Pemodelan Fuzzy Learning Vector Quantization pada Pengenalan Suara Paru-Paru

Abstract

Paru-paru merupakan salah satu organ vital manusia. Organ ini memiliki peranan pada sistem pernapasan, karena dapat memenuhi kebutuhan tubuh akan oksigen. Jika paru-paru mengalami gangguan, maka sistem pernapasan manusia juga akan mengalami gangguan, bahkan dapat menyebabkan kematian. Salah satu cara yang digunakan dokter untuk mendiagnosa kelainan pada paru-paru adalah dengan mendengarkan suara pernapasan menggunakan stetoskop. Teknik ini dikenal dengan teknik auskultasi. Teknik tersebut sangat umum digunakan, namun memiliki beberapa kelemahan dalam melakukan diagnosa apabila dipengaruhi oleh faktor seperti suara paru-paru berada pada frekuensi rendah, masalah kebisingan lingkungan, kepekaan telinga, hasil analisa yang subjektif, dan pola suara yang hampir mirip. Faktor-faktor di atas dapat menyebabkan kesalahan diagnosa jika proses auskultasi tidak dilakukan dengan benar. Studi ini melakukan pengenalan suara paru-paru normal dan suara paru-paru yang terdeteksi gangguan (abnormal). Suara paru-paru yang dihasilkan pada beberapa kasus penyakit menunjukkan adanya pola tertentu yang bisa dikenali. Pola suara ini dapat diambil sebagai bahan untuk diagnosa. Pengenalan suara secara umum memiliki dua bagian utama, yaitu ekstrasi ciri dan pengukuran kemiripan (klasifikasi). Pada penelitian ini, metode ekstraksi ciri yang digunakan adalah Mel Frequency Cepstrum Coeffisient (MFCC). MFCC memberikan hasil sangat baik dalam mengklasifikasi suara nafas normal dan suara wheeze. Metode klasifikasi yang digunakan adalah metode Fuzzy Learning Vector Quantization (FLVQ). Algoritme FLVQ adalah suatu algoritme yang mengkombinasikan konsep fuzzy dengan konsep neural network LVQ. Konsep ini dikenal dengan nama konsep hybrid. Penggunaan kedua metode ini diharapkan dapat memberikan akurasi yang tinggi dalam kasus pengenalan suara paru-paru. Hasil percobaan menunjukan bahwa Metode FLVQ memiliki akurasi yang lebih baik dibandingkan LVQ yaitu dengan akurasi rata-rata pada data latih sebesar 99.27% dan data uji sebesar 93.88%, sedangkan LVQ sebesar 87.83% untuk data latih dan sebesar 86.88% untuk data uji. Penerapan konsep hybrid pada metode FLVQ dapat memberikan pengaruh yang sangat baik dalam meningkatkan akurasi, terbukti dengan meningkatnya akurasi hingga 11.44% untuk data latih dan 7% untuk data uji.