ABSTRAKSI: Salah satu cara dokter untuk mendiagnosa penyakit adalah dengan mendengarkan detak jantungnya. Tetapi karena keterbatasan pendengaran manusia, terkadang dokter tidak mampu mendiagnosa penyakit. Hal ini disebabkan tidak mungkin mencatat kekacauan suara jantung menggunakan telinga manusia. Maka dari itu diperlukan alat bantu untuk menganalisis suatu penyakit berdasarkan suara jantung yang telah direkam.
Pada tugas akhir ini rekaman suara jantung, diproses menggunakan spectrogram untuk merepresentasikan sinyal dalam domain waktu dan frekuensi. Spectrogram tersebut kemudian di ekstraksi ciri menggunakan filter wavelet gabor untuk mengetahui ciri-ciri penting dari spectrogram suara jantung. Hasil ekstraksi ciri tersebut sebagai input pada jaringan syaraf tiruan SOM(Self Organizing Map). Pelatihan jaringan syaraf tiruan dilakukan untuk mendapatkan klasifikasi yang tepat dalam mengidentifikasi jenis suara jantung tersebut. Dengan mengetahui jenis suara jantung, maka jika ada kelainan dokter dapat mengetahui penyakit yang di derita pasien dan bertindak lebih jauh untuk mengatasi kelainan tersebut.
Hasil dari penelitian Tugas Akhir ini adalah tingkat akurasi paling bagus dengan menggunakan topologi gridtop adalah 96.67% yaitu pada kombinasi 24 vektor ciri dan Euclidian dist, 24 vektor ciri dan boxdist, 40 vektor ciri dan boxdist. Tingkat akurasi paling bagus dengan menggunakan topologi hextop adalah 100% yaitu pada kombinasi 24 vector ciri dan mandist. Tingkat akurasi paling bagus dengan menggunakan topologi randtop adalah 100% yaitu pada kombinasi 24 vector ciri dan linkdist, 24 vector ciri dan mandist. Dari sini dapat dilihat bahwa tingkat akurasi paling bagus adalah jika jumlah vector ciri 24. Hal ini dikarenakan jika vector ciri terlalu banyak, maka akan terdapat banyak informasi yang tidak dibutuhkan untuk klasifikasi. Jika vector ciri terlalu sedikit, maka informasi penting yang dibutuhkan untuk klasifikasi kadang tidak ada.Kata Kunci : spectogram, filter wavelet gaborABSTRACT: One of doctor’s way to diagnose the disease is by auscultation. But because of the limitations of human hearing, sometimes the doctor can’t to diagnose the disease. This is impossible to record heart sounds chaos using human ear. That’s why need a tool to help analyze a diasease based on heart sound has been recorded.
At this research heart sound recording processed by spectrogram to representate signal in time domain and frequency domain. Output of spectrogram extracted using gabor wavelet filter to get the important feature of heart sound spectrogram. The result of feature extraction using as input at SOM(Self Organizing Maps) neural network. Training of neural network made to knowing classification type of heart sound. If we have known the type of heart sound, then doctor will know kind of disease of patient and can do more to solve that disorder.
The result of this research is the best accuracy level with using gridtop topology is 96.67% namely the combination of 24 feature vector and Euclidian dist, 24 feature vector and boxdist, 40 feature vector and boxdist. The best accuracy level with using hextop topology is 100% namely the combination of 24 feature vector and mandist. The best accuracy level with using randtop topology is 100% namely the combination of 24 feature vector and linkdist, 24 feature vector and mandist. From this result can be known that the best accuracy level is the number of 24 feature vector. It is caused if the feature vector is more, will have amount of information that is not needed for classification. If the feature vector is fewer, important information that is needed for classification is occasionally not present. .Keyword: spectogram, filter wavelet gabor