Book Biomedis PDF

Teknik Biomedis: Teori dan Implementasi
Penulis :
Wisnu Jatmiko
Petrus Mursanto
Bob Hardian
Anom Bowolaksono (Departemen Biologi, FMIPA UI)
Budi Wiweko (Departemen Obstetri dan Ginekologi, FKUI)
Muhammad Ali Akbar
I Putu Satwika
Zaki Immadudin
M. sakti Alvissalim
Ikhsanul Habibie
Muhammad Anwar Ma'sum
Muhammad Nanda Kurniawan
Hak Cipta
Seluruh isi buku dan sampul merupakan

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

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

November 2013
Tim Penulis
Sistematika Penyusunan
Buku ini disusun dalam beberapa bab agar pembaca dapat memiliki
gambaran singkat mengenai perkembangan Biomedes. Berikut adalah
penjelasan isi singkat bab dalam buku ini:
Bab 1:
Pada bab ini dijelaskan hal-hal yang melatar belakangi dan menjadi
alasan mengapa buku ini di buat. Selain itu, hal yang dijelaskan pada
bab ini adalah mengenai pengetahuan umum mengenai Biomedis,
sejarah Biomedis, perkembangan Teknis Biomedis di Indonesia dan
peralatan-peralatan yang biasa digunakan dalam bidang Teknik
Biomedis. Selain itu, pada bab ini juga akan dibahas beberapa
penelitian yang dilakukan di Fakultas Ilmu Komputer, Universitas
Indonesia, yang berkaitan dengan bidang teknologi Biomedis, seperti;
Aritmia, Sleep Apnea, Sleep Stages dan Ultrasonografi (USG).
Bab 2:
Di dalam bab ini, Pembaca akan diperkenalkan hasil penelitian
biomedik yang berhubungan dengan organ jantung dan beberapa
jenis penyakit yang menyertainya. bab ini akan dijelaskan suatu
proses pengenalan Aritmia dan data pendukung untuk mendeteksi
stabil atau tidaknya keadaan jantung seseorang dengan
menggunakan pendekatan jaringan saraf tiruan. Proses ini dibagi
menjadi beberapa tahap studi yaitu: pemrosesan data, ekstraksi fitur
dan pemrosesan data pada elektrokardiogram
Bab 3:
Bab ini akan menjelaskan tentang tidur, jam tidur dan siklus tidur pada
manusia. Kebutuhan tidur yang tidak terpenuhi ternyata memberikan
dampak yang cukup signifikan dalam kesehatan seseorang. Bab ini
juga menjelaskan tentang penyakit yang ditimbulkan akibat gejala
kelainan tidur yang dialami seseorang. Bab ini banyak menjelaskan
tentang pembangunan alat pendeteksian gangguan tidur dengan
menanamkan algortima cerdas jaringan syaraf tiruan untuk
mengklasifikan kelainan sleep apnea disaat seseorang sedang
tidur,semua proses tersebut diterapkan pada perangkat lunak
maupun perangkat keras yang dikembangkan di Fakultas Ilmu

Komputer UI
Bab 4:
Di dalam Bab ini dijelaskan mengenai Pendeteksian kadar
Trycloroetilen pada Hati Manusia, dimana pembaca akan dibawa
untuk menyelami berbagai fenomena yang berhubungan dengan hati
manusia, terutama pada penyakit dan penanggulangannya. bab ini
megupas secara lebih terperinci mengenai zat perusak fungsi hati
pada manusia, yaitu Trycloroetilen. dimana beberapa tim peneliti dari
fakultas ilmu komputer Universitas Indonesia tertarik untuk meneliti
bagai mana cara kerja zat tersebut untuk meneyrang hati manusia
dan seperti apa proses penyebaran penyakitnya. dengan sistem
algoritma yang telah dibuat, maka proses pendeteksiaan penyakit
yang di sebabkan oleh zat Trycloroetilen bisa terdeteksi dengan baik.
Bab 5:
Bab ini menjelaskan mengenai Ultrasonografi (USG), perkembangan
teknologinya dan cara kerja USG. Selain itu, Pada bab ini juga akan
dijelaskan beberapa jenis kelainan pada janin bayi dan penyebab
adanya kelainan tersebut. Kemudian, penjelasan dilanjutkan
mengenai sistem pedeteksian ketidaknormalan pada janin
berdasarkan Biometri atau ukuran anatomi janin baik dari sisi
hardware dan software. dengan beberapa penelitian yang sudah
populer dan diakui oleh beberapa konfeerensi international, maka
ilmu pengetahuan mengenai pendeteksian normal dan abnormal dari
janin ini akan kami publikasikan melalui buku ini, lengkap dengan
sistem algoritma yang diharapkan dapat di pelajari oleh para peneliti
lainnya.
Bab 6:
Bab ini menjelaskan tentang sistem algorima dari masing masing bab
diatas, dengan sistem algorima ini maka diharapkan para peneliti
dapat dengan mudah melakukan implementasi dan pengembang
kedepan. Algoritma yang kami suguhkan dalam buku ini lebih banyak
di fokuskan pada bidang ilmu jaringan syaraf tiruan. dimana semua ide
dan usulan yang terangkum dalam buku biomedis ini sudah
dipublikasikan melalui paper dan jurnal didunia internasional.
Daftar Isi
Kata Pengantar ................................................................................................. 3
Sistematika Penyusunan ................................................................................... 5
Daftar Isi............................................................................................................ 7
BAB 1
Pendahuluan ...................................................................................... 12
1.1 Pendahuluan............................................................................................ 13
1.2 Sejarah Teknik Biomedis ........................................................................ 16
1.3 Peralatan-peralatan dalam Teknik Biomedis .......................................... 25
1.3.1 Alat Foto Sinar-X (Rntgen) ............................................................. 25
1.3.2 Elektrokardiogram (EKG/ECG) ......................................................... 26
1.3.3 Elektroensefalogram (EEG) ............................................................. 27
1.3.4 Ultrasonography (USG)................................................................... 28
1.4 Susunan Buku ........................................................................................ 29
BAB 2
Jantung: Penyakit dan Penanganannya .............................................. 30
2.1 Penyakit Jantung.................................................................................... 35

2.1.1.
Aterosklerosis pada Jantung ....................................................... 36
2.1.2.
Arrhythmia (Aritmia)................................................................ 37
2.1.3 Infark Miokardial Akut ..................................................................... 40

2.1.4 Kardiomiopati...................................................................................41
2.1.5 Gagal Jantung Kongesitif ................................................................ 42
2.1.6. Penyakit Jantung Rematik.............................................................. 44
2.1.7. Inflamasi Jantung ........................................................................... 47
2.1.8. Fibrilasi Atrial .................................................................................. 48
2.2 Elektrokardiogram(EKG) ....................................................................... 49
2.2.1
Heartbeat..................................................................................... 52
2.2.2
Whole Signal ................................................................................ 53
2.3
7
Pemrosesan Data Elektrokardiogram.............................................. 57

2.3.1
Base Wander Removal ................................................................. 58
2.3.2. Ekstraksi Beat................................................................................. 60

2.3.3. Noise Removal ............................................................................... 64
2.3.4 Fitur Ekstraksi ................................................................................. 67
2.4 Sistem Telehealth Monitoring Penyakit Jantung .................................. 70
2.4.1 Fitur Utama Sistem Telehealth Monitoring Penyakit Jantung ........ 72
2.4.2 Implementasi Server ...................................................................... 75
BAB 3
Pendeteksian Tahapan dan Gangguan Tidur ...................................... 76
3.1. Penelitian Tentang Tahapan Tidur ........................................................ 77

3.1.1 Siklus NREM1.................................................................................... 79
3.1.2 Siklus NREM2 ................................................................................... 80
3.1.3 Siklus NREM3................................................................................... 80
3.1.4 Siklus REM ....................................................................................... 81
3.2. Jenis-Jenis Gangguan Tidur .................................................................. 81
3.3 Metode Pendeteksian Siklus Tidur ........................................................ 83
3.4 Ekstraksi Fitur Untuk Deteksi Siklus Tidur ............................................. 84
3.5. Dataset ................................................................................................. 88
3.5.1. Pengambilan Sinyal Detak Jantung Pasien ..................................... 88
3.5.2. Anotasi Potongan Sinyal Detak Jantung ........................................ 89
3.6. Karakteristik Data ................................................................................. 90
3.7. Perangkat Portable Berbasis Single Board Computer .......................... 91
3.7.1. Rangkaian Elektronik Terintegrasi.................................................. 91
3.7.2. Pengantar Beagleboard SBC .......................................................... 92
3.7.3. Implementasi Alat Deteksi Data Tidur Pada Alat Portable............. 92
BAB 4
Deteksi Kadar Trichloroethylene (TCE) pada Hati ............................ 94
4.1 Apa itu Trichloroethylene ...................................................................... 95

4.1.1 Kegunaan Trichloroethylene........................................................... 95
4.1.2 Dampak Negatif dari Trichloroethylene .......................................... 95
8
4.2 Definisi Hati.......................................................................................... 96

4.2.1 Fungsi Hati....................................................................................... 96
4.2.2 Tanda dan Gejala Penyakit .............................................................. 98
4.2.3 Pencegahan Penyakit...................................................................... 99
4.3 Tujuan Penelitian Deteksi Kadar Trycloroetilen pada Tikus Putih....... 100
4.3.1
Penelitian Mengenai Hati Tikus Putih Sebelumnya .................... 100
4.3.2
Mengapa objek yang digunakan adalah Hati Tikus Putih .......... 100
4.3.3
Persamaan antara Hati Tikus Putih dan Hati Manusia ................ 101
4.4 Dataset Tikus Putih ............................................................................ 101

4.4.1
Cara Perolehan Data ................................................................... 101
4.4.2
Cara Pengelompokan Data Citra dari Hati Tikus Putih................ 101
4.5 Pengolahan Data .................................................................................. 103

4.5.1 Croping Gambar ............................................................................. 103
4.5.2 Scaling Gambar .............................................................................. 103
4.5.3
Clustering (Pengelompokan)................................................... 103
4.5.4
Klasifikasi ................................................................................105
4.6
Kesimpulan ....................................................................................105
BAB 5
Ultrasonografi (USG) ...................................................................... 107
5.1 Teknologi USG...................................................................................... 108

5.2. Pertumbuhan Janin Terhambat (PJT) .................................................. 110
5.3. Parameter untuk menghitung PJT ....................................................... 111
5.3.1. Kepala (Head)................................................................................. 111
5.3.2. Paha (Femur) ................................................................................ 113
5.3.3. Lengan Atas (Humerus) ................................................................ 114
5.3.4. Perut (Abdomen).......................................................................... 115
5.4. Dataset ................................................................................................ 117
5.4.1. Perolehan Dataset ......................................................................... 117
5.4.2. Katakteristik Data ......................................................................... 119
9
5.5. Pengolahan Citra USG ......................................................................... 123

5.6. Preprocessing dan Pendekatan Metode ............................................. 125
5.6.1. Speckle Noise Reduction............................................................... 125
5.6.2. Segmentasi Citra Menggunakan Thresholding ............................. 127
5.6.3. Segmentasi Citra Menggunakan Deteksi Objek........................... 128
5.7. Deteksi dan Pengukuran Biometri Janin.............................................. 134
5.7.1. Hough Transform untuk Deteksi Elips ............................................ 134
5.7.2. Swarm Intelligence......................................................................... 139
5.7.3. Hough Transform dan Swarm Intelligence untuk Deteksi Elips ...... 141
5.7.4. Perbaikan terhadap Deteksi Elips menggunakan Hough Transform
............................................................................................................... 143
5.8. Sistem Telehealth Pertumbuhan Janin (TERRAIN).............................. 147
5.8.1 Fitur-FItur Sistem Telehealth Pertumbuhan Janin (TERRAIN) ...... 148
5.8.2 Implementasi Terrain Server ........................................................ 152
BAB 6
Metode Klasifikasi.......................................................................... 154
6. 1 LVQ....................................................................................................... 155
6.1.1 Ide Dasar LVQ ................................................................................. 155
6.1.2 LVQ1 ...............................................................................................156
6.1.3 LVQ2 ............................................................................................... 157
6.1.4 LVQ2.1 ............................................................................................158
6.1.5 LVQ3 ...............................................................................................159
6.1.6 GLVQ ............................................................................................. 160
6.1.7 FNLVQ ............................................................................................163
6.2 Multi Layer Perceptron......................................................................... 167
6.2.1 Karakteristik Backpropagation....................................................... 167
6.2.2 Contoh Eksekusi Algoritma Backpropagation ............................... 175
6.3 Pengembangan Lanjut GLVQ ............................................................... 182
6.3.1 FNGLVQ .......................................................................................... 182
6.3.2 Mahalanobis GLVQ ........................................................................ 192
10 TeknikBiomedis : Teori dan Aplikasi
6.3.3 Adaptive FNGLVQ .......................................................................... 193

6.3.4 Adaptive Multicodebook FNGLVQ................................................ 198
6.4 Adaboost.............................................................................................. 210
Daftar Pustaka ........................................................................................... 213
11
BAB 1
Pendahuluan
TeknikBiomedis:Teori dan Aplikasi
12
1.1 Pendahuluan
Pada kehidupan modern yang serba cepat, dan penuh dengan
berbagai macam aktifitas, kesehatan merupakan aset yang sangat berharga
dalam menunjang kegiatan tersebut. Untuk menunjang kesehatan sering kali
kita memiliki ketergantungan kepada dunia medis dan peralatan
pendukungnya untuk menghilangkan sakit maupun untuk menjaga stamina
tubuh agar tetap fit.
Bertambahnya populasi manusia di dunia ditambah dengan pola
hidup dan pola makan yang tidak sehat sangat mempengaruhi kondisi
kesehatan manusia. Kehidupan manusia sangat dipengaruhi oleh situasi dan
kondisi kesehatannya. Selain faktor kesehatan, ada faktor lain yang
mempengaruhi keadaan manusia yakni kondisi kebugaran, tekanan kejiwaan
dan permasalahan hidup yang sedang dihadapi. Perubahan-perubahan ini
dapat diamati melalui perubahan kinerja organ tubuh manusia. Perubahan ini
sangat berpengaruh terhadap kinerja jantung, hati, pankreas, paru-paru dan
ginjal.
Detak jantung untuk orang sehat, tentunya berbeda dengan detak
jantung orang yang sedang tertekan/depresi, berbeda dengan detak jantung
orang yang ketakutan, berbeda dengan detak jantung orang yang menderita
penyakit degeneratif maupun yang menderita penyakit lainnya. Begitu pula
kerja ginjal untuk orang yang sehat berbeda dengan kinerja ginjal orang yang
sedang terkena penyakit kencing batu.
Dalam cabang ilmu kedokteran dikenal suatu cabang yang dikenal
sebagai Ilmu Teknik Biomedis (Biomedis saja). Ilmu Biomedis ini menerapkan
azas-azas dan pengetahuan dasar tentang Ilmu Pengetahuan Alam yang
meliputi Kimia, Biologi, Fisika, dan Matematika untuk menjelaskan fenomena
molekul, sel, organ, dan virus yang berhubungan dengan penyakit dan
pengembangan perawatan medis yang tepat untuk mengobati, mencegah,
dan membantu pada tahap pemulihan kondisi kesehatan pasien.
Berdasarkan The Biomedical Engineering Handbook: Second Edition"
yang disusun Joseph D. Bronzino, teknik biomedis dapat dikategorikan dalam
beberapa subbidang disiplin. Walau memang dalam pengkategorian tersebut
masih terdapat persilangan antara satu sama lainnya. Bagan kategori
subbidang tersebut dapat dilihat pada Gambar 1.1.
13
Gambar 1.1 Bidang Disiplin Teknik Biomedis
Ilmu Biomedis adalah cabang ilmu kedokteran yang menggunakan

azas-azas dan pengetahuan dasar ilmu pengetahuan alam (Biologi, Kimia dan
Fisika) untuk menjelaskan fenomena hidup pada tingkat molekul, sel, organ
dan organisme utuh, dan berhubungan dengan penyakit dan pengembangan
bahan yang tepat untuk mencegah, mengobati dan memulihkan kerusakan
akibat penyakit. Penelitian dalam ilmu biomedis ini dapat dibagi menjadi dua
kategori umum yaitu evaluasi pengobatan baru untuk keamanan dan

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

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

Pada masa sebelum abad ke-20 M, teknik pengobatan masih
bergantung pada teknik pengobatan yang ditemukan ilmuwan-ilmuwan Arab
jauh sebelumnya. Dalam teknik pembedahan sebut saja Abu Qasim AlZahrawi yang hidup sekitar abad ke-10 M, penemu alat-alat bedah. Alat-alat
temuan Al-Zahrawi antara lain adalah pisau bedah, benang penjahit bekas
bedah, alat suntik, dan sebagainya. Al Zahrawi dan gambar alat-alat bedahnya
dapat kita lihat pada Gambar 1.2.
Gambar 1.2 Al Zahrawi (kiri) dan salah satu halaman buku yang menerangkan
peralatan-peralatan bedahnya (kanan)
Tidak hanya peralatannya saja, prosedur pembedahan pada masa itu

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

elektromagnetiknya (kanan)
Di saat yang hampir bersamaan Joseph Henry, seorang ilmuwan asal
Amerika, juga melakukan percobaan induksi elektromagnetik. Ia membuat
besi tergulung kumparan kawat di sekelilingnya menghasilkan elektro
17
magnet setelah dialiri listrik dari kedua elektrodanya. Walau Faraday dan
Henry bekerja secara terpisah, mereka mengerjakan pekerjaan yang sama
terkait induksi elektromagnetik.
Walau sudah ditemukan jauh sebelumnya, persamaan mengenai
hukum elektro magnet baru dirumuskan pada tahun 1860. Ilmuwan yang
memiliki andil besar dalam perumusan hukum tersebut adalah James Clerk
Maxwell, seorang ilmuwan asal Skotlandia. Ia menerjemahkan penemuan
pada eksperimen yang dilakukan oleh Faraday ke dalam bahasa (rumus)
matematika. Dalam usahanya merumuskan fenomena elektromagnetik
Maxwell akhirnya sampai pada satu set persamaan yang secara komprehensif
menjelaskan tentang hubungan antara medan listrik dan medan magnet serta
bagaimana dapat memproduksinya. Teori Maxwell berpengaruh besar
terhadap berbagai hal terkait pemahaman tentang dunia secara fisik serta
berbagai jenis gelombang elektromagnetik yang bermanfaat bagi kehidupan
umat manusia.
Fenomena yang telah ditemukan Faraday dan Henry serta teori
Maxwell akhirnya menuntun penemuan gelombang yang sangat bermanfaat
bagi banyak keperluan di masa sekarang ini. Salah satu wujud nyata dari
manfaat fenomena yang ditemukan sebelumnya serta perumusan persamaan
elektromagnetik oleh Maxwell adalah ditemukannya gelombang
elektromagnetik oleh seorang fisikawan asal Jerman, Heinrich Hertz.
Penemuan tersebut didapat dari eksperimen yang dilakukannya pada tahun
1887 yang dilakukan dengan mendapatkan frekuensi dari gelombanggelombang tak terlihat. Penemuan ini memperkuat pembuktian tentang teori
yang belum lama telah diutarakan oleh Maxwell. Pada masa awal-awal
penemuannya, gelombang-gelombang tersebut dinamakan "Hertzian
waves". Namun demikian, pada masa kini gelombang tersebut dikenal
sebagai gelombang-gelombang radio.
Penemuan pertama yang langsung dapat dihubungkan dengan teknik
biomedis adalah penemuan sinar-X (X-rays) oleh Wilhelm Conrad Rntgen.
Rntgen adalah fisikawan asal Jerman yang merupakan profesor fisika
Wrzburg University. Kisah penemuan sinar-X dimulai pada petang hari
tanggal 8 November 1895. Saat itu Rntgen sedang di laboratorium untuk
mempelajari bagaimana tabung sinar katoda bisa mengeluarkan cahaya.
Perhatiannya terganggu oleh sebuah layar berpendar (fluorescent screen) di
dalam laboratoriumnya yang bersinar tanpa alasan yang jelas. Fenomena

tersebut membuatnya kebingungan karena layar tersebut posisinya lumayan
jauh dari tabung untuk dapat terpengaruh sinar-sinar katoda.
Fenomena membingungkan yang ditemukan oleh Rntgen tidak
diabaikannya begitu saja. Rasa ingin tahunya membuatnya mencoba
melakukan investigasi mengenai sumber yang menyebabkan hal tersebut
(cahaya pada layar) terjadi. Percobaan yang dilakukan Rntgen sampaisampai membuatnya tidak meninggalkan laboratoriumnya selama
berminggu-minggu. Namun demikian usahanya tidaklah sia-sia. Pada akhirnya
ia menemukan bahwa sinar-sinar katoda pada tabung kaca hampa udara telah
membuat sejenis sinar tak tampak yang baru. Sinar-sinar tersebut memiliki
kemampuan menembus yang tidak biasa, yaitu dapat merambat walau
dihalangi kayu, tembaga, dan aluminium serta dapat direkam pada pelat
fotografis.
Pada awalnya, Rntgen jarang terlihat tampil dalam konferensi ilmiah
maupun menulis paper ilmiah. Namun demikian penemuan sinar-X yang tak
diduga sebelumnya, berdampak besar pada kehidupannya. Ia memahami
bahwa ia harus mengatasi sifat malu dan keengganannya dalam berbicara
serta menyebarkan informasi tentang penemuan pentingnya ke komunitas
sesegera mungkin. Pada akhirnya ia menulis 10 halaman artikel berjudul "On a
new kind of rays" yang diterima oleh Proceedings of the Wrzburg PhysicalMedical Society pada 28 Desember 1895. Rntgen menamakan penemuannya
sebagai X-radiation atau X-rays yang diambil dari istilah matematika 'X' yang
mengacu pada hal yang tidak diketahui. Ia sangat menyukai istilah ini
walaupun para peneliti lainnya bersikeras untuk menyebutnya Rntgen rays.
Foto sinar-X pertama Rntgen yang berdampak luar biasa di seluruh
dunia adalah foto tangan istrinya, Anna Bertha, yang tembus sehingga
terlihat cincin dan tulang tangannya. Gambar Rntgen beserta foto sinar-X
tersebut dapat dilihat pada Gambar 1.4. Para dokter memahami bahwa teknik
fotografis baru ini dapat membantu untuk melihat ke dalam tubuh manusia
tanpa pembedahan. Dalam dunia kedokteran sinar Rntgen dimanfaatkan
untuk mendiagnosis keretakan tulang, menemukan lokasi peluru yang
tertanam di tubuh, dan mengidentifikasi penyebab kekeraman. Karena
penemuan sinar-X pulalah, departemen radiologi diadakan di berbagai rumah
sakit.
Gambar 1.4 Wilhelm Conrad Rntgen (kiri) dan foto sinar-X dari tangan
istrinya, Anna Bertha (kanan)
Setelah publikasi pertama mengenai penemuan sinar-X, informasi
mengenai penemuan Rntgen ini tersebar ke berbagai media dari mulai jurnal
ilmiah sampai halaman pertama (headline) koran harian. Pada akhir tahun
1896, lebih dari 1000 buku dan papers telah mempublikasikan sinar-X serta
aplikasi-aplikasinya. Fakta menariknya adalah publikasi-publikasi tersebut
justru sebagian besar tidak berasal dari Rntgen sendiri. Rntgen hanya
mempublikasikan dua papers lagi tentang sinar-X. Hal luar biasa lainnya yang
Rntgen lakukan (atau tidak lakukan?) adalah ia menolak untuk mematenkan
penemuannya. Ia meyakini bahwa penemuan-penemuannya adalah milik
dunia secara luas. Hal tersebut membuat para peneliti di seluruh dunia dapat
melakukan eksperimen terhadap sinar-X. Reaksi dunia terhadap sinar-X yang
ditemukannya akhirnya membuat Wilhelm Conrad Rntgen, pada tahun 1901,
meraih hadiah Nobel pertama dalam bidang fisika. Kalimat motivasi
penobatannya adalah "in recognition of the extraordinary services he has
rendered by the discovery of the remarkable rays subsequantly named after
him".
Penemuan penting lainnya dalam bidang biomedis adalah penemuan
mekanisme elektrokardiogram (EKG) oleh Willem Einthoven. Einthoven
adalah seorang fisiolog asal Belanda yang lahir pada tahun 1860 di Semarang,
Jawa, Indonesia, yang dulunya merupakan wilayah bagian Hindia Belanda.
Pada tahun 1903, ia membuat string galvanometer yang menjadi cikal bakal
elektrokardiogram. Ilustrasi dari string galvanometer Einthoven dapat dilihat
pada Gambar 1.5.
Gambar 1.5 Ilustrasi String Galvanometer Einthoven

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

Willem Einthoven dinobatkan sebagai penerima hadiah Nobel Kedokteran
pada tahun 1924. Kalimat motivasi penobatannya adalah "for his discovery of
the mechanism of the electrocardiogram". Sinyal yang dikeluarkan
elektrokardiogram saat ini umum digunakan untuk melihat aktivitas jantung
yang abnormal untuk dibandingkan dengan sinyal jantung yang normal.
Sejarah teknik biomedis berlanjut ke penemuan elektroensefalograf
(EEG) yang dibuat oleh Hans Berger, dari Universitas Jena di Austria, pada
tahun 1924. EEG adalah alat yang digunakan untuk mengukur dan merekam
aktivitas elektris dari otak. Untuk mengetahui bagaimana hal ini dapat
ditemukan, kita mundur sedikit ke tahun 1875. Pada saat itu, seorang ahli
bedah dari Liverpool, Inggris, mengukur potensi elektris dari membran dari
kelinci dan kera. Selanjutnya pada tahun 1912, fisiolog Rusia, PravdichNeminski mempublikasikan paper yang mempresentasikan rekaman
fotografis dari aktifitas otak. Pada akhirnya, berdasarkan temuan-temuan
yang dilakukan para peneliti tersebut sebelumnya, Berger membuat
elektroensefalogram pertamanya. Foto diri Berger beserta keluaran
gelombang EEG-nya dapat dilihat pada Gambar 1.6.
Gambar 1.6 Hans Berger (atas) dan hasil EEG pertamanya (bawah)
Alat EEG pertama Berger selanjutnya digunakan pada operasi bedah
syaraf seorang anak berusia 17 tahun oleh seorang ahli bedah syaraf bernama
Nikolai Guleke. Ia melaporkan hal tersebut pada tahun 1929 dan
memperkenalkan istilah gelombang Alfa dan Beta. Setelah itu, pada tahun
1935, amplifier elektrik digunakan untuk membuktikan bahwa aktifitas

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

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

lanjut berikutnya.
1.3 Peralatan-peralatan dalam Teknik Biomedis

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

Alat pencitraan (imaging) yang sudah lama ditemukan oleh Wilhelm
Conrad Rntgen ini masih banyak digunakan untuk berbagai hal sampai saat
ini. Pada awalnya, sinar-X hanya digunakan untuk mendiagnosis keretakan
dan pergeseran tulang. Namun demikian, seiring perkembangan teknologi,
penggunaan sinar-X diperbolehkan untuk digunakan dalam mendiagnosis
berbagai penyakit dan cedera secara luas.
Pada dasarnya, setiap alat / mesin yang memanfaatkan sinar-X, dari
mulai alat foto sinar-X yang konvensional sampai alat yang lebih modern saat
ini seperti computerized tomography (CT) scanner, menggunakan beberapa
konsep / perangkat dasar yang sama. Perangkat-perangkat tersebut antara
lain adalah sumber penembak sinar-X, collimator, dan pendeteksi sinar-X. Alat
sinar-X medis biasanya mengeluarkan (generate) sinar-sinar dengan energi
sekitar 20-150 keV. Secara umum, sinar-sinar tersebut diproduksi oleh tabung
sinar katoda yang menciptakan sorotan sinar-sinar X. Sorotan tersebut
dibentuk oleh sebuah collimator lalu diarahkan ke tubuh pasien. Hasil akhir
dari sorotan tersebut selanjutnya ditangkap oleh pendeteksi sinar yang akan
merepresentasikan gambar bayangan dari tubuh pasien.
Pada alat sinar-X konvensional, sorotan sinar-X langsung diarahkan ke
sebuah layar film, sehingga langsung tercetak. Kelemahan sistem
konvensional ini adalah jika ada foto yang kurang baik layar film harus diganti
dengan yang baru sehingga akan menambah biaya. Selain itu, pada masa
sekarang dimana sebuah data dapat bernilai sangat penting, kebutuhan akan
perolehan data yang nantinya dapat diproses oleh komputer tidak dapat
dipenuhi dengan foto langsung. Dengan adanya detektor, data dapat
disimpan dalam komputer maupun jaringan. Hal ini juga akan sangat
membantu untuk menghindari foto ulang jika terjadi foto fisik sinar-X yang
sudah dicetak sebelumnya hilang.
1.3.2 Elektrokardiogram (EKG/ECG)

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

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

Elektroensefalogram (EEG) merupakan alat yang digunakan untuk
mengukur gelombang otak. EEG merekam potensial listrik yang diproduksi
oleh otak yang besarannya sekitar kurang dari 300 V. Seperti yang sudah
dikemukakan pada subbab sebelumnya bahwa Hans Berger adalah orang
yang pertama mengembangkan alat EEG untuk menganalisis gelombang otak
manusia. Dari penelitian awal yang dilakukannya, ia menemukan bahwa
potensial listrik tidak teratur yang besarnya sekitar 50 sampai 100 V datang
dari otak manusia. Dengan melakukan studi lanjut selama beberapa tahun, ia
menemukan bahwa gelombang otak tidak sepenuhnya tanpa pola, melainkan
mengeluarkan tampilan yang menunjukkan kebiasaan serta aturan periodik
tertentu.
Salah satu contoh dari temuan Berger adalah gelombang otak
berjalan lambat sewaktu tidur, yaitu menampilkan pola sinkronisasi dengan
amplitudo tinggi dan frekuensi rendah sekitar kurang dari 3 Hz. Di lain pihak,
eksperimen Berger yang dilakukan terhadap kondisi otak saat sadar (tidak
tertidur) menghasilkan gelombang yang lebih cepat, yaitu pola dissinkronisasi
dengan amplitudo rendah dan frekuensi tinggi lebih tinggi sekitar 15-25 Hz.
Saat ini sudah banyak teknik pembacaan EEG yang lebih kompleks. Namun
demikian, berbeda dengan sinyal jantung yang dibaca oleh EKG, sinyal EEG
sangat sulit dianalisis oleh pengamat yang tidak terlatih. Hal tersebut
sebagian disebabkan oleh pemetaan spasial ke beberapa region dari otak
serta penempatan elektrodanya.
Dalam hal perolehan data, sensor yang dipakai dalam EEG adalah
Elektroda berbentuk cup dan subdermal needle. Pada cup electrodes dibuat
dari platinum atau logam putih lainnya dengan diameter sekitar 5-10 mm.
Elektroda tersebut diisi oleh gel elektrolit dan dapat ditempelkan di kulit
kepala menggunakan semacam perekat. Selanjutnya subdermal electrodes
juga merupakan pilihan untuk digunakan dalam perekaman EEG. Hal tersebut
disebabkan karena perekaman yang lumayan sulit pada kulit kepala yang
terhalang rambut maupun kulit berminyak. Elektroda tersebut terbuat dari
platinum atau jarum anti karat dengan panjang 10 mm dan lebar 0.5 mm.
Penggunaannya adalah dengan memasukkannya ke bawah kulit dengan
tujuan untuk mendapatkan kontak listrik yang lebih baik.
1.3.4 Ultrasonography (USG)

Alat Ultrasonografi (USG) adalah alat yang memancarkan gelombang
suara berfrekuensi tinggi yaitu sekitar 1-5 MHz. Gelombang tersebut nantinya
akan ditangkap menggunakan Probe yang merupakan alat ukur jarak antara
organ tempat gelombang suara terpantul kembali ke dirinya.
Gambar 1.9 Mesin USG Modern
Alat USG biasa digunakan untuk melihat kondisi perut seorang ibu
yang mengandung. Karena waktu pemantulan yang berbeda-beda dari
bagian-bagian dalam perut ibu, maka akan didapatkan kondisi di dalam rahim.
Contoh mesin USG modern dapat dilihat pada Gambar 1.9.
1.4 Susunan Buku

Buku ini membahas dasar instrumentasi medis, analisis sinyal dan citra
medis, serta instrumen terapi. Analisis sinyal dan citra medis terutama
difokuskan pada sinyal ECG, citra termal kanker payudara, dan juga instrumen
terapi terutama untuk penyakit jantung dan penyakit kanker. Hal ini berkaitan
dengan pengalaman penelitian yang telah dilakukan oleh penulis beserta
rekan-rekan peneliti.
BAB 2
Jantung: Penyakit dan
Penanganannya
Jantung merupakan organ vital yang tanpa lelah memompa darah ke

tubuh anda baik tubuh anda dalam keadaan istirahat maupun dalam keadaan
bekerja. Jantung tersebut yang membuat kita tetap hidup dan memberikan
nutrisi untuk setiap sel jaringan dalam tubuh. Jantung dan sistem peredaran
darah bersama-sama membentuk sistem kardiovaskular, yang dapat
mendistribusikan oksigen dan nutrisi ke sel-sel tubuh, serta membawa pergi
karbon dioksida dan produk limbah lainnya keluar tubuh. Jantung melakukan
aksi pemompaan dengan kekuatan untuk mendorong darah terlebih dahulu
ke paru-paru untuk mengambil oksigen, kemudian darah bersih dari paru-paru
masuk ke dalam sistem peredaran darah. Peredaran darah membawa sistem
darah keluar ke jaringan darah melalui arteri, kemudian kembali ke jantung
melalui vena. Lebih dari 60,000 juta mil pembuluh darah yang terlibat dalam
jaringan peredaran darah tersebut. Apabila pembuluh darah tersebut tidak
mendapat asupan darah yang cukup, maka seseorang dikatakan terkena
penyakit jantung. Tersumbatnya pembuluh darah tersebut diantaranya bisa
diakibatkan oleh penimbunan lemak (kolesterol) pada serabut otot jantung
atau konsentrasi darah terlalu pekat dikarenakan penyakit keturunan seperti
diabetes, dan kurang berolahraga.Pada bab ini akan dijelaskan mengenai
penyakit jantung, sebab penyakit dan cara penanganannya.
Sebelum membahas tentang Penyakit Jantung, kita terlebih dahulu
akan membahas tentang jantung. Jantung merupakan organ muskular yang
terletak di atas epigastrum dan ruang antara paru (mediatinum) tepat di
tengah rongga dada. Kira-kira dua pertiga jantung terletak di sebelah kiri garis
tengah sternum. Jantung dilapisi membran yang disebut perikardium.Jantung
terdiri dari empat ruangan yaitu atrium kiri dan kanan, ventrikel kiri dan
kanan.Atrium mempunyai dinding tipis dan berfungsi menerima darah.
Atrium kanan menerima darah dengan kadar oksigen rendah dari vena cava
superior dan inferior dan meneruskan ke ventrikel kanan melalui katup
tricuspid, selanjutnya ke arteri pulmonal. Darah kaya oksigen akan dialirkan ke
atrium kiri melaui vena pulmonal dan selanjutnya ke ventrikel kiri melalui
katup mitral, serta dipompa ke seluruh tubuh melalui aorta. (gambar 2.1).
31
Gambar 2.1 Gambar anatomi dan fisiologi jantung dan pembuluh darah
Jantung merupakan sistem elektromekanikal dimana sinyal untuk
kontraksi otot jantung timbul akibat dari penyebaran arus listrik di sepanjang
otot jantung. Sistem konduksi terdiri dari sel otot jantung yang memiliki sifat
unik, terdiri dari:
1) Nodal Sinortrial (SA)
a) Nodal SA merupakan sekumpulan sel yang terletak di bagian sudut
kanan atas atrium kanan dengan ukuran panjang 10-20 mm dan lebar
2-3 mm serta merupakan pacemaker jantung.
b) Nodal SA mengatur ritme jantung (60-100/ menit) dengan
mempertahankan kecepatan depolarisasi serta mengawali siklus
jantung ditandai dengan sistol atrium.
c) Impuls dari nodal SA menyebar pertama sekali ke atrium kanan lalu ke
atrium kiri (melalui berkas Bacham) yang selanjutnya diteruskan ke
nodal atrioventrikular (AV) melalui traktus intermodal.
2) Nodal Artrioventrikular (AV)
a) Nodal AV terletak dekat septum interatrial bagian bawah, diatas sinus
koronarius dan dibelakang katup tricuspid yang berfungsi
memperlambat kecepatan konduksi sehingga memberikan
kesempatan atrium mengisi ventrikel sebelum sistol ventrikel serta

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

Potensial aksi jantung terbagi menjadi beberapa fase sebagai berikut:

- Fase 0:
Depolarisasi cepat (fast sodium chanel): terjadi pemasukan Na+ dari
luar sel ke dalam sel melalui saluran Na+. Ion K+ bergerak ke luar sel dan Ca++
bergerak lambat masuk ke dalam sel melalui saluran Ca++. Sel akan
terdepolarisasi dan dimulailah kontraksi jantung ditandai dengan kompleks
QRS pada electrocardiogram (EKG). Selanjutnya terjadi repolarisasi segera
yang terdiri dari 3 fase (fase 1, 2, dan 3).
- Fase 1:
Repolarisasi dini: Saluran Na+ akan menutup sebagian sehingga
memperlambat aliran Na+ ke dalam sel. Pada saat bersamaan, Cl- masuk ke
dalam sel dan K+ keluar melalui saluran K+. Alhasil terjadi penurunan jumlah
ion positif dalam sel yang menimbulkan gelombang defleksi negative pada
kurva potensial aksi.
- Fase 2:
Fase Plateau: terjadi pemasukan lambat Ca++ ke dalam sel melalui
saluran Ca++. Ion K+ terus keluar dari sel. Pengeluaran cepat K+
menyebabkan terjadinya gelombang T (repolarisasi ventrikel) pada EKG.Jika
saluran K+ dihambat, terjadi pemanjangan potensial aksi.
- Fase 3:
Repolarisasi cepat akhir: terjadi downslope potensial aksi, dimana K+
bergerak cepat keluar sel. Seluruh Ca++ dan Na++ tertutup sehingga Ca++ dan
Na++ tidak bisa masuk ke dalam sel menjadi negative. Hal ini menjelaskan
terjadinya gelombang T (repolarisasi ventrikel) pada EKG.Jika saluran K+
dihambat, terjadi pemanjangan potensi aksi.
- Fase 4:
Resting membrane potensial: kembali pada keadaan instirahat, Na+
dijumpai banyak di dalam sel serta K+ banyak di luar sel. Pompa na+ K+ akan
diaktivasi untuk mengeluarkan Na+ dan memasukkan K+ ke dalam sel.
Jantung mengalami polarisasi (siap untuk stimulus berikutnya).
Gambar 2.3 Fase potensial aksi jantung dan korelasi dengan EKG
Gelombang potensial elektrik negatifakan menyebar sepanjang
miokard yang berkontraksi. Potensial ini dideteksi dengan meletakkan
beberapa elektroda di berbagai lokasi kulit, sinyalakan diperkuat dan
digambarkan sebagai rekaman elektrokardiogram.
2.1 Penyakit Jantung

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

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

Semakin bertambahnya usia seseorang semakin berkurang kinerja
metabolisme tubuhnya. Pada usia muda pembuluh darah arteri manusia
memiliki elastisitas yang tinggi dalam membawa asupan darah dari jantung
dan kembali ke jantung. Ketika memasuki usia tua tingkat keelastisan
pembuluh arteri ini semakin berkurang, dan juga semakin menyempit dan
kaku.
Pada dasarnya serangan jantung yang berkembang saat ini adalah
akibat dari kondisi aterosklerosis. Aterosklerosis berasal dari bahasa Yunani
Athero (bubur atau pasta) dan Sclerosis (keras), atau dengan kata lain
aterosklerosis sendiri adalah keadaan penyempitan dan pengerasan
pembuluh darah arteri akibat pengendapan kolesterol dan material lemak
sehingga menimbulkan plak (plaque). Biasanya plak yang tertimbun pada
lapisan dalam dari dinding pembuluh darah arteri memiliki kadar kolesterol
yang tinggi, selain kalsium dan lemak. Oleh karena itu penyakit ini juga sering
disebut sebagai pengapuran pembuluh darah. Kepingan plak tersebut bisa
pecah dan masuk ke pembuluh darah sehingga dapat menghalangi jalannya
aliran darah, menyumbatnya dan menyebabkan kerusakan jaringan atau
kematian jaringan.Penyempitan dan pengerasan pembuluh darah ini apabila
terjadi pada pembuluh darah di otak maka akan mengakibatkan penyakit
stroke, begitupula apabila terjadi penyempitan dan pengerasan pada
pembuluh darah arteri pada jantung maka akan mengakibatkan penyakit
jantung angina pectoris.
Gambar 2.4 Ilustrasi Aterosklerosis

Biasanya penyebab dari penyakit ini adalah:
Darah tinggi
Diabetes
Kebiasaan merokok
Peradangan tulang
Meningkatnya kadar LDL dalam darah
Riwayat genetik
Polusi udara juga berkontribusi menyebabkan arterosklerosis
Depresi
Kelebihan berat badan
Terlalu banyak mengkonsumsi alkohol
Kurangnya aktifitas fisik dan olahraga
Obesitas (kegemukan)
2.1.2. Arrhythmia (Aritmia)

Aritmia adalah kondisi berupa kelainan irama jantung atau
ketidaknormalan denyut jantung. Aritmia ini biasanya disebabkan kurangnya
pasokan darah yang membawa darah segar yang mengandung oksigen ke
otot jantung, biasanya timbul sensasi denyutan yang terlalu lambat, denyutan
yang terlalu cepat maupun denyutan yang tidak beraturan.
Detak jantung orang yang normal berada pada rentang 60 sampai 100
detakan per menit. Ditinjau dari detakannya terdapat dua kelompok penyakit
aritmia yakni:
Brardycardia: yaitu kondisi denyut jantung yang lambat, biasanya
kurang dari denyut minimal orang normal yakni kurang dari 60 denyut
per menit. Termasuk di dalamnya sinus bradycardia
Tachycardia: yaitu kondisi denyut jantung yang terlalu cepat, biasanya
denyutannya ini bias melebihi100 denyut per menit. Tergolong ke
dalam kelas penyakit ini adalah sinus tachycardia, ventricular
tachycardia danparoxysmal atrial tachycardia (PAT). Gejala yang
timbul dari Tachycardia ini terkadang dapat menimbulkan palpitasi.
Namun tidak selamanya denyut jantung yang cepat ini merupakan
gejala dari tachycardia, terkadang denyut jantung yang cepat ini juga
terjadi apabila seseorang telah selesai melakukan olahraga maupun
latihan fisik.
Berikut ini adalah beberapa penyakit kelainan jantung yang termasuk kategori
Aritmia:
1. Atrial Fibrilation/Flutter (AF)
AF merupakan kondisi dari irama jantung tidak teratur yang umumnya
menyebabkanatrial, bagian atas bilik jantung berkontraksi tidak
normal.Penyebab terseringdari AF adalah kelainan infark miokard, dilatasi
atrium kiri, penyakit paru kronis, gagal jantung pasca pembedahan
kardiotorasik dan tirotoksikosis.
2. Supraventricular tachycardia (SVT)
Denyut jantung cepat yang tidak normal secara teratur yang
disebabkan oleh tembakan secara cepat impuls listrik dari atas
atrioventricular node (AV node) di dalam jantung.Termasuk didalamnya
adalah takikardia atrium, takikardia atrium multifokal, takikardia
supraventrikular paroksismal.
3. Sindrom Wolff-Parkinson-White (WPW)
Merupakan kumpulan gejala yang ditimbulkan oleh impuls dari atrium
yangdikonduksi ke ventrikel lebih cepat dari biasanya (pre-eksitasi) melalui
jalurtambahan.
4. Sick-Sinus Syndrome (SSS)
Merupakan kelainan dimana nodus SA tidak dapat mencetuskan
impuls secaranormal akibat dari fibrosis di nodus SA.Gejala klinis yang
munculberupa bradikardia sinus, episode henti sinus yang intermiten, dan
sindrombradi-takikardia sehingga penderita mengeluh palpitasi, presinkope
atausinkope.Biasanya
diagnosis
SSS
dapat
dilakukan
dengan
menggunakanHolter Monitor ECG (ECG 24 jam atau lebih).
5. Premature Ventricular Contractions (PVC)
Atau juga disebut Ventricular Premature beat, merupakan kejadian
umumdimana denyut jantung diinisiasi oleh ventrikel jantung, bukan oleh
sino-atrialnode yang merupakan inisiator denyut jantung yang normal.
Akibatnya,muncul denyut tambahan yang tidak normal sebelum denyut
normal mumcul.
6. Ventricular Tachycardia (VT)

Merupakan suatu irama jantung yang cepat yang berasal dari ruang
bawah(atau ventrikel) jantung. Laju denyut yang cepat mencegah jantung
mengisicukup darah , sehingga sejumlah kecil darah dipompa ke seluruh
tubuh. Hal Ini bisa mengakibatkan penyakit Aritmia yang serius, terutama
pada orang dengan penyakit jantung,dan dapat berhubungan dengan banyak
gejala.Seorang dokter harusmengevaluasi Aritmia ini.
7. Ventricular fibrillation (VF)
Tembakan impuls yang tidak teratur dan tidak menentu dari
ventrikel.Ventrikelbergetar dan tidak bisa berkontraksi atau memompa darah
ke tubuh.Hal Iniadalah keadaan darurat medis yang harus diobati dengan
cardiopulmonaryresuscitation (CPR) dan defibrillation sesegera mungkin.
8. Blok
Blok atau hambatan konduksi dapat dibagi menadi 3 jenis menurut
lokasi kejadiannya yaitu:
Blok nodus SA : pada kondisi ini, serabut sinus adalah normal,
hanyasaja gelombang depolarisasi yang dicetuskan terhambat
sebelum mencapaiatrium. Blok SA biasanya tidak memberi gejala
sehingga tidakmemerlukan pengobatan.
Blok nodus AV : semua hambatan konduksi yang terjadi antara
nodusSA sampai pada berkas HIS-Sistem Purkinje. Blok AV dibagi
menjadi
Blok AV derajat I, II dan III. Mungkin jantung berdetak tidak
teraturdan kadang sering lebih lambat. Jika serius, Heart Block diobati
denganalat pacu jantung (PaceMaker). Sebagian besar muncul dari
patologi disimpul atrioventrikular dimana penyakit ini penyebab
paling umum dariBradycardia.
Blok Infranodal : hambatan konduksi yang terjadi pada sistem
infranodal.Sistem infranodal terdiri dari berkas His dan 3 cabang
berkasinfra-ventrikular yaitu satu right bundle branch (RBB), dan 2
fasikulus dari left bundle branch (LBB). Jika konduksi terhambat pada
bagian berkas cabang kanan (RBB), makadisebut sebagai Right
Bundle Branch Block (RBBB), dan jika konduksi terhambat pada
bagian berkas cabang kiri (LBB), maka disebut Left Bundle Branch
Block (LBBB).
9. Sudden Arrhythmia Death Syndrome (SADS)
Merupakan kematian mendadak yang yang tidak diharapkan yang
disebabkanoleh kehilangan fungsi jantung secara tiba-tiba sudden cardiac
arrest.
Terkadang
kelainan
aritmia
ini
dapat
menyebabkan
kematian.Kematian akibat kelainan detak jantung ini dapat dicegah apabila
indikasi penyakit jantung tersebut dapat dideteksi secara dini dan termonitor
dengan baik.
2.1.3 Infark Miokardial Akut

Penyakit Infark Miokardio akut adalah kondisi penyakit di mana otot
jantung (miokard) tidak mendapat suplai oksigen dan nutrisi yang cukup
sehingga mengakibatkan rusaknya jaringan jantung. Biasanya penyakit ini
diakibatkan penyempitan dan penyumbatan pembuluh darah arteri koroner
jantung, atau dengan kata lain tidak berfungsinya otot jantung (nekrosis).
Gambar 2.5 Ilustrasi penyakit Infrak Miokardio Akut

Penyakit ini timbul akibat penyakit aterosklerosis yang terdapat pada
pembuluh darah arteri koronerjantung yang tidak ditangani secara dini.
Terlepasnya plak yang pada pembuluh darah di salah satu arteri koroner otot
jantung menyebabkan otot jantung mengalami terhambatnya suplai darah
segar dari dan menuju jantung, atau dengan kata lain tidak berfungsinya otot
jantung. Keadaan ini akan menyebabkan rasa nyeri pada dada yang terjadi
secara mendadak.
Pertanda awal anda terkena serangan ini awalnya anda akan
mengalami sensasi dada seperti tertusuk-tusuk terkadang sensasinya dapat
berupa rasa terbakar di bagian dada dengan waktu lebih dari 30 menit. Rasa
sakit tersebut menjalar ke bahu, lalu menjalar pula ke lengan kiri epigastrium,
leher dan dagu. Terkadang juga muncul perasaan badan melemas
dikarenakan penurunan aliran darah ke otot-otot rangka. Lalu akan timbul
perasaan mual dan keinginan untuk muntah dikarenakan sensasi nyeri yang
hebat.
2.1.4 Kardiomiopati
Kardiomiopati adalah istilah umum yang dipakai untuk penyakit
gangguan otot jantung yang mengakibatkan jantung tidak bisa berkontraksi
secara normal. Penyakit ini juga membuat jantung sulit untuk memompa
darah dan mengirimkannya ke seluruh tubuh, sedangkan ada banyak
penyebab penyakit kardiomiopati ini. Satu penyebabnya adalah penyumbatan
arteri koroner jantung yang menyuplai bagian dari dinding otot jantung.
Penyebab lainnya adalah adanya kelainan pada katup jantung.
Dalam dunia kedokteran terdapat 3 jenis penyakit Kardiomioipati di
antaranya adalah sebagai berikut.
a) Pelebaran Kardiomiopati (Dilated Cardiomyopathy)
Merupakan kondisi jantung yang membesar dikarenakan kemampuan
jantung yang melemah sedang ukuran bilik pada jantung membesar
menyebabkan otot pada jantung juga ikut membesar. Hal ini mengakibatkan
jantung tidak dapat menyuplai darah keseluruh tubuh.
b) Hypertrophic cardiomyopathy
Merupakan kondisi otot-otot pada jantung mengalami penebalan,
biasanya penebalan ini meyebabkan darah tersumbat dan sukar melintasi
jantung.Hal ini biasanya terjadi pada orang yang memiliki riwayat penyakit
kardiomiopati turunan.
c) Restrictive cardiomyopathy
Merupakan kondisi jantung tidak dapat mengisi bilik jantung dengan
darah sesuai takaran bilik dikarenakan otot-otot jantung mengalami
kekakuan.
d) Isekemik Kardiomiopati
Pada tiap jenis Kardiomiopati menimbulkan perubahan yang berbeda
pada jantung tetapi semua mempengaruhi ukuran dan bentuk dari jantung
anda serta dapat mempengaruhi sistem listrik yang membuat jantung
berdetak.
2.1.5 Gagal Jantung Kongesitif

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

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

LVEDV yang lebih lanjut, sehingga menciptakan lingkaran perburukan
gagal jantung.
2.1.6. Penyakit Jantung Rematik

Penyakit Jantung Rematik (PJR) atau dalam bahasa medisnya
Rheumatic heart Disease (RHD) adalah suatu kondisi dimana terjadi
kerusakan pada katup jantung yang bisa berupa penyempitan atau
kebocoran, terutama katup mitral (stenosis katup mitral) sebagai akibat
adanya gejala sisa dari Demam Rematik (DR). Demam rematik sendiri
merupakan suatu penyakit yang diakibatkan oleh infeksi bakteri
Streptococcus hemoliticus tipe A seperti Streptococcus pyogenes. Demam
rematik merupakan suatu penyakit sistemik yang dapat bersifat akut,
subakut, kronik, atau fulminan. Awalnya terjadi infeksi ditenggorokan oleh
bakteri tersebut.Bakteri merupakan suatu antigen. Akibat infeksi ini maka
tubuh bereaksi membentuk antibodi. Antibodi ini ditujukan untuk bakteri
Namun karena ada kemiripan struktur antigen dengan katup jantung, maka
katup jantung ikut terserang sehingga menimbulkan kerusakan katup
jantung.
Gambar 2.6 Katup-katup Jantung

Pada demam rematik kerusakan katup berlangsung sementara,

namun jika berlanjut pada penyakit jantung rematik, maka kerusakan relatif
bersifat menetap. Penyakit jantung rematik biasanya menyerang anak usia 615 tahun. Meskipun demikian cacat yang terjadi pada jantung bisa
berlangsung hingga usia dewasa. Jika efek bakteri ini sudah menyerang
jantung biasanya gejala yang timbul adalah sesak nafas, jantung berdebardebar, detak jantung yang cepat, nyeri dada, dan cepat capek. Pada anakanak yang usianya masih kecil, biasanya si anak akan cepat lelah dan akhirnya
tidak ikut bermain dengan teman-temannya.
Gambar 2.7 Gambar Etiologi Faktor dari Penyakit Jantung Rematik
Seseorang yang mengalami demam rematik apabila tidak ditangani

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

Inflamasi jantung dapat terjadi pada dinding jantung (miokarditis),
selaput yang menyelimuti jantung (perikarditis), atau bagian dalam
(endokarditis). Inflamasi jantung dapat disebabkan oleh racun maupun
infeksi.
a. Miokarditis
Miokarditis akut adalah proses inflamasi di miokardium. Jantung
merupakan organ otot, jadi efisiensinya tergantung pada sehatnya tiap
serabut otot. Bila serabut otot sehat, jantung dapat berfungsi dengan baik
meskipun ada cedera katup yang berat, bila serabut otot rusak maka hidup
dapat terancam. Miokarditis biasanya diakibatkan oleh proses infeksi,
terutama oleh virus, bakteri, jamur, parasit, protozoa dan spiroseta atau
dapat juga disebabkan oleh keadaan hipersensitifitas seperti demam rematik.
Jadi miokarditis dapat terjadi pada pasien dengan infeksi akut, yang
menerima terapi imunosupresif atau yang menderita endokarditis
infeksi.Miokarditis dapat menyebabkan dilatasi jantung, thrombus dalam
dinding jantung (mural trombi), infiltrasi sel darah yang beredar di sekitar
pembuluh koroner dan diantara serabut otot dan degenerasi serabut otot itu
sendiri.
b. Perikarditis
Perikarditis mengacu pada inflamasi pada perikardium, kantong
membran yang membungkus jantung. Bisa merupakan penyakit primer, atau
dapat terjadi sesuai perjalanan berbagai penyakit medis dan bedah. Penyebab
yang mendasari atau yang berhubungan dengan perkarditis adalah penyebab
idiopatik atau nonspesifik dan Infeksi.
c. Endokarditis
Endokarditis rematik adalah terjadinya rematik disebabkan langsung
oleh demam rematik, suatu penyakit sistemik yang disebabkan oleh infeksi
streptokokus group A. Endokarditis infeksi (endokarditis bacterial) adalah
infeksikatup dan permukaan endotel jantung yang disebabkan oleh invasi
langsung bakteri atau organisme lain dan menyebabkan deformitas bilah
katup. Mikroorganisme penyebab mencakup bakteri (streptokoki,
enterokoki, pneumokoki, stapilokoki) fungi, riketsia, dan streptokokus
viridans. Endokarditis infeksi terjadi pada pasien yang mempunyai riwayat
penyakit katup jantung. Pasien yang beresiko tinggi adalah pasien dengan
penyakit jantung rematik atau prolapsmitral dan pernah menjalani

pembedahan katup prostetik.
2.1.8. Fibrilasi Atrial

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

Mengurangi kemandirian - Memengaruhi karier
Memengaruhi aspek keuangan pribadi
Memengaruhi aspek kehidupan sosial
Memengaruhi kemampuan berolahraga/beraktivitas
Memengaruhi kemampuan untuk bepergian
Memengaruhi hubungan
Pada beberapa kasus, serangan stroke seringkali mendahului diagnosis

bahwa seseorang mengidap FA
2.2 Elektrokardiogram(EKG)
Sudah lebih dari 100 tahun sejak penemuannya, alat EKG (Elektro
Kardiogram) merupakan alat yang biasa digunakan untuk mendiagnosis
kinerja jantung. Sinyal listrik yang berasal dari sino atrial ini akan direkam
dalam bentuk gelombang oleh alat EKG. Gelombang inilah yang digunakan
para pakar kardiologi untuk mengetahui keadaan jantung si pasien. Sebuah
alat EKG dapat memberikan 2 jenis informasi. Pertama interval waktu yang
diukur pada EKG, sangat membantu dalam menentukan durasi gelombang
listrik yang melintasi jantung, sehingga kita dapat menentukan apakah
aktivitas listrik pada jantung normal, lambat, cepat atau tidak teratur. Kedua,
jika jumlah aktifitas listrik yang melewati otot jantung diukur, maka hal
tersebut memungkinkan seorang ahli jantung pediatrik untuk mengetahui
apakah bagian jantung tersebut terlalu besar atau terlalu banyak bekerja.
Gambar 2.8 Segitiga Einthoven
Terkadang plak yang ada pada otot jantung dapat menyebabkan

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

Orientasi sinyal dari jantung di dalam rongga dada
Gejala peningkatan ketebalan (hypertrophy) dari otot jantung
Gejala kerusakan dari berbagai bagian otot jantung
Gejala gangguan akut aliran darah ke otot jantung
Informasi pola-pola aktivitas elektrik yang tidak normal yang dapat
mempengaruhi pasien ke arah gangguan Irama jantung yang
abnormal.
Rekaman EKG 12 sadapan terdiri dari tiga sadapan ekstimitas standart,

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

dan diberi tanda aVR (augmented Voltage Right arm), aVL (augmented
Voltage Left arm) dan aVF (augmented Voltage Foot). Pada praktek seharihari, sadapan unipolar ekstremitas yang diperkuat telah digunakan secara
luas karena lebih mudah dibaca.
Gambar 2.9 Lokasi sadapan prekordial

Sadapan perikordial dipasang pada:
Sadapan V1
: ruang interkosta IV, tepi sternum kanan.
Sadapan V1
: ruang interkosta IV, tepi sternum kiri.
Sadapan V3
: pertengahan antara V2 dan V4.
Sadapan V4
: ruang interkosta V, garis midklavikularis kiri.
Sadapan selanjutnya diambil dalam bidang horizontal seperti V4.

Sadapan V5
: garis aksilaris anterior kiri.
Sadapan V6
: garis mid-aksilaris kiri,
Sadapan V7
: garis aksilaris posterior kiri.
Sadapan V8
: garis skapularis posterior kiri.
Sadapan V9
: batas kiri kolumna vertebralis.
Sadapan V3R-9R: dada sisi kanan dengan tempat sama seperti sadapan v3-9
sisi kiri. Oleh karena itu V2R sama seperti v1.
EKG rutin yang biasa dipakai terdiri dari 12 sadapan, yaitu sadapan I, II, III; aVR,
aVL, aVF; V1, V2, V3, V4, V5 dan V6. Lebih detil ada pada Gambar 2.9.
Secara sistematis, interpretasi EKG dilakukan dengan menentukan:
a.
b.
c.
d.
e.
f.
g.
h.
i.
Ritme atau irama jantung

Frekuensi (laju QRS)
Morfologi gelombang P (cari tanda kelainan kiri atau atrium kanan)
Interval PR
Kompleks QRS:
- Aksis jantung
- Amplitude (cari tahu hipertrofi ventrikel kiri/ kanan)
- Durasi
- Morfologi (ada atau tidak gelombang Q patologis atau
gelombang R tinggi di V1)
Segment ST (apakah ada tanda iskemia, injuri atau infrak miokard)
Gelombang T
Interval QT
Gelombang U
2.2.1 Heartbeat
Gambar 2.10 Representasi skematik dari EKG Normal

Karakteristik sinus ritme adalah lajunya 60-100x/menit, ritme interval

P-P regular dan R-R regular, gelombang P positif (upright) di sadapan II, selalu
diikuti kompleks QRS, PR intervalnya 0.12-0.20 detik dan konstan dari beat to
beat serta surasi QRS kurang dari 0.01 detik kecuali ada gangguan konduksi
intraventrikel. Gambar 2.10 adalah representasi kertas EKG normal.
2.2.2 Whole Signal
Gambar 2.11 Komponent gelombang P-QRS-T pada EKG

Komponent gelombang pada EKG (Gambar 2.11) merupakan
gambaran dari:
1.
Gelombang P, berhubungan dengan sistol atrium (depolarisasi atrium),

merupakan gelombang pertama siklus jantung. Setengah gelombang P
pertama terjadi karena stimulasi atrium kanan serta bentuk downslope
berikutnya terjadi karena stimulasi atrium kiri.Karakterisktik P yang
normal adalah lembut dan tidak tajam, rurasi normal 0.08-0.10 detik,
tinggi tidak lebih dari 2.5 mm.
2.
Kompleks QRS merupakan sistol ventrikel (depolarisasi ventrikel), lebar

normal 0.06-0.10 detik dan terdiri dari:
- Gelombang Q: defleksi negative pertama, merupakan depolarisasi
septum interventrikel yang teraktivati dari kiri ke kanan, durasi normal
(kecuali sadapan III dan aVR) kurang dari 0.04 detik (1 kotak kecil) dan
tingginya kurang dari sepertiga tinggi gelombang R pada sadapan

bersangkutan.
- Gelombang R: defleksi positif pertama. Defleksi kedua disebut R.
- Gelombang S: defleksi negative pertama setelah R. defleksi kedua
tersebut gelombang S. Beberapa variasi kompleks QRS dapat dilihat
pada Gambar 2.12.
Gambar 2.12 Variasi QRS kompleks

3.
Gelombang T merupakan repolarisasi ventrikel, biasanya tinggi kurang

dari 5 mm sadapan ekstrimitas atau 10 mm pada sadapan prekordial.
Gelombang T bisa positif, negative atau bifasik.
4.
Penyebab ternjadinya gelombang U masih kontroversi, salah satu teori

menyebut gelombang U akan terjadi karena repolarisasi serabut
purkinje. Bentuk normal bulat, kecil dan amplitude kurang dari 1.5 mm.
5.
Interval PR merupakan cerminan depolarisasi atrium plus perambatan

fisiologis di nodal AV dan berkas His, nilai normal 0.12-0.01 detik.
6.
Segmen PR dibentuk dari akhir gelombang P sampai dengan awal

kompleks QRS dan merupakan penentu garis isoelektris.
Gambar 2.13 Segemen ST dan posisi J point

7.
Segmen ST merupakan tanda awal repolarisasi ventrikel kiri dan kanan.

Titik pertemuan antara akhir kompkleks QRS dan awal ST disebutJ point.
Jika Jpoint berada di bawah garis isoelektris disebut depresi J point dan
jika di atas garis isoelektris disebut elevasi J point. Lebih jelasnya bisa
8.
Interval QT merupakan aktivitas total ventrikel (mulai dari depolarisasi

hingga repolarisasi ventrikel). Diukur mulai awal kompleks QRS hingga
akhir gelombang T. Durasi normal tergantung dari umur, jenis kelamin
dan denyut jantung.Rata-rata kurang dari 0.38 detik.
Tabel 2-1 Fitur yang dapat diperoleh pada gelombang EKG deskripsi fitur dan
durasinya
Fitur
RR
Interval
Deskripsi
Interval
Durasi
antara
gelombang
gelombang
dengan
berikutnya
merupakan
0.6 - 1.2 s
kebalikan dari denyut jantung. Denyut

jantung yang normal adalah antara 50-100
bpm.
Gel. P
Selama normal atrial depolarization, vektor
80 ms
eletrik diarahkan dari noda SA ke noda AV

dan menyebar dari atrium kanan ke atrium
kiri.
PR
Interval
Interval PR dihitung dari awal gelombang P

ke
awal
QRS
complex.
Interval
120-200 ms
ini
merefleksikan waktu yang dibutuhkan signal

elektrik merambat dari sinus node melalui
AV node dan masuk ke ventrikel.
PR
interval
bagus
digunakan
untuk
mendeteksi fungsi dari AV node.

PR
Segmen PR menghubungkan gelombang P
Segment
dengan gelombang WRS kompleks. Segmen

ini bertepatan dengan konduksi listrik dari
50-120 ms
Fitur
Deskripsi
Durasi
AV node ke rangkaian HIS dan cabangnya

yang kemudian ke serat Purkinje.
Aktivitas elektrik ini tidak menghasilkan
kontraksi langsung dan hanya merambat
turun ke ventrikel dan ini muncul data pada
EKG. Secara klinis, interval PR lebih
relevan
QRS
Complex
QRS
Complex
mereeksikan
proses
80-120 ms
depolarisasi yang cepat pada ventrikel kiri

dan kanan. ventrikel memiliki massa otot
yang lebuh besar dibandingkan dengan atria,
sehingga QRS Complex memiliki amplitude
yang lebih besar dibandingkan gelombang P
J-Point
Titik dimana QRS Complex berakhir dan
N/A
Segmen ST dimulai. digunakan untuk

menghitung derajat kemiringan dari ST dan
kemunculan dari depresi.
ST
Segment
Segmen ST menghubungkan QRS Complex

dengan
gelombang
T.
Segmen
80-120 ms
ST
merepresentasikan periode dari ventrikel

untuk melakukan depolarisasi.
T Wave
Gelombang T merepresentasikan proses

repolarisasi
(recovery)
dari
ventrikel.
Interval antara awal QRS Complex dengan

puncak gelombang T, dikenal sebagai
absolute refractory period. Setengah bagian
160 ms
Fitur
Deskripsi
Durasi
sisa dari gelombang T dikenal sebagai

relative refractory period atau vulnerable
period.
ST
Interval
ST Interval diukur dari titik J ke bagian
320 ms
akhir dari gelombang T
QT
Interval ini diukur dari awal QRS Complex
Interval
kebagian akhir dari gelombang T. Interval
300-430 ms
QT yang terlalu panjang/lama merupakan

faktor
resiko
pada
entricular
tachyarrhythmias dan sudden death. Hal ini

bervariasi dengan denyut jantung dan yang
berhubungan dengan klinis, dibutuhkan
perbaikan pada interval ini.
U Wave
Gelombang U tidak selalu muncul. pada
80 ms
umumnya memiliki amplitude rendah, dan

selalu muncul setelah gelombang T
Beberapa fitur yang lebih detail yang dapat digunakan untuk
mencirikan suatu ketidaknormalan pada jantung seperti yang ditunjukkan
pada Tabel 2-1 Fitur yang dapat diperoleh pada gelombang EKG deskripsi fitur
dan durasiTabel 2-1.
2.3
Pemrosesan Data Elektrokardiogram
Pada penelitian ini, data yang digunakan bersumber dari data yang
tersedia dengan bebas di physionet, yakni data MIT-BIH arrhytmia database.
Data ini tersedia bebas dan juga telah banyak digunakan oleh para peneliti
dalam melakukan investigasi mengenai kelainan Aritmia. Data set Aritmia ini
terdiri dari 48 data record yang didapat dari 47 subjek yang diteliti oleh BIH
arrhytmia Laboratory yang dilakukan antara tahun 1975 sampai 1979.
Setiap record data merupakan hasil perekaman dari 2 sandapan (lead)
EKG dengan durasi masing-masing 30 menit. Sandapan yang digunakan
sebagian besar adalah sandapan MLII dan sebagian sandapan V1/V2/V4/V5.

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

Tahapan pertama dalam pemrosesan sinyal EKG adalah Baseline
Wander Removal (BWR). Baseline wander adalah suatu kondisi di mana
signal ECG yang dihasilkan tidak berada pada garis isoelektrik (garis sumbu),
melainkan mengalami pergeseran ke atas maupun ke bawah. Hal ini
dikarenakan aktifitas frekuensi rendah yang muncul ketika proses perekaman
dilakukan yaitu dari proses pernafasan maupun dari pergerakan bagian
tubuh. Hal ini dapat mengganggu proses analisis sinyal dan memungkinkan
terjadinya kesalahan dalam proses penerjemahan sinyal EKG, salah satu
contoh-nya adalah perubahan gelombang ST-T pada ECG di mana proses
penerjemahannya sangat tergantung pada garis isoelektrik.
Terdapat beberapa teknik yang digunakan untuk mereduksi noise
frekuensi rendah (baseline wander) mulai dari linear filtering seperti yang
dikembangkan oleh J.A. Alste van, maupun polinomial fitting atau cubic
spline filtering seperti yang dikembangkan oleh Meyer dkk dalam
penelitiannya. Penggunaan linear filter mengakibatkan terjadinya distorsi
gelombang EKG, terutama dibagian antara PQ interval dan ST segment.
Dengan menggunakan nonlinear cubic spline interpolation, digabungkan
dengan teknik pengurangan (substraction technique) dapat mereduksi noise
tanpa mempengaruhi gelombang ECG secara signifikan.
Konsep dasar dari teknik polinomial fitting ini adalah dengan
melakukan proses estimasi pergeseran sumbu utama dengan menggunakan
titik perwakilan pada gelombang ECG, dengan satu titik untuk setiap beat.
Pilihan terbaik yang digunakan sebagai titik acuan (knot) adalah PQ interval.
Estimasi kemudian dilakukan sedemikian sehingga menginterpolasi setiap
titik secara halus. Oleh karena itu, sebelum langkah ini dilakukan, QRS
complex harus dideteksi terlebih dahulu dan PQ interval sudah ditentukan.
Metode interpolasi cubic spline adalah salah satu cara untuk fitting
kurva pada data eksperimental yang bentuk dari fungsinya maupun
turunannya tidak diketahui. Metode ini menggunakan polinomial pangkat tiga
yang diasumsikan berlaku pada titik-titik yang terletak di antara dua titik data
yang diketahui. Fungsi yang bersangkutan kemudian diaplikasikan pada
semua titik-titik data yang ada, sehingga didapatkan persamaan simultan,
yang selanjutnya dapat diselesaikan dengan menggunakan metode matriks.
Estimasi pergeseran sumbu utama dilakukan dengan interpolasi cubic spline
karena interpolasi cubic spline menghasilkan suatu pendekatan yang lebih
halus dibandingkan dengan linier spline ataupun kuadratik spline karena ada
jaminan bahwa turunan pertama dan kedua adalah kontinu pada seluruh
selang. Interpolasi cubic spline merupakan pendekatan fungsi yang diperoleh
dengan mengunakan polinomial derajat tiga pada masing-masing sub selang.
Dalam kasus sinyal ECG sub selang yang kita gunakan adalah PQ interval dari
tiap tiap beat.
Definisi dari cubic spline adalah sebagai berikut:
Diberikan titik-titik data (t1;A1), (t2;A2),..(tn;An), di mana titik
data tersebut merupakan PQ interval dari sinyal ECG. Suatu cubic spline S
yang menginterpolasi data yang diberikan memenuhi sifat-sifat berikut:
Dalam setiap selang [x, xi+1], dimana i = 1, 2, ,n-1 , dan S adalah

polynomial derajat tiga.
S(xi) = fi, i = 1, 2,n.
S, S dan S adalah kontinu di titik-titik dalam x2, x3, .xn-1.
Dari definisi di atas, persamaan-persamaan yang terjadi pada cubic

spline diberikan sebagai berikut, pada selang yang ke-i yaitu terletak diantara
titik (xi; fi) dan (xi+1; fi+1), polinomial berderajat tiga yang memenuhi adalah:
f = ai(x-xi)3+bi(x-xi)2+ci(x-xi)+di
(3.1)
Setelah diperoleh persamaan tersebut maka pergeseran sumbu

utama bisa diestimasi dan langkah selanjutnya adalah mencari sumbu utama
yang sebenarnya atau iso elektrik sinyal ECG dengan menentukan pivot
isoelektrik untuk digunakan sebagai pengurang sinyal ECG.
Pada penelitian ini, proses BWR dilakukan menggunakan matlab

package yang dikembangkan oleh Gari Clifford yang bersifat open source.
Untuk lebih jelasnya, hasil dari proses BWR dapat dilihat pada Gambar 2.14.
Gambar 2.14 Sinyal ECG asli dan hasil proses BWR serta garis isoelektrik
(estimasi)
2.3.2. Ekstraksi Beat

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

disegmentasi menjadi sekumpulan beat tunggal seperti yang
dilakukan pada.
2. Pendekatan interval waktu : pengenalan dilakukan dengan
mendeteksi karakteristik interval waktu dari sinyal ECG seperti yang
umum dilakukan oleh dokter seperti RR interval, PR interval, PR
segment, QRS interval, ST segment, ST interval, QT interval.
Gambar 2.15 Ilustrasi teknik segmentasi beat

Berdasarkan penelitian yang telah dilakukan oleh para peneliti pada
lab Computational Inteligence Architecture Network and High Performance
Computing, pendekatan beat dengan segmentasi sinyal ECG dipilih karena
dataset sudah menyediakan anotasi tambahan mengenai posisi puncak
gelombang R (R-peak). Dengan informasi anotasi tersebut, asumsi terhadap
lebar setiap beat dibuat dengan pendekatan sekitar 300 sampel data dan
ekstraksi beat dilakukan dengan memposisikan puncak R sebagai pivot untuk
setiap beat. Untuk setiap puncak R, sinyal awal dipotong dimulai dari posisi R150 sampai R+149, sehingga didapat beat dengan lebar 300 sampel data.
Ilustrasi dapat dilihat pada Gambar 2.15. Hasil dari proses segmentasi tersebut
dapat dilihat pada Gambar 2.16. Dari proses segmentasi yang telah dilakukan,
didapat sejumlah beat yang dilengkapi dengan label anotasinya seperti yang
ditunjukkan pada Tabel 2-3. Dari tabel tersebut dapat dilihat jumlah beat
untuk tiap label anotasi tidak berimbang dan bahkan ada yang berjumlah
sangat kecil, yaitu 2 beat untuk jenis Supraventrikular premature beat.
Gambar 2.16 Contoh beat dari 11 jenis Aritmia dan 1 beat normal
Sesuai dengan standar AAMI, seperti yang terlihat pada Tabel 2-2,
maka jenis beat yang akan digunakan adalah 15 beat pertama yang
ditunjukkan dengan kotak hitam pada Tabel 2-3. Karena jumlah tiga beat
terakhir sangat kecil maka untuk saat ini hanya 12 kelas saja yang nantinya
akan digunakan dalam proses pengenalan.
Tabel 2-2 Kelas detak jantung sesuai standar AAMI
AAMI
hearthbeat
class
Description
Any
hearthbeat
not in the S,
V, F, or Q
classes
Normal
Beat
Supravenricular
Ectopic Beat
Ventricular
Ectopic
Beat
Fusion
Beat
Unknown
Beat
Atrial Premature
Beat (AP)
Premature
Ventricular
Contraction
(PVC)
Fusion of
Ventricular
and
Normal
Beat (fVN)
Paced Beat
Left Bundle
Branch
Block Beat
Abberated Atrial
Premature Beat
(aAP)
Ventricular
Escape
Beat
Fusion of
Paced and
Normal
MIT-BIH
HearthBeat
type
(LBBB)
Right
Bundle
Branch
Block
Beat(RBBB)
Atrial
Escape
Beat (AE)
Nodal
(Junction)
Beat (fPN)
Unclassified
Beat
Superventricular
Premature Beat
(SP)
Nodal
(Junctional)
Escape
Beat(NE)
Tabel 2-3 Beberapa beat beserta label anotasinya

No
Beat
Code
N
N
R
V
Q
S
F
Q
N
S
V
S
N
Q
S
tilde
seru
petik
x
pagar
Beat
Code
NOR
LBBB
RBBB
PVC
P
AP
fVN
fPN
NE
aAP
VE
NP
AE
U
SP
-tilde
-seru
petik
x
pagar
Beat Name
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Beat
Code
N
L
R
V
/
A
F
f
j
a
E
j
e
Q
S
~
!
x
|
Normal Beat
Left Bundle Branch Block Beat
Right Bundle Branch Block Beat
Premature ventricular Contraction
Paced Beat
Atrial Premature Beat
Fusion of Ventricular and Normal Beat
Fusion of Paced and Normal Beat
Nodal (junctional) premature Beat
abberated Atrial Premature Beat
ventricular Escape Beat
Nodal (junctional) Premature Beat
Atrial Escape Beat
Unclassifiable Beat
Supraventricular Premature Beat
[]
Ventricular Flutter Wave
[]
Non-Conducted P wave (Blocked APB)
Isolated QRS-like artifact
Num
Beat
74,754
8,071
7,255
7,123
3,619
2,546
802
260
229
150
106
83
16
15
2
577
472
437
193
131
21
22
[
]
buka
tutup
-buka
-tutup
Start of Ventricular Flutter/Fibrillation

End of Ventricular Flutter/Fibrilation
6
6
2.3.3. Noise Removal

Untuk menganalisis hasil ekstraksi beat yang dilakukan pada tahap
sebelumnya, beat yang dihasilkan kemudian dikelompokkan berdasarkan tipe
masing-masing Aritmia dan diplot menggunakan aplikasi matlab. Empat jenis
Aritmia diplot seperti yang diilustrasikan pada Gambar 2.17.
Gambar 2.17 Plot data dari keempat jenis aritmia

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

dilakukan tanpa memperhitungkan korelasi antar fitur yang biasanya didapat
dengan covariance matrix. Ilustrasi dari teknik ini dapat dilihat pada Gambar
2.18.
Gambar 2.18 Ilustrasi pendeteksian outlier dengan menggunakan teknik IQR.

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

Tabel 2-4 Data statistik jumlah beat yang dihasilkan untuk setiap tipe Aritmia
setelah dilakukan penghilangan outlier pada data
No
Beat
Code
N
N
R
V
Q
S
F
Q
N
S
V
S
N
Q
S
Beat
Code
NOR
LBBB
RBBB
PVC
P
AP
fVN
fPN
NE
aAP
VE
NP
AE
U
SP
Beat Name
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Beat
Code
N
L
R
V
/
A
F
f
j
a
E
j
e
Q
S
Normal Beat
Left Bundle Branch Block Beat
Right Bundle Branch Block Beat
Premature ventricular Contraction
Paced Beat
Atrial Premature Beat
Fusion of Ventricular and Normal Beat
Fusion of Paced and Normal Beat
Nodal (junctional) premature Beat
abberated Atrial Premature Beat
ventricular Escape Beat
Nodal (junctional) Premature Beat
Atrial Escape Beat
Unclassifiable Beat
Supraventricular Premature Beat
With
Outlier
74,754
8,071
7,255
7,123
3,619
2,546
802
260
229
150
106
83
16
15
2
Without
Outlier
40,113
4,402
2,955
3,737
1,898
1,236
412
105
148
61
103
37
7
12
2
16
17
18
19
20
~
!
x
|
21
22
[
]
tilde
seru
petik
x
pagar
buka
tutup
-tilde
-seru
petik
x
pagar
[]
Ventricular Flutter Wave
[]
Non-Conducted P wave (Blocked APB)
Isolated QRS-like artifact
577
472
437
193
131
105
417
315
17
48
-buka
-tutup
Start of Ventricular Flutter/Fibrillation

End of Ventricular Flutter/Fibrilation
6
6
1
4
2.3.4 Fitur Ekstraksi

Ekstraksi fitur merupakan suatu bagian yang penting dalam sistem
pngenalan pola karena pemilihan fitur yang digunakan sangat mempengaruhi
performa dari sistem yang dikembangkan. Terdapat berbagai cara yang bisa
digunakan untuk melakukan ekstraksi fitur, salah satunya adalah dengan
menggunakan Discrete Wavelet Transform (DWT). Kegunaan dari wavelet itu
adalah sebagai berikut.
(1) Untuk mengkstraksi informasi dari suatu data sinyal
(2) Untuk melakukan kompresi data
(3) Untuk memfilter/membersihkan data sinyal.
Hal yang pertama dilakukan adalah untuk mendapat informasi
karakteristik dari sinyal tersebut seperti waktu kemunculan frekuensi pada
sinyal. Kedua sangat jelas adalah untuk memampatkan data, umumnya untuk
keperluan transmisi. Ketiga adalah untuk melakukan penyaringan dan
membersihkan data sinyal, misal frekuensi tinggi, yang terdapat pada sinyal
tersebut.
Umumnya
langkah
yang
dilakukan
adalah
dengan
melakukandekomposisi, aproksimasi dan detil, di mana aproksimasi
mengandung komponen frekuensi rendah dan detil mengandung komponen
frekuensi tinggi. Setelah dilakukan sampai level tertentu, kemudian sinyal
direkonstruksi kembali, sehingga akan menghasilkan sinyal dengan mereduksi
kandungan frekuensi tinggi. Jadi disini terdapat langkah dekomposisirekonstruksi.
Di bidang biomedis, transformasi wavelet dapat digunakan untuk
mengekstraksi dan mendeteksi kemunculan gelombang P, Q, R, S, T maupun
time interval antar gelombang seperti penelitian yang dilakukan Zheng dkk
dan Haque dkk. Namun, pada penelitian ini transformasi wavelet diskrit akan
digunakan untuk mengekstraksi dan mereduksi fitur dari data dasar yang
dihasilkan dari ekstraksi beat pada tahap sebelumnya, di mana tujuannya
adalah untuk mencari fitur yang dapat merepresentasikan pola dengan baik.
Mother wavelet yang akan digunakan adalah wavelet daubechies dimana
Guler dkk telah menunjukkan bahwa proses ekstraksi fitur menggunakan
wavelet daubechies memberikan hasil yang lebih baik dibandingkan dengan
wavelet orthogonal yang lain. Pada proses ekstraksi fitur ini, EKG beat akan
didekomposisi secara bertahap dari level 1 sampai dengan level 5, artinya
proses dekomposisi akan menghasilkan lima komponen detail d1,,d5

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

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

danhanya memilih komponen aproksimasi pada setiap level. Sehingga
akan dihasilkan5 model data fitur yaitu:
Fit1(a1) dengan 157 fitur ,
Fit2(a2) dengan 86 fitur,

Fit5(a5) dengan 23 fitur
Gambar 2.21 Komponen aproksimasi tiap level dari hasil dekomposisi sinyal
ECG dengan menggunakan wavelet daubechies db8
2.
Fitur Statistik: dari 5 level dekomposisi, akan dihasilkan a5;d1; : : : ;d5.

Semua komponen koefisien yang dihasilkan akan digunakan. Karena
jumlah fitur menjadi 371 (23+157+86+50+32+23) maka untuk mereduksi
jumlah fitur, dicari fitur statistik untuk setiap komponen, yakni min,
mean, max dan deviasi standar. Karena ada enam komponen wavelet,
satu aproksimasi dan lima detail, maka akan didapat Fit6 dengan jumlah
24 fitur data.
2.4 Sistem Telehealth Monitoring Penyakit Jantung

Sehubungan dengan keterbatasan jumlah dokter spesialis jantung di
Indonesia, disertai dengan kurangnya fasilitas penanganan penyakit jantung,
dibuat suatu sistem telehealth monitoring penyakit jantung. Diagram sistem
telehealth penyakit jantung ini dapat dilihat pada gambar 2.3.1 Dengan
adanya sistem monitoring ini diharapkan setiap penduduk Indonesia dapat
melakukan pemeriksaan dan pengawasan kesehatan jantungnya secara
mandiri, tanpa harus bertemu dokter secara langsung. Pasien cukup
mengambil data detak jantungnya menggunakan alat EKG dan aplikasi
teleheath ini. Selanjutnya data detak jantung tersebut dikirimkan ke dokter
untuk diverifikasi. Selain itu, seistem juga memiliki fitur prediksi (klasifikasi)
penyakit jantung berdasarkan data tersebut. Dengan adanya sistem ini,
diharapkan adanya gejala penyakit jantung dapat dideteksi dan ditangani
sejak dini.
Gambar 2.22 Arsitektur sistem telehealth monitoring penyakit jantung

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

digunakan keperluan analisis kondisi jantung seseorang. Pada dasarnya
elektrokardiogram bertugas melakukan penguatan pada sinyal detak jantung
manusia sekaligus mereduksi noise. Dengan demikian pola gelombang yang
dihasilkan mudah dibaca. Selain itu Sensor EKG juga mengubah sinyal detak
jantung dari bentuk analog menjadi digital agar bisa terbaca oleh perangkat
komputasi seperti komputer, smarrtphone, dan sebagainya.
Komponen kedua dalam sistem telehealth monitoring penyakit
jantung ini adalah semartphone Android. Komponen kedua ini memiliki
beberapa fungsi. Urutan kerja fungsi-fungsi komponen smartphone Android
ini dapat dilihat pada Fungsi pertama adalah untuk menerima data (raw)
data detak jantung yang dikirimkan oleh komponen pertama (hardware
sensor EKG). Pada tahap raw data ini, juga dilakukan filter untuk
menghilangkan noise yang ditimpulkan oleh perangkat keras. Perangkat keras
sensor EKG juga dapat memberikan efek noise pada gelombang sinyal detak
jantung. Dengan demikian ketika data sampai di smartphone bentuk
gelombangnya tidak mulus (smooth). Oleh sebab itu dilakukan filter lagi
untuk membuat gelombang detak jantung smooth. Fungsi kedua dari
komponen smartphone ini adalah pemrosesan dan pengelolaan data. Data
detak jantung yang sudah diterima tadi diproses untuk klasifikasi guna
mengetahui ada tidaknya gejala penyakit jantung pada pengguna. History
data detak jantung tersebut juga akan disimpan dalam database smartphone
Android dalam bentuk lite database. Fungsi ketiga dari komponen
smartphone Android ini adalah pengiriman data dan pegunduhan data ke dan
dari server. Aplikasi berbasis sistem operasi Android yang digunakan untuk
melakukan ketiga fungsi terebut diberi nama E-Cardio. Aplikasi ini dapat
digunakan baik oleh pasien maupun oleh dokter.
Komponen ketiga dalam sistem telehealth monitoring penyakit
jantung ini adalah server. Server berguna untuk menyimpan data pada
database secara online. Dengan adanya server ini pasien (pengguna) dapat
mengirimkan data detak jantungnya untuk diverifikasi oleh dokter.
Selanjutnya, dokter bisa mmelakukan verifikasi pada detak jantung pasien
yang dikirimkan ke server. Pada server terdapat dua komponen, yaitu
database, dan aplikasi web. Database digunakan untuk menyimpan data
pasien, dokter, history data detak jantung, data rumash sakit dan klinik, dan
71
data affiliasi dokter. Aplikasi web digunakan untuk menerima permintaan

(request) dari pengguna aplikasi E-Cardio
2.4.1 Fitur Utama Sistem Telehealth Monitoring Penyakit Jantung

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

menyimpan data detak jantung. Pertama kali data detak jantung diambil dari
sensor EKG melalui koneksi USB atau bluetooth . Kemudian data detak
jantung tersebut divisualisasikan pada layar smartphone. Pada tampilan

visualisai terdapat menu untuk klasifikasi data detak jantung dan
penyimpanan data detak jantung. Jika pengguna memilih menu untuk
menyimpan data terebut, ma data detak jantung akan disimpan di database
smartphone atau juga bisa disimpan di server . Implementasi fitur visualisasi
dan penyimpanan data detak jantung dapat dilihat pada Gambar 2.24.
(a)
(a)
(b)
(c)
Gambar 2.24 (a) Visualisai data detak jantung (b) Penyimpanan data detak
jantung
Selain fitur-fitur tersebut, fitur yang cukup panting dari aplikasi ini
adalah verivikasi data detak jantung oleh dokter. Fitur ini diimplementasikan
dalam suatu menu khusus. Dalam aplikasi ini dibuat satu menu khusus
untuk dokter, yaitu melakukan verifikasi detak jantung, mendaftarkan
rumah sakit dan klinik, dan mendaftarkan afiliasi dokter. Implementasi use
case ini diilustrasikan pada Gambar 2.25. Pertama kali dokter memilih verify
heartbeat data pada sub menu khusus dokter seperti tampilan pada
gambar (a). Selanjutnya dokter memilih salah satu data detak jantung dari
list yang ada untuk dia verifikasi seperti pada gambar (b). Setelah dipilih,
sinyal detak jantung akan ditampilkan seperti gambar (c). Selanjutnya
dokter tinggal menekan menu verify heartbeat dan mengisi form isian
verifikasi data detak jantung untuk dikirimkan ke server seperti gambar
bagian (d). Dokter juga dapat melabeli data tersebut dengan kelas yang
sudah disediakan seperti gambar (e).
(a)
(b)
(c)
(d)
(e)
Gambar 2.25 Fitur Verifikasi Data Detak Jantung Oleh Dokter
2.4.2 Implementasi Server

Untuk keperluan manajemen dan penyimpanan data, diperlukan
suatu server. Pada server dibuat suatu database seluruh data pasien,
dokter, history detak jantung dan keseluruhan data yang dibutuhkan
sistem. Selain itu di server juga diimplementasikan layanan (service) guna
membuat sistem telehealth ini dapat berjalan baik. Layanan tersebut
dibuat untuk menangani request baik dari pasien maupun dokter yang
menggunakan sistem telehealth ini. Ada 11 macam layanan di server yang
dibuat. Dalam implementasinya, dilakukan uji coba respon dari tiap-tiap
layanan tersebut. Waktu rata-rata respon dari setiap layanan tersebut
dapat dilihat pada Gambar 2.26.
Waktu respon (ms)
600
500
400
300
200
100
0
Service
Gambar 2.26 Pengukuran responsivitas server sistem telehealth monitoring

penyakit jantung untuk masing-masing server
BAB 3
Pendeteksian
Tahapan dan Gangguan Tidur

3.1. Penelitian Tentang Tahapan Tidur

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

12 18
14 15
12 14
11 13
10 - 11
8.5 11
7.5 - 9
Analisa siklus tidur seseorang dalam satu malam dapat menunjukkan

seberapa baik kualitas tidur seseorang. Kualitas tidur secara Kuantitatif
ditunjukkan oleh nilai Sleep Efficiency Index yang umumnya dilakukan oleh
dokter spesialis tidur pada rumah sakit yang telah dilengkapi dengan
peralatan Polysomnograph (PSG). Para ahli yang bergerak dalam penelitian
kualitas tidur menggunakan data berupa kanal Polysomnogram yang
dihasilkan dari alat rekam PSG. Polysomnogram adalah sebuah rekaman
serentak dari sejumlah variabel fisiologis selama tidur yang didalamnya
terdapat berbagai macam kanal rekam seperti aktivitas otak
(electroencephalogram, EEG), Pergerakan mata (eye movement, EOG), dan

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

Kanal EEG sebagai kanal yang paling berkorelasi dengan siklus tidur,
memiliki karakteristik unik yang membedakan satu siklus tidur dengan siklus
tidur lainnya. Misalnya ketika mata tertutup gelombang EEG pola yang relatif
lebih halus yang disebut sebagai keadaan terelaksasi. Pada siklus NREM 1,
terdapat kemunculan gelombang Theta, pada siklus NREM 2 terdapat
lompatan gelombang berfrekuensi tinggi disebut sebagai kumparan tidur,
dan juga terdapatnya gelombang K kompleks. Pada siklus NREM 3 terdapat
kemunculan gelombang delta yaitu gelombang yang memiliki loncatan
amplitudo tinggi namun bergerak dengan peralihan yang lambat. Dengan
hanya membaca kanal EEG saja, siklus REM tidak dapat dibedakan dengan
keadaan terbangun karena memiliki keadaan gelombang EEG yang mirip.
Berikut ini rincian karakteristik dari keempat siklus tidur tersebut.
3.1.1 Siklus NREM1

Rata-rata seseorang berada dalam siklus NREM1 dalam durasi satu menit,
yang dihitung semenjak transisi dari keadaan terjaga hingga transisi ke siklus
NREM2. Karakteristik dari siklus NREM1 antara lain:
Kecepatan gelombang otak mengalami penurunan menjadi 4 - 6 siklus

per detik
suhu tubuh mulai menurun, otot terelaksasi, dan bola mata bergerak
perlahan kiri ke kanan
seseorang yang berada dalam pasien ini tidak sadar terhadap
lingkungan, namun masih mudah sekali terbangun
3.1.2 Siklus NREM2

Siklus ini biasa disebut dengan tidur ringan dan berlangsung antara 10 - 25
menit, serta merupakan siklus tidur yang memakan setengah waktu tidur
semalam. Karakteristik dari siklus ini antara lain:
Bola mata dalam keadaan diam, dan detak jantung dan pernapasan
lebih lambat ketimbang saat terbangun
Timbulnya irregularitas dalam perekaman EEG dimana terdapat
gelombang yang memiliki amplitudo tinggi dengan siklus pelan,
namun juga terdapat aktifitas otak sepintas yang disebut Kumparan
Tidur dimana pola gelombang yang dihasilkan seperti terdapat noise
Penjejakan EEG juga akan menunjukkan pola yang disebut gelombang
K-kompleks yang dapat dianggap sebagai sistem penjagaan yang
membuat tubuh siap terbangun jika diperlukan. Seseorang yang
berada dalam keadaan ini dapat terprovokasi dengan suara tertentu
seperti penyebutan nama seseorang atau stimuli lainnya.
3.1.3 Siklus NREM3

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

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

dalam kondisi tidur dalam. Sementara pada usia diatas 65 siklus tidur dalam
hampir tidak ditemukan. Ketika seseorang terkena gejala kurang tidur,

umumnya orang tersebut ketika tidur akan berada pada siklus tidur yang
lebih rendah dalam waktu yang lebih singkat dan menghabiskan waktu lebih
lama dalam siklus tidur dalam. Hal ini menunjukkan tidur dalam memerankan
peran penting dalam memperbaiki kondisi fisik tubuh.
3.1.4 Siklus REM

Mimpi dialami ketika berada dalam kondisi tidur REM. Siklus ini
dianalogikan sebagai aktifnya otak meskipun tubuh dalam kondisi istirahat.
Hal-hal yang terjadi pada siklus ini yaitu:
Aktifitas otak sangat meningkat dan mata yang berada dibalik

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

Sleep Disorder (Gangguan Tidur) adalah sebuah gangguan medis
pada pola tidur hewan dan manusia yang cukup mengganggu pola tidur
seseorang hingga mempengaruhi fungsi fisik, mental dan fungsi emosional
sehingga dapat mempengaruhi tingkat keselamatan kerja tergantung skala
gangguan tidur yang dialaminya. Menurut penelitian dari lembaga
perburuhan internasional (ILO), Indonesia merupakan negara yang memiliki
standar keselamatan kerja yang sangat buruk. Hal ini ditunjukkan dari
peringkat kulitas keselamatan kerja indonesia yang menempati urutan 152
dari 153 negara yang diteliti. Dalam penelitiannya, National Commision on
Sleep Disorder melaporkan bahwa kecelakaan yang terjadi diseluruh dunia
disebabkan oleh sleep disorder mencapai angka 40%. Salah satu jenis Sleep
disorder yang umum muncul adalah Sleep Apnea.
Sleep apnea adalah sebuah gangguan tidur dengan ditandai
berkurangnya atau bahkan berhentinya pernafasan selama lebih dari 10 detik.
Hal ini mengakibatkan kadar oksigen dalam darah akan berkurang. Salah satu
keadaan khusus yang muncul pada pasien yang terkena sleep apnea adalah
Hypopnea, didefinisikan sebagai penurunan volume aliran pernapasan
sejumlah 50% yang mengalir ke paru-paru setidaknya selama 10 detik, diikuti

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

pernapasan perut, tenggorokan, hidung, saturasi oksigen dan juga ECG.
3.3 Metode Pendeteksian Siklus Tidur

Electrocardiogram (ECG) dapat juga disebut sebagai EKG adalah
sebuah rekaman terhadap aliran listrk yang dihasilkan oleh gerak kinetik dan
potensial otot-otot jantung. Bentuk gelombang ECG dan atributnya dapat
Gambar 3.2 Gelombang ECG dan Definisi Intervalnya
Ritme detak jantung memiliki sedikit keterkaitan dengan kondisi tidur

dan terbangun. Dalam kondisi terbangun ritme jantung bergerak normal,
sementara dalam kondisi tertidur ritme jantung bergerak lebih perlahan.
Ritme jantung umumnya dihitung dalam skala waktu 30 detik atau 1 menit,
namun dapat juga dihitung dalam satuan lebih dari itu. Sebagai gambaran
berikut ini adalah kondisi ritme jantung seseorang dalam keadaan tidur dan
terlelap yang diambil dalam interval 30 detik. Dalam kondisi terbangun selain
ritme jantung yang bergerak normal sinyal ECG yang terekam juga memiliki
spike dan sinyal cenderung bergesar dari garis tengah.
Gambar 3.3 Ritme jantung kondisi terbangun dan terlelap
3.4 Ekstraksi Fitur Untuk Deteksi Siklus Tidur

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

berdasarkan kelas-kelasnya, akan terlihat histogram persebaran siklus tidur
dalam satuan waktu satu malam untuk seseorang. Histogram ini berguna
salah satunya untuk mendiagnosa cepat apakah seseorang memiliki kualitas
tidur normal, karena manusia sehat tidak akan berbeda jauh histogram siklus
tidur rata-rata. Histogram rata-rata dihitung dengan mengumpulkan data
siklus tidur sejumlah orang sehat kemudian dikelompokkan. Sebagai
gambaran berikut ini adalah siklus tidur rata-rata yang diambil dari data
rumah sakit Mitra Kemayoran Jakarta dibandingkan dengan data dari rumah
sakit MIT-BIH, Masachuset.
(a) MIT-BIH
(b) Mitra Kemayoran
Gambar 3.4 Histogram Pie Chart Siklus Tidur (a) MIT-BIH dan (b) Mitra
Kemayoran
Gambar 3.5 Histogram Batang Siklus Tidur
Data rekam PSG tidur MIT-BIH merupakan kumpulan rekam jejak tidur
pasien yang terkena sleep apnea (kurang sehat), dan data rekam PSG tidur R.S
Mitra Kemayoran, Jakarta merupakan kumpulan rekam jejak tidur pasien
sehat. Dari kedua histogram ini distribusi data perkelas pada data Mitra lebih
merata, dan pada kedua data kemunculan siklus tidur NREM 1 dan NREM 2
lebih dominan. Hal ini bermakna baik pada orang sehat/tidak dalam satu
malam lebih banyak kondisi tidur ringan dan menengah.
Tabel 3-2 Formula Penurunan Fitur Berbasis EEG
b.
Metode Ekstraksi Fitur Data EEG
Terdapat banyak variasi metode ekstraksi fitur yang mengolah dari data
EEG, yang akan dijelaskan disini adalah salah satu metode ekstraksi yang
relatif sederhana. Ekstraksi dilakukan dengan menerapkan formula
perhitungan energi dan fluktuasi energi dari sinyal EEG. Formula ekstraksi
fitur yang dilakukan dapat dilihat pada Tabel 3-2. Dengan demikian, setiap
interval akan dihasilkan 12 fitur yang berkorelasi langsung dengan siklus tidur.
Hal ini bermakna setiap siklus tidur akan memiliki kuantisasi nilai dari 12 fitur
yang unik kecuali jika terdapat outlier.
c.
Metode Ekstraksi Fitur Data ECG
Berbeda dengan metode penurunan fitur berbasis EEG yang menghitung

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

hingga 0.04 Hz (UVLF)
Standar deviasi interval NN
Total power spektral interval NN

hingga 0.003 dan 0.04 Hz (VLF)
Akar kuadrat dari rata-rata Total power spektral interval NN

pangkat dua perbedaan interval hingga 0.04 dan 0.15 Hz (LF)
NN bertetangga
Persentase perbedaan interval Total power spektral interval NN

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

50 ms
5
Nilai tengah dari interval NN
Inter-Quartile Range (IQR)
Mean Absolute Deviation
Rasio LF / HF
Metode ekstraksi fitur HRV merupakan metode yang paling umum jika data
input berupa gelombang ECG. Metode penurunan fitur berbasis energi dan
fluktuasinya seperti yang dijelaskan sebelumnya, dapat saja diterapkan untuk
melakukan ekstraksi fitur dengan metode alternatif.
Terdapat metode lainnya untuk menurunkan fitur yaitu dengan
metode berbasis ECG Derived Respiration (EDR), yaitu aproksimasi tingkat
pernapasan yang dihitung dari sinyal ECG. Umumnya dari rekam PSG telah
terdapat channel khusus untuk merekam volume pernapasan hidung,
tenggorokan, perut dan paru-paru. EDR dilakukan jika alat PSG tidak tersedia
karena umumnya langka dan mahal, dan hanya tersedia alat rekam ECG yang
sifatnya murah dan portabel.
3.5. Dataset
Pada bagian ini dijelaskan data dari pasien yang digunakan untuk
pendeteksian tahapan dan gangguan tidur.
3.5.1. Pengambilan Sinyal Detak Jantung Pasien

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

program EDF viewer yang salah satunya adalah EDFBrowser. Contoh data
hasil rekaman EKG yang berhasil direkam ditunjukkan oleh Gambar 3.6.
Gambar 3.6 Program EDF Browser Untuk Menampilkan Sinyal EKG yang
telah disimpan
3.5.2. Anotasi Potongan Sinyal Detak Jantung

Sinyal EKG yang telah direkam dari beberapa pasien kemudian
dipotong menjadi beberapa potongan setiap 30 detik. Setiap potongan 30
detik akan dikaitkan dengan tahapan tidur tertentu. Pelabelan potongan
sinyal ini dilakukan oleh dokter dengan spesialisasi gangguan tidur. Contohya
potongan sinyal EKG selama 30 detik ditunjukkan oleh Gambar 3.7.
Gambar 3.7 Sinyal EKG yang telah dipotong untuk periode 30 detik
Format file .edf kurang sesuai untuk dimanipulasi menggunakan

program-program pengolahan sinyal yang telah dikembangkan sebelumnya.
Oleh sebab itu, diperlukan konversi file .edf ke file yang kompatibel dengan
program pengolahan gelombang dari MIT.Untuk itu perlu dijalankan program
bernama edf2mit untuk melakukan konversi. Untuk mendapatkan format
gelombang raw, digunakan program lain untuk menkonversi format MIT ke
format csv yang bisa dibaca dengan program yang sangat sederhana.
Program yang digunakan bernama mit2wav.
Gambar 3.8 Proses PengolahanSinyal EKG

_
3.6. Karakteristik Data
Gambar 3.9 Visualisasis 3 dimensi data tahapan tidur dengan 3 kelas

(Hermawan, 2013)
Data EKG yang dikaitkan dengan tahapan tidur memiliki karakteristik
yang unik. Secara umum sangat sulit untuk membedakan tahapan tidur dari
tampilan visual sinyal EKG. Banyak tahapan tidur yang mempunyai sinyal EKG
yang sangat mirip atau dengan kata lain banyak data yang bersifat tumpangtindih. Data yang bersifat tumpang-tindih menyebabkan proses pendeteksian tahapan tidur menjadi lebih sulit. Karakteristik lain dari data tidur yaitu
distribusi data yang bersifat menyebar. Contoh karakteristik data ini dapat
Karena sifat data yang saling tumpang tindih dan menyebar ini,
diperlukan penanganan khusus agar informasi dari data tersebut dapat
diolah. Salah satu tahapan terpenting adalah melakukan klasifikasi terhadap
data tersebut sehingga setiap kriteria tidur dapat dibedakan dengan baik.
Tim riset dari Fakultas Ilmu Komputer Universitas Indonesia tercatat
telah melakukan beberapa penelitian terkait dengan pembacaan data kualitas
tidur seseorang. Salah satu teknik yang memiliki tingkat pengenalan paling
baik adalah riset menggunakan algoritma berbasiskan jaringan syaraf tiruan
dengan menggunakan aturan kompetisi antar syaraf yang dikenal sebagai
Learning Vector Quantization.
Penelitian untuk mengklasifikasi tahapan tidur menggunakan LVQ
pertama kali dilakukan oleh Eka Suryana yang mengembangkan varian LVQ
yaitu Generalize Learning Vector Quantization (GLVQ) dan dan Fuzzy Neuro
Learning Vector Quantization (FNLVQ). Teknik pengenalan berbasiskan LVQ
ini kemudian dilanjutkan oleh M Iqbal Tawakal dengan algoritma
Multicodebook GLVQ untuk meningkatkan tingkat pengenalan. Penelitian
serupa juga dilakukan oleh Andry Sunandar dengan menggunakan Adaptive
FNGLVQ dan Indra Hermawan yang sejauh ini memberikan hasil yang paling
baik. Semua varian algoritma LVQ yang disebutkan di atas akan dijelaskan
secara lebih rinci di bab 6.
3.7. Perangkat Portable Berbasis Single Board Computer

Pada tahap ini dijelaskan beberapa tahapan dalam pembuatan
perangkat portable untuk pendeteksian tahapan tidur pasien menggunakan
sebuah Single Board Computer (SBC) dan beberapa rangkaian elektronik
tambahan.
3.7.1. Rangkaian Elektronik Terintegrasi

Rangkaian ini terdiri dari beberapa komponen untuk mendeteksi
sinyal EKG yang didapat dari tubuh. Karena sinyal elektronik dari tubuh sangat
lemah, maka diperlukan komponen penguat agar sinyal dapat diproses lebih
lanjut. Rangkaian ini terdiri dari rangkaian analog, mikrokontroller dsb.
3.7.2. Pengantar Beagleboard SBC

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

Sistem tertanam untuk mengolah sinyal detak jantung dapat dibuat
menggunakan suatu rangkaian yang terdiri dari transducer, Single Board
Computer (SBC), mikrocontroller EKG, rangkaian converter analog ke digital
(ADC), dan disertai dengan perangkat penunjang lainnya seperti power
supply dan layar sentuh untuk input/output ke SBC. Pada bagian ini akan
dijelaskan alat portable yang dikembangkan oleh Fasilkom UI untuk
melakukan deteksi sinyal jantung.
Gambar 3.10 Contoh alat portable untuk mendeteksi sinyal jantung yang
dihubungkan dengan simulator detak jantung
Transducer berfungsi untuk memperoleh informasi detak jantung

manusia dengan cara melekatkan beberapa elektroda pada bagian tubuh
tertentu sehingga beda potensial ionik pada tubuh dapat diterjemahkan ke
perangkat elektronik yang akan digunakan. Pada umumnya, untuk alat EKG
single lead, elektroda diletakkan pada tiga titik, yaitu pada lengan kiri, lengan
kanan, dan kaki kiri.
Gambar 3.11 Contoh elektroda

Setelah informasi mengenai beda potensial tubuh diperoleh oleh
transducer, sinyal tersebut kemudian dikirimkan ke rangkaian EKG untuk
diolah. Pada dasarnya, bagian EKG terdiri atas rangkaian amplifier dan filter
untuk memperkuat sinyal jantung yang diperoleh sekaligus melakukan
penyaringan sinyal sehingga informasi yang diperoleh tidak memiliki derau
yang signifikan. Amplifier diperlukan karena kecilnya sinyal yang dihasilkan
oleh pasien, yaitu sekitar 0.05 4 mV.
Perlu diingat kembali bahwa sinyal yang diperoleh sejauh ini diolah
secara analog pada rangkaian EKG. Agar sinyal dapat diolah secara digital,
sinyal keluaran dari rangkaian EKG kemudian diteruskan ke rangkaian ADC
untuk kemudian dikonversi menjadi data digital. Sinyal digital yang dihasilkan
oleh rangkaian ADC kemudian diteruskan ke Beagleboard untuk kemudian
diolah secara digital. Beagleboard juga berfungsi sebagai kontrol digital untuk
fungsi input dan output dari sinyal detak jantung.
BAB 4
Deteksi Kadar
Trichloroethylene (TCE)
pada Hati
Teknik Biomedis:Teori dan Aplikasi
4.1 Apa itu Trichloroethylene

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

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

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

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

Hati atau dalam bahasa inggris biasa disebut dengan liver adalah
sebuah organdalam pada tubuh mahluk hidup, dalam hal ini adalah manusia.
Organ dalam ini memiliki ukuran paling besar jika dibandingkan dengan
organ lainnya.
Gambar 4.1 Organ Hati

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

Organ dalam yang memiliki ukuran terbesar ini memiliki beberapa
fungsi utama, yakni : mengolah nutrisi dalam makanan, membentuk empedu,
membuang racun dalam tubuh dan membuat protein. Organ hati menjadi
salah satu organ terpenting yang dimiliki oleh manusia dengan fungsi fungsi
tersebut. Gangguan organ hati dapat menyebabkan berbagai penyakit.
Idealnya organ hati menjaga tubuh manusia dengan menghilangkan racun
yang ada di dalam tubuh, menghasilkan protein untuk metabolisme, dan
mengolah nutrisi dari makanan. Adapun penjelasan dari fungsi fungsi hati
tersebut adalah sebagai berikut.
a. Memproses Nutrisi dari Makanan

Pada proses pencernaan, sistem dalam tubuh akan memecah
makanan yang masuk menjadi bagian yang kecil dan semakin kecil. Sehingga
akhirnya dapat dialirkan melalui darah. Darah akan membawa nutrisi yang
terkandung dalam makanan dan melewati organ hati. Di dalam organ hati,
nutrisi tersebut akan diproses menjadi energi secara cepat, sedangkan
sisanya akan diproses menjadi protein protein yang dibutuhkan oleh tubuh
manusia. Rusaknya organ hati akan secara langsung mengganggu proses
pembentukan protein dan pembentukan energi, sehingga pada penyakit
gagal fungsi organ hati dapat menyebabkan kerusakan otak dan koma.
b. Membentuk Empedu
Empedu adalah sebuah cairan kental berwarna hijau kekuningan yang
dihasilkan oleh hati. Fungsi utama dari empedu adalah untuk membantu
pencernaan makanan. Terutama dalam proses pencernaan lemak saat lewat
dari lambung ke usus. Cairan berwarna hijau kekuningan yang dihasilkan
organ hati ini akan disimpan dalam kantong terdekat dari hati yang disebut
sebagai empedu, yang pada umumnya disebut kantung empedu.
Dalam membantu pencernaan, empedu memecah lemak yang masuk
ke dalam tubuh melalui makanan, sehingga lemak tersebut dapat dicerna dan
tidak mengendap dalam tubuh. Sebagai contoh adalah ketika seseorang
mengkonsumsi sejumlah daging panggang dalam jumlah besar, maka di
dalamnya terkandung lemak yang masuk ke dalam tubuh. Maka dengan
segera fungsi empedu akan dijalankan untuk memecah lemak yang masuk ke
dalam tubuh tersebut. Obesitas merupakan salah satu awal dari gangguan
fungsi empedu, hal ini karena jumlah lemak yang masuk ke dalam tubuh tidak
seimbang dengan kemampuan dari empedu dalam memecah lemak.
c. Membuang Penyakit Dalam Tubuh

Fungsi lain dari organ hati adalah membuang berbagai racun dalam
tubuh. Seluruh darah yang ada dalam tubuh manusia akan selalu melewati
organ hati. Sehingga penting bagi hati untuk menarik semua hal buruk yang
ada dalam darah. Diantaranya adalah racun yang harus dibuang dari tubuh
manusia. Jenis jenis racun ini seperti obat obatan (penicillin dan Tylenol).
Beberapa racun lainnya seperti sel sel yang sudah mati dan hancur yang
sebelumnya dibutuhkan oleh tubuh, protein dan hormon yang sudah tua.
Organ Hati menyiapkan fungsinya sebagai pembuang racun dalam
tubuh untuk berbagai jenis racun tersebut, sehingga pada akhirnya dapat
dibuang dari dalam tubuh. Kerusakan fungsi hati akan mengakibatkan racun
racun yang ada dalam tubuh yang seharusnya dibuang menjadi terkumpul,
mengendap dan akhirnya mengakibatkan masalah baru.
d. Membentuk Protein
Protein merupakan senyawa kimia kompleks yang dibutuhkan oleh
setiap mahluk hidup seperti tanaman, hewan dan manusia. Protein adalah
senyawa yang dibutuhkan olkeh tubuh manusia dan harus diproduksi secara
berkala dalam tubuh manusia. Seperti halnya pembentukan protein yang
berfungsi untuk pembekuan darah. Protein ini harus tetap diproduksi setiap
harinya dalam tubuh manusia oleh hati. Pada kasus tertentu, terdapat
masalah dalam pembekuan darah yang diakibatkan oleh irisan kecil pada
tubuh manusia. Darah tidak dapat membeku dan terus mengalir ketika
protein tersebut tidak diproduksi oleh hati.
4.2.2 Tanda dan Gejala Penyakit

Berbagai fungsi utama dibebankan pada hati membuat organ ini
menjadi bagian vital dalam tubuh manusia. Sehingga apabila terjadi
kerusakan dari organ ini, akan mengakibatkan berbagai penyakit dan kelainan
yang masiv. Adapun tanda tanda kelainan dan gejala penyakit pada hati
dapat berupa:
a. Rasa Mual dan Muntah - Muntah

Perasaan mual sampai dengan muntah muntah adalah tahap paling
awal dalam gejala penyakit hati. Namun gejala ini biasanya sering dianggap
sebagai gejala sakit biasa bahkan diabaikan dan baru ditanggulangi sampai
penyakit hati ini bertambah parah.
b. Rasa sakit di perut kanan atas

Pembengkakan organ hati pada pasien yang sudah mengalami
penyakit hati yang cukup parah akan mulai terasa dibagian perut kanan atas.
Apabila perasaan sakit perut dibagian kanan atas ini sudah terjadi, maka
perawatan lebih lanjut sangat dibutuhkan pada kasus ini.
c. Warna kulit yang berubah menjadi kekuningan

Penyakit kuning merupakan gejala awal dalam kerusakan hati. Hal ini
terjadi karena adanya penumpukan bilirubin dan dan cairan empedu yang
mengalir dalam darah akibat kerusakan hati yang diderita.
d. Mudah letih dan lesu

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

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

Tikus Putih
Tujuan dari penelitian yang dipaparkan dalam buku ini adalah untuk
mengetahui seberapa besar tingkat kerusakan pada sel-sel hati apabila
terkena paparan dari zat kimia berbahaya bernama Trycloroetilen dalam
jangka waktu yang lama, dan tidak semua penyakit hati seperti yang
disebutkan diatas berasal dari zat TCE, namun beberapa penyakit seperti
ginjal, menurunnya daya tahan tubuh, serta beberapa penyakit lainnya bisa
dijadikan faktor penyebab dari terjangkitnya penyakit hati pada manusia.
Tujuan akhir dari penelitian ini tidak hanya mendeteksi dan mengetahui efek
dari pencemaran zat Trycloroetilen (TCE), namun penelitian ini dapat
dijadikan tindak lanjut untuk pembuatan alat yang secara otomatisasi dapat
membantu memprediksi konsentrasi TCE dalam hati manusia dengan
beberapa tahapan metode yaitu akuisisi data, pra-pengolahan, dan clustering
yang sudah dikerjakan pada penelitian sebelumnya.
4.3.1
Penelitian Mengenai Hati Tikus Putih Sebelumnya
Sebuah studi yang dilakukan oleh Ramadhan.dengan menggunakan

sampel hati tikus terbukti bahwa bahwa zat TCE dapat merusak fungsi hati
yang pada akhirnya akan mengurangi kinerja dari sistem kekebalan tubuh.
pada penelitian lain, ternyata tidak hanya menyerang fungsi hati saja, zat TCE
juga dapat merusak organ reproduksi ginjal dimana penelitian ini melibatkan
tikus putih jantan untuk objek penelitian.
Pada kasus lain, banyak penelitian menggunakan metode klasifikasi
dan pendekatan clustering untuk menganalisa gambar dari hati tikus putih.
mereka menggunakan jaringan syaraf untuk mengidentifikasi lesi (kelainan)
pada hati menggunakan gambar hasil scanning alat Ultrasonografi. para
peneliti mencoba untuk membedakan hati yang normal dari lemak sel hati
menggunakan berbagai metode salah satunya adalah Transformasi Wavelet
dan Jaringan Saraf Probabilistik.
4.3.2
Mengapa objek yang digunakan adalah Hati Tikus Putih
Ada beberapa alasan mengapa beberapa hewan seperti tikus sering

digunakan sebagai objek percobaan untuk penelitian, dimana sebagian besar
digunakan untuk penelitian yang berhubungan dengan biomedis. Hal ini
dikarenakan tikus dapat dikategorikan sebagai hewan omnivora (pemakan
segala) yang biasanya mengkonsumsi semua makanan seperti layaknya
manusia. secara telah diketahui pula beberapa hewan di atas mudah untuk
diperkembangbiakan dan cepat untuk tumbuh dewasa, sehingga peneliti
tidak terlalu khawatir jika kekurangan bahan untuk eksperimen.
4.3.3
Persamaan antara Hati Tikus Putih dan Hati Manusia
Menurut para ahli, ternyata tikus putih memiliki anatomi dan fisiologis
yang mirip dengan manusia. Manusia dan tikus memiliki organ yang
membentuk suatu sistem yang letaknya dapat diketahui melalui terminologi
anatomi. dan pada pada opini lainnya organ-organ vital pada tikus dan
manusia berada pada tempat yang dinamakan rongga tubuh (body cavity).
Rongga ini berfungsi sebagai perlindungan dari gangguan eksternal sekaligus
memungkinkan perubahan bentuk dan ukuran organ dalam tanpa
mengganggu fungsi organ lain.
4.4 Dataset Tikus Putih

Pada subab di bawah ini akan di akan dijelaskan bagaimana cara
perolehan dan pengolahan dataset dari gambar hati tikus putih
4.4.1
Cara Perolehan Data
Data yang diperlukan dalam penelitian ini adalah gambar hati manusia
yang telah terinfeksi oleh TCE, namun peneliti kesulitan untuk menemukan
data tersebut dan tidak etis untuk melakukan eksperimen menggunakan data
tersebut.sehingga diperlukan objek lain yang sekiranya tepat untuk
menggantikan dari gambar organ hati manusia. Berdasarkan penelitian telah
diketahui bahwa struktur organ tikus putih dan metabolisme yang sangat
homolog dengan manusia, oleh karena itu kita mengekspos tikus putih
sejumlah 18 ekor yang 99% sudah terkena zat TCE.
Percobaan ini dilakukan di dalam ruang tertutup selama tujuh hari,
delapan jam per hari. Ruang ini memiliki mekanisme otomatis untuk
memeriksa konsentrasi TRI untuk setiap sepuluh detik. Pada akhir tujuh hari,
anestesi yang diberikan kepada tikus sehingga hati mereka dapat diperoleh
dan dianalisis. Penelitian menggunakan 148 gambar RGB dengan ukuran 1360
x 1024 piksel.
4.4.2
Cara Pengelompokan Data Citra dari Hati Tikus Putih
Gambar-gambar ini dikelompok menjadi tiga kelas, yaitu:
Kontrol Kelas, merupakan kelas untuk gambar dari hati tikus yang
tidak terkena TRI.
Kelas yang Konsentrasi TCE, adalah kelas untuk gambar dari hati tikus
yang terkena zat TCE sampai 1000 ppm.
High Class Konsentrasi, merupakan kelas untuk gambar hati tikus
putih yang terkena zat TCE sebesar 2000 ppm.
Berikut ini merupakan contoh gambar hati tikus putih yang sudah
dikelompokan sesuai dengan kelasnya, yang nantinya digunakan untuk
proses klasifikasi dalam menentukan apakah hati pada tikus putih ini dalam
keadaan sehat atau tidak.
(a) Mengandung 0 ppm zat

TCE
(b) Mengandung 1000 ppm zat

TCE
(c) Mengandung 2000 ppm zat

TCE
Gambar 4.2 Beberapa contoh gambar hati tikus putih
4.5 Pengolahan Data

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

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

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

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

tujuan dari fungsi J, yang juga tergantung pada fungsi keanggotaan U dan
centroid v, di mana J didefinisikan sebagai:
=
Di mana
[0,1],
= 1,0 <
<
1 i N,1 k C
Fungsi dari J harus diminimalkan sehingga jarak antara dua

kelas
centroid lebih kecil dari ambang batas yang diberikan. Dalam rangka
meminimalkan J, berat proses update (Uk) harus diterapkan. Uk Proses
didefinisikan sebagai berikut:
(
=
)
(
,1
dimana d_ki adalah jarak absolut antara y_i dan v_k. FCM menggunakan nilai
acak untuk menginisialisasi bobotnya. disaat proses pengolahan data
berlangsung nilai bobot tersebut akan diperbarui untuk meminimalkan nilai J.
Berdasarkan gambar dengan skala 25%, ada tiga kelas yang berbeda
dalam FCM tersebut, terkena 0 ppm (kontrol), terkena 1000 ppm (tingkat
rendah), dan terkena sampai 2000 ppm (tingkat tinggi). Gambar 1b
menunjukkan hasil pengelompokan data kami. Titik-titik biru mewakili cluster
1, lingkaran mewakili cluster 2, dan segitiga merupakan cluster 3. Garis hijau
adalah batas antara cluster 1 dan cluster 2. Garis merah adalah batas antara
cluster 2 dan cluster 3. Seperti dapat dilihat dari gambar, ada beberapa data
yang berada di cluster yang salah, ada 32 data yang tepatnya. Ini outlier
adalah 10 data normal, 18 data dari kandungan TCE yang rendah, dan 14 data
dari kandungan TCE yang tinggi. Secara umum, akurasi FCM adalah 70.27%.
Hasil ini menunjukkan bahwa proses pengelompokan gambar hati tikus putih
tidak cukup bagus apabila dilakukan secara langsung, metode ini tidak cocok
untuk digunakan dalam kasus pendeteksian citra hati tikus putih.
Gambar 4.3 Gambar Hasil Klustering FCM
4.5.4 Klasifikasi
Algoritma FCM ternyata tidak cukup tinggi tingkat akurasinya dalam
mengklasifikasi 3 kelas berbeda pada citra tikus putih. Dalam eksperimen ini,
kami akan mencoba beberapa variasi dari classifier yang ada, yaitu backpropagation neural networks(BPNNs), fuzzy-neuro learning vector
quantization (FNLVQ), dan fuzzy-neuro learning vector quantization-particle
swarm optimization (FNLVQ-PSO). Ketiga algoritma diatas telah digunakan
pada banyak problem-problem sebelumnya, seperti pengenalan tulisan
tangan, pengenalan objek wajah, dll.
4.6
Kesimpulan
Setelah melakukan eksperimen terhadap citra tikus putih, dapat

disimpulkan bahwa algoritma classifier BPNN dapat memisahkan citra tikus
putih secara akurat.Akurasi yang dicapai oleh BPNN adalah 99.12 % dengan
jumlah fitur sebanyak 45 fitur pembeda.Lalu akurasi terbaik yang dapat

dicapai oleh classifier FNLVQ adalah 77.18 %, sedangkan untuk FNLVQ-PSO
dapat mencapai akurasi sebesar 95.89 %.Walaupun kedua metode diatas
masih lebih baik akurasinya dibandingkan FCM, FNLVQ dan FNLVQ-PSO masih
kalah jauh jika dibandingkan dengan BPNN. Namun algoritma di atas masih
membutuhkan improvisasi terutama dalam hal efisiensi memory serta fitur
yang digunakan karena keterbatasan perangkat keras Spartan 3AN.
BAB 5
Ultrasonografi (USG)
5.1 Teknologi USG

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

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

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

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

mengukur paramater-parameter biometri janin.PJT merupakan topik khusus
yang dibahas dalam bab ini dikarenakan jumlah kemungkinan terjadinya kasus
ini lebih tinggi bila dibandingkan dengan kasus kecacatan janin jenis lainnya.
5.3. Parameter untuk menghitung PJT

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

Bagian kepala janin merupakan bagian yang mudah diamati pada
janin.Ada dua pengukuran yang dapat dilakukan terhadap bagian kepala
janin, yaitu diameter biparietal (BPD), lingkar kepala (head circumference),
dan diameter oksipitofrontal.
Diameter biparietal diukur dengan cara mengukur jarak maksimal
antara tulang parietal depan dan belakang. Pengukuran BPD paling akurat
pada usia kehamilan antara 12-18minggu. Akurasi pengukuran BPD berkurang
jika kepala janin mengalami deformasi.
Kedua biparietal yang diukur ditentukan dengan cara mendapatkan
bidang potongnya terlebih dahulu posisi garis tengah kepala hingga kedua
bagian kepala yang dipisahkan garis paling simetris. Pada bidang yang benar,
terlihat thalamus (T), kavum setptum pelusidum (S), sebagian dari falks
serebri (F), dan insula dengan arteri serebri media.Berikut ini skema bidang
potong pada pengukuran BPD.
Pengukuran BPD dapat dilakukan dengan beberapa cara:
1.
Outer to inner: Pengukuran dari batas luar tulang kepala proksimal ke

batas dalam tulang kepala yang distal.
2. Outer to outer: Pengukuran pada batas-batas luar tulang kepala di
sebelah proksimal dan distal.
3. Midpoint to midpoint: Pengukuran pada pertengahan tulang kepala
bagian proksimal dan distal
4. Inner to inner: Pengukuran dilakukan pada batas-batas dalam tulang
kepala di sebelah proksimal dan distal.
Selain BPD, citra kepala juga dapat digunakan untuk mengukur lingkar
kepala (HC) yang juga dapat digunakan untuk mengukur pertumbuhan janin.
Perhitungan HC dapat dilakukan dengan memanfaatkan ukuran BPD dengan
diameter oksipito-frontalis (OFID) maupun dengan mengukur secara
langsung menggunakan tracing. Bidang potong yang optimal pada
pengukuran HC sama dengan BPD, namun pengukurannya dilakukan pada
midpoint.
Gambar 5.1 Contoh pengukuran citra kepala janin untuk memperoleh

parameter BPD dan HC
Hasil pengukuran HC juga dapat langsung dibandingkan dengan

standar yang digunakan. HC termasuk pengukuran yang termasuk sering
digunakan oleh para dokter.
Gambar 5.2 Pengukuran BPD dan HC
5.3.2. Paha (Femur)

Pengambilan citra femur janin lebih sulit didapatkan dibanding
kepala.Hal ini disebabkan karena posisi paha berubah akibat gerakan
janin.Namun, pengukuran femur lebih mudah dan akurat dibanding
pengukuran kepala.Hal ini disebabkan karena ukurannya yang lebih panjang
sehingga kesalahan pengukurannya lebih kecil.
Salah satu pengukuran yang umum dilakukan terhadap paha yaitu
panjang femur atau femur length (FL). Ukuran FL relatif lebih tidak
terpengaruh gangguan pertumbuhan janin dibandingkan parameter lain,
namun sangat dipengaruhi faktor genetik.
Pengukuran FL tidak seakurat BPD, sehingga tidak dapat
menggantikan pengukuran BPD. Namun demikian, FL dapat digunakan
sebagai pembanding parameter BPD atau digunakan jika gambaran kepala
yang baik tidak dapat didapatkan.
Gambar 5.3 Fetal Femur Length

Permasalahan yang umum terjadi pada pengukuran FL yaitu kurang
dari panjang sebenarnya jika gambar paha secara keseluruhan tidak
didapatkan, ataupun lebih dari ukuran sebenarnya jika kaput femuris atau
epifisis distal termasuk dalam pengukuran.
5.3.3. Lengan Atas (Humerus)

Pengukuran lengan atas yang dilakukan yaitu terhadap panjangnya,
atau biasa disebut humerus length (HL). Akurasi pengukuran HL hampir sama
dengan akurasi BPD. Pengukuran HL lebih tepat digunakan setelah 14 minggu
kehamilan.
Gambar 5.4Gambar humerus pada janin

HL dipengaruhi oleh skeletaldysplasias, namun hal ini sangat jarang
terjadi.Oleh karena itu pengukuran HL cukup handal untuk digunakan.
5.3.4. Perut (Abdomen)

Ukuran perut juga dapat digunakan untuk menentukan ukuran janin,
yaitu lingkar perut atau abdominal circumference (AC).AC digunakan untuk
menentukan kondisi nutrisi janin. Pengukuran ini lebih jarang digunakan
dibanding parameter lain karena nilai diagnostiknya lebih rendah.
Bidang potong yang baik untuk pengukuran AC adalah oitibgab
transversal abdomen melalui pertemuan vena umbilikalis dan vena porta kiri
dengan sudut di mana potongan transversal tulanng belakang jelas
terlihat.Bentuk gambar diusahakan sebulat mungkin dan tidak terlihat
jantung maupun ginjal janin.
Gambar 5.5Lingkar perut janin

Cara pengukuran AC dapat dilakukan dengan tracing maupun dengan
rumush 1,57 (Diameter Transversa + Diameter Antero-posterior) x 1,57.
Beberapa kesalahan pengukuran sering terjadi apabila vertebra terletak di
depan sehingga shadowing menghilangkan struktur intra hepatic, atau jika
carian amnion yang sedikit, atau ibu yang terlalu gemuk.
5.4. Dataset
5.4.1. Perolehan Dataset
Dataset yang digunakan pada penelitian ini didapatkan dari mesin
Voluson 730 EXPERT.Penggunaan mesin ini disebabkan tersedianya mesin ini
di rumah sakit tempat prakter dokter rekan kami.
Dataset didapatkan dari dokter kehamilan saat mengambil gambar
ultrasonografi dari ibu hamil.Hasil pengukuran setiap minggunya kami
dapakan dari dokter sehingga kami berhasil mengumpulkan gambar yang
cukup untuk metode pengukuran yang telah dibangun.
Citra dari mesin yang kami gunakan berupa berkas dengan format
jpeg dengan resolusi 600x800 piksel monokrom 8 bit. Kumpulan citra ini yang
kami gunakan selama penelitian
Gambar 5.6 Mesin USGVoluson 730 EXPERT
Citra yang diperoleh merupakan citra hasil kerja sama dengan dokter
spesialis obstetri dan ginekologi yang ada di Rumah Sakit dr. Cipto
Mangunkusumo (RSCM), Jakarta. Citra- citra yang diperoleh berasal dari alat
USG Voluson 730 Expert.Gambar-gambar pada halaman selanjutnya
menunjukkan hasil pencitraan menggunakan alat tersebut.
(a)
(b)
(c)
(d)
Gambar 5.7 (a) kepala, (b) perut, (c) femur dan (d) humerus hasil pencitraan
menggunakan mesin USG Voluson 730 EXPERT terhadap janin
dalam kandungan
5.4.2. Katakteristik Data

Citra yang dihasilkan oleh mesin USG merupakan citra hasil pantulan
dari gelombang suara Ultrasonik. Gelombang suara tersebut akan melalui
beberapa jaringan tubuh di dalam manusia. Dalam perambatannya,
gelombang-gelombang ini akan mengalami perubahan dan akan mengalami
pelemahan. Pelemahan dari intensitas suara ini disebut dengan Atenuasi yang
dapat disebabkan oleh beberapa faktor seperti pembiasan/penyimpangan
berkas suara (divergensi), penyerapan energi suara (absorpsi), pantulan suara
ke luar jaringan (defleksi), scattering dan refleksi.
Divergensi terjadi akibat pembiasan berkas suara sehingga intensitas
suara yang diterima menjadi menurun.Absorpsi terjadi dikarenakan
penyerapan dari sebagian energi suara oleh jaringan tubuh.Semakin kental
dan kaki suatu jaringan semakin besar absorbsinya. Jaringan tulang akan
menyerap 100 kali leih besar besar bila dibandingkan dengan cairan.
Scattering disebabkan oleh permukaan medium yang dikenai gelombang
suara lebih kecil atau sama besar dengan panjang gelimbang suara yang
menyebabkan suara akan dipantulkan ke berbagai arah. Refleksi terjadi
karena dimensi permukaan medium yang di observasi lebih besar daripada
panjang gelombang suara.
Speckle NoisedanArtefak
Dengan adanya batasan terhadap hal yang telah dijelaskan
sebelumnya, citra yang dihasilkan oleh alat USG memiliki keterbatasan dan
tidak mampu menghasilkan kualitas yang baik. Selain hal tersebut, terdapat
karakteriktik lain yang dihasilkan oleh citra USG yaitu noise dan artefak.
Dalam pengolahan citra digital terdapat berbagai macam jenis noise
seperti gaussian noise, salt-and-pepper noise, shot noise, anisotropic noise dan
beberapa lainnya. Noise ini dapat disebabkan oleh kondisi daerah sewaktu
pengambilan citra yang akan mempengaruhi mesin/alat yang digunakan
untuk memperoleh citra. Noise ini dibentuk oleh sensor yang ada pada alat
pengambilan citra.
Citra USG 2D memiliki karakteristik noise yang disebabkan oleh
sensor USG yang tidak mampu menangkap sinya dengan sempurna. Noise
tersebut sering disebut dengan speckle noise.Noise ini adapada hampir
seluruh bagian citra. Dengan adanya noise ini tentunya akan mempersulit
proses segmentasi dimana noise akan memberikan andil dalam perhitungan
proses segmentasi citra. Speckle noise ini sendiri masuk dalam golongan
noise anisotropic.
Gambar 5.8 Gambar yang ditunjukkan oleh warna hijau merupakan spekle
noise dan hampir ada di keseluruhan citra
Selain speckle noise yang telah dijelaskan sebelumnya, terdapat
karakteristik lain yang ada pada alat USG 2D. Karakteristik lain yang sering
muncul dalam citra USG adalah artefek. Artefak dalam pemeriksaan citra USG
sangat penting untuk diketahui agar tidak menyebabkan kesalahan dalam
melakukan diagnosa.Namum demikian, dengan mengetahui artefak dalam
memperkuat diagnosa yang dilakukan.Artefak dalam citra USG mampu
membuat obyek seolah-olah menghilang, salah lokasi, berubah bentuk,
berubah ukuran, kecemerlangan warna atau obyek sebenarnya tidak
nyata.Terdapat berbagai macam jenis artefak dan dapat kelompokkan
menjadi beberapa kelompok tertentu.
PJT dan Data Normal

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

kasus kecacatan lainnya yang terjadi akibat kerusakan pada gen, kasus PJT
masih lebih sering terjadi di Indonesia. Hal ini lebih sering dikarenakan
kurangnya perhatian dari para ibu untuk memeriksakan kandungan mereka.
Selain itu tingkat kesejahteraan masyarakat Indonesia yang rata-rata masih
dalam tingkat kemiskinan merupakan faktor lain yang menyebabkan hal ini
sering terjadi.
Untuk melakukan diagnosa terhadap suatu keadaan janin dapat
digolongkan ke dalam PJT atau bukan, maka dibutuhkan pemeriksaan secara
berkesinambungan.Hal ini dikarenakan tidak dapat melakukan diagnosa
keadaan suatu janin PJT atau tidak bila hanya dilakukan dalam satu kali
pemeriksaan. Pemeriksaan PJT dapat menggunakan alat bantu berupa grafik
yang tertera pada gambar dibawah. Pada grafik kurva memiliki
kecenderungan naik berdasarkan waktu.Namun bila dalam beberapa kali
pemeriksaan titik pada grafik memiliki kecenderungan yang tidak sesuai
dengan kurva, maka keadaan tersebut dapat digolongkan dalam kasus
pertumbuhan janin terhambat.
Gambar 5.9 Gambar grafik yang menunjukkan pertumbuhan janin normal

menggunakan parameter diameter kepala.Titik warna merah
memiliki kecenderungan mengikuti kurva.
Gambar 5.10 Gambar grafik yang menunjukkan pertumbuhan janin

terhambat menggunakan parameter diameter kepala. Titik
warna merah memiliki kecenderungan tidak mengikuti kurva
(turun)
Pada contoh gambar di atas, digunakan parameter diameter kepala

janin (BPD) dalam satuan milimeter yang memiliki korespondensi terhadap
waktu (umur janin dalam kandungan). Parameter diameter janin sendiri dapat
diperoleh dengan pengukuran menggunakan alat USG. Bentuk grafik yang
hampir sama juga akan berlaku terhadap parameter-parameter biometri janin
lainnya, hanya saja memiliki perbedaan korespondensi antara parameter dan
waktu. Sebagai contoh gambaran, berikut adalah contoh grafik
menggunakan parameter keliling perut janin.
Gambar 5.11 Gambar grafik standar korespondensi antara parameter keliling

perut janin dengan waktu.
5.5. Pengolahan Citra USG

Pada sub bab ini akan dijelaskan tahapan-tahapan pengolahan citra
USG sampai pengukuran secara otomatis data biometri janin. Diagram
pengolahan citra USG ini dapat dilihat pada gambar 5.5.2. Masukan pada
proses ini adalah data citra USG 2 dimensi. Selanjutnya data ini akan dilakukan
pengolahan dengan tiga tahap utama, yaitu segmentasi, pengukuran
biometri janin, dan evaluasi hasil pengukuran.
Gambar 5.12 Tahapan pengolahan citra USG

Sebelum melakukan proses pengukuran biometri janin pada citra, hal
yang pertama kali dilakukan dalam sistem ini adalah dengan melakukan
proses segmentasi. Segmentasi dilakukan agar objek/gambar janin yang ada
pada citra dideteksi terlebih dahulu. Atau dengan kata lain umenghilangkan
background dari objek/gambar janin. Metode yang sering digunakan untuk
proses segmentasi adalah thresholding. Metode ini menggunakan intensitas
keabuan (grayscale) pada citra dengan menggunakan suatu konstanta batas
(threshold) tertentu. Selain itu, segmentasi dapat dilakukan dengan
melakukan deteksi objek pada citra, diteruskan dengan thresholding.
Penambahan metode deteksi objek ini dimaksudkan untuk membatasi proses
selanjutnya. Dengan deteksi objek terlebih dahulu, proses pengukuran dapat
dilakukan pada area (region) yang lebih sempit, tidak perlu dicobakan ke
keseluruhan area gambar. Hasil dari proses segmentasi ini adalah citra biner
yang terdiri dari piksel dengan intensitas hitam dan putih.
Proses selanjutnya adalah pengukuran data biometri janin. Metode
yang digunakan untuk proses ini adalah aproksimas Randomize Hough
Transform (RHT), atau Particle Swarm Optimization Hough Transform (PSOHT). Dalam proses aproksimasi ini dilakukan untuk dua jenis kurva, yaitu elisps
dan garis (line). Aproksimasi elips digunakan untuk mengukur data biometri
yang berkaitan dengan bagian kepala (head) dan perut (abdomen) janin.
Sedangkan aproksimasi garis dilakukan untuk mengukur data biometri yang
berkaitan dengan bagian tulang paha (femur) dan tulang lengan (humerus).
Metode Randomized Hough Transform menggunakan sample yang diambil
secara acak (random) dalam melakukan voting, tidak semua titik dalam citra
digunakan. Metode Particle Swarm Optimization-Hough Transform (PSO-HT)
menggunakan konsep vote metode Randomized Hough Transform sebagai
fitness function dari setiap partikel dalam populasi PSO. Kedua metode
tersebut melakukan aproksimasi terhadap citra hasil proses segmentasi ke
dalam bentuk elips atau garis. Hasil pengukuran dengan metode tersebut
dikalikan dengan skala citra untuk memperoleh ukuran sebenarnya. Nilai
pengukuran inilah yang disebut sebagai hasil pengukuran otomatis.
Setelah dilakukan pengukuran menggunakan metode RHT atau RHT
akan dilakukan evaluasi hasil pengukuran otomatis tersebut.
Hasil
pengukuran otomatis tersebut akan dibandingkan dengan hasil pengukuran
manual oleh dokter. Dari setiap data (gambar) akan dihitung error / selisih
pengukuran otomatis dan anotasi dokter. Selanjutnya akan dihitung rata-rata
error dari semua data. Rata-rata error tersebut meneskripsikan performance
metode pengukuran otomatis yang digunakan.
5.6. Preprocessing dan Pendekatan Metode

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

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

( ) =
1+ [
( , ; )
1
( )]/[
( )(1 +
( ))]
dan nilai varian dari instantaneous coefficient :

( , ; ) =
dimana
(1/2)( |I| / I) (1/4 )( / )

[1 + (1/4) ( / )]
( ) adalah fungsi skala dari speckle noise.
Dalam metode ini, nilai varian dari instantaneous coefficient sebagai

penunjuk tepi dari suatu citra dengan spekle noise. Fungsi skala dari speckle
noise ( ) digunakan sebagai kontron terhadap jumlah smooting yang
dilakukan pada citra dengan estimasi sebagai berikut :
[ ( )]
( ) =
( )
dimana nilai dari var[z(t)] dan ( ) berturut-turut adalah varian intensitas dan
nilai rata-rata dari homogenous area saat t. Jika persamaan 5.1 di turunkan
terhadap turunan waktu, maka sebenarnya turunan dari persamaan 5.1 akan
dapat diperoleh dalam bentuk diskrit sebagai berikut :
,
Metode ini selanjutnya diapliklasikan dengan menggunakan citra USG

kepala janin. Pada gambar berikut adalah hasil keluaran dari algoritma
perhitungan menggunakan SRAD pada citra USG kepala janin:
5.6.2. Segmentasi Citra Menggunakan Thresholding

Secara umum segmentasi merupakan suatu proses untuk
membedakan obyek utama dalam citra dengan latar belakang
(background).Segmentasi merupakan salah satu teknik yang penting dalam
pengolahan citra digital. Dengan menggunakan proses ini, obyek utama
dalam suatu citra akan tampak lebih jelas sehingga proses selanjutnya pada
citra dapat dilakukan dengan lebih mudah. Selain itu, dengan proses
segmentasi, latar belakang dari suatu citra seolah-olah terhapus sehingga
pengolahan pada citra dapat terfokus pada obyek utama dan mengurangi
beban komputasi.
Terdapat berbagai macam metode segementasi yang populer dan
dapat digunakan hingga saat ini. Salah satu metode segmentasi citra yang
paling mudah adalah dengan carathresholding. Teknik ini merupakan teknik
dalam citra digital yang paling mudah dikarenakan hanya menggunakan suatu
nilai threshold untuk menghilangkan atau memunculkan nilai piksel tertentu.
Misalkan dalam suatu citra dengan intensitas I(i,j) , maka jika dari intensitas
pada piksel tertentu kurang dari threshold (t), maka ganti nilai intensitas
piksel dengan nilai terkecil (misal 0). Sedangkan bila nilai intensitas piksel
lebih besar atau sama dengan nilai threshold (t) maka ganti nilai intensitas
citra tersebut menjadi nilai paling besar (misal 255). Pada gambar berikut
adalah salah satu contoh penggunaan thresholding untuk segmentasi citra
setelah suatu citra kepala janin USG di smooting menggunakan metode SRAD
yang telah dibahas pada bagian sebelumnnya :
Gambar 5.13. Gambar Hasil proses Smooting dengan menggunakan metode

SRAD
5.6.3. Segmentasi Citra Menggunakan Deteksi Objek

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

Viola, Jones pada pendeteksian objek wajah manusia pada suatu citra (Paul
Viola, 2001). Variasi jenis haar like yang digunakan dapat bervariasi sampai
motif apapun yang diingnkan, akan tetapi ada lima fitur dasar yang digunakan
untuk dalam proses pendeteksian wajah manusia. Lima fitur dasar tersebut
dapat dilihat pada Gambar 5.14.
Gambar 5.14 Fitur haar dasar pada pendeteksian wajah manusia [8]
Gambar 5.15 Pengaplikasian fitur haar pada citra USG

Selanjutnya, dari fitur dasar tersebut, diekspan menjadi fitur serupa
dengan variasi posisi dan ukuran (lebar dan tinggi). Dalam penggunanaannya,
fitur tersebut diaplikasikan pada citra USG sesuai dengan posisi dan ukuran
masing-masing fitur tersebut. Contoh pengaplikasian fitur haar dalam citra
USG dapat dilihat pada Gambar 5.15. Selanjutnya baru dihitung nilai dari fitur
haar. Nilai dari setiap fitur tersebut adalah selisih jumlah piksel yang ada di
kotak hitam dan jumlah piksel yang ada di kotak putih, atau lebih jelasnya
ditulis dengan aturan berikut.
2-kotak : (selisih jumlah pixel antar kotak kiri-kanan, atas-bawah)
3-kotak : (selisih jumlah pixel antara di kotak pinggir dengan di kotak

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

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

thresholding saja.
Gambar 5.17 Contoh aproksimasi elips pada kepala janin yang disegmentasi
dengan thresholding
Gambar 5.18 Contoh aproksimasi elips pada kepala janin yang disegmentasi
dengan metode deteksi objek, baru dilakukan thresholding
Gambar 5.19 Gambar Hasil Segmentasi menggunakan metode thresholding
Selain metode thresholding terdapat beberapa macam metode lain

yang dapat digunakan untuk melakukan segmentasi citra USG seperti regiongrowing atau watershed.
5.7. Deteksi dan Pengukuran Biometri Janin

5.7.1. Hough Transform untuk Deteksi Elips
Transformasi Hough (Hough Transform) merupakan suatu metode
yang digunakan untuk melakukan pendeteksian suatu bentuk yang terdapat
dalam suatu citra. Metode ini dikembangkan oleh Paul Hough pada tahun
1962 yang pada awalnya digunakan untuk mendeteksi garis. Selanjutnya
dilakukan pengembangan oleh para ilmuan sehingga metode ini dapat
mendeteksi bentuk lain seperti lingkaran, elips dan bahkan bentuk poligon.
Metode ini sangat sering digunakan dalam penelitian yang berhubungan
dengan pendeteksian suatu bentuk citra dikarenakan metode ini bersifat
robust terhadap noise dan dapat melakukan pendeteksian dengan baik
sekalipun suatu bentuk yang akan diekstraksi tidak dalam keadaan sempurna
dan rusak. Walaupun demikian metode ini memiliki kelemahan dari segi
komputasi dan memori yang digunakan.
Pada dasarnya metode ini melakukan transformasi bentuk obyek ke
dalam suatu parameter space.Selain itu metode ini menggunakan suatu array
yang digunakan untuk menyimpan hasil vote terhadap parameter dalam
parameter space tersebut.Pada buku ini bentuk garis dan elipse menjadi
pembahasan pokok dikarenakan metode ini akan digunakan untuk
aproksimasi biometri janin. Seperti yang telah dijelaskan sebelumnya bahwa
biometri kepala dan perut janin menggunakan citra USG dapat diaproksimasi
menggunakan elipse sedangkan panjang femur dan panjang humerus dapat
diaproksimasi dengan garis lurus.
Untuk mendeteksi elips maka dibutuhkan setidaknya lima parameter
yang harus dipertimbangkan. Parameter-parameter tersebut antara lain semi
mayor axis, semi minor axis, titik pusat dan kemiringan dari elips yang dapat
disimbolkan dalam (a, b, x0,y0,). Tidak seperti bentuk lain seperti
lingkaran yang hanya membutuhkan 3 parameter yaitu titik pusat (x0,y0)
dan jari-jari (r), mencari suatu bentuk elips dalam suatu citra akan
membuhkan perhitungan yang lebih kompleks.
Gambar 5.20.Gambar Elipse dan parameternya

Dalam suatu koordinat kartesius (x,y) untuk mendeteksi suatu garis
yang terletak dalam suatu citra maka dapat menggunakan persamaan garis
lurus sebagai berikut :
y = mx + n
(5.6)
Dimana m menyatakan kemiringan dari suatu garis dan n adalah bilangan

konstanta intersep. Ketika suatu set titik (yk,xk) yang terletak pada suatu garis
dapat dideskripsikan dengan =
+
dapat ditransformasikan ke
dalam ruang (m,n) (parameter space), dimana setiap titik dalam garis dapat
direpresentasikan sebagai berikut :
=
(5.7)
Setaip titik yang segaris akan bertemu dalam suatu titik dalam parameter
space (M,N). Hal ini dapat ditunjukkan dengan gambar berikut :
Gambar 5.21Gambar Transformasi setiap titik dalam parameter space. Setiap

titik (x,y) dapat direpresentasikan sebagai sebuah titik pada
ruang Hough
Namun demikian, rumusan ini tidak mampu digunakan untuk

mendeteksi suatu garis dalam keadaan vertikal. Maka dari itu, persamaan
tersebut diubah menjadi berikut :
x cos + y sin =
(5.8)
dimana dan memiliki hibungan dengan m dan n yaitu :

=
(5.9)
(5.10)
Dari persamaan tersebut maka dapat dibentuk dua dimensional

parameter space dengan koordinat dan . Sesuai dengan persamaan pada
5.7 maka untuk setiap titik sembarang (xk,yk) akan membentuk suatu sistem
koordinat dari dan sebagai berikut :
=
( + )
(5.11)
dimana = x /y . Hal ini akan menyebabkan fungsi sinus akan selalu berada
pada = 0 dan amplitudo dan fase pergeseran dari suatu garis identik dengan
lokasi dari suatu titik (xk,yk) dalam koordinat polar dengan penambahan fase
pergeseran900 .
Gambar 5.22 Hasil transformasi suatu garis lurus pada parameter space
menggunakan persamaan 5.8
Berikut adalah algoritma Hough Transform dalam bentuk pseudocode

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

acc(r,m) = acc(r,m)+1;
end
end
end
end
end
Untuk mendeteksi bentuk elips maka dibutuhkan pemahaman

tentang bentuk elips. Untuk mendeteksi elips pada citra dibutuhkan lima
parameter yaitu a, b, x0, y0 dan theta seperti yang telah dijelaskan
sebelumnya. Untuk mendeteksi titik pusat elips (x0,y0) maka dapat
menggunakan persamaan berikut :
=
Berikut ini adalah algoritma Hough transform untuk melakukan

deteksi elips dengan melakukan vote terhadap titik pusat dari suatu elips
yang mungkin pada suatu citra menggunakan titiktitik piksel yang terdapat
dalam citra :
function HTEllipse(citra_input,a,b)
[baris,kolom]=size(citra_input);
%kosongkan akumulator
acc = zeros(baris,kolom);
for x=1:kolom
for y=1:baris
if(citra_input(y,x)==0)
for ang = 0:360
t = ang*pi/180;
x0 = round(x-a*cos(t));
y0 = round(y-b*sin(t));
if(x0<kolom & x0>0 & y0<baris & y0>0)
acc(y0,x0)=acc(y0,x0)+1;
end
end
end
end
end
Metode-metode yang telah dijelaskan sebelumnya merupakan

metode standar dari Hough Transform.Seperti yang dapat diperhatikan pada
masing-masing pseudocode, algoritma ini membutuhkan memory dan biaya
komputasi yang cukup tinggi.Hal ini dapat diperhatikan dari jumlah
perulangan yang sangat dipengaruhi oleh ukuran citra.Berbeda dengan
metode Hough Transform untuk mendeteksi elipse, dibutuhkan perulangan
yang cukup banyak untuk setiap nilai a (semi mayor axis), b (semi minor axis),
t (sudut theta) dan titik pusat.
Seiring dengan berjalannya waktu, metode Hough Transform juga
mengalami perbaikan dan penyempurnaan.Metode yang cukup baik dan
banyak digunakan dalam beberapa penelitian adalah Iterative Randomized
Hough Transform (IRHT). Metode ini adalah metode turunan dari Hough
Transform yang menggunakan teknik Randomized dalam menentukan titik
yang akan di-vote. Berikut adalah alur jalannya metode dalam flow-cart yang
dapat dilihat pada gambar.
inisialisasi parameter (a,b,x0,y0,tetha) sama dengan 0
scan citra hasil preprosesing (hitam-putih) dan simpan

masing-masing titik pada matriks D
Pergunakan metode RHT untuk memperoleh nilai
parameter (a,b,x0,y0,tetha)
Bandingkan hasil vote parameter

sebelumnya dengan parameter terbaik
Varian
kurang
dari 1%
pada
proses
Simpan parameter
sekarang menjadi
kemungkinan solusi
Ganti nilai parameter (a,b,x0,y0,tetha) terbaik dengan

(a,b,x0,y0,tetha) sekarang
update citra dengan mengabaikan piksel yang tidak ada

pada batasan ellipse dengan parameter
(a*0.95,b*0.95,x0,y0, tetha)
Gambar 5.23 Gambar Flow cart dari metode IRHT
5.7.2. Swarm Intelligence

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

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

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

: Velocity vector individu ke-i pada iterasi n
: Konstanta bobot komponen kognitif individu
: Konstanta bobot komponen sosial

: Posisi local best value individui i pada iterasi ke-n
: Posisi global best value individui i pada iterasi ke-n
: Vektor posisi partikel ke-i (i = 1,2,3,) pada iterasi ke-n (n= 0,1,2,3,..)
+1
: Vektor posisi partikel ke-i pada iterasi ke-(n+1)
rand() : Fungsi yang menghasilkan bilangan random (0-1)
: Constriction factor
Secara umum PSO bekerja dengan selalu memperbaharui nilai posisi local
best dan posisi global best kemudian memperbaharui velocity vector hingga
kondisi terminasi terpenuhi. Adapun beberapa hal yang menyebabkan kondisi
ini terpenuhi adalah sebagai berikut :
1. Waktu pencarian sudah melebihi batas yang ditentukan
2. Solusi optimum telah ditemukan, yang biasanya dengan menggunakan
nilai ambang batas (threshold) untuk menetapkan apakah solusi telah
ditemukan atau tidak.
3. Tidak ada peningkatan global best dalam beberapa kali iterasi.
5.7.3. Hough Transform dan Swarm Intelligence untuk Deteksi Elips

Salah satu pendekatan berbasis swarm intelligence bisa digunakan
untuk mendeteksi ellipse. Dengan menggunakan Particle Swarm
Optimization (PSO) pencarian ellipse bisa dilakukan dengan lebih cepat.
Sebuah ellipse mempunyai paling tidak 5 parameter yang berbeda (a, b,
x0,y0,). Hough transform standar melakukan pencarian langsung di ruang
parameter sebesar 5D. Hal ini menyebabkan pencarian dengan Hough
Transform yang standar memakan waktu yang tidak memungkinkan
penggunaan praktis.
Untuk mengurangi waktu pencarian, pencarian parameter yang tepat
dapat dilakukan dalam ruang dimensi 3 saja (a, b, ). Kedua parameter
yang lain (x0, y0) dicari dengan melakukan Hough Transform pada gambar
dengan asumsi (a, b, ) sudah diketahui. Dengan melakukan hal
permasalahan pencarian ellipse dengan ukuran sembarang bisa
disederhanakan menjadi pencarian ellips dengan ukuran dan kemiringan (a,
b, ) yang sudah diketahui sebelumnya.Dengan menjadikan hasil HoughTransform sebagai fitness function, bisa diartikan setiap partikel mencari
apakah terdapat sebuah ellipse berukuran (a, b) dengan kemiringan ()
pada gambar. Cell akumulator Hough Transform yang memiliki vote tertinggi
nilai votenya akan digunakan sebagai nilai fitness function. Index (x0, y0)
dari cell tersebut menunjukkan posisi pusat ellipse pada gambar.
Hough Transform standar untuk mencari dua parameter (x0, y0)
masih terlalu lama untuk dijalankan. Agar pencarian lebih cepat digunakan
Randomized Hough Transform (RHT) untuk mengurangi jumlah iterasi saat
penghitungan fitness function.
Randomized Hough Transform dilakukan dengan sampling 2 titik,
sehingga sample-space yang ada berdimensi 2.Setiap partikel telah
mempunyai parameter (a, b, ) sehingga parameter-parameter tersebut
membantu membatasi pencarian.Untuk melakukan penghitungan
akumulator dilakukan sampling sebanyak 150 kali.Pada setiap iterasi diambil 2
sample titik. Dari dua titik ini akan ditentukan pusat ellipse yang ada digambar
(jika ada) dan titik pusat tersebut akan mendapatkan satu vote.
Penghitungan titik pusat tersebut digunakan dengan menyelesaikan
dua buah persamaan ellipse. Misalkan diketahui ellipse dengan parameter
(a, b, ) dan dari hasil sampling didapat 2 buah titik berbeda (x1,y1) dan
(x2,y2).
Sebagai penyederhanan diperkenalkan simbol F dan G sebagai berikut:
=
=
1
1
Jika titik pusat yang dicari adalah (h,k), dengan eliminasi dapat
dihasilkan persamaan sebagai berikut:
=
=
(
2(
=
)
(
+
) 2 (
(
(
)
)
)
)
Dengan substitusi didapatkan persamaan kuadrat Ax2+Bx+c = 0 sebagai

berikut:
=(
= (2
=(
+
2
+
)
2
+
)
1)
Persamaan tersebut dapat diselesaikan dengan aturan sebagai berikut:

=
Keterangan :
4
2
a = semi mayor axis

b = semi minor axis
(x1,y1) = sample point pertama
(x2,y2) = sample point kedua
5.7.4. Perbaikan terhadap Deteksi Elips menggunakan Hough

Transform
Seperti yang sudah dijelaskan pada bagian sebelumnya, deteksi
bentuk elips pada citra dengan menggunakan Hough Transform memerlukan
biaya yang tinggi baik dari sisi waktu maupun memori yang dipakai. Pada
bagian ini akan dijelaskan beberapa teknik untuk mengurangi waktu
komputasi dan memori dalam melakukan pendeteksian elips pada citra. Xie
pada [citation needed] menunjukkan bahwa bila panjang dari sumbu mayor
dapat diketahui atau diprediksi sebelumnya, maka komputasi Hough
Transform dapat direduksi dari yang sebelumnya menggunakan array
akumulator 5 dimensi menjadi 1 dimensi.Pada teknik ini, voting dilakukan
terhadap nilai sumbu mayor elips.
Namun sayangnya, teknik yang ditunjukkan oleh Xie memiliki akurasi
yang buruk saat dicobakan pada data citra USG dalam mengukur HC dan BPC.
Hal ini disebabkan oleh citra janin yang mana bagian elips di sekitar sumbu
mayor umumnya tidak terlihat setelah penghilangan derau diterapkan.
Kondisi ini bertolak belakang dengan gagasan Xie yang memanfaatkan
eksistensi sumbu mayor dalam membantu pendeteksian bentuk elips.
Satwika (Satwika, 2013) mengadopsi ide dari Xie untuk melakukan

pendeteksian objek berbentuk elips pada citra dengan cara memilih sumbu
minor elips sebagai variabel yang divoting.
Ide dari algoritma yang dikembangkan oleh Satwika adalah sebagai berikut.
Kita tahu bahwa sembarang elips dapat direpresentasikan menggunakan
persamaan berikut
+
)2
=0
dengan
=
=
1
1+
1
1+
= 2 (1 ) 2
= 2 (1 ) 2
=
2
+
Dari persamaan di atas dapat diketahui bahwa bila nilai dari kelima variabel U,
V, R, S, dan T diketahui, maka posisi elips dapat diketahui. Apabila kelima nilai
parameter tersebut telah diketahui, maka persamaan elips dapat dihitung
dengan menggunakan persamaan-persamaan berikut
+
2(1
+
2(1
2 +
2(1
2 +
2(1 +
1
2
tan
Dari pelajaran aljabar kita ketahui bahwa bila terdapat persamaan dengan N
variabel, maka persamaan tersebut dapat diselesaikan bila terdapat N
persamaan yang saling bebas linier. Berangkat dari ide ini, Satwika [citation
needed] mengusulkan untuk melakukan deteksi dengan cara mengambil 5
piksel putih yang diasumsikan sebagai salah satu pixel yang
merepresentasikan elips secara acak dari citra USG. Bila kelima piksel ini
dimasukkan ke persamaan di atas, maka akan didapat lima persamaan linier
yang membentuk suatu sistem persamaan linier. Dengan menyelesaikan
sistem persamaan tersebut, bila kelima titik tersebut memang benar berasal
dari bagian elips, maka akan diperoleh persamaan elips yang mendekati solusi
sebenarnya. Sebaliknya, bila salah satu piksel yang terambil berasal dari
derau, maka persamaan akan menghasilkan persamaan yang tidak sesuai.
Satwika mengusulkan untuk melakukan deteksi elips dengan cara
menghitung persamaan elips dengan memilih lima piksel secara acak
berulang kali sehingga diperoleh beberapa persamaan elips yang merupakan
calon dari solusi elips yang sebenarnya. Setelah beberapa persamaan
diperoleh, langkah selanjutnya adalah memilih calon elips yang paling
merepresentasikan solusi elips sebenarnya. Hal ini dapat dilakukan dengan
menggunakan teknik voting sebagai berikut.
Apabila persamaan elips telah diperoleh, Satwika menunjukkan bahwa bila
salah satu titik pada elips diketahui, maka nilai sumbu minor elips dapat
dihitung sebagai berikut.
cos
di mana
cos =
+
2
dengan variabel b menyatakan sumbu minor, a sebagai sumbu mayor, d

sebagai jarak titik pusat elips dengan suatu titik yang dipilih secara acak pada
elips, dan f adalah jarak antara titik pada ujung sumbu mayor dengan titik
dipilih secara acak.
Gambar 5.24 Ilustrasi geometris persamaan untuk menghitung sumbu

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

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

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

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

Fitur pertama dari aplikasi TERRAIN Mobile adalah fitur Login.
Halaman login merupakan halaman yang pertama kali dibuka oleh pengguna
sebelum menggunakan menu-menu aplikasi yang lain. Pada halaman login,

pengguna harus memasukkan username idan password sebelum mengakses
menu-menu selanjutnya. Menu login perlu ada dalam palikasi ini, agar aplikasi
tidak digunakan oleh sembarang petugas. Selain itu juga diperlukan untuk
melindungi data-data pasien. Gambar 5.26 (a) menunjukkan halaman login
yang muncul ketika aplikasi dijalankan. Ada tiga macam user dalam aplikasi
TERRAIN Mobile ini, yaitu dokter, petugas klinik dan pasien. Masing-masing
user memiliki username dan password yang sudah terdaftar ke Terrain
Server.
Seperti aplikasi-aplikasi pada umumnya, TERRAIN Mobile juga
memiliki halaman utama (home). Halaman ini akan terbuka setelah user
berhasil login. Gambar 5.26 (b) menunjukkan halaman awal setelah proses
login masuk sebagai petugas klinik. Terdapat daftar pasien yang sudah
terdaftar di klinik tersebut. Gambar 5.26 (c) menunjukkan menu pada
halaman awal.
(a)
(b)
(c)
Gambar 5.26 Tampilan aplikasi TERRAIN (a) Halaman (b) Login Halaman
Awal/Utama (c) Menu menu aplikasi TERRAIN Mobile
(a)
(b)
(c)
Gambar 5.27 (a) Halaman Informasi Pasien (b) Kandungan Psaien dan (c)
Grafik Pertumbuhan Janinnya
Selain fitur-fitur tersebut, fitur yang paling panting dari aplikasi ini
adalah pengolahan data citra USG dari pasien. Pengolahan data yang
disediakan oleh aplikasi ini adalah pengukuran biometri janin secara
otomatis, dan kurva pertumbuhan janin. Gambar 5.27 (a) menunjukkan fitur
edit data pasien, yang terdiri dari umur, nama, alamat, telepon, dan
keterangan. Selanjutnya tiap pasien memiliki data citra USG berdasarkan
kandungannya, seperti yang ditunjukkan Gambar 5.27 (b). Pasien dapat
melakukan pengecekan pertumbuhan janinnya melalui fitur monitoring
pertumbuhan janin, ditunjukkan pada Gambar 5.27 (c).
Gambar 5.28 Fitur Chatting dengan Dokter

Gambar 5.28 menunjukkan fitur chatting dengan dokter, untuk
memberikan masukan dan saran kepada pasien. Dokter
dapat
berkomunikasi dengan pasien meskipun tidak bertatap muka dengan
fitur chatting yang sudah disediakan. Dengan adanya fitur ini diharapkan
pasien dapat menjaga kesehatan janinnya.
(a)
(b)
Gambar 5.29 Pengukuran Data BIometri Janin (a) Hasil Deteksi Otomatis dan
(b) Validasi oleh Dokter
Gambar 5.29 (a) menunjukkan hasil dari deteksi otomatis citra USG 2
dimensi. Terlihat jelas parameter- parameter kepala janin yaitu HC dan
BPD hasil aproksimasi, beserta detail kelima parameter elips hasil deteksi
otomatis. Untuk menjaga kebenaran pengukuran, validasi dari dokter
sangat dibutuhkan. Dokter dapat memvalidasi hasil deteksi otomatis yang
dirasa kurang valid. Fitur ini ditunjukkan pada Gambar 5.29 (b).
5.8.2 Implementasi Terrain Server

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

Grafik pada Gambar 5.31 menunjukkan rata-rata waktu yang
dibutuhkan untuk sinkronisasi Terrain Server dan Mobile pada masingmasing URL. Terdapat 10 kali pengujian untuk mengetahui rata-rata ()
waktu yang dibutuhkan dari tiap sinkronisasi data. Grafik diatas
menunjukkan bahwa sinkronisasi data pada Terrain Server dan Mobile
relatif cepat untuk koneksi internet yang stabil.
Waktu sinkronisasi (ms)
90
80
70
60
50
40
30
20
10
0
Service
Gambar 5.31 Pengukuran waktu sinkronisasi server dengan aplikasi TERRAIN

mobile untuk berbagai fungsionalitas
BAB 6
Metode Klasifikasi
TeknikBiomedis:TeoridanAplikasi
6. 1 LVQ
6.1.1 Ide Dasar LVQ
Learning Vector Quantization (LVQ) yang dikembangkan oleh Teuvo
Kohonen (1986) [21] merupakan suatu metode pengenalan pola di mana
setiap unit output merepresentasikan suatu kelas atau kategori. Vektor bobot
untuk suatu unit output sering dirujuk sebagai vektor pewakil (vector
reference, codebook, prototype) untuk kelas yang direpresentasikan unit
output tersebut. Dalam suatu jaringan LVQ, beberapa unit output vektor
pewakil dapat digunakan untuk setiap kelas. Diasumsikan bahwa satu set
pola pembelajaran dengan klasifikasi yang dike-tahui, diberikan pada jaringan,
bersama dengan distribusi awal dari vektor reference-nya. Setelah
pembelajaran, jaringan LVQ mengklasifikasikan suatu vek-tor input dengan
memasukkannya pada kelas yang sama dengan unit output yang vektor
bobot-nya paling dekat ke vektor input.
Dari sisi arsitektur, karakteristik dari jaringan LVQ memiliki jaringan
lapis tunggal tanpa hidden layers, dimana arsitekturnya serupa dengan SelfOrganized Map tanpa adanya asumsi topologi tertentu. Terdiri dari satu lapis
input dengan satu lapis output untuk komputasi. Dalam lapisan output, setiap
unit neuron merepresentasikan suatu kelas atau cluster tertentu. Dalam JST,
pada lapisan output umumnya terdapat suatu fungsi yang digunakan untuk
menentukan level aktivasi dari neuron, dimana fungsi tersebut akan membatasi nilai keluaran pada suatu interval tertentu. Pada LVQ, fungsi aktivasi
yang digunakan adalah fungsi identitas yang artinya keluaran input sama
dengan masukkannya, f(x) = x.
Secara umum, algoritma LVQ dapat ditunjukkan pada algoritma 2.1.
Algoritma 2.1
Init weight vector W
Init learning rate
Init maximum iteration t
t0
0 or t < t
x getNextSample( )
train(W, x)
t t+1
Terdapat beberapa versi dari LVQ dimana setiap versi merupakan

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

2. Tentukan vektor pewakil pemenang wp seperti pada 2.1
3. Sesuaikan vektor pewakil wp berdasarkan aturan berikut :
Nilai a disini adalah laju pembelajaran dengan rentang nilai antara 0 < a
< 1 di-mana nilainya selalu menurun seiring iterasi proses pembelajaran.
Aturan pembelajaran diatas dapat ditunjukkan lebih detail seperti yang
terlihat pada
Algorithm 2.2 Aturan pembelajaran LVQ1
Require : W, x
, + (
,
( ,
,
( )
( , )
6.1.3 LVQ2
Pada algoritma LVQ1, proses penyesuaian bobot hanya ditentukan
berdasarkan vektor pewakil pemenang saja. Namun, pada algoritma LVQ2,
proses pembela-jaran memperhitungkan vektor pewakil tentangga dimana
proses pembelajaran di-tentukan berdasarkan ide dimana jika vektor
masukan (x) memiliki jarak yang ham-pir sama antara pemenang (wp) dan
runner-up(wr), maka kedua vektor pewakil se-harusnya di-update secara
simultan jika x berada pada bagian jendela yang salah.
Tahap pembelajaran yang dilakukan pada LVQ2 dapat diuraikan sebagai
berikut :
1. Pilih sampel data x
2. Tentukan vektor pewakil pemenang wp dan pemenang kedua (runner
up) wr :
3. Lakukan pengecekan terhadap wp dan wr :
a) wp dan wr harus berasal dari kategori yang berbeda
b) Kategori dari vektor masukan (Cx ) berasal dari kategori yang

sama de-ngan vektor pewakil pemenang kedua, Cx = Cwr
c) Jarak antara vektor masukkan ke vektor pemenang
( ( , )) dan ke vektor runner-up ( ( , )) hamper sama.
Untuk menentukan seberapa dekat/sama antara dpdan dr, disini
digunakan suatu jendela (window) untuk membatasi kedua jarak
tersebut. Pada algoritma LVQ2 diperke-nalkan satu parameter
baru yakni w yaitu seberapa lebar jendela yang ditentukan.
Gambar 6.1: Ilustrasi sistem jendela pada LVQ2

> (1 )
< (1 )
Jika misal
> 0.7
nilai
= 0.3, maka kondisinya menjadi
< 1.3 . Ilustrasi dapat dilihat pada Gambar 2.7
4. Jika ketiga kondisi pada langkah (3) terpenuhi, maka lakukan proses
penye-suaian vektor pewakil sebagai berikut;
+ (
Aturan ini dapat diartikan, jika x berada dalam rentang jendela yang
diten-tukan, tapi dikenali salah (
), maka jauhkan dari
distribusi kelas dan dekatkan
dengan distribusi kelas.
Aturan pembelajaran diatas dapat ditunjukkan lebih detail seperti
yang terlihat padaalgoritma 2.3
Algoritma 2.3 Aturan pembelajaran LVQ2 train(W, x)

Require: W, x
,
(
, )
> (1 )
,
,
,
,
+
+
( , )
( , )
< (1 + )
,
,
( )
6.1.4 LVQ2.1
Algoritma LVQ2.1 merupakan penyempurnaan dari LVQ2 dimana algoritma ini
mengabaikan aturan (2) dari kondisi update vektor pewakil LVQ2. Pada
algoritma LVQ2.1, kategori dari sampel data ( ) tidak harus sama dengan
vektor pewakil pemenang kedua ( ). Persyaratannya adalah minimal salah
satu dari vektor pewakil ( , ) berasal dari kategori yang sama dengan
kategori input ( ). Sedangkan aturan updateyang lain masih tetap
samadengan sebelumnya. Secara lebih detail dapat ditunjukkan pada
algoritma 2.4, dimana diasumsikan
=
.
Algorithm 2.4 Aturan pembelajaran LVQ2.1 train(W,x)

Require: W, x
w ClosestDistanceWeight(x, W)
w RunnerUpDistanceWeight(x, W)
d distance x, w
d distance(x, w )
ifC C then
ifC = C orC = C then
d d
1
if min
,
>
then
d d
1+
w , w , + xw ,
w , w , + xw ,
endif
endif
endif
getNextLearningRate( )
6.1.5 LVQ3
Algoritma LVQ2.1 memiliki kelemahan dimana vektor pewakil
kemungkinan men-galami divergensi selama proses pembelajaran
dilakukan[22]. Pada algoritma LVQ3, koreksi dilakukan terhadap LVQ2.1
dimana untuk memastikan vektor pe-wakil agar selalu mendekati distribusi
dari kelas. Aturan update vektor pewakil sama dengan LVQ2.1, hanya saja
terdapat aturan tambahan dimana jika kedua vek-tor pewakil (w1; w2) berasal
dari kelas yang sama, maka update vektor pewakil nyaadalah sebagai berikut;
), > 0
Dimana 1,2 , jika , , berasal dari kelas yang sama. Berikut algoritma
2.5 untuk pembelajaran LVQ3
Algorithm 2.5 Aturan pembelajaran LVQ3 train( W, x)

Require: W, x
,
( , )
1
,
>
1+
, + (
,
, (
,
( , )
( , )
, )
,
,
,
,
,
+
+
(
(
, )
, )
( )
6.1.6 GLVQ
Generalized Learning Vector Quantization (GLVQ) merupakan
algoritma yang dikembangkan oleh A. Sato dan Yamada pada tahun 1995 [16].
Algoritma ini merupakan variasi dari algoritma LVQ khususnya LVQ2.1 dimana
merupakan penurunan dari cost function yang eksplisit, tidak seperti pada
algoritma LVQ. Disamping itu algoritma LVQ2.1 juga tidak menjamin
konvergensi dari vektor pewakil ke distribusi dari kelas selama proses
pelatihan ([16, 22]). Metode pembelajaran yang digunakan disini berdasarkan
atas proses minimisasi dari cost function, miss-classification error, dengan
menggunakan metode optimasi gradient descent.
Diberikan adalah vektor pewakil terdekat berasal dari kategori
yang sama de-ngan kategori vektor masukan ((
= )) dan adalah
vektor pewakil terdekat yang bukan berasa dari kategori vektor masukan
(
) . miss-classification error ( ) dapat dihitung dengan
menggunakan persamaan 2.5;
( )=
(2.5)
Dimana
dan
adalah jarak antara
dan
, nilai dari ( )
diantara -1 dan +1. Jika ( ) negative, maka akan dikenali secara benar,
sedangkan jika positif maka akan dikenali secara salah. Untuk perbaikan
error rate, maka ( ) harus diturunkan terhadap semua vektor masukan.
Sehingga, kriteria dari proses pembelajaran adalah meminilisasi cost function
S sebagai berikut :
=
( ( )) (2.6)
Dimana N adalah jumlah dari vektor masukan untuk pelatihan dan

( ( )) adalah fungsi monoton naik. Untuk meminimalkan S,
dan
diupdate berdasarkan metode steepest descent dengan nilai laju
pembelajaran sebagai berikut:
, = 1,2 (2.7)
Jika fungsi diskriminan yang digunakan adalah menggunakan squared

Euclidean distance = | | maka akan didapat :
=
) (2.8)
) (2.9)
Sehingga aturan pembelajaran dari algoritma GLVQ dapat ditulis sebagai

berikut :
) (2.10)
) (2.11)
dapat dilihat sebagai gain factor untuk proses update vektor pewakil dan
nilai-nya tergantung pada . Ini artinya,
merupakan bobot untuk setiap .
Untuk menurunkan error rate, maka akan efektif jika proses update
vektor pewakil meng-gunakan vektor input yang berada di class boundaries,
sehingga decision bound-aries akan digeser menuju batas bayes. Dengan
demikian, ( )harus merupakan fungsi monoton naik yang non-linear, dan
dianggap bahwa kemampua n pengenalan tergantung pada definisi fungsi
( ).
Pada GLVQ, fungsi monoton naik yang digunakan adalah fungsi
sigmoid :
( , )=
(2.12)
= ( , )(1 ( , )) (2.13)
Dimana
memiliki puncak yang tunggal pada
= 0, semakin
bertambah nilai maka lebar dari puncak semakin mengecil dan vektor
masukan yang mempen-garuhi proses pembelajaran secara gradual dibatasi
pada decision boundaries tersebut. Pada Algoritma 2.6 dapat dilihat

algoritma GLVQ dengan pseudocode.
Algoritma 2.6 Algoritma GLVQ

Require : X in round robin mode
InitializeweightvectorW
Initializelearningratea
Initializemaximumiterationt
t0
whilea ort < t do
forx Xdo
d closestDistance1(x, W)whereC = C
d closestDistance2(x, W)whered = m
d d
mce
d +d
4d
factor1
(d + d )
4d
factor2
(d + d )
f
d
w w +
(x w )
(d + d )
f
d
w w
(x w )
(d
+d )
endfor
endwhile
t
a
(1
)
t
d (C C )
Keunggulan dari metode ini bahwa algortitma GLVQ akan menjamin

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

pada perangkat lunak dan perangkat keras Field Programmable Gate
Array (FPGA).
6.1.7 FNLVQ
Fuzzy-Neuro Learning Vector Quantization (FNLVQ) merupakan
algoritma pem-belajaran yang berbasis kompetisi yang dikembangkan oleh
Kusumoputro danWisnu J [23] dimana algoritma ini diaplikasikan pada
sistempengenalan aroma.Algoritma ini dikembangkan berdasarkan algoritma
LVQ dengan menggunakan teorifuzzy dimana aktifasi dari neuron ditunjukkan
dalam bentuk nilai fuzzy karena di-motivasi oleh ketidakjelasan (fuzzines) dari
data yang dihasilkan akibat dari kesalahan pengukuran oleh alat. Proses
fuzzifikasi dari semua komponen vektor pewakildan vektor masukan
dikalkulasi melalui proses normalisasi dengan menggunakanfungsi
keanggotaan segitiga, dengan nilai derajat keanggotaan maksimal adalah
1.Fungsi keanggotaan segitiga sangat umum digunakan karena sifatnya yang
sangatsederhana dan mudah untuk diimplementasikan. Distribusi data
direpresentasikanpada vektor pewakil dengan nilai min, mean danmax,
yaitu = ( , , ). adalah pusat (center) dari distribusi sampel data,
sedangkan dan secara berurutan adalah nilai minimum dan maksimum
sampel data.
Karena neuron pada FNLVQ menggunakan fuzzy number, maka
konsep jarakeuclid yang digunakan pada standar LVQ dimodifikasi
menggunakan fuzzy simi-larity dimana dihitung dengan menggunakan
operasi MAX-MIN antara vektor input dengan vektor pewakil. Dengan model
seperti ini, arsitektur dari jaringan disesuaikan untuk mengakomodasi operasi
MAX-MIN dari dua vektor. ArsitekturFNLVQ dapat dilihat pada Gambar 19,
dimana jaringan terdiri dari lapisan input, satu lapisan tersembunyi (hidden
layer) dan lapisan output. Lapisan tersembunyidisini merupakan representasi
dari vektor referensi yang terdiri dari beberapa fungsikeanggotaan yang
berkorespondensi dengan setiap fitur masukan , dan setiap kat-egori kelas
direpresentasikan dengan satu vektor referensi, dalam hal ini disebutdengan
cluster.
Gambar 6.2 Arsitektur dari fuzzy neuro LVQ digunakan dalam sistem
pengenalan aroma.
Diberikan ( ) adalah vektor masukan. ( ) adalah fungsi
keanggotaan dari x, sedangkan adalah vektor referensi dari kategori dan
adalah fungsi keanggotaan untuk . Tingkat kemiripan antara setiap
cluster ( ) pada hidden layer dengan vektor masukan ( ( ))dihitung dengan
menggunakan fuzzy similarity ( ) dengan menggunakan operasi max
sebagai berikut
( ) = max[ ( ) ( )] , = 1,2, ,
Dimana
(2.14)
adalah maksimal jumlah kategori dari aroma.
Fungsi aktifasi yang digunakan pada tiap cluster adalah dengan

menggunakan operasi minimum untuk semua komponen yang ada
didalamnya, dimana nantinya nilai fuzzy similarity ( )akan dipropagasikan ke
neuron keluaran.
( ) = min [ ( )] (2.15)
Kemudian dicari nilai terbesar nilai similarity ( )setiap neuron output
untuk menentukan neuron pemenang. Jika neuron pemenang memiliki ( )
sama dengan , maka vektor masukan dan vektor referen tidak mirip sama
sekali. Aturan pembelajaran dari algoritma FNLVQ terdiri dari tiga kondisi
yangmungkin terjadi diantaranya; (1) Jika jaringan dapat mengenali masukan
denganbenar, (2) Jika jaringan salah mengenali vektor masukan, dan (3) Jika
tidak terda-pat interseksi fuzzy set antara vektor masukan dan vektor
pewakil. Berikut adalahaturan pembelajaran untuk setiap kondisi;
1.
Jika jaringan mengenali vektor masukan dengan benar,
maka
2.
vektorpewakil dari cluster pemenang diupdate sesuai dengan :

a. Posisi pusat dari vektor pewakil digeser mendekati vektor masukan
( + 1) = ( ) + ( )( 1 ( ) ( ) ( ) ) (2.16)
b. Tingkatkan kemampuan pengenalan vektor pewakil dengan
memper-lebar fungsi keanggotaan dari vektor pewakil dengan
aturan sebagaiberikut;
i. Modifikasi dengan faktor konstan
( + 1) = ( ) (1 + )( ( ) ( )) (2.17)
( + 1) = ( ) (1 + ) ( ) ( )
( + 1) = ( + 1)
ii. Modifikasi dengan faktor variable
( + 1) = ( ) (1 )(1 )( ( ) ( )) (2.18)
( + 1) = ( ) (1 + )(1 + ) ( ) ( )
( + 1) = ( + 1)
Jika jaringan salahmengenali vektor masukan,
maka vektor
pewakildari cluster pemenang diupdate sesuai aturan:
a. Posisi pusat dari vektor pewakil digeser menjauhi vektor masukan
( + 1) =
( ) ( )
b.
3.
1 ( )
( )
( ) (2.19)
Turunkan kemampuan pengenalan vektor pewakil dengan

mempersem-pit fungsi keanggotaan dari vektor pewakil dengan
aturan sebagaiberikut;
i. Modifikasi dengan faktor konstan
( + 1) = ( ) + (1 + ) ( ) ( ) (2.20)
( + 1) = ( ) (1 + ) ( ) ( )
( + 1) = ( + 1)
ii. Modifikasi dengan factor variable
( + 1) = ( ) + (1 )(1 ) ( ) ( ) (2.21)
( + 1) = ( ) (1 )(1 ) ( ) ( )
( + 1) = ( + 1)
Jika fungsi keanggotaan vektor pewakil tidakmemiliki interseksi dengan
vektor masukan, maka fungsi keanggotaan vektor pewakil diupdate
berdasarkanaturan sebagai berikut
( + 1) = ( ) ( )(2.22)
Dimana nomenklatur yang digunakan adalah sebagai berikut :

( + 1) =

(2.23)
( )=
( ) = laju pembelajaran, nilai monoton turun(0<1), yang

didefinisikan sebagai berikut:
( + 1) = 0.999 ( )
(0) = 0.05
, =nilai konstan yang digunakan dalam proses pelebaran dan
penyem-pitan fungsi keanggotaan dengan interval [0, 1]
, = nilai variabel yang digunakan dalamproses pelebaran dan
penyem-pitan fungsi keanggotaan dengan definisi;
( + 1) =
( + 1)(2.24)
( + 1) = 1 ( + 1)
dimana nilai adalah konstan =
= 1.1
Terdapat beberapa penelitian yang dilakukan untuk meningkatkan

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

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

Karakteristik dari jaringan propagasi balik adalah sebagai berikut:
Jaringan lapis banyak

Terdiri dari satu input layer (lapisan masukan), satu atau lebih hidden
layers (lapisan tersembunyi). Setiap neuron pada lapisan masukan tidak
memiliki fungsi aktivasi. Setiap neuron pada lapisan tersembunyi
mendapatkan masukan dari semua neuron pada lapisan sebelumnya
ditambah masukan dari satu bias.
Fungsi aktivasi
Fungsi aktivasi yang digunakan dalam propagasi balik harus memiliki
karakteristik
kontinyu,
dapat
didiferensiasikan
(diturunkan)
dan
monoton tidak turun. Fungsi tersebut mendekati nilai maksimum dan

nilai minimumnya secara asimtotik dan akan lebih baik jika turunan
fungsinya mudah untuk dihitung.
Fungsi yang sering digunakan antara lain,
1.
Fungsi sigmoid biner (range: [0,1])
(2.1)
Dan turunannya,
2.
Fungsi sigmoid bipolar (range: [-1,1])
Dan turunannya,
Gambar 6.3. Arsitektur Neural Network Backpropagation

Arsitektur
Pada gambar 3 terdapat tiga lapisan yang digambarkan. Lapisan pertama
adalah lapisan masukan yang terdiri dari neuron X sebanyak n sebagai
neuron input bagi neural network. Pada lapisan ini di setiap neuron tidak
memiliki activation function dan hanya berfungsi memberikan input bagi
neural network. Lapisan kedua adalah lapisan tersembunyi yang terdiri
dari neuron Z sebanyak p. Setiap neuron pada lapisan ini memiliki
activation function. Lapisan ketiga adalah lapisan output (keluaran),
lapisan ini terdiri dari neuron Y sebanyak m dan seperti pada lapisan
tersembunyi, setiap neuron pada lapisan ini memiliki activation function.
Setiap neuron pada lapisan tersembunyi dan lapisan keluaran
tersambung dengan bias. Fungsi bias mirip seperti fungsi input,
perbedaannya, bias selalu memberikan nilai masukan bernilai 1 kepada
setiap neuron yang ada pada jaringan saraf tiruan.
Algoritma Pelatihan
Algoritma ini didasarkan pada aturan error-correction learning rule.
Terdiri dari tiga tahap,
1. Feedforward untuk menghitung output (keluaran)dari input
(masukan) yang diberikan.
2. Propagasi balik untuk menghitung error pada setiap neuron
menggunakan ouput pada fase feedforward dan expected value
(ouput yang diharapkan).
3. Penyesuaian bobot dengan berdasarkan error yang ada pada
setiap neuron.
Pada penjelasan algoritma ini diasumsikan hanya terdapat satu lapisan
tersembunyi. Algoritma ini dieksekusi menggunakan masukan berupa
sederetan data pelatihan. Biasanya data pelatihan berisi fitur-fitur atau
ciri sebagai berikut.
Langkah 1 : Inisialisasi bobot menggunakan nilai yang dekat dengan

0 (nol).Set laju pembelajaran dan set banyaknya epoch
Langkah 2 : Selama syarat berhenti masih belum terpenuhi
(penjelasan syarat berhenti ada pada langkah 10) lakukan
langkah 3 sampai 10.
Langkah 3 : Untuk setiap satu paket data input lakukan langkah 4
sampai dengan langkah 9.
Feedforward :
Langkah 4 : Setiap neuron input (Xi , i = 1, , n) menerima sinyal
masukan xi dan meneruskannya ke seluruh neuron pada
lapisan berikutnya (lapisan tersembunyi).
Langkah 5 : Setiap neuron pada lapisan tersembunyi (Zj = 1, , p)
menghitung total sinyal masukan dari neuron pada
lapisan sebelumnya dan dari bias yang sudah dikalikan
bobot yang bersesuaian.
(2.5)
Lalu menghitung sinyal keluaran dengan cara menjadikan
total sinyal sebelumnya sebagai masukan bagi fungsi
aktivasi,
(2.6)
Dan mengirimkan hasil output dari fungsi aktivasi ini ke
setiap neuron pada lapisan selanjutnya (lapisan output).
Langkah 6 : Setiap neuron pada lapisan output (Yk, k = 1, , m)
menghitung total sinyal masukan dari neuron pada
lapisan sebelumnya dan dari bias yang sudah dikalikan

bobot yang bersesuaian.
(2.7)
Lalu menghitung sinyal keluaran dengan cara menjadikan
total sinyal sebelumnya sebagai masukan bagi fungsi
aktivasi,
(2.8)
Backpropagation of error :
Langkah 7 : Setiap neuron output (Yk, k = 1, , m) menerima sebuah
nilai ekspektasi atau nilai yang diharapkan . Setiap neuron
output akan menghitung nilai error (kesalahan),
(2.9)
Nilai koreksi bobot dengan rumus,
(2.10)
Dan nilai koreksi bobot bias dengan rumus,
(2.11)
Serta mengirimkan nilai error k ke lapisan sebelumnya.
Langkah 8 : Setiap neuron pada lapisan tersembunyi (Zj,j = 1, ,p)
menghitung nilai error dengan memanfaatkan nilai erroryang
dikembalikan dari lapisan setelah lapisan ini (lapisan output)

menggunakan rumus,
(2.12)
Lalu mengalikannya dengan hasil turunan fungsi aktivasinya
untuk mendapatkan nilai error,
(2.13)
Selanjutnya menghitung koreksi bobot dengan rumus (2.14)
untuk mengubah bobot vijpada rumus (2.17),
(2.14)
Dan menghitung koreksi error dari bobot bias,
(2.15)
Kemudan langkah berikutnya adalah perubahan bobot dan
bobot bias.
Langkah 9 : Setiap neuron pada lapisan output (Yk, k = 1, , m)
mengubah bias dan bobot-bobotnya (j = 0, , p) :
(2.16)
Setiap neuron pada lapisan tersembunyi (Zj, j = 1, , p)
mengubah bias dan bobotnya (i = 1, , n) :
Langkah 10 : Uji syarat henti :
(2.17)
Pelatihan akan berhenti ketika mean square error (2.17) hasil
pelatihan dari paket data pelatihan yang digunakan berada
dibawah error tolerance (nilai toleransi kesalahan) yang
diinginkan atau pelatihan telah mencapai batas pengulangan
(epoch) yang ditentukan. Nilai toleransi kesalahan () yang
digunakan adalah 1 < 0. Jika syarat tidak dipenuhi kembali
ke langkah 2.
Algoritma Pengujian
Langkah 1 : Inisialisasi bobot dengan menggunakan nilai acak yang
bernilai antara -0.5 dan 0.5.
Langkah 2 : Untuk setiap input x, lakukan 3-5
Langkah 3 : Set nilai aktivasi dari neuron input, i = 1, , n
Xi = xi
Langkah 4 : Untuk j = 1, ,p
(2.18)
Langkah 5 : Untuk k = 1, , m
(2.19)
1.
Pemilihan bobot awal dan bobot bias

i. Pemilihan bobot awal akan mempengaruhi jaringan dalam
mencapai error minimum global atau lokal dan seberapa cepat
konvergensi tersebut bisa dicapai.
ii. Penyesuaian bobot tergantung pada fungsi aktivasi neuron yang
berada pada lapisan sebelum (pemberi sinyal input) dan turunan
fungsi aktivasi neuron yang berada pada lapisan setelahnya
(penerima sinyal input), sehingga perlu dihindari pembobotan awal
yang menyebabkan keluaran dari fungsi dan turunan fungsi
aktivasi bernilai nol.
iii. Jika menggunakan fungsi sigmoid, nilai bobot awal tidak boleh
terlalu, karena akan menyebabkan nilai turunannya menjadi sangat
kecil atau jatuh di daerah saturasi. Sebaliknya nilai bobot awal juga
tidak boleh terlalu kecil, karena dapat menyebabkan sinyal yang
dikirim ke neuron pada lapisan tersembunyi atau ke neuron pada
lapisan output menjadi terlalu dekat dengan nol sehingga
membuat proses pembelajaran terjadi terlalu lambat.
iv. Pada penelitian ini digunakan inisialisasi acak dengan nilai diantara
-0.5 dan 0.5.
Feedforward
Gambar 6.4. Menghitung output neuron Z1
6.2.2 Contoh Eksekusi Algoritma Backpropagation

Pada gambar 4 sampai dengan gambar 16 adalah ilustrasi langkahlangkah untuk mengeksekusi algoritma Backpropagation. Pada ilustrasi
tersebut algoritma dijalankanpada jaringan saraf tiruan dengan tiga lapisan
yang terdiri dari satu lapisan input yang terdiri dari tiga neuron, satu lapisan
tersembunyi yang terdiri dari dua neuron dan satu lapisan output yang terdiri
dari tiga neuron.
Gambar 6.5. Menghitung output neuron Z2
Gambar 6.6. Menghitung output neuron Y1
Gambar 6.7 Menghitung output neuron Y2
Gambar 6.8 Menghitung output neuron Y3
Backpropagation of error
Gambar 6.9 Menghitung error pada Y1, Y2 dan Y3
Gambar 6.10 Menghitung error pada Z2
Gambar 6.11 Menghitung error pada Z1
Gambar 6.12 Menyesuaikan bobot V01, V11, V21 dan V31
Gambar 6.13 Menyesuaikan bobot V02, V12, V22 dan V32
Gambar 6.14 Menyesuaikan bobot W01, W11 dan W21
Penerapan MLP : Implementasi pada Sistem Operasi Android dan

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

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

samalain, seperti yang dapat ditunjukkan pada Gambar 4.1 sehingga diharapkan dengan menggunakan vektor pewakil fuzzy, maka ketidakpastian pola
suatu ke-las dapat diturunkan. Selain itu, kunci utama proses pengenalan
unknown data pada FNLVQ adalah terletak pada model vektor pewakil
dengan menggunakan fuzzy, dimana jika nilai similarity antara vektor
masukan dengan vektor pewakil adalah 0 (nol), maka vektor masukkan
tersebut polanya belumpernah diketahui oleh jaringan saraf (unknown).
Gambar 6.17 Ilustrasi data Aritmia yang tumpang tindih (overlap) antar
kategori.
Pada pengenalan Aritmia yang dilakukan pada penelitian ini, yang
dikenali adalah beat dalam ECG, dimana kemunculan suatu kelainan beat
ditandai dengan morfologinya. Menurut dr. Jolanda Jonas, tidak semua
kemunculan kelainan beat menandakan seorang pasien menderita Aritmia.
Terdapat kelainan beat yang hanyamuncul sekali dalamdata ECGdimana hal
ini sering digunakan sebagai indikasi un-tuk pemeriksaan lanjutan, seperti
pemasangan alat observasi ECG 24 jam (Holter ECG). Sehingga himpunan
fuzzy sebagai masukan sistem, seperti pada sistem pengenalan aroma, tidak
cocok untuk digunakan. Oleh karena itu pada pengenalanAritmia ini,

digunakan
masukan
berupa
data
crisp. Ilustrasi pendekatan
denganmenggunakan algoritma FNLVQ pada sinyal ECG dapat dilihat pada
Gambar 4.2.
Gambar 6.18 Ilustrasi algoritma FNLVQ pada sinyal ECG

Seperti terlihat pada Gambar 4.2, beberapa data beat ECG (c) difuzzifikasi terlebih dahulu membentuk fungsi keanggotaan untuk
merepresentasikan data masukkan. Berbeda dengan pendekatan yang
dilakukan pada algoritma yang diusulkan, seperti terlihat pada Gambar 4.3.
Data sinyal beat ECG langsung di-masukkan ke jaringan saraf tanpa melalui
proses fuzzifikasi terlebih dahulu, oleh karena itu data masukan pada
algoritma yang diusulkan berbentuk (crisp).
Gambar 6.19 Ilustrasi algoritma FNGLVQ pada sinyal ECG

Fungsi diskriminan yang di-gunakan GLVQ adalah menggunakan

distance metric, yakni jarak euclidean, se-hingga semakin kecil jarak antara
input dengan vektor pewakil, maka kedua vektor akan semakin mirip. Pada
metode yang dikembangkan, fungsi diskriminan yang digunakan adalah
dengan menggunakan pendekatan fuzzy, seperti yang digunakan FNLVQ
dalam aplikasi pengenalan aroma.
Gambar 6.20 Ilustrasi Perhitungan similarity crisp data dengan

menggunakan fungsi keanggotaanSegitiga
Pada fuzzy similarity, perhitungan kemiripan dilakukan dengan
mencari dera-jat keanggotaan setiap fitur( ) terhadap fungsi keanggotaan
( ) , dengan
dan
seperti yang diilustrasikan pada Gambar 4.4

= ( ) . Kemudian nilai derajat keanggotaan ( ) vektor pewakil
(cluster) dipropagasi ke neuron keluaran dengan menggunakan operasi ratarata (average).
=
(4.2)
dimana vektor pewakil pemenang akan di-update selama proses

pembelajaran tergantung dari vektor masukan yang diberikan. Namun pada
metode ini, vek-tor pewakil yang akan di-update tidak hanya berdasarkan
vektor pemenang saja,melainkan ditentukan oleh miss classification error
dengan menghitung jarak re-latif antara jarak vektor masukkan (x) dengan
vektor pewakil dari kelas yang sama ( = ) dan jarak terbesar vektor
masukan dengan vektor pewakil yang tidak berasal dari kelas yang sama
. Secara garis besar, taksonomi dari algoritma yang
dikembangkan ini (FNGLVQ) dapat dilihat pada Gambar 4.5
Gambar 6.21: Bagan taksonomi algoritma yang dikembangkan (FNGLVQ)

Pada konsep similarity, semakin besar nilainya, maka tingkat
kemiripan kedua vektor akan semakin tinggi. Untuk dapat menggunakan
pendekatan similarity dengan fuzzy pada GLVQ, maka nilai derajat
keanggotaan di-komplemen menjadi = 1 dimana adalah nilai jarak
(disimilarity). Kemudian persamaan tersebutdisubstitusikan ke Persamaan 2.5
sehingga didapat :
(
( )=
(
( )=
) (
) (
)
)
(2.23)
Berikut adalah turunan dari masing-masing bagian turunan berantai pada

Persamaan 4.5 :
1 (2
) (1) (
(2 )
= 2
(1 )
(2 )
1 (2
=2
dan
) (1) (
(2 )
(1 )
(2 )
merupakan turunan MCE terhadap nilai similarity
mencari
dan
. Untuk
, maka perhitungannya tergantung dari fungsi keanggotaan yang
digu-nakan pada setiap vektor pewakil. Pada penelitian ini, fungsi

keanggotaan( )yang adalah fungsi segitiga, seperti yang juga digunakan
pada algoritma FNLVQ, karena fungsi segitiga adalah fungsi yang paling
sederhana untuk diim-plementasikan, dan untuk mendapatkan parameternya hanya membutuhkan nilaiminimum, rata-rata dan maksimum yang
dihitung dari sebaran data pelatihan. Olehkarena itu, elemen vektor pewakil
pada algoritma ini akan direpresentasikan sebagaiberikut :
=(
dan (
Dimana
, ,,
, ,,
adalah vektor pewakil untuk fitur ke- dengan kategori ,

, ,
, ) secara berturut-turut nilai minimum, rata-rata
dan maksimum dari distribusi data sampel fitur ke- dengan kategori . Untuk
lebihmenyeder-hanakan notasi, akan digunakan (
, ,,
, ,
, )
untuk mewakili notasi diatas. Jika fungsi keanggotaan segitiga didefinisikan
sebagai :
= ( ,
)=
0,
,
,
0,
(4.9)
Maka turunan dari fungsi segitiga diatas, dalam hal ini akan diturunkan
), didapat sebagai berikut :
terhadap nilai rata-rata bobot (
<
Untuk nilai x dengan kondisi
=
=(
)(
=(
=
) (
<
(4.10)
:
)(
=(
)(
<
=
=(
(4.11)
=0
= 0 (4.12)
Dari Persamaan 4.10, 4.11, 4.12 kemudian di subtitusikan ke rumus update
bobot dengan aturan update bobot seperti berikut :
<

( + 1)
( )
( + 1)
( )+
(
(
)
)
(
(
(4.13)
(4.14)
)
)
<

( + 1)
( )+
( + 1)
( )
)
(
(4.15)
(4.16)

( + 1)
<
( ), = 1,2 (4.17)
dengan
adalah vektor pewakil dari kelas yang sama dengan vektor
masukkan ( = ) dan adalah vektorpewakil dari kelas yang berbeda
dengan vektormasukkan dengan nilai similarity terbesar (
( ) ) .Proses update padapersamaan diatas (4.13, 4,14, 4.15, 4,16)
dilakukan pada
.
sedangkan
mengikuti pergesearan dari
( + 1)
( )
( ) (4.18)
( + 1) +
( )
( ) (4.19)
Fungsi Monoton naik yang dipakai pada algoritma ini akan tetap sama
denganyang dipakai pada GLVQ standar, yakni menggunakan fungsi sigmoid,
sehingga
akan sama seperti pada Persamaan 2.19. Sedangkan nilai laju
pembelajaran yangdigunakan adalah berkisar [0, 1] dan menurun seiring

bertambahnya iterasi prosespembelajaran.
( + 1) =
(4.20)
Sebagai bagian dari karakteristik algoritma GLVQ dimana terlepas dari

apakahjaringan saraf benar mengenali vektor masukan maupun tidak, vektor
pewakil ,
keduanya secara simultan akan di-update. Namun pada
algoritma ini, selain melakukan penyesuaian
, dilakukan penyesuaian
tambahan seperti yang dilakukan pada FNGLVQ yaitu proses penyesuaian
lebar interval dari fungsikeanggotaan tiap vektor pewakil.
Jika jaringan bisa mengenali dengan benar vektor masukan yang

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

dikenali,
Interval dari fungsi keanggotaan (fuzzy) dari vektor pewakil terlalu
sempit,sehingga tingkat pengenalan-nya rendah
Karena ini merupakan proses pelatihan, maka asumsi adalah yang ke2, sehingga untuk membuat jaringan mengenali vektor pewakil, semua
interval dari fungsi keanggotaan vektor pewakil diperlebar. Berikut adalah
aturan perlebaran/penyempitan fungsi keanggotaan vektor pewakil yang
telah dijelaskan pada uraian diatas;
Jika > 0
> 0 minimal salah satu dari kedua vektor pewakil
men-genali vektor masukan:
Jika pengenalan-nya benar ( < 0), maka interval ketidakpastian (fuzzi-ness)
dari vektor pewakil diperlebar
+(
) 1+(
) (4.21)
) 1+(
Jika pengenalan-nya benar ( 0), maka interval ketidakpastian (fuzzi-ness)

dari vektor pewakil dipersempit
Disini, nilai
+(
) 1(
) (4.22)
) 1(
adalah diantara [0,1]. Pada studi kasus yang dilakukan disini,
dipilih nilai
= 0:00005.
Jika = 0
= 0 yang artinya kedua vektor pewakil tidak mengenali
vektor masukan, maka semua fungsi keanggotaan pada semua vektor
pewakilpada jaringan diperlebar dengan aturan sebagai berikut
+(
) 1(
) 1+(
) (4.23)
Disini nilai adalah diantara [0,1]. Pada studi kasus yang dilakukan
disini, dipilih nilai = 0:1.
Penerapan FNGLVQ pada Sistem Pengenalan Kelainan Aritmia

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

Algoritma FNGLVQ telah digunakan pada penelitian Sleep Stages.
Pada umumnya, untuk mengetahui kualitas tidur seseorang adalah dengan
testing menggunakan Polysomnography. Namun, di Indonesia, pelaksanaan
testing Plysomnography harganya cukup mahal, sekitar $400 per malam dan
hanya bisa dilakukan di rumah sakit karena alat yang diperlukan cukup banyak
dan rumit. Oleh karena itu, kita membuat sebuah alat portable berbasiskan
sinyal Electrocardiography (ECG) untuk mendeteksi Sleep Stages.
Dengan menggunakan beberapa fitur turunan dari sinyal ECG, kita
dapat menggunakan algoritma FNGLVQ untuk mengklasifikasi fitur tersebut
ke beberapa kelas yang ada. Kelas kelas tersebut terdiri dari 2 grup berbeda,
yaitu Non Rapid Eye Movement (NREM) dan Rapid Eye Movement (REM).
NREM terdiri dari 4 stages, yaitu NREM stage 1, NREM stage 2, NREM stage
3, NREM stage 4.
Algoritma FNGLVQ digunakan untuk mengklasifikasikan fitur-fitur
hasil turunan dari EKG yang memiliki karakteristik yang kuat untuk kasus Sleep
Stages ini. Hasil dari penggunaan FNGLVQ ini mempunyai akurasi yang lebih
tinggi jika dibandingkan dengan GLVQ.
Tabel 6-1 Perbandingan performa FNGLVQ dan GLVQ
6.3.2 Mahalanobis GLVQ

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

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

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

Algoritma Adaptive FNGLVQ merupakan varian dari algoritma FNGLVQ di
mana pembaruan nilai bobot diubah sehingga dapat beradaptasi dengan
kondisi data.Bila dibandingkan dengan algoritma FNGLVQ standar, versi
adaptif dari FNGLVQ memiliki perbedaan pada pembaruan nilai parameter, di
mana nilai yang diperbarui tidak hanya untuk parameter mean, melainkan
juga untuk parameter min dan max. Adaptasi pada nilai parameter
akandipengaruhi oleh pembelajaran terhadap data yang diberikan kepada
algoritma. Berbeda dengan versi standarnya, pada FNGLVQ adaptif tidak
dikenal proses mempersempit atau memperlebar fungsi keanggotaan
segitiga dengan suatu nilai konstan. Dengan demikian, operasi utama pada
FNGLVQ adaptif adalah pergeseran terhadap nilai parameter.
Untuk fungsi keanggotaan segitiga, perbedaan utama antara FNGLVQ adaptif
dengan pendahulunya adalah saat menghitung nilai
karena nilainya harus
diubah untuk semua parameter min, max, dan mean.Berikut ini adalah
penurunan nilai untuk fungsi keanggotaan segi tiga berdasarkan (Sunandar,
2013).
Untuk kondisi input wmin<xwmean,
Penurunan terhadap mean
=
(
(
(0)(
)(
)(1)
Penurunan terhadap min

=
(
(
(1)(
)(
)
)(
(
=
)
)
)(1)
Penurunan terhadap nilai max

=
(
(
(0)(
)
)(
)(0)
=0
Gambar 6.22 Ilustrasi algoritma FNGLVQ Adaptif Segitiga untuk nilai x

dengan wmin < x wmean
Gambar 6.23 Ilustrasi FNGLVQ Adaptif Segitiga untuk nilai x dengan

wmean x < wmax
Penurunan untuk kondisi input wmean<xwmax,

Untuk nilai mean
=
(
(
(0)(
)(
(
=
)
)(1)
)
)
Untuk nilai min

=
(0)(
)
)(
)(0)
=0
Untuk nilai parameter max
=
(
(
(1)(
(
=
)
)
)(
)(1)
)
)(
(
(
)
)
)
Selain perubahan pada nilai parameter, nilai bobot terhadap kondisi input
juga harus diperbarui. Berikut ini adalah aturan pergeseran bobot untuk
algoritma FNGLVQ adaptif.
Nilai x dengan kondisi wmin<xwmean
Pergeseran nilai Mean:
( + 1)
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
Pergeseran nilai Min

( + 1)
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
Pergeseran nilai Max

( + 1)
( )
( + 1)
( )
Nilai x dengan kondisi wmean<xwmax

Pergeseran nilai Mean:
( + 1)
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
)
)
Pergeseran nilai Max

( + 1)
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
Pergeseran nilai Min

( + 1)
( )
( + 1)
( )
6.3.4 Adaptive Multicodebook FNGLVQ

Untuk beberapa kasus klasifikasi, terkadang berbagai varian dari
algoritma LVQ mengalami permasalahan dalam melakukan clustering. Salah
satu penyebabnya adalah bila terdapat data mengenai fitur yang sama namun
memiliki beberapa cluster tersendiri. Jika dilakukan teknik klasifikasi biasa,
maka hal ini akan menyebabkan kesalahan dalam proses klasifikasi. Untuk itu,
salah satu teknik yang digunakan dalam mengatasi masalah ini adalah dengan
memperkenalkan teknik multi codebook pada algoritma klasifikasi
LVQ.Adaptive Multicodebook FNGLVQ merupakan versi multicodebook dari
algoritma FNGLVQ.
Gambar 6.24 Karakteristik data yang overlapping pada data tahapan tidur
(Hermawan, 2013)
Algoritma Adaptive Multicodebook FNGLVQ pertama kali
diperkenalkan oleh Hermawan (Hermawan, 2013) dengan tujuan melakukan
pengenalan terhadap tahapan tidur. Hal ini disebabkan oleh sulitnya
melakukan klasifikasi terhadap data tahapan tidur karena karakteristik antar
fitur yang tersedia di setiap kelas saling tumpang tindih. Permasalahan
representasi data ini dapat dilihat pada Gambar 6.24. Selain itu, sulitnya
melakukan klasifikasi data juga dipengaruhi oleh distribusi data yang sangat
menyebar.
Penggunaan multicodebook ini juga didasari oleh penelitian
sebelumnya oleh M Iqbal Tawakal yang menggunakan teknik multicodebook
dalam penelitian untuk melakukan pengenalan tahapan tidur sebelumnya
pada algoritma GLVQ. Hal ini dilakukan karena tidak seimbangnya data
tahapan tidur untuk kelas yang berbeda.
Pada algoritma Adaptive Multicodebook FNGLVQ ini, salah satu tahap
yang terpenting adalah pembentukan codebook atau reference vector.
Kualitas codebook akan menentukan akurasi terhadap pengenalan dari
algoritma. Pada tulisan ini dibahas pembentukan codebook menggunakan
clustering, di mana nantinya jumlah codebook ditentukan oleh jumlah cluster
yang dibentuk. Di antara sekian banyak metode clustering yang tersedia,
pada penelitiannya, Hermawan menggunakan teknik clustering tree (CLTree)
karena tidak diperlukan inisialisasi jumlah cluster awal pada inisialisasi
algoritma. Karena teknik CLTree ini merupakan algoritma klasifikasi, maka
agar data dapat dipisah, Bing Liu mengusulkan agar ada suatu non-existing
data yang ditambahkan pada data awal secara uniform agar klasifikasi dapat
dilakukan. Dengan adanya penambahan ini, maka permasalahan yang ingin
diselesaikan oleh CLTree adalah pemisahan antara data dari kelas y (data
sebenarnya) dengan data dari kelas n (data buatan). Proses penambahan
non-existing data yang dilanjutkan dengan proses clustering menggunakan
CLTree dapat dilihat pada gambar berikut.
Gambar 6.25 Proses penambahan data non-exist dan dilanjutkan dengan

clustering pada CLTree
Secara garis besar terdapat tiga tahapan utama dalam menentukan
cluster menggunakan CLTree yang disarankan oleh Bing Liu (Bing Liu et al,
2000), yaitu Decision Tree Construction, Pruning, dan Cluster Decision. Pada
tahap Decision Tree Construction, setiap data dipisah atau dipotong secara
iteratif menggunakan fungsi purity look ahead gain criterion. Fungsi purity
ini menggunakan information gain untuk mementukan posisi pemotongan
terbaik dengan persamaan seperti berikut
Gain( , ) = entropi( )
entropi( )
Berdasarkan Hermawan (Hermawan et al., 2013), terdapat tiga langkah utama

dapat cluster tree construction, yaitu:
1.
Menentukan pemotongan awal

Gunakan information gain untuk menentukan nilai pemotongan pada
setiap dimensi
2. Melakukan pencarian terhadap pemotongan yang lebih baik
Bila suatu nilai pemotongan terbaik telah dihitung, proses dilanjutkan
dengan menghitung nilai pemotongan yang lebih baik lagi. Nilai yang
lebih baik ini dihitung berdasarkan kriteria yang disebut sebagai densitas
relatif. Bila terdapat suatu area a, maka nilai densitas relatif pada area
tersebut dihitung dengan membagi jumlah data berlabel y dengan jumlah
data berlabel n pada area tersebut.
3. Memilih pemotongan terbaik overall
Nilai pemotongan terbaik ditentukan dengan membandingkan nilai
densitas relatif antar dimensi. Untuk setiap fase, pemotongan terbaik
yang dipilih adalah pemotongan dengan nilai densitas relatif terkecil.
Setelah Decision Tree terbentuk, proses dilakukan dengan melakukan pruning
agak menghasilkan cluster yang sesuai sekaligus menghindari terjadinya
overfitting. Kriteria pruning ditentukan oleh suatu batas minimum anggota
dan batas minimum tingkat densitas relatif yang tersedia di suatu cluster.
Pemotongan dilakukan terhadap leaf yang memiliki nilai yang dibawah jumlah
minimum untuk kelas y namun memiliki nilai densitas relatif yang lebih besar
dari nilai densitas relatif minimum yang sudah ditentukan.
Secara umum, penentuan jumlah cluster menggunakan CLTree diilustrasikan
melalui gambar berikut.
Gambar 6.26 Proses pembuatan cluster (Hermawan, 2013)

Setelah semua cluster berhasil diperoleh, langkah selanjutnya adalah
proses pembentukan reference vector atau codebook. Sama seperti algoritma
FNGLVQ, reference vector direpresentasikan dengan fungsi keanggotakan
segitiga dimana nilai minimum, rata-rata, dan maksimum ditentukan oleh nilai
dari distribusi data yang dimiliki oleh setiap cluster. Proses pembentukan
cluster dapat dilihat pada gambar berikut.
Gambar 6.27 Ilustrasi penentuan codebook (Hermawan, 2013)

Proses pembentukan cluster menggunakan teknik yang diuraikan di
atas menyebabkan jumlah reference vector yang berbeda-beda untuk setiap
kelas pada proses pengenalan algoritma. Dengan teknik ini, pengenalan data
yang memiliki distribusi data tersebar akan lebih mudah dilakukan.
Bila dibandingkan dengan algoritma FNGLVQ terdahulu, versi adaptive

multicodebook juga memiliki perbedaan arsitektur di mana semua cluster dari
fitur yang sama dikelompokkan menjadi satu pada cluster layer.
Berdasarkan Hermawan (Hermawan, 2013), perhitungan nilai similaritas
setiap fitur dilakukan dengan menghitung derajat keanggotaan setiap fitur
(Xi) terhadap fungsi keanggotaan (hicj(x)) sebagai berikut
=
( )
dimana i menyatakan fitur ke-i, c menyatakan vektor pewakil ke-c, dan j

menyatakan vektor pewakil kategori ke-j.
Gambar 6.28 Ilustrasi perhitungan derajat keanggotaan crisp data

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

= max ( )
Skema perhitungan algoritma Adaptive Multicodebook FNGLVQ dapat dilihat
pada gambar di bawah ini.
Gambar 6.29 Ilustrasi algoritma FNGLVQ adaptif menggunakan

multicodebook (Hermawan, 2013)
Berikut ini adalah proses pembaruan pada algoritma Adaptive Multicodebook
FNGLVQ berdasarkan Hermawan (Hermawan, 2013).
Pembaruan untuk pemenang pertama (wp)
Kondisi 1: jika
> 0 dan
=0
Bila nilai x berada pada rentang
<
Pembaruan nilai mean

( + 1)
( )
2(1 )
(
(2 )
Pembaruan nilai min
( + 1)
( )
2(1 )
(
(2 )
Tidak ada perubahan pada nilai max.

<
Pembaruan terhadap nilai mean

( + 1)
( )+
2(1 )
(
(2 )
Tidak terdapat perubahan pada nilai min.

Pembaruan terhadap nilai max
( + 1)
Kondisi 2: jika
( )+
= 0 dan
2(1 )
(
(2 )
>0
<
Pembaruan untuk nilai mean

( + 1)
( )
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
( )
2(1 )
(
(2 )

<

( + 1)
( )+
2(1 )
(
(2 )

( + 1)
Kondisi 3: jika
> 0 dan
( )+
2(1 )
(
(2 )
>0
Untuk menentukan aturan pembaruan pada kondisi ini, perlu dilihat nilai
similarity terbesar antara c1 atau c2. Jika nilai similarity dari c1 lebih besar,
maka aturan pembaruan adalah sebagai berikut.
<
<

( + 1)
( )
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
( )
2(1 )
(
(2 )

<
<

( + 1)
( )+
2(1 )
(
(2 )

( + 1)
( )+
2(1 )
(
(2 )
Jika nilai similarity c2 lebih besar, pembaruan akan mengikuti aturan berikut
<
Bila nilai
Pembaruan nilai mean adalah sebagai berikut

( + 1)
( )
2(1 )
(
(2 )
Pembaruan nilai min

2(1 )
(
(2 )
( )
( + 1)

<
Bila nilai
<

( + 1)
( )+
2(1 )
(
(2 )

( + 1)
= 0 dan
Kondisi 4: jika
2(1 )
(
(2 )
( )+
=0
( + 1)
Pembaruan untuk pemenang kedua (wr)

Kondisi 1: jika
Bila nilai
> 0 dan
<
=0
Pembaruan nilai mean adalah sebagai berikut
( )
( + 1)
( )+
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
( )+
2(1 )
(
(2 )

<
Bila nilai
<

( + 1)
( )
2(1 )
(
(2 )
Tidak ada pembaruan pada nilai min

( + 1)
Kondisi 2: jika
Bila nilai
( )
= 0 dan
<
2(1 )
(
(2 )
>0
Perhitungan nilai mean

( + 1)
( )+
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
( )+
2(1 )
(
(2 )

Bila nilai
<

( + 1)
( )
2(1 )
(
(2 )

( + 1)
( )
> 0 dan
Kondisi 3: jika
2(1 )
(
(2 )
>0
Jika nilai similarity terbesar adalah c1, maka maka aturan pembaruannya
dijelaskan sebagai berikut.
Bila nilai
<

( + 1)
( )+
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
( )+
2(1 )
(
(2 )

Bila nilai
<

( + 1)
( )
2(1 )
(
(2 )

( + 1)
2(1 )
(
(2 )
( )
Bila nilai similarity terbesar dimiliki oleh c2, maka aturan pembaruannya
dijelaskan sebagai berikut.
<
Bila nilai

( + 1)
( )+
2(1 )
(
(2 )
Pembaruan nilai min

( + 1)
2(1 )
(
(2 )
( )+

Bila
<

( + 1)
( )
2(1 )
(
(2 )

( + 1)
Kondisi 4: Bila
2(1 )
(
(2 )
( )
= 0 dan
=0
( + 1)
( )
6.4 Adaboost
Adaboost merupakan suatu metode ensembles multi classifier yang untuk
mendapatkan classifier baru (kolektif) yang memiliki performa lebih bagus,
dengan prinsip boosting. Classifier classifier yang digabungkan tadi biasanya
disebut weak classifier. Pada umunya weak classifier yang digunakan adalah
classifier sesederhana mungkin, seperti fungsi thresholding, ataupun Nave
Bayes. Bossting sendiri adalah prinsip men-generate banyak classifier yang
nantinya akan dilakukan penggabungan baik melalui voting, maupun
averaging. Prinsip-prinsip boosting adalah sebagai berikut :
(i) Generate sejumlah m classifier
(ii) Generate training set untuk setiap classifier (secara random
diambil dari dataset)
(iii) Lakukan training dan testing untuk setiap classifier
(iv) Lakukan penggabugan (ensembles) dari semua classifier
Selanjutnya, metode boosting dikembangkan lagi menjadi algoritma
yang lebih adaptif, dikenal sebagai Adaboost. Adaboost dipopulerkan oleh
Viola, Jones, untuk seleksi fitur sekaligus klasifikasi objek/gambar wajah
dalam suatu citra (Paul Viola, 2001). Selanjutnya, metode ini juga dioptimasi
dengan algoritma Particle Swarm Optimization (PSO) untuk meningkatkan
akurasi klasifikasi (Ammar, Mohammed et al., 2009). Ide dari algoritma
Adaboost adalah memilih weak classifier / fitur dalam setiap iterasi yang
memiliki error paling kecil.
Pertama kali semua data sampel diberi bobot yang sama, baik sampel
positif maupun negatif. Selanjutnya, untuk setiap fitur, dibuat satu weak
classifier. Setiap weak classifier tersebut di-training dan diuji coba (testing).
Selanjutnya dipilih satu classifier dengan error paling kecil. Selanjutnya
dilakukan update bobot. Sampel yang diklasifikasikan ke kelas yang benar,
bobotnya diperkecil, sedangkan sampel-sampel yang dilkasifikasikan ke kelas
yang salah bobotnya diperbesar. Hal ini adalah salah satu ide utama
Adaboost. Dengan prinsip ini, pada iterasi selanjutnya, classifier akan dbentuk
selanjutnya akan difokuskan untuk membedakan sampel-sample yang salah
klasifikasi saja. Selanjutnya, classifier-classifier yang telah terbentuk akan
digabungkan (ensemble) sebagai satu strong classifier.
Pada Gambar 6.30 diilustrasikan langkah-langkah algoritma Adaboost.

Misalnya kita memiliki dataset yang sudah dianotasi dengan label kelas (+)
dan (-) seperti pada gambar (a). Pada iterasi pertama Adaboost akan
membuat suatu threshold dengan eror paling kecil seperti gambar (b).
Selanjutnya, akan dilakukan update bobot sampel. Sampel yang
diklasifikasikan ke kelas yang benar, bobotnya akan semakin kecil. Sampel
yang diklasifikasikan ke kelas yang salah bobotnya akan diperbesar, seperti
yang diilustrasikan gambar (c). Hal ini dilakukan terus menerus pada iterasi
selanjutnya. Misalnya pada iterasi kedua dilakukan pemilihan threshold lagi,
yang memiliki error paling kecil, seperti pada gambar (d). Selanjutnya, akan
dilakukan update bobot seperti iterasi sebelumnya, yang ditunjukkan oleh
gambar (e). Setelah melalui seluruh iterasi, hasil akhir seperti ditunjukkan
oleh gambar (f).
(a)
(b)
(c)
(d)
(e)
(f)
Gambar 6.30 Ilustrasi Cara Kerja Adaboost (Paul Viola, 2001)
Secara iterative, algoritma Adaboost dapat dituliskan dengan tahapantahapan berikut (Paul Viola, 2001).
1.
Diberikan suatu dataset (sample) : (x1, y1), (x2, y2), (x3, y3), , (xN,yN),
dimana y = {0, 1}
2. Inisialisasikan bobot
mana
= 0,1 berturut-turut, di
untuk
dan adalah jumlah sampel negatif dan positif berturut-turut.
3. Untuk setiap iterasi t = 1 sampai T, lakukan proses berikut :

3.1
Lakukan training pada setial weak classifier hj(x)
3.2
Lakukan evaluasi setiap kandidat classifier lemah tersebut,

dengan menghitung errornya :
| ( )
=1
3.3
3.4
Pilih kandidat weak classifier lemah dengan error yang paling

sedikit.
Lakukan update bobot
=
+1,
Dimana bi = 0 jika h(xi)=yi, jika tidak nilai bi = 1 dan

=
4. Hasil klasifier akhirnya adalah:

1
( ) =
0
( )
Dimana
=
1
2
Daftar Pustaka
Endjun, J. J. (2009). Ultrasonografi Dasar Obstetri dan Ginekologi Gizi.
Jakarta: Fakultas Kedokteran Universitas Indonesia.
Pribadi, A., Mose, J. C., & Wirakusumah, F. F. (2011). Ultrasonografi Obstetri
dan Ginekologi. Jakarta: Sagung Seto.
Sadler, T. W. (2006). Langman's Medical Embriology, 10th Ed. USA: Lippincott
Wiliams & Wilkins.
Satwika, I. P., Tawakal, M. I., Imaduddin, Z., & Jatmiko, W. (2012). Efficient
Incomplete Ellipse Detection based on Minor Axis for Ultrasound Fetal Head
Approximation. ICACSIS (pp. 203-207). Jakarta: Faculty of Computer Science,
Yu, Y., & Acton, S. T. (2002). Speckle Reducing Anosotropic Diffusion. IEEE
Transaction on Image Processing , 1260-1270.
Satwika, I. P. (2013). Deteksi dan aproksimasi elips pada pengukuran kepala
janin menggunakan particle swarm optimization berbasis randomized hough
transform dua dimensi. Jakarta: Tesis Magister Ilmu Komputer, Universitas
Indonesia.
Hermawan, I. (2013). Pengembangan Algoritma Adaptive Multi Codebook
Fuzzy Neuro Generalized Learning Vector Quantization (FNGLVQ) Studi Kasus
Klasifikasi Tahapan Tidur. Jakarta: Tesis Magister Ilmu Komputer, Universitas
Indonesia.
Hermawan, I., Habibie, I,. Setiawan, I. , Jatmiko, W. (2013). Adaptive Multi
Codebook Fuzzy Neuro Generalized Learning Vector Quantization for Sleep
Stages Classification. ICACSIS. Jakarta: Faculty of Computer Science,
Xie, Y., Ji, Q. (2002). A new efficient ellipse detection method. Pattern
Recognition Proceedings. 16th International Conference on.
Bing Liu, Yiyuan Xia, and Philip S. Yuan (2000). "Clustering Via Decision Tree
Constuction," in ACM Press, pp. 20-29.
Zaki, Imaduddin (2013). Deteksi dan Pengukuran Biometri Janin

Menggunakan AdaBoost Classifier dan Randomized Hough Transform.
Daugman, J.G. (Jul 1988). "Complete discrete 2-D Gabor transforms by neural
networks for image analysis and compression," Acoustics, Speech and Signal
Processing,
IEEE
Transactions
on,
vol.36,
no.7,
pp.1169,1179,
doi: 10.1109/29.1644.
Paul Viola, Michael Jones (2001). Rapid Object Detection using a Boosted
Cascade of Simple Features . Conference on Computer Vision and Pattern
Recognition (CVPR), pp. 511-518.
Shengcai Liao, Xiangxin Zhu, Zhen Lei, Lun Zhang and Stan Z. Li (2007).
Learning Multi-scale Block Local Binary Patterns for Face Recognition.
International Conference on Biometrics (ICB), pp. 828-837.
H.Bay, A.Ess, T.Tuytelaars and L.Van Gool. (2006). SURF: Speeded Up Robust
Features. ECCV, 1:404-417.
Y.Freund and R.E.Schapire (1996). Experiments with a New Boosting
Algorithm. Proceedings of International Conference on Machine Learning,
148-156.
Ammar, Mohammed et Al. (2009). Particle Swarm Optimization Based
Adaboost for Face Detection. Proceeding of IEEE Congress on Evolutionary
Computation (CEC). Pp:2494-2501.
Ma'sum, Muhammad Anwar. (2013). Prototype Sistem Terintegrasi
Pendeteksian Dini dan Monitoring Penyakit Jantung Berbasis Sinyal
Elektrokardiogram. Jakarta: Skripsi Sarjana Ilmu Komputer, Universitas
Indonesia.
Rahmatullah, Robeth. (2013). Pengembangan Sistem Telehealth Pertumbuhan
Janin (TERRAIN) Berbasiskan Deteksi Elips pada Citra Kepala Janin
Ultrasonografi Dua Dimensi. Jakarta: Skripsi Sarjana Ilmu Komputer,
John D. Enderle and Joseph D. Bronzino. (2012). Introduction to Biomedical
Engineering Third Edition. Oxford: Academic Press Elsevier Inc.
Bronzino, Joseph D. (2000). The Biomedical Engineering HandBook, Second

Edition. Boca Raton: CRC Press LCC.
Enderle, John D. (2006). Bioinstrumentation. Morgan & Claypool Publishers.
Al-Sirjani, Raghib. (2011). Sumbangan Peradaban Islam pada Dunia. Jakarta :
Pustaka Al-Kautsar.
Nebeker, Frederik. (2002). Golden Accomplishments in Biomedical
Engineering. Piscataway: IEEE History Center.
"The Nobel Prize in Physics 1901 - Perspectives". Nobelprize.org. Nobel Media
AB 2013. Web. 6 Nov 2013.
<http://www.nobelprize.org/nobel_prizes/physics/laureates/1901/perspective
s.html>
"The Nobel Prize in Physics 1901 - Speed Read". Nobelprize.org. Nobel Media
AB 2013. Web. 6 Nov 2013.
<http://www.nobelprize.org/nobel_prizes/physics/laureates/1901/speedread.h
tml>
"Willem Einthoven - Biographical". Nobelprize.org. Nobel Media AB 2013.
Web. 6Nov 2013.
<http://www.nobelprize.org/nobel_prizes/medicine/laureates/1924/einthoven
-bio.html>
"A Gallery of Electromagnetic Personalities 4...". ee.umd.edu. Web. 6Nov
2013. < http://www.ee.umd.edu/~taylor/frame4.htm>
"James Clerk Maxwell (1831-1879)" . magnet.fsu.edu. National High Magnetic
Field Laboratory. Web. 6Nov 2013.
<http://www.magnet.fsu.edu/education/tutorials/pioneers/maxwell.html>
"Heinrich Hertz (1857-1894)". magnet.fsu.edu. National High Magnetic Field
Laboratory. Web. 6Nov 2013.
<http://www.magnet.fsu.edu/education/tutorials/pioneers/hertz.html>
"Electroencephalogram Lab". csulb.edu. Web. 6Nov 2013.
<http://www.csulb.edu/~cwallis/482/eeg/eeg.html>
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Interest
Quote
:
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Quote
:
:
Dr. Eng. Wisnu Jatmiko, S.T.,

M.Kom.
Surabaya, 16 Desember 1973
Dosen / Staf Akademis
Fakultas Ilmu Komputer,
Universitas Indonesia
wisnuj@cs.ui.ac.id
Robotika, Embedded System
Tidak ada tanggal merah di
kalender saya, 247 merupakan
angka terbaik setiap minggunya
Dr. Petrus Mursanto

Surakarta, 25 Juni 1967
santo@cs.ui.ac.id
Hardware, Arsitektur Komputer,
Enterprise Computing
-
Anom Bowolaksono S.Si., MSc.,

Ph.D
Jakarta, 1 Juni 1974
Departemen Biologi, Fakultas
Matematika dan Ilmu Pengetahuan
Alam, Universitas Indonesia
alaksono@sci.ui.ac.id
-
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Quote
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
Email
Interest
Quote
dr. Budi Wiweko SpOG(K)

Jakarta, 15 Agustus 1971
Dokter
Klinik Yasmin RSCM & Departemen
Obstetri dan Ginekologi, Fakultas
Kedokteran Universitas Indonesia
budi.wiweko01@ui.ac.id
-
M. Ali Akbar, S.Si, M.Kom

Research Assistant
Fakultas Ilmu Komputer, Universitas
Indonesia
m.ali.akbar.02@gmail.com
Machine learning, Embedded
System, and Computational
Intelligence
Apa yang akan menimpamu tidak
akan pernah lepas dari mu, Apa
yang akan lepas dari mu tidak akan
pernah menimpamu
:
:
:
:
I Putu Satwika, S.Kom

Klungkung, 1 Agustus 1989
Research Assistant
: putu.satwika@gmail.com
: Artificial Intelligence, Evolutionary
Computing, Image Processing
: Dengan kesungguhan, maka orang
akan berhasil, ini hanya masalah
waktu
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
Quote
:
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Zaki Imaduddin, ST
Jakarta, 26 Agustus 1983
Research Assistant
zaki_ip@yahoo.com
Image Processing, Robotics, Web
Design
Beramal dengan Ilmu, Perbuatan
dan Materi
M Sakti Alvissalim, S. Kom

Brebes, 01 Oktober 1989
Research Assistant
alvissalim@cs.ui.ac.id
Robotics, Machine Learning
Everything's Learnable
Ikhsanul Habibie, S.Kom

Padang, 4 Mei 1990
Research Assistant
abie.ikhsan@gmail.com
Theoretical Computer Science,
Artificial Intelligence
-
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Interest
:
:
Quote
Muhammad Anwar Ma'sum, S.Kom

Nganjuk, 21 November 1990
Research Assistant
anwar.rejoso@gmail.com
Robotics, Embedded Systems,
Machine Learning
"Nothing is Imposible"
Muhammad Nanda Kurniawan,

S.Kom
Depok, 22 Februari 1989
Research Assistant
m.nanda.k@aim.com
Robotics, Embedded Systems,
Computer Vision
"When someone ask: what if you
fail? I answer: I just need to
believe!"

Book Biomedis PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Book Biomedis PDF

Uploaded by

Copyright:

Available Formats

Teknik Biomedis: Teori dan Implementasi

Seluruh isi buku dan sampul merupakan

TeknikBiomedis : Teori dan Aplikasi

TeknikBiomedis : Teori dan Aplikasi

Kami juga mengucapkan terima kasih kepada dr. Fachruddin N, SpOG

Depok, Universitas Indonesia

TeknikBiomedis : Teori dan Aplikasi

TeknikBiomedis : Teori dan Aplikasi

maupun perangkat keras yang dikembangkan di Fakultas Ilmu

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

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

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

2.1.3 Infark Miokardial Akut ..................................................................... 40

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

Pemrosesan Data Elektrokardiogram.............................................. 57

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

2.3.2. Ekstraksi Beat................................................................................. 60

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

3.1. Penelitian Tentang Tahapan Tidur ........................................................ 77

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

4.1 Apa itu Trichloroethylene ...................................................................... 95

TeknikBiomedis : Teori dan Aplikasi

4.2 Definisi Hati.......................................................................................... 96

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

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

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

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

4.5 Pengolahan Data .................................................................................. 103

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

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

5.1 Teknologi USG...................................................................................... 108

TeknikBiomedis : Teori dan Aplikasi

5.5. Pengolahan Citra USG ......................................................................... 123

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

6.3.3 Adaptive FNGLVQ .......................................................................... 193

TeknikBiomedis : Teori dan Aplikasi

TeknikBiomedis : Teori dan Aplikasi

TeknikBiomedis : Teori dan Aplikasi

Gambar 1.1 Bidang Disiplin Teknik Biomedis

Ilmu Biomedis adalah cabang ilmu kedokteran yang menggunakan

kategori umum yaitu evaluasi pengobatan baru untuk keamanan dan

TeknikBiomedis : Teori dan Aplikasi

akar engineering itu sendiri. Namun untungnya teknik biomedika masih

1.2 Sejarah Teknik Biomedis

Tidak hanya peralatannya saja, prosedur pembedahan pada masa itu

Gambar 1.3 Michael Faraday (kiri) dan ilustrasi percobaan induksi

TeknikBiomedis : Teori dan Aplikasi

dalam laboratoriumnya yang bersinar tanpa alasan yang jelas. Fenomena

Gambar 1.5 Ilustrasi String Galvanometer Einthoven

TeknikBiomedis : Teori dan Aplikasi

Atas jasa besarnya dalam menemukan mekanisme elektrokardiogram,

1935, amplifier elektrik digunakan untuk membuktikan bahwa aktifitas

Gambar 1.7 Mikroskop Elektron

sebagai ultrasonografi banyak digunakan untuk mengembangkan teknologi

1.3 Peralatan-peralatan dalam Teknik Biomedis

1.3.1 Alat Foto Sinar-X (Rntgen)

1.3.2 Elektrokardiogram (EKG/ECG)

Gambar 1.8 Mekanisme Elektrokardiogram

26 TeknikBiomedis : Teori dan Aplikasi

Dapat kita lihat pada gambar tersebut bahwa mekanisme

1.3.3 Elektroensefalogram (EEG)

1.3.4 Ultrasonography (USG)

Gambar 1.9 Mesin USG Modern