Klasifikasi Suara Paru Menggunakan Transformasi Wavelet Dan Recurrent Neural Networks

Abstract

Abstrak
Suara paru mengacu pada bunyi spesifik yang dihasilkan oleh pergerakan udara melalui sistem pernapasan.
Ada dua tipe suara paru yaitu normal dan abnormal. Contoh suara paru abnormal adalah crackles, wheezes.
Crackles adalah suara paru yang berderak atau bergelembung yang berasal dari pangkal paru, akibat
penundaan pembukaan kembali jalan napas yang menutup. Wheezes adalah bunyi seperi bersiul yang
diakibatkan udara yang melewati jalan napas yang menutup sebagian. Pada penelitian ini, penulis
membangun model klasifikasi suara paru abnormal wheezes, crackles dan suara paru normal dengan
menggunakan metode wavelet haar dan wavelet daubechies 3 untuk mengekstrak vektor ciri dan
menggunakan algoritma Gate Recurrent Unit (GRU) untuk mengklasifikasikan suara paru. Pada Proses
klasifikasi dengan model GRU beberapa skenario pengujian ditambahkan untuk menganalisa hasil akurasi
yang didapat. Hasil akurasi tertinggi didapatkan pada scenario pengujian wavelet daubechies 3, optimizer
adam dan nilai dropout 0,6 mendapatkan nilai akurasi 88,81%.
Kata Kunci: Suara paru, normal, abnormal, wavelet, GRU, akkurasi
Abstract
Lung sounds refer to the specific sounds produced by the movement of air through the respiratory system.
There are two types of lung sounds, namely normal and abnormal. Examples of abnormal lung sounds are
crackles, wheezes. Crackles are the sound of the lungs crackling or bubbling that originates from the base of
the lungs, as a result of delays in reopening the closed airway. Wheezes are whistling sounds caused by air
passing through the airway that is partially closed. In this study, the authors built a classification model for
abnormal wheezes, crackles and normal lung sounds using the wavelet haar and wavelet daubechies 3
methods to extract feature vectors and using the Gate Recurrent Unit (GRU) algorithm to classify lung
sounds. In the classification process with the GRU model several test scenarios are added to analyze the
accuracy results obtained. The highest accuracy results were obtained in the wavelet testing scenario
Daubechies 3, Adam's optimizer and the dropout value of 0,6 got an accuracy value of 88,81%.
Keywords: Lung sounds, normal, abnormal, wavelets, GRU, accuracy