JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
DEWAN REDAKSI
Jurnal Manager Wire Bagye.
Kom.
,M.
Kom (STMIK Lombok.
SINTA ID : 5992.
Reviewer :
Resad Setyadi.
,S.
,S.
Si.
,MMSI.
,Ph,D .
- Institut Teknologi Telkom Purwokerto
SCOPUS ID : 57204172534 SINTA ID : 6113570
Yesaya Tommy Paulus.
Kom.
MT.
Ph.
- STMIK Dipanegara Makassar
SCOPUS ID : 57202829909 SINTA ID : 6002004
Dr.
Cucut Susanto.
Kom.
MSi.
- STMIK Dipanegara Makassar
SINTA ID : 6138863
Muhamad Malik Mutoffar.
ST.
MM.
CNSS- Sekolah Tinggi Teknologi Bandung
SINTA ID : 6013819
David.
Cs.
,M.
Kom - STMIK Pontianak
SCOPUS ID : 57200208543 SINTA ID : 5977352
Indo Intan.
STMIK - Dipanegara Makassar
SCOPUS ID : 57200209088 SINTA ID : 6127241
I Wayan Agus Arimbawa.
ST.
,M.
Eng.
- Universitas Mataram
SINTA ID : 5973017
Muhammad FauziZulkarnaen.
ST.
,M.
Eng.
- STMIK Lombok
SINTA ID : 6663733
Yunanri.
Kom - UniversitasTeknologi Sumbawa (U.
SINTA ID : 6723103
Sitti Aisa.
Kom.
,M.
T - STMIK Dipanegara Makassar
SINTA ID : 6153893
Sanjaya Pinem.
Kom.
Sc .
- Universitas Efarina
SINTA ID : 6689679
Zamah Sari.
- Universitas Muhammadiyah Prof Dr Hamka
SINTA ID : 6145745
Fredy Windana.
Kom.
MT - Sekolah Tinggi Teknologi Stikma Internasional SINTA ID : 5974460 Hijrah Saputra.
ST.
Sc.
- STMIK Lombok
SINTA ID : 6667974
Hairul Fahmi.
Kom.
- STMIK Lombok
SINTA ID : 5983160
Sofiansyah Fadli.
Kom.
,M.
Kom.
- STMIK Lombok
SINTA ID : 6073057
Editor :
Wire Bagye.
Kom.
,M.
Kom- STMIK Lombok.
SINTA ID : 5992010 Saikin.
Kom.
,M.
Kom.
- STMIK Lombok Halena Muna Bekata.
Pd.
- Universitas Tribuana Kalabahi.
SINTA ID : 6168815 Desain Grafis& Web Maintenance Jihadul Akbar,S.
Kom.
- STMIK Lombok Secretariat Ahmad Susan Pardiansyah.
Kom - STMIK Lombok ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
DAFTAR ISI
KLASIFIKASI ARITMIA DENGAN HEART RATE VARIABILITY ANALISIS
MENGGUNAKAN METODE BACKPROPAGATION
IMPLEMENTASI METODE MRP (MATERIAL REQUIREMENT PLANNING)
UNTUK MENCAPAI TARGET PRODUKSI PAKAIAN BERBASIS WEB (STUDI
KASUS: UD.
DARMAWAN DESA SELAGEK)
DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA
BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA
PERMODELAN VISUAL TINGKAT KETAKUTAN PADA SIMULASI EVAKUASI
KEBAKARAN 3D MENGGUNAKAN SELF ASSASSEMENT MANIKIN
Wayan Rimba Bazudewa1.
I Putu Satwika2.
I Gede Putu Krisna Juliharta3 Mohammad Taufan Asri Zaen1.
Siti Fatmah2.
Khairul Imtihan3 Eko Supriyadi1.
Achmad Basuki2 .
Riyanto Sigit3 Iqbal Sabilirrasyad1.
Achmad Basuki2.
Tri Harsono3
SISTEM KEAMANAN PEMANTAUAN CCTV ONLINE BERBASIS ANDROID
PADA RUMAH CANTIK SYIFA MASBAGIK
Ahmad Tantoni1.
Mohammad Taufan Asri Zaen2
KOMPARASI ALGORITMA MACHINE LEARNING DAN DEEP LEARNING
UNTUK NAMED ENTITY RECOGNITION : STUDI KASUS DATA
KEBENCANAAN
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN RESIKO KEMUNGKINAN
TERJADI REAKSI DARAH
Nuli Giarsyani1.
Ahmad Fathan Hidayatullah2.
Ridho Rahmadi 3 Abd.
Halim1.
Sri Kusumadewi2.
Linda Rosita3
MONITORING PENGATUR KECEPATAN KIPAS ANGIN MENGGUNAKAN
SISTEM FUZZY BERBASIS WEB DI SMP BAKTI KELUARGA LUBUKLINGGAU
Novi Lestari2.
Nelly Khairani Daulay1.
Armanto3
IMPLEMENTASI JARINGAN INTER-VLAN ROUTING BERBASIS MIKROTIK
RB260GS DAN MIKROTIK RB1100AHX4
Ahmad Tantoni1.
Khairul Imtihan2.
Wire Bagye3
PERANCANGAN APLIKASI CETAK DOKUMEN ONLINE BERBASIS ANDROID
DI BINER JOMBANG
Fauzan Adhim1.
Ali Murtadho2.
Chandra Sukma A3 ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
KLASIFIKASI ARITMIA DENGAN HEART RATE VARIABILITY ANALISIS
MENGGUNAKAN METODE BACKPROPAGATION
Wayan Rimba Bazudewa1.
I Putu Satwika2.
I Gede Putu Krisna Juliharta3 1,Program Studi Teknik Informatika.
STMIK Primakara Jln.
Tukad Badung No.
Renon.
Kec.
Denpasar.
Bali 80226 1 bazudewa34@gmail.
com, 2 satwika@primakara.
id , 3 krisna@primakara.
Abstract Arrhythmia is a heart rhythm disorder caused by changes in electricity to the heart.
One method that can be used to monitor the heart to detect arrhythmias is the analysis of Heart Rate Variability (HRV).
In this study, the authors used the Heart Rate Variability (HRV) method as an extraction feature that will be processed using the backpropagation method.
Process the data to classify the arrhythmia and normal sinus rhythm data into two, including arrhythmias or no arrhythmias.
Normal arrhythmia and sinus rhythm data were obtained from the MIT-BIH database website.
Arrhythmia classification is performed using the backpropagation method by following the sequential process, starting from taking electrocardiogram (ECG) data and proceeding with the process of baseline wonder removal.
R-peak detection.
RR intervals.
Heart Rate Variables (HRV), training data, testing data, and assessment of classification results.
The trial results show that the Backpropagation method can be applied in classifying arrhythmias with a good number of hidden layers is a maximum of 3 hidden layers and each hidden layer has 3 neurons with the result that from 1 hidden layer to 3 hidden layers is 97.
Keywords : Heart Rate Variability (HRV).
Arrhythmia.
Backprogation.
Normal Sinus Rhythm.
Abstrak Aritmia merupakan gangguan irama jantung yang disebabkan oleh perubahan electrical pada Salah satu metode yang dapat digunakan untuk memonitoring jantung untuk menditeksi aritmia adalah Heart Rate Variability (HRV) analisis.
Dalam penelitian ini, penulis menggunakan metode Heart Rate Variability (HRV) sebagai fitur ekstraksi yang akan diolah mengunakan metode backpropagation.
Pengolahan tersebut bertujuan untuk mengklasifikasian data aritmia dan normal sinus rhythm menjadi dua yaitu termasuk aritmia atau tidak aritmia.
Data aritmia dan normal sinus rhythm di dapatkan dari website MIT-BIH database.
Klasifikiasi aritmia dilakukan menggunakan metode backpropagation dengan mengikuti proses secara berurutan mulai dari mengambil data elektrokardiogram (EKG) dan dilanjutkan dengan proses baseline wonder removal.
R-peak ditection.
R-R interval.
Heart Rate Variability (HRV), training data, testing data, dan perhitungan hasil klasifikasi.
Hasil ujicoba menunjukan bawah metode Backpropagation dapat di terapkan dalam melakukan klasifikasi aritmia dengan jumlah hidden layer yang baik yaitu maksimal berjumlah 3 hidden layer dan masing-masing hidden layer memilik 3 neuron dengan akurasi dari 1 hidden layer sampai 3 hidden layer adalah 97.
Kata kunci Heart Rate Variability (HRV).
Aritmia.
Backprogation.
Normal Sinus Rhythm Pendahuluan Aritmia merupakan irama jantung yang tidak normal yang disebabkan oleh perubahan electrical system pada jantung .
Dalam aritmia detak jantung bisa menjadi lebih cepat dari keadaan normal disebut takikardia, atau bisa bergerak lambat disebut bradikardia.
Dalam ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
kasus Atrial Fibrillation (AF) jantung tidak memompa secara teratur atau tidak bekerja sebagaimana mestinya.
Beberapa kasus aritmia tidak mengancam kesehatan, tapi di kasus lainya aritmia dapat menyebabkan masalah serius bagi kesehatan seperti pusing, sesak nafas, pingsan atau masalah serius pada jantung.
Dari hasil JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire wawancara dengan dokter jantung menyatakan pada kasus tertentu kerja jantung memiliki irama yang tidak normal contohnya pada saat seseorang bangun dari tidur, atau dari kondisi berlari menjadi kondisi berhenti secara tiba-tiba.
Penyakit aritmia di Indonesia yang paling sering terjadi adalah Atrial Fibrillation (AF).
Jumlah keseluruhan kasus penyakit AF yang terjadi di Indonesia sebesar 2,2 juta orang, dan 40 persen diantaranya mengalami stroke .
Metode Analisis Heart Rate Variability (HRV) dapat digunakan untuk memantau kondisi jantung, karena Heart Rate Variability (HRV) merupakan fenomena fisiologis dimana setiap jantung berdetak memiliki jarak waktu yang bervariasi antara detak pertama dan detak jantung selanjutnya.
Berbagai hal dapat mempengaruhi HRV, antara lain pengaruh sistem saraf otonom, volume darah yang kembali ke jantung .
enous retur.
, respirasi, penyakit aritmia, dan lain sebagainya .
Seiring komputer dapat berfikir layaknya manusia dengan menggunakan metode dari kecerdasan Kecerdasan buatan merupakan salah satu bagian dari ilmu komputer memodelkan proses-proses berfikir pada manusia agar dapat membuat mesin bisa berfikir dan melakukan pekerjaan seperti dan sebaik yang dilakukan manusia atau bahkan bisa lebih baik daripada manusia.
Dengan memanfaatkan kecerdasan buatan pekerjaan yang dulunya berat akan menjadi lebih mudah dan cepat.
Banyak metode kecerdasan buatan yang telah di temukan salah satunya adalah Backpropagation.
Metode merupakan algoritma pembelajaran yang terawasi yang di gunakan untuk mencari bobot optimal dari pola input agar menghasilkan pola output yang diinginkan.
, .
Dengan metode ini komputer dapat mengklasifikasikan penyakit aritmia dengan menggunakan data dari hasil analisis Heart Rate Variability (HRV).
Dari paparan diatas penulis melakukan penelitian terhadap hubungan antara Heart Rate Variability (HRV) dan aritmia dengan cara metode Backpropagation, maka dari itu penelitian ini mengambil judul klasisfikasi sinyal jantung pada penyakit aritmia dengan Heart Rate ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 Variability (HRV) Backpropagation.
Tinjauan Pustaka dan Teori Tinjauan Pustaka Mane.
Cheeran,dkk.
menggunakan algoritma yang di kembangakan menggunakan Python 2.
6 simulation tool.
Algoritma tersebtut di gunakan untuk menditeksi jenis penyakit dari contraction(PVC).
Rb.
Lb.
Data yang di gunakan untuk menguji algoritima ini adalah data yang ber submber dari MIT-BIH Arrhythmia Penditeksian menggunakan fitur extraksi yang di dapatkan dari penentuan dari titik P-Q-R-S and T pada sinyal jantung, dari fitur tersebut mendapatkan hasil keseluruhan adalah diatas 92% untuk specificity, diatas 91% untuk sensitivity.
Thorat .
Dr.
Suresh D.
Shirbahadurkar , dkk.
programing dengan menggunakan fitur ekstraksi dari heart rate variability (HRV) time domain , frequency domain dan nonlinear.
Semua fitur ekstraksi yang di dapatkan di gunakan untuk beberapa jenis penyakit aritmia diantaranya adalah normal beat dengan akurasi sebersar 98.
75%, the left bundle branch block beat dengan akurasi sebersar 98.
93%, the right bundle branch beat dengan akurasi sebersar 10 %, the premature ventricular contraction dengan akurasi sebersar 99.
46 %, the fusion of ventricular dengan akurasi sebersar 99.
82%, the atrial premature contraction dengan akurasi 46% dan paced beat 99.
Jovic, dkk.
melakukan penelitian untuk mengklasifikasikan penyakit aritmia secara Pengklasifikasian aritmia dengan otomatis menggunakan beberapa metode yaitu dinataranya symbolic dynamics method, alphabet entropy (AlphE.
to heart rate variability (HRV) Eksperimen dilakukan pada PhysioNet MIT-BIH Arrhythmia Database.
Pendekatan ini dibandingkan dengan kombinasi fitur HRV linier dan nonlinier lainnya yang dibuat dalam literatur.
AlphEn secara eksperimental dibandingkan dengan entropi nonlinier umum lainnya: Entropi Shannon, perkiraan entropi, sampel entropi.
Kesimpulan yang di dapatkan adalah AlphEn meningkatkan hasil kombinasi fitur HRV pada masalah klasifikasi aritmia jantung otomatis.
Metode ini memungkinkan ekstraksi sejumlah fitur yang berpotensi signifikan, berorientasi Ini dapat digunakan sebagai skrining tangan pertama yang akurat untuk masalah JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Sivathan,dkk .
melakukan penelitian untuk menditeksi dan mengklasifikasi sinyal jantung dengan menggunakan fitur ekstraksi yaitu domain waktu, domain frekuensi, dan fitur nonlinier dari heart rate variability (HRV).
Fitur yang diekstraksi dari heart rate variability HRV digunakan untuk melatih dan menguji klasifikasi menggunakan Support Vector Machine (SVM).
Dalam proses mengklasifikasikan penyakit aritmia, fitur yang diekstraksi untuk setiap aritmia jantung digunakan sebagai input ke pengklasifikasi Support Vector Machine (SVM).
Terdapat 16 fitur yang dipilih .
dalam domain waktu, 6 dalam domain frekuensi dan 2 dalam Non-linea.
mengklasifikasikan aritmia jantung.
Sedangkan untuk Anotasi referensi yang diunduh dari MITBIH database digunakan untuk melatih dan menguji klasifikasi Support Vector Machine (SVM).
Fitur-fitur dari semua tipe aritmia dipilih secara acak dengan penjelasan referensi yang sesuai untuk melatih dan menguji kinerja jenis Pengklasifikasian yang dilakuakan terdiri Normal Beat.
Premature Atrial Contraction (PAC).
Right Bundle Branch Block (R.
, and Paced Beat dan menghasilkan akurasi keseluruhan 90,26%.
Waktu pemrosesan algoritma sangat sedikit dan akurasi klasifikasi tinggi, sehingga dapat digunakan dalam identifikasi waktu nyata aritmia jantung.
Mohamadzadeh, dkk.
penelitian untuk menditeksi dan klasifikasi pernyakit aritmia secara otomatis menggunakan heart rate variability (HRV) linier dan nonlinier Proses diteksi dan klasifikasi di lakukan dalam tiga tahap.
Tahap pertama digunakan untuk mengekstraksi tachogram dari EKG.
Pada ini menggunakan algoritmia Tompkins untuk mendeteksi puncak R, selanjutnya tachogram dibagi menjadi segmen-segmen kecil, untuk setiap segmen berisi 32 interval RR dan dikarakterisasi menggunakan analsasi database aritmia MIT-BIH.
Pada tahap kedua heart rate variability (HRV) domain waktu , domain frekuensi dan metode nonlinier diterapkan untuk mengekstrak fitur yang sesuai.
Pada tahap tiga fitur yang diekstraksi digunakan untuk melatih pengklasifikasi neural network.
Proses menggunakan feedforward dan backpropagation untuk proses pelatihan dengan Arsitektur yang dipilih dari neural network berisi: 11 input, satu lapisan tersembunyi dengan 20 neuron dan 5 output, menjadi bilangan real dalam interval .
Posisi maksimum dari output neural network menunjukkan keanggotaan dengan kelas yang sesuai.
Pelatihan neural network berakhir jika jumlah error kuadrat untuk semua segmen kurang dari 0,01 atau jumlah maksimum periode pelatihan tercapai 2000 epoh.
Hasil yang di dapatkan adalah sinyal heart rate variability ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020
(HRV)
dapat digunakan sebagai indikator berbagai jenis penyakit jantung dengan hasil klasifkasi NSR.
PVC.
AF.
VF dan BII adalah 99,98%, 98,76%, 98,53%, 99,73%, dan 99,89%.
Penelitian ini memiliki keterbaruan dari penelitian yang telah dilakukan adalah penambahan pada jumlah hidden layer pada metode Backpropagation dan menggunakan fitur ekstraksi yang di ekstrak dari panjang data yaitu tiga puluh menit.
Penelitian ini penulis menambahan tiga hidden layer yang masingmasing memiliki tiga neuron, dan juga penelitian ini menggunakan metode k-fold cross validation untuk proses ujicoba dalam penelitian ini.
Aritmia Aritmia merupakan irama jantung yang tidak normal yang di sebabkan oleh perubahan electrical system pada jantung .
Secara umum, aritmia merujuk pada setiap detak jantung atau irama jantung yang bersifat tidak normal.
Ada berbagai jenis aritmia, di mana fibrilasi atrium merupakan aritmia yang paling umum.
Meskipun tidak berbahaya secara langsung, penyakit aritmia meningkatkan resiko terjadinya stroke hingga lima kali lipat, resiko terjadinya gagal jantung dapat meningkat hingga tiga kali lipat, sedangkan resiko kematian dapat meningkat hingga dua kali lipat .
Heart Rate Variability (HRV) Heart Rate Variability (HRV) merupakan Fenomena fisiologis dimana detak jantung memiliki variasi waktu yang berbeda-beda.
Heart Rate Variability (HRV) pada umumnya di ukur dengan interval waktu pada sinyal EKG, maka dari itu Heart Rate Variability (HRV) disebut dengan istilah R-R interval.
Heart Rate Variability (HRV) memiliki hubungan dengan sistem saraf otonom pada manusia.
Sistem saraf otonom terdiri dari sistem saraf simpatis dan sistem saraf parasimpatis.
Sistem saraf simpatis berfungsi sebagai peningkat respon-respon tubuh ketika mengalami aktfitas yang cukup berat atau pada saat mengalami stress ringan atau berat.
Sistem saraf simpatis juga dapat mempengaruhi kinerja jantung seperti mengatur denyut jantung untuk berdenyut lebih cepat dan lebih kuat.
Sedangkan sistem saraf parasimpatis berfungsi ketika melakukan aktivitas dengan keadaan tenang dan santai, hal ini akan membuat denyut jantung menjadi tidak berdenyut dengan kuat dan cepat.
Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi yang di gunakan untuk mencari bobot optimal dari pola input agar menghasilkan pola output yang diinginkan.
Backpropagation biasanya diterapkan pada JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire perceptron menggunakan banyak lapisan untuk mengubah bobot-bobot agar mendapatkan bobot optimal dan pola yang diinginkan.
Pada jaringan backpropagation porses pembelajaran atau proses pencarian bobot optimal dilakukan berulang kali sampai pola output mendapatkan menghasilkan sesuai dengan keinginan.
, .
K-Fold Cross Validation K-fold cross-validation merupakan salah satu metode dari cross-validation yang membagi data secara acak menjadi subset K yang berbeda.
Dan menggunakan data K-1 dalam melakukan pelatihan data, sedangkan untuk pengujian menggunakan data yang tersisa.
Proses pelatihan dan pengujian kemudian diulangi untuk masingmasing pilihan K yang mungkin dari bagian yang dihilangkan dari pelatihan.
Kinerja rata-rata pada himpunan bagian yang dihilangkan K kemudian estimasi kami untuk kinerja generalisasi .
Metodologi Penelitian 1 Alur penelitian Dalam penelitian ini penulis mengikuti langkahlangakan sesuai dengan diagram alir dibawah :
Gambar 3.
1 : Alur Penelitian 1 Studi literatur Dalam mengumpulkan informasi yang berhubungan dengan penelitian ini melalui berbagi sumber.
Sumber literatur yang digunakan penulis berasal dari penelitian-penelitian yang telah dilakukan Tujuannya untuk mengumpulkan teori-teori yang relevan yang dapat digunakan dalam permasalahan yang sedang dihadapi atau diteliti, atau bisa digunakan sebagai bahan rujukan dalam pembahasan hasil penelitian.
Selain itu tujuan studi literatur juga mengetahui posisi keterbaruan dalam penelitian ini.
2 Pengumpulan data ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 Data yang penulis teliti merupakan data hasil rekaman menggunakan EKG yang bersumber dari MIT-BIH database .
Terdapat dua data yang diteliti oleh penulis yaitu data aritmia dan Normal Sinus Rhythm.
Data tersebut direkam dengan durasi rata-rata 30 menit setiap Jumlah data yang dikumpulkan sebanyak 48 data aritmia dan 18 data Normal Sinus Rhythm.
3 Perancangan sistem Dalam perancangan system penulis mengikuti langakah-langkah sesuai diagram alir dibawah ini :
Gambar 3.
2 Perancangan Sistem 1 Data EKG Data Elekrokardiogram yang digunakan dalam penelitian ini didapatkan melalui website org/physiobank/database/mitdb dalam website tersebut didapat berupa data elektrokardiogram seperti data jantung aritmia dan data jantung normal.
Data EKG yang telah direkam, khususnya data EKG aritmia dan jantung normal diubah ke dalam bentuk digital dengan masing masing saluran memiliki frekuensi 360 per detik, dan meiliki resolusi 11bit dengan rentang 10mV.
2 Baseline wonder removal Pada tahap ini data EKG difilter menggunakan highpass FIR filter untuk data EKG yang memiliki frekuensi rendah.
Dengan menghilangkan frekuensi rendah dari EKG dapat menyebabkan data menjadi halus.
Selain itu baseline wander removal juga diperlukan untuk meminimalisir sinyal jantung yang tidak diperlukan.
3 R peak ditection Data EKG yang telah difilter dibaca setiap titik dan setiap titik data EKG dibandingkan dengan data EKG titik data sebelumnya.
Titik data EKG yang lebih tinggi akan di simpan dalam bentuk larik.
Data larik yang melebih ambang batas dapat di katakan sebagai puncak R atau RPeak.
4 R-R interval R-R interval merupakan jarak antara RPeak pertama dengan R-Peak setelahnya dalam satuan waktu.
Dapat di rumuskan sebagai berikut .
R-R interaval = 2nd R-Peak - 1st R-Peak JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire 5 Heart Rate Variability (HRV) analysis Dalam analisis Heart Rate Variablity (HRV) terdapat beberapa metode antara lain time-domain frequency-domain, spektogram .
ime-frequenc.
Pada penelitian ini analisis Heart Rate Variablity (HRV) berkhusus pada time-domain.
Dalam time-domain analisis Heart Rate Variablity (HRV) mendapatkan beberapa paramameter anatara lain :
SDNN merupakan Standar deviasi dari seluruh NN interval SDANN merupakan Standar deviasi dari rata-rata NN interval di semua 5 menit segmen dari seluruh rekaman RMSSD merupakan Akar kuadrat dari mean dari jumlah kuadrat dari perbedaan antara NN interval yang berdekatan NN50 merupakan jumlah perbedaan RR interval yang berurutan lebih besar dai 50ms pNN50 merupakan perbandingan jumlah NN50 dengan jumlah total sampel dalam satuan persentase RHR merupakan rata-rata dari heart rate 6 Training data Dalam tahap training data penulis menggunakan metode Backpropagation terdiri Backpropagation.
Proses feedforward merupakan proses alur maju yang berguna untuk pengklasifikasian data dan Backpropagation merupakan proses alur mundur yang digunakan untuk melatih data yang telah ada.
Data EKG yang di inputkan akan melewati proses latihan terlebih dahulu sebelum memasuki proses klasifikasi aritmia.
Dalam proses latihan, data diulang sebanyak 1 epoh dimana dalam penelitian ini 1 epoh sama dengan 3000 kali iterasi 1 Arsitektur jaringan Metode Backpropagation digunakan penulis dalam penelitian ini memiliki arsitektur jaringan yaitu 6 input layer dan 9 neuron hidden layer dan 1 output layer yang seperti gambar di bawah Volume 3.
No 1.
April 2020 Input layer memilik 6 input ditambah 1 bias input , data yang di masukan dalam input layer dinormalisasi terlebih dahulu dengan rentangan nilai mulai dari nol sampai dengan Hidden layer dalam penelitian ini berjumlah 3 layer dengan masing-masing layer terdapat 3 neouron dan menggunakan transfer function sigmoid karena data telah dinormalisasi terlebih dahulu.
Output layer yang digunakan dalam penelitian ini berjumlah 1 layer dengan jumlah neuron 1, hal tersebut dikarenakan output dalam data hanya berjenis 2 yaitu 0 dan 1 7 Testing data Dalam tahap testing data penulis menggunakan metode Backpropagation.
Metode Backpropagation yang terdiri dari dua proses , feedforward dan Backpropagation.
Dalam proses ini hanya feedforward yang digunakan karena proses ini hanya melakukan testing terhadap data tanpa memerlukan proses pelatihan.
8 Hasil klasifikisasi Dalam proses ini penulis mendapatkan hasil klasifkiasi dari proses testing data.
klasifikasi tersebut berupa data yang berbentuk angka yang memiliki rentang antara 0 sampai dengan 1, dimana rentang tersebut akan digunakan untuk mengklasifikasikan penyakit menggunakan angka yang berdekatan dengan 1 sebagai penyakit aritmia dan angka yang berdekatan dengan 0 tidak termasuk penyakit 4 Uji coba Dalam tahap ini program yang telah dibuat akan diuji coba dengan metode k-fold cross validation, dengan k = 3 dan jumlah data EKG yang diuji berjumlah 46, dimana data tersebut terdiri dari data EKG normal yang berjumlah 18 dan data EKG yang termasuk aritmia berjumlah Data EKG akan dipecah dalam perbandingan 1:3 , yakni 30 training data dan 16 testing data.
Data tersebut akan diuji coba sebanyak k-1.
5 Menghitung ketepatan klasifikasi Dalam menghitung klasifikasi dalam penelitian ini penulis menggunakan rata-rata dari akurasi yang telah diuji coba sebanyak k-1.
Hasil dan Pembahasan Gambar 3.
3 Arsitektur Jaringan ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Ekstraksi fitur data EKG Pada data aritmia yang telah didapat dari website MIT-BIH arrythemia akan dilakukan JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire proses mulai dari baseline wonder removal.
R peak detection, dan R-R interval yang digunakan untuk mendapatkan fitur yang mana fitur yang dimakasud adalah HRV pada time domian 1 Baseline Wonder Removal Pada tahap ini dimana data EKG yang belum dirubah dapat dilihat pada gambar 4.
dalam data EKG tersebut masih terdapat noise yang membuat sinyal jantung tidak lurus maka dari itu di butuhkan baseline wonder removal untuk menghilangkan sinyal yang memiliki agar sinyal lebih halus menggunakan FIR highpass filter, frekuensi yang di hilangkan di bawah 18 yang dibagi dengan setengah frekuensi sampel setiap data EKG yang didapatkan dari website MIT-BIH Arrythemia, hasilnya dapat dilihat pada gambar 4.
Gambar 4.
1 Data Sinyal Aritmia 100 Volume 3.
No 1.
April 2020 Tabel 4.
1 rata-rata R-R-interval Name MeanRRInterval Label Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Aritmia Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Gambar 4.
2 Data Sinyal 100 cutoff 2 R peak Ditection Pada tahap ini dimana setiap puncak dari gelombang EKG yang disebut puncak R dicari proses pencarian datanya mengunakan array dari sinyal yang di bandingkan satu persatu dan mendapatkan hasil seperti gambar 4.
Gambar 4.
R Peak Ditection 3 R-R interval Pada tahap ini rata-rata dari setiap R-R interval di dapatkan dalam satuan millisecond, dapat dilihat pada kolom MeanRRInterval, pada kolom label menunjukan jenis data dan pada kolom target klasifikasi menenentukan nilai yang jenis data dapat dilihat pada tabel 4.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Target JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Normal Sinus Volume 3.
No 1.
April 2020 4 Heart Rate Variability analysis Pada proses ini dimana data dari R-R interval yang telah didapat diubah menjadi HRV analisis dalam time domain, disini mendapakan hasil dari fitur ekstraksi yang di gunakan seperti RMSSD .
SDNN .
NN50 .
SDNN , pNN50 .
RHR dilihat pada tabel 4.
Tabel 4.
2 HRV Analisis Name
SSD
pNN5
ANN
RHR
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020 2 Hasil Uji Coba Program Pada proses ini dimana program yang telah selesai diuji coba menggunakan metode kfold cross validation, data yang diuji coba merupakan data EKG yang telah menjadi fitur ekstraksi, data tersebut di beri label, dan diacak, dipecah menjadi data training dan data testing.
1 k-fold Cross Validation Pada tahap ini merupakan pengujian menggunakan k-1 sebagai jumlah iterasi setiap pengujian, dimana nilai awal dari k adalah 3 dan menggunakan data sebanyak 48.
Gambar 4.
5 Hasil Klasisifikasi 0-fold 2 hasil 1-fold Pada tahap ini dimana nilai dari k adalah 1 dan data uji dan latih berjumlah masingmasing adalah 31, 15, dari hasil ujicoba pada tahap ini dapat dilihat pada gambar 4.
Gambar 4.
6 Train dan Test 1-fold 1 hasil 0-fold Pada tahap ini dimana nilai k adalah 0 dan dari data yang berjumlah 46 dibagi menjadi 30 data latih dan 16 data tes, dari hasil ujicoba pada tahap ini dapat dilihat pada gambar 4.
Gambar 4.
4 Train dan Test 0-fold ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Gambar 4.
7 Hasil Klasisifikasi 1-fold 3 hasil 2-fold Pada tahap ini dimana nilai dari k adalah 2 dan data uji dan latih berjumlah masing-masing adalah 31, 15, dari hasil ujicoba pada tahap ini dapat dilihat pada gambar 4.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020 dapat di dilihat pada tabel 4.
4, hasil akurasi bukan hanya di pengaruhi oleh hidden layer tetapi bagaimana data tersebut diurut sebelum masuk dalam proses testing.
Gambar 4.
8 Train dan Test 2-fold Gambar 4.
9 Hasil Klasisifikasi 2-fold 4 Rata-rata akurasi Tabel 4.
3 Hasil Akurasi Hidden 0-fold 1-fold Layer 3 layer 2-fold Ratarata Dalam penelitian ini penulis juga melakukan pengujian selain menggunakan 3 hidden layer penulis juga melakukan pengujian mulai dari menggunakan 1 hidden layer sampai dengan 6 hidden layer.
Hasil dari pengujian tersebut dapat dilihat pada tabel 4.
Tabel 4.
4 Hasil Pengujian Hidden 0-fold 1-fold Layer akurasi akurasi 2-fold Ratarata Pada hasil pengujian dari hidden layer dari 1 sampai 6 hidden layer mendapatkan hasil yang berubah dengan akurasi yang menurun.
Hidden layer yang lebih dari 3 menyebabkan menurunnya rata-rata akurasi sebesar 37.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Kesimpulan dan saran 1 Kesimpulan Dari hasil penelitan yang telah dilakukan dapat di ambil kesimpulan sebagai berikut:
Pengklasifikasian aritmia dapat dilakukan menggunakan backprogation mengikuti alur perancangan sistem dimana dimulai dengan data EKG yang didapatkan dari website MITBIH database kemudian di lanjutkan dengan urutan baseline wonder removal.
R-peak ditection.
R-R interval.
Heart Rate Variability (HRV), training data , testing data , dan hasil dari urutan proses tersebut dilakukan pengujian dengan 6 sekenario berbeda didapatkan rata-rata hasil klasifikasi pada setiap sekenario pertama menggunakan 1 hidden layer di dapatkan akurasi 97.
77%, 2
hidden layer dengan akurasi 97.
77%, 3
hidden layer dengan akurasi 97.
77%, 4
hidden layer dengan akurasi 60.
69%, 5
hidden layer dengan akurasi 60.
69%, 6
hidden layer dengan akurasi 60.
Metode backpropagation dapat di terapkan dalam melakukan klasifikasi aritmia, akan tetapi kinerja dari metode Backpropagation tergatung dari jumlah hidden layer yang Dalam penelitan ini penulis mendapatkan jumlah hidden layer yang baik yaitu maksimal berjumlah 3 hidden layer dan masing-masing hidden layer memilik 3 2 Saran Untuk pengembangan dalam penlitian ini penulis memiliki saran sebagai berikut:
Penambahan fitur dari proses ektraksi data Penambahan data jantung aritmia dan normal sinus rhythm dari sumber yang Daftar Pustaka: