Abstract:
Penyakit kardiovaskular sering menyebabkan penemuan abnormal pada pemeriksaan fisik, termasuk
pada suara detak jantung berupa murmur. Model Neural Network dikonstruksi untuk
mengklasifikasi apakah suara detak jantung adalah normal atau murmur. Klasifikasi suara
detak jantung menggunakan Neural Network berfungsi sebagai suatu bentuk pendeteksian dini
untuk menjadi rekomendasi apakah seseorang harus diperiksa secara lebih lanjut. Fast Fourier
Transform (FFT) digunakan untuk mentransformasikan suara detak jantung menjadi komponen
frekuensi yang kemudian divisualisasikan menggunakan spektrogram. Aplikasi Principal
Component Analysis (PCA) dapat mereduksi ukuran data secara signifikan sehingga waktu
pengerjaan program (runtime) menjadi lebih cepat. Model Neural Network yang digunakan
untuk melakukan pengklasifikasian adalah Fully Connected Neural Network (FCNN) dan Convolutional
Neural Network (CNN). Model Neural Network dengan performansi terbaik ditentukan
berdasarkan tingkat akurasi, nilai loss function, dan runtime. Penerapan PCA pada model FCNN
menghasilkan runtime yang jauh lebih cepat, sementara pada model CNN tidak menghasilkan
perubahan signifikan pada runtime dikarenakan tidak terjadi reduksi ukuran data. Model FCNN
memberikan performansi yang lebih tinggi untuk melakukan klasifikasi suara detak jantung
berdasarkan gambar spektrogram. Besar akurasi dan nilai loss function yang sama dapat dicapai
model FCNN dengan runtime jauh lebih cepat dibandingkan model CNN.