Anda di halaman 1dari 6

Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011

ISBN No.
ANALISA DAN PENGENALAN SUARA JANTUNG
MENGGUNAKAN WAVELET DAN JST DALAM
MENGKLASIFIKASIKAN JENIS KELAINAN
KATUP JANTUNG PADA MANUSIA
Edy Setiawan
1*
, Abdullah Alkaff
2
, Rusdhianto EAK
3
, R Mohammad Yogiarto
4
Institut Teknologi Sepuluh Nopember, Surabaya
1*
Email : edy_politeknik@yahoo.co.id
Institut Teknologi Sepuluh Nopember, Surabaya
2
Institut Teknologi Sepuluh Nopember, Surabaya
3
Universitas Airlangga, Fakultas Kedokteran, Departemen Kardiologi dan Kedokteran Vaskular
4
Abstrak
Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising jantung (murmur)
menyebabkan tidak bekerjanya dengan baik fungsi jantung, antara lain menyebabkan gangguan
hemodinamik yaitu terganggunya distribusi atau sirkulasi darah keseluruh tubuh. Oleh karena itu
tindakan secara dini dengan mengenali pola suara terhadap bising jantung dapat membantu untuk
terhindar dari gangguan hemodinamik ataupun yang lain. Sampai saat ini dokter masih
menggunakan isyarat suara jantung untuk memantau kinerja jantung dengan menggunakan
stetoskop yang penggunaannya menghasilkan suara yang lemah. Untuk mendiagnosis diperlukan
kepekaan dan pengalaman yang sangat mempengaruhi hasil interpretasi, sehingga hasil diagnosis
masih sangat dipengaruhi oleh subyektivitas dokter
Begitu banyak metoda ekstraksi ciri yang digunakan pada pengenalan pola suara jantung, namun
pada penelitian kali ini proses pengenalan pola suara jantung menggunakan metode wavelet dan
jaringan syaraf tiruan.
Dari hasil ekstraksi ciri dan proses pengenalan pola suara jantung dari beberapa jenis kelainan
katup jantung, sistem yang dibuat dapat mengenali 80% untuk pola suara jantung normal, 80%
untuk pola suara jantung murmur sistolic, 82.4% untuk pola suara jantung murmur diastolic dan
30% untuk pola suara jantung murmur kontinu. Untuk tipe data murmur kontinu terlihat tingkat
performance dalam mengenali sangat buruk, Dikarenakan murmur jenis ini sulit dikenali karena
bentuk pola suaranya yang random.
Kata kunci : Wavelet, Jaringan Syaraf Tiruan, Kelainan Katup Jantung
1. Pendahuluan
Kelainan katup jantung yang dideteksi
dan diisyaratkan dengan adanya bising jantung
(murmur) menyebabkan tidak bekerjanya
dengan baik fungsi jantung, antara lain
menyebabkan gangguan hemodynamic yaitu
terganggunya distribusi atau sirkulasi darah
keseluruh tubuh. Adanya gangguan distribusi
atau sirkulasi darah ke seluruh tubuh semakin
lama dibiarkan, bisa juga menyebabkan
kematian. Oleh karena itu tindakan secara dini
dengan mengenali pola suara terhadap bising
jantung dapat membantu untuk terhindar dari
gangguan hemodynamic ataupun yang lain.
Sampai saat ini dokter masih menggunakan
isyarat suara jantung untuk memantau kinerja
jantung dengan menggunakan stetoskop yang
penggunaannya menghasilkan suara yang lemah.
Untuk mendiagnosis diperlukan kepekaan dan
pengalaman yang sangat mempengaruhi hasil
interpretasi, sehingga hasil diagnosis masih
sangat dipengaruhi oleh subyektivitas dokter.
Cardiovascular sound terjadi dalam jangkauan
frekuensi 20 Hz hingga 700 Hz
[6]
.
Permasalahan murmur cukup banyak
dibahas oleh peneliti peneliti dalam
makalahnya meskipun dengan metode yang
berbeda. Diantaranya adalah seperti yang
dilakukan Achmad Rizal dan Soegijardjo pada
tahun 2006 melakukan penelitian stetoskop
elektronik sederhana berbasis PC dengan
pengolahan sinyal digital untuk auskultasi
jantung dan paru. Pada penelitian ini dilakukan
hanya untuk memperjelas sinyal informasi
berupa suara dengan memperkuat sinyal dan
menghilangkan komponen noise yang
disebabkan karena pengaruh lingkungan.
Novitaningtyas tahun 2006 melakukan penelitian
perancangan dan pembuatan alat fonokardiogram
berbasis PC dengan penggabungan
elektrokardiograf untuk mendeteksi bunyi
jantung normal dan murmur. Pada penelitian ini
Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011
ISBN No.
hanya sampai pada tahap memonitoring dan
menampilkan isyarat suara jantung, sehingga
dapat diketahui periode bising jantung jika ada
kelainan fungsi katup jantung. Penelitian juga
dilakukan oleh Yul Antonisfia tahun 2008 yaitu
ekstraksi ciri pada isyarat suara jantung
menggunakan power spectral density berbasis
metode Welch. Begitu banyak metoda ekstraksi
ciri yang digunakan pada pengenalan suara
jantung, namun pada penelitian kali ini proses
pengenalan suara jantung menggunakan metoda
wavelet dan jaringan syaraf tiruan
Backpropagation (BP).
1.1 Rumusan Masalah
Murmur adalah salah satu gejala
kelainan fungsi katup jantung dengan pola-pola
suara tertentu, berdasar latar belakang seperti
yang sudah dijelaskan maka permasalahan yang
diangkat pada penelitian ini adalah bagaimana
membuat sistem yang komplek yang mampu
mendeteksi dan mengenali pola-pola tersebut,
bagaimana mengklasifikasikan kondisi jantung
berdasar gejala abnormalitas suara jantung, dan
bagaimana memodelkan karakteristik dari rekam
medis suara jantung dengan menggunakan
jaringan syaraf tiruan backpropagation.
1.2 Tujuan Penelitian
Dengan permasalahan yang ada, tujuan
yang ingin dicapai dalam penelitian ini adalah
mendapatkan metode alternatif dalam
mendeteksi fungsi kelainan katup jantung yang
direpresentasikan dengan adanya bising jantung
sehingga seseorang dapat mengambil keputusan
yang tepat menyikapi kondisi kesehatan
jantungnya, sebagai modul pembelajaran bagi
dokter-dokter muda yang sedikit pengalaman
dalam mengklasifikasikan suara jantung normal
maupun yang mengalami kelainan fungsi katup
dengan teknik auskultasi , membuat suatu sistem
dalam analisa dan pengenalan pola suara jantung
dan mempelajari penggunaan metode jaringan
syaraf tiruan dengan proses pembelajaran.
2. Dasar Teori
2.1 Bunyi Jantung dan Murmur
Untuk lebih memahami tentang jantung,
dipelajari juga suara jantung baik yang normal
maupun yang mengalami gangguan katup
(murmur) dan itu semua akan dijelaskan sebagai
berikut:
2.1.1 Sejarah
Auskultasi secara langsung
diperkenalkan oleh Hippocrates (460-377 SM).
William Harvey (1578-1657) tampaknya
merupakan orang pertama yang membuat
batasan spesifik bunyi jantung. Mendengarkan
jantung dengan menggunakan telinga tanpa alat
bantu mekanis merupakan metode yang dapat
diterima sampai dengan tahun 1816, yaitu saat
Rene Laennec menemukan stetoskop pertama.
Melalui penemuan dan penyempurnaan terompet
akustik, Laennec (1781-1826) dikenal sebagai
Bapak Auskultasi." Laennec menamakan
instrumen auskultasi tersebut sebagai
"stetoskop", berasal dari bahasa Yunani yang
artinya observasi dada (the spy of thi chest)."
2.1.2 Area Katup Jantung
Bunyi dari katup jantung (mitral,
trikuspid, aorta, pulmonal) akan terdengar pada
tempat yang spesifik di dada, yaitu
[2]
:
1. Bunyi katup mitral dan bunyi jantung kiri
lainnya terdengar paling baik di apeks.
2. Bunyi katup trikuspid dan bunyi jantung
kanan lainnya paling baik terdengar di batas
lateral kiri sternum (LLSB).
3. Bunyi katup aorta terdengar paling baik di
basis kanan.
4. Bunyi katup pulmonal terdengar paling baik
di basis kiri.
Gambar 1. Titik-titik Area Katup Jantung Secara
Spesifik pada Dada Manusia
2.1.3 Murmur
Murmur adalah bunyi yang terdengar
terus-menerus selama periode sistolic, diastolic
atau keduanya. Penyebab umum murmur adalah
regurgitasi balik (kebocoran katup, defek septum
atrium atau ventrikel, atau hubungan
arteriovenosa); aliran ke depan melalui katup
yang sempit atau cacat; aliran darah
berkecepatan tinggi yang melalui katup normal
atau katup abnormal; vibrasi struktur longgar
didalam jantung (chordate tendineae).
Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011
ISBN No.
Gambar 2. Suara Jantung Normal dan Abnormal yang
Divisualisasikan karena Ada Kelainan Katup Jantung
2.2 Transformasi Wavelet Diskret
Definisi wavelet (secara harfiah berarti
gelombang kecil) adalah himpunan fungsi
dalam ruang vektor L2I, yang mempunyai sifat-
sifat sebagai berikut (Burrus et al,1998)
[1]
:
1. Berenergi terbatas
2. Merupakan fungsi band-pass pada domain
frekuensi
3. Merupakan hasil penggeseran (translasi)
dan penskala (dilatasi) dari sebuah fungsi
tunggal (induk), yaitu
,
1
( )
| |
a b
t b
t
a a

| |
=
|
\ .
1
Dengan a,b R (bilangan nyata), dan a
0. Dalam hal ini a adalah parameter penskala
dan b adalah parameter penggeser posisi
terhadap sumbu t. Faktor normalisasi |a|
-1/2
digunakan untuk memastikan bahwa
,
|| ( ) || || ( ) ||
a b
t t = .
Pada dasarnya, Transformasi Wavelet
merupakan sebuah teknik pemrosesan sinyal
multiresolusi. Dengan sifat penskalaannya,
wavelet dapat memilah-milah suatu sinyal data
berdasarkan komponen frekuensi yang berbeda-
beda. Dengan demikian tiap-tiap bagian dapat
dipelajari berdasarkan skala resolusi yang sesuai,
sehingga diperoleh gambaran data secara
keseluruhan dan detail.
Secara garis besar, Transformasi
Wavelet dibedakan menjadi 2, yaitu
Transformasi Wavelet Kontinu (Continuous
Wavelet Transform/CWT dan Transformasi
Wavelet Diskret (Diskret Wavelet
Transform/DWT).
Sebuah teknik yang efisien untuk
mengimplementasikan TWD adalah teknik
analisis resolusi jamak (multi resolution
analysis) yang dikembangkan Mallat tahun 1988.
Analisis ini membawa kepada Transformasi
Wavelet Cepat/TWC (Fast Wavelet
Transform/FWT), dan diimplementasikan
menggunakan filter bank.
Sinyal masukan S dilewatkan melalui 2
filter komplementer (low-pass H dan high-pass
G), dan downsampling dengan membuang setiap
data kedua, sehingga diperoleh koefisien
pendekatan cA (komponen frekuensi rendah) dan
koefisien detil cD (komponen frekuensi tinggi).
Proses ini dapat diiterasi dengan cara
melanjutkan dekomposisi terhadap koefisien cA.
Dengan demikian suatu sinyal dapat dipecah
(didekomposisi) menjadi komponen-komponen
dengan resolusi yang lebih rendah.
Proses sintesis sebagai kebalikan dari
analisis bertujuan merekonstruksi sinyal
masukan S, koefisien-koefisien cA dan cD
dengan upsampling dan filtering (dengan filter
H dan G). Upsampling merupakan proses
penyisipan nilai nol antar dua data. Teknik
rekonstruksi ini dapat dipeluas untuk komponen-
komponen analisis multi-resolusi sampai pada
tingkat tertentu.
Proses dekomposisi merupakan bagian
analisis sinyal dengan Transformasi Wavelet
Diskret (TWD), dan rekonstruksi yang
merupakan bagian sintesis sinyal dengan
Transformasi Wavelet Diskret Balik (TWDB)
bertingkat sampai oktaf tertentu, secara lengkap
terlihat pada Gambar 3
Gambar 3. Dekomposisi dan Rekonstruksi Multistep
2.3 Jaringan Syaraf Tiruan (JST)
Backpropagation (propagasi balik) yang
merupakan salah satu model JST untuk
pencocokan pola (pattern matching),
menggunakan arsitektur multi layer perceptron
yang ditunjukkan pada Gambar 4 dan
pembelajaran propagasi balik akan digunakan
dalam penelitian ini. Beberapa karakteristik dari
JST propagasi balik adalah sebagai berikut :
1. Jaringan Multi Layer.
JST propagasi balik mempunyai lapisan
input, lapisan tersembunyi dan lapisan
output dan setiap neuron pada satu lapisan
menerima input dari semua neuron pada
lapisan sebelumnya.
Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011
ISBN No.
Gambar 4. Arsitektur jaringan propagasi balik
2. Fungsi Aktivasi.
Fungsi aktivasi akan menghitung input yang
diterima oleh suatu neuron, kemudian
neuron tersebut meneruskan hasil dari fungsi
aktivasi ke neuron berikutnya. Beberapa
fungsi aktivasi yang sering digunakan dalam
JST propagasi balik adalah :
- Fungsi sigmoid
1
( )
1 exp( )
f x
x
=
+
2
Gambar 5. Sigmoid biner pada selang [0,1]
- Fungsi sigmoid bipolar
2
( ) 1
1 exp( )
f x
x
=
+
3
Gambar 6. Sigmoid bipolar pada selang [-1,1]
3. Algoritma pembelajaran
Algoritma pembelajaran JST propagasi balik
bersifat iterative dan didesain untuk
meminimalkan mean square error (MSE)
antara output yang dihasilkan dengan output
yang diinginkan (target). Langkah-langkah
Algoritma pembelajaran JST propagasi balik
yang diformulasikan oleh Rumelhart, Hinton
dan Rosenberg tahun 1986, secara singkat
adalah sebagai berikut :
1. Inisialisasi bobot, dapat dilakukan secara
acak atau melalui metode Nguyen Widrow
2. Perhitungan nilai aktivasi, tiap neuron
menghitung nilai aktivasi dari input yang
diterimanya. Pada lapisan input nilai aktivasi
adalah fungsi identitas. Pada lapisan
tersembunyi dan output nilai aktivasi
dihitung melalui fungsi aktivasi
3. Penyesuaian bobot, penyesuaian bobot
dipengaruhi oleh besarnya nilai kesalahan
(error) antara target output dan nilai output
jaringan saat ini.
4. Iterasi akan terus dilakukan sampai kriteria
error tertentu dipenuhi.
3 Analisa Sistem
3.1 Konsep Pengenalan Suara Jantung
Konsep dasar sistem pengenalan pola
suara jantung dalam penelitian ini diperlihatkan
dalam bentuk skema blok diagram seperti pada
Gambar 7.
Gambar 7. Konsep dasar pengenalan pola suara jantung.
Blok proses pengenalan pola suara
dalam skema diatas itulah yang akan kita
rancang dan implementasikan di penelitian ini
yang isinya merupakan tahapan-tahapan dalam
sistem pengenalan pola suara jantung untuk
mengklasifikasikan kelainan katup-katup jantung
manusia.
3.2 Siklus Sistem Pengenalan Pola
Pembuatan suatu sistem pengenal pola
yang baik mengikuti beberapa tahapan, dimulai
dari pengumpulan data, pemilihan fitur,
pemilihan teknik pemilah atau model yang
sesuai, pelatihan dan pengujian.
3.3 Komponen Sistem Pengenalan Pola
Analisa sistem pengenalan pola suara
jantung secara detail dalam penelitian ini dapat
dilihat pada Gambar 8 dan akan diuraikan
sebagai berikut :
Gambar 8. Blok Sistem Pengenalan Pola Suara Jantung
3.3.1 Sensor
Untuk mendapatkan sinyal suara
jantung dan akan dirubah menjadi sinyal-sinyal
listrik, digunakan mikrofon yang diletakkan pada
selang/tubing stetoskop yang akan dimodifikasi
dan memasang jack penghubung ke soundcard.
Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011
ISBN No.
3.3.2 Pre-processing
Sinyal listrik yang dihasilkan oleh
mikrofon lemah, untuk itu perlu dilakukan
pemrosesan lebih lanjut dengan memberikan
penguatan awal. Pemrosesan ini meliputi
penguatan dengan pre-amp mic dan filtering.
3.3.3 Feature Extraction
Untuk mengeluarkan ciri khusus yang
terkandung dalam sinyal suara jantung maka
dilakukan beberapa proses yang akan diuraikan
sebagai berikut:
1. Akuisisi data suara
[1]
, pada pengolahan
sinyal suara jantung ini frekuensi sampling
yang digunakan adalah 44100 Hz, dimana
terdapat 44100 titik sampling dalam 1 detik.
2. Filter digital
[7]
, untuk lebih meyakinkan
bahwa data suara jantung dan murmur
berada dalam range frekuensi 20 Hz 700
Hz maka dalam penelitian ini digunakan low
pass filter digital jenis butterwort, dengan f
c
= 1000 Hz dan dan orde filter 10.
3. Deteksi awal sinyal (Front detection),
untuk lebih menonjolkan pola sinyal suara
jantung dan murmur , maka hanya
diperlukan satu siklus suara jantung yang
terdiri suara lub dan dub.
4. Pre-amphasis
[3]
, adapun tujuannya adalah
untuk mendapatkan bentuk spectral
frekuensi sinyal suara jantung yang lebih
halus. Dalam penelitian ini konstanta filter
yang digunakan adalah 0.96
5. Frame Blocking
[1]
, proses ini dilakukan agar
diperoleh kondisi linier dan time invariant.
Proses ini memakai frame pada lebar waktu
30 ms dimana tiap frame menyimpan data
sebanyak 1323 sampel dan overlap (m) 50%
6. Windowing
[1]
, Setelah melewati proses
windowing diharapkan potongan sinyal dari
hasil frame blocking pada bagian awal dan
akhir memiliki nilai magnitude yang
mendekati nol
7. Transformasi Wavelet
[1][8]
, dilakukan
proses multiple dekomposisi. Hasil dari
proses dekomposisi ini hanya diambil
komponen approximation (koefisien
frekuensi rendah) karena dianggap mewakili
ciri dari suara jantung. Setelah itu dilakukan
proses rekonstruksi.
8. Cepstrum
[5]
, proses ini untuk mendapatkan
frekuensi dasar dari suatu sinyal suara
dengan melakukan fourier transform dari
logaritma autospektrum. Hasil dari proses
digunakan sebagai data masukan JST.
3.3.4 Pattern Clasification
Proses pencocokan pola menggunakan
JST multilayer perceptron dengan pembelajaran
backpropagation
[4]
. Jaringan terdiri dari tiga
lapisan, yaitu :
1. Lapisan input yang terdiri tiga puluh lima
sampai enam puluh neuron.
2. Lapisan hidden dengan lima belas neuron.
3. Lapisan output dengan delapan neuron.
Dan fungsi aktifasi yang digunakan
adalah sigmoid.
4 Pembahasan Hasil
Pengujian sistem secara keseluruhan,
sistem terbagi ke dalam modul perekaman,
modul ekstraksi, modul training (pelatihan) dan
modul testing (pengujian) atau diagnosa kelainan
katup jantung. Masing-masing modul memiliki
interface berbeda-beda. Sistem menggunakan
16 data suara jantung sebagai data set pelatihan
(Tabel 1) dan 99 data suara jantung yang terdiri
25 data systolic murmur 34 data dyastolic
murmur, 10 data continuous murmur dan 30 data
suara jantung normal sebagai data pengujian.
Tabel 1 Set data pelatihan
No ID Denyut
/Menit
1 latihnormal1 80 Normal
2 latihnormal2 80 Normal
3 latihnormal3 80 Normal
Sistolic murmur
1 latih1AS 80 Aortic Stenosis
2 latih1ASCase1 80 Aortic Stenosis
3 latih1ASCase3 90 Aortic Stenosis
4 latih1MR 80 Mitral Regurgitation
5 latihMRCase1 90 Mitral Regurgitation
6 latihMRCase3 90 Mitral Regurgitation
Diastolic
murmur
1 latih1AR 80 Aortic Regurgitation
2 latih1ARCase1 80 Aortic Regurgitation
3 latih1ARCase4 65 Aortic Regurgitation
4 latih1ARCase5 65 Aortic Regurgitation
5 latih1MS 80 Mitral Stenosis
6 latih1MSCase2 90 Mitral Stenosis
Continuous
murmur
1 latih1PDA 90 Patent Ductus
Arteriosus
Data teknis secara ringkas pada penelitian ini
disajikan pada Tabel 2 sampai dengan Tabel 4.
Tabel 2. Struktur sinyal dan ekstraksi ciri Percobaan
Karakteristik Spesifikasi
Sampling rate 44100 Hz
Panjang frame (N) 1323 sampel
Overlap (M) 662 sampel (50%)
Frame windowing Hamming window
Ekstraksi ciri Wavelet (5 level dekompisisi)
Cepstrum
Seminar Nasional Pascasarjana XI ITS, Surabaya 27 Juli 2011
ISBN No.
Tabel 3 Struktur JST yang digunakan dalam percobaan
Karakteristik Spesifikasi
Arsitektur 1 Lapisan tersembunyi
Neuron input Hasil ekstraksi cirri
Neuron tersembunyi 15
Neuron output 8
Fungsi aktifasi Sigmoid
Toleransi kesalahan (MSE) 1e-32
Laju pembelajaran 0.01
Jumlah epoch 10000
Data training 16 Data suara jantung
Data testing 99 Data suara jantung
Tabel 4 Definisi target untuk fungsi sigmoid
No Target Representasi suara
1 0 0 0 0 0 0 0 1 Normal
2 0 0 0 0 0 0 10 Aortic Regurgitation
3 0 0 0 0 0 0 1 1 Aortic Stenosis
4 0 0 0 0 0 1 0 0 Mitral Regurgitation
5 0 0 0 0 0 1 0 1 Mitral Stenosis
6 0 0 0 0 0 1 1 0 Patent Ductus Arteriosus
Dari keseluruhan set data pelatihan
suara jantung, setelah dilakukan proses training
dan diujikan kembali, sistem dapat mengenali
100% pola suara untuk setiap kasus kelainan
katup jantung pada set data pelatihan original,
75% dapat dikenali pada set data pelatihan
dengan amplitude 50% lebih besar dari
amplitude awal dan 87.5% dapat dikenali pada
set data pelatihan dengan amplitude 25% lebih
kecil dari amplitude awal. Sedangkan untuk data
yang diberikan noise sebesar -30 dB sistem dapat
mengenali 50% pola suara dan untuk data
dengan noise sebesar -40 dB sistem dapat
mengenali pola suara sebesar 56.2%.
Tabel 5. Hasil pengujian untuk set data uji
5 Kesimpulan
Dari hasil perancangan sistem,
implementasi dan pengujian yang sudah
dipaparkan sebelumnya maka dapat diambil
kesimpulan sebagai berikut:
1. Sistem secara keseluruhan merupakan satu
kesatuan yang utuh. Tiap-tiap bagian
mendukung untuk perbaikan kinerja dari
bagian yang lain
2. Ekstraksi ciri dengan wavelet dan
pengenalan suara dengan menggunakan JST
BP, sistem dapat mengenali 80% untuk pola
suara jantung sistolic murmur, 82.4% untuk
pola suara jantung diastolic murmur, 30%
pola suara jantung continuous murmur dan
80% untuk pola suara jantung normal
3. Ruangan dengan noise tinggi, sistem tidak
dapat bekerja dengan baik
4. Continuous murmur, tingkat performance
mengenali suara sangat buruk (pola suara
random). Suara jantung satu dan jantung dua
tidak terlihat karena tertutup oleh murmur
(fase dari siklus jantung tidak dapat
diketahui secara pasti)
6. Pustaka
[1] Agustin, Ketut., (2006), Perbandingan
Transformasi Wavelet Sebagai Praposes Pada
Sistem Identifikasi Pembicara, Tesis S2, Institut
Pertanian Bogor.
[2] Erickson, Barbara., (2003), Heart Sounds and
murmurs across the lifespan, four edition, New
York, USA
[3] Hidayati, Rahmat., (2010), Klasifikasi Tangis
Bayi Berbasis Pola Akustik Menggunakan
Metode Support Vektor Machine, Tesis S2, ITS
Surabaya.
[4] Kusumadewi, Sri., (2004), Membangun Jaringan
Saraf Tiruan menggunakan Matlab dan EXCEL
LINK, Graha Ilmu, Yogyakarta.
[5] Maulidia, Nia., (2009), Pembuatan Program
Aplikasi Untuk Menampilkan ciri Sinyal Wicara
dengan Matlab, ITS Surabaya.
[6] Shapharas, (2004), Time-Frequency Analysis
and Clasification of Heart Sound and Murmurs,
University Teknologi Malaysia.
[7] Matlab 7.0.1 help, Signal Processing Toolbox,
Matlab refference
[8] Putra, A.E., (2008), Analisis Sinyal Non-
Stasioner Menggunakan Wavelet dan Metode
Dekorlet,
http://agfi.staff.ugm.ac.id/blog/index.php/buku-
buku-saya/