REDUKSI
NOISE
DARI REKAMAN SUARA PERNAPASAN
MENGGUNAKAN
WAVELET TRANSFORM
BASED FILTER
SKRIPSI
SAMUEL INDRA GUNAWAN SITUMEANG
091402036
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
REDUKSI NOISE DARI REKAMAN SUARA PERNAPASAN MENGGUNAKAN WAVELET TRANSFORM
BASED FILTER
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
SAMUEL INDRA GUNAWAN SITUMEANG 091402036
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
Judul : REDUKSI NOISE DARI REKAMAN SUARA PERNAPASAN MENGGUNAKAN WAVELET TRANSFORM BASED FILTER
Kategori : SKRIPSI
Nama : SAMUEL INDRA GUNAWAN SITUMEANG
Nomor Induk Mahasiswa : 091402036
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juni 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Romi Fadillah Rahmat, B.Com.Sc, M.Sc NIP. 19860303 201012 1 004
M. Fadly Syahputra, B.Sc.,M.Sc.IT NIP. 19830129 200912 1 003
Diketahui / Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
REDUKSI NOISE DARI REKAMAN SUARA PERNAPASAN MENGGUNAKAN WAVELET TRANSFORM
BASED FILTER
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Juni 2014
Samuel Indra Gunawan Situmeang 091402036
Segala hormat, puji dan syukur kepada Tuhan Yesus Kristus, yang senantiasa melimpahkan berkat dan kasih-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih dan penghargaan yang setinggi-tingginya kepada :
1. Kedua orang tua penulis yang telah mendidik, membesarkan penulis, memberi nasehat, mendukung dan memotivasi, ayah Drs. Antoni Situmeang dan ibu Dra. Kristina Laoli. Adik-adik penulis : Jeremiya Situmeang, Mohaga Rianto Manalaksak Situmeang dan Julio Gilbert Hamonangan Situmeang yang selalu mendoakan, memberikan dorongan dan dukungan kepada penulis. Serta kepada keluarga besar, termasuk kakek, nenek, paman, bibi, sepupu atas segala dukungan dan doanya. Skripsi ini penulis persembahkan untuk orangtua dan keluarga penulis.
2. Amangboru Good Fried Panggabean, S.T., M.T. yang telah memberikan saran dan masukan untuk membantu penulis menyelesaikan skripsi ini.
3. Bapak M. Fadly Syahputra, B.Sc, M.Sc.IT. dan Bapak Romi Fadillah Rahmat, B.Com.Sc, M.Sc. selaku dosen pembimbing penulis yang telah banyak memberikan inspirasi, saran, masukan, serta bersedia meluangkan waktu, tenaga dan pikiran untuk membantu penulis menyelesaikan skripsi ini.
iv
5. Bapak Muhammad Safri Lubis, S.T., M.Com. selaku dosen penasehat akademik yang senantiasa memberikan saran, petunjuk dan bimbingan yang bermanfaat selama penulis menuntut ilmu di Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
6. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc. dan Bapak Dani Gunawan, ST., MT. yang telah bersedia menjadi dosen pembanding penulis.
7. Sahabat-sahabat yang selalu mendukung dan mendoakan penulis : Frans J.H. Sihombing, Joy J.G. Simanjuntak, Eldo H. Tobing, Tri N.A. Situmorang, Lidya R. Ginting, Elysabeth Y. Nababan, Fransisca R.E. Pardede dan Wanda E. Simatupang.
8. Teman-teman guru sekolah minggu dan pemuda/i GKPI Jemaat Khusus Binjai Kota yang senantiasa mendukung dan mendoakan penulis.
9. Pemimpin Kelompok Kecil Kami Ga Mamoru, kak Rolina Harianja serta Saudara Kelompok Kecil Kami Ga Mamoru : Iphon H. Panjaitan, Alman, J. Tarigan dan T.B. Reinhard Pasaribu yang senantiasa mendukung dan mendoakan penulis. Terima kasih juga atas kebersamaan kita dalam persekutuan selama di kelompok kecil.
10.Teman-teman angkatan 2009, senior, dan junior yang telah memberikan dukungan, serta teman-teman mahasiswa yang tidak dapat penulis sebutkan satu-persatu.
Akhir kata, penulis memohon maaf bila dalam penulisan karya tulis ilmiah ini terdapat beberapa kesalahan. Oleh karena itu, penulis sangat mengharapkan adanya masukan-masukan yang membangun.
Semoga karya tulis ini dapat memberikan kontribusi bagi perkembangan Teknologi Informasi di Indonesia. Tuhan Yesus memberkati.
Perkembangan ilmu pengetahuan dan teknologi di bidang kesehatan semakin memberikan kemudahan dalam mendiagnosa sistem pernapasan. Perekaman suara pernapasan adalah salah satu contoh perkembangan tersebut. Suara pernapasan direkam menggunakan stetoskop digital, kemudian disimpan dalam format file suara. Suara pernapasan ini nantinya akan dianalisis oleh praktisi kesehatan untuk diagnosa gejala penyakit ataupun penyakit. Namun, suara pernapasan ini belum terbebas dari gangguan sinyal. Oleh karena itu, diperlukan filter suara atau sistem reduksi gangguan sinyal sehingga komponen suara pernapasan yang berisi sinyal informasi dapat lebih diperjelas. Pada penelitian ini dirancang sebuah filter yang disebut wavelet transform based filter. Wavelet transform based filter yang dirancang dalam penelitian ini menggunakan wavelet daubechies dengan empat koefisien wavelet transform. Berdasarkan pengujian terhadap sepuluh jenis data suara pernapasan, diperoleh SNRdB terbesar pada data bronkial, sebesar 74.3685 desibel.
NOISE REDUCTION OF BREATH SOUND RECORD USING WAVELET
TRANSFORM BASED FILTER
ABSTRACT
The development of science and technology in health area increasingly to give convenience in diagnose of breath system adoption. Recording breath sound is one of the example of that development. Breath sound recorded with digital stethoscope, than stored in audio format file. This breath sound will be analyzed by the health expertise for disease symptoms diagnosis or diseases diagnosis. Even though, this breath sound not yet free from noise. Therefore, required a sound filter or noise reduction system so that the breath sound component that contain signal information will be enhance. In this research, designed wavelet transform based filter. Wavelet transform based filter that designed in this research using wavelet daubechies with four wavelet transform coefficients. According to testing of ten type of breath sound data, acquired the biggest SNRdB in bronchialdata, the size is 74.3685 decibel.
Keywords: wavelet transform based filter, breath sound, noise, snr
Hal.
PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
BAB 1 PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 4
1.4. Tujuan Penelitian 4
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 5
1.7. Sistematika Penulisan 6
BAB 2 LANDASAN TEORI 7
2.1. Suara Pernapasan 7
2.2. Suara Napas Abnormal 9
2.3. Karakteristik Suara Paru-paru dan Noise 10
2.4. WAVE 10
2.5. Wavelet Transform 12
2.6. Analisis Multiresolusi 13
2.7. Denoising 15
2.8. Threshold 16
2.9. Signal-to-Noise Ratio (SNR) 16
2.10. Penelitian Terdahulu 17
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 19
viii
3.2. Analisis Sistem 20
3.3. General architecture 31
3.4. Perancangan Tampilan Antarmuka 33
BAB 4 IMPLEMENTASI DAN PENGUJIAN 35
4.1. Implementasi Sistem 35
4.1.1. Spesifikasi hardware dan software yang digunakan 35
4.1.2. Implementasi perancangan antarmuka 35
4.2. Pengujian Sistem 36
4.2.1. Rencana pengujian sistem 37
4.2.2. Kasus dan hasil pengujian sistem 37
4.2.3. Pengujian kinerja sistem 39
4.2.4. Pengujian data 43
BAB 5 KESIMPULAN DAN SARAN 54
5.1. Kesimpulan 54
5.2. Saran 54
DAFTAR PUSTAKA 55
LAMPIRAN A: KODE PROGRAM 58
Hal.
Tabel 2.1 Deskripsi format berkas WAVE 11
Tabel 2.2 Penelitian Terdahulu 17
Tabel 3.1 Rangkuman Data Rekaman Suara Pernapasan 19
Tabel 4.1 Rencana Pengujian Sistem 37
Tabel 4.2 Hasil Pengujian Komponen Jendela Utama 38
Tabel 4.3 Data dalam Bentuk Larik bertipe Double 40
Tabel 4.4 Hasil Dekomposisi 41
Tabel 4.5 Sinyal Suara Pernapasan Hasil Threshold 41
Tabel 4.6 Noise Hasil Threshold 41
Tabel 4.7 Sinyal Suara Pernapasan Hasil Rekonstruksi 42
Tabel 4.8 Noise Hasil Rekonstruksi 42
DAFTAR GAMBAR
Hal.
Gambar 2.1 Format file WAVE 11
Gambar 2.2 Penerapan dekomposisi pada Discrete Wavelet Transform; dimana
g[n] adalah high pass filter; h[n] adalah low pass filter 14
Gambar 3.1 Flowchart tahapan preprocess 26
Gambar 3.2 Flowchart tahapan dekomposisi 27
Gambar 3.3 Flowchart tahapan threshold 28
Gambar 3.4 Flowchart tahapan rekonstruksi 29
Gambar 3.5 Flowchart tahapan final process 30
Gambar 3.6 General Architecture 31
Gambar 3.7 Rancangan Jendela Utama (Main Window) 33
Gambar 4.1 Tampilan Jendela Utama (main window) 36
Gambar 4.2 Sinyal suara pernapasan 40
Gambar 4.3 Sinyal suara pernapasan setelah melalui filter 43
Gambar 4.4 Noise setelah melalui filter 43
Gambar 4.5 Sinyal bronkial sebelum reduksi noise (atas) dan sinyal setelah
reduksi noise (bawah) 44
Gambar 4.6 Sinyal coarse crackles sebelum reduksi noise (atas) dan sinyal
setelah reduksi noise (bawah) 45
Gambar 4.7 Sinyal fine crackles dengan bronkial yang gugur sebelum reduksi
noise (atas) dan sinyal setelah reduksi noise (bawah) 46 Gambar 4.8 Sinyal fine crackles sebelum reduksi noise (atas) dan sinyal setelah
reduksi noise (bawah) 47
Gambar 4.9 Sinyal inspirasi stridor sebelum reduksi noise (atas) dan sinyal
setelah reduksi noise (bawah) 48
Gambar 4.10 Sinyal trakea normal sebelum reduksi noise (atas) dan sinyal setelah
reduksi noise (bawah) 49
Gambar 4.11 Sinyal vesikular normal sebelum reduksi noise (atas) dan sinyal
setelah reduksi noise (bawah) 50
Gambar 4.12 Sinyal gesekan pleura sebelum reduksi noise (atas) dan sinyal
setelah reduksi noise (bawah) 51
Gambar 4.13 Sinyal rhonchus sebelum reduksi noise (atas) dan sinyal setelah
reduksi noise (bawah) 52
Gambar 4.14 Sinyal wheezing sebelum reduksi noise (atas) dan sinyal setelah
ABSTRAK
Perkembangan ilmu pengetahuan dan teknologi di bidang kesehatan semakin memberikan kemudahan dalam mendiagnosa sistem pernapasan. Perekaman suara pernapasan adalah salah satu contoh perkembangan tersebut. Suara pernapasan direkam menggunakan stetoskop digital, kemudian disimpan dalam format file suara. Suara pernapasan ini nantinya akan dianalisis oleh praktisi kesehatan untuk diagnosa gejala penyakit ataupun penyakit. Namun, suara pernapasan ini belum terbebas dari gangguan sinyal. Oleh karena itu, diperlukan filter suara atau sistem reduksi gangguan sinyal sehingga komponen suara pernapasan yang berisi sinyal informasi dapat lebih diperjelas. Pada penelitian ini dirancang sebuah filter yang disebut wavelet transform based filter. Wavelet transform based filter yang dirancang dalam penelitian ini menggunakan wavelet daubechies dengan empat koefisien wavelet transform. Berdasarkan pengujian terhadap sepuluh jenis data suara pernapasan, diperoleh SNRdB terbesar pada data bronkial, sebesar 74.3685 desibel.
Kata kunci: wavelet transform based filter, suara pernapasan, noise, snr
ABSTRACT
The development of science and technology in health area increasingly to give convenience in diagnose of breath system adoption. Recording breath sound is one of the example of that development. Breath sound recorded with digital stethoscope, than stored in audio format file. This breath sound will be analyzed by the health expertise for disease symptoms diagnosis or diseases diagnosis. Even though, this breath sound not yet free from noise. Therefore, required a sound filter or noise reduction system so that the breath sound component that contain signal information will be enhance. In this research, designed wavelet transform based filter. Wavelet transform based filter that designed in this research using wavelet daubechies with four wavelet transform coefficients. According to testing of ten type of breath sound data, acquired the biggest SNRdB in bronchialdata, the size is 74.3685 decibel.
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop, praktisi kesehatan dapat mendengar suara paru-paru untuk mendiagnosa kondisi fisik dan kesehatan seseorang. Suara paru-paru yang didengar melalui stetoskop, masih bercampur dengan suara-suara lain seperti suara jantung, suara gesekan kulit dengan stetoskop, dan suara gerak dada. Hal ini mempersulit praktisi kesehatan dalam mendiagnosa kondisi fisik dan kesehatan seseorang. Dalam pemrosesan sinyal, suara-suara lain atau suara-suara asing ini biasa disebut gangguan sinyal atau noise.
Perkembangan ilmu pengetahuan dan teknologi di bidang kesehatan semakin memberikan kemudahan dalam mendiagnosa sistem pernapasan. Perekaman suara pernapasan adalah salah satu contoh perkembangan tersebut. Suara paru-paru direkam menggunakan stetoskop digital, kemudian disimpan dalam format suara. Seperti halnya metode konvensional, suara pernapasan belum terbebas dari gangguan sinyal. Oleh karena itu, diperlukan filter suara atau reduksi gangguan sinyal sehingga komponen suara pernapasan yang berisi sinyal informasi dapat lebih diperjelas. Penelitian terhadap reduksi gangguan sinyal telah dilakukan sejak beberapa tahun terakhir, namun belum dapat memberikan suatu hasil yang memuaskan.
Hadjileontiadis & Panas (1997), mengombinasikan multiresolution analysis
dengan hard thresholding untuk menyusun skema wavelet transform based stationary-nonstationary filter (WTST-NST). WTST-NST kemudian diimplementasikan untuk analisis discontinuous adventitious sounds (DAS). Skema telah dievaluasi pada rekaman yang dipilih dari tiga database internasional dan telah
diaplikasikan pada tiga tipe dasar DAS, contohnya, fine/coarse crackles dan squawks. Percobaan menunjukkan bahwa, meskipun perbedaannya di karakter struktural di antara ketiga jenis DAS, WTST-NST filter memiliki kualitas yang sangat baik dalam memisahkan sinyal pada semua kasus. Cost komputasi dari wavelet transform based WTST-NST filter tergolong rendah; filter dapat dengan mudah diimplementasi dan dapat digunakan sebagai objective screening method dalam analisis DAS. Komputasi iterasi prosedur MRD-MRR (Multiresolution Decomposition – Multiresolution Reconstruction) menghitung hingga 95% dari seluruh usaha komputasi. Bagaimanapun, penelitian ini hanya berfokus pada separasi discontinuous adventitious sounds dari vesicular sound.
Hadjileontiadis & Panas (1998), mengombinasikan multiresolution analysis
dengan hard thresholding untuk menyusun wavelet transform based stationary-nonstationary filter (WTST-NST). WTST-NST kemudian diaplikasikan untuk menseparasi bagian nonstasioner sinyal masukan (suara jantung) dari bagian stasioner (suara paru-paru). Seperti penelitian sebelumnya, penelitian ini memakai metode yang serupa dengan masalah yang berbeda. Namun, ditemukan masalah white noise setelah sinyal masukan melalui filter.
Hossain & Moussavi (2003), wavelet transform based filter
diimplementasikan pada sinyal suara paru-paru yang telah direkam pada laju aliran rendah dan menengah bersama dengan beberapa detik rekaman napas yang ditahan, untuk mereduksi suara jantung sehingga didapatkan suara paru-paru yang bersih dari suara jantung. Penelitian ini pada dasarnya masih memiliki konsep yang sama dengan penelitian Hadjileontiadis & Panas (1997). Perbedaannya terletak pada masalah yang akan diselesaikan. Masalah yang akan diselesaikan serupa dengan penelitian Hadjileontiadis & Panas (1998), hanya dalam penelitian ini rekaman suara paru-paru sudah dispesifikasi. White noise masih ditemukan.
3
pernapasan. Inspeksi visual dan pendengaran, analisis kuantitatif, serta algoritma waktu eksekusi digunakan untuk menilai performa algoritma. Dalam penelitian mengkode ucapan, dua sinyal dengan jarak log-spektral lebih kecil dari 1 dB dianggap tidak dapat dibedakan secara perseptif (Kleijn & Paliwal, 1995). Menggunakan pernyataan tersebut dengan ambang batas yang berbeda untuk transparansi spektral, dapat diamati bahwa rata-rata jarak log-spektral 0,61 dB dan 0,31 dB dapat dicapai untuk memisahkan masing-masing sinyal suara paru-paru dan sinyal suara jantung. Oleh karena itu, artefak yang dapat didengar tidak digunakan dalam metode pemisahan yang diusulkan; pernyataan ini lebih dikuatkan dengan mendengar sinyal suara paru-paru dan suara jantung yang telah dipisahkan.
Sukresno et al. (2009), menggunakan filter adaptif karena mempunyai kemampuan untuk mengubah bobot koefisiennya secara otomatis, menyesuaikan dengan sinyal input. Filter adaptif dirancang sebagai noise cancellar dengan algoritma
recursive least square (RLS) untuk mereduksi suara jantung dari rekaman paru-paru. Pada penelitian ini digunakan rekaman suara pernapasan dimana suara jantung memiliki amplitudo yang lebih besar dibandingkan dengan suara-paru-paru.
Dalam penelitian ini, akan diterapkan wavelet transform based filter untuk mereduksi suara-suara asing atau gangguan sinyal dalam rekaman suara pernapasan, sehingga didapatkan sinyal yang lebih jelas tanpa kehilangan informasi penting yang terdapat di dalam sinyal tersebut. Dalam penelitian ini white noise juga akan dicoba untuk dikurangi. Dengan rekaman suara paru-paru yang telah difilter, praktisi kesehatan atau dokter mendapatkan informasi yang lebih jelas sehingga hasil diagnosa menjadi lebih baik.
1.2. Rumusan Masalah
Berdasarkan latar belakang maka rumusan masalahnya adalah sulitnya mendiagnosa penyakit melalui rekaman suara pernapasan yang masih bercampur dengan noise.
1.3. Batasan Masalah
Penulis membuat batasan masalah yaitu sebagai berikut:
1. Wavelet yang dipakai hanya Wavelet Daubechies (Db4).
2. Hasil kerja sistem diukur dengan kriteria objektif dan subjektif. Kriteria objektif yang digunakan adalah signal-to-noise ratio (SNR) serta tampilan sinyal. Sedangkan kriteria subjektif adalah pengamatan terhadap sinyal suara dan pendengaran manusia.
3. Suara pernapasan dalam hal ini adalah suara yang dapat didengar manusia yaitu antara frekuensi 20 - 20.000 Hz (Serway & Jewett 2013).
4. Data yang digunakan adalah sepuluh rekaman suara pernapasan dari perusahaan Littmann.
5. Data yang digunakan bersifat umum, tidak mempertimbangkan variabel usia dan jenis kelamin.
6. Format berkas rekaman suara pernapasan yang akan dipakai hanya file suara berekstensi wav.
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk mengolah suara pernapasan sehingga sinyal yang mengandung informasi dapat lebih diperjelas.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut:
1. Membantu proses penganalisaan suara pernapasan dalam kaitannya mendeteksi penyakit atau kelainan pada pernapasan.
5
1.6. Metodologi Penelitian
Metodologi penelitian yang digunakan pada penelitian ini adalah:
1. Studi Literatur
Studi literatur dilakukan dengan cara mengumpulkan bahan referensi yaitu dari buku, artikel, paper, jurnal, makalah, maupun situs-situs dari internet. Studi literatur yang dilakukan berkaitan dengan peningkatan kualitas sinyal, karakteristik sinyal suara paru-paru, karakteristik noise pada sinyal suara pernapasan, metode wavelet daubechies, dan wavelet transform based filter.
2. Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data dan informasi yang akan diperlukan dalam penelitian.
3. Analisis dan Perancangan
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui penyelesaian permasalahan reduksi gangguan sinyal/ noise pada rekaman suara pernapasan dengan menggunakan wavelet transform based filter. Setelah itu dilakukan perancangan sistem berdasarkan analisis yang telah dibuat sebelumnya.
4. Implementasi
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui penyelesaian permasalahan reduksi gangguan sinyal/ noise pada rekaman suara pernapasan dengan menggunakan wavelet transform based filter. Setelah itu dilakukan perancangan sistem berdasarkan sistem berdasarkan analisis yang telah dibuat sebelumnya.
5. Pengujian
Pada tahap ini dilakukan pengujian aplikasi yang telah dibuat untuk mengetahui apakah aplikasi tersebut sudah berjalan dengan benar dan sesuai dengan perancangan yang telah dilakukan sebelumnya.
6. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan dokumentasi dari hasil analisis dan implementasi dari aplikasi yang telah dibuat.
1.7. Sistematika Penulisan
Sistematika penulisan skripsi ini dibagi menjadi lima bagian utama, yaitu:
Bab 1: Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini membahas teori-teori yang digunakan untuk menyelesaikan permasalahan yang akan dibahas pada penelitian ini.
Bab 3: Analisis dan Perancangan
Bab ini berisi analisis dan penerapan wavelet transform based filter untuk mereduksi gangguan sinyal/ noise pada rekaman suara pernapasan. Bab ini juga berisi perancangan sistem dan perancangan antarmuka dari aplikasi yang akan dibuat.
Bab 4: Implementasi dan Pengujian
Pada bab ini dibahas implementasi dari aplikasi yang akan dibuat. Setelah itu dilakukan pengujian untuk memastikan apakah hasil yang didapat sesuai dengan sasaran yang diharapkan atau tidak.
Bab 5: Kesimpulan dan saran
BAB 2
LANDASAN TEORI
2.1.Suara Pernapasan
Menurut Sovijärvi et al. (2000), suara pernapasan adalah semua suara yang berhubungan dengan pernapasan termasuk suara napas, suara adventif, suara batuk, suara dengkur, suara bersin, dan suara dari otot pernapasan. Sebagai catatan bahwa suara yang timbul saat bernafas tidak termasuk dalam suara pernapasan.
Menurut Baydar (2003), suara pernapasan dapat diklasifikasi menjadi dua kelompok seperti suara napas dan suara adventif (abnormal). Suara napas yang terdengar dari dada subyek yang sehat disebut suara napas normal. Suara napas normal keduanya yaitu inspirasi dan ekspirasi. Keduanya terjadi ketika udara bergerak masuk dan keluar selama siklus pernapasan reguler. Suara adventif merupakan suara pernapasan tambahan dalam suara napas. Suara ini terjadi tanpa terduga selama siklus pernapasan reguler. Variabilitas yang cukup besar dalam karakteristik struktur suara pernapasan di antara individu, terkadang membuat sulit untuk memastikan keabnormalan suatu suara.
Gavriely & Cugell (1995) membagi suara adventif menjadi dua jenis utama. Yang pertama yaitu suara adventif kontinu, yang dinamakan, wheeze, rhonchi, dan
stridor. Yang kedua yaitu suara adventif diskontinu, yang dinamakan, crackle dan
squawk. Kehadiran suara adventif diskontinu biasanya mengindikasi penyakit paru. Menurut Matondang et al. (2003) suara napas dasar terdiri dari beberapa bagian yaitu:
a. Suara napas vesikular
Adalah suara napas normal yang terjadi karena udara masuk dan keluar melalui jalan napas suara inspirasi lebih keras dan lebih panjang daripada
suara ekspirasi dan terdengar seperti membunyikan „fff‟ dan „www‟. Suara
napas abnormal akan melemah karena terjadi penyempitan bronkus (bronkostenois) dan setiap keadaan yang menyebabkan ventilasi berkurang atau bertambahnya hambatan konduksi suara, atau keduanya. Keadaan tersebut terdapat pada pasien yang menderita pneunomia, edema paru, pneumotoraks atau emfisema.
b. Suara napas bronkial
Pada suara ini terdengar inspirasi keras yang disusul oleh ekspirasi yang lebih keras, dapat disamakan seperti bunyi „khkhkh‟. Dalam keadaan normal, suara napas bronkial hanya terdengar pada bronkus bear kanan dan kiri, di daerah parasternal atas di dada depan dan di daerah interskapular di belakang. Bila suara napas bronkial terdengar di tempat lain, berarti terdapat konsolidasi yang luas misalnya pada pneumonia lobaris.
c. Suara napas amforik
Suara napas ini menyerupai bunyi tiupan di atas mulut botol kosong, dapat didengar pada kaverne.
d. Cog-wheel breath sound
Menyatakan terdapatnya suara napas terputus-putus, tidak kontinu, baik pada fase inspirasi maupun fase ekspirasi.
e. Metamorphosing breath sound
Suara napas ini dimulai dengan suara yang halus kemudian mengeras, atau dimulai dengan vesikular kemudian berubah menjadi bronkial.
Sedangkan suara napas tambahan pada auskultasi terdiri dari: a. Ronki basah dan ronki kering
9
ekstraluminar. Ronki kering lebih jelas terdengar pada fase ekspirasi daripada fase inspirasi.
b. Krepitasi
Adalah suara alveoli. Krepitasi normal dapat terdengar di belakang bawah dan samping pada waktu inspirasi sesudah istirahat dalam keadaan telentang dalam beberapa waktu.
c. Bunyi gesekan pleura (pleural fiction rub)
Terdapat pada pleuritis fibrinosa suara yang terdengar adalah suara gesekan kasar seolah-olah dekat dengan telinga, baik pada fase inspirasi maupun ekspirasi.
d. Sukusio Hippocrates
Terdapat pada seropneumotoraks, yakni kalau dada digerak-gerakkan akan terdengar suara kocokan, suara ini jarang terdengar pada anak-anak. Pada keadaan ini biasanya dinding perut bagian atas tampak amat cekung.
2.2.Suara Napas Abnormal
Menurut Schriber (2011), ada beberapa jenis suara napas abnormal. Empat jenis yang paling umum adalah:
1. Rales (Crackles)
Merupakan suara yang mengklik kecil, menggelegak, atau gemeretak suara di paru-paru. Diyakini terjadi ketika udara membuka ruang udara tertutup. Rales
dapat dibagi lagi lebih lanjut sebagai moist, dry, fine, dan coarse. 2. Ronki
Merupakan suara yang menyerupai mendengkur. Terjadi ketika udara diblokir atau menjadi kasar melalui saluran udara besar.
3. Wheezing
Merupakan suara bernada tinggi yang dihasilkan oleh penyempitan saluran udara. Dapat didengar ketika seseorang bernafas keluar (menghembuskan).
Wheezing dan suara abnormal lainnya terkadang dapat terdengar tanpa stetoskop.
4. Stridor
Merupakan suara seperti Wheezing yang didengar ketika seseorang bernafas. Biasanya terjadi adalah karena penyumbatan aliran udara dalam pipa udara (trakea) atau di bagian belakang tenggorokan.
2.3.Karakteristik Suara Paru-paru dan Noise
Menurut Sukresno et al. (2009), puncak suara paru-paru normal biasanya terdapat pada frekuensi di bawah 100 Hz. Energi suara paru-paru menurun dengan tajam antara 100 - 200 Hz, tetapi masih dapat dideteksi pada atau di atas 800 Hz dengan alat sensitif.
Menurut Earis & Cheetham (2000), noise atau gangguan sinyal seperti suara otot pernapasan, suara gerak dada, suara jantung, dan suara frekuensi rendah lain, terdapat diantara frekuensi 50 sampai dengan 150 Hz.
2.4.WAVE
11
Gambar 2.1 Format fileWAVE
Penjelasan mengenai gambar 2.1 dapat dilihat pada tabel 2.1.
Tabel 2.1 Deskripsi format berkas WAVE
Offset Ukuran Nama Deskripsi
0 4 ChunkID “RIFF” dalam bentuk ASCII
(0x52494646 big endian form) 4 4 ChunkSize (36 + Subchunk2Size) atau (4 + (8 +
Subchunk1Size) + (8 + Subchunk2Size))
8 4 Format “WAVE” (0x57415645 big endian form)
12 4 Subchunk1ID “fmt” (0x666d7420 big endian form)
16 4 Subchunk1Size 16 untuk PCM
Tabel 2.1 Deskripsi format berkas WAVE (lanjutan)
Offset Ukuran Nama Deskripsi
20 2 AudioFormat PCM = 1
Nilai lebih dari 1 mengindikasi beberapa bentuk kompresi
22 2 NumChannels Mono = 1, Stereo = 2, dll
24 4 SampleRate 8000, 44100, dll
28 4 ByteRate SampleRate * NumChannels *
BitsPerSample/8
32 2 BlockAlign NumChannels * BitsPerSample/8
34 2 BitsPerSample 8 bits = 8, 16 bits = 16, dll
36 4 Subchunk2ID “data” (0x64617461 big-endian form) 40 4 Subchunk2Size NumSamples * NumChannels *
BitsPerSample/8
44 * Data Data aktual suara
2.5.Wavelet Transform
Walker & Foo (2003) menyatakan bahwa metode fourier hanya merinci konten spektral sebuah sinyal dalam domain frekuensi. Informasi domain waktu untuk kejadian tertentu menghilang selama transformasi fourier karena preservasi dari kejadian waktu tidak dianggap. Kondisi ini dapat diabaikan jika sinyal stasioner. Namun, untuk sinyal stasioner seperti ucapan, waktu dan informasi domain frekuensi penting untuk menghindari hilangnya informasi yang signifikan dalam sinyal. Walker & Foo (2003) mengajukan analisis wavelet sebagai metode alternatif untuk mengatasi masalah pada Fourier. Wavelet menggunakan konsep analisis multiresolusi (contohnya representasi waktu dan skala frekuensi) untuk memproduksi dekomposisi yang presisi dari sinyal sehingga didapatkan representasi sinyal yang akurat. Detil karakteristik seperti diskontinuitas kecil, kesamaan, dan bahkan derivasi orde tinggi yang dapat disembunyikan oleh analisis fourier konvensional dapat terungkap.
Wavelet merupakan keluarga dari fungsi ψa,b(t) diturunkan dari sebuah base
13
√ (2.1)
Dimana a adalah parameter dilatasi (skala) dan b adalah parameter translasi.
Continuous wavelet transform dari satu dimensi (1-D) fungsi f(t) L2( ), dimana L2( ) menunjuk vector space yang dapat diukur, square-integrable 1-D fungsi f(t), didefinisikan dalam Hilbert space, sebagai proyeksi fungsi di atas wavelet setψa,b(t),
sebagai contoh pada persamaan (2.2).
√ ∫ (2.2)
Dimana * merepresentasikan konjugasi kompleks. Oleh karena set ψa,b(t)
merentang space berisikan f(t), rekonstruksi f(t) dapat dicapai melalui inverse wavelet transform (IWT), didefinisikan pada persamaan (2.3).
∫ ∫
(2.3)
Dimana didefinisikan pada persamaan (2.4) dan ̂ adalah fourier transform (FT) dari ψ(t).
∫ | ̂ || | (2.4)
2.6.Analisis Multiresolusi
Analisis dengan wavelet transform dilakukan dalam basis multi dimensi. Sehingga dapat dilakukan suatu dekomposisi pada suatu sinyal dalam beberapa tingkat (level), dimana tiap tingkat merepresentasikan suatu informasi yang terkandung dalam suatu sinyal. Secara skematis, tahapan untuk melakukan multiresolution decomposition
dapat dilihat pada gambar 2.2.
g[n] ↓↓22
Gambar 2.2 Penerapan dekomposisi pada Discrete Wavelet Transform; dimana g[n] adalah high pass filter; h[n] adalah low pass filter
Analisis wavelet pada dasarnya merupakan pergeseran dan penskalaan suatu bentuk energi terbatas yang disebut mother wavelet ψ(t) terhadap sinyal yang diinginkan. Sehingga transformasi wavelet diskrit dapat dituliskan pada persamaan (2.5).
⁄ (2.5)
Dimana j adalah parameter perluasan (penskalaan) dan k adalah parameter pergeseran. Dalam praktisnya, transformasi wavelet yang diwujudkan dalam dekomposisi sinyal masukan, terbagi menjadi dua bentuk gelombang berdasarkan jenis filter yang digunakan. Low pass filter menghasilkan suatu bentuk gelombang yang disebut aproksimasi dan high pass filter menghasilkan bentuk gelombang acak yang disebut detail. Pembentukan kedua gelombang tersebut menggunakan pendekatan analisis resolusi jamak terhadap frekuensi yang berbeda. Yang dimaksud dengan resolusi adalah pemisahan dari setiap sinyal yang berubah-ubah menjadi bobot (skala) deret cuplikan yang digeser. Jadi, analisis resolusi jamak berhubungan dengan penskalaan wavelet. Gelombang yang dihasilkan dari pemfilteran low pass yaitu aproksimasi, akan diperluas oleh satu fungsi translasi yang disebut father wavelet atau fungsi penskalaan yang dapat ditulis pada persamaan (2.6).
15
Adapun gelombang yang dihasilkan dari filtrasi high pass yaitu detail akan diperluas oleh suatu fungsi translasi dengan parameter penskalaan tertentu yang disebut mother wavelet atau fungsi wavelet yang dapat dituliskan pada persamaan (2.7).
⁄ ( ) (2.7)
Sehingga hubungan fungsi wavelet dan fungsi penskalaan untuk sinyal masukan s dapat dituliskan pada persamaan (2.8).
∑ ∑ ∑ (2.8)
Dalam perluasan ini, koefisien-koefisien Ck ditunjukkan sebagai
koefisien-koefisien aproksimasi pada skala J0. Adapun koefisien-koefisien dj,k
merepresentasikan detail sinyal pada skala yang berbeda. Hubungan koefisien-koefisien wavelet terhadap sinyal masukan dapat ditulis dalam persamaan (2.9) dan persamaan (2.10).
(2.9)
(2.10)
2.7. Denoising
Prinsip kerja proses menghilangkan gangguan sinyal atau noise menggunakan transformasi wavelet diskrit pada dasarnya dibagi menjadi tiga proses (Fahruzi, 2012), yaitu:
1. Proses dekomposisi sinyal suara menjadi band-band frekuensi. Dekomposisi yang dilakukan pada sinyal suara sampai level 8 dengan menggunakan
Daubechies (db4) sebagai mother wavelet-nya.
2. Detail koefisien pada proses dekomposisi digunakan untuk menemukan nilai standar untuk proses denoising sinyal suara.
3. Hasil proses threshold terhadap detail koefisien. Sinyal suara selanjutnya
direkonstruksi secara up sampling untuk menghasilkan sebuah sinyal suara yang bersih dari noise.
2.8.Threshold
Ada dua jenis teknik dalam melakukan threshold, yaitu soft thresholding dan hard thresholding (Mertins, 1999). Soft thresholding ditunjukkan dalam persamaan non-linier (2.11). Hard thresholding ditunjukkan dalam persamaan non-linier (2.12).
̂ {
2.9.Signal-to-Noise Ratio (SNR)
Signal-to-noise ratio secara umum dapat didefinisikan sebagai rasio berdimensi power
sinyal dengan power noise yang terkandung dalam sebuah rekaman (Johnson, 2006).
Asignal = root mean square (RMS) amplitudo sinyal
Anoise = root mean square (RMS) amplitudo noise
Jika terdapat sebuah set n {x1, x2, ..., xn}, maka RMS dapat didefinisikan seperti pada persamaan (2.14).
17
SNR dapat disajikan dalam desibel seperti pada persamaan (2.15).
[ ] (2.15)
Semakin besar nilai SNR, menunjukkan perbaikan terhadap sinyal. Sebaliknya semakin kecil nilai SNR, menunjukkan bahwa sinyal mengalami penurunan kualitas atau mengalami kerusakan (Sukresno et al. 2009).
2.10.Penelitian Terdahulu
Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Pada tabel 2.2 akan dijelaskan beberapa penelitian terdahulu yang berkaitan dengan topik ini.
Tabel 2.2 Penelitian Terdahulu No. Peneliti Tahun Metode yang
Digunakan
Keterangan
1 Hadjileontiadis & Panas
1997 Wavelet Transform Based
Stationary-1998 Wavelet Transform Based
Stationary-2003 Wavelet Transform Based Filter
Mereduksi suara jantung pada sinyal suara paru-paru yang telah direkam pada laju aliran rendah dan
menengah.
Tabel 2.2 Penelitian Terdahulu (lanjutan)
No. Peneliti Tahun Metode yang
Digunakan
Keterangan
4 Falk & Chan 2008 Spectro-Temporal Representation
Filter modulasi bandpass
& bandstop dirancang untuk memisahkan sinyal
suara jantung &sinyal suara paru-paru dari rekaman suara napas 5 Riella et al. 2009 High Pass Filtering Eliminasi suara jantung
dan suara adventif kontinu jenis lain seperti ronki. 6 Sukresno et al. 2009 Filter Adaptif Filter adaptif dirancang
sebagai noise cancellar
dengan algoritma
recursive least square
(RLS) untuk mereduksi suara jantung dari rekaman
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas analisis wavelet transform based filter pada sistem dan membahas tahap-tahap yang dilakukan pada sistem yang akan dibangun.
3.1. Data Yang Digunakan
Data yang digunakan dalam penelitian ini adalah data rekaman suara pernapasan menggunakan stetoskop digital dari perusahaan Littmann. Data yang ada dapat dilihat seperti yang dirangkum pada tabel 3.1.
Tabel 3.1 Rangkuman Data Rekaman Suara Pernapasan
No. Jenis Suara Rekaman Bagian
1. Bronkial Lobus bawah kiri
2. Coarse Crackles Lobus bawah kanan
3. Fine Crackles dengan Bronkial yang
gugur Lobus tengah kanan
4. Fine Crackles Dasar paru-paru
5. Inspirasi Stridor Trakea
6. Trakea Normal Trakea interskapula
7. Vesikular Normal Lobus bawah kanan, Lobus bawah kiri
8. Gesekan Pleura Lobus tengah kanan
9. Rhonchus Lobus bawah kanan
10. Wheezing Lobus bawah kiri
3.2. Analisis Sistem
Analisis sistem bertujuan untuk mengidentifikasi sistem yang akan dikembangkan. Analisis diperlukan sebagai dasar perancangan sistem. Pada penelitian ini, terdapat lima tahap proses yaitu tahap preprocess, tahap dekomposisi sinyal, tahap threshold, tahap rekonstruksi sinyal, dan tahap final process.
Adapun tahapan dari preprocess yaitu sebagai berikut: 1. Masukkan berkas audio rekaman suara pernapasan. 2. Inisialisasi data, audioinputstream, berkas.
3. Jika berkas mengindikasi path rekaman suara yang digunakan sebagai masukan, maka ambil stream audio dari berkas dan tentukan sebagai
audioinputstream. Jika tidak, cetak “Tidak dapat membaca” dan hentikan
tahap preprocess.
4. Tentukan data sebagai larik bertipe byte dari audioinputstream. 5. Mulai pembacaan data dan kembalikan sebagai larik bertipe byte. 6. Hitung panjang data dan berikan hasilnya sebagai nilai N.
7. Inisialisasi larik d bertipe double.
8. Dengan menggunakan persamaan (3.1), baca kembali data dan kembalikan sebagai larik bertipe double dengan nilai antara -1.0 dan +1.0.
[ ] [ ] [ ] (3.1)
dimana:
d[] = larik data bertipe double
i = indeks larik
N = panjang berkas data dalam bentuk integer
data[] = larik data bertipe byte
9. Hasil dari tahapan preprocess yaitu larik d dengan nilai larik bertipe double
dalam setiap indeks.
Adapun tahapan dari dekomposisi sinyal yaitu sebagai berikut:
21
2. Inisialisasi tingkat dekomposisi dengan nilai 2. 3. Inisialisasi panjang sinyal masukan.
4. Inisialisasi currentLevelLength dengan nilai panjang sinyal masukan sebagai nilai awal.
5. Inisialisasi larik result dengan panjang sama dengan panjang sinyal masukan. 6. Lakukan perulangan untuk proses dekomposisi sebanyak tingkat dekomposisi. 7. Dalam perulangan lakukan dekomposisi untuk bagian low pass filter dengan
persamaan (3.2).
[ ] (3.2)
[ ] (3.3)
[ ] (3.4)
[ ] (3.5)
[ ] (3.6)
√ √ (3.7)
√ √ (3.8)
√ √ (3.9)
√ √ (3.10)
dimana:
tmp[j] = larik hasil dekomposisi bagian low pass filter i = indeks larik untuk vi
j = indeks larik untuk tmp c = currentLevelLength si = sinyal masukan
k0 = koefisien pertama wavelet transform k1 = koefisien kedua wavelet transform k3 = koefisien ketiga wavelet transform k4 = koefisien keempat wavelet transform
8. Lakukan dekomposisi untuk bagian high pass filter dengan persamaan (3.11).
[ ] (3.11)
[ ] (3.12)
[ ] (3.13)
[ ] (3.14)
[ ] (3.15)
dimana:
tmp[j+1] = larik hasil dekomposisi bagian high pass filter i = indeks larik untuk vi
j = indeks larik untuk tmp c = currentLevelLength si = sinyal masukan
k0 = koefisien pertama wavelet transform k1 = koefisien kedua wavelet transform k3 = koefisien ketiga wavelet transform k4 = koefisien keempat wavelet transform
9. Tambahkan 2 pada nilai indeks larik sinyal masukan dan indeks larik tmp. 10.Jika nilai indeks larik tmp lebih besar dari nilai currentLevelLength, hentikan
perulangan.
11.Duplikasi larik tmp, simpan dalam larik result.
12.Atur keluaran agar bagian low pass filter di setengah depan keluaran dan bagian high pass filter di setengah belakang keluaran. Lakukan perulangan, terapkan persamaan (3.16) dan persamaan (3.17) untuk setiap indeks larik
result.
[ ] [ ] (3.16)
[ ] [ ] (3.17)
dimana:
result[i] = larik klon dari tmp
23
j = indeks larik untuk tmp c = currentLevelLength
13.Jika perulangan untuk mengatur output selesai, ubah nilai currentLevelLength
dengan membagi 2. Simpan result dalam sinyal masukan, ulangi proses dekomposisi sampai nilai i lebih besar dari tingkat dekomposisi.
14.Hasil dari tahap dekomposisi adalah result dengan nilai larik bertipe double
dalam setiap indeks.
Adapun tahapan dari threshold yaitu sebagai berikut:
1. Inisialisasi sinyal masukan, panjang sinyal, threshold, standar deviasi, sinyal suara pernapasan, noise.
2. Hitung nilai standar deviasi sinyal input menggunakan persamaan (3.18).
√ ∑ ̅ (3.18)
dimana:
σ = standar deviasi
N = panjang sinyal input
x1, x2, ..., xN = nilai-nilai (nilai indeks larik) yang membentuk sinyal
̅ = rata-rata nilai-nilai yang membentuk sinyal
3. Hitung nilai threshold dengan menggunakan persamaan (3.19) (Strang & Nguyen, 1995).
√ (3.19)
dimana:
t = threshold
σ = standar deviasi
N = panjang sinyal input
4. Lewatkan setiap indeks larik melalui threshold. Pendekatan threshold yang digunakan dalam penelitian ini adalah hard thresholding. Namun, untuk mencoba menghilangkan white noise dari sinyal, maka hard thresholding
dimodifikasi. Jika nilai pada indeks larik lebih besar atau sama dengan
threshold maka masukkan ke dalam larik pembentuk noise. Sebaliknya, jika nilai pada indeks larik lebih kecil dari threshold maka masukkan ke dalam larik pembentuk sinyal suara pernapasan.
5. Hasil dari tahap threshold adalah larik pembentuk sinyal suara pernapasan dan larik pembentuk noise.
Adapun tahapan dari rekonstruksi sinyal yaitu sebagai berikut:
1. Inisialisasi sinyal masukan dengan hasil dari proses dekomposisi sebagai nilainya.
2. Inisialisasi tingkat rekonstruksi dengan nilai 2. 3. Inisialisasi panjang sinyal masukan.
4. Inisialisasi currentLevelLength dengan nilai yang dicari menggunakan persamaan (3.20) sebagai nilai awal.
(3.20)
dimana:
c = currentLevelLength N = panjang sinyal input
5. Inisialisasi larik result dengan melakukan duplikasi pada sinyal masukan. 6. Lakukan perulangan untuk proses rekonstruksi sebanyak tingkat rekonstruksi. 7. Ubah urutan sinyal masukan dari sebelumnya terbagi dua, setengah low pass
filter dan setengah high pass filter, menjadi selang-seling low pass filter–high pass filter.
8. Lakukan perulangan untuk proses rekonstruksi menggunakan persamaan (3.21) dan persamaan (3.26).
[ ] (3.21)
25
[ ] (3.23)
[ ] (3.24)
[ ] (3.25)
[ ] (3.26)
[ ] (3.27)
[ ] (3.28)
[ ] (3.29)
[ ] (3.30)
9. Hasil dari tahap rekonstruksi adalah result dengan nilai larik bertipe double
untuk masing-masing larik pembentuk noise dan larik pembentuk sinyal suara pernapasan.
Adapun tahapan dari final process yaitu sebagai berikut:
1. Inisialisasi nama berkas dan larik masukan bertipe double.
2. Inisialisasi format audio dengan spesifikasi 44.100 sample rate, 16 bit audio,
mono, signed PCM, dan little endian.
3. Inisialisasi larik data bertipe byte dengan panjang sama dengan 2 kali panjang larik input.
4. Lakukan perulangan untuk memulai konversi dari larik masukan bertipe
double menjadi larik bertipe byte dan menyimpannya dalam larik data.
5. Simpan file dengan pengaturan audio file format WAVE. Gunakan format audio dan nama berkas yang telah diinisialisasikan.
6. Hitung signal-to-noiseratio.
Start
data = null , datainputstream = null , file
audioinputstream = getaudioinputstream(file)
file.exist()
Tidak dapat membaca file
data = byte[audioinputstream]
audioinpustream.read(data)
N = data.length
d = [N / 2]
i = 0
d[i] = ((short) (((data[2*i+1] & 0xFF) << 8) + (data[2*i] &0xFF))) / ((double) MAX_16_BIT)
i < N / 2
i = i + 1
Stop Yes
No
Yes
No A
27
tmp[j] = k0*si[index] + k1*si[index+1] + k2*si[(index+2)%currentlvllength] +
k3*si[(index+3)%currentlvllength]
tmp[j+1] = k3*si[index] - k2*si[index+1] + k1*si[(index+2)%currentlvllength] -
Gambar 3.2 Flowchart tahapan dekomposisi
si, lth, t, sum=0,
29
tmp[j] = result[index] result = tmp.clone() , j = 0
result[j] = k2*tmp[index] + k1*tmp[index+1] + k0*tmp[(index+2)%currentlvllength] +
k3*tmp[(index+3)%currentlvllength]
result[j+1] = k3*tmp[index] - k0*tmp[index+1] + k1*tmp[(index+2)%currentlvllength] -
k2*tmp[(index+3)%currentlvllength]
index = (index + 2)%currentlvllength
j+=2
Gambar 3.4 Flowchart tahapan rekonstruksi
namafile=ne file. a , input = result
format = 44.100 sample_rate , 16 bit_audio , mono , signed_PCM , little_endian
byte[] data = byte[2*input.length]
data[2*i+1] = temp >> 8 data[2*i+0] = temp
31
3.3. General architecture
Menurut Presman (2010), desain arsitektur dari suatu sistem merepresentasikan struktur data dan komponen program yang diperlukan dalam membangun sebuah sistem. Desain arsitektur sangat penting dalam menggambarkan proses dan interaksi antar komponen dalam suatu sistem. Rancangan keseluruhan sistem yang akan dibuat dalam bentuk arsitektur umum yang dapat dilihat pada gambar 3.6.
FINAL PROCESS
THRESHOLD DEKOMPOSISI
PREPROCESS
Baca file wav dan kembalikan sebagai byte
array dalam data[]
Konversi data[] menjadi
double array
Atur bagian LPF di setengah awal output
dan dan HPF di setengah akhir output
Ubah urutan nilai dalam array dari sebelumnya setengah LPF dan setengah HPF menjadi selang
seling LPF-HPF
Terapkan koefisien
wavelet transform
Konversi data[] menjadi
byte array
Gambar 3.6 General Architecture
Penjelasan dari komponen-komponen yang terdapat pada general architecture
adalah sebagai berikut:
a. Berkas rekaman suara pernapasan digunakan sebagai masukan. Suara pernapasan merupakan gabungan dari suara paru-paru dan gangguan sinyal (noise).
b. Suara dapat dimainkan dan dicetak dalam bentuk sinyal.
c. Suara pernapasan kemudian dibaca oleh sistem dan diuraikan menjadi sebuah larik bertipe byte dan disimpan dalam data[].
d. Larik data[] dikonversi ke dalam bentuk larik bertipe double.
e. Larik data[] didekomposisi secara berulang sesuai dengan tingkat dekomposisi yang ditetapkan, menghasilkan dua buah larik yang masing-masing larik mempunyai panjang setengah dari larik data[]. Larik pertama disebut low pass filter dan larik kedua disebut high pass filter.
f. Pada masing-masing larik, diterapkan koefisien wavelet transform.
g. Kedua larik disatukan kembali dalam larik data[] dengan low pass filter
diletakkan di setengah awal dan high pass filter diletakkan di setengah akhir. h. Larik data[] dilewatkan melalui threshold, sehingga menghasilkan dua buah
larik, larik sinyal suara pernapasan dan larik noise.
i. Lakukan rekonstruksi secara berulang sebanyak tingkat rekonstruksi yang telah ditetapkan pada masing-masing larik.
j. Ubah urutan dalam larik data[] dari sebelumnya setengah low pass filter dan setengah high pass filter, menjadi selang seling low pass filter-high pass filter
pada masing-masing larik.
k. Terapkan kembali koefisien wavelet transform pada masing-masing larik. l. Larik data[] kemudian dikonversi dari larik bertipe double menjadi larik
bertipe byte. Format audio dan nama berkas yang telah diatur, diterapkan ke dalam data[].
33
3.4. Perancangan Tampilan Antarmuka
Antarmuka pengguna (user interface) merupakan media yang menjembatani komunikasi antara manusia dan komputer. Perancangan antarmuka bertujuan untuk memberikan gambaran umum tampilan dari aplikasi yang akan dibuat. Pada tampilan antarmuka aplikasi akan ditampilkan panel sinyal, panel tombol, dan panel teks.
Gambar 3.7 Rancangan Jendela Utama (Main Window)
Keterangan:
a. Panel sinyal terletak di bagian atas main window berisi kanvas untuk menampilkan bentuk sinyal.
b. Panel tombol terletak di bagian tengah main window berisi tombol-tombol yang digunakan untuk navigasi aplikasi. Tombol “Open” berfungsi memilih
filesuara yang akan direduksi. Tombol “Play” berfungsi memainkan file suara
yang dipilih sebelumnya. Tombol “Stop” otomotis muncul menggantikan
posisi tombol “Play” ketika file suara sedang dimainkan, berfungsi
menghentikan file suara yang sedang dimainkan.Tombol “Pause” berfungsi menghentikan sesaat file suara yang sedang dimainkan. Tombol “Resume”
otomatis muncul menggantikan posisi tombol “Pause” ketika file suara sedang dimainkan, berfungsi melanjutkan file suara yang dihentikan sesaat. Tombol
“Denoise” berfungsi mereduksi noise dari file suara terpilih. Tombol “Clear Canvas” berfungsi membersihkan panel kanvas sinyal dari gambar sinyal. c. Panel teks terletak di bagian bawah main window berisi text area untuk
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada bab ini akan dijelaskan implementasi dari wavelet transform based filter sesuai perancangan yang telah dijelaskan pada bab 3 serta melakukan pengujian dari sistem yang telah dibuat.
4.1. Implementasi Sistem
Sesuai dengan hasil analisis dan perancangan yang telah dibuat, wavelet transform based filter akan diimplementasikan ke dalam sebuah sistem dengan menggunakan bahasa pemrograman Java.
4.1.1. Spesifikasi hardware dan software yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem adalah sebagai berikut:
1. Processor Intel® Core™2 Duo CPU T6500 (2,10 Ghz) 2. Kapasitas hard disk 320 GB
3. Memory RAM yang digunakan 3 GB
4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 32-bit 5. Eclipse IDE Juno
4.1.2. Implementasi perancangan antarmuka
Adapun implementasi dari perancangan antarmuka yang telah dilakukan sebelumnya adalah sebagai berikut:
a. Jendela utama (main window)
Jendela utama merupakan jendela yang muncul ketika aplikasi dijalankan. Pada jendela ini akan ditampilkan panel sinyal, panel tombol, dan panel teks. Tampilan jendela utama dapat dilihat pada gambar 4.1.
Gambar 4.1 Tampilan Jendela Utama (main window)
4.2. Pengujian Sistem
Pengujian sistem bertujuan untuk mengantisipasi kemungkinan terjadinya error yang terjadi pada komponen ataupun pada interface dari suatu program. Hal ini dilakukan dengan menguji apakah sistem tersebut telah memenuhi functional requirement dan
non-functional requirement (Sommerville, 2004).
Metode pengujian yang diterapkan pada penelitian ini adalah metode black box
37
code, tetapi hanya berfokus pada kebutuhan fungsional sistem berdasarkan input dan
output dari sistem tersebut (Sommerville, 2004).
4.2.1. Rencana pengujian sistem
Rancangan pengujian sistem yang akan diuji dengan teknik black box dapat dilihat pada tabel 4.1.
Tabel 4.1 Rencana Pengujian Sistem
Komponen Sistem yang Diuji Butir Uji
Jendela Utama Tombol “Open”
Kanvas Sinyal
Tombol “Play” Tombol “Stop” Tombol “Pause” Tombol “Resume” Tombol “Denoise” Tombol “Calculate SNR”
Area teks
4.2.2. Kasus dan hasil pengujian sistem
Adapun kasus dan hasil pengujian sistem dengan menggunakan teknik black box
berdasarkan tabel 4.1 adalah sebagai berikut:
a. Jendela Utama
Pada Tabel 4.2 akan dijelaskan skenario pengujian sistem dalam jendela utama.
Tabel 4.2 Hasil Pengujian Komponen Jendela Utama
No. Skenario Uji Hasil yang Diharapkan Hasil Pengujian
1. Mengklik tombol “Open”. Sistem akan menampilkan
jendela pemilihan file suara dan memungkinkan pemilihan file suara.
Berhasil
2. Mengklik tombol “Open”. Sistem akan menampilkan
sinyal dalam kanvas sinyal.
Berhasil
3. Mengklik tombol “Open” Sistem akan berhenti memainkan file suara jika sedang memainkan sebuah
file.
Berhasil
4. Mengklik tombol “Open” Statetombol “Play” akan
berganti dari disable
menjadi enable.
Berhasil
5. Mengklik tombol “Open” Statetombol “Denoise”
akan berganti dari disable
menjadi enable.
Berhasil
6 Mengklik tombol “Open” Statetombol “Pause” akan
berganti dari disable
menjadi enable.
7. Mengklik tombol “Play” Sistem akan memainkan
file suara yang dipilih.
Berhasil
8. Mengklik tombol “Play” Tombol “Play” berganti
menjadi tombol “Stop”.
Berhasil
9. Mengklik tombol “Play” Statetombol “Pause” akan
berganti dari disable
menjadi enable.
Berhasil
10. Mengklik tombol “Stop” Sistem akan menghentikan
file suara yang sedang dimainkan.
39
Tabel 4.2 Hasil Pengujian Komponen Jendela Utama (lanjutan)
No. Skenario Uji Hasil yang Diharapkan Hasil Pengujian
11. Mengklik tombol “Stop” Tombol “Stop” berganti
menjadi tombol “Play”.
Berhasil
12. Mengklik tombol “Stop” Statetombol “Pause” akan
berganti dari enable
menjadi disable.
Berhasil
13. Mengklik tombol “Pause” Sistem akan
menghentikan sesaat file suara yang sedang dimainkan.
Berhasil
14. Mengklik tombol “Pause” Tombol “Pause” berganti
menjadi tombol
“Resume”.
Berhasil
15. Mengklik tombol “Denoise” Sistem akan mereduksi
noise dari file suara yang dipilih.
Berhasil
16. Mengklik tombol “Denoise” Statetombol “Calculate
SNR” akan berganti dari disable menjadi enable.
Berhasil
17. Mengklik tombol
“Calculate SNR”
Sistem akan menghitung
Signal to Noise Ratio
(SNR) file suara yang noisenya telah direduksi.
Berhasil
18. Mengklik tombol “Clear
Canvas”
Sistem akan
membersihkan panel kanvas sinyal dari sinyal.
Berhasil
4.2.3. Pengujian kinerja sistem
Misalkan terdapat sebuah data rekaman suara pernapasan berupa berkas audio yang memiliki bentuk sinyal seperti yang terdapat pada gambar 4.2.
Gambar 4.2 Sinyal suara pernapasan
Langkah-langkah pereduksian noise menggunakan wavelet transform based filter untuk data pada gambar 4.2 adalah sebagai berikut:
1. Ubah data ke dalam bentuk larik bertipe byte. Setelah larik bertipe byte
didapatkan, ubah lagi menjadi larik bertipe double menggunakan persamaan (3.1). Cuplikan data dalam bentuk larik bertipe double dapat dilihat pada tabel 4.3.
Tabel 4.3 Data dalam Bentuk Larik bertipe Double Indeks Larik Nilai dalam Larik bertipe Double
1 3.051850947599719E-5 2 -6.103701895199438E-5 3 6.103701895199438E-5 4 -3.051850947599719E-5
5 0.0
... ...
661742 -8.545182653279214E-4
41
Tabel 4.4 Hasil Dekomposisi
Indeks Larik Nilai dalam Larik bertipe Double
1 -3.81481368449964E-6 suara pernapasan yang dapat dilihat pada tabel 4.5 dan larik pembentuk noise
yang dapat dilihat pada tabel 4.6.
Tabel 4.5 Sinyal Suara Pernapasan Hasil Threshold Indeks Larik Nilai dalam Larik bertipe Double
1 -3.81481368449964E-6
Tabel 4.6 Noise Hasil Threshold
Indeks Larik Nilai dalam Larik bertipe Double
4. Lakukan rekonstruksi tingkat 2 terhadap data menggunakan persamaan (3.21) dan persamaan (3.26). Hasil dari proses ini yaitu larik pembentuk sinyal suara pernapasan yang dapat dilihat pada tabel 4.7 dan larik pembentuk noise yang dapat dilihat pada tabel 4.8.
Tabel 4.7 Sinyal Suara Pernapasan Hasil Rekonstruksi
Indeks Larik Nilai dalam Larik bertipe Double
1 9.275557384194255E-6 2 9.61220345432923E-6 3 -3.054974059544135E-5 4 -9.844845744467782E-5 5 2.200044358744676E-4 ... ...
661742 0.0
Tabel 4.8 Noise Hasil Rekonstruksi
Indeks Larik Nilai dalam Larik bertipe Double
1 -0.13472776269294062 2 -0.2720474027884994 3 -0.18758211680906953 4 -0.4306104651368863 5 -0.3084920917446484 ... ...
661742 0.0
43
Gambar 4.3 Sinyal suara pernapasan setelah melalui filter
Gambar 4.4 Noise setelah melalui filter
4.2.4. Pengujian data
Pada tahap ini dilakukan pengujian untuk menghitung seberapa besar noise yang berhasil direduksi dari suara pernapasan. Data yang digunakan berjumlah 10 data. Pengujian dilakukan dengan menghitung Signal-to-noise ratio (SNR) tiap data.
Tabel 4.9 Hasil Pengujian Reduksi Noise dari Suara Pernapasan
No. Jenis Suara SNR SNRdB
1. Bronkial 27343069.6625 74.3685
2. Coarse Crackles 3703.9998 35.6867
3. Fine Crackles dengan
Bronkial yang gugur 1136888.1451 60.5572
4. Fine Crackles 333675.9167 55.2332
5. Inspirasi Stridor 223332.4093 53.4895
6. Trakea Normal 551447.7650 57.4150
7. Vesikular Normal 15976.8616 42.0349
Tabel 4.9 Hasil Pengujian Reduksi Noise dari Suara Pernapasan (Lanjutan)
No. Jenis Suara SNR SNRdB
8. Gesekan Pleura 4389520.3479 66.4242
9. Rhonchus 294575.3748 54.6920
10. Wheezing 686282.2578 58.3650
Berikut penjelasan merinci pengujian yang dilakukan pada tiap data:
1. Bronkial
Gambar 4.5 memperlihatkan perubahan yang terjadi pada sinyal bronkial. Bentuk sinyal setelah direduksi nampak lebih besar daripada sinyal sebelum direduksi karena amplitudo gelombang sinyal setelah direduksi lebih kecil dibandingkan amplitudo gelombang sinyal sebelum direduksi, ini adalah efek penyesuaian resolusi gambar sinyal oleh sistem. Dari tabel 4.9, dapat dilihat bahwa sinyal yang telah direduksi memiliki SNRdB sebesar 74.3685 desibel. Ini menunjukkan bahwa terjadi perbaikan kualitas pada sinyal. Jika didengarkan, suara jantung sudah lebih berkurang.
Gambar 4.5 Sinyal bronkial sebelum reduksi noise (atas) dan sinyal setelah reduksi
45
2. Coarse Crackles
Gambar 4.6 memperlihatkan perubahan yang terjadi pada sinyal coarse crackles. Bentuk sinyal setelah direduksi nampak lebih besar daripada sinyal sebelum direduksi karena amplitudo gelombang sinyal setelah direduksi lebih kecil dibandingkan amplitudo gelombang sinyal sebelum direduksi, ini adalah efek penyesuaian resolusi gambar sinyal oleh sistem. Dari tabel 4.9, dapat dilihat bahwa sinyal yang telah direduksi memiliki SNRdB sebesar 35.6867 desibel. Ini menunjukkan bahwa terjadi perbaikan kualitas pada sinyal.
Gambar 4.6 Sinyal coarse crackles sebelum reduksi noise (atas) dan sinyal setelah reduksi noise (bawah)
3. Fine Crackles dengan Bronkial yang gugur
Gambar 4.7 memperlihatkan perubahan yang terjadi pada sinyal fine crackles
dengan bronkial yang gugur. Bentuk sinyal setelah direduksi nampak lebih besar daripada sinyal sebelum direduksi karena amplitudo gelombang sinyal setelah direduksi lebih kecil dibandingkan amplitudo gelombang sinyal sebelum direduksi, ini adalah efek penyesuaian resolusi gambar sinyal oleh sistem. Dari tabel 4.9, dapat dilihat bahwa sinyal yang telah direduksi memiliki SNRdB sebesar 60.5572 desibel. Ini menunjukkan bahwa terjadi perbaikan kualitas pada sinyal.
Gambar 4.7 Sinyal fine crackles dengan bronkial yang gugur sebelum reduksi noise (atas) dan sinyal setelah reduksi noise (bawah)
4. Fine Crackles
47
Gambar 4.8 Sinyal fine crackles sebelum reduksi noise (atas) dan sinyal setelah reduksi noise (bawah)
5. Inspirasi Stridor
Gambar 4.9 memperlihatkan perubahan yang terjadi pada sinyal inspirasi
stridor. Bentuk sinyal setelah direduksi nampak lebih besar daripada sinyal sebelum direduksi karena amplitudo gelombang sinyal setelah direduksi lebih kecil dibandingkan amplitudo gelombang sinyal sebelum direduksi, ini adalah efek penyesuaian resolusi gambar sinyal oleh sistem. Dari tabel 4.9, dapat dilihat bahwa sinyal yang telah direduksi memiliki SNRdB sebesar 53.4895 desibel. Ini menunjukkan bahwa terjadi perbaikan kualitas pada sinyal.
Gambar 4.9 Sinyal inspirasi stridor sebelum reduksi noise (atas) dan sinyal setelah reduksi noise (bawah)
6. Trakea Normal
49
Gambar 4.10 Sinyal trakea normal sebelum reduksi noise (atas) dan sinyal setelah reduksi noise (bawah)
7. Vesikular Normal
Gambar 4.11 memperlihatkan perubahan yang terjadi pada sinyal vesikular normal. Bentuk sinyal setelah direduksi nampak lebih besar daripada sinyal sebelum direduksi karena amplitudo gelombang sinyal setelah direduksi lebih kecil dibandingkan amplitudo gelombang sinyal sebelum direduksi, ini adalah efek penyesuaian resolusi gambar sinyal oleh sistem. Dari tabel 4.9, dapat dilihat bahwa sinyal yang telah direduksi memiliki SNRdB sebesar 42.0350 desibel. Ini menunjukkan bahwa terjadi perbaikan kualitas pada sinyal.
