KLASIFIKASI SUARA JANTUNG MENGGUNAKAN JARINGAN NEURAL DENGAN CIRI STATISTIS DAN SPEKTRAL

Domy Kristomo, Dr. Indah Soesanti, ST., MT.

2014 | Tesis | S2 Teknik Elektro

Ekstraksi ciri menjadi bagian yang sangat penting dalam menggali dinamika yang terkandung dalam data suara jantung. Khususnya untuk membedakan suara jantung normal dan berbagai jenis murmur. Oleh karena itu perlu dipelajari metode ekstraksi ciri yang efektif. Untuk memperbaiki prediksi akurasi dan meminimalkan waktu komputasi dilakukan seleksi ciri. Jaringan neural artificial (Artificial Neural Network, ANN) merupakan tool yang krusial dalam pengenalan dan klasifikasi. Tujuan penelitian ini adalah penerapan ANN untuk membedakan suara jantung normal dan beberapa murmur. Pada penelitian ini akan dikembangkan sebuah metode ekstraksi ciri suara jantung menggunakan pendekatan statistis, yaitu dengan menghitung nilai mean, simpangan baku, entropy, skewness, dan kurtosis isyarat suara jantung pada ranah waktu dan frekuensi. Kelebihan metode statistis adalah ekstraksi ciri dapat dilakukan di ranah waktu, sehingga komputasi lebih cepat, karena tidak memerlukan proses transformasi. Dalam penelitian ini, korelasi barbasis seleksi ciri (CFS) diajukan untuk memilih ciri terbaik sebagai masukan untuk classifier. Metode Jaringan neural perambatan balik dengan algoritma pembelajaran Levenberg Mardquart digunakan untuk pembelajaran dan pengujian dari ciri statistis. Hasil yang diperoleh dengan Jaringan Neural menunjukkan ciri statistis di ranah waktu menmberikan kinerja klasifikasi lebih baik dibandingkan ciri statistis di ranah frekuensi. Kinerja klasifikasi terbaik didapatkan dari penggabungan ciri dan seleksi ciri ranah waktu, frekuensi, RMS dan Shannon Energy. Metode statistis dengan penggabungan ciri waktu dan frekuensi sebanyak 10 ciri, menghasilkan kinerja lebih baik dibandingkan metode Welch dengan 17 dan 30 cuplikan. Kata kunci -- ekstraksi ciri, suara jantung, statistis, mean, simpangan baku, entropy, skewness,kurtosis, welch, seleksi ciri

Feature extraction becomes a very important part in exploring the dynamics of the data contained in the heart sound. In particular to distinguish the normal heart sounds and different types of murmurs. Therefore it is necessary to learn effective feature extraction method. To improve the prediction of accuracy and minimize the computation time, feature selection is proposed. Artificial Neural Network (ANN) is a crucial tool in identification and classification. The aim of this research is to apply ANN for classify normal heart sound and murmurs. In this research has developed a heart sound feature extraction method using statistical approach, namely by calculating the mean value, standard deviation, entropy, skewness, and kurtosis of heart sound in time and frequency domain. The advantage statistical method is the feature extraction can be done in time domain, with the result that computation is faster, because there isn’t transformation. In this research, the correlation based feature selection (CFS) is proposed to select the best feature as the input for classifier. Neural network backpropagation using training algorithm Levenberg Mardquart is proposed for learning and testing of statistical features. The result using Neural Network shows that statistical feature in time domain gives better classification performance than statistical feature in frequency domain. The best classification performance is resulted from composite and feature selection of statistical time domain feature, frequency domain feature, RMS, Shannon Energy Feature. Statistical method using composite of time and frequency feature consisting 10 feature gives better performance than PSD Welch method which using 17 and 30 sampling. Keywords : Feature extraction, heart sound, statistical, mean, standard deviation, entropy, skewness, kurtosis, welch, feature selection

Kata Kunci : Feature extraction, heart sound, statistical, mean, standard deviation, entropy, skewness, kurtosis, welch, feature selection, ekstraksi ciri, suara jantung, statistis, mean, simpangan baku, entropy, skewness,kurtosis, welch, seleksi ciri