ABSTRAK Nama : Mohammad Faturrahman Program Studi : Magister Ilmu Komputer Judul : Klasifikasi Suara Jantung Menggunakan Deep Belief Network. Sinyal Phonocardiogram merupakan bentuk grafis dari suara jantung yang dapat digunakan untuk mendiagnosa penyakit jantung. Diagnosa menggunakan sinyal PCG lebih efektif karena dapat memberikan informasi mengenai aktifitas jantung secara visual dan merekam seluruh komponen suara jantung utama yang terdiri dari suara pertama S1 dan S2. Namun diagnosa penyakit jantung menggunakan sinyal PCG bergantung pada kemampuan interpretasi dokter terhadap sinyal PCG. Oleh karena itu klasifikasi suara jantung secara otomatis diperlukan untuk membantu dalam mendiagnosa dan mengontrol penyakit jantung. Klasifikasi suara jantung berdasarkan sinyal PCG dipengaruhi oleh proses segmentasi dan ekstrasi fitur. Proses segmentasi bertujuan untuk menentukan siklus jantung pada sinyal PCG yang terdiri dari suara jantung S1 dan S2. Proses segmentasi ini sulit dilakukan karena sinyal PCG mengandung banyak noise berupa suara usus, suara pernafasan, gerakan alat PCG dan suara bising pada jantung (murmur). Sedangkan proses ekstraksi fitur bertujuan untuk mendapatkan representasi fitur pada sinyal PCG tersegmentasi. Sinyal PCG tersegmentasi memiliki dimensi tinggi dan terdapat redudansi informasi. Tesis ini mengusulkan metode klasifikasi suara jantung berdasarkan sinyal PCG dengan menggunakan Support Vector Machine dan menerapkan Shannon Energy Envelope pada proses segmentasi serta metode Deep Belief Network (DBN) pada proses Ekstraksi Fitur. Hasil penelitian ini menunjukkan bahwa hasil klasifikasi berdasarkan representasi fitur DBN mampu meningkatkan nilai akurasi. Kata Kunci : Phonocardiogram, Deep Belief Network, Suara Jantung, Deep Learning, Ekstraksi Fitur, Segmentasi

ABSTRACT Name : Mohammad Faturrahman Program : Magister Ilmu Komputer Title : Heart Sound Classification using Deep Belief Network Phonocardiogram Signal is a graphical representation of heart sound that can be used to diagnose a heart disease. Diagnosing heart disease based on PCG signal is more effective. Because of its ability to capture all heart sound components including S1 dan S2. Nevertheless, the interpretation of PCG signal is depend on doctor’s expertise. Therefore automated PCG signal classification is required in order to help doctor diagnosing and monitoring heart disease. The Classification of PCG is influenced by the segmentation process and the feature extraction process. The segmentation process aims to detect the location of heart sound components including S1 and S2 in PCG signal. However it is difficult to find those component in a noisy PCG signal. The feature extraction process aims to extract relevant features that lays in segmented PCG signal. This process is required because the segmented PCG signal has high dimensionality and redundant information. This thesis proposes Shannon Energy Envelope for segmenting PCG signal and Deep Belief Network (DBN) for feature extraction method. The results show that the proposed method improve the classification accuracy in existing datasets. Keywords : Phonocardiogram Signal, Deep Belief Network, Heart Sound, Deep Learning, Feature Extraction, Segmentation