Klasifikasi Penyakit Paru-paru Berdasarkan Suara Pernapasan Menggunakan Metode ResNet101 dan Bi-GRU

Sari, Kartika (2025) Klasifikasi Penyakit Paru-paru Berdasarkan Suara Pernapasan Menggunakan Metode ResNet101 dan Bi-GRU. Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (COVER) 21081010287.-cover.pdf Download (1MB)
	Text (BAB I) 21081010287.-bab1.pdf Download (251kB)
	Text (BAB II) 21081010287.-bab2.pdf Restricted to Repository staff only until 5 December 2028. Download (968kB)
	Text (BAB III) 21081010287.-bab3.pdf Restricted to Repository staff only until 5 December 2028. Download (824kB)
	Text (BAB IV) 21081010287.-bab4.pdf Restricted to Repository staff only until 5 December 2028. Download (5MB)
	Text (BAB V) 21081010287.-bab5.pdf Download (206kB)
	Text (DAFTAR PUSTAKA) 21081010287.-daftarpustaka.pdf Download (182kB)
	Text (LAMPIRAN) 21081010287.-lampiran.pdf Restricted to Repository staff only until 2028. Download (247kB)

Abstract

Penyakit paru-paru merupakan salah satu penyebab utama morbiditas dan mortalitas di dunia, sehingga deteksi dini menjadi langkah penting dalam pencegahan dan penanganannya. Salah satu metode yang penting dan cepat untuk deteksi dini ialah auskultasi pernapasan, namun teknik ini masih memiliki keterbatasan berupa hasil yang subjektif dan gangguan noise pada sinyal suara. Sehingga, penelitian ini menggunakan machine learning yang bertujuan untuk mengembangkan model klasifikasi penyakit paru-paru berdasarkan suara pernapasan menggunakan kombinasi metode ResNet101 dan Bi-GRU. Dataset yang digunakan adalah ICBHI 2017 yang berisi rekaman suara pernapasan dari berbagai kondisi paru, seperti COPD, pneumonia, URTI, bronchiolitis, bronchiectasis, dan healthy. Proses ekstraksi fitur dilakukan dengan mengubah sinyal audio menjadi representasi log Mel spectrogram, yang kemudian diproses secara paralel oleh ResNet101 untuk mengekstraksi fitur spektral dan Bi-GRU untuk menangkap informasi temporal. Hasil pengujian menunjukkan bahwa kombinasi kedua metode tersebut menghasilkan performa klasifikasi yang tinggi, dengan akurasi 91.77%, precision 93.75%, recall 91.77%, dan F1-score 92.09%. Secara keseluruhan, hasil ini memperlihatkan bahwa integrasi fitur spektral dari ResNet101 dan fitur temporal dari Bi-GRU mampu membentuk representasi yang lebih kaya dan informatif, sehingga model dapat mengenali pola dua dimensi pada log Mel spectrogram sekaligus memahami dinamika perubahan sinyal pernapasan secara stabil dan akurat.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Sari, Anggraini Puspita	NIDN0716088605	anggraini.puspita.if@upnjatim.ac.id
Thesis advisor	Nurlaili, Afina Lina	NIDN0013129303	afina.lina.if@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Sari Kartika

Date Deposited:

08 Dec 2025 01:30

Last Modified:

08 Dec 2025 01:30

URI:

https://repository.upnjatim.ac.id/id/eprint/48101