Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
Edy Setiawan1*, Abdullah Alkaff2, Rusdhianto EAK3, R Mohammad Yogiarto4 Institut Teknologi Sepuluh Nopember, Surabaya1* Email :
[email protected] Institut Teknologi Sepuluh Nopember, Surabaya2 Institut Teknologi Sepuluh Nopember, Surabaya3 Universitas Airlangga, Fakultas Kedokteran, Departemen Kardiologi dan Kedokteran Vaskular4
Abstrak Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising jantung (murmur) menyebabkan tidak bekerjanya dengan baik fungsi jantung, antara lain menyebabkan gangguan hemodinamik yaitu terganggunya distribusi atau sirkulasi darah keseluruh tubuh. Oleh karena itu tindakan secara dini dengan mengenali pola suara terhadap bising jantung dapat membantu untuk terhindar dari gangguan hemodinamik ataupun yang lain. Sampai saat ini dokter masih menggunakan isyarat suara jantung untuk memantau kinerja jantung dengan menggunakan stetoskop yang penggunaannya menghasilkan suara yang lemah. Untuk mendiagnosis diperlukan kepekaan dan pengalaman yang sangat mempengaruhi hasil interpretasi, sehingga hasil diagnosis masih sangat dipengaruhi oleh subyektivitas dokter Begitu banyak metoda ekstraksi ciri yang digunakan pada pengenalan pola suara jantung, namun pada penelitian kali ini proses pengenalan pola suara jantung menggunakan metode wavelet dan jaringan syaraf tiruan. Dari hasil ekstraksi ciri dan proses pengenalan pola suara jantung dari beberapa jenis kelainan katup jantung, sistem yang dibuat dapat mengenali 80% untuk pola suara jantung normal, 80% untuk pola suara jantung murmur sistolic, 82.4% untuk pola suara jantung murmur diastolic dan 30% untuk pola suara jantung murmur kontinu. Untuk tipe data murmur kontinu terlihat tingkat performance dalam mengenali sangat buruk, Dikarenakan murmur jenis ini sulit dikenali karena bentuk pola suaranya yang random. Kata kunci : Wavelet, Jaringan Syaraf Tiruan, Kelainan Katup Jantung
1. Pendahuluan Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising jantung (murmur) menyebabkan tidak bekerjanya dengan baik fungsi jantung, antara lain menyebabkan gangguan hemodynamic yaitu terganggunya distribusi atau sirkulasi darah keseluruh tubuh. Adanya gangguan distribusi atau sirkulasi darah ke seluruh tubuh semakin lama dibiarkan, bisa juga menyebabkan kematian. Oleh karena itu tindakan secara dini dengan mengenali pola suara terhadap bising jantung dapat membantu untuk terhindar dari gangguan hemodynamic ataupun yang lain. Sampai saat ini dokter masih menggunakan isyarat suara jantung untuk memantau kinerja jantung dengan menggunakan stetoskop yang penggunaannya menghasilkan suara yang lemah. Untuk mendiagnosis diperlukan kepekaan dan pengalaman yang sangat mempengaruhi hasil interpretasi, sehingga hasil diagnosis masih
sangat dipengaruhi oleh subyektivitas dokter. Cardiovascular sound terjadi dalam jangkauan frekuensi 20 Hz hingga 700 Hz[6]. Permasalahan murmur cukup banyak dibahas oleh peneliti – peneliti dalam makalahnya meskipun dengan metode yang berbeda. Diantaranya adalah seperti yang dilakukan Achmad Rizal dan Soegijardjo pada tahun 2006 melakukan penelitian stetoskop elektronik sederhana berbasis PC dengan pengolahan sinyal digital untuk auskultasi jantung dan paru. Pada penelitian ini dilakukan hanya untuk memperjelas sinyal informasi berupa suara dengan memperkuat sinyal dan menghilangkan komponen noise yang disebabkan karena pengaruh lingkungan. Novitaningtyas tahun 2006 melakukan penelitian perancangan dan pembuatan alat fonokardiogram berbasis PC dengan penggabungan elektrokardiograf untuk mendeteksi bunyi jantung normal dan murmur. Pada penelitian ini
Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
hanya sampai pada tahap memonitoring dan menampilkan isyarat suara jantung, sehingga dapat diketahui periode bising jantung jika ada kelainan fungsi katup jantung. Penelitian juga dilakukan oleh Yul Antonisfia tahun 2008 yaitu ekstraksi ciri pada isyarat suara jantung menggunakan power spectral density berbasis metode Welch. Begitu banyak metoda ekstraksi ciri yang digunakan pada pengenalan suara jantung, namun pada penelitian kali ini proses pengenalan suara jantung menggunakan metoda wavelet dan jaringan syaraf tiruan Backpropagation (BP). 1.1 Rumusan Masalah Murmur adalah salah satu gejala kelainan fungsi katup jantung dengan pola-pola suara tertentu, berdasar latar belakang seperti yang sudah dijelaskan maka permasalahan yang diangkat pada penelitian ini adalah bagaimana membuat sistem yang komplek yang mampu mendeteksi dan mengenali pola-pola tersebut, bagaimana mengklasifikasikan kondisi jantung berdasar gejala abnormalitas suara jantung, dan bagaimana memodelkan karakteristik dari rekam medis suara jantung dengan menggunakan jaringan syaraf tiruan backpropagation. 1.2 Tujuan Penelitian Dengan permasalahan yang ada, tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan metode alternatif dalam mendeteksi fungsi kelainan katup jantung yang direpresentasikan dengan adanya bising jantung sehingga seseorang dapat mengambil keputusan yang tepat menyikapi kondisi kesehatan jantungnya, sebagai modul pembelajaran bagi dokter-dokter muda yang sedikit pengalaman dalam mengklasifikasikan suara jantung normal maupun yang mengalami kelainan fungsi katup dengan teknik auskultasi , membuat suatu sistem dalam analisa dan pengenalan pola suara jantung dan mempelajari penggunaan metode jaringan syaraf tiruan dengan proses pembelajaran.
2. Dasar Teori 2.1 Bunyi Jantung dan Murmur Untuk lebih memahami tentang jantung, dipelajari juga suara jantung baik yang normal maupun yang mengalami gangguan katup (murmur) dan itu semua akan dijelaskan sebagai berikut: 2.1.1
Sejarah Auskultasi secara langsung diperkenalkan oleh Hippocrates (460-377 SM). William Harvey (1578-1657) tampaknya merupakan orang pertama yang membuat batasan spesifik bunyi jantung. Mendengarkan
jantung dengan menggunakan telinga tanpa alat bantu mekanis merupakan metode yang dapat diterima sampai dengan tahun 1816, yaitu saat Rene Laennec menemukan stetoskop pertama. Melalui penemuan dan penyempurnaan terompet akustik, Laennec (1781-1826) dikenal sebagai “Bapak Auskultasi." Laennec menamakan instrumen auskultasi tersebut sebagai "stetoskop", berasal dari bahasa Yunani yang artinya observasi dada (the spy of thi chest)." 2.1.2
Area Katup Jantung Bunyi dari katup jantung (mitral, trikuspid, aorta, pulmonal) akan terdengar pada tempat yang spesifik di dada, yaitu[2]: 1. Bunyi katup mitral dan bunyi jantung kiri lainnya terdengar paling baik di apeks. 2. Bunyi katup trikuspid dan bunyi jantung kanan lainnya paling baik terdengar di batas lateral kiri sternum (LLSB). 3. Bunyi katup aorta terdengar paling baik di basis kanan. 4. Bunyi katup pulmonal terdengar paling baik di basis kiri.
Gambar 1. Titik-titik Area Katup Jantung Secara Spesifik pada Dada Manusia
2.1.3
Murmur Murmur adalah bunyi yang terdengar terus-menerus selama periode sistolic, diastolic atau keduanya. Penyebab umum murmur adalah regurgitasi balik (kebocoran katup, defek septum atrium atau ventrikel, atau hubungan arteriovenosa); aliran ke depan melalui katup yang sempit atau cacat; aliran darah berkecepatan tinggi yang melalui katup normal atau katup abnormal; vibrasi struktur longgar didalam jantung (chordate tendineae).
Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
Gambar 2. Suara Jantung Normal dan Abnormal yang Divisualisasikan karena Ada Kelainan Katup Jantung
2.2 Transformasi Wavelet Diskret Definisi wavelet (secara harfiah berarti “gelombang kecil”) adalah himpunan fungsi dalam ruang vektor L2I, yang mempunyai sifatsifat sebagai berikut (Burrus et al,1998) [1]: 1. Berenergi terbatas 2. Merupakan fungsi band-pass pada domain frekuensi 3. Merupakan hasil penggeseran (translasi) dan penskala (dilatasi) dari sebuah fungsi tunggal (induk), yaitu
a ,b (t )
1 t b |a| a
1
Transform/FWT), dan diimplementasikan menggunakan filter bank. Sinyal masukan S dilewatkan melalui 2 filter komplementer (low-pass H dan high-pass G), dan downsampling dengan membuang setiap data kedua, sehingga diperoleh koefisien pendekatan cA (komponen frekuensi rendah) dan koefisien detil cD (komponen frekuensi tinggi). Proses ini dapat diiterasi dengan cara melanjutkan dekomposisi terhadap koefisien cA. Dengan demikian suatu sinyal dapat dipecah (didekomposisi) menjadi komponen-komponen dengan resolusi yang lebih rendah. Proses sintesis sebagai kebalikan dari analisis bertujuan merekonstruksi sinyal masukan S, koefisien-koefisien cA dan cD dengan upsampling dan filtering (dengan filter H’ dan G’). Upsampling merupakan proses penyisipan nilai nol antar dua data. Teknik rekonstruksi ini dapat dipeluas untuk komponenkomponen analisis multi-resolusi sampai pada tingkat tertentu. Proses dekomposisi merupakan bagian analisis sinyal dengan Transformasi Wavelet Diskret (TWD), dan rekonstruksi yang merupakan bagian sintesis sinyal dengan Transformasi Wavelet Diskret Balik (TWDB) bertingkat sampai oktaf tertentu, secara lengkap terlihat pada Gambar 3
Dengan a,b ∈ R (bilangan nyata), dan a ≠ 0. Dalam hal ini a adalah parameter penskala dan b adalah parameter penggeser posisi terhadap sumbu t. Faktor normalisasi |a|-1/2 digunakan untuk memastikan bahwa || a ,b (t ) |||| (t ) || . Pada dasarnya, Transformasi Wavelet merupakan sebuah teknik pemrosesan sinyal multiresolusi. Dengan sifat penskalaannya, wavelet dapat memilah-milah suatu sinyal data berdasarkan komponen frekuensi yang berbedabeda. Dengan demikian tiap-tiap bagian dapat dipelajari berdasarkan skala resolusi yang sesuai, sehingga diperoleh gambaran data secara keseluruhan dan detail. Secara garis besar, Transformasi Wavelet dibedakan menjadi 2, yaitu Transformasi Wavelet Kontinu (Continuous Wavelet Transform/CWT dan Transformasi Wavelet Diskret (Diskret Wavelet Transform/DWT). Sebuah teknik yang efisien untuk mengimplementasikan TWD adalah teknik analisis resolusi jamak (multi resolution analysis) yang dikembangkan Mallat tahun 1988. Analisis ini membawa kepada Transformasi Wavelet Cepat/TWC (Fast Wavelet
Gambar 3. Dekomposisi dan Rekonstruksi Multistep
2.3 Jaringan Syaraf Tiruan (JST) Backpropagation (propagasi balik) yang merupakan salah satu model JST untuk pencocokan pola (pattern matching), menggunakan arsitektur multi layer perceptron yang ditunjukkan pada Gambar 4 dan pembelajaran propagasi balik akan digunakan dalam penelitian ini. Beberapa karakteristik dari JST propagasi balik adalah sebagai berikut : 1. Jaringan Multi Layer. JST propagasi balik mempunyai lapisan input, lapisan tersembunyi dan lapisan output dan setiap neuron pada satu lapisan menerima input dari semua neuron pada lapisan sebelumnya.
Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
3.
4.
Gambar 4. Arsitektur jaringan propagasi balik
2.
Fungsi Aktivasi. Fungsi aktivasi akan menghitung input yang diterima oleh suatu neuron, kemudian neuron tersebut meneruskan hasil dari fungsi aktivasi ke neuron berikutnya. Beberapa fungsi aktivasi yang sering digunakan dalam JST propagasi balik adalah : - Fungsi sigmoid
1 f ( x) 1 exp( x)
2
Gambar 5. Sigmoid biner pada selang [0,1]
- Fungsi sigmoid bipolar
f ( x)
2 1 1 exp( x)
3
tersembunyi dan output nilai aktivasi dihitung melalui fungsi aktivasi Penyesuaian bobot, penyesuaian bobot dipengaruhi oleh besarnya nilai kesalahan (error) antara target output dan nilai output jaringan saat ini. Iterasi akan terus dilakukan sampai kriteria error tertentu dipenuhi.
3 Analisa Sistem 3.1 Konsep Pengenalan Suara Jantung Konsep dasar sistem pengenalan pola suara jantung dalam penelitian ini diperlihatkan dalam bentuk skema blok diagram seperti pada Gambar 7.
Gambar 7. Konsep dasar pengenalan pola suara jantung.
Blok proses pengenalan pola suara dalam skema diatas itulah yang akan kita rancang dan implementasikan di penelitian ini yang isinya merupakan tahapan-tahapan dalam sistem pengenalan pola suara jantung untuk mengklasifikasikan kelainan katup-katup jantung manusia. 3.2 Siklus Sistem Pengenalan Pola Pembuatan suatu sistem pengenal pola yang baik mengikuti beberapa tahapan, dimulai dari pengumpulan data, pemilihan fitur, pemilihan teknik pemilah atau model yang sesuai, pelatihan dan pengujian. 3.3 Komponen Sistem Pengenalan Pola Analisa sistem pengenalan pola suara jantung secara detail dalam penelitian ini dapat dilihat pada Gambar 8 dan akan diuraikan sebagai berikut :
Gambar 6. Sigmoid bipolar pada selang [-1,1]
3.
1. 2.
Algoritma pembelajaran Algoritma pembelajaran JST propagasi balik bersifat iterative dan didesain untuk meminimalkan mean square error (MSE) antara output yang dihasilkan dengan output yang diinginkan (target). Langkah-langkah Algoritma pembelajaran JST propagasi balik yang diformulasikan oleh Rumelhart, Hinton dan Rosenberg tahun 1986, secara singkat adalah sebagai berikut : Inisialisasi bobot, dapat dilakukan secara acak atau melalui metode Nguyen Widrow Perhitungan nilai aktivasi, tiap neuron menghitung nilai aktivasi dari input yang diterimanya. Pada lapisan input nilai aktivasi adalah fungsi identitas. Pada lapisan
Gambar 8. Blok Sistem Pengenalan Pola Suara Jantung
3.3.1
Sensor Untuk mendapatkan sinyal suara jantung dan akan dirubah menjadi sinyal-sinyal listrik, digunakan mikrofon yang diletakkan pada selang/tubing stetoskop yang akan dimodifikasi dan memasang jack penghubung ke soundcard.
Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
1.
Lapisan input yang terdiri tiga puluh lima sampai enam puluh neuron. 2. Lapisan hidden dengan lima belas neuron. 3. Lapisan output dengan delapan neuron. Dan fungsi aktifasi yang digunakan adalah sigmoid.
3.3.2
Pre-processing Sinyal listrik yang dihasilkan oleh mikrofon lemah, untuk itu perlu dilakukan pemrosesan lebih lanjut dengan memberikan penguatan awal. Pemrosesan ini meliputi penguatan dengan pre-amp mic dan filtering. 3.3.3
Feature Extraction Untuk mengeluarkan ciri khusus yang terkandung dalam sinyal suara jantung maka dilakukan beberapa proses yang akan diuraikan sebagai berikut: 1. Akuisisi data suara[1], pada pengolahan sinyal suara jantung ini frekuensi sampling yang digunakan adalah 44100 Hz, dimana terdapat 44100 titik sampling dalam 1 detik. 2. Filter digital[7], untuk lebih meyakinkan bahwa data suara jantung dan murmur berada dalam range frekuensi 20 Hz – 700 Hz maka dalam penelitian ini digunakan low pass filter digital jenis butterwort, dengan fc = 1000 Hz dan dan orde filter 10. 3. Deteksi awal sinyal (Front detection), untuk lebih menonjolkan pola sinyal suara jantung dan murmur , maka hanya diperlukan satu siklus suara jantung yang terdiri suara “lub” dan “dub”. 4. Pre-amphasis[3], adapun tujuannya adalah untuk mendapatkan bentuk spectral frekuensi sinyal suara jantung yang lebih halus. Dalam penelitian ini konstanta filter yang digunakan adalah 0.96 5. Frame Blocking[1], proses ini dilakukan agar diperoleh kondisi linier dan time invariant. Proses ini memakai frame pada lebar waktu 30 ms dimana tiap frame menyimpan data sebanyak 1323 sampel dan overlap (m) 50% 6. Windowing[1], Setelah melewati proses windowing diharapkan potongan sinyal dari hasil frame blocking pada bagian awal dan akhir memiliki nilai magnitude yang mendekati nol 7. Transformasi Wavelet[1][8], dilakukan proses multiple dekomposisi. Hasil dari proses dekomposisi ini hanya diambil komponen approximation (koefisien frekuensi rendah) karena dianggap mewakili ciri dari suara jantung. Setelah itu dilakukan proses rekonstruksi. 8. Cepstrum[5], proses ini untuk mendapatkan frekuensi dasar dari suatu sinyal suara dengan melakukan fourier transform dari logaritma autospektrum. Hasil dari proses digunakan sebagai data masukan JST. 3.3.4
Pattern Clasification
Proses pencocokan pola menggunakan JST multilayer perceptron dengan pembelajaran backpropagation[4]. Jaringan terdiri dari tiga lapisan, yaitu :
4
Pembahasan Hasil
Pengujian sistem secara keseluruhan, sistem terbagi ke dalam modul perekaman, modul ekstraksi, modul training (pelatihan) dan modul testing (pengujian) atau diagnosa kelainan katup jantung. Masing-masing modul memiliki interface berbeda-beda. Sistem menggunakan 16 data suara jantung sebagai data set pelatihan (Tabel 1) dan 99 data suara jantung yang terdiri 25 data systolic murmur 34 data dyastolic murmur, 10 data continuous murmur dan 30 data suara jantung normal sebagai data pengujian. Tabel 1 Set data pelatihan No 1 2 3 1 2 3 4 5 6
1 2 3 4 5 6
1
ID latihnormal1 latihnormal2 latihnormal3 Sistolic murmur latih1AS latih1ASCase1 latih1ASCase3 latih1MR latihMRCase1 latihMRCase3 Diastolic murmur latih1AR latih1ARCase1 latih1ARCase4 latih1ARCase5 latih1MS latih1MSCase2 Continuous murmur latih1PDA
Denyut /Menit 80 80 80
Normal Normal Normal
80 80 90 80 90 90
Aortic Stenosis Aortic Stenosis Aortic Stenosis Mitral Regurgitation Mitral Regurgitation Mitral Regurgitation
80 80 65 65 80 90
Aortic Regurgitation Aortic Regurgitation Aortic Regurgitation Aortic Regurgitation Mitral Stenosis Mitral Stenosis
90
Patent Arteriosus
Ductus
Data teknis secara ringkas pada penelitian ini disajikan pada Tabel 2 sampai dengan Tabel 4. Tabel 2. Struktur sinyal dan ekstraksi ciri Percobaan Karakteristik
Spesifikasi
Sampling rate
44100 Hz
Panjang frame (N)
1323 sampel
Overlap (M)
662 sampel (50%)
Frame windowing
Hamming window
Ekstraksi ciri
Wavelet (5 level dekompisisi) Cepstrum
Seminar Nasional Pascasarjana XI – ITS, Surabaya 27 Juli 2011 ISBN No.
2. Tabel 3 Struktur JST yang digunakan dalam percobaan Karakteristik Arsitektur Neuron input Neuron tersembunyi Neuron output Fungsi aktifasi Toleransi kesalahan (MSE) Laju pembelajaran Jumlah epoch Data training Data testing
Spesifikasi 1 Lapisan tersembunyi Hasil ekstraksi cirri 15 8 Sigmoid 1e-32 0.01 10000 16 Data suara jantung 99 Data suara jantung
3. 4.
Tabel 4 Definisi target untuk fungsi sigmoid No 1 2 3 4 5 6
Target 00000001 0 0 0 0 0 0 10 00000011 00000100 00000101 00000110
Representasi suara Normal Aortic Regurgitation Aortic Stenosis Mitral Regurgitation Mitral Stenosis Patent Ductus Arteriosus
Dari keseluruhan set data pelatihan suara jantung, setelah dilakukan proses training dan diujikan kembali, sistem dapat mengenali 100% pola suara untuk setiap kasus kelainan katup jantung pada set data pelatihan original, 75% dapat dikenali pada set data pelatihan dengan amplitude 50% lebih besar dari amplitude awal dan 87.5% dapat dikenali pada set data pelatihan dengan amplitude 25% lebih kecil dari amplitude awal. Sedangkan untuk data yang diberikan noise sebesar -30 dB sistem dapat mengenali 50% pola suara dan untuk data dengan noise sebesar -40 dB sistem dapat mengenali pola suara sebesar 56.2%. Tabel 5. Hasil pengujian untuk set data uji
5
Kesimpulan
Dari hasil perancangan sistem, implementasi dan pengujian yang sudah dipaparkan sebelumnya maka dapat diambil kesimpulan sebagai berikut: 1. Sistem secara keseluruhan merupakan satu kesatuan yang utuh. Tiap-tiap bagian mendukung untuk perbaikan kinerja dari bagian yang lain
6.
Ekstraksi ciri dengan wavelet dan pengenalan suara dengan menggunakan JST BP, sistem dapat mengenali 80% untuk pola suara jantung sistolic murmur, 82.4% untuk pola suara jantung diastolic murmur, 30% pola suara jantung continuous murmur dan 80% untuk pola suara jantung normal Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik Continuous murmur, tingkat performance mengenali suara sangat buruk (pola suara random). Suara jantung satu dan jantung dua tidak terlihat karena tertutup oleh murmur (fase dari siklus jantung tidak dapat diketahui secara pasti)
Pustaka
[1] Agustin, Ketut., (2006), “Perbandingan Transformasi Wavelet Sebagai Praposes Pada Sistem Identifikasi Pembicara”, Tesis S2, Institut Pertanian Bogor. [2] Erickson, Barbara., (2003), “ Heart Sounds and murmurs across the lifespan”, four edition, New York, USA [3] Hidayati, Rahmat., (2010), “Klasifikasi Tangis Bayi Berbasis Pola Akustik Menggunakan Metode Support Vektor Machine”, Tesis S2, ITS Surabaya. [4] Kusumadewi, Sri., (2004), “Membangun Jaringan Saraf Tiruan menggunakan Matlab dan EXCEL LINK”, Graha Ilmu, Yogyakarta. [5] Maulidia, Nia., (2009), “Pembuatan Program Aplikasi Untuk Menampilkan ciri Sinyal Wicara dengan Matlab, ITS Surabaya. [6] Shapharas, (2004), “ Time-Frequency Analysis and Clasification of Heart Sound and Murmurs”, University Teknologi Malaysia. [7] Matlab 7.0.1 help, “Signal Processing Toolbox”, Matlab refference [8] Putra, A.E., (2008), “Analisis Sinyal NonStasioner Menggunakan Wavelet dan Metode Dekorlet”, http://agfi.staff.ugm.ac.id/blog/index.php/bukubuku-saya/
