Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet
|
|
- Iwan Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet Achmad Rizal Biomedical Signal Processing & Instrumentation RG (BioSPIN RG) Fakultas Elektro & Komunikasi, ITTelkom Jl. Telekomunikasi no 1, Ters. Buah Batu, Bojong Soang, Bandung arl@ittelkom.ac.id Abstract Electrocardiogram (ECG) is a physiological signal produced by electrical activity of heart. ECG signal provides information about the health of one s heart condition. Some studies have been conducted to extract features from ECG signal for ECG recognition automatically. One of research that has been done is ECG signal feature extraction using wavelet packet decomposition level 5 which produce 32 features for each signal. In this research, we examined to determine significant features that are able to distinguish one class to other class. We used wrapper feature subset selection techniques with K-Nearest Neighbour (K-NN) as classifier. For searching algorithm, we use sequential forward selection (SFS) and sequential backward selection (SBS). From experiment result, SFS method produced 4 significant features with 97,7% accuracy, while SBS method produced 12 significant features with 100% accuracy. Keywords : ECG, wavelet, wrapper, feature subset selection 1. Pendahuluan Sinyal Elektrokardiogram (EKG) adalah sinyal listrik yang dihasilkan oleh aktifitas kelistrikan jantung. Kelainan dari fungsi jantung seseorang dapat dilihat dari rekaman sinyal EKG ini. Seorang ahli jantung menilai rekaman sinyal EKG dari bentuk gelombang, durasi, orientasi sinyal dan irama sinyal [Tom93]. Penilaian ini relatif subyektif, tergantung dari keahlian dokter dan kondisi pasien. Seiring dengan kemajuan teknologi elektronika dan berkembangnya teknik-teknik pengolahan sinyal digital, banyak cara dikembangkan untuk mengenali kelainan jantung secara otomatis melalui pengenalan sinyal EKG. Pengolahan sinyal EKG yang dilakukan bisa pada domain waktu, domain frekuensi atau domain wavelet. Pada penelitian sebelumnya telah dilakukan pengenalan sinyal EKG menggunakan wavelet [Riz08]. Dengan skenario yang dirancang, didapat 32 ciri yang mewakili subband-subband dari sinyal EKG dengan akurasi 94.4 % untuk data sebanyak 90 terdiri dari 3 kelas data. Usaha perbaikan dilakukan dengan menggunakan klassifier yang berbeda dengan hasil yang lebih baik [Kin10]. Pada [Dew11] digunakan ekstraksi ciri Empirical Mode Decomposition (EMD) [Ril08] yang menghasilkan akurasi 81.33%. Penggabungan metode EMD dan Wavelet dilakukan pada [Riz11] dengan akurasi 90.4%. Dari keseluruhan penelitian yang ada, seluruh fitur hasil ekstraksi ciri digunakan tanpa memperhatikan apakah fitur yang didapat berguna atau tidak. Hasil 105
2 Jurnal Informatika, Vol. 8, No.2, Desember 2012: pengenalan yang cukup tinggi lebih disebabkan oleh teknik klasifikasi yang cukup baik dengan mengorbankan waktu komputasi. Dengan pemilihan fitur yang signifikan beberapa hal yang akan didapat antara lain : reduksi dimensi dari fitur, meningkatkan performansi dari classifier dan reduksi waktu komputasi [Nug12]. Pada penelitian ini dilakukan pemilihan fitur sinyal EKG yang dihasilkan melalui dekomposisi paket wavelet menggunakan Wrapper Features Subset Selection (WFSS). 2. Landasan Teori 2.1 Teori EKG Elektrokardiogram (EKG) adalah suatu gambaran dari potensial listrik yang dihasilkan oleh aktifitas listrik otot jantung. EKG ini merupakan rekaman informasi kondisi jantung diambil dengan elektrokardiograf yang ditampilkan melalui monitor atau dicetak pada kertas. Rekaman EKG ini digunakan oleh dokter ahli untuk menentukan kondisi jantung dari pasien. Sebuah sinyal yang didapat dari EKG normal adalah seperti pada Gambar 1. Gelombang EKG normal memiliki ciri-ciri sebagai berikut[tom93]: 1. Gelombang P mempunyai amplituda kurang dari 0,3 mv dan perioda kurang dari 0,11 detik. 2. Gelombang Q mempunyai amplituda sebesar minus 25% dari amplituda gekombang R. Gambar 1. Gelombang EKG Normal 3. Gelombang R mempunyai amplituda maksimum 3 mv. 4. Gelombang S merupakan defleksi negatif sesudah gelombang R. 5. Kompleks QRS terdiri dari gelombang Q, R dan S yang memiliki perioda 0,06-0,10 detik dengan perioda rata-rata 0,08 detik. 6. Gelombang T mempunyai amplituda minimum 0,1 mv. Pada dasarnya ada tiga teknik yang digunakan dalam elektrokardiografi, yaitu[tom93]: 1. Standard clinical ECG. Teknik ini menggunakan 10 elektroda (12 lead) yang ditempatkan pada titiktitik tubuh tertentu. Teknik ini dipakai untuk menganalisa pasien. 3. Vectorcardiogram. Teknik ini menggunakan 3 elektroda yang ditempatkan pada titik-titik tubuh tertentu. Teknik ini menggunakan pemodelan potensial tubuh sebagai vektor tiga dimensi dengan menggunakan sandapan baku bipolar (Einthoven). Dari sini akan dihasilkan gambar grafis dari eksistensi jantung. 106
3 Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet (Achmad Rizal) 4. Monitoring ECG. Teknik ini menggunakan 1 atau 2 elektroda yang ditempatkan pada titik-titik tubuh tertentu. Teknik ini digunakan untuk memonitor pasien dalam jangka panjang Sinyal EKG yang dianalisis adalah sinyal yang diambil menggunakan 3 lead sesuai dengan segitiga Einthoven [Tom93]. Pada sistem ini sinyal EKG tiap lead merupakan beda potensial antar anggota tubuh antara lain : Lead I : beda potensial antara LA (left arm) dengan RA (right arm) Lead II : beda potensial antara LL (left leg) dengan RA (right arm) Lead III : beda potensial antara LL (left leg) dengan LA (left arm) Gambar 2. Segitiga Einthoven 2.2 Wavelet Metode paket wavelet merupakan generalisasi dari dekomposisi wavelet yang memberikan jangkauan yang lebih luas untuk analisis sinyal. Pada dekomposisi wavelet sinyal dibagi menjadi komponen aproksimasi dan detail. Komponen aproksimasi kemudian dibagi lagi menjadi komponen apkroksimasi dan detail, begitu seterusnya sampai level yang diinginkan. Gambar 3. Dekomposisi wavelet Secara matematis dekomposisi wavelet 3 tingkat dapat dituliskan : 107
4 Jurnal Informatika, Vol. 8, No.2, Desember 2012: X = ca 1 + cd 1 = ca 2 + cd 2 + cd 1 = ca 3 + cd 3 + cd 2 +cd 1 (1) Komponen ca1 dan cd1 didapat lewat operasi seperti pada Gambar 4. X Gambar 4. Proses dekomposisi wavelet Pada paket wavelet, dekomposisi dilakukan pada komponen aproksimasi dan detail sekaligus. Komponen detail juga dibagi menjadi komponen detail aproksimasi dan detail detail seperti pada Gambar 5. Gambar 5. Dekomposisi paket wavelet 2.3 Wrapper Feature Subset Selection (WFSS) Feature Subset Selection (FSS)merupakan proses memilih subset terbaik dari atribut/feature data ditinjau dari kontribusinya terhadap class-separability. Tujuan dari FSS ini adalah untuk mereduksi dimensi data, memilih fitur yang benar-benar menjadi pembeda antar kelas serta meningkatkan performansi dari classifier. Teknik pemilihan fitur dalam FSS bisa dibedakan menjadi 2 yaitu : filter dan wrapper. Perbedaan keduanya adalah sebagai berikut [Nug12] : Filter Pengukuran kualitas tiap variable/fitur berdasarkan informasi intrinsik yang dimiliki oleh data (misalnya jarak antar fitur) Tidak tergantung dari classifier Kompleksitas lebih rendah, waktu komputasi lebih cepat Sesuai dipakai untuk data dengan dimensi sangat tinggi Wrapper Memakai akurasi classifier untuk mengukur performansi Tergantung dari classifier yang digunakan 108
5 Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet (Achmad Rizal) Lebih lambat karena evaluasi tiap subset harus melalui proses training Contoh dari teknik wrapper adalah Sequential Forward Selection (SFS) dan Sequential Backward Selection (SBS). Pada SFS, fitur yang paling signifikan dipilih secara bertahap. Mula-mula tiap fitur diuji seberapa besar kontribusinya terhadap hasil pengenalan. Fitur dengan akurasi terbaik dipilih kemudian ditambahkan fitur berikutnya sehingga yang diuji sekarang menjadi 2 fitur. Kombinasi 2 fitur dengan hasil tertinggi dipilih kemudian diuji dengan menambah 1 fitur lagi. Begitu seterusnya sampai didapatkan kombinasi beberapa fitur dengan akurasi tertinggi. Untuk algoritma SBS, mula-mula semua sejumlah N fitur dipakai untuk diuji akurasinya. Kemudian, 1 fitur dibuang untuk diuji akurasinya. Fitur yang apabila dibuang tidak memberikan pengaruh pada akurasi, maka fitur tersebut akan dibuang secara permanen. Selanjutnya dari N-1 fitur, dibuang 1 sehingga yang diuji adalah N-2 fitur. Apabila fitur yang dibuang tidak mempengaruhi akurasi maka fitur tersebut akan dibuang secara permanen. Demikian seterusnya sampai akurasi menurun jika ada fitur yang dibuang. Proses wrapper dapat dilihat pada Gambar 6. Pada teknik wrapper, pemilihan classifier sangat penting karena akan menentukan akurasi yang didapat. Hasil dari wrapper ini nantinya akan mereduksi jumlah fitur sehingga fitur yang dipilih hanya merupakan fitur yang signifikan saja. Gambar 6. Proses wrapper 2.4 K-Nearest Neighbourhood K-Nearest Neighbor (K-NN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Tujuan dari algoritma ini adalah mengklasifikasi objek baru berdasarkan atribut dan sampel latih. Diberikan titik uji, akan ditemukan sejumlah K objek (titik training) yang paling dekat dengan titik uji. Klasifikasi menggunakan voting terbanyak di antara klasifikasi dari K objek. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean atau dengan pengukuran jarak yang lain. 109
6 Jurnal Informatika, Vol. 8, No.2, Desember 2012: , = (2) Algoritma metode KNN sangat sederhana, bekerja dengan berdasarkan pada jarak terpendek dari sampel uji ke sample latih untuk menentukan KNN nya. Setelah mengumpulkan KNN, kemudian diambil mayoritas dari KNN untuk dijadikan prediksi dari sampel uji. KNN memiliki beberapa kelebihan yaitu bahwa dia tangguh terhadap training data yang noisy dan efektif apabila data latih nya besar. Sedangkan kelemahan dari KNN adalah KNN perlu menentukan nilai dari parameter K (jumlah dari tetangga terdekat), pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik, dan biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap sample uji pada keseluruhan sample latih. 3 Metode 3.1 Data Data diambil dari MIT-BIH data base [Mit08] terdiri dari 3 kelas data yaitu Normal Sinus Rhythm (NSR), Congestive Heart Failure (CHF), dan Atrial Fibrilation (AF). Data EKG ini diambil dari lead II, dengan frekuensi sampling 250 Hz. Panjang rekaman sekitar 2-3 detik, atau tiap data berisi sekitar 3 gelombang QRS. Data yang digunakan sama dengan data pada [Riz08]. 3.2 Metode Ekstraksi Ciri Gambar 7. Proses ekstraksi ciri Proses normalisasi sinyal terdiri dari proses DC removal dan normalisasi amplitudo. Penghilangan komponen DC dapat dilakukan oleh persamaan (3). N 1 S ( i ) = S ( i ) S ( i ) (3) N i = 1 Dengan S(i) adalah sinyal EKG pada waktu i. Sedangkan normalisasi amplitudo dilakukan dengan persamaan berikut : S ( i ) (4) S ( i ) = S max Dekomposisi yang dilakukan pada sinyal EKG dilakukan sampai level 5 dengan menggunakan Daubechies2 (db2) sebagai mother wavelet-nya. Untuk frekuensi sampling 250 Hz, proses ini akan menghasilkan 32 subband sinyal dengan lebar sekitar 3.9 Hz. 110
7 Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet (Achmad Rizal) Langkah selanjutnya adalah menghitung periodogram dari tiap subband hasil dekomposisi. Periodogram dari deretan data [x1,x2,...,xn] dapat dihitung dengan rumus berikut[riz08]. jω 1 S( e ) = x l e n n l = 1 jωl Dari hasil perhtiungan tersebut dihitung energi yang kemudian akan menjadi fitur dari sinyal EKG yang diamati. Hasilnya berupa matrik dengan ukuran 32x Metode Pemilihan Ciri Teknik FSS yang digunakan adalah teknik wrapper seperti ditunjukkan pada Gambar 7. Untuk classifier digunakan K-NN dengan K = 1 untuk kecepatan komputasi. Algoritma pencarian menggunakan sequential forward selection (SFS) dan sequential backward selection (SBS). Sebagai pembanding, mula-mula semua data dikenali dengan K-NN tanpa melakukan pemilihan ciri. Data dibagi menjadi 2 bagian, 50% sebagai data latih dan 50% sebagai data uji dengan pemilihan secara random. Dengan menggunakan SBF dan SBS dilakukan pengujian lagi untuk melihat peningkatan akurasi setelah dilakukan pemilihan ciri. 4 Pembahasan 4.1 Hasil Ekstraksi Ciri Contoh data sinyal EKG yang digunakan pada penelitian ini dapat dilihat pada Gambar 8, 9 dan 10. Masing-masing kelas berjumlah 30 data sehingga data total 90 data. 2 (5) (a) (b) Gambar 8. (a) EKG kasus AF (b) Spektrum frekuensi AF (a) (b) Gambar 9. (a) EKG kasus CHF (b) Spektrum frekuensi CHF 111
8 Jurnal Informatika, Vol. 8, No.2, Desember 2012: (a) (b) Gambar 10. (a) EKG kasus NSR (b) Spektrum frekuensi NSR Hasil ekstraksi ciri yang dihasilkan dapat dilihat pada Gambar Atrial Fibrillation 25 Congestive Heart Failure 20 Normal Sinus Rhythm Fitur ke-n Gambar 11. Contoh hasil ekstraksi ciri tiap kelas 4.2 Hasil Pengenalan Tanpa Pemilihan Ciri Sebagai pembanding, mula-mula dilakukan klasifikasi terhadap sinyal EKG menggunakan keseluruhan ciri yang diperoleh (32 ciri) menggunakan K-NN dengan K=1. Dari 90 data yang ada dibagi menjadi 50% data latih dan 50% data uji dengan pemilihan secara random. Hasil pengenalannya dapat dilihat pada Tabel 1. Terlihat bahwa tingkat akurasinya adalah 36/45 x 100% = 80%. Hasil ini nantinya akan dibandingkan dengan hasil pengenalan dengan menggunakan ciri yang diseleksi menggunakan metode wrapping. Tabel 1. Hasil Pengenalan untuk keseluruhan ciri Dikenali sebagai AF CHF NSR AF CHF NSR Hasil Pemilihan Ciri dan Hasil Pengenalannya Metode wrapping pertama yang digunakan mengunakan teknik sequential forward selection (SFS) dengan teknik pencarian best first. Hal ini berarti awalnya subset dari ciri adalah himpunan kosong, kemudian diambil satu ciri untuk diuji tingkat akurasinya kemudian ditambahkan sampai didapat hasil akurasi terbaik. Penambahan ini akan dihentikan jika pada penambahan berikutnya terjadi 112
9 Wrapper Features Subset Selection Pada Ekstraksi Ciri Sinyal EKG Menggunakan Metode Dekomposisi Paket Wavelet (Achmad Rizal) penurunan akurasi. Dari proses yang dilakukan akan diperoleh empat ciri yang dianggap signifikan yaitu ciri ke- : 1, 5, 9 dan 13. Dengan frekuensi sampling 250 Hz dan dekomposisi sampai level 5 maka ciri-ciri di atas mewakili subband Hz ; Hz; Hz; dan Hz. Ketika dilakukan pengenalan dengan skenario yang sama dengan ketika diambil semua ciri, maka hasil pengenalannya sama dengan Tabel 2. Tabel 2. Hasil Pengenalan untuk 4 ciri hasil SFS Dikenali sebagai AF CHF NSR AF CHF NSR Dari hasil yang didapat maka akaurasi = 44/45x100% = 97,78%. Hal ini menunjukkan bahwa dari 32 ciri yang ada, hanya 4 yang sangat signifikan dan bisa meningkatkan akurasi pengenalan. Metode wrapping kedua yang digunakan mengunakan teknik sequential backward selection (SBS) dengan teknik pencarian best first. Hal ini berarti mula-mula ciri yang dipakai adalah ciri keseluruhan (32 ciri) kemudian satu demi satu ciri yang tidak signifikan akan dihilangkan. Dari percobaan didapat ciri paling signifikan menggunakan metode SBS adalah ciri ke : 1, 2, 4, 13, 18, 21, 22, 28, 29, 30, 31, 32. Ciri-ciri yang disebutkan setara dengan energi pada subband (n-1)3,9 Hz sampai n.3,9 Hz. Dari hasil pengenalan seperti pada Tabel 3. Nilai akurasinya adalah 100%. Tabel 3. Hasil Pengenalan untuk 12 ciri hasil SBS Dikenali sebagai AF CHF NSR AF CHF NSR Berdasarkan pemilihan ciri menggunakan teknik wrapping, ternyata dari 32 ciri yang dihasilkan dari metode dekomposisi paket wavelet pada sinyal EKG, hanya 12 ciri yang sangat signifikan sehingga bisa membedakan antara kelas yang satu dengan yang lain. Dibandingkan dengan metode SBS, metode SFS menghasilkan ciri yang lebih sedikit, tetapi akurasi yang dihasilkan tidak sebaik metode SBS. Kemungkinan proses seleksi pada SFS dihentikan karena ada penurunan akurasi, hal ini disebabkan oleh algoritma best first yang dipakai sehingga pencarian dihentikan jika terjadi penurunan akurasi. Ada kemungkinan hasil yang didapat oleh metode SFS dan SBS sama apabila dilakukan exhausted search, yaitu menguji 113
10 Jurnal Informatika, Vol. 8, No.2, Desember 2012: semua kemungkinan kombinasi ciri yang ada. Kelemahan metode ini adalah lamanya waktu komputasi 5 Kesimpulan Dari penelitian yang telah dilakukan, didapat bahwa teknik wrapping dengan metode SBS telah menghasilkan 12 ciri yang paling signifikan dari 32 ciri yang didapat dari ektraksi ciri dekomposisi paket wavelet level 5. Akurasi yang dihasilkan oleh 12 ciri tersebut mencapai 100%, lebih baik dari penelitian sebelumnya. Dengan reduksi ciri menjadi tinggal 12 ciri maka waktu komputasi akan dapat dikurangi karena ciri-ciri yang tidak signifikan telah dihilangkan. Pada penelitian berikutnya sebaiknya dilakukan metode exhausted search untuk melihat akurasi semua kemungkinan kombinasi ciri yang ada. 6 Daftar Pustaka [Dew11] Dewi, R., Hidayat, B., Rizal, A Sistem Deteksi Kelainan Jantung Menggunakan Sinyal Elektrokardiogram dengan Metode Empirical Mode Decomposition. Preceeding Seminar Teknik Informatika dan Sistem Informasi, Univ Kristen Maranatha, Bandung [Kin10] Kinanthi, G., Rizal, A., Magdalena, R., Pengenalan Elektrokardiogram (EKG) Menggunakan Dekomposisi Paket Wavelet dan Support Vector Machine (SVM). Proceeding Modern Electrical Engineering Technology and Its Application Seminar 2010, Univ. Kristen Maranatha, Bandung. [Mit08] Physionet, ECG data Bases. MIT-BIH Data Bases. Available: accessed 01/05/2008 [Nug12] Nugroho, A.S Pemanfaatan Data Mining untuk Mengekstrak Pengetahuan Data Medis. Workshop on Data Mining, Seminar Nasional Teknologi Informasi (SNATI 2012), Universitas Islam Indonesia, Yogyakarta [Ril08] Rilling, G On Empirical Mode Decomposition And Its Algorithms. Laboratoire de Physique (UMR CNRS 5672), Ecole Normale Sup erieure de Lyon 46, all ee d Italie Lyon Cedex 07. France [Riz08] Rizal, A., Suryani, V Pengenalan Sinyal EKG Mengunakan Dekomposisi Paket Wavelet dan K-Means Clustering. Preceeding Seminar Nasional Teknologi Informasi (SNATI 2008), Universitas Islam Indonesia, Yogyakarta [Riz11] Rizal, A., Jondri,. Hadiyoso, S Pengenalan Sinyal EKG Menggunakan Empirical Mode Decomposition (EMD), Dekomposisi Paket Wavelet dan K-Mean Clustering. Proceeding Konferensi Nasional Sistem Informatika 2011, STMIK STIKOM Bali, Denpasar [Tom93] Tompkins, W.J Biomedical Signal Processing, Prentice Hall, New Jersey. 114
Pendeteksian Sinyal EKG dengan Menggunakan Dekomposisi Paket Wavelet dan Support Vector Machine sebagai Klasifier
Pendeteksian Sinyal EKG dengan Menggunakan Dekomposisi Paket Wavelet dan Support Vector Machine sebagai Klasifier Galih Kinanthi Wahyu Jati 1, Achmad Rizal 2, Rita Magdalena 3 Biospin RG Fakultas Elektro
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 terperinciSIMULATOR ECG BERBASIS PC SEBAGAI ALAT BANTU AJAR PENGOLAHAN SINYAL BIOMEDIS
SIMULATOR ECG BERBASIS PC SEBAGAI ALAT BANTU AJAR PENGOLAHAN SINYAL BIOMEDIS Achmad Rizal 1, Ibnu Yudha Setiadi 2,Rita Magdalena 3, Vera Suryani 4 1,2,3 Jurusan Teknik Elektro STT Telkom 4 Jurusan Teknik
Lebih terperinciPENGENALAN CITRA REKAMAN ECG ATRIAL FIBRILATION DAN NORMAL MENGGUNAKAN DEKOMPOSISI WAVELET DAN K-MEAN CLUSTERING
PENGENALAN CITRA REKAMAN ECG ATRIAL FIBRILATION DAN NORMAL MENGGUNAKAN DEKOMPOSISI WAVELET DAN K-MEAN CLUSTERING Mohamad Sofie 1*, Eka Nuryanto Budi Susila 1, Suryani Alifah 1, Achmad Rizal 2 1 Magister
Lebih terperinciPerbandingan Skema Dekomposisi Paket Wavelet Untuk Pengenalan Sinyal EKG
80 JNTETI, Vol. 4, No. 2, Bulan Mei 2015 Perbandingan Skema Dekomposisi Paket Wavelet Untuk Pengenalan Sinyal EKG Achmad Rizal Abstract One indicator of a person's health is a signal pattern electrocardiogram
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 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 terperinciPerbandingan Skema Dekomposisi Paket Wavelet untuk Pengenalan Sinyal EKG
Perbandingan Skema Dekomposisi Paket Wavelet untuk Pengenalan Sinyal EKG Achmad Rizal Abstract One indicator of a person's health is signal pattern of electrocardiogram (ECG). ECG signals are generated
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciDESIGN AND REALIZATION OF SINGLE-CHANNEL PC BASED ELECTROCARDIOGRAPH USING SERIAL PORT
DESIGN AND REALIZATION OF SINGLE-CHANNEL PC BASED ELECTROCARDIOGRAPH USING SERIAL PORT Achmad Rizal 1,Khusni EWardana 2, Imam T Pambudi 3, Vera Suryani 4, Budianto 5 arz@stttelkom.ac.id 1,uniardana@yahoo.com
Lebih terperinciDesain dan Realisasi Perangkat Elektrokardiograf Berbasis PC Menggunakan Sound Card
Desain dan Realisasi Perangkat Elektrokardiograf Berbasis PC Menggunakan Sound Card Ibnu Yudha Setiadi 1, Achmad Rizal 2, Rita Magdalena 3 Jurusan Teknik Elektro STT Telkom Jalan Telekomunikasi 1, Dayeuh
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA KOMPRESI PADA MONITORING SINYAL DATA ELEKTROKARDIOGRAM
Seminar Nasional Sistem dan Informatika 007; Bali, 16 November 007 SNSI07-01 ANALISIS PERBANDINGAN ALGORITMA KOMPRESI PADA MONITORING SINYAL DATA ELEKTROKARDIOGRAM Yoga Cahya Paratama 1), Rita Magdalena
Lebih terperinciKata Kunci: Diskrit Transformasi Wavelet, Electrokardiogram, K-Nearest Neighbors
ANALISIS KELAINAN JANTUNG MENGGUNAKAN SINYAL ELEKTROKARDIOGRAM DENGAN METODE TRANSFORMASI WAVELET DAN K-NEAREST NEIGHBORS ANALYSIS OF HEART DISEASES USING ELECTROCARDIOGRAPHY SIGNAL WITH WAVELET TRANSFORM
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 terperinciBABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Tubuh manusia tersusun atas berbagai macam organ vital yang menunjang kehidupan. Salah satu contoh organ vital manusia adalah jantung. Jantung bertugas memompa darah
Lebih terperinci[BAB.I PENDAHULUAN] 2012 BAB I
BAB I PENDAHULUAN 1.1 Latar Belakang Acute Myocardial Infarction yang sering diartikan sebagai serangan jantung akut atau kematian jaringan otot jantung adalah penyakit jantung yang disebabkan oleh adanya
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 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 Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciKata kunci: sinyal ECG, arrhythmia, AR Model, Jaringan Saraf Tiruan, klasifikasi
Klasifikasi Sinyal ECG Berdasarkan Model AR Menggunakan Jaringan Saraf Tiruan Disusun oleh: Nama: Edwin NRP: 0722079 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg.
Lebih terperinciMultipoint to Point EKG Monitoring Berbasis ZigBee
Multipoint to Point EKG Monitoring Berbasis ZigBee Sugondo Hadiyoso Fakultas Ilmu Terapan Telkom University Bandung, Indonesia sgo@ittelkom.ac.id Suci Aulia Fakultas Ilmu Terapan Telkom University Bandung,
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 terperinciMONITORING ELEKTROKARDIOGRAF MENGGUNAKAN TOPOLOGI MESH ELECTROCARDIOGRAPH MONITORING USING MESH TOPOLOGY
MONITORING ELEKTROKARDIOGRAF MENGGUNAKAN TOPOLOGI MESH ELECTROCARDIOGRAPH MONITORING USING MESH TOPOLOGY Sugondo Hadiyoso 1, Ratna Mayasari 2 1 Prodi D3 Teknik Telekomunikasi, Fakultas Ilmu Terapan, Universitas
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 terperinciKlasifikasi dan Pengenalan Pola pada Sinyal EKG Berdasarkan Sifat Keacakan (Entropy) dengan 6 Channel
Klasifikasi dan Pengenalan Pola pada Sinyal EKG Berdasarkan Sifat Keacakan (Entropy) 6 Channel Jaenal Arifin 1, Oyas Wahyunggoro 2, Rudy Hartanto 3 Jurusan Teknik Elektro dan Teknologi Informasi Fakultas
Lebih terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciDeteksi Miokard Infark Jantung pada Rekaman Elektrokardiogram Menggunakan Elevasi Segmen ST
JURNAL Teori dan Aplikasi Fisika Vol. 04, No.01, Januari Tahun 2016 Deteksi Miokard Infark Jantung pada Rekaman Elektrokardiogram Menggunakan Elevasi Segmen ST Arif Surtono, Junaidi & Gurum Ahmad Pauzi
Lebih terperinciPengembangan Perangkat EKG 12 Lead dan Aplikasi Client-Server untuk Distribusi Data
Jurnal ELKOMIKA Teknik Elektro Itenas No. 2 Vol. 3 ISSN: 2338-8323 Juli - Desember 2015 Pengembangan Perangkat EKG 12 Lead dan Aplikasi Client-Server untuk Distribusi Data SUGONDO HADIYOSO 1, MUHAMMAD
Lebih terperinciJurusan Teknik Elektro, 3 Jurusan Teknik Informatika Sekolah Tinggi Teknologi Telkom, Bandung
PKMT-2-19-1 DESAIN DAN REALISASI ALAT ELEKTROKARDIOGRAF BERBASIS MIKROPROSESSOR 8-BIT BESERTA SISTEM DATABASE DAN MONITORINGNYA YANG BERBASIS ONLINE UNTUK MEMBANTU PASIEN JANTUNG Ahmad Sutanto 1, R Saputra
Lebih terperinciDAFTAR ISI. i ABSTRACT. ii KATA PENGANTAR. viii DAFTAR GAMBAR
ABSTRAK Keberadaan noise dalam sinyal elektrokardiograf (EKG) dapat menyebabkan kesalahan interpretasi informasi jantung, yang pada akhirnya menyebabkan kesalahan pada penilaian kondisi jantung. Untuk
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciWIRELESS LAN ELECTROCARDIOGRAPH (ECG)
WIRELESS LAN ELECTROCARDIOGRAPH (ECG) Achmad Rizal dan Jondri Biomedical Signal Processing & Instrumentation Research Group (BioSPIN) Fakultas Elektro & Komunikasi, Institut Teknologi Telkom, Bandung Computational
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 terperinciALAT UNTUK MEMPERAGAKAN IRAMA DENYUT JANTUNG SEBAGAI BUNYI DAN PENGUKUR KECEPATAN DENYUT JANTUNG MELALUI ELEKTRODA PADA TELAPAK TANGAN
ALAT UNTUK MEMPERAGAKAN IRAMA DENYUT JANTUNG SEBAGAI BUNYI DAN PENGUKUR KECEPATAN DENYUT JANTUNG MELALUI ELEKTRODA PADA TELAPAK TANGAN Ervan / 0622085 E-mail : wangervan@yahoo.com Jurusan Teknik Elektro,
Lebih terperinciTrio Novrizal¹, -². ¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2006 PERANCANGAN PERANGKAT MONITORING ECG (ELECTROCARDIOGRAM) DENGAN VISUALISASI LCD GRAFIS BERBASIS MIKROKONTROLER ATMEGA8535 DESIGN DEVICE ECG MONITORING
Lebih terperinciIdentifikasi dan Klasifikasi Pola Sinyal EKG Berdasarkan Sifat Keacakan (Entropy)
Identifikasi dan Klasifikasi Pola Sinyal EKG Berdasarkan Sifat Keacakan (Entropy) Jaenal Arifin 1, Hanung Adi Nugroho 2 Jurusan Teknik Elektro dan Teknologi Informasi Fakultas Teknik, Universitas Gadjah
Lebih terperinciDeteksi Miokard Infark Jantung pada Rekaman Elektrokardiogram Menggunakan Elevasi Segmen ST
Deteksi Miokard Infark Jantung pada Rekaman Elektrokardiogram Menggunakan Elevasi Segmen ST Arif Surtono, Junaidi, Gurum Ahmad Pauzi Jurusan Fisika FMIPA Universitas Lampung Jl. Prof. Dr. Soemantri Brojonegoro
Lebih terperinciPREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3771 PREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI DISEASE
Lebih terperinciAplikasi Wavelet Untuk Penghilangan Derau Isyarat Elektrokardiograf
Widodo, Aplikasi Wavelet Untuk Penghilangan Derau Isyarat Elektrokardiograf 95 Aplikasi Wavelet Untuk Penghilangan Derau Isyarat Elektrokardiograf Bernardinus Sri Widodo Program Studi Mekatronika, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk mengecek alat EKG. Penulis membandingakan dengan alat simulator pada
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Berdasarkan hasil penelitian penulis saat dilaboratorium pada 21 desember 2016 bertempat di RS PKU Muhammadiyah bahwasannya, alat simulator pasien pada
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciIMPLEMENTASI PROTOKOL USB PADA PENGONTROL MIKRO ATMEGA8 UNTUK AKUISISI DATA SINYAL ELEKTROKARDIOGRAM Disusun Oleh : Innocentio Aloysius Loe ( )
IMPLEMENTASI PROTOKOL USB PADA PENGONTROL MIKRO ATMEGA8 UNTUK AKUISISI DATA SINYAL ELEKTROKARDIOGRAM Disusun Oleh : Innocentio Aloysius Loe (0922045) Jurusan Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciLEMBAR PERNYATAAN ORISINALITAS DAN PERSETUJUAN PUBLIKASI JURNAL TUGAS AKHIR/THESIS* UNTUK KEPENTINGAN AKADEMIS
LEMBAR PERNYATAAN ORISINALITAS DAN PERSETUJUAN PUBLIKASI JURNAL TUGAS AKHIR/THESIS* UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika Universitas Telkom, saya yang bertanda tangan di bawah ini: Nama
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database sinyal EKG Pengambilan data dari database Visual Basic 6.0 Discrete Wavelet Transform (DWT) Dekomposisi Daubechies Orde 2
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 terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciI. PENDAHULUAN. Jantung merupakan salah satu organ tubuh yang sangat vital, karena jantung
I. PENDAHULUAN A. Latar Belakang Jantung merupakan salah satu organ tubuh yang sangat vital, karena jantung berfungsi untuk memompakan darah ke seluruh jaringan tubuh. Jika terjadi gangguan pada jantung
Lebih terperinciPenerapan Transformasi Kosinus Diskrit Dalam Klasifikasi Alat Musik Tradisional Menggunakan K-nearest Neighbor
JURNAL SISTEM DAN INFORMATIKA 103 Penerapan Transformasi Kosinus Diskrit Dalam Klasifikasi Alat Musik Tradisional Menggunakan K-nearest Neighbor Ricky Aurelius Nuranto Diaz STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penyakit jantung merupakan penyebab kematian nomor satu di dunia pada saat ini. Menurut Badan Kesehatan Dunia (WHO), pada tahun 2002 sedikitnya 6 juta kematian di
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
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 terperinciTUGAS KEPERAWATAN GAWAT DARURAT INTERPRETASI DASAR EKG
TUGAS KEPERAWATAN GAWAT DARURAT INTERPRETASI DASAR EKG Disusun untuk memenuhi tugas mandiri keperawatan gawat darurat Dosen Setiyawan S.Kep.,Ns.,M.Kep. Disusun oleh : NUGKY SETYO ARINI (P15037) PRODI D3
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 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 terperinciRegha Julian Pradhana 1, Dr. Ir. Bambang Hidayat 2, IPM, Ratri Dwi Atmaja, ST. MT. 3. Abstrak
DETEKSI KUALITAS PEMASANGAN UBIN BERBASIS EKSTRAKSI CIRI BUNYI DENGAN KLASIFIKASI K-NEAREST NEIGHBOR QUALITY DETECTION OF TILES INSTALLATION BASED ON SOUND FEATURE EXTRACTION WITH K-NEAREST NEIGHBOR CLASSIFICATION
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 I PENDAHULUAN. tersebut tentunya menyenangkan terutama di era modern ini dimana setiap
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Generasi instan, mungkin frasa tersebut adalah istilah yang pantas untuk menggambarkan bagaimana kehidupan manusia saat ini. Tidak seperti jaman dahulu, dewasa
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan salah satu media yang penting bagi manusia untuk memperoleh informasi. Seiring dengan perkembangan teknologi citra digital maka setiap orang dapat dengan
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK ECG atau elektrocardiogram merupakan suatu perekaman aktivitas listrik dari pola sinyal detak jantung. Aktivitas listrik dari sel yang dicatat secara grafik dengan perantaraan elektroda intrasel
Lebih terperinciDESAIN DAN REALISASI SISTEM WIRELESS MONITORING ECG DENGAN MODULASI ASK
DESAIN DAN REALISASI SISTEM WIRELESS MONITORING ECG DENGAN MODULASI ASK Achmad Rizal 1, Khusni Eka Wardana 2, Imam Teguh P 3, Budianto 4 Jurusan Teknik Elektro Sekolah Tinggi Teknologi Telkom Jl. Telekomunikasi
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
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 terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciI. PENDAHULUAN. sudah bisa kita rasakan sekarang ini. Peralatan medis. membantu di dalam diagnosis, monitoring atau terapi medis.
1 I. PENDAHULUAN A. Latar Belakang Dalam dunia kesehatan penggunaan peralatan medis berteknologi canggih sudah bisa kita rasakan sekarang ini. Peralatan medis ini dirancang untuk membantu di dalam diagnosis,
Lebih terperinciBAB III METODE PENELITIAN. jantung pasien penyakit jantung secara elektro-akustik atau PCG
BAB III METODE PENELITIAN A. Metode Pengumpulan Data Data penelitian ini diperoleh melalui observasi terhadap pasien penyakit jantung. Penelitian ini menggunakan alat untuk mendeteksi dan perekaman detak
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 terperinciPENGENALAN POLA SINYAL KARDIOGRAFI DENGAN MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT
PENGENALAN POLA SINYAL KARDIOGRAFI DENGAN MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT Evrita Lusiana Utari 1, Agus Qomaruddin Munir 2 1 Prodi Teknik Elektro, Fakultas Sains & Teknologi Universitas Respati
Lebih terperinciAPLIKASI WEB MONITORING ELECTROCARDIOGRAM TERDISTRIBUSI UNTUK MENDUKUNG APLIKASI WIRELESS NODE
ISSN : 2442-5826 e-proceeding of Applied Science : Vol.1, No.2 Agustus 2015 Page 1382 APLIKASI WEB MONITORING ELECTROCARDIOGRAM TERDISTRIBUSI UNTUK MENDUKUNG APLIKASI WIRELESS NODE DISTRIBUTED ELECTROCARDIOGRAM
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 terperinciIdentifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram
Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram Ion Ataka Halela 1,Bowo Nurhadiyono,S.Si, M.Kom 2,Farah Zakiyah Rahmanti 3 1 Fakultas Ilmu Komputer
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
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 terperinciAnalisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
Lebih terperinciDAFTAR ISTILAH. EKG Elektrokardiogram, lebih sering digunakan untuk menunjukkan perangkat.
DAFTAR ISTILAH EKG Elektrokardiogram, lebih sering digunakan untuk menunjukkan perangkat. Sinyal EKG Lebih sering digunakan untuk menunjukkan sinyal kelistrikan jantung. xiii BAB I PENDAHULUAN 1.1 Latar
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 terperinciKLASIFIKASI CITRA REKAMAN SINYAL ELEKTROKARDIOGRAM MENGGUNAKAN METODE ANALISIS TEKSTUR, K-NN DAN MULTILAYER PERCEPTRON
KLASIFIKASI CITRA REKAMAN SINYAL ELEKTROKARDIOGRAM MENGGUNAKAN METODE ANALISIS TEKSTUR, K-NN DAN MULTILAYER PERCEPTRON Mohamad Sofie Program Studi Teknik Elektromedik Akademi Teknik Elektromedik Email:
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciRealisasi Instrumen EKG untuk Pengukuran Sinyal EKG dengan Konfigurasi Elektroda Limb Lead II
75 ISSN 1979-2867 (print) Electrical Engineering Journal Vol. 4 (2014) No. 2, pp. 75-86 Realisasi Instrumen EKG untuk Pengukuran Sinyal EKG dengan Konfigurasi Elektroda Limb Lead II Innocentio Aloysius
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit Kanker merupakan suatu peyakit yang paling ditakuti oleh masyakat karena proses penyembuhannya yang sulit, efek yang ditimbulkan dan memerlukan biaya yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Elektrokardiogram (EKG) merupakan sinyal fisiologis yang dihasilkan oleh aktifitas kelistrikan jantung. Sinyal ini direkam menggunakan perangkat elektrokardiograf.
Lebih terperinciBAB I PENDAHULUAN. I.1 Latar Belakang Masalah
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Salah satu bentuk aplikasi JST yang terus dikembangkan saat ini adalah Jaringan Kohonen. Kohonen adalah bentuk khusus dari jaringan kompetitif. Jaringan ini
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinci