PENDAHULUAN
1.1. Latar Belakang
Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan
atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop,
praktisi kesehatan dapat mendengar suara paru-paru untuk mendiagnosa kondisi fisik
dan kesehatan seseorang. Suara paru-paru yang didengar melalui stetoskop, masih
bercampur dengan suara-suara lain seperti suara jantung, suara gesekan kulit dengan
stetoskop, dan suara gerak dada. Hal ini mempersulit praktisi kesehatan dalam
mendiagnosa kondisi fisik dan kesehatan seseorang. Dalam pemrosesan sinyal,
suara-suara lain atau suara-suara asing ini biasa disebut gangguan sinyal atau noise.
Perkembangan ilmu pengetahuan dan teknologi di bidang kesehatan semakin
memberikan kemudahan dalam mendiagnosa sistem pernapasan. Perekaman suara
pernapasan adalah salah satu contoh perkembangan tersebut. Suara paru-paru direkam
menggunakan stetoskop digital, kemudian disimpan dalam format suara. Seperti
halnya metode konvensional, suara pernapasan belum terbebas dari gangguan sinyal.
Oleh karena itu, diperlukan filter suara atau reduksi gangguan sinyal sehingga
komponen suara pernapasan yang berisi sinyal informasi dapat lebih diperjelas.
Penelitian terhadap reduksi gangguan sinyal telah dilakukan sejak beberapa tahun
terakhir, namun belum dapat memberikan suatu hasil yang memuaskan.
Hadjileontiadis & Panas (1997), mengombinasikan multiresolution analysis
dengan hard thresholding untuk menyusun skema wavelet transform based
stationary-nonstationary filter (WTST-NST). WTST-NST kemudian
diimplementasikan untuk analisis discontinuous adventitious sounds (DAS). Skema
diaplikasikan pada tiga tipe dasar DAS, contohnya, fine/coarse crackles dan squawks.
Percobaan menunjukkan bahwa, meskipun perbedaannya di karakter struktural di
antara ketiga jenis DAS, WTST-NST filter memiliki kualitas yang sangat baik dalam
memisahkan sinyal pada semua kasus. Cost komputasi dari wavelet transform based
WTST-NST filter tergolong rendah; filter dapat dengan mudah diimplementasi dan
dapat digunakan sebagai objective screening method dalam analisis DAS. Komputasi
iterasi prosedur MRD-MRR (Multiresolution Decomposition – Multiresolution
Reconstruction) menghitung hingga 95% dari seluruh usaha komputasi.
Bagaimanapun, penelitian ini hanya berfokus pada separasi discontinuous adventitious
sounds dari vesicular sound.
Hadjileontiadis & Panas (1998), mengombinasikan multiresolution analysis
dengan hard thresholding untuk menyusun wavelet transform based
stationary-nonstationary filter (WTST-NST). WTST-NST kemudian diaplikasikan untuk
menseparasi bagian nonstasioner sinyal masukan (suara jantung) dari bagian stasioner
(suara paru-paru). Seperti penelitian sebelumnya, penelitian ini memakai metode yang
serupa dengan masalah yang berbeda. Namun, ditemukan masalah white noise setelah
sinyal masukan melalui filter.
Hossain & Moussavi (2003), wavelet transform based filter
diimplementasikan pada sinyal suara paru-paru yang telah direkam pada laju aliran
rendah dan menengah bersama dengan beberapa detik rekaman napas yang ditahan,
untuk mereduksi suara jantung sehingga didapatkan suara paru-paru yang bersih dari
suara jantung. Penelitian ini pada dasarnya masih memiliki konsep yang sama dengan
penelitian Hadjileontiadis & Panas (1997). Perbedaannya terletak pada masalah yang
akan diselesaikan. Masalah yang akan diselesaikan serupa dengan penelitian
Hadjileontiadis & Panas (1998), hanya dalam penelitian ini rekaman suara paru-paru
sudah dispesifikasi. White noise masih ditemukan.
Falk & Chan (2008), menginvestigasi penggunaan modified spectro-temporal
representation untuk meningkatkan pemisahan sinyal. Representasi diperoleh dengan
cara dekomposisi frekuensi (disebut modulasi frekuensi) dari lintasan-lintasan
proyektil temporal komponen spektral jangka pendek. Percobaan menunjukkan bahwa
peningkatan pemisahan suara jantung dan suara paru-paru dicapai dalam domain
modulasi frekuensi. Filter modulasi bandpass dan bandstop dirancang untuk
pernapasan. Inspeksi visual dan pendengaran, analisis kuantitatif, serta algoritma
waktu eksekusi digunakan untuk menilai performa algoritma. Dalam penelitian
mengkode ucapan, dua sinyal dengan jarak log-spektral lebih kecil dari 1 dB dianggap
tidak dapat dibedakan secara perseptif (Kleijn & Paliwal, 1995). Menggunakan
pernyataan tersebut dengan ambang batas yang berbeda untuk transparansi spektral,
dapat diamati bahwa rata-rata jarak log-spektral 0,61 dB dan 0,31 dB dapat dicapai
untuk memisahkan masing-masing sinyal suara paru-paru dan sinyal suara jantung.
Oleh karena itu, artefak yang dapat didengar tidak digunakan dalam metode
pemisahan yang diusulkan; pernyataan ini lebih dikuatkan dengan mendengar sinyal
suara paru-paru dan suara jantung yang telah dipisahkan.
Sukresno et al. (2009), menggunakan filter adaptif karena mempunyai
kemampuan untuk mengubah bobot koefisiennya secara otomatis, menyesuaikan
dengan sinyal input. Filter adaptif dirancang sebagai noise cancellar dengan algoritma
recursive least square (RLS) untuk mereduksi suara jantung dari rekaman paru-paru.
Pada penelitian ini digunakan rekaman suara pernapasan dimana suara jantung
memiliki amplitudo yang lebih besar dibandingkan dengan suara-paru-paru.
Dalam penelitian ini, akan diterapkan wavelet transform based filter untuk
mereduksi suara-suara asing atau gangguan sinyal dalam rekaman suara pernapasan,
sehingga didapatkan sinyal yang lebih jelas tanpa kehilangan informasi penting yang
terdapat di dalam sinyal tersebut. Dalam penelitian ini white noise juga akan dicoba
untuk dikurangi. Dengan rekaman suara paru-paru yang telah difilter, praktisi
kesehatan atau dokter mendapatkan informasi yang lebih jelas sehingga hasil diagnosa
menjadi lebih baik.
1.2. Rumusan Masalah
Berdasarkan latar belakang maka rumusan masalahnya adalah sulitnya mendiagnosa
1.3. Batasan Masalah
Penulis membuat batasan masalah yaitu sebagai berikut:
1. Wavelet yang dipakai hanya Wavelet Daubechies (Db4).
2. Hasil kerja sistem diukur dengan kriteria objektif dan subjektif. Kriteria
objektif yang digunakan adalah signal-to-noise ratio (SNR) serta tampilan
sinyal. Sedangkan kriteria subjektif adalah pengamatan terhadap sinyal suara
dan pendengaran manusia.
3. Suara pernapasan dalam hal ini adalah suara yang dapat didengar manusia
yaitu antara frekuensi 20 - 20.000 Hz (Serway & Jewett 2013).
4. Data yang digunakan adalah sepuluh rekaman suara pernapasan dari
perusahaan Littmann.
5. Data yang digunakan bersifat umum, tidak mempertimbangkan variabel usia
dan jenis kelamin.
6. Format berkas rekaman suara pernapasan yang akan dipakai hanya file suara
berekstensi wav.
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk mengolah suara pernapasan sehingga
sinyal yang mengandung informasi dapat lebih diperjelas.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut:
1. Membantu proses penganalisaan suara pernapasan dalam kaitannya
mendeteksi penyakit atau kelainan pada pernapasan.
2. Menyumbangkan metode yang efektif dalam mereduksi gangguan sinyal pada
1.6. Metodologi Penelitian
Metodologi penelitian yang digunakan pada penelitian ini adalah:
1. Studi Literatur
Studi literatur dilakukan dengan cara mengumpulkan bahan referensi yaitu dari
buku, artikel, paper, jurnal, makalah, maupun situs-situs dari internet. Studi
literatur yang dilakukan berkaitan dengan peningkatan kualitas sinyal,
karakteristik sinyal suara paru-paru, karakteristik noise pada sinyal suara
pernapasan, metode wavelet daubechies, dan wavelet transform based filter.
2. Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data dan informasi yang akan
diperlukan dalam penelitian.
3. Analisis dan Perancangan
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui
penyelesaian permasalahan reduksi gangguan sinyal/ noise pada rekaman suara
pernapasan dengan menggunakan wavelet transform based filter. Setelah itu
dilakukan perancangan sistem berdasarkan analisis yang telah dibuat
sebelumnya.
4. Implementasi
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui
penyelesaian permasalahan reduksi gangguan sinyal/ noise pada rekaman suara
pernapasan dengan menggunakan wavelet transform based filter. Setelah itu
dilakukan perancangan sistem berdasarkan sistem berdasarkan analisis yang
telah dibuat sebelumnya.
5. Pengujian
Pada tahap ini dilakukan pengujian aplikasi yang telah dibuat untuk
mengetahui apakah aplikasi tersebut sudah berjalan dengan benar dan sesuai
6. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan dokumentasi dari hasil analisis dan
implementasi dari aplikasi yang telah dibuat.
1.7. Sistematika Penulisan
Sistematika penulisan skripsi ini dibagi menjadi lima bagian utama, yaitu:
Bab 1: Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian,
manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini membahas teori-teori yang digunakan untuk menyelesaikan permasalahan
yang akan dibahas pada penelitian ini.
Bab 3: Analisis dan Perancangan
Bab ini berisi analisis dan penerapan wavelet transform based filter untuk mereduksi
gangguan sinyal/ noise pada rekaman suara pernapasan. Bab ini juga berisi
perancangan sistem dan perancangan antarmuka dari aplikasi yang akan dibuat.
Bab 4: Implementasi dan Pengujian
Pada bab ini dibahas implementasi dari aplikasi yang akan dibuat. Setelah itu
dilakukan pengujian untuk memastikan apakah hasil yang didapat sesuai dengan
sasaran yang diharapkan atau tidak.
Bab 5: Kesimpulan dan saran
Bab ini berisikan kesimpulan dan penelitian yang telah dilakukan beserta saran-saran
