameter. Untuk fungsi keanggotaan segitiga, perbedaan utama antara FNGLVQ adaptif dengan pendahulunya adalah saat menghitung nilai

karena nilainya harus

diubah untuk semua parameter min, max, dan mean.Berikut ini adalah penurunan nilai untuk fungsi keanggotaan segi tiga berdasarkan (Sunandar, 2013). Untuk kondisi input wmin<x≤wmean, Penurunan terhadap mean =

=

( − (

) −

(0)(

)−( − − )

− (

( −

=−

=

)

(

)(1)

) −

(

)

− )

(

−

)

Penurunan terhadap min =

=

( − (

) −

(−1)(

− (

=

(

)−( − − ) )−(

− ( =

)

(

− )

− ( −

) )

−


)(−1)

)

Penurunan terhadap nilai max =

=

( − (

) −

(0)(

− (

) )−( − − )

)(0)

=0

Gambar 6.22 Ilustrasi algoritma FNGLVQ Adaptif Segitiga untuk nilai x dengan wmin < x ≤ wmean

Gambar 6.23 Ilustrasi FNGLVQ Adaptif Segitiga untuk nilai x dengan wmean ≤ x < wmax 195 TeknikBiomedis : Teori dan Aplikasi

Penurunan untuk kondisi input wmean<x≤wmax, Untuk nilai mean =

=

( (

− ) −

(0)(

)−(

− ( =

) − )(−1)

−

) )

(

− −

(

− )

(

)

Untuk nilai min =

=

(

(0)(

−

) )−(

− (

− )(0)

−

)

=0 Untuk nilai parameter max =

=

( (

(1)(

=

− − (

(

− ( =

− ) ) )−(

− )(1)

−

) )−(

− )

−

( − ( −


) ) )

Selain perubahan pada nilai parameter, nilai bobot terhadap kondisi input juga harus diperbarui. Berikut ini adalah aturan pergeseran bobot untuk algoritma FNGLVQ adaptif. Nilai x dengan kondisi wmin<x≤wmean Pergeseran nilai Mean: ( + 1) ←

( )−

2

( − (1 − ) (2 − − ) ( −

)

( + 1) ←

( )−

2

( − (1 − ) (2 − − ) ( −

)

)

)

Pergeseran nilai Min ( + 1) ←

( )−

2

( − (1 − ) (2 − − ) ( −

)

( + 1) ←

( )−

2

( − (1 − ) (2 − − ) ( −

)

)

)

Pergeseran nilai Max ( + 1) ←

( )

( + 1) ←

( )

Nilai x dengan kondisi wmean<x≤wmax Pergeseran nilai Mean: ( + 1) ←

( )−

2

( (1 − ) (2 − − ) (

( + 1) ←

( )−

2

( (1 − ) (2 − − ) (

− ) −

) − )

−

)

Pergeseran nilai Max ( + 1) ←

( )−

2

( (1 − ) (2 − − ) (


− ) −

)

( + 1) ←

( )−

2

( (1 − ) (2 − − ) (

− ) −

)

Pergeseran nilai Min ( + 1) ←

( )

( + 1) ←

( )

6.3.4 Adaptive Multicodebook FNGLVQ Untuk beberapa kasus klasifikasi, terkadang berbagai varian dari algoritma LVQ mengalami permasalahan dalam melakukan clustering. Salah satu penyebabnya adalah bila terdapat data mengenai fitur yang sama namun memiliki beberapa cluster tersendiri. Jika dilakukan teknik klasifikasi biasa, maka hal ini akan menyebabkan kesalahan dalam proses klasifikasi. Untuk itu, salah satu teknik yang digunakan dalam mengatasi masalah ini adalah dengan memperkenalkan teknik multi codebook pada algoritma klasifikasi LVQ.Adaptive Multicodebook FNGLVQ merupakan versi multicodebook dari algoritma FNGLVQ.

Gambar 6.24 Karakteristik data yang overlapping pada data tahapan tidur (Hermawan, 2013) Algoritma Adaptive Multicodebook FNGLVQ pertama kali diperkenalkan oleh Hermawan (Hermawan, 2013) dengan tujuan melakukan pengenalan terhadap tahapan tidur. Hal ini disebabkan oleh sulitnya melakukan klasifikasi terhadap data tahapan tidur karena karakteristik antar fitur yang tersedia di setiap kelas saling tumpang tindih. Permasalahan 198 TeknikBiomedis : Teori dan Aplikasi

representasi data ini dapat dilihat pada Gambar 6.24. Selain itu, sulitnya melakukan klasifikasi data juga dipengaruhi oleh distribusi data yang sangat menyebar. Penggunaan multicodebook ini juga didasari oleh penelitian sebelumnya oleh M Iqbal Tawakal yang menggunakan teknik multicodebook dalam penelitian untuk melakukan pengenalan tahapan tidur sebelumnya pada algoritma GLVQ. Hal ini dilakukan karena tidak seimbangnya data tahapan tidur untuk kelas yang berbeda. Pada algoritma Adaptive Multicodebook FNGLVQ ini, salah satu tahap yang terpenting adalah pembentukan codebook atau reference vector. Kualitas codebook akan menentukan akurasi terhadap pengenalan dari algoritma. Pada tulisan ini dibahas pembentukan codebook menggunakan clustering, di mana nantinya jumlah codebook ditentukan oleh jumlah cluster yang dibentuk. Di antara sekian banyak metode clustering yang tersedia, pada penelitiannya, Hermawan menggunakan teknik clustering tree (CLTree) karena tidak diperlukan inisialisasi jumlah cluster awal pada inisialisasi algoritma. Karena teknik CLTree ini merupakan algoritma klasifikasi, maka agar data dapat dipisah, Bing Liu mengusulkan agar ada suatu “non-existing data” yang ditambahkan pada data awal secara uniform agar klasifikasi dapat dilakukan. Dengan adanya penambahan ini, maka permasalahan yang ingin diselesaikan oleh CLTree adalah pemisahan antara data dari kelas y (data sebenarnya) dengan data dari kelas n (data buatan). Proses penambahan “non-existing data” yang dilanjutkan dengan proses clustering menggunakan CLTree dapat dilihat pada gambar berikut.

Gambar 6.25 Proses penambahan data non-exist dan dilanjutkan dengan clustering pada CLTree Secara garis besar terdapat tiga tahapan utama dalam menentukan cluster menggunakan CLTree yang disarankan oleh Bing Liu (Bing Liu et al, 2000), yaitu Decision Tree Construction, Pruning, dan Cluster Decision. Pada tahap Decision Tree Construction, setiap data dipisah atau dipotong secara 199 TeknikBiomedis : Teori dan Aplikasi

iteratif menggunakan fungsi purity look ahead gain criterion. Fungsi purity ini menggunakan information gain untuk mementukan posisi pemotongan terbaik dengan persamaan seperti berikut Gain( , ) = entropi( ) −

entropi( )

Berdasarkan Hermawan (Hermawan et al., 2013), terdapat tiga langkah utama dapat cluster tree construction, yaitu: 1.

Menentukan pemotongan awal Gunakan information gain untuk menentukan nilai pemotongan pada setiap dimensi 2. Melakukan pencarian terhadap pemotongan yang lebih baik Bila suatu nilai pemotongan terbaik telah dihitung, proses dilanjutkan dengan menghitung nilai pemotongan yang lebih baik lagi. Nilai yang lebih baik ini dihitung berdasarkan kriteria yang disebut sebagai densitas relatif. Bila terdapat suatu area a, maka nilai densitas relatif pada area tersebut dihitung dengan membagi jumlah data berlabel y dengan jumlah data berlabel n pada area tersebut. 3. Memilih pemotongan terbaik overall Nilai pemotongan terbaik ditentukan dengan membandingkan nilai densitas relatif antar dimensi. Untuk setiap fase, pemotongan terbaik yang dipilih adalah pemotongan dengan nilai densitas relatif terkecil. Setelah Decision Tree terbentuk, proses dilakukan dengan melakukan pruning agak menghasilkan cluster yang sesuai sekaligus menghindari terjadinya overfitting. Kriteria pruning ditentukan oleh suatu batas minimum anggota dan batas minimum tingkat densitas relatif yang tersedia di suatu cluster. Pemotongan dilakukan terhadap leaf yang memiliki nilai yang dibawah jumlah minimum untuk kelas y namun memiliki nilai densitas relatif yang lebih besar dari nilai densitas relatif minimum yang sudah ditentukan. Secara umum, penentuan jumlah cluster menggunakan CLTree diilustrasikan melalui gambar berikut.


Gambar 6.26 Proses pembuatan cluster (Hermawan, 2013) Setelah semua cluster berhasil diperoleh, langkah selanjutnya adalah proses pembentukan reference vector atau codebook. Sama seperti algoritma FNGLVQ, reference vector direpresentasikan dengan fungsi keanggotakan segitiga dimana nilai minimum, rata-rata, dan maksimum ditentukan oleh nilai dari distribusi data yang dimiliki oleh setiap cluster. Proses pembentukan cluster dapat dilihat pada gambar berikut.

Gambar 6.27 Ilustrasi penentuan codebook (Hermawan, 2013) Proses pembentukan cluster menggunakan teknik yang diuraikan di atas menyebabkan jumlah reference vector yang berbeda-beda untuk setiap kelas pada proses pengenalan algoritma. Dengan teknik ini, pengenalan data yang memiliki distribusi data tersebar akan lebih mudah dilakukan.


Bila dibandingkan dengan algoritma FNGLVQ terdahulu, versi adaptive multicodebook juga memiliki perbedaan arsitektur di mana semua cluster dari fitur yang sama dikelompokkan menjadi satu pada cluster layer. Berdasarkan Hermawan (Hermawan, 2013), perhitungan nilai similaritas setiap fitur dilakukan dengan menghitung derajat keanggotaan setiap fitur (Xi) terhadap fungsi keanggotaan (hicj(x)) sebagai berikut =ℎ

( )

dimana i menyatakan fitur ke-i, c menyatakan vektor pewakil ke-c, dan j menyatakan vektor pewakil kategori ke-j.

Gambar 6.28 Ilustrasi perhitungan derajat keanggotaan crisp data (Hermawan, 2013) Proses perhitungan nilai derajat keanggotaan dapat dilihat pada gambar di atas. Untuk menentukan pemenang, dilakukan perhitungan similarity maksimum yang diperoleh dari rata-rata nilai similarity yang dipropagasi dari layer cluster ke layer output (Hermawan, 2013). Nilai rata-rata similarity dihitung sebagai berikut =

1

Perhitungan pemenang dihitung melalui persamaan berikut = max ( ) Skema perhitungan algoritma Adaptive Multicodebook FNGLVQ dapat dilihat pada gambar di bawah ini.


Gambar 6.29 Ilustrasi algoritma FNGLVQ adaptif menggunakan multicodebook (Hermawan, 2013) Berikut ini adalah proses pembaruan pada algoritma Adaptive Multicodebook FNGLVQ berdasarkan Hermawan (Hermawan, 2013). Pembaruan untuk pemenang pertama (wp) Kondisi 1: jika

> 0 dan

=0

Bila nilai x berada pada rentang

<

≤

Pembaruan nilai mean ( + 1) ←

( )−

2(1 − ) ( (2 − − )

Pembaruan nilai min


−

) −

( + 1) ←

( )−

2(1 − ) ( (2 − − )

−

) −

Tidak ada perubahan pada nilai max. Bila nilai x berada pada rentang

<

≤

Pembaruan terhadap nilai mean ( + 1) ←

( )+

2(1 − ) ( (2 − − )

−

)

−

Tidak terdapat perubahan pada nilai min. Pembaruan terhadap nilai max ( + 1) ← Kondisi 2: jika

( )+

= 0 dan

2(1 − ) ( (2 − − )

−

) −

>0

Bila nilai x berada pada rentang

<

≤

Pembaruan untuk nilai mean ( + 1) ←

( )−

2(1 − ) ( (2 − − )

−

) −

Pembaruan nilai min ( + 1) ←

( )−

2(1 − ) ( (2 − − )

−

) −


<

≤


( )+

2(1 − ) ( (2 − − )


− −

)

Tidak terdapat perubahan pada nilai min. Pembaruan terhadap nilai max ( + 1) ← Kondisi 3: jika

> 0 dan

( )+

2(1 − ) ( (2 − − )

−

) −

>0

Untuk menentukan aturan pembaruan pada kondisi ini, perlu dilihat nilai similarity terbesar antara c1 atau c2. Jika nilai similarity dari c1 lebih besar, maka aturan pembaruan adalah sebagai berikut. Bila nilai x berada pada rentang

<

<


( )−

2(1 − ) ( (2 − − )

−

) −


( )−

2(1 − ) ( (2 − − )

−

) −


<

<


( )+

2(1 − ) ( (2 − − )

−

)

−

Tidak terdapat perubahan pada nilai min. Pembaruan terhadap nilai max ( + 1) ←

( )+

2(1 − ) ( (2 − − )

−

) −

Jika nilai similarity c2 lebih besar, pembaruan akan mengikuti aturan berikut 205 TeknikBiomedis : Teori dan Aplikasi

<

Bila nilai

≤

Pembaruan nilai mean adalah sebagai berikut ( + 1) ←

( )−

2(1 − ) ( (2 − − )

−

) −

Pembaruan nilai min 2(1 − ) ( (2 − − )

( )−

( + 1) ←

−

) −

Tidak ada perubahan pada nilai max. <

Bila nilai

<


( )+

2(1 − ) ( (2 − − )

−

)

−

Tidak terdapat perubahan pada nilai min. Pembaruan terhadap nilai max ( + 1) ← = 0 dan

Kondisi 4: jika

2(1 − ) ( (2 − − )

( )+ =0

( + 1) ←

Pembaruan untuk pemenang kedua (wr) Kondisi 1: jika Bila nilai

> 0 dan <

=0

≤

Pembaruan nilai mean adalah sebagai berikut


( )

−

) −

( + 1) ←

( )+

2(1 − ) ( (2 − − )

−

) −


( )+

2(1 − ) ( (2 − − )

−

) −

Tidak ada perubahan pada nilai max. <

Bila nilai

<


( )−

2(1 − ) ( (2 − − )

−

)

−

Tidak ada pembaruan pada nilai min Pembaruan terhadap nilai max ( + 1) ← Kondisi 2: jika Bila nilai

( )−

= 0 dan <

2(1 − ) ( (2 − − )

−

) −

>0

≤

Perhitungan nilai mean ( + 1) ←

( )+

2(1 − ) ( (2 − − )

−

) −


( )+

2(1 − ) ( (2 − − )

Tidak ada perubahan pada nilai max. Bila nilai

<

≤


−

) −


( )−

2(1 − ) ( (2 − − )

−

)

−

Tidak ada pembaruan pada nilai min Pembaruan terhadap nilai max ( + 1) ←

( )−

> 0 dan

Kondisi 3: jika

2(1 − ) ( (2 − − )

−

) −

>0

Jika nilai similarity terbesar adalah c1, maka maka aturan pembaruannya dijelaskan sebagai berikut. Bila nilai

<

≤


( )+

2(1 − ) ( (2 − − )

−

) −


( )+

2(1 − ) ( (2 − − )

−

) −

Tidak ada perubahan pada nilai max. Bila nilai

<

≤


( )−

2(1 − ) ( (2 − − )

Tidak ada pembaruan pada nilai min Pembaruan terhadap nilai max 208 TeknikBiomedis : Teori dan Aplikasi

− −

)

( + 1) ←

2(1 − ) ( (2 − − )

( )−

−

) −

Bila nilai similarity terbesar dimiliki oleh c2, maka aturan pembaruannya dijelaskan sebagai berikut. <

Bila nilai

≤


( )+

2(1 − ) ( (2 − − )

−

) −


2(1 − ) ( (2 − − )

( )+

−

) −

Tidak ada perubahan pada nilai max. Bila

<

≤


( )−

2(1 − ) ( (2 − − )

−

)

−

Tidak ada pembaruan pada nilai min Pembaruan terhadap nilai max ( + 1) ← Kondisi 4: Bila

2(1 − ) ( (2 − − )

( )−

= 0 dan

=0 ( + 1) ←


( )

−

) −

6.4 Adaboost Adaboost merupakan suatu metode ensembles multi classifier yang untuk mendapatkan classifier baru (kolektif) yang memiliki performa lebih bagus, dengan prinsip boosting. Classifier – classifier yang digabungkan tadi biasanya disebut weak classifier. Pada umunya weak classifier yang digunakan adalah classifier sesederhana mungkin, seperti fungsi thresholding, ataupun Naïve Bayes. Bossting sendiri adalah prinsip men-generate banyak classifier yang nantinya akan dilakukan penggabungan baik melalui voting, maupun averaging. Prinsip-prinsip boosting adalah sebagai berikut : (i) Generate sejumlah m classifier (ii) Generate training set untuk setiap classifier (secara random diambil dari dataset) (iii) Lakukan training dan testing untuk setiap classifier (iv) Lakukan penggabugan (ensembles) dari semua classifier Selanjutnya, metode boosting dikembangkan lagi menjadi algoritma yang lebih adaptif, dikenal sebagai Adaboost. Adaboost dipopulerkan oleh Viola, Jones, untuk seleksi fitur sekaligus klasifikasi objek/gambar wajah dalam suatu citra (Paul Viola, 2001). Selanjutnya, metode ini juga dioptimasi dengan algoritma Particle Swarm Optimization (PSO) untuk meningkatkan akurasi klasifikasi (Ammar, Mohammed et al., 2009). Ide dari algoritma Adaboost adalah memilih weak classifier / fitur dalam setiap iterasi yang memiliki error paling kecil. Pertama kali semua data sampel diberi bobot yang sama, baik sampel positif maupun negatif. Selanjutnya, untuk setiap fitur, dibuat satu weak classifier. Setiap weak classifier tersebut di-training dan diuji coba (testing). Selanjutnya dipilih satu classifier dengan error paling kecil. Selanjutnya dilakukan update bobot. Sampel yang diklasifikasikan ke kelas yang benar, bobotnya diperkecil, sedangkan sampel-sampel yang dilkasifikasikan ke kelas yang salah bobotnya diperbesar. Hal ini adalah salah satu ide utama Adaboost. Dengan prinsip ini, pada iterasi selanjutnya, classifier akan dbentuk selanjutnya akan difokuskan untuk membedakan sampel-sample yang salah klasifikasi saja. Selanjutnya, classifier-classifier yang telah terbentuk akan digabungkan (ensemble) sebagai satu strong classifier.


Pada Gambar 6.30 diilustrasikan langkah-langkah algoritma Adaboost. Misalnya kita memiliki dataset yang sudah dianotasi dengan label kelas (+) dan (-) seperti pada gambar (a). Pada iterasi pertama Adaboost akan membuat suatu threshold dengan eror paling kecil seperti gambar (b). Selanjutnya, akan dilakukan update bobot sampel. Sampel yang diklasifikasikan ke kelas yang benar, bobotnya akan semakin kecil. Sampel yang diklasifikasikan ke kelas yang salah bobotnya akan diperbesar, seperti yang diilustrasikan gambar (c). Hal ini dilakukan terus menerus pada iterasi selanjutnya. Misalnya pada iterasi kedua dilakukan pemilihan threshold lagi, yang memiliki error paling kecil, seperti pada gambar (d). Selanjutnya, akan dilakukan update bobot seperti iterasi sebelumnya, yang ditunjukkan oleh gambar (e). Setelah melalui seluruh iterasi, hasil akhir seperti ditunjukkan oleh gambar (f).

(a)

(b)

(c)

(d) (e) (f) Gambar 6.30 Ilustrasi Cara Kerja Adaboost (Paul Viola, 2001)


Secara iterative, algoritma Adaboost dapat dituliskan dengan tahapantahapan berikut (Paul Viola, 2001). 1.

Diberikan suatu dataset (sample) : (x1, y1), (x2, y2), (x3, y3), … , (xN,yN), dimana y = {0, 1}

2. Inisialisasikan bobot mana

,

=

,

= 0,1 berturut-turut, di

untuk

dan adalah jumlah sampel negatif dan positif berturut-turut.

3. Untuk setiap iterasi t = 1 sampai T, lakukan proses berikut : 3.1

Lakukan training pada setial weak classifier hj(x)

3.2

Lakukan evaluasi setiap kandidat classifier lemah tersebut, dengan menghitung errornya : |ℎ ( ) −

=

|

=1

3.3 3.4

Pilih kandidat weak classifier lemah dengan error yang paling sedikit. Lakukan update bobot =

+1,

,

1−

Dimana bi = 0 jika h(xi)=yi, jika tidak nilai bi = 1 dan =

1−

4. Hasil klasifier akhirnya adalah: 1 ℎ( ) = 0

ℎ( )≥ ℎ

Dimana =


1

1 2

Daftar Pustaka Endjun, J. J. (2009). Ultrasonografi Dasar Obstetri dan Ginekologi Gizi. Jakarta: Fakultas Kedokteran Universitas Indonesia. Pribadi, A., Mose, J. C., & Wirakusumah, F. F. (2011). Ultrasonografi Obstetri dan Ginekologi. Jakarta: Sagung Seto. Sadler, T. W. (2006). Langman's Medical Embriology, 10th Ed. USA: Lippincott Wiliams & Wilkins. Satwika, I. P., Tawakal, M. I., Imaduddin, Z., & Jatmiko, W. (2012). Efficient Incomplete Ellipse Detection based on Minor Axis for Ultrasound Fetal Head Approximation. ICACSIS (pp. 203-207). Jakarta: Faculty of Computer Science, Universitas Indonesia. Yu, Y., & Acton, S. T. (2002). Speckle Reducing Anosotropic Diffusion. IEEE Transaction on Image Processing , 1260-1270. Satwika, I. P. (2013). Deteksi dan aproksimasi elips pada pengukuran kepala janin menggunakan particle swarm optimization berbasis randomized hough transform dua dimensi. Jakarta: Tesis Magister Ilmu Komputer, Universitas Indonesia. Hermawan, I. (2013). Pengembangan Algoritma Adaptive Multi Codebook Fuzzy Neuro Generalized Learning Vector Quantization (FNGLVQ) Studi Kasus Klasifikasi Tahapan Tidur. Jakarta: Tesis Magister Ilmu Komputer, Universitas Indonesia. Hermawan, I., Habibie, I,. Setiawan, I. , Jatmiko, W. (2013). Adaptive Multi Codebook Fuzzy Neuro Generalized Learning Vector Quantization for Sleep Stages Classification. ICACSIS. Jakarta: Faculty of Computer Science, Universitas Indonesia. Xie, Y., Ji, Q. (2002). A new efficient ellipse detection method. Pattern Recognition Proceedings. 16th International Conference on. Bing Liu, Yiyuan Xia, and Philip S. Yuan (2000). "Clustering Via Decision Tree Constuction," in ACM Press, pp. 20-29. 213 TeknikBiomedis : Teori dan Aplikasi

Zaki, Imaduddin (2013). “Deteksi dan Pengukuran Biometri Janin Menggunakan AdaBoost Classifier dan Randomized Hough Transform”. Universitas Indonesia. Daugman, J.G. (Jul 1988). "Complete discrete 2-D Gabor transforms by neural networks for image analysis and compression," Acoustics, Speech and Signal Processing, IEEE Transactions on, vol.36, no.7, pp.1169,1179, doi: 10.1109/29.1644. Paul Viola, Michael Jones (2001). “Rapid Object Detection using a Boosted Cascade of Simple Features “. Conference on Computer Vision and Pattern Recognition (CVPR), pp. 511-518. Shengcai Liao, Xiangxin Zhu, Zhen Lei, Lun Zhang and Stan Z. Li (2007). “Learning Multi-scale Block Local Binary Patterns for Face Recognition”. International Conference on Biometrics (ICB), pp. 828-837. H.Bay, A.Ess, T.Tuytelaars and L.Van Gool. (2006). “SURF: Speeded Up Robust Features“. ECCV, 1:404-417. Y.Freund and R.E.Schapire (1996). “Experiments with a New Boosting Algorithm”. Proceedings of International Conference on Machine Learning, 148-156. Ammar, Mohammed et Al. (2009). “Particle Swarm Optimization Based Adaboost for Face Detection”. Proceeding of IEEE Congress on Evolutionary Computation (CEC). Pp:2494-2501. Ma'sum, Muhammad Anwar. (2013). Prototype Sistem Terintegrasi Pendeteksian Dini dan Monitoring Penyakit Jantung Berbasis Sinyal Elektrokardiogram. Jakarta: Skripsi Sarjana Ilmu Komputer, Universitas Indonesia. Rahmatullah, Robeth. (2013). Pengembangan Sistem Telehealth Pertumbuhan Janin (TERRAIN) Berbasiskan Deteksi Elips pada Citra Kepala Janin Ultrasonografi Dua Dimensi. Jakarta: Skripsi Sarjana Ilmu Komputer, Universitas Indonesia. John D. Enderle and Joseph D. Bronzino. (2012). Introduction to Biomedical Engineering Third Edition. Oxford: Academic Press Elsevier Inc. 214 TeknikBiomedis : Teori dan Aplikasi

Bronzino, Joseph D. (2000). The Biomedical Engineering HandBook, Second Edition. Boca Raton: CRC Press LCC. Enderle, John D. (2006). Bioinstrumentation. Morgan & Claypool Publishers. Al-Sirjani, Raghib. (2011). Sumbangan Peradaban Islam pada Dunia. Jakarta : Pustaka Al-Kautsar. Nebeker, Frederik. (2002). Golden Accomplishments in Biomedical Engineering. Piscataway: IEEE History Center. "The Nobel Prize in Physics 1901 - Perspectives". Nobelprize.org. Nobel Media AB 2013. Web. 6 Nov 2013. "The Nobel Prize in Physics 1901 - Speed Read". Nobelprize.org. Nobel Media AB 2013. Web. 6 Nov 2013. "Willem Einthoven - Biographical". Nobelprize.org. Nobel Media AB 2013. Web. 6Nov 2013. "A Gallery of Electromagnetic Personalities 4...". ee.umd.edu. Web. 6Nov 2013. < http://www.ee.umd.edu/~taylor/frame4.htm> "James Clerk Maxwell (1831-1879)" . magnet.fsu.edu. National High Magnetic Field Laboratory. Web. 6Nov 2013. "Heinrich Hertz (1857-1894)". magnet.fsu.edu. National High Magnetic Field Laboratory. Web. 6Nov 2013. "Electroencephalogram Lab". csulb.edu. Web. 6Nov 2013.


Nama

:

TTL Pekerjaan Institusi

: : :

Email Interest Quote

: : :

Nama TTL Pekerjaan Institusi

: : : :

Email Interest

: :

Quote

:

Nama

:


: : :

Email Quote

: :

Dr. Eng. Wisnu Jatmiko, S.T., M.Kom. Surabaya, 16 Desember 1973 Dosen / Staf Akademis Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Robotika, Embedded System “Tidak ada tanggal merah di kalender saya, 247 merupakan angka terbaik setiap minggunya”

Dr. Petrus Mursanto Surakarta, 25 Juni 1967 Dosen / Staf Akademis Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Hardware, Arsitektur Komputer, Enterprise Computing -

Anom Bowolaksono S.Si., MSc., Ph.D Jakarta, 1 Juni 1974 Dosen / Staf Akademis Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia [email protected] -


Nama TTL Pekerjaan Institusi Email Quote

: : : : : :


: : : :

Email Interest

: :

Quote

:

Nama TTL Pekerjaan Institusi Email Interest Quote

dr. Budi Wiweko SpOG(K) Jakarta, 15 Agustus 1971 Dokter Klinik Yasmin RSCM [email protected] -

M. Ali Akbar, S.Si, M.Kom Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Machine learning, Embedded System, and Computational Intelligence “Apa yang akan menimpamu tidak akan pernah lepas dari mu, Apa yang akan lepas dari mu tidak akan pernah menimpamu” : : : :

I Putu Satwika, S.Kom Klungkung, 1 Agustus 1989 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia : [email protected] : Artificial Intelligence, Evolutionary Computing, Image Processing : “Dengan kesungguhan, maka orang akan berhasil, ini hanya masalah waktu”



: : : :

Email Interest

: :

Quote

:


: : : :

Email Interest Quote

: : :


: : : :

Email Interest

: :

Quote

:

Zaki Imaduddin, ST Jakarta, 26 Agustus 1983 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Image Processing, Robotics, Web Design “Beramal dengan Ilmu, Perbuatan dan Materi”

M Sakti Alvissalim, S. Kom Brebes, 01 Oktober 1989 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Robotics, Machine Learning “Everything's Learnable”


Ikhsanul Habibie, S.Kom Padang, 4 Mei 1990 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Theoretical Computer Science, Artificial Intelligence -


: : : :

Email Interest

: :

Quote

:

Nama

:


: : :

Email Interest

: :

Quote

:


Muhammad Anwar Ma'sum, S.Kom Nganjuk, 21 November 1990 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Robotics, Embedded Systems, Machine Learning "Nothing is Imposible"

Muhammad Nanda Kurniawan, S.Kom Depok, 22 Februari 1989 Research Assistant Fakultas Ilmu Komputer, Universitas Indonesia [email protected] Robotics, Embedded Systems, Computer Vision "When someone ask: what if you fail? I answer: I just need to believe!"


Seluruh isi buku dan sampul merupakan hak cipta Fakultas Ilmu Komputer Universitas Indonesia. Teknik Biomedis: Teori dan Implementasi

Recommend Documents