Jurnal Yul Antonisfia - PNP Repository

POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
ISSN : 1858-3709
Aplikasi Jaringan Syaraf Tiruan
Untuk Klasifikasi Isyarat Suara Jantung Menggunakan Metode Spektral
Aplication of Neural Network
for Heart Sound Classification With Spectral Method
Yul Antonisfia
Jurusan Teknik Elektro Politeknik Negeri Padang Kampus Unand Limau Manis Padang 25163
Telp. (0751) 72590 Fax. (0751) 72576 Email: [email protected]
ABSTRACT
The aim of this research is to develop a program with a back-propagation artificial neural network
algorithm to classify heart sound signals. The classification is done for normal heart sound and 24 heart
murmurs. Using a stethoscope with 1 kHz bandwidth amplifier, normal heart sound from some human samples
are detected. For completing pathology data, heart murmurs are downloaded from internet. The signals of heart
sound were analyzed it’s power spectral, for feature extraction. The results show that using feature extraction
with spectral method and back-propagation artificial neural network, we can differentiate the normal heart
sound and heart murmurs. The input tolerance of the system is tested using noisy data. The percentage of
success of 90 % is obtained with SNR of 10 dB for 125 frequency samples. The best architecture and network
parameters result 125 input neurons, 2 hidden layers with 75 and 50 neurons on each layer, 25 output neurons,
0.6 learning rate and 0.7 momentum coefficient.
Keywords: Heart murmurs, power spectral, classification, ANN, back-propagation
PENDAHULUAN
Serangan jantung masih menempati
urutan pertama penyebab
kematian
dibanyak
tempat
didunia.
Gejala
abnormalitas jantung (disebut murmur)
seringkali datang secara tiba-tiba, oleh
karena itu pengenalan secara dini terhadap
penyakit jantung dapat membantu untuk
terhindar dari serangan jantung.
Sampai saat ini dokter menggunakan
isyarat suara jantung untuk memantau
kinerja jantung dengan menggunakan
stetoskop.
Penggunaan
stetoskop
menghasilkan suara yang lemah. Karena itu
untuk diagnosis diperlukan kepekaan dan
pengalaman
dokter,
sehingga
hasil
diagnosis
sangat
dipengaruhi
oleh
subyektivitas dokter (Anonim 2004).
Disamping itu keterbatasan fisik manusia
juga mempengaruhi hasil interpretasi.
Jaringan syaraf tiruan adalah suatu
sistem cerdas yang dapat digunakan untuk
membantu
analisis
yang
bekerja
berdasarkan pelatihan dan pembelajaran.
Dalam penelitian ini jaringan syaraf tiruan
dilatih dengan beberapa isyarat suara
jantung untuk mengklasifikasikan murmur
jantung. Ekstraksi ciri dilakukan dengan
mencari rapat spektral daya (power spectral
density, PSD) dari murmur jantung.
Himpunan PSD dari murmur jantung
kemudian dilatihkan ke jaringan syaraf
tiruan. Setelah dilatih, kemudian diuji
dengan isyarat suara jantung yang telah
ditambah derau untuk menguji kemampuan
jaringan
syaraf
tiruan
mengenai
toleransinya terhadap pola masukan.
METODOLOGI
Bahan yang digunakan pada penelitian
adalah suara jantung. Suara jantung terdiri
dari suara jantung normal yang didapatkan
dari hasil rekaman dengan mengunakan
stetoskop dan penguat berlebar bidang 1
kHz.
Sedangkan
suara
jantung
abnormal/murmur didapatkan dari suatu
situs internet yang terdiri atas:
1. Acute rheumatic fever
2. Aortic insufficiency loud systolic
ejection murmur, third sound
69
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
3. Aortic stenosis opening snap of
aortic early systolic ejection sound
4. Atrial septal defect abnormal
splitting of
5. Coarctation of aorta systolic
murmur
6. Complet heart block slow heart
rate,varying first sound
7. Mitral regurgiation holosystolic
murmur
8. Mitral regurgiation late systolic
murmur crecendo type
9. Mitral regurgiation mid systolic
click and late systolic murmur
10. Mitral
regurgiation
systolic
murmur, crescendo type
11. Mitral regurgitation and mitral
stenosis all sound features of mitral
stenosis and mitral regurgitation
12. Mitral
regurgiattion
systolic
murmur, hight piched and blowing
type
13. MItral
regurgitation
systolic
murmur
14. MItral regurguition third heart
sound
15. Mitral stenosis accentuated 1st
16. Mitral stenosis opening snap
17. Mitral stenosis presystolic murmur
18. Mitral stenosis short md-diastolic
19. Patent ductus arteriosus continuous
machinery murmur
20. Pulmonary stenosis harsh systolic
ejection murmur
21. Right bundle branch block of first
sound
22. Systemic hypertension accentuated
second sound
23. Tricuspid regurgitation holosystolic
murmur
24. Ventricular
sepatal
defect
continuous murmur
Alat yang digunakan dalam penelitian
ini adalah stetoskop dengan penguat
berlebar bidang 1 kHz dan satu unit note
book dengan spesifikasi :
1. Processor Intel Core Duo 1,86 GHz
2. RAM 512 MHz
3. Hard disk 120 Gbyte
ISSN : 1858-3709
4. Perangkat lunak Matlab versi 7.1
R14 service pack
Prosedur jalan penelitian dapat dilihat
pada gambar diagram alir (Gambar1)
berikut.
START
Rekam dan
Load Data
Suara
Jantung
Analisi Isyarat
dengan PSD
Pelatihan dengan
Jaringan Syaraf
Tiruan
TIDAK
Keluaran
=
Target
YA
Pengujian Data
Suara Jantung
dengan Jaringan Syaraf
Tiruan
Analisis hasil
keluaran sistem
END
Gambar 1. Diagram
penelitian
alir
langkah-langkah
HASIL
Penelitian yang telah dilakukan
meliputi proses eksraksi ciri terhadap data
dengan mencari PSD isyarat suara jantung.
Isyarat
PSD
dinormalisasi
agar
70
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
menghasilkan amplitudo 0 sampai 1 dan
pola yang dihasilkan lebih tampak.
Sebelum diklasifikasi dengan algoritma
jaringan syaraf propasi balik dilakukan
diskretisasi frekuensi dengan mencuplik
isyarat PSD ternomalisasi dalam beberapa
cuplikan (20 , 40, 50, 80,100,125 dan
200cuplikan) dengan interval pencuplikan
50 Hz, 25 Hz, 20Hz, 12,5 Hz, 10 Hz, 8 Hz
dan 5 Hz.
Gambar 2 sampai 5 berikut adalah
contoh bentuk gelombang dan hasil
pengolahan isyarat suara jantung Aortic
insufficiency loud systolic ejection murmur
third sound (murmur2).. Gambar 2 adalah
bentuk isyarat jantung Aortic insufficiency
loud systolic ejection murmur third sound
(murmur2) dalam kawasan waktu.
Gambar 2. Bentuk gelombang suara jantung
Aortic
insufficiency
loud
systolicejection (murmur2) dalam
kawasan waktu
Gambar 3 adalah bentuk isyarat PSD
suara jantung Aortic insufficiency loud
systolic ejection murmur third sound
(murmur2) hasil pengolahan dengan metode
Welch
ISSN : 1858-3709
Gambar 3. Isyarat PSD suara jantung Aortic
insufficiency loud systolic ejection
(murmur2)
Gambar 4 adalah hasil normalisasi dari
isyarat PSD suara jantung Aortic
insufficiency loud systolic ejection murmur
third sound (murmur2).
Gambar 4. Pola ekstraksi ciri ternormalisasi di
kawasan frekuensi suara jantung
Aortic insufficiency loud systolic
ejection (murmur2)
Gambar 5 adalah bentuk isyarat
tercuplik suara jantung normal dalam 125
cuplikan dengan interval pencuplikan 8 Hz.
Gambar 5. Bentuk isyarat tercuplik suara
jantung Aortic insufficiency loud
systolic ejection (murmur2)
71
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
Klasifikasi isyarat suara jantung
dilakukan dengan algoritma jaringan syaraf
tiruan propagasi-balik dengan data latih
berupa isyarat tercuplik hasil pengolahan
data suara dengan PSD.
Target atau keluaran akhir sistem yang
berupa klasifikasi jantung normal dan 24
jenis jantung abnormal (murmur) dikodekan
ke dalam bentuk angka biner dengan kode
25 bit dan 5 bit. Setiap satu bit dari
pengkodean keluaran tersebut diwakilkan
oleh satu neuron keluaran dari jaringan
syaraf tiruan. Sehingga jumlah neuron
keluaran berjumlah 25 neuron dan 5
neuron.
Pelatihan jaringan syaraf tiruan
dilakukan bertahap untuk mendapatkan
parameter-parameter yang optimal sehingga
bisa dihasilkan arsiterktur jaringan dan hasil
pelatihan terbaik. Pelatihan yang dilakukan
untuk
pemilihan
parameter-parameter
adalah, pengkodean target, jumlah lapisan
tersembunyi, jumlah neuron pada masingmasing lapisan tersembunyi, target error,
fungsi aktivasi pada masing-masing lapisan
tersembunyi, laju pelatihan (learning rate),
dan koefisien momentum (momontum
coefisient). Pelatihan juga dilakukan untuk
ISSN : 1858-3709
melihat hubungan jaringan terhadap jumlah
cacah cuplikan dan perubahan derau
Dari pelatihan yang telah dilakukan
diperoleh hasil pelatihan terbaik dengan
keberhasilan pengujian mencapai 90 %
diuji dengan isyarat ditambah derau dengan
SNR 10 dB pada 50 data masukan.
Parameter-parameter dan arsitektur jaringan
terbaik adalah sebagai berikut :
1. algoritma pelatihan = traingdx
2. lapisan tersembunyi = 2 lapisan
3. jumlah neuron masukan = 125
neuron
4. jumlah
neuron
tiap
lapisan
tersembunyi = 75 neuron dan 50
neuron
5. jumlah neuron keluaran
= 25
neuron
6. target error
= 1e-5
7. fungsi aktivasi
= tansig,
tansig, dan logsig
8. koefisien momentum
= 0,7
9. laju pelatihan
= 0,6
Tabel 1 berikut adalah hasil pelatihan
untuk pemilihan jumlah cacah cuplikan.
Tabel 1. Hasil pelatihan menurut cacah cuplikan isyarat
No
Cacah
Cuplikan
Epoch
MSE
1
2
3
4
5
6
7
20
40
50
80
100
125
200
9785
5485
3574
753
1347
659
591
9,9974e-006
9,99559e-006
9,98826e-006
9,7474e-006
9,8807e-006
9,80208e-006
9,74641e-006
Persentase
Keberhasilan
Dgn Data
Dgn Data
pelatihan pengujian
(%)
(%)
100
64
100
68
100
76
100
80
100
80
100
84
100
84
Gambar 6 berikut adalah hasil
pelatihan dengan 125 cacah cuplikan isyarat
72
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
ISSN : 1858-3709
Tabel 2 berikut adalah hasil pelatihan
berdasarkan kombinasi jumlah data
masukan.
Gambar 6. Hasil pelatihan dengan 125 cacah
cuplikan isyarat.
Tabel 2. Hasil pelatihan menurut jumlah data masukan
No
Jumlah
Data
pelatihan
Epoch
MSE
1
2
3
4
5
6
25
30
35
40
45
50
659
835
894
678
762
940
9,80208e-006
9,90811e-006
9,76205e-006
9,68254e-006
9,92915e-006
9,84538e-006
Persentase
Keberhasilan
Dgn Data
Dgn Data
pelatihan pengujian
(%)
(%)
100
84
100
80
100
82,9
100
85
100
88,9
100
90
Gambar 7 berikut adalah hasil terbaik
untuk pelatihan dengan 50 data pelatihan
Gambar 7. Grafik hasil terbaik untuk pelatihan
dengan 50 data pelatihan
Gambar 8. Jendela/form pengolahan data suara
jantung
Gambar 8 berikut adalah jendela/form
untuk membuka file sampel data suara
jantung, hasil pengolahan data PSD dengan
metode welch, pola ekstraksi ciri
ternormalisasi dan isyarat tercuplik
Hasil pengolahan data suara jantung
berupa isyarat tercuplik merupakan
masukan sistem jaringan syaraf tiruan.
73
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
Gambar 9 berikut adalah tampilan
untuk
proses
pengujian
dengan
menggunakan form.
Gambar 9. Jendela/form
untuk
proses
pengujian jaringan syaraf untuk
klasifikasi suara jantung.
Pengujian dengan menggunakan form
pada gambar 9 diatas dapat menentukan
klasifikasi isyarat suara jantung yang pada
akhirnya dapat digunakan sebagai informasi
kelainan
jantung.
Klasifikasi
akan
dihasilkan berdasarkan kecocokan neuron
keluaran dengan target.
PEMBAHASAN
Untuk mendapatkan ekstraksi ciri,
isyarat suara jantung diolah dengan PSD
yang mentransformasi isyarat dalam
kawasan waktu kedalam kawasan frekuensi.
Untuk mencari rapat spektral daya (PSD)
nya menggunakan metode Welch (pwelch).
Salah satu contoh hasil PSD yang
diperoleh adalah seperti pada gambar 3.
Isyarat PSD berupa isyarat dalam kawasan
frekuensi yang ternormalisasi dan nilai
amplitude yang bervatiasi dengan dereten
matriks 4097 titik Agar nilai amplitude
maksimum sama dengan satu, dilakukan
normalisasi dan hasilnya dapat dilihat pada
gambar 4.
Proses ekstraksi ciri sebagai pra-proses
jaringan syaraf tiruan propagasi-balik juga
untuk mengurangi beban komputasi. Maka
dilakukan
pencuplikan
(diskretisasi
ISSN : 1858-3709
frekuensi) dari isyarat ternormalisai dan
salah satu hasilnya dapat dilihat pada
gambar 5 (20 cuplikan dengan interval
pencuplikan 50 Hz). Elemen vektor yang
dihasilkan adalah :
0,0009
0,0283
0,7236
0,0016
0,0043
0,0015
0,0017
0,0003
0,0001
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
Dari data diatas dapat diamati bahwa
nilai yang paling besar ada pada interval
ketiga, ini berarti bahwa informasi untuk
isyarat ini ada disekitar frekuensi 150 Hz.
Vektor ini merupakan komponen matriks
yang akan menjadi masukan bagi jaringan
syaraf tiruan.
Dari penelitian juga dapat diamati
bahwa nilai MSE yang semakin kecil dan
jumlah epoch yang paling sedikit belum
tentu menghasilkan pengujian yang lebih
baik. Jaringan yang paling optimum pada
penelitian
ditentukan
oleh
tingkat
keberhasilan pengujian dengan melihat
kecocokan antara neuron keluaran dan
target. Hal ini berarti bahwa keluaran harus
sama dengan target yang diinginkan, jika
salah satu saja yang tidak sama maka
keluaran dianggap tidak sesuai dengan
target atau pengujian pola masukan salah.
Pada tabel 1 diatas dapat diamati
bahwa makin besar cacah cuplikan (resolusi
spektral isyarat suara jantung makin tinggi)
maka keberhasilan pengujian semakin
meningkat mencapai 84 % setelah
74
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
menggunakan 125 cuplikan. Namun apabila
cacah cuplikan dinaikan lagi menjadi 200
cuplikan tidak lagi menaikan keberhasilan.
Jadi penambahan jumlah cacah cuplikan
akan
meningkatkan
keberhasilan
mempunyai batas tertentu, dimana nantinya
penambahan cacah cuplikan tidak lagi
meningkatkan
keberhasilan pengujian
secara signifikan. Cacah cuplikan 125
adalah merupakan pilihan terbaik untuk
kasus ini
Pada tabel 2 adalah pelatihan dengan
menambahkan jumlah data masukan berupa
isyarat suara jantung normal hasil
perekaman. Pelatihan telah dilakukan
sampai 50 data pelatihan (26 jantung
normal
dan
24 murmur) dengan
keberhasilan pengujian mencapai 90 %.
Hasil ini merupakan pelatihan terbaik yang
akan digunakan pada aplikasi pengujian
jaringan untuk mengklasifikasikan isyarat
suara jantung
Pengujian dengan menggunakan data
pelatihan cenderung akan menghasilkan
hasil yang sempurna dengan tingkat
keberhasilan 100 %. Hal ini disebabkan
data tersebut sudah pernah dikenali saat
pelatihan, sehingga nilai-nilai bobot dan
bias pada jaringan sudah menyimpan
informasi untuk data masukan dan target
yang digunakan pada saat pelatihan
tersebut.
Arsitektur jaringan terbaik untuk
klasifikasi isyarat suara jantung yang paling
optimum dapat dilihat pada gambar
arsitektur jaringan Gambar 10 berikut.
x1
x2
Z1-1
Z1-2
PSD
Isyarat
Suara
Jantung
ISSN : 1858-3709
Gambar 10. Arsitektur
jaringan
untuk
klasifikasi isyarat suara jantung
SIMPULAN
Dari hasil pengujian jaringan syaraf
tiruan metode propagasi-balik untuk
klasifikasi isyarat suara jantung diperoleh
beberapa kesimpulan yaitu:
1. Rapat spektral daya (PSD) dan
algoritma jaringan syaraf tiruan
propagasi-balik dapat digunakan untuk
mengklasifikasi isyarat suara jantung
dengan keberhasilan pengujian jaringan
mencapai 90 %, diuji menggunakan
isyarat suara jantung ditambah derau
yang mempunyai SNR 10 dB pada 50
data pelatihan
2. Arsitektur jaringan terbaik memiliki 2
lapisan tersembunyi dengan jumlah
neuron tiap lapisan 75, dan 50 neuron,
dengan 125 neuron masukan, 25 neuron
keluaran, laju pelatihan 0,6 dan
koefisien momentum 0,7
3. Makin besar cacah cuplikan (resolusi
spektral
makin
tinggi)
maka
keberhasilan
pengujian
semakin
meningkat sampai pada batas tertentu
(125 cuplikan) dimana kenaikan cacah
cuplikan tidak lagi meningkatkan
keberhasilan.
4. Makin besar derau yang mempengaruhi
isyarat suara jantung (SNR makin kecil)
maka keberhasilan pengujian makin
berkurang
y1 normal
Z2-1
y2 murmur1
Z2-2
y25 murmur24
Z2-50
Z1-75
x125
75
POLI REKAYASA Volume 4, Nomor 1, Oktober 2008
SARAN
Dari keterbatasan yang ada pada
penelitian perlu dikemukakan beberapa
saran:
1. Penelitian ini masih bersifat simulasi
dan keberhasilan pengujian dipengaruhi
noise, sehingga perlu dilakukan
penelitian
lebih
lanjut
agar
menghasilkan tingkat keberhasilan yang
lebih baik.
2. Perlu dicoba dengan metode ekstraksi
ciri yang lain.
UCAPAN TERIMA KASIH
Terima kasih kepada bapak Dr. Ir.
Thomas Sri Widodo, bapak Ir Rudi
Hartanto MT dan bapak Romi Wiryadinata
ST, MT yang telah membimbing dan
membantu penulis dalam penelitian ini.
DAFTAR PUSTAKA
Anonim,
2004,
Heart
Sounds,
http://www.sci.sdsu.edu/multimedia
/heartsounds.
Carr J. J., J. M. Brown, 2001, Introduction
to
Biomedical
Equipment
Technology, Prentice Hall, New
Jersey.
Hasani,
C,
2002,
Analisis
Elektrokardiogram menggunakan
Jaringan Syaraf Tiruan Untuk
Mendeteksi Kondisi Jantung Pasien,
Tesis Program Studi Teknik Elektro
Universitas
Gajah
Mada,
Yogyakarta.
Haykin, S, Veen, B. V, 2003, Signals and
System, John Wiley & Sons, New
York.
Hudson, D. L, Cohen, M. E. 2000, Neural
Networks and Artificial Intelligence
for Biomedical Engineering. IEEE,
Inc, New York.
Joewono, B. S, 2003, Ilmu Penyakit
Jantung,
Airlangga
University
Press, Surabaya.
ISSN : 1858-3709
Jumnahdi, M, 2006, Klasifikasi Isyarat
Murmur Jantung Berbasis Jaringan
Syaraf Tiruan, Tesis Program Studi
Teknik Elektro Universitas Gajah
Mada, Yogyakarta.
Kusumadewi,
S,
Intelligence,
Yogyakarta.
2003,
Graha
Artificial
Ilmu,
Siang, J. J, 2005, Jaringan Syaraf Tiruan
dan
Pemrogramannya
Menggunakan
Matlab,
Andi,
Yogyakarta.
Pramuyanti, R. K, 2004, Klasifikasi Pola
Isyarat EKG Menggunakan Logika
Fuzzy, Tesis Program Studi Teknik
Elektro Universitas Gajah Mada,
Yogyakarta.
Widodo, T. S, 2000, Instrumentasi Sistem
Hayati, Buku Ajar Jurusan Teknik
Elektro Universitas Gajah Mada,
Yogyakarta.
Widodo, T. S, 2005, Sistem Neuro Fuzzy,
Graha Ilmu, Yogyakarta.
Widodo, T. S, 2006, Akusisi, Pengolahan
dan Analisis Isyarat Suara Jantung,
Jurusan Teknik Elektro Universitas
Gajah Mada, Yogyakarta.
Widodo, T. S, 2006, Aplikasi Jaringan
Neural Artifisial Untuk Klasifikasi
Murmur Suara Jantung, Jurusan
Teknik Elektro Universitas Gajah
Mada, Yogyakarta.
Wiryadinata, R, 2007, Pengenalan Ekspresi
Pengucapan Kata WAAH Berbasis
Jaringan Syaraf Tiruan Propagasi
Balik Dengan Analisis Gelombang
Singkat Sebagai Pemroses Suara,
Tesis Program Studi Teknik Elektro
Universitas
Gajah
Mada,
Yogyakarta.
76