KLASIFIKASI PENYAKIT PARU BERDASAR SUARA PERNAPASAN MENGGUNAKAN DIMENSI FRAKTAL HIGUCHI DAN K-NEAREST NEIGHBOR

Authors

  • Devina Venezia Ariani Universitas Negeri Surabaya
  • Dwi Juniati Universitas Negeri Surabaya

DOI:

https://doi.org/10.30605/proximal.v5i1.1608

Keywords:

Penyakit Paru, Dimensi Fraktal, Higuchi, K-NEAREST NEIGHBOR

Abstract

Pernapasan merupakan proses menghirup dan menghembuskan udara dengan melibatkan pertukaran udara pada alveolus paru-paru. Beberapa gangguan atau penyakit yang menyerang organ sistem pernapasan atau paru antara lain Bronkitis, COPD, dan URTI. Menentukan jenis penyakit yang diderita seseorang sangatlah penting untuk dapat menentukan jenis obat yang sesuai. Untuk membedakan jenis penyakit paru ini selain dengan menggunakan MRI atau hasil rontgen juga berdasar suara napas pnederita. Pada penelitian ini deteksi jenis penyakit paru didasarkan pada suara pernapasan dengan menggunakan dimensi fractal Higuchi. Untuk klasifikasi suara penyakit pernapasan pada manusia dapat dilakukan dengan menganalisis ciri khas sinyal suaranya. Dalam penelitian ini, klasifikasi didasarkan untuk membedakan jenis penyakit paru bronkitis, COPD, URTI dari paru yang sehat berdasarkan nilai dimensi Higuchi dengan dekomposisi wavelet 5 level dengan K-Nearest Neighbor (KNN). Data yang digunakan sebanyak 117 data suara pernapasan berupa data wav yang terdiri atas 13 data penderita bronkitis, 64 data penderita COPD, 26 data suara napas orang sehat, dan 14 data penderita URTI. Metode yang digunakan adalah Pre-Prosessing yaitu menghilangkan noise dan menormalisasi data suara, kemudian menggunakan Discrete Wavelet Transform tipe Mother Wavelet Daubechies db4 dengan dekomposisi level 5 sebagai ekstraksi ciri, lalu mencari nilai dimensi fraktal dengan metode Higuchi. Setelah mendapatkan nilai dimensi fractal, data dibagi menjadi dua yaitu data train dan data test menggunakan jarak Euclidean dengan perbandingan data train dan data test yaitu 1:9 hingga 9:1. Kemudian, data diklasifikasi menggunakan metode K-Nearest Neighbor dengan nilai k percobaan yaitu 1, 2, 5, 8, 9, 10, dan 11. Pada penelitian ini, diperoleh nilai akurasi tertinggi sebesar 83% dengan nilai K-max = 60, dengan perbandingan data train dan data test yakni 9:1, dan nilai k = 1 dan 2 pada KNN. Sehingga dapat disimpulkan bahwa dengan metode dimensi fraktal Higuchi dan K-Neares Neighbor dari suara pernapasan dapat digunakan untuk mengklasifikasi jenis penyakit paru pada manusia.

Downloads

Download data is not yet available.

References

Saputra, Andri., 2011., "Sistem Pakar Identifikasi Penyakit Paru-Paru Pada Manusia Menggunakan Pemrograman Visual Basic 6.0"., Jurnal Fakultas Teknologi dan Informatika STIMIK PalCom Tech Palembang.

Reni Rahmadewi and Rahmadi Kurnia. Klasifikasi penyakit paru berdasarkan citra rontgen dengan metoda segmentasi sobel. Jurnal Nasional Teknik Elektro, 5(1), 2016.

Juniati, D. dan Budayasa, I Ketut. (2016). Geometri Fraktal & Aplikasinya. SURABAYA: UNESA UNIVERSITAS PRESS

Juniati, D., Khotimah, C., Budayasa, K., dan Wardani. (2017). Fractal Dimension To Classify The Heart Sound Recordings With Knn And Fuzzy C-Mean Clustering Methods. Jurnal of Physics Converence Series. Vol. 953(1).

Widhyanti, Dyah and Juniati, D.. (2020). Classification Of Baby Cry Sound Using Higuchi’s Fractal Dimension With K-Nearest Neighbor And Support Vector Machine. Jurnal of Physics Conference Series. Vol 1747(1).

Wulandari, I. N dan Juniati, D. (2017). Penerapan Dimensi Fraktal Untuk Klasifikasi Laras Pada Music Gamelan. Jurnal Ilmiah Matematika. Vol. 3(6): hal 8-15.

Pamela, Y., dan Juniati, D. (2021). Klasifikasi Delphinidae (Lumba-Lumba) Dengan Dimensi Fraktal Menggunakan Metode Higuchi Dan Knn (K-Nearest Neighbor). MATHunesa, Jurnal Ilmiah Matematika. Vol.9(1).

Gómez, C., Mediavilla, Á., Hornero, R., Abásolo, D., & Fernández, A. (2009). Use of the Higuchi ’ s fractal dimension for the analysis of MEG recordings from Alzheimer ’ s disease patients, 31, 306–313.

Syaria, F.,Buono, A. dan Silalahi, B.P., (2014). Pengenalan Suara Paru-Paru dengan MFCC sebagai Ekstraksi Ciri dan Backpropagation sebagai Classifier, Jurnal Ilmu Komputer Agri Imformatika, Vol. 3 No. 1. Hal 28-37.

Agustin, K. (2007). Biometric Suara Dengan Transformasi Wavelet Berbasis Orthogonal Daubenchies. GEMATEK JURNAL TEKNIK KOMPUTER. Vol. 9(2): hal 49-56.

Downloads

Published

2022-02-10

How to Cite

Ariani, D. V., & Juniati, D. (2022). KLASIFIKASI PENYAKIT PARU BERDASAR SUARA PERNAPASAN MENGGUNAKAN DIMENSI FRAKTAL HIGUCHI DAN K-NEAREST NEIGHBOR. Proximal: Jurnal Penelitian Matematika Dan Pendidikan Matematika, 5(1), 70–81. https://doi.org/10.30605/proximal.v5i1.1608

Issue

Vol. 5 No. 1 (2022): Volume 5 Nomor 1 Tahun 2022

Section

Articles

License

In submitting the manuscript to the journal, the authors certify that:

  • They are authorized by their co-authors to enter into these arrangements.
  • The work described has not been formally published before, except in the form of an abstract or as part of a published lecture, review, thesis, or overlay journal.
  • That it is not under consideration for publication elsewhere,
  • That its publication has been approved by all the author(s) and by the responsible authorities – tacitly or explicitly – of the institutes where the work has been carried out.
  • They secure the right to reproduce any material that has already been published or copyrighted elsewhere.
  • They agree to the following license and copyright agreement.

License and Copyright Agreement

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution License (CC BY 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.