Klasifikasi Suara Paru Dengan Convolutional Neural Network (cnn)
DOI:
https://doi.org/10.34818/eoe.v7i2.12750Abstract
Abstrak Suara paru adalah suara yang disebabkan oleh pernapasan. Suara paru dapat menjadi salah satu pendeteksi kelainan pada pernapasan. Pendeteksian pada penelitian ini meliputi klasifikasi suara paru terhadap kelas normal, kelas crackle, kelas wheeze, dan kelas crackle and wheeze. Spektogram adalah representasi visual dari suara atau sinyal dengan bermacam frekuensi atau variabel lainnya. Spektogram juga disebut sebagai short-time Fourier transform. Algoritma short-time Fourier transform (STFT) adalah algoritma pengembangan dari algoritma Transformasi Fourier. Kelebihan algoritma STFT dibandingkan algoritma Transformasi Fourier adalah STFT dapat menunjukan lokasi terjadinya suatu frekuensi. Penelitian ini menggunakan spektogram karena algoritma pembelajaran mesin yang digunakan adalah convolutional neural network (CNN). CNN adalah algoritma yang telah tervalidasi dalam pengolahan citra medis. Oleh karena itu, penggunaan spektogram akan membuat akurasi CNN menjadi lebih tinggi. Dalam penelitian ini digunakan tiga proses augmentasi, yaitu shift up by a major third (four half-steps), compress to be one and a half as fast, compress to be half as fast. Proses augmentasi dilakukan untuk menghindari kondisi overfitting pada model pembelajaran mesin yang dilatih pada penelitian ini. Setelah melakukan pelatihan pada model pembelajaran mesin CNN dengan menggunakan generalisasi berupa augmentasi dan dropout layer, maka didapatkan akurasi sebesar 84,80% terhadap data latih dan 78,09% terhadap data uji. Kata Kunci: suara paru, spektogram, CNN
Downloads
References
[1] S. Reichert, R. Gass, C. Brandt, and E. Andrès, “Analysis of Respiratory Sounds: State of the Art,” Clin. Med. Circ. Respirat. Pulm. Med., vol. 2, p. CCRPM.S530, 2008.
[2] C. Pinho, A. Oliveira, C. Jácome, J. Rodrigues, and A. Marques, “Automatic Crackle Detection Algorithm Based on Fractal Dimension and Box Filtering,” Procedia Comput. Sci., vol. 64, pp. 705–712, 2015.
[3] A. Rizal, R. Hidayat, and H. A. Nugroho, “Lung Sounds Classification using Spectrogram ’ s First Order Statistics Features,” 2016.
[4] M. Aykanat, Ö. Kılıç, B. Kurt, and S. Saryal, “Classification of lung sounds using convolutional neural networks,” EURASIP J. Image Video Process., vol. 2017, no. 1, p. 65, Dec. 2017.
[5] C. Aridela et al., “Perbandingan Suara Paru Normal Dan Abnormal Menggunakan Probabilistic Neural Network Dan Support Vector Machine Classification Comparison of Normal and Abnormal Lung Sounds,” vol. 4, no. 1, pp. 165–174, 2017.
[6] R. Palaniappan, K. Sundaraj, and N. U. Ahamed, “Machine learning in lung sound analysis: A systematic review,” Biocybern. Biomed. Eng., vol. 33, no. 3, pp. 129–135, 2013.
[7] B. Boashash, “Time-Frequency Signal Analysis and Processing: A Comprehensive Reference,” Jan. 2003.
[8] Suyanto, Machine Learning Tingkat Dasar dan Lanjut. 2018.
[9] L. Lu, Y. Zheng, G. Carneiro, and L. Yang, Advances in Computer Vision and Pattern Recognition Deep Learning and Convolutional Neural Networks for Medical Image Computing. .
[10] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks.”



