ABSTRAKSI: Jaringan Kohonen adalah bentuk khusus dari jaringan kompetitif. Jaringan Kohonen banyak dipakai untuk membagi pola masukan ke dalam beberapa kelompok(cluster) atau kelas–kelas data. Keluaran Jaringan adalah kelompok atau kelas data yang paling mirip dengan masukan yang diberikan. Ukuran yang sering dipakai adalah jarak minimum antar data. Tiap kelas-kelas data pada lapisan kompetitif dipisahkan oleh suatu jarak tertentu. Namun jarak antar data yang ada saat ini terlalu lebar dan tidak efisien. Untuk itu dibutuhkan analisis tertentu guna meningkatkan performansi Jaringan Kohonen.
Tugas akhir ini bertujuan untuk menghasilkan suatu alat bantu untuk mendiagnosa suara jantung dan mengklasifikasikan tipe kelainan jantung serta pengamatan perbandingan performansi dengan membandingkan kinerja beberapa teknik- teknik pengukuran jarak data yang digunakan untuk mengukur jarak antar data pada lapisan kompetitif. Pengukuran dilakukan untuk mendapatkan minimum distance yang akan mempengaruhi performansi jaringan Kohonen. Secara umum, sistem pendeteksian kelainan jantung ini terdiri dari dua bagian utama, yaitu: ekstraksi ciri menggunakan dekomposisi paket wavelet dan klasifikasi ciri menggunakan jaringan saraf tiruan Kohonen. Sinyal suara jantung akan dibagibagi spektralnya menggunakan dekomposisi paket wavelet. Hasil dekomposisi yang berupa subband-subband ini kemudian dihitung energinya sehingga didapatkan feature-feature tertentu. Feature-feature yang diperoleh inilah yang kemudian dikenali dengan menggunakan JST Kohonen.
Dari hasil pengujian dengan ekstraksi ciri menggunakan filter wavelet db2 diperoleh tingkat akurasi pendeteksian kelainan jantung adalah 93,3% untuk data latih sebesar 90 dan 94,47 % untuk data latih sebesar 150 .
Kata Kunci : Kelainan jantung, cluster, dekomposisi paket wavelet, JSTKohonen.ABSTRACT: Kohonen Network is the special form from Competitive Network. Kohonen Network is mostly used to divide the input pattern into several clusters or the class of data. Output Network is the cluster which is more likely with the given input. The measurement which is mostly used is the minimum distance between the data. Every cluster in Competitive Layer is separated by certain distance. Recently, the distance between the data is too wide and inefficient. So that we need certain analysis in order to increase the performance of Kohonen Network.
The purpose of this Research is to make a helping-tools to diagnose the heart beat and classify the types of heart failure and also observe the performance comparation by comparing the performance between the interdata measurement techniques which are used to measure the distance between data in Competitive Layer. The measurement is done to get the minimum distance, which will alter the performance of Kohonen Network. Heart failure detection system is generally classified in to two main parts, which are : feature classification uses wavelet packet decomposition and feature extraction uses the NEURAL NETWORK Kohonen. The heartbeat signal��s spectral will be divided by using wavelet packet decomposition. The results of the decomposition, which are in the form of subbands, will be counted to get certain features. These features are known by using NEURAL NETWORK Kohonen later.
From the trial results by feature classification using wavelet filter db2, the heart failure detector��s accuration is 93,33% for training data 90 and 94,47 % for training data 150 .
Keyword: heart failure, cluster, wavelet packet decomposition, Kohonen