ANALISIS DAN EKSTRAKSI CIRI SINYAL SUARA JANTUNG
MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT
Anggi Tiara Citra Ekinasti1) Jusak 2)Ira Puspasari 3)
Program Studi/Jurusan Sistem Komputer Institut Bisnis dan Informatika Stikom Surabaya
Jl. Raya Kedung Baruk 98 Surabaya, 60298
Email: 1)[email protected], 2)[email protected], 3)[email protected]
Abstract: Heart disease is ranked top cause of death in the world. For this reason, auscultation is the
main test performed by a doctor to evaluate the condition of the heart by listening to the heart sounds through a stethoscope, auscultation is a basic component in cardiac diagnosis.
Based on the reasons above, it is required a way to ease diagnosis by recording sounds of the heart then analyzing the heart sound signal and proccess it to be able to detect and recognize the patterns of the heart sound signal. In this research, we analyzed and extracted features of real data signal of heart sounds that were acquired by auscultation (using digital stethoscope), utilizing the decomposition of discrete wavelet transformation. Several types of mother wavelet were employed for different kinds of order, various level on each order and three sorts of frequency sampling that are 8KHz, 44,1KHz, and 48KHz. Parameters that are used for analysis are energy and the standards deviation. The our finding shows that pattern or characterization of normal heart sounds for frequency sampling 8 KHz produces the largest energy decomposition in D6 ( 62.5Hz-125Hz ). On the other hand at frequency sampling 44,1 KHz it produces the largest energy decomposition in D9 ( 43.066Hz-86.133Hz). For frequency sampling 44,1 KHz, it produces the largest energy decomposition in D9 (46.88Hz-93.75Hz).
Keywords:Energi Dekomposisi wavelet, Sinyal suara jantung, Pola PCG normal
Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orang-orang berusia kurang dari 70 tahun, penyakit jantung merupakan penyebab terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis, penyakit pencernaan dan PTM yang lain bersama-sama menyebabkan sekitar 30% kematian, serta 4% kematian disebabkan diabetes (Kristomo, 2014).
Untuk alasan ini, auskultasi adalah tes utama yang dilakukan oleh dokter untuk mengevaluasi keadaan jantung dengan cara mendengarkan suara jantung melalui stetoskop, auskultasi merupakan komponen dasar dalam diagnosis jantung dan merupakan teknik yang paling umum digunakan untuk diagnosis dalam perawatan kesehatan. Di beberapa keadaan, terutama di daerah terpencil daerah atau negara-negara berkembang, auskultasi mungkin satu-satunya cara yang tersedia. Akan Tetapi, mendeteksi gejala yang relevan dan membentuk
suatu diagnosis berdasarkan suara yang terdengar melalui stetoskop adalah keterampilan yang sangat lama untuk dipelajari, selain itu diagnosis dengan mendengarkan suara jantung memiliki kelebihan dibandingan dengan diagnosis berbasis EKG, diantaranya dari sisi kemudahan (Nazeran, 2007).
Oleh karena alasan diatas, maka diperlukan suatu cara untuk memudahkan diagnosis dengan merekam suara jantung lalu menganalisis sinyal suara serta mengolahnya hingga mampu mendeteksi dan mengenali pola-pola sinyal suara jantung, pada penelitian ini sinyal suara jantung (PCG) pada ranah waktu akan ditransformasikan ke dalam ranah waktu-frekuensi untuk diamati pola serta ciri-cirinya, pada ranah waktu-frekuensi isyarat PCG memiliki pola yang menggambarkan unsur-unsur frekuensi yang terkandung di dalam sinyal (Ruth, 2014).
Sehingga akan dilakukan analisis dan ekstraksi ciri dari data real sinyal suara jantung yang didapat dengan auskultasi (menggunakan stetoskop digital). Adapun metode yang akan digunakan
JCONES Vol. 5, No. 1 (2016) 95-106
Journal of Control and Network Systems
Situs Jurnal : http://jurnal.stikom.edu/index.php/jconeadalah dekomposisi transformasi wavelet diskrit dengan menggunakan beberapa tipe mother
wavelet dengan berbagai macam orde, berbagai
macam level pada setiap orde nya serta berbagai macam frekuensi cuplik, adapun parameter yang akan digunakan adalah energi, dan standard deviasi.
Sebelumnya telah dilakukan penelitian oleh oleh Nazeran pada tahun 2007 dengan judul “Wavelet-based Segmentation and Feature
Extraction of Heart Sounds for Intelligent PDA-based Phonocardiography” yang mengolah sinyal
suara jantung dengan ektraksi ciri menggunakan analisis wavelet diskrit daubeiches dengan dekomposisi level 4 (250 – 500 Hz) dan level 6(62.5-125Hz) pada frekuensi cuplik 8012 Hz dimana metode tersebut digunakan untuk mendeteksi ciri-ciri antara sinyal jantung normal dan abnormal, hasil dari penelitian ini menunjukan bahwa metode ekstraksi ciri terbukti efektif digunakan untuk mengetahui ciri sinyal suara jantung normal yang memiliki energi terbesar berada diantara 50Hz dan 150-200 Hz serta abnormal yang energi terbesarnya berada pada 250-500 Hz..
Pada tahun 2014 telah diakukan penelitian oleh Ruth dengan judul “Analisis Sinyal
Ekg Menggunakan Transformasi Wavelet”,
penelitian ini menganalisis sinyal EKG dengan menggunakan Transformasi Wavelet untuk mendapatkan pola dan ciri sinyal EKG dengan sinyal EKG yang lainya. Mother wavelet yang digunakan adalah Coiflet 5.Analisis dilakukan berdasarkan hasil grafik skalogram dan energi dekomposisi, dan didapatkan bahwa Transformasi Wavelet Diskrit memberikan perbedaan ciri berdasarkan energi pada frekuensi hasil dekomposisi. Pada EKG normal energi tertinggi semua subyek terdapat pada D3 dengan jangkauan frekuensi 8 – 16 Hz. Pada sinyal EKG abnormal kondisi Atrial Fibrillation, energi dekomposisi tertinggi semua subyek terdapat pada komponen aproksimasi A4 dengan jangkauan frekuensi 0-4. Untuk Supraventricular Arrhytmia memiliki energi tertinggi yang bervariasi pada jangkauan frekuensi 0-4 Hz dan 4-8 Hz.
Pada tahun 2013 dilakukan penelitian berjudul “Performance Analysis of DWT at
different levelsfor Feature Extraction of PCG Signals” oleh devi, bhisiek, serta sinha, yang
menganalisis pengaruh beberapa parameter yaitu energy, standar deviasi, serta energy pada coefficient aproksimaksi dan detail dari sebuah dekomposisi sinyal diskrit wavelet. Dalam penelitian tersebut, menggunakan transformasi
wavelet diskrit daubechies 4 lalu dilakukan penelitian pada sepuluh level dekomposisi, dengan berbagai macam sinyal PCG (murmur dan normal), adapun kesimpulanya menunjukan bahwa energi terbaik untuk normal heart sound berada pada level 9, Aortic Stenosis pada level 9, Mitral Regurgation berada pada level 9 sedangkan Aortic Regurgation dan Mitral Stenosis pada level 6 karena memiliki amplitude yang rendah dan durasi sinyal yang panjang.
Pada tahun 2015 dilakukan penelitian oleh venkatta dan Dr. Kumar dengan judul
“Analysis of Various DWT Methods for Feature Extracted PCG Signals” yang menganalisis sinyal
PCG untuk ekstraksi ciri dengan beberapa mother
wavelet yaitu biorthogonal, symlet, coiflet, haar
yang menggunakan beberapa parameter yaitu standar deviasi, energi, variansi, entropi, SNR (Signal to Noise Ratio), penelitian ini difokuskan pada level dekomposisi dari setiap tipe mother
wavelet dengan satu macam orde. Penelitian ini
menyimpulkan bahwa dwt coiflet merupakan metode terbaik dari beberapa metode wavelet yang diteliti.
Dengan acuan empat penelitian tersebut maka akan dilakukan analisis dan ekstraksi ciri dari data real sinyal suara jantung yang didapat dengan auskultasi (menggunakan stetoskop digital). Adapun metode yang akan digunakan adalah dekomposisi transformasi wavelet diskrit dengan menggunakan beberapa tipe mother
wavelet dengan berbagai macam orde, berbagai
macam level pada setiap orde nya serta berbagai macam frekuensi cuplik, adapun parameter yang akan digunakan adalah energi, dan standard deviasi.
METODE PENELITIAN
Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program, dan analisis.Studi kepustakaan dilakukan untuk mencari teori atau informasi dari buku, jurnal, dan artikel-artikel yang berkaitan dengan dekomposisi sinyal PCG, Dari informasi studi kepustakaan yang diperoleh, maka dilakukan pembuatan program pada matlab untuk membantu analisis.
Penelitian ini menggunakan data real yang didapat menggunakan stetoskop digital dari thinkslabone. Berdasarkan blok diagram pada Gambar 1, dijelaskan bahwa sinyal PCG yang masuk akan di pecah dan denoising untuk menghapus sinyal yang tidak diperlukan dari sinyal suara jantung yang telah direkam. Setelah sinyal yang tidak diperlukan dihapus maka akan di
dekomposisi kedalam bentuk gelombang yang disebut mother wavelet, yang mana sinyal tersebut akan di pecah menjadi sinyal yang berfrekuensi tinggi (aproksimasi) dan sinyal yang berfrekuensi rendah (detail), parameter yang mempengaruhi antara lain sinyal PCG dari subyek, frekuensi cuplik, mother wavelet, dan tingkat dekomposisi. Dari hasil dekomposisi akan didapatkan beberapa sinyal detail dan sinyal aproksimasi yang terakhir yang akan dihitung energi dekomposisi yang telah dinormalisasi, standard deviasi, serta variansi ciri dari sinyal PCG masing-masing subyek. Hasil perhitungan parameter yang telah ditentukan akan dianalisis untuk menjadi ciri antara satu jenis sinyal PCG dengan jenis sinyal PCG yang lain.
Gambar 1. Diagram Blok Rancangan Penelitian PROSEDUR PENELITIAN
Prosedur ini menjelaskan tentang langkah-langkah yang dilakukan dalam penelitian seperti pada Gambar 2yang merupakan flowchart proses penelitian sinyal PCG yang akan dijelaskan sebagai berikut:
Data sinyal suara jantung persiklus diambil dari 3 subyek dalam keadaan normal dan relaks, pada setiap subyek dilakukan pengambilan data sebanyak 30 kali dengan tiga macam frekuensi cuplik yaitu 8KHz, 44,1KHz, dan 48KHz. Pengambilan data dilakukan dengan stetoskop digital thinkslabone.
Setelah pengambilan data sinyal PCG lengkap maka akan dipecah-pecah dan didenoising untuk menghapus data yang tidak diperlukan, yang terekam pada saat proses perekaman sinyal
jantung., selanjutnya sinyal PCG akan didekomposisi dengan sebelas mother wavelet diskrit yaitu symlet 2, symlet 5, symlet 7, daubechies 2, daubechies 5, daubechies 7, coiflet 2, coiflet 5, biorthogonal 2.8, biorthogonal 3.9, dan biorthogonal 6.8. Setelah didekomposisi maka akan dihitung nilai energi normalisasinya, serta standar deviasi.
Hasil perhitungan dari normalisasi energi akan di visualisasikan berupa grafik bar, lalu dilakukan analisis hasil normalisasi energi, serta standar deviasi. Analisis dilakukan dengan membandingkan hasil energi, range frekuensi pada energi tertinggi pada sinyal PCG antara subyek, frekuensi cuplik, serta mother DWT.
Gambar 2.Flowchart Proses Penelitian Analisis Transformasi Wavelet Diskrit
Transformasi Wavelet diskrit digunakan untuk mendekomposisikan sinyal masukan PCG ke dalam bentuk gelombang seusai dengan mother wavelet yang digunakan, dekomposisi dilakukan dengan memisahkan sinyal masukan ke dalam frekuensi rendah dan frekuensi tinggi, hasil dari dekomposisi adalah komponen approximationyang merupakan scaling function (lowpass filter) dan komponen detail yang merupakan wavelet function (Sundararajan, 2015). Level dekomposisi ditetapkan berdasarkan frekuensi cuplik yang digunakan (Venkatta, 2015).Penelitian ini dipengaruhi beberapa
parameter yaitu sinyal PCG dari setiap subyek, frekuensi cuplik, mother wavelet, dan level dekomposisi. Sinyal PCG akan didekomposisikan menjadi A yang merupakan approksimasi dan D yang merupakan detail, serta akan didekomposisikan sesuai dengan frekuensi cupliknya, pada frekuensi cuplik 48Khz dan 44,1KHz akan didekomposisikan sebanyak 15 tingkat yang dapat dilihat pada Lampiran 1 dan Lampiran 2, sedangakan frekuensi cuplik 8Khz akan didekomposisikan sebanyak 10 tingkat yang dapat dilihat pada Lampiran 3.Untuk analisis transformasi wavelet diskrit dilakukan dengan mendekomposisi sinyal PCG menggunakan Matlab.
Gambar 3. Dekompisi wavelet diskrit 1D (Matlab)
Denoising
Denoising sinyal bertujuan untuk menghapus data yang tidak diperlukan, yang terekam pada saat proses perekaman suara sinyal jantung. Setelah sinyal suara jantung diambil maka sinyal harus di denoising terlebih dahulu, metode denoising yang digunakan adalah soft
tresholding, dimana metode ini akan membuat
nilai yang berada antara threshold –T< X < T menjadi 0, sedangkan nilai yang lebih dari T dan lebih dari T telah diubah untuk mendekati axis X. Denoising pada penelitian ini dilakukan secara manual dan mother wavelet yang digunakan untuk denoising adalah daubechies 5, hal ini dikarenakan pada penelitian yang dilakukan oleh Mishra tahun 2013 dengan judul Denoising Of Heart Sound
Signal Using Wavelet Transform di dapatkan
bahwa daubechies 5 memiliki nilai presentase rekonstruksi yang maksimum dan nilai SNR(Signal to Noise Ratio) yang maksimum dimana SNR merupakan metode untuk mengukur kekuatan sinyal terhadap derau, yang berarti bahwa semakin besar nilai SNR maka akan
semakin baik hasil produk yang didapat dari denoising tersebut.
Energi Dekomposisi dan Normalisasi Energi Dekomposisi
Energi Dekomposisi digunakan untuk mengetahui ciri atau pola sinyal PCG dengan yang lain, pada penelitian ini digunakan tiga frekuensi cuplik yang akan menghasilkan dua macam level yaitu dekomposisi 15 level untuk 48KHz dan 44,1KHz, serta dekomposisi 10 level untuk 8Khz. Berdasarkan level maka dapat dihitung energi dekomposisinya pada setiap komponen detail dan approksimasi terakhir. Energi dekomposisi rerata pada sinyal detail dapat dihitung dengan persamaan sebagai berikut:
Energi dekomposisi rerata level 10 EDi=
(𝐷𝑖 𝑘 )2
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑐𝑢𝑝𝑙𝑖𝑘 𝐷𝑖 , K= 1,2,……. Panjang Di
(1) i = 1,2,…. N=10
Energi dekomposisi rerata level 15 EDi=
(𝐷𝑖 𝑘 )2
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑐𝑢𝑝𝑙𝑖𝑘 𝐷𝑖 , K= 1,2,……. Panjang Di
(2) i = 1,2,…. N=15
Energi dekomposisi rerata sinyal aproksimasi dihitung dengan persamaan sebagi berikut:
Energi dekomposisi rerata level 10 EA10=
(𝐴10 𝑘 )2
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑐𝑢𝑝𝑙𝑖𝑘 𝐴10 , K=
1,2,…….Jumlah cuplik A10 (3.3)
Eenergi dekomposisi rerata level 15 EA15=
(𝐴15 𝑘 )2
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑐𝑢𝑝𝑙𝑖𝑘 𝐴15 , K= 1,2,…….Jumlah cuplik A15
(3)
Setelah energi didekomposisi rerata dihitung maka akan dilakukan normalisasi energi agar nilai energi berada diantara nilai 0 dan 1. Energi normalisasi dihitung dengan persamaan sebagai berikut:
Normalisasi Energi dekomposisi level 10 ENj =
𝐸𝐷𝑖 𝑚𝑎𝑘𝑠 (𝐸𝐷𝑖 , 𝐸𝐴 10)
(4)
ENj = Energi rerata normalisasi pada
dekomposisi ke –j (j= 1,2,3…N=10)
EDi = Energi rerata sinyal detail ke-
I (i= 1,2,3….N=10)
EA10= Energi rerata sinyal aproksimasi
A10
Normalisasi Energi dekomposisi level 15 ENj =
𝐸𝐷𝑖 𝑚𝑎𝑘𝑠 (𝐸𝐷𝑖 , 𝐸𝐴 15)
(5)
ENj = Energi rerata normalisasi pada
dekomposisi ke –j (j= 1,2,3…N=15)
EDi = Energi rerata sinyal detail ke-
I (i= 1,2,3….N=15)
EA15= Energi rerata sinyal aproksimasi A15 STANDARD DEVIASI
Standar deviasi digunakan untuk mengukur variasi atau penyebaran data dari rata-rata, Jika nilai standar deviasi semakin rendah maka dapat diartikan bahwa data cenderung sangat dekat dengan rata-rata, namun ketika nilai standar deviasi tinggi mengindikasikan bahwa jangkauan data yang tersebar sangat besar.Dalam pengukuran energi, standar deviasi digunakan untuk mengetahui tingkat persebaran data dari nilai rata-rata energi normalisasi maupun energi dekomposisi dari setiap komponen detail ataupun aproksimasi. Adapun flowchart program yang digunakan untuk menghitung rata-rata, dan standar deviasi dapat dilihat pada Lampiran 5.
HASIL DAN PEMBAHASAN
Pada tahap ini akan dijelaskan tentang hasil pengolahan energi dan normalisas energi untuk mendapatakan pola pada setiap PCG. Frekuensi cuplik 8KHz
Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 8KHz akan menghasilkan dekomposisi 10 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 2Khz hingga 4KHz dan komponen aproksimasi A1 dengan jangkauan frekuensi 2KHz hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (2KHz – 1KHz), A2(1KHz-0KHz), Begitu seterusnya hingga D10(7,813HZ- 3,9Hz) dan A10 (3,9Hz-0Hz)
untuk Gambar dekomposisi 10 tingkat dapat dilihat pada Lampiran 3.
Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 8KHz dari ketiga subyek normal dengan menggunakan 11 mother wavelet dapat dilihat pada Tabel 1, untuk visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 4
Gambar 4. Normalisasi energi rata-rata dekomposisi dengan frekuensi cuplik 8KHz Tabel 1. Tabel normaliasi energi dekomposisi, rata-rata energi, & standar deviasi pada frekuensi cuplik 8KHz
Dari hasil Tabel 1 dan Gambar4 dapat dilihat bahwa biorthogonal 3.9 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 0,950361 dengan standar deviasi yang paling rendah pada sampling 8KHz, standar deviasi menandakan bahwa range persebaran data dari rata-rata tidak terlalu jauh, mendekati akurat dan presisi, selain itu 63.6% dari seluruh mother
wavelet menghasilkan energi dekomposisi
terbesar pada D6 dengan range frekuensi 62.5 hingga 125Hz.
Frekuensi cuplik 44,1 KHz
Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 44,1 KHz akan menghasilkan dekomposisi 15 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 11025Hz hingga 22050Hz dan komponen aproksimasi A1 dengan jangkauan frekuensi 11025Hz hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (11025Hz – 551,25Hz), A2(551,25Hz-0KHz), Begitu seterusnya hingga D10(1,35HZ- 0 Hz) dan A10 (0Hz) untuk Gambar dekomposisi 15 tingkat dapat dilihat pada Lampiran 2. Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 44,1 KHz dari ketiga subyek normal dengan menggunakan 11
mother wavelet dapat dilihat pada Tabel 2, untuk
visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 5
Tabel2.normaliasi energi dekomposisi, rata-rata energi, & standar deviasi pada frekuensi cuplik 44,1KHz
Gambar5. Normalisasi energi rata-rata dekomposisi dengan frekuensi cuplik 44,1 KHz
Dari hasil Tabel 2 dan Gambar 5 dapat dilihat bahwa biorthogonal 3.9 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 1 dengan standar deviasi yang paling rendah yaitu 0 pada sampling 44,1 KHz, standar deviasi menandakan bahwa range persebaran data dari rata-rata tidak ada karena nilai standar deviasi menghasilkan 0 yang berarti akurat dan presisi, selain itu data menunjukan hasil yang konsisten karena 100% dari 990 data (11 mother wavelet pada subyek satu, dua, dan tiga pada frekuensi cuplik 44,1 KHz) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz.
4.3.1. Frekuensi cuplik 48KHz
Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 48KHz akan menghasilkan dekomposisi 15 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 12KHz hingga 24KHz dan komponen aproksimasi A1 dengan jangkauan frekuensi 12KHz hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (12KHz – 6KHz), A2(6KHz-0KHz), Begitu seterusnya hingga D10(1,5HZ-0Hz) dan A10(0Hz) untuk Gambar dekomposisi 15 tingkat dapat dilihat pada Lampiran 1. Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 48KHz dari ketiga subyek normal dengan menggunakan 11 mother wavelet dapat dilihat pada Tabel 3, untuk visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 6.
Tabel 3. Tabel normaliasi energi dekomposisi, rata-rata energi, & standar deviasi pada frekuensicuplik 48KHz
Gambar 6. Normalisasi energi rata-rata dekomposisi dengan frekuensi cuplik 48KHz Dari hasil Tabel dan grafik dapat dilihat bahwa coiflet 2 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 0.97590 dengan standar deviasi yang paling rendah yaitu 0,41729 pada sampling 48KHz, namun hasil energi dekomposisi dengan mother wavelet yang lain tidak terlalu jauh berbeda, dan cenderung konsisten pada nilai 0.9. Selain itu 69,7% data dari 990 data (11 mother wavelet pada subyek satu, dua, dan tiga pada frekuensi cuplik 48KHz) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 46.88Hz hingga 93.75Hz.
Database sinyal PCG Michigan
Database sinyal PCG normal dari Michigan university di gunakan untuk membandingkan sinyal PCG dari tiga subyek normal yang diambil menggunakan stetoskop digital. Database sinyal PCG normal dari Michigan university dalam keadaan tanpa noise, sehingga didapat hasil pada Tabel 4 dan visualisasi pola dengan frekuensi cuplik 8Khz, 44,1KHz, 48KHz dapat dilihat pada Gambar 7 sedangkan visualisasi rata-rata normalisasi energi dapat dilihat pada Gambar 8.
Tabel 4. Tabel normaliasi energi dekomposisi, rata-rata energi, & standar deviasi pada frekuensi database Michigan university pada sampling 8 Khz, 44,1 KHz, dan 48 KHz.
(a)
(b)
Gambar 7. Normalisasi energi rata-rata dekomposisi dari sinyal PCG Michigan university pada (a) frekuensi cuplik 8KHz (b) frekuensi cuplik 44,1KHz (c) frekuensi cuplik 48KHz
Gambar 8. Rata-rata normalisasi energi dekomposisi dari sinyal PCG Michigan university Pada Gambar 7, Gambar 8 dan Tabel 4dapat dilihat bahwa pada mother wavelet dan frekuensi cuplik yang berbeda sebagian besar hasil pola energi tidak terlalu jauh satu sama lain yaitu berada pada energi dekomposisi dengan nilai 1. Untuk frekuensi cuplik 8KHz pada semua mother
wavelet energi tertinggi berada pada D6 dengan
range frekuensi 62.5Hz hingga 125Hz, untuk frekuensi 44,1KHz pada 63.6% mother wavelet energi tertinggi berada pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz, untuk frekuensi 48KHz pada semua mother wavelet energi tertinggi berada pada D9 yaitu dengan range frekuensi 46.88Hz hingga 93.75Hz.
Secara keseluruhan dapat disimpulkan bahwa hasil pengolahan sinyal PCG yang didapat dari pengambilan data secara realtime dan data dari Michigan university didapatkan bahwa untuk sampling 8Khz, terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D6 yaitu dengan range frekuensi 62.5 Hz hingga 125 Hz. Untuk sampling 44,1Khz terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D9 yaitu dengan frekuensi range 43.066 Hz hingga 86.133 Hz. Untuk sampling 48Khz terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D9 yaitu dengan frekuensi range 46.88 Hz hingga 93.75 Hz.
Dari berbagai frekuensi cuplik dalam pengujian ini didapatkan bahwa sinyal jantung normal memiliki energi dekomposisi terbesar pada range 62.5 Hz hingga 125 Hz untuk pengujian dengan berbagai mother wavelet.
KESIMPULAN
Berdasarkan seluruh hasil analisa dari pola berdasarkan enrgi dekomposisi sinyal PCG dari tiga subyek, dengan tiga frekuensi, empat
mother wavelet dengan berbagai orde maka dapat
diambil beberapa kesimpulan sebagai berikut. 1. Range frekuensi hasil dekomposisi
dengan energi normalisasi terbesar untuk 4 mother wavelet dengan orde yang berbeda memberikan hasil range frekuensi yang tidak terlalu jauhantara satu dengan yang lainya.
2. Pada frekuensi cuplik 8KHz sebanyak 63.6% dari seluruh mother wavelet dalam uji coba menghasilkan energi dekomposisi terbesar pada D6 dengan range frekuensi 62.5Hz hingga 125Hz, sedangkan pengujian yang dilakukan pada data sinyal PCG yang berasal dari Michigan university menunjukan bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D6 (62.5-125Hz), hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D6.
3. Pada frekuensi cuplik 44,1KHz data menunjukan hasil yang konsisten karena 100% dari 990 data (11 mother wavelet pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz, sedangkan pengujian yang dilakukan pada sinyal PCG dari Michigan university menunjukan bahwa 63,6% dari seluruh data menghasilkan energi tertinggi pada D9 (43.066Hz-86.133Hz) hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.
4. Pada frekuensi cuplik 48KHz hasil energi dekomposisi dengan mother wavelet yang lain tidak terlalu jauh berbeda, dan cenderung konsisten pada nilai 0.9, selain itu 69,7% data dari 990 data (4 mother wavelet dengan berbagai mother pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 46.88Hz hingga 93.75Hz, sedangkan pengujian yang
dilakukan pada sinyal PCG dari
Michigan university menunjukan
bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D9 (46.88Hz-93.75Hz) hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.
5. Pada berbagai frekuensi cuplik didapatkan bahwa sinyal jantung normal memiliki energi dekomposisi terbesar pada range 62.5 Hz hingga 125 Hz untuk pengujian dengan berbagai mother wavelet.
6. Pola sinyal PCG normal berdasarkan frekuensi cuplik 8KHz, 44100Hz, 48KHz, dengan mother wavelet symlet 2, symlet 5, symlet 7, daubechies 2, daubechies 5, daubechies 7, coiflet 2, coiflet 5, biorthogonal 2.8, biorthogonal 3.9, biorthogonal 6.8 dapat digunakan sebagai referensi untuk menentukan pola kondisi jantung normal.
DAFTAR PUSTAKA
Alfatwa, Dean Fathony. 2009. Watermarking pada
Citra Digital Menggunakan Discrete Wavelet Transform. Bandung : Institute
Teknologi Bandung.
Devi, A. 2013.Performance Analysis of DWT at
Different Level for Extraction of PCG Signal. IEEE International Conference on
Microelectronics.Communication and Renewable Energy (ICMiCR). India.
Kristomo, D.2014. Klasifikasi Suara Jantung
Menggunakan Jaringan Neural Dengan
Ciri Statistis Dan Spektral.Tesis.
Fakultas Teknik. Program Studi S2 Teknik Elektro. Universitas Gadjah Mada. Yogyakarta.
Kumar, Dr. P. 2015. Analysis of Various DWT
Methods for Feature Extracted PCG
Signal. International Journal of
Engineering Research & Technology (IJERT), Vol. 4, Issues 04,
April-2015.Andhara University College of Engineering.Vishakhapatnam. India. Maisyaroh, S. 2012. Rancang Bangun
Instrumentasi Elektrokardiografi
Berbasis PC Menggunakan Sound Card.
Skripsi. Fakultas MIPA. Jurusan S1 Fisika.Universitas Negri Medan. Medan. Nazeran, H. 2007. Wavelet Based Segmentation
and Feature Extraction of Heart Sounds
for Intelligent PDA-Based
Phonocardiography.Electrical and
Computer Engineering.University of Texas.El-Paso.
Ruth, D. 2014. Analisis Sinyal EKG Menggunakan
Transformasi Wavelet.Skripsi.Program
Studi S1 Elektronika dan Instrumentasi.Jurusan Ilmu Komputer dan Elektronika.Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Gadjah Mada.
Sundararajan, D. 2015. Discrete Wavelet
Transform: A Signal Processing
Approach. Adhiyamaan College Of
Engineering. India. Singapura: Wiley. Surtono, Widodo, Tjokronagoro. 2012. “Analisis
Klasifikasi Sinyal Analisis Klasifikasi Sinyal EKG Berbasis Wavelet dan Jaringan Syaraf Tiruan”. JNTETI, Vol.
1, No. 3 ISSN 2301 – 4156
Venkatta. 2014. Heart Sound Analysis For PCG
Signal In Under Bio-Orthogonal Wavelet
Compared To Other Wavelet.
International Journal of Scientific Engineering & Technology Research (IJESTR), Vol. 3, Issues 03, October-2014. Departement of SSP, Departement of ECE. LBRCE.Mylavaram. AP. India
48Khz D1 D3 A3 A4 D4 A5 D5 A6 D6 A1 D2 A2 A7 D7 A8 D8 A9 D9 A10 D10 A14 D14 A11 D11 A13 D13 A15 A12 D12
24KHz-12KHz
12KHz-6KHz
6KHz-3KHz
3KHz-1500Hz
1500Hz-750Hz
750Hz-375Hz
375Hz-187,5Hz
187,5Hz-93,75Hz
93,75Hz-46,875Hz
46,875Hz-23,438Hz
23,438Hz-11,719Hz
11,719Hz-5,9Hz
5,9Hz-2,9Hz
2,9Hz-1,5Hz
1,5Hz-0Hz
44,1 Khz D1 D3 A3 A4 D4 A5 D5 A6 D6 A1 D2 A2 A7 D7 A8 D8 A9 D9 A10 D10 A14 D14 A11 D11 A13 D13 A12 D12
