Klasifikasi Murmur Jantung pada Isyarat Phonocardiogram Menggunakan Wavelet Scattering Transform dan 1D-Convolutional Neural Network
Satrio Adi Waseso, Prof. Dr. Ir. Risanuri Hidayat, M.Sc., IPM. ;Prof. Dr.Eng. Ir. F. Danang Wijaya, S.T., M.T., IPM.
2026 | Skripsi | TEKNIK ELEKTRO
Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia dan menjadi tantangan utama dalam bidang kesehatan. Tingginya angka mortalitas akibat penyakit jantung menunjukkan pentingnya deteksi dini untuk mendukung penanganan yang lebih cepat dan tepat. Salah satu indikasi gangguan jantung yang dapat dideteksi melalui pemeriksaan auskultasi adalah heart murmur, yaitu bunyi abnormal yang muncul akibat aliran darah turbulen di dalam jantung. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk mendeteksi keberadaan heart murmur pada isyarat phonocardiogram (PCG). Selain itu, penelitian ini mengevaluasi kemampuan metode Wavelet Scattering Transform (WST) dalam mengekstraksi karakteristik isyarat PCG untuk meningkatkan kinerja klasifikasi menggunakan model Convolutional Neural Network satu dimensi (1D-CNN). Dataset yang digunakan adalah CirCor DigiScope Phonocardiogram Dataset 2022. Tahap prapemrosesan meliputi filtering menggunakan Butterworth Low- Pass Filter orde lima dengan frekuensi cut-off 500 Hz, segmentasi isyarat menjadi durasi 4 detik, normalisasi amplitudo, serta penanganan ketidakseimbangan kelas menggunakan undersampling. Selanjutnya dilakukan ekstraksi fitur menggunakan WST dengan parameter J = 7 dan Q = 2 yang ditentukan melalui grid search terhadap seluruh kombinasi parameter, kemudian fitur yang dihasilkan digunakan sebagai masukan bagi model CNN-1D. Kinerja model dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-score, Specificity, AUROC, dan Weighted Accuracy. Hasil pengujian menunjukkan bahwa model CNN-1D dengan fitur WST memperoleh Accuracy sebesar 79,84%, Precision 75,64%, Recall 75,97%, F1-score 75,80%, Specificity 82,60%, AUROC 0,8515, dan Weighted Accuracy 77,42%. Hasil tersebut lebih baik dibandingkan model yang menggunakan isyarat mentah sebagai masukan pada seluruh metrik evaluasi. Dengan demikian, metode WST terbukti mampu meningkatkan representasi fitur isyarat PCG dan mendukung klasifikasi heart murmur secara otomatis dengan performa yang lebih baik.
Heart disease remains one of the leading causes of death worldwide and continues to pose a major challenge to healthcare systems. Its high mortality rate underscores the importance of early detection to enable timely diagnosis and appropriate treatment. One of the clinical indicators of cardiac abnormalities detectable through auscultation is a heart murmur, an abnormal sound caused by turbulent blood flow within the heart. This study aims to develop an automated heart murmur classification system based on phonocardiogram (PCG) signals. Furthermore, it investigates the effectiveness of the Wavelet Scattering Transform (WST) for extracting discriminative features from PCG signals to improve the classification performance of a one-dimensional Convolutional Neural Network (CNN-1D).
The study utilized the CirCor DigiScope Phonocardiogram Dataset from the PhysioNet/CinC Challenge 2022. The preprocessing stage consisted of applying a fifth-order Butterworth low-pass filter with a cutoff frequency of 500 Hz, segmenting the signals into 4-second intervals, performing amplitude normalization, and addressing class imbalance through undersampling. Feature extraction was then carried out using WST with parameters (J = 7) and (Q = 2), which were selected through a grid search over all parameter combinations. The extracted features were subsequently classified using a CNN-1D model. Model performance was evaluated using Accuracy, Precision, Recall, F1-score, Specificity, Area Under the Receiver Operating Characteristic Curve (AUROC), and Weighted Accuracy.
The experimental results demonstrated that the CNN-1D model using WST features achieved an Accuracy of 79.84%, Precision of 75.64%, Recall of 75.97%, F1-score of 75.80%, Specificity of 82.60%, AUROC of 0.8515, and Weighted Accuracy of 77.42%. These results consistently outperformed those obtained using raw PCG signals as input across all evaluation metrics. The findings indicate that WST provides a more effective representation of PCG signals, thereby improving the performance of automated heart murmur classification.
Kata Kunci : Heart Murmur, Phonocardiogram, Wavelet Scattering Transform, CNN-1D, Klasifikasi Sinyal Jantung