<![CDATA[Berdasarkan laporan American Heart Association, penyakit kardiovaskular menjadi penyebab kematian global tertinggi. Phonocardiogram (PCG) dan electrocardiogram (ECG) biasanya digunakan untuk mendeteksi penyakit jantung. Penggunaan sinyal PCG memberikan hasil prediksi yang lebih baik pada deteksi penyakit jantung bila dibandingkan dengan ECG. Tetapi, penggunaan PCG secara elektronik membutuhkan analisis sinyal yang kompleks untuk mengklasifikasikan kondisi jantung. Penelitian ini bertujuan merancang suatu sistem klasifikasi sinyal PCG berdasarkan metode ekstraksi fitur menggunakan Short Time Fourier Transform (STFT) dan metode klasifikasi menggunakan Convolutional Neural Network (CNN). Pengujian rancangan sistem menggunakan dataset sekunder dengan 2.575 rekaman PCG normal dan 665 rekaman PCG abnormal dalam format wav. Pengujian kinerja menggunakan variasi Hamming, Hann dan Blackman-Harris Window pada bagian ektraksi fitur dan variasi jumlah layer konvolusi pada bagian klasifikasi. Berdasarkan hasil pengujian, penggunaan hamming window pada proses ekstraksi fitur dan 4 layer konvolusi pada proses klasifikasi memberikan hasil terbaik dengan tingkat akurasi 88,11%. Penelitian ini membuktikan bahwa penggunaan hamming window pada bagian ekstraksi fitur dan 4 layer konvolusi pada bagian klasifikasi sebagai bentuk model terbaik sistem klasifikasi PCG berdasarkan STFT dan CNN. AbstractAccording to a report by the American Heart Association, cardiovascular disease is the leading global cause of death. Phonocardiogram (PCG) and electrocardiogram (ECG) are commonly used to detect heart disease. The use of PCG signals provides better predictive results in the detection of heart disease when compared to ECG. However, the use of PCG electronically requires complex signal analysis to classify heart conditions. This study aims to design a PCG signal classification system based on the extraction method using the Short Time Fourier Transform (STFT) and the classification method using the Convolutional Neural Network (CNN). The system design test used a secondary dataset with 2,575 normal PCG records and 665 abnormal PCG records in wav format. Performance testing uses variations of Hamming, Hann and Blackman-Harris Window in the feature extraction section and variations in the number of convolution layers in the classification section. Based on the test results, the use of a hamming window in the feature extraction process and 4 convolution layers in the classification process gives the best results with an accuracy rate of 88.11%. This study proves that the use of a hamming window in the feature extraction section and 4 convolution layers in the classification section is the best form of the PCG classification system based on STFT and CNN.]]>
Copyrights © 2023
