1. Proses Normalisasi

Transkripsi

1 BAB IV PEMBAHASAN A. Pr-Procssing Pross pngolahan signal PCG sblum dilakukan kstaksi dan klasifikasi adalah pr-procssing. Signal PCG untuk data training dan data tsting trdapat dalam lampiran 5 (halaman 81). Signal PCG yang dirkam slama kurang lbih 10 dtik dinormalisasi kmudian dilakukan pmotongan signal dngan bantuan prangkat lunak Sound Forg Pro Rkaman data PCG diprolh dari pasin pnyakit jantung di Rumah Sakit Umum PKU Muhammadiyah Yogyakarta dan orang dngan jantung yang shat kmudian disimpan dngan format fil Wavform Audio Format (.wav). Brikut adalah langkah-langkah pr-prosccing signal PCG. 1. Pross Normalisasi Signal PCG yang sudah dirkam kmudian dinormalisasi dngan bantuan softwar Matlab R016a, pross normalisasi brtujuan agar data tidak brpngaruh pada bsar kcilnya amplitudo signal hasil prkaman, pross normalisasi juga tidak mngubah informasi yang trdapat pada signal. Pross normalisasi dilakukan dngan mncari nilai mutlak trndah/trtinggi dari signal dan digunakan untuk mmbagi signal aslinya. Brikut ini adalah gambar hasil signal PCG sblum dan ssudah normalisasi. 4

2 (a) (b) Gambar 4.1. Signal PCG ; (a) N0.wav sblum dinormalisasi, (b) N0.wav stlah dinormalisasi. Untuk hasil normalisasi signal yang lain trdapat pada lampiran 6 (halaman (87).. Pross Pmotongan Signal Signal PCG yang tlah dinormalisasi kmudian dilakukan pmotongan untuk mngambil satu dtakan trdiri dari suara jantung prtama (S1) dan suara jantung kdua (S). Pross pmotongan signal PCG dilakukan dngan bantuan softwar Sound Forg Pro 10.0, pmotongan dilakukan dngan mtod rctangl. Brikut adalah hasil pmotongan signal PCG. S S S S S S S1 S1 S1 S1 S1 S1 (a) S S S S S S S1 S1 S1 S1 S1 (b) S1 43

3 (c) Gambar 4.. Signal PCG; (a) N0.wav sblum dipotong, (b) pross pmotongan N0.wav, (c) N0.wav stlah dipotong. Gambar 4. (c) mnunjukkan signal PCG yang tlah dinormalisasi dan dipotong shingga siap untuk didkomposisi. Untuk hasil pmotongan signal yang lain trdapat pada lampiran 7 (halaman 93). 3. Dkomposisi Signal Pross dkomposisi signal mnggunakan Discrt Wavlt Transform (DWT) mothr Haar dngan lvl maksimum dkomposisi diprolh dari prsamaan (.7). Pross DWT digunakan untuk mnunjukkan ciri signal, mnapis data dan mningkatkan kualitas data. Pross dkomposisi dilakukan dngan bantuan toolbox dari Matlab R016a, signal PCG yang diprolh brupa fil.wav shingga dapat langsung digunakan. Brikut pross dkomposisi signal dngan DWT. Langkah 1. Mmilih Wavlt Dsign & Analysis dari toolbox Matlab R016a di mnu Apps. Langkah. Mmilih Wavlt 1-D pada mnu On Dimnsional. Langkah 3. Load signal PCG yang sudah dinormalisasi dan dipotong dngan Fil- Load-Signal. Langkah 4. Mmilih Wavlt Haar dngan lvl yang sudah dicari dngan prsamaan (.1). S1 S 44

4 Brikut adalah hasil dkomposisi N0.wav DWT Haar lvl 1. D1 D D3 D4 D5 D6 D7 D8 D9 D10 D11 A11 Gambar 4.3. Hasil Dkomposisi signal N0.wav Kofisin korlasi antara hasil dkomposisi dan signal aslinya sbagai brikut. Tabl 4.1. Kofisin Korlasi Hasil Dkomposisi Kofisin Korlasi D D D D D D D D D D D A

5 Brdasarkan tabl kofisin korlasi antara hasil dkomposisi dngan signal aslinya diprolh bahwa D4 dan D5 mmiliki kofisin korlasi yang lbih bsar shingga DWs dibntuk dari D4 dan D5. Gambar 4.4. Plot DWs data N0.wav Untuk hasil dkomposisi signal yang lain trdapat pada lampiran 8 (halaman 99). 4. Ekstraksi Signal Hasil DWs yang diprolh kmudian dikstraksi, pada pnlitian ini kstraksi yang digunakan brjumlah 5 fitur yaitu nilai minimum, maximum, ratarata, standar dviasi dan nrgi. Klima fitur trsbut sudah trdapat dalam Matlab R016a. Brikut adalah contoh hasil kstraksi signal PCG N0.wav. Tabl 4.. Hasil kstraksi N0.wav Nama Fil N0.wav Minimum Maximum Rata-rata -1.0E-06 Standar Dviasi Enrgi Untuk hasil kstraksi signal yang lain trdapat dalam lampiran 9 (halaman 105). 46

6 B. Klasifikasi Logika Fuzzy 1. Mngidntifikasi Himpunan Fuzzy pada Input Himpunan fuzzy yang digunakan pada input adalah himpunan univrsal yang didapat dari nilai pndkatan minimum dan maximum dari stiap data input untuk 80 data latih, shingga smua nilai input akan masuk pada intrval himpunan trsbut. Brikut adalah himpunan fuzzy untuk stiap input. a. Minimum (min) Nilai trkcil dan trbsar input minimum pada data latih adalah dan maka himpunan smsta untuk fitur minimum adalah U 0.88, 0.04 dngan lbar kurva Variabl untuk input min minimum dibagi mnjadi 9 himpunan fuzzy dngan rntang yang sama yaitu min1, min, min3, min4, min5, min6, min7, min8, dan min9 dngan pusat dari masing-masing himpunan fuzzy trsbut adalah -0.88, , -0.67, , -0.46, , -0.5, , dan Smbilan fungsi kanggotaan trsbut dirprsntasikan kdalam fungsi kanggotaan Gauss. Fungsi kanggotaan untuk input minimum adalah sbagai brikut. min f( x, , 0.88) 1 min f( x, , 0.775) ( x ( 0.88)) ( ) ( x ( 0.775)) ( ), 0.9 x 0.75, 0.9 x

7 min4 f( x, , 0.565) min5 f( x, , 0.46) min6 f( x, , 0.355) min7 f( x, , 0.5) min f( x, , 0.145) 8 9 f ( x, , 0.67) min 3 min f( x, , 0.04) ( x ( 0.67)) ( ), x ( x ( 0.565)) ( ), 0.75 x ( x ( 0.46)) ( ), x ( x ( 0.355)) ( ), x ( x ( 0.5)) ( ), x ( x ( 0.145)) ( ), x 0.04 ( x ( 0.04)) ( ), x 0.04 Gambar 4.5. Grafik Fungsi Kanggotaan Variabl Minimum 48

8 b. Maksimum (max) Nilai trkcil dan trbsar input maksimum pada data latih adalah dan maka himpunan smsta untuk fitur maksimum adalah U 0.05,0.89 dngan lbar kurva Variabl untuk input max maksimum dibagi mnjadi 9 himpunan fuzzy dngan rntang yang sama yaitu max1, max, min3, max4, max5, max6, max7, max8, dan max9 dngan pusat dari masing-masing himpunan fuzzy trsbut adalah -0.05, , -0.6, , -0.47, , -0.68, , dan Smbilan fungsi kanggotaan trsbut dirprsntasikan kdalam fungsi kanggotaan Gauss. Fungsi kanggotaan untuk input maksimum adalah sbagai brikut. max f( x, , 0.05) 1 max f( x, , 0.155) max f( x, , 0.6) 3 max f( x, , 0.365) 4 max5 f( x, , 0.47) ( x0.05) ( ),0.05 x ( x0.155) ( ),0.05 x ( x0.6) ( ) ( x0.365) ( ) ( x0.47) ( ),0.105 x ,0.015 x 0.55,0.315 x

9 max f( x, , 0.575) 6 max7 f( x, , 0.68) max f( x, , 0.785) 8 max f( x, , 0.9) 9 ( x0.575) ( ) ( x0.68) ( ) ( x0.785) ( ), x 0.735, x ,0.675 x 0.89 ( x0.9) ( ),0.735 x 0.89 Gambar 4.6. Grafik Fungsi Kanggotaan Variabl Maksimum c. Rata-rata (man) Nilai trkcil dan trbsar input rata-rata pada data latih adalah dan maka himpunan smsta untuk fitur rata-rata adalah U , dngan lbar kurva Variabl man untuk input maksimum dibagi mnjadi 9 himpunan fuzzy dngan rntang yang sama yaitu man1, man, man3, man4, man5, man6, man7, man8, dan man9 dngan pusat dari masing-masing himpunan fuzzy trsbut adalah , , , , , 50

10 , , , dan Smbilan fungsi kanggotaan trsbut dirprsntasikan kdalam fungsi kanggotaan Gauss. Fungsi kanggotaan untuk input rata-rata adalah sbagai brikut. f( x, , ) man1 f ( x, , ) man f ( x, , ) man3 f ( x, , ) man4 f ( x, , ) man5 f ( x, , ) man6 f ( x, , ) man7 f ( x, , ) man8 ( x ( )) ( ) ( x( )) ( ) ( x( )) ( ) ( x( )) ( ) ( x( )) ( ) ( x( )) ( ) ( x( )) ( ) ( x( )) ( ), x , x , x , x , x , x , x , x

11 f ( x, , ) man9 ( x( )) ( ), x Gambar 4.7. Grafik Fungsi Kanggotaan Variabl Rata-rata d. Standar Dviasi (std) Nilai trkcil dan trbsar input standar dviasi pada data latih adalah dan maka himpunan smsta untuk fitur standar dviasi adalah Ustd = [0.005,0.18] dngan lbar kurva Variabl untuk input standar dviasi dibagi mnjadi 9 himpunan fuzzy dngan rntang yang sama yaitu std1, std, std3, std4, std5, std6, std7, std8, dan std9 dngan pusat dari masing-masing himpunan fuzzy trsbut adalah 0.005, , , , 0.095, , , 0.158, dan Smbilan fungsi kanggotaan trsbut dirprsntasikan kdalam fungsi kanggotaan Gauss. Fungsi kanggotaan untuk input standar dviasi adalah sbagai brikut. f( x, , 0.005) std1 ( x0.005) ( ),0.005 x

12 f( x, , ) std f( x, , ) std3 f( x, , ) std4 f( x, , 0.095) std5 f( x, , ) std6 f( x, , ) std7 f( x, , 0.158) std8 f( x, , 0.18) std9 ( x0.0688) ( ),0.005 x ( x ) ( ) ( x ) ( ) ( x0.095) ( ),0.016 x , x , x 0.15 ( x0.1144) ( ) ( x0.1363) ( ) ( x0.158) ( ), x 0.147, x 0.169,0.15 x 0.18 ( x0.18) ( ),0.147 x

13 Gambar 4.8. Grafik Fungsi Kanggotaan Variabl Standar Dviasi. Enrgi (n) Nilai trkcil dan trbsar pada input nrgi data latih adalah dan maka himpunan smsta untuk fitur standar dviasi adalah U 0,70 dngan lbar kurva.655. Variabl untuk input nrgi n dibagi mnjadi 9 himpunan fuzzy dngan rntang yang sama yaitu n1, n, n3, n4, n5, n6, n7, n8, dan n9 dngan pusat dari masing-masing himpunan fuzzy trsbut adalah 0, 6.5, 3.5, 38.75, 45, 51.5, 57.5, 63.75, dan 70. Smbilan fungsi kanggotaan trsbut dirprsntasikan kdalam fungsi kanggotaan Gauss. Fungsi kanggotaan untuk input nrgi adalah sbagai brikut. f( x,.654,0) n1 f( x,.654,6.5) n f( x,.654,3.5) n3 ( x0) (.654),0 x ( x6.5) (.654),0 x ( x3.5) (.654),3.15 x

14 f( x,.654,38.75) n4 f( x,.654,45) n5 f( x,.654,51.5) n6 f( x,.654,57.5) n7 f( x,.654,63.75) n8 f( x,.654,70) n9 ( x38.75) (.654),9.375 x ( x45) (.654),35.65 x ( x51.5) (.654), x ( x57.5) (.654),48.15 x ( x63.75) (.654), x 70 ( x70) (.654),60.65 x 70 Gambar 4.9. Grafik Fungsi Kanggotaan Variabl Enrgi. Mngidntifikasi Himpunan Fuzzy pada Output Output yang digunakan pada klasifikasi pnyakit jantung mnggunakan gabungan antara rprsntasi kurva linar turun, kirva sgitiga, dan kurva linar 55

15 naik untuk diklasifikasi mnjadi 4 yaitu Normal, HHD, CHF, Angina Pctoris dngan intrval [1 4].. Brikut adalah fungsi kanggotaan dari output. normal HHD CHF ( x) ( x ) ( x ) x 1 AnginaPctoris( x ), 1 x 0, x 0, x 1 dan x 3 x 1, 1 x 1 x, x < 3 3 0, x dan x 4 x, < x x, 3 x < x, 3 x , x 4 Gambar Grafik Fungsi Kanggotaan Variabl Output 3. Mmbangun Aturan Fuzzy Stlah mnntukan himpunan fuzzy pada input dan output langkah slanjutnya adalah mmbangun aturan (rul) fuzzy brdasarkan hasil kstraksi dari dari 80 data latih PCG. Hasil kstraksi trdapat pada lampiran 9 untuk data latih dan data uji. Untuk masing-masing hasil kstraksi signal PCG dicari nilai kanggotaannya yang trbsar untuk mmbangun aturan fuzzy, shingga trdapat 56

16 80 aturan fuzzy pada lampiran 10 (halaman 108). Pmbntukan aturan fuzzy dilakukan dngan toolbox Fuzzy Logic pada Matlab R016a. Brikut adalah langkah pmbntukan aturan fuzzy dngan contoh N0.wav diagnosis normal. a. Minimum Hasil kstraksi untuk nilai minimum adalah dianggap sbagai nilai x. Pada 9 himpunan fuzzy yang tlah didfinisikan pada variabl minimum, nilai x = masuk pada intrval himpunan min5, min6, dan min7, maka slain ktiga himpunan trsbut nilai kanggotaannya 0. Brikut adalah prhitungan drajat kanggotaan pada stiap himpunan fuzzy variabl minimum. ( ) 0 min, ( ) 0, ( ) 0, ( ) 0 1 min min 3 min 4 min min min ( ( 0.46)) ( ) ( ( 0.355)) ( ) ( ( 0.5)) ( ) min ( ) 0, ( ) 0 min 8 9 max {μ min1,μ min,μ min3, μ min4, μ min5, μ min6, μ min7, μ min8,μ min9} max{0,0,0,0,0.44,0.7963,0.010,0,0} = Nilai kanggotaan trbsar trdapat pada min6, shingga data kstraksi untuk variabl minimum dari signal data n0.wav masuk dalam himpunan fuzzy min6. 57

17 b. Maksimum Hasil kstraksi untuk nilai maksimum adalah dianggap sbagai nilai x. Pada 9 himpunan fuzzy yang tlah didfinisikan pada variabl maksimum, nilai x = masuk pada intrval himpunan max5, max6, dan max7, maka slain ktiga himpunan trsbut nilai kanggotaannya 0. Brikut adalah prhitungan drajat kanggotaan pada stiap himpunan fuzzy variabl maksimum. (0.5336) 0 max, (0.5336) 0, (0.5336) 0, (0.5336) 0 1 max max 3 max 4 max max max ( ) ( ) ( ) ( ) ( ) ( ) (0.5336) 0 max, (0.5336) 0 8 max 9 max {μ max1,μ max, μ max3, μ max4,μ max5,μ max6,μ max7, μ max8, μ max9} max{0,0,0,0,0.3616,0.6159,0.0031,0,0} = Nilai kanggotaan trbsar trdapat pada max6, shingga data kstraksi untuk variabl maksimum dari signal data n0.wav masuk dalam himpunan fuzzy max6. c. Rata-rata Hasil kstraksi untuk nilai rata-rata adalah dianggap sbagai nilai x. Pada 9 himpunan fuzzy yang tlah didfinisikan pada variabl ratarata, nilai x = masuk pada intrval himpunan man4, man5, dan man6, maka slain ktiga himpunan trsbut nilai 58

18 kanggotaannya 0. Brikut adalah prhitungan drajat kanggotaan pada stiap himpunan fuzzy variabl maksimum. man ( ) 0, 1 m an ( ) 0, man ( ) 0, 3 4 ( ( )) ( ) man 5 ( ( )) ( ) man ( ( )) ( ) man6 m an ( ) 0, ( ) 0 7 max 8 m an ( ) 0 9 max {μ man1, μ man,μ man3,μ man4, μ man5,μ man6, μ man7, μ man8,μ man9} max{0,0,0, ,0.6530,0.358,0,0,0} = Nilai kanggotaan trbsar trdapat pada man5, shingga data kstraksi untuk variabl rata-rata dari signal data n0.wav masuk dalam himpunan fuzzy man5. d. Standar Dviasi Hasil kstraksi untuk standar dviasi adalah dianggap sbagai nilai x. Pada 9 himpunan fuzzy yang tlah didfinisikan pada variabl standar dviasi, nilai x = masuk pada intrval himpunan std, std3, dan std4, maka slain ktiga himpunan trsbut nilai kanggotaannya 0. Brikut adalah prhitungan drajat kanggotaan pada stiap himpunan fuzzy variabl standar dviasi. std (0.0519)

19 ( ) ( ) std std 3 std 4 ( ) ( ) ( ) ( ) std (0.0519) 0, 5 std (0.0519) 0, 6 std (0.0519) 0, 7 std (0.0519) 0, 8 std (0.0519) 0 9 max {μ std1, μ std, μ std3, μ std4, μ std5, μ std6, μ std7, μ std8, μ std9} max{0,0.066,0.9374,0.1310,0,0,0,0,0} = Nilai kanggotaan trbsar trdapat pada std3, shingga data kstraksi untuk variabl standar dviasi dari signal data n0.wav masuk dalam himpunan fuzzy std3.. Enrgi Hasil kstraksi untuk nilai nrgi adalah dianggap sbagai nilai x. Pada 9 himpunan fuzzy yang tlah didfinisikan pada variabl nrgi, nilai x = masuk pada intrval himpunan n, n3, dan n4, maka slain ktiga himpunan trsbut nilai kanggotaannya 0. Brikut adalah prhitungan drajat kanggotaan pada stiap himpunan fuzzy variabl nrgi. n ( ) 0 1 n n 3 ( ) (.654) ( ) (.654)

20 n 4 ( ) (.654) n (0.0519) 0, 5 (0.0519) n 6 0, n (0.0519) 0, 7 n (0.0519) 0, (0.0519) 8 n 9 0 max {μ n1, ì n, ì n3, ì n4, ì n5, ì n6, ì n7, ì n8, ì n9 } max{0,0.0041,0.631,0.3768,0,0,0,0,0} = Nilai kanggotaan trbsar trdapat pada n3, shingga data kstraksi untuk variabl nrgi dari signal data N0.wav masuk dalam himpunan fuzzy n3. Brdasarkan hasil pnglompokan hasil kstraksi signal PCG data N0.wav pada himpunan fuzzy, diprolh minimum min 6, maksimum max 6, rata-rata man 5, standar dviasi std 3, dan nrgi n 3 shingga hasil trsbut mnjadi satu aturan untuk diagnosis normal. Tabl 4.3. Hasil kstraksi dan pnglompokan himpunan fuzzy fil N0.wav Data Hasil Ekstraksi Drajat Kanggotaan Himpunan Fuzzy Minimum min 6 Maksimum max 6 Rata-rata -1.0E man 5 Standar Dviasi std 3 Enrgi n 3 Diagnosis Normal Dari data N0.wav didapatkan aturan fuzzy Jika min adalah min5 dan max adalah max5 dan man adalah man5 dan std adalah std3 dan n adalah n4 maka normal. Cara yang sama digunakan pada 79 data latih PCG yang lain dalam pross pmbntukan aturan fuzzy dngan bantuan Matlab R016a shingga diprolh 80 61

21 aturan fuzzy pada lampiran 10 (halaman 108). 4. Infrnsi Fuzzy Pada infrnsi fuzzy, prinsip logika fuzzy digunakan untuk mngvaluasi output brdasarkan aturan fuzzy if-thn. Sistm infrnsi fuzzy yang digunakan adalah mtod Mamdani, karna lbih mudah dalam pnggunaan dan pmahaman. Mtod Mamdani dngan mtod And adalah prod, mtod Or adalah max, Implication adalan min, dan Aggrgation adalah max. Pnghitungan infrnsi fuzzy dilakukan dngan bantuan softwar Matlab R016a.. Drajat kanggotaan dari data n0.wav untuk aturan 0 trdapat dalam tabl 4.3. Brdasarkan drajat kanggotaan trsbut maka aturan yang mmnuhi adalah aturan 5, aturan 18 dan aturan 0. Brikut adalah aturan yang mmnuhi data n0.wav (lampiran 10). Aturan 5, Jika min adalah min5 dan max adalah max6 dan man adalah man5 dan std adalah std3 dan n adalah n4 maka normal Aturan 18, Jika min adalah min5 dan max adalah max5 dan man adalah man5 dan std adalah std3 dan n adalah n4 maka normal Aturan 0 Jika min adalah min6 dan max adalah max6 dan man adalah man5 dan std adalah std3 dan n adalah n3 maka normal Drajat kanggotaan untuk ktiga aturan trsbut dicari nilai minimumnya dngan mnggunakan prsamaan (.7). Brikut adalah hasil prhitungan untuk Aturan 5. p min(0.9464,0.9558,0.6683,0.635,0.7050)

22 Hasil prhitungan untuk aturan 18 q min(0.999,0.8588,0.6749,0.6876,0.9197) Hasil prhitungan untuk aturan 0 r min(0.7963,0.6159,0.6530,0.9374,0.631) Agrgrasi untuk tiga aturan trsbut mnggunakan fungsi max atau OR. Brdasarkan prsamaan (.8) drajat kanggotaan brdasarkan mtod agrgrasi adalah sbagai brikut s max(0.635,0.6749,0.6159) Brdasarkan drajat kanggotaan trsbut, kurva rprsntasi dari himpunan fuzzy pada output ditunjukkan pada Gambar Gambar 4.11 Grafik fungsi kanggotaan N0.wav pada output Stlah diprolh kurva pada gambar 4.11, langkah slanjutnya adalah mncari titik potong pada Gambar 4.11 dngan mnggunakan fungsi kanggotaan himpunan fuzzy normal pada output, untuk s = maka Normal x () x 1 x

23 x x Maka fungsi kanggotaan untuk data n0.wav adalah 0 x 1 dan x ( x) x (4.1) x x 5. Dfuzzifikasi Dfuzzifikasi yang digunakan adalah Man of Maxima (MOM) yaitu ratarata domain yang mmilki drajat kanggotaan maksimum. Pross dffuzifikasi dilakukan dngan bantuan Matlab R016a, pada data n0.wav dngan mlakukan input minimum = , maksimum = , rata-rata = , standar dviasi = dan nrgi = pada Rul Viwr didapatkan hasil dfuzzifikasi sbsar 1.39 dngan diagnosa normal. Gambar 4.1, Rul Viwr untuk dfuzzifikasi data N0.wav. 64

24 C. Hasil Pmbahasan 1. Hasil Sistm Fuzzy pada Data Latih Brikut adalah hasil sistm fuzzy pada data latih dan hasil diagnosis yang diprolh brdasarkan aturan dari sistm fuzzy yang tlah dibuat. Tabl 4.4 Hasil sistm fuzzy pada data latih No Data Diagnosis Hasil Prdiksi Dffuzifikasi Diagnosis Ktrangan 1 N1 Normal 1.33 Normal Bnar N Normal 1.33 Normal Bnar 0 N0 Normal 1.39 Normal Bnar Angina Angina Pctoris 3.69 Pctoris Bnar Hasil sistm fuzzy pada data latih slngkapnya trdapat pada lampiran 11 (halaman 115).. Hasil Sistm Fuzzy pada Data Uji Brikut adalah hasil sistm fuzzy pada data uji dan hasil diagnosis yang diprolh brdasarkan aturan dari sistm fuzzy yang tlah dibuat. Tabl 4.5 Hasil sistm fuzzy pada data uji No Data Diagnosis Hasil Prdiksi Dffuzifikasi Diagnosis Ktrangan 1 N1 Normal 1.45 Normal Bnar N Normal 1.45 Normal Bnar 3 N3 Normal 1.49 Normal Bnar Angina Angina 3.5 Pctoris Pctoris Bnar Hasil sistm fuzzy pada data uji slngkapnya trdapat pada lampiran 1 (halaman 118). 65

25 D. Analisis Pngujian Sistm Stlah data dimasukkan kdalam sistm maka langkah slanjutnya adalah mlakukan pngujian pada data latih dan data uji, cara pngujian dilakukan dngan pnghitungan akurasi, Tru Positiv, Tru Ngativ, Fals Positiv dan Fals Ngativ. Hasil dffuzifikasi 80 data training trdapat pada lampiran 11, dngan jumlah TP = 60, FP = 0, TN = 0, FN = 0. Dngan dmikian diprolh hasil nilai akurasi, snsitivitas dan spsifisitas untuk data latih sbagai brikut. jumlah data bnar 79 akurasi 100% 100% 98.75% jumlah data ksluruhan 80 Jadi, kakurasian sistm fuzzy untuk data latih sbsar 98.75%. TP 60 snsitivitas 100% 100% 100% TP FN 60 0 Jadi, tingkat snsitivitas sistm fuzzy untuk data latih sbsar 100%. TN 0 spsifisitas 100% 100% 100% TN FP 0 0 Jadi, tingkat spsifisitas sistm fuzzy untuk data latih sbsar 100%. Stlah mlakukan pngujian data latih slanjutnya adalah mlakukan pngujian untuk data uji, hasil dffuzifikasi data uji trdapat pada lampiran 1, dngan jumlah TP = 13, FP =, TN = 5, FN = 0. Dngan dmikian diprolh hasil nilai akurasi, snsitivitas dan spsifisitas untuk data uji sbagai brikut. jumlah data bnar 16 akurasi 100% 100% 80% jumlah data ksluruhan 0 Jadi, kakurasian sistm fuzzy untuk data uji sbsar 80%. TP 13 snsitivitas 100% 100% 100% TP FN

26 Jadi, tingkat snsitivitas sistm fuzzy untuk data uji sbsar 100%. TN 5 spsifisitas 100% 100% 71.43% TN FP 5 Jadi, tingkat spsifisitas sistm fuzzy untuk data latih sbsar 100%. Tingkat snsitivitas untuk data latih dan data uji adalah 100% shingga modl mngklasifikasikan ssuai untuk diagnosa positif pnyakit jantung. E. Tampilan Diagnosa Pnyakit Jantung dngan GUI Konstruksi modl fuzzy yang dibangun dngan GUI agar lbih mnarik dan mmudahkan pngguna dalam klasifikasi. Tampilan GUI dibuat brdasarkan modl fuzzy yang sudah dibangun. Brikut adalah rancangan akhir dari tampilan GUI diagnos pnyakit jantung Gambar 4.13 Tampilan layr GUI diagnosa pnyakit jantung Rancangan GUI diatas mnggunakan contoh sinyal PCG data training dngan diagnosis normal. Sinyal dimasukkan dalam rancangan GUI yang tlah dibuat untuk mngkstraksi nrgi, kmudian mmasukkan sinyal hasil dkomposisi untuk mngkstraksi minimum, maksimum, rata-rata dan standar dviasi. Kmudian hasil 67

27 kstraksi dijadikan input pada modl fuzzy yang dibangun. Stlah dipross mnggunakan modl fuzzy yang tlah dibangun, diprolh hasil bahwa sinyal PCG data training trsbut normal. Hasil rancangan sistm GUI tlah ssuai dngan rancangan modl fuzzy yang tlah diuji tingkat akurasinya. 68