BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 ...repository.unair.ac.id/25599/14/14. Bab 4.pdf4.4...

61

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Rancangan Antarmuka (interface) Program

Rancangan antarmuka (interface) program terdiri dari form cover, form

testing dan form training (untuk programer).

4.1.1 Form Cover

Gambar 4.1 Antarmuka (interface) cover program

Pada Gambar 4.1 adalah tampilan awal atau cover untuk masuk ke

perangkat lunak deteksi ischemia. Dimana pada form ini ada tombol tool pada

kiri atas form yakni :

1. Training untuk masuk ke form training data.

2. Testing untuk masuk ke form testing data.

3. Exit untuk keluar dari form.

ADLN Perpustakaan Universitas Airlangga

Skripsi Deteksi Sinyal ECG Irama Myocardial Ischemia dengan Jaringan Saraf Tiruan

Muchammad Taufiq Bachrowi

62

4.1.2 Form Training

Gambar 4.2 Antarmuka (interface) training program

Pada Gambar 4.2 merupakan form pelatihan (traininig) untuk

pembelajaran pola grafik potensial sinyal ECG untuk nantinya hasilnya menjadi

masukan pada form testing deteksi ischemia pada citra sinyal ECG. Pengguna

(programer) bisa memberi masukan yang bervariasi pada hidden layer dan epoch.

Output yang ditampilkan pada form training adalah bobot dan bias baru untuk

hidden dan input.Dimana pada form ini ada tombol tool pada kiri atas form yakni:

A. Tombol Proses, berisi training untuk mengolah citra sinyal ECG agar bisa

menghasilkan citra yang sesuai keinginan.

B. Tombol File, berisi exit untuk keluar dari form.




63

4.1.3 Form Testing

Gambar 4.3 Antarmuka (interface) testing program

Pada Gambar 4.3 adalah form uji (testing) untuk deteksi ischemia pada citra grafik

sinyal ECG, dimana pada form ini output yang ditampilkan yaitu hasil pengolahan

citra dari proses grayscale, gamma corection, segmentasi,morfologi citra dan hasil

visualisasi ekstraksi fitur citra ECG yang diujikan. Form ini ada beberapa tombol

tool pada kiri atas form yakni:

A. Tombol File, terdiri dari:

1. Browse untuk mengambil data citra sinyal ECG pada directory.

2. Exit untuk keluar dari form.

B. Tombol Proses, terdiri dari:

1. Olahcitra untuk mengolah citra sinyal ECG agar bisa menghasilkan

citra proses grayscale, gamma corection, segmentasi, morfologi

(proses dilasi dan erosi) serta proses ektraksi fitur.




64

2. Deteksi Ischemia untuk menganalisis hasil olahcitra dan

menampilkan hasil diagnosa penyakit.

4.2 Persiapan Data

Tahap awal yang dilakukan adalah persiapan data yakni melakukan

pemotongan citra sinyal ECG pada lead III. Penggunaan lead III dikarenakan

menurut referensi dari dokter kelainan myocardial ischemia muncul pada lead III,

sedangkan pemotongan citra sinyal ECG pada lead III memiliki lebar sebesar 157

pixel. Pengambilan nilai 157 pixel berdasarkan visual dari lead yang

direferensikan oleh dokter. Banyak data citra sinyal ECG terdiri dari 66 data

training dan 26 data testing, dimana masing-masing data terdiri dari data jantung

normal, ischemia dan abnormal variasi jantung. Gambar hasil pemotongan citra

sinyal ECG untuk normal jantung, ischemia dan abnormal variasi jantung

disajikan pada Gambar 4.4

(a)Normal (b) Ischemia (c) Abnormal Variasi

Gambar 4.4 Hasil pemotongan Citra ECG

Setelah persiapan data selesai, mulai pengolahan citra, pengujian proses

jaringan saraf tiruan serta pembuatan rancangan antarmuka (interface) program.




65

4.3 Hasil Pengolahan Citra

4.3.1 Proses Preprosesing

Tahap pertama dilakukan proses grayscale dimana mengubah citra ECG

berwarna menjadi citra abu-abu (gray). Tahap ketiga adalah proses gamma

correction. Gamma correction sangat penting dalam upaya menampilkan citra

secara akurat. Citra yang tidak diperbaiki dengan benar sering menampilkan

tampilan yang tidak sesuai, dan yang sering adalah gambar teralalu gelap. Gambar

hasil grayscale citra sinyal ECG untuk normal jantung, ischemia dan abnormal

variasi jantung disajikan pada Gambar 4.5, dan untuk hasil gamma corection

disajikan pada Gambar 4.6.


Gambar 4.5 Hasil Grayscale Citra ECG


Gambar 4.6 Hasil Gamma Corection Citra ECG




66

4.3.2 Proses Segmentasi

Pada proses segmentasi, menentukan nilai threshold (T) adalah dengan

membuat histogram citra. Nilai T dapat dipilih secara manual atau dengan teknik

yang otomatis. Nilai ambang T dipilih sedemikian sehingga galat yang diperoleh

sekecil mungkin. Gambar hasil threshold untuk disajikan pada Gambar 4.7.


Gambar 4.7 Hasil threshold Citra ECG

4.3.3 Proses Morfologi Citra

Dalam proses morfoologi dilakukan 2 operasi pengolahan citra yakni

operasi dilasi dan operasi erosi.

A. Proses Dilasi

Proses dilasi adalah “penumbuhan” atau “penebalan” dalam citra biner.

Proses ini merupakan proses perbaikan citra ECG akibat dari proses threshold,

pengertian penebalan ini dikontrol oleh bentuk strel yang digunakan, dimana strel

yang digunakan pada pengolahan citra ini adalah strel jenis square (bujur

sangkar). Gambar hasil dilasi citra sinyal ECG untuk normal jantung, ischemia

dan abnormal variasi jantung disajikan pada Gambar 4.8.




67


Gambar 4.8 Hasil dilasi Citra sinyal ECG

B. Proses Erosi

Proses erosi citra, dimana proses ini mengecilkan atau menipiskan obyek

citra biner, berbeda dengan dilasi yang melakukan penumbuhan/penebalan. Proses

erosi dapat dianggap sebagai operasi morphological filtering dimana detail citra

yang lebih kecil dari strel akan difilter (dihilangkan) dari citra. Pada proses ini

menggunakan strel jenis square (bujur sangkar). Gambar hasil erosi citra sinyal

ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan pada

Gambar 4.9.


Gambar 4.9 Hasil Erosi Citra sinyal ECG

4.3.4 Proses Ekstraksi fitur

Data citra biner sinyal ECG hasil proses morfologi (proses erosi) akan

diolah dalam proses ini dimana menggunakan ekstraksi fitur bentuk sehingga




68

didapatkan ordinat potensial citra sinyal ECG yang kemudian dijadikan sebagai

masukan untuk proses training JST. Setelah didapatkan ordinat potensial grafik

sinyal ECG, dibuat visualisasi potensial citra ECG untuk mengetahui hasil dari

pengolahan citra sama dengan gambar aslinya. Gambar visualisasi fitur potensial

citra ECG untuk normal jantung, ischemia dan abnormal variasi jantung disajikan

pada Gambar 4.10.


Gambar 4.10 Visualisasi Fitur Potensial Citra ECG

4.4 Pengujian Proses Jaringan Saraf Tiruan (backpropagation)

Pengujian ini dilakukan pada proses-proses yang terdapat dalam aplikasi

jaringan saraf tiruan.

4.4.1 Hasil Pelatihan (Training) Pada Model Jaringan Saraf Tiruan (backpropagation)

Hasil pelatihan (training) menggunakan metode trial dan error dalam

pengujian ini. Dimana variabel hidden layer selama pelatihan berubah-ubah.

Pengaruh jumlah hidden layer terhadap lamanya pelatihan, hubungan Jumlah

hidden layer, epoch dan MSE disajikan pada Tabel 4.1.




69

Tabel 4.1 Hubungan Jumlah hidden layer, epoch dan MSE.

No.Hidden Layer

Epoch MSEAkurasi

(%)1. 3 11000 0,405 74,2424

2. 6 11000 0,0231 98,4848

3. 9 11000 3,25 x 10-5 100

4. 11 8731 9,98 x 10-6 100

5. 22 904 9,93 x 10-5 100

6. 40 1558 9,86 x 10-5 100

7. 50 1328 9,97 x 10-6 100

8. 60 6328 9,97 x 10-6 100

9. 80 5682 9,98 x 10-6 100

10. 100 3415 9,91 x 10-6 100

Dari Tabel 4.1 jumlah hidden layer dari 3 sampai 100, berpengaruh pada nilai

MSE dimana semakin banyak jumlah hidden layer maka nilai MSE semakin

mendekati nilai konstan (kovergen). Dari hasil variasi hidden layer tersebut

didapatkan hasil nilai MSE mendekati nilai konstan pada hidden layer sebanyak

11 dengan tingkat akurasi mencapai 100 %, sehingga arsitektur jaringan ini akan

menjadi masukan pada proses testing. Hasil proses training data pada jumlah

hidden layer 11 dapat dilihat pada Gambar 4.11.

Gambar 4.11 Grafik MSE terhadap Epoch pada hidden layer 11




70

4.4.2 Hasil Testing Model Jaringan Saraf Tiruan (Backpropagation)

Uji validasi yang dilakukan adalah bobot baru hasil dari proses training

dibuat sebagai masukan (input) untuk proses testing, kemudian dengan target data

testing yang telah ditentukan. Data diolah pada jaringan saraf tiruan (JST), output

menghasilkan diagnosa dari citra ECG tersebut. Hasil deteksi citra ECG oleh

jaringan saraf tiruan backpropagation dibandingkan dengan identifikasi hasil

medis, kemudian dari perbandingan tersebut akan diketahui apakah data tersebut

sudah sesuai dengan hasil medis. Hasil testing data disajikan pada Tabel 4.2

dengan nilai target 1 untuk kondisi ischemia, nilai target 0 untuk kondisi normal,

dan nilai target -1 untuk kondisi abnormal variasi jantung.

Tabel 4.2 Hasil uji software dibandingkan dengan hasil identifikasi medis.

No. CitraECG

Kondisi TargetHasil Medis

Hasil Software

1

Ischemia 1 Ischemia Terdeteksi

2

Normal 0 Normal Terdeteksi

3

Ischemia 1 Ischemia Gagal

4Abnormal

Variasi-1

Abnormal Variasi

Terdeteksi

5





71

6Abnormal

Variasi-1

Abnormal Variasi

Terdeteksi

7


8


9


10


11


12


13


14

Normal 0 Normal Gagal




72

15

Abnormal Variasi

-1Abnormal

VariasiTerdeteksi

16


17

Abnormal Variasi

-1Abnormal

VariasiGagal

18


19

Abnormal Variasi

-1Abnormal

VariasiTerdeteksi

20


21Abnormal

Variasi-1

Abnormal Variasi

Terdeteksi

22


23

Abnormal Variasi

-1Abnormal

VariasiTerdeteksi




73

Kesalahan deteksi software adalah 3 kali kesalahan dari 26 data yang diuji

cobakan terhadap sistem, dengan kata lain tingkat akurasinya mencapai 89 %.

datajumlah total

id tidak valdatajumlah dataaljumlah totakurasi x 100 %

26

326 akurasi x 100%

26

23akurasi x 100% = 88,461 %

Pada penelitian Febrianty (2007) hasil performansi akurasi JST resilient

propagation didapatkan akurasi pengenalan data latih sebesar 100% sedangkan

akurasai pengenalan data uji sebesar 84,21%. Pada penelitian ini didapatkan

kinerja perangkat lunak jaringan saraf tiruan backpropagation dimana akurasi

pelatihan mencapai 100 % serta MSE mendekati nilai konstan (konvergen),

akurasi pengenalan data uji sebesar 88,461 %. Dengan demikian kinerja

perangkat lunak JST backpropagation lebih baik dibandingkan JST resilient

propagation dikarenakan proses pembelajaran JST backpropagation melakukan

beberapa kali pelatihan pada setiap data latih dimana error yang dihasilkan

dipropagasikan (balik) kembali ke unit-unit dibawahnya untuk untuk melakukan

pembaharuan bobot sehingga JST backpropagation termasuk baik dalam

pengenalan pola sinyal ECG iraman myocardial ischemia.




BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 ...repository.unair.ac.id/25599/14/14. Bab 4.pdf4.4...

Documents

Transcript of BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 ...repository.unair.ac.id/25599/14/14. Bab 4.pdf4.4...