Pemodelan Fuzzy Learning Vector Quantization pada Pengenalan Suara Paru-Paru

PEMODELAN FUZZY LEARNING VECTOR QUANTIZATION
PADA PENGENALAN SUARA PARU-PARU

FADHILAH SYAFRIA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Pemodelan Fuzzy
Learning Vector Quantization pada Pengenalan Suara Paru-Paru adalah benar
karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam
bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.

Bogor,

Agustus 2014

Fadhilah Syafria
NIM G651120411

RINGKASAN
FADHILAH SYAFRIA. Pemodelan Fuzzy Learning Vector Quantization pada
Pengenalan Suara Paru-Paru. Dibimbing oleh AGUS BUONO dan BIB
PARUHUM SILALAHI.
Paru-paru merupakan salah satu organ vital manusia. Organ ini memiliki
peranan pada sistem pernapasan, karena dapat memenuhi kebutuhan tubuh akan
oksigen. Jika paru-paru mengalami gangguan, maka sistem pernapasan manusia
juga akan mengalami gangguan, bahkan dapat menyebabkan kematian. Salah satu
cara yang digunakan dokter untuk mendiagnosa kelainan pada paru-paru adalah
dengan mendengarkan suara pernapasan menggunakan stetoskop. Teknik ini
dikenal dengan teknik auskultasi. Teknik tersebut sangat umum digunakan,
namun memiliki beberapa kelemahan dalam melakukan diagnosa apabila
dipengaruhi oleh faktor seperti suara paru-paru berada pada frekuensi rendah,

masalah kebisingan lingkungan, kepekaan telinga, hasil analisa yang subjektif,
dan pola suara yang hampir mirip. Faktor-faktor di atas dapat menyebabkan
kesalahan diagnosa jika proses auskultasi tidak dilakukan dengan benar.
Studi ini melakukan pengenalan suara paru-paru normal dan suara paru-paru
yang terdeteksi gangguan (abnormal). Suara paru-paru yang dihasilkan pada
beberapa kasus penyakit menunjukkan adanya pola tertentu yang bisa dikenali.
Pola suara ini dapat diambil sebagai bahan untuk diagnosa.
Pengenalan suara secara umum memiliki dua bagian utama, yaitu ekstrasi
ciri dan pengukuran kemiripan (klasifikasi). Pada penelitian ini, metode ekstraksi
ciri yang digunakan adalah Mel Frequency Cepstrum Coeffisient (MFCC). MFCC
memberikan hasil sangat baik dalam mengklasifikasi suara nafas normal dan suara
wheeze. Metode klasifikasi yang digunakan adalah metode Fuzzy Learning Vector
Quantization (FLVQ). Algoritme FLVQ adalah suatu algoritme yang
mengkombinasikan konsep fuzzy dengan konsep neural network LVQ. Konsep ini
dikenal dengan nama konsep hybrid. Penggunaan kedua metode ini diharapkan
dapat memberikan akurasi yang tinggi dalam kasus pengenalan suara paru-paru.
Hasil percobaan menunjukan bahwa Metode FLVQ memiliki akurasi yang
lebih baik dibandingkan LVQ yaitu dengan akurasi rata-rata pada data latih
sebesar 99.27% dan data uji sebesar 93.88%, sedangkan LVQ sebesar 87.83%
untuk data latih dan sebesar 86.88% untuk data uji. Penerapan konsep hybrid pada

metode FLVQ dapat memberikan pengaruh yang sangat baik dalam meningkatkan
akurasi, terbukti dengan meningkatnya akurasi hingga 11.44% untuk data latih
dan 7% untuk data uji.

Kata kunci: fuzzy learning vector quantization, MFCC, pengenalan suara paruparu

SUMMARY
FADHILAH SYAFRIA. Modelling of Fuzzy Learning Vector Quantization on
Lung Sound Recognition . Supervised by AGUS BUONO and BIB PARUHUM
SILALAHI.

The lung is one of the vital human organs. This organ has a role in the
respiratory system, because it can fulfill oxygen to the body’s need. If the lung has
disorder, the human respiratory system also will be impaired, it can even lead to
death. One of the ways that can be used to diagnose the abnormalities of the lung
is by listening sound of breathing using a stethoscope. This technique is known as
auscultation. This technique is very commonly used, but has some weakness to
make diagnosis if influenced by factors such as lung sound are low frequency,
enviromental noise problems, sensitivity of the ear, subjecting of diagnosis, and
sound patterns of lung sound that are quite similar. The above factors can lead to

fault diagnosis if the auscultation process is not done properly.
This research did normal lung sound recognition and abnormal lung
sound. Lung sound generated in some cases of the diseases showed a specific
pattern that can be recognized. This sound pattern can be taken as material for
diagnosis.
The sound recognition in general has two main parts, i.e. extraction feature
and similarity measurement (classification). In this research, extraction feature
method is used Mel Frequency Cepstrum Coefficient (MFCC). MFCC feature
gives the very good results in classifying normal breath sound and wheeze sounds.
The classification method used is Fuzzy Learning Vector Quantization (FLVQ).
FLVQ algorithm is an algorithm that combines a fuzzy concept with the concept
of neural network LVQ. This concept is known as a hybrid concept. The uses of
the two methods are expected to provide high accuracy in case of the lung sound
recognition.
The experimental results showed that the FLVQ method has better
accuracy compared to LVQ method with average at 99.27% for training data and
93.88% for the test data, while for LVQ 87.83% for training data and 86.88% for
test data. Application of the hybrid concept in FLVQ method can provide an
excellent effect to improving accuracy, as evidenced by increased accuracy of up
to 11.44% for training data and 7% for the test data.

Keywords: fuzzy learning vector quantization, lung sound recognition, MFCC

© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

PEMODELAN FUZZY LEARNING VECTOR
QUANTIZATION PADA PENGENALAN SUARA PARU-PARU

FADHILAH SYAFRIA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer

pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji Luar Komisi pada Ujian Tesis: Irman Hermadi, SKom, MSi, PhD

Judul Tesis : Pemodelan Fuzzy Learning Vector Quantization pada Pengenalan
Suara Paru-Paru
Nama
: Fadhilah Syafria
NIM
: G651120411

Disetujui oleh
Komisi Pembimbing

Dr Ir Agus Buono, MSi, MKom
Ketua

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Eng Wisnu Ananta Kusuma, ST, MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 02 Juli 2014

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis ucapkan kepada Allah SWT atas segala karuniaNya
sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Agustus 2013 adalah Pemodelan Fuzzy
Learning Vector Quantization pada Pengenalan Suara Paru-Paru.
Terima kasih penulis ucapkan kepada Bapak Dr Ir Agus Buono, MSi
MKom dan Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, serta
Bapak Irman Hermadi, SKom MSi Phd selaku penguji dalam ujian tesis saya.
Terima kasih juga diucapkan kepada Bapak Toto Haryanto, Skom MSi selaku
dosen mata kuliah kolokium yang telah banyak memberi saran untuk penelitian
ini. Ungkapan terima kasih juga disampaikan kepada suami penulis Ahmad Hafiz
yang selalu memberi semangat dan dukungan, serta mendoakan kelancaran dan
keberhasilan tesis ini. Tak lupa pula ungkapan terima kasih untuk Papa, Mama,
Kak Iyel, Imul, Fursan dan seluruh keluarga atas segala doa dan kasih sayangnya.
Terima kasih kepada pengelola pasca sarjana, seluruh dosen dan staf
akademik Departemen Ilmu Komputer Institut Pertanian Bogor, dan teman-teman
angkatan 14. Terima kasih kepada Sdr. Inggih Permana sebagai teman diskusi
penulis dalam menyelesaikan tesis ini.
Semoga karya ini dapat bermanfaat. Kritik dan saran sangat penulis

harapkan demi kesempurnaan karya ini di kemudian hari.

Bogor, Agustus 2014
Fadhilah Syafria

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

viii

1 PENDAHULUAN
Latar Belakang

Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
3
3
4
4

2 TINJAUAN PUSTAKA
Pengenalan Suara Digital
Suara dan Sinyal
Digitasi Gelombang Suara
Teori Suara Paru-Paru
Suara Tracheal
Suara Vesicular
Suara Crackle

Suara Wheeze
Ekstraksi Ciri
Mel Frequency Cepstral Coefficient (MFCC)
Fuzzy Neural Network (FNN)
Learning Vector Quantization (LVQ)
Aritmatika Fuzzy
Representasi Bilangan Fuzzy Segitiga
Nilai Similaritas
Fuzzy Learning Vector Quantization (FLVQ)
Pembentukan Vektor Pewakil
Penentuan Kelas Pemenang
Algoritme FLVQ

4
4
5
6
6
7
8
8
9
9
9
11
12
14
14
15
16
17
17
18

3 METODE PENELITIAN
Kajian Pustaka
Pengumpulan Data Suara
Segmentasi Suara
Data Latih dan Data Uji
Ekstraksi Ciri
Klasifikasi Suara Paru-Paru
Pengujian
Perhitungan Akurasi

20
21
21
22
22
22
23
24
24

Bahan dan Alat

25

4 HASIL DAN PEMBAHASAN
Persiapan Percobaan
Hasil Praproses
Hasil Ekstraksi Ciri
Hasil Pengujian Metode LVQ (Tanpa Fuzzy)
Hasil Pengujian Metode FLVQ
Koefisien MFCC 13
Koefisien MFCC 15
Koefisien MFCC 20
Koefisien MFCC 30
Rangkuman Hasil Pengujian LVQ
Analisa Hasil Pengujian
Pengaruh Jumlah Koefisien MFCC terhadap Akurasi
Pengaruh Learning Rate terhadap Akurasi
Pengaruh Koefisien Fuzzyness terhadap Akurasi
Tingkat Pengenalan Setiap Jenis Suara Paru-Paru
Perbandingan Tingkat Akurasi Metode LVQ dan FLVQ

25
25
27
28
30
32
32
34
36
37
39
39
39
40
41
42
43

5 SIMPULAN DAN SARAN
Simpulan
Saran

44
44
45

DAFTAR PUSTAKA

46

LAMPIRAN

49

RIWAYAT HIDUP

113

DAFTAR TABEL
1 Parameter-parameter yang akan dilihat pengaruhnya terhadap
hasil identifikasi
2 Jumlah suara hasil segmentasi
3 Hasil segmentasi sinyal suara paru-paru
4 Kelompok data latih dan data uji
5 Struktur JST LVQ
6 Akurasi pengujian pada LVQ (data latih)
7 Akurasi pengujian pada LVQ (data uji)
8 Struktur JST FLVQ

24
26
26
28
30
30
30
32

DAFTAR GAMBAR
1 Blok diagram pembelajaran pola
2 Blok diagram pengenalan pola
3 Grafik sinyal analog
4 Grafik sinyal diskret
5 Tahapan digitasi
6 Sistem pernapasan manusia
7a Sinyal suara tracheal
7b Diagram suara tracheal
8a Sinyal suara vesicular
8b Diagram suara vesicular
9a Sinyal suara crackle
9b Diagram suara crackle
10a Sinyal suara wheeze
10b Diagram suara wheeze
11 Blok diagram tahapan MFCC
12 Arsitektur jaringan LVQ
13 Bilangan crisp
14 Representasi bilangan fuzzy segitiga
15 Nilai similaritas (1)
16 Nilai similaritas (2)
17 Ilustrasi pembentukan vektor pewakil
18 Contoh vektor pewakil untuk 4 kelas dan 4 dimensi masukan
19 Ilustrasi penentuan kelas pemenang
20 Diagram alir penelitian
21 Ilustrasi segmentasi data suara
22 Proses frame blocking dan windowing
23 Ilustrasi perubahan data asli menjadi data hasil MFCC (data suara
tracheal untuk koefisien MFCC 13 )
24 Plot sinyal hasil MFCC
25 Hasil pengujian data latih dengan MFCC 13, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5

5
5
5
5
6
7
8
8
8
8
8
8
9
9
10
13
14
15
15
16
17
17
18
21
22
23
28
29
33

26 Hasil pengujian data uji dengan MFCC 13, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
27 Hasil pengujian data latih dengan MFCC 15, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
28 Hasil pengujian data uji dengan MFCC 15, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
29 Hasil pengujian data latih dengan MFCC 20, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
30 Hasil pengujian data uji dengan MFCC 20, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
31 Hasil pengujian data latih dengan MFCC 30, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
32 Hasil pengujian data uji dengan MFCC 30, b1=1.01, b2=0.6; 0.5;
0.4; 0.3; 0.2 dan LR=0.5
33 Perbandingan akurasi berdasarkan koefisien MFCC
34 Perbandingan akurasi berdasarkan learning rate
35 Perbandingan akurasi berdasarkan koefisien pelebaran
36 Perbandingan akurasi berdasarkan koefisien penyempitan
37 Tingkat pengenalan setiap jenis suara paru-paru
38 Perbandingan akurasi LVQ dan FLVQ

33
34
35
36
36
38
38
40
41
42
42
43
44

DAFTAR LAMPIRAN
1
2
3

Hasil pengujian metode LVQ
Hasil pengujian metode FLVQ
Grafik hasil pengujian FLVQ

49
51
97

1

1 PENDAHULUAN
Latar Belakang
Paru-paru merupakan salah satu organ vital manusia. Organ ini
memiliki peranan pada sistem pernapasan, karena dapat
memenuhi
kebutuhan tubuh akan oksigen. Jika paru-paru mengalami gangguan, maka
sistem pernapasan manusia juga akan mengalami gangguan, bahkan dapat
menyebabkan kematian. Diperkirakan ratusan ribu sampai jutaan penduduk dunia
terkena penyakit paru-paru setiap tahun dan hal tersebut menyebabkan 19%
penyebab kematian diseluruh dunia dan 15% penyebab kecacatan sepanjang hidup
(FIRS 2010). Menurut proyeksi WHO, pada tahun 2020 penyakit paru-paru
termasuk 10 penyebab masalah kesehatan masyarakat di dunia (WHO 2008).
Adapun di Indonesia penyakit paru-paru menduduki 10 besar peringkat utama
untuk penyebab masalah kesehatan masyarakat (PDPI 2010). Perlunya
meningkatkan kepedulian mengenai penyakit paru-paru adalah hal yang vital
karena penyakit paru-paru membunuh lebih banyak orang setiap tahunnya dan
sesuatu harus dilakukan untuk hal tersebut.
Salah satu cara yang digunakan dokter untuk mendiagnosa kelainan pada
paru-paru adalah dengan mendengarkan suara pernapasan menggunakan stetoskop.
Perangkat ini ditemukan pada tahun 1821 oleh seorang dokter prancis bernama
Laennec (Sovijarvi et al. 2000). Suara pernapasan memiliki informasi penting
untuk mengetahui kelainan yang ada pada paru-paru (Emmanouilidou et al. 2012).
Teknik mendengarkan suara nafas menggunakan stetoskop dikenal
dengan teknik auskultasi. Teknik auskultasi merupakan teknik dasar yang
digunakan oleh dokter untuk mengevaluasi suara paru-paru. Teknik ini cukup
sederhana dan murah, namun teknik ini memiliki kelemahan yaitu hasil
analisisnya yang subjektif (Kiyokawa et al. 2001). Hasil analisis suara nafas
menggunakan teknik auskultasi bergantung pada kemampuan, pengalaman dan
pendengaran dokter yang melakukan analisis. Selain itu, pendengaran manusia
yang kurang sensitif terhadap suara dengan frekuensi yang rendah juga menjadi
permasalahan dalam teknik ini, dikarenakan suara pernapasan menempati
frekuensi yang cukup rendah. Masalah selanjutnya dalam teknik auskultasi adalah
masalah kebisingan lingkungan dan pola suara yang hampir mirip antara jenis
suara nafas satu dengan yang lain. Karena faktor-faktor tersebut di atas, kesalahan
diagnosis bisa terjadi apabila prosedur auskultasi tidak dilakukan dengan benar.
Berdasarkan permasalahan di atas, peneliti tertarik untuk melakukan
penelitian dalam melakukan pengenalan suara paru-paru normal dan suara paruparu yang terdeteksi gangguan (abnormal). Suara paru-paru yang dihasilkan pada
beberapa kasus penyakit menunjukkan adanya pola tertentu yang bisa dikenali.
Pola suara ini dapat diambil sebagai bahan untuk diagnosa (Rizal et al. 2010).
Beberapa penelitian mengenai pengenalan suara paru-paru ini telah
banyak dilakukan sebelumnya, beberapa diantaranya adalah Pengenalan Suara
Paru-Paru Normal Menggunakan LPC dan Jaringan Syaraf Tiruan
Backpropagation oleh Achmad Rizal, L. Anggraini dan Vera Suryani (Rizal et al.
2006), A Multiresolution Analysis for Detection of Abnormal Lung Sound oleh
Dimitra Emmanoulidou, Kailash Patil, James West dan Mounya Elhilali

2

(Emmanoulidou et al. 2012), Discrimination of Lung Sounds using a Statistics of
Waveform Intervals oleh Taketoshi Orihashi, Hayaru Shouno dan Shoji Kido
(Orihashi et al. 2006), Classification of Wheeze Sounds using Wavelets and
Neural Networks oleh Amjad Hashemi, Hossein Arabalibiek dan Khosrow Agin
(Hashemi et al. 2011), Method for Automatic Detection of Wheezing in Lung
Sounds oleh R.J.Riella, P.Nohama dan J.M.Maia (Riella et al. 2009), Rancang
Bangun Deteksi Suara Paru-Paru dengan Metode Jaringan Syaraf Tiruan
Backpropagation untuk Mendeteksi Penyakit Asma oleh Artiarini Kusuma N,
Kemala Sari dan Ardik Wijayanto (Kusuma et al. 2010), A Computer-based
Sound Recognition System for the Diagnosis of Pulmonary Disorder oleh A.E.ElAlfi, A.F.Elgamal dan R.M.Ghoniem (El-Alfi et al. 2010)
Rizal et. al (2006) melakukan pengenalan suara paru-paru normal
menggunakan metode LPC dan jaringan syaraf tiruan backpropagation (JST BP).
Suara paru-paru dianggap sebagai speech dan dihitung koefisie LPC-nya. Dari
koefisien LPC didapat parameter cepstral-nya, untuk selanjutnya dikenali dengan
jaringan syaraf tiruan backpropagation. Dari penelitiannya ini, peneliti
mendapatkan tingkat akurasi baik yaitu 98.33%.
Emmanoulidou et. al (2012) melakukan pengembangan perangkat
pemrosesan sinyal untuk analisis rekaman auskultasi suara nafas. Pada penelitian
ini dilakukan analisis untuk mendeteksi suara paru-paru abnormal dengan
menggunakan pengklasifikasi Support Vector Machine (SVM).
Orihashi et. al (2006) membangun Computer Aided Diagnosis (CAD)
untuk mengklasifikasi suara paru-paru ke dalam tiga kelas yaitu coarse crackle,
fine crackle dan suara normal. Untuk melakukan klasifikasi, ekstraksi ciri yang
digunakan adalah waveform interval dan mekanisme pengenalan pola statistik
naive. Pada penelitian ini, peneliti memperoleh kinerja yang baik untuk data suara
paru-paru yang berasal dari rumah sakit Universitas Yamaguchi. Akurasi yang
diperoleh dari klasifikasi adalah 88.67%.
Hashemi et. al (2011) menganalisis jenis suara abnormal yaitu wheeze
dan mengklasifikasikan suara wheeze menjadi dua kelas yaitu kelas monophonic
wheeze dan kelas polyphonic wheeze. Data suara nafas diperoleh dari rumah sakit
Loghman Hakim di Tehran, Iran. Suara nafas yang telah diperoleh akan
diklasifikasikan menggunakan Multilayer Perceptron (MLP). Akurasi yang
diperoleh dari penelitian ini adalah 89.28%.
Riella et. al (2009) menganalisis dan mengklasifikasi suara nafas wheeze.
Clasifier yang digunakan adalah Multilayer Perceptron. Akurasi yang diperoleh
adalah 84.82% untuk data suara dari orang yang berbeda dan 92.86% untuk data
suara dari orang yang sama.
Kusuma et. al (2010) membangun suatu sistem untuk mendeteksi
penyakit asma. Alat yang digunakan untuk mengumpulkan data suara adalah
stetoskop yang disambungkan dengan menggunakan pre amplifier dan amplifier
yang nantinya akan masuk ke PC melalui mono jack audio. Metode yang
digunakan untuk klasifikasi adalah metode Hamming Window, Fast Fourier
Transform (FFT) dan Backpropagation. Hasil pengujian menunjukkan bahwa
sistem dapat mendeteksi seseorang memiliki penyakit asma atau tidak. Akurasi
yang diperoleh adalah 80%.
El-Alfi et. al (2010) menyajikan sistem pengenalan suara berbasis
komputer untuk mendeteksi gangguan paru berdasarkan interpretasi dari sinyal

3

suara paru (LSS). Metode ekstraksi ciri yang yang digunakan adalah Mel
Frequency Ceptral Coefficients (MFCC), sedangkan metode klasifikasi yang
digunakan adalah Linde Buzo Gray (LBG). Sistem akan mengklasifikan suara
paru-paru menjadi enam kelas yaitu normal, wheeze, crackle, squawk, stridor dan
rhoncus. Hasil eksperimen menunjukkan efektifitas dari sistem yang diusulkan
dalam mendeteksi gangguan paru-paru.
Pada penelitian tesis ini, penulis akan melakukan pengenalan pola suara
paru-paru menggunakan metode Mel Frequency Ceptral Coefficients (MFCC)
sebagai ekstraksi ciri dan Fuzzy Learning Vector Quantization (FLVQ) sebagai
classifier. Suara paru-paru akan diklasifikasi menjadi empat kelas yaitu suara
vesicular, suara tracheal, suara wheeze dan suara crackle. Suara vesicular dan
suara tracheal adalah suara nafas yang mengindikasikan paru-paru normal,
sedangkan suara wheeze dan suara crackle mengindikasikan kelainan pada paruparu. Pemilihan suara wheeze dan suara crackle disebabkan karena kedua suara ini
adalah suara yang paling banyak mengindikasikan kelainan pada paru-paru
(Abaza et al. 2009 ; Gurung et al. 2011).
Metode ekstraksi ciri yang digunakan adalah Metode MFCC. MFCC
adalah metode ektraksi ciri yang memberikan hasil sangat baik dalam
mengklasifikasi suara nafas normal dan suara wheeze (Bahoura 2009). Adapun
untuk metode klasifikasi yang digunakan adalah Metode Fuzzy Learning Vector
Quantization. Metode ini merupakan metode hybrid yang mengintegrasikan
sistem neural network dengan logika fuzzy, sistem ini dikenal dengan sistem
Fuzzy Neural Network (FNN). Sistem neural network telah banyak diaplikasikan
untuk proses pengenalan suara khususnya pengenalan suara paru-paru. Tetapi
dalam beberapa kasus, neural network belum memberikan hasil yang baik
(Yohanes 2003). Oleh karena itu, pada penelitian ini akan dikembangkan sistem
pengenalan suara paru-paru dengan classifier yang menggunakan konsep FNN.
Dengan konsep hybrid ini, diharapkan dapat memberikan hasil/output sebaik
mungkin dengan mengoptimalkan komponen-komponen yang ada di dalamnya.
Sebagai pembanding dalam pengujian, akan digunakan classifier Learning Vector
Quantization (LVQ) untuk melihat pengaruh konsep hybrid terhadap akurasi
pengenalan suara paru-paru.

Perumusan Masalah
Dari latar belakang yang telah dipaparkan, maka masalah yang diteliti
dapat dirumuskan yaitu bagaimana mengembangkan suatu model FLVQ pada
pengenalan suara paru-paru normal dan abnormal.

Tujuan Penelitian
1

Tujuan penelitian yang ingin dicapai adalah :
Mengembangkan suatu model FLVQ pada pengenalan suara paru-paru
normal dan abnormal.

4

2 Membandingkan apakah model pengenalan suara paru-paru yang
menggunakan konsep hybrid (FLVQ) lebih baik daripada model
pengenalan suara paru-paru tanpa konsep hybrid (LVQ).

Manfaat Penelitian
Manfaat yang diinginkan dari penelitian ini adalah:
1 Penelitian ini diharapkan dapat memberikan model pengenalan suara
paru-paru normal dan abnormal yang bisa diterapkan di dunia nyata.
2 Penelitian ini diharapkan dapat memberikan informasi mengenai
pengaruh konsep hybrid terhadap akurasi pengenalan suara paru-paru.

Ruang Lingkup Penelitian
Ruang lingkup penelitian ini sebagai berikut:
1 Data masukan berupa rekaman suara paru-paru yang terdiri dari empat
jenis suara paru yaitu Tracheal, Vesicular, Crackels dan Wheeze.
2 Data masukan diperoleh dari repository suara paru-paru yang ada di
Internet yaitu Littmann Repository
3 Model pengenalan suara paru-paru yang dibuat belum memperhatikan
aspek-aspek lain yang bisa mempengaruhi suara paru-paru, seperti usia,
jenis kelamin, anatomi paru-paru, aktifitas sehari-hari dan lain
sebagainya.
4 Ekstraksi ciri menggunakan Metode MFCC
5 Metode klasifikasi yang digunakan adalah metode FLVQ dan metode
LVQ tanpa fuzzy sebagai pembanding.
6 Representasi bilangan fuzzy yang digunakan adalah bilangan fuzzy
segitiga (Triangular Fuzzy Sets).

2 TINJAUAN PUSTAKA
Pengenalan Suara Digital
Pengenalan suara merupakan salah satu upaya agar suara dapat
dikenali atau diidentifikasi sehingga dapat dimanfaatkan. Pengenalan suara
dapat dibedakan ke dalam tiga bentuk pendekatan, yaitu pendekatan akustikfonetik (acoustic-phonetic approach), pendekatan kecerdasan buatan (artificial
intelligence approach) dan pendekatan pengenalan pola (pattern recognition
approach) (Anusuya dan Katti 2009).
Pengenalan pola (pattern reconition) dapat diartikan sebagai proses
klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas dan bertujuan
untuk pengambilan keputusan (Theodoridis dan Koutroumbas 2006). Pengenalan
suara dengan pendekatan pengenalan pola terdiri dari dua langkah yaitu
pembelajaran pola dan pengenalan pola melalui perbandingan pola. Tahap
perbandingan pola adalah tahap dimana suara yang akan dikenali,

5

dibandingkan polanya dengan setiap kemungkinan pola yang telah dipelajari
dalam fase pembelajaran, untuk kemudian diklasifikasi dengan pola terbaik
yang cocok. Blok diagram pembelajaran pola dan pengenalan pola suara
ditunjukkan pada Gambar 1 dan Gambar 2 (Ayunisa 2012) :
Suara
Latih

Model
Ekstraksi Ciri

Pembelajaran Pola

Gambar 1 Blok diagram pembelajaran pola
Suara
Uji

Ekstraksi Ciri

Perbandingan
dengan Pola Model

Pembuatan
Keputusan

Suara
Terkenali

Gambar 2 Blok diagram pengenalan pola
Suara dan Sinyal
Suara adalah gelombang longitudinal yang merambat melalui suatu
medium dan sampai ke telinga manusia sehingga dapat didengarkan. Medium
atau zat perantara ini bisa zat cair, padat, atau gas. Kebanyakan suara adalah
gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan
dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz (Hz) dan
amplitudo (Indrayana 2012).
Sinyal adalah kuantitas fisik yang bervariasi dengan waktu, ruang,
maupun sembarang satu atau lebih peubah bebas lainya. Secara matematis
suatu sinyal dirumuskan sebagai fungsi dari satu atau lebih peubah bebas
(Indrayana 2012). Berdasarkan pada peubah bebas waktu (t) sinyal dibedakan
menjadi dua jenis yaitu sinyal analog dan sinyal diskret.
1 Sinyal Analog
Sinyal analog adalah adalah sinyal data dalam bentuk gelombang yang
kontinyu, yang membawa informasi dengan mengubah karakteristik
gelombang. Dua parameter/ karakteristik terpenting yang dimiliki oleh sinyal
analog adalah amplitude dan frekuensi. Sinyal analog biasanya dinyatakan
dengan gelombang sinus, mengingat gelombang sinus merupakan dasar untuk
semua bentuk sinyal analog. Grafik sinyal analog dapat dilihat pada Gambar 3.

Gambar 3 Grafik sinyal analog
2

Sinyal Diskret
Sinyal Diskret merupakan suatu besaran yang berubah dalam waktu dan
atau dalam ruang dan yang memiliki nilai pada suatu titik-titik waktu
tertentu. Jarak setiap titik waktu bisa saja berbeda-beda namun untuk
kemudahan penurunan sifat matematikanya biasanya jarak antar titik waktu
adalah sama. Contoh grafik sinyal diskret dapat dilihat pada Gambar 4.

Gambar 4 Grafik sinyal diskret.

6

Digitasi Gelombang Suara
Sebagian besar sinyal-sinyal untuk maksud praktis, seperti suara, sinyal
biologis, sinyal seismic, sinyal radar, sinyal sonar dan berbagai sinyal komunikasi
seperti sinyal audio dan video, adalah sinyal analog (Proakis dan Manolakis 1997).
Untuk memproses sinyal analog dengan alat digital, pertama-tama perlu
mengkonversinya menjadi bentuk digital yaitu mengkonversi menjadi suatu deret
angka yang mempunyai presisi nilai terbatas.
Proses konversi tersebut dikenal dengan digitasi. Digitasi merupakan
proses mengubah sinyal analog menjadi sinyal digital. Proses digitasi terdiri atas
tiga tahap yaitu (Proakis dan Manolakis 1997):
1 Proses sampling, merupakan pengambilan nilai pada setiap jangka
waktu tertentu yang akan menghasilkan suatu nilai vektor. Panjang
nilai vektor yang dihasilkan tergantung dari panjangnya sinyal suara
yang didigitasi dan sampling rate yang digunakan. Sampling rate adalah
banyaknya nilai yang diambil tiap detik. Hubungan panjang vektor yang
dihasilkan, sampling rate, dan panjang data suara yang didigitasikan
dinyatakan dengan persamaan berikut :
dimana :
S = panjang vektor
Fs = sampling rate yang digunakan (Hertz)
T = panjang suara (detik)
2 Kuantisasi, proses ini menyimpan nilai amplitudo dalam representasi nilai
8 bit atau 16 bit.
3 Pengkodean, dalam proses pengkodean, setelah dikuantisasi maka tiap-tiap
diskret yang ada telah memiliki tetapan tertentu. Tetapan tersebut dapat
dijadikan kombinasi bilangan biner, maka terbentuklah bilangan-bilangan
biner yang merupakan informasi dari sinyal. Setelah menjadi sinyal digital
maka proses-proses perekayasaan dapat dilakukan.
Secara skematis, proses digitasi dapat dilihat pada Gambar 5 berikut
(Proakis dan Manolakis 1997) :
Sinyal
Analog

Sinyal
Waktudiskret
Sampling

Pengkuantisasi

Sinyal
terkuantisasi

Sinyal
Digital
Pengkodean

01110111...

Gambar 5 Tahapan digitasi

Teori Suara Paru-Paru
Suara paru-paru merupakan bagian dari suara pernafasan (respiratory
sound). Suara pernapasan meliputi suara pada mulut dan trakea sedangkan suara
paru-paru terjadi pada bagian sekitar dada. Suara paru-paru terjadi karena adanya
turbulensi udara saat udara memasuki saluran pernafasan selama proses
pernafasan (Blake 1986). Turbulensi ini terjadi karena udara mengalir dari

7

saluran udara yang lebih lebar ke saluran udara yang lebih sempit atau
sebaliknya.
Pada proses pernafasan dibagi dua bagian proses yaitu proses inspirasi
dan proses ekspirasi. Proses inspirasi yaitu proses pada saat kita menghirup udara
ke dalam paru-paru dan proses ekspirasi yaitu proses pada saat kita mengeluarkan
udara dari paru-paru. Pada proses inspirasi, suara paru-paru yang akan terdengar
akan lebih kuat dari pada proses ekspirasi. Tetapi durasi waktu untuk ekspirasi
lebih panjang dari proses inspirasi. Gambar 6 berikut adalah sistem pernapasan
manusia.

Gambar 6 Sistem pernafasan manusia
Pada saat inspirasi, udara mengalir dari saluran udara yang lebih
luas ke saluran udara yang lebih sempit sehingga turbulensi yang terjadi lebih
kuat sedangkan pada saat ekspirasi terjadi sebaliknya. Hal ini menyebabkan
pada saat inspirasi suara yang terdengar lebih keras. Secara umum suara
paru-paru dibagi menjadi 2, suara normal dan suara abnormal (Cohen dan
Landsberg 1984). Suara normal adalah suara paru-paru yang tidak terdeteksi
kelainan pernapasan, sedangkan suara paru-paru abnormal adalah suara paru-paru
yang mengalami gangguan. Suara-suara tersebut dibagi dalam beberapa kategori
berdasarkan pitch, intensitas, lokasi dan rasio inspirasi dan ekspirasi (Rizal et al.
2010). Berikut akan dijelaskan beberapa jenis suara paru-paru yang akan dijadikan
objek dalam penelitian ini :
Suara Tracheal
Suara tracheal merupakan suara yang terdengar pada bagian larik dan
pangkal leher. Suara tracheal sangat nyaring dan pitch-nya tinggi, sehingga suara
ini sangat jelas terdengar dibandingkan suara paru-paru normal lainnya (Kuan
2010). Inspirasi dan ekspirasi relatif sama panjang. Untuk lebih jelasnya, gambar
sinyal suara tracheal dan diagram suara tracheal dapat dilihat pada Gambar 7a
dan Gambar 7b.

8

a. Sinyal suara tracheal

b. Diagram suara tracheal

Gambar 7 Suara tracheal
Suara Vesicular
Suara vesicular merupakan suara pernafasan normal yang didengar pada
dada samping dan dada dekat perut, paling umum dan terdengar hampir di semua
permukaan paru-paru. Suaranya lembut dengan pitch rendah (Kuan 2010). Suara
inspirasi jauh lebih kuat dibanding suara ekspirasi, sering kali proses ekspirasi
hampir tidak terdengar. Suara vesicular bisa terdengar lebih kasar dan sebagian
terdengar lebih panjang apabila ada ventilasi yang cepat dan dalam (misal setelah
berolah raga) atau pada anak-anak yang memiliki dinding dada yang lebih tipis.
Suara vesikular juga bisa lebih lembut jika pasien lemah, tua, gemuk, atau sangat
berotot. Untuk lebih jelasnya, gambar sinyal suara vesicular dan diagram suara
vesicular dapat dilihat pada Gambar 8a dan Gambar 8b.

a. Sinyal suara vesicular
b. Diagram suara vesicular
Gambar 8 Suara vesicular
Suara Crackles
Suara crackles merupakan suara ledakan pendek yang bersifat
discontinuous, suara ini umumnya lebih terdengar pada proses inspirasi (Katila et
al. 1991). Suara crackles sering dikenal dengan nama rales atau crepitation.
Kondisi penyebab terjadinya crackles yaitu ARDS, asthma, bronchiectasis,
chronic bronchitis, consolidation, early CHF, interstitial lung disease dan
pulmonary edema. Untuk lebih jelasnya, gambar sinyal suara crackle dan
diagram suara crackle dapat dilihat pada Gambar 9a dan Gambar 9b.

a. Sinyal suara crackles
b. Diagram suara crackles
Gambar 9 Suara crackles

9

Suara Wheeze
Suara wheezes merupakan jenis suara yang bersifat kontinyu, memiliki
pitch tinggi, lebih sering terdengar pada proses ekspirasi. Suara ini terjadi saat
aliran udara melalui saluran udara yang menyempit karena sekresi, benda asing
atau luka yang menghalangi (Riella et. al 2009). Durasi proses inspirasi lebih
lama dibandingkan dengan proses ekspirasi. Selain itu intensitas suara inspirasi
lebih besar dibandingkan dengan ekspirasi. Pada suara ini terdengar suara bunyi
yang terdengar menciut-ciut selama proses inspirasi dan ekspirasi. Kondisi yang
menyebabkan suara wheeze yaitu asthma, CHF, chronic bronchitis, COPD dan
pulmonary edema. Untuk lebih jelasnya, gambar sinyal suara wheeze dan diagram
suara wheeze dapat dilihat pada Gambar 10a dan Gambar 10b.

a. Sinyal suara wheeze
b. Diagram suara wheeze
Gambar 10 Suara wheeze

Ekstraksi Ciri
Ekstraksi ciri merupakan proses menentukan suatu nilai atau vektor yang
dapat digunakan sebagai penciri objek atau individu (Anusuya dan Katti 2009).
Tujuan utama dari ekstraksi ciri adalah untuk mereduksi ukuran data tanpa
mengubah karakteristik dari sinyal suara dalam setiap framenya. Cara kerjanya
adalah dengan mengkonversi bentuk sinyal suara ke dalam bentuk representasi
secara parameter. Banyak metode yang ada untuk ekstraksi ciri diantaranya
Linier Predictive Coding (LPC), Linear Predictive Cepstral Coefficient (LPCC),
Perceptual Linear Perdictive (PLP), Neural Predictive Coding (NPC), Mel
Frequency Cepstrum Coefficients (MFCC), wavelet dan filter bank. Namun, pada
penelitian ini peneliti menggunakan metode ekstrasi ciri MFCC.
Mel Frequency Ceptrums Coeffisient (MFCC)
Ekstraksi ciri MFCC merupakan suatu teknik yang digunakan untuk
menghasilkan suatu vektor yang digunakan sebagai penciri. Ciri tersebut
adalah koefisien cepstral. Koefisien cepstral
yang
digunakan
tetap
mempertimbangkan persepsi sistem pendengaran manusia. Teknik MFCC
dapat merepresentasikan sinyal lebih baik dibandingkan LPC, LPCC dan
yang lainnya dalam pengenalan suara (Buono 2009). Hal ini dikarenakan cara
kerja MFCC didasarkan pada perbedaan frekuensi yang dapat ditangkap oleh
telinga manusia sehingga bisa merepresentasikan bagaimana manusia menerima
sinyal suara (Muda et al. 2010). Gambar 11 menunjukkan diagram tahapan
MFCC.

10

Gambar 11 Blok diagram tahapan MFCC (Patel dan Prasad 2013)
Tahap-tahap dalam teknik MFCC lebih jelasnya yaitu sebagai berikut
(Slaney 1998) :
1 Frame Blocking
Frame blocking merupakan proses pembagian sinyal menjadi beberapa
frame yang lebih kecil agar sinyal lebih mudah untuk diproses selanjutnya.
2 Windowing
Proses selanjutnya adalah menghaluskan masing-masing frame untuk
meminimalkan sinyal yang tidak kontinu pada awal dan akhir masingmasing frame yang dikenal dengan proses filtering. Salah satu teknik
filtering adalah windowing. Proses windowing dilakukan pada setiap
frame. Dalam hal ini, sinyal digital dikalikan dengan fungsi window
tertentu yang berukuran sama dengan ukuran frame. Jika sinyal digital
frame ke-i adalah xi dan fungsi window yang digunakan adalah wi,
maka output windowing frame ke-i adalah perkalian skalar antara
vektor xi dengan wi . Fungsi window yang digunakan pada penelitian
ini adalah Hamming Window karena memiliki ekspresi matematika
yang cukup sederhana (Buono 2009). Ekspresi matematika untuk
pembentukan window Hamming dapat dilihat pada persamaan berikut
(Patel dan Prasad 2013) :
 2n 
w(n)  0.54  0.46 cos
, 0  n  N  1
 N 1
y l (n)  xl (n)w(n), 0  n  N  1
dimana :
w(n) = hamming window
yl (n) = sinyal keluaran
xl (n) = sinyal masukan
N
= jumlah sample pada masing-masing frame
3

Fast Fourier Transform
Analisis
Fourier merupakan
suatu
teknik matematika
untuk
mendekomposisi sinyal menjadi sinyal-sinyal sinusoidal. Untuk dapat
melihat perbedaan sinyal suara yang berbeda-beda, harus dilihat dari
domain frekuensi karena kalau dilihat dari domain waktu perbedaanya
sulit terlihat. Untuk itu, sinyal suara yang berada pada domain waktu
diubah ke domain frekuensi dengan Fast Fourier Transform (FFT).

11

FFT merupakan suatu algoritme untuk mengimplementasi Discrete
Fourier Transform (DFT), berikut rumusnya (Patel dan Prasad 2013).
∑

dimana :
Xk
= Sinyal keluaran
Yn = sinyal keluaran dari proses windowing
N
= jumlah sample pada masing-masing frame.
K
= 0,1,2, ..., N-1
4

Mel Frequency Wrapping
Untuk menggunakan metode MFCC, frekuensi dijadikan dalam skala Mel.
Persepsi manusia terhadap frekuensi sinyal suara tidak berupa skala
linear. Oleh karena itu, untuk setiap nada dengan frekuensi aktual f
(dalam Hertz), tinggi subjektifnya diukur dengan skala mel. Skala mel
frequency adalah selang linear untuk frekuensi di bawah 1000Hz dan
selang logaritmik untuk frekuensi di atas 1000Hz. Berikut adalah
rumusnya :
∑

dimana :
= sinyal keluaran Mel-Frequency Wrapping
X(k) = sinyal keluaran FFT
Hi(k) = filter bank
N
= jumlah sampel pada masing-masing frame
K
= 0.1,2,..., N-1
5 Cepstrum
Langkah terakhir yaitu mengonversi log mel spectrum ke domain
waktu. Hasilnya disebut mel frequency cepsterum coefficients. Cara untuk
mengonversi log mel spectrum ke bentuk domain waktu yaitu dengan
menggunakan Discrete Cosine Transform (DCT). Berikut adalah
rumusnya :
∑

[ (

dimana :
C(j) = nilai koefisien C ke j
j
= jumlah koefisien yang diharapkan
M
= jumlah filter bank

)

]

Fuzzy Neural Network (FNN)
Fuzzy Neural Network merupakan suatu
model
yang dilatih
menggunakan jaringan syaraf (neural network), namun struktur jaringannya
diinterpretasikan dengan sekelompok aturan-aturan fuzzy (Kasabov 2002). Pada

12

FNN, parameter-parameter yang dimiiki oleh neuron dan bobot-bobot
penghubung yang biasanya disajikan secara numeris (crisp), dapat diganti dengan
parameter-parameter fuzzy (Lin 1996). Adakalanya input dan output bernilai fuzzy,
sedangkan bobotnya bernilai crisp; atau input dan output bernilai crisp, sedangkan
bobot fuzzy; atau baik input, output maupun bobot bernilai fuzzy (Fuller 1995).
Fuzzy neural network adalah gabungan dari prinsip belajar neural
network dan adaptasi dari fungsi keanggotaan fuzzy. Pada penelitian ini, prinsip
belajar yang digunakan adalah menggunakan Metode Learning Vector
Quantization (LVQ). Bobot jaringan direpresentasikan sebagai fungsi
keanggotaan fuzzy (fuzzy set).
Penggabungan konsep neural network dengan konsep fuzzy pada
prinsipnya yaitu, usaha dalam mengeliminasi kekurangan dan kelebihan dari
setiap metode. Dalam hal ini, akan diambil kelebihan dari masing-masing
konsep. Neural network yang terstruktur dan memiliki kemampuan belajar yang
tinggi, tidak memiliki kemampuan dalam mengkalkulasikan data uncertainty
(hanya mampu mengkalkulasikan data yang eksak). Sistem fuzzy tidak memiliki
kemampuan belajar, namun mampu merepresentasikan pengetahuan seperti
manusia yang sebagian besar bersifat uncertainty. Melalui integrasi dari kedua
metode ini, akan diperoleh metode yang terstruktur, mampu melakukan
pembelajaran dan memiliki kemampuan dalam mengkalkulasikan data uncertainty.
Learning Vector Quatization (LVQ)
Algoritme LVQ diperkenalkan oleh Teuvo Kohonen (Kohonen 1990)
sebagai algoritma yang simpel, efisien, namun sangat powerful dan telah banyak
digunakan dalam berbagai aplikasi dan bidang ilmu. LVQ adalah algoritme
pembelajaran yang melakukan klasifikasi pola ke dalam beberapa kelas/kategori
berdasarkan mekanisme kompetisi. Struktur jaringan LVQ adalah jaringan
neural dua lapis yang terdiri dari lapisan masukan dan lapisan keluaran
(Gambar 12). Lapisan masukan mengandung neuron sebanyak dimensi
masukan, lapisan keluaran mengandung neuron sebanyak jumlah kelas
(Rahadianti 2009).
Kedua lapisan dihubungkan oleh penghubung antar setiap neuron yang
memiliki suatu bobot tertentu. Bobot-bobot dari semua neuron pada lapisan
masukan ke suatu neuron di lapisan keluaran mewakili dimensi-dimensi yang
mewakili kelas tersebut. Misalkan saja terdapat 6 neuron masukan dan 3 neuron
keluaran. Bobot dari keenam neuron masukan menuju neuron keluaran pertama
merupakan vektor pewakil kelas pertama.
Pada jaringan LVQ, pembelajaran yang dilakukan bersifat
supervised (terbimbing/terawasi), dimana pemberian masukan disertai dengan
informasi keluaran yang diharapkan. Jaringan senantiasa diarahkan untuk
mengeluarkan keluaran yang benar, dan jika jaringan mengeluarkan keluaran yang

13

salah, algoritme ini akan mengetahui kesalahan pada keluaran tersebut dan
mengarahkan kembali jaringan untuk bisa mengeluarkan keluaran yang sesuai.
LVQ adalah suatu jaringan yang dapat memproses masukan sesuai suatu
fungsi, dan mengeluarkan keluaran berupa klasifikasinya. Dalam hal
pengenalan suara, LVQ mampu mengklasifikasikan input sinyal suara ke
dalam kelas yang sesuai. Dalam contoh pada Gambar 12, masukan berupa
vektor 6-dimensi yang akan diterima ke dalam jaringan melalui lapisan masukan
dengan 6 neuron. Keluaran dari jaringan ini diwakilkan oleh 2 neuron pada
lapisan keluaran yang mewakili kedua kelas klasifikasi. Vektor-vektor
berdimensi-6 akan dikelompokkan ke dalam 2 kelas. Vektor dengan elemen (w11,
w21, w31, w41, w51, w61) adalah vektor pewakil berukuran 6-dimensi yang
mewakili kelas ke-1.
Input
Layer

Bobot

Jarak

Output
Layer

w11

X1

w12
X2

w21
w22

X3

|| X - W1 ||

Y1

|| X – W2 ||

Y2

w31
w32
w41
w42

X4
w51

w52

X5
w61
X6

w62

Gambar 12 Arsitektur jaringan LVQ
dimana :
X = Data masukan
w = bobot penghubung / vektor pewakil
Y = Data keluaran
Adapun langkah-langkah algoritme LVQ adalah sebagai berikut :
Langkah 0 : Inisialisai Bobot
Langkah 1 : Jika kondisi henti gagal, lakukan langkah 2-8
Langkah 2 : Untuk setiap vektor masukan Xi, lakukan langkah 3 sampai 6
Langkah 3 : Untuk setiap j, hitung :
√∑

14

Langkah 4 : Temukan indeks j sehingga D(j) minimum
Langkah 5 : Periksa indeks j dan bandingkan dengan informasi kelas
Langkah 6 : Untuk setiap j
• Meng-update bobotnya jika indeks = informasi kelas
• Meng-update bobotnya jika indeks ≠ informasi kelas
Dengan adalah laju pemahaman/learning rate
Langkah 7 : Memodifikasi laju pemahaman
Langkah 8 : Periksa kondisi henti.
Selanjutnya untuk algoritme pengujian, saat terdapat sebuah vetor
masukan yang hendak diuji maka cukup diuji dengan melakukan langkah 3 dan
langkah 4 saja. Dengan vektor pewakil menggunakan vektor pewakil terakhir
yang diperoleh pada proses pelatihan.
Aritmatika Fuzzy
Bilangan atau angka yang biasa digunakan untuk berbagai keperluan
dalam kehidupan sehari-hari adalah bilangan crisp. Bilangan ini adalah bilangan
yang hanya memiliki 1 nilai pasti, dan berupa 1 garis pada garis bilangan (Gambar
13). Bilangan crisp ini adalah angka biasa yang sudah dikenal semua orang,
contohnya bilangan 10, 20, 110, atau 1270.

10

20

30

40

50

60

Gambar 13 Bilangan crisp
Bilangan fuzzy adalah konsep bilangan yang mengadaptasi konsep
himpunan. Suatu himpunan adalah kumpulan dari objek-objek tertentu. Suatu
bilangan fuzzy adalah suatu himpunan (bilangan fuzzy bisa disebut juga sebagai
himpunan fuzzy / fuzzy set) tetapi bilangan-bilangan anggotanya tidak memiliki
nilai keanggotaan (µ) yang sama (Iancu et al. 2010).
Representasi Bilangan Fuzzy Segitiga
Pada himpunan bilangan biasa, suatu bilangan hanya mungkin memiliki
dua nilai keanggotaan terhadap himpunan tersebut, 0 atau 1. Nilai keanggotaan
bernilai 0 jika bilangan tersebut bukan anggota himpunan, dan jika sebaliknya,
bilangan tersebut akan memiliki semua nilai, dari 0 sampai 1. Oleh karena
itu, semua bilangan anggota himpunan akan memiliki nilai keanggotaan (µ) yang

15

sama, yaitu 1. Pada bilangan fuzzy, bilangan anggotanya memiliki µ yang
bervariasi antara nilai 0 hingga 1.
Representasi bilangan fuzzy segitiga pada garis bilangan akan
menyerupai bentuk segitiga yang alasnya mewakili bilangan-bilangan
anggotanya serta tingginya mewakili nilai µ yang bersesuaian dengan anggotanya.
Nilai crisp pada Gambar 13 akan menjadi nilai-nilai fuzzy seperti pada Gambar
14. Nilai keanggotaan bilangan anggota suatu himpunan fuzzy sesuai konvensinya
berada diantara nilai 0 hingga 1.

10

20

30

40

50

60

Gambar 14 Rpresentasi bilangan fuzzy segitiga
Bilangan fuzzy segitiga merupakan sebuah bilangan yang
merepresentasikan distribusi satu set data yang dinyatakan dengan tiga angka
berikut :
̃
Dimana :
̃ = nilai fuzzy x
= nilai minimum
= nilai rata-rata
= nilai masimum
Nilai Similaritas
Misalkan x dan y adalah 2 buah bilangan fuzzy, maka dapat dihitung
nilai similaritas (µ) antar keduanya sesuai dengan nilai komponen fuzzy yang
mereka miliki. Nilai similaritas dari 2 buah bilangan fuzzy dapat dihitung
sebagai nilai maksimum dari irisan kedua bilangan tersebut. Nilai maksimum dari
irisan kedua bilangan bisa didapat dari perpotongan tertinggi kedua bilangan fuzzy
segitiga (Gambar 15).
̃̃
̃ ̃

Gambar 15 Nilai similaritas (1)
Dalam penelitian ini, bobot yang berbentuk bilangan fuzzy segitiga
hanyalah bobot vektor pewakil, sedangkan untuk bobot vektor input data latih dan

16

vektor input data uji tetap bernilai crisp. Hal ini disebabkan karena pembentukan
bilangan fuzzy memiliki nilai komponen minimal dan maksimal yang sama
dengan komponen tengahnya, sehingga bentuk bilangan fuzzy berupa garis lurus
seperti bilangan crisp. Dalam kasus ini, nilai similaritas dapat digambarkan juga
sebagai perpotongan garis lurus dengan segitiga seperti yang terlihat pada Gambar
16. Nilai similaritas dapat dihitung sesuai dengan persamaan berikut (Denceux
dan Masson 2004).

dimana :
= Nilai similaritas bilangan x dan y
y
= nilai masukan
= nilai maksimum
= nilai rata-rata

X(1)

X(2)

y

X(3)

Gambar 16 Nilai similaritas (2)

Fuzzy Learning Vector Quantization (FLVQ)
Fuzzy Learning Vector Quantization adalah pengembangan lebih lanjut
dari algoritme Learning Vector Quantization (Rochmatullah 2009). Algoritme
ini memanfaatkan teori fuzzy pada vektor masukan, proses pembelajaran,
dan penentuan kategori vektor masukan. Algoritme ini memiliki waktu
komputasi yang cepat dan tingkat pengenalan yang lebih tinggi dibandingkan
LVQ.
Struktur jaringan FLVQ kurang lebih sama dengan struktur jaringan
LVQ biasa (Gambar 12), namun memiliki perbedaan hanya pada jenis
bilangan yang digunakan pada bobot (w) atau representasi vektor pewakil.
Pada penggunaan bilangan fuzzy pada vektor pewakil, masing-masing dimensi
akan berupa bilangan fuzzy, sehingga vektor pewakil akan berupa sebuah
vektor fuzzy, yaitu vektor dengan elemen-elemen vektor yang berupa bilangan
fuzzy.
Jumlah neuron pada lapisan masukan adalah sebanyak dimensi data yang
diproses (n) serta jumlah neuron pada lapisan keluaran adalah sebanyak kelas
yang akan digunakan untuk klasifikasi data (k). Bobot (w) yang
menghubungkan kedua lapisan adalah representasi dari vektor pewakil dari
masing-masing kelas pada lapisan keluaran.
Proses pembelajaran FLVQ dilakukan dengan melihat nilai
similaritasnya di vektor keluaran. Setelah semua vektor pewakil dihitung nilai
similaritasnya dengan vektor input, maka setiap elemen di lapisan cluster

17

dicari nilai similaritas terkecilnya untuk dijadikan input pada lapisan keluaran.
Penentuan vektor pewakil pemenang dilakukan dengan cara mencari nilai
similaritas terbesar yang ada pada setiap elemen lapisan keluaran.

Pembentukan Vektor Pewakil
Pembentukan vektor pewakil bilangan fuzzy dilakukan dengan cara
mencari nilai minimal, rata-rata, dan maksimal yang akan membentuk bilangan
fuzzy segitiga (Gambar 17) (Rahadianti 2009).

9

3

6 12

6

7

7

2

6

max

7

min

6

7

FUZZYFIKASI

2

6.5

12

Rata-rata = 6.5

Gambar 17 Ilustrasi pembentukan vektor pewakil
Banyaknya segitiga pada masing-masing kelas tergantung pada jumlah
dimensi masukan. Gambar 18 berikut adalah ilustrasi vektor pewakil yang telah
terbentuk yang terdiri dari 4 kelas dengan 4 dimensi masukan.

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Gambar 18 Contoh vektor pewakil untuk 4 kelas dan 4 dimensi masukan

Penentuan Kelas Pemenang
Seperti yang telah disebutkan sebelumnya, algoritme FLVQ adalah
algoritme pembelajaran yang melakukan klasifikasi pola ke dalam beberapa
kelas/kategori berdasarkan mekanisme kompetisi. Mekanisme kompetisi ini

18

dapat dilihat pada proses penentuan kelas pemenang sebagai acuan dalam pengupdate-an bobot vektor pewakil. Penentuan kelas pemenang pada algoritme
FLVQ agak sedikit berbeda dengan algoritme LVQ karena algoritme FLVQ
menggunakan konsep bilangan fuzzy pada bobot vektor pewakilnya. Penentuan
kelas pemenang dilakukan dengan cara menghitung nilai similaritas (µ) vektor
masukan terhadap keempat vektor pewakil. Pada tiap kelas akan dihasilkan n buah
µ untuk kelas tersebut. Perlu dicatat nilai similaritas terkecil dari masing-masing
kelas.

Setelah dilakukan penghitungan nilai similaritas untuk tiap kelas, akan
didapat nilai similaritas minimal untuk tiap kelas. Langkah selanjutnya adalah
menghitung nilai similaritas tertinggi dari kumpulan nilai minimal perkelas

Kelas dengan similaritas tertinggi adalah kelas pemenang. Jika nilai
similaritas tertinggi adalah 0, maka data latih dianggap sebagai data tidak
teregistrasi. Untuk lebih jelasnya perhatikan ilustrasi yang pada Gambar 19.

Kelas 1

Kelas 2
Data masukan

Kelas 3

Kelas 4

Gambar 19 Ilustrasi penentuan kelas pemenang
Algoritme FLVQ
Seperti yang telah disebutkan sebelumnya, FLVQ memiliki konsep yang
sama dengan LVQ biasa. Oleh karena itu, secara umum algoritme yang digunakan
juga sama. Algoritme FLVQ dapat ditulis sebagai berikut:

19

Langkah 0 : Inisialisai Bobot
Pada langkah ini dilakukan perubahan dari bobot crisp menjadi bobot
fuzzy, yaitu proses fuzzifikasi seperti yang telah dijelaskan
sebelumnya pada tahap pembentukan vektor pewakil.
Langkah 1 : Jika kondisi henti gagal, lakukan langkah 2-8
Langkah 2 : Untuk setiap vektor
fuzzy masukan , lakukan langkah 3
sampai 6
Langkah 3 : Untuk setiap j, hitung jarak antara vektor fuzzy masukan
dengan vektor pewakil
Langkah ini dilakukan dengan cara mengitung nilai similaritas
vektor masukan dengan vektor pewakil tiap kelas. Kelas
dengan nilai similaritas terbesar adalah kelas pemenang
(Gambar 19). Prosesnya seperti yang telah dijelaskan
sebelumnya pada tahap proses penentuan kelas pemenang.
Langkah 4 : Temukan indeks j kelas pemenang.
Langkah 5 : Periksa indeks j dan bandingkan dengan informasi kelas
Langkah 6 : Untuk setiap neuron j
• Meng-update bobot jika nilai similaritas terbesar adalah 0
Jika hal ini terjadi, maka data dianggap tidak masuk ke dalam kelas
pada
dan nilai maksimal
manapun. Nilai minimal (
vektor pewakil untuk semua kelas d