KLASIFIKASI SINYAL PHONOCARDIOGRAM MENGGUNAKAN METODE SHORTTIME FOURIER TRANSFORM DAN SUPPORT VECTOR MACHINE

Faqih Amatya Hendrayan; Dodi Zulherman; Rahmat Widadi

doi:10.24176/simet.v13i2.6595

KLASIFIKASI SINYAL PHONOCARDIOGRAM MENGGUNAKAN METODE SHORTTIME FOURIER TRANSFORM DAN SUPPORT VECTOR MACHINE

Faqih Amatya Hendrayan
Dodi Zulherman
Rahmat Widadi

Abstract

Penggunaan phonocardiogram (PCG) dalam mengekstraksi informasi-informasi secara elektronik membutuhkan analisis sinyal yang kompleks. Namun, PCG memiliki keunggulan bersifat non invasif dan hemat dibandingkan dengan electrocardiogram (EKG). Tujuan penelitian ini mengembangkan sebuah perangkat klasifikasi untuk alat bantu diagnosis berdasarkan metode shorttime fourier transform (STFT) untuk ekstraksi fitur dan support vector machine (SVM) untuk klasifikasi. Kinerja sistem yang telah dirancang menggunakan dataset sekunder, dengan jumlah 2.141 sinyal PCG yang terdiri dari 1958 normal dan 183 abnormal. Pengujian kinerja menggunakan beberapa variasi rancangan, yaitu Hamming, Hanning, dan Blackman window pada STFT dan variasi kernel serta nilai C parameter pada SVM. Berdasarkan hasil pengujian variasi jenis window pada STFT, membuktikan bahwa nilai terbaik didapatkan oleh Hamming window dengan nilai sensitifitas 62.24%, spesitifitas 89.47%, area under ROC curve (AUC) 0.75, serta akurasi sebesar 65.62%. Hasil dari variasi C parameter sebesar 1000 pada proses klasifikasi mendapatkan hasil evaluasi kinerja terbaik pada masing-masing kernel, nilai AUC pada kernel linear sebesar 0.73, 0.78 pada kernel polynomial, dan 0.83 pada kernel radial basis function (RBF). Penelitian ini membuktikan bahwa penggunaan Hamming window pada ekstraksi fitur dan nilai C parameter 1000, serta variasi kernel RBF pada klasifikasi sebagai bentuk model terbaik sistem PCG berbasis STFT dan SVM.

Keywords

Phonocardiogram; Ekstraksi Fitur; Short Time Fourier Transform; Klasifikasi; Support Vector Machine; kernel.

Teks Lengkap:

PDF

Referensi

[1]World Health Organization. World health statistics 2018: monitoring health for the SDGs, sustainable development goals. Geneva: WorldHealth Organization; 2018.
[2]Kementrian Kesehatan RI. Hasil Utama RISKESDAS 2018.Indonesia: Kementrian Kesehatan RI, Badan Penelitian dan Pengembangan Kesehatan; 2018.
[3]Khansa A, Partiningrum DL. HUBUNGAN ANTARA LAMA HIPERTENSI DAN
GAMBARANELEKTROKARDIOGRAMHIPERTROFIVENTRIKELKIRIDAN INFARK MIOKARD LAMA 2018;7:15.
[4]Sepehri AA, Kocharian A, Janani A, Gharehbaghi A. An Intelligent Phonocardiography
forAutomatedScreeningofPediatricHeartDiseases.JMedSyst2016;40:16. https://doi.org/10.1007/s10916-015-0359-3.
[5]Chowdhury TH, Poudel KN, Hu Y. Time-FrequencyAnalysis, Denoising,Compression,
Segmentation, and Classification of PCG Signals 2020;8:9.
[6]Purwanto A, Sumarna, Agustika DK. EKSTRAKSI KOMPONEN FREKUENSI PADA ISYARAT DETAK JANTUNGDENGAN SHORT TIME FOURIER TRANSFORM (STFT). Sains Dasar 2016;5:6.
[7]HasanahH.KLASIFIKASISINYALELEKTROKARDIOGRAF(EKG)DENGAN SHORTTIMEFOURIERTRANSFORM(STFT)DANBACKPROPAGATION 2015;9:15.
[8]Kao W-C, Wei C-C, Liu J-J, Hsiao P-Y. Automatic heartsound analysis with short-time
Fourier transform and support vector machines. 2009 52nd IEEE Int. Midwest Symp. CircuitsSyst.,Cancun,Mexico:IEEE;2009,p.188–91. https://doi.org/10.1109/MWSCAS.2009.5236120.
[9]NobleWS.Whatisasupportvectormachine?NatBiotechnol2006;24:1565–7. https://doi.org/10.1038/nbt1206-1565.
[10]DasoF,PuspasariI,Jusak.ANALISISSINYALSUARAJANTUNGDENGAN MENGGUNAKAN ANALISIS SPEKTRUM n.d.:9.
[11]Puspasari I. Analisis Non-Stasioner pada Deteksi Non-Invasive Sinyal Suara Jantung
Koroner.JNasTekElektroDanTeknolInfJNTETI2015;4. https://doi.org/10.22146/jnteti.v4i2.148.
[12]Lubaib P, Muneer KVA. The Heart Defect Analysis Based on PCG Signals Using Pattern Recognition Techniques. Int Conf Emerg Trends Eng Sci Technol ICETEST-2015
2016;24:1024–31. https://doi.org/10.1016/j.protcy.2016.05.225.
[13]Wang Y, Sun B, Yang X, Meng Q. Research on heart sound recognition based on support vectormachine.2017Chin.Autom.Congr.CAC,Jinan:IEEE;2017,p.62–5. https://doi.org/10.1109/CAC.2017.8242737.
[14]Islam MdR, Hassan MdM, Raihan M,Datto SK, ShahriarA, More A. A Wireless Electronic Stethoscope to Classify Children Heart Sound Abnormalities. 2019 22nd Int.
Conf.Comput.Inf.Technol.ICCIT,Dhaka,Bangladesh:IEEE;2019,p.1–6.
https://doi.org/10.1109/ICCIT48885.2019.9038406.
[15]Liu C, Springer D, Li Q, Moody B, Juan RA, Chorro FJ, et al. An open access database fortheevaluationofheartsoundalgorithms.PhysiolMeas2016;37:2181–213.
https://doi.org/10.1088/0967-3334/37/12/2181.
[16]Goldberger AL, Amaral LAN, Glass L, HausdorffJM, Ivanov PCh, Mark RG, et al.
PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource forComplexPhysiologicSignals.Circulation2000;101. https://doi.org/10.1161/01.CIR.101.23.e215.
[17]TandialloJM,RasmanaST,PuspasariI.IDENTIFIKASISUARAMANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI FITUR SHORT TIME FOURIER TRANSFORM. JCONES-Journal of Control and Network Systems 2016;5:177–83.
[18]CadumSA,SusantoA,BrotopuspitoKS.TRANSFORMFOURIERCEPAT MATEMATISUNTUKMENGANALISISSPEKTRUMFREKUENSILINIER SINYAL TUTUR. Jur Tek Elektro Fak Tek Univ Gadjah Mada 2004;2:31–40.
[19]RitongaAS,PurwaningsihES,PutraUW.PENERAPANMETODESUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI KUALITAS PENGELASAN SMAW (SHIELD METAL ARC WELDING) 2018:9.
[20]Hermanto H, Mustopa A, Kuntoro AY.ALGORITMA KLASIFIKASI NAIVE BAYES DANSUPPORTVECTORMACHINEDALAMLAYANANKOMPLAIN MAHASISWA.JITKJIlmuPengetahDanTeknolKomput2020;5:211–20. https://doi.org/10.33480/jitk.v5i2.1181.
[21]Kulkarni A, ChongD, Batarseh FA. 5-Foundations of data imbalance and solutions for a data democracy. In: Batarseh FA, Yang R, editors. Data Democr., Academic Press; 2020, p. 83–106. https://doi.org/10.1016/B978-0-12-818366-3.00005-8.
[22]Tagashira M, Nakagawa T. Biometric Authentication Based on Auscultated Heart Sounds in Healthcare. IAENG Int J Comput Sci 2020;47.