Implementasi Deep Learning Pada Sistem Klasifikasi Penyakit Paru Berdasarkan Lung Sound Dari Stetoskop

Widyagustin, Hazimah (2024) Implementasi Deep Learning Pada Sistem Klasifikasi Penyakit Paru Berdasarkan Lung Sound Dari Stetoskop. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022221040-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Paru-paru merupakan organ utama sistem pernapasan pada manusia,berfungsi untuk menukarkan oksigen dari udara dengan karbon dioksida dari darah. Deteksi adanya gangguan pernapasan dan gangguan pada paru-paru dapat dilakukan melalui berbagai cara yaitu melihat rekam medis, pemeriksaan fisik, pendeteksian dengan x-ray dan juga auskultasi pernapasan. Pemrosesan sinyal digital dapat digunakan sebagai salah satu cara untuk mendeteksi adanya gangguan pada paru-paru berdasarkan suara yang dihasilkan. Pada penelitian ini dilakukan pengenalan suara paru-paru, yang digunakan untuk membedakan penyakit paru dari kelas normal, asma dan pneumonia. Pengambilan sample suara paru pasien dilakukan dirumah sakit khusus paru dengan pendampingan dokter spesialis paru. Data sample suara paru diambil menggunakan stetoskop dengan panjang durasi 20 detik dan titik pengambilan sample suara paru dilakukan pada dada pasien yaitu dada bagian atas (upper), dada bagian bawah (lower) dan dada bagian tengah (middle) sesuai dengan arahan dokter spesialis paru. Sample suara paru pasien direkam dengan menggunakan stetoskop yang terhubung ke handphone melalui aplikasi ThinksLab.Metode yang digunakan untuk klasifikasi adalah CNN dengan input berupa citra Mel Spektogram. Mel spektrogram adalah representasi visual dari spektrum frekuensi sinyal suara yang bervariasi dengan waktu, menggunakan skala mel, yang merupakan skala frekuensi bagaimana telinga manusia merasakan frekuensi secara logaritmik. Algoritma CNN digunakan untuk mengklasifikasikan suara paru yang telah ditransformasi menjadi citra Mel spektrogram. Pengamatan dilakukan dengan menggunakan variasi window pada. Mel spektogram dan membandingkan model berdasarkan parameter untuk membentuk citra Mel spektrogram dengan lebar segmen 0.5 dan 1 detik, nfft 256, 512 dan 1024. Pengujian dilakukan menggunakan data uji (testing set) pada dataset dengan jumlah 140 sample suara paru. Hasil pengujian memperoleh akurasi terbaik mencapai 98.57% pada model kelima. Berdasarkan hasil tersebut, sistem yang telah dibuat dapat mengiklasifikasi suara paru-paru normal, asma, dan pneumonia dengan cukup baik.
=================================================================================================================================
The lungs are the main organ of the respiratory system in humans, their function is to exchange oxygen from the air with carbon dioxide from the blood. Detection of respiratory disorders and disorders of the lungs can be done in various ways, namely looking at medical records, physical examination, detection with xrays. ray and also respiratory auscultation. Digital signal processing can be used as a way to detect lung disorders based on the sound produced. In this study, lung sound recognition was carried out, which was used to differentiate lung disease from normal class, asthma and pneumonia. The patient's lung sound samples were taken at a special lung hospital with the assistance of a lung specialist doctor. Lung sound sample data was taken using a stethoscope with a duration of 20 seconds and the lung sound sampling point was carried out on the patient's chest, namely the upper chest, lower chest and middle chest according to the direction of a pulmonary specialist. Samples of patient lung sounds were recorded using a stethoscope connected to a cellphone via the ThinksLab application. The method used for classification was CNN with input in the form of Mel Spectrogram images. A mel spectrogram is a visual representation of the frequency spectrum of a sound signal varying with time, using the mel scale, which is a frequency scale for how the human ear perceives frequencies logarithmically. The CNN algorithm is used to classify lung sounds which have been transformed into Mel spectrogram images. Observations were carried out using window variations on the Mel spectrogram and comparing models based on parameters to form a Mel spectrogram image with segment widths of 0.5 and 1 second, nfft 256, 512 and 1024. Testing was carried out using test data (testing set) on a dataset with a total of 140 sound samples lungs. The test results obtained the best accuracy reaching 98.57% in the fifth model. Based on these results, the system that has been created can classify normal lung sounds, asthma and pneumonia quite well.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	stetoskop, suara paru, penyakit paru, CNN, Mel spektogram, stethoscope, lung sounds, lung disease, Mel spectrogram
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	HAZIMAH WIDYAGUSTIN
Date Deposited:	26 Jul 2024 05:13
Last Modified:	26 Jul 2024 05:13
URI:	http://repository.its.ac.id/id/eprint/109417

Actions (login required)

View Item