12 BAB III
METODELOGI PENELITIAN
3.1. Desain dan Prosedur Penelitian
Desain dan prosedur pada penelitian ini mencakup urutan langkah - langkah pelaksanaan penelitian dari awal hingga akhir. Adapun blok diagram untuk langkah – langkah pada studi penelitian ini adalah seperti pada Gambar 3.1.
Gambar 3.1 Diagram Blok 3.1.1. Studi Literatur
Pada tahapan studi literatur merupakan proses dimana mengumpulkan semua informasi dari beberapa referensi-referensi yang berkaitan dengan topik penambangan data.
3.1.2. Identifikasi Masalah
Melakukan identifikasi pada masalah yang akan dibahas dalam penambangan data ini, yang berkaitan dengan kualitas dan kegagalan konstruksi dari penambangan data berdasarkan referensi-referensi dan informasi yang telah diperoleh.
13 3.1.3. Studi Pustaka
Mempelajari dan menelaah informasi dari referensi-referensi yang berkaitan dengan topik bahasan dari penambangan data. Pada kasus ini, studi pustaka yang dilakukan yaitu mengenal beberapa metode klasifikasi suara jantung.
3.1.4. Data
Pada tahap ini, dilakukan pencarian dan pengumpulan data yang nantinya akan digunakan pada penelitian ini
3.1.5. Pengolahan Data
Data yang sudah didapat akan diolah sebelum dilakukan pemrosesan Neural Network Process. Untuk melakukan pengolahan data pada penelitian ini digunakan beberapa metode yaitu Mel Frequency Cepstral Coefficient (MFCC), Onset Detection dan Preprocessing Data
3.1.6. Neural Network Process
Data yang telah melewati proses pengolahan data akan masuk ke proses neural network process, data yang telah matang akan di proses dengan menggunakan neural network.
3.1.7. Hasil Klasifikasi
Pada tahap ini sudah didapatkan hasil klasifikasi dengan metode yang dipilih dengan data testing dan training yang ada.
3.1.8. Analisis Hasil
Pada tahap ini, dijelaskan tentang evaluasi hasil pegujian yang dilakukan untuk menemukan model terbaik dengan cara mengubah parameter-parameter yang ada, seperti banyaknya layer, learning rate, dan jumlah frame. Metric yang digunakan adalah akurasi, loss, 𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜n, recall, dan F1-score. Uji coba dalam penambangan data ini menggunakan dataset dari website https://www.kaggle.com/kinguistics/heartbeat-sounds/version/1, data tersebut memiliki 832 files berbentuk suara dengan format wav.
3.2. Dataset
Dataset ini diambil dari website
https://www.kaggle.com/kinguistics/heartbeat-sounds/version/1, data tersebut memiliki 832 files berbentuk suara dengan format wav. Data ini terbagi menjadi
14 dua bagian yaitu set A dan set B, set A merupakan data yang diambil dari perangkat seluler (aplikasi) di rumah, jumlah data set A sebanyak 176 files, sedangkan set B merupakan data yang diambil dari uji klinis (stetoskop digital) di rumah sakit, jumlah data yang ada sebanyak 656 files.
Sampel dataset B, dari uji klinis terdiri dari 3 parameter, yaitu:
Normal
Murmur
Extrasistol
Untuk dataset A, data yang diambil dari perangkat seluler (aplikasi) terdiri dari 4 parameter, yaitu:
Normal
Murmur
Extra Heart Sound
Artifact
Adapun penjelasan dari parameter-parameter yang ada pada data, sebagai berikut:
Normal
Suara jantung normal memiliki rentang frekuensi antara 20 Hz hingga 500 Hz, sedangkan denyut jantung normal saat istirahat adalah antara 60 dan 100 denyut per menit. Namun, karena data mungkin telah dikumpulkan dari anak-anak atau orang dewasa dalam keadaan tenang atau bersemangat, detak jantung dalam data dapat bervariasi dari 40 hingga 140 denyut atau lebih tinggi per menit. Grafik suara jantung normal dari waktu ke waktu seperti pada Gambar 3.6
Gambar 3.2 Suara Jantung Normal
Murmur
Murmur jantung dapat digambarkan sebagai nada rendah atau gemuruh dengan jangkauan frekuensi 60-100 Hz. Murmur dapat bernada menengah, kasar atau keras dengan jangkauan frekuensi 100-150 Hz, dan juga dapat bernada tinggi
15 dengan frekuensi lebih besar dari 300 Hz. Suara murmur jantung terdengar seolah- olah ada suara desakan, deru, gemuruh, atau cairan bergolak di salah satu dari dua lokasi temporal.. Di bawah ini, grafik ekstrasistol dari waktu ke waktu seperti pada Gambar 3.7.
Gambar 3.3 Suara Jantung Murmur
Extrasistol
Ekstrasistol merupakan kelainan irama jantung yang paling sering ditemukan dan dapat timbul pada jantung yang normal. Biasanya frekuensinya bertambah dengan bertambahnya usia, terlebih bila banyak minum kopi, merokok atau emosi. Suara ekstrasistol mungkin muncul sesekali dan dapat diidentifikasi karena ada suara jantung yang keluar dari ritme yang melibatkan detak jantung ekstra atau terlewati. Ekstrasistol mungkin bukan tanda penyakit. Ini bisa terjadi secara normal pada orang dewasa dan bisa sangat umum pada anak-anak. Namun, dalam beberapa situasi, ekstrasistol dapat disebabkan oleh penyakit jantung. Jika penyakit-penyakit ini terdeteksi lebih awal, maka pengobatan kemungkinan akan lebih efektif. Di bawah ini, grafik ekstrasistol dari waktu ke waktu seperti pada Gambar 3.8.
Gambar 3.4 Suara Jantung Extrasistol
Extra Heart Sound
Bunyi jantung ekstra dapat diidentifikasi karena ada bunyi tambahan. Bunyi jantung ekstra mungkin bukan tanda penyakit. Namun, dalam beberapa situasi itu adalah tanda penting penyakit, yang jika terdeteksi dini dapat membantu seseorang.
16 Suara jantung ekstra penting untuk dapat dideteksi karena tidak dapat dideteksi dengan ultrasound dengan baik. Di bawah ini, grafik suara jantung ekstra dari waktu ke waktu, pada Gambar 3.9.
Gambar 3.5 Suara Jantung Ekstra
Artifact
Artifact dapat diartikan sebagai variasi sinyal yang tidak diinginkan karena sumber apa pun selain sumber sinyal yang diinginkan. Artifact ini termasuk kebisingan pada instrumen, kebisingan dari suara tubuh, kebisingan akibat gerakan subjek dan pergerakan diafragma stetoskop. Artifact dapat terjadi secara acak, dan biasanya memiliki amplitudo tinggi dan bertahan selama durasi waktu yang kecil.
Biasanya tidak ada bunyi jantung yang jelas, dengan demikian sedikit atau tidak ada periodisitas temporal pada frekuensi di bawah 195 Hz. Parameter ini adalah yang paling berbeda dari yang lain. Penting untuk dapat membedakan parameter ini dari parameter lainnya, sehingga seseorang yang mengumpulkan data dapat diminta untuk mencoba lagi. Grafik dari suara jantung yang mengandung artifact, ditunjukkan pada Gambar 3.10.
Gambar 3.6 Suara Artifact
3.3. Perancangan Sistem
Pada bagian ini, merupakan rancangan sistem kerja yang nantinya akan digunakan pada penelitian ini. Adapun diagram rancangan sistem pada penelitian ini adalah seperti pada gambar 3.7.
17 Gambar 3.7 Diagram Kerja Sistem
3.3.1. Pengolahan Data
Pada penelitian ini durasi dataset suara yang digunakan adalah 12 dan 20 detik dengan pembagian data 90% train data 10% test data dan 80% train data dan 20%
test data. Seperti yang dapat dilihat pada gambar 3.7, digunakan beberapa metode yang diimplementasikan dalam proses pengolahan data. Adapun metode yang akan diimplementasikan pada tahapan pengolahan data ini, sebagai berikut:
a) MFCC (Mel Frequency Cepstral Coefficient)
MFCC salah satu cara pengolahan data audio yang banyak digunakan dalam bidang speech technology, pada penelitian ini MFCC digunakan sebagai pengolah data suara pertama sebelum ke tahapan onset detection. MFCC berkerja dengan cara melakukan feature extraction, feature extraction ini nantinya akan mengkonversikan sinyal suara menjadi beberapa parameter, yang dimana sinyal suara akan difilter secara linear untuk frekuensi rendah (dibawah 1000 Hz) dan secara logaritmik untuk frekuensi tinggi (diatas 1000 Hz). Dibawah ini merupakan tahapan-tahapan pada MFCC, pada Gambar 3.8.
18 Gambar 3.8 Diagram Blok MFCC [26]
● Sampling suara
Proses pengambilan nilai pada tahap sampling suara ini yaitu proses dalam merubah sinyal analog menjadi sinyal digital.
● Pre-Emphasis
Pada tahapan pre-emphasis bertujuan agar mempertajam atau memperjelas suara yang diolah.
● Framing
Sinyal harus diproses dalam satuan waktu tertentu (short frame), karena sinyal suara terus berubah-ubah sebagai hasil dari suatu pergeseran artikulasi dari organ reproduksi suara.
● Windowing
Agar meminimalisir adanya terjadinya kebocoran pada spektral, hasil dari frame blocking harus dilewatkan terlebih dahulu kedalam proses windowing. Window dengan fungsi yang bagus, seharusnya menyempit pada bagian main lobe dan melebar pada bagian side lobe-nya.
● Fast Fourier Transform (FFT)
Dalam melakukan proses transformasi sinyal suara digunakan perhitungan fast fourier transform. Fast fourier transform merupakan metode yang digunakan untuk menganalisa komponen level sinyal dalam domain frekuensi.
19
● Mel-Frequency Wrapping
Mel-frequency wrapping atau sering disebut mel-filter bank merupakan suatu proses dalam mencari nilai koefisien ciri atau fitur khas dari suara. Mel-filter bank menggunakan representasi dengan mengalikan antara spektrum sinyal dengan koefisien filter bank. Selanjutnya discrete cosinus transform (DCT) diaplikasikan pada hasil filter wrapping.
● Discrete Cosine Transform (DCT)
Tahap akhir pada MFCC umumnya menggunakan metode yang dinamakan discrete cosine transform (DCT).
b) Onset Detection
Setelah data melewati proses MFCC data dilanjutkan ke tahapan pengolahan data onset detection. Onset detection salah satu cara pengolahan data yang berguna untuk mengetahui dimana awal mulainya data suara pada penelitian ini. Onset detection ini biasanya dalam domain yang berupa frekuensi, waktu, fase, atau kompleks, agar mencari suatu perubahan energi spektral disetiap adanya perubahan pada frekuensi. Onset detection pada penelitian ini untuk mengenali suara yang dihasilkan dari data berdasarkan jarak waktu munculnya bunyi. Proses onset detection pada penelitian ini terbagi tiga, yaitu:
● Onset Detector
Dasar onset detector, menemukan not pada onset dengan memilih puncak dalam onset strength envelope. Parameter peak_pick dipilih oleh optimasi hyper-parameter skala besar atas dataset yang disediakan.
● Onset Backtrack
Mendeteksi backtrack pada onset dari suatu energi. Fungsi ini dapat digunakan untuk memutar mundur pengaturan waktu yang terdeteksi dari amplitudo puncak yang terdeteksi ke minimum sebelumnya. Ini paling berguna saat menggunakan onsets untuk menentukan titik irisan untuk segmentasi.
● Onset Strength
Menghitung suatu spectral flux pada onset strength envelope. Onset strength pada waktu ‘t’ ditentukan oleh : mean_f max(0, S[f, t] - ref_S[f, t - lag]) di mana ref_S adalah S setelah pemfilteran max lokal disepanjang
20 sumbu frekuensi. Secara umum, jika deret waktu y disediakan, S akan menjadi spektrogram Mel log-power.
c) Preprocessing Data
Data yang didapat masih berupa data mentah sehingga diperlukan preprocessing data yang meliputi penggabungan data, mengisi data kosong, pembagian data, normalisasi data dan pengelompokan data. Sesudah dilakukannya proses pembagian data, data yang dihasilkan memiliki nilai yang bermacam-macam tipe, oleh sebab itu untuk meminimalisir error maka dilakukan normalisasi data.
Normalisasi pada data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang dipakai. Data-data tersebut akan dinormalisasi ke dalam interval [- 1,1]. Interval tersebut merupakan batas nilai untuk fungsi aktivasi hyprbolic tangent.
3.3.2. Implementasi LSTM dan ANN a) LSTM (Long Short Term Memory)
Tahapan yang diperlukan dalam pembuatan model LSTM untuk digunakan pada penelitian ini, sebagai berikut:
Layer pertama yang dibuat adalah LSTM 64 unit neuron, yang menggunakan input_shape (40,1)
Layer selanjutnya adalah layer dengan 32 unit neuron.
Layer terakhir adalah Dense Output Layer dengan fungsi aktivasi menggunakan softmax.
b) ANN (Artificial Neural Network)
Tahapan yang diperlukan dalam pembuatan model ANN untuk digunakan pada penilitian ini, sebagai berikut:
Menambahkan layer input dan layer hidden pertama dengan menggunakan input 40
Layer berikutnya menggunakan 32 unit neuron.
Layer akhir merupakan Dense Output Layer dengan 1 unit neuron dan fungsi aktivasi menggunakan sigmoid.
21 3.4. Metode Evaluasi
Pada tahap metode evaluasi berguna untuk mengatahui seberapa bagus sistem yang dirancang dalam mendeteksi kelainan fungsi pada katup jantung. Tahapan ini menggunakan metrik Accuracy, Loss, RMSE dan MSE untuk mengukur tingkat akurasi model yang sudah dilatih.
