1 ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 ...
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya
EDY SETIAWAN 2209202001 Pembimbing
Prof. Ir. Abdullah Alkaff, MSc, Ph.D Prof. R Mohammad Yogiarto, dr. SpJP(K)FIHA,FASCC Ir. Rusdhianto. EAK, MT
Hal 1 dari 25
JURUSAN TEKNIK ELEKTRO PROGRAM STUDI TEKNIK SISTEM PENGATURAN FAKULTAS TEKNOLOGI INDUSTRI ITS SURABAYA 2011
Pembahasan • Latar belakang • Rumusan masalah • Tujuan • Batasan masalah • Teori penunjang • Analisa sistem • Hasil • Kesimpulan Hal 2 dari 25
Latar Belakang Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising jantung menyebabkan gangguan fungsi jantung atau gangguan hemodynamic
Memantau kinerja jantung
Dokter
menggunakan stetoskop
suara yang dihasilkan lemah, masih diperlukan kepekaan dan pengalaman
Hasil diagnosis masih dipengaruhi oleh subyektifitas dokter Diperlukan metode pengenalan suara
Transformasi Wavelet dan JST BP (Backpropagation) Hal 3 dari 25
Rumusan Masalah
1
Murmur adalah salah satu gejala kelainan katup jantung dengan pola-pola tertentu sesuai dengan kelainan katup jantung yang diderita pasien. Oleh karena itu bagaimana membuat sistem komplek yang mampu mendeteksi dan mengenali pola-pola tersebut.
2
Bagaimana mengklasifikasikan kondisi jantung berdasar gejala abnormalitas suara jantung (murmur) pada pasien penderita kelainan katup jantung.
3
Bagaimana memodelkan karakteristik dari rekam medis suara jantung dengan menggunakan Jaringan Syaraf Tiruan Backpropagation
Hal 5 dari 25
Tujuan
1
Mendapatkan metode alternatif dalam pendeteksian awal penyakit pada jantung manusia lebih dini sehingga seseorang dapat mengambil keputusan yang tepat menyikapi kondisi kesehatan jantungnya.
2
Sebagai modul pembelajaran bagi dokter-dokter muda yang sedikit pengalaman dalam mengklasifikasikan suara jantung normal maupun yang mengalami kelainan katup jantung dengan teknik Auskultasi.
3
Membuat suatu sistem dalam analisa dan pengenalan suara jantung yang dapat mengenali dan mengklasifikasikan kondisi jantung khususnya pada penderita kelainan katup jantung.
4
Mempelajari penggunaan metode jaringan syaraf tiruan dengan proses pembelajaran.
Hal 6 dari 25
Batasan Masalah
1
Proses perekaman suara jantung dilakukan pada ruangan kedap suara.
2
Diagnosa hanya dilakukan pada suara jantung normal, suara jantung sistolic murmur (mitral regurgitasi dan aortic stenosis), diastolic murmur (aortic regurgitasi dan mitral stenosis) dan continuous murmur (Patent Ductus Arteriousus)
3 4 5
Tranduser suara dengan respon frekuensi 20Hz – 20000Hz (type Elektret Condenser Microphone).
Hal 7 dari 25
Referensi bising jantung(murmur) sebagian diambil dari RSUD Dr. Soetomo Surabaya dan sebagian dari internet. Program simulasi menggunakan MATLAB 7.0.1
Teori Murmur Bunyi yang terdengar terusmenerus selama periode sistole, diastole, atau keduanya.
Visualisasi jantung normal dan abnormal karena ada kelainan katup
Hal 8 dari 25
Area Katup Jantung 1.Bunyi katup mitral terdengar
paling baik di apeks. 2.Bunyi katup trikuspid 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.
Hal 9 dari 25
Teori Transformasi Wavelet Diskret (TWD)
•Teknik pemrosesan sinyal multiresolusi. •TWD dapat memilah-milah suatu sinyal data berdasarkan komponen frekuensi yang berbeda-beda. •Dapat diperoleh gambaran data secara keseluruhan dan detail berdasarkan skala resolusi yang sesuai.
Hal 10 dari 25
Bandwidth Sinyal Setiap Level hpf
g(n)
Menghasilkan koef Detil
Hal 11 dari 25
h(n)
lpf
Menghasilkan koef Approximation
Teori Jaringan Syaraf Tiruan (Backpropagation)
Sistem komputasi pemodelan neuron.
n y f wixi i 1 i xi: sinyal masukan, i = 1,2,…,n n: banyaknya simpul masukan wi: bobot hubungan atau synapsis θ: threshold atau bias ƒ(*): fungsi aktivasi y: sinyal keluaran dari neuron
Hal 12 dari 25
Karakteristik JST . Backpropagation
1
Jaringan Multi layer
2
Fungsi Aktivasi Sigmoid biner
1 f ( x) 1 exp( x)
Hal 13 dari 25
Sigmoid bipolar f ( x)
2 1 1 exp( x)
Algoritma pembelajaran Backpropagation
Inisialisasi bobot awal (secara acak atau metode Nguyen Widrow) Perhitungan nilai aktivasi, tiap neuron dari input yang diterimanya
Penyesuaian bobot, dipengaruhi error antara target output dan nilai output jaringan
Iterasi (dilakukan sampai kriteria error tertentu dipenuhi) Hal 14 dari 25
Analisa Sistem
Konsep dasar pengenalan pola suara jantung
Pasien
Hal 15 dari 25
Sensor
Proses pengenalan pola suara
Dokter
Sistem Pengenalan Pola Suara Jantung
Hal 16 dari 25
Pengujian & Hasil Data pengujian sistem : 16 data suara sebagai set data pelatihan 99 data suara jantung sebagai set data pengujian : 25 data systolic murmur (kelainan katup mitral regurgitation) 34 data dyastolic murmur (kelainan katup aortic regurgitation & mitral stenosis), 10 data continuous murmur (kelainan katup patent ductus arteriousus) 30 data suara jantung normal Hal 17 dari 25
Representasi Suara Normal Aortic Regurgitation Aortic Stenosis Mitral Regurgitation Mitral Stenosis Patent Ductus Arteriosus
Perhitungan MSE
Output
Baseline
Hasil perkalian antara data input dengan bobot hasil pelatihan jst dibandingkan dengan target output Range/toleransi: >0.9570 dan <1.0885 Akan berlogika 1, diluar range tersebut diatas akan berlogika 0
Hal 20 dari 25
Normal
AR
MR
MS
AS
PDA
Prosentase Keberhasilan Pengujian Hasil pengujian data training Pembelajaran No
Tipe Data
Neuron
lr
Tersembunyi 1
Data Asli (original)
2
Amplitudo 50% >
15
Max
Identifikasi MSE
(%)
dengan benar
epoch
0.01
10.000
1e-32
16/16
100
12/16
75
14/16
87.5
amplitudo awal 3
Amplitudo 25% < amplitudo awal
4
Data (noise -30dB)
8/16
50
5
Data (noise -40dB)
9/16
56.2
Hal 21 dari 25
Pembelajaran No
Neuron
Tipe Data
lr
Max
Tersembunyi 1
Normal
2
Murmur sistolic
3
Identifikasi MSE
(%)
dengan benar
epoch 24/30
80
20/25
80
Murmur diastolic
28/34
82.4
4
Murmur continuous
3/10
30
1
Normal
15/30
50
2
Murmur sistolic
11/25
44
3
Murmur diastolic
15/34
44.12
4
Murmur continuous
1/10
10
15
50
0.01
10.000
0.03
10.000
1e-32
1e-32
Hasil pengujian untuk set data uji
Pembelajaran No
Neuron
Tipe Data
lr
Tersembunyi 1
Max
Identifikasi MSE
(%)
dengan benar
epoch
2
Normal1 Normal2
3
Normal3
1
1MR
2
1MRCase
3
3MRCase
6/6
100
4
4ASCase
2/5
40
1
1AR
6/6
100
2
1ARCase
6/7
85.7
3
4ARCase
5/6
83.3
4
5ARCase
4/5
80
5
1MS
5/6
83.3
6
2MSCase
4/4
100
3/10
30
15
0.01
10.000
1e-32
11/11
100
13/13
100
4/6
66.7
7/ 7
100
6/ 7
85.7
Murmur sistolic
Hasil pengujian untuk set data uji (per kasus kelainan)
15
0.01
10.000
1e-32
Murmur diastolic
Hal 22 dari 25
15
0.01
10.000
1e-32
Murmur continuous 1
PDA
15
0.01
10.000
1e-32
Kesimpulan 1
2
Sistem merupakan satu kesatuan yang utuh. Tiap-tiap bagian mendukung untuk perbaikan kinerja dari bagian yang lain 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
3
Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik
4
Tipe data 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)
