DETEKSI KELAINAN JANTUNG BERDASARKAN SUARA JANTUNG MENGGUNAKAN DEKOMPOSISI PAKET WAVELET DAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) (HEART SICK DETECTION BASED ON HEART SOUND USING WAVELET PACKET DECOMPOSITION AND LVQ (LEARNING VECTOR QUANTIZATION) NEURAL NETWORK)
TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Pada jurusan Teknik Elektro Sekolah Tinggi Teknologi Telkom Disusun oleh :
Nurmila Setiawati Habibie 111030258
JURUSAN TEKNIK ELEKTRO SEKOLAH TINGGI TEKNOLOGI TELKOM BANDUNG 2007
LEMBAR PENGESAHAN
Tugas Akhir dengan judul : DETEKSI KELAINAN JANTUNG BERDASARKAN SUARA JANTUNG MENGGUNAKAN DEKOMPOSISI PAKET WAVELET DAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) “HEART SICK DETECTION BASED ON HEART SOUND USING WAVELET PACKET DECOMPOSITION AND LVQ (LEARNING VECTOR QUANTIZATION) NEURAL NETWORK”
oleh : Nurmila Setiawati Habibie 111030258
Bandung, Februari 2007 Disahkan oleh :
Pembimbing 1
Pembimbing II
Achmad Rizal, ST., MT. NIK : 200075217
Joko Haryatno, Ir., MT. NIK : 9467097
ii
. . .Barangsiapa bertaqwa kepada Allah niscaya dia akan mengadakan baginya jalan keluar. Dan memberinya rezeki dari arah yang tiada disangka-sangkanya. Dan barang siapa yang bertawakkal kepada Allah niscaya Allah akan mencukupkannya. Sesungguhnya Allah melaksanakan urusanNYA. Sesungguhnya Allah telah mengadakan ketentuan bagi tiap-tiap sesuatu." (QS Ath Thalaaq : 2-3).
Tugas Akhir ini kupersembahkan untuk Mama dan Almarhum Papa tercinta yang senantiasa memberikan kasih sayang, semangat, dan doa yang tiada hentinya. Semoga Mila dapat memenuhi harapan mama dan papa. iii
ABSTRACT Heart’s sound in several cases of hearts’ sick has special patterns which can be recognized. Because of that heart’s sound is used to diagnose heart’s sick. The technique which usually used is auscultation, hearing heart’s sound using stethoscope. There are several problems with this technique, i.e. low frequency of heart’s sound, low amplitude, noise factor, and likeness pattern between one types of heart’s sound to the other type. To overcome these problems, it has been developed a method heart’s sick detection using phonocardiogram analysis (heart’s sound record) based on software. This project aims to produce a tool to diagnose heart’s sound and classify heart’s sick type, besides to analyze performance of orthogonal wavelet filter. Generally, the system of heart’s sick detection consists of two main parts, i.e. feature extraction using wavelet packet decomposition and feature classification using Learning Vector Quantization (LVQ) neural network. Heart’s sound spectral signal is divided using wavelet packet decomposition. Thus, Result of decomposition process which several sub-band is calculated the energy to get unique features. These features are recognized used LVQ neural network. From experiment with feature extraction using wavelet filter coiflet 1 and decomposition level 6 is obtained the accuracy of heart’s sick detection is 100% for training data and 95,56% for testing data set.
Key words
: heart’s sick, phonocardiogram, wavelet packet decomposition, LVQ neural network.
iv
ABSTRAK Suara jantung pada beberapa kasus penyakit jantung memiliki pola-pola tertentu yang bisa dikenali. Oleh karena itu suara jantung biasanya dipakai untuk mendiagnosa penyakit jantung. Teknik yang biasa digunakan adalah teknik auskultasi, yaitu mendengarkan suara jantung dengan menggunakan stetoskop. Ada beberapa masalah yang timbul dengan menggunakan teknik ini, di antaranya: suara jantung manusia menempati frekuensi yang rendah, amplitudo yang rendah, faktor kebisingan, kepekaan telinga, dan pola suara yang mirip antara jenis suara jantung yang satu dengan yang lain. Untuk mengatasi kelemahan-kelemahan ini dikembangkan suatu metode deteksi kelainan jantung menggunakan analisis phonocardiogram (rekaman suara jantung) berbasis software. Tugas akhir ini bertujuan untuk menghasilkan suatu alat bantu untuk mendiagnosa suara jantung dan mengklasifikasikan tipe kelainan jantung serta menganalisa
performansi
filter
wavelet
ortogonal.Secara
umum,
sistem
pendeteksian kelainan jantung ini terdiri dari dua bagian utama, yaitu: ekstraksi ciri menggunakan dekomposisi paket wavelet dan klasifikasi ciri menggunakan jaringan saraf tiruan Learning Vector Quantization (LVQ). Sinyal suara jantung akan dibagi-bagi spektralnya menggunakan dekomposisi paket wavelet. Hasil dekomposisi yang berupa subband-subband ini kemudian dihitung energinya sehingga didapatkan feature-feature tertentu. Feature-feature yang diperoleh inilah yang kemudian dikenali dengan menggunakan JST LVQ. Dari hasil pengujian dengan ekstraksi ciri menggunakan filter wavelet coiflet 1 dan level dekomposisi 6 diperoleh tingkat akurasi pendeteksian kelainan jantung adalah 100% untuk data latih dan 95,56% untuk data uji.
Kata kunci
: Kelainan jantung, phonocardiogram, dekomposisi paket wavelet, JST-LVQ.
v
KATA PENGANTAR Puji dan syukur senantiasa terpanjatkan kehadirat Allah SWT yang telah memberikan nikmat keimanan, nikmat kesehatan, dan ilmu-Nya serta kekuatan kepada penulis sehingga dapat menyelesaikan dengan baik Tugas Akhir ini, dengan judul : “DETEKSI KELAINAN JANTUNG BERDASARKAN SUARA
JANTUNG
MENGGUNAKAN
DEKOMPOSISI
PAKET
WAVELET DAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION)”. Tugas Akhir ini disusun sebagai salah satu syarat yang harus dipenuhi untuk menyelesaikan pendidikan tahap sarjana di Jurusan Teknik Elektro, Sekolah Tinggi Teknologi Telkom. Selama pembuatan Tugas Akhir ini disadari masih jauh dari kesempurnaan yang disebabkan karena keterbatasan yang penulis miliki. Untuk itu saran dan kritik yang bersifat membangun dari pembaca sangat penulis harapkan demi perbaikan dimasa yang akan datang. Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini dapat bermanfaat bagi pembaca dan penulis khususnya, serta bagi dunia pendidikan pada umumnya.
Bandung, Februari 2007
Penulis
vi
UCAPAN TERIMA KASIH Dalam menyelesaikan Tugas Akhir ini dan selama belajar di STT Telkom, penulis banyak mendapatkan bantuan, dorongan baik moril maupun spirituil dan informasi dari berbagai pihak. Pada kesempatan ini penulis ingin mengucapkan rasa terima kasih yang sebesar-besarnya kepada : 1. Mama dan Papa (Alm.) yang selalu bekerja keras dan memberikan kasih sayang, semangat, dan doa yang tiada hentinya. Seluruh keluarga di Gorontalo yang senantiasa mendoakan dan menantikan keberhasilanku. 2. Bapak Achmad Rizal, ST., MT. selaku dosen pembimbing I atas segala bantuan baik berupa bimbingan, diskusi, arahan dan ilmu yang bermanfaat yang telah diberikan dan Bapak Joko Haryatno, Ir., MT. selaku pembimbing II yang telah meluangkan waktu untuk memberikan bimbingan, dukungan dan nasehatnya. 3. Bapak Koredianto Usman, ST., MSc. dan Bapak Kris Sujatmoko, ST.,MT. selaku dosen wali atas segala dukungan, nasehat dan saran yang diberikan sehingga penulis dapat menyelesaikan studi dengan baik dan lancar. 4. Teman-temanku di TE-27-05, Bayu, Adam, Hengki, Ery, D.P, Washinton, Furqon, Danang, Maria, Yeni, Iden, Fitri, Ayu, Septi, Ike, Astri, Mel, Bangun, Jhon, Nyoman, Yuni, Mega, Dela, Retno, Desi, Ihsan, Firman, Dika, Heisa, Dadang, Ridho, Made-By, Teguh, Ginting, Dedi, Isnal, Hakim, Akbar, Cayo, Kisowo, Yudil, Ian, Asas, Ahmed, Untung, Robi, Tobi, Anggoro, terima kasih atas kebersamaan temen-temen semua baik suka dan duka dan semua kegilaan-kegilaannya. Cepat lulus semua ya... 5. Teman-teman di Lab.Pengolahan Sinyal Digital tercinta, terima kasih telah membantuku untuk membentuk rasa persaudaraan dan kerja samanya. Terima kasih Retno, Ridho, Sudi, Ahmad, Jarwo, Iwan, Nurul, dan Dimas. Ayo, Semangat ngerjain TA-nya. Kakak-kakakku, Kak five, kak Gun, kak G-Best, kak Maman, kak Babe, mbak Bea, dan mba’ Bayin. Makasih atas ilmu Matlab dan bimbingannya selama ini.
vii
6. Teman-teman di Lab. Mikroprosesor Ike, Ais, Imron, Ferry, Fatah, Tito, Hendra, kak Fibri, kak Armi, dan adik-adik 2004 terima kasih telah menjadi keluarga assisten dalam satu ruangan dan kegembiraannya selama ini. 7. Teman - teman seperjuangan dalam Tugas Akhir, Yudi, Ila, Rika, Dedi, Ike, Wirda, Andika, Guntur, Tomi, Johan, Arif, Andik dan yang lain. Terima kasih atas bantuan kerja sama, dan dorongan semangatnya selama ini, jangan lupa kalau sudah kerja ya.. Untuk Rika dan Dedi cepet nyusul ya... Semangat !!! 8. Teman-teman di UKMS, kak Mule’, kak Firman, kak Thio, kak Icha, Irma, Eby, Tenri, Cumi, Fidel, dan yang lain, terima kasih atas kekeluargaannya selama ini dan sebagai tempatku menghilangkan rasa rindu akan kampung halaman. Ayo berjuang, harumkan nama Sulawesi. “Kita orang mantap mentonk!!” 9. Teman-teman seperjuangan Sonix, Yacob, Audi, Berkah, Ila, Ayu, Rika, Siti, Yani, Ichal, Hari, terima kasih untuk kebersamaannya selama ini baik dalam suka dan duka. Cepat ko lulus semua nah... 10. Team Magic Soccer yang benar-benar ‘magic’ semua kemenangannya, terima kasih atas permainan futsalnya yang bisa membuatku terhibur dan melupakan sejenak tentang TA. 11. Teman - teman kos di Gedong 4, Astri, Ila, Mba’ Damai, Mba’ Indah, Mba’ Dian, Diar, Besti, Vina, Ema, Amel, Mute’ dan Kiki. Terima kasih atas segala-galanya, terima kasih atas persaudaraan dan rasa persahabatan yang selama ini kudapatkan. 12. Teman-teman di Himatel, Alfan, Ani, Rika, Sulis, Ririn, dan teman- teman di LDK SKI STT Telkom, terima kasih telah menjadi tempatku belajar berorganisasi dan atas rasa kekeluargaannya selama ini. 13. Teman-teman seperjuangan Elly, Reni, Fitri, Ayu, dan Yuni, terima kasih atas semua saran dan dorongan semangatnya selama ini. Mbak Omah yang senantiasa memberikan ilmu, nasehat-nasehat dan bimbingan, terima kasih atas kesabarannya selama ini. 14. Semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu.
viii
DAFTAR ISI Halaman Judul ................................................................................................... i Lembar Pengesahan ..........................................................................................
ii
Lembar Persembahan ......................................................................................... iii Abstract ............................................................................................................. iv Abstrak .............................................................................................................. v Kata Pengantar .................................................................................................. vi Lembar Ucapan Terima Kasih .......................................................................... vii Daftar Isi ........................................................................................................... ix Daftar Gambar .................................................................................................. xii Daftar Tabel ...................................................................................................... xiii Daftar Singkatan ............................................................................................... xiv Daftar Istilah ..................................................................................................... xv BAB I
PENDAHULUAN
1.1 Latar Belakang ........................................................................................
1
1.2 Tujuan .....................................................................................................
1
1.3 Rumusan Masalah ...................................................................................
2
1.4 Batasan Masalah ...................................................................................... 2 1.5 Metodologi Penulisan .............................................................................. 3 1.6 Sistematika Penulisan .............................................................................. 4 BAB II
DASAR TEORI
2.1 Deteksi Kelainan Jantung ................. ....................................................... 5 2.2 Suara Jantung ............................................................................................ 5 2.3 Wavelet ..................................................................................................... 7 2.3.1 Pengenalan Wavelet ................................................................... 7 2.3.2 Analisis Wavelet ........................................................................ 8 2.3.3 Transformasi Wavelet ..............................................................
10
2.3.3.1 Transformasi Wavelet Diskrit ......................................
12
2.3.3.2 Dekomposisi Wavelet ..................................................
12
ix
2.3.3.3 Dekomposisi Paket Wavelet .......................................... 13 2.4 Jaringan Syaraf Tiruan .............................................................................. 14 2.4.1
JST Learning Vector Quantization (LVQ) .................................. 15
2.4.2
Arsitektur JST LVQ ................................................................... 15
2.4.3
Algoritma Pelatihan JST LVQ ..................................................... 16
BAB III
PERANCANGAN SISTEM DAN SIMULASI
3.1 Rekaman Suara Jantung .......................................................................... 17 3.2 Normalisasi ............................................................................................. 18 3.3 Fast Fourier Transform (FFT) ...............................................................
18
3.4 Dekomposisi Paket Wavelet ................................................................. 19 3.5 Penghitungan Energi Tiap Sub Band Dekomposisi ............................... 20 3.6 Klasifikasi dengan JST LVQ .................................................................. 20 3.6.1
Pelatihan Jaringan LVQ .............................................................
21
3.6.2
Klasifikasi Kelainan Jantung .....................................................
23
3.7 Parameter Pengujian Sistem ...................................................................
24
3.7.1
Accuracy .....................................................................................
3.7.2
Sensitivity, Specifity, Positive Predictive Value, Dan Negatve Predictive Value .........................................................................
BAB IV
24 24
ANALISIS HASIL SIMULASI
4.1 Spesifikasi ................................................................................................ 25 4.2.1
Perangkat keras ............................................................................ 26
4.2.2
Perangkat Lunak .......................................................................... 26
4.2 Pengujian Algoritma ................................................................................ 26 4.2.1
Normalisasi ........................ ......................................................... 26
4.2.2
Fast Fourier Transform (FFT) ...................................................... 27
4.2.3
Ekstraksi Ciri ............................................................................... 29 4.2.3.1 Pengaruh Level Dekomposisi Terhadap Pendeteksian .. 29 4.2.3.2 Pengaruh Jenis Filter Wavelet Terhadap Pendeteksian .. 31 4.2.3.3 Pengaruh Orde Filter Coiflet Terhadap Pendeteksian .... 33 4.2.3.4 Pola Ciri Antar Kelas ...................................................... 34
x
4.2.4
Klasifikasi Ciri ............................................................................ 35 4.2.4.1 Pengaruh Hidden Neuron pada JST LVQ....................
35
4.2.4.2 Pengaruh Jumlah Data Latih Terhadap Keakurasian ... 36 4.2.5
Analisis Performansi Sistem ...................................................... 37 4.2.5.1 Keberhasilan Sistem Terhadap Data Uji ....................
37
4.2.5.2 Sensitivity dan Specifity ............................................
49
4.2.5.3 Waktu Komputasi ......................................................
40
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan ............................................................................................ 41 5.2 Saran ......................................................................................................
42
DAFTAR PUSTAKA ..................................................................................... xviii LAMPIRAN A
LISTING PROGRAM ...................................................... A-1
LAMPIRAN B
DATA LATIH DAN DATA UJI ..................................... B-1
LAMPIRAN C
VEKTOR CIRI DATA LATIH DAN DATA UJI ........... C-1
LAMPIRAN D
GAMBAR POLA VEKTOR CIRI DATA LATIH DAN DATA UJI ……………………………………………...
D-1
LAMPIRAN E
HASIL IDENTIFIKASI JST …………………………..
E-1
LAMPIRAN F
TAMPILAN PROGRAM ..............................................
F-1
xi
DAFTAR GAMBAR Gambar
Halaman
2.1
Sinyal Suara Jantung .............................................................................
7
2.2
Bentuk Gelombang ...............................................................................
8
2.3
Translasi Pada Wavelet ........................................................................
8
2.4
Perubahan Skala Pada Wavelet ............................................................
9
2.5
Korespondensi Antara Skala Pada Waktu Dengan Frekuensi Pada Wavelet .......................................................................................
9
2.6
Beberapa Tipe Dari Fungsi Wavelet Ψ(X) ...........................................
9
2.7
Proses Dekomposisi Wavelet ...............................................................
13
2.8
Proses Multilevel Dekomposisi Wavelet .............................................
13
2.9
Proses Multilevel Dekomposisi Paket Wavelet ...................................
13
2.10
Arsitektur Jaringan LVQ ......................................................................
16
3.1
Proses Deteksi Kelainan Jantung .......................................................... 17
3.2
Dekomposisi Paket Wavelet 2 Level ..................................................... 19
3.3
Klasifikasi Dengan JST LVQ ............................................................... 21
3.4
Diagram Alir Pelatihan JST LVQ ........................................................
22
3.5
Diagram Alir Pengujian JST LVQ .......................................................
23
4.1
Diagram Blok Urutan Pengujian ........................................................... 25
4.2
Sinyal Suara Jantung Normal ................................................................ 27
4.3
Spektrum Frekuensi Sinyal Suara Jantung ............................................ 28
4.4
Pola Hasil Ekstraksi Ciri Untuk Suara Jantung Normal ....................... 30
4.5
Pola Hasil Ekstraksi Ciri Untuk Suara Jantung Normal ....................... 32
4.6
Grafik Pola Rata-Rata Hasil Ekstraksi Ciri .......................................... 34
xii
DAFTAR TABEL Tabel
Halaman
4.1
Perbandingan Keakurasian Terhadap Perbedaan Level Dekomposisi ... 30
4.2
Perbandingan Keakurasian Terhadap Jenis Filter .................................. 32
4.3
Perbandingan Keakurasian Terhadap Orde Filter Coiflet ....................... 33
4.4
Pengaruh Hidden Neuron ...................................................................... 36
4.5
Pengaruh Jumlah Data Latih ................................................................. 37
4.6
Pengujian Data Uji ................................................................................. 37
4.7
Data Hasil Pengujian Kecepatan Sistem ................................................ 40
xiii
DAFTAR SINGKATAN ADC
:
Analog to Digital Converter
ART
:
Adaptive Resonance Theory
CWT
:
Continous Wavelet Transform
DWT
:
Discrete Wavelet Transform
ECG
:
Electrocardiogram
FFT
:
Fast Fourier Transform
FN
:
False Negative
FP
:
False Positive
HPF
:
High Pass Filter
Hz
:
Hertz
JST
:
Jaringan Syaraf Tiruan
LPF
:
Low Pass Filter
LVQ
:
Learning Vector Quantization
NPV
:
Negative Predictive Value
PCG
:
Phonocardiogram
PCM
:
Pulse Code Modulation
PPV
:
Positive Predictive Value
STFT
:
Short Time Fourier Transform
TN
:
True Negative
TP
:
True Positive
xiv
DAFTAR ISTILAH Aortic
:
Pembuluh darah Aorta.
Atria
:
Bentuk jamak dari atrium (serambi jantung).
Atrioventricular
:
Kumpulan sel-sel sejenis yang terletak pada atrium kanan.
Auskultasi
:
Teknik untuk mendengarkan suara yang dihasilkan oleh pembuluh darah.
Cluster
:
Kelompok atau kelas.
Continous Murmur
:
murmur yang dimulai pada suara ke-dua dan dilanjutkan sepanjang periode diastolic. Ini dihasilkan oleh salah satu di antara 4 mekanisme berikut: •
komunikasi abnormal antara aorta dan bagian kanan jantung atau dengan atrium kiri.
•
Komunikasi abnormal antara arteri dan vena.
•
Peningkatan
abnormal
pada
aliran
atau
penyempitan pada arteri. •
Peningkatan
atau
pergolakan
aliran
darah
sepanjang vena. Dekomposisi
:
Proses membagi sinyal ke dalam beberapa komponen.
Diagnosa
:
Dugaan awal.
Down sampling
:
Penurunan frekuensi sampling.
Ekstraksi
:
Proses memperoleh ciri khusus dari suatu objek.
Electrocardiogram
:
Rekaman perubahan-perubahan potensial listrik di dalam otot jantung yang digunakan untuk mengetahui kondisi jantung.
Epoch
:
Iterasi/Pengulangan proses.
Feature
:
Ciri khas
Komponen aproksimasi :
Komponen
sinyal
yang
mengandung
frekuensi
rendah. Komponen detail
:
Komponen sinyal yang mengandung frekuensi tinggi.
xv
Latesystolic Murmur
:
Mulai pada setengah bagian terakhir systole, puncak pada akhir systole ketiga, dan diperpanjang sampai suara kedua. Ini biasa terdengar pada Mitral Valve Prolapse yang memiliki murmur pada frekuensi tinggi.
Learning rate
:
Parameter training yang mengontrol perubahan ukuran bobot selama training.
Lub-dub
:
Bunyi detak jantung.
Midsystolic Click
:
frekuensi tinggi yang terjada pada systole di bagian tengah. Terjadi 14 detik setelah suara pertama. Penyebab utama adalah MVP.
Midsystolic Murmur
:
Mulai dengan cepat setelah suara pertama, berpuncak pada pertengahan systole dan tidak berhenti sepanjang suara ke-dua.
Mitral
:
Katup jantung yang terdiri dari 2 lapis memisahkan atrium kiri dan ventrikel kiri.
Mother wavelet
:
Prototype transformasi wavelet untuk menghasilkan fungsi window yang lain.
Murmur
:
Suara tambahan yang terdapat pada jantung abnormal.
Neuron
:
Unit pemroses informasi dengan operasi jaringan syaraf tiruan.
Phonocardiogram
:
Rekaman suara jantung.
Preprocessing
:
Proses awal yang dilakukan sebelum ke proses utama.
Quadruple Rhytme
:
Irama suara ke-empat yang bisa didengar saat suara ke-tiga dan ke-empat muncul dengan kecepatan jantung normal (60-100 beats per minute)
Regurgitasi
:
Penutupan katup mitral yang tidak sempurna yang menyebabkan aliran balik darah.
Septum
:
Pemisah bagian jantung kiri dan kanan.
S2
:
suara jantung ke-dua yang berasal dari penutupan katup aortic dan pulmonic
xvi
Tricupsid
:
Katup jantung yang terdiri dari 3 lapis yang memisahkan ventrikel kanan dan atrium kanan.
Ventricle
:
Bilik jantung.
xvii
BAB I PENDAHULUAN 1.1
Latar Belakang Penyakit jantung adalah penyakit penyebab kematian nomor satu di
Indonesia [7]. Berbagai macam metode telah diteliti untuk dapat mendeteksi penyakit ini dengan tepat. Salah satu metode deteksi yang sering digunakan adalah melalui suara jantung. Teknik konvensional yang biasa digunakan oleh para dokter adalah teknik auskultasi yaitu mendengarkan suara jantung dengan menggunakan stetoskop [4]. Hasil dari diagnosa dengan cara seperti ini tentunya sangat bergantung dari tingkat kecakapan dan pengalaman dokter. Selain itu faktor sinyal suara jantung yang menempati frekuensi rendah dan memiliki amplitudo yang rendah juga memperbesar kemungkinan kesalahan diagnosa. Berdasarkan permasalahan-permasalahan di atas maka dikembangkan suatu teknik pendeteksian dengan menggunakan software sehingga faktor-faktor keterbatasan manusia dapat diminimalisir. Masukan software yang digunakan adalah rekaman suara jantung yang biasa disebut dengan phonocardiogram. Dari sifat-sifat yang ada dari tiap kondisi suara jantung, dicoba untuk mendapatkan ciri khas dari tiap suara jantung. Diharapkan ciri yang berhasil didapat dapat membedakan jenis suara jantung pada kasus yang satu dengan kasus yang lain. Tingkat keberhasilan yang diharapkan sekitar 90%-99%. 1.2
Tujuan Tujuan dari penulisan Tugas Akhir ini adalah : 1. Merancang dan membangun program aplikasi yang berfungsi untuk mendeteksi kelainan jantung berdasarkan suara jantung menggunakan dekomposisi paket wavelet dan jaringan syaraf tiruan Learning Vector Quantization. 2. Menganalisis performansi program aplikasi pendeteksi kelainan jantung dengan parameter tingkat keakuratan identifikasi dan ketepatan dalam menentukan jenis penyakit jantung.
1
1.3
Rumusan Masalah Perumusan seluruh masalah yang akan dikaji dalam tugas akhir ini antara
lain : 1. Pembuatan program aplikasi pendeteksi kelainan jantung berdasarkan suara jantung menggunakan dekomposisi paket wavelet dan jaringan syaraf tiruan Learning Vector Quantization. 2. Analisis jenis mother wavelet yang paling baik digunakan untuk ekstraksi ciri pada program apikasi yang akan dibuat. 3. Analisis orde filter wavelet yang paling baik digunakan untuk ekstraksi ciri pada program aplikasi yang dibuat. 4. Analisis parameter-parameter pada jaringan syaraf tiruan Learning Vector Quantization yang dapat mempengaruhi tingkat keakuratan identifikasi dan ketepatan dalam menentukan jenis penyakit jantung. 5. Analisis performansi program aplikasi pendeteksi kelainan jantung dengan parameter tingkat keakuratan identifikasi dan ketepatan dalam menentukan jenis penyakit jantung. 1.4
Batasan Masalah Dalam implementasi, tugas akhir ini dibatasi pada hal-hal : 1. Masukan bagi perangkat lunak yang dirancang adalah data suara jantung yang telah terekam dalam bentuk *.wav, mono, frekuensi sampling 8000 Hz dan kuantisasi 8 bit. 2. Data suara jantung ini dipotong-potong dengan durasi 1-1.8 detik. 3. Jumlah sampel suara jantung yang digunakan adalah sebanyak 85 suara yang terdiri dari: 20 suara jantung normal dan 65 suara jantung dengan 6 jenis kelainan yang berbeda-beda. 4. Metode yang digunakan untuk ekstraksi ciri suara jantung adalah dekomposisi paket wavelet. 5. Metode klasifikasi ciri yang digunakan adalah jaringan syaraf tiruan Learning Vector Quantization. 6. Alat bantu yang digunakan adalah software Matlab 7.1.3
2
7. Program aplikasi yang dihasilkan memiliki kemampuan untuk mendeteksi kelainan jantung secara off-line. 1.5
Metodologi Penulisan Metodologi yang digunakan dalam penelitian tugas akhir ini adalah : 1. Studi literatur Bertujuan untuk mempelajari dasar teori dari literatur-literatur mengenai pendeteksian kelainan jantung berdasarkan suara jantung, diantaranya: a. Mempelajari tentang pengolahan sinyal suara. b. Mempelajari tentang ekstraksi ciri menggunakan dekomposisi paket wavelet. c. Mempelajari tentang klasifikasi ciri menggunakan jaringan syaraf tiruan Learning Vector Quantization. 2. Pengumpulan data Bertujuan untuk mendapatkan data suara jantung yang akan digunakan sebagai masukan sistem. 3. Studi pengembangan aplikasi Bertujuan untuk menentukan metodologi pengembangan sistem yang digunakan dengan pendekatan terstruktur dan melakukan analisis perancangan. 4. Implementasi program aplikasi Bertujuan untuk melakukan implementasi metode pada program aplikasi sesuai dengan perancangan yang telah dilakukan. 5. Analisis performansi Bertujuan untuk melakukan analisis performansi pendeteksian kelainan jantung berdasarkan suara jantung menggunakan dekomposisi paket wavelet dan jaringan syaraf tiruan Learning Vector Quantization. 6. Pengambilan kesimpulan Bertujuan untuk menarik kesimpulan setelah melakukan pecobaan pendeteksian kelainan jantung berdasarkan suara jantung.
3
1.6
Sistematika Penulisan Tugas Akhir ini disusun dengan sistematika pembahasan sebagai berikut : BAB I
PENDAHULUAN Berisi latar belakang, perumusan masalah, batasan masalah, tujuan pembahasan, metodologi penyelesaian masalah dan sistematika penulisan.
BAB II
DASAR TEORI Berisi tentang teori yang mendasari penulisan tugas akhir ini, yaitu teori tentang deteksi kelainan jantung, pengolahan suara jantung, dekomposisi paket wavelet, dan jaringan syaraf tiruan Learning Vector Quantization
BAB III
PERANCANGAN SISTEM DAN SIMULASI Berisi tentang proses perancangan sistem, diagram blok sistem, skenario yang dibuat untuk simulasi, dan parameter-parameter yang akan diuji dan dianalisis..
BAB IV
ANALISIS HASIL SIMULASI Berisi analisis terhadap hasil yang diperoleh dari pengujian sistem yang telah dibuat.
BAB V
KESIMPULAN DAN SARAN Berisi kesimpulan dari analisis yang telah dilakukan, tingkat keberhasilan sistem, dan saran-saran yang dapat digunakan untuk penelitian berikutnya.
4
BAB II DASAR TEORI 2.1
Deteksi Kelainan Jantung Salah satu teknik yang biasa digunakan di dunia kedokteran untuk
mendeteksi penyakit adalah teknik auskultasi. Auskultasi adalah teknik untuk mendengarkan suara yang dihasilkan oleh organ dan pembuluh darah dalam tubuh [4]. Teknik ini juga digunakan dalam mendeteksi kelainan jantung. Namun untuk melakukan teknik auskultasi ini membutuhkan keahlian yang tinggi dan pengalaman yang cukup. Ada beberapa hal yang harus diperhatikan sebelum melakukan auskultasi, antara lain [1]. 1. Kondisi tempat melakukan proses auskultasi harus benar-benar dalam kedaan tenang untuk meminimkan suara-suara yang dapat mengganggu proses auskultasi. 2. Pasien yang akan didengar suara jantungnya harus dalam keadaan yang tepat seperti tidur telentang atau dengan kemiringan tertentu yang masih diperbolehkan. Ini bertujuan agar suara yang didapatkan benar-benar mewakili keadaan jantung pasien tersebut. 3. Stetoskop yang digunakan harus langsung mengenai kulit paisen karena gesekan
baju
pasien
dapat
menimbulkan
bunyi
lain
yang
dapat
mengakibatkan salah diagnosa. Oleh karena kerumitan-kerumitan di atas maka dikembangkan teknik pendeteksian dengan menggunakan bantuan software. Masukan software yang digunakan adalah suara jantung yang telah direkam yang biasa dikenal dengan phonocardiogram. Phonocardiogram (PCG) telah secara luas dipelajari untuk memeriksa suara jantung dan mendeteksi kelainan jantung. 2.2 Suara jantung Detak jantung menghasilkan dua suara yang berbeda yang sering dinyatakan dengan lub-dub. Suara lub disebabkan oleh penutupan katup tricupsid dan mitral (atrioventrikular) yang memungkinkan aliran darah dari atria (serambi
5
jantung) ke ventricle (bilik jantung) dan mencegah aliran balik. Umumnya hal ini disebut sebagai suara jantung pertama (S1) yang terjadi hampir bersamaan dengan timbulnya kompleks QRS dari electrocardiogram dan terjadi sebelum systole (periode jantung berkontraksi). Suara dub disebut suara jantung ke-dua (S2) dan disebabkan oleh penutupan katup semilunar (aortic dan pulmonary) yang membebaskan darah ke sistem sirkulasi paru-paru dan sistematik. Katup ini tertutup pada akhir systole dan sebelum katup atrioventrikular membuka kembali. Suara S2 terjadi hampir bersamaan dengan akhir gelombang T dari electrocardiogram. Suara jantung ke-tiga (S3) sesuai dengan berhentinya pengisian atrioventrikular, sedangkan suara jantung ke-empat (S4) memiliki korelasi dengan kontraksi atrial. Suara S4 ini memiliki amplitudo yang sangat rendah dan komponen frekuensi rendah. Jantung abnormal memperdengarkan suara tambahan yang disebut murmur. Murmur disebabkan oleh pembukaan katup yang tidak sempurna atau stenotic (yang memaksa darah melalui bukaan sempit) atau oleh regurgitasi yang disebabkan oleh penutupan katup yang tidak sempurna dan mengakibatkan aliran balik darah. Dalam masing-masing kasus, suara yang timbul adalah akibat aliran darah dengan kecepatan tinggi yang melewati bukaan sempit. Penyebab lain terjadinya murmur adalah adanya kebocoran septum yang memisahkan jantung bagian kiri dan kanan sehingga darah mengalir dari ventrikel kiri ke ventrikel kanan sehingga menyimpangkan sirkulasi sistemik. Ada perbedaan rentang frekuensi antara suara jantung normal dan abnormal. Suara jantung S1 terdiri terutama atas energi dalam rentang frekuensi 30 hingga 45 Hz, yang sebagian besar berada di bawah ambang dengar. Suara jantung S2 biasanya memiliki nada yang lebih tinggi dengan energi maksimum berada dalam rentang 50 hingga 70 Hz. Suara jantung S3 merupakan vibrasi yang sangat lemah dan hampir semua energinya di bawah 30 Hz. Sedangkan murmur menghasilkan suara dengan nada yang jauh lebih tinggi. Salah satu jenis regurgitasi menyebabkan murmur dalam rentang 100 hingga 600 Hz dan bahkan untuk jenis murmur tertentu hingga 1000 Hz [13].
6
(a)
(b) Gambar 2.1 Sinyal Suara Jantung (a) normal (b) abnormal
2.3 Wavelet 2.3.1 Pengenalan Wavelet Transformasi fourier mempunyai kekurangan, yaitu apabila kita melakukan transformasi ke domain frekuensi maka informasi waktu akan hilang. Maksudnya adalah apabila kita melihat transformasi fourier dari suatu sinyal maka adalah tidak mungkin untuk mengetahui kapan event itu terjadi. Sebagai usaha untuk mengurangi kekurangan dimana transformasi fourier gagal memberikan informasi waktu dan frekuensi secara bersamaan, Gabor memperkenalkan teknik STFT (Short Time Fourier Transform) yang melakukan pemetaan sebuah sinyal ke dalam fungsi berdimensi dua, yaitu dalam waktu dan frekuensi. STFT memberikan informasi mengenai kapan dan pada frekuensi berapa suatu sinyal event terjadi. Tetapi, STFT memiliki keterbatasan bahwa
7
informasi serentak dalam waktu dan frekuensi dapat dicapai dengan presisi yang terbatas, dibatasi oleh ukuran jendela (window) yang dipilih. Sekali dipilih ukuran tertentu dari jendela maka jendela tersebut akan sama untuk frekuensi. Wavelet adalah gelombang kecil yang mempunyai energi terkonsentrasi dalam waktu yang dapat dipakai sebgai alat analisis fenomena transien, nonstasioner, atau
time varying. Transformasi wavelet menguraikan sinyal
melalui dilatasi dan translasi wavelet [16]. 2.3.2 Analisis Wavelet Sebuah gelombang (wave) biasanya didefinisikan sebagai sebuah fungsi osilasi dari waktu (space), misalnya sebuah gelombang sinusoidal. Sebuah wavelet
merupakan
gelombang
singkat
(small
wave)
yang
energinya
terkonsentrasi pada suatu selang waktu untuk memberikan kemampuan analisis transien, ketidakstasioneran, atau fenomena berubah terhadap waktu (timevarying) [5]. Karakterisktik dari Wavelet antara lain adalah berosilasi singkat, translasi (pergeseran) dan dilatasi (skala). Berikut ini akan diperlihatkan gambar dari sebuah sinyal biasa dan sinyal wavelet.
Gambar 2.2 Bentuk Gelombang (a) Sinyal Sinus (b) Sinyal Wavelet
Secara sederhana, translasi (pergeseran) pada Wavelet bermaksud untuk menggeser permulaan dari sebuah wavelet. Secara matematis, pergeseran sebuah fungsi f(t) dengan k direpresentasikan dengan f(t-k) [9]:
Gambar 2.3 Translasi Pada Wavelet (a) Fungsi Wavelet ψ(t) (b) Fungsi Wavelet Yang Digeser ψ(t-k)
Skala (dilatasi) dalam sebuah wavelet berarti pelebaran atau penyempitan wavelet. Seperti yang terlihat pada gambar di bawah ini:
8
Gambar 2.4 Perubahan Skala Pada Wavelet (a) Nilai Skala Kecil (b) Nilai Skala Besar
Sebuah faktor skala dapat dinyatakan sebagai α. Apabila α diperkecil maka wavelet akan menyempit dan terlihat gambaran mendetail namun tidak menyeluruh, kebalikannya apabila a diperbesar maka wavelet akan melebar dan terlihat gambaran kasar, global namun menyeluruh. Dengan menggunakan wavelet pada skala resolusi yang berbeda, akan diperoleh gambaran keduanya, yaitu gambaran mendetail dan menyeluruh. Selain itu, terdapat korespondensi antara skala pada wavelet dengan frekuensi yang dianalisa oleh wavelet. Nilai skala yang kecil berkorespondensi dengan frekuensi tinggi (high frequency) sedangkan nilai skala yang besar berkorespondensi dengan frekuensi rendah. Untuk mempermudah pemahaman tentang ini, maka dapat dilihat gambar berikut ini.
Gambar 2.5 Korespondensi Antara Skala Pada Waktu Dengan Frekuensi Pada Wavelet
Tahap pertama analisis wavelet adalah menentukan tipe wavelet, yang disebut dengan mother wavelet atau analysing wavelet, yang akan digunakan. Hal ini perlu dilakukan karena fungsi wavelet sangat bervariasi dan dikelompokkan berdasarkan fungsi dasar masing-masing. Berikut ini adalah gambar beberapa tipe fungsi wavelet :
9
dari
Gambar 2.6 Beberapa Tipe Dari Fungsi Wavelet Ψ(x)
2.3.3 Transformasi Wavelet Transformasi Wavelet memiliki kemampuan untuk menganalisa suatu data dalam domain waktu dan domain frekuensi secara simultan. Analisa data pada transformasi Wavelet dilakukan dengan membagi suatu sinyal ke dalam komponen-komponen frekuensi yang berbeda-beda dan selanjutnya masingmasing komponen frekuensi tersebut dapat dianalisa sesuai dengan skala resolusinya. Hal ini seperti proses filtering, dimana sinyal dalam domain waktu dilewatkan ke dalam filter highpass dan lowpass dan memisahkan komponen frekuensi tinggi dan frekuensi rendah. Wavelet merupakan sebuah fungsi variable real t, diberi notasi ψt dalam ruang fungsi L2(R). Fungsi ini dihasilkan oleh parameter dilatasi dan translasi, yang dinyatakan dalam persamaan [12]: ⎛t −b⎞ Ψa,b (t ) = a −1 / 2 Ψ ⎜ ⎟ ; a > 0, b ∈ R ⎝ a ⎠
(
Ψ j ,k ( t ) = 2 j / 2 Ψ 2 j t − k
) ; j, k ∈ Z
(2.1) (2.2)
dimana : a = parameter dilatasi b = parameter translasi R = mengkondisikan nilai a dan b dalam nilai integer 2j = parameter dilatasi ( paramater frekuensi atau skala) k = parameter waktu atau lokasi ruang
10
Z = mengkondisikan nilai j dan k dalam nilai integer Fungsi wavelet pada persamaan (2.1) dikenalkan pertama kali oleh Grossman dan Morlet, sedangkan persamaan (2.2) oleh Daubechies [3,5]. Pada fungsi Grossman-Morlet, a adalah parameter dilatasi dan b adalah parameter translasi, sedangkan pada fungsi Daubechies, parameter dilatasi diberikan oleh 2j dan parameter translasi oleh k. Kedua fungsi ψ dapat dipandang sebagai mother vavelet, dan harus memenuhi kondisi [12]: +∞
∫ Ψ( x )dx = 0
(2.3)
−∞
yang menjamin terpenuhinya sifat ortogonalitas vektor. Pada dasarnya, transfomasi wavelet dapat dibedakan menjadi dua tipe berdasarkan nilai parameter translasi dan dilatasinya, yaitu transformasi wavelet kontinu (continue wavelet transform), dan diskrit (discrete wavelet transform). Transformasi wavelet kontinu ditentukan oleh nilai parameter dilatasi (a) dan translasi (b) yang bervariasi secara kontinu, dimana a, b ∈ R dan a ≠ 0 . Transformasi wavelet diskrit bertujuan untuk mengurangi redundansi yang terjadi pada transformasi kontinu dengan cara mengambil nilai diskrit dari parameter a dan b. Continous Wavelet Transform (CWT) menganalisa sinyal dengan perubahan skala pada window yang dianalisis, pergeseran window dalam waktu dan perkalian sinyal serta mengintegral semuanya sepanjang waktu [5]. Secara matematis dapat dirumuskan sebagai berikut :
CWT (a, b) = ∫ f (t ) ψ a,b * (t )dt
(2.4)
dimana ψ a ,b (t ) seperti pada persamaan (2.2). Sedangkan Transformasi Wavelet Diskrit
menganalisa
suatu
sinyal
dengan
skala
yang
berbeda
dan
merepresentasikannya ke dalam skala waktu dengan menggunakan teknik filtering, yakni menggunakan filter yang berbeda frekuensi cut off-nya.
2.3.3.1 Transformasi Wavelet Diskrit
11
Berdasarkan fungsi mother wavelet, bahwa fungsi wavelet penganalisa untuk transformasi wavelet diskrit dapat didefinisikan dalam persamaan (2.3). Berdasarkan persamaan tersebut, representasi fungsi sinyal f (t ) ∈ L2 ( R ) dalam domain wavelet diskrit didefinisikan sebagai [3]:
f (t ) = ∑ a j ,kψ j ,k (t )
(2.5)
j ,k
a j ,k ini merupakan discrete wavelet transform dari fungsi f(t) yang dibentuk oleh inner product antara fungsi wavelet induk dengan f(t) : a j ,k = ψ j ,k , f (t )
(2.6)
sehingga f(t) disebut sebagai inverse discrete wavelet transform dapat dinyatakan dengan : f (t ) = ∑ ψ j ,k , f (t ) ψ j ,k (t )
(2.7)
j ,k
2.3.3.2 Dekomposisi Wavelet Dalam beberapa aplikasi, kita tidak pernah harus berhubungan secara langsung dengan fungsi penskalaan atau wavelet. Seperti yang telah disebutkan sebelumnya, bahwa pada DWT suatu resolusi sinyal dapat diubah dengan menggunakan teknik filtering (analisa filter bank). Jadi, proses transformasi pada wavelet ini pertama kali dapat diwakili dengan proses melewatkan sinyal asli ke dalam Low Pass Filter (LPF) dan High Pass Filter (HPF). LPF menghasilkan komponen aproksimasi yang merupakan komponen sinyal berfrekuensi rendah dan berskala tinggi. Sedangkan HPF menghasilkan komponen detail yang merupakan komponen sinyal berfrekuensi tinggi dan berskala rendah. Komponen aproksimasi dan detail yang dihasilkan melalui proses pemfilteran ini kemudian melewati proses down sampling. Proses ini bertujuan untuk menurunkan jumlah sampel yang dihasilkan untuk masing-masing komponen menjadi setengah dari jumlah sampel sinyal asli. Proses ini biasa dikenal dengan istilah dekomposisi wavelet. Proses dekomposisi wavelet dapat digambarkan sebagai berikut:
12
Gambar 2.7 Proses Dekomposisi Wavelet
Proses dekomposisi dapat dilakukan berulang kali pada komponen aproksimasi, sehingga didapatkan banyak komponen resolusi yang lebih rendah dari sebuah sinyal. Proses multilevel dekomposisi ini digambarkan sebagai berikut:
Gambar 2.8 Proses Multilevel Dekomposisi Wavelet
2.3.3.3 Dekomposisi Paket Wavelet Metode dekomposisi paket wavelet menawarkan jangkauan analisis sinyal yang lebih luas. Pada dekomposisi paket wavelet, proses dekomposisi tidak hanya dilakukan pada komponen aproksimasi tetapi pada komponen detail juga [11]. Proses yang terjadi dapat digambarkan sebagai berikut:
Gambar 2.9 Proses Multilevel Dekomposisi Paket Wavelet
13
2.4
Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah suatu model sistem syaraf manusia
yang sangat disederhanakan. Model JST terdiri dari kumpulan unit yang saling berkomunikasi satu sama lainnya melalui suatu hubungan. Pengembangan JST ditekankan pada proses komputasi yang mampu beroperasi dan mempunyai sifatsifat seperti jaringan syaraf otak manusia. Ciri utama dari JST adalah pada kemampuannya dalam hal belajar. Agar JST berfungsi seperti yang diinginkan, jaringan tidak diprogram melainkan melalui proses belajar. Proses belajar dalam JST adalah proses penyesuaian nilainilai bobot. Jadi bobot jaringan berubah sesuai dengan sasaran yang ditangkap dari keteraturan masukan. Untuk dapat melakukan proses diatas, diperlukan algoritma-algoritma tertentu. Setelah JST dilatih, maka JST sanggup menerima masukan-masukan yang mengalami sedikit modifikasi akibat noise. Secara umum proses belajar pada JST digolongkan menjadi dua bagian yaitu [8]: 1. Belajar dengan pengawasan (supervised learning) Pada proses belajar dengan pengawasan, jaringan diberikan target yang harus dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau bobot pada jaringan. Vektor traget berfungsis sebgai ‘pelatih’ yang akan mengoreksi apabila keluaran jaringan salah. Contoh jaringan yang belajar dengan pengawasan adalah Back Propagation 2. Belajar tanpa pengawasan (unsupervised learning) Pada proses belajar tanpa pengawasan, jaringan dibekali dengan pengetahuan dasar (parameter-parameter jaringan) dan kemudian mengorganisasikan sendiri hubungan-hubungan interkoneksi dalam dirinya atas masukan yang diberikan sehingga dengan demikian target tidak dibutuhkan. Model jaringan tanpa supervisi ini lebih dikenal dengan jaringan kompetisi. Contoh jaringan yang belajar tanpa pengawasan adalah Adaptive Resonance Theory (ART) dan Kohonen.
14
2.4.1 JST Learning Vector Quantization (LVQ) LVQ adalah bentuk khusus dari jaringan kompetitif. Jaringan ini terdiri dari dua lapis yaitu lapis kompetitif dan lapis linear [10]. Lapis pertama yaitu lapis kompetitif mengklasifikasikan masukan dengan cara kompetitif. Lapis kedua yaitu lapis linear mentransformasi sub-sub kelas keluaran lapis pertama menjadi kelas-kelas yang telah didefinisikan sebelumnya (target). Setiap sub kelas diwakili oleh satu neuron pada keluaran lapis kompetitif dan setiap kelas diwakili oleh satu neuron pada keluaran lapis linear. Jumlah sub kelas pada lapis kompetitif selalu lebih besar daripada jumlah kelas pada lapis linear. Sehingga jumlah neuron pada keluaran lapis kompetitif pun lebih besar daripada neuron pada keluaran lapis linear. Neuron pada keluaran lapis kompetitif biasanya disebut sebagai hidden neuron dan neuron pada keluaran lapis linear disebut sebagai output neuron. Sub kelas pada lapis kompetitif adalah hasil kompetisi pada lapis tersebut atau dengan kata lain tidak didefinisikan sedangkan kelas pada lapis linear adalah kelas yang didefinisikan oleh pengguna (target).
2.4.2 Arsitektur JST LVQ Arsitektur jaringan LVQ dapat digambarkan sebagai berikut:
Keterangan : X: Vektor masukan (X1 . . . Xi . . . Xn) C : Vektor sub kelas (C1 . . . Cj . . . Cn ) Y : Vektor kelas (Y1 . . . Ym . . . Yl)
15
W : Vektor bobot pada lapis kompetitif. V : Vektor bobot pada lapis linear Gambar 2.10 Arsitektur Jaringan LVQ
Dari gambar di atas dapat dilihat pada lapis kompetitif setiap input neuron terhubung dengan hidden neuron dengan bobot tertentu (w). Sedangkan pada lapis linear setiap hidden neuron terhubung dengan output neuron dengan bobot tertentu (v).
2.4.3 Algoritma Pelatihan JST LVQ Pada pelatihan jaringan LVQ yang diubah adalah bobot yang mengubungkan input neuron dan hidden neuron (W). Adapun bobot yang menghubungkan hidden neuron dan output neuron (V) nilainya selalu tetap. Nilai vektor bobot V bergantung pada persentase jumlah data masing-masing kelas terhadap jumlah data seluruh kelas yang didefinisikan oleh pengguna. Adapun algoritma untuk mengubah bobot W adalah sebagai berikut [14]: 1. Inisialisasi vektor referensi dan laju awal pelatihan α = 0. 2. Selama syarat berhenti salah, kerjakan langkah 3-7 3. untuk setiap vektor masukan X, kerjakan langkah 4-5 4. Carilah J sehingga minimum || X- Wj || (jarak euclidean antara vektor masukan dan vektor bobot unit hidden neuron ke j) 5. Perbarui Wj sebagai berikut: Bila Y=Cj maka Wj (baru) = Wj (lama) + α [X – Wj (lama)] Bila Y ≠ Cj maka Wj (baru) = Wj (lama) - α [X-Wj (lama)] 6. Kurangi Laju pelatihan Uji Syarat berhenti. Syarat berhenti dapat berupa jumlah epoch ataupun konvergensi vektor bobot ke nilai yang tetap.
16
BAB III PERANCANGAN SISTEM DAN SIMULASI Secara umum sistem deteksi kelainan jantung yang dirancang dapat dilihat pada Gambar 3.1 di bawah ini : Mulai
Rekaman Suara Jantung
Tidak
Fast Fourier Transform
Normalisasi
Ya Dekomposisi Peket Wavelet
Frekuensi < 1000 Hz?
Penghitungan Enegi tiap sub band hasil dekomposisi
Klasifikasi dengan JST LVQ
Hasil Klasifikasi Kelainan Jantung
Selesai
Gambar 3.1 Proses Deteksi Kelainan Jantung
3.1
Rekaman Suara Jantung Masukan sistem adalah rekaman suara jantung yang diperoleh dari internet
(www.medstudents.com.br/cardio/heartsou.htm). Ada 7 jenis suara jantung yang digunakan yaitu:
17
1. Normal. 2. Continous Murmur. 3. S2. 4. Latesystolic Murmur. 5. Midsystolic Click. 6. Midsystolic Murmur 7. Quadruple Rhytme. Dalam penelitian ini tidak dibahas mengenai cara perekaman suara jantung tesebut. Rekaman suara jantung yang digunakan mempunyai spesifikasi sebagai berikut: 1. Format wav. 2. Metode ADC yang digunakan adalah PCM mono. 3. Frekuensi sampling sinyal adalah 8000 Hz. 4. Jumlah bit kuantisasi adalah 8 bit. 5. Durasi suara jantung sekitar 1-1,8 detik.
3.2
Normalisasi Masukan sistem berupa sinyal dalam bentuk waktu dan amplitudo diskrit.
Proses normalisasi dilakukan untuk mengubah amplitudo diskrit menjadi amplitudo yang mempunyai interval dari -1 sampai dengan 1. ini bertujuan untuk menyamakan interval amplitudo maksimum masing-masing sinyal suara sehingga proses pengenalan suara jantung tidak dipengaruhi oleh perubahan amplitudo. Proses normalisasi yang dilakukan adalah dengan membagi masing-masing nilai amplitudo diskrit dengan nilai amplitudo maksimum [1]. Snorm = S/Smax
3.3
(3.1)
Fast Forier Transform (FFT) Sinyal hasil normalisasi dalam domain waktu kemudian diubah ke domain
frekuensi untuk melihat range frekuensinya. Proses ini bertujuan untuk menentukan range frekuensi yang memiliki energi paling maksimum. Hal ini berguna agar pada proses ekstraksi ciri hanya range frekuensi dengan energi paling maksimum yang diambil cirinya.
18
3.4
Dekomposisi Paket Wavelet Sinyal suara jantung ternormalisasi ini kemudian didekomposisi dengan
metode paket wavelet. Sinyal suara jantung didekomposisi menjadi komponen aproksimasi (yang mengandung frekuensi rendah) dan komponen detail (yang mengandung frekuensi tinggi). Komponen aproksimasi kemudian didekomposisi lagi menjadi komponen aproksimasi dan detail lagi. Proses yang sama juga dilakukan pada komponen detail. Proses tersebut dapat digambarkan sebagai berikut:
Keterangan : A : Komponen Aproksimasi D : Komponen Detail Gambar 3.2 Dekomposisi Paket Wavelet 2 Level
Proses dekomposisi dapat terus menerus dilakukan sampai pada level yang diinginkan. Pada penelitian ini ada 3 skenario multilevel dekomposisi yang dilakukan, yaitu 6 level, 7 level, dan 8 level. Untuk dekomposisi 6 level didapatkan 64 buah sub band dengan lebar pita 62,5 Hz yang terdiri dari 32 komponen aproksimasi dan 32 komponen detail. Untuk dekomposisi 7 level didapatkan 128 buah sub band dengan lebar pita 31,25 Hz yang terdiri dari 64 komponen aproksimasi dan 64 komponen detail. Dan untuk dekompoisi 8 level didapatkan 256 sub band dengan lebar pita 15,625 Hz yang terdiri dari 128 komponen aproksimasi dn 128 komponen detail. Proses dekomposisi paket wavelet dilakukan dengan menggunakan beberapa jenis filter yaitu filter coiflet, symlet dan daubechies. Pemilihan ketiga jenis filter ini didasarkan pada sifat ortogonal yang dimiliki oleh ketiga jenis filter tersebut. [6].
19
3.5
Penghitungan Energi Tiap Sub band Dekomposisi Tiap sub band hasil dekomposisi paket wavelet sinyal suara jantung ini
kemudian dihitung energinya. Algoritma yang dipakai untuk menghitung energi tiap-tiap sub band adalah sebagai berikut [10]: n
E=
100.∑ Cs (i ) 2 j =m
i =1
∑C j =1
T
( j)
(3.2)
2
dimana: E = Energi tiap sub band CS = Koefisien wavelet satu sub band n = Jumlah koefisien wavelet tiap sub band CT = Koefisisien wavelet seluruh sub band m = Jumlah koefisien wavelet seluruh sub band Energi tiap sub band hasil dekomposisi inilah yang diambil sebagai vektor ciri untuk setiap jenis suara jantung. Dalam penelitian ini pemilihan energi sub band yang diambil sebagai vektor ciri bergantung dari level dekomposisi yang digunakan. Untuk level dekomposisi 6 diambil 10 sub band pertama sehingga didapatkan matriks vektor ciri sebesar 1x10. Sedangkan untuk level dekomposisi 7 diambil 20 sub band pertama sehingga didapatkan matriks vektor ciri sebesar 1x20. Adapun untuk level dekomposisi 8 diambil 30 sub band pertama sehingga didapatkan matriks vektor ciri sebesar 1x30. Sebagaimana telah dijelaskan pada bab II bahwa sinyal suara jantung S1 memiliki energi utama pada rentang frekuensi 30 hingga 45 Hz sedangkan suara jantung S2 memiliki energi utama pada rentang frekuensi 50 hingga 70 Hz. Adapun suara jantung abnormal yang biasa dikenal dengan murmur berada pada rentang 100 hingga 600 Hz. Dengan menghitung energi pada sub band yang telah ditentukan di atas didapatkan rata-rata energi pada frekuensi 0 hingga 600 Hz. Oleh karenanya pemilihan sub band seperti disebutkan di atas telah mewakili frekuensi-frekuensi dengan energi suara jantung yang paling dominan.
3.6
Klasifikasi Dengan Jaringan Syarat Tiruan LVQ Klasifikasi ciri pada sistem ini adalah dengan menggunakan JST LVQ.
Masukan jaringan LVQ adalah vektor feature energi dari masing-masing suara
20
jantung. Keluaran jaringan yang diharapkan adalah 7 kelas yang terdiri dari 1 jenis suara jantung normal dan 6 jenis suara jantung abnormal. Berdasarkan halhal di atas maka dibangun jaringan dengan jumlah input neuron yang berbedabeda tergantung ukuran vektor ciri. Untuk vektor ciri berukuran 1x10 dibangun jaringan dengan 10 input neuron, untuk vektor ciri berukuran 1x20 dibangun jaringan dengan 20 input neuron dan untuk vektor ciri berukuran 1x30 dibangun jaringan dengan 30 input neuron. Adapun jumlah output neuron sesuai dengan jumlah kelas yang diharapkan yaitu 7 neuron. Ada dua proses utama yang berlangsung pada Jaringan LVQ yang dibangun, yaitu proses pelatihan jaringan dan proses klasifikasi penyakit jantung. Proses yang terjadi dapat digambarkan sebagai berikut:
Gambar 3.3 Klasifikasi Dengan JST LVQ
3.6.1 Pelatihan Jaringan LVQ Jaringan yang telah dibangun dilatih dengan 40 data latih berupa rekaman suara jantung yang terdiri dari: 1. 10 suara jantung Normal. 2. 5 suara jantung Continous Murmur. 3. 5 suara jantung S2. 4. 5 suara jantung Latesystolic Murmur. 5. 5 suara jantung Midsystolic Click. 6. 5 suara jantung.Midsystolic Murmur. 7. 5 suara jantung Quadruple Rhytme.
21
Algoritma pelatihan jaringan yang digunakan sesuai dengan algoritma yang telah dijelaskan sebelumnya pada bab II. Adapun learning rate awal yang digunakan adalah 0,01. Syarat berhenti pelatihan yang digunakan adalah konvergensi nilai vektor bobot ke nilai yang tetap. Berikut ini diagram alir proses pelatihan jaringan LVQ.
Gambar 3.4 Diagram Alir Pelatihan JST-LVQ
22
Pada penelitian ini akan dilakukan beberapa skenario pelatihan, yaitu: 1. Pengubahan jumlah hidden neuron pada lapis kompetitif. 2. Pengubahan jumlah data latih yang digunakan
3.6.2 Klasifikasi Kelainan Jantung Jaringan yang telah terlatih ini kemudian diuji dengan 45 data uji berupa rekaman suara jantung yang terdiri dari: 1. 10 suara jantung Normal. 2. 5 suara jantung Continous Murmur. 3. 5 suara jantung S2. 4. 5 suara jantung Latesystolic Murmur. 5. 8 suara jantung Midsystolic Click. 6. 5 suara jantung.Midsystolic Murmur. 7. 7 suara jantung Quadruple Rhytme. Berikut ini diagram alir pengujian JST-LVQ.
Gambar 3.5 Diagram Alir Pengujian JST-LVQ
23
3.7
Pengujian Sistem Untuk pengujian sistem akan digunakan parameter akurasi dan beberapa
parameter untuk memperkirakan hasil diagnosa.
3.7.1 Akurasi Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis dapat dituliskan sebagai berikut : Akurasi =
jumlah _ data _ benar x100% jumlah _ seluruh _ data
(3.3)
Semakin tinggi akurasi sistem menunjukkan bahwa sistem memiliki kinerja yang baik karena mampu mengenali masukan yang diberikan kepadanya.
3.7.2 Sensitivity, Specifity, Positive Predictive Value, dan Negative Predictive Value Sensitivity, Specifity, Positive Predictive Palue, dan Negative Predictive Value biasanya digunakan untuk meperkirakan hasil diagnosa [15]. Sensitivity
= TP / (TP + FN)
(3.4)
Specifity
= TN / (TN + FP)
(3.5)
Positive Predictive Value
= TP / (TP + FP)
(3.6)
Negative Predictive Value
= TN / (TN + FN)
(3.7)
Di antara keempat parameter performansi di atas, sensitivity dan specifity merupakan nilai penting dalam diagnosa dokter.
Keterangan: TP (true-positive): sistem mendeteksi dengan benar penyakit yang diderita oleh pasien. TN (true-negative): sistem mendeteksi pasien normal memiliki keadaan normal FP (false-positive): sistem salah mendeteksi penyakit seorang pasien sebagai penyakit lain atau sistem mendeteksi pasien normal memiliki penyakit. FN (false-negative): sistem salah mendeteksi penyakit seorang pasien sebagai kasus normal.
24
BAB IV ANALISIS HASIL SIMULASI Urutan proses pengujian yang dilakukan pada tugas akhir ini, ditunjukan pada Gambar 4.1 berikut :
Tidak Rekaman Suara Jantung Format wav
Fast Fourier Transform
Normalisasi
Ya
Ekstraksi Ciri Dekomposisi Paket Wavelet
Frekuensi < 1000 Hz?
Penghitungan Energi Tiap Sub Band Dekomposisi
JST LVQ Pelatihan Jaringan
Klasifikasi Jenis Kelainan Jantung
Hasil Deteksi Kelainan Jantung
Gambar 4.1 Diagram Blok Urutan Pengujian
2.5 Spesifikasi Dalam implementasi perancangan sistem deteksi kelainan jantung, berikut ini adalah uraian spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membantu dalam simulasi dan analisis sistem.
25
1.
2.
Perangkat Keras Komputer Prossesor
: Intel Pentium 4 2.66 GHz
Memory
: RAM 384 MB PC 2700
VGA
: NVIDIA GeForce4 MX 4000
Monitor
: LG 563N 15”
Perangkat Lunak Bahasa pemrograman yang digunakan adalah MATLAB 7.1.3 di atas platform Windows XP.
2.6 Pengujian Algoritma 4.2.1 Normalisasi Input sistem adalah rekaman suara jantung dalam format wav, PCM mono, frekuensi sampling 8000 Hz dan kuantisasi 8 bit. Rekaman suara jantung yang masuk ini diambil sebanyak 8192 sampel. Sinyal ini kemudian dinormalisasi terhadap amplitudo maksimum. Proses ini mengubah amplitudo diskrit menjadi amplitudo yang mempunyai interval dari -1 sampai dengan 1. Ini bertujuan agar proses pengenalan suara jantung tidak dipengaruhi oleh perubahan amplitudo sehingga sinyal suara memiliki interval amplitudo maksimum yang sama.
(a)
26
(b) Gambar 4.2 Sinyal Suara Jantung Normal (a) Sebelum Normalisasi (b) Sesudah Normalisasi
4.2.2 Fast Fourier Transform Sinyal suara jantung yang telah dinormalisasi ini kemudian diolah dengan FFT. Ini bertujuan untuk mengetahui range frekuensi dari sinyal suara jantung yang akan diolah. Dari proses FFT diketahui bahwa rata-rata sinyal suara jantung memilliki frekuensi di bawah 1000 Hz. Berikut ini adalah gambar spektrum frekuensi untuk masing-masing jenis suara jantung.
(b)
(a)
27
(c)
(d)
(e)
(f)
(g)
Gambar 4.3 Spektrum Frekuensi Sinyal Suara Jantung (a) Normal (b) Continous Murmur (c) S2 (d) Latesystolic Murmur (e) Midsystolic Click (f) Midsystolic Murmur (g) Quadruple Rhytme
28
4.2.3 Ekstraksi Ciri Teknik ekstraksi ciri yang digunakan pada sistem disini adalah dekomposisi paket wavelet dan penghitungan energi tiap sub band dekomposisi level terakhir. Energi tiap sub band yang menjadi vektor ciri adalah energi sub band untuk frekuensi 0-600 hz. Pemilihan daerah frekuensi pada daerah ini dikarenakan energi suara jantung yang paling dominan berada pada range frekuensi ini seperti yang telah dijelaskan pada bab II.
4.2.3.1 Pengaruh Level Dekomposisi Terhadap Pendeteksian Pengujian ini dilakukan untuk menganalisis pengaruh level dekomposisi terhadap pendeteksian. Untuk pengujian digunakan 3 jenis level dekomposisi, yaitu dekomposisi 6 level, 7 level, dan 8 level. Untuk pengujian, digunakan filter coiflet orde 1. penggunaan filter coiflet orde 1 adalah berdasarkan sifat filter coiflet yang mendekati simetri [2]. Adapun vektor ciri yang diambil untuk masing-masing percobaan berbedabeda bergantung dari level dekomposisi yang digunakan. Untuk level dekomposisi 6 diambil nilai energi dari 10 sub band pertama sebagai vektor ciri, sehingga didapatkan matriks vektor ciri sebesar 1x10. Untuk level dekomposisi 7 diambil energi dari 20 sub band pertama sebagai vektor ciri, sehingga didapatkan matriks vektor ciri sebesar 1x20. Untuk level dekomposisi 8 diambil energi dari 30 sub band pertama sebagai vektor ciri, sehingga didapatkan matriks vektor ciri sebesar 1x30. Berikut ini pola hasil ekstraksi ciri dengan level dekomposisi 6, 7 dan 8 untuk suara jantung normal.
(a)
29
(b)
(c) Gambar 4.4 Pola Hasil Ekstraksi Ciri Untuk Suara Jantung Normal (a) Level Dekomposisi 6 (b) Level Dekomposisi 7 (c) Level Dekomposisi 8
Dari gambar di atas terlihat perbedaan yang cukup signifikan untuk masing-masing level dekomposisi. Untuk itu akan dilihat performansi jaringan terhadap ekstraksi ciri dengan level dekomposisi yang berbeda. Berikut ini tabel perbandingan keakurasian tehadap perbedaan level dekomposisi Tabel 4.1 Perbandingan Keakurasian Terhadap Perbedaan Level Dekomposisi Level 6 6 6
HN 16 24 32
Akurasi Data Latih 92,5% 95% 100%
Akurasi Data Uji 88,89% 88,89% 95,56%
7 7 7
16 24 32
87,5% 955 100%
86,67% 88,89% 93,33%
8 8 8
16 24 32
72,5% 82,5% 90%
66,67% 75,56% 80%
30
Pengujian dilakukan dengan menggunakan bobot jaringan yang dilatih dengan learning rate awal sebesar 0,01 dan jumlah hidden neuron yang berbedabeda yaitu 16, 24 dan 32. Pada level dekomposisi 6 dapat dilihat akurasi latih tertinggi didapatkan pada saat jumlah hidden neuron yang digunakan adalah 32. Demikian halnya untuk level dekomposisi 7 dan 8. Nilai akurasi latih level dekomposisi 6 dan 7 sama yaitu 100% sedangkan untuk level dekomposisi 8 didapatkan nilai 90%. Adapun nilai akurasi uji yang paling tinggi diberikan oleh level dekomposisi 6 yaitu 95,56% dan yang paling rendah diberikan oleh level dekomposisi 8. Dari hasil di atas dapat dilihat bahwa level dekomposisi 6 dapat memberikan hasil ekstraksi ciri yang paling optimal. Penambahan level dekomposisi di atas level 6 sudah tidak dapat memberikan hasil ekstraksi ciri optimal. Dengan demikian untuk pengujian selanjutnya digunakan ekstraksi ciri dengan level dekomposisi 6.
4.2.3.2 Pengaruh Penggunaan Jenis Filter Wavelet Terhadap Pendeteksian Pengujian ini dilakukan untuk menganalisis pengaruh jenis filter wavelet terhadap pendeteksian. Untuk pengujian digunakan 3 jenis filter wavelet, yaitu daubechies, symlet, dan coiflet. Pemilihan ketiga jenis filter ini adalah berdasarkan keortogonalan. Ketiga jenis filter ini merupakan filter ortogonal. Adapun pemilihan orde filter berdasarkan kesesuaian hasil pembelahan sub band. Orde coiflet N bersesuaian dengan orde daubechies 3N dan symlet 3N [10]. Sehingga dalam percobaan ini yang dibandingkan adalah coif 1, db 3, dan sym 3. Berikut ini pola hasil ekstraksi ciri dengan masing-masing jenis filter di atas untuk suara jantung normal.
(a)
31
(b)
(c) Gambar 4.5 Pola Hasil Ekstraksi Ciri Untuk Suara Jantung Normal (a) Filter coiflet1 (b) Filter db3 (c) Filter sym3
Dari gambar di atas terlihat ada perbedaan pola antara hasil ekstraksi dengan menggunakan filter coiflet dan kedua filter lainnya. Filter symlet dan daubechies menghasilkan pola yang relatif sama. Berikut ini tabel perbandingan keakurasian terhadap jenis filter yang digunakan Tabel 4.2 Perbandingan Keakurasian Terhadap Jenis Filter Jenis Filter coif1 db3 sym3
HN 32 32 32
Akurasi Data Latih 100% 97,5% 97,5%
Akurasi Data Uji 95,56% 91,11% 91,11%
Dari ketiga jenis filter yang dicobakan, filter coiflet 1 yang memberikan performansi paling baik. Akurasi data latih mencapai 100% dan akurasi data uji mencapai 95,56%. Adapun untuk filter daubechies 3 dan symlet 3 memberikan
32
performansi yang sama yaitu akurasi 97,5% untuk data latih dan akurasi 91,11% untuk data uji. Hal ini sesuai dengan pola hasil ekstraksi ciri yang dihasilkan, dimaanna filter daubechies 3 dan symlet 3 memberikan pola yang relatif sama. Hasil yang diberikan oleh ketiga jenis filter sudah sangat baik karena dapat mencapai performansi di atas 90%. Namun yang memberikan performansi paling baik adalah filter coiflet, sehingga untuk pengujian selanjutnya digunakan filter coiflet.
4.2.3.3 Pengaruh Penggunaan Orde Filter Yang Berbeda Pada Filter Coiflet Terhadap Pendeteksian. Pengujian ini dilakukan untuk melihat pengaruh panjang koefisien filter coiflet terhadap akurasi pendeteksian. Untuk pengujian digunakan orde filter 1, 2, 3, 4, 5. Tabel 4.3 Perbandingan Keakurasian Terhadap Orde Filter Coiflet Orde Filter Coiflet 1 2 3 4 5
HN 32 32 32 32 32
Akurasi Data Latih 100% 95% 92,5% 95% 92,5%
Akurasi Data Uji 95,56% 88,89% 93,33% 91,11% 84,44%
Dari hasil pengujian dapat dilihat filter coiflet 1 yang memberikan nilai akurasi latih dan akurasi uji yang paling tinggi. Nilai akurasi latih sebesar 100% dan nilai akurasi uji sebesar 95,56%. Untuk orde filter yang lebih tinggi nilainya bervariasi baik untuk akurasi latih dengan nilai di atas 90%. Adapun untuk akurasi uji cenderung menurun untuk orde filter yang lebih tinggi. Dengan penambahan orde filter maka semakin banyak pula koefisien wavelet yang dihasilkan untuk masing-masing sub band. Bertambahnya koefisien wavelet ini juga relatif mengubah energi masing-masing sub band. Semakin tinggi orde filter maka semakin baik pemfilteran sinyal yang terjadi dan semakin detil komponen frekuensi yang didapat dari sinyal. Namun ini dapat menyebabkan semakin bervariasinya pola dalam satu kelas. Sehingga kinerja sistem cenderung menurun sesuai dengan penambahan orde filter. Berdasarkan hasil percobaan di atas maka untuk pengujian selanjutnya digunakan filter coiflet orde 1.
33
4.2.3.4 Pola Ciri Antar Kelas Dalam proses klasifikasi ciri menggunakan JST, pola ciri masing-masing kelas sangat berpengaruh pada hasil pengklasifikasian. Pola ciri yang unik dari masing-masing kelas akan meningkatkan keakurasian pendeteksian. Pada pengujian digunakan 7 kelas suara jantung yang terdiri dari 6 kelas dengan kelainan jantung dan 1 kelas normal. Berikut ini grafik pola rata-rata hasil ekstraksi ciri untuk masing-masing jenis suara jantung.
Rata-Rata Hasil Ekstraksi Ciri Untuk Kelas Normal 100
Energi
80
Normal_1
60
Normal_2
40
Normal_3 Normal_4
20 0 1
2
3
4
5
6
7
8
9
10
Sub band ke-
(a) Rata-Rata Hasil Ekstraksi Ciri Untuk 6 Kelas Penyakit Jantung 80
Cont_mur
Energi
60
S2 Late_sys
40
Mid_click
20
Mid_mur Quad
0 1
2
3
4
5
6
7
8
9
10
Sub band ke-
(b) Gambar 4.6 Grafik Pola Rata-Rata Hasil Ekstraksi Ciri (a) Kelas Normal (b) Kelas Dengan Penyakit Jantung
Dari grafik dapat dilihat bahwa pada kelas normal tidak hanya ada satu pola tapi terdapat beberapa pola. Beberapa pola ini harus dikelompokkan ke satu
34
kelas yang sama yaitu kelas normal. Sedangkan 6 kelas lainnya yaitu kelas dengan penyakit jantung yang berbeda-beda menunjukkan pola yang cukup unik untuk masing-masing kelas. JST LVQ menggunakan teknik clustering pada pelatihan untuk lapis kompetitif. Hasil clustering ini kemudian dicocokkan dengan target pada lapis linear. Pola-pola pada kelas normal yang masuk ke cluster yang berbeda-beda dapat dimasukkan menjadi satu kelas yang sama. Oleh karenanya perbedaan pola pada kelas normal dapat diatasi. Adapun tingkat akurasi yang tidak mencapai 100% disebabkan pola antar kelas yang sangat berdekatan.
4.2.4 Klasifikasi Ciri Klasifikasi ciri dilakukan dengan menggunakan JST LVQ. Masukan JST berupa vektor ciri berukuran 1x10. vektor ciri ini merupakan nilai energi 10 sub band pertama hasil dekomposisi paket wavelet. Masukan yang digunakan pada pengujian ini adalah hasil ekstraksi ciri dengan menggunakan dekomposisi 6 level dengan filter coiflet 1 Pada proses pengujian ini digunakan 85 data yang terdiri dari 40 data latih dan 45 data uji. Data latih terdiri dari 10 data kelas Normal, 5 data kelas Continous Murmur, 5 data kelas s2, 5 data kelas Latesystolic Murmur, 5 data kelas Midystolic Click, 5 data kelas Midsystolic Murmur, 5 data kelas Quadruple Rhytme. Sedangkan data uji terdiri dari 10 data kelas Normal, 5 data kelas Continous Murmur, 5 data kelas s2, 5 data kelas Latesystolic Murmur, 8 data kelas Midystolic Click, 5 data kelas Midsystolic Murmur, 7 data kelas Quadruple Rhytme.
4.2.4.1 Pengaruh Hidden Neuron Pada JST LVQ Pada pengujian ini akan dianalisis pengaruh hidden neuron pada proses pelatihan
JST
LVQ
dan
pengaruhnya
terhadap
tingkat
keakurasian
pengklasifikasian jenis penyakit jantung. Jumlah hidden neuron pada jaringan LVQ adalah jumlah sub kelas yang harus dibentuk oleh lapis kompetitif pada
35
jaringan. Semakin bervariasi pola data maka dibutuhkan hidden neuron yang lebih besar. Tabel 4.4 Pengaruh Hidden Neuron HN 16 24 32
Time (s) 0.699246 0.699476 0.749536
Akurasi Data Latih 92,5% 95% 100%
Akurasi Data uji 88,89% 88,89% 95,56%
Dari hasil pengujian dapat dilihat bahwa jumlah hidden neuron mempengaruhi performansi JST LVQ. Dari ketiga hidden neuron yang diujikan memberikan tingkat akurasi data latih dan data uji yang berbeda-beda. Akurasi terbaik diberikan oleh jaringan dengan 32 hidden neuron yaitu 100% untuk data latih dan 95,56% untuk data uji. Jumlah hidden neuron pada jaringan LVQ adalah banyaknya cluster yang harus dihasilkan oleh lapis kompetitif. Pada lapis ini pola-pola yang mirip dimasukkan ke dalam satu cluster. Pada lapis linear cluster-cluster yang dihasilkan ini kemudian dicocokkan dengan vektor target yang didefinisikan oleh pengguna. Beberapa cluster yang berbeda dapat dimasukkan menjadi satu kelas yang sama. Semakin banyak jumlah hidden neuron berarti semakin spesifik pengelompokan yang dilakukan pada lapis kompetitif. Oleh karenanya variasi pola yang banyak pada satu kelas yang sama dapat diatasi dengan menambah jumlah hidden neuron. Selain tingkat akurasi jumlah hidden neuron juga mempengaruhi waktu pelatihan yang dibutuhkan. Semakin besar jumlah hidden neuron maka semakin lama waktu pelatihan jaringan karena menambah jumlah hidden neuron berarti menambah kompleks struktur jaringan. Sehingga semakin banyak nilai bobot sinapsis jaringan yang harus diubah.
4.2.4.2 Pengaruh Jumlah Data Latih Terhadap Keakurasian Jumlah data yang dilatihkan pada jaringan mempengaruhi tingkat pengenalan jaringan terhadap inputan baru. Berikut ini tabel hasil akurasi pengujian data uji dengan menggunakan bobot-bobot yang diperoleh dari pelatihan dengan jumlah data latih yang berbeda-beda. Tabel ini menggunakan spesifikasi JST yang menghasilkan akurasi terbaik berdasarkan percobaan
36
sebelumnya, yaitu: 32 hidden neuron, dan ekstraksi ciri menggunakan filter coiflet orde 1 level dekomposisi 6. Tabel 4.5 Pengaruh Jumlah Data Latih Jumlah Data Latih 8 16 24 32 40
Akurasi Data Uji 84,44% 84,44% 86,67% 95,56% 95,56%
Dari percobaan dapat dilihat bahwa semakin banyak jumlah data latih, maka akurasi pengujian sistem semakin tinggi. Penurunan akurasi pengujian sistem yang terjadi karena penurunan jumlah data latih tidak begitu besar karena data latih yang digunakan adalah data yang mewakili setiap ciri yang ada pada tiap kelas. Pemilihan data latih mempengaruhi tingkat akurasi sistem. Jumlah data latih sebanyak 40 memberikan akurasi terbaik, yaitu 95,56%.
4.2.5 Analisis Performansi Sistem 4.2.5.1 Keberhasilan Sistem Terhadap Data Uji Keberhasilan sistem tehadap data uji bergantung dari seberapa mirip pola data uji terhadap pola data latih yang diberikan ke jaringan. Semakin mirip pola data latih dan data uji maka semakin besar pula tingkat keberhasilan sistem terhadap data uji. Pola yang unik dari masing-masing kelas juga menentukan tingkat keberhasilan sistem. Semakin unik pola masing-masing kelas maka semakin kecil kemungkinan terjadinya salah deteksi. Pengujian dilakukan dengan jaringan yang menggunakan 32 hidden neuron. Tabel 4.6 Pengujian Data Uji Nama file
Jenis Penyakit
Hasil Deteksi
Status
cont_mur006
Continous murmur
Continous murmur
Benar
cont_mur007
Continous murmur
Continous murmur
Benar
cont_mur008
Continous murmur
Continous murmur
Benar
cont_mur009
Continous murmur
Continous murmur
Benar
cont_mur010
Continous murmur
Continous murmur
Benar
37
s2005
S2
S2
Benar
s2006
S2
S2
Benar
s2008
S2
Continous murmur
Salah
s2009
S2
S2
Benar
s2010
S2
S2
Benar
late_sys004
Latesystolic murmur
Latesystolic murmur
Benar
late_sys006
Latesystolic murmur
Latesystolic murmur
Benar
late_sys008
Latesystolic murmur
Latesystolic murmur
Benar
late_sys009
Latesystolic murmur
Latesystolic murmur
Benar
late_sys0010
Latesystolic murmur
Normal
Salah
mid_click006
Midsystolic click
Midsystolic click
Benar
mid_click007
Midsystolic click
Midsystolic click
Benar
mid_click008
Midsystolic click
Midsystolic click
Benar
mid_click009
Midsystolic click
Midsystolic click
Benar
mid_click010
Midsystolic click
Midsystolic click
Benar
mid_click011
Midsystolic click
Midsystolic click
Benar
mid_click012
Midsystolic click
Midsystolic click
Benar
mid_click013
Midsystolic click
Midsystolic click
Benar
mid_mur004
Midsystolic murmur
Midsystolic murmur
Benar
mid_mur005
Midsystolic murmur
Midsystolic murmur
Benar
mid_mur007
Midsystolic murmur
Midsystolic murmur
Benar
mid_mur009
Midsystolic murmur
Midsystolic murmur
Benar
mid_mur010
Midsystolic murmur
Midsystolic murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple rhytme
Quadruple rhytme
Benar
38
quad_rhytm007
Quadruple rhytme
Quadruple rhytme
Benar
quad_rhytm008
Quadruple rhytme
Quadruple rhytme
Benar
quad_rhytm010
Quadruple rhytme
Quadruple rhytme
Benar
quad_rhytm011
Quadruple rhytme
Quadruple rhytme
Benar
quad_rhytm012
Quadruple rhytme
Quadruple rhytme
Benar
quad_rhytm013
Quadruple rhytme
Quadruple rhytme
Benar
Tabel 4.5 memperlihatkan hasil pengujian sistem. Dari 45 data uji yang diujikan ke jaringan 43 data dideteksi dengan benar dan 2 data salah diideteksi. Sehingga dapat dihitung akurasi sistem sbb:
Akurasi (%) =
43 x100% = 95,56% 45
4.2.5.2 Sensitivity dan Specifity
Parameter penting lain yang digunakan untuk mengukur performansi sistem adalah sensitivity, specifity, Positive Predictive Value, dan Negative Predictive Value. Dari tabel 4.5 diperoleh jumlah TP=33, TN=10, FP=1, FN=1. sehingga didapatkan nilai-nilai sebagai berikut. sensitivity (%) = specifity (%) =
TP 33 = x100% = 97, 06% TP + FN 33 + 1
TN 10 = x100% = 90,91% TN + FP 10 + 1
PPV =
TP 33 = x100% = 97, 06% TP + FP 33 + 1
NPV =
TN 10 = x100% = 90,91% TN + FN 10 + 1
Nilai keempat parameter performansi tersebut menghasilkan nilai yang cukup dekat. Dalam penelitian ini, perhitungan sensitivity menghasilkan nilai 97,06% sedangkan specifity menghasilkan nilai 90,91%. Ini berarti sistem ini hampir sama kemampuannya untuk mendeteksi pasien normal dan pasien dengan penyakit jantung tertentu.
4.2.5.3 Waktu Komputasi
39
Pengujian kecepatan sistem dalam melakukan pendeteksian kelainan jantung diperlukan dalam perancangan sistem karena sistem diharapkan mampu bekerja secara real time. Tabel 4.6 menunjukkan data hasil pengujian kecepatan sistem, dari proses awal sampai proses pengenalan dengan spesifikasi PC (personal computer) seperti yang telah disebutkan di atas. Tabel 4.7 Data Hasil Pengujian Kecepatan Sistem
No
Proses
Waktu yang diperlukan (s)
1. 2.
Baca file suara jantung Normalisasi Ekstraksi Ciri - Dekomposisi Paket Wavelet - Penghitungan Energi sub band Pengklasifikasian TOTAL
0,143 0,001
3. 4.
0,744 0,077 0,159 – 0,168 1,124 – 1,133
Penghitungan waktu di atas tidak termasuk waktu pelatihan jaringan. Waktu pelatihan jaringan bervariasi bergantung pemilihan hidden neuron. Waktu komputasi dihitung untuk sistem menggunakan spesifikasi berikut: ekstraksi ciri menggunakan dekomposisi paket wavelet 6 level dengan filter coiflet 1 dan klasifikasi dengan JST-LVQ dengan 32 hidden neuron. Dari hasil pengujian kecepatan sistem diperoleh waktu yang cukup singkat, yaitu 1,124-1,133 detik. Sehingga sistem ini memungkinkan diterapkan secara real time.
40
BAB V KESIMPULAN DAN SARAN
2.7 Kesimpulan Dari hasil analisis terhadap pengujian yang dilakukan pada sistem deteksi kelainan jantung berdasarkan suara jantung menggunakan dekomposisi paket wavelet dan jaringan syaraf tiruan LVQ (Learning Vector Quantization), maka dapat ditarik kesimpulan sebagai berikut : 1
Tingkat akurasi yang paling baik pada sistem deteksi kelainan jantung yang dirancang adalah 100% untuk data latih dan 95,56% untuk data uji.
2
Dekomposisi paket wavelet 6 level memberikan hasil ekstraksi ciri yang lebih baik dibandingkan dengan dekomposisi paket wavelet 7 dan 8 level.
3
Ekstraksi ciri dengan filter coiflet memberikan hasil deteksi yang lebih akurat daripada ekstraksi ciri dengan filter symlet dan filter daubechies.
4
Orde filter coiflet pada ekstraksi ciri yang memberikan hasil deteksi paling akurat adalah orde 1.
5
JST LVQ dengan 32 hidden neuron memberikan hasil paling optimal dalam penelitian ini.
6
Semakin banyak jumlah data latih yang dimasukkan ke sistem JST maka semakin baik tingkat akurasi sistem.
7
Pemilihan data latih yang dimasukkan pada proses pelatihan mempengaruhi tingkat akurasi sistem.
8
Waktu komputasi sistem deteksi kelainan jantung yang dirancang adalah 1.124 – 1.133 detik (tidak termasuk waktu pelatihan JST), sehingga sistem diharapkan dapat bekerja secara real time.
41
2.8 Saran Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain : 1.
Penggunaan data latih dan data uji yang lebih banyak agar sistem dapat mengenali berbagai variasi data pada masing-masing kelas kelainan jantung.
2.
Penggunaan metode pre-processing yang lebih handal agar didapatkan komponen-komponen sinyal suara yang dapat menghasilkan ciri yang lebih baik.
3.
Penggunaan ekstraksi ciri dengan metode lain yang menghasilkan ciri yang berbeda untuk setiap kelas kelainan jantung.
4.
Sistem ini dapat diimplementasikan secara real time dengan menggunakan alat perekam suara jantung sehingga bisa menjadi alat bantu yang lengkap untuk dokter.
42
DAFTAR PUSTAKA [1]
Anggraeni, Lisa. 2006. Deteksi Kelainan Jantung Dengan Analisis Phono Cardiogram Menggunakan Metode Linear Predictive Coding Dan Jaringan Syaraf Tiruan Backpropagation. Tugas Akhir sarjana Teknik pada STT Telkom bandung.
[2]
Daubechies, I. 1992. Ten lectures on wavelets, SIAM
[3]
Gonzales, Rafael C and Woods, Richard. 1993. Digital Image Processing. USA: Addison-Wesley Publishing Company.
[4]
Javed, Faizan., Venkatachalam, P.A., dan Fadzil, Ahmad. 2006. A Signal Processing Module for the Analysis of Heart Sounds and Heart Murmurs. Perak: Signal & Imaging Processing and Tele-Medicine Technology Research Group, Department of Electrical & Electronics Engineering, Universiti Teknologi PETRONAS
[5]
Polikar, Robi. 1996. The Wavelet Tutorial. Rowan University College of Engineering, www.rowan.edu
[6]
Reed, Todd R., Reed, Nancy E., dan Fritzon, Peter. 2001. The Analysis Of Heart Sounds For Symptom Detection And Machine-Aided Diagnosis. The 4th International EUROSIM Congress
[7]
Santoso, Karo-Karo.
. Penatalaksanaan Awal Jantung Berdasarkan
Paradigma Sehat. BIDI Berita Ikatan Dokter Indonesia. http://www.idi.or.id [8]
Siang, Jong Jek. 2005. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi Yogyakarta.
[9]
The Math Works Inc. 2000. MATLAB Image Processing Toolbox User Guide.
[10] The Math Works Inc. 2000. MATLAB Neural Network Toolbox User Guide. [11] The Math Works Inc. 2000. MATLAB Wavelet Toolbox User Guide. [12] Wang C. Ted and Nicolaos B. Karayiannis., August 1998. Detection of Microcalcifications in Digital Mammograms Using Wavelets. IEEE Transaction Medical Imaging , vol. 17, no. 4, pp. 498-509.
xviii
[13] Widodo, Th. Sri. “Analisis Spektral Isyarat Suara Jantung”. Seminar On Electrical Engineering (SEE2004). hal 109-114 , Agustus 2004, Universitas Achmad Dahlan, Yogyakarta, Indonesia [14] Widodo, Thomas Sri. 2005. Sistem Neuro Fuzzy Untuk Pengolahan Informasi, Pemodelan Dan Kendali. Yogyakarta: Graha Ilmu [15] Yu, Len Huang and Ya, Guang Liu., 2003. Diagnosis of Solid Breast Tumors with Sonographic Textures Analysis. Taiwan:
16th IPPR
Conference on Computer Vision, Graphics and Image Processing (CVGIP). [16] Yusianor, Desy. 2005. Kompresi Data Pada Gambar Medis Dengan Metode ROI Coding Berdasarkan Transformasi Wavelet. Tugas Akhir sarjana Teknik pada STT Telkom bandung.
xix
LAMPIRAN A LISTING PROGRAM Program Pilih File % ========== Open File wav ========== % [filename pathname]=uigetfile('*.wav','Buka file wav'); [s fs nbit]=wavread([pathname filename]); x=0:1:length(s)-1; t=x/fs; % ========== Plot Sinyal Suara Asli =========== % figure,plot(t,s),xlabel('Waktu'),ylabel('Intensitas'),... title(['Sinyal Asli',num2str(filename)]),grid on;
Program Normalisasi % ========== Normalisasi Terhadap Ampiltudo Maksimum ========== % s=s(1:8192); snorm=s/max(s); xnorm=0:1:length(snorm)-1; tnorm=xnorm/fs; % ========== Plot Sinyal Suara Asli Ternormalisasi ========== % figure,plot(tnorm,snorm),xlabel('Waktu'),ylabel('Intensitas'),... title(['Sinyal Asli',num2str(filename)]),grid on;
Program FFT % ========== FFT Sinyal Asli ========== % spek=fft(snorm,512); fspek=0:1:length(spek)-1; fbaru=fspek/length(spek); f=2*fs*fbaru; % ========== Plot Spektrum Frekuensi ========== % figure,plot(f,abs(spek)),xlabel('Frekuensi'),ylabel('Intensitas'), ... title(['Spektrum Frekuensi',num2str(filename)]),grid on, xlim([0 4000]);
Program Ekstraksi Ciri % ========== Dekomposisi Paket Wavelet ========== % % ========== Toolbox wpdec ========== % % wpt=wpdec(snorm,6,'coif1','shannon'); % ========== dekomposisi level 1 ========== % [c10,d11]=dwt(snorm,'coif1'); % ========== dekomposisi level 2 ========== % [c20,d21]=dwt(c10,'coif1'); [c22,d23]=dwt(d11,'coif1'); % ========== Dekomposisi level 3 ========== % [c30,d31]=dwt(c20,'coif1'); [c32,d33]=dwt(d21,'coif1'); [c34,d35]=dwt(c22,'coif1'); [c36,d37]=dwt(d23,'coif1');
A-1
% ========== Dekomposisi level 4 ========== % [c40,d41]=dwt(c30,'coif1'); [c42,d43]=dwt(d31,'coif1'); [c44,d45]=dwt(c32,'coif1'); [c46,d47]=dwt(d33,'coif1'); [c48,d49]=dwt(c34,'coif1'); [c410,d411]=dwt(d35,'coif1'); [c412,d413]=dwt(c36,'coif1'); [c414,d415]=dwt(d37,'coif1'); % ========== Dekomposisi level 5 ========== % [c50,d51]=dwt(c40,'coif1'); [c52,d53]=dwt(d41,'coif1'); [c54,d55]=dwt(c42,'coif1'); [c56,d57]=dwt(d43,'coif1'); [c58,d59]=dwt(c44,'coif1'); [c510,d511]=dwt(d45,'coif1'); [c512,d513]=dwt(c46,'coif1'); [c514,d515]=dwt(d47,'coif1'); [c516,d517]=dwt(c48,'coif1'); [c518,d519]=dwt(d49,'coif1'); [c520,d521]=dwt(c410,'coif1'); [c522,d523]=dwt(d411,'coif1'); [c524,d525]=dwt(c412,'coif1'); [c526,d527]=dwt(d413,'coif1'); [c528,d529]=dwt(c414,'coif1'); [c530,d531]=dwt(d415,'coif1'); % ========== Dekomposisi level 6 ========== % [c60,d61]=dwt(c50,'coif1'); [c62,d63]=dwt(d51,'coif1'); [c64,d65]=dwt(c52,'coif1'); [c66,d67]=dwt(d53,'coif1'); [c68,d69]=dwt(c54,'coif1'); [c610,d611]=dwt(d55,'coif1'); [c612,d613]=dwt(c56,'coif1'); [c614,d615]=dwt(d57,'coif1'); [c616,d617]=dwt(c58,'coif1'); [c618,d619]=dwt(d59,'coif1'); [c620,d621]=dwt(c510,'coif1'); [c622,d623]=dwt(d511,'coif1'); [c624,d625]=dwt(c512,'coif1'); [c626,d627]=dwt(d513,'coif1'); [c628,d629]=dwt(c514,'coif1'); [c630,d631]=dwt(d515,'coif1'); [c632,d633]=dwt(c516,'coif1'); [c634,d635]=dwt(d517,'coif1'); [c636,d637]=dwt(c518,'coif1'); [c638,d639]=dwt(d519,'coif1'); [c640,d641]=dwt(c520,'coif1'); [c642,d643]=dwt(d521,'coif1'); [c644,d645]=dwt(c522,'coif1'); [c646,d647]=dwt(d523,'coif1'); [c648,d649]=dwt(c524,'coif1'); [c650,d651]=dwt(d525,'coif1'); [c652,d653]=dwt(c526,'coif1'); [c654,d655]=dwt(d527,'coif1'); [c656,d657]=dwt(c528,'coif1'); [c658,d659]=dwt(d529,'coif1'); [c660,d661]=dwt(c530,'coif1'); [c662,d663]=dwt(d531,'coif1');
A-2
% Penghitungan Energi Sub Band Hasil Dekomposisi % % ========== Toolbox wenergy ========== % % energy=wenergy(wpt); % energy=energy(1:10); total_coef=[c60;d61;c62;d63;c64;d65;c66;d67;c68;d69;c610;d611;c612 ;d613;c614;... d615;c616;d617;c618;d619;c620;d621;c622;d623;c624;d625;c626;d627;c 628;... d629;c630;d631;c632;d633;c634;d635;c636;d637;c638;d639;c640;d641;c 642;... d643;c644;d645;c646;d647;c648;d649;c650;d651;c652;d653;c654;d655;c 656;... d657;c658;d659;c660;d661;c662;d663]; e60=100*sum(c60.^2)/sum(total_coef.^2); e61=100*sum(d61.^2)/sum(total_coef.^2); e62=100*sum(c62.^2)/sum(total_coef.^2); e63=100*sum(d63.^2)/sum(total_coef.^2); e64=100*sum(c64.^2)/sum(total_coef.^2); e65=100*sum(d65.^2)/sum(total_coef.^2); e66=100*sum(c66.^2)/sum(total_coef.^2); e67=100*sum(d67.^2)/sum(total_coef.^2); e68=100*sum(c68.^2)/sum(total_coef.^2); e69=100*sum(d69.^2)/sum(total_coef.^2); e610=100*sum(c60.^2)/sum(total_coef.^2); e611=100*sum(d611.^2)/sum(total_coef.^2); e612=100*sum(c612.^2)/sum(total_coef.^2); e613=100*sum(d613.^2)/sum(total_coef.^2); e614=100*sum(c614.^2)/sum(total_coef.^2); e615=100*sum(d615.^2)/sum(total_coef.^2); e616=100*sum(c616.^2)/sum(total_coef.^2); e617=100*sum(d617.^2)/sum(total_coef.^2); e618=100*sum(c618.^2)/sum(total_coef.^2); e619=100*sum(d619.^2)/sum(total_coef.^2); e620=100*sum(c620.^2)/sum(total_coef.^2); e621=100*sum(d621.^2)/sum(total_coef.^2); e622=100*sum(c622.^2)/sum(total_coef.^2); e623=100*sum(d623.^2)/sum(total_coef.^2); e624=100*sum(c624.^2)/sum(total_coef.^2); e625=100*sum(d625.^2)/sum(total_coef.^2); e626=100*sum(c626.^2)/sum(total_coef.^2); e627=100*sum(d627.^2)/sum(total_coef.^2); e628=100*sum(c628.^2)/sum(total_coef.^2); e629=100*sum(d629.^2)/sum(total_coef.^2); e630=100*sum(c630.^2)/sum(total_coef.^2); e631=100*sum(d631.^2)/sum(total_coef.^2); e632=100*sum(c632.^2)/sum(total_coef.^2); e633=100*sum(d633.^2)/sum(total_coef.^2); e634=100*sum(c634.^2)/sum(total_coef.^2); e635=100*sum(d635.^2)/sum(total_coef.^2); e636=100*sum(c636.^2)/sum(total_coef.^2); e637=100*sum(d637.^2)/sum(total_coef.^2); e638=100*sum(c638.^2)/sum(total_coef.^2); e639=100*sum(d639.^2)/sum(total_coef.^2);
A-3
e640=100*sum(c640.^2)/sum(total_coef.^2); e641=100*sum(d641.^2)/sum(total_coef.^2); e642=100*sum(c642.^2)/sum(total_coef.^2); e643=100*sum(d643.^2)/sum(total_coef.^2); e644=100*sum(c644.^2)/sum(total_coef.^2); e645=100*sum(d645.^2)/sum(total_coef.^2); e646=100*sum(c646.^2)/sum(total_coef.^2); e647=100*sum(d647.^2)/sum(total_coef.^2); e648=100*sum(c648.^2)/sum(total_coef.^2); e649=100*sum(d649.^2)/sum(total_coef.^2); e650=100*sum(c650.^2)/sum(total_coef.^2); e651=100*sum(d651.^2)/sum(total_coef.^2); e652=100*sum(c652.^2)/sum(total_coef.^2); e653=100*sum(d653.^2)/sum(total_coef.^2); e654=100*sum(c654.^2)/sum(total_coef.^2); e655=100*sum(d655.^2)/sum(total_coef.^2); e656=100*sum(c656.^2)/sum(total_coef.^2); e657=100*sum(d657.^2)/sum(total_coef.^2); e658=100*sum(c658.^2)/sum(total_coef.^2); e659=100*sum(d659.^2)/sum(total_coef.^2); e660=100*sum(c660.^2)/sum(total_coef.^2); e661=100*sum(d661.^2)/sum(total_coef.^2); e662=100*sum(c662.^2)/sum(total_coef.^2); e663=100*sum(d663.^2)/sum(total_coef.^2); energy=[e60 e61 e62 e63 e64 e65 e66 e67 e68 e613 e614... e615 e616 e617 e618 e619 e620 e621 e622 e627... e628 e629 e630 e631 e632 e633 e634 e635 e640... e641 e642 e643 e644 e645 e646 e647 e648 e653... e654 e655 e656 e657 e658 e659 e660 e661 energy=energy(1:10);
e69 e610 e611 e612 e623 e624 e625 e626 e636 e637 e638 e639 e649 e650 e651 e652 e662 e663];
% ========== Plot Fitur Ekstraksi ========== % figure,plot(energy),title(['Ekstraksi',num2str(filename)]),grid on;
Program Pelatihan JST LVQ % ========== Load Data Latih ========== % % ========== data cont_mur ========== % load cont_mur001_6c1 x(1:10)=energy(1:10); load cont_mur002_6c1 x(2,1:10)=energy(1:10); load cont_mur004_6c1 x(3,1:10)=energy(1:10); load cont_mur003_6c1 x(4,1:10)=energy(1:10); load cont_mur008_6c1 x(5,1:10)=energy(1:10); % ========== data s2 ========== % load s2001_6c1 x(6,1:10)=energy(1:10); load s2003_6c1 x(7,1:10)=energy(1:10);
A-4
load s2004_6c1 x(8,1:10)=energy(1:10); load s2002_6c1 x(9,1:10)=energy(1:10); load s2007_6c1 x(10,1:10)=energy(1:10); % ========== data late_sys ==========% load late_sys001_6c1 x(11,1:10)=energy(1:10); load late_sys002_6c1 x(12,1:10)=energy(1:10); load late_sys007_6c1 x(13,1:10)=energy(1:10); load late_sys005_6c1 x(14,1:10)=energy(1:10); load late_sys003_6c1 x(15,1:10)=energy(1:10); % ========== data mid_click ========== % load mid_click001_6c1 x(16,1:10)=energy(1:10); load mid_click002_6c1 x(17,1:10)=energy(1:10); load mid_click004_6c1 x(18,1:10)=energy(1:10); load mid_click003_6c1 x(19,1:10)=energy(1:10); load mid_click005_6c1 x(20,1:10)=energy(1:10); % ========== data mid_mur ========== % load mid_mur001_6c1 x(21,1:10)=energy(1:10); load mid_mur006_6c1 x(22,1:10)=energy(1:10); load mid_mur008_6c1 x(23,1:10)=energy(1:10); load mid_mur002_6c1 x(24,1:10)=energy(1:10); load mid_mur003_6c1 x(25,1:10)=energy(1:10); % ========== data norm ========== % load norm1_6c1 x(26,1:10)=energy(1:10); load norm11_6c1 x(27,1:10)=energy(1:10); load norm21_6c1 x(28,1:10)=energy(1:10); load norm24_6c1 x(29,1:10)=energy(1:10); load norm2_6c1 x(30,1:10)=energy(1:10); load norm12_6c1 x(31,1:10)=energy(1:10); load norm23_6c1 x(32,1:10)=energy(1:10); load norm33_6c1 x(33,1:10)=energy(1:10); load norm3_6c1 x(34,1:10)=energy(1:10); load norm13_6c1
A-5
x(35,1:10)=energy(1:10); % ========== data quad_rhytm ========== % load quad_rhytm001_6c1 x(36,1:10)=energy(1:10); load quad_rhytm003_6c1 x(37,1:10)=energy(1:10); load quad_rhytm004_6c1 x(38,1:10)=energy(1:10); load quad_rhytm009_6c1 x(39,1:10)=energy(1:10); load quad_rhytm005_6c1 x(40,1:10)=energy(1:10); % ========== Vektor Target ========== % a=ones(1,5); b=repmat(2,1,5); c=repmat(3,1,5); d=repmat(4,1,5); e=repmat(5,1,5); f=repmat(6,1,10); g=repmat(7,1,5); y=[a b c d e f g]; % % % %
========== Jaringan Syaraf Tiruan LVQ ========== % ============ Dengan 10 Input Neuron ========== % =============== 32 Hidden Neuron ========== % ================ 7 Output Neuron ==========%
% ========== Vektor Bobot Layer Kompetitif ========== % w1=x(1,:); w2=x(2,:); w3=x(3,:); w4=x(4,:); w5=x(6,:); w6=x(7,:); w7=x(8,:); w8=x(9,:); w9=x(11,:); w10=x(12,:); w11=x(13,:); w12=x(14,:); w13=x(16,:); w14=x(17,:); w15=x(18,:); w16=x(19,:); w17=x(21,:); w18=x(22,:); w19=x(23,:); w20=x(24,:); w21=x(26,:); w22=x(27,:); w23=x(28,:); w24=x(29,:); w25=x(31,:); w26=x(32,:); w27=x(33,:); w28=x(34,:);
A-6
w29=x(36,:); w30=x(37,:); w31=x(38,:); w32=x(39,:); % ========== Laju Pelatihan Awal ========== % a=0.01; % ========== Inisialisasi Iterasi Pertama ========== % iterasi=1 % ========== Inisialisasi Variabel Penampung ========== % % ========== Untuk Menghitung Selisih ========== % % ========== Bobot Baru Dan Bobot Lama ========== % selisih1=w1;selisih2=w2;selisih3=w3;selisih4=w4;selisih5=w5; selisih6=w6;selisih7=w7;selisih8=w8;selisih9=w9;selisih10=w10; selisih11=w11;selisih12=w12;selisih13=w13;selisih14=w14; selisih15=w15;selisih16=w16;selisih17=w17;selisih18=w18; selisih19=w19;selisih20=w20;selisih21=w21;selisih22=w22; selisih23=w23;selisih24=w24;selisih25=w25;selisih26=w26; selisih27=w27;selisih28=w28;selisih29=w29;selisih30=w30; selisih31=w31;selisih32=w32; % ========== Inisialisasi Nilai Konvergensi ========== % s=1; tic % ========== Syarat Berhenti ========== % while s>0 % ========== Faktor Pembagi Laju Pelatihan ========== % f=2^(iterasi-1); % ========== Latih Dengan 40 Pola Pelatihan ========== % for n=1:40 % Inisialisasi Nilai Jarak Antara Vektor Bobot Dan Vektor Input % d1=0; d2=0; d3=0; d4=0; d5=0; d6=0; d7=0; d8=0; d9=0; d10=0; d11=0; d12=0; d13=0; d14=0; d15=0; d16=0; d17=0; d18=0; d19=0; d20=0; d21=0; d22=0; d23=0; d24=0; d25=0; d26=0; d27=0; d28=0; d29=0; d30=0; d31=0; d32=0; % ========== Cacah Elemen Vektor Pelatihan ========== % for i=1:10 d1=d1+(w1(i)-x(n,i))^2; %jarak kuadarat vektor bobot 1 d2=d2+(w2(i)-x(n,i))^2; %jarak kuadarat vektor bobot 2 d3=d3+(w3(i)-x(n,i))^2; %jarak kuadarat vektor bobot 3 d4=d4+(w4(i)-x(n,i))^2; %jarak kuadarat vektor bobot 4 d5=d5+(w5(i)-x(n,i))^2; %jarak kuadarat vektor bobot 5 d6=d6+(w6(i)-x(n,i))^2; %jarak kuadarat vektor bobot 6 d7=d7+(w7(i)-x(n,i))^2; %jarak kuadarat vektor bobot 7 d8=d8+(w8(i)-x(n,i))^2; %jarak kuadarat vektor bobot 8 d9=d9+(w9(i)-x(n,i))^2; %jarak kuadarat vektor bobot 9 d10=d10+(w10(i)-x(n,i))^2;%jarak kuadarat vektor bbt10 d11=d11+(w11(i)-x(n,i))^2;%jarak kuadarat vektor bbt11 d12=d12+(w12(i)-x(n,i))^2;%jarak kuadarat vektor bbt12 d13=d13+(w13(i)-x(n,i))^2;%jarak kuadarat vektor bbt13 d14=d14+(w14(i)-x(n,i))^2;%jarak kuadarat vektor bbt14 d15=d15+(w15(i)-x(n,i))^2;%jarak kuadarat vektor bbt15 d16=d16+(w16(i)-x(n,i))^2;%jarak kuadarat vektor bbt16 d17=d17+(w17(i)-x(n,i))^2;%jarak kuadarat vektor bbt17 d18=d18+(w18(i)-x(n,i))^2;%jarak kuadarat vektor bbt18 d19=d19+(w19(i)-x(n,i))^2;%jarak kuadarat vektor bbt19 d20=d20+(w20(i)-x(n,i))^2;%jarak kuadarat vektor bbt20 d21=d21+(w21(i)-x(n,i))^2;%jarak kuadarat vektor bbt21 d22=d22+(w22(i)-x(n,i))^2;%jarak kuadarat vektor bbt22
A-7
d23=d23+(w23(i)-x(n,i))^2;%jarak d24=d24+(w24(i)-x(n,i))^2;%jarak d25=d25+(w25(i)-x(n,i))^2;%jarak d26=d26+(w26(i)-x(n,i))^2;%jarak d27=d27+(w27(i)-x(n,i))^2;%jarak d28=d28+(w28(i)-x(n,i))^2;%jarak d29=d29+(w29(i)-x(n,i))^2;%jarak d30=d30+(w30(i)-x(n,i))^2;%jarak d31=d31+(w31(i)-x(n,i))^2;%jarak d32=d32+(w32(i)-x(n,i))^2;%jarak
kuadarat kuadarat kuadarat kuadarat kuadarat kuadarat kuadarat kuadarat kuadarat kuadarat
vektor vektor vektor vektor vektor vektor vektor vektor vektor vektor
bbt23 bbt24 bbt25 bbt26 bbt27 bbt28 bbt29 bbt30 bbt31 bbt32
end d1=sqrt(d1);% jarak vektor bobot 1 terhadap pola pelatihan d2=sqrt(d2);% jarak vektor bobot 2 terhadap pola pelatihan d3=sqrt(d3);% jarak vektor bobot 3 terhadap pola pelatihan d4=sqrt(d4);% jarak vektor bobot 4 terhadap pola pelatihan d5=sqrt(d5);% jarak vektor bobot 5 terhadap pola pelatihan d6=sqrt(d6);% jarak vektor bobot 6 terhadap pola pelatihan d7=sqrt(d7);% jarak vektor bobot 7 terhadap pola pelatihan d8=sqrt(d8);% jarak vektor bobot 8 terhadap pola pelatihan d9=sqrt(d9);% jarak vektor bobot 9 terhadap pola pelatihan d10=sqrt(d10);%jarak vektor bobot 10 terhadap pola pelat d11=sqrt(d11);%jarak vektor bobot 11 terhadap pola pelat d13=sqrt(d13);%jarak vektor bobot 13 terhadap pola pelat d14=sqrt(d14);%jarak vektor bobot 14 terhadap pola pelat d15=sqrt(d15);%jarak vektor bobot 15 terhadap pola pelat d16=sqrt(d16);%jarak vektor bobot 16 terhadap pola pelat d17=sqrt(d17);%jarak vektor bobot 17 terhadap pola pelat d18=sqrt(d18);%jarak vektor bobot 18 terhadap pola pelat d19=sqrt(d19);%jarak vektor bobot 19 terhadap pola pelat d20=sqrt(d20);%jarak vektor bobot 20 terhadap pola pelat d21=sqrt(d21);%jarak vektor bobot 21 terhadap pola pelat d22=sqrt(d22);%jarak vektor bobot 22 terhadap pola pelat d23=sqrt(d23);%jarak vektor bobot 23 terhadap pola pelat d24=sqrt(d24);%jarak vektor bobot 24 terhadap pola pelat d25=sqrt(d25);%jarak vektor bobot 25 terhadap pola pelat d26=sqrt(d26);%jarak vektor bobot 26 terhadap pola pelat d27=sqrt(d27);%jarak vektor bobot 27 terhadap pola pelat d28=sqrt(d28);%jarak vektor bobot 28 terhadap pola pelat d29=sqrt(d29);%jarak vektor bobot 29 terhadap pola pelat d30=sqrt(d30);%jarak vektor bobot 30 terhadap pola pelat d31=sqrt(d31);%jarak vektor bobot 31 terhadap pola pelat d32=sqrt(d32);%jarak vektor bobot 32 terhadap pola pelat d=[d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 d11 d12 d13 d14 d15 d16 d17 d18 d19 d20 d21 d22 d23 d24 d25 d26 d27 d28 d29 d30 d31 d32]; dmin=min(d); % Kompetisi Pemilihan Neuron Dengan Jarak Minimum switch dmin case d(1) k=1; % maka kelas 1 e=y(n)-k; %sama dengan target? if e<1 %bila sama w1=w1+(a/f)*(x(n,:)-w1);%dekatkan vektor bbt1 else %bila tidak w1=w1-(a/f)*(x(n,:)-w1);%jauhkan vek bbt1 end case d(2) k=1; %maka kelas1 e=y(n)-k; %sama dengan target? if e<1 %bila sama
A-8
w2=w2+(a/f)*(x(n,:)-w2);%dekatkan vektor bbt2 else %bila tidak w2=w2-(a/f)*(x(n,:)-w2);%jauhkan vek bbt2 end case d(3) k=1; %maka kelas1 e=y(n)-k; %sama dengan target? if e<1 %bila sama w3=w3+(a/f)*(x(n,:)-w3);%dekatkan vektor else %bila tidak w3=w3-(a/f)*(x(n,:)-w3);%jauhkan vek end case d(4) k=1; %maka kelas1 e=y(n)-k; %sama dengan target? if e<1 %bila sama w4=w4+(a/f)*(x(n,:)-w4);%dekatkan vektor else %bila tidak w4=w4-(a/f)*(x(n,:)-w4);%jauhkan vek end case d(5) k=2; % maka kelas2 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w5=w5+(a/f)*(x(n,:)-w5);%dekatkan vektor else %bila tidak w5=w5-(a/f)*(x(n,:)-w5);%jauhkan vek end case d(6) k=2; % maka kelas2 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w6=w6+(a/f)*(x(n,:)-w6);%dekatkan vektor else %bila tidak w6=w6-(a/f)*(x(n,:)-w6);%jauhkan vek end case d(7) k=2; % maka kelas2 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w7=w7+(a/f)*(x(n,:)-w7);%dekatkan vektor else %bila tidak w7=w7-(a/f)*(x(n,:)-w7);%jauhkan vek end case d(8) k=2; % maka kelas2 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w8=w8+(a/f)*(x(n,:)-w8);%dekatkan vektor else %bila tidak w8=w8-(a/f)*(x(n,:)-w8);%jauhkan vek end case d(9) k=3; % maka kelas3 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w9=w9+(a/f)*(x(n,:)-w9);%dekatkan vektor else %bila tidak w9=w9-(a/f)*(x(n,:)-w9);%jauhkan vek
A-9
bbt3 bbt3
bbt4 bbt4
bbt5 bbt5
bbt6 bbt6
bbt7 bbt7
bbt8 bbt8
bbt9 bbt9
end case d(10) k=3; % maka kelas3 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w10=w10+(a/f)*(x(n,:)-w10);%dekatkan vek bbt10 else %bila tidak w10=w10-(a/f)*(x(n,:)-w10);%jauh vek bbt10 end case d(11) k=3; % maka kelas3 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w11=w11+(a/f)*(x(n,:)-w11);%dekatkan vek bbt11 else %bila tidak w11=w11-(a/f)*(x(n,:)-w11);%jauh vek bbt11 end case d(12) k=3; % maka kelas3 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w12=w12+(a/f)*(x(n,:)-w12);%dekatkan vek bbt12 else %bila tidak w12=w12-(a/f)*(x(n,:)-w12);%jauh vek bbt12 end case d(13) k=4; % maka kelas4 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w13=w13+(a/f)*(x(n,:)-w13);%dekatkan vek bbt13 else %bila tidak w13=w13-(a/f)*(x(n,:)-w13);%jauh vek bbt13 end case d(14) k=4; % maka kelas4 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w14=w14+(a/f)*(x(n,:)-w14);%dekatkan vek bbt14 else %bila tidak w14=w14-(a/f)*(x(n,:)-w14);%jauh vek bbt14 end case d(15) k=4; % maka kelas4 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w15=w15+(a/f)*(x(n,:)-w15);%dekatkan vek bbt15 else %bila tidak w15=w15-(a/f)*(x(n,:)-w15);%jauh vek bbt15 end case d(16) k=4; % maka kelas4 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w16=w16+(a/f)*(x(n,:)-w16);%dekatkan vek bbt16 else %bila tidak w16=w16-(a/f)*(x(n,:)-w16);%jauh vek bbt16 end case d(17) k=5; % maka kelas5
A-10
e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w17=w17+(a/f)*(x(n,:)-w17);%dekatkan else %bila tidak w17=w17-(a/f)*(x(n,:)-w17);%jauh end case d(18) k=5; % maka kelas5 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w18=w18+(a/f)*(x(n,:)-w18);%dekatkan else %bila tidak w18=w18-(a/f)*(x(n,:)-w18);%jauh end case d(19) k=5; % maka kelas5 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w19=w19+(a/f)*(x(n,:)-w19);%dekatkan else %bila tidak w19=w19-(a/f)*(x(n,:)-w19);%jauh end case d(20) k=5; % maka kelas5 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w20=w20+(a/f)*(x(n,:)-w20);%dekatkan else %bila tidak w20=w20-(a/f)*(x(n,:)-w20);%jauh end case d(21) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w21=w21+(a/f)*(x(n,:)-w21);%dekatkan else %bila tidak w21=w21-(a/f)*(x(n,:)-w21);%jauh end case d(22) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w22=w22+(a/f)*(x(n,:)-w22);%dekatkan else %bila tidak w22=w22-(a/f)*(x(n,:)-w22);%jauh end case d(23) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w23=w23+(a/f)*(x(n,:)-w23);%dekatkan else %bila tidak w23=w23-(a/f)*(x(n,:)-w23);%jauh end case d(24) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w24=w24+(a/f)*(x(n,:)-w24);%dekatkan
A-11
vek bbt17 vek bbt17
vek bbt18 vek bbt18
vek bbt19 vek bbt19
vek bbt20 vek bbt20
vek bbt21 vek bbt21
vek bbt22 vek bbt22
vek bbt23 vek bbt23
vek bbt24
else %bila tidak w24=w24-(a/f)*(x(n,:)-w24);%jauh vek bbt24
end case d(25) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w25=w25+(a/f)*(x(n,:)-w25);%dekatkan else %bila tidak w25=w25-(a/f)*(x(n,:)-w25);%jauh end case d(26) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w26=w26+(a/f)*(x(n,:)-w26);%dekatkan else %bila tidak w26=w26-(a/f)*(x(n,:)-w26);%jauh end case d(27) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w27=w27+(a/f)*(x(n,:)-w27);%dekatkan else %bila tidak w27=w27-(a/f)*(x(n,:)-w27);%jauh end case d(28) k=6; % maka kelas6 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w28=w28+(a/f)*(x(n,:)-w28);%dekatkan else %bila tidak w28=w28-(a/f)*(x(n,:)-w28);%jauh end case d(29) k=7; % maka kelas7 e=y(n)-k ;% sama dengan target ? if e<1; % bila sama w29=w29+(a/f)*(x(n,:)-w29);%dekatkan else %bila tidak w29=w29-(a/f)*(x(n,:)-w29);%jauh end case d(30) k=7; % maka kelas7 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w30=w30+(a/f)*(x(n,:)-w30);%dekatkan else %bila tidak w30=w30-(a/f)*(x(n,:)-w30);%jauh end case d(31) k=7; % maka kelas7 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w31=w31+(a/f)*(x(n,:)-w31);%dekatkan else %bila tidak w31=w31-(a/f)*(x(n,:)-w31);%jauh end
A-12
vek bbt25 vek bbt25
vek bbt26 vek bbt26
vek bbt27 vek bbt27
vek bbt28 vek bbt28
vek bbt29 vek bbt29
vek bbt30 vek bbt30
vek bbt31 vek bbt31
case d(32) k=7; % maka kelas7 e=y(n)-k ;% sama dengan target? if e<1; % bila sama w32=w32+(a/f)*(x(n,:)-w32);%dekatkan vek bbt32 else %bila tidak w32=w32-(a/f)*(x(n,:)-w32);%jauh vek bbt32 end end % pelatihan satu pola selesai end % pelatihan 40 pola selesai % Hitung Selisih Vektor Bobot Baru Dan Vektor Bobot Lama % selisih_tot1=abs(selisih1-w1);selisih_tot2=abs(selisih2-w2); selisih_tot3=abs(selisih3-w3);selisih_tot4=abs(selisih4-w4); selisih_tot5=abs(selisih5-w5);selisih_tot6=abs(selisih6-w6); selisih_tot7=abs(selisih7-w7);selisih_tot8=abs(selisih8-w8); selisih_tot9=abs(selisih9-w9);selisih_tot10=abs(selisih10-w10); selisih_tot11=abs(selisih11-w11);selisih_tot12=abs(selisih12-w12); selisih_tot13=abs(selisih13-w13);selisih_tot14=abs(selisih14-w14); selisih_tot15=abs(selisih15-w15);selisih_tot16=abs(selisih16-w16); selisih_tot17=abs(selisih17-w17);selisih_tot18=abs(selisih18-w18); selisih_tot19=abs(selisih19-w19);selisih_tot20=abs(selisih20-w20); selisih_tot21=abs(selisih21-w21);selisih_tot22=abs(selisih22-w22); selisih_tot23=abs(selisih23-w23);selisih_tot24=abs(selisih24-w24); selisih_tot25=abs(selisih25-w25);selisih_tot26=abs(selisih26-w26); selisih_tot27=abs(selisih27-w27);selisih_tot28=abs(selisih28-w28); selisih_tot29=abs(selisih29-w29);selisih_tot30=abs(selisih30-w30); selisih_tot31=abs(selisih31-w31);selisih_tot32=abs(selisih32-w32); % ========== Total Selisih ========== % s=sum(selisih_tot1+selisih_tot2+selisih_tot3+selisih_tot4+... selisih_tot5+selisih_tot6+selisih_tot7+selisih_tot8+... selisih_tot9+selisih_tot10+selisih_tot11+selisih_tot12+... selisih_tot13+selisih_tot14+selisih_tot15+selisih_tot16+... selisih_tot17+selisih_tot18+selisih_tot19+selisih_tot20+... selisih_tot21+selisih_tot22+selisih_tot23+selisih_tot24+... selisih_tot25+selisih_tot26+selisih_tot27+selisih_tot28+... selisih_tot29+selisih_tot30+selisih_tot31+selisih_tot32); % Masukin Nilai Vektor Bobot Baru Ke Variabel Penampung % selisih1=w1;selisih2=w2;selisih3=w3;selisih4=w4;selisih5=w5; selisih6=w6;selisih7=w7;selisih8=w8;selisih9=w9;selisih10=w10; selisih11=w11;selisih12=w12;selisih13=w13;selisih14=w14; selisih15=w15;selisih16=w16;selisih17=w17;selisih18=w18; selisih19=w19;selisih20=w20;selisih21=w21;selisih22=w22; selisih23=w23;selisih24=w24;selisih25=w25;selisih26=w26; selisih27=w27;selisih28=w28;selisih29=w29;selisih30=w30; selisih31=w31;selisih32=w32; % ========== Ubah Nilai Iterasi ========== % iterasi=iterasi+1; % ========== Tampilkan Nilai Iterasi ========== % disp('iterasi ke'),disp(num2str(iterasi)) end %pelatihan selesai
A-13
toc % ========== Vektor Bobot Baru ========== % w1=w1;w2=w2;w3=w3;w4=w4;w5=w5;w6=w6;w7=w7;w8=w8;w9=w9;w10=w10;w11= w11; w12=w12;w13=w13;w14=w14;w15=w15;w16=w16;w17=w17;w18=w18;w19=w19;w2 0=w20; w21=w21;w22=w22;w23=w23;w24=w24;w25=w25;w26=w26;w27=w27;w28=w28; w29=w29;w30=w30;w31=w31;w32=w32; % Bentuk Matriks Bobot 32X10 (Jumlah Hidden Neuron x Jumlah Input Neuron) w=[w1;w2;w3;w4;w5;w6;w7;w8;w9;w10;w11;w12;w13;w14;w15;w16;w17;w18; w19;... w20;w21;w22;w23;w24;w25;w26;w27;w28;w29;w30;w31;w32]; save bobot_kompetitif6c1_32hnx w % ========== Vektor Bobot Layer Linear 7x32 ========== % vind=[1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 6 6 6 6 7 7 7 7]; v=ind2vec(vind); save bobot_linear6c1_32hnx v
Program Pengujian JST LVQ % ========== Load Data Uji ========== % inp(1:10)=energy(1:10); % ========== Load Vektor Bobot Kompetitif ========== % load bobot_kompetitif6c1_32hnx w w=w; % ===== Hitung Jarak Vektor Input Terhadap Vektor Bobot ===== % jarak1=[];jarak2=[];jarak3=[];jarak4=[];jarak5=[];jarak6=[];jarak7 =[]; jarak8=[];jarak9=[];jarak10=[];jarak11=[];jarak12=[];jarak13=[]; jarak14=[];jarak15=[];jarak16=[];jarak17=[];jarak18=[];jarak19=[]; jarak20=[];jarak21=[];jarak22=[];jarak23=[];jarak24=[];jarak25=[]; jarak26=[];jarak27=[];jarak28=[];jarak29=[];jarak30=[];jarak31=[]; jarak32=[]; for j=1:10 jarak_temp1=(w(1,j)-inp(1,j))^2; jarak1=[jarak1 jarak_temp1]; jarak1=sqrt(sum(jarak1)); jarak_temp2=(w(2,j)-inp(1,j))^2; jarak2=[jarak2 jarak_temp2]; jarak2=sqrt(sum(jarak2)); jarak_temp3=(w(3,j)-inp(1,j))^2; jarak3=[jarak3 jarak_temp3]; jarak3=sqrt(sum(jarak3)); jarak_temp4=(w(4,j)-inp(1,j))^2; jarak4=[jarak4 jarak_temp4]; jarak4=sqrt(sum(jarak4)); jarak_temp5=(w(5,j)-inp(1,j))^2; jarak5=[jarak5 jarak_temp5];
A-14
jarak5=sqrt(sum(jarak5)); jarak_temp6=(w(6,j)-inp(1,j))^2; jarak6=[jarak6 jarak_temp6]; jarak6=sqrt(sum(jarak6)); jarak_temp7=(w(7,j)-inp(1,j))^2; jarak7=[jarak7 jarak_temp7]; jarak7=sqrt(sum(jarak7)); jarak_temp8=(w(8,j)-inp(1,j))^2; jarak8=[jarak8 jarak_temp8]; jarak8=sqrt(sum(jarak8)); jarak_temp9=(w(9,j)-inp(1,j))^2; jarak9=[jarak9 jarak_temp9]; jarak9=sqrt(sum(jarak9)); jarak_temp10=(w(10,j)-inp(1,j))^2; jarak10=[jarak10 jarak_temp10]; jarak10=sqrt(sum(jarak10)); jarak_temp11=(w(11,j)-inp(1,j))^2; jarak11=[jarak11 jarak_temp11]; jarak11=sqrt(sum(jarak11)); jarak_temp12=(w(12,j)-inp(1,j))^2; jarak12=[jarak12 jarak_temp12]; jarak12=sqrt(sum(jarak12)); jarak_temp13=(w(13,j)-inp(1,j))^2; jarak13=[jarak13 jarak_temp13]; jarak13=sqrt(sum(jarak13)); jarak_temp14=(w(14,j)-inp(1,j))^2; jarak14=[jarak14 jarak_temp14]; jarak14=sqrt(sum(jarak14)); jarak_temp15=(w(15,j)-inp(1,j))^2; jarak15=[jarak15 jarak_temp15]; jarak15=sqrt(sum(jarak15)); jarak_temp16=(w(16,j)-inp(1,j))^2; jarak16=[jarak16 jarak_temp16]; jarak16=sqrt(sum(jarak16)); jarak_temp17=(w(17,j)-inp(1,j))^2; jarak17=[jarak17 jarak_temp17]; jarak17=sqrt(sum(jarak17)); jarak_temp18=(w(18,j)-inp(1,j))^2; jarak18=[jarak18 jarak_temp18]; jarak18=sqrt(sum(jarak18)); jarak_temp19=(w(19,j)-inp(1,j))^2; jarak19=[jarak19 jarak_temp19]; jarak19=sqrt(sum(jarak19)); jarak_temp20=(w(20,j)-inp(1,j))^2; jarak20=[jarak20 jarak_temp20]; jarak20=sqrt(sum(jarak20)); jarak_temp21=(w(21,j)-inp(1,j))^2; jarak21=[jarak21 jarak_temp21]; jarak21=sqrt(sum(jarak21)); jarak_temp22=(w(22,j)-inp(1,j))^2; jarak22=[jarak22 jarak_temp22]; jarak22=sqrt(sum(jarak22)); jarak_temp23=(w(23,j)-inp(1,j))^2; jarak23=[jarak23 jarak_temp23]; jarak23=sqrt(sum(jarak23)); jarak_temp24=(w(24,j)-inp(1,j))^2; jarak24=[jarak24 jarak_temp24]; jarak24=sqrt(sum(jarak24)); jarak_temp25=(w(25,j)-inp(1,j))^2;
A-15
jarak25=[jarak25 jarak_temp25]; jarak25=sqrt(sum(jarak25)); jarak_temp26=(w(26,j)-inp(1,j))^2; jarak26=[jarak26 jarak_temp26]; jarak26=sqrt(sum(jarak26)); jarak_temp27=(w(27,j)-inp(1,j))^2; jarak27=[jarak27 jarak_temp27]; jarak27=sqrt(sum(jarak27)); jarak_temp28=(w(28,j)-inp(1,j))^2; jarak28=[jarak28 jarak_temp28]; jarak28=sqrt(sum(jarak28)); jarak_temp29=(w(29,j)-inp(1,j))^2; jarak29=[jarak29 jarak_temp29]; jarak29=sqrt(sum(jarak29)); jarak_temp30=(w(30,j)-inp(1,j))^2; jarak30=[jarak30 jarak_temp30]; jarak30=sqrt(sum(jarak30)); jarak_temp31=(w(31,j)-inp(1,j))^2; jarak31=[jarak31 jarak_temp31]; jarak31=sqrt(sum(jarak31)); jarak_temp32=(w(32,j)-inp(1,j))^2; jarak32=[jarak32 jarak_temp32]; jarak32=sqrt(sum(jarak32)); jarak=[jarak1;jarak2;jarak3;jarak4;jarak5;jarak6;jarak7;jarak8;... jarak9;jarak10;jarak11;jarak12;jarak13;jarak14;jarak15;jarak16;... jarak17;jarak18;jarak19;jarak20;jarak21;jarak22;jarak23;jarak24;.. .jarak25;jarak26;jarak27;jarak28;jarak29;jarak30;jarak31;jarak32]; end % = Inisialisasi Vektor Output Layer Kompetitif = % a1=zeros(32,1); % ========== Cari Jarak Minimum ========== % jarak_min=min(jarak); switch jarak_min case jarak(1) a1(1,1)=1; case jarak(2) a1(2,1)=1; case jarak(3) a1(3,1)=1; case jarak(4) a1(4,1)=1; case jarak(5) a1(5,1)=1; case jarak(6) a1(6,1)=1; case jarak(7) a1(7,1)=1; case jarak(8) a1(8,1)=1; case jarak(9) a1(9,1)=1; case jarak(10) a1(10,1)=1; case jarak(11) a1(11,1)=1;
A-16
case jarak(12) a1(12,1)=1; case jarak(13) a1(13,1)=1; case jarak(14) a1(14,1)=1; case jarak(15) a1(15,1)=1; case jarak(16) a1(16,1)=1; case jarak(17) a1(17,1)=1; case jarak(18) a1(18,1)=1; case jarak(19) a1(19,1)=1; case jarak(20) a1(20,1)=1; case jarak(21) a1(21,1)=1; case jarak(22) a1(22,1)=1; case jarak(23) a1(23,1)=1; case jarak(24) a1(24,1)=1; case jarak(25) a1(25,1)=1; case jarak(26) a1(26,1)=1; case jarak(27) a1(27,1)=1; case jarak(28) a1(28,1)=1; case jarak(29) a1(29,1)=1; case jarak(30) a1(30,1)=1; case jarak(31) a1(31,1)=1; case jarak(32) a1(32,1)=1; end % Didapatkan Vektor Output Layer Kompetitif (a1) % % ========== Load Vektor Bobot Linear ========== % load bobot_linear6c1_32hnx v v=v; % ========== Cari Vektor Output Layer Linear (a2) % a2=v*a1; hasil_deteksi=vec2ind(a2);
A-17
LAMPIRAN B DATA LATIH DAN DATA UJI B.1 Data Latih Continous Murmur cont_mur1
cont_mur2
cont_mur3
cont_mur4
cont_mur8
B-1
s2 S2001
S2002
S2003
S2004
S2007
B-2
Latesystolic Murmur late_sys1
late_sys2
late_sys3
late_sys5
late_sys7
B-3
Midsystolic Click mid_click001
mid_click002
mid_click003
mid_click004
mid_click005
B-4
Midsystolic Murmur mid_mur001
mid_mur002
mid_mur003
mid_mur006
mid_mur008
B-5
Normal norm1
norm11
norm12
norm13
norm2
norm21
B-6
norm23
norm24
norm3
norm33
Quadruple Rhytme quad_rhytm003
quad_rhytm001
B-7
quad_rhytm004
quad_rhytm005
quad_rhytm009
B.2 Data Uji Continous Murmur cont_mur5
cont_mur6
B-8
cont_mur7
cont_mur9
cont_mur10
s2 S2005
S2006
B-9
S2009
S2008
S2010
Latesystolic Murmur late_sys6
late_sys4
B-10
late_sys8
late_sys9
late_sys10
Midsystolic Click mid_click006
mid_click007
B-11
mid_click008
mid_click009
mid_click010
mid_click011
mid_click012
mid_click013
B-12
Midsystolic Murmur mid_mur004
mid_mur005
mid_mur007
mid_mur009
mid_mur010
B-13
Normal norm14
norm15
norm31
norm32
norm35
norm4
B-14
norm41
norm42
norm43
norm44
Quadruple Rhytme quad_rhytm007
quad_rhytm006
B-15
quad_rhytm008
quad_rhytm010
quad_rhytm011
quad_rhytm012
quad_rhytm013
B-16
LAMPIRAN C VEKTOR CIRI DATA LATIH DAN DATA UJI C.1 Vektor Ciri Data Latih Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
Sub band keCont_mur1
Cont_mur2
Cont_mur3
Cont_mur4
Cont_mur8
1
50.3426
45.8754
50.4466
58.6215
45.7385
2
40.2009
45.1828
40.7480
32.5771
43.8946
3
1.7212
1.5852
2.5024
2.3832
2.7483
4
6.8426
6.4312
5.4582
5.4880
6.62351
5
0.1230
0.1143
0.1402
0.1858
0.14882
6
0.3631
0.3861
0.3279
0.37585
0.50658
7
0.0510
0.0914
0.0915
0.0983
0.0968
8
0.2870
0.2632
0.2191
0.1995
0.1684
9
0.0084
0.0071
0.0095
0.0127
0.0088
10
0.0242
0.0251
0.0205
0.0246
0.0311
C-1
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
Sub band ke1 2
S2001
S2002
S2003
S2004
S2007
65.0212
68.3399
57.0023
78.0793
55.6052
29.0785
26.2426
38.3605
16.7958
38.7951
2.1516
1.8142
0.9938
1.2369
2.7500
3.1517
3.0550
3.1864
3.2977
2.3560
0.1617
0.1444
0.0575
0.1288
0.1473
0.2168
0.1929
0.2084
0.2282
0.1460
0.0381
0.0336
0.0821
0.0551
0.0523
0.1294
0.1301
0.0623
0.1280
0.0969
0.0100
0.0099
0.0047
0.0085
0.0073
0.0141
0.0139
0.0163
0.0108
0.0157
3 4 5 6 7 8 9 10
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
Sub band ke1 2 3 4 5
Late_sys001
Late_sys002
Late_sys003
Late_sys005
Late_sys007
46.8400
63.7611
65.7891
46.4621
53.6549
44.8014
24.1745
24.1922
44.0126
35.6621
2.8393
1.6258
2.4435
2.6340
1.4612
3.9315
8.3757
5.3316
5.1228
7.1679
0.1651
0.1388
0.1596
0.0648
0.1210
C-2
6 7 8 9 10
Sub band ke-
0.3954
0.4728
0.2740
0.3346
0.5163
0.3277
0.6605
0.9506
0.6668
0.5989
0.4720
0.5580
0.6364
0.4384
0.5517
0.0054
0.0088
0.0119
0.0036
0.0081
0.0236
0.0172
0.0129
0.0233
0.0271
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Mid_click001
Mid_click002
Mid_click003
Mid_click004
Mid_click005
1
2.3018
3.3941
1.5854
2.4322
2.0333
2
36.3305
43.5529
35.9077
39.6279
41.9939
3
3.2601
5.5525
3.6149
5.1519
5.6994
4
48.6893
37.9557
50.1389
44.3674
41.0097
5
0.1368
0.1882
0.1890
0.1469
0.1648
6
1.9123
2.3241
1.4696
2.5139
1.9389
7
2.1820
1.4342
1.3509
1.4453
1.2976
8
4.4096
4.7829
4.8383
3.4695
5.0335
9
0.0101
0.0082
0.0091
0.0106
0.0064
10
0.1215
0.1694
0.0845
0.1660
0.1380
C-3
Sub band ke-
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Mid_mur001
Mid_mur002
Mid_mur003
Mid_mur006
Mid_mur008
45.9975
50.6410
44.7598
44.6871
37.9950
34.8055
32.7841
36.9580
40.1049
41.7959
3.1768
2.3821
2.9548
2.8945
3.8109
12.7745
10.9634
11.8259
9.2404
13.5515
0.2194
0.1776
0.1350
0.1598
0.0958
0.5411
0.4207
0.7997
0.4538
0.6939
0.9598
1.5225
0.6857
1.2892
1.0088
1.2067
0.8237
1.5998
0.8944
0.7840
0.0110
0.0139
0.0083
0.0133
0.0090
0.0392
0.0250
0.0478
0.0341
0.0409
1 2 3 4 5 6 7 8 9 10
Sub band ke1 2 3 4 5 6
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Norm1
Norm11
Norm12
Norm13
Norm2
Norm21
Norm23
Norm24
Norm3
Norm33
60.1242
93.6163
89.8894
80.8090
59.6226
50.8552
58.4927
48.5610
60.4093
58.9043
33.9703
4.0337
8.3834
16.6969
33.5549
39.8906
34.5419
41.7032
33.6087
32.4234
2.0499
0.5855
0.2577
0.3484
1.6941
2.6315
1.8865
1.4479
1.8278
1.4905
3.1566
1.5658
1.3362
1.9544
4.4946
5.2520
3.8817
7.0508
3.5243
6.0194
0.1173
0.0729
0.0256
0.0260
0.1033
0.1736
0.1082
0.1146
0.1119
0.1060
0.2595
0.0751
0.0806
0.1299
0.2417
0.4059
0.3522
0.4573
0.3115
0.3715
C-4
7 8 9 10
0.1364
0.0074
0.0017
0.0031
0.1452
0.2305
0.3180
0.2909
0.0746
0.2719
0.1342
0.0246
0.0153
0.0182
0.0867
0.4267
0.2458
0.2303
0.0754
0.3220
0.0066
0.0051
0.0020
0.0021
0.0070
0.0106
0.0059
0.0117
0.0076
0.0098
0.0153
0.0040
0.0049
0.0078
0.0156
0.0336
0.0145
0.0237
0.0204
0.0257
Sub band ke-
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Quad_rhytm001
Quad_rhytm003
Quad_rhytm 004
Quad_rhytm 005
Quad_rhytm 009
1
16.1184
30.5782
22.7740
26.5314
16.1593
2
59.6597
41.3874
48.6601
44.7698
46.0302
3
2.5997
2.4847
2.3906
1.7991
2.9804
4
18.2669
21.9235
22.5965
23.1794
29.7740
5
0.1036
0.1963
0.1376
0.1243
0.1476
6
1.0138
1.3714
1.5803
1.2173
1.9809
7
0.3245
0.2346
0.2426
0.2603
0.3981
8
1.6282
1.5265
1.3225
1.8138
2.1311
9
0.0056
0.0080
0.0075
0.0077
0.0080
10
0.0888
0.0835
0.0946
0.0888
0.1182
C-5
C.2 Vektor Ciri Data Uji Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
Sub band keCont_mur5
Cont_mur6
Cont_mur7
Cont_mur9
Cont_mur10
1
57.8879
54.8081
55.4868
51.0888
49.8665
2
31.8452
36.1272
34.8131
39.9816
40.5745
3
1.6394
1.6098
1.5344
2.7975
1.7607
4
7.7214
6.6011
7.2383
5.2108
6.8920
5
0.1319
0.1343
0.1255
0.1795
0.1268
6
0.3907
0.4185
0.3817
0.2989
0.4664
7
0.0974
0.0813
0.1111
0.0899
0.1045
8
0.2141
0.1523
0.2357
0.2828
0.1373
9
0.0098
0.0097
0.0098
0.0113
0.0099
10
0.0219
0.0231
0.0233
0.0223
0.0270
Energi 10 Sub Band Pertama Hasil Sub band ke-
Dekomposisi Paket Wavelet 6 level, Coiflet 1 S2005
S2006
S2008
S2009
S2010
1
63.9342
65.5295
68.9644
72.9126
71.9362
2
30.5991
29.1497
24.2528
21.2883
23.1382
3
2.0931
1.9249
1.4105
1.2565
1.3586
C-6
4
2.7585
2.7665
4.7826
3.9561
2.9634
5
0.1705
0.1749
0.0987
0.1227
0.1279
6
0.1570
0.1600
0.2444
0.2287
0.1760
7
0.0503
0.0458
0.0673
0.0415
0.0634
8
0.1862
0.2014
0.1197
0.1431
0.1867
9
0.0096
0.0103
0.0074
0.0077
0.0088
10
0.0095
0.0087
0.0158
0.0133
0.0138
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
Sub band keLate_sys004
Late_sys006
Late_sys008
Late_sys009
Late_sys010
1
67.3142
61.4946
49.3435
62.8568
62.9801
2
22.7408
29.1908
40.9304
25.3086
27.0907
3
1.6097
1.1955
2.3704
2.7612
2.3347
4
6.4326
5.6870
4.9373
7.4559
6.2035
5
0.1430
0.1227
0.1003
0.1465
0.1441
6
0.2914
0.3964
0.3166
0.3801
0.2820
7
0.8692
0.9597
0.8178
0.3299
0.4520
8
0.3683
0.6616
0.9237
0.4921
0.2943
9
0.0085
0.0106
0.0035
0.0072
0.0074
10
0.0138
0.0228
0.0223
0.0182
0.0158
C-7
Sub band
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
ke-
Mid_click006
Mid_click007
Mid_click008
Mid_click009
Mid_click0010
Mid_click011
Mid_click012
Mid_click013
1
2.1906
3.3807
2.5498
2.8108
2.7477
2.0333
3.0605
4.0796
2
35.0772
44.6758
39.5799
40.7987
42.3017
47.9721
33.9827
32.4720
3
5.9902
3.9194
4.2165
5.1501
7.1009
6.3889
5.3782
6.3142
4
47.5747
37.7471
44.1641
42.2379
38.6592
34.2437
47.7543
47.3686
5
0.1354
0.2092
0.2088
0.1622
0.2062
0.1769
0.2756
0.4019
6
2.4171
2.0536
2.0755
2.1640
1.7609
1.4920
1.8459
1.5417
7
1.5734
2.1830
1.7870
1.9587
1.3644
2.2867
1.4982
1.5273
8
4.1509
4.9838
4.6139
3.9041
4.9956
4.4046
5.1429
5.1425
9
0.0082
0.0074
0.0088
0.0071
0.0048
0.0032
0.0064
0.0140
10
0.1517
0.1460
0.1356
0.1430
0.1200
0.1150
0.1017
0.1066
Sub band ke-
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Mid_mur004
Mid_mur005
Mid_mur007
Mid_mur009
Mid_mur010
1
47.2634
42.3330
40.9627
42.4270
42.7697
2
37.9467
39.5506
38.0375
37.4826
38.3927
3
2.9721
5.5055
5.9875
5.5812
3.3153
4
8.8849
9.1125
12.1536
10.9723
12.2861
5
0.1780
0.1213
0.2153
0.1070
0.0931
6
0.5730
0.6141
0.7010
0.6651
0.5203
7
0.6898
1.3189
0.5235
1.2295
0.6795
C-8
8
1.2329
1.1434
1.1356
1.2104
1.6512
9
0.0132
0.0093
0.0093
0.0171
0.0067
10
0.0403
0.0436
0.0473
0.0386
0.0329
Sub band
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1 Norm14
Norm15
Norm31
Norm32
Norm35
Norm4
Norm41
Norm42
Norm43
Norm44
1
88.7323
90.8471
58.4927
68.9968
48.5610
60.2055
58.9043
48.5610
56.5628
50.8552
2
9.3529
6.5553
34.5419
23.3828
41.7032
34.2619
32.4234
41.7032
32.5694
39.8906
3
0.3922
0.5540
1.8865
3.2232
1.4479
1.8607
1.4905
1.4479
2.6804
2.6315
4
1.3689
1.8417
3.8817
3.0975
7.0508
3.0984
6.0194
7.0508
6.9379
5.2520
5
0.0326
0.0668
0.1082
0.1502
0.1146
0.1027
0.1060
0.1146
0.1382
0.1736
6
0.0878
0.0935
0.3522
0.2297
0.4573
0.2299
0.3715
0.4573
0.3090
0.4059
7
0.0027
0.0028
0.3180
0.4344
0.2909
0.1218
0.2719
0.2909
0.5050
0.2305
8
0.0183
0.0244
0.2458
0.2986
0.2303
0.0700
0.3220
0.2303
0.1431
0.4267
9
0.0024
0.0049
0.0059
0.0099
0.0117
0.0074
0.0098
0.0117
0.0131
0.0106
10
0.0056
0.0052
0.0145
0.0116
0.0237
0.0186
0.0257
0.0237
0.0242
0.0336
ke-
Sub band
Energi 10 Sub Band Pertama Hasil Dekomposisi Paket Wavelet 6 level, Coiflet 1
ke-
Quad_rhytm006
Quad_rhytm007
Quad_rhytm 008
Quad_rhytm 010
Quad_rhytm 011
Quad_rhytm 012
Quad_rhytm 013
1
22.2523
32.4856
21.3690
24.5180
33.5126
26.5270
21.3171
2
47.7254
44.6385
43.8180
47.6320
47.0732
41.9969
48.0003
C-9
3
2.2495
2.1700
2.8619
2.0843
1.8414
1.9736
2.4331
4
23.9794
17.7883
27.4728
22.5580
14.6500
25.3415
24.6873
5
0.1516
0.1165
0.1298
0.1098
0.1567
0.1582
0.1240
6
1.3256
0.9432
1.0994
1.3004
0.7787
1.3987
1.0955
7
0.2565
0.2717
0.3323
0.1885
0.2823
0.2748
0.2119
8
1.7502
1.3271
2.5536
1.3557
1.4360
2.0009
1.8256
9
0.0079
0.0179
0.0097
0.0067
0.0102
0.0126
0.0065
10
0.0928
0.0751
0.0718
0.0866
0.0824
0.0800
0.0804
C-10
LAMPIRAN D GAMBAR POLA VEKTOR CIRI DATA LATIH DAN DATA UJI D.1 Gambar Pola Ciri Data Latih (6 Level Dekomposisi, Coiflet1) Continous Murmur cont_mur1
cont_mur2
cont_mur3
cont_mur4
cont_mur8
D-1
s2 S2001
S2002
S2003
S2004
S2007
D-2
Latesystolic Murmur late_sys1
late_sys2
late_sys3
late_sys5
late_sys7
D-3
Midsystolic Click mid_click001
mid_click002
mid_click003
mid_click004
mid_click005
D-4
Midsystolic Murmur mid_mur001
mid_mur002
mid_mur003
mid_mur006
mid_mur008
D-5
Normal norm1
norm11
norm12
norm13
norm2
norm21
D-6
norm23
norm24
norm3
norm33
Quadruple Rhytme quad_rhytm001
quad_rhytm003
D-7
quad_rhytm004
quad_rhytm005
quad_rhytm009
D.2 Gambar Pola Ciri Data Uji (6 Level Dekomposisi, Coiflet1) Continous Murmur cont_mur6
cont_mur5
D-8
cont_mur7
cont_mur9
cont_mur10
s2 S2006
S2005
D-9
S2008
S2009
S2010
Latesystolic Murmur late_sys6
late_sys4
D-10
late_sys9
late_sys8
late_sys10
Midsystolic Click mid_click007
mid_click006
D-11
mid_click008
mid_click009
mid_click010
mid_click011
mid_click012
mid_click013
D-12
Midsystolic Murmur mid_mur004
mid_mur005
mid_mur007
mid_mur009
mid_mur010
D-13
Normal norm14
norm15
norm31
norm32
norm35
norm4
D-14
norm41
norm42
norm43
norm44
Quadruple Rhytme quad_rhytm007
quad_rhytm006
D-15
quad_rhytm008
quad_rhytm010
quad_rhytm011
quad_rhytm012
quad_rhytm013
D-16
LAMPIRAN E HASIL IDENTIFIKASI JST E.1 Dekomposisi 7 level, coiflet1, 16 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
Normal
Salah
S2006
S2
Normal
Salah
S2008
S2
S2
Benar
S2009
S2
S2
Benar
S2010
S2
Normal
Salah
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Midsystolic Murmur
Salah
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Continous Murmur
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
S2
Salah
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
E-1
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kurasi =
39 x1 0 0 % = 8 6 ,6 7 % 45
E.2 Dekomposisi 7 level, coiflet1, 24 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Midsystolic Murmur
Salah
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Continous Murmur
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Continous Murmur
Benar
norm35
Normal
Normal
Benar
norm4
Normal
S2
Salah
E-2
norm41
Normal
Continous Murmur
Salah
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kurasi =
40 x1 0 0 % = 8 8 ,8 9 % 45
E.3 Dekomposisi 7 level, coiflet1, 32 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
S2
Benar
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Midsystolic Murmur
Salah
late_sys009
Latesystolic Murmur
Normal
Salah
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
E-3
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
42 A kura si = x1 0 0 % = 9 3 ,3 3 % 45
E.4 Dekomposisi 8 level, coiflet1, 16 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Latesystolic Murmur
Salah
cont_mur006
Continous Murmur
Normal
Salah
cont_mur007
Continous Murmur
Normal
Salah
cont_mur009
Continous Murmur
Latesystolic Murmur
Salah
cont_mur010
Continous Murmur
Normal
Salah
S2005
S2
Latesystolic Murmur
Salah
S2006
S2
Continous Murmur
Salah
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
Normal
Salah
late_sys004
Latesystolic Murmur
Normal
Salah
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Latesystolic Murmur
Benar
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Quadruple Rhytme
Salah
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
E-4
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Latesystolic Murmur
Salah
norm32
Normal
Latesystolic Murmur
Salah
norm35
Normal
Normal
Benar
norm4
Normal
S2
Salah
norm41
Normal
Latesystolic Murmur
Salah
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
30 A kura si = x 1 0 0 % = 6 6 ,6 7 % 45
E.5 Dekomposisi 8 level, coiflet1, 24 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Normal
Salah
S2005
S2
Continous Murmur
Salah
S2006
S2
Continous Murmur
Salah
S2008
S2
Continous Murmur
Salah
S2009
S2
Normal
Salah
S2010
S2
Normal
Salah
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Latesystolic Murmur
Benar
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Quadruple Rhytme
Salah
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
E-5
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Latesystolic Murmur
Salah
norm32
Normal
Latesystolic Murmur
Salah
norm35
Normal
Normal
Benar
norm4
Normal
S2
Salah
norm41
Normal
Latesystolic Murmur
Salah
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kura si =
34 x 1 0 0 % = 7 5 ,5 6 % 45
E.6 Dekomposisi 8 level, coiflet1, 32 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Normal
Salah
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Normal
Salah
S2005
S2
Continous Murmur
Salah
S2006
S2
Continous Murmur
Salah
S2008
S2
Continous Murmur
Salah
S2009
S2
Normal
Salah
S2010
S2
Normal
Salah
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
E-6
Normal
Salah
Midsystolic Click
Midsystolic Click
Benar
Midsystolic Click
Quadruple Rhytme
Salah
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
late_sys0010
Latesystolic Murmur
mid_click006 mid_click007
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kurasi =
36 x1 0 0 % = 8 0 % 45
E.7 Dekomposisi 6 level, db3, 32 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Normal
Salah
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
S2
Benar
S2009
S2
S2
Benar
E-7
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Normal
Salah
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Midsystolic Murmur
Salah
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kurasi =
41 x 1 0 0 % = 9 1,1 1 % 45
E.8 Dekomposisi 6 level, sym3, 32 HN Nama file
Hasil
Jenis Penyakit
Deteksi
Status
cont_mur005
Continous Murmur
Normal
Salah
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
E-8
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
s2008
S2
S2
Benar
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Normal
Salah
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Midsystolic Murmur
Salah
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A ku ra si =
41 x1 0 0 % = 9 1,1 1 % 45
E-9
E.9 Dekomposisi 6 level, coiflet2, 32 HN Nama file
Jenis Penyakit
Hasil Deteksi
Status
cont_mur005
Continous Murmur
Normal
Salah
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Normal
Salah
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
S2
Benar
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Normal
Salah
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar Benar
late_sys009
Latesystolic Murmur
Latesystolic Murmur
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
S2
Salah
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
E-10
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
40 A kurasi = x 1 0 0 % = 8 8 ,8 9 % 45
E.10 Dekomposisi 6 level, coiflet3, 32 HN Nama file
Jenis Penyakit
Hasil Deteksi Continous Murmur
Status Benar
cont_mur005
Continous Murmur
cont_mur006
Continous Murmur
Normal
Salah
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Normal
Salah
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Latesystolic Murmur
Benar
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
E-11
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
42 A k u ra si = x1 0 0 % = 9 3 ,3 3 % 45
E.11 Dekomposisi 6 level, coiflet4, 32 HN Nama file
Jenis Penyakit
Hasil Deteksi Continous Murmur
Status
cont_mur005
Continous Murmur
Benar
cont_mur006
Continous Murmur
S2
Salah
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Latesystolic Murmur
Salah
E-12
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
41 A kurasi = x1 0 0 % = 9 1,1 1 % 45
E.12 Dekomposisi 6 level, coiflet5, 32 HN Nama file
Jenis Penyakit
Hasil Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Continous Murmur
Benar
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
Normal
Salah
S2006
S2
Normal
Salah
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys009
Latesystolic Murmur
Normal
Salah
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
E-13
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
S2
Salah
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar Benar
mid_mur010
norm4
Normal
Normal
norm41
Normal
Continous Murmur
Salah
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
38 A kurasi = x1 0 0 % = 8 4 ,4 4 % 45
E.13 Dekomposisi 6 level, coiflet1, 16 HN Nama file
Jenis Penyakit
Hasil Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Normal
Salah
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
Normal
Salah
S2006
S2
Normal
Salah
S2008
S2
S2
Benar
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys004
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Midsystolic Murmur
Salah
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
E-14
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Normal
Benar
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kurasi =
40 x1 0 0 % = 8 8 ,8 9 % 45
E.14 Dekomposisi 6 level, coiflet1, 24 HN Nama file
Jenis Penyakit
Hasil Deteksi
Status
cont_mur005
Continous Murmur
Continous Murmur
Benar
cont_mur006
Continous Murmur
Continous Murmur
Benar
cont_mur007
Continous Murmur
Continous Murmur
Benar
cont_mur009
Continous Murmur
Normal
Salah
cont_mur010
Continous Murmur
Continous Murmur
Benar
S2005
S2
S2
Benar
S2006
S2
S2
Benar
S2008
S2
Normal
Salah
S2009
S2
S2
Benar
S2010
S2
S2
Benar
late_sys005
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys006
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys008
Latesystolic Murmur
Midsystolic Murmur
Salah
late_sys009
Latesystolic Murmur
Latesystolic Murmur
Benar
late_sys0010
Latesystolic Murmur
Normal
Salah
mid_click006
Midsystolic Click
Midsystolic Click
Benar
mid_click007
Midsystolic Click
Midsystolic Click
Benar
E-15
mid_click008
Midsystolic Click
Midsystolic Click
Benar
mid_click009
Midsystolic Click
Midsystolic Click
Benar
mid_click010
Midsystolic Click
Midsystolic Click
Benar
mid_click011
Midsystolic Click
Midsystolic Click
Benar
mid_click012
Midsystolic Click
Midsystolic Click
Benar
mid_click013
Midsystolic Click
Midsystolic Click
Benar
mid_mur004
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur005
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur007
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur009
Midsystolic Murmur
Midsystolic Murmur
Benar
mid_mur010
Midsystolic Murmur
Midsystolic Murmur
Benar
norm14
Normal
Normal
Benar
norm15
Normal
Normal
Benar
norm31
Normal
Normal
Benar
norm32
Normal
Normal
Benar
norm35
Normal
Normal
Benar
norm4
Normal
Normal
Benar
norm41
Normal
Continous Murmur
Salah
norm42
Normal
Normal
Benar
norm43
Normal
Normal
Benar
norm44
Normal
Normal
Benar
quad_rhytm006
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm007
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm008
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm010
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm011
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm012
Quadruple Rhytme
Quadruple Rhytme
Benar
quad_rhytm013
Quadruple Rhytme
Quadruple Rhytme
Benar
A kura si =
40 x1 0 0 % = 8 8 , 8 9 % 45
E-16
LAMPIRAN F TAMPILAN PROGRAM
F-1
