Klasifikasi Suara Jantung Abnormal Dan Normal Menggunakan Short-Time Fourier
Transform Dan Analisis Tekstur Gldm Classification Of Abnormal And Normal Heart Sound Using Short-Time Fourier Transform And Gldm Texture Analysis
1st Vivi Aliyah Putri Handzah Universitas Telkom Fakultas Teknik Elektro
Bandung, Indonesia [email protected].
ac.id
2nd Purba Daru Kusuma Universitas Telkom Fakultas Teknik Elektro
Bandung, Indonesia [email protected]
3rd Achmad Rizal Universitas Telkom Fakultas Teknik Elektro
Bandung, Indonesia [email protected]
Abstak
Suara jantung yang berasal dari pasien diamati menggunakan stetoskop, merupakan alat medis untuk menentukan kondisi pasien.
Teknik untuk pengamatan ini disebut dengan auskultasi. Suara yang dihasilkan menggambarkan kondisi jantung seseorang.
Model suara jantung normal biasanya dibandingkan dengan model suara abnormal.
Jika terdapat perbedaan model suara atau terdapat suara tambahan yang muncul biasanya terjadi kelainan pada jantung. Pengembangan dari berbagai metode telah dilakukan penelitian terdahulu dan alat medis yang dikembangkan untuk mengamati suara jantung. Tujuan dari penelitian ini untuk menunjukkan penggunaan Short-Time Fourtier Transform (STFT) dan fitur ekstraksi Gray Level Difference Method (GLDM) untuk mengklasifikasikan suara jantung normal dan abnormal. Dalam proses klasifikasi penelitian ini menggunakan ekstraksi ciri berdasarkan analisis tekstur menggunakan metode statistik ekstraksi ciri orde kedua.
Tekniknya dilakukan dengan menghitung probabilitas hubungan ketetanggaan antar pixel dalam citra berbagai arah orientasi dan jarak spasial (d), matriks dianalisis berdasarkan pergeseran arah/sudut 00, 450, 900, dan 1350.
Sampel data berupa data set suara jantung normal dan abnormal. Untuk akurasi fitur digunakan pengklasifikasian menggunakan KNN yang menggunakan jarak untuk pengukuran kesamaan data dan diukur menggukanan jumlah K nilai data latih yang terdekat dengan data uji. Dengan algoritma KNN didapatkan keakurasian klasifikas sebesar 73,3333% dengan d=1 dan k=5.
Kata kunci : suara jantung, STFT, GLDM, analisis tekstur.
Abstract
The heart sound coming from the patient is observed using a stethoscope, which is a medical tool to determine the patient's condition. The technique for this observation is called auscultation. The sound produced describes the condition of a person's heart. Normal heart sound models are usually compared to abnormal sound models. If there are differences in the sound model or there are additional sounds that appear, there is usually an abnormality in the heart.The development of various methods has been carried out by previous research and medical devices have been developed to observe heart sounds. The purpose of this study is to demonstrate the use of Short-Time Fourtier Transform (STFT) and feature extraction of the Gray Level Difference Method (GLDM) to classify normal and abnormal heart sounds. In the classification process, this study uses texture feature extraction using the second-order statistical feature extraction method.
The technique is carried out by calculating the probability of the relationship between pixels in various orientations and spatial distances (d), based on an analysis based on a shift in direction/angle of 00, 450, 900, and 1350. The sample data are data sets of normal and abnormal heart sounds. For the accuracy of the classification features used, the KNN uses distance to measure the convenience of the data and measures it using the K number of training data values that are closest to the test data. With the KNN algorithm, the classification accuracy is 73.3333% with d=1 and k=5.
Keywords: heart sound, STFT, GLDM, texture analysis.
I. PENDAHULUAN
Stetoskop digunakan oleh tenaga medis mendengarkan sinyal akustik dari dalam organ tubuh manusia. Saat mendiagnosa biasanya bagian yang diperiksa bagian tubuh dari paru-paru, jantung, dan usus. Jenis dan intensitas sinyal akustik yang dihasilkan ini membantu tenaga medis dalam menentukan mendiagnosis kondisi pasien.
Stetoskop merupakan alat yang wajib dimiliki karena peran pentingnya untuk mendiagnosis penyakit pasien. Dalam proses pengamatan yang dilakukan saat ini, teknik untuk mendengarkan suara dari dalam tubuh pasien disebut dengan auskultasi.
Proses ini menggunakan stetoskop agar mendapatkan suara yang lebih jelas. Namun, nyatanya banyak kendala dalam proses secara langsung. Masalah yang timbul ialah noise lingkungan, kepekaan pendengaran, frekuensi dan amplitude yang rendah, bahkan model suara yang sama.
Suara jantung telah banyak digunakan untuk penelitian oleh peneliti terdahulu, mengenai bagaimana suara jantung bisa diperdengar lebih luas dan dalam jangkauan jauh pun masih bisa ditinjau oleh tenaga medis. Dari penelitian sebelumnya yang telah mengembangkan permasalahan tersebut,
T dari elektrocardiogram. Suara jantung ketiga (S3) sesuai dengan berhentinya pengisian atrioventrikular, sedangkan suara jantung keempat (S4) memiliki korelasi dengan kontraksi atrial.
Suara S4 ini memiliki amplitude yang sangat rendah dan komponen frekuensi rendah[2].
B. STFT
Short-Time Fourier Transform (STFT) atau spectrogram transforms signal merupakan mengubah waktu domain ke tim-frequency domain.Short-Time Fourier Transform (STFT) adalah urutan Fourier transform dari sinyal windows. STFT menyediakan informasi frekuensi terlokalisasi waktu untuk situasi dimana komponen frekuensi sinyal bervariasi dari waktu ke waktu, sedangkan standar transformasi Fourier memberikan informasi frekuensi rata-rata dalam interval waktu sinyal keseluruhan[3]. Short-Time Fourier Transform (STFT) dilakukan untuk melakukan analisis waktu-frekuensi. Metode ini digunakan untuk menghasilkan representasi yang menangkap waktu lokal dan konten frekuensi dalam sinyal. Dalam algoritma ini sinyal tersegmentasi pada interval waktu tertentu, sinyalnya merupakan sinyal yang di transformasikan menggunakan Fast Fourier Transform (FFT) ke frequency domain.
Untuk mendapatkan transformasi sinyal dan dapat dinyatakan sebagai berikut :
penulis akan meneliti dari segi pengklasifikasian 𝑋𝑆𝑇𝐹𝑇 (𝑚, 𝑛) = ∑𝑘−1 𝑥(𝑘 )𝑔(𝑘 −
𝑘=0
suara jantung berfokus terhadap suara jantung normal dan abnormal[1]. Di penelitian ini penulis mengusulkan menggunakan Short-Time Fourtier Transform (STFT) dan fitur ekstraksi Gray Level Difference Method (GLDM). Dimana STFT digunakan utnuk mengubah time domain ke time- frequency domain, dan metode GLDM analisis tekstur untuk menganalisis suara jantung.
II. METODE A. Suara jantung
Pada proses auskultasi detak jantung menghasilkan dua suara yang berbeda, yang sering dinyatakan dengan lub-dub. Suara lub diakibatkan oleh penutupan katup triscupid dan mitral (atrioventrikular) dimana aliran darah dari atria (serambi jantung) ke ventricle (bilik jantung) dan mencegah aliran balik. Umumnya hal ini disebut suara jantung pertama (S1), yang terjadi hampir bersamaan dengan timbulnya kompleks QRS dari elektrokardiogram dan terjadi sebelum systole (periode jantung berkontraksi). Sedangkan Suara dub diketahui sebagai suara jantung kedua (S2) dan diakibatkan oleh penutupan katup semilunar (aortic dan pulmonary) yang membebaskan darah ke sistem sirkulasi paru-paru dan sistemik. Katup ini tertutup pada akhir systole dan sebelum katup atrioventrikular membuka kembali. Suara S2 ini terjadi hampir bersamaan dengan akhir gelombang
𝑚) 𝑒−𝑗2𝜋𝑛𝑘/𝐿………
…..(2.1) Keterangan:
x(k) = merupakan sinyal input selama n waktu.
k = waktu (s).
m = Panjang windows.
g(k) = L-point windows atau fungsi windows.
Dari persamaan tersebut diartikan bahwa, STFT dapat dikatakan sebagai Fourier Transform dari sinyal x(k) menggunakan fungsi window g(k).
Dalam penelitian ini ada beberapa parameter yang dibutuhkan dalam proses STFT berikut:
Window function: Keiser
Window dan overlap lengths: 25-20, 200-100, dan 500-475
FFT: 256 dan 512 point FFT C. Konversi STFT ke Image
Hasil keluaran dari STFT berupa visual grafik dan kita akan mengambil gambar dari grafik ini yang mana fungsinya agar dapat kita lanjutkan dengan metode Gray Level Co-Occurance Method (GLDM) sehingga data suara jantung dapat diklasifikasi. Karena inputan bukan merupakan bilangan integer maka dilakukan konversi dengan cara dibulatkan dengan proses penskalaaan seperti berikut:
𝑦(𝑚, 𝑛) = 𝑓𝑙𝑜𝑜𝑟 𝑥(𝑚,𝑛)−min(𝑥)
𝑥255
max(𝑥)−min(𝑥)
...(3.3) Dimana y(m,n) merupakan sinyal dari data suara jantung dengan m saluran dan n sampel. Dari proses diatas didapatkan gambar dengan ukuran m x n dengan rentang nilai 0-255 yang setara dengan gambar skala keabuan 8-bit. Hasil konversi akan menjadi nilai input analisa GLDM dalam menganalisa. Citra abu-abu terlebih dahulu diubah kedalam bentuk matriks, kemudian nilai yang dibutuhkan diambil sebagai variabel dalam perhitungan analisis tekstur menggunakan GLDM.
Selanjutnya, dilakukan analisa GLDM dari nilai yang telah didapatkan sesuai sudut/arah pergeseran.
D. Ekstraksi Ciri
Analisa tekstur umumnya digunakan sebagai proses diantaranya untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, pada penelitian ini menggunakan metode grey level difference method (GLDM), yaitu Metode yang menganalisa ditribusi spasial pada nilai keabuan dan turunan dari kumpulan statistik. Ektraksi ciri di diilustrasikan ke dalam bentuk matrik. Dalam pengklasifikasian tekstur penelitian ini, penulis menggunakan metode statistikal untuk mengekstraksi ciri statistiknya yang dilakukan dengan matriks diferensi, yaitu suatu matriks antara yang mempresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah/sudut orientasi dan jarak spasial. Jika terdapat nilai jarak antar pixel (d) nilai derajat keabuan (θ) dari probabilitas akan memiliki nilai analisa Fitur- fitur yang telah ditentukan untuk data adalah Contrast, Angular Second Moment, Entropy, Inverse Difference Moment (IDM), dan Mean.
Dalam penelitian ini fitur dikalkulasikan dalam arah/sudut 00 , 450, 900, dan 1350. Dan perhitungan rata-rata dari empat arah tersebut total fiturnya ada
E. KKN
Gambar 1 Proses Analisis dan Perancangan
Klasifikasi Suara Jantung Normal dan Abnormal Menggunakan Metode STFT dan Analisis Tekstur GLDM. GLDM dianalisis dengan jarak d=1. Jika d=0 tidak dapat diproses GLDM karena merupakan sinyal asli.
K-Nearest Neighbors atau disingkat KNN adalah algoritma yang fungsinya untuk melakukan pengklasifikasian data berdasarkan suatu data dari train data sets atau data pembelajaran, yangmana diambil dari k tetangga yang terdekat (nearest neighbors). Nilai k merupakan nilai banyaknya tetangga terdekatnya[4]. KNN dalam proses klasifikasi dengan set data pembelajaran pada ruang
berdimensi banyak. Ruang tersebut merupakan bagian yang merepresentasikan kriteria dan pembelajaran. Setiap data pembelajaran direpressentasikan menjadi titik-titik c pada ruang- ruang dimensi. Dalam proses klasifikasi dilakukan dengan cara mencari nilai titik c terdekat dari c baru.
Adapun Teknik untuk pencarian tetangga terdekat, yang paling umum dilakukan menggunakan rumus Euclidean Distance.
𝑑 =
√(𝑥2 − 𝑥1)2 + (𝑦2 − 𝑦1)2………
………(2.8)
Dimana, d = jarak antara 2 titik dalam ruang dua dimensi.
Untuk penggunakan algoritma KNN ini, perlu adanya penentuan banyaknya k-tetangga terdekat yang digunakan untuk klasifikasi data baru.
Banyaknya nilai k merupakan angka ganjil seperti k=1,3,5,..,dst. nilai k ditentukan berdasarkan banyaknya data yang ada dan ukuran dimensi yang dibentuk oleh data. Jika semakin banyak data yang berada dalam data train, angka k yang diinput sebaiknya semakin rendah dan begitu pula sebaliknya. Nilai jarak digunakan untuk nilai kedekatan antara data uji dengan data latih. Nilai k pada KNN berarti k-data terdekat dari data uji.
Cara kerja algoritma K-Nearest Neighbors (KNN) sebagai berikut:
a) Tentukan nilai k bilangan bulat positif berdasarkan banyaknya data pembelajaran.
b) Pilih tetangga terdekat dari data inputan sebanyak k.
c) Penentuan klasifikasi paling umum pada Langkah (2) dengan menggunakan frekuensi terbanyak.
d) Keluaran klasifikasi dari data sampel baru.
III. HASIL DAN PEMBAHASAN
A. Data set
Data set yang digunakan dalam penelitian ini merupakan data set suara jantung yang telah ada.
Data set suara jantung terdapat dua kelas yaitu normal dan abnormal. Suara jantung abnormal merupakan suara yang terdapat murmur didalam sinyal atau suara bising jantung adanya tanda kelainan pada bentuk jantung. Sedangkan, suara jantung normal tidak ada suara tambahan apapun.
Suara jantung selain “lup-dup” disebut abnormal.
Jumlah suara set suara jantung terdiri dari 50 total suara dan pembagiannya terdiri dari 3 perbandingan partisi 55:45,60:40 , dan 90:10. Skenario Pengujian pengaruh keakurasian terhadap nilai keakurasian partisi
Pengujian ini dilakukan untuk mengidentifikasikan perbandingan nilai akurasi terbaik yang akan digunakan untuk pengujian untuk mendapatkan nilai K terbaik. Pembagian dibagi menjadi 3 parameter sebagai berikut :
Tabel 1 skenario partisi data set suara jantung Perbandingan
partisi
Data latih
Data uji Total data
55:45 30 20 50
60:40 36 14 50
90:10 40 10 50
Berdasarkan table 1, dengan adanya diharapkan pembagian perbandingan partisi akan ditampilkan perbedaan nilai keakurasiannya menggunakan algoritma KNN.
B. Prepocessing
pada tahapan ini proses yang dilakukan normalisasi dan removing variasi data akibat proses perekaman yang berbeda-beda. Dimulai dengan menginput data suara jantung. Data tersebut diproses dengan persamaan:
S=S-mean(S);
S=S/max(S)...
...(3.1) Dimana:
S merupakan sampel dari audio dengan Fs frequency sampling (Hz).
STFT
Parameter yang dibutuhkan dalam proses STFT berikut:
Window function: Keiser
Window dan overlap lengths: 25-20, 200-100, dan 500-475
FFT: 256 dan 512 point FFT
(a)
(b)
(c)
Gambar A.1 (a)STFT of normal HS using 25- 20-512 FFT, (b) STFT of normal HS using
200-100-256 FFT, (c)STFT of normal HS using 500-475-512 FFT
Dari parameter-parameter tersebut mengikuti penelitian sebelumya [5] hasil dari tiap varian sama tapi dari STFT of normal HS using 25-20-512 FFT dengan STFT of normal HS using 500-475-512 FFT itu akurasinya sama di K=5 dan d=1. Berdasarkan dilihat ketinggian akurasi dari setiap parameter yang digunakan STFT of normal HS using 500-475-512 FFT karena perbedaan N-point FFT mempengaruhi resolusi fitur yg dihasilkan oleh suara jantung, pemilihan window length dan overlaps akan mempengaruhi resolusi pada sumbu horizontal atau terhadap resolusi waktu. Sedangkan parameter lainnya memiliki resolusi waktu yang lebih tinggi sehingga tidak terjadi diskontiniu pada plot STFT.
Dalam proses STFT terdapat beberapa bagian dalam tahapannya menjadi keluaran outputnya:
a) frame blocking, merupakan pembagian sinyal suara digital menjadikannya beberapa frame.
Fungsinya berguna sebagai mempermudah dalam perhitungan dan analisis suara yangmana bila sinyal yang dianalisis memiliki parameter yang tetap terhadap waktu. Frame digunakan agar sinyal suara pada satu frame
dianggap sebagai sinyal yang tidak berubah terhadap waktu. Proses frame blocking awalnya sinyal suara dibagi menjadi beberapa frame yang saling tumpang tindih (overlap).
Parameter yang biasa digunakan dalam proses frame blocking yaitu N untuk banyak sample dalam setiap frame dan M untuk hop size atau jarak antara permulaan satu frame dengan permulaan frame berikutnya. Overlap berfungsi untuk mencegah hilangnya informasi yang terdapat di pinggiran frame sebelumnya.
Untuk menghitung banyak frame digunakan formula berikut:
𝑁𝑓 = [(L−N)] +
M.
1………
………(3.5)
Sebagai contoh sinyal suara dengan samplerate 8000Hz dengan sample dalam setiap frame 1024, jarak antar frame sebesar 512 lama waktu rekaman sebesar 1 detik.
Fs = 8000Hz (8000 sample per 1 detik) N = 1024
M = 512, M<N
Overlap=M-N=1024-512=512
Panjang data(L)=fs x waktu rekaman(s)=8000*1=8000
C. Konversi ke image
Konversi ke image merupakan proses penskalaan dengan didapatkan m x n ukuran gambar kedalan gambar skala abu-abu 8 bit.
Gambar 2 sklala abu-abu 8 bit
Pendekatan yang dilakukan merupakan mentransformasi sinyal 1D menjadi time-frequency domain selanjutnya dikonversikan TF domain ke bentuk citra. Dikarenakan perbedaan magnitude sinyal dengan citra maka dilakukan penskalaan 0- 255 sebagai citra 8-bit. Sebagai berikut:
𝑦(𝑚, 𝑛) = 𝑓𝑙𝑜𝑜𝑟 𝑥(𝑚,𝑛)−min(𝑥)
𝑥255...
max(𝑥)−min(𝑥)
Nf=[(L−N)] + 1 = (8000−1024) =14 frames ...(3.5)
M. [ 512 ] + 1
b) windowing, fungsinya sebagai mengurangi efek diskontiniuitas atau kesenjangan pada akhir dan awal frame yang diproses dalam frame blocking dengan cara mengalikan setiap frame dengan sebuah fungsi window untuk memperkecil sinyal hingga mendekati nol pada awal dan akhir frame. Dengan fungsinya windowing makasinyal tersebut lebih simetris dan periodis sehingga informasi yang dihasilkan setelah diproses lebih akurat.
c) FFT
FFT merupakan algoritma yang mengimplementasikan Discrete Fourier Transform(DFT). FFT merupakan teknik perhitungan cepat dari DFT. Dengan menerapkan algoritma FFT jumlah operasi aritmatika pada DFT sebanyak O(N2) dapat dikurangi menjadi O(N log2 N). Untuk mengurangi kompleksitas perhitungan DFT, algoritma FFT memanfaatkan sifat periodisitas dan simetris dari Twiddle Factor.
FFT menerapkan prinsip Divide and Conquer dalam mengurangi kompleksitas perhitungan DFT.
d) Spectrogram
Merepresentasikan frekuensi-waktu sebuah sinyal hasil proses STFT dapat divisualisasikan dengan sebuah spektogram.
Spektrogram seperti yang terlihat pada gambar 3.5 yaitu Sumbu x merepresentasikan waktu (s). Dan Sumbu y merepresentasikan frekuensi (Hz).
y(m,n) merupakan sinyal dari data suara jantung dengan m saluran dan n sampel. Dari proses diatas didapatkan gambar dengan ukuran m x n dengan rentang nilai 0-255 yang setara dengan gambar skala keabuan 8-bit. Hasil konversi citra abu-abu yang diubah kedalam bentuk matriks m x n, akan menjadi nilai variabel dalam perhitungan analisis tekstur menggunakan GLDM. Hasil citra telah disatukan dalam pemrograman di gambar 3.5. supaya citra digital dapat diproses oleh komputer, maka dari itu citra tersebut harus direpresentasikan secara numerik/integer untuk memdapatkan nilai intensitas cahaya dari citra tersebut. Nilai-nilai intensitas cahaya tersebut direpresentasikan untuk nilai-nilai kanal pada suatu citra digital. Untuk citra 8 bit citra hanya memiliki satu kanal atau satu ruang warna yang mengandung rentang nilai berkisar dari 0 – 255[6].
D. GLDM
GLDM dianalisis dengan jarak d=1. Jika d=0 tidak dapat diproses GLDM karena merupakan sinyal asli.
Tabel A.1 Nilai 5 Fitur Ekstraksi Ciri GLDM Dengan Arah 0,45,90, dan 135
hasil pengelompokkan kelas normal dan abnormal beserta keakurasiannya.
Tabel 4 Hasil Akurasi (%) dengan Partisi
k partisi 55:45 60:40 90:10
1 26.6667 50 50
3 26.6667 50 40
5 73.3333 50 40
7 73.3333 50 40
Rata akurasian 50 50 43,5
F. KNN
Dari hasil proses ekstraksi ciri menggunakan metode GLDM, maka dapat diklasifikasikan dengan algoritma KNN. Sebelumnya digunakan sekelompok data latih dalam multi ekstraksi ciri GLDM.
Gambar 3 Hasil Kelas Data Latih
Dari data latih terdapat 2 kelas yaitu ‘1’
merupakan data suara abnormal, ‘2’ merupakan data suara normal. Untuk pembagian partisi data ada 55:45, 60:40 dan 90:10. Setelah dilakukan train data set, maka proses untuk data uji dapat dilakukan dengan metode KNN.
Dari data hasil akurasi didapatkan nilai akurasi tertinggi pada k=5,7 dengan partisi 55:45. Dari tabel dapat dipelajari bahwa nilai K semakin besar mengalami penurunan namun pada k=7 dengan partisi 55:45 mengalami nilai penetapan maka diambil nilai K=5. Untuk perhitungan menggunakan KKN dengan jarak Euclidean distance dengan K=5:
Tabel 5 klasifikasi menggunakan KNN terdekat K=5
x y Euclidean distance (132,1.7)
Urut an jara k
kel as 13
2 1.
7 𝑑 =
√(132 − 132)2 + (1.7 − 1.7)2 =
0 1
13 2
3.
2 𝑑 =
√(132 − 132)2 + (3.2 − 1.7)2
=√2,25=1.5
1 1
13 2
2.
9 𝑑 =
√(132 − 132)2 + (2.9 − 1.7)2
=√1.44=1.2
2 1
13 2
6 𝑑 =
√(132 − 132)2 + (6 − 1.7)2=
√18.49=4.1
5 2
13 2
8.
43 𝑑 =
√(132 − 132)2 + (8.43 − 1.7)2
=√45,29=6.73
6 1
13 2
6.
9 𝑑 =
√(132 − 132)2 + (6.9 − 1.7)2
=√27.04=4.8
5 2
13 2
4.
9 𝑑 =
√(132 − 132)2 + (4.9 − 1.7)2
=√10.24=3.2
4 1
13 2
5.
8 𝑑 =
√(132 − 132)2 + (5.8 − 1.7)2
=√16.81=4.1
5 2
Dari table 5, dapat disimpulkan bahwa metode pengklasifikasian algoritma KNN dengan jumlah Algoritma KNN dengan jarak d dari ciri GLDM
sebagai jarak dalam pixel dengan nilai d=1 karena nilai antar pixel tidak terlalu lebar dan nilai k dihitung menggunakan Euclidean distance terhadap data uji. Lalu, proses tersebut akan mengeluarkan
tetangga terdekat nilai k=5, dengan menghitung jarak antara data baru ke setiap data latih dengan euclidean distance dan menentukan label data dari data yang memiliki jarak paling minimal sebanyak 5. Klasifikasi data baru ke dalam kelas data yang
0 45 90 135 ciritotal
0.2863 6,2578 6,5995 7,2222 5,0914 Contrast
0.7113 0.6629 0,7894 0,6622 0,7065 ASM
-
0,2163 -0,265 - 0,1958
-
0,2667 -0,2359 entropy
0.1908 0,3879 0,303 0,4054 0,3218 IDM
0.9110 0,8891 0,9351 0,8887 0,9060 mean
mayoritas yaitu dari table di atas dominan kelas
‘1’atau abnormal.
G. Implementasi UI Matlab
Untuk mempermudah penggunaan implementasi
Gambar 4 Hasil Klasifikasi
Penulis membuat UI untuk penelitian ini sebagai berikut:
IV. KESIMPULAN
Dari penelitian yang telah dilakukan mengklasifikasi suara jantung abnormal dan normal menggunakan STFT dan ekstraksi ciri GLDM dapat ditarik kesimpulan Sistem pengujian menggunakan scenario partisi 55:45 dan implementasi telah bekerja dengan baik menggunakan algoritma KNN.
Dari penelitian ini menggunakan dengan jarak spasial d=1 piksel dan k=5 dengan perhitungan jarak euclidean dapat mengklasifikasikan pada citra keabuan data suara dengan keakurasian sebesar 73,3333%. Penggunaan metode STFT dan analisis fitur GLDM dengan 3 parameter diantaranya yang digunakan dalam penelitian STFT menggunakan 500-475-512 FFT dikarenakan waktu komputasi yang cepat dan akurasi yang tinggi. Untuk implementasi dengan UI yang dibangun dapat menghasilkan output yang diharapkan. Dalam
keakurasiannya yang telah diuji berdasarkan scenario pengujian partisi ada penurunan terhadap nilai k=1,3,5,7 dengan partisi 90:10 semakin besar nilai data uji maka semakin berkurang keakurasian.
dikarenakan hal sedikitnya data yang dilatih dan diuji.
REFERENSI
[1] A. Rizal and S. Hadiyoso,
“PERANCANGAN DAN REALISASI STETOSKOP ELEKTRONIK SEBAGAI
MEDIA AUSKULTASI UNTUK
JANTUNG DAN PARU,” 2008.
[2] A. K. Abbas and R. Bassam, Phonocardiography Signal Processing, vol.
31. 2009.
[3] N. Kehtarnavaz, “Digital signal processing system design,” Digit. Signal Process. Syst.
Des., 2008, doi: 10.1016/B978-0-12- 374490-6.X0001-3.
[4] Ermatita, “Penggunaan K-Nearest Neighbor (KNN) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna,” doi:
10.52958/iftk.v17i1.2132.
[5] Rizal, A., Hidayat, R., & Nugroho, H. A.
(2016). Lung sounds classification using spectrogram’s first order statistics features.
2016 6th International Annual Engineering
Seminar (InAES).
doi:10.1109/inaes.2016.7821914
[6] Huiyu, Z., Wu, J & Zhang, J. 2010. Digital Image Processing, Part I. bookboon.com TheEbook Company.
