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 darah mengangkut zat-zat yang sangat diperlukan untuk kelangsungan hidup sel-sel tubuh. Sebaliknya darah juga membawa zat-zat yang tidak berguna lagi bagi sel untuk dibuang ke luar tubuh [1]. Selama bertahun-tahun, serangan jantung menduduki ranking pertama penyebab kematian di berbagai tempat di dunia. Sekitar tahun 60-an, harapan penderita jantung untuk sembuh relatif kecil dibanding saat ini. Keterbatasan peralatan untuk mendeteksi kerja jantung merupakan salah satu penyebabnya. Dokter umum sebagai pintu gerbang utama dan ujung tombak dalam pelayanan kepada masyarakat umum memegang kunci keberhasilan dalam menekan angka kesakitan maupun angka kematian akibat penyakit jantung [2]. Elektrokardiograf adalah alat yang digunakan untuk menangkap sinyal listrik yang dihasilkan oleh jantung saat melakukan tugasnya mengambil darah kotor dan memompa darah bersih ke seluruh tubuh. Sinyal listrik tersebut dinamakan elektrokardiogram (EKG). Rekaman EKG ini digunakan oleh dokter atau ahli medis untuk menentukan kondisi jantung pasien, di antaranya untuk mengetahui frekuensi (rate) jantung, arrhythmia, infark miokard, pembesaran atrium, hipertrofi ventricular, dan lain-lain. Pola EKG beberapa kondisi jantung memiliki ciri yang khusus, tetapi untuk membedakan pola sinyal jantung yang sehat atau terdapat kelainan fungsional pada jantung diperlukan pengalaman dan keahlian tersendiri dalam melakukan identifikasi macam-macam sinyal EKG yang sudah ada. Penyakit jantung memiliki ragam yang sangat banyak, sehingga untuk mendiagnosa dengan tepat kelainan jantung tertentu pada pasien diperlukan keahlian khusus serta pengalaman yang memadai. Ada beberapa kelemahan elektrokardiograf ini yaitu kemampuan para ahli dalam menganalisa hasil 1
rekaman jantung sangat mungkin menghasilkan diagnosis yang berbeda-beda. Selain itu kondisi fisik, mental, dan pikiran orang kadang-kadang bersifat labil, sehingga seorang dokter ahli yang sudah berpengalamanpun dapat saja melakukan kesalahan dalam mendiagnosa penyakit jantung. Sinyal EKG yang sama dapat diinterpretasikan secara beragam oleh dokter yang berbeda, sehingga bertolak dari kenyataan tersebut maka perlu dibuat sistem cerdas yang dapat melakukan analisis sendiri data elektrokardiogram, sehingga kesalahan fatal akibat interpretasi yang keliru dalam pembacaan sinyal EKG dapat dihindari. Sinyal jantung yang dideteksi menggunakan sensor bipotensial, yang berfungsi sebagai transduser arus ion tubuh menjadi arus elektron penghantar, diolah oleh elektrokardiograf. Sinyal EKG hasil pemrosesan elektrokardiograf tersebut kemudian diolah dengan komputer untuk mendapatkan sinyal yang siap diproses. Sinyal tersebut kemudian diekstrasi ciri untuk memperoleh pita-pita energi. Dari pita-pita energi inilah pola kondisi jantung dapat dikenali. Selanjutnya dengan Jaringan Syaraf Tiruan (JST) back error propagation dapat melakukan identifikiasi sinyal jantung tersebut yang dapat memberi hasil diagnosis banding bagi dokter. 1.2 Perumusan masalah Perlu dibuat sistem cerdas yang mampu mengidentifikasi kelainan jantung yang beresiko tinggi sebagai upaya untuk mengurangi kesalahan interpretasi oleh tenaga medis sekaligus sebagai diagnosis banding bagi dokter atau tenaga medis. 1.3 Keaslian penelitian Penelitian mengenai sinyal jantung terutama untuk mengidentifikasi beberapa jenis gangguan jantung telah banyak dilakukan, dengan menggunakan algoritma dan metode yang beragam, tetapi biasanya hanya sebatas analisis, dengan mengambil data sampel berupa data sekunder dari sumber tertentu di internet atau dari rumah sakit. Dalam penelitian ini digunakan dua jenis sumber data sekaligus yaitu data riil rekaman EKG yang diperoleh dari rumah sakit, phantom, dan akuisisi secara langsung dari pasien serta data simulasi yang 2
diambil dari MIT BIH database yang diunduh di http://www.phisyonet.org. Selain itu untuk jenis gangguan jantung yang beresiko tinggi seperti yang akan dianalisis dalam penelitian ini masih sangat jarang diteliti khususnya ischemic heart disease/jantung koroner. Dalam penelitian sebelumnya telah diaplikasikan jaringan syaraf tiruan untuk menganalisis dan mengenali suara jantung untuk kepentingan klasifikasi jenis kelainan katub jantung pada manusia. Dari hasil ekstraksi ciri menggunakan metode wavelet dan proses pengenalan pola suara jantung dari beberapa jenis kelainan katub jantung, sistem yang dibuat mampu mengenali 80% suara jantung normal, 80% untuk pola suara jantung murmur sistolic, 82,4% untuk suara jantung murmur diastolic, dan 30% untuk pola suara jantung murmur kontinu [3]. Julian dkk berhasil mengimplementasikan klasifikasi aritmia EKG menggunakan JST dengan fungsi aktivasi adaptif. Tahap pertama adalah tahap training menggunakan algoritma backpropagation dengan melakukan perbaikan parameter jaringan serta parameter bebas yang terdapat pada fungsi aktivasi. Tahap kedua adalah tahap testing setelah mendapatkan arsitektur jaringan yang optimum pada tahap training. Kedua tahap tersebut dilakukan pada dua model JST dengan fungsi aktivasi berbeda, yang masing-masing memiliki parameter bebas. Kemudian kedua model tersebut dibandingkan dengan JST klasik. Dengan mengambil data dari database aritmia milik MIT_BIH, diperoleh JST klasik dan dua model JST dengan fungsi aktivasi adaptif mempunyai akurasi sebesar 97,92%, 99,59%, dan 99,54% [4]. Edwin dkk telah melakukan klasifikasi terhadap kondisi jantung normal, atrial fibrillation, ventricular tachycardia, dan ventricular bigeminy berdasarkan pemodelan sinyal EKG. Pemodelan sinyal menggunakan AR (Auto Regresive) metode Burg. Orde model ditentukan melalui kriteria uji kecocokan dan AIC (Akaike s Information Criteria). Parameter model AR digunakan sebagai masukan bagi JST dengan fungsi sebagai data uji maupun data latih. Hasil pengujian menunjukkan bahwa klasifikasi terbaik didapatkan dengan menggunakan pemodelan orde 5 dan arsitektur JST 3 layer dengan jumlah neuron 20 20 4. Hasil klasifikasi 100% diperoleh untuk setiap kondisi fisiologis pada kategori data 3
uji sama dengan data latih. Kategori data uji tidak sama dengan data latih menunjukkan hasil klasifikasi 66,67% untuk atrial fibrillation, 75% untuk kondisi ventricular tachycardia, 40% ventricular bigeminy, dan 30% untuk kondisi normal [5]. Rizal dkk melakukan penelitian untuk melakukan pendeteksian masalah jantung dengan menggunakan kombinasi empiris modus dekomposisi (EMD) dan dekomposisi paket wavelet. Sinyal EKG didekomposisi menggunakan EMD sampai level 3 dan menggunakan wavelet Daubechies 2 sampai level 5. Periodogram energi yang dihasilkan dari masing-masing sub-band dihitung. Metode k-mean clustering digunakan sebagai pengklasifikasi. Dari tiga kelas data yang terdiri atas Normal Sinus Rhythm (NSR), Congestive Heart Failure (CHF), dan Atrial Fibrillation diperoleh akurasi 90% [6]. Lutfi dkk merealisasikan sebuah sistem yang mampu menganalisis dan mengklasifikasikan kelainan sinyal EKG. Continous Wavelet Transform (CWT) dengan fungsi Morlet digunakan untuk mengeksplorasi karakteristik timefrequency sinyal EKG. Klasifikasi sinyal EKG dilakukan dengan Artificial Neural Network (ANN). Sinyal EKG yang digunakan diambil dari MIT-BIH database Arrhythmia termasuk sinyal denyut normal dan denyut bundle branch block (BBB). 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 dilatihkan, ANN mengenali data dengan akurasi 87,04%. Dalam pengujian dengan validasi silang sensitivitas mencapai 87% dan spesifisitas 95% [7]. Purwanti dkk merancang sistem jaringan syaraf tiruan untuk klasifikasi citra EKG. Metode pemrosesan citra digunakan untuk ekstraksi fitur citra EKG dan proses klasifikasi menggunakan learning vector quantization. Beberapa data EKG digunakan sebagai data pelatihan dan pengujian jaringan. Hasil simulasi menunjukkan bahwa akurasi algoritma klasifikasi sebesar 89% terdiri atas 9 normal, 4 bradikardi, 8 takikardi, dan 7 aritmia [8]. 4
Mukhopadhyay menyajikan sistem untuk mendeteksi puncak komplek gelombang P, Q, R, S, T, sinyal EKG berbasis transformasi wavelet. Metode yang digunakan mengusulkan puncak PQRST ditandai dan disimpan pada seluruh sinyal dan interval waktu antara puncak R berturut-turut dan puncak lainnya diukur untuk mendeteksi anomali sinyal EKG. Keakuratan deteksi kompleks PQRST dan interval sinyal dicapai hingga 100% [9]. Jumnahdi mengembangkan manfaat skema pemrosesan sinyal dalam memecahkan masalah identifikasi sinyal murmur jantung dengan memanfaatkan data yang tersedia pada sejumlah pasien jantung Indonesia. Pemrosesan sinyal menggunakan jaringan syaraf tiruan yang didahului dengan analisis transformasi fourier cepat (FFT), dan diarahkan untuk sembilan kelas murmur yaitu stenosis katub aorta, cacat septum atrium, regurgitasi katub mitral, cacat septum ventrikel, klik-mid sistolik, regurgitasi dan stenosis aorta, presistolik, stenosis mitral, dan ductusarteriosus paten ones. Vektor bobot jaringan dikelompokkan menurut pola yang merupakan fitur khusus masing-masing sinyal berdasar data sampel dan data training. Keberhasilan identifikasi mencapai 78,5% [10]. Pada penelitian ini akan dilakukan identifikasi kelainan jantung yang beresiko tinggi meliputi Atrial Fibrilation, Ventricular Takikardia, Ventricular Fibrilation, serta gangguan berikutnya adalah Ischemic Heart Disease/jantung koroner. Proses ekstraksi ciri dilakukan dengan dekomposisi paket wavelet hingga 6 level untuk mendapatkan pita-pita energi, selanjutnya ciri tersebut akan dilatihkan menggunakan metode back error propagation untuk membentuk suatu jaringan yang mampu mengenali setiap ciri berdasarkan jenis kondisi jantung masing-masing. 1.4 Tujuan Penelitian Penelitian ini bertujuan melakukan analisis sinyal EKG berbasis sistem cerdas yang dapat menginterpretasikan dan mengidentifikasi gangguan-gangguan jantung dengan resiko tinggi yang terdiri atas Atrial Fibrilation, Ventricular Takikardia, Ventricular Fibrilation, serta gangguan berikutnya adalah Ischemic Heart Disease/jantung koroner. Pada penelitian ini pengenalan pola gangguan 5
jantung menggunakan jaringan syaraf tiruan back error propagation dengan ekstrasi ciri menggunakan wavelet. Penghapusan derau yang dilakukan adalah menghilangkan derau akibat interferensi jala-jala listrik 50/60 Hz dan baseline wander removal. 1.5 Manfaat Penelitian Hasil penelitian ini diharapkan dapat memberi kontribusi dalam dunia medis, terutama dalam mendiagnosis gangguan jantung yang beresiko tinggi, sehingga membantu tenaga medis dalam menganalisis jantung pasien, serta mengurangi human error. Apabila penelitian ini berhasil, dapat digunakan sebagai rujukan untuk pengembangan sistem berikutnya yaitu sistem yang dapat dihubungkan dengan elektrokardiograf yang dapat melakukan analisis dan identifikasi secara online, atau dikembangkan menjadi sistem tertanam (embedded system). 1.6 Sistematika Penulisan Untuk memudahkan memahami masalah yang akan dibahas, penelitian ini ditulis dengan sistematika berikut ini: Bab 1 Pendahuluan. Dalam bab ini menjelaskan secara singkat tentang latar belakang masalah, perumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, dan sistematika penulisan. Bab 2 Tinjauan Pustaka dan Landasan Teori. Bab ini menjelaskan secara singkat mengenai hasil-hasil penelitian sebelumnya yang berhubungan dengan penelitian ini serta berisi landasan-landasan teori yang relevan dengan masalah yang akan dibahas. Bab 3 Metodologi. Bab ini menjelaskan mengenai alat dan bahan yang digunakan dalam penelitian, serta berisi tentang penjelasan jalannya penelitian dan metode yang dipakai. Bab 4 Hasil dan Pembahasan. Bab ini memuat hasil penelitian dan pembahasannya. 6
Bab 5 Kesimpulan dan Saran. Bab ini berisi kesimpulan yang dapat diambil dari hasil penelitian secara keseluruhan. Selaian kesimpulan, dalam bab ini juga berisi saran-saran yang diperoleh dari hasil penulisan. 7