Identifikasi Suara Paru-Paru Menggunakan Hybrid Hidden Markov Model (HMM) dan Genetic Algorithm (GA)
Total View This Week0
Total View This Week0
Institusion
Universitas Kristen Indonesia
Author
Tambe, Michael Palinggi
Subject
TECHNOLOGY
Datestamp
2024-11-06 08:18:47
Abstract :
Hidup di kota yang memiliki tingkat populasi dan polusi yang sangat tinggi akan berdampak negatif bagi kesehatan manusia, khususnya pada sistem pernafasan. Gangguan pada sistem pernafasan biasanya dapat terdeteksi melalui suara tarikan dan hembusan nafas dari penderita. Beberapa contoh suara paru adalah vesicular/bronchial, ronchi/cracle dan wheeze. Skripsi ini membahas tentang perancangan sistem identifikasi suara paru dengan metode hybrid Hidden Markov Model (HMM) dan Genetic Algorithm (GA). Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan suara paruparu. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. GA digunakan untuk memberi hasil pengenalan yang lebih baik. Dimulai dengan pembentukan vektor-vektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilai-nilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) untuk menunjukkan hasil keluarannya. Untuk mendapatkan hasil yang maksimum, digunakan metode GA pada proses Baum-Welch sehingga hasil pengenalan suara paru ini bisa lebih optimal. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini, ukuran codebook yang optimal adalah 128, jumlah database yang optimal sebesar 10 (sepuluh) buah. Sementara persentase akurasi sistem secara keseluruhan bervariasi antara 57,5 % hingga 90 %. Kata kunci: penyakit paru-paru, HMM, GA, centroid, MFCC, VQ, FFT, LoP, ukuran codebook, jumlah sampel.
Hidup di kota yang memiliki tingkat populasi dan polusi yang sangat tinggi akan berdampak negatif bagi kesehatan manusia, khususnya pada sistem pernafasan. Gangguan pada sistem pernafasan biasanya dapat terdeteksi melalui suara tarikan dan hembusan nafas dari penderita. Beberapa contoh suara paru adalah vesicular/bronchial, ronchi/cracle dan wheeze. Skripsi ini membahas tentang perancangan sistem identifikasi suara paru dengan metode hybrid Hidden Markov Model (HMM) dan Genetic Algorithm (GA). Sistem ini terbagi menjadi dua proses utama, yaitu pembentukan database dan pengenalan suara paruparu. Kedua proses ini dilakukan dengan cara yang hampir sama, yaitu tiap sampel akan mengalami proses pelabelan, pembuatan codebook dan pembentukan parameter HMM. Hanya saja, pengolahan sinyal suara pada proses pengenalan mengacu database yang telah lebih dulu diproses. GA digunakan untuk memberi hasil pengenalan yang lebih baik. Dimulai dengan pembentukan vektor-vektor data dengan teknik kuantisasi vektor (VQ), yang kemudian dicari suatu nilai centroid yang presisi untuk dijadikan state HMM dalam menentukan nilai-nilai parameter yang dibutuhkan. Berdasarkan parameter-parameter inilah, dapat dihitung suatu nilai probabilitas (Log of Probability) untuk menunjukkan hasil keluarannya. Untuk mendapatkan hasil yang maksimum, digunakan metode GA pada proses Baum-Welch sehingga hasil pengenalan suara paru ini bisa lebih optimal. Dari hasil perancangan sistem ini, akan dibandingkan akurasi sistem terhadap variasi nilai durasi sampel, jumlah sampel, dan ukuran codebook. Pada penelitian ini, ukuran codebook yang optimal adalah 128, jumlah database yang optimal sebesar 10 (sepuluh) buah. Sementara persentase akurasi sistem secara keseluruhan bervariasi antara 57,5 % hingga 90 %. Kata kunci: penyakit paru-paru, HMM, GA, centroid, MFCC, VQ, FFT, LoP, ukuran codebook, jumlah sampel.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
