PENGENALAN TIPE SUARA JANTUNG DENGAN METODE
BACKPROPAGATION
Irmalia Suryani Faradisa Teknik Elektro, ITN Malang
[email protected] ABSTRAK
Salah satu cara yang digunakan dokter untuk mendiagnosis penyakit jantung adalah dengan mendengarkan suara jantung dengan stetoskop. Teknik ini dikenal dengan teknik auskultasi. Suara jantung yang dihasilkan pada beberapa kasus penyakit jantung menunjukkan adanya pola tertentu yang bisa dikenali. Pola suara ini dapat diambil sebagai bahan untuk menentukan diagnosis. Masalah yang timbul adalah suara jantung menempati frekuensi yang cukup rendah yaitu sekitar 20 – 400 Hz, amplitudo yang rendah masalah kebisingan lingkungan, kepekaan telinga dan pola suara yang mirip antara jenis suara jantung yang satu dengan yang lain. Karena faktor-faktor di atas tersebut kesalahan diagnosis bisa terjadi apabila prosedur auskultasi tidak dilakukan dengan benar. Data didapatkan dari situs internet. Pada penelitian ini dibahas cara menganalisis isyarat suara jantung dengan menggunakan metode artifical neural network.Dengan metode ini Sensitivitas yang dicapai > 0.8 sedangkan spesifisitas > 0.75 sedang untuk ketelitian yang dicapai untuk perangkat lebih dari 80%.
Kata-kata kunci: suara jantung, murmur, artificial neural network 1. Pendahuluan
Suara adalah suatu instrumen yang dapat digunakan untuk mendiagnosis banyak hal salah satunya dalam kesehatan untuk mendiagnosis organ internal. Beberapa organ internal dapat menimbulkan suara seperti jantung, paru-paru, otot, dan perut. HaI ini bisa terjadi karena posisi, gerak dan kondisi objek dapat dipahami dari tekanan suara, interval suara dan warna suara.
Untuk mendengarkan dan mengenali suara yang ditimbulkan oleh organ tubuh, seorang dokter cukup menggunakan stetoskop. Suatu diagnosis melalui suara yang ditimbulkan oleh organ tubuh dikenal dengan sebutan teknik auskultasi. Dalam penelitian ini yang akan dianalisis adalah sinyal yang dihasilkan dari suara jantung. Seperti diketahui bahwa suara yang dihasilkan oleh jantung baik suara jantung normal ataupun suara jantung abnormal berada pada frekuensi disaat telinga relatif tidak sensitif yaitu di bawah 500 Hz. Suara jantung yang didengar oleh dokter dengan menggunakan stetoskop sebenarnya terjadi pada saat penutupan katup jantung.
Jantung abnormal memperdengarkan suara tambahan yang disebut murmur, yang disebabkan oleh pembukaan katup yang tidak sempurna (stenosis) dan penutupan katup yang tidak sempurna (regurgitasi), Stenosis mengakibatkan darah dipaksa melewati bukaan yang sempit sedangkan regurgitasi mengakibatkan aliran balik darah. Dalam masing masing kasus suara yang timbul adalah akibat aliran darah melewati bukaan sempit dengan kecepatan tinggi. Ada perbedaan rentang frekuensi antara suara jantung normal (Sl dan S2) dan abnormal (murmur). Suara jantung S1 terdiri terutama atas energi dalam rentang frekuensi 30 hingga 45 Hz, yang sebagian
besar berada di bawah ambang dengar. Suara jantung S2 biasanya memiliki nada yang lebih tinggi dengan energi maksimum berada dalam rentang 50 hingga 70 Hz sedangkan murmur sering menghasilkan suara dengan nada yang jauh lebih tinggi. Suatu murmur regurgitasi menghasilkan suara dengan frekuensi 100 hingga 600 Hz dan bahkan untuk jenis murmur tertentu mempunyai frekuensi hingga 1000 Hz.
Dari sifat-sifat yang ada dari tiap kondisi suara jantung, dicoba untuk mendapatkan ciri khas dari tiap suara jantung. Diharapkan ciri atau pola yang berhasil didapat dapat membedakan jenis suara jantung pada kasus yang satu dengan kasus yang lain.
2. Jantung
Detak jantung menghasilkan suara yang berbeda yang dapat didengarkan pada stetoskop, yang sering dinyatakan dengan lub-dub. Suara lub disebabkan oleh penutupan katup atrioventrikular (tricuspid dan mitral) yang mengalirkan darah dari
atria ke ventricle dan mencegah aliran balik
(Gambar 1).
Gambar 1 Ruang dan Katup Jantung Umumnya hal ini disebut suara jantung pertama (S1l), yang terjadi hampir bersamaan
A-3 dengan timbulnya kompleks QRS elektrokardiogram (EKG) dan terjadi sebelum systole (periode kontraksi jantung) (Gambar 2). Suara dub disebut suara jantung kedua (S2) dan disebabkan oleh penutupan katup semilunar (aortic dan pulmonary ) yang mengalirkan darah ke system sirkulasi sistemik dan paru. Katup ini tertutup pada akhir systole dan sebelum katup atrioventrikular membuka kembali, Suara S2 ini terjadi hampir bersamaan dengan akhir gelombang T elektrokardiogram.
Gambar 2 Relasi EKG dan Suara Jantung [4] Jantung abnormal memperdengarkan suara tambahan yang disebut murmur, murmur disebabkan oleh pembukaan katup yang tidak sempurna (stenosis) dan penutupan katup yang tidak sempurna (regurgitasi), Stenosis mengakibatkan darah dipaksa melewati bukaan yang sempit sedangkan regurgitasi mengakibatkan aliran balik darah.. Dalam masing masing kasus suara yang timbul adalah akibat aliran darah melewati bukaan sempit dengan kecepatan tinggi. Penyebab lain terjadinya murmur adalah adanya kebocoran septum yang memisahkan jantung bagian kiri dan kanan sehingga darah mengalir dari ventrikel kiri ke ventrikel kanan. Hal ini mengakibatkan penyimpangan sirkulasi sistemik. Gambar 3 menunjukkan ragam gelombang suara jantung normal dan beberapa jenis murrnur.
Gambar 3 Ragam Gelombang Suara Jantung Normal dan Abnormal
Ada perbedaan rentang frekuensi antara suara jantung normal (Sl dan S2) dan abnormal (murmur). Suara jantung S1 terdiri terutama atas energi dalam rentang frekuensi 30 hingga 45 Hz, yang sebagian besar berada di bawah ambang dengar. Suara jantung S2 biasanya memiliki nada yang lebih tinggi dengan energi maksimum berada dalam rentang 50 hingga 70 Hz sedangkan mumur sering menghasilkan suara dengan nada yang jauh lebih tinggi. Suatu murmur regurgitasi menghasilkan suara dengan frekuensi 100 hingga 600 Hz dan bahkan untuk jenis murmur tertentu mempunyai frekuensi hingga 1000 Hz [2].
3. Konversi Sinyal Kontinyu ke Diskrit
Sinyal auskultasi bentuk kontinyu. harus dikonversi dengan proses sampling. Dalam proses
sampling bisa terjadi distorsi, juga terbatasnya lebar
pita. Untuk mengatasi maka sinyal sampling harus mempunyai frekuensi tinggi dengan memenuhi kondisi berikut :
(1)
Seluruh sistem melibatkan komputer digital untuk memproses sinyal pada sistem waktu diskrit. Yang pertama sinyal harus dikodekan dalam bilangan biner. Menggunakan transformasi Laplace dapat menyederhanakan manipulasi dari sistem kontinyu. Cara yang lain adalah dengan transformasi Z.
4. Teori Perancangan Filter Digital
Filter digital orde empat secara matematis dapat diimplementasikan dalam dua cara yang berbeda, yaitu (Wood. J.W.W.; 2002):
(3)
Dan
(4) Ada tiga tipe utama pendekatan tanggapan
filter digital, yaitu; Butterworth, Chebyshev (2 versi), dan eliptik
5. Metoda Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuran yang ada-pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk memanfaatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasilkan,seperti sigmoid:
Arsitektur jaringan backpropagation seperti terlihat pada Gambar 4. Fungsi aktivasi yang digunakan, antara lapisan input dan lapisan tersembunyi, dan antara lapisan tersembunyi dengan lapisan output adalah fungsi aktivasi logsig.
Gambar 4 Arsitektur jaringan backpropagation Algoritma Backpropagation:
Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)
Tetapkan: Maksimum Epoh, Target Error, dan Learning Rate(α).
Inisialisasi: Epoh = 0, MSE = 1.
Kerjakan langkah-langkah berikut selama (Epoh < Maksimum Epoh) dan (MSE > Target Error): 1. Epoh = Epoh + 1
2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:
Fedforward :
a. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zi,j=1,2,3,..,p) menjumlahkan sinyal-sinyal input terbobot:
(1) gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
(2) dan kirimkan sinyal tersebut ke semua unit diatasnya (unit-unit output).
c. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot.
(3) gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
(4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
Catatan:
Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.
Backpropagation
d. Tiap-tiap unit output (Yk, k=1,2,3,..,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasii erromya:
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk): hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k). Langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
e. Tiap-tiap unit tersembunyi (zj,j=l,2,3,…,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya),kalikan nilai ini dengan turunan dari fungsi untuk menghitung informasi error,kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij),hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j):
f. Tiap-tiap unit ouput (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotny a (j=0,1,2,...,p): Tiap-tiap unit tersembunyi (Zj=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1.,2,...,n). 3. Hitung MSE.
6. Kerangka Pemikiran
Di dalam penelitian ini akan dirancang suatu sistem Komputer yang dapat mengidentifikasi suara jantung normal atau tidak normal. Data berupa
Heart sounds yang diambil dari beberapa sumber
diinternet diidentifikasikan dengan cara data yang terekam dalam bentuk * .wav, dan frekuensi sampling 8000 Hz data ini dipotong-potong dengan durasi 1 -1.8 detik.
Kerangka konsep pemikiran seperti yang ditunjukkan pada Gambar 5
Gambar 5 Kerangka Konsep Pemikiran 7. Pengamatan Peubah dan Analisis
Dengan menerapkan teori backpropagation, data yang telah diketahui sebagai normal atau
abnormal dengan 9 keadaan dan telah ditentukan
titik awal dan titik akhirnya, digunakan sebagai pembelajaran. Hasilnya diuji-cobakan pada gelombang masukan yang lain. Sehingga diperoleh
Raw Data Filtering Sinyal Transform to Frequency Domain Normalize + Scale Neural Network Tahap I Tahap II Tahap III Tahap IV Berupa Sinyal Software Filter Transformasi Fourier Skala, , Amplitudo, Backpropagation,
A-5 keluaran berupa keputusan, yaitu tergolong normal
atau abnormal dengan 9 keadaan ataupun tidak
pada 10 keadaan tersebut. Secara rinci, pembahasan meliputi
Filtering
Canceling waktu dalam gelombang heartsounds Identifikasi gelombang heartsounds dengan
metode backpropagation Tampilan keluaran
8. Metode Rekayasa Perangkat Lunak
Metode yang digunakan untuk membahas dan menguji data dalam penelitian ini adalah rekayasa perangkat lunak, yaitu dengan merancang perangkat lunak Analisis Isyarat Suara Jantung dengan Neural Network . Adapun flowchart untuk sistem tersebut adalah seperti pada gambar 6
Gambar 6Flowchat Sistem Pengenalan Sinyal Suara Jantung
9. Plot Sinyal
Apabila didengarkan secara manual , kesembilan jenis data tidak dapat dibedakan dengan mudah apabila tidak didengarkan oleh ahlinya untuk itu dibuat plot sinyal dan dilihat spektrum frekuensinya.
Gambar 7 Plot Sinyal dan Spektrum Frekuensi Mitral Stenosis
Gambar 8 Plot Sinyal dan Spektrum Frekuensi Ventrikel Septum Defek
Gambar 9 Plot Sinyal dan Spektrum Frekuensi Holosystolic Murmur
Gambar 10 Plot Sinyal dan Spektrum Frekuensi Aorta Regurgitation
10. Proses Neural Network
Jaringan syaraf ini terdiri dari lapisan input , 2 lapisan tersembunyi, dan lapisan output. Lapisan Mulai Pengenalan Sinyal Proses pembelajaran Proses pembelajaran data
Proses Uji data
Data base pembelajaran Iterasi Proses Pengenalan End Tidak Ya
input terdiri atas 4 neuron. Lapisan tersembunyi utama pertama terdiri atas 10 neuron dengan fungsi aktivasi tansig, sedangkan lapisan tersembunyi kedua terdiri atas 5 neuron dengan fungsi aktivasi logsig. Lapisan output terdiri dari 1 neuron dengan fungsi aktivasi purelin. Sebelum jaringan dibangun, terlebih dahulu dilakukan preprosesing untuk melakukan normalisasi menggunakan mean dan deviasi standart.
Kemudian dibangun jaringan syaraf dengan metode pembelajaran gradien descent dengan momentum (traingdm)
Tentukan bobot awal dan Sebelum dilakukan pelatihan, kita tetapkan parameter terlebih dahulu parameter-parameter yang digunakan sebagai berikut: net.trainparam.epochs = 4000; net.trainParam.goal = 0.001; net.trainParam.Ir = 0.5; net.trainParam.show = 200; trainParam.mc = 0.8;
Setelah melakukan proses pelatihan beberapa kali maka akan didapatkan grafik korelasi seperti dibawah ini.
Gambar 11 Hubungan antara target dengan ouput jaringan untuk data pelatihan
Setelah melakukan proses seperti diatas untuk tiap-tiap suara jantung maka dihasilkan korelasi pada setiap kasus jantung seperti ditunjukkan pada tabel dibawah ini .
Untuk setiap data jantung dicari pula nilai akurasinya dengan memberikan data cek pada setiap kasus suara jantung yang banyaknya bervariasi. Kita ambil contoh saja untuk kasus jantung normal dan Mitral Stenosis.
Tabel 5 Data hasil Uji Untuk Data Kasus Jantung Mitral Stenosis
Data MS
Apakah Sesuai?
Waktu Epoch Korelasi Orang ke- (detik) 1 YA 2 k 200 0.9999 2 YA 900 100.000 0.994 3 YA 2 2 0.999 4 YA 900 100.000 0.991 5 YA 2 2 0.994 6 YA 2 2 0.995 7 YA 120 32425 0.9995 8 YA 1200 150.000 0.993 9 Tidak 1200 150.000 0.795 10 YA 150 35250 0.9995
Dari data tabel 4 dan 6 maka didapatkan sensitivitas SE dan Spesifisitas SP sebagai berikut dan juga ketelitiannya:
Hasil Pengujian Diagnosis Positif Negatif
Positif 9 (TP) 1 (FN) 10 (P) Negatif 1 (FP) 7(TN) 8 (P’) 10 (Q) 8 (Q’) 18 Sensitivitas : SE=TP/(TP + FN) =TP/P =9/10 = 0.9 Spesivisitas: SP =TN/(FP + TN) =TN/P’ = 7/8 = 0.875 Ketelitian : 90%
Sensitivitas (SE) merupakan probablitas yang mempunyai pengujian positif dari sekelompok pasien yang mempunyai diagnosis positif. Spesifisitas (SP) adalah probabilitas dari pengujian negatif sekelompok pasien yang mempunyai diagnosis negatif.
11. Kesimpulan
Dari uji coba dan analisis di atas dapat diperoleh beberapa kesimpulan sebagai berikut:
1. Semua data untuk setiap kasus suara jantung harus digunakan sebagai data pelatihan dan data cek, guna keperluan pengidentifikasian sinyal suara jantung.
2. Ketelitian dan Sensitivitas dari perangkat ini tergantung dari ketepatan batas korelasi yang digunakan.
3. Ketelitian dan Sensitivitas dari perangkat ini tergantung dari banyaknya iterasi yang dilakukan 4. Sensitivitas yang dicapai untuk perangkat > 0.8
sedangkan spesifisitas > 0.75
5. Ketelitian yang dicapai untuk perangkat diatas lebih dari 80%.
6. Penelitian tersebut diatas dapat mengidentifikasikan sinyal suara jantung sebanyak 9 kasus suara jantung.
12. Saran
Untuk pengembangan lebih lanjut dalam penelitian auskultasi, berikut ini diberikan beberapa saran, antara lain:
1. Untuk Mendapatkan hasil keakurasian dan sensitivitas yang lebih baik hendaknya epoh dan batas korelasi adalah mendekati maksimum dalam pengambilan keputusan. Dan juga data untuk pengecekan diperbanyak lagi
2. Penelitian menggunakan data primer diperlukan sehingga menghasilkan perangkat yang real time. DAFTAR PUSTAKA
Lehrer, Steven, MD. Dr. Damayanti ,DSA.,1994, Memahami Bunyi dan Bising Jantung Anak, Binarupa Aksara.
A-7 Heart Soundshttp://w.w.w.scii sdsu. edu/multi
media/headsounds, 2004
Normal and Abnormal Heart Sounds, http://www.bioscience.org/at.lases/heart/soun d.htm, 2004
Widodo Thomas Sri, (2004)”Analisis Spektral Isyarat Jantung” Seminar on Electical Enginering (SEE 2004) hal 109-114, Universitas Achmad Dahlan, Yogyakarta, Indonesia
Widodo Thomas Sri, (2005 )”Analisis Wavelet Isyarat Jantung”6 th Seminar on Intelligent Technology and Its applications hal 344-349, Institut Teknologi Sepuluh Nopember, Surabaya Indonesia
Guyton Athur C MD, Jhon E Hall PhD. Text Bokk Of Medical Physiology
Purnomo Mauridhi Hery, Agus Kurniawan,” Supervised Artificial artificial neural network dan Aplikasinya”,2006 Graha Ilmu Yogyakarta
Muis Saludin, 2006“ teknik Jaringan Syaraf Tiruan“, Graha Ilmu
Kusumadewi, Sri, (2004) “Membangun Jaringan Saraf Tiruan Menggunakan Mathlab & Excel Link”, Graha Ilmu, Yogyakarta
Tabel 1 Korelasi Hasil Pengujian untuk Data Pelatihan Sama Dengan Data Cek
Data Target
Epoh = 400
Normal MS MR VSD ASE HM ASD AR PS
Normal 0.99952 0.34953 0.39054 0.38882 0.51561 0.42011 0.5618 0.48425 0.54682 MS 0.50196 0.9995 0.79442 0.80334 0.87145 0.83586 0.63263 0.69452 0.65131 MR 0.52109 0.76842 0.96053 0.90386 0.89501 0.71346 0.73881 0.73813 0.76817 VSD 0.62141 0.91783 0.82907 0.9959 0.93496 0.87168 0.67293 0.76474 0.68069 ASE 0.4972 0.6264 0.69116 0.83782 0.9995 0.82001 0.55579 0.73974 0.65007 HM 0.37183 0.74691 0.67463 0.653 0.90676 0.9995 0.57335 0.68031 0.65833 ASD 0.37186 0.56763 0.62914 0.57218 0.52676 0.34568 0.9995 0.7295 0.80046 AR 0.35365 0.50203 0.38277 0.70312 0.69768 0.5225 0.72939 0.9995 0.63728 PS 0.4157 0.51760 0.6478 0.60002 0.58353 0.31312 0.76279 0.6348 0.9968 Tabel 2 Korelasi Hasil Pengujian untuk Data Pelatihan Tidak Sama Dengan Data Cek
Data Target Epoh = 1000, R = 0.95 Nrml MS MR VSD ASE HM ASD AR PS Nr 0.999 0.369 0.589 0.293 0.517 0.432 0.412 0.322 0.563 MS 0.501 0.997 0.759 0.955 0.896 0.848 0.919 0.961 0.843 MR 0.521 0.887 0.998 0.912 0.918 0.763 0.882 0.845 0.826 VSD 0.621 0.973 0.801 0.984 0.961 0.934 0.965 0.967 0.882 ASE 0.497 0.856 0.751 0.960 0.999 0.912 0.943 0.895 0.865 HM 0.371 0.757 0.694 0.752 0.911 0.999 0.855 0.750 0.845 ASD 0.371 0.929 0.814 0.893 0.925 0.894 0.977 0.927 0.843 AR 0.353 0.926 0.758 0.967 0.896 0.874 0.932 0.990 0.832 PS 0.4157 0.798 0.778 0.708 0.791 0.766 0.739 0.792 0.999 Tabel 3 Sensitivitas Hasil Pengujian untuk Data Pelatihan Sama Dengan Data Cek
Data Target
Epoh = 400, r = 0.95
Normal MS MR VSD ASE HM AR ASD PS
Norml YA TDK TDK TDK TDK TDK TDK TDK TDK MS TDK YA TDK TDK TDK TDK TDK TDK TDK MR TDK TDK YA TDK TDK TDK TDK TDK TDK VSD TDK TDK TDK YA TDK TDK TDK TDK TDK ASE TDK TDK TDK TDK YA TDK TDK TDK TDK HM TDK TDK TDK TDK TDK YA TDK TDK TDK AR TDK TDK TDK TDK TDK TDK YA TDK TDK ASD TDK TDK TDK TDK TDK TDK TDK YA TDK PS TDK TDK TDK TDK TDK TDK TDK TDK YA
Tabel 4 Sensitivitas Hasil Pengujian untuk Data Pelatihan Tidak Sama Dengan Data Cek
Data Target Epoh = 1000 ,r = 0.97 NRM MS MR VSD ASE HM AR ASD PS Norm YA TDK TDK TDK TDK TDK TDK TDK TDK MS TDK YA TDK TDK TDK TDK TDK TDK TDK MR TDK TDK YA TDK TDK TDK TDK TDK TDK VSD TDK YA TDK YA TDK TDK TDK TDK TDK ASE TDK TDK TDK TDK YA TDK TDK TDK TDK HM TDK TDK TDK TDK TDK YA TDK TDK TDK AR TDK TDK TDK TDK TDK TDK YA TDK TDK ASD TDK TDK TDK TDK TDK TDK TDK YA TDK PS TDK TDK TDK TDK TDK TDK TDK TDK YA
