Klasifikasi Sinyal Elektrokardiografi Menggunakan Wavelet Transform Dan Neural Network
|
|
- Sri Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 136 Klasifikasi Sinyal Elektrokardiografi Menggunakan Wavelet Transform Dan Neural Network Fuad Lutfi*, Achmad Arifin Jurusan Teknik Elektro, ITS Surabaya Phone : (62 31) , Fax : (62 31) * fuad.lutfi10@mhs.ee.its.ac.id Abstrak-Elektrokardiografi (EKG) merupakan metode yang umum digunakan untuk mengukur kinerja jantung manusia melalui aktivitas elektrik jantung. Pada penelitian ini telah direalisasikan sebuah sistem yang mampu menganalisis dan mengklasi-fikasikan kelainan sinyal EKG. Continuous Wavelet Transform (CWT) dengan fungsi Morlet digunakan untuk mengeksplorasi karakteristik time-frequency sinyal EKG. Klasifikasi sinyal EKG dilakukan dengan Artificial Neural Network (ANN) metode algoritma backpropagation. Konfigurasi ANN adalah neuron pada lapisan masukan, 50 neuron pada lapisan tersembunyi, dan 3 neuron pada lapisan keluaran. Sinyal EKG yang digunakan diambil dari database MIT-BIH Arrhythmia, termasuk sinyal denyut normal dan sinyal denyut bundle branch blok (BBB). Hasil komputasi CWT menunjukkan perbedaan karakteristik time-frequency yang signifikan antara sinyal normal dan sinyal BBB. Dalam pengujian kinerja klasifikasi ANN dengan data yang sebelumnya telah dilatih (sejumlah 25 data untuk 3 kelas : normal, left bundle branch block, right bundle branch block), masing-masing kelas 100% dikenali. Pengujian dengan data yang belum dilatih, ANN mengenali data dengan akurasi 87,04%. Dalam pengujian dengan validasi silang, ANN menunjukkan kinerja yang baik dengan sensitivitas 87% dan spesifisitas 95%. Hasil pengujian menunjukkan efektivitas pengenalan pola sinyal EKG menggunakan CWT dan ANN. Oleh karena itu, metode yang diusulkan ini diharapkan dapat diwujudkan dalam pengembangan Sistem Cerdas Diagnosa Jantung untuk aplikasi klinis.. Kata Kunci: Electrocardiografi (EKG), MIT-BIH Arrhythmia database, Continuous Wavelet Transform (CWT), Artificial Neural Network (ANN), Sistem Cerdas Diagnosa Jantung. 1. PENDAHULUAN Gejala abnormalitas pada jantung seringkali datang secara tiba-tiba. Untuk itu, pengenalan secara dini terhadap penyakit jantung dengan prosedur dan penanganan lanjutan dapat mencegah peningkatan resiko fatal dari serangan jantung. Informasi seputar kerja jantung dapat diperoleh melalui prinsip kelistrikan pada jantung menggunakan sebuah instrumen medis yang disebut Electrocardiograf (EKG). Seperti yang ditunjukkan pada gambar 1, EKG terdiri dari tiga gelombang dasar : P, QRS, dan T. Gambar 1. Komponen Sinyal EKG normal Gelombang ini sesuai dengan medan jauh yang disebabkan oleh fenomena listrik spesifik pada permukaan jantung, yaitu depolarisasi atrium, P, depolarisasi ventrikel, QRS kompleks, dan repolarisasi ventrikel, T. Sinyal biomedik pada umumnya adalah sinyal nonstasioner. Sinyal elektrik jantung termasuk sinyal biomedik yang nonstationer, dimana sinyal ini mempunyai karakteristik waktu-frekuensi yang sangat kompleks[1], hal ini dikarenakan sifat sinyal nonstationer yang memiliki perubahan frekuensi di setiap waktu. Dengan cara ini maka deteksi bentuk sinyal dan durasi yang memisahkan mereka dapat dilakukan dengan lebih teliti. Ketidaknormalan sinyal EKG dapat diketahui dari berkurang atau berlebihnya durasi waktu dan frekuensi sinyal normal yang telah ditentukan oleh ahli kardiovaskular. Ada banyak metode yang dapat digunakan dalam menganalisa sinyal elektrik jantung berdasarkan timefrequency, beberapa metode yang terkenal adalah wigner-ville distribution (WVD), transformasi fourier (TF), Short Time Fourier Transform (STFT), dan wavelet transform (WT). Pada penelitian sebelumnya telah ditunjukkan bahwa FFT dapat menginformasikan frekuensi yang berharga. Akan tetapi, FFT tidak mempertimbangkan waktu [2]. Pada perkembangan selanjutnya, TF berkembang menjadi Short Time Fourier Transform (STFT) yang dibuat secara terpotong-potong berdasarkan window yang telah ditentukan dan berpengaruh pada resolusi timefrequency yang mampu dianalisa. Apabila panjang window waktunya sempit, maka resolusi frekuensinya buruk. Sebaliknya, apabila panjang window waktunya lebar maka resolusi waktunya buruk. Metode alternatif yang telah berkembang hingga sekarang adalah menggunakan wavelet transform (WT) [3].
2 137 WT merupakan suatu multiresolution analysis yang dapat merepresentasikan informasi waktu dan frekuensi sinyal elektrik jantung dengan penggunaan modulasi window yang fleksibel. WT sangat baik dalam menganalisa time-frequency untuk sinyal yang non-stationer [3]. Teknik yang digunakan dalam WT adalah pada menyempit dan melebarnya fungsi mother wavelet yang merupakan fungsi basis yang akan dikonvolusikan terhadap sinyal yang akan diekstrak. Salah satu jenis metode WT yaitu Continuous wavelet transform (CWT) yang memiliki kemampuan analisa spectral lebih tepat dari sinyal yang nonstationer. Hasil studi di literatur telah menunjukkan bahwa WT adalah metode yang paling menjanjikan untuk mengekstrak fitur yang mencirikan perilaku dari sinyal EKG [4]. Hasil ekstraksi parameter-parameter karakteristik sinyal EKG pada domain time-frequency ini mempunyai tingkat variabilitas yang sangat tinggi. Suatu sinyal EKG dapat menampilkan interval waktu dan frekuensi yang berbeda-beda maka akan menghasilkan pola sinyal yang berbeda-beda pula. Untuk membedakan antara sinyal kondisi normal dan abnormal maka diperlukan suatu classifier guna mendapat klasifikasi terbaik pola sinyal. Salah satu cara yang paling handal dalam pengenalan pola adalah artificial neural network (ANN) [5]. ANN mampu menyelesaikan persoalan rumit yang sulit atau bahkan tidak mungkin jika diselesaikan dengan menggunakan komputasi konvensional. ANN merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. ANN mampu melakukan pengenalan kegiatan berbasis data masa lalu yang akan dipelajari sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Peneliti sebelumnya telah efisien meng-gunakan ANN untuk mendeteksi dan mengklasi-fikasikan sinyal EKG seperti yang dilakukan oleh [6][7], namun tidak menggunakan isyarat EKG domain frekuensi serta ukuran jaringan yang digunakan cukup besar sehingga membutuhkan waktu untuk pelatihan dan pengujian sistem. Oleh karena itu, performansi pengklasifikasian ANN sinyal EKG harus dikelola menjadi lebih sensitif dan dapat lebih teliti dalam menganalisa kelainan yang muncul dari karakteristik sinyal EKG. Salah satu jenis ANN yang mampu memberikan unjuk kerja yang bagus adalah ANN dengan pembelajaran Backpropagation[7]. Dengan peningkatan performansi klasifikasi ANN Backpropagation akan diperoleh pengklasifikasi terbaik berbasis pada model saraf biologis manusia sehingga komputer dapat menduplikasi kecerdasan manusia dan diharapkan akan memberikan kemudahan bagi analis medis di lapangan dengan menghadirkan data analisa hasil komputasi yang lebih objektif pada saat subyektifitas analis menjadi dominan. Analisa sinyal EKG adalah variasi besar dalam bentuk gelombang morfologi EKG yang memiliki kompleksitas dan bersifat nonstationer. Kami mengatasi masalah kinerja pengklasifikasi dengan menggunakan kombinasi CWT dalam rangka mempersiapkan data masukan yang lebih efektif untuk pengklasifikasi neural network, yang menyebabkan hasil klasifikasi yang lebih baik. 2. METODE Skema yang dirancang dari algoritma dalam penelitian ini untuk klasifikasi denyut EKG ditunjukkan pada Gambar 2. Tahap pertama adalah tahap pengolahan data yaitu pemilihan sample data, segmentasi data, dan akhirnya ekstraksi fitur. Tahap berikutnya adalah klasifikasi denyut EKG, yang merupakan tujuan utama dari penelitian ini Pengambilan Data Data dari sinyal EKG yang digunakan dalam penelitian ini diambil dari database sinyal EKG MIT- BIH Arrhythmia, 10 file dengan panjang waktu 1 menit dan sample frequency 360 Hz, sinyal denyut normal dan dua jenis denyut aritmia yang berbeda. Semua file yang dipilih dilakukan segmentasi 6 detik sehingga didapat 100 sampel data percobaan, Tabel 1 menunjukkan jenis file dan klasifikasinya. Untuk tulisan ini, jenis aritmia yang dipilih adalah right bundle branch block (RBBB) dan left bundle branch block (LBBB). Persiapan Data Klasifikasi Data Pengumpulan Data Segmentasi Data Sinyal EKG Komputasi Ekstraksi Fitur CWT ANN Backpropagation Class1 Class2 Class3 Gambar 2. Blok Diagram Penelitian Tabel 1. File dan klasifikasinya dari database MIT-BIH Class Records Jumlah File Normal RBBB LBBB
3 Komputasi CWT CWT merupakan pengkonvolusian sinyal x(t) dengan sebuah fungsi window yang dapat berubah disetiap waktu pada skala yang diinginkan. CWT dapat direpresentasikan ke dalam persamaan (1). Dimana a adalah faktor skala dengan nilainya berbanding terbalik dengan frekuensi, b adalah lokasi waktu, ψ adalah fungsi mother wavelet, * adalah fungsi matematis konjungat kompleks. Mother wavelet yang digunakan dalam penelitian ini adalah morlet. Morlet merupakan fungsi Gaussian yang termodulasi oleh eksponential komplek, fungsi mother wavelet morlet ditunjukan dalam persamaan (2), dengan nilai ω 0 =2π (0.849) [7]. Morlet memiliki bagian real dan imaginary. ψ 2 t 1 2 jω0t ( t) e e morlet 4 (1) = (2) π Dalam menghitung CWT sinyal EKG, diperlukan berbagai skala tertentu, yang cocok dan tepat untuk ekstraksi fitur. Dengan s = maka diperoleh nilai mother wavelet (ψ Re dan ψ im ) yang kemudian dikalikan dengan amplitudo sinyal x(t).perkalian dilakukan pada semua waktu kemudian dijumlahkan (diintegralkan). Hasilnya dikalikan dengan 1/, sehingga diperoleh nilai CWT real dan CWT imajiner yang dapat dihitung magnitudonya dengan persamaan 3. (3) Dalam penelitian ini, analisis menunjukkan bahwa komputasi CWT dalam kisaran skala s = 0.001, dapat menyebabkan analisis yang lengkap dan berguna. Karena dalam rentang ini, baik noise dari sinyal dan efek perbedaan morfologis dapat dianalisis dan fitur diekstrak akan berguna untuk klasifikasi dari sinyal yang diteliti. Hasil CWT merupakan fitur matriks berukuran 100x200, selanjutnya diubah menjadi vektor elemen yang akan menjadi input untuk pengklasifikasi sinyal EKG Klasifikasi Sinyal EKG Setelah karakteristik ciri dilakukan, langkah berikutnya adalah mengenali ciri yang diambil dari tiap data. Sebagai pengklasifikasi digunakan metode Artificial Neural Network dengan pembelajaran Backpropagation. Klasifikasi data dilakukan dengan memisahkan sinyal EKG ke dalam dua bagian, yaitu data untuk pelatihan dan data untuk pengujian. 75 data Tabel 2. Pola Vektor Keluaran No Klasifikasi data Data keluaran biner 1 Kondisi normal Right Bundle Branch Block Left Bundle Branch Block Gambar 3. Arsitektur Jaringan Backpropagation vektor CWT sinyal EKG menjadi data pelatihan dan 25 data menjadi data pengujian. Jaringan ini mempunyai input (x1, x 2,, x ), 50 hidden node (z 1, z 2, z 50 ), dan output bertipe Boolean untuk identifikasi kondisi (y 1, y 2, y 3 ). Arsitektur jaringan dapat dilihat pada Gambar 3. Pola keluaran yaitu 3 target keluaran dalam bentuk biner yang akan dilatih sehingga jaringan dapat mengenali pola ini. Jenis pola tersebut dapat dilihat pada Tabel 2. Untuk mengevaluasi hasil klasifikasi, dari hasil pengujian dihitung sensitifitas (Se), spesifisitas (Sp) dan Total akurasi (Ta). Langkah-langkah didefinisikan menggunakan True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Keputusan TP terjadi ketika deteksi sinyal normal dari classifier dan dokter dianggap benar. Keputusan TN terjadi ketika classifier dan dokter keduanya menyarankan adanya ketidaknormalan. FP terjadi ketika sinyal normal dianggap sebagai sinyal abnormal oleh sistem. Sedangkan, FN terjadi ketika sinyal abnormal dianggap normal oleh sistem. Sensitifitas dihitung dari jumlah identifikasi benar dari pengujian dengan sinyal EKG normal. Spesifisitas dihitung dari jumlah identifikasi benar dari pengujian sinyal abnormal. Total akurasi dihitung dari total klasifikasi benar dari total pengujian dengan sinyal normal dan abnormal. Sensitivity = TP / (TP + FN).... (4) Specificity= TN / (FP + TN) (5) Accuracy = (TP + TN) / N (6) 3. HASIL DAN PEMBAHASAN Pada penelitian ini, CWT mampu menunjukan karakterisasi perbedaan nilai waktu dan frekuensi kondisi normal dan kelainan bundle branch block (BBB). Sinyal EKG normal dan BBB dalam domain waktu dan koefisien CWT dapat dilihat pada Gambar 4. Perbedaan dominan terlihat dari lebar kompleks QRS, hal ini menggambarkan adanya keterlambatan hantaran impuls saat depolarisasi ventrikel. Rentang waktu kondisi normal < 0.12 detik, sedangkan rentang waktu kondisi BBB > 0.12 detik. Hasil komputasi CWT berupa vektor elemen telah siap dijadikan input untuk pengklasifikasi sinyal EKG.
4 139 (a) (b) Gambar 4. Sinyal EKG dalam domain waktu dan Koefisien CWT : a) Sinyal EKG normal (file 100); b) Sinyal EKG BBB Hasil CWT dengan jumlah data sebanyak 100 file dalam bentuk file *.txt (50 sampel sinyal normal, 30 sampel sinyal rbbb, dan 20 sampel sinyal lbbb), 75% data digunakan sebagai data pelatihan dan pengujian, 25% data lainnya digunakan sebagai data pengujian tanpa melalui proses pelatihan. Target keluaran merupakan tiga klasifikasi pola sinyal EKG normal, rbbb dan lbbb. Pelatihan dilakukan dengan target error 0,001 dan learning rate 0,5. Jumlah data pelatihan adalah 75 sampel sinyal EKG (40 sinyal normal, 21 sinyal rbbb, dan 14 sinyal lbbb). Tahap pengujian dibedakan terhadap data yang telah dilatih dan pengujian terhadap data baru. Untuk pengujian terhadap data yang telah dilatih dilakukan dengan menggunakan konfigurasi terbaik dari proses pelatihan yang telah dilakukan. Jumlah data 75 sampel sinyal EKG (40 sinyal normal, 21 sinyal rbbb, dan 14 sinyal lbbb). Tujuan dari pengujian ini adalah untuk melihat kehandalan ANN dalam belajar mengenali pola sinyal pada EKG yang direpresentasikan oleh nilai prosentase akurasi/keberhasilan dan nilai error kerja. Hasil keluaran pengujian data latih diidentifikasikan dengan target keluaran biner, jika nilai keluaran sesuai dengan target maka identifikasi dianggap benar. Dari hasil pengujian jaringan terhadap data yang telah dilatih dapat mengenali semua pola data dengan tingkat akurasi 100%, prosentase keberhasilan untuk setiap kelas data dapat dilihat pada Tabel 3. Hal ini menunjukan bahwa ANN sangat handal dalam melakukan proses pembelajaran terhadap data yang telah dilatih. Untuk melihat kehandalan ANN dalam melakukan klasifikasi pola maka selanjutnya dilakukan pengujian terhadap data baru sebanyak 25 data uji baru yang terdiri dari 10 sinyal normal, 9 sinyal rbbb dan 6 sinyal lbbb. Dari hasil pengujian jaringan terhadap data baru prosentase tingkat akurasi mencapai 87.04%, yaitu ANN dapat mengenali 10 pola data sinyal normal dari 10 jumlah data pengujian, dapat mengenali 7 pola data sinyal rbbb dari 9 jumlah data pengujian, juga dapat mengenali 5 pola data sinyal lbbb dari 6 jumlah data pengujian. Prosentase keberhasilan untuk setiap kelas data dapat dilihat pada Tabel 4. Tabel 3. Persentase Keberhasilan Pengenalan Pola Sinyal EKG pada Sampel Data Latih Predicted class Klasifikasi Persentase Normal RBBB LBBB Normal % Actual class RBBB % LBBB % % Tabel 4 Persentase Keberhasilan Pengenalan Pola Sinyal EKG pada Sampel Data Test Klasifikasi Predicted class Normal RBBB LBBB Persentase Normal % RBBB % LBBB % % Actual class
5 140 Pengujian berikutnya dilakukan dengan cara cross validation, yaitu menukar data latih menjadi data test dan sebaliknya data test dijadikan sebagai data latih. Dari 100 data set, 70 data dijadikan sebagai data latih dengan komposisinya adalah 35 klasifikasi sinyal normal, 21 klasifikasi sinyal RBBB dan 14 klasifikasi sinyal LBBB. 30 data lainnya dijadikan validasi data untuk testing dengan komposisinya adalah 15 klasifikasi sinyal normal, 9 klasifikasi sinyal RBBB dan 6 klasifikasi sinyal LBBB. Proses cross validation diulangi sampai 10 kali, dengan setiap sample tepat digunakan sekali sebagai validasi data. Pengujian ini dilakukan pada semua bagian dari data set digunakan untuk training dan testing sehingga setiap bagian mendapatkan perlakuan yang sama. Hasil pengujian cross validation dengan 70 data latih dan 30 data testing selanjutnya dijadikan pedoman untuk mendapatkan nilai Sensitifitas dan Spesifisitas. Sensitifitas (Se) merupakan probabilitas yang mempunyai pengujian benar dari sekelompok data sinyal EKG yang mempunyai klasifikasi benar, sedangkan Spesifisitas (Sp) merupakan probabilitas yang mempunyai pengujian salah dari sekelompok data sinyal EKG yang mempunyai klasifikasi salah. Hasil perhitungan dari 10 kali percobaan yang ditampilkan dalam Tabel 5, didapatkan rata-rata nilai Sensitifitas (Se) 0.87±0.08 (87%) dan nilai Spesifisitas (Sp) 0.95±0.03 (95%). ANN Backpropagation hasil perancangan ini memiliki tingkat akurasi yang lebih baik dalam mengenali pola sinyal normal dengan rata-rata keakuratan 97,33%, sedangkan tingkat akurasi untuk kelas rbbb dan lbbb masing-masing 82.22% dan 86.67%. Ketidakakuratan terjadi disebabkan oleh kemiripan pola sinyal rbbb atau lbbb yang sama-sama memiliki proses melebarnya kompleks QRS sebagai gambaran dari terhambatnya impuls di ventrikel kanan atau kiri. Selain itu, ketidakakuratan juga terjadi untuk pengenalan pola mirip yang belum diajarkan pada jaringan syaraf. Selain itu semakin banyak sample training yang dilatihkan, semakin tinggi persentase keberhasilan dalam pengenalan sinyal EKG. Tabel 5. Nilai Sensitifitas dan Spesifisitas Hasil pengujian cross validation dengan 70 data latih dan 30 data testing Pengujian Ke- Hasil Pengujian Sensitifitas Spesifisitas TP FN FP TN Se Sp Rata-rata Se dan Sp 0.87± ±0.03 Keakuratan sistem dituntut mampu mengenali pola yang telah diajarkan maupun pola mirip dan keakuratan data saat pembelajaran awal pola yang dikenalkan, sehingga ANN Backpropagation merupakan kolaborasi seorang programmer yang bertanggung jawab atas keakuratan sistem pemroses dan seorang dokter yang bertanggung jawab atas keakuratan pelatihan 4. KESIMPULAN Pada penelitian ini, sinyal EKG diekstrak menggunakan CWT dengan memanfaatkan mother wavelet Morlet. CWT mampu menunjukan karakterisasi perbedaan nilai waktu dan frekuensi kondisi normal dan kelainan bundle branch block (BBB). Hasil ekstraksi karakteristik parameterparameter sinyal EKG ini selanjutnya dijadikan input dari ANN Backpropagation. ANN Backpropagation hasil perancangan ini mampu mengenali pola yang telah diajarkan dengan tingkat keakuratan 100%, sedangkan kemampuan pengenalan pola terhadap data baru prosentase tingkat akurasinya mencapai 87.04%. Hasil pengujian menunjukkan efektifitas dari pengenalan pola sinyal EKG dengan menggunakan metode CWT dan ANN Backpropagation. Pengembangan sistem diagnosa kelainan jantung ini dapat menghadirkan data analisa sinyal EKG melalui hasil komputasi yang lebih objektif pada saat subyektifitas analis medis menjadi dominan. DAFTAR REFERENSI [1] Akay, Metin (1997). Wavelet Applications in Medicine, IEEE Spectrum. Biomed. Eng. p [2] Cvetkovic, Dean. Ubeyli, Elif Derya. Cosic, Irena.(2008), Wavelet Transform Feature Extraction From Human PPG, ECG, and EEG Signal Responses to ELF PEMF Exposures : A Pilot Study, Digital Signal Processing., vol.18, pp [3] Polikar, Robi. (1996), The Wavelet Tutorial Part III Multiresolution Analysis and The Continues Wavelet Transform 2 nd ed,. [4] Addison PS. (2005), Wavelet transforms and the ECG : a review. Physiological Measurement vol.26,. pp [5] Ham, Fredric M. (2000), Principles of Neurocomputing for Science and Engineering. McGraw-Hill Companies, Inc. Singapore. [6] Silipo, R., Marchesi, C. (1998), Artificial Neural Networks for Automatic ECG Analysis, IEEE Transactions on Signal Processing, Vol [7] Heden, B., Ohlson, M., Rittner, R., Pahlm, O., Haisty, W., K., Peterson, C. and Edenbrandt, L. (1996), Agreement Between Artificial Neural Networks and Experienced Electrocardiographer on Electrocardiographic Diagnosis of Heald Myocardial Infarction, JACC Elsevier Science Inc, Vol. 28, No. 4.
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
Lebih terperinciEkstraksi Parameter Temporal Sinyal ECG Menggunakan Difference Operation Method
194 Ekstraksi Parameter Temporal Sinyal ECG Menggunakan Difference Operation Method Abdul Yasak *, Achmad Arifin Jurusan Teknik Elektro, ITS Surabaya 60 Phone : (62 31) 594 7302, Fax : (62 31) 593 1237
Lebih terperinciPENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN)
TESIS PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN) FUAD LUTFI NRP. 2210206722 Pembimbing : Achmad Arifin, ST, M.Eng,, PhD
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jantung adalah salah satu organ penting dalam tubuh manusia yang berfungsi memompa darah ke seluruh tubuh. Darah yang dipompa ke seluruh tubuh melalui sistem peredaran
Lebih terperinciBAB I PENDAHULUAN. darah. Penyakit Jantung (cardiovascular disease) adalah setiap kondisi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Jantung merupakan organ tubuh yang paling fungsional karena peranannya sebagai pemompa darah agar dapat mengalir ke seluruh tubuh melalui pembuluh darah. Penyakit
Lebih terperinciBAB I PENDAHULUAN. bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung adalah penyebab kematian terbesar di Indonesia, bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf (EKG). Petugas
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciDETEKSI ARITMIA BLOKADE CABANG BERKAS KIRI PADA ELEKTROKARDIOGRAM DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN FITUR INTERVAL QR DAN RS
Berkala Fisika ISSN : 1410-9662 Vol. 17, No. 3, Juli 2014, hal 91-98 DETEKSI ARITMIA BLOKADE CABANG BERKAS KIRI PADA ELEKTROKARDIOGRAM DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN FITUR INTERVAL QR DAN RS
Lebih terperinciAnalisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT)
Analisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT) Putri Madona Jurusan Teknik Elektro Program Studi Teknik Elektronika Politeknik Caltex Riau Pekanbaru,
Lebih terperinciAnalisa Suara Jantung Berbasis Complex Continuous Wavelet Transform
Analisa Suara Jantung Berbasis Complex Continuous Wavelet Transform Putri Madona 1) Achmad Arifin 2) Tri Arief Sardjono 3) Rimuljo Hendradi 4) 1) Jurusan Teknik Elektro Politeknik Caltex Riau, Pekanbaru
Lebih terperinciMERANCANG SISTEM DETEKSI PENYAKIT APNEA TIDUR OBSTRUKTIF MENGGUNAKAN FAST FOURIER TRANSFORM PADA ELEKTROKARDIOGRAM
MERANCANG SISTEM DETEKSI PENYAKIT APNEA TIDUR OBSTRUKTIF MENGGUNAKAN FAST FOURIER TRANSFORM PADA ELEKTROKARDIOGRAM Silminur latifah, Nuryani, dan Artono Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciABSTRAK. Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si
1 ABSTRAK Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si Penelitian kecerdasan buatan untuk mengenali pola semakin banyak dilakukan dan dibutuhkan. Pada
Lebih terperinciAlgoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(PACs) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient
Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(s) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway
Lebih terperinciRancang Bangun Sistem Monitoring RR Interval pada Data Elektrokardiogram Berbasis Metode First Derivative Based Technique (FDBT) untuk User Bergerak
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Rancang Bangun Sistem Monitoring RR Interval pada Data Elektrokardiogram Berbasis Metode First Derivative Based Technique (FDBT) untuk User Bergerak Arif
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciSistem Instrumentasi Sinyal Electrocardiography untuk Analisa Dinamika Jantung
Sistem Instrumentasi Sinyal Electrocardiography untuk Analisa Dinamika Jantung Eko Agus Suprayitno Bidang Keahlian Teknik Elektronika, Institut Teknologi Sepuluh Nopember 60111 Surabaya, Indonesia Email:
Lebih terperinciIntisari. -36 c Jurusan Fisika FMIPA ITS JURNAL FISIKA DAN APLIKASINYA VOLUME 11, NOMOR 1 JANUARI 2015
JURNAL FISIKA DAN APLIKASINYA VOLUME 11, NOMOR 1 JANUARI 2015 Deteksi Aritmia pada Elektrokardiogram dengan Metode Jaringan Syaraf Tiruan Kelas Jamak menggunakan Fitur Interval RR, Lebar QRS, dan Gradien
Lebih terperinciBAB I PENDAHULUAN. darah tinggi, stroke, sakit di dada (angina) dan penyakit jantung rematik.
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Penyakit jantung adalah penyakit yang mengganggu sistem pembuluh darah atau lebih tepatnya menyerang jantung dan urat-urat darah, beberapa contoh penyakit
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
digilib.uns.ac.id 40 BAB IV HASIL DAN PEMBAHASAN Dalam bab IV ini dibahas tentang rangkaian proses pengolahan data EKG. Bagian pertama dibahas proses pengambilan data EKG dan hasil ekstraksi fitur EKG
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database Sinyal EKG Ekstraksi Ciri Sinyal Jantung (Wibowo, 2016) Keluaran : Koefisien Maksimum Energi Maksimum Jarak Gelombang R -
Lebih terperinciANALISA NONSTASIONER PADA AUDITORY EVOKED RESPONSES
ANALSA NONSTASONER PADA AUDTORY EVOKED RESPONSES Sukma Firdaus *, Achmad Arifin Bidang Keahlian Teknik Elektronika, Program Pascasarjana Teknik Elektro, nstitut Teknologi Sepuluh Nopember, Surabaya * Email
Lebih terperinciIdentifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan
9 Identifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan Luqman Hakim *, Achmad Arifin, Tri Arief Sardjono Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember
Lebih terperinci1 BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Penyakit jantung merupakan penyakit yang berbahaya dan menjadi penyebab kematian nomer satu di dunia (Mendis et al., 2011). Menurut data World Health
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciAnalisis Dimensi Fraktal Sinyal Elektrokardiografi
Analisis Dimensi Fraktal Sinyal Elektrokardiografi Rizki Yara Exsa Narvinda 1, Arif Surtono 1 dan Amanto 2 1 Jurusan Fisika FMIPA Universitas Lampung Jl. Prof. Dr. Soemantri Brojonegoro No.1 Gedung Meneng
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciBAB I PENDAHULUAN. Penyakit jantung merupakan salah satu penyebab kematian terbesar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung merupakan salah satu penyebab kematian terbesar di Indonesia (Depkes, 2011). Penyakit jantung ini merupakan salah satu penyakit yang tidak
Lebih terperinciAnalisa Sinyal Electrocardiography dan Phonocardiography Secara Simultan Menggunakan Continuous Wavelet Transform
3-31 Mei, Universitas Brawijaya, Malang, Indonesia Analisa Sinyal Electrocardiography dan Phonocardiography Secara Simultan Menggunakan Continuous Wavelet Transform Eko Agus Suprayitno*, Rimuljo Hendradi,
Lebih terperinciBAB I PENDAHULUAN. Fenomena fisika tidak selalu direpresentasikan dalam masalah bendabenda
BAB I PENDAHULUAN 1.1 Latar Belakang Fenomena fisika tidak selalu direpresentasikan dalam masalah bendabenda mati (fisik), tetapi dapat terjadi pula pada benda-benda hidup (hayati), contohnya adalah pada
Lebih terperinciKLASIFIKASI SINYAL ELEKTROKARDIOGRAF (EKG) DENGAN SHORT TIME FOURIER TRANSFORM (STFT) DAN BACKPROPAGATION
KLASIFIKASI SINYAL ELEKTROKARDIOGRAF (EKG) DENGAN SHORT TIME FOURIER TRANSFORM (STFT) DAN BACKPROPAGATION Herliyani Hasanah STMIK Duta Bangsa Surakarta herlydb@gmail.com ABSTRAK Kondisi atau kelainan jantung
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciOleh Arif Widodo NRP Dosen Pembimbing Dr. Tri Arief Sardjono, ST. MT.
Oleh Arif Widodo NRP. 2205100108 Dosen Pembimbing Dr. Tri Arief Sardjono, ST. MT. LatarBelakang BIOMEDIK ISA Slot Sistem Akuisisi ECG USB Tujuan Merancang dan merealisasikan sebuah sistem akuisisi ECG
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciEKSTRASI CIRI SINYAL JANTUNG MENGGUNAKAN WAVELET HAAR
EKSTRASI CIRI SINYAL JANTUNG MENGGUNAKAN WAVELET HAAR Hindarto Hindarto 1, Izza Anshory 2, Ade Efiyanti 3 1,2,3 Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Sidoarjo Jl. Raya Gelam 250 Candi,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Informasi tentang pemasangan iklan di suatu radio (antara lain mengenai, jam berapa suatu iklan ditayangkan, dalam sehari berapa kali suatu iklan ditayangkan dan berapa
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciDETEKSI KETIDAKNORMALAN PREMATURE VENTRICLE CONTRACTIONS(PVCS) BERDASARKAN RR INTERVAL DAN CORRELATION COEFFICIENT
DETEKSI KETIDAKNORMALAN PREMATURE VENTRICLE CONTRACTIONS(PVCS) BERDASARKAN RR INTERVAL DAN CORRELATION COEFFICIENT Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway St- Batam Centre,
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciSISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO
SISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO Norma Hermawan 1), Muh. Farid Retistianto 2), Achmad Arifin 3) 1),3 ) Teknik Biomedik, Institut
Lebih terperinciDETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM)
DETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM) Jondri dan Achmad Rizal Institut Teknologi Telkom, Bandung jdn@ittelkom.ac.id dan arz@ittelkom.ac.id ABSTRACT The heart of patient
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Rancangan antarmuka (interface) program terdiri dari form cover, form
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Rancangan Antarmuka (interface) Program Rancangan antarmuka (interface) program terdiri dari form cover, form testing dan form training (untuk programer). 4.1.1
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciPembacaan Waktu sebagai ekstraksi EKG pada Diagnosis Penyakit Jantung
Pembacaan Waktu sebagai ekstraksi EKG pada Diagnosis Penyakit Jantung Annafi Franz 1, Izzati Muhimmah 2, Tito Yuwono 3, Erlina Marfianti 4 1, 2 Magister Teknik Infomatika, Universitas Islam Indonesia,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB I PENDAHULUAN. Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya
BAB I PENDAHULUAN 1.1. Latar Belakang Otot adalah sebuah jaringan konektif dalam tubuh dengan tugas utamanya kontraksi. Kontraksi otot berfungsi untuk menggerakkan bagian-bagian tubuh dan substansi dalam
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciJl. Telekomunikasi, Dayeuh Kolot, Bandung Indonesia
KLASIFIKASI PENYAKIT BATUK BERDASARKAN SINYAL DATA SUARA MENGGUNAKAN EKSTRAKSI CIRI FAST FOURIER TRANSFORM DAN POWER SPECTRAL DENSITY DENGAN ALGORITMA JARINGAN SARAF TIRUAN- PROPAGASI BALIK COUGH DISEASE
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 177-183 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI SUARA MANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI
Lebih terperinciDETEKSI KELAINAN JANTUNG PREMATURE ATRIAL CONTRACTIONS (PACS) BERBASIS KOMBINASI BASELINE WANDER DAN DENOISING MENGGUNAKAN RR INTERVAL
Jurnal Integrasi vol. 4, no. 2, 2012, 194-199 ISSN: 2085-3858 (print versio Article History Received 20 August 2012 Accepted 21 September 2012 DETEKSI KELAINAN JANTUNG PREMATURE ATRIAL CONTRACTIONS (PACS)
Lebih terperinciBAB I PENDAHULUAN. Kelancaran berkomunikasi radio sangat ditentukan oleh keadaan lapisan E
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kelancaran berkomunikasi radio sangat ditentukan oleh keadaan lapisan E sporadis yang merupakan bagian dari lapisan ionosfer. Untuk mengetahui keadaan lapisan E sporadis
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Jantung merupakan salah satu organ terpenting dalam tubuh manusia. Jantung yaitu organ otot (muskular) berongga yang memompa darah lewat pembuluh darah sehingga
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciStatistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan
Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan Predicted Predicted Actual < 3,5 3,5 Actual Tidak tepat Tepat waktu < 3,5 36 10 Tidak tepat 74
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciKLASIFIKASI SUARA JANTUNG MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION BERBASIS CIRI STATISTIS
KLASIFIKASI SUARA JANTUNG MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION BERBASIS CIRI STATISTIS Nur Hudha Wijaya 1*, Indah Soesanti 1, Eka Firmansyah 1 1 Program Pascasarjana Fakultas Teknik Universitas Gadjah
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Sleep apnea merupakan gangguan tidur yang berkaitan dengan pernafasan dan umumnya terjadi pada orang dewasa [1-2]. Diestimasikan 4% pria dan 2% wanita di dunia menderita
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION Disusun oleh : Nama : Robin Panjaitan NRP : 0622017 Jurusan Teknik Elektro, Fakultas
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Riset di bidang sistem pengenalan ucapan otomatis (Automatic Speech Recognition) merupakan salah satu riset yang banyak ditekuni dan terus dikembangkan hingga saat
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciTUGAS AKHIR PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK. Andri Iswanto
TUGAS AKHIR PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK Andri Iswanto 2208 100 531 Dosen Pembimbing : Dr. Tri Arief Sardjono ST.,MT. Jurusan Teknik Elektro Fakultas Teknologi Industri
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciKLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
Lebih terperinci