Klasifikasi Suara Paru Normal Dan Abnormal Menggunakan Deep Neural Network Dan Support Vector Machine

Adnan Hassal Falah, Jondri Jondri

Abstract

Abstrak Penyakit pernapasan masih menjadi pembunuh tertinggi setelah stroke dan penyakit jantung, hal ini disebabkan teknik diagnosis yang masih terbatas pada auskultasi. Melalui auskultasi ditemukan bahwa paru-paru memiliki suara yang berbeda-beda, sesuai dengan kondisi kesehatan seseorang. Oleh karena itu, dimulailah penelitian untuk mengklasifikasikan jenis suara paru. Berbagai metode telah digunakan untuk penelitian di bidang tersebut, tidak terkecuali deep learning. Diantara sekian banyak metode yang berkembang di bawah label deep learning, ternyata Autoencoder hanya digunakan sekali dalam sejarah penelitian klasifikasi data suara paru. Autoencoder (AE) merupakan salah satu arsitektur Deep Neural Network yang mampu merekonstruksi suatu data. Kemampuan ini dapat dimanfaatkan sebagai metode ekstraksi ciri sehingga classfier dapat mengklasifikasikan suatu data dengan lebih baik. Oleh karena itu, autoencoder diajukan sebagai metode ekstraksi ciri pada tugas akhir ini. Kemampuan Autoencoder sebagai metode ekstraksi ciri akan diuji oleh Support Vector Machine (SVM). Vektor ciri dipersiapkan dengan continouos wavelet transform (CWT) dan tiga pemrosesan lebih lanjut, lalu diinputkan ke dalam Autoencoder. Dari dua macam pengujian, sistem klasifikasi AE-SVM berhasil mencapai akurasi sebesar 82,38%.

Kata kunci : suara paru, continouos wavelet transform, wavelet energy, deep neural network, autoencoder, support vector machine

Abstract Respiratory disease is still the highest killer after strokes and heart disease, this is due to diagnostic techniques that are still limited to auscultation. Through auscultation it is found that the lungs have different sounds, according to one's health condition. Therefore, research began to classify the types of lung sounds. Various methods have been used for research in this field, including deep learning. Among the many methods that develop under the label of deep learning, it turns out that Autoencoder is only used once in the history of research in classification of pulmonary sound data. Autoencoder (AE) is one of the Deep Neural Network architectures that is capable of reconstructing data. This capability can be used as a feature extraction method so that classfier can classify data better. Therefore, autoencoder is proposed as a feature extraction method in this final project. The ability of Autoencoder as a feature extraction method will be tested by Support Vector Machine (SVM). The feature vector is prepared with continous wavelet transform (CWT) and three further processing, then it inputted into Autoencoder. From two experiments on Autoencoder’s parameter, the AE-SVM classification system achieved an accuracy of 82.38%.

Keywords: lungs sound, continouos wavelet transform, wavelet energy, deep neural network, autoencoder, support vector machine

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0