46
Analisa Suara Jantung Berbasis Complex Continuous Wavelet
Transform
Putri Madona
1)Achmad Arifin
2)Tri Arief Sardjono
3)Rimuljo Hendradi
4) 1) Jurusan Teknik Elektro Politeknik Caltex Riau, Pekanbaru 2 8 2 6 5 , email: d ho na @pcr.ac.id2,3,4) Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya 60111
Abstrak – Penyakit jantung merupakan salah satu
penyakit berbahaya yang masih menjadi penyebab utama kematian di seluruh dunia. Penyakit jantung valvular merupakan salah satu jenis penyakit jantung yang disebabkan ketidaknormalan fungsi katup-katup jantung. Teknik auskultasi tradisional yang masih umum dijalankan hingga saat ini mengandung kelemahan yang utama, yaitu faktor variabilitas intra-subjek dan inter-subjek, sehingga dapat mengakibatkan perbedaan hasil diagnosa. Dalam rangka mengembangkan sistem auskultasi modern diperlukan suatu metode yang mampu menganalisa suara jantung dengan baik. Oleh karena itu diusulkan sebuah metode analisis data suara jantung menggunakan Complex Continuous Wavelet Transform. Data yang digunakan adalah 28 data suara jantung yang dikumpulkan dari database publik serta 16 data dari pengambilan sampel suara jantung normal dari subjek normal menggunakan stetoskop digital. Prosedur pemrosesan sinyal untuk mengekstrak fenomena fisik tersembuyi dari sinyal suara jantung terdiri dari 3 tahap. Pertama, Discrete Wavelet Transform, digunakan untuk mengurangi background noise pada sinyal asli. Kedua, sinyal disegmentasi menggunakan Normalized Average Shannon Energy. Ketiga, karakteristik dari sinyal akan diekstrak menggunakan Complex Continuous Wavelet Transform (CWT). Metode CWT yang telah diusulkan ini, menunjukkan kemampuan dalam mengekstrak dan mengidentifikasi suara jantung pertama S1, suara jantung kedua S2 dan komponen-komponennya. Hasil kontur time-frekuensi yang merefleksikan aktifitas mekanik dari katup maupun otot jantung diharapkan dapat digunakan dalam mendiagnosa kelainan jantung manusia.
Kata Kunci: complex continuous wavelet transform,
suara jantung, segmentasi.
1. PENDAHULUAN 1.1 Latar Belakang.
Serangan jantung masih menjadi salah satu penyebab utama kematian di seluruh dunia. Gejala
abnormalitas atau yang dikenal dengan murmur,
seringkali datang secara tiba-tiba. Untuk itu, pengenalan secara dini terhadap penyakit jantung dapat membantu untuk terhindar dari serangan jantung.
Analisis suara jantung menggunakan teknik auskultasi, sampai saat ini masih sangat umum digunakan. Auskultasi yang dilakukan seorang ahli jantung, didefinisikan sebagai proses interpretasi gelombang-gelombang akustik yang dihasilkan oleh aktivitas mekanik jantung [1].
Diagnosis kelainan jantung hanya dengan mendengarkan suara jantung melalui stetoskop saja tidak cukup [2][3]. Kelemahan dari cara ini adalah bahwa keterampilan mendiagnosa suara jantung menggunakan stetoskop adalah suatu hal yang tidak mudah. Keakuratan analisa sangat tergantung pada kepekaan telinga dan tingkat pengalaman seorang ahli dalam membedakan antara satu kelainan dengan kelainan yang lain. Dibutuhkan waktu bertahun-tahun untuk memperoleh dan memfilter suara jantung tersebut [4]. Dan keahlian teknik auskultasi ini pun tidak bisa dengan mudah diajarkan secara terstruktur, sehingga pendengaran seorang ahli jantung dengan ahli jantung yang lain tidak dapat digandakan.
Oleh sebab alasan-alasan yang dikemukakan di atas, maka diagnosa kelainan jantung hanya dengan mendengarkan suara jantung menjadi sangat subjektif. Kelemahan lainnya adalah bahwa pada teknik auskultasi tradisional, suara jantung tidak direkam, sehingga tidak dapat didengarkan ulang untuk didengarkan bersama-sama dokter yang lain sebagai bahan diskusi. Untuk itu, diperlukan prosedur yang lebih obyektif menggunakan teknik auskultasi modern. Hal ini dapat dilakukan dengan menggunakan perumusan matematis sebagai kompensasi untuk analisa medis, dan dengan melakukan perekaman, visualisasi serta analisa suara jantung, sehingga dapat didengarkan ulang dan mempunyai data yang kuantitatif sehingga dapat dianalisa lebih lanjut secara lebih objektif.
Untuk mengembangkan teknik auskultasi modern, dibutuhkan suatu metode analisis suara jantung yang mampu menyajikan informasi berupa data-data kuantitatif dari kondisi aktifitas jantung.
Perkembangan teknik elektronika modern memungkinkan untuk melakukan hal tersebut.
Perekaman dan analisa suara jantung dapat dilakukan dengan teknik pengolahan sinyal untuk membedakan antara suara jantung yang satu dengan suara yang lain. Berbagai teknik pengolahan sinyal digital (PSD) telah banyak dilakukan untuk menganalisa suara jantung. Beberapa bekerja di domain waktu dan yang lain bekerja di domain frekuensi.
Sinyal biomedik pada umumnya adalah sinyal non stasioner. Dan sinyal suara jantung termasuk sinyal biomedik yang nonstationer, dimana sinyal ini mempunyai karakteristik waktu-frekuensi yang sangat kompleks. Seringkali sinyal suara jantung berdurasi pendek, komponen frekuensi tinggi berhubungan dengan jarak dalam domain waktu dan frekuensi rendah berhubungan dengan jarak dalam domain frekuensi . Sehingga, untuk menganalisa sinyal suara jantung, dibutuhkan resolusi yang baik di dalam domain waktu dan domain frekuensi [5].
Transformasi dari sinyal-sinyal suara jantung dapat dilakukan dengan Fast Fourier Transform (FFT), Short Term Fourier Transform (STFT), dan
Continous Wavelet Transform (CWT). Pada penelitian
sebelumnya telah ditunjukkan bahwa FFT dapat menginformasikan frekuensi yang berharga. Akan tetapi, FFT tidak mempertimbangkan waktu, sehingga tidak dapat mengungkapkan kedua katup jantung mana yang menutup terlebih dahulu [2]. FFT juga tidak mampu menunjukkan waktu tunda, yang dikenal dengan sebutan ‘split’, antara A2 dan P2 pada suara jantung kedua, dimana waktu tunda ini dapat menunjukkan informasi adanya beberapa kelainan patologis. Sehingga FFT lebih sesuai digunakan untuk analisa sinyal yang stasioner.
Debbal dan Reguig telah melakukan penganalisaan domain waktu dengan STFT [2][3]. Spektogram STFT tidak dapat mendeteksi dengan sempurna dua komponen suara jantung pertama (mitral dan trikuspid) dan dua komponen suara jantung kedua (aortik dan pulmonal). Masalah ini disebabkan oleh adanya pemilihan panjang window waktu yang tetap dan trade-off antara resolusi waktu dan frekuensi. Apabila panjang window waktunya sempit, maka resolusi frekuensinya buruk. Sebaliknya, apabila panjang window frekuensinya lebar maka resolusi waktunya buruk.
Penggunaan CWT sangat cocok dan handal pada analisis sinyal biomedik yang bersifat nonstasioner, seperti sinyal suara jantung. Karena CWT memiliki resolusi yang baik di domain waktu maupun domain frekuensi [5]. Sehingga, karakteristik dari setiap pola sinyal suara jantung dapat diekstrak lebih tepat.
Ekstraksi fitur merupakan salah satu dari tahapan yang paling penting dalam pengklasifikasian otomatis sinyal biomedis, karena dengan
pengklasifikasi yang paling baik akan menghasilkan klasifikasi yang buruk apabila pemilihan fitur tidak dilakukan dengan baik. Pada kasus suara jantung, konsentrasi energi terhadap bidang waktu-frekuensi untuk suara jantung normal menjadi perhatian khusus. Apabila konsentrasi energi ini diketahui, maka setiap distribusi energi dalam bidang waktu-frekuensi yang tidak lazim menyajikan suatu indikasi ketidaknormalan.
Dalam rangka mengembangkan teknik auskultasi modern, maka pada penelitian ini diuji suatu metode untuk analisa suara jantung menggunakan Complex Continuous Wavelet Transform.
2. METODE
Langkah-langkah yang dilakukan dalam penelitian ini dibagi atas pengambilan dan pengumpulan data suara jantung, segmentasi dan ekstraksi sinyal suara jantung.
2.1. Pengambilan dan pengumpulan data.
Data suara jantung yang akan diolah didapatkan dengan 2 cara, yakni 28 data suara jantung dari database publik dan 16 data suara jantung normal yang diambil dari subyek normal menggunakan stetoskop digital 3M Littmann series 4100.
Data suara jantung didapat dari literatur [4]. Literatur ini berupa buku petunjuk dan sebuah kaset audio yang memuat database mengenai suara jantung normal dan patologis dengan 16 bit/sample, frekuensi
sampling 11025 Hz, yang terdiri dari 6 buah data
suara jantung normal, 9 buah data suara jantung Atrial
seftal defect (ASD), 5 buah data suara jantung Mitral stenosis (MS) dan 8 buah data suara jantung Patent ductus arteriosus (PDA). Sinyal dari suara jantung
normal dan 3 murmur dari literatur [4] yang akan diujikan diperlihatkan pada Gambar 1. Data ini nantinya akan diubah menjadi file WAVE (*.wav) dan akan displit atas 2 bagian yakni normal dan murmur.
Pengambilan data menggunakan stetoskop digital dilakukan pada 2 wanita berumur 25 dan 32 tahun dan 2 orang pria berumur 40 dan 34 tahun tanpa riwayat penyakit jantung. Stetoskop yang digunakan adalah Littmann Series 4100. Frekuensi sampling yang digunakan adalah 8000 Hz.
Perekaman pada setiap subjek dilakukan pada empat titik auskultasi yakni aorta, pulmonal, trikuspid dan mitral. Perekaman dilakukan pada subjek dengan posisi duduk dengan lama perekaman rata-rata adalah 6 detik. Data hasil perekaman menggunakan stetoskop Littmann series 4100 adalah *.e4k. File ini kemudian diubah menjadi *.WAV untuk diolah ke proses berikutnya.Data ini dapat dilihat pada Gambar 2.
48
2.2. SegmentasiProses segmentasi yang dilakukan melalui beberapa tahapan, yakni melakukan pre-processing, menghitung envelogram dan mengidentifikasi suara jantung S1 dan S2. Ketiga proses ini telah dilakukan oleh penulis pada penelitian sebelumnya.Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam mensegmentasi suara jantung S1, S2 dan komponen-komponennya dengan tingkat keberhasilan 71.43%.[6].
2.3. Ekstraksi menggunakan CWT
Continuous Wavelet Transform (CWT) telah
dikembangkan sebagai suatu metode untuk memperoleh informasi yang simultan, resolusi waktu
dan frekuensi yang tinggi mengenai suatu sinyal.
Feature extractor ini menggunakan suatu daerah window yang berukuran variabel. Karena wavelet
dapat membesar atau menjadi padat, fitur-fitur yang berbeda dari sinyal akan diekstrak. Ketika wavelet yang sempit mengekstrak komponen-komponen frekuensi tinggi, maka wavelet yang membentang mengambil komponen-komponen berfrekuensi rendah dari sinyal [7].
CWT dihitung melalui konvolusi sinyal s(t) dengan sebuah modulasi window pada setiap waktu dengan setiap skala yang diinginkan. Modulasi
window yang mempunyai skala fleksibel inilah yang
disebut dengan mother wavelet atau fungsi dasar (a) (b)
(c) (d)
Gambar 1. Data publik sinyal suara jantung (a) normal, (b) atrial seftal defect, (c) mitral stenosis, (d) patent ductus arteriosus
(a) (b)
(c) (d)
wavelet, yang menghasilkan sejumlah koefisien C(a,b) yang diberikan oleh :
(2.1)
dimana :
• b adalah lokasi waktu;
• a dinamakan faktor skala dan berbanding terbalik dengan frekuensi (a >0);
• Lambang * menyatakan suatu konyugat kompleks; • g(t) adalah mother wavelet.
Fungsi mother wavelet g(t) harus memenuhi beberapa sifat, yaitu kontinuitas, integrabilitas, integrabilitas kuadrat, progresivitas dan tidak mempunyai komponen d.c. Selain itu, wavelet g(t) harus terkonsentrasi pada waktu dan frekuensi. Diketahui bahwa perkalian waktu-bandwidth yang paling kecil dicapai oleh fungsi Gaussian [7]. Sebagaimana ditunjukkan oleh [8], wavelet Morlet adalah suatu fungsi Gaussian termodulasi eksponensial kompleks yang dituliskan sebagai persamaan (2.2). Gambar 3 menunjukkan bentuk dari
wavelet Morlet.
(2.2) Dimana
Hasil CWT adalah nilai-nilai koefisien wavelet C yang merupakan distribusi energi dalam bidang waktu-frekuensi. Konsentrasi energi terhadap bidang waktu-frekuensi untuk suara-suara jantung normal menjadi perhatian khusus. Jika konsentrasi energi ini diketahui, maka setiap distribusi energi dalam bidang waktu-frekuensi yang tidak lazim menyajikan suatu indikasi ketidaknormalan. Sehingga karakteristik-karakteristik dari setiap pola sinyal suara jantung dapat diekstrak lebih tepat.
Hasil segmentasi suara jantung S1 dan S2 pada proses sebelumnya akan dihitung nilai koefisien waveletnya. CWT digunakan sebagai analisa suara jantung dan disebut juga sebagai ekstraksi fitur. Hasil CWT adalah distribusi energi dalam bidang waktu-frekuensi.
Gambar 3. Wavelet Morlet
3. HASIL DAN PEMBAHASAN 3.1. Hasil Kontur Data Publik
Pada penelitian ini, masing-masing data suara jantung S1 dan S2 yang sudah diidentifikasi melalui proses segmentasi akan diekstrak menggunakan CWT berupa fitur matriks berukuran 100 x 100. Sumbu x adalah merupakan indeks dari waktu dan sumbu y merupakan indeks dari frekuensi (skala). Sementara itu, spektrum warna adalah magnitudo ternormalisasi dari koefisen wavelet C. Dimana magnitudo yang maksimum ditunjukkan dengan warna merah dibandingan dengan magnitudo yang kecil.
Pada penelitian ini mother wavelet yang digunakan adalah Morlet. Dan skala yang digunakan adalah 0.0001 hingga 0.0101. Nilai skala ini berbanding terbalik dengan frekuensi. Dimana skala yang lebih besar menunjukkan frekuensi yang rendah dan skala yang lebih kecil menunjukkan frekuensi yang tinggi. Hasil perhitungan CWT digambarkan dalam bentuk contour.
Ekstraksi fitur dilakukan pada hasil segmentasi S1 dan S2 dari 20 buah data publik suara jantung normal, mitral stenosis dan atrial seftal defect. Jumlah data S1 adalah 20 data dan S2 juga 20 data. Kemudian 8 buah data satu siklus dari suara jantung
patent ductus arteriosus yang disegmentasi secara
manual. Kontur dan pengukuran skala suara jantung S1 dapat dilihat pada Gambar 4.
Dari gambar dan hasil pengukuran skala S1, S2 dan komponen pada data Normal, atrial seftal defect, mitral stenosis dan patent ductus arteriosus didapatkan bahwa dari 17 data yang dapat diidentifikasi komponen A2 dan P2-nya. Pada normal, atrial seftal defect maupun mitral stenosis, batas bawah A2 rata-rata lebih rendah dari P2. Hal ini menunjukkan bahwa A2 mengandung konten frekuensi yang lebih tinggi dari P2 sesuai dengan penelitian [2].
Split atau delay rata-rata antara A2 dan P2
dari hasil pengujian pada suara jantung normal adalah 11 ms dengan standar deviasi 9,7 ms. Sedangkan pada
atrial seftal defect 36 ms dengan standar deviasi 30,15
ms . Untuk Mitral stenosis rata-rata 21,66 ms dengan standar deviasi 8,38 ms. Split antara A2 dan P2 dapat menunjukkan beberapa kelainan patologis. Delay antara komponen A2 dan P2 pada atrial seftal defect > 30 ms. Hal ini sesuai dengan [2] yang menyatakan bahwa delay normal antara komponen A2 dan P2 adalah 30 ms dan akan lebih lebar pada suara jantung dengan kelainan patologis. Referensi [9] juga menyebutkan, bahwa pada atrial seftal defect split pada bunyi jantung kedua lebih lebar.
Pada hasil contour suara jantung Normal, kejadian S1 dan S2 dapat dideteksi dengan sangat baik. Bahkan komponen S1 yaitu M1 dan T1, serta komponen S2 yaitu A2 dan P2, pada sebagian besar data dari 6 data teridentifikasi dengan sangat jelas. S1 berada pada rentang skala 0,0017 sampai dengan
50
deviasi 0, 00030 sampai dengan 0,0036 dengan(a)
(b)
Gambar 4 (a) Kontur S1 (b) Kontur S2 suara jantung Normal
Tabel 1. Pengukuran skala rata-rata Suara jantung S1 dan S2.
No. Data Normal
Parameter dalam skala [0.0001 0.0101] dalam Avrg ± SD S1
Split
M1-T1 S2
Split A2-P2
Batas Atas Batas Bawah (ms) Batas Atas Batas Bawah (ms)
1 Normal 0.0017 ± 0.00035 0.0036 ± 0.00035 2 0.0015 ± 0.00011 0.0050 ± 0.00185 9.71
2 Atrial Seftal Defect
0.0014 ± 0.00019 0.0037 ± 0.00028 - 0.0016 ± 0.0002 0.0050 ± 0.0014 - 3 Mitral Stenosis 0.0015 ± 0.0003 0.0050 ± 0.0010 3.2 0.0013 ± 0.0005 0.0057 ± 0.0004 21.66 4 Patent Ductus Arteriosus 0.0014 ± 0.0003 ― 0.0054 ± 0.0012
50
(a)
(b)
(c)
52
(d)(e)
Gambar 5. Kontur Suara jantung Patologis (a) Kontur S1 ASD (b) Kontur S2 ASD (c) Kontur S1 MS, (d) Kontur S2 MS, (e) Kontur PDA
Gambar 6. Kontur Suara Jantung Normal Data Stetoskop
0,0036 dengan standar deviasi 0,00035. Sedangkan S2 berada pada rentang skala 0,0015 dengan standar deviasi 0,00011 sampai dengan 0,0050 dengan standar deviasi 0,00185. Skala S2 mempunyai range skala yang lebih lebar dan berada pada skala batas bawah yang lebih rendah dari S1. Ini menunjukkan bahwa S2 mengandung konten frekuensi lebih tinggi dan range frekuensi lebih lebar dari S1. Hal ini mendukung hasil yang didapatkan oleh [2].
Pada hasil contour atrial seftal defect (asd), dari 9 data, hanya 3 data yang komponen S1-nya terdeteksi. Namun S2 dan komponennya (A2dan P2) dapat dideteksi 100%. Rentang skala S1 berada pada 0,0014 dengan standar deviasi 0,00019 sampai 0,0037 dengan standar deviasi 0,00028. Sementara S2 berada pada rentang skala 0,0016 dengan standar deviasi 0,0002 hingga 0,0050 dengan standar deviasi 0,0014. Dari data tersebut, skala S2 mempunyai range skala yang lebih lebar dan berada pada skala batas bawah yang sedikit lebih rendah dari S2. Ini berarti bahwa S2 mengandung konten frekuensi lebih tinggi dan range frekuensi lebih lebar dari S1. Hal ini mendukung [2].
Hasil contour mitral stenosis (ms), ke-5 data dapat dideteksi komponen S1nya. Namun S2 dan komponennya (A2dan P2) hanya 3 buah data dari 5 data yang dapat dideteksi. Rentang skala S1 berada pada frekuensi (dalam skala) 0,0015 dengan standar deviasi 0,0003 hingga 0,0050 dengan standar deviasi 0,0010. Sementara S2 berada pada rentang skala 0,0013 dengan standar deviasi 0,0005 hingga 0,0057 dengan standar deviasi 0,0004. Dari data
tersebut, skala S2 mempunyai range skala yang lebih lebar dan berada pada skala yang lebih rendah dari S1. Ini menunjukkan bahwa S2 mengandung konten frekuensi lebih tinggi dan range frekuensi lebih lebar dari S1. Hal ini sesuai dengan hasil yang didapatkan oleh [2].
Hasil karakterisasi CWT untuk patent
ductus arteriosus menunjukkan bahwa deteksi S1
maupun S2 pada murmur ini sangat sulit. Karena banyak puncak yang muncul, sehingga sulit dikenali mana puncak yang merupakan komponen S1 dan mana puncak yang merupakan komponen S2. Hasil dari contour juga menunjukkan bahwa batas skala atas dari suara PDA ini lebih tinggi dari 3 data lain (normal, asd, ms). Hal ini menunjukkan bahwa PDA banyak mengandung konten frekuensi yang rendah, yang sangat mungkin adalah noise atau murmur, sebagaimana yang dijelaskan pada [9] bahwa patent
ductus arteriosus adalah bising dengan frekuensi
rendah.
Dari data sebelumnya terlihat bahwa range skala atrial seftal defect (murmur sistolik) lebih sempit dari mitral stenosis. Ini berarti juga bahwa range mitral stenosis lebih lebar dibandingkan atrial
seftal defect. Hal ini sesuai dengan penelitian [2]
yang menyatakan bahwa range frekuensi murmur distolik lebih lebar dibandingkan range frekuensi murmur sistolik. Hasil kontur untuk data suara jantung murmur atrial seftal defect, mitral stenosis
dan patent ductus arteriosus dapat dilihat pada
Gambar 5.
Dari hasil pengujian, secara umum, CWT mampu menyajikan informasi yang berharga tentang kejadian-kejadian phisiologis pada suara jantung baik normal maupun murmur dan mampu menyajikan informasi waktu kapan kejadian-kejadian tersebut berlangsung.
3.2. Hasil Kontur Data Subyek Normal
Suara jantung dari data stetoskop digital satu siklus yang sudah didapatkan dari hasil segmentasi secara manual akan diekstrak menggunakan CWT berupa fitur matriks berukuran 100 x 100. Mother wavelet yang digunakan adalah Morlet. Dan skala yang digunakan adalah 0.001 hingga 0.101. Hasil kontur data stetoskop ini dapat dilihat pada Gambar 6 dan tabel 2.
Dari hasil visualisasi CWT berdasarkan bentuk kontur didapatkan bahwa sebagian besar batas atas berada pada skala 0,101 namun memiliki magnitudo yang rendah (diperlihatkan dengan warna biru gelap). Skala yang tinggi menunjukkan frekuensi yang rendah. Ini berarti bahwa sebagian hasil CWT menunjukkan adanya magnitudo yang sangat rendah pada frekuensi rendah yang sangat mungkin ini adalah noise.
Sementara rata-rata magnitudo yang lebih besar, ditandai dengan warna merah kecoklatan, berada pada skala yang lebih rendah. Bagian magnitudo yang lebih tinggi ini terjadi pada waktu yang sama dengan terjadinya suara jantung S1 dan Tabel 2. Pengukuran Skala Suara Jantung Normal Data
Stetoskop
No. Normal
Skala [0,001 - 0,101]
Batas Atas Batas Bawah
1 Aorta-1 0,101 0,021 2 Aorta-2 0,101 0,011 3 Aorta-3 0,101 0,031 4 Aorta-4 0,101 0,011 5 Pulmonal-1 0,101 0,011 6 Pulmonal-2 0,101 0,011 7 Pulmonal-3 0,101 0,015 8 Pulmonal-4 0,101 0,011 9 Tricuspid-1 0,101 0,015 10 Tricuspid-2 0,101 0,011 11 Tricuspid-3 0,101 0,015 12 Tricuspid-4 0,101 0,011 13 Mitral-1 0,101 0,011 14 Mitral-2 0,101 0,011 15 Mitral-3 0,101 0,005 16 Mitral-4 0,101 0,015 Avrg ± SD 0,101 0,013 ± 0,005
53
54
S2 jika ditinjau dari domain waktunya. Ini menunjukkan bahwa suara S1 dan S2 berada pada frekuensi yang lebih tinggi. Dari keseluruhan gambar magnitudo tinggi berada pada range skala 0,011 – 0,081 dalam skala [0,001 – 0.101].4. KESIMPULAN
Hasil ekstraksi ciri untuk data yang diambil menggunakan stetoskop digital menunjukkan bahwa hasil perekaman data tersebut masih banyak mengandung noise. Hal ini bisa diakibatkan oleh banyak faktor, diantaranya noise lingkungan, pergeseran stetoskop saat perekaman data dan lain-lain. Sebaiknya perekaman data ini dilakukan oleh tenaga ahli, sehingga diharapkan bisa didapatkan data yang lebih baik. Selain itu perlu ditambahkan proses filter secara digital untuk membantu memperkecil
noise.
Namun secara umum dari penelitian ini dapat disimpulkan bahwa CWT mampu mengekstrak ciri
fisiological event pada jantung normal maupun
murmur yang diujikan dan menyajikan informasi frekuensi (dalam skala) dan waktu secara bersamaan. Berdasarkan hasil pengujian, sinyal suara S2 mempunyai konten frekuensi yang lebih tinggi dan range frekuensi yang lebih lebar dari S1. Data juga menunjukkan bahwa range frekuensi murmur diastolik (mitral stenosis) lebih lebar dibandingkan dengan range frekuensi murmur sistolik (atrial seftal defect).
Hasil perhitungan CWT yang disajikan dalam bentuk kontur, menunjukkan kemampuan dalam mengekstrak dan mengidentifikasi parameter temporal dari sinyal jantung dan merefleksikan aktifitas dari katup dan otot jantung. Sehingga kontur CWT dapat digunakan dalam mendiagnosa kelainan jantung manusia. Oleh karena itu perlu dilakukan klasifikasi suara jantung berdasarkan ekstraksi ciri yang sudah
didapatkan sebagai pengembangan alat bantu diagnosa jantung di masa mendatang.
DAFTAR REFERENSI
[1] Faizan Javed, P A Venkatachalam, Ahmad Fadzil,
“A Signal Processing Module For The Analysis of Heart Sounds and Heart Murmurs”, Journal of Physics: Conference Series 34 (2006) 1098– 1105, International MEMS Conference 2006. [2] S.M Debbal, F.Bereksi Reguig, “Computeried
Heart Sound Analysis”, Computers in biology and Medicine, vol.38, pp.263-280, 2008.
[3] S.M Debbal, F.Bereksi Reguig, “Wavelet Transform Analysis of The Normal Cardiac Sound,” Biomedical Soft Computing and Human Sciences, vol.12, No.1, pp.53-58, 2007.
[4] Z.Syed, D. Leeds, D.Curtis, F. Nesta, R.A.Levine, and J.Guttag, “A Framework for The Analysis f Acoustical Cardiac Signals”, IEEE Trans. Biomed. Eng., vol.54, pp.651-662, 2007.
[5] M. Akay, “Wavelet Applications on Medicine,” IEEE Spectrum. Biomed. Eng., May 1997. [6] Putri Madona dkk,”Segmentasi Suara Jantung S1
dan S2 Menggunakan Kurva Amplop”, 13th Seminar on Intelligent Technology and It’s Applications., May 2012.
[7] R. Polikar, “The Wavelet Tutorial Part III Multiresolution Analysis and The Continuous Wavelet Transform,” 2nd ed., June 5, 1996. [8] B. Ergena, Y.Tatara, dan H.O.Gulcur, “Time
Frequency Analysis for Phonocardiogram Signals Using Wavelet Transform: A Comparatve Study,” Computer Methodes in Biomechanics and Biomedic Engineering, 2010. [9] Lehrer, Steven. MD, “Memahami Bunyi dan
BisingJantung.
