makalah1

5/10/2018 makalah1 - slidepdf.com

http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 1/6

JARINGAN SYARAF TIRUAN KOHONEN UNTUK

ANALISIS KLINIK TANGIS BAYI

ADRIAN EKO SAPUTRONIM. M0298016

Jurusan Fisika FMIPA Universitas Sebelas Maret

Surakarta

Sistem penganalisis klinik tangis bayi dibuat untuk mengklasifikasikan sinyal suara tangis bayi ke

dalam 2 kategori klinik, yaitu normal dan abnormal berdasarkan pola akustik tangis bayi.

Jaringan syaraf tiruan Kohonen dipakai sebagai otak penganalisisnya. Pada masa pelatihan,

jaringan diberi 12 pola akustik tangis bayi normal dan 12 pola akustik tangis bayi abnormal. Hasil

pengujian jaringan menunjukkan bahwa jaringan dapat mengenali kembali semua bahan ajar

normal dan 9 bahan ajar abnormal pada toleransi kesalahan 1,6.

Kata kunci : jaringan syaraf tiruan Kohonen, pola ciri akustik, tangis bayi, normal, abnormal

1. PENDAHULUAN

Tangis bayi dapat memberikan gambarankondisi fisik maupun psikologis dari seorang

bayi. Beberapa penelitian terdahulu terhadap

tangis bayi, seperti yang dilakukan oleh Ekkel

(2001) dan Lederman (2002), menunjukkan

bahwa pemicu tangis yang berbeda akan

menghasilkan pola tangis yang berbeda pula.

Hasil penelitian Robb dan Goberman (1997)

terhadap bayi yang baru lahir di Amerika

menunjukkan bahwa ada perbedaan pola

tangis yang signifikan antara bayi normal

dengan bayi abnormal. Berdasarkan hasil-hasil

penelitian tersebut maka dapat disimpulkan

bahwa sinyal suara tangis bayi dapat dipakai

sebagai alat deteksi dini terhadap kesehatan

bayi. Data suara tangis bayi relatif mudah

didapatkan namun demikian pemanfaatannya

sebagai alat deteksi dini terhadap kesehatan

bayi masih amat jarang terutama di Indonesia.

Berdasarkan fenomena di atas maka

dibuatlah suatu sistem yang mampu

mendeteksi kesehatan bayi berdasarkan hasil

analisis sinyal suara tangisnya. Sistem

penganalisis klinik tangis bayi menggunakan jaringan syaraf tiruan Kohonen atau disebut

juga SOM (Self Organizing Maps) sebagai

otaknya. Jaringan syaraf tiruan Kohonen telah

banyak dimanfaatkan untuk pengenalan pola

baik berupa citra,suara,dll (Siong dan

Resmana, 1999). Jaringan syaraf tiruan

Kohonen akan belajar mengingat pola-pola

suara tangis bayi normal dan abnormal.

Berdasarkan hasil belajarnya sistem

tersebut akan menganalisis suara tangis bayidengan cara mengklasifikasikan pola tangis

masukan tersebut ke dalam salah satu di antara

2 kategori kinik, yaitu normal atau abnormal.

2. METODE PENELITIAN

Data suara tangis bayi direkam dari

tangis 8 bayi yang baru lahir di RS. Muwardi,

Surakarta. Diagnosa dokter menyebutkan

bahwa dari ke-8 bayi tersebut 3 bayi dalam

kondisi normal dan 5 bayi dalam kondisi

abnormal. Sinyal suara analog direkam

sekaligus diubah menjadi sinyal digital oleh

voicepen DS601. Hasil rekaman suara tangis

disimpan dalam file berekstensi *.wav.

Data suara tangis bayi berupa frekwensi

suara tangis selama rentang waktu tertentu.

Data tersebut selanjutnya diolah menggunakan

software SFS (Speech Filing System) untuk

menghilangkan derau yang timbul akibat

adanya pengaruh spectral dari struktur indera

penghasil bunyi mulai dari pangkal tenggorok

hingga bibir bayi dan didapatkan nilai mfcc

(mel frequency cepstral coefficients ). Datasuara tangis bayi yang telah dibersihkan dari

derau kemudian dicuplik dalam frame-frame

seperti ditunjukkan pada Gambar 1. Dalam

penelitian ini telah dicuplik 12 frame dari 4

file data tangis bayi abnormal dan 12 frame

dari 3 file data tangis bayi normal untuk

dipakai sebagai bahan ajar.



Gambar 1. Pencuplikan frame dalam sebuah file

data tangis bayi

Dari setiap frame diambil data koefisien

cepstralnya pada 3 posisi, yaitu awal frame,

tengah frame dan akhir frame. Setiap posisi

menghasilkan 16 koefisien cepstral. Dengandemikian dari sebuah frame akan diperoleh 48

koefisien cepstral yang membentuk sebuah

pola akustik tangis bayi.

Setiap data pola akustik tangis bayi

dinormalisasi agar setiap pola tersusun atas

angka-angka yang berkisar antar 1 hingga -1.

Proses ini diterapkan untuk menghilangkan

efek kuantitatif saat proses klasifikasi pola.

Pola tangis bayi ternormalisasi menjadi

masukan bagi jaringan syaraf tiruan Kohonen

baik pada masa pelatihan maupun pada masa

pengujian.

2.1 Perancangan program pelatihan

jaringan syaraf tiruan Kohonen

Jaringan syaraf tiruan Kohonen yang

disusun memiliki N M × neuron dimanasetiap neuron memiliki vektor bobot

berdimensi R dan akan menerima masukan

dari vektor masukan berdimensi R pula.

Jaringan akan menjalani masa pelatihan

menurut algoritma sebagai berikut (Emamian,

V., etc,2004) :a) Inisialisasi nilai setiap vektor bobot awal.

Salah satu metode untuk mencegah kondisi

non-konvergen adalah menginisialisasi

bobot awal dengan pola-pola yang sangat

mirip dengan pola-pola yang akan

dilatihkan (Siong dan Resmana, 1999).

[ ] Ri

mmmnW ,...,,)( 21= (1)

dengan i = 1, 2, …, N M × n = 0, 1, 2, …., N T

dimana n merupakan perulangan dalam

tahapan belajar dan N T merupakan jumlah

vektor. W i(0) merupakan vektor bobot ke-i

sebelum belajar.

b) Menghadirkan vektor masukan, X(n)sebagai bahan ajar ke dalam jaringan

c) Menjalankan proses kompetisi

1) Hitung jarak Euclidean :

)()()( nW n X n D ii −= (2)

2) Cari neuron dengan jarak Euclidean

terpendek sebagai pemenang kompetisi

d) Neuron pemenang dan tetangganya berhak

melakukan proses belajar, dalam arti nilai

vektor bobotnya mengalami pengubahan

nilai mengikuti perumusan berikut

[ ])()()()()1( nW n X nnW nW iii −+=+ η (3)

dengan )(nη merupakan konstanta

ataupun fungsi yang secara monoton

menurun. Nilai )(nη berada pada rentang

1)(0 << nη dan mempengaruhi kecepatan

belajar jaringan. Salah satu fungsi menurun

yang bisa diterapkan adalah (Chester,

1993)

−×=

41011,0)(

nnη (4)

Adapun jumlah tetangga di sekitar neuron

pemenang yang berhak belajar diatur

dengan perumusan sbb :

)()( ngnS = jika g(n) > 1

= 1 jika 1)( ≤ng (5)

dimanaT N

n

M M ng

10

1)(

= (6)

dengan kesepakatan bahawa M > N

e) Ulangi langkah c dan d sampai jarak Euclidean Di(n) lebih kecil daripada Dreff

(toleransi jarak Euclidean).

f) Ulangi langkah b hingga e sampai seluruh

bahan ajar habis diajarkan

Walaupun sebuah pola akustik tersusun

atas 48 koefisien cepstral yang diambil dari 3

posisi namun dalam pelatihan, jaringan

diminta untuk mengingat pola dari masing-



masing posisi pengambilan. Oleh sebab itu

pada awal proses belajar disiapkan 10 vektor

bobot pengingat pola dari awal frame, 10

vektor bobot pengingat pola dari tengah frame

dan 10 vektor bobot pengingat pola dari akhir

frame. Jadi, selain mengingat pola dari

masing-masing posisi, jaringan juga

mengingat susunan kombinasi dari ketiga polaposisi tersebut. Seluruh vektor bobot diset

dengan nilai-nilai yang mirip nilai yang akan

ditampungnya. Hal ini dilakukan untuk

menghindari kondisi non-konvergen. Pada

akhir proses pelatihan akan disimpan hanya

semua vektor bobot yang pernah menjadi

pemenang. Vektor-vektor inilah yang nantinya

akan digunakan untuk menganalisis masukan

dan mengklasifikasikannya ke dalam salah

satu di antara 2 kategori kinik, yaitu normal

atau abnormal.

2.2 Perancangan program pengujian

jaringan syaraf tiruan Kohonen

Bahan uji untuk mengetahui keberhasilan

belajar jaringan diambil dari seluruh pola

akustik bahan ajar dan 3 pola akustik tangis

bayi di luar bahan ajar. Ketika sebuah pola

akustik tangis bayi dimasukkan ke dalam

jaringan untuk diklasifikasikan maka pola

awal frame, tengah frame dan akhir frame dari

pola masukan akan dibandingkan dengan

dengan pola awal frame, tengah frame dan

akhir frame ingatan yang telah diperoleh dari

hasil pelatihan seperti ditunjukkan pada

Gambar 2. Dalam tahap klasifikasi ini terjadi

proses kompetisi dimana pemilik total jarak

terpendek akan keluar sebagai pemenang.

Hasil analisis adalah kondisi klinik dari

kelompok kondisi klinik pemenang.



Gambar 2. Proses klasifikasi kondisi klinik oleh jaringan

JFABN2

JFABNK

JFABN1

JMABNP

JMABN2

JMABN1

JLABNR

JLABN2

JLABN1

JLNK

JLN2

JLN1

JMNP

JMN2

JMN1

JFNK

JFN2JFN1

Hasil Belajar

Pola akustik

masukan

IF

IM

IL

Hitung jarak

Total JFN

Total JFABN

Total JMN

Total JMABN

Total JLN

Total JLABN

T

otalJFN+ TotalJMN + TotalJLN

dibandingakan nilainya dengan

TotalJFABN+ TotalJMABN+ TotalJLABN

Hasil analisis

Kondisi Klinik

Normal

.

.

WFN1

WFN2

WFNK

.

.

.

WMN1

WMN2

WMNP

.

.

.

WLN1

WLN2

WLNR

Kondisi Klinik

Abnormal

.

.

.

WFABN1

WFABN2

WFABNK

.

.

.

WMABN1

WMABN2

WMABNP

.

.

.

WLABN1

WLABN2

WLABNR



Gambar 4.5. Grafik pada proses klasifikasi bahan

ajar Abnormal 1

3. HASIL DAN PEMBAHASAN

Secara ringkas bahwa hasil pelatihan

jaringan adalah ingatan akan pola akustik

tangis bayi normal dan pola akustik tangis bayi

abnormal. Keseluruhan ingatan jaringan

tersebut ditampilkan dalam grafik seperti

ditunjukkan pada Gambar.

Gambar 3. Pola akustik tangis bayi hasil pelatihan

jaringan

Setelah berlatih maka jaringan diuji, yaitu

jaringan diminta mengenali kembali seluruh

pola akustik tangis bayi bahan ajarnya dan

menganalisis 3 pola akustik tangis bayi diluar

bahan ajarnya. Berikut disajikan contoh

tampilan grafik ketika sebuah pola tangis bayi

masukan diklasifikasikan. Pada grafik tersebut

garis dengan warna merah menyatakan ingatan

terhadap pola tangis bayi normal, warna hijau

menyatakan ingatan terhadap pola tangis bayi

abnormal dan garis warna biru mewakili pola

tangis bayi masukan seperti ditunjukkan pada

Gambar 4.

Hasil Diagnosis Bahan Ajar Abnormal 1 ( First

Frame )

-1.00000

-0.80000

-0.60000

-0.40000

-0.20000

0.00000

0.20000

0.40000

0.60000

0.80000

1.00000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coef

MFCC

Hasil Diagnosis Bahan Ajar Abnormal 1 ( Mid

Frame )

-1.00000

-0.80000

-0.60000

-0.40000

-0.20000

0.00000

0.20000

0.40000

0.60000

0.80000

1.00000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coef

MFCC

Hasil Diagnosis Bahan Ajar Abnormal 1 ( Last

Frame )

-1.00000

-0.80000

-0.60000

-0.40000

-0.20000

0.00000

0.20000

0.40000

0.60000

0.80000

1.00000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coef

MFCC



Hasil pengujian jaringan diberikan pada

Tabel 1

BAHAN AJAR NORMAL BAHAN AJAR ABNORMAL

FRAME DIAGNOSA FRAME DIAGNOSA

Frame 1 NORMAL Frame 1 ABNORMAL






Frame 7 NORMAL Frame 7 NORMAL






BAHAN UJI NORMAL BAHAN UJI ABNORMAL

FRAME DIAGNOSA FRAME DIAGNOSA




Tabel 1. Hasil pengujian jaringan pada toleransikesalahan 1,6

Berdasarkan data hasil pengujian di atas maka

disimpulkan bahwa jaringan telah dapat

menganalisis kondisi klinik dari pola tangis

bayi masukan dengan baik sekaligus hampir

dapat mengenali kembali sebagian besar bahan

ajarnya. Ketidakberhasilan pengenalan pada

beberapa bahan ajar abnormal diperkirakan

karena 2 hal. Pertama, jumlah bahan ajar

kurang banyak karena semakin banyak jumlah

bahan ajar maka jaringan semakin pandai.Kedua, pengesetan besar toleransi kesalahan.

Semakin kecil toleransi kesalahan yang

dipasang maka vektor bobot yang berusaha

mendekati pola masukan akan semakin

berbeda dengan pola awalnya sebelum belajar.

Terlebih lagi pola akustik abnormal dapat saja

sangat bervariasi tergantung jenis dan tingkat

keparahan kondisi abnormal yang terjadi

sehingga fenomena ketidakstabilan vektor

bobot dalam mengingat pola tangis bayi

abnormal lebih berpeluang terjadi. Pola

akustik tangis bayi normal yang diperkirakanpolanya tidak terlalu bervariasi karena

tangisannya tidak dipicu oleh kesakitan secara

fisik.

4. KESIMPULAN DAN SARAN1. Pola akustik tangis bayi normal tidak

terlalu bervariasi dibandingkan pola

tangis bayi abnormal.

2. Besar nilai toleransi kesalahan sangat

berpengaruh pada proses belajar dan

hasil pelatihan jaringan. Perlu dilakukan

optimasi nilai toleransi kesalahan untuk

menghasilkan ujuk kerja terbaik dari

jaringan.

3. Jaringan syaraf tiruan Kohonen yang

disusun untuk mendukung sistempenganalisis klinik tangis bayi ini telah

dapat menghasilkan analisis terhadap

kondisi klinik pola masukan dengan

cukup baik. Akan tetapi untuk

memperbaiki unjuk kerjanya maka

jumlah pola akustik tangis bayi sebagai

bahan ajar perlu diperbanyak dan pola-

pola tangis bayi abnormal perlu dibeda-

bedakan lagi berdasarkan jenis

penyakitnya

5. DAFTAR PUSTAKA

1. Chester, M., 1993, Neural Networks; A

tutorial, Prentice Hall, New Jersey

2. Ekkel,T., 2001, Searching Robust

Acoustical Indicators for Hypox-related

Disorder in Neonates for Classification

with Neural Network , Ph.D Thesis.

University of Twente, Netherland

3. Lederman, D.,2002, Automatic

Classification of Infant’s Cry,Master

Thesis Faculty of Engineering science

Ben-gurion of Negev, Israel

4. Robb, M.P., Goberman, A.M., 1997,

Application of An Acoustic Cry Template

to Evaluate At-Risk Newborn: Prelimenary

Analysis, Biology of The Neonate, Vol 71,

pp 131 – 136

5. Siong, A.W. dan Resmana, 1999,Pengenalan Citra Obyek Sederhana

Dengan Menggunakan Metode Jaringan

Syaraf Tiruan SOM , Prosiding Seminar

Nasional I Kecerdasan Komputasional,

Universitas Indonesia, Jakarta6. Emamian, V.,Kaveh, M., Tewfik, A.H.,

2004, Robust Clustering of Acoustic

Emission Signal Using The kohonen

Network , Depart. Of Electrical &

Engineering, Univ. of Minnesota, USA

makalah1

Documents

Transcript of makalah1