makalah1
-
Upload
hasbi-fadli -
Category
Documents
-
view
68 -
download
0
Transcript of 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.
5/10/2018 makalah1 - slidepdf.com
http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 2/6
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-
5/10/2018 makalah1 - slidepdf.com
http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 3/6
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.
5/10/2018 makalah1 - slidepdf.com
http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 4/6
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
5/10/2018 makalah1 - slidepdf.com
http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 5/6
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
5/10/2018 makalah1 - slidepdf.com
http://slidepdf.com/reader/full/makalah1-55a0bb4d1d028 6/6
Hasil pengujian jaringan diberikan pada
Tabel 1
BAHAN AJAR NORMAL BAHAN AJAR ABNORMAL
FRAME DIAGNOSA FRAME DIAGNOSA
Frame 1 NORMAL Frame 1 ABNORMAL
Frame 2 NORMAL Frame 2 ABNORMAL
Frame 3 NORMAL Frame 3 ABNORMAL
Frame 4 NORMAL Frame 4 ABNORMAL
Frame 5 NORMAL Frame 5 ABNORMAL
Frame 6 NORMAL Frame 6 ABNORMAL
Frame 7 NORMAL Frame 7 NORMAL
Frame 8 NORMAL Frame 8 NORMAL
Frame 9 NORMAL Frame 9 ABNORMAL
Frame 10 NORMAL Frame 10 NORMAL
Frame 11 NORMAL Frame 11 ABNORMAL
Frame 12 NORMAL Frame 12 ABNORMAL
BAHAN UJI NORMAL BAHAN UJI ABNORMAL
FRAME DIAGNOSA FRAME DIAGNOSA
Frame 1 NORMAL Frame 1 ABNORMAL
Frame 1 NORMAL Frame 1 ABNORMAL
Frame 1 NORMAL Frame 1 ABNORMAL
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