Abstrak
Telah dilaksanakan penelitian untuk system deteksi kontraksi ventrikel premature pada aplikasi android dengan metode Jaringan Syaraf Tiruan (JST) Propagasi Balik menggunakan fitur interval RR dan lebar QRS. Sistem deteksi telah diimplementasikan menggunakan perangkat lunak JAVA Eclipse Juno. Kontraksi Ventrikel Prematur adalah salah satu kelainan jantung aritmia. Tahapan pada penelitian ini adalah pengumpulan data, persiapan perangkat lunak, ekstraksi fitur dengan masukkan 2 fitur, pelatihan JST, pengujian JST, penentuan kinerja dan perancangan sistem Graphycal User Interface (GUI) antarmuka dengan di debug ke HP. Tahap pelatihan JST menggunakan 3 % sedangkan pengujian menggunakan 97% dari total keseluruhan data. Rancangan system dibuat dalam tampilan GUI untuk mempermudah tampilan. Pada penelitian ini dilakukan 3 variasi jumlah fitur sebagai masukkan JST, yaitu interval RR dan lebar QRS, Interval RR, dan Lebar QRS. Hasil yang terbaik yang dihasikan pada pengujian JST Backpropagation dengan menggunakan masukkan 2 fitur yaitu interval RR dan lebar QRS dengan kinerja berupa spesifitas, sensitivitas, dan akurasi yang cukup baik yaitu 96.61%, 94.82%, dan 96.37%.
Kata Kunci : Interval RR, Lebar QRS, JST Backpropagation
Abstract
Ithas conducted research for premature ventricular contraction detection system in android application using Artificial Neural Network (ANN) Backpropagation method features RR interval and QRS width applied. Detection system has been implemented using the software JAVA Eclipse Juno. Premature Ventricular Contractions are one cardiac arrhythmia disorders. Stages in this study includes collection of data, software preparation, feature extraction as two features inserted, ANN training, testing ANN, determination of system performance and designGraphical User Interface (GUI) with interface to mobile phone. Training phase use 3% while testing used 97% of the total data. The design of the system created in the GUI to simplify the display. Three variation of feature numbers, two features (RR interval, QRS width) and a combination of both (RR interval and QRS width) applied as the input of ANN. The best results generated on study using combination of both features (RR interval and QRS width) with the performance of 96.61% specificity, 94.82% sensitivity, and 96.37% accuracy.
Keywords: RR Interval, QRS Width, ANN Backpropagation
