Analisa Suara Jantung Berbasis Complex Continuous Wavelet
Transform
Putri Madona1) Achmad Arifin2) Tri Arief Sardjono3) Rimuljo Hendradi4)
1) Jurusan Teknik Elektro Politeknik Caltex Riau, Pekanbaru 2 8 2 6 5 , email: d ho na @pcr.ac.id
2,3,4) Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya 60111
Abstrak – Penyakit jantung merupakan salah satu
penyakit berbahaya yang masih menjadi penyebab
utama kematian di seluruh dunia. Penyakit jantung
valvular merupakan salah satu jenis penyakit jantung
yang disebabkan ketidaknormalan fungsi katup-katup
jantung. Teknik auskultasi tradisional yang masih
umum dijalankan hingga saat ini mengandung
kelemahan yang utama, yaitu faktor variabilitas intra-
subjek dan inter-subjek, sehingga dapat
mengakibatkan perbedaan hasil diagnosa. Dalam
rangka mengembangkan sistem auskultasi modern
diperlukan suatu metode yang mampu menganalisa
suara jantung dengan baik. Oleh karena itu diusulkan
sebuah metode analisis data suara jantung
menggunakan Complex Continuous Wavelet
Transform. Data yang digunakan adalah 28 data
suara jantung yang dikumpulkan dari database publik
serta 16 data dari pengambilan sampel suara jantung
normal dari subjek normal menggunakan stetoskop
digital. Prosedur pemrosesan sinyal untuk
mengekstrak fenomena fisik tersembuyi dari sinyal
suara jantung terdiri dari 3 tahap. Pertama, Discrete
Wavelet Transform, digunakan untuk mengurangi
background noise pada sinyal asli. Kedua, sinyal
disegmentasi menggunakan Normalized Average
Shannon Energy. Ketiga, karakteristik dari sinyal
akan diekstrak menggunakan Complex Continuous
Wavelet Transform (CWT). Metode CWT yang telah
diusulkan ini, menunjukkan kemampuan dalam
mengekstrak dan mengidentifikasi suara jantung
pertama S1, suara jantung kedua S2 dan komponen-
komponennya. Hasil kontur time-frekuensi yang
merefleksikan aktifitas mekanik dari katup maupun
otot jantung diharapkan dapat digunakan dalam
mendiagnosa kelainan jantung manusia.
Kata Kunci: complex continuous wavelet transform,
suara jantung, segmentasi.
1. PENDAHULUAN
1.1 Latar Belakang.
Serangan jantung masih menjadi salah satu
penyebab utama kematian di seluruh dunia. Gejala
abnormalitas atau yang dikenal dengan murmur,
46
seringkali datang secara tiba-tiba. Untuk itu,
pengenalan secara dini terhadap penyakit jantung
dapat membantu untuk terhindar dari serangan
jantung.
Analisis suara jantung menggunakan teknik
auskultasi, sampai saat ini masih sangat umum
digunakan. Auskultasi yang dilakukan seorang ahli
jantung, didefinisikan sebagai proses interpretasi
gelombang-gelombang akustik yang dihasilkan oleh
aktivitas mekanik jantung [1].
Diagnosis kelainan jantung hanya dengan
mendengarkan suara jantung melalui stetoskop saja
tidak cukup [2][3]. Kelemahan dari cara ini adalah
bahwa keterampilan mendiagnosa suara jantung
menggunakan stetoskop adalah suatu hal yang tidak
mudah. Keakuratan analisa sangat tergantung pada
kepekaan telinga dan tingkat pengalaman seorang ahli
dalam membedakan antara satu kelainan dengan
kelainan yang lain. Dibutuhkan waktu bertahun-tahun
untuk memperoleh dan memfilter suara jantung
tersebut [4]. Dan keahlian teknik auskultasi ini pun
tidak bisa dengan mudah diajarkan secara terstruktur,
sehingga pendengaran seorang ahli jantung dengan
ahli jantung yang lain tidak dapat digandakan.
Oleh sebab alasan-alasan yang dikemukakan
di atas, maka diagnosa kelainan jantung hanya dengan
mendengarkan suara jantung menjadi sangat subjektif.
Kelemahan lainnya adalah bahwa pada teknik
auskultasi tradisional, suara jantung tidak direkam,
sehingga tidak dapat didengarkan ulang untuk
didengarkan bersama-sama dokter yang lain sebagai
bahan diskusi. Untuk itu, diperlukan prosedur yang
lebih obyektif menggunakan teknik auskultasi
modern. Hal ini dapat dilakukan dengan menggunakan
perumusan matematis sebagai kompensasi untuk
analisa medis, dan dengan melakukan perekaman,
visualisasi serta analisa suara jantung, sehingga dapat
didengarkan ulang dan mempunyai data yang
kuantitatif sehingga dapat dianalisa lebih lanjut secara
lebih objektif.
Untuk mengembangkan teknik auskultasi
modern, dibutuhkan suatu metode analisis suara
jantung yang mampu menyajikan informasi berupa
data-data kuantitatif dari kondisi aktifitas jantung.
Perkembangan teknik elektronika modern
memungkinkan untuk melakukan hal tersebut.
Perekaman dan analisa suara jantung dapat
dilakukan dengan teknik pengolahan sinyal untuk
membedakan antara suara jantung yang satu dengan
suara yang lain. Berbagai teknik pengolahan sinyal
digital (PSD) telah banyak dilakukan untuk
menganalisa suara jantung. Beberapa bekerja di
domain waktu dan yang lain bekerja di domain
frekuensi.
Sinyal biomedik pada umumnya adalah
sinyal non stasioner. Dan sinyal suara jantung
termasuk sinyal biomedik yang nonstationer, dimana
sinyal ini mempunyai karakteristik waktu-frekuensi
yang sangat kompleks. Seringkali sinyal suara jantung
berdurasi pendek, komponen frekuensi tinggi
berhubungan dengan jarak dalam domain waktu dan
frekuensi rendah berhubungan dengan jarak dalam
domain frekuensi . Sehingga, untuk menganalisa
sinyal suara jantung, dibutuhkan resolusi yang baik di
dalam domain waktu dan domain frekuensi [5].
Transformasi dari sinyal-sinyal suara jantung
dapat dilakukan dengan Fast Fourier Transform
(FFT), Short Term Fourier Transform (STFT), dan
Continous Wavelet Transform (CWT). Pada penelitian
sebelumnya telah ditunjukkan bahwa FFT dapat
menginformasikan frekuensi yang berharga. Akan
tetapi, FFT tidak mempertimbangkan waktu, sehingga
tidak dapat mengungkapkan kedua katup jantung
mana yang menutup terlebih dahulu [2]. FFT juga
tidak mampu menunjukkan waktu tunda, yang dikenal
dengan sebutan ‘split’, antara A2 dan P2 pada suara
jantung kedua, dimana waktu tunda ini dapat
menunjukkan informasi adanya beberapa kelainan
patologis. Sehingga FFT lebih sesuai digunakan untuk
analisa sinyal yang stasioner.
Debbal dan Reguig telah melakukan
penganalisaan domain waktu dengan STFT [2][3].
Spektogram STFT tidak dapat mendeteksi dengan
sempurna dua komponen suara jantung pertama
(mitral dan trikuspid) dan dua komponen suara
jantung kedua (aortik dan pulmonal). Masalah ini
disebabkan oleh adanya pemilihan panjang window
waktu yang tetap dan trade-off antara resolusi waktu
dan frekuensi. Apabila panjang window waktunya
sempit, maka resolusi frekuensinya buruk. Sebaliknya,
apabila panjang window frekuensinya lebar maka
resolusi waktunya buruk.
Penggunaan CWT sangat cocok dan handal
pada analisis sinyal biomedik yang bersifat
nonstasioner, seperti sinyal suara jantung. Karena
CWT memiliki resolusi yang baik di domain waktu
maupun domain frekuensi [5]. Sehingga, karakteristik
dari setiap pola sinyal suara jantung dapat diekstrak
lebih tepat.
Ekstraksi fitur merupakan salah satu dari
tahapan yang paling penting dalam pengklasifikasian
otomatis sinyal biomedis, karena dengan
47
pengklasifikasi yang paling baik akan menghasilkan
klasifikasi yang buruk apabila pemilihan fitur tidak
dilakukan dengan baik. Pada kasus suara jantung,
konsentrasi energi terhadap bidang waktu-frekuensi
untuk suara jantung normal menjadi perhatian khusus.
Apabila konsentrasi energi ini diketahui, maka setiap
distribusi energi dalam bidang waktu-frekuensi yang
tidak lazim menyajikan suatu indikasi
ketidaknormalan.
Dalam rangka mengembangkan teknik
auskultasi modern, maka pada penelitian ini diuji
suatu metode untuk analisa suara jantung
menggunakan Complex Continuous Wavelet
Transform.
2. METODE
Langkah-langkah yang dilakukan dalam
penelitian ini dibagi atas pengambilan dan
pengumpulan data suara jantung, segmentasi dan
ekstraksi sinyal suara jantung.
2.1. Pengambilan dan pengumpulan data.
Data suara jantung yang akan diolah
didapatkan dengan 2 cara, yakni 28 data suara
jantung dari database publik dan 16 data suara
jantung normal yang diambil dari subyek normal
menggunakan stetoskop digital 3M Littmann series
4100.
Data suara jantung didapat dari literatur [4].
Literatur ini berupa buku petunjuk dan sebuah kaset
audio yang memuat database mengenai suara jantung
normal dan patologis dengan 16 bit/sample, frekuensi
sampling 11025 Hz, yang terdiri dari 6 buah data
suara jantung normal, 9 buah data suara jantung Atrial
seftal defect (ASD), 5 buah data suara jantung Mitral
stenosis (MS) dan 8 buah data suara jantung Patent
ductus arteriosus (PDA). Sinyal dari suara jantung
normal dan 3 murmur dari literatur [4] yang akan
diujikan diperlihatkan pada Gambar 1. Data ini
nantinya akan diubah menjadi file WAVE (*.wav) dan
akan displit atas 2 bagian yakni normal dan murmur.
Pengambilan data menggunakan stetoskop
digital dilakukan pada 2 wanita berumur 25 dan 32
tahun dan 2 orang pria berumur 40 dan 34 tahun tanpa
riwayat penyakit jantung. Stetoskop yang digunakan
adalah Littmann Series 4100. Frekuensi sampling
yang digunakan adalah 8000 Hz.
Perekaman pada setiap subjek dilakukan pada
empat titik auskultasi yakni aorta, pulmonal, trikuspid
dan mitral. Perekaman dilakukan pada subjek dengan
posisi duduk dengan lama perekaman rata-rata adalah
6 detik. Data hasil perekaman menggunakan stetoskop
Littmann series 4100 adalah *.e4k. File ini kemudian
diubah menjadi *.WAV untuk diolah ke proses
berikutnya. Data ini dapat dilihat pada Gambar 2.
 (a)
(c)
Gambar 1. Data publik sinyal suara jantung (a) normal, (b) atrial seftal defect, (c) mitral stenosis, (d) patent ductus
arteriosus
(a)
(c)
Gambar 2. Data satu siklus suara jantung menggunakan stetoskop digital (a) aorta, (b) mitral, (c) pulmonal, (d) tricuspid.
2.2. Segmentasi
Proses segmentasi yang dilakukan melalui
beberapa tahapan, yakni melakukan pre-processing,
menghitung envelogram dan mengidentifikasi suara
jantung S1 dan S2. Ketiga proses ini telah dilakukan
oleh penulis pada penelitian sebelumnya.Algoritma
segmentasi yang digunakan telah menunjukkan
kemampuan dalam mensegmentasi suara jantung S1,
S2 dan komponen-komponennya dengan tingkat
keberhasilan 71.43%.[6].
2.3. Ekstraksi menggunakan CWT
Continuous Wavelet Transform (CWT) telah
dikembangkan sebagai suatu metode untuk
memperoleh informasi yang simultan, resolusi waktu
48
(b)
(d)
(b)
(d)
dan frekuensi yang tinggi mengenai suatu sinyal.
Feature extractor ini menggunakan suatu daerah
window yang berukuran variabel. Karena wavelet
dapat membesar atau menjadi padat, fitur-fitur yang
berbeda dari sinyal akan diekstrak. Ketika wavelet
yang sempit mengekstrak komponen-komponen
frekuensi tinggi, maka wavelet yang membentang
mengambil komponen-komponen berfrekuensi rendah
dari sinyal [7].
CWT dihitung melalui konvolusi sinyal s(t)
dengan sebuah modulasi window pada setiap waktu
dengan setiap skala yang diinginkan. Modulasi
window yang mempunyai skala fleksibel inilah yang
disebut dengan mother wavelet atau fungsi dasar
wavelet, yang menghasilkan sejumlah koefisien C(a,b)
yang diberikan oleh :
(2.1)
dimana :
• b adalah lokasi waktu;
• a dinamakan faktor skala dan berbanding terbalik
dengan frekuensi (a >0);
• Lambang * menyatakan suatu konyugat kompleks;
• g(t) adalah mother wavelet.
Fungsi mother wavelet g(t) harus memenuhi
beberapa sifat, yaitu kontinuitas, integrabilitas,
integrabilitas kuadrat, progresivitas dan tidak
mempunyai komponen d.c. Selain itu, wavelet g(t)
harus terkonsentrasi pada waktu dan frekuensi.
Diketahui bahwa perkalian waktu-bandwidth yang
paling kecil dicapai oleh fungsi Gaussian [7].
Sebagaimana ditunjukkan oleh [8], wavelet Morlet
adalah suatu fungsi Gaussian termodulasi
eksponensial kompleks yang dituliskan sebagai
persamaan (2.2). Gambar 3 menunjukkan bentuk dari
wavelet Morlet.
(2.2)
Dimana
Hasil CWT adalah nilai-nilai koefisien
wavelet C yang merupakan distribusi energi dalam
bidang waktu-frekuensi. Konsentrasi energi terhadap
bidang waktu-frekuensi untuk suara-suara jantung
normal menjadi perhatian khusus. Jika konsentrasi
energi ini diketahui, maka setiap distribusi energi
dalam bidang waktu-frekuensi yang tidak lazim
menyajikan suatu indikasi ketidaknormalan. Sehingga
karakteristik-karakteristik dari setiap pola sinyal suara
jantung dapat diekstrak lebih tepat.
Hasil segmentasi suara jantung S1 dan S2
pada proses sebelumnya akan dihitung nilai koefisien
waveletnya. CWT digunakan sebagai analisa suara
jantung dan disebut juga sebagai ekstraksi fitur. Hasil
CWT adalah distribusi energi dalam bidang waktu-
frekuensi.
Gambar 3. Wavelet Morlet
49
3. HASIL DAN PEMBAHASAN
3.1. Hasil Kontur Data Publik
Pada penelitian ini, masing-masing data suara
jantung S1 dan S2 yang sudah diidentifikasi melalui
proses segmentasi akan diekstrak menggunakan CWT
berupa fitur matriks berukuran 100 x 100. Sumbu x
adalah merupakan indeks dari waktu dan sumbu y
merupakan indeks dari frekuensi (skala). Sementara
itu, spektrum warna adalah magnitudo ternormalisasi
dari koefisen wavelet C. Dimana magnitudo yang
maksimum ditunjukkan dengan warna merah
dibandingan dengan magnitudo yang kecil.
Pada penelitian ini mother wavelet yang
digunakan adalah Morlet. Dan skala yang digunakan
adalah 0.0001 hingga 0.0101. Nilai skala ini
berbanding terbalik dengan frekuensi. Dimana skala
yang lebih besar menunjukkan frekuensi yang rendah
dan skala yang lebih kecil menunjukkan frekuensi
yang tinggi. Hasil perhitungan CWT digambarkan
dalam bentuk contour.
Ekstraksi fitur dilakukan pada hasil
segmentasi S1 dan S2 dari 20 buah data publik suara
jantung normal, mitral stenosis dan atrial seftal defect.
Jumlah data S1 adalah 20 data dan S2 juga 20 data.
Kemudian 8 buah data satu siklus dari suara jantung
patent ductus arteriosus yang disegmentasi secara
manual. Kontur dan pengukuran skala suara jantung
S1 dapat dilihat pada Gambar 4.
Dari gambar dan hasil pengukuran skala S1,
S2 dan komponen pada data Normal, atrial seftal
defect, mitral stenosis dan patent ductus arteriosus
didapatkan bahwa dari 17 data yang dapat
diidentifikasi komponen A2 dan P2-nya. Pada normal,
atrial seftal defect maupun mitral stenosis, batas
bawah A2 rata-rata lebih rendah dari P2. Hal ini
menunjukkan bahwa A2 mengandung konten
frekuensi yang lebih tinggi dari P2 sesuai dengan
penelitian [2].
Split atau delay rata-rata antara A2 dan P2
dari hasil pengujian pada suara jantung normal adalah
11 ms dengan standar deviasi 9,7 ms. Sedangkan pada
atrial seftal defect 36 ms dengan standar deviasi 30,15
ms . Untuk Mitral stenosis rata-rata 21,66 ms dengan
standar deviasi 8,38 ms. Split antara A2 dan P2 dapat
menunjukkan beberapa kelainan patologis. Delay
antara komponen A2 dan P2 pada atrial seftal defect
> 30 ms. Hal ini sesuai dengan [2] yang menyatakan
bahwa delay normal antara komponen A2 dan P2
adalah 30 ms dan akan lebih lebar pada suara jantung
dengan kelainan patologis. Referensi [9] juga
menyebutkan, bahwa pada atrial seftal defect split
pada bunyi jantung kedua lebih lebar.
Pada hasil contour suara jantung Normal,
kejadian S1 dan S2 dapat dideteksi dengan sangat
baik. Bahkan komponen S1 yaitu M1 dan T1, serta
komponen S2 yaitu A2 dan P2, pada sebagian besar
data dari 6 data teridentifikasi dengan sangat jelas. S1
berada pada rentang skala 0,0017 sampai dengan
 (a)

(b)

Gambar 4 (a) Kontur S1 (b) Kontur S2 suara jantung Normal

Tabel 1. Pengukuran skala rata-rata Suara jantung S1 dan S2.

Parameter dalam skala [0.0001 0.0101] dalam Avrg ± SD

Split Split
No. Data Normal S1 M1-T1 S2 A2-P2
Batas Atas Batas Bawah (ms) Batas Atas Batas Bawah (ms)
0.0017 ± 0.0036 ± 0.0015 ± 0.0050 ±
1 Normal 0.00035 0.00035 2 0.00011 0.00185 9.71
0.0014 ± 0.0037 ± 0.0016 ± 0.0050 ±
2 Atrial Seftal Defect 0.00019 0.00028 - 0.0002 0.0014 -
0.0015 ± 0.0050 ± 0.0013 ± 0.0057 ±
3 Mitral Stenosis 0.0003 0.0010 3.2 0.0005 0.0004 21.66
Patent Ductus
4 Arteriosus 0.0014 ± 0.0003 ― 0.0054 ± 0.0012
deviasi 0, 00030 sampai dengan 0,0036 dengan 50
50
(a)

(b)

(c)

51
 (d)

(e)

Gambar 5. Kontur Suara jantung Patologis (a) Kontur S1 ASD (b) Kontur S2 ASD (c) Kontur S1 MS, (d) Kontur S2 MS,
(e) Kontur PDA

Gambar 6. Kontur Suara Jantung Normal Data Stetoskop

52
52
 Tabel 2. Pengukuran Skala Suara Jantung Normal Data
Stetoskop tersebut, skala S2 mempunyai range skala yang lebih
lebar dan berada pada skala yang lebih rendah dari
Skala [0,001 - 0,101] S1. Ini menunjukkan bahwa S2 mengandung konten
frekuensi lebih tinggi dan range frekuensi lebih lebar
No. Normal Batas Atas Batas Bawah dari S1. Hal ini sesuai dengan hasil yang didapatkan
1 Aorta-1 0,101 0,021 oleh [2].
2 Aorta-2 0,101 0,011 Hasil karakterisasi CWT untuk patent
ductus arteriosus menunjukkan bahwa deteksi S1
3 Aorta-3 0,101 0,031 maupun S2 pada murmur ini sangat sulit. Karena
4 Aorta-4 0,101 0,011 banyak puncak yang muncul, sehingga sulit dikenali
5 Pulmonal-1 0,101 0,011
mana puncak yang merupakan komponen S1 dan
mana puncak yang merupakan komponen S2. Hasil
6 Pulmonal-2 0,101 0,011 dari contour juga menunjukkan bahwa batas skala
7 Pulmonal-3 0,101 0,015 atas dari suara PDA ini lebih tinggi dari 3 data lain
(normal, asd, ms). Hal ini menunjukkan bahwa PDA
8 Pulmonal-4 0,101 0,011
banyak mengandung konten frekuensi yang rendah,
9 Tricuspid-1 0,101 0,015 yang sangat mungkin adalah noise atau murmur,
10 Tricuspid-2 0,101 0,011 sebagaimana yang dijelaskan pada [9] bahwa patent
ductus arteriosus adalah bising dengan frekuensi
11 Tricuspid-3 0,101 0,015
rendah.
12 Tricuspid-4 0,101 0,011 Dari data sebelumnya terlihat bahwa range
13 Mitral-1 0,101 0,011 skala atrial seftal defect (murmur sistolik) lebih
sempit dari mitral stenosis. Ini berarti juga bahwa
14 Mitral-2 0,101 0,011
range mitral stenosis lebih lebar dibandingkan atrial
15 Mitral-3 0,101 0,005 seftal defect. Hal ini sesuai dengan penelitian [2]
16 Mitral-4 0,101 0,015 yang menyatakan bahwa range frekuensi murmur
distolik lebih lebar dibandingkan range frekuensi
Avrg ± SD 0,101 0,013 ± 0,005 murmur sistolik. Hasil kontur untuk data suara
jantung murmur atrial seftal defect, mitral stenosis
0,0036 dengan standar deviasi 0,00035. Sedangkan dan patent ductus arteriosus dapat dilihat pada
S2 berada pada rentang skala 0,0015 dengan standar Gambar 5.
deviasi 0,00011 sampai dengan 0,0050 dengan Dari hasil pengujian, secara umum, CWT
standar deviasi 0,00185. Skala S2 mempunyai range mampu menyajikan informasi yang berharga tentang
skala yang lebih lebar dan berada pada skala batas kejadian-kejadian phisiologis pada suara jantung
bawah yang lebih rendah dari S1. Ini menunjukkan baik normal maupun murmur dan mampu
bahwa S2 mengandung konten frekuensi lebih tinggi menyajikan informasi waktu kapan kejadian-
dan range frekuensi lebih lebar dari S1. Hal ini kejadian tersebut berlangsung.
mendukung hasil yang didapatkan oleh [2].
Pada hasil contour atrial seftal defect (asd), 3.2. Hasil Kontur Data Subyek Normal
dari 9 data, hanya 3 data yang komponen S1-nya Suara jantung dari data stetoskop digital
terdeteksi. Namun S2 dan komponennya (A2dan P2) satu siklus yang sudah didapatkan dari hasil
dapat dideteksi 100%. Rentang skala S1 berada pada segmentasi secara manual akan diekstrak
0,0014 dengan standar deviasi 0,00019 sampai menggunakan CWT berupa fitur matriks berukuran
0,0037 dengan standar deviasi 0,00028. Sementara 100 x 100. Mother wavelet yang digunakan adalah
S2 berada pada rentang skala 0,0016 dengan standar Morlet. Dan skala yang digunakan adalah 0.001
deviasi 0,0002 hingga 0,0050 dengan standar deviasi hingga 0.101. Hasil kontur data stetoskop ini dapat
0,0014. Dari data tersebut, skala S2 mempunyai dilihat pada Gambar 6 dan tabel 2.
range skala yang lebih lebar dan berada pada skala Dari hasil visualisasi CWT berdasarkan
batas bawah yang sedikit lebih rendah dari S2. Ini bentuk kontur didapatkan bahwa sebagian besar
berarti bahwa S2 mengandung konten frekuensi batas atas berada pada skala 0,101 namun memiliki
lebih tinggi dan range frekuensi lebih lebar dari S1. magnitudo yang rendah (diperlihatkan dengan warna
Hal ini mendukung [2]. biru gelap). Skala yang tinggi menunjukkan
Hasil contour mitral stenosis (ms), ke-5 frekuensi yang rendah. Ini berarti bahwa sebagian
data dapat dideteksi komponen S1nya. Namun S2 hasil CWT menunjukkan adanya magnitudo yang
dan komponennya (A2dan P2) hanya 3 buah data sangat rendah pada frekuensi rendah yang sangat
dari 5 data yang dapat dideteksi. Rentang skala S1 mungkin ini adalah noise.
berada pada frekuensi (dalam skala) 0,0015 dengan Sementara rata-rata magnitudo yang lebih
standar deviasi 0,0003 hingga 0,0050 dengan standar besar, ditandai dengan warna merah kecoklatan,
deviasi 0,0010. Sementara S2 berada pada rentang berada pada skala yang lebih rendah. Bagian
skala 0,0013 dengan standar deviasi 0,0005 hingga magnitudo yang lebih tinggi ini terjadi pada waktu
0,0057 dengan standar deviasi 0,0004. Dari data yang sama dengan terjadinya suara jantung S1 dan
53
S2 jika ditinjau dari domain waktunya. Ini
menunjukkan bahwa suara S1 dan S2 berada pada
frekuensi yang lebih tinggi. Dari keseluruhan gambar
magnitudo tinggi berada pada range skala 0,011 –
0,081 dalam skala [0,001 – 0.101].
4. KESIMPULAN
Hasil ekstraksi ciri untuk data yang diambil
menggunakan stetoskop digital menunjukkan bahwa
hasil perekaman data tersebut masih banyak
mengandung noise. Hal ini bisa diakibatkan oleh
banyak faktor, diantaranya noise lingkungan,
pergeseran stetoskop saat perekaman data dan lain-
lain. Sebaiknya perekaman data ini dilakukan oleh
tenaga ahli, sehingga diharapkan bisa didapatkan data
yang lebih baik. Selain itu perlu ditambahkan proses
filter secara digital untuk membantu memperkecil
noise.
Namun secara umum dari penelitian ini dapat
disimpulkan bahwa CWT mampu mengekstrak ciri
fisiological event pada jantung normal maupun
murmur yang diujikan dan menyajikan informasi
frekuensi (dalam skala) dan waktu secara bersamaan.
Berdasarkan hasil pengujian, sinyal suara S2
mempunyai konten frekuensi yang lebih tinggi dan
range frekuensi yang lebih lebar dari S1. Data juga
menunjukkan bahwa range frekuensi murmur diastolik
(mitral stenosis) lebih lebar dibandingkan dengan
range frekuensi murmur sistolik (atrial seftal defect).
Hasil perhitungan CWT yang disajikan dalam
bentuk kontur, menunjukkan kemampuan dalam
mengekstrak dan mengidentifikasi parameter temporal
dari sinyal jantung dan merefleksikan aktifitas dari
katup dan otot jantung. Sehingga kontur CWT dapat
digunakan dalam mendiagnosa kelainan jantung
manusia. Oleh karena itu perlu dilakukan klasifikasi
suara jantung berdasarkan ekstraksi ciri yang sudah
Anak”, Binarupa Aksara.
54
didapatkan sebagai pengembangan alat bantu diagnosa
jantung di masa mendatang.
DAFTAR REFERENSI
[1] Faizan Javed, P A Venkatachalam, Ahmad Fadzil,
“A Signal Processing Module For The Analysis
of Heart Sounds and Heart Murmurs”, Journal of
Physics: Conference Series 34 (2006) 1098–
1105, International MEMS Conference 2006.
[2] S.M Debbal, F.Bereksi Reguig, “Computeried
Heart Sound Analysis”, Computers in biology
and Medicine, vol.38, pp.263-280, 2008.
[3] S.M Debbal, F.Bereksi Reguig, “Wavelet
Transform Analysis of The Normal Cardiac
Sound,” Biomedical Soft Computing and Human
Sciences, vol.12, No.1, pp.53-58, 2007.
[4] Z.Syed, D. Leeds, D.Curtis, F. Nesta, R.A.Levine,
and J.Guttag, “A Framework for The Analysis f
Acoustical Cardiac Signals”, IEEE Trans.
Biomed. Eng., vol.54, pp.651-662, 2007.
[5] M. Akay, “Wavelet Applications on Medicine,”
IEEE Spectrum. Biomed. Eng., May 1997.
[6] Putri Madona dkk,”Segmentasi Suara Jantung S1
dan S2 Menggunakan Kurva Amplop”, 13th
Seminar on Intelligent Technology and It’s
Applications., May 2012.
[7] R. Polikar, “The Wavelet Tutorial Part III
Multiresolution Analysis and The Continuous
Wavelet Transform,” 2nd ed., June 5, 1996.
[8] B. Ergena, Y.Tatara, dan H.O.Gulcur, “Time
Frequency Analysis for Phonocardiogram
Signals Using Wavelet Transform: A
Comparatve Study,” Computer Methodes in
Biomechanics and Biomedic Engineering, 2010.
[9] Lehrer, Steven. MD, “Memahami Bunyi dan
BisingJantung.