III. METODE PENELITIAN
3.3. Metode Penelitian
3.3.6. Pemrosesan dengan Menggunakan Jaringan Syaraf
�, �6 , j=1, 2, 3, ………, M=7 (38) dimana:
� : Energi rerata normalisasi pada dekomposis ke-j : Energi rerata sinyal detil ke-i (i=1,2,3, ..., 6)
� : Energi rerata sinyal aproksimasi ke-i (i=1,2,3, ..., N)
Kemudian energi rerata yang dinormalisasi dari setiap dekomposisinya akan dijadikan input jaringan syaraf tiruan (JST) balik sebagai pengenalan pola suara jantung (Surtono, 2012).
3.3.6. Pemrosesan dengan Menggunakan Jaringan Syaraf Tiruan Perambatan Balik (Backpropagation)
Proses pengklasifikasian sinyal suara jantung pada penelitian ini menggunakan jaringan syaraf tiruan (JST) perambatan balik. Data latih ini diambil dari website suara jantung yang terlebih dahulu dilakukan ekstraksi ciri sinyal suara jantung dengan menggunakan Dekorlet maupun energi sinyal. Suara jantung yang menjadi
Mitral stenosis (MS) dan Patent ductus arteriosus (PDA).
Struktur JST terdiri atas unit input , unit lapisan tersembunyi dan unit output. Fungsi aktivasi pada lapisan tersembunyi dan lapisan output menggunakan fungsi sigmoid biner. Unit input terdiri atas 7 neuron sesuai dengan jumlah inputan dari ekstraksi ciri, yaitu r , r , r , r , r , r dan r (menggunakan metode dekorlet) serta END , END , EN , END , END , END dan EN� (menggunakan transformasi
wavelet diskrit dan energi sinyal). Unit lapisan tersembunyi terdiri atas 7 neuron dan lapisan output terdiri dari 6 neuron.
Gambar 3.8. Arsitektur jaringan syaraf tirun untuk pengenalan pola suara jantung END /r END /r END /r END /r END /r END /r ENA /r 1 0 0 0 0 0 (N) 0 1 0 0 0 0 (AS) 0 0 1 0 0 0 (AR) 0 0 0 1 0 0 (MS) 0 0 0 0 1 0 (MR) 0 0 0 0 0 1 (PDA) Lapisan Input Lapisan Tersembunyi Lapisan Output
penelitian ini dapat dilihat seperti pada Gambar 3.9 dibawah ini.
Gambar 3.9. Diagram blok pengolahan sinyal suara jantung Penghilangan derau
dengan filter wavelet
Pemilihan fungsi wavelet berdasarkan eror terkecil: dB2, dB3, dB4, dB5, dB6,
sym2, sym4, sym6, sym8
Dekomposisi dan mengkorelasi sinyal detak jantung sebanyak 6 tingkat
Klasifikasi sinyal dengan JST
Hasil klasifikasi oleh JST ‖Normal‖ ‖Abnormal‖
jantung yang dijadikan data latih dan sampel yang diambil dari suara jantung manusia. Untuk sampel data suara jantung proses pengambilan sampel data dilakukan dengan cara merekam suara jantung pasien secara langsung dan menyimpan hasil rekaman dalam format data wav. Kemudian dilakukan pemrosesan sinyal dari de-noising sinyal sampai ekstraksi ciri sinyal terlebih dahulu sebelum masuk ke jaringan syaraf tiruan.
Tingkat keberhasilan jaringan syaraf tiruan dalan mengenali pola dapat dihitung menggunakan persamaan 39 berikut.
Berdasarkan seraangkaian metode akuisisi data dan analisis sinyal suara jantung flowchat penelitian kali ini dibagi menjadi dua bagian yaitu flowchat pelatiahan JST dan flowchat simulasi JST seperti ditunjukan pada Gambar 3.10 dan 3.11 berikut.
Gambar 3.10. Flowchat pelatihan JST Mulai
Data latih suara jantung
Ekstraksi ciri data latih suara jantung dengan transformasi
wavelet/metode dekorlet
Pelatihan jaringan syaraf tiruan MSE dipenuhi TIDAK YA Selesai
Gambar 3.11. Flowchat simulasi JST Mulai
Data Uji suara jantung
Ekstraksi ciri data uji suara jantung dengan transformasi
wavelet/metode dekorlet
Simulasi jaringan syaraf tiruan MSE dan jumlah epoch dipenuhi TIDAK YA Hasil analisis
‖N‖ ‖AR‖ ‖AS‖ ‖MS‖ ‖MR‖ ‖PDA‖
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan analisis data dari hasil penelitian yang telah dilakukan dapat diperoleh kesimpulan sebagai berikut.
1. Perancangan hardware dan software phonocardiogram yang telah dibagun sudah terintegrasi menjadi satu kesatuan dan telah mampu mendeteksi sinyal suara jantung manusia dengan tingkat noise yang rendah.
2. Perancangan pre-amplifier mikrofone yang dilengkapi dengan low pass filter sudah mampu menguatkan sinyal suara jantung sebesar 20 kali penguatan dengan frekuensi cut off sebesar 1500 Hz sehingga dapat digunakan untuk deteksi suara jantung.
3. Fungsi wavelet symlet orde 10 memiliki error rekonstruksi terkecil pada suara jantung normal dan abnormal sehingga dapat digunakan untuk de-noising dan ekstraksi ciri sinyal suara jantung.
4. Filter digital menggunakan wavelet yang telah dirancang sudah mampu melakukan de-noising sinyal suara jantung dengan nilai SNR diatas 20 dB, sehingga dapat menguranggi kesalahan pada proses ekstraksi ciri sinyal.
5. Ekstraksi ciri dengan metode dekorlet dan energi sinyal mampu menggambarkan ciri khas dari suara jantung normal dan abnormal.
6. Keberhasilan jaringan syaraf tiruan yang telah dibangun mencapai 76 % untuk metode energi sinyal dan 92 % untuk metode dekorlet dalam mengenali pola suara jantung dari hasil rekaman menggunakan hardware phonocardiogram.
5.2. Saran
Adapun saran-saran untuk penelitian mendatang terkait dengan pengolahan sinyal digital suara jantung meliputi:
1. Ekstrasi ciri sinyal suara jantung dapat menggunakan metode yang lain selain metode energi sinyal dan metode dekorlet karena kedua metode ini sulit dalam membedakan suara jantung normal dengan suara jantung patent ductus
arteriosus.
2. Untuk penelitian selanjutnya dapat menggunakan sistem kecerdasan buatan yang lain selain jaringan syaraf tiruan perambatan balik (backpropagation) seperti fuzzy logic.
DAFTAR PUSTAKA
Antonisfia, Y., dan Romi, W. 2008. Ekstraksi Ciri Pada Isyarat Suara Jantung Menggunakan Power Spectral Density Berbasis Metode Welch. Jurnal
Media Informatika. 6(1): 71-84.
Ariyus, D., dan Rumandri. 2008. Komunikasi Data. Penerbit Andi. Yogyakarta. Atwood, S., Stanton, C., dan Storey, J. (1996). Pengenalan Dasar Distrima Jantung.
Terjemahan: Gajah Mada University Press. Yogyakarta.
Cahyono, Y., Susilo, R. E., dan Novitaningtyas, Y. 2008. Rekayasa Biomedik Terpadu untuk Mendeteksi Kelainan Jantung. Jurnal Fisika Dan
Aplikasinya. 4(2): 1-6.
Cromwell, L., Wellbel, F. J., dan Pfeiffer, E. A. 1980. Biomedical Instrumentation and Measurements. Prentice Hall Inc.
Gupta, H. R., et all. 20013. Power Spectrum Estimation using Welch Method for various Window Techniques. International Journal of Scientific
Research Engineering & Technology (IJSRET). 2 (6): 389-392.
Kandi, S. D. 2013. Analisis Kinerja Spectrum Sensing Menggunakan Metode Matched Filter Pada Cognitive Radio. SINGUDA ENSIKOM. 2(2): 78-86. Kardianto. 2004. Pengembangan Audiometer Berbasis Soundcard pada Komputer
Personal. Skripsi. Universitas Gadjah Mada, Yogyakarta.
Khotimah. Khusnul. 2004. Identifikasi Kendaraan di Jembatan Menggunakan Piezoelectric. Skripsi. Universitas Gadjah Mada, Yogyakarta.
Lessard C S. 2006. Signal Prosessing of Random Physiological Signals. Morgan & Claypool Publishers. USA.
Murod H. 2005. Perancangan Sistem Akuisis Data dengan Menggnakan Masukan
Polikar, R. 1996. The Wavelet Tutorial Part I – IV. http://www.public.iastate.edu/ ~rpolikar/ WAVELETS/WTtutorial.html. Diakses pada tanggal 2 Desember 2013. Pukul 10.00.
Puspitasari, I., Arifin, A., dan Hendradi, R. 2012. Ekstraksi Ciri Komponen Aortik dan Pulmonari Suara Jantung Diastolik dengan Menggunakan Analisis Non Stasioner. Seminar Electrical Power, Elctronics, Communications,
Controls, and Informatics.
Putra, A. E. 2006. Transformasi Paket Wavelet, Dekomposisi Wavelet dan Korelasi
pada Data Seismik Gunung Merapi, Jawa – Indonesia. Prosiding
Seminar Nasional Teknologi Informasi 2006. Fakultas Teknologi Informasi, Universitas Tarumanagara, Jakarta.
Reza, A. M. 1999. Wavelet Characteristics, What Wavelet Should I Use?. Xilinx Inc.
Rizal, A., dan Vera, S. 2007. Aplikasi Pengolahan Sinyal Digital pada Analisis dan PengenalanSuara Jantung dan Paru untuk Diagnosis Penyakit Jantung
dan Paru Secara Otomatis. Seminar Instrumentasi Berbasis Fisika . ITB.
Bandung.
Saptaji dkk. 2006. Deteksi Kelainan Jantung Melalui Phonocardiogram (PCG) Menggunakan Metode Jaringan Syaraf Tiruan Adaptive Resonance
Theory 2. Proseding Tekno Insentif 2006. Kopwil IV Bandung.
Setiawan, E., Alkaff, A., dan Yogiarto, M. R. 2011. Analisa dan Pengenalan Suara Jantung Menggunakan Wavelet dan Jst Dalam Mengklasifikasikan Jenis Kelainan Katup Jantung Pada Manusia. Seminar Nasional Pascasarjana XI – ITS. 27 Juli 2011, Surabaya, Indonesia.
Siang, J. J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan
Matlab. Edisi I. Andi Offset. Yogyakarta.
Siang, J. J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan
Matlab. Edisi II. Andi Offset. Yogyakarta.
Smith, S. W. 1999. The Scientist and Engineer's Guide to Digital Signal
Processing. California Technical Publishing San Diego. CA USA.
Stallings, W. 2001. Komunikasi Data Dan Komputer, Dasar-dasar Komunikasi
main/physiology_hs_introduction.html. Diakses pada tanggal 26 Desember 2013. Pukul 13.00.
Sumawas, M., dan Utoyo. 2004. Perancangan Perangkat Uji Transmission Loss
pada Bahan Sekat. Skripsi. Universitas Gadjah Mada, Yogyakarta. Surtono, A. 2012. Analisis dan Klasifikasi Sinyal EKG Menggunakan Wavelet dan
Jaringan Syaraf Tiruan (JST). Tesis. Universitas Gajah Mada.
Tilkian, et. all. 1987. Memahami Bunyi dan Bising Jantung dalam Praktek Sehari-hari. Binarupa Aksara. Jakarta.
Widodo, T. R. 2012. Instrumentasi Medis Analisis Sinyal dan Instrumen Terapi. Graha Ilmu. Yogyakarta.
Wikipedia. 2013. Heart Sounds . http://en.wikipedia.org/wiki/Heart_sounds.
Diakses pada tanggal 26 Desember 2013. Pukul 10.00.
Yudianingsih. 2012. Rancang Bangun Penguat Sebagai Antarmuka Stetoskop Dengan Komputer Pribadi. Jurnal Teknologi Informasi. 8 (19): 41-52.