Perbandingan Kinerja CNN dan LSTM untuk Klasifikasi Penyakit Paru Berdasarkan Suara Pernapasan
DOI:
https://doi.org/10.34010/komputika.v14i2.17960Abstract
Penyakit paru masih menjadi permasalahan kesehatan global dengan angka kasus dan kematian yang terus meningkat, sementara metode diagnosis konvensional seperti auskultasi manual masih bersifat subjektif terhadap keahlian tenaga medis. Penelitian terdahulu menunjukkan hasil yang tidak konsisten dalam menentukan arsitektur deep learning terbaik untuk klasifikasi suara pernapasan, disertai keterbatasan dataset yang tidak seimbang dan belum adanya validasi statistik. Samanta dan Mandala melaporkan keunggulan CNN, sedangkan Zhang, P. dkk menemukan LSTM lebih unggul. Hal ini menunjukkan perlunya evaluasi yang lebih komprehensif. Sebagai tindak lanjut, penelitian ini bertujuan mengkaji performa CNN dan LSTM dengan mempertimbangkan keseimbangan kelas melalui stratified sampling dan class weighting, serta menilai signifikansi perbedaan performa menggunakan paired-sample t-test. Hasil menunjukkan bahwa CNN secara signifikan lebih unggul dengan akurasi rata-rata 88,20% dibandingkan LSTM sebesar 71,23% (p < 0,05). Selain itu, model CNN mencapai akurasi 86% pada independent test set, sedangkan LSTM mencapai akurasi 66%. Kontribusi utama penelitian ini adalah penerapan pendekatan evaluasi model yang lebih komprehensif melalui uji statistik dan mengembangkan sistem deteksi dini penyakit paru non-invasif yang efisien dan aplikatif melalui implementasi berbasis Streamlit.
Kata Kunci – CNN, Klasisikasi, LSTM, Penyakit Paru, Suara Pernapasan.
References
[1] L. R. A. Tarigan and Dahlan, “Optimalisasi Fitur dengan Forward Selection pada Estimasi Tingkat Penyakit Paru-paru Menggunakan Klasifikasi Random Forest,” vol. 8, no. 5, pp. 10341–10348, 2024.
[2] U. Rahmi, H. Susanto, E. Z. Krzyż, and W. Widiyaningsih, “Effect of Pursed lip Breathing Exercise to Reduce Dyspnea in Patient with Asthma Bronchial: Case Study,” J. Pendidik. Keperawatan Indones., vol. 8, no. 2, pp. 113–118, 2023. [Online]. Available: 10.17509/jpki.v8i2.51803.
[3] D. A. Listiarini, A. Y. Jufan, and C. F. R. Wisudarti, “Management of restrictive and obstructive lung disease in intensive care unit: a review,” Sains Med. J. Kedokt. dan Kesehat., vol. 15, no. 1, p. 34, 2024. [Online]. Available: 10.30659/sainsmed.v15i1.35660.
[4] Nurhadi and B. Hendrik, “Tinjauan Sistematis Peran Jaringan Syaraf Tiruan dan Deep Learning dalam Diagnosa Demam Berdarah dan Tifus,” vol. 16, no. 2, 2024. [Online]. Available: http://dx.doi.org/10.36723/juri.v16i2.719.
[5] I. W. Hasanain and A. Rizal, “Klasifikasi Suara Paru-Paru Menggunakan Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 2, pp. 3218–3223, 2021.
[6] A. Hanafiah, Y. Arta, H. O. Nasution, and Y. D. Lestari, “Penerapan Metode Recurrent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham,” Bull. Comput. Sci. Res., vol. 4, no. 1, pp. 27–33, 2023. [Online]. Available: 10.47065/bulletincsr.v4i1.321.
[7] K. Anwar, R. Maruf, F. Susanto, and M. B. Ryando, “Analisis Performa Deteksi Penyakit Paru-Paru dengan Model Klasifikasi Gambar Menggunakan LSTM Deep Learning,” vol. 25, no. 1, pp. 972–979, 2025. [Online]. Available: 10.33087/jiubj.v25i1.5697.
[8] G. B. Samanta and S. Mandala, “Classification Analysis using CNN and LSTM on Wheezing Sounds,” Intl. J. ICT, vol. 8, no. 2, pp. 60–68, 2022. [Online]. Available: 10.21108/ijoict.v8i1.621.
[9] P. Zhang, A. Swaminathan, and A. A. Uddin, “Pulmonary disease detection and classification in patient respiratory audio files using long short-term memory neural networks,” Front. Med., vol. 10, 2023. [Online]. Available: 10.3389/fmed.2023.1269784.
[10] R. Zulfiqar, F. Majeed, R. Irfan, H. T. Rauf, E. Benkhelifa, and A. N. Belkacem, “Abnormal Respiratory Sounds Classification Using Deep CNN Through Artificial Noise Addition,” Front. Med., vol. 8, no. November, pp. 1–16, 2021. [Online]. Available: 10.3389/fmed.2021.714811.
[11] N. Salor-Burdalo and A. Gallardo-Antolin, “Respiratory Sound Classification Using an Attention LSTM Model with Mixup Data Augmentation,” no. November, pp. 61–65, 2022. [Online]. Available: 10.21437/iberspeech.2022-13.
[12] D. Berrar, “Cross-Validation,” Encycl. Bioinforma. Comput. Biol., no. January 2024, pp. 638–644, 2025. [Online]. Available: 10.1016/b978-0-323-95502-7.00032-4.
[13] D. Kristomo and M. Mediadtrix, “Ekstraksi Ciri dan Klasifikasi Isyarat Suara Tutur Menggunakan Metode Mel Frequency Cepstral Coefficients,” vol. 13, no. 3, 2025.
[14] F. N. Rahman, T. Listyorini, and E. Supriyati, “Analisis Akurasi Cnn Pada Data Olah Suara Manusia Menggunakan Parameter Koefisien Mfcc Dan Max Length,” J. Digit, vol. 15, no. 1, p. 1, 2025. [Online]. Available: 10.51920/jd.v15i1.416.
[15] H. Akbar and W. K. Sanjaya, “Kajian Performa Metode Class Weight Random Forest pada Klasifikasi Imbalance Data Kelas Curah Hujan,” J. Sains, Nalar, dan Apl. Teknol. Inf., vol. 3, no. 1, 2023. [Online]. Available: 10.20885/snati.v3i1.30.
[16] M. Fadli and R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,” JT J. Tek., vol. 12, no. 02, pp. 72–80, 2023, [Online]. Available: http://jurnal.umt.ac.id/index.php/jt/index
[17] M. Isnaini, M. W. Afgani, A. Haqqi, and I. Azhari, “Teknik Analisis Data Uji Normalitas ANOVA,” Tek. Anal. Data Uji Norm. Muhammad, vol. 4, no. 2, p. 170, 2025.
