Elektrokardiograf (EKG) merupakan sebuah instrument medis yang digunakan sebagai alat untuk memperoleh informasi seputar kerja jantung manusia melalui prinsip kelistrikan pada jantung. Alat ini juga dapat digunakan sebagai pendeteksi gangguan jantung. Mekanisme sederhana dari alat ini adalah mengukur potensial listrik sebagai fungsi waktu yang dihasilkan oleh jantung. Dari mekanisme ini akan dihasilkan pola sinyal elektrik pada EKG yang terdiri dari gelombang P,Q,R,S dan T. Pola-pola tersebut kemudian akan dikenali dan diklasifikasikan oleh komputer dengan menerapkan salah satu metode kecerdasan buatan (artificial intelligence), yaitu Jaringan Saraf Tiruan (JST) berbasis metode pembelajaran backpropagation. Penelitian akan diawali oleh pra poses raw data sinyal elektrik EKG, pendesainan jaringan, pemilihan arsitektur dan inisialisasi jaringan, serta tahap yang lebih penting adalah pelatihan dan pengujian jaringan. Dari penelitian ini diperoleh hasil bahwa JST sangat baik dalam melakukan klasifikasi pola terhadap sinyal elektrik pada EKG. Hal ini dapat diperihatkan dari persentase tingkat akurasi, yang dapat dibedakan kedalam 3 bagian, yaitu tingkat akurasi internal yang mencapai 99.999895 % pada pengujian arsitektur JST_1, 99.999853 % pada pengujian arsitektur JST_2 dan 99.999755 % untuk arsitektur JST_3. Sedangkan untuk tingkat akurasi eksternal pada pengujian datayang telah dilatih diperoleh persentase sebesar 100 % untuk semua arsitektur jaringan, sedangkan tingkat akurasi eksternal data baru diperoleh hasil sebesar 98.04 % dengan jumlah data 30 %, 98.81 % dengan jumlah data 50 % dan 99.16% dengan jumlah data 70 %
Fenomena fisika tidak selalu direpresentasikan dalam masalah benda-benda mati (fisik), tetapi dapat terjadi pula pada benda-benda hidup (hayati), contohnya adalah pada peristiwa kelistrikan.Salah satu peristiwa kelistrikan yang terdapat pada sistem hayati (hidup) adalah peristiwa kelistrikan pada jantung, yang menghasilkan sebuah sinyal bioelektrik. Kemudian yang sangat menarik dari peristiwa ini adalah, bahwa sinyal bioelektrik tersebut dapat mengetahui gangguan pada jantung melalui alat yang disebut elektrokardiograf.
Elektrokardiograf (EKG) merupakan sebuah instrument medis yang digunakan sebagai alat untuk memperoleh informasi seputar kerja jantung manusia. Mekanisme sederhana dari alat ini adalah mengukur potensial listrik sebagai fungsi waktu yang dihasilkan oleh jantung. Potensial listrik tersebut dihasilkan oleh beberapa sel pemicu denyut jantung yang dapat merubah sistem kelistrikan jantung. Perbedaan potensial tersebut kemudian divisualisasikan sebagai sinyal pada layar monitor atau pada kertas perekam. Sinyal ini sering digunakan oleh dokter untuk mendeteksi kondisi jantung seorang pasien.
Sinyal yang dihasilkan oleh EKG pada umumnya merupakan sinyal domain waktu dalam kertas rekaman yang disebut Elektrokardiogram. Kegunaan elektrokardiogram ini sangat bermanfaat untuk mengetahui kondisi jantung pasien, sehingga menjadikan alat ini sebagai peralatan standar bagi semua rumah sakit (Pratondo Busono dkk, 2004:102).
Manfaat elektrokardiogram adalah dapat memperlihatkan adanya: infark miokard dan iskemi miokard, gangguan irama jantung atau arrhythmias, gangguan jantung karena penyakit sistemik dan gangguan karena pengaruh obat-obatanyang berpengaruh terhadap fungsi jantung (K. Dubowik dan L. Schamroth, 1999:21,1990;31).
Walaupun mengetahui cara kerja EKG relatif mudah namun untuk mengetahui informasi yang terdapat pada data hasil rekaman EKG sangat sulit. Untuk membaca kertas rekaman EKG diperlukan pengalaman dan pengetahuan mengenai penyakit jantung serta gejala-gejalanya. Esktraksi manual terhadap informasi penting sinyal EKG sangatlah tidak efisien karena banyaknya datayang harus diamati (L. Schamroth, 1990:25).
Salah satu cara yang banyak dilakukan adalah dengan menggunakan bantuan komputer untuk mengetahui karakteristik dari sinyal. Dengan cara ini, maka deteksi bentuk sinyal (P, QRS, T), interval yang memisahkan mereka, durasi, fluktuasi dapat dilakukan dengan lebih teliti. Akuisisi rekaman EKG berkualitas tinggi sangat penting untuk mendeteksi munculnya gejala arrhythmias (ganguan jantung) pada serangan jantung mendadak. Kesulitan-kesulitan di atas dapat ditanggulangi dengan merancang sebuah perangkat lunakyang dapat menganalisis secara online maupun offline gelombang EKG dan kemudian mendiagnosisnya sehingga probabilitas penyakit yang diderita dapat diketahui.
Salah satu pemecahan dalam menganalisis sinyal EKG ini adalah dengan mengunakan perangkat lunak (software) berbasis Artificial Intellegence (AI) atau kecerdasan buatan kedalam analisis komputasi untuk mengenali dan mengklasifikasi pola sinyal EKG tersebut. Metode Artificial Intellegence yang digunakan pada penelitian ini adalah mengunakan Jaringan Saraf Tiruan (JST) atau Artificial Neural Network (ANN) , yang merupakan metode komputasi cerdas yang dapat menirukan sistem jaringan saraf otak pada manusia. Jaringan sarat tiruan (JST) merupakan suatu metode kecerdasan buatan komputasional berbasis pada model saraf biologis manusia sehingga komputer atau mesin dapat menduplikasi kecerdasan manusia. Secara mikro, JST merupakan suatu prilaku komplek yang dihasilkan oleh jaringan dari banyak unit pemproses kecil yang disebut neuron yang masing – masing melakukan suatu proses sederhana yang dihubungkan dengan elemen proses lain oleh suatu aturan atau bobot.
Bila dilihat dari tingkat kemampuannya, JST dapat diterapkan pada beberapa aplikasi yang sangat cocok bila diterapkan pada klasifikasi pola, yakni memilih suatu input data kedalam suatu katagori tertentu yang diterapkan, disamping itu juga JST dapat diterapkan pada predikasi dan self organizing, yakni mengambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain dan memiliki kemampuan untuk mengolah data-data tanpa harus memiliki data sebagai target. Selanjutnya adalah JST juga mampu diterapkan pada masalah optimasi, yakni mencari jawaban atau solusi terbaik dari suatu sistem.
Pada penelitian ini akan dilakukan penggunaan JST pada masalah pengklasifikasian pola sinyal EKG. Pengklasifikasian pola sinyal EKG ini telah berkembang pada saat ini. Hal ini dikarenakan JST memiliki keungulan bila dibandingkan dengan metode lain.
Sebagaimana dikemukakan oleh Mahfudh Junaryanto (1996:4) mengenai keunggulan JST adalah :
Keunggulan JST akan semakin terlihat apabila permasalahan semakin komplek, karena masalah yang komplek membutuhkan investasi perancangan dan pengembangan sistem yang semakin mahal bila diterapkan mengunakan metode statistik maupun sintaktik .
Maka dari pernyataan diatas dapat dikatakan bahwa JST akan bekerja dengan handal pada sistem yang komplek, sedangkan pengklasifikasian pola sinyal EKG sendiri merupakan suatu sistem yang sangat komplek bila dibandingkan dengan klasifikasi pengenalan pola huruf dan wajah. Hal ini mengingat bahwa dalam pengklasifikasian pola sinyal EKG perlu dilakukan pengamatan yang sangat cermat terhadap data-data yang sangat banyak dari hasil perekaman kelistrikan jantung oleh instrumen EKG tersebut.
Selain itu juga, menurut Arief Hermawan (2006:4) tentang keunggulan JST yang lainya adalah ;
Keunggulan JST adalah terlihat pada kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, sehingga waktuyang diperlukan untuk mengoprasikan menjadi lebih singkat .
Dari pernyataan tersebut, diharapkan analisis terhadap sinyal EKG akan semakin cepat dan akurat, karena juga memiliki kehandalan dalam memproses suatu sistem dengan baik. Selain itu keunggulan JST yang lain adalah memiliki kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ketidakpastian dan dan memiliki ganguan. Hal ini karena, JST mampu melakukan abtraksi, Ekstraksi dan generilasi terhadap properti statistikdari data.
Penelitian ini diilhami oleh beberapa penelitian sebelumnya tentang penerapan JST pada sistem EKG untuk mengklasifikasi, memprediksi dan mendiagnosis penyakit jantung. Berikut merupakan inovasi dan pembuktian penelitian tentang penggunaan JST pada sistem EKG terutama peneliti yang berasal dari luar negeri.
a. Dayong Gao, Michael Madden, Michael Schukat, Des Chambers, dan Gerard Lyons. Department of Information Technology National University of Ireland Galway, Ireland. Tahun 2002. Dalam penelitian: Arrhythmia Identification from ECG Signals with a Neural Network Classifier Based on a Bayesian Framework. Dengan memperoleh hasil tingkat akurasi dan presisi sebesar 90 %.
b. Victor-Emil Neagoe, Iuliana-Florentina Iatan, dan Sorin Grunwald. Dept. of Applied Electronics and Information Engineering, Polytechnic University, Bucharest, Romania dan Dykonex Corp., Palo Alto, CA. Tahun 2003. Dalam Penelitian: A Neuro-Fuzzy Approach to Classification of ECG Signals for Ischemic Heart Disease Diagnosis. Dengan memperoleh hasil tingkat akurasi dan presisi sebesar 100 %.
c. Ond?rej Polakovi?. Institute for Research and Applications of Fuzzy Modeling. University of Ostrava. Tahun 2005. Dalam Penelitian: Backpropagation and his application in ECG classification. Dan memperoleh hasil akurasi dan presisi di atas 96 %.
Adapun perbedaan dari penelitian ini dengan 3 penelitian yang dikemukakan di atas adalah pada jumlah variabel yang digunakan. Pada penelitian ini, digunakan 11 variabel masukan yang merupakan interpretasi dari parameter sinyal EKG dan 8 variabel keluaran yang merupakan interpretasi dari jenis gangguan jantung. Sehingga penelitian ini memiliki keunggulan tersendiri dari ketiga penelitian tersebut. Sedangkan kelemahan dari penelitian ini adalah tidak digunakan metode kecerdasan buatan lainnya, seperti logika fuzzy atau algoritma genetika, sehingga parameter optimal harus dicari dengan waktu yang lama.
Penerapan Jaringan Saraf Tiruan pada analisis komputasi untuk EKG ini diharapkan menghasilkan suatu metode komputasi cerdas yang berguna untuk kepentingan dunia medis khususnya dalam bidang kardiologi, yang jarang sekali dilakuakan riset atau penelitian tentang aplikasi Jaringan Saraf Tiruan untuk analisis sinyal EKG di indonesia.
Teknik monitoring EKG
Saat ini ada empat macam teknik EKG yang digunakan yaitu:
1. teknik monitoring standar ekstrimitas (metode Einthoven) atau standar limb leads
dalam melakukan teknik ini, dilakukan tiga tempat monitoring EKG yakni
a. lead I dibentuk dengan membuat lengan kiri (LA-left arm) elektroda positif dan lengan kanan (RA-right arm) elektroda negatif. sudut orientasi nol derajat.
b. Lead II dibentuk dengan membuat kaki kiri (LL-left leg) elektroda positif dan lengan kanan (RA-right arm) elektroda negatif. sidit orientasi 60 derajat.
2. teknik monitoring tambahan atau augmented limb leads. dalam menggunakan teknik ini, dilakukan 3 rempat monitoring EKG yakni:
a. aVL dibentuk dengan membuat lengan kiri (LA-left arm) elektroda positif dan anggota tubuh lainnya (ekstremitas) elektroda negatif. sudut orientasi -30 derajat.
b. aVR dibentuk dengan membuat lengan kanan (RA- right arm) elektroda positif dan anggota tibuh lainnya (ekstremitas) elektroda negatif. sudut orientasi -150 derajat
c. aVF dibentuk dengan membuat kaki kiri (LL-left leg) elektroda positif dan anggota tubuh lainnya (ekstremitas) elektroda negatif. sudut orientasi +90 derajat . monitoring EKG prekordial /dada atau standar chest leads monitoring EKG
prinsip kerja dari EKG dapat dilihat melalui video
http://commons.wikimedia.org/wiki/File:ECG_Principle_fast.gif
Tidak ada komentar:
Posting Komentar