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 Jantung (cardiovascular disease) adalah setiap kondisi yang menyebabkan gangguan terhadap jantung. Penyakit jantung sendiri merupakan penyakit pembunuh nomor satu di dunia terutama pada kalangan dewasa dan lanjut usia. Pada tahun 1990 tercatat sebanyak 14,4 juta kematian akibat serangan jantung. Angka tersebut meningkat menjadi 17,5 juta pada tahun 2005, dan pada tahun 2030 diperkirakan akan meningkat kembali hingga mencapai angka 23,6 juta jiwa penduduk (American Heart Association, 2014). Ada banyak macam penyakit kardiovaskuler, namun yang paling umum adalah Penyakit Jantung Koroner, Penyakit Serebrovaskular (CVD), Penyakit Arteri Perifer, Penyakit Jantung Rematik, Penyakit Jantung Bawaan, dan Gagal Jantung (WHO, 2016). Penyakit kardiovaskuler khususnya penyakit jantung koroner menyebabkan angka kematian yang tinggi di Indonesia, yaitu mencapai 26% (WHO, 2011). Penyakit jantung koroner merupakan jenis penyakit kardiovaskular terbanyak yang menyebabkan kematian di dunia, yaitu 7.2 juta orang per tahun atau 41% dari kasus penyakit kardiovaskular (World Heart Federation, 2010). Penyakit Jantung Koroner adalah penyakit pembuluh darah yang menyuplai otot jantung. Penyakit Serebrovaskular adalah penyakit pembuluh darah yang 1
menyuplai otak. Penyakit Arteri Perifer adalah penyakit pembuluh darah yang menyuplai lengan dan kaki. Penyakit Jantung Rematik adalah kerusakan pada otot jantung dan katup jantung dari demam rematik, yang disebabkan oleh bakteri streptokokus. Penyakit Jantung Bawaan adalah kelainan struktur jantung yang dialami pada saat lahir. Gagal jantung adalah kondisi saat otot jantung menjadi sangat lemah sehingga tidak bisa memompa cukup darah ke seluruh tubuh pada tekanan yang tepat (WHO, 2016). Klasifikasi perlu dilakukan untuk menelusuri sebaran dan karakteristik hasil pemeriksaan diagnosis. Teknik analisa konvensional secara manual yang selama ini digunakan tidak lagi efektif digunakan untuk mendiagnosis karena teknik ini menyebabkan bias, kesalahan dan biaya medis yang berlebihan yang mempengaruhi kualitas layanan yang diberikan kepada pasien. Seiring dengan perkembangan sistem berbasis pengetahuan medis, tuntutan akan adanya penggunaan sistem pengetahuan berbasis komputer sebagai teknik analisa dalam mendiagnosis penyakit menjadi semakin penting. Oleh karenanya, saat inilah waktu yang tepat untuk mengembangkan sistem pengetahuan berbasis komputer yang modern, efektif dan efisien dalam mendiagnosis penyakit (Mehdi & Yaghobi, 2009). Demi mengurangi waktu yang dibutuhkan untuk mendiagnosis dan meningkatkan tingkat akurasi diagnosis, dibutuhkan adanya pengembangan suatu sistem diagnosis medis yang baik dan dapat dihandalkan. Diagnosis medis secara alamiah sangat sulit dan membutuhkan proses berfikir yang rumit. Klasifikasi dapat diselesaikan dengan teknik-teknik pendekatan secara fungsional yang dikenal 2
dengan istilah soft computing. Soft computing merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru kemampuan akal manusia yang luar biasa untuk menalar dan belajar pada lingkungan yang memiliki ketidakpastian dan ketidaktepatan (Jang et al, 1997). Beberapa teknik dalam soft computing antara lain sistem fuzzy, Artificial Neural Network (ANN), algoritma evolusioner, dan probabilistic reasoning. Adakalanya teknik-teknik dalam soft computing saling digabungkan untuk mendapatkan algoritma yang lebih sempurna. Radial Basis Function (RBF) adalah tipe khusus dari neural network yang menggunakan radial basis function sebagai fungsi aktivasinya (Tiruvenkadam Santhanam & A.C. Subhajini, 2011). Jaringan ini terdiri dari tiga layer yaitu input layer, hidden layer, dan output layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear pada lapisan output. Ada banyak fungsi basis yang dapat digunakan untuk membangun neural network di antaranya yaitu: linear, Gaussian, multikuadratik, invers multikuadratik dan sebagainya. Radial basis function (RBF) merupakan salah satu jenis dari Artificial Neural Network (ANN) yang memiliki kelebihan tertentu termasuk kemampuan pendekatan yang lebih baik, jaringan arsitektur sederhana dan algoritma pembelajaran yang lebih cepat. Ide utama jaringan saraf RBF adalah untuk menciptakan jumlah neuron tersembunyi yang tepat dan menentukan bobot masing-masing neuron (Alexey V. Zakharov et al, 2014). Electrocardiogram (ECG), Electroenchepalogram (EEG) dan Phonocardiogram (PCG) adalah beberapa contoh literatur biometric yang erat hubungannya dengan ilmu kedokteran. Masing-masing perangkat tersebut memiliki 3
fungsionalitas yang berbeda-beda tetapi memiliki tujuan dengan arah yang sama, yaitu mengetahui kondisi bagian tubuh yang diamati (Primasari, 2012). Electroencephalogram (EEG) adalah tes medis yang digunakan untuk mengukur aktivitas listrik otak. EEG dilakukan dengan cara menempatkan elektroda pada kulit kepala. EEG sering juga disebut sebagai tes gelombang otak. EEG akan membantu mendiagnosis sejumlah kondisi kesehatan, seperti epilepsi, gangguan tidur, dan tumor otak. Electrocardiograph (ECG) merupakan metoda yang umum dipakai untuk mengukur kinerja jantung manusia melalui aktivitas elektrik jantung. Sinyal jantung (ECG) merupakan sinyal biomedik yang bersifat nonstationer, dimana sinyal ini mempunyai frekuensi yang berubah terhadap waktu sesuai dengan kejadian fisiologi jantung. Sinyal ECG juga dapat memberikan informasi terkait aktivitas mekanik jantung, tetapi tidak sepenuhnya bisa menggambarkan kelainan jantung yang sebelumnya dialami, sehingga kelainan jantung tersebut tidak bisa dideteksi dari sinyal jantung (Suprayitno, 2012). Phonocardiogram (PCG) adalah teknik dalam penelusuran suara jantung dan pencatatan getaran akustik jantung melalui suatu transduser mikrofon yang akan direkam dan ditampilkan pada osiloskop. Suatu mikrofon yang dirancang khusus ditempatkan pada dinding dada sehingga getaran yang dihasilkan oleh jantung dapat diterima, diperkuat, serta direkam. Dalam hal tertentu, diagnosis berbasis suara jantung mempunyai kelebihan jika dibandingkan dengan diagnosis berbasis EKG, diantaranya dari sisi safety dan kemudahan perekaman isyarat jantung. (Kristomo, 2014). 4
Penelitian mengenai klasifikasi dari suara jantung dengan menggunakan metode jaringan syaraf tiruan (neural network) pernah dilakukan juga oleh Winstem Siswanto Siregar pada tahun 2005. Winstem mencoba mengkasifikasikan data berupa rekaman suara jantung yang ia rekam dari alat PCG. Hasilnya ia mendapatkan 56% untuk akurasi terbaiknya. Metode jaringan syaraf tiruan juga pernah diterapkan oleh Edwin, M. Jimmy Hasugian, dan E. Merry Sartika (2011) untuk mengklasifikasikan kondisi jantung berdasarkan sinyal ECG. Sinyal jantung diklasifikasikan ke dalam 4 kondisi yakni normal, atrial fibrilation, ventricular tachycardia, dan ventricular bigeminy. akurasi yang didapatkan sebesar 100% untuk data testing dan untuk data training-nya sebesar 66,67% untuk kondisi atrial fibrilation, 75% untuk kondisi ventricular tachycardia, 40% untuk ventricular bigeminy, dan 30% untuk kondisi normal. Pada tahun 2012, Arif Surtono dkk pernah meneliti tentang analisis sinyal ECG berbasis wavelet dan backpropagation neural network. Sinyal ECG diekstraksi kemudian diklasifikasikan dalam beberapa kondisi yaitu jantung normal, arrhytmia, ventricular tachyarrhytmia, intracardiac atrial fibrillation dan myocard infarction. Penelitian tersebut menghasilkan akurasi pengklasifikasian sebesar 87.424% untuk semua data. Pada tahun 2016, Hindarto pernah melakukan penelitian tentang klasifikasi sinyal jantung menggunakan jaringan syaraf tiruan. Data sinyal jantung diekstraksi dengan menggunakan metode Fast Fourier Transform (FFT) kemudian dijalankan algoritma backpropagation. Dalam penelitian tersebut didapatkan akurasi hasil sebesar 93%. 5
Dalam penelitian ini akan dilakukan diagnosis untuk jenis-jenis penyakit jantung menggunakan data suara detak jantung yang didapatkan dari isyarat sinyal phonocardiogram (PCG) berdasarkan waktu, kemudian digunakan transformasi wavelet untuk menganalisis, mengekstraksi, dan mengurai menjadi beberapa komponen, setelah itu digunakan neural network untuk mencari pola dan ciri dari jantung normal atau tidak normal (penyakit jantung). B. Batasan Masalah Dalam tugas akhir ini dibahas tentang diagnosis penyakit jantung dengan menggunakan radial basis function neural network. Di dalam penyusunan tugas akhir ini, data yang digunakan adalah data rekaman detak jantung pasien penyakit jantung di Rumah Sakit PKU Muhammadiyah Yogyakarta. Perekaman detak jantung menggunakan alat phonocardiogram (PCG). Diagnosis yang menjadi target keluaran dari hasil adalah kondisi jantung normal atau tidak normal (sakit jantung). C. Rumusan Masalah 1. Bagaimana proses diagnosis penyakit jantung dengan menggunakan metode radial basis function neural network berdasarkan isyarat sinyal phonocardiogram (PCG)? 2. Berapa tingkat keakuratan metode radial basis function neural network untuk mendiagnosis penyakit jantung? 6
D. Tujuan Penelitian Tujuan dari penelitian tugas akhir ini adalah: 1. Menjelaskan proses diagnosis penyakit jantung dengan menggunakan metode radial basis function neural network berdasarkan isyarat sinyal PCG. 2. Mempresentasikan tingkat keakuratan metode radial basis function neural network untuk mendiagnosis penyakit jantung. E. Manfaat Penelitian Manfaat penulisan tugas akhir ini adalah: 1. Bagi dunia kesehatan, hasil penelitian ini dapat digunakan sebagai tambahan informasi mengenai diagnosis penyakit jantung. 2. Bagi mahasiswa, menambah pengetahuan mengenai aplikasi radial basis function neural network yang dapat digunakan sebagai acuan untuk membuat karya ilmiah yang terkait dengan radial basis function neural network. 3. Bagi Universitas Negeri Yogyakarta, dapat menambah referensi mengenai penerapan radial basis function neural network. 7