M.HAFIZ ANWAR Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2024

Skripsi

Paru-paru merupakan organ terpenting yang berperan dalam sistem pernapasan dan dapat menyuplai oksigen ke seluruh tubuh manusia. Kesehatan paru-paru selama ini sering terganggu dikarenakan pola hidup ataupun efek lingkungan sehingga manusia dapat meninggal dunia. Pencegahan penyakit paru-paru sangat penting, hal ini biasanya dilakukan oleh dokter spesialis mendengarkan suara paru-paru menggunakan stetoskop. Seiring kemajuannya teknologi pemeriksaan kondisi pernapasan dengan mendengarkan suara yang dihasilkan berbasis kecerdasan buatan bisa dilakukan untuk mencegah penyakit paru-paru. Pada penelitian ini dilakukan pengolahan sinyal suara paru-paru menggunakan ekstraksi fitur Short Time Fourier Transform (STFT) dan pengklasifikasian menggunakan Convolutional Neural Network (CNN) untuk mendeteksi kelainan suara paru-paru. Dataset sinyal suara paru-paru yang sudah disiapkan berupa file dalam format .wav dan .txt menjadi data gambar dua dimensi dalam bentuk spectrogram menggunakan ekstraksi fitur STFT. Data spektrogram memiliki banyak fitur yang dapat diekstrak, sehingga memudahkan dalam pengklasifikasian suara paru-paru. Hasil spectrogram pada suara normal memiliki rentang frekuensi diantara 100 - 200 Hz, suara crackles pada frekuensi 350 Hz, suara wheezing memiliki rentang frekuensi diantara 400 - 650 Hz, dan suara both (crackles and wheezing) memiliki rentang frekuensi diantara 350 Hz - 650 Hz. Kemudian algoritma CNN mengklafisikasikan data spektogram untuk mendapatkan hasil yang baik. Data yang dilatih menggunakan arsitektur ResNet50 pada empat kelas suara yaitu suara normal, crackles, wheezing, both (crackles and wheezing) dan mendapatkan nilai akurasi terbaik yang diperoleh dari confusion matrix yaitu sebesar 87%. Kata kunci: Short Time Fourier Transform (STFT), spectrogram, Convolutional Neural Network (CNN), Convolutional Neural Network (CNN) crackles, wheezing. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 119834 2024-01-26 20:29:52 2024-01-29 08:51:01 machine generated