LAPORAN FINAL PROJECT

SINYAL DAN SISTEM

“De-noising Sinyal Phonocardiogram (PCG) atau Sinyal Suara Jantung

dengan Menggunakan Discrete Wavelet Transform (DWT)”

Disusun Oleh:
Qory Cipta Scientika 02311640000091

Dibawah Bimbingan :
Dr. Dhany Arifianto, S.T., M.Eng.
Elok Anggrayni, S.T

PROGRAM STUDI S1 TEKNIK FISIKA

DEPARTEMEN TEKNIK FISIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2018
 ABSTRAK

Derau (de-noising) merupakan salah satu masalah utama dalam sebuah

pemrosesan sinyal. Derau dapat mengakibatkan sinyal yang membawa informas i
mengalami kecacaran atau bahkan kerusakah hingga mungkin saja menghilangk a n
informasi yang dibawa. Hal ini tentu saja membuat kualitas informasi yang dibawa
oleh sinyal menjadi buruk, sehingga diperlukan suatu pemrosesan sinyal untuk
mereduksi derau yang ditimbulkan hingga diperoleh informasi yang diinginka n .
Berbagai algoritma mengenai denoising sinyal menggunakan transformasi wavelet
telah diperkenalkan. Wavelet menunjukkan performa derau sinyal superior karena
sifatnya seperti multiresolution dan windowing. Pada final project kali ini
memfokuskan pada menghilangkan derau sinyal Phonocardiogram (PCG)
menggunakan Transformasi Wavelet Diskrit. Untuk menghilangkan derau dari
koefisien-koefisien wavelet maka digunakan aturan minimaxi thresholding.
Sebelum di lakukan proses thresholding, sinyal didekomposisi dengan
menggunakan wavelet jenis Daubechies dan Symlet. Besarnya derau yang
direduksi dapat dilihat dari nilai SNR yang diberikan.

Kata kunci : Phonocardiogram (PCG), Derau, Transformasi Wavelet Diskrit

 ABSTRACT

Signal denoising remains to be one of the main problem in the signal

processing. Noise causes signals that carry information can be defective or even
damaged, even it is possible to remove the information that the signal carried. This
of course makes the quality of information carried by the signal being bad, so it
needs a signal processing to reduce the noise generated until the desired
information from the signal is obtained. Various signal denoising algorithm using
wavelet transform have been introduced.. Wavelet show superior signal denoising
performace due to their properties such as multiresolution and windowing. This
final project focus on denoising of phonocardiogram (PCG) signal using Discrete
Wavelet Transform. To eliminate noise from wavelet coefficients then the rule of
minimaxi thresholding is used. Prior to the thresholding process, the signal is
decomposed using the Daubechies and Symlet wavelets. The magnitude of the
reduced noise can be seen from the given SNR value.

Keyword : Phonocardiogram (PCG), noise, Discrete Wavelet Transform (DWT)

 KATA PENGANTAR

Puji syukur tidak bosan-bosan selalu dipanjatkan kehadirat Allah SWT, karena
setiap rahmat serta anugerah-Nya, sehingga penulis mampu merampungkan laporan
final project dengan judul De-noising Sinyal Phonocardiogram (PCG) atau
Sinyal Suara Jantung dengan Menggunakan Discrete Wavelet Transform
(DWT)
Penulis menghaturkan terima kasih yang sebanyak-banyaknya untuk setiap
pihak yang sudah mendukung, baik berupa bantuan ataupun doa dalam menyus un
laporan ini. Terkhusus lagi kami sampaikan terimakasih kepada :
1. Kedua orang tua yang takhenti-hentinya mendukung
2. Bapak Dhany Arifianto selaku dosen pengampu matakuliah sinyal dan sistem
3. Ibu Elok Anggrayni selaku asisten dosen pengampu matakuliah sinyal dan sistem
4. serta seluruh teman-teman Teknik Fisika 2016
Yang secara langsung maupun tidak langsung membantu penulis dalam
menyelesaikan laporan ini.
Perlu diketahui bahwa dengan segenap kelemahan, laporan ini tetap jauh dari
sempurna, oleh karena itu masukkan dan kritikan yang konstruktif amat penulis
nantikan demi kesempurnaan laporan ini. Semoga laporan ini dapat bermanfaat bagi
setiap pihak terutama mereka para pembaca.

Surabaya, 16 Desember 2018

Penulis
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Cardiovasculardisorders (CVD) adalah istilah yang dapat merujuk pada
penyakit yang mempengaruhi jantung manusia. CVD adalah penyebab utama
kematian di seluruh dunia. Lebih dari 17,5 juta orang meninggal akibat CVD pada
tahun 2016, mewakili 31% dari seluruh kematian global (F.Bai, 2010). Menurut
statistik Organisasi Kesehatan Dunia (WHO) terbaru yang dipublikasikan pada Mei
2016, kematian akibat CVD di Mesir mencapai 23,14% dari total kematian
Auskultasi jantung adalah alat investigasi yang berguna yang diterapkan oleh
dokter untuk mendeteksi CVD.
Sehingga, dibutuhkan phonocardiography (PCG) untuk menganalisa sinyal
suara dari jantung dengan maksud untuk mengatasi masalah sedini mungkind ari
penyakit jantung. Rekaman PCG terdiri dari komponen bunyi jantung (S1, S2, S3,
dan S4). Bunyi jantung pertama dan kedua (S1 dan S2) dapat didengar dari jantung
normal, yang dihasilkan oleh penutupan dan pembukaan katup normal. Pada
jantung yang abnormal, suara ketiga dan keempat (S3 dan S4) mungkin juga ada
selain S1 dan S2. S3 terjadi setelah S2, dan S4 terjadi tepat sebelum S1 (T.R. Reed,
2003). Bunyi abnormal ini disebut murmur.
Rekaman suara jantung sering mengalami gangguan dari berbagai faktor dan
derau, seperti interferensi elektromagnetik (EMI) dari lingkungan sekitar,
interferensi frekuensi sumber daya, interferensi sinyal elektrik dari tubuh manusia
sendiri, suara nafas, dan suara paru-paru. Berbagai komponen kebisingan ini
membuat diagnosis berdasarkan catatan PCG menjadi sulit atau, dalam beberapa
kasus, bahkan menjadi tidak mungkin. Dengan demikian, hambatan utama untuk
mengembangkan sistem diagnostik-diagnostik otomatis cerdas untuk analisis sinya l
PCG adalah gangguan dan kebisingan di sekitarnya. Dengan demikian, dalam final
project ini akan dilakukan upaya untuk menyesuaikan algoritma denoising
berdasarkan transformasi wavelet diskrit untuk pengurangan efektif dan
penghapusan noise dari sinyal PCG yang direkam dalam lingkungan yang bising.
Untuk menghilangkan derau dari koefisien-koefisien wavelet maka digunaka n
aturan minimaxi thresholding. Sebelum di lakukan proses thresholding, sinya l
didekomposisi dengan menggunakan wavelet jenis Daubechies dan Symlet.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas permasalah-permasalahan yang dapat
diangkat pada penelitian ini adalah bagaimana proses pengurangan derau
(denoising) dengan metode wavelet ?

1.3 Tujuan
 Adapun tujuan dari penelitian ini yaitu untuk mengetahui proses penguranga n
derau (denoising) dengan metode wavelet.

1.4 Sistematika Laporan

Laporan final project ini tersusun atas 5 bab. Bab I Pendahuluan berisi latar
belakang penelitian, rumusan masalah, tujuan penelitian serta sistematika laporan.
Bab II Dasar Teori berisi dasar-dasar ilmu yang menunjang penelitian. Bab III
Metodologi Penelitian berisi tahapan-tahapan dalam melakukan penelitian. Bab IV
Analisa Data dan Pembahasan berisi data-data yang diperoleh dari penelitian yang
dilakukan serta pembahasan mengenai data-data tersebut. Bab V Penutup berisi
kesimpulan yang diperoleh dari penelitian yang dilakukan dan juga saran.
 BAB 2
DASAR TEORI

2.1 Noise
Noise atau yang dalam Bahasa Indonesia disebut dengan derau adalah sinyal-
sinyal yang tidak di inginkan dalam suatu sistem komunikasi atau informas i.
Sinyal-sinyal noise ini dapat mengganggu kualitas penerimaan sinyal dan
reproduksi sinyal yang akan di pancarkan (Kho, 2015). Salah satu jenis derau yang
telah diidentifikasi adalah Derau Gaussian. Gaussian Noise merupakan derau yang
secara statistik memiliki fungsi kepadatan probabilitas yang setara dengan
distribusi normal, yakni merata dan independen di seluruh bidang acuan, namun
distribusi amplitudonya normal.

Gambar 2.1 Derau Gausian

2.2 Matlab
MATLAB (MATRIX LABORATORY) adalah sebuah bahasa dengan (high-
performance) kinerja tinggi untuk komputasi masalah teknik. Matlab
mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model
yang sangat mudah untuk digunakan dimana masalah-masalah dan penyelesaia nnya
diekspresikan dalam notasi matematika yang familiar. Penggunaan MATLAB
meliputi bidang–bidang:

 Matematika dan komputasi

 Pembentukan algorithm
 Akusisi Data
 Pemodelan, simulasi, dan pembuatan prototype
 Analisa data, explorasi, dan visualisasi
 Grafik keilmuan dan bidang rekayasa
 
Gambar 2.2 Icon MATLAB

Secara default, MATLAB terdiri dari : Command window yang merupakan tempat
di mana kita menuliskan fungsi yang kita inginkan. Command history untuk meliha t
dan menggunakan kembali fungsi–fungsi sebelumnya. Workspace yang berisi
variabel yang kita gunakan dan untuk membuat variabel baru dalam MATLAB.
Current directory menunjukkan folder- folder yang berisi file MATLAB yang
sedang berjalan.

2.3 SNR
Signal-to-Noise Ratio didefinisikan sebagai rasio antara kekuatan sinyal
(signal power) dengan kekuatan derau (noise power) dan diberikan dalam satuan
desibel (dB) (Atmaja, 2011).
𝑃
𝑆𝑁𝑅 = 𝑠𝑖𝑔𝑛𝑎𝑙
𝑃𝑛𝑜𝑖𝑠𝑒
Sehingga semakin besar nilai SNR maka kualitas medium koneksi semakin baik
dan sebaliknya. SNR dapat juga dituliskan dalam satuan desibel (dB) sebagai :
𝑃𝑠𝑖𝑔𝑛𝑎𝑙
𝑆𝑁𝑅𝑑𝐵 = 10𝑙𝑜𝑔10 ( )
𝑃𝑛𝑜𝑖𝑠𝑒

2.4 Transformasi Wavelet

Transformasi Wavelet merupakan pengembangan lebih lanjut dari Transformasi
Fourier. Transformasi ini adalah fungsi transform yang digunakan untuk menguraikan data
atau fungsi atau operator menjadi komponen frekuensi yang berbeda-beda dengan resolusi
yang disesuaikan dengan skalanya. Secara umum representasi dari transformasi wavelet
adalah sebagai berikut, (Daubechies, 1992).
∞
1 𝑡−𝑏
𝑋(𝑎,𝑏) = ∫ Ψ( ) 𝑥(𝑡) 𝑑𝑡
−∞ √𝑎 𝑎

dengan a adalah scalling dan b adalah time (atau ada juga yang menyebut translasi). 𝑋(𝑎,𝑏)
adalah fungsi sinyal setelah transformasi, dengan variabel a dan b sebagai dimensi baru.
1 𝑡−𝑏
Sedangkan Ψ( ) merupakan fungsi dasar wavelet. Variabel time atau translasi adalah
√𝑎 𝑎
lokasi jendela modulasi saat digeser sepanjang sinyal, sehingga berhubungan dengan
informasi waktu. Variabel skala berhubungan dengan frekuensi, skala tinggi (frekuensi
rendah) berhubungan dengan informasi global dari sebuah sinyal, sedangkan skala rendah
(frekuensi tinggi) berhubungan dengan informasi detail.
 BAB 3
METODOLOGI PENELITIAN

3.1 Pengambilan Data

Pada percobaan ini, digunakan PASCAL heart sound database. Database ini
mencakup suara detak jantung normal dan abnormal yang kemudian akan
digunakan untuk keakuratan pada algoritma penghilangan derau (denoising).
3.2 Proses Input Sinyal
Rekaman sinyal suara dengan nama ‘296_1311682952647_A2.wav’ di load
kedalam MATLAB dengan menggunakan fungsi “wavread”. Sinyal input ini,
kemudaian di naikkan amplitudonya sebesr 10, untuk mempermudah proses
identifikasi sinyal. Dengan source code sebagai berikut :
clc, clear all, close all

[TS, Fs] = wavread('296_1311682952647_A2.wav');

%TS refer to TRUE SIGNALsound(TS,Fs);
amp = 10;
TS = amp*TS;
N = length(TS);

Hasil dari sinyal input diatas merupakan sinyal asli (clear signal) tanpa
adanya noise.

3.3 Penambahan Gaussian Noise

Gaussian noise ditambahkan kepada clear signal dengan SNR seberar 5 dB.
Haal ini dimaksudkan untuk memberikan noise kepada sinyal aslinya. Dengan
source code sebagai beriku :

sn = 5; %SNR per sample (dB)

TSN = awgn(TS,sn,'measured');
%TSN refer to TRUE SIGNAL-NOISED
wavwrite(TSN,Fs,'296_1311682952647_A2noise')

Dari kode tersebut akan diperoleh suara hasil noise pada suara original.

3.4 Dekomposisi Sinyal

Sinyal wicara dengan gaussian noise diatas kemudian di dekomposisi wavelet
dengan level dekomposisi L=3. Tipe wavelet yang digunakan adalah Wavelet
Daubechies (db8, db2) dan Wavelet Symlet (sym8, sym4). Kemudian nantinya hasil
dekomposisi dengan tipe wavelet yang berbeda-beda ini akan dibandingkan.
level = 3;
fprintf('\n Input number of specific wavelet: ');
%(1) db8, (2) db2, (3) sym8 or (4) sym4
wname = input('\n wname = ');
if wname == 1
wvlt = 'db8';
elseif wname == 2
wvlt = 'db2';
elseif wname == 3
wvlt = 'sym8';
elseif wname == 4
wvlt = 'sym4';
end

Setelah dilakukan pemilihan tipe wavelet, kemudian dilakukan penghitunga n

dari ke-4 filter tersebut, dengan menggunakan low-pass filter dan high-pass filter
%Menghitung 4 filternya
[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters(wvlt);

Kemudain dilakukan penghitungan koefisien approksimasi ke-3 level tadi dan

koefisien detail level 1,2, dan 3 dari C, dengan menggunakan struktur dekomposisi
wavelet [C,L]
%digunakan struktur dekomposisi wavelet [C,L]
[C,L] = wavedec(TSN, level,Lo_D,Hi_D);
%Menghitung koef aproksimasi pada 'level' level
cA3 = appcoef(C,L,wvlt,level);
%ekstraksi koef detai level 3, 2, and 1 dr C
[cD1, cD2, cD3] = detcoef(C,L,[1,2,3]);

Setelah itu, dilakukan rekonstruksi aproksimasi dan detail dari C.

%rekonstruksi aproksimasi level 3 dr C
A3 = wrcoef('a',C,L,Lo_R,Hi_R,level);
%rekonstruksi detail level 1,2, dan 3, dari C
D1 = wrcoef('d',C,L,Lo_R,Hi_R,1);
D2 = wrcoef('d',C,L,Lo_R,Hi_R,2);
D3 = wrcoef('d',C,L,Lo_R,Hi_R,3);

3.5 Thresholding
Thresholding dianggap sebagai teknik nonlinear sederhana, beroperasi pada
satu koefisien wavelet pada suatu waktu. Pada tahap ini terdapat 4 aturan
thresholding yang dapat digunakan, yaitu rigrsure thresholding, heursure
thresholding, sqtwolog thresholding, atau minimaxi thresholding.
fprintf('\n Input the number of threshold selection rule :');
%(1) heuraure, (2) rigraure, (3) minimaxi or (4) sqtwolog
tr = input('\n threshold selection rule = ');
if tr == 1
tsr = 'heursure';
elseif tr == 2
tsr = 'rigrsure';
elseif tr == 3
tsr = 'minimaxi';
elseif tr == 4
tsr = 'sqtwolog';
end
thr_D1 = thselect(D1,tsr);
thr_D2 = thselect(D2,tsr);
thr_D3 = thselect(D3,tsr);

Terdapat dua metode pada thresholding yaitu soft threshoding dan hard
thresholding.
fprintf('\n Input the number of threshold type: ');
%(1) soft or (2) hard
sh = input('\nthreshold = ');
if sh == 1
SORH = 's';
elseif sh == 2
SORH = 'h';
end
%koef threshold detail
tD1 = wthresh(D1,SORH,thr_D1);
tD2 = wthresh(D2,SORH,thr_D2);
tD3 = wthresh(D3,SORH,thr_D3);

3.6 Invers DWT

Perhitungan invers dari descrete wavelet transform dapat dilihat dalam source
berikut :
%tentukan invers
denoised = A3 + tD1 + tD2 + tD3;
err = max(abs(TSN-denoised));

3.7 Menghitung SNR

Perhitungan Sound-to-Noise Ratio ini bertujuan mengetahui tingkat noise yang
telah direduksi dari sinyal.
%SNR - Signal to Noise Ratio
SNR = snr(TS,TSN);
NoisySNR = 20*log10(norm(TS(:)) / norm (TS(:)-TSN(:)) );
SNR = snr(TS,denoised);
DenoisedSNR = 20*log10(norm(TS(:)) / norm (TS(:)-denoised(:)) );

3.8 Menampilkan Plot

Selanjutnya keluaran-keluaran dari setiap proses akan ditampilkan. Dan juga
akan ditampilkan perbandingan dari sinyal yang asli (original signal), sinyal yang
diberi noise (noisy signal) dan sinyal yang telah direduksi noise-nya (de-noised
signal).
 BAB 4
ANALISA DATA DAN PEMBAHASAN

4.1 Analisa Data

Adapun data-data yang diperoleh setelah melakukan percobaan adalah :
a. Saat digunakan Daubechies 8th (db8)

Gambar 4.1 Plot Grafik Aproksimasi dan Detail (db8)

Gambar 4.2 Hasil de-noise dengan menggunakan heursure thresholding tipe soft
 Gambar 4.3 Hasil de-noise dengan menggunakan heursure thresholding tipe
hard

Gambar 4.4 Hasil de-noise dengan menggunakan rigrsure thresholding tipe soft
Gambar 4.5 Hasil de-noise dengan menggunakan rigrsure thresholding tipe hard

Gambar 4.6 Hasil de-noise dengan menggunakan minimaxi thresholding tipe soft
 Gambar 4.7 Hasil de-noise dengan menggunakan minimaxi thresholding tipe
hard

b. Saat menggunakan Daubechies 2 (db2)

Gambar 4.8 Plot grafik approximasi dan detail (db2)

Gambar 4.9 Hasil de-noise dengan menggunakan heursure thresholding tipe soft

Gambar 4.10 Hasil de-noise dengan menggunakan hersure thresholding tipe

hard
Gambar 4.11 Hasil de-noise dengan menggunakan rigrsure thresholding tipe soft

Gambar 4.12 Hasil de-noise dengan menggunakan rigrsure thresholding tipe

hard
Gambar 4.13 Hasil de-noise dengan menggunakan minimaxi thresholding tipe
soft

Gambar 4.14 Hasil de-noise dengan menggunakan minimaxi thresholding tipe

hard
c. Saat menggunakan Wavelet Symlet 8 (sym8)

Gambar 4.15 Plot grafik approximasi dan detail dari symlet 8

Gambar 4.16 Hasil de-noise dengan menggunakan heursure thresholding tipe

soft
Gambar 4.17 Hasil de-noise dengan menggunakan heursure thresholding tipe
high

Gambar 4.18 Hasil de-noise dengan menggunakan rigrsure thresholding tipe

soft
Gambar 4.18 Hasil de-noise dengan menggunakan rigrsure thresholding tipe
hard

Gambar 4.20 Hasil de-noise dengan menggunakan minimaxi thresholding tipe

soft
 Gambar 4.21 Hasil de-noise dengan menggunakan minimaxi thresholding tipe
hard

d. Saat menggunakan wavelet symlet 4th (sym4)

Gambar 4.22 Plot grafik aproksimasi dan detali dari symlets 4

Gambar 4.23 Hasil de-noise dengan menggunakan heursure thresholding tipe
soft

Gambar 4.24 Hasil de-noise dengan menggunakan heursure thresholding tipe

hard
Gambar 4.25 Hasil de-noise dengan menggunakan rigrsure thresholding tipe soft

Gambar 4.26 Hasil de-noise dengan menggunakan rigrsure thresholding tipe

hard
Gambar 4.27 Hasil de-noise dengan menggunakan minimaxi thresholding tipe
soft

Gambar 4.28 Hasil de-noise dengan menggunakan minimaxi thresholding tipe

hard
e. Fungsi Waktu Perbandingan 3 Sinyal

Gambar 4.29 Grafik Fungsi Waktu Perbandingan 3 Sinyal

4.2 Pembahasan
Pada percobaan ini dilakukan dengan beberapa langkah yang telah disebutkan
dalam BAB 3. Dimana langkah pertama yaitu memasukkan inputan sinyal dalam
bentuk wav dengan menggunakan oerintah ‘wavread’, keluaran dari pembacaan ini
masih berupa sinyal bersih yang masih belum diberi masukan noise. Agar,
percobaan dapat dilakukan maka dimasukkan derau ke dalam sinyal suara yang
masih bersih dengan menggunakan gaussian white noise. Setelah diberi noise
sinyal akan berubah seperti pada lampiran suara ‘296_1311682952647_A2noise’.
Setelah suara menjadi lebih noise, langkah selanjutnya adalah melakuka n
dekomposisi pada sinyal dengan menggunakan Transformasi Wavelet Diskrit yang
berbeda-beda. Dalam proses dekomposis ini terlebih dahulu dipilih mother wavelet
yang akan digunakan dan akan menghasilkan nilai aproksimasi, detail, dan
koefisien wavelet, sesuai dnegan gambar 4.1, 4.8, 4.15, dan 4.22. Koefisien ini
merupakan suatu parameter untuk menentukan derai (noise) yang akan digunakan.
Dengan memilih mother vawelet ini kemudian akan ditentukan tipe-tipe dalam
melakukan thresholding baik dalam soft filter maupun high filter.
Dari data-data yang diperoleh, dapat kita lihat bahwa tidak banyak perbedaan
pada sinyal hasil dekomposisi dengan penggunaan mother wavelet yang berbeda-
beda. Namun apabila kita melihat plot grafik perbandingan antara ketiga sinya l,
memang tidak dapat dipungkiri bahwa sinyal hasil proses denoising tidak bisa sama
persis dengan sinyal asli (clear signal) sebelum diberi noise. Sehingga perlu di
ketahui bahwa tidak hanya tipe dari mother wavelet saja yang mempengaruhi hasil
pemprosan sinyal. Namun, tingkat level dekomposisi, metode thresholding dan tipe
filter juga dapat mempengahruhi hasil pemprosesan sinyal.
Berdasarkan percobaan yang telah dilakukan menunjukkan bahwa setiap
penggunaan tipe wavelet yang berbeda-beda akan mengakibatkan perbedaan pada
setiap hasil pemprosesan sinyal.
 BAB 5
PENUTUP

5.1 Kesimpulan
Telah dilakukan simulasi resuksi derau (denoising) sinyal PCG dengan
menggunakan Transformasi wavelet diskri pada software MATLAB. Dalam
percobaan mengenai denoising terdadap sinyal PCG, ini dilakukan beberapa variasi
parameter dari algoritma denoising, termasuk aturan thresholding dan jenis wavelet,
dan membandingkan hasil denoising yang diperoleh. Disajikan pula penerapan
metode transformasi wavelet untuk analisis sinyal PCG. Penggunaan keluarga
wavelet yang berbeda–beda akan mempengaruhi perbedaan resolusi di antara
mereka.

5.2 Saran
Adapun saran yang dapat diberikan oleh penulis untuk penelitian ini antara
lain:
a. Memperbanyak referensi khususnya mengenai Descrete Wavelet Transform
untuk menunjang percobaan.
b. Dalam melakukan penelitian, diharapkan untuk mempelajari dasar-dasar teori
dengan baik terlebih dahulu untuk efisiensi kegiatan penelitian.
 DAFTAR PUSATAKA

Ali, Mohammed Nabih., El-Sayed A. El-Dahshan, Ashraf H. Yahia. Denoising of

Heart Sound Signal Using Discrete Wavelet Transform. Birkhauser. (2017)
Atmaja, B.T. Bagustris. Retrieved from Bagustris :
http://www.bagustris.tk/2011/10/menghitung-snr-dengan- matlab-octave.html
(Oktober, 2011)
Daubechies, I. Ten Lectures on Wavelet. Philadelphia: SIAM. (1992)
F. Bai et al. Studying on denoising algorithm of heart sound signal based on the
generalized mathematical morphology, in Signal Processing (ICSP), IEEE
10th International Conference, (2010)
http://peterjbentley.com/heartchallenge/. Last accessed December 2018
Kho, D. Teori Elektronika.Retrieved from Teknik Elektronika :
http://teknikelektronika.com/pengertian-noise-derau-dan-jenis-jenis- noise/
V. Luna, E.E. Andrian, De-noising Audio Signal Using MATLAB Wavelets Toolbox
(INTECH Open Access Publisher,Rijeka, 2011)