Abstract
Latar Belakang: Tantangan dalam diagnosis gangguan pernapasan sering disebabkan oleh kurangnya alat teknologi yang mampu mengenali pola suara paru-paru secara akurat, sehingga dapat mengurangi potensi kesalahan diagnosis subjektif oleh tenaga medis. Tujuan: Penelitian ini bertujuan mengembangkan model klasifikasi suara paru-paru yang dapat mendeteksi gangguan pernapasan secara dini dan akurat. Metode: Metode yang digunakan adalah kombinasi teknik augmentasi data dan ekstraksi fitur Mel Frequency Cepstral Coefficient (MFCC) untuk meningkatkan kinerja Convolutional Neural Network (CNN) dalam mengklasifikasikan suara paru-paru. Sebanyak 1.350 rekaman audio paru-paru dikategorikan ke dalam sembilan kelas, termasuk suara normal dan abnormal. Untuk memperkaya data pelatihan, diterapkan berbagai teknik augmentasi, seperti penambahan white noise, pitch scaling, time stretching, dan random gain. Hasil: Hasil penelitian menunjukkan bahwa model E-CNN2D mencapai akurasi hingga 95%, melampaui model sebelumnya dengan rentang akurasi 83-93%. Kesimpulan: Penelitian ini memiliki potensi sebagai solusi alat bantu diagnosis yang cepat dan akurat, sehingga dapat mendukung tenaga medis dalam mengurangi risiko kesalahan diagnosis subjektif pada gangguan pernapasan.
Concepts :
Citations by Year
| Year | Count |
|---|---|
| 2024 | 0 |