Lung Sound Classification Using Multiresolution Higuchi Fractal Dimension Measurement (oleh Achmad Rizal, Bsoeruri Hidayat, Harung Adi Nugroho, dan Willy Anugrah Cahyadi).
Tujuan & Konteks Penelitian ini bertujuan mengklasifikasikan 5 jenis suara paru secara otomatis menggunakan ekstraksi fitur Higuchi Fractal Dimension (HFD) multiresolusi untuk menangkap kompleksitas sinyal suara paru yang sering kali bersifat subjektif jika hanya dinilai secara manual (auskultasi).
Data yang Digunakan
- Sampel Data: 99 rekaman dari 9 pasien dengan sampling rate 8 kHz.
- 5 Kelas Suara Paru: Normal bronchial, Crackle, Stridor, Wheeze, dan Pleural rub.
Metode Penelitian
- Normalisasi Sinyal: Penyiapan sinyal suara paru sebelum ekstraksi fitur.
- HFD Multiresolusi: Perhitungan HFD dihitung secara berulang untuk 100 nilai $k_{max}$ (1–100).
- Seleksi Fitur (WSS): Menggunakan Welch’s t-test / Between-Class Variance (WSS) untuk memilih 4 fitur HFD terbaik yang paling membedakan kelas ($k_{max} = 5, 7, 11, 99$).
- Klasifikasi (MLP): Menggunakan Multilayer Perceptron (MLP) dengan evaluasi 3-fold cross-validation.
Hasil Utama
- Akurasi Tertinggi: 97,98% diperoleh dari kombinasi HFD Multiresolusi + Seleksi Fitur WSS + Klasifikasi MLP.
- Peningkatan Performa: Seleksi fitur WSS berhasil meningkatkan akurasi sebesar +31,31 poin persentase dibandingkan hanya menggunakan satu nilai HFD ($k_{max}=40$ yang hanya mencapai 66,67%).
Kesimpulan & Batasan Pola perubahan nilai HFD pada berbagai skala resolusi ($k_{max}$) efektif membedakan karakteristik suara paru. Namun, karena ukuran data yang terbatas (99 rekaman dari 9 pasien), penelitian selanjutnya disarankan memperluas dataset serta menguji variasi panjang sinyal dan metode klasifikasi alternatif.