BAB III METODE PENELITIAN. Alam Universitas Lampung pada bulan Februari 2014 sampai Mei 2014

41

BAB III METODE PENELITIAN

3.1. Waktu dan Tempat Pelaksanaan

Penelitian ini dilaksanakan di Laboratorium Pemodelan Fisika dan Laboratorium Elektronika Dasar Jurusan Fisika Fakultas Matematika dan IImu Pengetatruan Alam Universitas Lampung pada bulan Februari 2014 sampai Mei 2014.

3.2. Alat dan Bahan

Alat dan bahan yang digunakan pada penelitian ini meliputi: 1.

Steteskop dan Mikrofone Steteskop dan mikrofone digunakan untuk mendeteksi sinyal suara jantung yang kemudian diubah kebesaran elektris agar dapat diolah oleh komputer.

2.

Penguat Mikrofone Penguat mikrofone digunakan untuk menguatkan sinyal suara jantung yang berasal dari steteskop, karena output steteskop memiliki frekuensi yang kecil sehingga perlu dilakukan penguatan sebelum masuk ke sound card komputer.

3.

Personal Computer (PC) PC pada penelitian ini digunakan untuk akuisisi data serta mengolah sinyal yang berasal dari masukan sound card agar didapatkan data kuantitatif.

42

4.

Data Base Suara Jantung Pada penelitian ini menggunakan data base suara jantung untuk melatih jaringan syaraf tiruan yang telah dibangun, agar diperoleh hasil klasifikasi sinyal yang akurat. Data base ini diperoleh dari sumber yang terpercaya dan diambil langsung dari website Continuing Medical Implamentation. Continuing Medical Implamentation merupakan salah satu komunitas kesehatan

di

Amerika

Serikat

yang

menangani

masalah

penyakit

cardiovascular. Selain meneliti dan merancang alat kesehatan yang berhubungan dengan jantung, komunitas ini juga menyediakan beragam rekaman aktivitas jantung, baik rekaman menggunakan Elektrokardiogram (EKG) maupun menggunakan Phonocardiogram (PCG). Sehingga pada penelitian ini data base suara jantung yang digunakan sebagai pembanding diambil dari website Continuing Medical Implamentation. 5.

Software Matlab Software Matlab pada penelitian ini digunaka untuk proses komputasi dan pengolahan sinyal berdasarkan rumusan dari metode Dekorlet dan Transformasi Wavelet serta perancangan Jaringan Syaraf Tiruan (JST).

3.3.

Metode Penelitian

Tahapan-tahapan penelitian yang dilakukan pada penelitian ini terbagi atas dua tahapan, yaitu perancangan sistem akuisisi data serta perancangan sistem pemrosesan sinyal suara jantung. Blok diagram penelitian ini dapat dilihat seperti pada Gambar 3.1.

43

Tahap pendeteksian sinyal merupakan proses pendeteksian sinyal suara jantung dari tubuh manusia yang menggunakan perangkat keras (hardware). Hardware pada penelitian ini menggunakan steteskop yang dikombinasikan dengan sebuah mikrofone dan penguat mikrofone yang semuanya saling terintegrasi. Steteskop digunakan untuk mendeteksi suara jantung manusia, kemudian dari suara jantung ini akan dikonversi menjadi besaran elektris oleh mikrofone dan output dari mikrofone ini akan dikuatkan oleh penguat mikrofone. Penguat mikrofone ini akan memperkuat sinyal suara jantung yang dideteksi olek steteskop yang akan dihubungkan ke komputer melalui jalur sound card.

Penguatan Mikrofone

Perekaman Suara Jantung

De-noising sinyal

Ekstraksi ciri sinyal suara jantung

Klasifikasi dengan JST Gambar 3.1. Blok diagram tahapan penelitian

44

Tahap perekaman adalah tahap penggambil sampel data (sinyal suara jantung) yang akan dijadikan data dalam penelitian ini. Sinyal suara jantung yang terekam oleh komputer akan dilakukan pengolahan sinyal hingga diperoleh hasil yang sesuai dengan harapan. Perekaman dan pengolahan sinyal ini dilakukan oleh komputer dengan bantuan perangkat lunak Matlab 7.8.

Tahapan filtering sinyal merupakan salah satu tahapan pemrosesan sinyal yang bertujuan untuk menghilangkan noise random dari hasil rekaman. Noise random ini disebabkan oleh perangkat komputer pada bagian sound card yang rentan terhadap noise. Apabila noise dalam sinyal tidak dihilangan terlebih dahulu akan menyebabkan kesalahan dalam ekstraksi ciri sinyal. Untuk menghilangkan derau sinyal pada penelitian ini menggunakan salah satu jenis filter digital yaitu filter digital dengan wavelet. Setelah sinyal terbebas dari noise maka barulah dapat dilakukan ekstraksi ciri sinyal.

Tahap ekstraksi ciri merupakan salah satu tahapan pemrosesan sinyal yang bertujuan untuk memperoleh perbedaan ciri antara satu jenis sinyal suara jantung dengan jenis yang lain, dalam hal ini suara jantung normal dan abnormal. Jenis suara jantung yang akan menjadi perbandingan yaitu jenis suara jantung Normal (N), Aortic stenosis (AS), Mitral regurgitation (MR), Aortic regurgitation (AR), Mitral stenosis (MS) dan Patent ductus arteriosus (PDA). Masing-masing jenis suara jantung ini memiliki ciri khas tersendiri dilihat dari bentuk dan pola sinyalnya. Untuk mengetahui pola dari suara jantung yang diteliti, pada penelitian ini dilakukan menggunakan metode dekorler (Dekomposisi dan Korelasi) serta menggunakan metode Transformasi Wavelet Diskrit dengan cara menghitung

45

energi dekomposisi pada masing-masing sub-band. Selanjutnya dari hasil ekstraksi ciri tersebut akan diklasifikasi dengan jaringan syaraf tiruan perambatan balik (Backpropogation).

Tahapan klasifikasi merupakan tahapan pemrosesan sinyal suara jantung yang dilakukan

untuk

mengelompokan

suara

jantung

berdasarkan

jenisnya.

Pengelompokan sinyal suara jantung ini menggunakan sistem jaringan syaraf tiruan balik. Struktur jaringan syaraf tiruan yang dibangun terdiri atas lapisan input, lapisan tersembunyi dan lapisan output. Jumlah neuron masing-masing lapisan adalah 7, 7 dan 6 neuron. Input jaringan syaraf tiruan ini berasal dari ekstraksi ciri suara jantung yang telah dilakukan menggunakan metode Dekorlet serta menggunakan metode Transformasi Wavelet Diskrit dengan cara menghitung energi normalisasi dekomposisinya. Hasil akhir dari penelitian ini akan didapatkan jenis suara jantung manusia yang dideteksi menggunakan steteskop elektronik (Phonocardiogram).

3.3.1. Penguat Mikrofone

Perancangan hardware pada penelitian ini meliputi perancangan sistem akuisis data melalui sound card, yang terdiri dari rangkaian penguat microfone dengan sistem antarmuka sound card. Gambar 3.2 berikut merupakan rangkaian skematik penguat microfone dengan antarmuka sound card.

46

Output Sound Card

Mikrofone

Gambar 3.2. Rangkaian penguat mikrofone dengan antarmuka sound card

Rangkaian penguat di atas merupakan rangkaian penguat pre-amplifier mikrofone yang digunakan untuk menguatkan sinyal input yang berasal dari mikrofone sebelum masuk ke sound card PC. Penguat pre-amplifier menggunakan penguat transistor bias pembagi tegangan dua tingkat. Pada prinsipnya penguatan sinyal output akan tergantung pada sinyal masukan yang berasal dari kaki basis transistor tingkat pertama. Masukan sinyal dari kaki basis terhubung dengan sebuah kapasitor sebesar 2,2 µF yang berguna sebagai kopling, yaitu untuk menahan frekuensi dc yang berasal dari sumber tegangan dan meloloskan frekuensi ac dari mikrofone. Pada penguat transistor tingkat pertama besar nilai input bergantung dari sinyal 𝑉𝑖𝑛 yang berasal dari mikrofone. Besar nilai 𝑉𝑖𝑛 awal sebesar 6 volt yang dicatu langsung ke mikrofone. Besar nilai 𝑉𝑖𝑛 ini akan berubah sebanding dengan besarnya tekanan suara yang diterima oleh mic kondensor. Besar penguatan dari rangkaian diatas dapat dihitung dengan menggunakan persamaan penguat transistor cascade dua tingkat sebagai berikut. 𝐴𝑣 = 𝐴1 × 𝐴2

(32)

47

dimana: 𝐴𝑣 = Penguatan total 𝐴1 = Penguat transistor tingkat pertama 𝐴2 = Penguat transistor tingkat kedua Penurunan rumus penguat mikrofone pada rangkaian diatas selengkapnya dapat dilihat pada lampiran 5. Rangkaian diatas juga dilengkapi dengan low pass filter yang dirancang menggunakan resistor dan kapasitor. Besar frekuensi cut off dihitung dengan persamaan berikut. 1

𝑓𝑐 = 2𝜋𝑅𝐶

(33)

dimana: R= Hambatan yang terhubung ke output C= Kapasitor filter 𝑓𝑐 = Frekuensi cut off Resistor sebesar 3,9 KΩ dan kapasitor sebesar 51 nF digunakan sebagai low pass filter dengan frekuensi cut off sebesar 1500 Hz. Pemilihan frekuensi cut off sebesar 1500 Hz didasarkan pada rentang frekuensi phonocardiogram sebesar 20-1500 Hz. Kemudian dari output pre-amplifier ini akan dikuatkan lagi oleh sound card komputer.

3.3.2. Perekaman Suara Jantung dengan Matlab

Tahap perancangan software pada penelitian ini dimulai dari proses prekaman suara jantung melaui perangkat lunak matlab dengan format data “ *wav ”, kemudian dari hasil rekaman yang berbentuk wav tersebut dilakukan pengubahan format data dari wav menjadi mat. Tujuan dari pembuatan format data dalam bentuk mat ini salah satunya adalah agar memudahkan pemrosesan sinyal pada matlab. Untuk dapat melakukan perekaman suara matlab sudah menyediakan sintak tersendiri seperti

48

wavrecord, dengan sintak wavrecord(t rekaman, frek sampling).

Frekuensi sampling yang digunakan pada penelitian ini sebesar 10504 Hz. Pemilihan frekuensi sampling ini dipilih berdasarkan penyamaan frekuensi sampling sebesar frekuensi sampling sinyal suara jantung yang menjadi data latih pada jaringan syaraf tiruan.

3.3.3. Pemilihan Fungsi Wavelet

Pemilihan fungsi wavelet dalam penelitian ini sangat penting dilakukan. Hal ini mengingat bahwasannya fungsi wavelet akan digunakan sebagai fungsi penganalisis dalam proses filtering sinyal dan ekstraksi ciri sinyal suara jantung. Pada penelitian kali ini fungsi wavelet Doubechies, Coiflet dan Symlet dipilih dan diuji coba sebagai fungsi wavelet penganalisis karena memiliki bentuk sinyal yang mirip dengan sinyal suara jantung. Ketiga jenis wavelet ini akan dicari error rekonstruksi dengan cara menghitung selisih antara sinyal suara jantung semula dengan sinyal suara jantung hasil rekonstruksi. Fungsi wavelet yang memberikan error terkecil akan digunakan dalam proses filtering dan ekstraksi ciri sinyal.

3.3.4. Pemfilteran Sinyal dengan Wavelet

Wavelet selain digunakan sebagai ekstraksi ciri sinyal juga dapat digunakan sebagai de-noising sinyal. Konsep dasar dari de-noising sinyal dengan wavelet adalah menghilangkan beberapa bagian sinyal yang mengandung noise, kemudian dari hasil dekomposisi sinyal wavelet akan direkonstruksi kembali sehingga diperoleh sinyal suara jantung yang terbebas dari noise. Algoritma proses de-noising sinyal

49

dengan transformasi wavelet pada penelitian ini dapat dilihat dalam diagram blok berikut.

Sinyal Noise

Transformasi Wavelet Diskrit

Thresholding

Invers Transformasi Wavelet Diskrit

De-noising Sinyal

Gambar 3.3. Diagram blok de-noising sinyal Dari diagram blok diatas proses de-noising sinyal dilakukan dengan cara sebagai berikut: 

Proses dekomposisi sinyal noise dilakukan menggunakan transformasi wavelet diskrit dengan level dekomposisi sesuai yang diinginkan.



Thresholding sinyal dilakukan dengan cara menentukan nilai standar deviasi dari sinyal noise pada level dekomposisi yang diperkirakan menggandung noise, kemudian thresholding dihitung dengan persamaan berikut: 𝑇 = 𝜎√2 log(𝑁)

(34)

50

dimana: 𝜎 = Standar deviasi sinyal noise N = Panjang data sinyal diskrit T = Threshold 

De-noising dan rekonstruksi sinyal dilakukan dengan invers transformasi wavelet diskrit pada daerah threshold.

Ilustrasi dari proses de-noising sinyal dapat dilihat seperti pada Gambar 3.4 berikut:

H

2 W(n-1)

L K

V(n+1)

W(n)

W(n)

V(n+1)

2

H W(n-2)

L Dekomposisi

2

H L

2

L

W(n-1)

Proses Thresholding

H W(n-2)

L Rekonstruksi

Gambar 3.4. Ilustrasi proses de-noising sinyal dengan wavelet

Pada penelitian kali ini uji coba filter wavelet dilakukan dengan cara memberikan noise random gausian pada sinyal asli sinusoidal kemudian menghilangkan komponen sinyal noise dengan memberikan threshold pada sinyal yang mengandung noise. Pemberian threshold ini bertujuan agar sinyal informasi yang memliki informasi penting tidak ikut dihilangkan. Setelah uji coba filter wavelet memenuhi standar dari pembuatan filter digital dengan SNR berada diatas 20 dB, barulah filter wavelet diaplikasikan pada hasil rekaman suara jantung yang masih menganding noise. Hasil dari sinyal suara jantung yang telah difilter kemudian akan dilakukan ekstraksi ciri sinyal menggunakan metode dekorlet dan energi sinyal dekomposisi.

51

3.3.5. Ekstraksi Ciri Sinyal Suara Jantung

Ekstraksi ciri merupakan tahapan yang sangat penting dalam pengolahan sinyal suara jantung, karena dengan ekstraksi ciri dapat menggambarkan ciri khas (kekhasan) antara satu kelompok suara jantung dengan kelompok suara jantung yang lain. Dalam penelitian ini, ekstraksi ciri dilakukan dengan menggunakan metode Dekorlet serta menggunakan energi dekomposisi wavelet. Dekomposisi yang dilakukan pada penelitian ini sebanyak 6 tingkat dengan frekuensi sampling phonocardiogram sebesar 10504 Hz.

A1

D1 2626-5252 Hz D2

A2

1313-2626 Hz D3

A3

656,50-1313 Hz D4

A4

328,25-656,50 Hz D5

A5

164,13-328,25 Hz D6 82,06-164,13 Hz Gambar 3.5. Dekomposisi 6 tingkat sinyal suara jantung

A6 0-82,06 Hz

52

Rentang frekuensi masing-masing tingkat atau sub-band ditunjukan seperti pada Tabel 1 berikut ini.

Tabel 1. Rentang frekuensi sub-band sinyal suara jantung 6 tingkat Semua Sinyal Suara Jantung Fs=10504 Hz Sub-band

Rentang frekuensi (Hz)

A6

0-82,06

D6

82,06-164,13

D5

164,13-328,25

D4

328,25-656,50

D3

656,50-1313

D2

1313-2626

D1

2626-5252

Rentang frekuensi pada tiap-tiap sub-band kemudian dilakuka ekstraksi ciri dengan menggunakan metode Dekorlet dan Energi Sinyal dari dekomposisi sinyal suara jantung tersebut.

3.3.5.1. Metode Dekomposisi dan Korelasi (Dekorlet)

Metode dekorlet merupakan suatu metode yang menggabungkan antara dekomposisi dengan korelasi sinyal. Korelasi yang digunaka pada penelitian ini menggunakan jenis kroskorelasi. Hal ini didasari dari sifat korelasi yang dapat menggambarkan tingkat kesamaan suatu sinyal dengan sinyal referensi dari hasil proses korelasi. Korelsi dilakukan antara sinyal dekomposisi suara jantung normal dengan sinyal dekomposisi suara jantung abnormal lainnya. Sinyal dekomposisi suara jantung normal digunakan sebagai referensi atau pembanding sedangkan sinyal dekomposisi suara jantung abnormal digunakan sebagai pola yang akan

53

dikenali. Dekomposisi yang dilakukan pada penelitian ini sebanyak 6 tingkat dengan range frekuensi dari phonocardiogram sebesar 0-5252 Hz. Hasil dekomposisi ini kemudian dilakukan korelasi dengan menggunakan persamaan umum kros-korelasi sebagai berikut. 1

𝑥(𝑛) = 𝑁 ∑𝑁−1 𝑛=0 𝑦(𝑛)𝑧(𝑛 − 𝑘)

(35)

dengan: 𝑥(𝑛)

= sinyal dekomposisi suara jantung Normal

𝑧(𝑛 − 𝑘)= sinyal dekomposisi suara jantung Abnormal Proses kroskorelasi suara jantung yang dilakukan pada penelitian ini dapat dilihat Cross-Correlations 1 0.5

seperti pada Gambar 3.6 berikut.

K1

0 -0.5 -1

Normal

Hasil Korelasi

Abnormal

-4

-2

0

Power\Frekuensi (dB\Hz) K2

A6

K1

0 -0.5 -1 -1.5 -6

-4

-2

0

2

4

AVR=?

0 -140 -0.5 -160 -1 -180-6

6

-10

-8

-4

-6

-4

-2

0 2 -2 0 2 4 Frekuensi (Hz) Cross-Correlations Welch Power Spectral Density Estimate

4

x 10

K3 (dB\Hz) Power\Frekuensi

Power\Frekuensi (dB\Hz)

-120 0.5 K2

D6

1 -100

Cross-Correlations

-100 1

-140 0 -160-0.5 -180 -1-6 -10

-8 -4 -6

-4 -2

0

-2

2

0 2 Frekuensi (Hz)

6 4

4

106

8

x 10

Power\Frekuensi (dB\Hz)

-120 Power\Frekuensi (dB\Hz) K4

-140

0

K3

-160

-1 -180

-160

-10

-8

-1.5 -6

AVR=? -10

-8

-4

-6

-4

-2

0 2 -2 0 2 4 Frekuensi (Hz) Cross-Correlations Welch Power Spectral Density Estimate

1

-6

-4

-4

-2

-2

0 2 Frekuensi (Hz) 0

4

6

8

2

4

6

1-140

-10

-8

-4

-6

-4

-2

0 2 -2 0 2 4 Frekuensi (Hz) Welch Power Spectral Density Estimate Cross-Correlations

0-180

-0.5-200

-10

-8

-1 -6

-6

-4

-4

-2

-2

0 2 Frekuensi (Hz) 0

4

6

2

8 4

6

AVR=? -10

-8 -4

-6

-4-2

-2

K6 Power\Frekuensi (dB\Hz)

Power\Frekuensi (dB\Hz)

K5

-180 0

-0.5-200

-10

-8

-6

-4

-4

-2

0 2 Frekuensi (Hz)

-2

0

4

6

8

2

10

4

6 4

Welch Power Spectral Density Estimate

4 8

10

6 4

x 10

AVR=? -10

-8 -4

-6

-4-2

-2

-6

-1.5 -6

-4

-2

-4

0 2 Frekuensi (Hz)

-2

4

0

6

8

2

10

4

6

Power\Frekuensi (dB\Hz) K7

0 -0.5 -8

4

24

6

4 8

6

10

4

x 10

-200 0.5

AVR=?

-210 0 -220

-0.5 -230 -240-1 -6 -10

x 10 Welch Power Spectral Density Estimate -190

2

-1901

-180 0.5

-1-10

00 Frekuensi (Hz)

Welch PowerCross-Correlations Spectral Density Estimate

Cross-Correlations 1

K6

Power\Frekuensi (dB\Hz)

6

-200 -1

-140

-8 -4

-6

-4 -2

-2

Cross-Correlations

1 -200

00 Frekuensi (Hz)

2

24

6

4 8

10

6 4

x 10

Welch Power Spectral Density Estimate -200

0.5 -210 -220 0 -230 -0.5 -240

-10

-8

-1 -6

-6

-4

-4

-2

-2

0 2 Frekuensi (Hz) 0

4

6

2

8

10

4

6 4

x 10 Welch Power Spectral Density Estimate

Power\Frekuensi (dB\Hz)

K7 Power\Frekuensi (dB\Hz)

24

0.5 -160

-1.5 -220 -6

x 10

-210

-210

AVR=?

-220 -230 -240 -250

-200 Power\Frekuensi (dB\Hz)

2

0 -180 -0.5

-1 -6

D1

00 Frekuensi (Hz)

1 -140

1 -160

0.5

D1

4

x 10

Cross-Correlations Welch Power Spectral Density Estimate

Cross-Correlations

-220

6

10

0

-1-200 -6

4

x 10 Welch Power Spectral Density Estimate

-200

8

-180 -0.5

10

-140

D2

4

6

0.5 -160

0.5-160

D2

4

x 10

-140 1 K5 Power\Frekuensi (dB\Hz)

K4 Power\Frekuensi (dB\Hz)

Cross-Correlations

-160

6

10

AVR=?

-1 -200 -6

4

x 10

D3

8

0

Welch Power Spectral Density Estimate

D3

4

6

-0.5 -180

10

-120

D4

6 10 4 x 10

0.5 -140

0.5

-0.5

8

-1 -160 -1.5 -180-6

Welch Power Spectral Density Estimate

D5

4

-140 -0.5

-100 Cross-Correlations

6

0.5 -120 0

4

1 -120

D4

Rata-Rata

6 x 10

0.5 -120

Welch Power Spectral Density Estimate

D5

4

Cross-Correlations Welch Power Spectral Density Estimate

1 -100

Cross-Correlations 1

D6

2

4

0.5

A6

PSD Welch

-1.5 -6

-10

-8

-6

-4

-2

0 Frekuensi (Hz)

2

4

6

8

10

-220 -230

Gambar 3.6. Proses ekstraksi ciri suara jantung dengan metode dekorlet -240 -250

-10

-8

-6

-4

-2

0 2 Frekuensi (Hz)

4

6

8

10

54

Gambar 3.6 diatas menunjukan proses kroskorelasi suara jantung dengan metode dekorlet. Pengkorelasian dilakukan dengan cara mengkroskorelasikan sinyal pada sub-band aproksimasi dan detil untuk suara jantung normal dengan suara jantung abnormal yang dilakukan pada masing-masing sub-band dekomposisi. Hasil korelasi sinyal pada masing-masing sub-band kemudian akan dilakukan perhitunggan Power Spectral Density (PSD) untuk melihat rapat spectral daya dari hasil korelasi.

Power Spectral Density yang digunakan adalah metode Welch. Perhitungan PSD Welch dapat menggunakan persaman 18 yang tertera dalam teori dasar. Kemudian dari hasil perhitungan korelasi sinyal menggunakan Power Spectral Density (PSD) metode welch dirata-rata dan dijadikan inputan dalam jaringan syaraf tiruan.

3.3.5.2. Metode Transformasi Wavelet Diskrit dengan Energi Normalisasi Dekomposisi

Untuk metode Transformasi Wavelet Diskrit proses pengolahan sinyal hampir sama dengan

metode

Dekorlet.

Langkah

pertama

yang

dilakukan

yaitu

mendekomposisikan sinyal suara jantung sebanyak 6 tingkat seperti pada Gambar 3.5 diatas, sehingga diperoleh koefisien sinyal aproksimasi dan detil sebesar A6, D6, D5, D4, D3, D2 dan D1. Hasil akhir dari dekomposisi ini akan dilakukan perhitungan energi sinyal dekomposisi pada masing-masing sub-band. Ilustrasi ekstraksi ciri dengan metode energi sinyal dekomposisi wavelet dapat dilihat seperti pada Gambar 3.7 berikut.

55

Sinyal Asli Sinyal Asli 0.8

0.6

0.4

Amplitudo

0.2

0

-0.2

-0.4

-0.6

-0.8

0

0.5

1

1.5

2

2.5

waktu(s)

0.8

0.6 0.4

A6 (0-82,06) Hz

0.2

A6

0

EA6

ENA6

ED6

END6

ED5

END5

ED4

END4

ED3

END3

ED2

END2

ED1

END1

-0.2

-0.4 -0.6 -0.8

-1

0

0.5

1

1.5

2

2.5

waktu(s)

0.6

0.4

D6 (82,06-164,13) Hz

0.2

D6

0

-0.2

-0.4

-0.6

-0.8

0

0.5

1

1.5

2

2.5

waktu(s)

0.15

0.1

D5 (164,13-328,25) Hz

0.05

D5

0

-0.05

-0.1

-0.15

-0.2

0

0.5

1

1.5

2

2.5

waktu(s)

0.1 0.08

D4 (328,25-656,50) Hz

0.06

0.04

D4

0.02 0

-0.02 -0.04 -0.06

-0.08

0

0.5

1

1.5

2

2.5

waktu(s)

0.025 0.02 0.015 0.01 0.005

D3

D3 (656,50-1313) Hz

0 -0.005 -0.01 -0.015 -0.02 -0.025

0

0.5

1

1.5

2

2.5

waktu(s) -3

8

x 10

6

4

2

D2

D2 (1313-2626) Hz

0

-2

-4

-6

-8

0

0.5

1

1.5

2

2.5

waktu(s) -3

4

x 10

3

2

1

D1

D1 (2626-52520) Hz

0

-1

-2

-3

-4

0

0.5

1

1.5

2

2.5

waktu(s)

Dekomposisi

Energi Dekomposisi

Energi Normalisasi

Gambar 3.7. Proses ekstraksi ciri suara jantung dengan metode energi sinyal

56

Energi dekomposisi rerata sinyal detil tiap sub-band 𝐸𝐷𝑖 dihitung dengan persamaan: ∑(𝐷 (𝑘))2

𝐸𝐷𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑖𝑐𝑢𝑝𝑙𝑖𝑘 𝐷 , k=1, 2, 3, ………, jumlah cuplik 𝐷𝑖 i=1, 2, 3, N 𝑖

(36)

Energi dekomposisi rerata sinyal aproksimasi tiap sub-band 𝐸𝐴𝑖 dihitung dengan persamaan: ∑(𝐴 (𝑘))2

𝐸𝐴𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑖𝑐𝑢𝑝𝑙𝑖𝑘 𝐴 , k=1, 2, 3, ………, jumlah cuplik 𝐴𝑖 i=1, 2, 3, …., N (37) 𝑖

Masing-masing energi dekomposisi rerata kemudian dinormalisasi sehingga rentang nilainya antara 0 dan 1 dengan persamaan berikut: 𝐸𝑁𝑗

𝐸𝑁𝑗 = 𝑚𝑎𝑠𝑘(𝐸

𝐷𝑖 ,𝐸𝐴6 )

, j=1, 2, 3, ………, M=7

(38)

dimana: 𝐸𝑁𝑗 : Energi rerata normalisasi pada dekomposis ke-j 𝐸𝐷𝑖 : Energi rerata sinyal detil ke-i (i=1,2,3, ....., 6) 𝐸𝐴𝑖 : Energi rerata sinyal aproksimasi ke-i (i=1,2,3, ....., N) Kemudian energi rerata yang dinormalisasi dari setiap dekomposisinya akan dijadikan input jaringan syaraf tiruan (JST) balik sebagai pengenalan pola suara jantung (Surtono, 2012).

3.3.6. Pemrosesan dengan Menggunakan Jaringan Syaraf Tiruan Perambatan Balik (Backpropagation)

Proses pengklasifikasian sinyal suara jantung pada penelitian ini menggunakan jaringan syaraf tiruan (JST) perambatan balik. Data latih ini diambil dari website suara jantung yang terlebih dahulu dilakukan ekstraksi ciri sinyal suara jantung dengan menggunakan Dekorlet maupun energi sinyal. Suara jantung yang menjadi

57

data latih jaringan terdiri dari 6 jenis suara jantung yaitu jenis suara jantung Normal (N), Aortic stenosis (AS), Mitral regurgitation (MR), Aortic regurgitation (AR), Mitral stenosis (MS) dan Patent ductus arteriosus (PDA).

Struktur JST terdiri atas unit input , unit lapisan tersembunyi dan unit output. Fungsi aktivasi pada lapisan tersembunyi dan lapisan output menggunakan fungsi sigmoid biner. Unit input terdiri atas 7 neuron sesuai dengan jumlah inputan dari ekstraksi ciri, yaitu r11 , r12 , r13 , r14 , r15 , r16 dan r17 (menggunakan metode dekorlet) serta END1 , END2 , EN𝐷3, END4 , END5 , END6 dan EN𝐴6 (menggunakan transformasi wavelet diskrit dan energi sinyal). Unit lapisan tersembunyi terdiri atas 7 neuron dan lapisan output terdiri dari 6 neuron. END1 / r11 END2 / r12

1 0 0 0 0 0 (N)

END3 / r13

0 1 0 0 0 0 (AS)

END4 / r14 END5 / r15 END6 / r16 ENA6 / r17

0 0 1 0 0 0 (AR) 0 0 0 1 0 0 (MS) 0 0 0 0 1 0 (MR) 0 0 0 0 0 1 (PDA)

Lapisan Lapisan Lapisan Input Output Tersembunyi Gambar 3.8. Arsitektur jaringan syaraf tirun untuk pengenalan pola suara jantung

58

Blok diagram perancangan software untuk pengolahan sinyal detak jantung pada penelitian ini dapat dilihat seperti pada Gambar 3.9 dibawah ini.

Penghilangan derau dengan filter wavelet

Pemilihan fungsi wavelet berdasarkan eror terkecil: dB2, dB3, dB4, dB5, dB6, sym2, sym4, sym6, sym8

Dekomposisi dan mengkorelasi sinyal detak jantung sebanyak 6 tingkat

Klasifikasi sinyal dengan JST

Hasil klasifikasi oleh JST ‖Normal‖ ‖Abnormal‖ Gambar 3.9. Diagram blok pengolahan sinyal suara jantung

59

3.3.7. Pengujian Sistem Jaringan Syaraf Tiruan Penguji sistem jaringan syaraf tiruan dilakukan dengan inputan berasal suara jantung yang dijadikan data latih dan sampel yang diambil dari suara jantung manusia. Untuk sampel data suara jantung proses pengambilan sampel data dilakukan dengan cara merekam suara jantung pasien secara langsung dan menyimpan hasil rekaman dalam format data wav. Kemudian dilakukan pemrosesan sinyal dari de-noising sinyal sampai ekstraksi ciri sinyal terlebih dahulu sebelum masuk ke jaringan syaraf tiruan.

Tingkat keberhasilan jaringan syaraf tiruan dalan mengenali pola dapat dihitung menggunakan persamaan 39 berikut.

Persentase Keberhasilan JST (%) =

Jumlah data yang dikenali Jumlah data keseluruhan

100%

(39)

60

3.4. Flowchat Penelitian

Berdasarkan seraangkaian metode akuisisi data dan analisis sinyal suara jantung flowchat penelitian kali ini dibagi menjadi dua bagian yaitu flowchat pelatiahan JST dan flowchat simulasi JST seperti ditunjukan pada Gambar 3.10 dan 3.11 berikut.

Mulai

Data latih suara jantung

Ekstraksi ciri data latih suara jantung dengan transformasi wavelet/metode dekorlet

Pelatihan jaringan syaraf tiruan

MSE dipenuhi

YA

Selesai Gambar 3.10. Flowchat pelatihan JST

TIDAK

61

Mulai

Data Uji suara jantung

Ekstraksi ciri data uji suara jantung dengan transformasi wavelet/metode dekorlet

Simulasi jaringan syaraf tiruan

MSE dan jumlah epoch dipenuhi

TIDAK

YA

Hasil analisis ‖N‖ ‖AR‖ ‖AS‖ ‖MS‖ ‖MR‖ ‖PDA‖

Selesai Gambar 3.11. Flowchat simulasi JST