Klasifikasi Sinyal Phonocardiogram Menggunakan Short Time Fourier Transform dan Convolutional Neural Network

Berdasarkan laporan American Heart Association, penyakit kardiovaskular menjadi penyebab kematian global tertinggi. Phonocardiogram (PCG) dan electrocardiogram (ECG) biasanya digunakan untuk mendeteksi jantung. Penggunaan sinyal PCG memberikan hasil prediksi yang lebih baik pada deteksi jantung bila dibandingkan dengan ECG. Tetapi, penggunaan secara elektronik membutuhkan analisis kompleks mengklasifikasikan kondisi Penelitian ini bertujuan merancang suatu sistem klasifikasi berdasarkan metode ekstraksi fitur menggunakan Short Time Fourier Transform (STFT) Convolutional Neural Network (CNN). Pengujian rancangan dataset sekunder 2.575 rekaman normal 665 abnormal dalam format wav. kinerja variasi Hamming, Hann Blackman-Harris Window bagian ektraksi jumlah layer konvolusi klasifikasi. pengujian, hamming window proses 4 terbaik tingkat akurasi 88,11%. membuktikan bahwa sebagai bentuk model STFT CNN. AbstractAccording to a report by the cardiovascular disease is leading cause of death. and are commonly used detect heart disease. The use signals provides better predictive results in detection when compared However, electronically requires complex signal analysis classify conditions. This study aims design classification system based on extraction method using test secondary with 2,575 records wav format. Performance testing uses variations feature section number convolution layers section. Based results, process gives best an accuracy rate 88.11%. proves that form