XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
KLASIFIKASI SINYAL PHONOCARDIOGRAM MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN MULTILAYER PERCEPTRON BACKPROPAGATION (MLP-BP)
Bagas Dwi Arifany Telecommunication Engineering Institut Teknologi Telkom Purwokerto
Purwokerto, Indonesia 17101049@ ittelkom-pwt.ac.id
Dodi Zulherman Telecommunication Engineering Institut Teknologi Telkom Purwokerto
Purwokerto, Indonesia zulherman.dodi@ittelkom-pwt.ac.id
Rahmat Widadi Telecommunication Engineering Institut Teknologi Telkom Purwokerto
Purwokerto, Indonesia rahmat@ittelkom-pwt.ac.id
Abstract—Jantung merupakan organ tubuh yang sangat vital, kurangnya perhatian terhadap kesehatan jantung bisa menyebabkan timbulnnya penyakit yang sangat berbahaya, menurut survei yang dilakukan oleh World Health Organitation (WHO) 33% dari semua kematian penyebabnya adalah penyakit jantung kardiovaskular.
Umumnya sinyal electrocardiogram (ECG)di gunakan sebagai alat bantu tenaga medis untuk mendiagnosis penyakit jantung. Namun, penggunaan sinyal EKG membutuhkan biaya relatif mahal dan penerapanya sulit sehingga penggunaan sinyal(Phonocardiogram) PCG dapat menjadi solusi karena penerapanya mudah dan biaya relatif murah. Penggunaan sinyal PCG secara elektronik memerlukan metode ekstraksi untuk mereduksi suara selain detak jantung dan metode klasifikasi untuk membedakan kondisi jantung normal dan abnormal. Penelitian ini bertujuan untuk merancang metode ekstraksi dan metode klasifikasi sebagai alat bantu diagnosis penyakit jantung menggunakan sinyal PCG. Rancangan metode ekstraksi menggunakan (Discrete Wavelet Transform) DWT dan metode klasifikasi menggunakan kepanjangan (Multilayer Percepton Backpropagation) MLP-BP. Perancangan dan pengujian menggunakan dataset yang merupakan data sekunder dari http://physionet.org/content/challenge- 2016/1.0.0/. Dataset terdiri dari 2141 rekaman suara jantung dengan rician 1958 kondisi normal dan 183 kondisi abnormal. Evaluasi hasil rancangan menggunakan parameter accuracy, sensitivity, specificity terhadap variasi Mother wavelet(sym2, db2, coif 1), node hidden 8, 16, 24 dan k-fold cross validation 5-10.
Rancangan klasifikasi jantung normal dan abnormal bedasarkan sinyal PCG dengan konfigurasi mother wavelet menggunakan symlet 2 level dekomposisi 5 dan jumlah node hidden 24 mampu menghasilkan tingkat accuracy, sensitivity, specificity yang baik .
Kata Kunci : Penyakit Jantung, sinyal PCG, sinyal ECG, DWT, MLP-BP
I. INTRODUCTION
Jantung merupakan organ tubuh yang sangat vital, kurangnya perhatian terhadap kesehatan jantung bisa menyebabkan timbulnnya penyakit yang sangat berbahaya.
Bahkan penyakit jantung menempati peringkat pertama
sebagai penyakit penyebab kematian di Indonesia[1].
Penyakit jantung dikenal sebagai penyakit kardiovaskular (CVD), menurut survei yang dilakukan oleh World Health Organitation (WHO) 33% dari semua kematian penyebabnya adalah penyakit jantung kardiovaskular. Penyakit kardiovaskular adalah kondisi dimana terjadi penyempitan atau penyumbatan pembuluh darah. Kelainan jatung di bedakan menjadi dua yaitu kelainan dalam bentuk fisiologis dan morfologis.
Dalam dunia kedokteran untuk mengatasi masalah pemrosesan sinyal digital khususnya dalam menganalisis suara detak jantung. Ada dua jenis sinyal yang digunakan untuk mengetahui suara jantung yaitu stetospkop elektrik atau biasa dikenal dengan istilah Phonocardiogram(PCG) dan electrocardiogram (ECG)[2].Elektrokardiogram (EKG) adalah sinyal biologi yang dihasilkan dari aktifitas kelistrikan jantung. Sinyal ini timbul untuk memicu kontraksi otot jantung yang akan memompa darah ke seluruh tubuh. Sinyal EKG merupakan representasi tingkat kesehatan jantung seseorang yang digambarkan lewat irama, bentuk dan orientasi sinyal EKG[3].
II. METHOD A. Alur Penelitian
Alur penelitian digunakan mempermudah dan sebagi panduan dalam pelaksanaan penelitian. Berdasarkan gambar 5 penelitian ini melalaui tahap penelitian pustaka, perumusan masalah, pengumpulan data, perancangan sistem, pengujian sistem dan yang terakhir analisis dan kesimpulan.
Penelitian pustaka Perumusan masalah Pengumpulan data
Perancangan sistem Pengujian sistem
Analisis dan kesimpulan
Gambar 1. Diagram block alur penelitian B. Pemodelan Sistem
Pemodelan sistem pada gambar 3.1 melalui berapa tahapan yaitu meliputi input sinyal PCG yang akan menjadi
tahapan awal, selanjutnya akan diteruskan pada proses ekstraksi fitur menggunakan DWT dan tahapan kalsifikasi menggunakan MLP-BP. Hasil dari klasifikasi nantinya akan dibandingkan dengan data asli untuk mendapatkan nilai accuracy, sensitivity dan specificity.
Sinyal PCG(normal
dan abnormal) Ektraksi fitur DWT Klasifikasi MLPB-BP
Kondisi normal
Kondisi abnormal
Gambar 2 Diagram block pemodelan sistem C. Input sinyal PCG
Sinyal PCG yang akan diguanakan yaitu sinyal PCG yang didapat dari data set dengan 2 kondisi yaitu normal dan abnormal. Pemrosesan input sinyal PCG ke dalam spyder pada pemograman phyton dilakukan dengan cara seperti script di bawah ini :
D. Preprocessing Data
Pada tahapan preprocessing sinyal PCG akan diberi label, label sendiri berfungsi untuk mengkategorikan sinyal jantung normal dan sinyal jantung abnormal berdasarkan file REFERENCE – SQI yang berada pada folder data training-e.
Setelah pelabelan sinyal -1 yang berarti normal dan 1 berarti abnormal semua data akan dipotong durasinya sebesar 5 second. Sinyal PCG yang telah diproses akan dijadikan satu sebagai acuan untuk proses selanjutnya. Pemrosesan pememberian label, zero padding dan pemotongan sinyal E. Ekstraksi fitur DWT
Pada proses ekstraksi fitur ada dua tahapan, yang pertama adalah dekomposisi pada masing - masing jenis mother wavelet dan yang kedua adalah ekstraksi fitur.
Proses dekomposisi menggunakan level 1 – 8 dan 3 jenis mother wavelet( symlet2, dhaubechies2 dan coiflet1).
Penejalasan mother wavelet
Sinyal Dekomposisi
Ektraksi Fitur Mean Ektraksi Fitur Standard
Deviasi Ektraksi Fitur Kurtosis Ektraksi Fitur Skeweness
Fitur Mean Fitur Standard Deviasi Fitur Kurtosis Fitur Skeweness
Gambar 3. Bagan Proses Ekstraksi Fitur
Hasil dari proses dekomposisi pada masing-masing jenis mother wavelet akan diambil semua menjadi beberapa jenis fitur. Peneliti melakukan proses secara langsung untuk mengambil masing-masing fiturnya seperti gambar 3, dimana sinyal awal dekomposisi secara otomatis akan masuk ke dalam script masing -masing fiturnya. Pada tiap nilai dekomposisi akan diekstraksi berdasarkan jumlah barisnya, karena jumlah baris pada nilai dekomposisi merupakan jumlah elektroda yang dipakai dikalikan banyaknya fitur yang didapat pada setiap jenis mother wavelet menggunakan.
Jumlah baris yang diekstraksi pada setiap jenis mother
wavelet memiliki nilai yang berbeda – beda dan fitur yang digunakan akan berbeda pula. Berikut merupakan jenis ekstraksi fitur yang akan digunakan:
1. Mean
Nilai dari koefisien aproksima dan koefisien detail akan dihitung untuk mencari rata-rata dari kedua koefisien
tersebut. Rumus dari rata-rata tersebut [7]:
𝑀𝑒𝑎𝑛 = ∑ 𝑥𝑖
𝑛 (5) 2. Standard Deviation
Standard Deviation merupakan nilai statistik yang digunakan untuk menentukan sebaran data dari koefisien, serta seberapa dekat titik data dengan rata - rata nilai. Setelah mendapatkan hasil rata-rata dari rumus 6, kemudian dihitung standar deviasinya dengan rumus [7] :
𝑆𝑡𝑑 = √Σ(𝑥𝑖−MEAN)2
𝑛−1 (6)
3. Kurtosis
Kurtosis merupakan derajat ketinggian puncak suatu distribusi frekuensi, biasanya diambil relatif terhadap distribusi normal. Jenis keruncingan grafik sekumpulan data, dihitung nilai koefisien kurtosisnya. Ada tiga istilah yaitu Leptokurtik adalah grafik distribusi dengan titik puncak relatif tinggi, Platikurtikadalah grafik distribusi dengan titik puncak relatif mendatar dan Mesokurtik (distribusi normal) jika titik puncak grafik distribusi tidak terlalu tinggi dan tidak juga mendatar[7].
Rumus perhitungan koefisien kurtosis sebagai berikut : 𝐾 =
1 2(𝑄3− 𝑄1)
𝑝90− 𝑝10 (7)
Skewness merupakan ukuran yang menyatakan sebuah model distribusi yang mempunyai kemiringan tertentu. Jika diketahui nilai kemiringan, maka diketahui pula bagaimana model distribusinya, apakah: simetris, negatif atau positif.
Mengetahui derajat ketidaksimetrian model suatu grafik distribusi frekuensi, dihitung koefisien kemiringan seperti rumus berikut [7]:
𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = 𝑚𝑒𝑎𝑛−𝑚𝑜𝑑𝑢𝑠
𝑠𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝑏𝑎𝑘𝑢 (8) 4. Klasifikasi MLP-BP
Nilai yang didapat dari ektstraksi fitur digunakan pada klasifikasi Multilayer Perceptron. Multilayer Perceptron memiliki kemampuan untuk mendeteksi atau melakukan analisa untuk permasalahan yang sifatnya sangat kompleks.
Multilayer Perceptron menggunakan algoritma Back- propagation untuk mengklasifikasi sinyal PCG normal dan abnormal, agar keluaran yang dihasilkan mendekati data sinyal PCG normal dan abnormal yang asli.
Input Layer Hidden Layer Output Layer H1
H24
K1
K2 M1
M2
2 Masukan 24 Node 2 Keluaran
Gambar 4. sekenario MLP-BP
Pada gambar 4 terdapat 3 layer layer yang pertama adalah input layer yang berisi 2 node masukan yaitu sinyal PCG normal dan abnormal, layer kedua adalah hidden layer yang berisi 24 node hidden layer divariasiakan 8, 16, 24 layer ketiga adalah output layer yang berisi hasil keluaran sejumlah 2 yaitu kondisi normal dan abnormal.
5. K-Fold Cross Validation
Data hasil klasifikasi akan di validasi meggunakan K- Fold Cross validation. K-Fold Cross Validation akan melakukan sampling ulang untuk mengevaluasi model klasifikasi. Sampling ulang berarti memanfaatkan data yang telah di sampling sehingga data yang dihasilkan sangat efektif untuk mengevaluasi model klasifikasi. K-Fold Cross validation memiliki tiga aturan untuk menentukan jumlah K yaitu Representatif, K=10 dan K=n [8]. Model klasifikasi pada penelitian ini menggunakan aturan memvarisasikan jumlah k, yaitu k = 5-10. Pada umumnya k= 10 sudah teruji secara experiment untuk menghasilkan pengujian sesuai dengan karakteristik dan aturan ini sudah umum digunakan oleh penelitian lainnya. Disebutakan variasi 5 sampai 10
Gambar 5. K-Fold Cross Validation 6. Confusion Matrix
Data yang sudah divalidasi akan diproses menggunakan confusion matrix. Confusion matrix berfungsi sebagai perbandingan nilai yang diprediksi dengan nilai aktual dan menciptakan ukuran kesalahan klasifikasi. Dalam Confusion matrix, semakin rendah jumlah kesalahan klasifikasi maka semakin baik pula kinerjanya.
Tabel 1 Actual Values Predicted
Actual Prediksi Normal Prediksi Abnormal
Kondisi asli Normal
True Positif
(TP) False Positif (FP) Kondisi asli
Abnormal
False Negatif (FN)
True Negatif (TN)
Parameter yang digunakan untuk pemrosesan data dibagi menjadi 3 persamaan yaitu Sensitivity (SN) , Specificity (SP), dan Accuracy (ACC). Bisa dijabarkan pada persamaan berikut :
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃
(𝑇𝑃 + 𝑇𝑁)= 𝑇𝑃
𝑇 (9)
𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁
(𝑇𝑁 + 𝐹𝑃)= 𝑇𝑃
𝑁 (10)
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑁 + 𝑇𝑃 (𝑇𝑁 + 𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃)
= 𝑇𝑁 + 𝑇𝑃 𝑃 + 𝑁
(11)
Berdasarkan keterangan di atas True Positive (TP) merupakan kondisi sistem klasifikasi sinyal jantung normal yang dideteksi dengan benar, sebaliknya False Positive (FP) merupakan kondisi sistem yang salah dalam mendeteksi sinyal jantung normal. Sedangkan, True Negative (TN) merupakan kondisi sistem klasifikasi sinyal jantung abnormal yang dideteksi dengan benar, sebaliknya False Negative (FN) merupakan kondisi sistem yang salah dalam mendeteksi sinyal jantung abnormal.
F. Pengujian Sistem
Pengujian sistem sendiri meliputi beberapa sekema seperti penggunaan tiga mother wavelet yaitu sym2, db2 dan coif1, selanjutnya memvariasikan level dekomposisi 1 sampai dengan 8 untuk klasifikasinya menggunakan 3 variasi node hidden layer yaitu 8, 16, 24 dan yang terakhir hasil terbaik dari beberapa sekema diatas akan di uji pada k-fold cross validation 5 sampai dengan 10.
G. Hasil Simulasi
1. Analisis Hasil Uji Sistem Sinyal PCG
Data set yang disediakan oleh Physionet Challenge 2016 CinC pada data training-e memiliki 2141 rekaman suara jantung, data tersebut meliputi suara jantung dalam keadaan normal dan abnormal. Frekuensi sampling yang digunakan pada dataset ini adalah 2000 Hz.
Gambar 6. sinyal PCG Normal
Pada gambar 6 menunjukan sampel sinyal PCG dengan kondisi jantung normal. Sinyal tersebut dipotong dengan durasi waktu 2 detik. Dalam keadaan normal jantung menghasilkan 2 suara yang berbeda yang sering disebut sebagai lub-dub atau suara jantung pertama(S1) dan suara jantung kedua (S2). Suara jantung pertama (S1) berasal dari penutupan katub atrioventricular(katub mitral dan trikuspidalis) dan kontraksi otot – otot jantung. Sedangkan suara jantung kedua (S2) berasal dari penutupan katub semilunaris( katub aorta dan pulmonal). S1 mempunyai periode berkisar (0,25 - 0,45 second) sedangkan S2 mempunyai periode berkisar (0,55 – 0,65 second). Nilai amplitude dari suara jantung pertama(S1) maksimumnya berkisar 0,8 dB dan minimumnya -0,7 dB, untuk suara jantung kedua (S2) nilai amplitude maksimumnya berkisar 0,75 dB dan minimumnya berkisar -0,65 dB. Diantara suara jantung pertama (S1) dan suara jantung kedua (S2) terdapat dua interval yaitu sistole dan diastole. Sistole merupakan tekanan darah yang dialirkan dari jantung ke arteri dan nadi, sedangkan diastole merupakan tekanan darah balik dari arteri dan nadi ke jantung.
Gambar 7 Sinyal PCG abnormal
Pada gambar 7 menunjukan sampel sinyal PCG dengan kondisi jantung abnormal. Sinyal tersebut dipotong dengan durasi waktu 2 detik. Berbeda halnya dengan sinyal jantung normal, sinyal abnormal mempunyai suara jantung (S1,S2,S3,S4). Suara jantung ketiga (S3) disebabkan oleh osilasi darah antara dinding aorta dan ventrikel. Suara jantung keempat (S4) disebabkan oleh turbulensi ejeksi darah. S1 mempunyai periode berkisar (0,10 - 0,25 second) sedangkan S2 mempunyai periode berkisar (0,45 – 0,55 second). Nilai
amplitude dari suara jantung pertama(S1) maksimumnya berkisar 0,8 dB dan minimumnya -0,5 dB untuk suara jantung kedua (S2) nilai amplitude maksimumnya berkisar 0,8 dB dan minimumnya berkisar -0,5 dB. Suara jantung ketiga (S3) mempunyai amplitude maksimumnya 0,2 dB dan minimumnya – 0,2 dB sedangkan untuk suara jantung keempat(S4) mempunyai amplitude maksimumnya 0,1 dB dan minimumnya – 0,1 dB.
2. Analisis pengaruh perubahan mother wavelet terhadap nilai Accuracy, sensitivity dan specificity
Hasil pengujian sistem dari skema ini adalah membandingkan nilai accuracy, sensitivity, dan specificity yang dipengaruhi oleh variasi mother wavelet, variasi mother wavelet yang digunakan adalah sym2, db2, dan coif1 untuk level dekomposisinya berjumlah 1 sampai dengan 8. Node hidden yang digunakan bernilai 16 dan untuk k-foldnya sendiri berjumlah 10.
Pada Tabel 2 menjelaskan hasil dari pengujian sistem pengaruh perubahan mother wavelet terhadap nilai accuracy, sensitivity, dan specificity. Bisa dilihat untuk hasil dari nilai dari tiga parameter bervariasi disetiap level dekomposisinya dan jenis mother wavelet, tentunya penggunaan mother wavelet dan level dekompisi sangat bepengaruh pada hasil yang didapat.
Pada nilai accuracy sendiri yang paling rendah terdapat pada saat penggunaan mother wavelet berjenis coiflet1 di level dekomposisi 8 yaitu sebesar 91,45 % dan nilai tertinggi yang didapat untuk parameter accuracy berada pada saat penggunaan mother wavelet berjenis symlet 2 pada level dekomposisi 5 sebesar 93,92 %. Untuk nilai sendiri nilai specificity terendah berada mother wavelet berjenis coiflet 1 pada level dekomposisi 8 yaitu sebesar 50 % dan nilai tertinggi berada pada jenis mother wavelet symlet 2 di level dekomposisi 1 yaitu sebesar 92,30 %.
Nilai sensitivity nilai terendah berada pada jenis mother wavelet Daubechies 2 pada level dekomposisi 1 yaitu sebesar 92,30 % dan untuk nilai tertinggi berada pada jenis mother wavelet coiflet 1 pada level dekomposisi 6 yaitu sebesar 95,91%. Jadi untuk menentukan nilai accuracy, sensitivity, dan specificity tergolong baik atau tidaknya sangat dipengaruhi oleh penggunaan jenis mother wavelet itu sendiri dan berapa level yang digunakan. Terbukti pada tabel hasil uji diatas hasil terbaik menempati jenis mother wavelet tertentu dan di level berbeda - beda. Diambil Db 2 level 5
Tabel 2 Hasil varisai Mother Wavelet
Tabel 3 Confusion Matrix sym 2 level 5 Information Prediksi Normal Prediksi Abnormal
Sinyal Asli Normal 1921 90
Sinyal Asli Abnormal 37 93
Akurasi = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑁 + 𝐹𝑃= 1921 + 90 1921 + 90 + 37 + 93
=2011
2141= 93,92 % Sensitivitas = 𝑇𝑃
𝑇𝑃 + 𝐹𝑁= 1921
1921 + 93=1921 2014
= 95,38 % Spesifisitas = 𝑇𝑁
𝑇𝑁 + 𝐹𝑃= 90
90 + 37= 90
183= 70,86 % Pada Tabel 3 dapat dilihat pada prediksi klasifikasi suara jantung asli normal yang diprediksi normal terdapat 1921 dan yang diprediksi abnormal terdapat 90. Pada klasifikasi suara jantung asli abnormal yang diprediksi normal terdapat 37 dan yang diprediksi
abnormal terdapat 93. Hasil yang didapat dari perhitungan rumus diatas untuk nilai accuracy sebesar 93,92 %, sensitivity sebesar 95,38 % dan specificity sebesar 70, 86 %.
3. Analisis pengaruh perubahan node hidden terhadap nilai Accuracy, sensitivity dan specificity
Hasil yang didapat pada proses pengujian sistem pengaruh dari perubahan nilai node hidden layer terhada nilai accuracy, sensitivity, dan specificity. Data tersebut akan diacak dengan cross validation dan diuji dengan jumlah k-fold = 10. Parameter yang digunakan pada proses klasifikasi adalah accuracy, sensitivity, dan specificity, 3 parameter tersebut berfungsi untuk merepresentasikan hasil klasifikasi tergolong baik atau tidak. Skema ini menggunakan mother wavelet (symlet 2) dari level dekomposisinya 1 sampai dengan 8 dan penggunaan keseluruhan fitur. Untuk variasi jumlah node hidden sendiri yang digunakan adalah 8, 16 dan 24.
Tabel 4 Hasil varisai Node hidden Node
hidden Level Accuracy(%)
Specificity (%)
Sensitivity (%)
8
1 91,82 90 91,83
2 92,66 61,60 94,38
3 92,52 61,16 94,11
4 93,22 69,79 94,32
5 92,94 64,54 94,48
6 92,66 65,11 93,82
7 93,13 64,51 94,89
8 92,80 64,64 94,17
16
1 92,19 83,33 92,30
2 92,80 60,90 94,92
3 92,48 60,78 94,06
4 93,22 64,61 95,07
5 92,66 67,56 93,56
6 92,76 64,58 94,08
7 92,85 63,88 94,39
8 91,91 55,10 93,68
24
1 92,48 80,55 92,68
2 93,27 63,82 95,32
3 93,41 66,15 95,17
4 93,22 62,33 95,62
5 93,92 76,23 94,80
6 92,66 62,50 94,20
7 92,48 58,73 94,59
8 92,80 66,66 93,91
Pada tabel 4 menjelaskan hasil dari pengujian hasil uji pengaruh perubahan node hidden terhadap nilai nilai accuracy, sensitivity, dan specificity. Untuk hasil yang didapatkan sangat bervariasi pada setiap penggunaan node hidden dan level dekomposisinya. Nilai accuracy tertinggi berada pada penggunaan node hidden 24 pada level dekomposisi 5 yaitu sebesar 93,92% dan untuk nilai terendahnya berada pada node hidden 8 pada level Mother
wavelet Level Accuracy(%) Specificity (%)
Sensitivity (%)
Sym2
1 92,48 92,30 92,48
2 92,93 61,53 95,24
3 92,76 62,93 94,34
4 92,76 68,42 93,65
5 93,92 70,86 95,38
6 92,66 61,20 94,46
7 92,71 61,61 94,29
8 92,57 65,78 93,55
Db2
1 92,19 83,33 92,30
2 92,80 60,90 94,92
3 92,48 60,78 94,06
4 93,22 64,61 95,07
5 92,66 67,56 93,56
6 92,76 64,58 94,08
7 92,85 63,88 94,39
8 91,91 55,10 93,68
Coif1
1 92.29 80 92.46
2 92.15 54.96 94.97
3 92 61.53 92.77
4 91.59 51.42 93.66
5 92.62 59.25 94.86
6 92.52 56.28 95.91
7 92.48 65.27 93.42
8 91,45 50 93,35
dekomposisi 1 yaitu sebesar 91,82 %. Pada paremeter specificity nilai tertinggi berada pada penggunaan node hidden 8 pada level dekomposisi 1 yaitu sebesar 90 % dan untuk nilai terendahnya berada pada node hidden 16 pada level dekomposisi 8 yaitu sebesar 55,10 %. Untuk nilai sensitivity tertinggi berada pada penggunaan node hidden 24 dan level dekomposisinya 4 yaitu sebesar 95,62 % dan untuk nilai terendah yang didapat berada pada node hidden 8 pada level 1 yaitu sebesar 91,83 %. Jadi untuk penggunaan variasi node hidden layer sangat berpengaruh untuk menentukan hasil dari 3 paremeter tersebut.
4. Klasifikasi Sinyal PCG berdasarkan k-fold cross validation
Pada pengujian sistem ini yaitu pengaruh perubahan nilai K-fold terhadap nilai accuracy, sensitivity, dan specificity pada masing – masing fiturnya. Mother wavelet yang digunakan adalah jenis coiflet 1 untuk node hidden sendiri berjumlah 24 dan level dekomposisi yang digunakan sebesar 8. Untuk variasi jumlah k-fold yaitu 5 sampai dengan 10.
Berikut adalah hasil dari masing – masing fitur pada setiap k – foldnya :
a. Fitur Mean
Bisa dilihat pada gambar 8 yang berupa grafik menunjukan pengaruh perubahan nilai dari accuracy, sensitivity, dan specificity pada fitur mean untuk setiap jumlah k-foldnya .
Gambar 8. Hasil Klasifikasi Pada Fitur Mean Pada grafik diatas menunjukan untuk nilai tertinggi pada parameter accuracy terdapat pada k-fold 9 yaitu sebesar 95 % dan untuk nilai terandahnya sendiri berada pada k-fold 5 yaitu sebesar 94,02 %. Untuk parameter sensitivity nilai tertinggi ada pada k-fold 9 yaitu sebesar 65,32 % dan nilai terendahnya ada pada k-fold 7 yaitu sebesar 61,29 %. Pada parameter specificity nilai tertinggi berada pada penggunaan k-fold 9 yaitu sebesar 98,89 % dan nilai terendahnya berada pada k-fold 5 yaitu sebesar 97,95 %. Bisa disimpulkan untuk penggunaan nilai k-fold sangat berpengaruh pada setiap hasil dari 3 parameter diatas. Untuk fitur mean sendiri dilihat dari grafik diatas hasil terbaik dari tiga parameter dominan pada k-fold 9.
b. Fitur Standard Deviasi
Gambar 9 Klasifikasi Pada fitur STDD
Pada gambar 9 berupa grafik diatas menunjukan untuk nilai tertinggi pada parameter accuracy terdapat pada k-fold 9 yaitu sebesar 95,89% dan untuk nilai terandahnya sendiri berada pada k-fold 10 yaitu sebesar 95,51 %. Untuk parameter sensitivity nilai tertinggi ada pada k-fold 9 yaitu sebesar 85,15 % dan nilai terendahnya ada pada k-fold 6 yaitu sebesar 77,77 %. Pada parameter specificity nilai tertinggi berada pada penggunaan k-fold 6 yaitu sebesar 97,11 % dan nilai terendahnya berada pada k-fold 10 yaitu sebesar 96,27
%. Bisa disimpulkan untuk penggunaan nilai k-fold sangat berpengaruh pada setiap hasil dari 3 parameter diatas.
Berbeda dengan fitur mean hasil terbaik dari ketiga parameternya berada pada k-fold 9 untuk fitur standard deviasi sendiri hanya ada dua parameter (accuracy dan sensitivity) yang berada pada k-fold 9 sedangkan untuk nilai tertinggi pada specificity berada pada k-fold 6.
c. Fitur Kurtosis
Gambar 10 Klasifikasi Pada fitur Kurtosis
Pada gambar 10 berupa grafik diatas menunjukan untuk nilai tertinggi pada parameter accuracy terdapat pada k-fold 6 yaitu sebesar 93,22% dan untuk nilai terandahnya sendiri berada pada k-fold 7 yaitu sebesar 91,73 %. Untuk parameter sensitivity nilai tertinggi ada pada k-fold 6 yaitu sebesar 65,32 % dan nilai terendahnya ada pada k-fold 9 yaitu sebesar 53,91 %. Pada parameter specificity nilai tertinggi berada pada penggunaan k-fold 6 yaitu sebesar 94,94 % dan nilai terendahnya berada pada k-fold 5 yaitu sebesar 92,06 %.
Bisa disimpulkan untuk penggunaan nilai k-fold sangat berpengaruh pada setiap hasil dari 3 parameter diatas.
Berbeda dengan fitur mean dan Stdd hasil terbaik dari ketiga parameternya untuk fitur kurtosis sendiri berada pada k-fold 6.
d. Fitur Skewness
Gambar 11 Klasifikasi Pada fitur Skewness
Pada gambar 11 berupa grafik diatas menunjukan untuk nilai tertinggi pada parameter accuracy terdapat pada k-fold 10 yaitu sebesar 93,75% dan untuk nilai terandahnya sendiri berada pada k-fold 5 yaitu sebesar 91,59 %. Untuk parameter sensitivity nilai tertinggi ada pada k-fold 10 yaitu sebesar 54,36 % dan nilai terendahnya ada pada k-fold 8 yaitu sebesar 50,43 %. Pada parameter specificity nilai tertinggi berada pada penggunaan k-fold 6 yaitu sebesar 94,06 % dan nilai terendahnya berada pada tiga k-fold 9, 7 dan 1 yaitu sebesar 93,75 %. Bisa disimpulkan untuk penggunaan nilai k- fold sangat berpengaruh pada setiap hasil dari 3 parameter diatas. Berbeda dengan ketiga fitur diatas hasil terbaik dari kedua parameter (accuracy dan sensisitivity) pada fitur kewness berada pada pada k -fold 10 dan untuk specificitynya berada pada k-fold 6.
Tabel 5 Hasil Variasi k-fold semua Fitur
Pada tabel 5 menjelaskan perbandingan semua nilai k-fold dan semua fiturnya terhadap perubahan nilai accuracy, sensitivity, dan specificity. Untuk nilai accuracy tertinggi berada pada fitur stdd pada nilai k-fold yang digunakan 7 yaitu sebesar 95,7%. Nilai tertinggi sensitivitas berada pada fitur stdd pada k-fold 10 dan 9 yaitu sebesar 83,72 %. Untuk yang terakhir yaitu specificity nilai tertingginya berada pada fitur mean berada pada k-fold 10, 9, dan 6. Bisa disimpulkan
untuk nilai tertinggi accuracy dan sensitivity dilihat dari tabel diatas berada pada fitur stdd berbeda dengan specificity berada pada fitur mean. Tabel diatas dipindah lampiran dan diganti tabel sebelumnya
III. KESIMPULAN
Berdasarkan hasil percobaan yang telah diujikan, peneliti mengambil kesimpulan sebagai berikut:
1. Sistem klasifikasi sinyal PCG pada pada kondisi jantung normal dan abnormal meliputi beberapa tahapan seperti dekomposisi, tahap ekstraksi fitur dengan memvariasikan jenis mother wavelet dan level dekomposisinya serta MLP-BP dengan memvariasiakan jumlah node hidden layernya sebagai classifier. Berdasarkan hasil pengujian, rancangan sistem klasifikasi sinyal PCG menggunakan mother wavelet.
2. Berdasarkan hasil pengujian, nilai accuracy terbaik sebesar 93,93 % didapat dari variasi mother wavelet symlet 2 level 5 dengan node hidden 24, nilai sensitivity 92,30 % dari variasi mother wavelet symlet 2 level 1 dengan node hidden 24, dan nilai specificity terbaik sebesar 95,91 % dari variasi mother wavelet coif 1 level 6 dengan node hidden 24. Nilai accuracy menjadi acuan untuk mel.
Daftar Pustaka
[1] H. Sun, W. Chen, and J. Gong, “An improved empirical mode decomposition-wavelet algorithm for Phonocardiogram signal denoising and its application in the first and second heart sound extraction,” Proc. 2013 6th Int. Conf. Biomed. Eng. Informatics, BMEI 2013, no. Bmei, pp. 187–191, 2013, doi:
10.1109/BMEI.2013.6746931.
[2] H. Yulius, K. Brian, and I. B. Trisno, “Prosiding SNST ke-10 Tahun 2019 Fakultas Teknik Universitas Wahid Hasyim 95,”
Peranc. Sist. Inf. Kepuasan Layanan Pendidikadengan Pendekatan Naïve Bayes Stud. Kasus Di Nation Star Acad., no.
2017, pp. 95–100, 2019.
[3] Y. Kumar, M. L. Dewal, and R. S. Anand, “Epileptic seizure detection using DWT based fuzzy approximate entropy and support vector machine,” Neurocomputing, vol. 133, pp. 271–279, 2014, doi: 10.1016/j.neucom.2013.11.009.
[4] T. Omari and F. Bereksi-Reguig, “An automatic wavelet denoising scheme for heart sounds,” Int. J. Wavelets, Multiresolution Inf.
Process., vol. 13, no. 3, pp. 1–22, 2015, doi:
10.1142/S0219691315500162.
[5] R. Hayati, “Perbandingan Mother Wavelet pada Proses Denoising pada Simulasi Pengolahan Sinyal Radar,” J. Litek, vol. 13, no. 1, pp. 13–18, 2008.
[6] S. Suma’inna and G. Gumilar, “Implementasi Transformasi Wavelet Daubechies pada Kompresi Citra Digital,” Cauchy, vol.
2, no. 4, p. 211, 2013, doi: 10.18860/ca.v2i4.3117.
[7] S. Fedi, “Memahami karakter data penelitian dengan mengamati koefisien SKEWNESS DAN KURTOSIS,” J. Pendidik. dan Kebud. Missio, vol. Volume 10, no. 10, pp. 219–222, 2018.
[8] M. Kuhn and K. Johnson, Applied predictive modeling. 2013 .
No Jumlah
K-fold accuracy(%) sensitivity(%) specificity (%)
1 5 93.36 69.52 64.59
2 6 94.2 66.48 96.73
3 7 92.85 61.9 94.78
4 8 92.43 58.97 94.36
5 9 93.36 64.51 95.21
6 10 94.06 69.44 95.84
