Klasifikasi suara detak jantung menggunakan Neural Network

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.