P. 1
Prosiding Semiloka 2004

Prosiding Semiloka 2004

|Views: 2.511|Likes:
Publicado poradhi.rohadhi

More info:

Published by: adhi.rohadhi on Jun 12, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/14/2012

pdf

text

original

Sections

1) Indeks warna merah dapat membedakan umur
petik 120 hari dengan 140 hari dan umur petik
140 hari dengan umur petik 160 hari, indeks
warna hijau dapat membedakan umur petik
140 hari dengan 160 hari dan umur petik 160
hari dengan umur petik 180 hari, indeks warna
biru dapat membedakan umur petik 120 hari
dengan 160 dan 180 hari.
2) Dalam pengolahan data tekstur yang dapat
digunakan adalah fitur kontras dan
homogenitas,

Fitur

kontras

dapat
membedakan umur petik 180 hari dengan 120
dan 140 hari, Fitur homogenitas dapat
membedakan umur petik 180 hari dengan 120
hari dan 140 hari.
3) Keakuratan model JST yang paling ideal
adalah menggunakan parameter hasil
pengolahan citra sebagai data masukan
tingkat mutu (r, g, b, energi, entropi, kontras,
homogenitas dan luas proyeksi) dapat
menentukan mutu buah jeruk nipis dengan
tingkat keakuratan 95.83 %.

Gambar 12. Sebaran homogenitas
dengan umur petik SBM.

0.3

0.6

0.8

1.1

100

120

140

160

180

200

Umur Petik SBM (hr)

Homogenitas

Gambar 11. Sebaran nilai kontras
dengan umur petik SBM.

0.0

0.5

1.0

1.5

2.0

2.5

3.0

100

120

140

160

180

200

Umur Petik SBM (hr)

Kontras

Gambar 13. Grafiks RMSE tingkat mutu
model 1 dengan sejumlah
hidden pada iterasi 3000

0.0165

0.0170

0.0175

0.0180

0.0185

6

9

12

15

HIDDEN

RMSE

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

87

DAFTAR PUSTAKA

[1] Ashari, S., Hortikultura Aspek Budidaya,
Universitas Indonesia. Jakarta, 1995.
[2] Fausett, L., Fundamentals Of Neural
Network Architectures : Algorithm and
Applications, Prentice-Hall, Inc., 1994.
[3] Hagan, Martin T., Neural Network Design.
PWS Publishing Company, Inc., USA., 1995.
[4] Hamdani, Y., Pengembangan Algo-ritma
Image Processing Untuk Menentukan dan
Warna Buah Manggis. (Cucumis sativus L.),
Thesis, Fateta., IPB., Bogor, 1998.
[5] Haralick, RM., K. Shanmugam and Itshak
Dinstein, Textural Features For Image
Classification, IEEE Transac-tion On
System, Man and Cybernetics. 3(6): 610 –
621, 1973.
[6] Hendro Sunarjono, Pengenalan Jenis
Tanaman Buah-buahan Dan Bercocok
Tanam Buah-buahan Penting di Indonesia,
Sinar Baru, Bandung, 1981.
[7] Khres, Penentuan Tingkat Ketuaan dan
Kematangan Sawo Dengan Jaringan Syaraf
Tiruan Dari Spektrum Infra Merah, Thesis,
Fateta., IPB., Bogor, 2002.
[8] Nagy, S., P.E. Shaw dan M.K. Veldhuis..
Citrus Science and Techgnology. Volume 1.
The AVI Publishing Company Inc. Westport
Connecticut. 1997.
[9] Nata Widjaja, P.S.. Mengenal Buah-Buahan
Yang Bergizi. Penerbit Pustaka Dian.
Jakarta. 1993.
[10] Rukmana, R., Jeruk Nipis, Penebar
Swadaya, Jakarta, 1996.

[11] Rumelhart (Bishop, CM.), Neural Networks
For Pattern Recognition. Clarendan Press,
Oxford., NY., 1995.
[12] Sarwono, B., Khasiat & Manfaat Jeruk Nipis,
PT. Agro Media Pustaka, Jakarta, 2001.
[13] Stephens, Rod, Visual Basic Graphics
Programming : Hands-On Application And
Advanced Color Development. Wiley
Computer Publishing, Inc., Canada, 2000.
[14] Subiyanto, Pemakaian Jaringan Sya-raf
Tiruan Perambatan Balik Sebagai Cara Lain
Prakiraan Beban Jangka Pendek Di Jawa
Tengah D.I.Y., Tugas Akhir Teknik Elektro
Fakultas Teknik UNDIP., Semarang, 1998.
[15] Suryadi.. Dasar Pengolahan Citra . Seri
Diktat Kuliah. STI&K-STMIK Jakarta.
Jakarta, 1994.
[16] Webber, The Citrus Industry, Vol. 1.,
University California Press, 1943.

Riwayat Hidup

Zainul Arham, S.Kom., M.Si.
Tempat Tgl Lahir: Jombang, 30 Juli
1974
Menamatkan pendidikan di IPB Prog
Studi Ilmu Keteknikan Pertanian,
konsentrasi Tek. Agrosistem &

Informatika pada tahun 2003.
Saat ini bekerja sebagai staf pengajar pada
Universitas Islam Negeri Jakarta dan Konsultan
Telematika Barusaka.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

88

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

89

Pemodelan Pengaruh Knowledge Management
Untuk Pengembangan Sumber Daya Manusia

Mohamad Haitan Rachman

Multiforma Sarana Consultant, pt.
Bandung 40264, Indonesia
E-mail : haitan@multiforma.co.id

Abstract

Knowledge Management (KM) dapat mempercepat pembelajaran bersama untuk
mengembangkan sumber daya manusia yang mampu meningkatkan kemampuan
daya saing dan merespons perubahan pasar secara proaktif. Pemahaman
terhadap knowledge management sangat diperlukan untuk mengetahui
pengaruhnya dalam organisasi. Pendekatan kesisteman melalui system dynamic
dapat dipergunakan untuk mengetahui pengaruh knowledge management tersebut
dengan baik. Tulisan ini menjelaskan penggunaan system dynamic untuk
mengetahui pengaruh knowledge management dalam peningkatan sumber daya
manusia melalui pembelajaran bersama.

Keywords: Knowledge Management, System Dynamic, Human Resource Development

1. PENDAHULUAN

Sumber Daya Manusia (SDM) merupakan
aset yang sangat penting bagi perkembangan
setiap perusahaan untuk dapat mempertahankan
keberadaan perusahaan dalam era persaingan
terbuka dan global saat ini. Peningkatan kemam-
puan SDM untuk dapat menjalankan pekerjaannya
dengan lebih baik sangat diperlukan, oleh karena
itu hampir kebanyakan perusahaan mempunyai
agenda pelatihan secara rutin untuk mendukung
peningkatan SDM tersebut.
Sebenarnya proses pembelajaran tidak hanya
bertumpu pada pelatihan yang umum dilakukan,
tetapi dapat dilakukan dalam bentuk lainnya,
seperti dialog, tanya-jawab, berbagi pengalaman,
atau dokumen. Pelatihan merupakan bentuk
berbagi pengetahuan yang dikelola secara baik,
sedangkan yang lainnya belum dikelola dengan
baik. Pengetahuan merupakan sumber utama dari
proses pembelajaran tersebut. Oleh karena itu
pengembangan SDM ini sangat bergantung dari
pengetahuan yang dipelajarinya, dan mempunyai
pengaruh secara langsung terhadap perusahaan
itu sendiri.

Knowledge Management (KM) dapat
diterapkan untuk mendukung proses pengemba-
ngan sumber daya manusia melalui proses
knowledge sharing (berbagi pengetahuan) secara
lebih terstruktur. Pendekatan-pendekatan yang
cocok untuk penerapan knowledge management
sangat bergantung pada tujuan-tujuan yang ingin
dicapainya dengan baik.
Systems Dynamic (SD) merupakan teknik
yang cukup populer untuk memahami perilaku dari

sebuah sistem dengan baik (1,2)

. Dan tulisan ini
menjelaskan satu model SD untuk menjelaskan
KM dalam proses pengembangan SDM.

2 KNOWLEDGE MANAGEMENT

Telah menjadi satu konsensus umum bahwa
pengetahuan marupakan dasar kompetisi dan
efektifitas operasi bisnis dalam setiap perusahaan.
Pengetahuan sebagai sumber bisa hilang dari
lingkungan organisasi dikarenakan beberapa
sebab, seperti kematian, mutasi kerja, bahkan
mungkin pindah kerja ke perusahaan lain yang
menjadi kompetitor. Sehingga pada prinsipnya
adalah kehilangan pengetahuan merupakan
kehilangan investasi yang sudah dilakukan
perusahaan, karena pengetahuan diperoleh
melalui proses pembelejaran dan pengalaman
yang cukup panjang.
Knowledge Management (KM) dapat
dipandang dari dua sisi yaitu secara operasional
dan strategis. KM secara operasional artinya KM
merupakan aktifitas organisasi dimana terjadi
pengembangan dan pemanfaatan pengetahuan,
sedangkan KM secara strategis artinya KM
merupakan langkah untuk memantapkan setiap
organisasi sebagai organisasi yang berbasis
pengetahuan.

Knowledge Management (KM) dapat
didefinisikan sebagai satu set (himpunan)
intervensi orang, proses dan tool (teknologi) untuk
mendukung proses pembuatan, pembauran,
penyebaran dan penerapan pengetahuan (3)

.
Knowledge Management (KM) merupakan proses
yang terus-menerus harus dilakukan sehingga

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

90

proses tersebut akan menjadi satu budaya dari
perusahaan tersebut, dan akhirnya perusahaan
akan membentuk organisasi yang berbasis pada
pengetahuan.

Projek Knowledge Management (KM) dapat
diklasifikasikan dalam beberapa tipe yaitu (4)

:

1. Mengumpulkan dan menggunakan ulang
pengetahuan terstruktur. Pengetahuan sering
tersimpan dalam beberapa bagian dari output
yang dihasilkan perusahaan, seperti disain
produk, proposal dan laporan projek, prosedur-
prosedur yang sudah diimplementasikan dan
terdokumentasikan dan kode-kode software
yang mana semuanya dapat dipergunakan
ulang untuk mengurangi waktu dan sumber
yang diperlukan untuk membuatnya kembali.
2. Mengumpulkan dan berbagi pelajaran yang
sudah dipelajari (lessons learned) dari praktek-
praktek. Tipe projek ini mengumpulkan penge-
tahuan berasal dari pengalaman yang harus
diinterpretasikan dan diadopsi oleh user dalam
kontek yang baru. Projek ini biasanya melibat-
kan sharing pengetahuan atau pelajaran
melalui database seperti lotus notes.
3. Mengidentifikasi sumber dan jaringan
kepakaran. Projek ini bermaksud untuk menja-
dikan kepakaran lebih mudah terlihat dan
mudah diakses bagi setiap karyawan. Dalam
hal ini adalah untuk membuat fasilitas koneksi
antara orang yang mengetahui pengetahuan
dan orang yang membutuhkan pengetahuan.
4. Membuat struktur dan memetakan pengeta-
huan yang diperlukan untuk meningkatkan
performansi. Projek ini memberikan pengaruh
seperti pada proses pengembangan produk
baru atau disain ulang proses bisnis dengan
menjadikan lebih explisit atau terbuka dari
pengetahuan yang diperlukan pada tahap-
tahap tertentu.
5. Mengukur dan mengelola nilai ekonomis dari
pengetahuan. Banyak perusahaan mempunyai
aset intelektual yang terstuktur, seperti hak
patent, copyright, software licenses dan data-
base pelanggan. Dengan mengetahui semua
aset-aset ini memungkinkan perusahaan untuk
membuat revenue dan biaya untuk
perusahaan.

6. Menyusun dan menyebarkan pengetahuan
dari sumber-sumber external. Perubahan
lingkungan bisnis yang cepat dan tidak
menentu telah meningkatkan kepentingan dan
kesungguhan pada business intelligence
system. Dalam projek ini perusahaan
berusaha mengumpulkan semua laporan dari
luar yang berhubungan dengan bisnis. Dalam
projek ini diperlukan editor dan analyst untuk
menyusun dan memberikan konteks terhadap
informasi-informasi yang diperoleh tersebut.

Penerapan KM akan memberikan pengaruh
terhadap proses bisnis perusahaan:

1. Penghematan waktu dan biaya. Dengan
adanya sumber pengetahuan yang terstruktur
dengan baik, maka perusahaan akan mudah
untuk menggunakan pengetahuan tersebut
untuk konteks yang lainnya, sehingga
perusahaan akan dapat menghemat waktu
dan biaya.
2. Peningkatan aset pengetahuan. Sumber
pengetahuan akan memberikan kemudahaan
kepada

setiap

karyawan

untuk

memanfaatkannya,

sehingga

proses
pemanfaatan pengetahuan di lingkungan
perusahaan akan meningkat, yang akhirnya
proses kreatifitas dan inovasi akan terdorong
lebih luas dan setiap karyawan dapat
meningkatkan kompetensinya.
3. Kemampuan beradaptasi. Perusahaan akan
dapat dengan mudah beradaptasi dengan
perubahan lingkungan bisnis yang terjadi.
4. Peningkatan produktfitas. Pengetahuan yang
sudah ada dapat digunakan ulang untuk
proses atau produk yang akan dikembangkan,
sehingga produktifitas dari perusahaan akan
meningkat.

3. MODEL SIMULASI

Tulisan ini memberikan satu model pengaruh
penerapan knowledge management (KM) untuk
pengembangan sumber daya manusia (SDM)
dalam perusahaan pengembangan sistem
teknologi informasi. Perusahaan yang bergerak
dalam bidang teknologi informasi sangat kental
dengan penyimpanan dan penggunaan sumber
pengetahuan untuk menyelesaikan projek atau
pengembangan sistem. Sehingga proses
pembelajaran

untuk

mendukung

proses
pengembangan SDM tidak hanya bertumpu pada
proses pelatihan formal saja, tetapi mungkin
diperoleh melalui pengalaman atau diskusi-diskusi.
Untuk membangun model pengaruh KM pada
proses pengembangan SDM dapat digunakan
diagram cuase-effect. Dan dari diagram ini akan
mudah dibangun simulasi yang menggunakan
teknik System Dynamic.
Personal knowledge (pengetahuan yang
dimiliki pribadi) akan membentuk organizational
knowledge

(pengetahuan

yang

dimiliki
perusahaan). Bertambahnya pengetahuan yang
dimiliki pribadi akan bertambahnya pula
pengetahuan yang dimiliki oleh perusahaan, atau
sebaliknya (Gambar 1).

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

91

Personal
Knowledge

Organizational
Knowledge

+

+

Gambar 1. Interaksi Pengetahuan Pribadi dan
Perusahaan

Peningkatan pengetahuan dari setiap staff
akan mendorong berbagi pengetahuan satu sama
lain. Kemampuan atau pengetahuan pribadi ini
akan meningkatkan produktifitas kerja sehingga
penyelesaian pekerjaan juga akan meningkat. Dari
tugas-tugas yang diberikan dari pekerjaan akan
memberikan pengalaman, dokumen atau template
yang dipakai sehingga akan menambah juga
pengetahuan pribadi (Gambar 2).

Personal
Knowledge

Organizational
Knowledge

+

+

Produktifitas

Penyelesaian
Pekerjaan

Interaksi Antar
Pribadi

+

+

+

+

+

Gambar 2. Pengembangan Pengetahuan Pribadi

Pengetahuan yang staff bisa saja hilang
dikarena beberapa hal, seperti keluar dari
perusahaan, pindah ke departemen lain,
pengetahuan yang usang atau diperbaharui
(Gambar 3).

Personal
Knowledge

Organizational
Knowledge

+

+

Produktifitas

Penyelesaian
Pekerjaan

Interaksi Antar
Pribadi

+

+

+

+

+

Pengetahuan
Berubah

-

-

Staff

+

Rekrutasi

Keluar

Kehilangan PK

Kehilangan OK

Peningkatan PK

Peningkatan OK

+

+

+

-

-

-

+

Gambar 3. Perubahan PK dan OK

Kejadian-kejadian seperti ini banyak memberikan
pengaruh cukup besar bagi perusahaan seperti
perusahaan teknologi informasi, sehingga perlu
dicarikan solusinya. Knowledge management
dapat menjadi solusi untuk masalah-masalah
seperti di atas, karena pengetahuan menjadi
mudah diakses dan disimpan secara baik (Gambar
4).

Personal
Knowledge

Organizational
Knowledge

+

+

Produktifitas

Penyelesaian
Pekerjaan

Interaksi Antar
Pribadi

+

+

+

+

+

Pengetahuan
Berubah

-

-

Staff

+

Rekrutasi

Keluar

Kehilangan PK

Kehilangan OK

Peningkatan PK

Peningkatan OK

+

+

+

-

-

-

+

Aktifitas KM

Perubahan PK
menjadi OK

Perubahan PK
menjadi PK

Perubahan OK
ke PK

Gambar 4. KM Sebagai Solusi Pemindahan
Pengetahuan

Aktifitas

knowledge

management

dapat
meningkatkan perpindahan pengetahuan PK-PK,
OK-PK, dan PK-OK.

4. KESIMPULAN DAN RISET LANJUTAN

Knowledge management merupakan langkah
strategis untuk perusahaan dalam proses
pengembangan sumber daya manusia yang
mempunyai pengetahuan pribadi yang dapat
meningkatkan produktifitas dan pengetahuan
perusahaan. Diagram cause-effect dapat
memberikan kemudahan untuk memahami
pengaruh knowledge management dalam
perusahaan dengan baik.
Model ini perlu terus dikembangkan untuk
memungkinkan lebih mengetahui terhadap
pengaruhhnya apabila diterapkan teknologi
informasi

untuk

mendukung

knowledge
management, dan juga dapat dikaji tentang
pengaruh sistem manajemen perusahaan untuk
kelancaran penerapan knowledge management.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

92

DAFTAR PUSTAKA

1. MIT. Road Maps: A Guide to Learning System
Dynamics.

2. Kirkwood, Craig W. System Dynamics Methods:
A Quick Introduction. College of Business
Arizona State University, 1998.
3. Kotnour, T., Orr, C., Spaulding, J. and Guidi, J.
(1997). Determining the Benefit of Knowledge
Management

Activities.

International
Conference on Systems, Man, Cybernetics. 94-
99. Orlando, Florida.

4. Davenport, T., De Long, D. and Beers, M.

Research Note: What is a Knowledge
Management Project?.

http://www.businessinnovation.ey.com/mko/pdf/
KMPRES.PDF.

RIWAYAT PENULIS

Mohamad Haitan Rachman
lahir di kota Bandung tanggal 2
Agustus

1966.

Sedang
mengikuti pendidikan S3 dalam
bidang

Knowledge
Management di Multimedia
University (MMU), Cyberjaya
Malaysia. Saat ini sedang
memimpin sekolah tinggi
manajemen ilmu komputer
(STMIK) Mahakarya, Jakarta, dan perusahaan
yang bergerak dalam solusi manajemen dan IT,
PT Multiforma Sarana Consultant, Bandung. Dapat
dikontak melalui email haitan@multiforma.co.id.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

93

VISUALISASI DAN DATABASE PENGISIAN BOTOL
PADA INDUSTRI KIMIA BERBASIS MIKROKONTROLER
DENGAN PEMROGRAMAN VISUAL BASIC 6.0

A. Sofwan, M. Abror dan O.Namara

Jurusan Teknik Elektro - Fakultas Teknologi Industri, Institut Sains dan Teknologi Nasional
Jl. Moh. Kahfi II, Jagakarsa, Jakarta 12640, Tel. 021-79195268, Fax. 79195269
E-mail: mtm-istn@indo.net.id

Abstract

The safety factor of system operator in chemical industry is very important for the
system operator. In these globalization era where the operation controller machine
is remotely operated, the operators can work in safety room for controlling of
chemical product area as dangerous localisation. One of the applications of
chemical production process in this research is a visualization and product
database of water vessel filling. In this liquid filling process is used a
microcontroller type MCS-51 as a transmitter and as data receiver of used sensor.
Beside that, installed computer and his database were operated on real time to
make a with various parameter integrated system. The process of production
control consists of 4 steps, which are process monitoring, quality control, reporting
and product data archive.

Keywords: Visualisasi, Industri kimia, Visual Basic, Mikrokontroller, Keselamatan
kerja.

I. Pendahuluan

Produktivitas dalam sebuah industri dewasa ini
dilaksanakan dengan menggunakan otomatisasi
mesin termasuk juga didalamnya proses yang
terintegrasi. System otomatisasi digunakan pada
suatu industri seperti industri kimia adalah untuk
meningkatkan kualitas dan kuantitas keluaran
(output) dari sebuah mesin dan sekaligus hal itu
menggantikan operator yang dijalankan oleh
manusia. Terutama dalam hal pengoperasian dan
pengendalian mesin dengan bantuan alat-alat
pengontrolan yang bersifat elektronik dan
komputer serta pemrogramannya.

Seiring dengan lajunya waktu ke waktu, proses
otomatisasi tersebut dapat terus mengalami
penyempurnaan seperti halnya visualisasi proses
produksi. System tersebut dapat mengontrol
proses produksi secara remote / jarak jauh,
merekam setiap aktivitas produksi yang sedang
berjalan, serta mencatat hasil produksi secara
langsung ke dalam sebuah database. Hal ini
diperlukan terutama bagi pengolahan industri kimia
yang tidak diperkenankan bersentuhan secara
langsung.

Semua hal itu dilakukan dengan perantara
seperangkat komputer yang dapat dihubungkan

dengan jaringan, sehingga setiap informasi yang
berkaitan dengan aktivitas produksi dapat
langsung

diketahui,

dikendalikan

serta
dikoordinasikan oleh operator dan pihak yang
membutuhkannya dalam jarak tertentu. Dengan
demikian akan sangat membantu operator dalam
meningkatkan kwalitas kerjanya.

Pada penjelasan penelitian yang diuraikan dalam
makalah ini, system tersebut akan diujicobakan
untuk diterapkannya pada suatu bagian dari
industri kimia yaitu pada proses pengisian botol
atau bejana. Proses pengisian ini merupakan
suatu sistem yang terintegrasi yang dgerakkan
oleh sebuah motor. Dalam hal ini seorang operator
tidak diperkenan untuk berada terlalu sering pada
lokasi produksi, ia dapat tetap berada di ruang
operator ataupun ruang kendali utama. Hal itu
disebabkan untuk menghindari efek kimia yang
berbahaya secara langsung. Dengan demikian
operator cukup mengawasi proses produksi dan
pencatatannya dari sebuah ruangan yang aman
dari efek kontaminasi tersebut.
Selain itu dalam ruangan tersebut sudah
terpasang seperangkat komputer yang dapat
digunakan dan terhubung secara langsung dengan
sebuah mikrokontroler sebagai pengendali mesin
produksi, terutama untuk proses yang dianggap
cukup berbahaya bagi manusia. Dengan demikian

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

94

keselamatan kerja bagi operator di bidang industri
kimia dapat ditingkatkan.

II. Konfigurasi

Konfigurasi sistem secara keseluruhan dapat
dibedakan menjadi 3 (tiga) bagian utama, yaitu:
Seperangkat PC (Personal Computer), Kontroler
yang dipilih beserta sistem pengamanannya dan
mesin produksi sebagai bagian yang dikendalikan.
Hal itu terpampang dengan jelas pada gambar 1
dibawah ini:

Gambar 1. Diagram Blok

PC

PC atau Personal Computer digunakan sebagai
GUI (Graphical User Interface) yang berfungsi
untuk mengendalikan dan sekaligus memonitoring
sistem serta menyimpan data-data produksi guna
pengarsipan.

Adapun perangkat software minimal yang
dibutuhkan dalam sistem ini yaitu: Microsoft
Windows, program visualisasi pengisian botol &
program database.

Program visualisasi tersebut selain menampilkan
simulasi aktivitas produksi yang sedang berjalan
dengan juga menampilkan tombol start, tombol
data dan tombol maintenance yang dapat diklik
untuk melakukan fungsi-fungsi tertentu. Hal itu
dianggap sebagai menu utama.

Sedangkan program database digunakan sebagai
penyimpan data-data produksi yang sedang
berjalan ke dalam komputer. Adapun bentuk dari
visualisasi sistem pengisisan cairan pada suatu
bejana dapat dilihat pada gambar 2 dibawah ini:

Gambar 2.
Program visualisasi pengisian botol

Secara keseluruhan, sistem tersebut terdiri dari
beberapa bagian utama, yaitu:

Kontroler

Kontroler ini merupakan alat pengendali dari
sistem ini dan dipilih untuk menggunakan
Mikrokontroler jenis MCS-5`1 yang juga telah
diprogram untuk mengendalikan mesin mesin
produksi.

Mesin Produksi

Pada bagian mesin produksi Pengisian Botol
digunakan berbagai perangkat, yaitu: Konveyor
beserta motor penggeraknya, mesin pompa,
solenoid, limit switch dan level tank. Sistem
tersebut dapat dilihat pada gambar 3 berikut:

Gambar 3. Mesin Produksi Pengisian Botol

III. Prosedur Operasi

Operator dapat menggunakan software program
visualisasi pengisian botol untuk beberapa fungsi
dengan mengklik tombolnya melalui mouse,
sebagaimana terlihat pada gambar 4. Tombol
fungsi tersebut terdapat 3 tombol utama, yaitu:

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

95

Gambar 4. Tombol Fungsi

Tombol Start

Tombol Start digunakan untuk mengaktifkan
sistem pengisian botol yang akan berjalan secara
otomatis.

Conveyor

akan

aktif

untuk
menggerakkan ban berjalan. Dengan demikian
bejana yang akan diisi akan bergerak ke arah dan
dengan batas tertentu hingga menyentuh limit
switch. Selain itu ada pula tombol STOP.

Setelah tombol Stop ditekan, maka tulisan START
yang ada pada tombol akan berubah menjadi
STOP. Tombol Stop berfungsi untuk mengakhiri
atau mematikan sistem yang sedang berjalan,
sehingga sistem tidak lagi bekerja.

Tombol Data

Tombol Data digunakan untuk memanggil program
Database Produksi. Program ini secara otomatis
akan mencatat jumlah produksi dan status mesin
produksi beserta waktu pengoperasiannya.
Dengan demikian data akan terrecord secara
otomatis, sehingga dapat mengurangi human error
yang seringkali terjadi. Bentuk Database tersebut
ditampilkan pada gambar 5 berikut.

Gambar 5. Program Database

Tombol Maintenance

Tombol Maintenance berfungsi untuk mengetahui
atau mencari informasi tentang letak gangguan
yang terjadi pada mesin produksi apabila timbul
suatu masalah atau kerusakan. Ketika terjadi
kerusakan di salah satu komponen dari mesin
produksi secara otomatis sehingga mudah
diketahui oleh operator. Komputer akan
memberitahukan melalui program visualisasi
dengan suara beep dan gambar komponen pada
program visualisasi yang berkedap-kedip. Hal itu
menandakan bahwa bagian yang berkedip
tersebut tidak dapat berjalan dengan sempurna
ataupun terjadi kerusakan.

Namun demikian kerusakan tidak selalu berada
pada bagian yang oleh program visualisasi
ditunjukkan berkedip-kedip. Untuk itu diperlukan
tombol-tombol tester yang fungsinya untuk
mengetes / menguji satu persatu komponen yang
ada. Tombol-tombol tester tersebut muncul setelah
tombol maintenance ditekan atau diklik. Hal ini
merupakan upaya pencarian kesalahan secara
manual. Dengan demikian sistem ini dapat
mengkombinasikan antara otomatisasi dengan
manual. Beberapa tombol tester pada industri
tersebut dapat ditampilkan gambar 6 dibawah ini.
Pada lokasi-lokasi utama perlu diletakkan dan
ditempatkan tombol tombol tersebut.

Gambar 6. Tombol-tombol Tester

IV. Deskripsi Kerja Sistem

Master on system dapat dipaparkan dengan
menekan tombol Start atau diklik, maka software
tersebut akan mendeteksi dan memberikan semua
informasi yang ada pada mesin produksi serta
mengaktifkannya, yaitu diantaranya:

- Level Tank visualisasi pada komputer
menunjukkan keadaan sebenarnya pada
Mesin Produksi. Seberapa banyak air yang
tersedia bagi pengisisan botol dapat dikontrol.
Bila air yang tersedia berkurang maka dapat
mengaktifkan pompa untuk mengisinya
kembali.
- Pompa akan bekerja untuk mengalirkan air
dari tangki 1 ke tangki 2. Jika tangki 2 tidak
penuh, ditandai pula dengan perubahan

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

96

warna pompa visualisasi pada komputer dari
warna merah menjadi hijau sebagai indikator
kerja pompa.
- Konveyor pada mesin produksi aktif atau
berjalan ditandai dengan visualisasi motor
yang berubah warna dari merah menjadi hijau
serta konveyor akan tampak berjalan /
bergerak.
- Botol sebagai bejana zat cair yang bergerak
melalui konveyor dan juga dapat tampak
visualisasinya pada komputer. Bila botol yang
bergerak tersebut akan menyentuh limit
switch maka akan menyebabkan konveyor
berhenti berjalan dan katup solenoid terbuka.
Hal tersebut akan terulang kembali setiap ada
botol yang melalui limit switch tersebut.
- Setelah botol terisi penuh, katup solenoid
kembali tertutup dan selanjutnya konveyor
dapat kembali berjalan.

Proses tersebut akan dapat terus berulang
kembali hingga saat tombol Stop yang tersedia
ditekan. Dengan tertekannya tombol tersebut
maka dapat untuk menghentikan aktivitas produksi
dan proses berakhir/selesai.

V. Kesimpulan

Kelebihan menggunakan sistem visualisasi &
Database pada Industri Kimia yaitu:
- Mengurangi efek negatif dari bahan kimia yang
dihadapi oleh operator.
- Mempermudah pengawasan atas mesin
produksi.
- Laporan data produksi yang lebih cepat dan
akurat.
- Dapat langsung diakses oleh pihak yang
berkepentingan melalui komputer yang
terhubung dengan jaringan.

Kekurangan
- Pembuatannya yang tidak efisien.
- Biaya yang terlalu mahal.
- Penempatan PC sebagai server yang cukup
banyak memakan tempat.

References:

1. Simulasi Penggunaan Scada untuk Visualisasi
Proses Produksi pada instrumen Mixer Tank –
A. Syaefudin, Jakarta, 2003.
2. Aplikasi Programmable Logic Controller dalam
Industri Proses Pengisian Bejana – S. E.
Kuncoro, Jakarta, 2003.
3. Pemrograman Visual Basic 6, Elek Media
Komputindo, 2000
4. Aplikasi Visual Basic Dalam Industri Manufaktur,
Elek Media Komputindo, 2002.

RIWAYAT PENULIS

A.Sofwan, Ia dilahirkan di Jakarta 42 tahun yang
lalu. Menamatkan S1 di ISTN, S2 di UI dan S3 di
Universitas Bremen, Jerman. Kini ia menjadi
dosen di ISTN dan ditugaskan dalam Pengelolaan
Pascasarjana ISTN.

M.Abror, merupakan peneliti dan sekaligus
sebagai mahasiswa yang sedang menyelesaikan
tugas akhir dibawah bimbingan A.Sofwan

Otto Namara, merupakan peneliti dan
wirauasahawan sekaligus sebagai alumni yang
senang berinteraksi dengan tema penelitian
tersebut diatas.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

97

PENGATURAN SISTEM KERJA KECEPATAN MOTOR
DC PADA MESIN PRODUKSI KEMPA TABLET
BERBASIS FUZZY

A.Sofwan dan A.Irfan

Institut Sains Dan Teknologi Nasional
Jl.Moh.Kahfi II.Jagakarsa Jakarta 12640
E-mail: mtm-istn@indo.net.id

Abstract

The Fuzzy Logic control has presented for a speed controlling of DC motor of
Tablet product machine “kempa tablet” The Fuzzy Logic control is a summe of
functions, which are built on the MATLAB. Control system based on designed of
motor DC with programmable fuzzy logic from computer programs. The Fuzzy
Logic Toolbox in MATLAB is a tool for problemsolving with fuzzy logic principle.
Research by this program is very interest, because it can make a good result of
linearity of some problem parameters. This Paper discusses about a models of
linear, time invariant (LTI) dynamical systems using functions from the Control
System Toolbox. It begins by developing a simple single-input, single-output
(SISO) model of a DC motor and describes the various model representations.
Typically, control engineers is began by a developing a mathematical description of
the dynamical system.This to-be-controlled system is called a plant. An used plant
in this research is the DC motor. This research develops the differential equations
that describe the electromechanical properties of a DC motor with an inertial load.
The result shows a good linearity models of used Control System Toolbox.

Keywords : speed, control, motor DC and fuzzy logic

1. PENDAHULUAN

Saat ini banyak alat-alat yang memerlukan putaran
kecepatan Motor arus searah (DC), tetapi jarang
digunakan pada aplikasi industri umum karena
semua sistem untiliti listrik di perlengkapi dengan
perkakas arus bolak-balik. Meskipun demikian,
untuk aplikasi atau kasus khusus, adalah dapat
menguntungkan jika mengubah arus bolak-balik
menjadi arus searah dengan menggunakan motor
DC. Hal itu terutama pada aplikasi mesin kempa
tablet berbasis Fuzzy. Mesin yang dimaksud
Motor arus searah digunakan dimana kontrol torsi

dan kecepatan dengan rentang yang lebar
diperlukan untuk memenuhi kebutuhan aplikasi.
Makalah ini menjelaskan mengenai tahap-tahap
perancangan sistem pengedali kecepatan motor
DC.

2. Perancangan Sistem Motor DC

Dari penjelasan makalah ini, diketahui bahwa
kecepatan motor DC dapat diatur dengan
menggunakan pengendali. Ilustrdari sistem
pengendali kecepatan motor DC diberikan oleh
gambar.1.

PENGENDALI

PLANT

-

+

r

u

y

Gambar 1
Pengendali Kecepatan Diagram Blok Sistem Motor

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

98

Dari gambar 1 dapat dilihat prinsip kerja
pengendali yang berguna untuk mempertahankan
kondisi perputaran motor yang mana akibat
perputaran ini bisa menghasilkan kecepatan
motor yang akan dikendalikan oleh pengendali dan
close loop (loop tertutup) umpan balik akan
membantu pengendali untuk menentukan nilai
response yang dihasilkan input r (masukan)
maupun output y (keluaran) sehingga nantinya
hasil keluaran sesuai dengan hasil yang
diinginkan.

Adapun keluaran y merupakan kecepatan motor
DC (Arus Searah) dari sistem motor yang
bebasiskan pada simulasi komputer dengan
software MATLAB. Data motor DC yang digunakan
dalam simulasi MATLAB tersebut, menggunakan
data motor dari web site www.engin.umich.edu [3]
sebagai berikut:

Keluaran ini akan diberikan kembali sebagai
umpan balik kepada pengendali. Dalam
merancang pengendali yang akan digunakan,
perlu dilihat terlebih dahulu keluaran open loop
(lup terbuka) dari sistem motor DC. Untuk
mendapatkan persamaan ruang keadaan sistem
motor DC maka parameter pada tabel 1
dimasukkan ke dalam persamaan yang didapat
dengan menggunakan bantuan MATLAB.
Selanjutnya akan didapatkan matriks A, B, C, D
dari bentuk umum model persamaan ruang
keadaan sistem motor DC untuk kecepatan.

Tabel 1 Parameter motor DC untuk kecepatan

J

Momen Inersia

0.01 kg.m2

/s2

F Koefisien gesekan

0.1 Nms

Ka

Konstanta
pembanding

0.01
Nm/Amp

Kb

Konstanta g.g.l
balik

0.01
Nm/Amp

Ra

Resistansi

1 Ohm

La

Induktansi

0.5 H

Model persamaan tersebut dinyatakan dalam
bentuk berikut:

Du

Cx

y

Bu

Ax

x

+
= +

=

( 1)

dan matriksnya sebagai berikut :



−−

=

00
.
2

02
.
0

00
.
1

00
.
10

A

;



=

20

B

[ ]

0

1

=

C

[ ]

0

0

=

D

(II)

Selanjutnya, dibuat simulasi dari sistem motor DC
dengan Lup terbuka (Open Loop), seperti dalam
gambar 2 berikut ini :

Gambar .2
Simulasi lup Terbuka Sistem Motor DC

Hasil Gambar 2 didasari dari rumus :

)

(

1

2

2

2

2

dt

d

F

I

K

J

dt

d

dt

d

F

T

dt

d

J

a

a

θ

θ

θ

θ

=

=

)

(

1

dt

d

K

V

I

R

L

dt

di

e

V

I

R

dt

di

L

b

a

a

a

a

a

a

a

a

a

θ

+

=

+

=

Pada gambar 2 nilai input kendali V merupakan
step input yang dikolerasikan dengan waktu t=0,
jadi nilai yang diberikan untuk referensi adalah 0,
karena tujuan dari sistem adalah agar keluaran
sistem harus kembali menuju ke kondisi awal.

Setelah simulasi dijalankan maka akan didapatkan
keluaran y sebagai kecepatan motor DC sebagai
berikut (pada Gbr 3 )

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

99

Gambar 3
Keluaran Lup Terbuka dari simulasi Sistem motor DC

Dari Gambar 3 diatas Terlihat bahwa keluaran dari
sistem motor Dc ini memiliki waktu penetapan
(settling time) sekitar 2,07 detik dan parameter
kecepatan 0.1 rad/s, sehingga sistem ini masih
kurang sempurna dan kurang memuaskan sebab
sistem ini membutuhkan waktu penetapan (settling
time) yang sangat lama jadi respon sistem ini
kurang praktis dan dari parameter kecepatan yang
telah ditetapkan respon sistem membutuhkan
waktu sekitar 3 detik untuk mencapai keadaan
tunak (steady state). Jadi yang diinginkan adalah
ketika peralatan ini dihidupkan, motor harus
berkombinasi dengan sistem secepat mungkin dan
sistem mencapai keadaan tunak dengan waktu
yang cepat. Maka dari itu perlu adanya pengendali
untuk mengendalikan sistem tersebut yang
mengatur besar amplitude dan waktu penetapan,
sehingga kecepatan motor dc ini konstan dan
seimbang tanpa mengalami overshoot.

Untuk menentukan pengendali apa yang sesuai
untuk sistem maka, program MATLAB
menyediakan suatu fasilitas yang gunanya untuk
melihat kestabilan sistem yaitu Root Locus.

Maka dari itu bisa dilihat kestabilan sistem dari
persamaan Transfer Function yaitu persamaan:

}

)

)(

{(

)
()

(

)

(

)

.

(

b

a

a

a

a

a

a

f

f

m

K

K

F

sJ

sL

R

s

K

s
V s

s

G

+

+

+

=

Dengan memasukkan persamaan tersebut ke
dalam program MATLAB dengan fasilitas Root

Locus maka akan terlihat gambar sebagai berikut:

Gambar 4
Diagram Root Locus dari sistem motor DC

Dari gambar terlihat bahwa ada satu pasang
poles pada sumbu nyata (real-axis) dalam gambar
tersebut yaitu poles yang terletak disebelah kiri
pada sumbu nyata bernilai –10 dan poles yang
terletak di sebelah kanan pada sumbu nyata (real
axis) bernilai –2. Sekarang yang dibutuhkan dari
sistem ini adalah waktu penetapan (settling time)
dan overshoot sekecil mungkin. Damping yang
besar yang cocok untuk titik pada root locus dekat
sumbu nyata (real axis) dan respon cepat dari
sistem yang cocok untuk titik pada root locus jauh
di sebelah kiri dari sumbu imajiner (imaginary axis).

Untuk menemukan gain yang cocok untuk titik
pada root locus, maka dari fasilitas MATLAB
berupa perintah rlocfind, maka bisa ditemukan
gain dan plot step response. Dengan simulasi dari
MATLAB terlihat gambar diagram Root Locus.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

100

Gambar 5
Diagram Root Locus dari sistem motor DC

Dan selanjutnya pilih titik pada root locus
pertengahan garis antara sumbu nyata dan
damping. Maka dari program MATLAB akan
mengeluarkan output dari pemilihan titik yang
sudah dilakukan maka akan didapatkan
keluarannya berupa pemilihan point yang dipilih,
gain (k) dan poles. Keluarannya sebagai berikut:

selected_point =

-5.9966 + 2.0375i
k = 10.0658

poles =
-6.0000 + 2.0375i
-6.0000 - 2.0375i

Gambar 6
Step Response sistem dengan Gain 10

Kemudian setelah MATLAB digunakan maka akan
memberikan keluaran – keluaran, secara otomatis.

Gambar 5 akan berubah menjadi gambar step
response dengan gain 10. dan selanjutnya
gambarnya akan terlihat seperti pada gambar 3.6.
Seperti yang terlihat, bahwa sistem ini over
damped dan waktu penetapannya (settling time)
sekitar 1 detik. Jadi dengan waktu penetapan
(settling time) yang cepat dan tanpa overshoot
yaitu overshootnya 0%, maka sistem ini
memuaskan, tapi yang jadi masalah sekarang
adalah terlihat dari gambar 3.6. Hal itu
menunjukkan bahwa untuk steady state errornya
hingga mencapai 50 %. Jika gain dinaikkan untuk
mengurangi steady-state error, maka yang terjadi
adalah overshoot akan menjadi besar.
Berdasarkan hal tersebut maka diperlukan
pengendali untuk mengurangi steady-state error
dan pengendali yang cocok untuk sistem ini dan
sudah terbukti tingkat kestabilannya adalah
pengendali Fuzzy logic.

3. HASIL DARI PERENCANAN

Hasil dari metode fuzzy logic pada mesin kempa
tablet ini pada kecepatan motor DC dapat dilihat
pada matlab dari parameter diatas, maka akan
didapatkan Step Response pada pengendali Fuzzy
Logic tersebut dari system gain 10 (Lihat gambar
6) untuk steady state errornya mencapai 50 %
dengan menaikkan gain, maka akan terjadi nilai
kestabilan yang stabil.

DAFTAR PUSTAKA

1. Benjamin C.Kua, Automatic Control System,
seventh edition, Prentice Hall Inc, 1995
2. Katsuhiko Ogata, Tehnik Kontrol Automatik,
Erlangga, Jakarta, 1997
3. www.engin.umich.edu
4. Delores M.Etter and David C. Kuncicky with
Doug Hull, Introduction to MATLAB 6, Prentice
Hall Inc, 2002

RIWAYAT PENULIS

A.Sofwan, Ia dilahirkan di Jakarta 42 tahun yang
lalu. Menamatkan S1 di ISTN, S2 di UI dan S3 di
Universitas Bremen, Jerman. Kini ia menjadi dosen
di ISTN dan ditugaskan dan diperbantukan dalam
Pengelolaan Pascasarjana ISTN.

Ahmad Irfan (24 th ) Jakarta 18 September 1980
pendidikan di ISTN Jakarta Jurusan Elektro S1
tahun 1999 - sekarang. Organisasi yang pernah
diikuti Anggota ROHIS ISTN dan juga pernah
mengikuti kursus mikrokontroller, advance PLC
Mitstubishi.

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

101

ALGORITHMA UNTUK DETEKSI QRS SINYAL ECG

Pratondo Busono1,2)

, Eddy Susanto2)

, Wiewie2)

, dan Yuliana Sadeli2)

1)

Bidang Teknologi Alat Kesehatan
Pusat Pengkajian dan Penerapan Teknologi Farmasi dan Medika
Deputi Teknologi Agroindustri dan Bioteknologi
BPPT

2)

Jurusan Teknik Informatika
Fakultas Ilmu Komputer
Universitas Bina Nusantara
Jakarta

Abstract

The heart failure is the most common reasons of death nowdays, but if the medical
help is given directly, the patient’s life may be saved in many cases. Numerous
heart deseas can be detected by means of analysing cardiogram. This paper
presents an algorithm for extracting characteristic features of ECG signals. The
features are used to detect lifethreatening arrhytmias.

Keywords: ECG, QRS detection

I. PENDAHULUAN

Jantung merupakan bagian terpenting
dalam sistem peredaran darah manusia. Bagian ini
selalu berkontraksi memompa darah keseluruh
tubuh. Gerakan kontraksi otot jantung tersebut
menghasilkan impuls ritme yang teratur. Pada
keadaan normal, jantung bagian atria akan

berkonstraksi lebih cepat dari pada bagian
ventrikel sehingga terjadi pengisian darah di
ventrikel sebelum dipompa ke seluruh tubuh.
Pada jantung terdapat beberapa sel pemicu
denyut jantung yang dapat merubah sistem
kelistrikan jantung. Sinyal ECG mereflesikan
peristiwa kelistrikan yang terjadi dalam jantung.
Aktifitas kelistrikan dalam jantung ini dapat

direkam pada permukaan tubuh manusia,
khususnya pada lokasi-lokasi tertentu.
Elektrokardiogram merupakan alat yang
dapat digunakan untuk mengukur potensial listrik
sebagai fungsi waktu yang dihasilkan oleh jantung.
Perbedaan potensial tersebut divisualisasikan
sebagai sinyal pada layar monitor. Sebuah siklus
sinyal ECG pada jantung sehat seperti yang

ditunjukan oleh gambar 1, biasanya merupakan
gabungan dari gelombang P, Q, R, S, T dan U.
Masing-masing

gelombang

tersebut

merepresentasikan proses kelistrikan jantung [2].
Kegunaan elektrokardiogram ini yang sangat
bermanfaat untuk mengetahui kondisi jantung
pasien, sehingga menjadikan alat ini sebagai
peralatan standar bagi semua rumah sakit.

Gambar 1 Sebuah siklus sinyal ECG [2]

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

102

Manfaat elektrokardiogram adalah dapat
memeperlihatkan adanya :infark miokard dan
iskemi miokard, gangguan irama jantung atau
arrhythmias, gangguan jantung karena penyakit
sistemik dan gangguan karena pengaruh obat-
obatan yang berpengaruh terhadap fungsi jantung
[2,3].

Walaupun mengetahui cara kerja ECG relatif
mudah namun untuk mengetahui informasi yang
terdapat pada data hasil rekaman ECG tidaklah
mudah. Untuk membaca EKG diperlukan
pengalaman dan pengetahuan mengenai penyakit
jantung serta gejala-gejalanya. Esktraksi manual
terhadap informasi penting sinyal ECG sangatlah
tidak efisien karena banyaknya data yang harus
diamati [3]. 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 ECG berkualitas tinggi sangat
penting untuk mendeteksi munculnya gejala
arrhythmias pada serangan jantung mendadak.
Kesulitan-kesulitan

di

atas

dapat
ditanggulangi dengan merancang sebuah
perangkat lunak yang dapat menganalisa secara
online maupun offline gelombang ECG dan
kemudian mendiagnosanya sehingga probabilitas
penyakit yang diderita dapat diketahui. Beberapa
hal yang bisa diharapkan adalah adanya
peningkatan ketelitian membaca pola ECG dan
pengurangan durasi waktu dalam memeriksa
kompleks QRS ventrikular .

II. PEMROSESAN SINYAL DAN DETEKSI QRS

Analisa data ECG secara lebih detail dapat
diuraikan sebagai berikut. Proses ekstrasksi
informasi yang terkait dengan karakteristik sinyal
ECG seperti durasi sinyal, luas area dan lebar
gelombang QRS dilakukan oleh perangkat lunak
dalam komputer. Diagram blok dari algorithma
yang digunakan untuk mendeteksi karakteristik
sinyal ECG dapat dilihat pada Gambar 2. [2]
Pemrosesan sinyal ECG dilakukan secara
simultan melalui dua jalur pemroses. Jalur pertama
digunakan untuk memproses sinyal berfrekuensi
tinggi (gelombang QRS), sedangkan jalur kedua
digunakan untuk menapis sinyal berfrekuensi
rendah (gelombang P dan T). Pada jalur pertama,
gelombang ECG ditapis dengan menggunakan
filter lolos pita untuk mengekstrak komponen dari
gelombang QRS. Setelah pemfilteran, beberapa
tahapan pemrosesan dilakukan seperti baseline
removal
, pengkuadratan, penyekalaan dan
penapisan dengan menggunakan moving average.

Kompleks QRS memiliki komponen sinyal
dalam frekuensi yang relatif lebar, berkisar antara
2-100Hz dengan puncaknya pada 10-15 Hz.
Output sinyal ECG setelah dilakukan pemfilteran
dengan menggunakan Hamming Window, dapat
dinyatakan dengan persamaan berikut [2,5],

[]

[][

]

i

n

E

i

h

N

n

E

F

F

N

N

i

F

+

+

=

=

0

1

1

21

(1)

dimana []

n

E0

adalah sinyal ECG asli.
Setelah difilter, dilakukan scaling pada sinyal
supaya amplitudo mempunyai kala maksimum
sama dengan 10.

[]

[]

[

]

min

max

1

2

10

E

E n

E

n

E

=

(2)

dimana max

E

dan min

E

adalah nilai maksimum

dan minimum dari 1

E dalam interval waktu

tertentu.

Sinyal yang sudah diskala kemudian
dikuadratkan untuk memperkirakan kekuatannya
dan dihaluskan dengan moving window integrator
[2,5],

[]

[

]

(

)2

2

1

3

1

1

1

21

=

+

+

=

N

N

i

i

n

E

N

n

E

(3)

sinyal E3[n] merepresentasikan perkiraan kekuatan
jangka pendek ECG yang sudah difilter sekitar
waktu n.

Proses dynamic thresholding kemudian
dilakukan untuk mendeteksi onset dan offset
gelombang QRS [2,5]

[

]

[]

[

][]

B

K n

T

n

E

n

T

n

T

+

+

+

=

+

1

1

3

(4)

dimana [

]

1

+

n

T

dan []

n

T

adalah nilai T yang

baru dan nilai T yang lama.

[

]

1

3

+

n

E

adalah
sinyal ECG yang telah difilter, dan B adalah nilai
offset. Adanya noise dan gangguan bentuk
gelombang kadang masih menyebabkan
kesalahan deteksi gelombang QRS. Threshold
dapat diadaptasikan dalam berbagai situasi
berdasarkan faktor pembobot K. Terakhir, setelah
menggunakan dynamic threshold maka posisi
kompleks QRS dapat diketahui dengan mencari
lokasi sinyal

[]

n

E3

maksimum dalam periode

deteksi QRS.

Dalam penelitian ini untuk klasifikasi
gelombang QRS digunalan metoda Minimum
distance classifier
. Dibandingkan metoda lainnya,

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

103

teknik ini mempunyai keuntungan dalam
kemudahan implementasi dan kelebihan dalam
waktu perhitungan yang cukup cepat. Penggunaan
fungsi diskriminan diperlukan untuk menentukan
jarak terdekat suatu objek dalam suatu ruang ciri
(feature space ) yang digunakan untuk klasifikasi.
Misalnya ada banyak titik yang terdapat pada
feature space dimana titik-titik tersebut
berkelompok dan mewakili masing-masing class,
maka klasifikasi jarak minimum mengelompokkan
titik pola x ke dalam class yang terdekat
dengannya.

Klasifikasi jarak minimum digunakan untuk
mengenali pola kompleks QRS normal.
Pengukuran jarak berikut ini digunakan untuk
menentukan kompleks QRS normal atau
ventrikular [1]

(

)

(

)(

)(

)2

5

5

2

2

2

2

1

1

5

2

1

,

,

c

c

c

c

c

c

c

c

c

d

+

+

=

(5)
dimana c1, c2, dan c5 adalah koefiesien polinomial
Chebyshev yang merepresentasikan sinyal yang
dianalisa.

III. HASIL

Gambar 3 menunjukan sinyal ECG sebelum
proses penapisan dilakukan sinyal tersebut diambil
pada durasi tertentu. Data yang digunakan
bersumber dari referensi [4]. Sinyal tersebut
dilewatkan dalam bandpass filter untuk
menghilangkan segala bentuk gangguan dan
noise.

Langkah selanjutnya yang dilakukan adalah
penghilangan geseran garis dasar sehingga garis
dasar gelombang mendekati nol dengan
menggunakan metode pengepasan kurva
berdasarkan polinomial Chebyshev [5]. Agar dapat
dengan efisien menghilangkan pergeseran garis
dasar, digunakan pendekatan polinomial orde ke-6
dihitung dalam window 1024 sample (2.85 detik).
Lalu hasil perhitungan perkiraan garis dasar
dikalikan dengan fungsi pembobot (weighting
function
) kemudian dikurangkan dari sinyal. Fungsi
pembobot di tampilkan pada Gambar 4.

Sinyal ECG

Baseline removal

Filter lolos rendah

Filter Lolos pita

Baseline removal,
dan moving

Dynamic
threshold

Ekstrasi QRS

Deteksi QRS

Klasifikasi bentuk
QRS

Puncak R

Klasifikasi bentuk
QRS

Puncak R

Analisa

Diagnosa

Gambar 2. Algorithma untuk analisis sinyal ECG [2]

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

104

Lalu window digerakkan sebanyak 512

sampel dan prosedur diatas diulangi. Alasan
dilakukan ini adalah untuk menghilangkan

diskontinuitas dari pendekatan kurva pada akhir
window. Hasil yang didapatkan setelah proses
base removal dapat dilihat pada Gambar 5. Dari
gambar tersebut terlihat bahwa garis dasarnya
mendekati nilai nol.

Setelah proses base line removal dilakukan,
langkah selanjutnya yang dilakukan adalah proses
averaging, scaling dan squaring. Untuk proses
squaring, sinyal dikuadratkan dan dihaluskan
bentuknya dengan menggunakan moving window
integrator
. Lebar window integrator yang
digunakan sama dengan 5. Gambar 6 menunjukan
hasil dari proses squaring tersebut.
Garis batas (threshold) digunakan sebagai
batas acuan untuk mendeteksi kompleks QRS.
Garis threshold ini akan mengikuti sinyal ECG,
namun apabila terjadi perubahan yang mendadak,
maka garis ini tidak akan mampu mengikuti sinyal
ECG tersebut. Sehingga area gelombang akan
berada di atas garis threshold dan area tersebut
dianggap sebagai kandidat kompleks QRS.

Dengan menemukan nilai maksimum dari
suatu sinyal pada periode deteksi tertentu, maka
lokasi puncak R dapat diketahui seperti yang
terlihat pada Gambar 7.

Gambar 3 Sinyal EKG Asli Sebelum Tahap Digital Bandpass Filter dilakukan

Gambar 5 Garis Dasar Digeser Sehingga Mendekati Nol

Gambar 4 Fungsi Pembobot (Weighting Function)
Untuk Perkiraan Garis Dasar [2]

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

105

Setelah lokasi kompleks QRS dapat
diketahui, langkah berikutnya adalah menentukan
apakah kompleks QRS yang terdeteksi normal
atau tidak. Karena bandpass filter sudah banyak
mendistorsi sinyal, maka pada langkah ini kembali
menggunakan sinyal ECG yang masih belum
diolah. Sinyal tersebut selanjutnya ditapis dengan
menggunakan tapis lolos rendah (low pass filter).

Dengan formula Chebyshev didapatkan

koefisien-koefisien

yang

berguna

untuk
menentukan distribusi sinyal ECG tersebut dalam
ruang ciri (feature space). Kombinasi dari
koefisien-koefisien tersebut akan mengelompok
menurut jenisnya, sehingga akan diperoleh
klasifikasi pola sinyal ECG.
Klasifikasi pola sinyal menggunakan
Euclidean distance untuk mengenali pola

Gambar 6 Tahap Squaring Dan Moving Window Integrator

Gambar 7 Posisi Kompleks QRS

Gambar 8 Klasifikasi Bentuk QRS

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

106

kompleks QRS normal atau tidak. Persamaan 5
digunakan untuk mencari titik pusat gravitasi pada
ruang ciri (feature space). Bila ternyata pemetaan
koefisien jaraknya jauh dari pusat gravitasi normal,
maka titik tersebut tergolong ventrikular. Gambar 8
menunjukan klasifikasi sinyal ECG berdasarkan
nilai perhitungan jarak (eiclidian distance) dalam
ruang ciri. Simbol V merah menunjukan adanya
anomali (ventricular) dalam sinyal ECG yang
diproses.

Setelah kompleks QRS diklasifikasi,
arrythmia jantung dapat diketahui jenisnya dengan
satu set rules fuzzy expert system. Dalam dua
langkah proses sebelumnya didapatkan lokasi
denyut dan pengukuran jaraknya dari kompleks
QRS normal (pada feature space). Maka hasil-
hasil tersebut yang dijadikan input dalam fuzzy
expert system
sehingga menghasilkan diagnosa
akhir. Input data diperoleh dari lima QRS berturut-
turut seperti pada Gambar 9.

Dari hasil tersebut dapat ditentukan
beberapa karakteristik yang akan digunakan dalam
diagnosis yaitu :
• Interval antar kelima kompleks QRS (t1, t2, t3, t4)
dalam satuan detik.
• Denyut jantung per menit.

• Jumlah kompleks QRS ventrikular diantara lima
denyut yang dianalisa.
• Varian interval.
• Waktu yang terhitung sejak kompleks QRS
terakhir.

Kelima hal di atas menjadi variabel dalam
expert system, dimana untuk setiap variabel
didefinisikan sebuah subset fuzzy dengan nilai
yang telah ditentukan dari berbagai sumber [2].

V. KESIMPULAN

Berdasarkan dari hasi penelitian yang telah
dilakukan maka penulis dapat menarik kesimpulan
sebagai berikut :
Perangkat keras sistem telecardiology telah
berhasil dibuat dan dapat beropersi dengan
baik.
Program yang dibuat telah berhasil mengenali
pola dari data rekaman ECG.
Waktu yang dibutuhkan untuk melakukan
pengenalan pola dipengaruhi terutama oleh
banyak gelombang yang dibaca oleh aplikasi.
Semakin banyak gelombang yang akan
dianalisa maka waktu proses dan pengenalan
pola semakin lama.
Waktu yang diperlukan untuk menganalisa
gelombang jauh lebih singkat daripada bila
dilakukan secara manual.

VI. DAFTAR PUSTAKA

1. E.R., Davies, Machine Vision: Theory,
Algorithms, Practicalities
, San Diego:
Academic Press Inc., 1990.

2. K. Dubowik, Automated Arrhythmia Analysis –
An Expert System for an Intensive Care Unit
.
New Jersey: Prentice-Hall, 1999.

3. L.

Schamroth,

An

Introduction

to

electrocardiography,

Blackwell

Scientific

Publication, Oxford, 1990.
4. MIT/BIH Arrhythmia Database, Harvard
University & Massachusetts Institute of
Technology Division of Health Sciences and
Technology, Cambridge, MA.

5. J.G. Proakis and D. G. Manolakis, Digital Signal
Processing. Principles, Algorithms and
Applications
, Third Edition, Prentice Hall Inc.,
New York, 1996.

6. K. P. Lin, and W.H. Chang, “ A Technique for
Automated Arrhythmia Detection of Holter ECG,
Engineering in Medicine and Biology Society,
Vol. I, 1997, pp. 183-184.

7. Ricardo Poli et al. , “A Genetic Algorithm
Approach to Design of Optimal QRS Detectors,
IEEE Trans. on Biomedical Engineering, 11(42),
1995, pp.1137-1141.

Gambar 9 Lima QRS Berurutan Yang Dijadikan
Input Dalam Analisa

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->