ABSTRAKSI: Istilah medis dalam dunia kedokteran yaitu elektrocardiogram ( ECG ) merupakan sinyal yang merepresentasikan rekaman aktivitas pada jantung manusia, dengan kata lain ECG ini merupakan sinyal jantung. Sinyal ECG ini dapat memudahkan para ahli medis untuk membantu pendiagnosaan penyakit pada jantung manusia. Hanya saja tidak semua dokter dapat membacanya, dikarenakan keahlian membaca pola sinyal ECG ini tidaklah semudah teori yang dipelajari. Melainkan membutuhkan pengalaman praktek dengan jam kerja yang tinggi. Jadi keahlian pembacaan pola sinyal ECG ini terbatas pada seorang dokter yang telah mengambil spesialisasi jantung atau yang lebih dikenal sebagai seorang Cardiolog
Dalam Tugas Akhir ini akan dibuat perangkat lunak untuk mengklasifikasikan 4 kelas penyakit jantung kedalam kelas-kelasnya. Proses pengklasifikasian pola sinyal ECG ini dilakukan oleh JST-Backpropagation, dimana sebelumya telah dilakukan ekstrasi ciri dengan principal component analysis (PCA) sebelum diklasifikasikan oleh JST-Backpropagation.
Akurasi yang didapat PCA dengan setting epoch 350 ribu, 2 layer yaitu 51.75%. Hasil terbaik didapatkan dengan melakukan penambahan epoch, saat epoch 3.5 juta didapatkan akurasi hingga 71%. Ternyata ekstrasi ciri dengan menggunakan PCA untuk sebuah sinyal dengan dimensi matrik yang lebih kecil (dalam Tugas Akhir ini berupa matrik 2 x 1251), kurang efektif sehingga memberikan hasil yang kurang bagus. Hasil ekstrasi ciri yang kurang bagus ini mempengaruhi kemampuan JST dalam belajar dan mengenali suatu pola masukkan sinyal jantung sehingga akurasi yang didapatkan dibawah 80%, tidak sesuai dengan target awal yang telah ditetapkan yaitu akurasi JST lebih dari 80%.Kata Kunci : principal component analysis, wavelet, jst, backpropagationABSTRACT: Electrocardiogram (ECG) in medical word is a signal which represent activity records of human heart, in other word this ECG is wellknown as heart signal. ECG could help medical expert in diagnostic heart disease in human. But unfortunately not all doctors can read ECG, its because reading an ECG is not as easy as it says in theories when they learnt. As a matter of fact its need practicall experience with many hours. So, people who can read ECG are restricted to cardiologists.
In this Final Task will be made a software that could classify 4 class of heart disease into its classes. For that purpose, Artificial Neuron Network Backpropagation will be use as classifier and principal component analysis will be use as feature extraction methods.
The accuracy result is 51.75% for PCA with 350.000 epoch, 2 layer. The best result got when increase epoch value up to 3.5 million epoch, 71%. Apparently the results of principal component analysis as a feature ekstraction for a signal with smaller matrice ( in this case is a matrice 2 x 1251), is not good and effective. This results affects the artificial neuron network in classifying the ECG signal into it‟s classes, therefore the accuracy artificial neuron network get is below 80%, different from previous taget which is hope that artificial neuron network could classify the signal more than 80% accuracy.Keyword: principal compponent analysis, wavelet, ann, backpropagation