Electronic Theses and Dissertation

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.

The lungs are the most important organ that plays a role in the respiratory system and can supply oxygen to the entire human body. Lung health has often been disrupted due to lifestyle or environmental effects so that humans can die. Prevention of lung disease is very important, this is usually done by a specialist doctor listening to lung sounds using a stethoscope. As technology advances, checking respiratory conditions by listening to the sounds produced based on artificial intelligence can be done to prevent lung disease. In this study, lung sound signal processing using Short Time Fourier Transform (STFT) feature extraction and classification using Convolutional Neural Network (CNN) to detect lung sound abnormalities. The lung sound signal dataset that has been prepared in the form of files in .wav and .txt formats becomes two-dimensional image data in the form of a spectrogram using STFT feature extraction. Spectrogram data has many features that can be extracted, making it easier to classify lung sounds. The spectrogram results in normal sound have a frequency range between 100 - 200 Hz, crackles sound at a frequency of 350 Hz, wheezing sound has a frequency range between 400 - 650 Hz, and the sound of both (crackles and wheezing) has a frequency range between 350 Hz - 650 Hz. Then the CNN algorithm classifies the spectrogram data to get good results. Data trained using ResNet50 architecture on four classes of sounds namely normal sound, crackles, wheezing, both (crackles and wheezing) and get the best accuracy value obtained from the confusion matrix which is 87%. Keyword: Short Time Fourier Transform (STFT), spectrogram, Convolutional Neural Network (CNN), crackles, wheezing