Konferensi Nasional Ilmu Komputer (KONIK) 2021
E-ISSN: 2807-1271
Klasifikasi Suara Detak Jantung Sehat Menggunakan
Model ANN-BP Multi Perceptron
Maxi Milian C.N.J1, Muh. Nursadid Hidayat2
1
Program Studi Sistem Informasi, Universitas Hasanuddin, 2Program Studi Sistem Informasi, Universitas
Hasanuddin
Email Corespondent Author :
1
meksinaxchodam2o@gmail.com, 2nursadid99@gmail.com
Abstract — One of the main problems in health and the
number one cause of death in the world is heart disease.
Therefore, the classification of heart rate rhythm is one of the
important research areas, because it can help in the health
sector. In this study, the heart sound recorded from a digital
stethoscope from the Heart Sound Dataset was used. used
feature extraction method Mel Frequency Cepstrum
Coefficients, and Artificial Neural Network. In the results of
the model experiment, the training accuracy is 96.84% and the
validation accuracy is 96.15% which shows the best fitting.
Keyword — ANN, Deep learning, Heartbeat rhythm, Mel
frequency cepstrum coefficients.
Abstrak — Salah satu masalah utama dalam kesehatan dan
penyebab kematian nomor satu di dunia adalah penyakit jantung.
Maka dari itu pengklasfikasian irama detak jantung merupakan
salah satu bidang penelitian yang penting, karena dapat membantu
pada bidang kesehatan. Pada penelitian ini, digunakan suara
jantung hasil rekaman dari digital stethoscope dari Heart Sound
Dataset. digunakan metode ekstraksi ciri Mel Frequency Cepstrum
Coefficients, serta Artificial Neural NetworK. Pada hasil percobaan
model, didapatkan akurasi pelatihan sebesar 96.84% dan akurasi
validasi sebesar 96.15% yang menunjukan best fitting.
Kata kunci — ANN, Deep learning, Detak jantung, Mel
frequency cepstrum coefficients.
I. PENDAHULUAN
Tubuh manusia dalam kondisi istirahat, jantung
berdetak 70 kali/menit, disaat tubuh banyak bergerak maka
kecepatan jantung bisa mencapai 150 kali/menit dengan
daya pompa 20-50 liter/menit, curah jantung (cardial output)
merupakan volume darah yang dipompa oleh tiap-tiap
ventrikel permenit. Kecepatan normal denyut jantung tiap
menit adalah: pada bayi yang baru lahir: 140 per menit, usia
satu tahun: 120 per menit, usia dua tahun: 110 per menit,
usia lima tahun: 96-100 per menit, usia sepuluh tahun: 80-90
per menit, pada orang dewasa: 60-80 per menit [1].
Untuk melakukan diagnose suara jantuk normal atau
abnormal (disebut murmur patologis) diperlukan kepekaan
dan pengalaman oleh dokter, dengan demikian hasil
diagnose sangat dipengaruhi oleh subjektivitas dokter.
Auskultasi merupakan metode screening dengan biaya
murah yang digunakan sebagai alat fundamental dalam
pendiagnosis penyakit jantung [6]. Fungsi katub jantung dan
deteksi gangguan jantung termasuk permasalahan valvular.
Suara jantung normal memiliki rentang frekuensi antara 20
P-ISSN : 2338-2899
Hz hingga 500 Hz, sedangkan suara jantung abnormal
mempunyai rentang fekuensi hingga 1000 Hz [1]. Murmur
diakibatkan oleh pembukaan katub yang tidak sempurna
atau stenosis (yang memaksa darah melewati lubang yang
sempit) dengan aliran yang tidak sempurna maka
mengakibatkan aliran balik darah. Rekaman suara jantung
ditransformasikan menjadi angka-angka, yang merupakan
tahapanekstraksi fitur.
Klasifikasi suara jantung pernah dilakukan oleh para
peneliti sebelumya diantaranya menggunakan metode
Wavelet Levenberg (WT) yang diajukan telah dievaluasi
menggunakan 250 periode simulator kardiak suara jantung.
Teknik yang diajukan menghasilkan 92% klasifikasi benar
[1]. Hasilnya dengan menggunakan WT dan WVD mampu
mendeteksi komponen suara jantung kedua Aortic (A2) dan
Pulmonary (P2) dan dapat memberikan informasi dan
karakteristik baik secara kualitatif dan kuantitatif pada
pengukuran suara jantung normal dan abnormal [5]. Hasil
penelitian menunjukkan bahwa metode WFS dan CFS lebih
unggul bila dibandingkan dengan MFS dan RST (Setiawan,
dkk, 2014). Keberhasilan isyarat yang bercampur derau
dengan SNR 10 dB dapat mencapai 90% dengan resolusi
125 cacah cuplikan frekuensi. Makin besar derau yang
mempengaruhi isyarat suara jantung (SNR makin kecil)
maka keberhasilan pengujian semakin mengecil [5].
Korelasi sinyal dilakukan pada kawasan waktu dan dihitung
Power Spectral Density (PSD) dilakukan pada kawasan
frekuensi. Berdasarkan hasil analisis PSD menunjukkan
bahwa PSD pada masing-masing sub-band dekomposisi
dapat menggambarkan perbedaan antara suara jantung
normal dan abnormal lainnya. Misalnya untuk jenis suara
jantung Normal memiliki rapat spectral dominan pada sub-
band aproksimasi ke-6 (A6) dengan rentang frekuensi 0-
82,06 Hz, sedangkan untuk jenis suara jantung Mitral
Regurgitasi memiliki MFCC pada sub-band detil ke-6 (D6)
dengan rentang frekuensi 82,06-164,12 Hz. Hasil ekstraksi
ciri tersebut digunakan sebagai input jaringan syaraf tiruan
(JST) untuk mengenali suara jantung. Struktur JST yang
dirancang terdiri dari 128 neuron input, 64 dan 32 neuron
tersembunyi dan 2 neuron output. JST mampu mengenali
suara jantung Normal, Aortic stenosis, Mitral [3], dengan
ekstraksi ciri menggunakan metode MFCC dapat
membedakan suara jantung normal dan murmur.
513
 Milian et al.
IJCCSISSN
Keberhasilan isyarat yang bercampur derau dengan SNR 10 Gambar 1. Confusion Matrix
db dapat mencapai 96% dengan resolusi 125 cacah cuplikan
B. Akurasi
frekuensi. Makin besar derau yang mempengaruhi isyarat
suara jantung (SNR makin kecil) maka keberhasilan Keakuratan hasil klasifikasi dapat diukur dengan
pengujian semakin mengecil [3]. Metode tersebut menghitung hasil pembagian antara jumlah klasifikasi yang
memperoleh skor f1 0,96 dalam satu set pengujian [3]. benar sesuai target dengan jumlah klasifikasi yang berbeda
dengan target dari semua kelas.
II. METODOLOGI
Pada penelitian ini, untuk mengetahui perbedaan suara
jantung normal dan abnormal dapat dilakukan dengan (2)
metode klasifikasi suara jantung menggunakan neural
network backpropagation berbasis ciri statistis. Sebuah
metode yang akan mendeteksi perbedaan sura jantung dengan TP (True Positive) adalah jumlah data positif pada
dengan menghitung nilai mean dari nilai ekstraksi MFCC. target yang terklasifikasi positif pada sistem, TN (True
Mean dapat dihitung dengan rumus: Negative) adalah jumlah data negatif pada target yang
terklasifikasi negatif pada sistem, FP (False Positif)
∑ ∑ (1) representasi jumlah data negatif pada target yang
terklasifikasi positif pada sistem dan FN (False Negatif)
merupakan jumlah data positif pada target yang
Metode MFCC diperkenalkan pertama kali oleh Davis terklasifikasi negatif pada sistem. Kesemua nilai ini
dan Mermelstein sekitar tahun 1980. MFCC salah satu terwujud dalam sebuah matrik confusion.
metode yang cukup baik dalam pengenalan suara dalam
C. Presisi
bidang speech recognition (Davis dan Mermelstein, 1980).
MFCC merupakan ekstraksi ciri yang paling banyak Presisi berhubungan dengan accuracy, tingkat kedekatan
digunakan dalam bidang speaker recognition dan speech pengukuran kuantitas terhadap nilai yang sebenarnya.
recognition.
MFCC merupakan ekstraksi ciri yang menghasilkan fitur
berupa parameter cepstral coefficient [3]. Ekstraksi ciri Mel (3)
Frequency Cepstral Coefficient (MFCC) mengubah
gelombang suara menjadi beberapa tipe parameter seperti
D. Sensitifitas
cepstral coefficient yang mempresentasikan audio file [3].
Selain itu MFCC menghasilkan fitur vektor yang Sensitivitas merupakan sebuah ukuran kemampuan
mengonversi sinyal suara menjadi beberapa vektor untuk prediksi untuk memilih instance kelas tertentu dari
pengenalan fitur suara [5]. serangkaian data set dan bersesuaian dengan True Positive
One-Hot encoding adalah salah satu metode encoding. Rate (TPR) [3].
Metode ini merepresentasikan data bertipe kategori sebagai
vektor biner yang bernilai integer, 0 dan 1, dimana semua
elemen akan bernilai 0 kecuali satu elemen yang bernilai 1, (4)
yaitu elemen yang memiliki nilai kategori tersebut.
Indeks validasi berisi nilai-nilai yang menggambarkan E. F1-Score
angka keberhasilan atau kegagalan dalam suatu proses.
F1-Score disebut F-Score atau F-Measure. Dengan kata
Proses yang dinilai dengan indeks ini yaitu proses klasifikasi
lain, F1-Score menunjukkan keseimbangan antara presisi
nilai-nilai sinyal suara hasil pengalian ciri. Dengan
dan recall (sensitifitas).
melakukan validasi hasil klasifikasi semakin menunjukkan
keberhasilan dengan pertimbangan berikut:
A. Confusion Matrix (5)
Confusion matrix adalah suatu metode yang biasanya
digunakan untuk melakukan perhitungan akurasi pada
konsep data mining.

514
 Milian et al.
IJCCSISSN
Klasifikasi suara jantung dalam penelitian ini tersusun
atas beberapa tahapan sebagaimana terlihat pada Gambar 2
berikut.
Gambar 2. Flowchart klasifikasi suara jantung
Data masukan yaitu berupa data suara jantung, normal
maupun abnormal/murmur dengan format WAV.
Prapengolahan dilakukan dengan melakukan sampling
kepada semua file suara jantung. Kemudian dilakukan
ekstraksi ciri dengan metode statistis, yaitu dengan
menghitung nilai mean dari ekstraksi fitur MFCC. Hasil
perhitungan ciri statistis membentuk sebuah matriks data
latih yang sebelumnya telah di-transpose terlebih dahulu
sehingga baris matriks merepresentasikan ciri dan kolom
matriks merepresentasikan jenis suara jantung. Himpunan
pada matriks data latih kemudian dilatihkan ke
pengklasifikasi model ANN backpropagation.
III. HASIL DAN PEMBAHASAN
Pada penelitian ini, untuk membangun sistem klasifikasi
suara jantung. Penggalian ciri dilakukan untuk memperoleh
nilai-nilai gelombang suara dan beragam jenis suara jantung
berdasarkan metode mean dari ekstraksi fitur MFCC. Proses
klasifikasi menggunakan algoritme arsitektur artifisual
neural network (ANN) backpropagation. Analisis yang
dilakukan adalah mencari indeks evaluasi kinerja dari proses
klasifikasi. Indeks evaluasi kinerja yang digunakan adalah .
Dengan mengetahui tingkat kinerja metode yang diujikan,
maka kelayakan sistem dan kesuksesan proses identifikasi
dapat diketahui.
A. Sinyal Input
Input penelitian merupakan suara jantung normal dan
abnormal/murmur. Data yang digunakan dalam penelitian
ini berupa data file suara jantung dari web format WAV
masing-masing data dengan ukuran dan durasi yang
berbeda. Tabel 3 (a) menunjukkan sinyal suara jantung
normal yang mewakili 650 suara jantung yang digunakan
sebagai objek penelitian, suara jantung ini memiliki panjang
data 71611 dengan sample rate 2000. Sedangkan tabel 3 (b)
merupakan perwakilan dari 650 suara jantung abnormal
yang digunakan sebagai objek penelitian, suara jantung ini
memiliki panjang data 71332 dengan sample rate 2000.
(a)
(b)
Gambar 3.(a) Sinyal suara jantung normal, (b) Sinyal suara jantung
abnormal
B. Preprocessing
Pada tahap ini dilakukan dahulu sampling untuk semua
sinyal input agar dapat dihitung nilai diskritnya, metode
sampling mengkonversi sinyal kontinu menjadi serangkaian
nilai diskrit.
C. Ekstraksi Fitur
Ekstraksi fitur suara jantung berbasis statistis dilakukan
dengan cara mencari nilai Mel-Frequency Cepstral
Coefficients (MFCCs). Mel-Frequency Cepstral Coefficients
(MFCCs) dari sinyal adalah satu set fitur (biasanya sekitar
10-20) yang secara ringkas menggambarkan bentuk
keseluruhan dari spectral suara yang memodelkan
karakteristik suara. data sinyal pada Gambar 3, di dapatkan
nilai ciri demikian seterusnya dilakukan potongan
selanjutnya hingga 650 kali potongan untuk suara jantung
normal dan suara jantung abnormal.
D. Evaluasi Kinerja
Untuk menilai evaluasi kinerja model hasil klasifikasi,
digunakan beberapa metode yang paling umum digunakan
515
 Milian et al.
IJCCSISSN
yaitu menggunakan kurva akurasi, confusion matrix, nilai 1 0.98 0.95 0.96
presisi, sensitifitas, f1-score.
Kurva akurasi menunjukan nilai akurasi training dan
testing model setiap epoch, pada penelitian ini digunakan IV. KESIMPULAN
100 epoch. Penelitian yang dilakukan menggunakan dataset Heart
sound dataset, tujuan penelitian ini adalah untuk
mengklasifikasi suara detak jantung normal dan abnormal,
yang merupakan label pada penelitian ini.
Langkah-langkah yang dilakukan pada penelitian adalah
preprocessing data, yaitu memproses data agar sesuai
dengan kriteria pada model pada preprocessing data
dilakukan tiga proses yaitu melakukan sampling data,
kemudian memisahkan data training dan data testing dengan
perbandingan 80:20. Setelah preprocessing data, dilakukan
proses klasifikasi, pada proses ini dilakukan training dan
testing pada model, prediksi model terhadap data baru (data
validasi). Kemudian proses selanjutnya melakukan evaluasi
kinerja dengan metode kurva akurasi nilai akurasi terakhir
adalah 98.19% training dan 96.54% validasi, confusion
matrix, presisi 95% untuk target 0 dan 98% target 1, recall
Gambar 4. Kurva akurasi atau sensistifitas 98% untuk target 0 dan 95% target 1, f1-
score 97% untuk target 0 dan 96% target 1.
Nilai akurasi terakhir untuk training adalah 98.19% dan
akurasi validasi 96.54%.
UCAPAN TERIMA KASIH
Terima kasih saya ucapkan kepada semua rekan-rekan
yang telah membantu dalam menyusun laporan penelitian
ini, terutama kepada keluarga yang selalu memberikan doa,
dan juga pak Armin selaku dosen pembimbing mata kuliah
Deep Learning.

DAFTAR ACUAN.
[1] S. Mendis, P. Puska, and B. Norrving. Global Atlas on
Cardiovascular Disease Prevention and Control,
Geneva: World Health Organization, 2011.
[2] L. S. Lilly, Pathophysiology of Heart Disease, 6th
Gambar 5. Confusion Matrix edition. Switzerland: World Health Organization, 2016.
[3] J. Rubin, R. Abreu, A. Ganguli, S. Nelaturi, I. Matei,
Dari gambari sebagian besar klasifikasi oleh model and K. Sricharan. “Recognizing abnormal heart sounds
adalah benar, hanya 9 misklasifikasi. using deep learning”, Cornell University, arXiv:
TABEL 1.
1707.04642, October 2017.
[4] G. Strang, Linear Algebra and Learning From Data,
PRESISI, RECALL, F1-SCORE MIT: Wellesley-Cambridge Press, 2019.
Target Precision Recall F1-score [5] D. Sundararajan, Fourier Analysis—A Signal
0 0.95 0.98 0.97 Processing Approach. Singapore: Springer, 2018.

516