Segmentasi Suara Jantung S1 dan S2 Menggunakan Kurva Amplop
|
|
- Hengki Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 109 Segmentasi Suara Jantung S1 dan S2 Menggunakan Kurva Amplop Putri Madona*, Achmad Arifin, Tri Arief Sardjono, Rimuljo Hendradi Jurusan Teknik Elektro ITS, Surabaya * Abstrak Proses segmentasi suara jantung adalah tahapan yang penting dalam analisa suara jantung. Mengetahui lokasi dan interval dari suara jantung S1 dan S2 serta komponen-komponennya yang didapatkan melalui proses segmentasi dapat menjadi informasi tentang kondisi kerja jantung. Salah satu metode segmentasi yang bisa digunakan adalah wavelet transform dan kurva amplop. Dalam penelitian ini digunakan Discrete Wavelet Transform (DWT), serta 2 algoritma kurva amplop yaitu Moving Average Filter dan Normalized Average Shannon Energy untuk segmentasi 28 data suara jantung yang terdiri dari normal dan 3 murmur. Perhitungan pada kedua algoritma kurva amplop tersebut menghasilkan kurva amplop yang bergeser dari sinyal aslinya. Semakin lebar window yang digunakan semakin besar pergeseran yang terjadi. Dari hasil segmentasi menunjukkan bahwa periode sistolik mempunyi durasi yang lebih pendek dan lebih konstan dibandingkan periode diastolik. Dan interval suara jantung S1 murmur sistolik lebih panjang dibandingkan suara jantung normal sementara interval suara jantung S2 murmur diastolik lebih panjang dibandingkan suara jantung normal. Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam segmentasi suara jantung S1, S2 dan komponen-komponennya dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya perlu dilakukan ekstraksi ciri pada suara jantung S1 dan S2 hasil segmentasi untuk mengetahui kandungan frekuensi dari masing-masing suara jantung tersebut. Kata Kunci: discrete wavelet tansform, normalisasi average Shannon energy, moving average filter, segmentasi. 1. PENDAHULUAN Penyakit jantung masih menjadi penyebab utama kematian di seluruh dunia. Penyakit jantung valvular adalah salah satu penyakit jantung yang disebabkan oleh ketidaknormalan fungsi katup-katup jantung. Pergerakan katup-katup jantung dan vibrasi yang ditimbulkan oleh aktifitas otot jantung menimbulkan bunyi yang disebut dengan suara jantung. Suara jantung secara umum dibedakan atas 4 bagian, dua bagian utamanya adalah suara jantung pertama yang disebut dengan S1 dan suara jantung kedua yang disebut dengan S2, kemudian suara jantung S3 dan S4. Namun, banyak penelitian hanya terbatas pada suara S1 dan S2 saja karena suara S3 dan S4 memiliki amplitudo yang sangat lemah dengan komponen frekuensi rendah dan sulit untuk ditangkap menggunakan metode auskultasi tradisional yang biasa digunakan. Suara jantung sangat kompleks dan bersifat non stasioner. Setiap suara jantung yang muncul dihasilkan dari fisiological event yang berbeda-beda. Maka untuk bisa menganalisa suara jantung dibutuhkan proses segmentasi. Proses segmentasi dilakukan untuk mendapatkan parameter-parameter temporal yaitu suara jantung S1, periode sistolik, suara jantung S2 dan periode diastolik. Beberapa penelitian yang berhubungan dengan segmentasi sinyal suara jantung sudah banyak dilakukan. Liang Huiying melakukan algoritma segmentasi berbasis envelogram suara jantung [2]. Liang melakukan downsampling pada sinyal asli dari frekuensi sampling Hz menjadi 2205 Hz menggunakan Low Pass Filter (LPF) Chebysev orde-8 dengan frekuensi cutoff 882 Hz. Pada penelitian berikutnya, Liang Huiying menggunakan algoritma dekomposisi wavelet dan rekonstruksi shannon energy untuk melakukan segmentasi sinyal suara jantung pathological murmur dan physical murmur dengan total 1165 siklus jantung dari 77 rekaman [2]. Dari kedua penelitian Liang tersebut disimpulkan bahwa persentase keberhasilan penelitian yang kedua lebih besar, yakni 97%, dibandingkan penelitian sebelumnya, yakni 93%. Mustafa Yamacli menggunakan metode multiband wavelet energy (WTE) dan membandingkannya dengan metode multiband wavelet shannon energy (WSE) yang dilakukan Liang H dan metode homomorphic filtering (HMF) yang dilakukan Gupta [3]. Dari hasil penelitian ini didapatkan tingkat keberhasilan segmentasi menggunakan metode WTE lebih baik untuk S1 maupun S2 dibandingkan metode WSE maupun HMF.
2 110 (a) (b) Gambar 1. Sinyal suara jantung (a) normal, (b) atrial seftal defect, (c) mitral stenosis, (d) patent ductus arteriosus Dari penelitian-penelitian tersebut, penggunaan wavelet transform dan kurva amplop mampu melakukan segmentasi suara jantung dengan baik. Oleh karena itu pada penelitian ini diujikan metode segmentasi menggunakan Discrete Wavelet Transform 3-level dengan Daubechies-4 dan kurva amplop yang diaplikasikan pada suara jantung normal, atrial seftal defect, mitral stenosis dan patent ductus arteriosus. 2. METODE Data suara jantung didapat dari literatur [4]. Literatur ini berupa buku petunjuk dan sebuah kaset audio yang memuat database mengenai suara jantung normal dan patologis. Data ini nantinya akan diubah menjadi file WAVE (*.wav) dan akan displit atas 2 bagian yakni normal dan murmur. Data suara jantung dari literatur [4] yang akan disegmentasi berjumlah 28 data rekaman dengan 16 bit/sample, frekuensi sampling Hz, yang terdiri dari 6 buah data suara jantung normal, 9 buah data suara jantung Atrial seftal defect (ASD), 5 buah data suara jantung Mitral stenosis (MS) dan 8 buah data suara jantung Patent ductus arteriosus (PDA). Sinyal dari suara jantung normal dan 3 murmur dari literatur [4] yang akan diujikan diperlihatkan pada Gambar 1. Prosedur segmentasi yang diusulkan dibagi menjadi 3 tahapan, yakni melakukan pre-processing, menghitung envelogram dan mengidentifikasi suara jantung S1 dan S2. jantung berada pada rentang frekuensi 20 Hz 500 Hz dan beberapa di atas 1000 Hz. Oleh karena itu, sinyal suara jantung asli akan didownsampling hingga level- 3. Dimana range frekuensi sinyal yang akan diolah berada pada range Hz. Dengan demikian diharapkan tidak ada informasi sinyal suara jantung, baik normal maupun murmur, yang hilang. Proses DWT ditunjukkan pada Gambar Envelogram Perhitungan kurva amplop dilakukan dengan menggunakan 2 algoritma yakni Normalized Average Shannon Energy dan Moving Average Filter Shannon Energy Normalized average Shannon Energy atau yang disebut dengan kurva amplop Shannon adalah teknik ekstraksi amplop yang popular untuk sinyal suara jantung [1][2][5]. Setelah melalui preprocessing, maka Average Shannon Energy dihitung dengan persamaan berikut : (1) dimana, adalah sinyal hasil normalisasi dan N adalah jumah sampel per-frame (lebar window). Kemudian menghitung normalisasi Average Shannon Energy dengan persamaan (2) Pre-processing Pada awalnya, sinyal suara jantung asli akan dinormalisasi, kemudian difilter dan didownsampling menggunakan transformasi wavelet yaitu Discrete Wavelet Transform (DWT) untuk menghilangkan background noise. DWT melewatkan sinyal input pada filter dengan frekuensi cutoff yang berbeda-beda. Pada setiap level, jumlah sampel akan menjadi setengah dari inputnya. Menurut [4] sinyal suara Gambar 2. Proses filtering dan downsampling menggunakan DWT 3-level
3 111 dimana adalah nilai mean atau rata-rata dari dan adalah standar deviasinya Moving average filter Moving average filter dihitung dengan persamaan : Dimana adalah sinyal input yang sudah disearahkan dan N adalah jumlah sampel per-frame (lebar window). (2) (3) 2.3. Identifikasi S1 dan S2 Setelah perhitungan kurva amplop dilakukan, selanjutnya sinyal tersebut di threshold, sehingga setiap sinyal input yang berada di bawah nilai threshold bernilai 0 dan input yang berada di atas nilai threshold bernilai 1. Selanjutnya dari beberapa siklus yang ada dalam satu file data suara jantung, hanya diambil satu siklus saja. Pengambilan siklus ini dilakukan secara otomatis. Kemudian dari satu siklus, titik perpotongan terhadap nilai threshold dinamai sebagai M0, L0, M1, L1 dan M2. Selanjutnya interval antara M0 ke M1 dan M1 ke M2 dihitung. Interval yang lebih panjang menunjukkan periode diastolik. Interval data yang muncul sebelum interval yang lebih panjang adalah S2 dan interval data yang muncul sebelum interval yang lebih pendek adalah S1. Flowchart dari keseluruhan proses segmentasi ini ditunjukkan pada Gambar HASIL 3.1. Hasil pre-processing Proses pre-processing yang dilakukan terhadap sinyal asli dari suara jantung menghasilkan jumlah sampel yang lebih sedikit pada setiap level. Dimana jumlah sampel akan menjadi setengah dari jumlah sampel inputnya. Tabel 1. Pengukuran Pergeseran Kurva Amplop Terhadap Sinyal Asli N Pergeseran MAF (sec) Average ± SD Pergeseran Shannon Energy(sec) Average ± SD 10 0,0070 ± 0,0065 0,0045 ± 0, ,0093 ± 0,0049 0,0080 ± 0, ,0120 ± 0,0066 0,0108 ± 0, ,0153 ± 0,0093 0,0135 ± 0, ,0193 ± 0,0127 0,0168 ± 0, ,0215 ± 0,0160 0,0198 ± 0, ,0238 ± 0,0194 0,0220 ± 0, ,0273 ± 0,0233 0,0255 ± 0, ,0310 ± 0,0266 0,0293 ± 0, ,0345 ± 0,0301 0,0328 ± 0, Hasil Kurva Amplop Setelah melalui pre-processing, selanjutnya sinyal disearahkan dan dihitung kurva amplopnya. Perhitungan kurva amplop Shannon Energy dan Moving Average Filter dilakukan dengan mengubahubah nilai N (lebar window). Hasil dari kurva amplop pada suara jantung normal ditunjukkan pada Gambar 4. Sinyal hasil kurva amplop Shannon energy ditunjukkan pada Gambar 4c,e dan g sementara hasil kurva amplop moving average filter ditunjukkan pada Gambar 5d, f dan h. Sinyal berwarna biru adalah sinyal input suara jantung yang sudah disearahkan. Sinyal berwarna hijau Gambar 3. Flowchart Proses Segmentasi dan Identifikasi Tabel 2.Pengujian Segmentasi
4 112 Gambar 4. (a) Suara Jantung Normal, (b) Sinyal hasil penyearahan, (c)se dengan N=10, (d) MAF dengan N=10, (e) SE dengan N=50,(f) MAF dengan N=50, (g) SE dengan N=100 dan (h) MAF dengan N=100 Gambar 5. (a) Suara Jantung Normal, (b) sinyal hasil Penyearahan, (c) kurva amplop Shannon, (d) Threshold, (e) Identifikasi S1 dan S2 adalah sinyal hasil perhitungan kurva amplop. Terlihat bahwa terjadi delay atau geseran pada hasil kurva amplop baik Moving Average Filter maupun Shannon Energy. Tabel 1 menunjukkan pengukuran geseran kedua metode terhadap sinyal aslinya, sementara Tabel 2 menunjukkan persentase keberhasilan segmentasi metode Shannon Energy dan Moving Average Filter yang diujikan pada 28 data suara jantung. Salah satu solusi bagi pergeseran yang diakibatkan dari pemilihan lebar window adalah zero phase distortion, yaitu melakukan filter pada arah yang berlawanan dari filter yang dilakukan sebelumnya. Penggunaan zero phase distortion berhasil untuk memperkecil geseran yang terjadi. Namun pada beberapa data suara jantung yang diujikan, hasil kurva amplop menggunakan zero phase distortion gagal dalam melakukan segmentasi. Segmentasi menjadi
5 113 berhasil jika nilai threshold dinaikkan. Namun, nilai threshold ini akan berbeda-beda antara satu data suara jantung dengan suara jantung lainnya. Sehingga sulit jika hanya menggunakan metode threshold yang sederhana. Oleh karena itu, maka solusi bagi geseran tersebut dilakukan dengan menambahkan setiap nilai data dengan nilai geseran rata-rata. Pada pengukuran didapatkan bahwa pergeseran hasil kurva amplop Shannon Energy dengan sinyal asli berada pada minimum detik dan maksimum detik. Maka didapatkan pergeseran minimumnya adalah 39 sampel dan maksimum 43 sampel. Rata rata dari pergeseran ini adalah 41 sampel. Nilai ini ditambahkan pada setiap nilai data yang diambil Hasil Identifikasi S1 dan S2 Untuk identifikasi S1 dan S2, algoritma kurva amplop yang digunakan adalah Shannon Energy. Hasil kurva amplop ini akan di threshold untuk mendapatkan satu siklus suara jantung. Threshold yang digunakan adalah 10% dari puncak maksimum. Digunakan threshold dengan nilai yang rendah, agar interval suara jantung S1 dan S2 yang didapatkan dari hasil segmentasi merefleksikan interval yang sebenarnya. Proses ini diperlihatkan pada Gambar 5d. Setelah di threshold, maka sinyal input yang berada di bawah nilai threshold diberi nilai 0 dan sinyal input yang berada di atas nilai threshold diberi nilai 1, sebagaimana yang ditunjukkan pada Gambar 5e. Titik perpotongan antara sinyal input dengan nilai threshold ditandai sebagai M0, L0, M1, L1 dan M2. Dimana interval mulai dari M0 hingga M2 adalah satu siklus. Maka penentuan interval S1, periode sistolik, S2 dan periode diastolik bisa dilakukan. Selanjutnya dilakukan identifikasi suara jantung S1 dan S2 dengan menghitung interval antara M0 ke M1 dan M1 ke M2, dimana interval yang lebih panjang adalah periode diastole dan interval yang lebih pendek adalah periode sistole. Pegujian segmentasi untuk suara jantung atrial seftal defect ditunjukkan pada Gambar 6, dimana sinyal input suara jantung atrial seftal defect telah berhasil disegmentasi. Gambar 6c adalah suara jantung S1+murmur yang diidentifikasi sebagai suara S1 dan Gambar 6d adalah suara jantung S2. Rata-rata interval parameter temporal dari hasil pengujian 6 data suara jantung normal 9 data atrial seftal defect dan 5 data Mitral Stenosis ditunjukkan secara berturut-turut pada Tabel 3,4 dan PEMBAHASAN Hasil filter dan downsampling menggunakan DWT menunjukkan penurunan jumlah sampel. Sinyal input dengan jumlah sampel awal 11000, pada level 1 menjadi hanya 5500 sampel, begitu juga pada level2 dan 3. Jumlah sampel output berkurang setengah dari inputnya, oleh karena itu juga menghasilkan setengah dari resolusi waktunya. Pada hasil perhitungan kurva amplop Shannon Energy dan Moving Average Filter pada sinyal hasil DWT (Gambar 4), menunjukkan adanya geseran terhadap sinyal asli. Tabel 1 menunjukkan bahwa semakin besar nilai N, yang berkorelasi dengan panjang window, akan memperbesar geseran yang terjadi. Tabel 1 juga menunjukkan bahwa hasil kurva amplop Shannon Energy mempunyai rata-rata pergeseran yang lebih kecil dibandingkan dengan kurva amplop Moving Average Filter pada setiap nilai N. Pada Tabel 2, lebar window minimal yang paling efektif untuk melakukan segmentasi sinyal suara jantung yang diujikan, baik pada Shannon Energy maupun Moving Average Filter adalah N=50. Dari hasil yang ditunjukkan oleh Tabel 1 dan Tabel 2, maka kurva amplop Shannon Energy dipilih sebagai algoritma kurva amplop yang lebih efektif dan akan digunakan pada proses segmentasi dan identifikasi pada data uji. Kompensasi pergeseran yang muncul pada hasil kurva amplop Shannon Energy, pada awalnya diujikan menggunakan zero phase distortion. Namun berdasarkan pengujian pada seluruh data uji, metode ini membutuhkan nilai threshold yang berbeda-beda untuk mendapatkan hasil segmentasi yang benar, sehingga penentuan nilai threshold sederhana tidak bisa digunakan. Maka pada penelitian ini, pergeseran rata-rata dari hasil kurva amplop terhadap sinyal asli digunakan untuk menggeser kembali kurva amplop ke arah sebaliknya, sehingga geseran menjadi minimal. Gambar 6. (a) Suara Jantung Atrial Seftal Defect, (b) Sinyal hasil penyearahan, (c) S1, (d) S2
6 114 Tabel 3. Parameter Temporal Suara Jantung Normal 5. KESIMPULAN Tabel 4. Parameter Temporal Atrial Seftal Defect Tabel 5. Parameter Temporal Mitral Stenosis Nilai pergeseran rata-rata yang digunakan berdasarkan hasil pengujian adalah sebesar 41 sampel sebagaimana telah dijelaskan sebelumnya. Hasil segmentasi untuk suara jantung normal, atrial seftal defect dan mitral stenosis telah berhasil dilakukan. Dari Tabel 3, 4 dan 5, diketahui bahwa periode sistolik lebih pendek daripada periode diastolik namun lebih konstan, ditunjukkan dari hasil standar deviasinya,dimana rata-rata periode sistolik adalah detik dengan standar deviasi dan periode diastolik detik dengan standar deviasi Standar deviasi yang lebih kecil pada periode sistolik dibandingan periode diastolik menunjukkan bahwa periode sistolik lebih konstan dibandingkan periode diastolik.hasil ini mendukung penelitian sebelumnya oleh [1][2][6]. Interval suara jantung S1 pada atrial seftal defect lebih panjang dibandingkan normal, yakni detik sementara normal detik. Hal ini disebabkan adanya murmur pada fase sistolik. Sementara interval S2 mitral stenosis lebih panjang dibandingkan suara jantung normal, yakni detik sementara normal detik. Hal tersebut disebabkan adanya murmur pada fase diastolik. Ini berarti bahwa suara tambahan dari hasil vibrasi pada fungsi abnormalitas katup-katup jantung (murmur) yang muncul baik pada fase sistolik maupun fase diastolik akan memperpanjang interval pada suara jantung S1 atau S2. Algoritma yang digunakan tidak mampu melakukan segmentasi suara jantung patent ductus arteriosus (murmur kontiyu). Murmur yang terjadi disepanjang siklus menyebabkan sangat sulit untuk melakukan segmentasi yang benar. Hal ini juga diungkapkan oleh [1][2]. Dari 28 siklus yang diuji, 8 buah data patent ductus arteriosus tidak berhasil di segmentasi. Pada penggunaan algoritma kurva amplop Shannon energy dan moving average filter, semakin lebar window yang digunakan, akan memperbesar geseran yang terjadi pada hasil perhitungan kurva amplop terhadap sinyal aslinya. Penggunaan kurva amplop shannon energy lebih direkomendasikan karena memiliki pergeseran yang lebih kecil dibandingkan moving average filter. Implementasi zero phase distortion pada data uji sebagai kompensasi pergesaran yang terjadi, membutuhkan proses penentuan threshold yang adaptive, namun belum dikembangkan pada algoritma segmentasi dalam penelitian ini. Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam memisahkan suara jantung S1 dan S2 serta mengetahui interval dari masing-masing suara jantung tersebut dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya dalam melakukan analisa suara jantung, perlu dilakukan ekstraksi ciri dari masing-masing suara jantung S1 dan S2 yang telah disegmentasi untuk mengetahui kandungan frekuensinya. Sehingga semakin banyak informasi yang bisa didapatkan mengenai suara jantung normal dan murmur, serta untuk bisa membedakan antara satu kelainan jantung dengan kelainan lainnya. DAFTAR REFERENSI [1] H.Liang, S.Lukkarinen, I. Hartimo, Heart Sound Segmentation Algorithm Based on Heart Sound Envelogram, Computers in Cardiology, vol.24, pp , [2] H.Liang, S.Lukkarinen, I. Hartimo, A Heart Sound Segmentation algorihm Using Wavelet Decomposition and Reconstruction, 19th International Conference-IEEE, 1997, Chicago, IL. USA. [3] Yamacli Mustafa, Dokur. Zumray, Olmez. Tamer, Segmentation of S1-S2 Sounds in Phonocardiogram Records using Wavelet Energies, IEEE, [4] E.Stein, A.J Delman, Rapid Interpretation of Heart Sound and Murmurs, Lea and Febiger, Philadelpia, Pennsylvania, USA, Indonesian Version, [5] S.Choi, Z. Jiang, Comparison of Envelope Extraction Algorithm for Cardiac Sound Signal Segmentation, Experts Systems with Applications, vol [6] Fabio De Lima Hedayioglu, Heart sound Segmentation for Digital Stethoscope Integration, Thesis, Nov
Analisa Suara Jantung Berbasis Complex Continuous Wavelet Transform
Analisa Suara Jantung Berbasis Complex Continuous Wavelet Transform Putri Madona 1) Achmad Arifin 2) Tri Arief Sardjono 3) Rimuljo Hendradi 4) 1) Jurusan Teknik Elektro Politeknik Caltex Riau, Pekanbaru
Lebih terperinciAnalisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT)
Analisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT) Putri Madona Jurusan Teknik Elektro Program Studi Teknik Elektronika Politeknik Caltex Riau Pekanbaru,
Lebih terperinciBAB I PENDAHULUAN. Penyakit jantung merupakan salah satu penyebab kematian terbesar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung merupakan salah satu penyebab kematian terbesar di Indonesia (Depkes, 2011). Penyakit jantung ini merupakan salah satu penyakit yang tidak
Lebih terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database sinyal EKG Pengambilan data dari database Visual Basic 6.0 Discrete Wavelet Transform (DWT) Dekomposisi Daubechies Orde 2
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1. Diagram Blok Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium.
Lebih terperinciAUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA GENETIKA
Seminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 217 ISSN 285-4218 ITN Malang, 4 Pebruari 217 AUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Sinyal PCG Denoising Dekomposisi Frekuensi cuplik 8Khz Frekuensi cuplik 44,1Khz Frekuensi cuplik 48Khz Coiflet Symlet Daubechies Biorthogonal
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN
Lebih terperinciBAB II LANDASAN TEORI. ke seluruh tubuh. Jantung bekerja non-stop selama kita hidup. Karena itu,
BAB II LANDASAN TEORI 2.1 Jantung Jantung adalah organ vital dalam tubuh kita yang bekerja memompa darah ke seluruh tubuh. Jantung bekerja non-stop selama kita hidup. Karena itu, pastikanlah jantung kita
Lebih terperinciBAB II LANDASAN TEORI. dan mengembalikannya kembali ke jantung (Taylor, 2010). Jantung terdiri dari
BAB II LANDASAN TEORI 2.1. Jantung Jantung yang berfungsi sebagai pompa yang melakukan tekanan terhadap darah sehingga darah dapat mengalir ke seluruh tubuh. Pembuluh darah berfungsi sebagai saluran untuk
Lebih terperinciAlgoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(PACs) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient
Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(s) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway
Lebih terperinciEkstraksi Parameter Temporal Sinyal ECG Menggunakan Difference Operation Method
194 Ekstraksi Parameter Temporal Sinyal ECG Menggunakan Difference Operation Method Abdul Yasak *, Achmad Arifin Jurusan Teknik Elektro, ITS Surabaya 60 Phone : (62 31) 594 7302, Fax : (62 31) 593 1237
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari aplikasi yang akan dibuat. 2.1 Auskultasi Jantung Suara jantung adalah
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop, praktisi
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1 Diagram Blok Rancangan Penelitian. 24 25 Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program,
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 95-106 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone ANALISIS DAN EKSTRAKSI CIRI SINYAL SUARA JANTUNG MENGGUNAKAN TRANSFORMASI
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. database dan database query, secara keseluruhan menggunakan cara yang sama.
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Experimen Pada dasarnya tahapan yang dilakukan pada proses pengambilan sampel dari database dan database query, secara keseluruhan menggunakan cara yang sama. Berdasarkan
Lebih terperinciBAB III METODE PENELITIAN. Alam Universitas Lampung pada bulan Februari 2014 sampai Mei 2014.
4 BAB III METODE PENELITIAN 3.. Waktu dan Tempat Pelaksanaan Penelitian ini dilaksanakan di Laboratorium Pemodelan Fisika dan Laboratorium Elektronika Dasar Jurusan Fisika Fakultas Matematika dan IImu
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciAdaptif Audio Watermarking Berdasarkan Nilai Snr Pada File Audio Dengan Informasi Sisipan Teks
Adaptif Audio Watermarking Berdasarkan Nilai Snr Pada File Audio Dengan Informasi Sisipan Teks Redi Kuncoro Katri 1,*, Gelar Budiman 1, Ledya Novamizanti 1 1 Universitas Telkom, Fakultas Teknik Elektro
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciSISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO
SISTEM TELECARDIAC MONITORING EKSTRAKSI DAN TRANSMISI PARAMETER TEMPORAL SINYAL JANTUNG MELALUI KANAL RADIO Norma Hermawan 1), Muh. Farid Retistianto 2), Achmad Arifin 3) 1),3 ) Teknik Biomedik, Institut
Lebih terperinciBAB III METODE PENELITIAN. jantung pasien penyakit jantung secara elektro-akustik atau PCG
BAB III METODE PENELITIAN A. Metode Pengumpulan Data Data penelitian ini diperoleh melalui observasi terhadap pasien penyakit jantung. Penelitian ini menggunakan alat untuk mendeteksi dan perekaman detak
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Informasi tentang pemasangan iklan di suatu radio (antara lain mengenai, jam berapa suatu iklan ditayangkan, dalam sehari berapa kali suatu iklan ditayangkan dan berapa
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciSeminar Tugas Akhir Juni 2017
Seminar Tugas Akhir Juni 07 Stetoskop Elektronik Sederhana untuk Auskultasi Jantung dan Paru Yahya Nanda Khurniawan, Torib Hamzah,Dyah Titisari ABSTRAK Stetoskop merupakan alat medis akustik sederhana
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Metode penelitian yang digunakan pada penelitian ini adalah denoising
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan pada penelitian ini adalah denoising menggunakan Blind Source Separation dengan metode ICA. Data
Lebih terperinciDESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT
DESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT Mayo Ama Kella Loing, Koredianto Usman, Rita Magdalena Institut Teknologi
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciBunyi Jantung I (BJ I)
Murmur dan gallop Murmur Murmur adalah kelainan bunyi jantung akibat tubulensi aliran darah. Tubulensi dapat terjadi karena penyempitan kritis katub, katub yang tidak berfugsi dengan baik yang menyebabkan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian dilaksanakan pada Laboratorium Jurusan Teknik Informatika
BAB III METODOLOGI PENELITIAN 3.1 Objek Penelitian Penelitian dilaksanakan pada Laboratorium Jurusan Teknik Informatika Fakultas Teknik Universitas Negeri Gorontalo (UNG), dengan objek penelitian mengambil
Lebih terperinciBAB II LANDASAN TEORI. periode, yaitu periode kontraksi (sistole) dan relaksasi (diastole) (Abbas K, 2009).
BAB II LANDASAN TEORI 2.1 Suara Jantung Suara jantung merupakan salah satu contoh sinyal bunyi yang dihasilkan dari denyut jantung atau siklus jantung. Siklus jantung adalah interval dari akhir satu kontraksi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Dengan perkembangan teknologi komunikasi terutama dalam bidang internet, penyebaran informasi pada media melalui internet sangat mudah didapat. Akses informasi melalui
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Isyarat tutur merupakan isyarat yang diproduksi oleh alat ucap manusia hingga menghasilkan informasi, baik berupa makna dari isyarat tutur yang diucapkan maupun yang
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciOPTIMASI AUDIO WATERMARKING BERBASIS DISCRETE COSINE TRANSFORM DENGAN TEKNIK SINGULAR VALUE DECOMPOSITON MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI AUDIO WATERMARKING BERBASIS DISCRETE COSINE TRANSFORM DENGAN TEKNIK SINGULAR VALUE DECOMPOSITON MENGGUNAKAN ALGORITMA GENETIKA Beatrix Sitompul 1), Fadliana Raekania 2) ), Gelar Budiman 3) 1),2),3)
Lebih terperinciAnalisa Sinyal Electrocardiography dan Phonocardiography Secara Simultan Menggunakan Continuous Wavelet Transform
3-31 Mei, Universitas Brawijaya, Malang, Indonesia Analisa Sinyal Electrocardiography dan Phonocardiography Secara Simultan Menggunakan Continuous Wavelet Transform Eko Agus Suprayitno*, Rimuljo Hendradi,
Lebih terperinciSIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT
SIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT ( Kristiawan Purwanto, Tutug Dhanardono) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo
Lebih terperinciPERANCANGAN DAN SIMULASI LOW PASS FINITE IMPULSE RESPONSE DENGAN METODE WINDOWING
PERANCANGAN DAN SIMULASI LOW PASS FINITE IMPULSE RESPONSE DENGAN METODE WINDOWING Irmawan, S.Si, MT Jurusan Teknik Elektro Fakultas Teknik Universitas Sriwijaya ABSTRAK Filter digital adalah suatu algoritma
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel 4.2.
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan perbandingan sinyal suara jantung dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan
Lebih terperinciPERANCANGAN AUDIO WATERMARKING BERBASIS DISCRETE WAVELETE TRANSFORM DAN MODIFIED DISCRETE COSINE TRANSFORM DENGAN OPTIMASI ALGORITMA GENETIKA
PERANCANGAN AUDIO WATERMARKING BERBASIS DISCRETE WAVELETE TRANSFORM DAN MODIFIED DISCRETE COSINE TRANSFORM DENGAN OPTIMASI ALGORITMA GENETIKA Olga Madayanti 1), Dianita Rosari 2), Gelar Budiman, Suci Auli,
Lebih terperinciANALISIS PENGURANGAN DERAU PADA SINYAL LOUDSPEAKER MENGGUNAKAN FILTER ADAPTIF KALMAN
SINGUDA ENSIKOM VOL. 6 NO.3 /Maret 4 ANALISIS PENGUANGAN DEAU PADA SINYAL LOUDSPEAKE MENGGUNAKAN FILTE ADAPTIF KALMAN Fitriani Christhien Simbolon, Arman Sani Konsentrasi Teknik Telekomunikasi, Departemen
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Indera pendengaran manusia tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali para pemusik profesional. Hal
Lebih terperinciPENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM
PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM Agustina Trifena Dame Saragih 1, Achmad Rizal 2, Rita Magdalena 3 Departemen Teknik Elektro Institut Teknologi Telkom Jl.
Lebih terperinciDAFTAR ISI. Halaman LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK... i ABSTRACT... ii KATA PENGANTAR...iii DAFTAR ISI... v DAFTAR GAMBAR...
ABSTRAK Noise merupakan salah satu kendala yang mempengaruhi kualitas sinyal suara yang ditransmisikan. Noise tersebut dapat berasal dari peralatan komunikasi itu sendiri atau pengaruh dari sumber luar.
Lebih terperinciStudi dan Analisis Teknik-Teknik Steganografi Dalam Media Audio
Studi dan Analisis Teknik-Teknik Steganografi Dalam Media Audio Pudy Prima - 13508047 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10
Lebih terperinciRANCANG BANGUN SISTEM INSTRUMENTASI SINYAL CAROTID PULSE DALAM ANALISA DINAMIKA JANTUNG DENGAN METODE CONTINUOUS WAVELET TRANSFORM
RANCANG BANGUN SISTEM INSTRUMENTASI SINYAL CAROTID PULSE DALAM ANALISA DINAMIKA JANTUNG DENGAN METODE CONTINUOUS WAVELET TRANSFORM (Design Engineering Instrumental Carotid Pulse System in Analitical Heart
Lebih terperinciTUGAS AKHIR PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK. Andri Iswanto
TUGAS AKHIR PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK Andri Iswanto 2208 100 531 Dosen Pembimbing : Dr. Tri Arief Sardjono ST.,MT. Jurusan Teknik Elektro Fakultas Teknologi Industri
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi berkembang dengan pesat, terutama bidang elektronika dan komputer yang diterapkan pada bidang medis. Kemajuan teknologi
Lebih terperinciAnalisis Non Stasioner pada Deteksi Non Invasive Sinyal Suara Jantung Koroner
Analisis Non Stasioner pada Deteksi Non Invasive Sinyal Suara Jantung Koroner Ira Puspasari 1 1 Abstract Feature extraction part has become a very important thing which can be use to develop a system of
Lebih terperinciBAB I PENDAHULUAN. pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran.
BAB I PENDAHULUAN 1.1 Latar Belakang Saat sesuatu diukur maka beberapa data didapatkan. Umumnya pengukuran tidak pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran. Mendapatkan data
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi internet dalam beberapa tahun terakhir ini, telah membawa perubahan besar bagi distribusi media digital. Media digital yang dapat berupa
Lebih terperinciBAB I PENDAHULUAN. menggunakan rangkaian elektronika yang terdiri dari komponen-komponen seperti
BAB I PENDAHULUAN 1.1 Latar Belakang Filter merupakan suatu rangkaian yang berfungsi untuk melewatkan sinyal frekuensi yang diinginkan dan menahan sinyal frekuensi yang tidak dikehendaki serta untuk memperkecil
Lebih terperinciFilter Orde Satu & Filter Orde Dua
Filter Orde Satu & Filter Orde Dua Asep Najmurrokhman Jurusan eknik Elektro Universitas Jenderal Achmad Yani 8 November 3 EI333 Perancangan Filter Analog Pendahuluan Filter orde satu dan dua adalah bentuk
Lebih terperinciIdentifikasi Speech Recognition Manusia dengan Menggunakan Average Energy dan Silent Ratio Sebagai Feature Extraction Suara pada Komputer
Identifikasi Speech Recognition Manusia dengan Menggunakan Average Energy dan Silent Ratio Sebagai Feature Extraction Suara pada Komputer Identification Human speech recognition using Average energy and
Lebih terperinciDeteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice
Jurnal Teknik Elektro dan Komputer, Vol.I, No.2, Oktober 21, 125-129 125 Deteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice Luqman Hakim Program Studi Teknik Mekatronika,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring berjalannya waktu dan semakin meluasnya jaringan multimedia, maka proses pengiriman dan pengaksesan dari media digital (seperti citra digital, video digital,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam statistika dan pemrosesan sinyal, runtun waktu (time series) adalah rangkaian data berupa pengamatan yang diukur selama kurun waktu tertentu. Analisis
Lebih terperinciAnalisis Non-Stasioner pada Deteksi Non-Invasive Sinyal Suara Jantung Koroner
Analisis Non-Stasioner pada Deteksi Non-Invasive Sinyal Suara Jantung Koroner Ira Puspasari Abstract Feature extraction has become a very important factor in electronic heart sound diagnosis system development.
Lebih terperinciRingkasan Tugas Akhir/Skripsi
Ringkasan Tugas Akhir/Skripsi Nama, NPM : Wijayanti R. Hutami, 0906516631 Pembimbing : 1. Dr. Eng. Supriyanto M.Sc. 2. Krisna Andita, S.Si Judul (Indonesia) : Reduksi Noise pada Data Seismik Menggunakan
Lebih terperinciLOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT. Tulus Sepdianto
LOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT Tulus Sepdianto 1206100002 PENDAHULUAN Latar Belakang Penggunaan internet secara global Distribusi
Lebih terperinciBAB 3 PERANCANGAN SISTEM PENGENAL SUARA
BAB 3 PERANCANGAN SISTEM PENGENAL SUARA 3.1 Perangkat Keras yang Digunakan Untuk menunjang perancangan sistem pengenalan suara, maka digunakan perangkat keras ( Hardware ) dengan spesifikasi sebagai berikut
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
ANALISIS AUDIO WATERMARKING MENGGUNAKAN LIFTING WAVELET BERDASARKAN KARAKTERISTIK STATISTIK DARI SUB- BAND KOEFISIEN DENGAN OPTIMASI ALGORITMA GENETIKA Rike Arfina 1), Maghfira Rifki Hariadi 2),Gelar Budiman
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciBAB II LANDASAN TEORI. terdiri dari bagian atas yang disebut serambi (atrium) dan bagian bawah yang
BAB II LANDASAN TEORI 2.1 Sinyal Suara Jantung (PCG) Jantung adalah organ tubuh yang berfungsi untuk memompa darah dan terdiri dari bagian atas yang disebut serambi (atrium) dan bagian bawah yang disebut
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODOLOGI PENELITIAN. Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga.
BAB III METODOLOGI PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilaksanakan pada bulan Februari 2015 hingga Desember 2015 di Laboratorium Elektronika dan Laboratorium Instrumentasi Medis, Departemen
Lebih terperinciDETEKSI KELAINAN JANTUNG PREMATURE ATRIAL CONTRACTIONS (PACS) BERBASIS KOMBINASI BASELINE WANDER DAN DENOISING MENGGUNAKAN RR INTERVAL
Jurnal Integrasi vol. 4, no. 2, 2012, 194-199 ISSN: 2085-3858 (print versio Article History Received 20 August 2012 Accepted 21 September 2012 DETEKSI KELAINAN JANTUNG PREMATURE ATRIAL CONTRACTIONS (PACS)
Lebih terperinciHubungan 1/1 filter oktaf. =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz
Hubungan 1/1 filter oktaf f 1 f 2 f 1 = 2 1/2f c f 1 = 2 1/2f c f 1 = 2f c1 = frekuensi tengah penyaring =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz Analisis oktaf sepertiga,
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Edy Setiawan 1*, Abdullah Alkaff 2, Rusdhianto EAK 3, R Mohammad Yogiarto
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. yang digunakan dapat diihat di tabel dibawah ini. Tabel 4.1 Kebutuhan Perangkat Keras Perangkat Keras Spesifikasi
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan perbandingan sinyal suara jantung dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB 1 PENDAHULUAN. meruntuhkan bangunan-bangunan dan fasilitas umum lainnya.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Gempa bumi merupakan fenomena alam yang sudah tidak asing lagi bagi kita semua, karena seringkali diberitakan adanya suatu wilayah dilanda gempa bumi, baik yang ringan
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database Sinyal EKG Ekstraksi Ciri Sinyal Jantung (Wibowo, 2016) Keluaran : Koefisien Maksimum Energi Maksimum Jarak Gelombang R -
Lebih terperinciEKSTRAKSI FITUR SINYAL UNTUK PENALAAN GITAR MENGGUNAKAN WAVELET TRANSFORM
EKSTRAKSI FITUR SINYAL UNTUK PENALAAN GITAR MENGGUNAKAN WAVELET TRANSFORM Moh Abd Rifai Batewa, Agus Lahinta, Abd Aziz Bouty Program Studi S1 Sistem Informasi / Jurusan Informatika Intisari Gitar merupakan
Lebih terperinciGambar 13 Pembangkitan ROI Audio dari 4.wav Dimulai dari Titik ke i = 1,2,,2L K, j = 1,2,,2 p.
Lokalisasi Kerusakan Watermarked audio diserang dengan white noise sepanjang 0.00808 detik menggunakan Audacity. Kemudian watermarked audio yang rusak dibandingkan dengan watermarked audio yang belum diserang.
Lebih terperinciSOUND CONVERSION USING FAST FOURIER TRANSFORM ALGORITM
SOUND CONVERSION USING FAST FOURIER TRANSFORM ALGORITM Tan FerrdyHendrawan Program Studi Teknik Informatika, Universitas Katolik Soegijapranata f3rrdy.hendrawan@gmail.com Abstract The goal of voice conversion
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciDigital to Analog Conversion dan Rekonstruksi Sinyal Tujuan Belajar 1
Digital to Analog Conversion dan Rekonstruksi Sinyal Tujuan Belajar 1 Tujuan Belajar Peserta mengerti proses interpolasi yang terjadi dalam DAC Digital to Analog Converter Digital to Analog Converter digunakan
Lebih terperinciBAB IV SIMULASI DAN ANALISA DATA
BAB IV SIMULASI DAN ANALISA DATA IV.1 Karakteristik Sinyal Input Sinyal suara yang akan disimulasikan dengan menggunakan 3 buah sampel suara yang diucapkan oleh satu orang wanita dan 2 orang laki-laki
Lebih terperinciJl. Telekomunikasi, Dayeuh Kolot, Bandung Indonesia
KLASIFIKASI PENYAKIT BATUK BERDASARKAN SINYAL DATA SUARA MENGGUNAKAN EKSTRAKSI CIRI FAST FOURIER TRANSFORM DAN POWER SPECTRAL DENSITY DENGAN ALGORITMA JARINGAN SARAF TIRUAN- PROPAGASI BALIK COUGH DISEASE
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinciCOMPARISON OF ONE DIMENSIONAL DCT AND LWT SPARSE REPRESENTATION
COMPARISON OF ONE DIMENSIONAL DCT AND LWT SPARSE REPRESENTATION Endra 1 ; Gusandy 2 ; Kurniawaty 3 ; Yenny Lan 4 Jurusan Sistem Komputer, Fakultas Ilmu Komputer, BINUS University, Jakarta Jln K.H. Syahdan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Proses pencocokan citra dilakukan dengan mengidentifikasi dan mengukur pasangan titiktitik sekawan antara citra satu dengan citra lainnya untuk objek yang sama pada
Lebih terperinciGambar 3.1 Peta lintasan akuisisi data seismik Perairan Alor
BAB III METODE PENELITIAN Pada penelitian ini dibahas mengenai proses pengolahan data seismik dengan menggunakan perangkat lunak ProMAX 2D sehingga diperoleh penampang seismik yang merepresentasikan penampang
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinci