TA : Analisis dan Ekstraksi Ciri Sinyal Suara Jantung Menggunakan Transformasi Wavelet Diskrit.

TUGAS AKHIR

Program Studi S1 Sistem Komputer

Oleh :

ANGGI TIARA CITRA EKINASTI 13.41020.0122

FAKULTAS TEKNOLOGI DAN INFORMATIKA

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA 2016

HALAMAN JUDUL... i

HALAMAN SYARAT ... ii

MOTTO ... iii

HALAMAN PERSEMBAHAN ... iv

HALAMAN PENGESAHAN... v

HALAMAN PERNYATAAN ... vi

ABSTRAK ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR GAMBAR ... xiii

DAFTAR TABEL ... xvi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 4

1.3 Batasan Masalah ... 4

1.4 Tujuan ... 5

1.5 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI ... 7

2.1 Sinyal Suara Jantung (PCG) ... 7

2.2 Wavelet ... 8

2.3.3 TransformasiWaveletDiskrit ... 12

2.3.4Mother Wavelet... 14

2.3.4.1WaveletDaubechies... 15

2.3.4.2WaveletCoiflet ... 17

2.3.4.3WaveletSymlet ... 17

2.3.4.4WaveletBiorthogonal ... 18

2.4 Parameter... 19

2.4.1 Standar Deviasi ... 19

2.4.2 Energi ... 19

2.4.3 Normalisasi Energi... 20

2.5Denoising Wavelet... 20

BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM ... 24

3.1. Metode Penelitian ... 24

3.2. Prosedur Penelitian ... 26

3.3. Analisis TransformasiWaveletDiskrit ... 28

3.3.1 Denoising ... 33

3.3.2 Energi Dekomposisi dan Normalisasi Energi Dekomposisi ... 33

3.3.3FlowchartProgram Energi Dekomposisi dan Normalisasi Energi Dekomposisi ... 36

4.2. Pengujian Program ... 44

4.2.1 Tujuan ... 44

4.2.2 Prosedur Pengujian Program Energi dan Normalisasi Energi... 44

4.2.3 Hasil Pengujian Program Energi dan Normalisasi Energi... 45

4.2.4 Prosedur Pengujian Program Standar Deviasi... 46

4.2.5 Hasil Pengujian Program Standar Deviasi... 47

4.3 Pengambilan Data... 48

4.4 Denoising Sinyal PCG ... 52

4.5 Dekomposisi Sinyal PCG ... 58

4.6 Analisis Hasil Dekomposisi Energi ... 58

4.6.1 Frekuensi Cuplik 8 KHz ... 58

4.6.2 Frekuensi Cuplik 44,1 KHz ... 60

4.6.3 Frekuensi Cuplik 48 KHz ... 62

4.6.4 Database Sinyal PCG Michigan ... 65

BAB V PENUTUP ... 69

5.1. Kesimpulan ... 69

5.2. Saran ... 71

DAFTAR PUSTAKA ... 72

LAMPIRAN ... 75

1.1 Latar Belakang Masalah

Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orang-orang berusia kurang dari 70 tahun, penyakit jantung merupakan penyebab terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis, penyakit pencernaan dan PTM yang lain bersama-sama menyebabkan sekitar 30% kematian, serta 4% kematian disebabkan diabetes (Kristomo, 2014).

Untuk alasan ini, auskultasi adalah tes utama yang dilakukan oleh dokter untuk mengevaluasi keadaan jantung dengan cara mendengarkan suara jantung melalui stetoskop, auskultasi merupakan komponen dasar dalam diagnosis jantung dan merupakan teknik yang paling umum digunakan untuk diagnosis dalam perawatan kesehatan. Di beberapa keadaan, terutama di daerah terpencil daerah atau negara-negara berkembang, auskultasi mungkin satu-satunya cara yang tersedia. Akan Tetapi, mendeteksi gejala yang relevan dan membentuk suatu diagnosis berdasarkan suara yang terdengar melalui stetoskop adalah keterampilan yang sangat lama untuk dipelajari, selain itu diagnosis dengan mendengarkan suara jantung memiliki kelebihan dibandingan dengan diagnosis berbasis EKG, diantaranya dari sisi kemudahan (Nazeran, 2007).

Oleh karena alasan diatas, maka diperlukan suatu cara untuk memudahkan diagnosis dengan merekam suara jantung lalu menganalisis sinyal suara serta mengolahnya hingga mampu mendeteksi dan mengenali pola-pola

sinyal suara jantung, pada penelitian ini sinyal suara jantung (PCG) pada ranah waktu akan ditransformasikan ke dalam ranah waktu-frekuensi untuk diamati pola serta ciri-cirinya, pada ranah waktu-frekuensi isyarat PCG memiliki pola yang menggambarkan unsur-unsur frekuensi yang terkandung di dalam sinyal (Ruth, 2014).

Sebelumnya telah dilakukan penelitian oleh oleh Nazeran pada tahun 2007dengan judul “Wavelet-based Segmentation and Feature Extraction of Heart Sounds for Intelligent PDA-based Phonocardiography” yang mengolah sinyal suara jantung dengan ektraksi ciri menggunakan analisis Wavelet Diskrit Daubechies dengan dekomposisi level 4 (250–500 Hz) dan level 6(62.5-125Hz) pada frekuensi cuplik 8012 Hz dimana metode tersebut digunakan untuk mendeteksi ciri-ciri antara sinyal jantung normal dan abnormal, hasil dari penelitian ini menunjukan bahwa metode ekstraksi ciri terbukti efektif digunakan untuk mengetahui ciri sinyal suara jantung normal yang memiliki energi terbesar berada diantara 50Hz dan 150-200 Hz serta abnormal yang energi terbesarnya berada pada 250-500 Hz.

Pada tahun 2014 telah diakukan penelitian oleh Ruth dengan judul

“Analisis Sinyal Ekg Menggunakan Transformasi Wavelet”, penelitian ini menganalisis sinyal EKG dengan menggunakan Transformasi Wavelet untuk mendapatkan pola dan ciri sinyal EKG dengan sinyal EKG yang lainya. Mother Wavelet yang digunakan adalah Coiflet 5. Analisis dilakukan berdasarkan hasil grafik skalogram dan energi dekomposisi, dan didapatkan bahwa Transformasi

Wavelet Diskrit memberikan perbedaan ciri berdasarkan energi pada frekuensi hasil dekomposisi. Pada EKG normal energi tertinggi semua subyek terdapat pada

D3 dengan jangkauan frekuensi 8 – 16 Hz. Pada sinyal EKG abnormal kondisi

Atrial Fibrillation, energi dekomposisi tertinggi semua subyek terdapat pada komponen aproksimasi A4 dengan jangkauan frekuensi 0-4. Untuk

Supraventricular Arrhytmia memiliki energi tertinggi yang bervariasi pada jangkauan frekuensi 0-4 Hz dan 4-8 Hz.

Pada tahun 2013 dilakukan penelitian berjudul“Performance Analysis of DWT at different levels for Feature Extraction of PCG Signals” oleh Devi, Bhisiek, serta Sinha, yang menganalisis pengaruh beberapa parameter yaitu energi, standar deviasi, serta energi pada koefisien aproksimaksi dan detail dari sebuah dekomposisi sinyal Diskrit Wavelet. Dalam penelitian tersebut, menggunakan transformasi Wavelet Diskrit Daubechies 4 lalu dilakukan penelitian pada sepuluh level dekomposisi, dengan berbagai macam sinyal PCG (murmur dan normal), adapun kesimpulanya menunjukan bahwa energi terbaik untuk normal heart sound berada pada level 9, Aortic Stenosis pada level 9, Mitral Regurgation berada pada level 9 sedangkan Aortic Regurgation dan Mitral Stenosis pada level 6 karena memiliki amplitude yang rendah dan durasi sinyal yang panjang.

Pada tahun 2015 dilakukan penelitian oleh Venkatta dan Dr. Kumar dengan judul “Analysis of Various DWT Methods for Feature Extracted PCG Signals” yang menganalisis sinyal PCG untuk ekstraksi ciri dengan beberapa

Mother Wavelet yaitu Biorthogonal, Symlet, Coiflet, Haar yang menggunakan beberapa parameter yaitu standar deviasi, energi, variansi, entropi, SNR (Signal to Noise Ratio), penelitian ini difokuskan pada level dekomposisi dari setiap tipe

DWT Coiflet merupakan metode terbaik dari beberapa metode Wavelet yang diteliti.

Dengan acuan empat penelitian tersebut maka akan dilakukan analisis dan ekstraksi ciri dari data real sinyal suara jantung yang didapat dengan auskultasi (menggunakan stetoskop digital). Adapun metode yang akan digunakan adalah dekomposisi transformasi Wavelet Diskrit dengan menggunakan beberapa tipe Mother Wavelet dengan berbagai macam orde, berbagai macam level pada setiap orde nya serta berbagai macam frekuensi cuplik, adapun parameter yang akan digunakan adalah energi, dan standard deviasi.

1.2. Rumusan Masalah

Berdasarkan latar belakang diatas maka dapat dirumuskan permasalahan:

Bagaimana melakukan analisis ciri sinyal jantung untuk menentukan Mother Waveletyang mengandung energi tertinggi dalam dekomposisi sinyal PCG dalam penentuan energi tersebut digunakan variable-variabel bebas yaitu frekuensi cuplik, tipeMother, berbagai ordeMother Wavelet, dan level dekomposisi. Selain itu juga digunakan parameter uji yaitu standar deviasi dan energi normalisasi.

1.3 Batasan Masalah

Dalam perancangan dan pembuatan simulasi ini, terdapat beberapa batasan masalah, antara lain :

1. Sampel penelitian ini suara berasal dari 3 subject yang diambil secara random dan realtime menggunakandigital sthetoscopedarithinkslabone.

3. Menggunakan transformasiWaveletDiskrit.

4. Tipe Mother Wavelet yang digunakan adalah Coiflet 2, Coiflet 5 Symlet 2, Symlet 5, Symlet 7, Daubechies 2, Daubechies 5, Daubechies 7, Biorthogonal 2.8, Biorthogonal 3.9, Biorthogonal 6.8.

5. Data yang diamati adalah satu siklus (0,8 detik).

6. Jumlah pengambilan data untuk setiap subyek adalah 30 kali.

7. Kondisi subyek adalah orang normal dalamrelaxdan kondisi lingkungan yang tenang.

1.4 Tujuan

Berdasarkan rumusan masalah yang diuraikan diatas, maka tujuan penelitian ini adalah sebagai berikut :

Melakukan analisis ciri sinyal jantung untuk menentukan Mother Wavelet yang mengandung energi tertinggi dalam dekomposisi sinyal PCG dalam penentuan energi tersebut digunakan variable-variabel bebas yaitu frekuensi cuplik, tipe

Mother, berbagai orde Mother Wavelet, dan level dekomposisi. Selain itu juga digunakan parameter uji yaitu standar deviasi dan energi normalisasi.

1.2 Sistematika Penulisan

Pembahasan Tugas Akhir ini secara Garis besar tersusun dari 5 (lima) bab, yaitu diuraikan sebagai berikut:

1. BAB I PENDAHULUAN

Pada Bab ini akan dibahas mengenai latar belakang masalah, batasan masalah, tujuan penulisan, dan sistematika penulisan.

2. BAB II LANDASAN TEORI

Pada Bab ini akan dibahas teori penunjang dari permasalahan, yaitu mengenai Sinyal suara jantung (PCG), Wavelet, Dekomposisi Wavelet, Transformasi

Wavelet, Transformasi Wavelet Kontinyu, Transformasi Wavelet Diskrit,

Mother Wavelet, Biorthogonal, Symlet, Coiflet, Daubechies, Energi Dekomposisi, Normalisasi Energi dan Standar Deviasi, danDenoising Wavelet.

3. BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM

Pada Bab ini akan dibahas tentang blok diagram rancangan penelitian, proses penelitian yang akan dilakukan, denoising sinyal PCG, analisis dengan transformasi Wavelet Diskrit, cara mengolah data hasil dekomposisi untuk mendapatkan energi serta normalisasi energi meliputi flowchart algoritma program untuk mengolah data agar didapatkan pola energi dekomposisi, energi normalisasi, serta standard deviasi.

4. BAB IV HASIL DAN PEMBAHASAN

Pada Bab ini akan dibahas mengenai pengujian program energi dan normalisasi energi, program standar deviasi, dan hasil yang diperoleh dari pengolahan energi dekomposisi pada frekuensi cuplik 8KHz, 44,1KHz, 48KHz, dengan empat macam Mother Wavelet dengan berbagai orde. Parameter – parameter yang akan dianalisa adalah hasil normalisasi energi dekomposisi, rata-rata normalisasi enegi dekomposisi, dan standar deviasi.

5. BAB V KESIMPULAN DAN SARAN

Berisi kesimpulan yang didapat dari hasil penelitian berdasarkan rumusan masalah serta saran untuk perkembangan penelitian selanjutnya.

2.1 Sinyal Suara Jantung (PCG)

Jantung adalah organ tubuh yang berfungsi untuk memompa darah dan terdiri dari bagian atas yang disebut serambi (atrium) dan bagian bawah yang disebut dengan bilik (ventricle). Otot-otot jantung memompa darah dari satu ruangan ke ruangan lainnya. Setiap kali terjadi proses pemompaan, katup jantung membuka sehingga darah dapat mengalir ke ruangan yang dituju. Selanjutnya katup menutup untuk mencegah aliran balik darah (Setiaji, 2011).

Pada detak jantung dihasilkan dua suara yang berbeda yang dapat didengarkan pada stetoskop, yang sering dinyatakan dengan lub-dub. Suara lub disebabkan oleh penutupan katup triscupid dan mitral (atrioventrikular) yang memungkinkan aliran darah dari atrium (serambi jantung) ke ventricle (bilik jantung) dan mencegah aliran balik dan dapat disebut dengan suara jantung pertama (S1) yang terjadi pada awal systole (periode jantung berkontraksi). Suara dub disebut suara jantung kedua (S2) yang terjadi pada akhir systole atau awal

diastole dan disebabkan oleh penutupan katup semilunar (aortic dan pulmonary) yang membebaskan darah ke sistem sirkulasi paru-paru dan seluruh tubuh (Rizal, 2007). Sinyal suara jantung merupakan sinyal gelombang suara yang lemah, dan biasanya sinyal ini berada di range antara 10 Hz hingga 250 Hertz (Adinarayana, 2014).

Gambar 2.1 Bunyi Jantung Normal. (Setiaji, 2011)

Gambar 2.2 Anatomi Jantung. (Anonim, 2015).

2.2 Wavelet

Wavelet adalah sebuah gelombang kecil, yang dimana energinya terkonsentrasi dalam waktu untuk menyediakan alat bantu analisis non-stationer atau perubahan waktu. Karakteristik wave bergerak masih tetap dimiliki, namun juga dapat mensimulasikan analisis waktu-frekuensi dengan dasar matematika

yang fleksibel. Hal ini diilustrasikan dalam Gambar 2.3 dimana wave (kurva sinus) bergerak dengan amplitudo sama pada -∞ ≤ t ≤ ∞ sehingga memiliki energi yang tak berhingga, dengan Wavelet yang memiliki energi berhingga terkonsentrasi pada suatu titik. (Burrus, Gopinath, Guo, 1998)

Gambar 2.3 Bentuk Sebuah Wave dan Wavelet. (Burrus, Gopinath, Guo, 1998)

2.3 Transformasi Wavelet

Sinyal suara jantung merupakan jenis sinyal non-stationer. Sinyal non-stasioner memiliki frekuensi yang bervariasi di dalam waktu, sehingga untuk menganalisisnya dibutuhkan metode transformasi yang dapat memberikan resolusi frekuensi dan waktu secara bersamaan maka metode yang cocok adalah

Transformasi Wavelet dikarenakan Transfromasi Wavelet dapat

mempresentasikan informasi suatu sinyal dalam kawasan waktu dan frekuensi dengan baik. (Ruth, 2014)

2.3.1 Dekomposisi Wavelet

Wavelet dapat digunakan untuk melakukan analisis multi resolusi yang akan menghasilkan informasi dalam ranah waktu dan frekuensi. Skala atau resolusi yang biasanya dilihat pada data merupakan peranan yang penting. Algoritma Wavelet memproses data pada skala atau resolusi yang berbeda-beda. Pada Gambar menunjukan dekomposisi pada sinyal PCG berdasarkan pendekatan

Wavelet. Pada Gambar 2.4 dapat dilihat jika sebuah sinyal dengan jendela yang besar, maka seseorang hanya akan memperhatikan informasi sinyal secara general, begitu juga saat sinyal dengan jendela yang kecil maka seseorang hanya akan memperhatikan sinyal pada detailnya saja, sehingga penggunaan resolusi yang bervariasi sangat diperlukan. Dasar dari prosedur analisis Wavelet adalah pemilihan fungsi prototype yang disebut Mother Wavelet. Analisis sementara dilakukan dengan frekuensi tinggi yang merupakan versi dari prototype Wavelet, sedangkan untuk analisis frekuensi dilakukan dengan dilatasi pada frekuensi rendah dari Wavelet yang sama. (Abbas, Bassam, 2009)

Gambar 2.4 Dekomposisi Sinyal PCG Dengan Menggunakan Wavelet. (Abbas, Bassam, 2009)

2.3.2 Transformasi Wavelet Kontinyu

Transformasi Wavelet kontinyu didefinisikan secara matematis dengan persamaan sebagai berikut

(2.1) dimana ψ*(t) adalah konjugat komplek fungsi Wavelet penganalisa ψ(t). persamaan ini menunjukan bagaimana fungsi f(t) di dekomposisikan ke dalam

sebuah set dari fungsi basis s, ψ(t) disebut dengan Wavelet. Variabel s dan τ yang merupakan skala dan translasi adalah dimensi baru setelah di transformasi.

Wavelet diperoleh dari sebuah Wavelet dasar yang disebut Mother Wavelet. (Abbas, Bassam, 2009)

2.3.3 Transformasi Wavelet Diskrit

Pada transformasi Wavelet kontinyu yang telah di jelaskan pada subab sebelumnya bahwa Continue Transform Wavelet (CWT) dihitung dengan menggeser skala yang dapat diubah secara kontinyu. Pada Transformasi Wavelet

Diskrit (TWD) skalanya dan translasinya tidak berubah secara kontinyu tapi berubah secara diskrit, sehingga menghasilkan rumus sebagai berikut

(2.2)

s dan τ adalah integer dan adalah step dilatasi yang telah baku sesuai dengan aturan dyadic dan nilainya harus lebih besar dari satu. τ0 adalah parameter

translasi yang nilainya harus besar dari nol dan tergantung pada perubahan dilatasi. Efek dari mendiskritkan Wavelet berdampak pada waktu-skala yang menjadi interval-interval diskrit. Jika sampel dari axis frekuensi yang berhubungan dengan dyadic sampel yaitu s0 = 2, dan jika nilai translasi yang

dipilih adalah 1 berarti τ0 = 1, maka akan persamaan 2.2 akan menjadi

(2.3)

(Abbas, Bassam, 2009)

Dengan menggunakan fungsi Wavelet diskrit diatas sehingga diperoleh transformasi Wavelet diskrit sebagai berikut

,� dikenal sebagai koefisien detil Wavelet pada indek skala s dan lokasi τ. Wavelet diskrit dyadic orthonormal berkaitan dengan fungsi penskala dan persamaan dilatasinya. Fungsi penskala berkenaan dengan penghalusan sinyal dan memiliki bentuk yang sama seperti fungsi Wavelet adalah

� ,� =_√ ��

−� �

� (2.5)

Lalu fungsi penskala di konvolusi dengan sinyal sehingga menghasilkan koefisien approksimasi

,� = ∫_−∞∞ � ,� (2.6)

Akhirnya sinyal x(t) dapat disajikan sebagai kombinasi deret ekspansi dengan menggunakan koefisien aproksimasi dan koefisien detil sebagai berikut :

= ∑∞�= −∞ ,� � ,� + ∑∞= −∞∑∞�= −∞ ,�ψ ,� (2.7)

Gambar 2.5 Lokalisasi Wavelet Diskrit di Dalam Ruang Waktu-Skala Pada

Dyadic Grid. (Vallens,1999)

Untuk pengaplikasian transformasi Wavelet diskrit, sinyal masukan diproses dengan melewatkan sinyal yang akan dianalisis menggunakan filter

berdasarkan frekuensi dan skala yang berbeda. Sinyal input dilewatkan melalui sekelompok high-pass filter untuk menganalisis frekuensi tinggi, dan dilewatkan melalui sekolompok low-pass filter untuk menganalisis frekuensi rendah. Sinyal

frekuensi rendah identik dengan informasi global yang terdapat pada sinyal input, sedangkan sinyal frekuensi tinggi identik dengan informasi detil dari sinyal input. Sinyal frekuensi rendah ini dapat dimanfaatkan untuk mengenali pola umum pada sinyal input. (Alfatwa, 2009)

Contoh untuk dekomposisi pada Wavelet diskrit transform satu dimensi ditunjukan pada gambar 2.3 yang merupakan pohon dekomposisi, dimana S merupakan sebuah sinyal yang di dekomposisi dengan orde 3 dan menghasilkan koefisien detail cD1, cD2, cD3, serta koefisien aproksimasi cA1. (Ruth, 2014)

Gambar 2.6 Dekomposisi Orde 3 Untuk Sinyal S. (Matlab, 2013)

2.3.4 Mother Wavelet

Mother Wavelet merujuk pada arti kata small wave (gelombang kecil) yang berarti memiliki panjang yang terbatas. (Ruth, 2014) Mother Wavelet

merupakan prototype yang akan menghasilkan Daughter Wavelet” Ψa,b (t) dibentuk oleh translasi (b) dan skala (a).

)

(

|

|

1

)

(

,

a

b

t

a

t

b a









_(2.8)

Keterangan:

b = parameter translasi a = parameter skala

� = MotherWavelet

(Surtono, 2012)

Gambar 2.7 Illustrasi Transformasi Wavelet. (Kauhsoik, 2014)

2.3.4.1Wavelet Daubechies

Ingrid Daubechies merupakan salah satu dari bintang paling cemerlang dalam bidang penelitian Wavelet. Transform Wavelet Daubechies ditemukan oleh Igrid Daubechies pada tahun 1987. Daubechies Wavelets merupakan salah satu bagian dari orthogonal Wavelet. Adapun koefisien filter yang digunakan dalam

jenis Wavelet ini didapat dari penurunan persamaan Wavelet secara matematis oleh Igrid Daubechies. (Napitupulu, 2012).

Hasil akhir dari persamaan yang digunakan untuk menetukan koefisien filter adalah sebagai berikut :

(2.9)

Daubechies membangun Wavelet yang mempunyai karakteristik compact support

(mempunyai panjang yang terbatas, Nk ) dan diperhasul hingga beberapa derajat.

Smoothness dari Wavelet berhubungan dengan kondisi momen yang merupakan

pengaruh dari fungsi skala. Untuk m = 0,1,2,…..,Nk/2 – 1. Wavelet Daubechies

memiliki Nk/2 vanishing moments yang berarti sinyal dapat diperhalus hingga polynomial dengan derajat Nk/2 – 1. Wavelet Daubechies sangat bagus untuk

merepresentasikan sifat-sifat polynomial di dalam sinyal. Panjang support dari

Wavelet Daubechies adalah Nk-1, contohnya adalah D2 (Wavelet Haar)

mempunyai support length sama dengan 1, D4 mempunyai support length sama dengan 3, D5 mempunyai support length sama dengan 4.

2.3.4.2 Wavelet Coiflet

`_{Wavelet Daubechies mempunyai bentuk yang tidak simetris, untuk meningkatkan}

bentuk simetrisnya makan Daubechies membangun Wavelet Coiflet. Jenis Waveletfilter

ini tidak jauh berbeda dengan Daubechies filter. Filter Coiflet ini juga di design oleh Igrid Daubechies sama halnya dengan filter Daubechies. (Napitupulu, 2012)

Gambar 2.9 Wavelet Coiflet. (Venkatta, Kumar, 2014)

2.3.4.3 Wavelet Symlet

Symlet Wavelet merupakan bentuk singkat dari symmetrics Wavelet. Memang tidak secara sempurna simetris, namun filter ini di design dengan cara agar memiliki sedikit bentuk asimetris, Symlet juga dirancang oleh inggrid Daubechies yang merupakan pengembanagan dari Wavelet Daubechies. (Napitupulu, 2012)

Gambar 2.10 Wavelet Symlet. (Venkatta, Kumar, 2014)

2.3.4.4 Wavelet Biorthogonal

Wavelet Biorthogonal menggunakan dua Wavelet, satu untuk dekomposisi (di sisi kiri) dan yang lainnya untuk rekonstruksi (di sebelah kanan sisi). Istilah

‘Biorthogonal’ merujuk pada adanya 2 fungsi skala yang orthogonal satu sama lain. (Napitupulu, 2012).

2.4 Parameter 2.4.1 Standar Deviasi

Standar deviasi digunakan untuk mengukur besar dari variasi atau penyebaran dari rata-rata. Semakin rendah nilai suatu standar deviasi mengindikasikan bahwa titik data cenderung sangat dekat dengan rata-rata (nilai yang diharapkan), begitu juga ketika nilai standard deviasi tinggi mengindikasikan bahwa jangkauan titik data yang tersebar sangat besar.

= √� = √

_�− ∑�_�= �_�−� (2.10)

S = standar deviasi, N = nomor sample, Xi= input sinyal jantung, µ= rata-rata

2.4.2 Energi

Energi berarti sesuatu memiliki kemampuan untuk menyebabkan perubahan, energi biasanya digunakan untuk menggambarkan berapa banyak potensi sistem yang harus berubah. Pada sinyal suara jantung, Energi total di setiap komponen detail dan approksimasi memberikan informasi yang berguna tentang lokasi artefak di sinyal. Artefak merupakan variasi sinyal yang tidak diinginkan. Artefak ini termasuk instrumen suara, suara dari suara tubuh, suara karena gerakan subjek dan gerakan diafragma stetoskop. Semakin rendah range frekuensi hasil dekomposisi maka memiliki Energi normalisasi yang besar dikarenakan mengandung suara jantung, sedangkan semakin tinggi range frekuensi hasil dekomposisi maka memiliki Energi normalisasi yang kecil dikarenakan mengandung artefak. (Kumar, 2015).

Energi dekomposisi rerata di setiap EDi dihitung dengan persamanaan (diasumsikan akan didekomposisi hingga level 10) :

EDi= ∑

�ℎ � � , K= 1,2,……. Panjang Di (2.11)

i = 1,2,…. N=10

Energi dekomposisi rerata di EA10 dihitung dengan persamanaan (diasumsikan akan didekomposisi hingga level 10) :

EA10= ∑ �

�ℎ � � � , K= 1,2,…….Jumlah cuplik A10 (2.12)

2.4.3 Normalisasi Energi

Energi dekomposisi rerata perlu dinormalisasi agar energi terendah berada pada nilai 0 dan energi tertinggi berada pada nilai 1 sehingga rentang nilai grafik normalisasi energi akan berada diantara range 0 dan 1.

ENj = ��

� � , � , j = 1,2,3….n (2.13)

ENj = Energi rerata normalisasi pada dekomposisi ke –j (j= 1,2,3…N=10)

EDi = Energi rerata sinyal detail ke- I (i= 1,2,3….N=10)

EA10= Energi rerata sinyal aproksimasi A10

2.5 Denoising Wavelet

Denoising sinyal adalah memperkirakan nilai sinyal yang sebenarnya dari sinyal yang memiliki noise dan dapat digambarkan dengan persamaan sebagai berikut :

y(n) adalah sinyal yang berderau, x(n) adalah sinyal asli, dan s(n) merupakan derau sinyal. (Sundararajan, 2015)

Pada umumnya, DenoisingWavelet memiliki prosedur sebagai berikut :

 Menggunakan transformasi Wavelet ke sinyal yang berderau untuk memproduksi koefisien Wavelet pada setiap level dekomposisi.

 Memilih batas nilai threshold yang tepat pada setiap level dekomposisi dan metode threshold yang diinginkan (hard atau soft tresholding)

 Merekonstruksi sinyal dengan transformasi Waveletinverse.

Seperti yang telah disebutkan diatas bahwa prosedur Denoising memiliki tiga proses yaitu mendekomposisikan sinyal, memberikan batas nilai threshold, dan merekonstruksi sinyal. Denoising memiliki metode yang disebut Shrinkage yang dapat diimplementasikan dengan hard tresholding ataupun soft tresholding. Pada

hard tresholding, koifisien Wavelet yang memiliki nilai dibawah ambang batas yang telah ditentukan akan diubah menjadi nol, sedangkan pada soft tresholding

koifisien Wavelet akan di reduksi mendekati nilai ambang batas yang telah ditentukan. Nilai ambang batas merupakan nilai perkiraan dari tingkatan derau yang didapatkan dengan menghitung nilai standar deviasi dari koefisien detail. (Donoho, 1995)

�� ℎ � = { = , � | | > �_{= 0, � | | ≤ �} (2.15)

ℎ � = { = + �, � | | < −�= − �, � | | > � = 0, � | | ≤ �

(2.16)

Dimana adalah sinyal input, adalah sinyal setelah di-treshold, dan � adalah nilai threshold, hard tresholding dan softtresholding di illustrasikan pada Gambar

2.12 serta dapat dilihat pada gambar 2.13 yang merupakan contoh penerapan soft tresholding dimana nilai threshold � = 0.4 sehingga pada Gambar 2.13(b) semua nilai antar 0.4 hingga -0.4 akan dibuat menjadi nol, sedangkan nilai yang lebih besar dari 0.4 dan lebih kecil dari -0.4 akan diubah mendekati axis- oleh 0.4. (Sundararajan, 2015)

Gambar 2.12 Tipe Threshold Yaitu (a) Hard dan (b) Soft. (Ergen, 2012)

Gambar 2.13 (a) Sebuah Sinyal Sinusoidal (b) Sinyal Sinusoidal Dengan Soft

Metode hard tresholding tidak mempengaruhi koefisien detail yang lebih besar dari ambang batas atau threshold. Metode hard tresholding memiliki karakterstik yang tidak stabil dan sensitif terhadap perubahan yang kecil pada sinyal, sedangkan metode soft tresholding dapat menimbulkan bias ketika koefisien terlalu besar, meskipun beberapa metode yang baru telah diusulkan untuk mengatasi kekurangan metode shrinkage ini, namun metode shrinkage merupakan metode yang masih lebih efisien untuk digunakan. (Donoho, 1995)

Hal yang penting didalam metode tresholding adalah mencari nilai yang tepat untuk nilai ambang batas yang akan digunakan. Pada kenyataanya telah banyak teknik ataupun metode yang diusulkan untuk menghitung nilai threshold, namun pada kenyataanya semua teknik tersebut membutuhkan perkiraan tingkat derau. Standar deviasi dari nilai data dapat digunakan untuk menentukan nilai perkiraan

tingkat derau, Donoho mengusulkan teknik untuk mendapatkan nilai estimator  yang cukup baik pada Denoising Wavelet yang persamaanya dijelaskan sebagai berikut :

(2.17) Dimana L merupakan jumlah dari tingkatan dekomposisi, median dipilih dari nilai koefisien detail pada sinyal yang dianalisis. (Donoho and Johnstone 1994; Donoho and Johnstone 1998).

3.1 Metode Penelitian

Gambar 3.1 Diagram Blok Rancangan Penelitian.

Sinyal PCG

Denoising

Dekomposisi

Frekuensi cuplik 8Khz

Frekuensi cuplik 44,1Khz

Frekuensi cuplik 48Khz

Daubechies Biorthogonal Symlet

Coiflet

Orde 2 Orde 5 Orde 2,5,7 Orde 2.8 Orde 3.9 Orde 6.8

Level n

Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program, dan analisis. Studi kepustakaan dilakukan untuk mencari teori atau informasi dari buku, jurnal, dan artikel-artikel yang berkaitan dengan dekomposisi sinyal PCG, Dari informasi studi kepustakaan yang diperoleh, maka dilakukan pembuatan program pada matlab untuk membantu analisis.

Penelitian ini menggunakan data real yang didapat menggunakan stetoskop digital dari thinkslabone. Berdasarkan blok diagram pada Gambar 3.1, dijelaskan bahwa sinyal PCG yang masuk akan di pecah dan Denoising untuk menghapus sinyal yang tidak diperlukan dari sinyal suara jantung yang telah direkam. Setelah sinyal yang tidak diperlukan dihapus maka akan di dekomposisi kedalam bentuk gelombang yang disebut Mother Wavelet, yang mana sinyal tersebut akan di pecah menjadi sinyal yang berfrekuensi tinggi (aproksimasi) dan sinyal yang berfrekuensi rendah (detail), parameter yang mempengaruhi antara lain sinyal PCG dari subyek, frekuensi cuplik, Mother Wavelet, dan tingkat dekomposisi. Dari hasil dekomposisi akan didapatkan beberapa sinyal detail dan sinyal aproksimasi yang terakhir sehingga akan dihitung energi dekomposisi yang telah dinormalisasi dan standard deviasi untuk ciri dari sinyal PCG masing-masing subyek. Hasil perhitungan parameter yang telah ditentukan akan dianalisis untuk menjadi ciri antara satu jenis sinyal PCG dengan jenis sinyal PCG yang lain.

3.2 Prosedur Penelitian

Prosedur ini menjelaskan tentang langkah-langkah yang dilakukan dalam penelitian seperti pada Gambar 3.2. dan Gambar 3.3

.

Gambar 3.2 Flowchart Proses Penelitian Sinyal Suara Jantung.

Pengambilan data sinyal PCG

pada 3 subyek Start

Sinyal PCG dengan frekuensi cuplik

8Khz, 44,1 KHz, dan 48 Khz

Denoising sinyal PCG

Dekomposisi sinyal PCG

Perhitungan nilai energi dan standard deviasi

Nilai energi, standar deviasi, serta visualisasi

energi

Gambar 3.3 Flowchart Proses Penelitian Sinyal Suara Jantung (Lanjutan Gambar 3.2).

Dari Gambar 3.2 dan Gambar 3.3 yang merupakan flowchart proses penelitian sinyal PCG yang akan dijelaskan sebagai berikut:

Data sinyal suara jantung persiklus diambil dari 3 subyek dalam keadaan normal dan relaks, pada setiap subyek dilakukan pengambilan data sebanyak 30 kali dengan tiga macam frekuensi cuplik yaitu 8KHz, 44,1KHz, dan 48KHz. Pengambilan data dilakukan dengan stetoskop digital thinkslabone.

Setelah pengambilan data sinyal PCG lengkap maka akan dipecah-pecah dan didenoising untuk menghapus data sinyal yang tidak diperlukan, yang terekam pada saat proses perekaman sinyal jantung, selanjutnya sinyal PCG akan didekomposisi dengan sebelas Mother Wavelet diskrit yaitu symlet 2, symlet 5, symlet 7, daubechies 2, daubechies 5, daubechies 7, coiflet 2, coiflet 5, biorthogonal 2.8, biorthogonal 3.9, dan biorthogonal 6.8. Setelah didekomposisi maka akan dihitung nilai energi normalisasinya, serta standar deviasi.

a

Membandingkan hasil energi, frekuensi pada energi tertinggi pada

sinyal PCG antara subyek, frekuensi cuplik, serta mother _DWT

analisa

Hasil perhitungan dari normalisasi energi akan di visualisasikan berupa grafik bar, lalu dilakukan analisis hasil normalisasi energi, serta standar deviasi. Analisis dilakukan dengan membandingkan hasil energi, range frekuensi pada energi tertinggi pada sinyal PCG antara subyek, frekuensi cuplik, serta mother

DWT.

3.3 Analisis Transformasi Wavelet Diskrit

Transformasi Wavelet diskrit digunakan untuk mendekomposisikan sinyal masukan PCG ke dalam bentuk gelombang seusai dengan Mother Wavelet yang digunakan, dekomposisi dilakukan dengan memisahkan sinyal masukan ke dalam frekuensi rendah dan frekuensi tinggi, hasil dari dekomposisi adalah komponen

approximation yang merupakan scaling function (lowpass filter) dan komponen

detail yang merupakan Wavelet function. (Sundararajan, 2015).

Level dekomposisi ditetapkan berdasarkan frekuensi cuplik yang digunakan. (Venkatta, 2015). Penelitian ini dipengaruhi beberapa parameter yaitu sinyal PCG dari setiap subyek, frekuensi cuplik, Mother Wavelet, dan level dekomposisi. Sinyal PCG akan didekomposisikan menjadi A yang merupakan approksimasi dan D yang merupakan detail, serta akan didekomposisikan sesuai dengan frekuensi cupliknya, pada frekuensi cuplik 48Khz dan 44,1KHz akan didekomposisikan sebanyak 15 tingkat yang dapat dilihat pada Gambar 3.4 dan 3.5, sedangakan frekuensi cuplik 8Khz akan didekomposisikan sebanyak 10 tingkat yang dapat dilihat pada Gambar 3.6.

D1

D3 A3

A4 D4

A5 D5

A6 D6

A1

D2 A2

A7 D7

A8 D8

A9 D9

A10 D10

A14 D14

A11 D11

A13 D13

A12 D12

24KHz-12KHz 12KHz-6KHz 6KHz-3KHz 3KHz-1500Hz 1500Hz-750Hz 750Hz-375Hz 375Hz-187,5Hz 187,5Hz-93,75Hz 93,75Hz-46,875Hz 46,875Hz-23,438Hz 23,438Hz-11,719Hz 11,719Hz-5,9Hz 5,9Hz-2,9Hz 2,9Hz-1,5Hz

D1

D3 A3

A4 D4

A5 D5

A6 D6

A1

D2 A2

A7 D7

A8 D8

A9 D9

A10 D10

A14 D14

A11 D11

A13 D13

A12 D12

22050Hz-11025Hz 11025Hz-5512,5Hz 5512,5Hz-2756,25Hz 2756,25Hz-1378,125Hz 1378,125Hz-689,0Hz 344,53Hz-689,06Hz 172,27Hz-344,53Hz 86,133Hz-172,27Hz 43,07Hz-86,133Hz 21,53Hz-43,07Hz 10,77Hz-21,53Hz 5,38Hz-10,77Hz 2,69Hz-5,38Hz 1,35Hz-2,69Hz

Gambar 3.6 Dekomposisi 10 Tingkat Dengan Frekuensi Cuplik 8khz. 8Khz D1 A1 D2 A2 D10 A10 0 D9 A9 D8 A8 D7 A7 D6 A6 D5 A5 D4 A4 D3 A3 4Khz- 2Khz 2Khz-1Khz 500Hz-1Khz 250Hz-500Hz 125Hz-250Hz 7,81Hz- 15,625hz 15,63Hz-31,25Hz 31,25Hz- 62,5Hz 62,5Hz- 125Hz 3,91Hz- 7,81Hz 3,91Hz-0Hz

Analisis transformasi Wavelet diskrit dilakukan dengan mendekomposisi sinyal PCG menggunakan Matlab, untuk mendekomposisi sinyal satu dimensi

maka digunakan fungsi wavedec_{, cuplikan program proses dekomposisi dapat}

dilihat pada Gambar 3.7

Gambar 3.7 Cuplikan Program Proses Dekomposisi.

Fungsi wavedec(‘x’,N,’Wname’) _{pada matlab memiliki parameter input x}

untuk sinyal masukan, N untuk tingkat level, dan Wname untuk Mother Wavelet, sedangkan parameter outputnya adalah hasil dekomposisi dan panjang data dari setiap komponen dapat dilihat pada Gambar 3.8

3.3.1 Denoising

Denoising sinyal bertujuan untuk menghapus data yang tidak diperlukan, yang terekam pada saat proses perekaman suara sinyal jantung. Setelah sinyal suara jantung diambil maka sinyal harus di Denoising terlebih dahulu, metode

Denoising yang digunakan adalah soft tresholding, dimana metode ini akan membuat nilai yang berada antara threshold –T< X < T menjadi 0, sedangkan nilai yang lebih dari T telah diubah untuk mendekati axis X. Denoising pada penelitian ini dilakukan secara manual dan Mother Wavelet yang digunakan untuk

Denoising adalah daubechies 5, hal ini dikarenakan pada penelitian yang dilakukan oleh Mishra tahun 2013 dengan judul Denoising Of Heart Sound Signal Using Wavelet Transform didapatkan bahwa daubechies 5 memiliki nilai presentase rekonstruksi yang maksimum dan nilai SNR(Signal to Noise Ratio) yang maksimum dimana SNR merupakan metode untuk mengukur kekuatan sinyal terhadap derau, yang berarti bahwa semakin besar nilai SNR maka akan semakin baik hasil produk yang didapat dari Denoising tersebut.

3.3.2 Energi Dekomposisi dan Normalisasi Energi Dekomposisi

Energi Dekomposisi digunakan untuk mengetahui ciri atau pola sinyal PCG dengan yang lainya, pada penelitian ini digunakan tiga frekuensi cuplik yang akan menghasilkan dua macam level yaitu dekomposisi 15 level untuk 48KHz dan 44,1KHz, serta dekomposisi 10 level untuk 8Khz. Berdasarkan level maka dapat dihitung energi dekomposisinya pada setiap komponen detail dan approksimasi terakhir. Energi dekomposisi rerata pada sinyal detail dapat dihitung dengan persamaan sebagai berikut:

 Energi dekomposisi rerata level 10 EDi= ∑

� �ℎ ��� , K= 1,2,……. Panjang Di (3.1)

i = 1,2,…. N=10

 Energi dekomposisi rerata level 15

EDi= ∑

� �ℎ ��� , K= 1,2,……. Panjang Di (3.2)

i = 1,2,…. N=15

Energi dekomposisi rerata sinyal aproksimasi dihitung dengan persamaan sebagi berikut:

 Energi dekomposisi rerata level 10

EA10= _{� �ℎ ��� �}∑ � , K= 1,2,…….Jumlah cuplik A10 (3.3)

 Eenergi dekomposisi rerata level 15 EA15= ∑ � 5

� �ℎ ��� � 5, K= 1,2,…….Jumlah cuplik A15 (3.4)

Setelah energi didekomposisi rerata dihitung maka akan dilakukan normalisasi energi agar nilai energi berada diantara nilai 0 dan 1. Energi normalisasi dihitung dengan persamaan sebagai berikut:

 Normalisasi Energi dekomposisi level 10

ENj = ��

� � �� , � (3.5)

ENj = Energi rerata normalisasi pada dekomposisi ke –j (j= 1,2,3…N=10)

EDi = Energi rerata sinyal detail ke- I (i= 1,2,3….N=10)

EA10= Energi rerata sinyal aproksimasi A10

 Normalisasi Energi dekomposisi level 15 ENj = _{� �} ��

�� , � 5 (3.6)

ENj = Energi rerata normalisasi pada dekomposisi ke –j (j= 1,2,3…N=15)

EDi = Energi rerata sinyal detail ke- I (i= 1,2,3….N=15)

3.3.3 Flowchart Program Energi Dekomposisi dan Normalisasi Energi Flowchart program untuk mendapatkan nilai energi dekomposisi dan normalisasi energi, serta visualisasi normalisasi energi adalah sebagai berikut:

Gambar 3.9 Flowchart Program Perhitungan Energi Dekomposisi dan Normalisasi Energi.

Gambar 3.10 Flowchart Program Perhitungan Energi Dekomposisi dan Normalisasi Energi (Lanjutan Gambar 3.9).

Gambar 3.9 dan Gambar 3.10 merupakan gambar flowchart dari program perhitungan energi dan normalisasi energi yang akan dijelaskan sebagai berikut :

2. Program menyimpan data rekaman ke dalam bentuk array dan mendekomposisikanya dengan transformasi Wavelet descrete menggunkanan berbagai Mother Wavelet dan berbagai orde ke dalam bentuk data-data integer yang tersimpan pada array C, selain itu hasil dekomposisi juga menyimpan banyak data hasil yang disimpan pada array L.

3. Semua elemen pada array C di kuadratkan.

4. Pemecahan data pada array C yang di sesuaikan dengan nilai dari setiap index dari array L yang merupakan array untuk menampung banyak data pada setiap detail dan aproksimasi hasil dekomposisi.

5. Data yang sudah dipecah pada array C dijumlahkan sesuai dengan tingkat detail dan aproksimasinya untuk mendapatkan nilai energi pada setiap tingkatan detail dan aproksimasi.

6. Data pada array C yang telah di jumlah usesuai dengan tingkat detail dan aproksimasi untuk mendapatkan nilai energi akan di hitung nilai rata-ratanya.

7. Menghitung normalisasi energi dari setiap aproksimasi dan detail dengan membagi nilai rata-rata energi dari setiap tingkatan detail dan aproksimasi dengan nilai rata-rata yang terbesar lalu hasilnya akan disimpan pada array pola.

8. Hasil dari normalisasi energi di visualisasikan dengan grafik bar.

9. Data koifisien pada array C, banyak data pada setiap detail dan aproksimasi pada array L, dan nilai normalisasi energi yang disimpan pada array pola akan secara otomatis disimpan ke dalam format miscrosoft excel (.xls) dengan

penamaan file yang sesuai dengan Mother Wavelet, urutan data sampel, dan level dekomposisi yang digunakan.

3.3.4 Standard Deviasi

Standar deviasi digunakan untuk mengukur variasi atau penyebaran data dari rata-rata, Jika nilai standar deviasi semakin rendah maka dapat diartikan bahwa data cenderung sangat dekat dengan rata-rata, namun ketika nilai standar deviasi tinggi mengindikasikan bahwa jangkauan data yang tersebar sangat besar. Dalam pengukuran energi, standar deviasi digunakan untuk mengetahui tingkat persebaran data dari nilai rata-rata energi normalisasi maupun energi dekomposisi dari setiap komponen detail ataupun aproksimasi. Adapun flowchart program yang digunakan untuk menghitung rata-rata, dan standar deviasi akan di jelaskan pada Gambar 3.11 dan Gambar 3.12.

Gambar 3.12 Flowchart Program Perhitungan Standar Deviasi ( Lanjutan Gambar 3.11).

Gambar 3.11 dan Gambar 3.12 merupakan gambar flowchart dari program perhitungan energi dan normalisasi energi yang akan dijelaskan sebagai berikut :

1. Nama Mother Wavelet dan level dekomposisi di inputkan untuk memanggil file

normalisasi energi yang bertipe .xls yang sesuai dengan nama Mother Wavelet

dan level dekomposisi.

2. Membaca dan memindahkan isi data file normalisasi energi yang telah dipanggil dari sampel ke-1 hingga ke-30 ke dalam array tmp.

3. Menghitung rata-rata normalisasi energi dengan cara menjumlahkan dan manghitung rata-rata isi baris array tmp yang merupakan tingkatan detail dan aproksimasi.

4. Menyimpan hasil rata-rata normalisasi energi pada setiap aproksimasi dan detail ke array ratapola.

5. Menghitung standar deviasi normalisasi energi pada setiap aproksimasi dan detail dan disimpan pada array stdev.

6. Menyimpan data array ratapola yang merupakan nilai rata-rata normalisasi energi dan data array stdev yang merupakan nilai standar deviasi normalisasi energi dalam format Microsoft excel dengan nama sesuai Mother Wavelet, level dekomposisi, serta frekuensi cuplik.

7. Menyimpan secara otomatis dan menampilkan visualisasi nilai rata-rata normalisasi energi dengan grafik bar.

BAB IV

HASIL DAN PEMBAHASAN

4.1 Kebutuhan Sistem

Sebelum melakukan perbandingan sinyal suara jantung dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel 4.2.

Tabel 4.1 Kebutuhan Perangkat Keras.

Perangkat Keras Spesifikasi

Processor Intel Core i3

Memori 4 Gb

Sistem Operasi Windows 7

Tabel 4.2 Kebutuhan Perangkat Lunak.

Perangkat Lunak Uraian

Matlab

Aplikasi yang digunakan untuk mengolah sinyal suara jantung menjadi energi dan energi normalisasi.

Audacity

Aplikasi yang digunakan untuk merekam suara sinyal jantung dari digital stetoskop thinkslabone ke komputer.

4.2 Pengujian Program

Pengujian program untuk meghitung nilai energi serta energi normalisasi dan standar deviasi dilakukan dengan membandingkan perhitungan rumus secara manual pada microsoft excel dan hasil perhitungan program yang akan disimpan secara otomatis didalam format Microsoft excel.

4.2.1 Tujuan

Pengujian ini dilakukan untuk mengetahui apakah program yang telah dibuat sesuai dengan dasar teori rumus yang ada.

4.2.2 Prosedur Pengujian Program Energi dan Normalisasi Energi

Prosedur pengujian program energi dan normalisasi energi :

a. Mendapatkan nilai hasil dekomposisi dari matlab yaitu berupa koifisien dan banyak data pada setiap detail dan aproksimasi dalam bentuk format Microsoft excel (.xls).

b. Memecah data koifisien sesuai dengan banyak data yang ada pada setiap detail dan aproksimasi.

c. Menghitung energi dekomposisi sinyal detail dengan rumus sebagai berikut:  Energi dekomposisi rerata level 10

EDi= ∑

� �ℎ ��� , K= 1,2,……. Panjang Di (4.1)

 Energi dekomposisi rerata level 15 EDi= ∑

� �ℎ ��� , K= 1,2,……. Panjang Di (4.2)

i = 1,2,…. N=15

d. Menghitung energi dekomposisi rerata sinyal aproksimasi dihitung dengan persamaan sebagi berikut:

 Energi dekomposisi rerata level 10 EA10= ∑ �

� �ℎ ��� � , K= 1,2,…….Jumlah cuplik A10 (4.3)

 Energi dekomposisi rerata level 15 EA15= _{� �ℎ ��� �}∑ � 5

5, K= 1,2,…….Jumlah cuplik A15

e. Menghitung normalisasi energi dekomposisi rerata sinyal aproksimasi dan detail dihitung dengan persamaan sebagi berikut:

ENj = _{� �} ��

�� , � (4.4)

ENj = Energi rerata normalisasi pada dekomposisi ke –j (j= 1,2,3…N=10)

4.2.3 Hasil Pengujian Program Energi dan Normalisasi Energi

Hasil dari pengujian dengan menghitung secara manual di Microsoft Excel dapat dilihat pada Gambar 4.1, sedangkan hasil dari program energi dan Normalisasi Energi dapat dilihat pada Gambar 4.2.

Gambar 4.1. Hasil Perhitungan Energi dan Normalisasi Energi Dengan Menggunakan Microsoft Excel.

Gambar 4.2. Hasil Perhitungan Program Energi dan Normalisasi Energi.

4.2.4 Prosedur Pengujian Program Standar Deviasi

Prosedur pengujian program standar deviasi :

a. Mendapatkan nilai normalisasi energi dalam format .xls pada data ke-1 hingga data ke-30.

b. Program secara otomatis membaca nilai normalisasi energi pada data ke-1 hingga data ke-30 dalam bentuk format Microsoft Excel (.xls).

c. Menghitung standar deviasi dari energi normalisasi secara manual menggunakan Microsoft excel dengan rumus sebagai berikut :

� = √�2 _{= √}

�− ∑��= ��−� (4.5)

S = standar deviasi, N = nomor sample, Xi= input sinyal jantung, µ= rata-rata

4.2.5 Hasil Pengujian Program Standar Deviasi

Hasil dari pengujian dengan menghitung standar deviasi normalisasi energi pada setiap detail dan aproksimasi secara manual di Microsoft Excel dapat dilihat pada Gambar 4.3, dan hasil perhitungan nilai rata-rata normalisasi energi secara manual pada setiap detail dan aproksimasi manual di Microsoft excel dapat dilihat pada Gambar 4.5, sedangkan hasil perhitung standar deviasi normalisasi energi pada setiap detail dan aproksimasi dari program dapat dilihat pada Gambar 4.4, serta rata-rata normalisasi energi pada setiap detail dan aproksimasi dari program dapat dilihat pada Gambar 4.6. Pada Gambar 4.3 dan Gambar 4.4 dapat dilihat hasil pengujian dengan perhitungan nilai standar deviasi normalisasi energi secara manual dan perhitungan program secara otomatis menghasilkan hasil perhitungan yang sama, begitu juga pada Gambar 4.5 dan 4.6 dapat dilihat hasil pengujian dengan perhitungan nilai rata-rata normalisasi energi secara manual dan perhitungan program secara otomatis menghasilkan hasil perhitungan yang sama.

Gambar 4.3 Hasil Perhitungan Standar Deviasi Normalisasi Energi Secara Manual Dengan Menggunakan Microsoft Excel.

Gambar 4.4 Hasil Perhitungan Program Standar Deviasi Normalisasi Energi.

Gambar 4.5 Hasil Perhitungan Rata-Rata Normalisasi Energi Secara Manual Dengan Menggunakan Microsoft Excel.

Gambar 4.6 Hasil Perhitungan Program Rata-Rata Normalisasi Energi.

4.3 Pengambilan Data

Data diambil menggunakan stetoskop digital thinkslab dengan menggunakan tiga macam frekuensi cuplik yaitu 8KHz, 44,1KHz, 48KHz untuk setiap subyek. Pada setiap subyek dan setiap frekuensi cuplik dilakukan pengambilan 30 siklus data dimana persiklusnya memiliki waktu rata-rata sekitar 0.8 detik. Adapun hasil pengambilan data untuk subyek satu dapat dilihat pada

Gambar 4.7, untuk subyek dua dapat dilihat pada Gambar Gambar 4.8, untuk subyek dua dapat dilihat pada Gambar 4.9.

(a)

(b)

(c)

Gambar 4.7 Sinyal Hasil Pengambilan Dengan Stetoskop Digital Thinkslabone di Subyek Satu Pada (A) Frekuensi 8KHz, (B) Frekuensi 44,1KHz, (C) Frekeunsi

(a)

(b)

(c)

Gambar 4.8 Sinyal Hasil Pengambilan Dengan Stetoskop Digital Thinkslabone di Subyek Dua Pada (A) Frekuensi 8KHz, (B) Frekuensi 48KHz, (C) Frekeunsi 44,1

(a)

(b)

(c)

Gambar 4.9 Sinyal Hasil Pengambilan Dengan Stetoskop Digital Thinkslabone di Subyek Tiga Pada (A) Frekuensi 8KHz, (B) Frekuensi 48KHz, (C) Frekeunsi

4.4 Denoising Sinyal PCG

Pada Gambar 4.7, Gambar 4.8, dan Gambar 4.9 dapat dilihat bahwa sinyal hasil pengambilan dengan digital stetoskop thinkslabone masih memiliki artefak, sehingga sebelum di olah lebih jauh maka sinyal yang tidak dibutuhkan, yang terekam pada saat proses perekaman sinyal suara jantung harus dihapus. Pada

Denoising ini digunakan Mother Wavelet Daubechies 5 dan Soft Tresholding

dimana nilai threshold di dapatkan secara manual. Hasil dari Denoising sinyal suara jantung dari subyek satu dapat dilihat pada Gambar 4.10, Hasil dari

Denoising sinyal suara jantung dari subyek dua dapat dilihat pada Gambar 4.11, dan Hasil dari Denoising sinyal suara jantung dari subyek tiga dapat dilihat pada Gambar 4.12.

(a)

(c)

(d)

(e)

(f)

Gambar 4.10 Hasil Denoising Pada Subyek Satu (A) Sinyal Pada Frekuensi Cuplik 8 KHz Sebelum Didenoising (B) Sinyal Pada Frekuensi Cuplik 8 KHz Setelah Didenoising (C) Sinyal Pada Frekuensi Cuplik 44,1 KHz Sebelum

Didenoising (D) Sinyal Pada Frekuensi Cuplik 44,1 KHz Setelah Didenoising (E) Sinyal Pada Frekuensi Cuplik 48 KHz Sebelum Didenoising (F) Sinyal Pada Frekuensi Cuplik 48 KHz Setelah Di Denoising.

(a)

(b)

(d)

(e)

(f)

Gambar 4.11 Hasil Denoising Pada Subyek Dua (A) Sinyal Pada Frekuensi Cuplik 8 KHz Sebelum Didenoising (B) Sinyal Pada Frekuensi Cuplik 8 KHz Setelah Didenoising (C) Sinyal Pada Frekuensi Cuplik 44,1 KHz Sebelum Didenoising (D) Sinyal Pada Frekuensi Cuplik 44,1 KHz Setelah Didenoising (E) Sinyal Pada Frekuensi Cuplik 48 KHz Sebelum Didenoising (F) Sinyal Pada Frekuensi Cuplik 48 KHz Setelah Didenoising.

(a)

(b)

(d)

(e)

(f)

Gambar 4.12 Hasil Denoising Pada Subyek Tiga (A) Sinyal Pada Frekuensi Cuplik 8 KHz Sebelum Didenoising (B) Sinyal Pada Frekuensi Cuplik 8 KHz Setelah Didenoising (C) Sinyal Pada Frekuensi Cuplik 44,1 KHz Sebelum Didenoising (D) Sinyal Pada Frekuensi Cuplik 44,1 KHz Setelah Didenoising (E) Sinyal Pada Frekuensi Cuplik 48 KHz Sebelum Didenoising (F) Sinyal Pada Frekuensi Cuplik 48 KHz Setelah Didenoising.

4.5 Dekomposisi Sinyal PCG

Setelah di Denoising maka sinyal akan di dekomposisi menggunakan matlab. Dekomposisi dilakukan dengan menggunakan beberapa Mother Wavelet

yaitu Symlet 2, Symlet 5, Symlet 7, Daubechies 2, Daubechies 5, Daubechies 7, Coiflet 2, Coiflet 5, Biorthogonal 2.8, Biorthogonal 3.9, Biorthogonal 6.8. Level dekomposisi tergantung dengan frekuensi cuplik, jika frekuensi cuplik 8KHz maka akan didekomposisi hingga 10 level, namun jika frekuensi cuplik 44,1 KHz, dan 48KHz maka akan didekomposisi hingga 15 level. Setelah didekomposisi maka akan mendapatkan dua koefisien yang ditampung di dalam array variabel C dan variabel L, dimana isi variabel C adalah koefisien hasil dekomposisi yaitu approksimasi dan detail sedangkan variabel L digunakan untuk menampun panjang setiap komponen approksimasi dan detail.

4.6 Analisis Hasil Dekomposisi Energi

Pada tahap ini akan dijelaskan tentang hasil pengolahan energi dan normalisas energi untuk mendapatakan pola pada setiap PCG.

4.6.1. Frekuensi cuplik 8KHz

Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 8KHz akan menghasilkan dekomposisi 10 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 2KHz hingga 4KHz dan komponen aproksimasi A1 dengan jangkauan frekuensi 2KHz hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (2KHz – 1KHz), A2(1KHz-0KHz), Begitu seterusnya hingga D10(7,813HZ- 3,9Hz) dan A10 (3,9Hz-0Hz) untuk Gambar dekomposisi 10 tingkat dapat dilihat pada Gambar 3.6.

Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 8KHz dari ketiga subyek normal dengan menggunakan 11 Mother Wavelet dapat dilihat pada Tabel 4.3, untuk visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 4.13.

Tabel 4.3 Normalisasi Energi Dekomposisi, Rata-Rata Energi, & Standar Deviasi Pada Frekuensi Cuplik 8KHz

Wavelet

Subyek 1 Subyek 2 Subyek 3

Rata-rata Energi

Standar deviasi Energi Frekuensi

(Hz) Energi

Frekuensi

(Hz) Energi

Frekuensi (Hz) Symlet 2 0.80386

31.25-62.5 0.89281 62.5-125 0.89458 62.5-125 0.86375 0.05188 Symlet 5 0.79209

31.25-62.5 0.88616 62.5-125 0.97902 62.5-125 0.88575 0.09346 Symlet 7 0.82328

31.25-62.5 0.87700 62.5-125 0.97423 62.5-125 0.89150 0.07651 Daubechies

2 0.80386

31.25-62.5 0.89281 62.5-125 0.89458 62.5-125 0.86375 0.05188 Daubechies

5 0.84671

31.25-62.5 0.89833 62.5-125 0.94618 62.5-125 0.89707 0.04975 Daubechies

7 0.74008

15.625-62.5 0.89565 62.5-125 0.97981 62.5-125 0.87185 0.12163 Coiflet 2 0.73938

15.625-62.5 0.90325 62.5-125 0.94933 62.5-125 0.86399 0.11035 Coiflet 5 0.75826

31.25-62.5 0.88456 62.5-125 1.00000 62.5-125 0.88094 0.12091 Biorthogonal

2.8 0.90868

31.25-62.5 0.94293 62.5-125 0.84651 62.5-125 0.89937 0.04888 Biorthogonal

3.9 0.95052

31.25-62.5 0.98850 62.5-125 0.91206

31.25-62.5 0.95036 0.03822 Biorthogonal

6.8 0.80959

0 0.2 0.4 0.6 0.8 1 1.2

Energi Dekomposisi Normalisasi

NORMALISASI ENERGI DEKOMPOSISI 8KHz

Gambar 4.13. Normalisasi Energi Rata-Rata Dekomposisi Dengan Frekuensi Cuplik 8KHz.

Dari hasil Tabel 4.3 dan Gambar 4.13 dapat dilihat bahwa Biorthogonal 3.9 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 0,950361 dengan standar deviasi yang paling rendah pada sampling 8KHz, standar deviasi menandakan bahwa range persebaran data dari rata-rata tidak terlalu jauh, mendekati akurat, selain itu 63.6% dari seluruh Mother Wavelet menghasilkan energi dekomposisi terbesar pada D6 dengan range frekuensi 62.5 hingga 125Hz

.

4.6.2. Frekuensi cuplik 44,1 KHz

Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 44,1 KHz akan menghasilkan dekomposisi 15 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 11025Hz hingga 22050Hz dan komponen aproksimasi A1 dengan jangkauan frekuensi 11025Hz

hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (11025Hz – 551,25Hz), A2(551,25Hz-0KHz), Begitu seterusnya hingga D10(1,35HZ- 0 Hz) dan A10 (0Hz) untuk Gambar dekomposisi 15 tingkat dapat dilihat pada Gambar 3.5. Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 44,1 KHz dari ketiga subyek normal dengan menggunakan 11 Mother Wavelet dapat dilihat pada Tabel 4.4, untuk visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 4.14.

Tabel 4.4 Normaliasi Energi Dekomposisi, Rata-Rata Energi, & Standar Deviasi Pada Frekuensi Cuplik 44,1KHz.

Wavelet

Subyek 1 Subyek 2 Subyek 3

Rata-rata Energi

Standar deviasi Energi Frekuensi

(Hz) Energi

Frekuensi

(Hz) Energi

Frekuensi (Hz) Symlet 2 1.00000

43.066-86.133 0.97609

43.066-86.133 1.00000

43.066-86.133 0.99203 0.01381 Symlet 5 1.00000

43.066-86.133 0.94966

43.066-86.133 1.00000

43.066-86.133 0.98322 0.02906 Symlet 7 1.00000

43.066-86.133 0.93679

43.066-86.133 1.00000

43.066-86.133 0.97893 0.03650 Daubechies

2 1.00000

43.066-86.133 0.97609

43.066-86.133 1.00000

43.066-86.133 0.99203 0.01381 Daubechies

5 1.00000

43.066-86.133 0.94346

43.066-86.133 1.00000

43.066-86.133 0.98115 0.03264 Daubechies

7 1.00000

43.066-86.133 0.91805

43.066-86.133 1.00000

43.066-86.133 0.97268 0.04731 Coiflet 2 1.00000

43.066-86.133 0.92389

43.066-86.133 1.00000

43.066-86.133 0.97463 0.04394 Coiflet 5 1.00000

43.066-86.133 0.91337

43.066-86.133 1.00000

43.066-86.133 0.97112 0.05001 Biorthogonal

2.8 1.00000

43.066-86.133 0.94942

43.066-86.133 1.00000

43.066-86.133 0.98314 0.02921 Biorthogonal

3.9 1.00000

43.066-86.133 1.00000

43.066-86.133 1.00000

43.066-86.133 1.00000 0.00000 Biorthogonal

6.8 1.00000

43.066-86.133 0.93170

43.066-86.133 1.00000

0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 1.04

Normalisasi Energi Dekomposisi

Gambar 4.14. Normalisasi energi rata-rata dekomposisi dengan frekuensi cuplik 44,1 KHz.

Dari hasil Tabel 4.4 dan Gambar 4.14 dapat dilihat bahwa Biorthogonal 3.9 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 1 dengan standar deviasi yang paling rendah yaitu 0 pada sampling 44,1 KHz, standar deviasi menandakan bahwa range persebaran data dari rata-rata tidak ada karena nilai standar deviasi menghasilkan 0 yang berarti akurat dan presisi, selain itu data menunjukan hasil yang konsisten karena 100% dari 990 data (11 Mother

Wavelet pada subyek satu, dau, dan tiga pada frekuensi cuplik 44,1 KHz)

menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz.

4.6.3. Frekuensi cuplik 48KHz

Hasil pengolahan sinyal PCG yang dengan frekuensi cuplik 48KHz akan menghasilkan dekomposisi 15 level, dimana pada level satu akan menghasilkan komponen detail D1 dengan jangkauan frekuensi 12KHz hingga 24KHz dan

komponen aproksimasi A1 dengan jangkauan frekuensi 12KHz hingga 0Hz, selanjutnya akan dipecah lagi menjadi D2 (12KHz – 6KHz), A2(6KHz-0KHz), Begitu seterusnya hingga D10(1,5HZ-0Hz) dan A10(0Hz) untuk Gambar dekomposisi 15 tingkat dapat dilihat pada Gambar 3.4. Setelah didekomposisi maka akan dihitung nilai normalisasi energi dekomposisi, Hasil normalisasi energi dekomposisi pada frekuensi 48KHz dari ketiga subyek normal dengan menggunakan 11 Mother Wavelet dapat dilihat pada Tabel 4.5, untuk visualisasi pola normalisasi energi dekomposisi rata-rata dapat dilihat pada Gambar 4.15. Tabel 4.5 Normaliasi Energi Dekomposisi, Rata-Rata Energi, & Standar Deviasi Pada Frekuensi Cuplik 48KHz.

Wavelet

Subyek 1 Subyek 2 Subyek 3

Rata-rata Energi

Standar deviasi Energi Frekuensi

(Hz) Energi

Frekuensi

(Hz) Energi

Frekuensi (Hz) Symlet 2 0.99412

46.875-93.75 0.88977

93.75-187.5 1.00000

46.875-93.75 0.96130 0.06202 Symlet 5 1.00000

46.875-93.75 0.89698

93.75-187.5 1.00000

46.875-93.75 0.96566 0.05948 Symlet 7 1.00000

46.875-93.75 0.91276

93.75-187.5 1.00000

46.875-93.75 0.97092 0.05037 Daubechies

2 0.99412

46.875-93.75 0.88977

93.75-187.5 1.00000

46.875-93.75 0.96130 0.06202 Daubechies

5 1.00000

46.875-93.75 0.90802

93.75-187.5 1.00000

46.875-93.75 0.96934 0.05311 Daubechies

7 1.00000

46.875-93.75 0.92159

93.75-187.5 1.00000

46.875-93.75 0.97386 0.04527 Coiflet 2 1.00000

46.875-93.75 0.92772

93.75-187.5 1.00000

46.875-93.75 0.97591 0.04173 Coiflet 5 1.00000

46.875-93.75 0.92112

93.75-187.5 1.00000

46.875-93.75 0.97371 0.04554 Biorthogonal

2.8 1.00000

46.875-93.75 0.87354

93.75-187.5 1.00000

46.875-93.75 0.95785 0.07301 Biorthogonal

3.9 0.94323

46.875-93.75 0.77661

46.875-93.75 1.00000

46.875-93.75 0.90661 0.11611 Biorthogonal

6.8 1.00000

46.875-93.75 0.91552

93.75-187.5 1.00000

Gambar 4.15. Normalisasi energi rata-rata dekomposisi dengan frekuensi cuplik 48KHz

Dari hasil Tabel 4.5 dan Gambar 4.15 dapat dilihat bahwa Coiflet 2 memiliki rata-rata normalisasi energi dekomposisi yang paling tinggi yaitu 0.97590 dengan standar deviasi yang paling rendah yaitu 0,41729 pada sampling 48KHz, namun hasil energi dekomposisi dengan Mother Wavelet yang lain tidak terlalu jauh berbeda, dan cenderung konsisten pada nilai 0.9. Selain itu 69,7% data dari 990 data (11 Mother Wavelet pada subyek satu, dua, dan tiga pada frekuensi cuplik 48KHz) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 46.88Hz hingga 93.75Hz.

0 0.2 0.4 0.6 0.8 1 1.2

Normalisasi Energi Dekomposisi

4.6.4. Database sinyal PCG Michigan

Database sinyal PCG normal dari Michigan University di gunakan untuk membandingkan sinyal PCG dari tiga subyek normal yang diambil menggunakan stetoskop digital. Database sinyal PCG normal dari Michigan University dalam keadaan tanpa noise, sehingga didapat hasil pada Tabel 4.6 dan visualisasi pola dengan frekuensi cuplik 8KHz, 44,1KHz, 48KHz. dapat dilihat pada Gambar 4.16 sedangkan visualisasi rata-rata normalisasi energi dapat dilihat pada Gambar 4.17.

Tabel 4.6 Normaliasi Energi Dekomposisi, Rata-Rata Energi, & Standar Deviasi Pada Frekuensi Database Michigan University Pada Sampling 8 KHz, 44,1 KHz, dan 48 KHz.

Wavelet

8KHz 44,1KHz 48KHz rata-rata

Energi Frekuensi

(Hz) Energi

Frekuensi

(Hz) Energi

Frekuensi

(Hz) Energi

Standard deviasi

Symlet 2 1.00000 62.5-125 0.99840

43.066-172.27 1.00000

46.875-93.75 0.99947 0.00093

Symlet 5 1.00000 62.5-125 0.92180

43.066-172.27 1.00000

46.875-93.75 0.97393 0.04515

Symlet 7 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Daubechies

2 1.00000 62.5-125 0.99840

43.066-172.27 1.00000

46.875-93.75 0.99947 0.00093

Daubechies

5 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Daubechies

7 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Coiflet 2 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Coiflet 5 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Biorthogonal

2.8 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Biorthogonal

3.9 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

46.875-93.75 1.00000 0.00000

Biorthogonal

6.8 1.00000 62.5-125 1.00000

43.066-86.133 1.00000

(a)

(b) 0

0.2 0.4 0.6 0.8 1 1.2

Normalisasi Energi 8KHz

0.88 0.9 0.92 0.94 0.96 0.98 1 1.02

(c)

Gambar 4.16. Normalisasi Energi Rata-Rata Dekomposisi Dari Sinyal PCG

Michigan University Pada (A) Frekuensi Cuplik 8KHz (B) Frekuensi Cuplik 44,1KHz (C) Frekuensi Cuplik 48KHz.

Gambar 4.17. Rata-Rata Normalisasi Energi Dekomposisi Dari Sinyal PCG

Michigan University. 0

0.2 0.4 0.6 0.8 1 1.2

Normalisasi Energi 48KHz

0.88 0.9 0.92 0.94 0.96 0.98 1 1.02 1.04

Pada Gambar 4.16, Gambar 4.17 dan Tabel 4.6 dapat dilihat bahwa pada Mother

Wavelet dan frekuensi cuplik yang berbeda sebagian besar hasil pola energi tidak

terlalu jauh satu sama lain yaitu berada pada energi dekomposisi dengan nilai 1. Untuk frekuensi cuplik 8KHz pada semua Mother Wavelet energi tertinggi berada pada D6 dengan range frekuensi 62.5Hz hingga 125Hz, untuk frekuensi 44,1KHz pada 63.6% Mother Wavelet energi tertinggi berada pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz, untuk frekuensi 48KHz pada semua Mother

Wavelet energi tertinggi berada pada D9 yaitu dengan range frekuensi 46.88Hz

hingga 93.75Hz.

Secara keseluruhan dapat disimpulkan bahwa hasil pengolahan sinyal PCG yang didapat dari pengambilan data secara langsung dan data dari Michigan University didapatkan bahwa untuk sampling 8KHz, terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D6 yaitu dengan range frekuensi 62.5 Hz hingga 125 Hz. Untuk sampling 44,1KHz terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D9 yaitu dengan frekuensi range 43.066 Hz hingga 86.133 Hz. Untuk sampling 48KHz terdapat kesesuaian range frekuensi pada energi dekomposisi terbesar berada di D9 yaitu dengan frekuensi range 46.88 Hz hingga 93.75 Hz.

Dari berbagai frekuensi cuplik dalam pengujian ini didapatkan bahwa sinyal jantung normal memiliki energi dekomposisi terbesar pada range 62.5 Hz hingga 125 Hz untuk pengujian dengan berbagai Mother Wavelet.

5.1 Kesimpulan

Berdasarkan seluruh hasil analisa dari pola berdasarkan enrgi dekomposisi sinyal PCG dari tiga subyek, dengan tiga frekuensi, empat Mother Wavelet dengan berbagai orde maka dapat diambil beberapa kesimpulan sebagai berikut.

1. Range frekuensi hasil dekomposisi dengan energi normalisasi terbesar untuk 4 Mother Wavelet dengan orde yang berbeda memberikan hasil range frekuensi yang tidak terlalu jauhantara satu dengan yang lainya.

2. Pada frekuensi cuplik 8KHz sebanyak 63.6% dari seluruh Mother Wavelet

dalam uji coba menghasilkan energi dekomposisi terbesar pada D6 dengan range frekuensi 62.5Hz hingga 125Hz, sedangkan pengujian yang dilakukan pada data sinyal PCG yang berasal dari Michigan University menunjukan bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D6 (62.5-125Hz), hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D6.

3. Pada frekuensi cuplik 44,1KHz data menunjukan hasil yang konsisten karena 100% dari 990 data (11 Mother Wavelet pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz, sedangkan pengujian yang dilakukan pada sinyal PCG dari Michigan University menunjukan bahwa 63,6% dari seluruh data menghasilkan energi tertinggi pada D9 (43.066Hz-86.133Hz)

hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.

4. Pada frekuensi cuplik 48KHz hasil energi dekomposisi dengan Mother Wavelet yang lain tidak terlalu jauh berbeda, dan cenderung konsisten pada nilai 0.9, selain itu 69,7% data dari 990 data (4 Mother Wavelet dengan berbagai Mother pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 46.88Hz hingga 93.75Hz, sedangkan pengujian yang dilakukan pada sinyal PCG dari

Michigan University menunjukan bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D9 (46.88Hz-93.75Hz) hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.

5. Pada berbagai frekuensi cuplik didapatkan bahwa sinyal jantung normal memiliki energi dekomposisi terbesar pada range 62.5 Hz hingga 125 Hz untuk pengujian dengan berbagai Mother Wavelet.

6. Pola sinyal PCG normal berdasarkan frekuensi cuplik 8KHz, 44100Hz, 48KHz, dengan Mother Wavelet Symlet 2, Symlet 5, Symlet 7, Daubechies 2, Daubechies 5, Daubechies 7, Coiflet 2, Coiflet 5, Biorthogonal 2.8, Biorthogonal 3.9, Biorthogonal 6.8 dapat digunakan sebagai referensi untuk menentukan pola kondisi jantung normal.

5.2 Saran

Dari kesimpulan yang telah dibuat, agar didapat hasil pengolahan energi yang lebih akurat maka dibutuhkan metode denoising yang lebih baik untuk membersihkan sinyal PCG yang didapat dari stetoskop digital.

Abbas, K., Rasha, B. 2009. Phonocardiography Signal Processing. Morgan & calypool publisher.

Alfatwa, Dean Fathony. 2009. Watermarking pada Citra Digital Menggunakan Discrete Wavelet Transform. Bandung : Institute Teknologi Bandung. Ardinaraya, K., 2014, Heart Sounds Analysis for PCG Signal in Under

Bio-Orthogonal Wavelets Compared to Other Wavelets, International Journal of Engineering and Technology Research, Vol. 3, Issues 30, October-2014, Mylavaram, India.

Anonim. 2015. Bagaimana Cara Kerja Jantung Pada Tubuh Manusia? http://sehatjantungku.com/bagaimana-cara-kerja-jantung-pada-tubuh-manusia/bagaimana-cara-kerja-jantung-normal/. Diakses pada tanggal 12 Desember 2015.

Burrus, S., Gopinath, A., Guo, H. 1998. Introduction to Wavelets and Wavelets Transform A Primer. New Jersey: Prentice-Hall.

Devi, A. 2013.Performance Analysis of DWT at Different Level for Extraction of PCG Signal. IEEE International Conference on Microelectronics. Communication and Renewable Energy (ICMiCR). India.

Donoho, D. L. 1995. Denoising by soft-thresholding. IEEE Trans. Inform. Theory 41(3): 613-627.

Donoho, D. L. and I. M. Johnstone .1994.Ideal spatial adaptation via wavelet shrinkage. Biometrika 81(3): 425-455.

Donoho, D. L. and I. M. Johnstone . 1998.Minimax estimation via wavelet shrinkage. Annals of statistics: 879-921.

Donoho, D. L. and J. M. Johnstone 1994.Ideal spatial adaptation by wavelet shrinkage. Biometrika 81(3): 425.

Ergen, B. 2012.Signal and Image Denoising Using Wavelet Transform. Firat University. Turkey

Kauhsoik, 2014. Analysis Of Biomedical Signals Using Wavelets. Thesis. Department of Electronics and Communication Engineering. M.M Engineering College. Maharishi Markandeshwar University. Mullana.

Kristomo, D. 2014. Klasifikasi Suara Jantung Menggunakan Jaringan Neural Dengan Ciri Statistis Dan Spektral.Tesis. Fakultas Teknik. Program Studi S2 Teknik Elektro. Universitas Gadjah Mada. Yogyakarta.

Kumar, A. 2015. Interpretation of Heart Sounds Signal Through Automated Artifact-Free Segmentation. Heart Research Open Jurnal, Vol. 2, Issue 1. Departement of Electronics and Electrical Communication Engineering. India Institute of Technology. Kharagpur. India.

Kumar, Dr. P. 2015. Analysis of Various DWT Methods for Feature Extracted PCG Signal. International Journal of Engineering Research & Technology (IJERT), Vol. 4, Issues 04, April-2015. Andhara University College of Engineering. Vishakhapatnam. India.

Maisyaroh, S. 2012. Rancang Bangun Instrumentasi Elektrokardiografi Berbasis PC Menggunakan Sound Card. Skripsi. Fakultas MIPA. Jurusan S1 Fisika. Universitas Negri Medan. Medan.

Mishra, Biswal. 2013. Denoising Of Heart Sound Signal Using Wavelet Transform. International Journal of Research in Engineering and Technology (IJRET), Volume 02, Issue 04, Apr-2013. Department of Electronics & Instrumentation Engineering, ITER/SOA University, India 3Department of Electronics & Telecommunication Engineering, GDRCET/CSVT University, India.

Nazeran, H. 2007.Wavelet Based Segmentation and Feature Extraction of Heart Sounds for Intelligent PDA-Based Phonocardiography. Electrical and Computer Engineering. University of Texas. El-Paso.

Napitupulu, H. 2012. Analisa Perbandingan Kinerja Teknik Kompresi Citra Menggunakan Metode Jpeg Dan Wavelet Multi Variable.Skripsi. Fakultas Teknik. Departement Teknik Elektro. Depok.

Rizal, A., Vera, S. 2007.“Aplikasi Pengolahan Sinyal Digital pada Analisis dan Pengenalan Suara Jantung dan Paru Untuk Diagnosis Penyakit Jantung dan Paru Secara Otomatis”.STT Telkom. Bandung.

Ruth, D. 2014. Analisis Sinyal EKG Menggunakan Transformasi Wavelet.

Skripsi. Program Studi S1 Elektronika dan Instrumentasi. Jurusan Ilmu Komputer dan Elektronika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Gadjah Mada. Yogyakarta.

Setiaji, D., 2011, Rekayasa Stetoskop Elektronik Dengan Kemampuan Analisis Bunyi Jantung, Seminar Nasional Teknologi Informasi & Komunikasi Terapan. ISBN 979-26-0255-0, Prodi Teknik Elektro, UKSW, Salatiga. Sundararajan, D. 2015. Discrete Wavelet Transform: A Signal Processing

Surtono, Widodo, Tjokronagoro. 2012. “Analisis Klasifikasi Sinyal Analisis Klasifikasi Sinyal EKG Berbasis Wavelet dan Jaringan Syaraf Tiruan”. JNTETI, Vol. 1, No. 3 ISSN 2301–4156.

Vallens, C. 1999. A Really Friendly Guide to Wavelets.

http://polyvalens.pagesperso-orange.fr/clemens/clemens.html. Diakses pada tanggal 27 Januari 2016.

Venkatta., Kumar. 2014. Heart Sound Analysis For PCG Signal In Under Bio-Orthogonal Wavelet Compared To Other Wavelet. International Journal of Scientific Engineering & Technology Research (IJESTR), Vol. 3, Issues 03, October-2014. Departement of SSP, Departement of ECE. LBRCE. Mylavaram. AP. India.

69 BAB V PENUTUP

5.1 Kesimpulan

Berdasarkan seluruh hasil analisa dari pola berdasarkan enrgi dekomposisi sinyal PCG dari tiga subyek, dengan tiga frekuensi, empat Mother Wavelet dengan berbagai orde maka dapat diambil beberapa kesimpulan sebagai berikut.

1. Range frekuensi hasil dekomposisi dengan energi normalisasi terbesar untuk 4 Mother Wavelet dengan orde yang berbeda memberikan hasil range frekuensi yang tidak terlalu jauhantara satu dengan yang lainya.

2. Pada frekuensi cuplik 8KHz sebanyak 63.6% dari seluruh Mother Wavelet dalam uji coba menghasilkan energi dekomposisi terbesar pada D6 dengan range frekuensi 62.5Hz hingga 125Hz, sedangkan pengujian yang dilakukan pada data sinyal PCG yang berasal dari Michigan University menunjukan bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D6 (62.5-125Hz), hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D6.

3. Pada frekuensi cuplik 44,1KHz data menunjukan hasil yang konsisten karena 100% dari 990 data (11 Mother Wavelet pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 43.066Hz hingga 86.133Hz, sedangkan pengujian yang dilakukan pada sinyal PCG dari Michigan University menunjukan bahwa 63,6% dari seluruh data menghasilkan energi tertinggi pada D9 (43.066Hz-86.133Hz)

hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.

4. Pada frekuensi cuplik 48KHz hasil energi dekomposisi dengan Mother Wavelet yang lain tidak terlalu jauh berbeda, dan cenderung konsisten pada nilai 0.9, selain itu 69,7% data dari 990 data (4 Mother Wavelet dengan berbagai Mother pada subyek satu, dua, dan tiga) menghasilkan energi dekomposisi terbesar pada D9 dengan range frekuensi 46.88Hz hingga 93.75Hz, sedangkan pengujian yang dilakukan pada sinyal PCG dari Michigan University menunjukan bahwa seluruh data uji coba (100%) menghasilkan energi tertinggi pada D9 (46.88Hz-93.75Hz) hal ini berarti bahwa pada kedua pengujian menunjukkan adanya kesesuaian range frekuensi berada pada D9.

5. Pada berbagai frekuensi cuplik didapatkan bahwa sinyal jantung normal memiliki energi dekomposisi terbesar pada range 62.5 Hz hingga 125 Hz untuk pengujian dengan berbagai Mother Wavelet.

6. Pola sinyal PCG normal berdasarkan frekuensi cuplik 8KHz, 44100Hz, 48KHz, dengan Mother Wavelet Symlet 2, Symlet 5, Symlet 7, Daubechies 2, Daubechies 5, Daubechies 7, Coiflet 2, Coiflet 5, Biorthogonal 2.8, Biorthogonal 3.9, Biorthogonal 6.8 dapat digunakan sebagai referensi untuk menentukan pola kondisi jantung normal.

71

5.2 Saran

Dari kesimpulan yang telah dibuat, agar didapat hasil pengolahan energi yang lebih akurat maka dibutuhkan metode denoising yang lebih baik untuk membersihkan sinyal PCG yang didapat dari stetoskop digital.

72

Abbas, K., Rasha, B. 2009. Phonocardiography Signal Processing. Morgan & calypool publisher.

Alfatwa, Dean Fathony. 2009. Watermarking pada Citra Digital Menggunakan Discrete Wavelet Transform. Bandung : Institute Teknologi Bandung. Ardinaraya, K., 2014, Heart Sounds Analysis for PCG Signal in Under

Bio-Orthogonal Wavelets Compared to Other Wavelets, International Journal of Engineering and Technology Research, Vol. 3, Issues 30, October-2014, Mylavaram, India.

Anonim. 2015. Bagaimana Cara Kerja Jantung Pada Tubuh Manusia? http://sehatjantungku.com/bagaimana-cara-kerja-jantung-pada-tubuh-manusia/bagaimana-cara-kerja-jantung-normal/. Diakses pada tanggal 12 Desember 2015.

Burrus, S., Gopinath, A., Guo, H. 1998. Introduction to Wavelets and Wavelets Transform A Primer. New Jersey: Prentice-Hall.

Devi, A. 2013.Performance Analysis of DWT at Different Level for Extraction of PCG Signal. IEEE International Conference on Microelectronics. Communication and Renewable Energy (ICMiCR). India.

Donoho, D. L. 1995. Denoising by soft-thresholding. IEEE Trans. Inform. Theory 41(3): 613-627.

Donoho, D. L. and I. M. Johnstone .1994.Ideal spatial adaptation via wavelet shrinkage. Biometrika 81(3): 425-455.

Donoho, D. L. and I. M. Johnstone . 1998.Minimax estimation via wavelet shrinkage. Annals of statistics: 879-921.

Donoho, D. L. and J. M. Johnstone 1994.Ideal spatial adaptation by wavelet shrinkage. Biometrika 81(3): 425.

Ergen, B. 2012.Signal and Image Denoising Using Wavelet Transform. Firat University. Turkey

Kauhsoik, 2014. Analysis Of Biomedical Signals Using Wavelets. Thesis. Department of Electronics and Communication Engineering. M.M Engineering College. Maharishi Markandeshwar University. Mullana.

73

Kristomo, D. 2014. Klasifikasi Suara Jantung Menggunakan Jaringan Neural Dengan Ciri Statistis Dan Spektral.Tesis. Fakultas Teknik. Program Studi S2 Teknik Elektro. Universitas Gadjah Mada. Yogyakarta.

Kumar, A. 2015. Interpretation of Heart Sounds Signal Through Automated Artifact-Free Segmentation. Heart Research Open Jurnal, Vol. 2, Issue 1. Departement of Electronics and Electrical Communication Engineering. India Institute of Technology. Kharagpur. India.

Kumar, Dr. P. 2015. Analysis of Various DWT Methods for Feature Extracted PCG Signal. International Journal of Engineering Research & Technology (IJERT), Vol. 4, Issues 04, April-2015. Andhara University College of Engineering. Vishakhapatnam. India.

Maisyaroh, S. 2012. Rancang Bangun Instrumentasi Elektrokardiografi Berbasis PC Menggunakan Sound Card. Skripsi. Fakultas MIPA. Jurusan S1 Fisika. Universitas Negri Medan. Medan.

Mishra, Biswal. 2013. Denoising Of Heart Sound Signal Using Wavelet Transform. International Journal of Research in Engineering and Technology (IJRET), Volume 02, Issue 04, Apr-2013. Department of Electronics & Instrumentation Engineering, ITER/SOA University, India 3Department of Electronics & Telecommunication Engineering, GDRCET/CSVT University, India.

Nazeran, H. 2007.Wavelet Based Segmentation and Feature Extraction of Heart Sounds for Intelligent PDA-Based Phonocardiography. Electrical and Computer Engineering. University of Texas. El-Paso.

Napitupulu, H. 2012. Analisa Perbandingan Kinerja Teknik Kompresi Citra Menggunakan Metode Jpeg Dan Wavelet Multi Variable.Skripsi. Fakultas Teknik. Departement Teknik Elektro. Depok.

Rizal, A., Vera, S. 2007.“Aplikasi Pengolahan Sinyal Digital pada Analisis dan Pengenalan Suara Jantung dan Paru Untuk Diagnosis Penyakit Jantung dan Paru Secara Otomatis”.STT Telkom. Bandung.

Ruth, D. 2014. Analisis Sinyal EKG Menggunakan Transformasi Wavelet. Skripsi. Program Studi S1 Elektronika dan Instrumentasi. Jurusan Ilmu Komputer dan Elektronika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Gadjah Mada. Yogyakarta.

Setiaji, D., 2011, Rekayasa Stetoskop Elektronik Dengan Kemampuan Analisis Bunyi Jantung, Seminar Nasional Teknologi Informasi & Komunikasi Terapan. ISBN 979-26-0255-0, Prodi Teknik Elektro, UKSW, Salatiga. Sundararajan, D. 2015. Discrete Wavelet Transform: A Signal Processing

Surtono, Widodo, Tjokronagoro. 2012. “Analisis Klasifikasi Sinyal Analisis Klasifikasi Sinyal EKG Berbasis Wavelet dan Jaringan Syaraf Tiruan”. JNTETI, Vol. 1, No. 3 ISSN 2301–4156.

Vallens, C. 1999. A Really Friendly Guide to Wavelets. http://polyvalens.pagesperso-orange.fr/clemens/clemens.html. Diakses pada tanggal 27 Januari 2016.

Venkatta., Kumar. 2014. Heart Sound Analysis For PCG Signal In Under Bio-Orthogonal Wavelet Compared To Other Wavelet. International Journal of Scientific Engineering & Technology Research (IJESTR), Vol. 3, Issues 03, October-2014. Departement of SSP, Departement of ECE. LBRCE. Mylavaram. AP. India.