Professional Documents
Culture Documents
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
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.
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
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.
TeknikBiomedis : Teori dan Aplikasi
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
2.1.2.
Arrhythmia (Aritmia)................................................................ 37
Heartbeat..................................................................................... 52
2.2.2
2.3
7
2.3.1
4.3.2
Mengapa objek yang digunakan adalah Hati Tikus Putih .......... 100
4.3.3
Persamaan antara Hati Tikus Putih dan Hati Manusia ................ 101
4.4.2
4.5.4
Klasifikasi ................................................................................105
4.6
Kesimpulan ....................................................................................105
BAB 5
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
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 1.2 Al Zahrawi (kiri) dan salah satu halaman buku yang menerangkan
peralatan-peralatan bedahnya (kanan)
16 TeknikBiomedis : Teori dan Aplikasi
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
18 TeknikBiomedis : Teori dan Aplikasi
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.
20 TeknikBiomedis : Teori dan Aplikasi
Pada tahun 1903, ia membuat string galvanometer yang menjadi cikal bakal
elektrokardiogram. Ilustrasi dari string galvanometer Einthoven dapat dilihat
pada Gambar 1.5.
Gambar 1.6 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
22 TeknikBiomedis : Teori dan Aplikasi
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
24 TeknikBiomedis : Teori dan Aplikasi
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.
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.
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.
BAB 2
Jantung: Penyakit dan
Penanganannya
TeknikBiomedis:Teori dan Aplikasi
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
32 TeknikBiomedis : Teori dan Aplikasi
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.
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)
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.
38 TeknikBiomedis : Teori dan Aplikasi
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.
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.
41 TeknikBiomedis : Teori dan Aplikasi
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.
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
47 TeknikBiomedis : Teori dan Aplikasi
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.
Sadapan V1
Sadapan V3
Sadapan V4
Sadapan V6
Sadapan V7
Sadapan V8
Sadapan V9
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.
2.2.1 Heartbeat
2.
4.
5.
6.
jika di atas garis isoelektris disebut elevasi J point. Lebih jelasnya bisa
dilihat pada Gambar 2.13.
8.
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
80 ms
awal
QRS
complex.
Interval
120-200 ms
ini
interval
bagus
digunakan
untuk
Segment
50-120 ms
Fitur
Deskripsi
Durasi
QRS
Complex
mereeksikan
proses
80-120 ms
J-Point
N/A
gelombang
T.
Segmen
80-120 ms
ST
(recovery)
dari
ventrikel.
160 ms
Fitur
Deskripsi
Durasi
320 ms
QT
Interval
300-430 ms
resiko
pada
entricular
80 ms
2.3
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
57 TeknikBiomedis : Teori dan Aplikasi
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:
f = ai(x-xi)3+bi(x-xi)2+ci(x-xi)+di
(3.1)
Gambar 2.14 Sinyal ECG asli dan hasil proses BWR serta garis isoelektrik
(estimasi)
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)
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
6
6
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
6
6
1
4
Gambar 2.21 Komponen aproksimasi tiap level dari hasil dekomposisi sinyal
ECG dengan menggunakan wavelet daubechies db8
2.
71
(a)
(b)
(c)
Gambar 2.23 Tampilan fitur pengelolaan akun pengguna (a) list pengguna
(b) dan (c) Form isian saat mendaftarkan akun pengguna
(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
73 TeknikBiomedis : Teori dan Aplikasi
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
600
500
400
300
200
100
0
Service
BAB 3
Pendeteksian
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.
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
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.
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.
Domain Spasial
Domain Frekuensi
Rata-rata interval NN
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.
Gambar 3.6 Program EDF Browser Untuk Menampilkan Sinyal EKG yang
telah disimpan
Gambar 3.7 Sinyal EKG yang telah dipotong untuk periode 30 detik
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
dilihat pada Gambar 3.9.
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.
lemah, maka diperlukan komponen penguat agar sinyal dapat diproses lebih
lanjut. Rangkaian ini terdiri dari rangkaian analog, mikrokontroller dsb.
Gambar 3.10 Contoh alat portable untuk mendeteksi sinyal jantung yang
dihubungkan dengan simulator detak jantung
92 TeknikBiomedis : Teori dan Aplikasi
BAB 4
Deteksi Kadar
Trichloroethylene (TCE)
pada Hati
Teknik Biomedis:Teori dan Aplikasi
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.
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.
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.
Apabila perasaan sakit perut dibagian kanan atas ini sudah terjadi, maka
perawatan lebih lanjut sangat dibutuhkan pada kasus ini.
4.3.1
4.3.2
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
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.
4.4.1
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
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.
=
Di mana
[0,1],
= 1,0 <
<
1 i N,1 k C
(
=
)
(
,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
104 TeknikBiomedis : Teori dan Aplikasi
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.
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
BAB 5
Ultrasonografi (USG)
TeknikBiomedis:Teori dan Aplikasi
1.
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.
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
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
118 TeknikBiomedis : Teori dan Aplikasi
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
119 TeknikBiomedis : Teori dan Aplikasi
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.
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.
[ ( )I(x, y; t)]
( , ), ( ( , ; )/ ) |
1+ [
( , ; )
1
( )]/[
( )(1 +
( ))]
[ ( )]
( ) =
( )
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 :
,
Gambar 5.14 Fitur haar dasar pada pendeteksian wajah manusia [8]
kotak hitam dan jumlah piksel yang ada di kotak putih, atau lebih jelasnya
ditulis dengan aturan berikut.
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 5.17 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
(5.6)
(5.7)
Setaip titik yang segaris akan bertemu dalam suatu titik dalam parameter
space (M,N). Hal ini dapat ditunjukkan dengan gambar berikut :
(5.8)
(5.9)
(5.10)
( + )
(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
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
Varian
kurang
dari 1%
pada
proses
Simpan parameter
sekarang menjadi
kemungkinan solusi
(). (
)+
().
+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.
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 (
(
(
)
)
)
)
=(
= (2
=(
+
2
+
)
2
+
)
1)
4
2
)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
(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).
(a)
(b)
Gambar 5.29 Pengukuran Data BIometri Janin (a) Hasil Deteksi Otomatis dan
(b) Validasi oleh Dokter
151 TeknikBiomedis : Teori dan Aplikasi
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).
90
80
70
60
50
40
30
20
10
0
Service
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
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:
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
< (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
,
(
, )
> (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
=
.
158 TeknikBiomedis : Teori dan Aplikasi
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
,
( , )
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)
, = 1,2 (2.7)
) (2.8)
) (2.9)
) (2.10)
) (2.11)
dapat dilihat sebagai gain factor untuk proses update vektor pewakil dan
nilai-nya tergantung pada . Ini artinya,
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
= 0, semakin
bertambah nilai maka lebar dari puncak semakin mengecil dan vektor
masukan yang mempen-garuhi proses pembelajaran secara gradual dibatasi
+d )
endfor
endwhile
t
a
(1
)
t
d (C C )
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)
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.
maka
2.
( ) ( )
b.
3.
1 ( )
( )
( ) (2.19)
( + 1) =
( + 1)(2.24)
( + 1) = 1 ( + 1)
dimana nilai adalah konstan =
= 1.1
Fungsi aktivasi
Fungsi aktivasi yang digunakan dalam propagasi balik harus memiliki
karakteristik
kontinyu,
dapat
didiferensiasikan
(diturunkan)
dan
nilai minimumnya secara asimtotik dan akan lebih baik jika turunan
fungsinya mudah untuk dihitung.
Fungsi yang sering digunakan antara lain,
1.
(2.1)
Dan turunannya,
2.
Dan turunannya,
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.
(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
170 TeknikBiomedis : Teori dan Aplikasi
(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
(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) :
(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.
Feedforward
Backpropagation of error
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
183 TeknikBiomedis : Teori dan Aplikasi
dan
(4.2)
masukan dengan vektor pewakil yang tidak berasal dari kelas yang sama
( )=
(
( )=
) (
) (
)
)
(2.23)
1 (2
) (1) (
(2 )
= 2
(1 )
(2 )
1 (2
=2
dan
) (1) (
(2 )
(1 )
(2 )
mencari
dan
. Untuk
dan (
Dimana
, ,,
, ,,
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 (
<
=
=(
)(
=(
=
) (
<
(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)
( )+
(
(
)
)
(
(
(4.13)
(4.14)
)
)
<
( )+
( + 1)
( )
)
(
(4.15)
(4.16)
<
( ), = 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
( + 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
(4.20)
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+(
Disini, nilai
+(
) 1(
) (4.22)
) 1(
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.
) +(
) ++ (
( )
( )
=
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
192 TeknikBiomedis : Teori dan Aplikasi
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
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)
(
(
(1)(
)(
)
)(
(
=
)
)
)(1)
(
(
(0)(
)
)(
)(0)
=0
(
(
(0)(
)(
(
=
)
)(1)
)
)
(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 ) (
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
( )
( + 1)
( )
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
)
)
( )
(
(1 )
(2 ) (
( + 1)
( )
(
(1 )
(2 ) (
( )
( + 1)
( )
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
198 TeknikBiomedis : Teori dan Aplikasi
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.
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( )
( )
> 0 dan
=0
<
( )
2(1 )
(
(2 )
( + 1)
( )
2(1 )
(
(2 )
<
( )+
2(1 )
(
(2 )
( )+
= 0 dan
2(1 )
(
(2 )
>0
<
( )
2(1 )
(
(2 )
( )
2(1 )
(
(2 )
<
( )+
2(1 )
(
(2 )
> 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.
Bila nilai x berada pada rentang
<
<
( )
2(1 )
(
(2 )
( )
2(1 )
(
(2 )
<
<
( )+
2(1 )
(
(2 )
( )+
2(1 )
(
(2 )
Jika nilai similarity c2 lebih besar, pembaruan akan mengikuti aturan berikut
205 TeknikBiomedis : Teori dan Aplikasi
<
Bila nilai
( )
2(1 )
(
(2 )
( )
( + 1)
Bila nilai
<
( )+
2(1 )
(
(2 )
Kondisi 4: jika
2(1 )
(
(2 )
( )+
=0
( + 1)
> 0 dan
<
=0
( )
( + 1)
( )+
2(1 )
(
(2 )
( )+
2(1 )
(
(2 )
Bila nilai
<
( )
2(1 )
(
(2 )
( )
= 0 dan
<
2(1 )
(
(2 )
>0
( )+
2(1 )
(
(2 )
( )+
2(1 )
(
(2 )
<
( )
2(1 )
(
(2 )
( )
> 0 dan
Kondisi 3: jika
2(1 )
(
(2 )
>0
Jika nilai similarity terbesar adalah c1, maka maka aturan pembaruannya
dijelaskan sebagai berikut.
Bila nilai
<
( )+
2(1 )
(
(2 )
( )+
2(1 )
(
(2 )
<
( )
2(1 )
(
(2 )
( + 1)
2(1 )
(
(2 )
( )
Bila nilai similarity terbesar dimiliki oleh c2, maka aturan pembaruannya
dijelaskan sebagai berikut.
<
Bila nilai
( )+
2(1 )
(
(2 )
2(1 )
(
(2 )
( )+
<
( )
2(1 )
(
(2 )
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.
(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
3.2
=1
3.3
3.4
+1,
( )
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,
Universitas Indonesia.
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,
Universitas Indonesia.
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.
213 TeknikBiomedis : Teori dan Aplikasi
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Interest
Quote
:
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Quote
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Quote
:
:
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
Email
Interest
Quote
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
Fakultas Ilmu Komputer,
Universitas Indonesia
zaki_ip@yahoo.com
Image Processing, Robotics, Web
Design
Beramal dengan Ilmu, Perbuatan
dan Materi
Nama
TTL
Pekerjaan
Institusi
:
:
:
:
Email
Interest
:
:
Quote
Nama
TTL
Pekerjaan
Institusi
:
:
:
Email
Interest
:
:
Quote