Klasifikasi Suara Paru – Paru yang ditingkatkan menggunakan SpecAugmentasi dan Mel Spectrogram

Jaenal Arifin (Telkom University)
Dony Hutabarat (Universitas Islam Negeri Sultan Maulana Hasanuddin)
Moh Nur Shodiq (Politeknik Negeri Banyuwangi)

Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi
Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)

Penyakit paru-paru merupakan kontributor utama morbiditas dan mortalitas di seluruh dunia. Suara napas pada individu dapat bervariasi dari keadaan normal hingga patologis. Studi ini bertujuan untuk meningkatkan klasifikasi menggunakan SpecAugment dan Mel Spectrogram dengan validasi silang 10 fold. Dataset dikumpulkan dari database Kaggle, dataset International Conference on Biomedical and Health Informatics (ICBHI), dan dataset Rumah Sakit Fortis India. Dataset suara paru-paru terdiri dari 1363 pasien. Pra-pemrosesan meliputi konversi data audio ke sensor float, frekuensi sampling 16 kHz, dan transformasi ke Mel Spectrogram. Augmentasi data dilakukan menggunakan google brain specAugment. Dalam studi ini, kami menggunakan validasi silang 10 fold. Hasil eksperimen memperoleh nilai akurasi terbaik sebesar 95,72%, presisi 96,06%, recall 95,71%, F1-Score 95,74%, dan AUC 99,51%. Studi ini berkontribusi pada penelitian AI di bidang elektromedis dan pemrosesan sinyal. Peningkatan dataset suara paru-paru dengan menambahkan spesifikasi meningkatkan akurasi dan keandalan diagnosis gangguan suara paru-paru.