Perpustakaan Digital ITB

Penyakit jantung telah lama menjadi penyebab tertinggi kematian di dunia. Pada tahun 2008, 17,3 juta orang meninggal karena penyakit jantung. 80% kematian di dunia disebabkan karena penyakit jantung. Saat ini telah banyak teknologi yang dapat mengidentifikasi penyakit jantung. Teknologi saat ini adalah dengan menggunakan echocardiogram. Teknologi ini memungkinkan untuk mengidentifikasi jantung saat itu juga. Teknologi ini belum portable sehingga tidak memungkinkan untuk identifikasi secara continuous setiap hari dan setiap waktu. Terdapat sebuah alat yang dapat dipakai sehari-hari di bagian dada yang dapat mendeteksi jantung dengan keluaran heart rate per menit. Alat ini tidak seperti echocardiogram yang mempunyai akurasi yang sangat baik. Alat ini memiliki ketelitian satu data per detik dan dapat dipakai untuk beraktifitas sehari-hari. Data yang dihasilkan oleh alat ini akan di-upload ke server menggunakan handphone android dengan aplikasi yang telah disiapkan sebelumnya. Heart rate pada umumnya dipakai oleh pekerja kesehatan untuk memeriksa kondisi jantung. Heart rate mempunyai sifat non-stationary, sehingga tidak bisa diprediksi maupun diolah sebelum diproses terlebih dahulu. Adapun proses non-stationary yang dipakai adalah Detrended Fluctuation Analysis (DFA). Peng telah dapat mengenali penyakit jantung dengan menggunakan DFA. Nilai heart rate yang berubah-ubah terhadap waktu, diubah menjadi sebuah nilai skala index yang dapat menunjukkan perbedaan signifikan antara kondisi sehat dan sakit. Skala index Peng kemudian disempurnakan oleh Toru Yazawa dengan membuat box pengambilan data yang baru dan mengubah regresi menjadi orde empat. Hasil Toru Yazawa telah signifikan dapat membedakan antara orang berpenyakit jantung secara spesifik. R-DFA adalah algoritma baru yang diusulkan dalam penelitian ini. Peng dan Toru tidak membuat algoritma untuk sebuah data yang sifatnya panjang (100 pengambilan data untuk satu subjek) dan tidak memiliki kemampuan untuk menentukan kecenderungan sakit atau sehat. Sebuah studi kasus 9 pasien diambil datanya setiap 15 menit selama 100 kali dalam waktu yang berbeda. Sembilan pasien tersebut diambil datanya dalam keadaan duduk diam dengan lingkungan yang sama. Data yang diambil dilakukan sebuah pre-processing dengan menghilangkan data-data yang tidak rasional dan tidak dapat diproses. Data yang diambil kemudian diolah membentuk timeseries skala index DFA. Timeseries tersebut diolah dengan operasi substraksi dan regresi. R-DFA dapat mengklasifikasi tiga kelas tersebut dengan akurasi 92% dengan signifikan (p < 0,05). R-DFA telah menghasilkan sebuah threshold yang dipakai untuk menentukan tiga kelas tersebut. Berdasarkan data 9 subjek, metode R-DFA mempunyai kecenderungan klasifikasi dengan 3 kelas (Sehat, Mild Left Ventricle Diastolic Dysfunction, dan Hypertension Heart Disease) telah teruji secara signifikan dengan p