Klasifikasi Suara Paru Dengan Ekstraksi Ciri Wavelet Menggunakan Algoritma Stacked Denoising Autoencoder
DOI:
https://doi.org/10.34818/eoe.v7i2.12752Abstract
Abstrak Paru-paru merupakan bagian terpenting bagi manusia. Paru-paru memiliki peranan penting bagi manusia dalam bernapas. Ketika orang mulai terganggu penapasannya berarti terdapat kelainan yang ada di paruparu dan mengakibatkan terjadinya penyakit pernapasan. Kelainan dari Suara Pernapasan ini dibagi kedalam 4 kelas, yaitu kelas normal, kelas crackel, kelas wheeze, dan kelas crackel dan wheeze. Untuk mendiagnosa penyakit pernapasan ini, salah satu metodenya ialah membaca pola suara dari paru-paru menggunakan Wavelet dan Stacked Denoising Autoencoders (SDAE) untuk melakukan klasifikasinya. Wavelet digunakan untuk mendapat ekstrasksi ciri suatu data dan SDAE digunakan untuk merekontruksi suatu data mendekati dengan informasi data sebenarnya. Dengan menggunakan SDAE maka data dari Wavelet dapat diolah lagi menjadi data Wavelet yang bersih dan diklasifikasikan terhadap gejala-gejala pernapasan yang ada. Setelah melakukan pengujian terhadap SDAE maka didapatkan akurasi sebesar 71.57% terhadap data latih dan 67.97% terhadap data uji. Kata kunci : Stacked Denoising Autoencoder, Wavelet
Downloads
References
[1] Achmad Rizal, Risanuri Hidayat, Hanung Adi Nugroho, "Lung Sounds Classification using Spectrogram’s First Order Statistics Features," 2016.
[2] Adnan Hassal Falah, Jondri, M.Si, "Klasifikasi Suara Paru Normal Dan Abnormal Menggunakan Deep Neural Network dan Support Vector Machine," 2019.
[3] Chandraditya Aridela , Achmad Rizal, ST., MT. , Yuli Sun Hariyani,ST.MT ., "Perbandingan Suara Paru Normal Dan Abnormal Menggunakan Probalistic Neural Network Dan Support Vector Machine," 2017.
[4] Hanung Tyas Saksono, Achmad Rizal., Koredianto Usm, "Pendeteksian Kanker Paru–Paru Dengan Menggunakan Transformasi Wavelet Dan Metode Linear Discriminant Analysis," 2010.
[5] F. Ningsih, "Ekstraksi Ciri dan Identifikasi Sinyal Suara Jantung S1 dan S2 Phonocardiogram (PCG) menggunakan Metode Continuous Wavelet Transform," 2018.
[6] Q. V. Le, "Part 2: Autoencoders, Convolutional Neural Networks and Recurrent Neural Networks," in A Tutorial on Deep Learning , 2015.
[7] Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., and Manzagol, P.-A, "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. Journal of Machine Learning," 2010.
[8] Tedy Suwega, Jondri, M.Si., Untari Novia Wisesty, S.T, M.T., "Denoising Sinyal EKG Menggunakan Deep Neural Network Dengan Staked Denoising Autoencoders," 2017.
[9] Ilham Muhammad, Jondri, M.Si., Untari Novia Wisesty, S.T, M.T., "Klasifikasi Sinyal ECG Menggunakan Deep Learning Dengan Stacked Denoising Autoencoders," 2017.
[10] Suyanto, Machine Learning Tingkat Dasar dan Lanjut, 2018.



