KLASIFIKASI SUARA JANTUNG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK 1 DIMENSI (CNN 1D) DENGAN PITCH SHIFTING DAN TRANSFORMASI FFT PADA DATASET TERBATAS

Abstract

Pendeteksian dini terhadap kelainan jantung sangat penting untuk mencegah risiko komplikasi yang lebih serius. Penelitian ini bertujuan untuk mengklasifikasikan suara jantung normal dan murmur menggunakan metode Convolutional Neural Network (CNN) satu dimensi. Data yang digunakan merupakan sinyal phonocardiogram (PCG) yang telah melalui tahapan preprocessing berupa band pass filter Butterworth orde 4 (30 – 150 Hz), augmentasi pitch shifting (+2 semitone), dan transformasi Fast Fourier Transform (FFT) untuk ekstraksi fitur dalam domain frekuensi. Model CNN dilatih menggunakan skema validasi silang 5 fold untuk memastikan performa yang stabil di berbagai subset data. Analisis bentuk gelombang, spektrum frekuensi, dan spektrogram menunjukkan adanya perbedaan signifikan antara suara jantung normal dan murmur, serta dampak dari proses augmentasi terhadap distribusi frekuensi. Hasil evaluasi menunjukkan bahwa model mampu mencapai rata-rata akurasi sebesar 0,7615, dengan nilai precision sebesar 0,8533, recall sebesar 0,6912, dan F1 score sebesar 0,7517. Penelitian ini menunjukkan bahwa kombinasi preprocessing sinyal, augmentasi data, dan CNN satu dimensi dapat digunakan secara efektif untuk klasifikasi suara jantung. Hasil ini berpotensi untuk dikembangkan lebih lanjut dalam sistem deteksi dini gangguan jantung berbasis PCG.