KLASIFIKASI SUARA JANTUNG DENGAN MENGGUNAKAN CIRI STATISTIS MENGGUNAKAN NEURAL NETWORK BACK PROPAGATION

NUR HUDHA WIJAYA, Dr. Indah Soesanti,. S.T., M.T; Eka Firmansyah, S.T., M.Eng., Ph.D.

2017 | Tesis | S2 Teknik Elektro

Menggali berbagai macam ciri untuk mengklasifikasikan suara jantung normal dan abnormal merupakan bagian yang sangat penting. Dengan metode artificial neural network (ANN) dan multi kernel support vector machine (SVM) maka data suara jantung dapat di klasifikasi dengan akurat. Penelitian ini membahas tentang klasifikasi suara jantung berdasarkan ciri statistis menggunakan teknik klasifikasi jaringan saraf tiruan (artificial neural network) dan support vector machine. Suara jantung diklasifikasikan menjadi dua kelas yaitu normal dan abnormal. Data suara jantung normal sejumlah 8 suara, sedangkan data suara jantung abnormal sejumlah 13 suara. Ciri statistis yang digunakan meliputi nilai mean, mode, variance, deviation, skewness, kurtosis, entropy. Proses klasifikasi menggunakan neural network back propagation mulai menunjukkan hasil yang cukup di perhitungkan, dengan Accuracy = 95,56%, Sensitivity = 99,50%, Spesificity = 79,17%, Precision = 90,16%. Sedangkan kernel SVM yang digunakan adalah kernel linear, polinomial, quadratic, dan radial basis function (RBF). Pada klasifikasi dengan teknik SVM kernel Quadratic memberikan hasil Accuracy = 99,36%, Sensitivity = 100%, Spesificity = 59,90%, Precision = 98,98%. Berdasarkan data tersebut SVM memberikan hasil dengan tingkat accuracy yang lebih baik bila dibandingkan dengan neural.

Digging distinctive traits to categorize normal and abnormal heart sounds is a most essential part. With artificial neural network (ANN) method and multi kernel support vector machine (SVM), heart sound data can be classified accurately. This study examines the classification of heart sound based on statistical characteristics using artificial neural network classification technique and support vector machine. Heart sounds are divided into two classes, normal and abnormal. Routine heart sound data go eight votes, while abnormal heart sound data are 13 votes. The statistical features used include mean, variance, deviation, skewness, kurtosis, entropy. The classification process using neural network back propagation really starts to show considerable results in the calculation, with Accuracy = 95.56%, Sensitivity = 99.50%, Specificity = 79.17%, Precision = 90.16%. While the SVM kernel used is linear kernel, polynomial, quadratic, and radial basis function (RBF). In the classification with SVM technique Quadratic kernel gives Accuracy result = 99,36%, Sensitivity = 100%, Specificity = 59,90%, Precision = 98,98%. Take into account these data, SVM provides results with a better accuracy rate when compared with neural.

Kata Kunci : ekstraksi ciri, suara jantung, statistis, mean, mode, variance, deviation, skewness, kurtosis, entropy, class, seleksi ciri.