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