EKSTRAKSI SINYAL SUARA JANTUNG DAN PARU BERINTERFERENSI MENGGUNAKAN NOTCH FILTER BERTINGKAT BANYAK
Oleh: Yulianto
ABSTRAK
Suara paru-paru dan jantung dapat digunakan untuk
tujuan medikal yaitu untuk keperluan diagnosis suatau penyakit dengan cara
merekam suara paru atau jantung dan menganalisis hasil rekaman. Masalah utama dalam perekaman suara paru atau
jantung adalah memisahkan suara paru dan
jantung yang selalu berinterferensi satu dengan yang lainnya. Oleh karena
itu, tujuan dalam penelitian ini adalah
mengimplementasi “notched filter bertingkat banyak” dalam usaha
mengekstraksi suara paru dan jantung. Metoda yang digunakan adalah dengan
disengaja dicampurkan suara paru dan jantung lalu dikonversi menjadi fungsi
frekuensi. Konversi ke fungsi frekuensi bertujuan untuk mengeliminer fungsi waktu dalam usaha mengantisipasi
perbedaan waktu awal dan akhir dari sinyal data, juga mengatasi terjadinya
pergeseran fasa. Sehingga dapat memudahkan dalam mengekstraksi sinyal data
menggunakan notch filter bertingkat banyak secara manual. Untuk mendapatkan
galat yang terjadi, analisis dilakukan melalui pengujian menggunakan adaptif neuro
fuzzy dengan membandingkan sinyal hasil ekstraksi dengan sinyal aslinya
sebelum dijumlahkan atau terhadap beberapa
sinyal yang telah teridentifikasi. Pengujian menunjukkan bahwa pembanding
fungsi waktu tidak dapat digunakan karena memungkinkan mempunyai galat lebih
dari 180 % yang disebabkan oleh pergeseran fasa, sedangkan pembandingan dengan
fungsi frekuensi bisa mencapai hasil kurang dari 13,8829 %.
Kata-kata kunci: suara paru, suara jantung,
berinterferensi, ekstraksi, notch filter bertingkat
1. Pendahuluan
1.1 Latar Belakang
Suara organ tubuh dapat digunakan untuk diagnosis organ internal. Diagnosis
melalui suara yang ditimbulkan organ tubuh dikenal sebagai teknik auskultasi (Chiharu Yoshii, Masamitsu Kido: 2007). Pada saat ini, diagnosis dengan teknik auskultasi yang banyak
dikembangkan adalah diagnosis pada jantung dan paru-paru.
Untuk keperluan diagnosis, suara organ tubuh dalam berbagai kondisi harus
direkam dengan kualitas yang baik untuk kemudian dilanjutkan dengan analisis.
Dalam proses perekaman banyak mengalami kekacauan yang disebabkan antara lain
terjadinya derau. Satu hal yang perlu
diingatkan adalah bahwa pada perekaman suara jantung atau paru, selalu terjadi
interferensi antara keduanya. Kejadian ini dapat mengacaukan pekerjaan diagnosis
jantung atau paru-paru.
Penurunan salah satu dari intensitas
suara jantung atau paru dapat dilakukan dengan mengatur posisi piranti rekam
(stetoskop) pada posisi yang dikehendaki. Suatu langkah berikutnya dalam
memisahkan suara jantung dan paru adalah menggunakan filter pada hasil rekaman.
Filter ini terdiri dari banyak alternatif, tergantung dari keperluannya.
Satu alternatif yang memungkinkan untuk menyelesaikan permasalahan ini
adalah implementasi notched filter.
Pemilihan notched filter didasakan
pada kesderhanaan dan kemudahan dalam mengimplementasikannya. Peran notched filter telah diujikan dan
hasilnya disajikan dalam makalah ini.
1.2 Rumusan Masalah
Apakah notch filter bertingkat banyak
yang didesain dalam bentuk perangkat lunak dapat digunakan untuk mengekstraksi
interferensi antara suara jantung dan paru.
1.3 Tujuan Penelitian
Mengimplementasikan notch filter
yang yang berupa perangkat lunak dalam usaha memisahkan sinyal suara jantung
dan paru:
1) dalam format fungsi waktu dan
2) fungsi frekuensi.
1.4
Hipotesis
Sinyal suara jantung dan paru dapat dipisahkan
menggunakan notched filter yang
terusun bertingkat banyak untuk memperoleh ketelitian yang tinggi dengan
kesalahan kurang dari 5 %.
1.5
Variabel yang diteliti
a) Galat keluaran hasil ekstraksi campuran suara jantung dan paru dengan
keluaran suara jantung dalam format fungsi waktu dan fungsi frekuensi
b) Galat keluaran hasil ekstraksi campuran suara jantung dan paru dengan
keluaran suara paru dalam format fungsi waktu dan fungsi frekuensi
1.6 Batasan Masalah
Masalah yang dibahas meliputi:
a) Proses penjumlahan sinyal suara jantung dan paru.
b) Ekstraksi sinyal suara jantung dan paru
c) Pembentukan garis spektra sebelum dan sesudah pemisahan sinyal jantung dan
paru-paru.
d) Analisis galat yang terjadi menggunakan adaptif neuro fuzzy.
1.7 Manfaat Penelitian
Diharapkan dapat memberikan kontribusi, antara lain:
a) Dapat digunakan untuk mengekstraksi sinyal suara jantung dan paru yang
dapat dikembangkan dalam keperluan identifikasi sinyal untuk tujuan medikal.
b) Dapat digunakan sebagai referensi dalam penelitian tentang notched filter dengan galat minimal.
c)
Dapat dikembangkan untuk perancang-an notched filter adaptif yang
real time.
1.8 Landasan Pemikiran
Telah banyak tersedia data sinyal
suara paru dan jantung yang dapat diperoleh dari internet (Rhonda Everett,
Woodworth, Karl: 2005) Data ini dalam
bentuk wave (PCM) dan masih perlu meminimalisasi derau dengan
menggunakan filter digital. Untuk keperluan ini
digunakan filter pelewat frekuensi tengah untuk memberikan batas frekuensi
sinyal yang mempunyai informasi. Sinyal suara jantung dan paru dijumlahkan
secara matematis dan hasilnya dapat ditampilkan secara grafis. Sinyal suara
jantung, suara paru, dan sinyal hasil penjumlahan suara jantung dan paru
dikonversi menjadi fungsi frekuensi yang dikenal sebagai garis spektra (PSD).
Garis spektra dapat digunakan untuk mengetahui perbedaan frekuensi dari
masing-masing sinyal.
Garis spektra sinyal penjumlahan dan sinyal suara jantung digambar dalam
satu skala untuk mengetahui perbedaan
frekuensi yang terjadi. Perbedaan dalam bentuk garis spektra pada sinyal
penjumlahan terhadap sinyal suara jantung ditekan menggunakan notch filter
agar mempunyai bentuk yang serupa. Notched filter harus ditala beberapa
kali agar mempunyai hasil dengan galat minimal. Nilai galat yang terjadi dapat
ditentukan dengan mengimplementasikan perangkat lunak anfis. Demikian juga pada sinyal penjumlahan
dan sinyal suara paru, dilakukan dengan cara yang sama.
2. Tinjauan Pustaka
2.1 Penelitian Empiris
Telah banyak hasil penelitian tentang ekstraksi suara paru atau jantung terhadap
derau yang ditimbulkan oleh lingkungan dan peralatan yang digunakan. Di
antaranya adalah penelitian yang telah dilakukan oleh Hong Wang dan Le Yi Wang
pada tahun 2003, penelitian ini antara lain menyajikan algoritma pemisahan
sinyal untuk mengekstraksi sinyal yang diperlukan dan sebuah filter yang dapat
diatur untuk mengurangi pengaruh derau pada komponen sinyal yang menjadi target
(Hong Wang, Le
Yi Wang; 2003 ). Pemisahan dirancang
dengan model matching menggunakan
perancangan weighted H-infinity untuk
kasus broad-band matching. Dalam
penelitian tersebut ditunjukkan perkiraan sinyal yang diperlukan tanpa
menunjukkan durasi proses dan besar galat yang terjadi.
Pada tahun yang sama, penelitian
tentang metoda penghapusan suara jantung juga telah dilakukan. (G. Mousavi, Thomas; 2003). Algoritma yang digunakan
menggunakan teknik pengolahan citra untuk mendeteksi segmen derau suara jantung
yang telah direkam pada spektogram. Setelah itu menghapus
segmen tersebut dan menafsirkan data yang hilang mengunakan interpolasi 2D pada time-frequency domain dan
akhirnya menyusun kembali sinyal tersebut dalam time domain. Metoda ini berhasil menghilangkan suara jantung dari sinyal
suara paru-paru. Juga dikatakan bahwa metoda ini mempnyai kecepatan yang lebih
efisien dibandingkan menggunakan filter adaptif.
.
2.2 Konversi Sinyal Kontinyu Menjadi Diskrit
Sinyal data dalam dalam bentuk kontinyu dikonversi menjadi format diskrit yang
dinamakan format wave. Format ini
diperoleh dari proses sampling atau resampling.
Dalam proses sampling bisa terjadi kehilangan data dan terjadi distorsi,
juga terbatasnya lebar pita. Untuk mengatasi ini maka sinyal sampling
harus mempunyai frekuensi cukup tinggi. Agar sinyal di-sampling dengan
benar, perlu kondisi berikut (http://www.nr.com):
dengan T=perioda sampling (1)
2.3
Teori Perancangan Filter Digital
Ada tiga tipe pendekatan tanggapan filter digital, yaitu; Butterworth,
Chebyshev, dan eliptik.
LPF Butterworth mempunyai penguatan menurun secara monotonic dari
satu pada f = 0 Hz. Bila orde filter bertambah, kecepatan turun frekuensi cutoff
juga bertambah. Pertambahan derajat filter akan menyebabkan kesalahan dalam
pergeseran fasa. Filter Chebyshev tipe I mempunyai sebuah ripple pada pass-band,
dan berkurang secara monotonic pada stop-band. Filter tipe II kebalikan dengan band
tersebut. Pada filter elliptic terjadi ripple pada pass band
dan stop band, seperti pada Gambar 1. Filter ini mempunyai kecepatan fall off tercepat
dari ketiga tipe filter yang lain, tapi mempunyai pergeseran fasa yang besar.
2.4 Transformasi Fast
Fourier
Transformasi Fourier merupakan perangkat
komputasi yang efisien dan sederhana dalam memanipulasi data. Secara fisik
dapat dinyatakan dari salah satu: dalam time domain, yang merupakan
sejumlah kuantitas h sebagai sebuah fungsi waktu yaitu h(t), dan
yang lain adalah frequency domain, yang memberikan amplitudo H
sebagai fungsi frekuensi f,
yaitu H(f), dengan -1<f<1. Dalam suatu hal, pernyataan h(t)
dan H(f) merupakan dua pernyataan berbeda tapi meiliki fungsi yang sama
(http://www.nr.com).
Total daya pada sebuah sinyal dapat diperoleh dengan
menghitung dalam time domain atau
frequency domain. Hasil
ini dikenal sebagai teori Parseval[5], sebagai berikt:
2.5 Teknik Pengambilan Data
Telah dikumpulkan beberapa macam sinyal suara paru dan jantung yang
diperoleh dari internet dengan alamat ditunjukkan pada pustaka [2]. Juga
diperoleh beberapa data pada orang yang sama, yang digunakan untuk mengatasi
beberapa variasi internal dalam pengambilan data termasuk tingkah laku dari
sumber data.
Prosedur untuk persiapan keperluan
pemrosesan sinyal ditunjukkan pada Gambar 2. Sinyal berupa suara hasil rekaman telah
dikonversi atau di-resampling (menggunakan
paket goldwave) menjadi sinyal diskrit
dalam format wav. Sinyal diskrit
diproses untuk keperluan memperoleh data jadi. Dilakukan pengambilan data dalam
band tertentu dengan meminimalisasi
derau yang terjadi. Data suara paru dan suara jantung dibersihkan dari derau
frekuensi yang terlalu tinggi dan terlalu rendah menggunakan filter elliptik.
Secara aljabar kedua sinyal data dijumlahkan yang kemudian dinamakan data
gabung. Seluruh data, sinyal suara paru, sinyal suara jantung dan sinyal suara
gabung, dengan band frekuensi
tertentu, dikonversi menjadi fungsi frekuensi dalam bentuk garis spektra (Volker Gross, Anke Dittmar, Thomas Penzel, Frank
Schuttler: 2000).
Data
dalam bentuk garis spektra merupakan data yang mudah diolah untuk dipisahkan
antara sinyal suara paru dan jantung saja.
3. Metoda Penelitian
3.1 Kerangka Pemikiran
Pada proses ekstraksi ini, dikumpulkan banyak data berupa suara paru dan
jantung. Salah satu data suara paru dan jantung dijumlahkan yang selanjutnya
disebut sebagai data suara gabungan. Kemudian diolah melalui beberapa tahap,
yaitu: (1) filtering, (2) penurunan garis spektra, (3) proses ekstraksi
antara suara paru dan jantung dan (4) analisis galat dengan adaptif neuro
fuzzy.
Runtunan yang telah jadi, dilakukan ulang untuk data yang lain. Pada Gambar
2, ditunjukkan aliran kerja yang telah dilakukan.
Filter Pelewat Frekuensi Tengah. Frekuensi suara yang dapat didengar berkisar antara 20 – 20000 Hz. Dalam
kenyataannya tidaklah semua lebar pita ini digunakan. Demikian juga suara paru
yang dapat memberikan informasi diperkirakan
tidak akan lebih dari 4000 Hz (Hossain, Moussavi
:2004). Pada frekuensi yang
lebih tinggi, di samping terlalu kecil juga mempunyai derau yang besar ( signal
to noise ratio yang rendah). Dalam penelitian ini frekuensi dari sinyal
yang digunakan dibatasi pada frekuensi antara 20 - 8000 Hz.
Power Spectral Density (PSD). Meru-pakan suatu cara yang digunakan untuk
mengkonversi sinyal fungsi waktu menjadi sinyal fungsi frekuensi. Sinyal
fungsi waktu sangat sulit untuk mengetahui awal dan akhir dari sinyal, termasuk
pergeseran fasa yang disebabkan oleh filter. Dengan PSD, tidak terdapat fungsi
waktu, maka sinyal dengan frekuensi nol selalu pada posisi sumbu aksis nol
dengan tetap membawa nilai perbandingan amplitudo dan informasi penting yang
benar.
3.2 Metoda Penelitian
Projek dibagi dalam empat sub-unit. Pertama adalah
pengumpulan data, meliputi data untuk berbagai macam suara yang ditimbulkan
paru dan jantung. Kedua adalah merancang
dan membuat perangkat lunak (1) notch dan elliptic filter, (2) penjumlah antara
data suara jantung dan paru, (3) PSD, dan (4) adaptif neuro fuzzy (anfis) yang digunakan untuk analisis galat.
Ketiga adalah penalaan frekuensi notch
filter untuk memperoleh galat tidak lebih dari 5 %. Yang keempat adalah
analisis hasil uji coba.
3.3 Pelaksanaan Penelitian
3.3.1 Pengambilan Data
Gambar 3 Sinyal Suara
a)Paru Normal,
b) Jantung Normal, dalam Fungsi Waktu
dan PSD
Data dalam bentuk wav, diperoleh dari internet(Rhonda Everett,
Karl Woodworth: 2005). Semua data dipastikan
dalam format wav berupa
sinyal PCM mono 8 bit atau 16 bit dengan frekuensi sampling antara 8000
– 44000 Hz, dengan asumsi bahwa komponen
frekuensi rendah dari sample adalah sekitar 50 – 2500Hz (Volker Gross,
Anke Dittmar, Penzel, Thomas , Frank Schuttler: 2000). Jika telah dipunyai data dalam format yang lain,
harus terlebih dahulu dikonversi ke dalam format wav dengan menggunakan
perangkat lunak yang lain (misalnya: Goldwav, total video/audio
converter). Kemudian dilanjutkan dengan mengubah dalam format mat
menggunakan perangkat lunak Matlab yang menghasilkansinyal diskrit dalam bentuk
angka-angka sehingga memudahkan untuk proses pengolahan.
Pada Gambar 3 ditunjukan masing-masing 3 buah data suara paru normal dan
jantung normal yang telah terientifikasi, dalam fungsi waktu yang telah
diskalakan pada nilai amplitudo maksimum sama dengan sau dan dengan pembatasan
frekuensi 20-8000 Hz, beserta hasil
koversi dalam fungsi frekuensi.
3.3.2 Pengamatan Peubah dan Analisis
Penalaan filter dilakukan dan hasilnya diamati pada gelombang dalam bentuk PSD
sampai diperoleh kemiripan antara PSD sinyal asli dengan sinyal gabungan. Dengan
mengimplementasikan anfis dapat
diperoleh galat yang tejadi pada setiap perubahan atau penalaan frekuensi notched filter. Data latih,
dan data cek pada proses anfis menggunakan sinyal meggunakan bentuk
fungsi waktu dan fungsi frekuensi.
4. Perancangan
4.1 Pembatasan Frekuensi
Dengan menggunakan filter eliptik pelewat frekuensi tengah (BPF), frekuensi
data dibatasi untuk membuang pengaruh derau frekuensi tinggi dan frekuensi
sangat rendah (komponen dc) dan kondisi transisi.
Filter eliptik diperoleh dari filter eliptik low-pass
analog menggunakan transformasi bilinear tak-terskalakan s =
(z-1)/(z+1). Dengan masukan sinusoida dari frekuensi ωo.
Jika dipilih lebar pita antara 20 – 6000 Hz, perencanaan filter ini menghasilkan perangkat lunak seperti berikut:
Fs=16000; Bawah=20;
Atas =6000;
%
Bagian inisialisasi filter
[b,a]=ellip(4,0.1,40,[Bawah Atas]*2/Fs);
[H,W]=freqz(b,a,512);
%Bagian penyaringan
DataWave=DataWave(1:1:40000);
BPFParu=filter(b,a,DataWave);
absul2=abs(BPFParu);
maxi2=max(absul2);
BPFParu=BPFParu/maxi2;
te= 1:1:40000;
plot(te,BPFParu);
grid;
Pada gambar 4 ditunjukkan tanggapan hasil
perancangan filter eliptik. Peubahan lebar pita filter dapat dilakukan dengan
mengganti nilai ”Bawah” dan ”Atas”.
Gambar 4. Tanggapan Hasil Perancangan Filter Eliptik
4.2 Mengubah Ke Bentuk Spektra Daya
Menggunakan transformasi PSD, data diubah dari fungsi waktu menjadi fungsi frekuensi. Karena data merupakan fungsi frekuensi,
maka durasi dalam pengambilan data dalam fungsi waktu menjadi tidak bermasalah
dan dapat memudahkan dalam pengamatan.
Dalam
matlab, untuk mengubah data menjadi menjadi bentuk PSD digunakan perintah pwelch,
sebagai berikut:
Fs=16000; nfft = 1000;
sf1=BPFJantung;x1=pwelch(sf1,nfft,Fs);
x1=x1(1:0.001:50);
sf2=BPFJantungParu;x2=pwelch(sf2,nfft,Fs);
x2=x2(1:0.001:50);
plot(x1,'b','LineWidth',3); grid;hold on;
plot(x2,'--','LineWidth',2); grid;
4.3 Penghapus Derau Lain
Hal lain yang menjadi perhatian adalah adanya
sinyal bukan pembawa informasi, ini bisa terjadi pada kondisi transisi sisi
awal dan akhir sinyal saat pengambilan data, Karakeristiknya ditunjukkan adanya
bentuk eksponensial pada sisi awal dan bentuk paku pada sisi akhir. Transisi
sisi awal dapat diatasi menggunakan filter eliptik yang telah disebutkan.
Sedangkan transisi sisi akhir dapat secara langsung dibuang dengan menggunakan
nilai data matrik sama dengan nol pada lima buah baris terakhir. Pada Gambar 6
ditunjukkan bentuk gelombang dan hasil perbaikan yang diperoleh.
(b)
Gambar 6 Derau yang Disebabkan
Oleh a) Transisi Awal, b) Transisi Akhir
4.4 Penalaan dan Penentuan Galat
Frekuensi notched filter ditala
dan dicari nilai galatnya dengan mengimplementasikan anfis dengan cara
membandingkan antara sinyal asli dengan sinyal hasil ekstraksi. Perbandingan ini akan tampak jelas bila terlebih dahulu diubah dalam bentuk
PSD yang ditampilkan dalam sekala yang
sama.
Untuk uji-coba, akan dipisahkan
antara sinyal suara jantung terhadap sinyal suara paru dengan cara menusuk
beberapa frekuensi secara tajam menggunakan notched filter. Frekuensi yang akan dibuang dihitung dalam
satuan rad/sample dengan persamaan:
wo = 2*pi*f1/Fs; (8)
Sebuah notched filter mempunyai
sebuah zero pada unit circle pada
frekuensi yang bersesuaian dengan sudut wo radian. Ini
diharapkan dapat menghilangkan derau
pada frekuensi tersebut. Bagian nyata dan bagian imaginer ( x dan y) dari zero
bersesuaian dengan:
rez = cos(wo); imz =
sin(wo);
(9)
Berikut ini diberi contoh penggunaan notch
filter dengan menghilangkan frekuensi 500 Hz dan 1000 Hz. Dalam perancangan
untuk keperluan ini, ditambahkan pole yang menutup zero, tapi didalam unit circle.
Ini diperlukan untuk mengeliminasi pengaruh notched filter pada frekuensi selain 500 Hz, disamping tetap
mempertahankan kestabilan filter. Pole
yang lebih menutup pada zero, menghasilkan notched filter yang semakin sempit dan menjadi:
rez1 = .99*cos(wo); imz1 =
.99*sin(wo); (10)
Bagian ini didefinisikan dari pembilang dan penyebut polynomial filter b dan a dengan
menggunakan complex conjugate factor
dan menggunakan conv.
b1=conv([1
-rez-i*imz],[1 -rez+i*imz]);
a1=conv([1-rez1-i*imz1],[1
-rez1+i*imz1]);
Dengan cara yang sama, untuk
menghilang-kan derau dengan frekuensi 1000 Hz.
b2=conv([1-cos(2*pi*f2/Fs)-,...
i*sin(2*pi*f2/Fs)],...
[1cos(2*pi*f2/Fs)+i*sin(2*pi*f2/Fs)]);
a2=conv([1-0.99*cos(2*pi*f2/Fs)-,...
i*0.99*sin(2*pi*f2/Fs)],,...
[10.99*cos(2*pi*f2/Fs),...
+i*0.99*sin(2*pi*f2/Fs)]);
Menggabungkan kedua filter secara bersama pada
tanggapan frekuensi. b=conv(b1,b2); a=conv(a1,a2); freqz(b,a,512,Fs);
hasil rancangan perangkat lunak
diujikan pada sinyal hasil penggabungan antara sinyal paru dan sinyal jantung, dengan
penekanan frekuensi pada:185, 205, 260, 300, 345, 370, 390, 400, 430, 450, 490 Hz, dan diberi masukan sinyal suara gabungan antara suara
jantung dan suara paru, maka mempunyai keluaran suara jantung seperti
ditunjukkan pada gambar 9, dan menghitung galat yang terjadi dengan program
sebagai berikut:
num_mf=2;mf_type='gbellmf';
mf_konsek='linear';
Num_epochs=20;err_goal=0.01 ;
DataLatihA1=BPFJantung1;
DataLatihA2=BPFJantung2;
DataLatihA3=BPFJantung3;
DataLatihA4=BPFJantung4;
DataLatihA5=NotchJantung;
trnDataA=[ DataLatihA1
DataLatihA2 DataLatihA3 DataLatihA4];
chkDataA=[ DataLatihA1
DataLatihA2 DataLatihA3 DataLatihA4]; ya=DataLatihA5;
fismat =,...
genfis1(trnDataA,num_mf,mf_type,mf_konsek);
[fismat1,error1,ss,fismat2,error2]=,...
anfis(trnDataA,fismat,[Num_epochs],[],...
chkDataA);
anfis_outputA =
evalfis([trnDataA(:,1:4);
chkDataA(:,1:4)],fismat2,Num_epochs);
x=length(anfis_outputA);xx=1:1:x; ya=[ya;ya];
MSE=mse(ya -
anfis_outputA)
Diperoleh
galat sebesar 6,13 %
Sedangkan jika ditekan pada frekuensi: 30, 40, 80, 105 Herzt, diperoleh seperti ditnjukkan pada
gambar 10. Terlihat bahwa sinyal fungsi waktu suara paru menyerupai aslinya.
Galat yang terjadi sebesar 11,83 %.
5. Pengujian dan Pembahasan
5.1 Sinyal Teruji Sebagai Pembanding
Pada pengujian ini, galat yang terjadi diperoleh
dengan membandingkan keluaran dari filter terhadap sinyal asli yang digunakan
sebagai masukannya. Pada Gambar 11 ditunjukkan hasil yang diperoleh dalam
penghapusan suara jantung, dan pengha-pusan suara paru, galat yang diperoleh dengan
anfis ditunjukkan pada tabel 1. Penalaan dimulai dengan sinyal data paruA3 dan
jantung A1, penekanan sinyal data jantung A1 menghasilkan galat sebesar 19.0730 %. Filter hasil penalaan ini iujikan pada sinyal data paru A1 dan A2,
msing-masing menghasilkan galat 21.1885 % dan 19.4574 %. Galat yang besar ini terjadi karena sinyal fungsi
waktu digunakan sebagai pembanding dalam proses penghitungan galat, walaupun
sinyal pembandingnnya adalah sama, dan sinyal fungsi waktu (pemotongan sinyal
yang sama) seolah-olah tidak bemasalah, tapi dalam kenyataannya mempununyai
galat yang cukup besar. Ini disebabkan karena dalam kenyataannya sinyal
mengalami pergeseran fasa yang cukup besar yang disebabkan oleh sifat filter.
Pergeseran yang besar bisa merubah polaritas sehingga dalam perhitungan galat
menjadi penjumlahan. Ini terbukti bahwa nilai galat bisa melampaui 180 %.
Pada tabel 1, juga ditunjukkan hasil perhitungan galat berdasarkan PSD-nya.
Dalam kejadian ini sinyal hasil ekstraksi dan sinal pembanding telah diubah
dalam fungsi frekuensi dan telah ditiadakan fungsi waktu serta pergeseran fasa.
Galat PSD terkecil yang dihasilkan adalah sebesar 0,075 %. Filter hasil
penalaan ini iujikan pada sinyal data paru A1 dan A2, msing-masing menghasilkan
galat 3.3095 % dan 2.0678 %. Perhatikan bahwa galat yang terjadi berada
dibawah 5 %.
Untuk penekanan sinyal data dari suara jantung terhadap suara paru, galat
terbesar terjadi pada penekanan sinyal data jantungA3 yaitu 13,8829 %. Galat
yang cukup besar ini terjadi karena sulitnya penalaan manual yang tepat
disebabkan karena lebarnya band frekuensi sinyal data paru dibandingkan
terhadap sempitnya band frekuensi sinyal jantung, disamping frekuensi sinyal
jantung yang sangat rendah pada intensitas daya yang amplitudo yang tinggi.
5.2 Banyak Sinyal Sebagai Pembanding
Galat yang terjadi diperoleh dengan membandingkan keluaran dari filter
terhadap lebih dari satu sinyal yang telah diidentifikasi dan dinyatakan serupa
(sebagai contoh: sinyal paru normal atau sinyal jantung normal) dan salah
satunya digunakan sebagai masukannya. Pada
proses ini, jelas bahwa pemotongan sinyal tidak mungkin sama, tidak mugkin satu
sinyal akan mempunyai bentuk yang sama dengan sinyal lain. Semua sinyal harus
dikonversi terlebih dahulu dalam fungsi frekuensi guna meniadakan fungsi waktu.
Dalam proses ini yang dibandingkan adalah 3 buah sinyal dalam fungsi frekuensi
yang dikenal sebagai PSD terhadap sebuah sinyal hasil ekstraksi. Hasil
pengujian ditunjukkan pada Tabel 2. Hasil pengujian menunjukkan bahwa nilai
galat kurang dari 5 %.
6 Kesimpulan dan Saran
6.1 Kesimpulan
Dari uji coba dan analisis di atas dapat diperoleh kesimpulan sebagai
berikut:
1) Pengolaan dalam ekstraksi sinyal
dalam fungsi waktu akan menghasilkan pergeseran fasa sehingga jika digunakan
sebagai pembanding akan memungkinkan mempunyai galat lebih besar dari 180 %..
2) Pengolaan sinyal dalam fungsi frekuensi (PSD) tidak dipengaruhi oleh
pergeseran fasa dan waktu, sehingga sesuai untuk proses ekstraksi dan menghasilkan
galat terbesar 13,8829 untuk satu
pembanding, dan kurang dari 5 % untuk tiga pembanding.
6.2 Saran
Untuk pengembangan lebih lanjut dalam melakukan ekstraksi antara suara paru
dan jantung, berikut ini diberikan beberapa saran, antara lain:
1) Notched Filter yang digunakan pelu dikembangkan menjadi notched filter adaptif agar
diperoleh galat sekecil mungkin.
2) Agar diperoleh ketelitian yang lebih tinggi, gunakan jumlah data pelatihan
yang lebih besar.
3) Jika telah diperoleh notched filter adaptif, pelu dicoba
untuk suara paru dan jantung abnormal sebagai persiapan dalam identifikasi
suara paru dan jantung untuk dikembangkan dalam diagnosis suatu penyakit.
4) Perlu ditambahkan rangkaian kompen-sasi pergeseran fasa jika diinginkan untuk
mengantisipasi terjadinya pergeseran fasa yang disebabkan oleh filter.
DAFTAR
PUSTAKA
[1] Chiharu
Yoshii, M.D.; Masamitsu Kido,; 2007, Lung Sound
Auscultation Trainer "LSAT" , Division
of Respiratory Disease, University of Occupational and Environmental Health,Kyotokagaku Co.,LTD, Japan, mailto:rw-kyoto@kyotokagaku.co.jp
[2]
Everett, Rhonda; Woodworth, Karl; 2005, Lung Sounds Online, Emory Hospital Branch
Library / Grady Branch Library / Emory University / Atlanta, Ga. USA, wwoodwo@emory.edu.
[3] Hong
Wang; Le Yi Wang; 2003, Multi-Sensor
Adaptive Heart and Lung Sound Extraction, IEEE, Wayne State
Univ., De-troit, USA, howang@med.wayne.edu; lywang@ece.eng.wayne.edu
[4] M. T. Pourazad, Z. K. Mousavi, G.
Thomas; 2003, Heart Sound Cancellation
from Lung Sound Recordings using Adaptive Threshold and 2D Interpolation in
Time-Frequency Domain, IEEE, Department
of Electrical & Computer Engineering, University of Manitoba, Winnipeg, MB,
R3T 5V6, Canada
[5]
……,1988-1992 , The Art Scientific Computing, Cambridge
University Press. Programs http://www.nr.com or trade@cup.cam.ac.uk, North
America.
[6] Wood. J.W.W.; 2002, ECSE-4760 Computer Applications Laboratory,
Digital Filter Design, Renssellaer Polytechnic Institute.
[7] Gross, Volker; Dittmar, Anke; Penzel, Thomas ;
Schuttler, Frank; 2000, The Relationship Between Normal Lung Sounds,
Age, and Gender, Journal, De-partment of Medicine, Philipps-University, Marburg, Germany, www.atsjournals.org.
[8] Hossain,I.; Moussavi, E.;2004,, Finding
the Lung Sound Flow Relationship in normal and Asthmatic Subjects,
Journal, IEEE, Dept. of Electrical and
Engineering, University of Manitoba, Winnipeg, MB,
{ihossain,mousavi}@ee.umanitoba.ca
