BAB 2

LANDASAN TEORI

2.1.Suara Pernapasan

Menurut Sovijärvi et al. (2000), suara pernapasan adalah semua suara yang
berhubungan dengan pernapasan termasuk suara napas, suara adventif, suara batuk,
suara dengkur, suara bersin, dan suara dari otot pernapasan. Sebagai catatan bahwa
suara yang timbul saat bernafas tidak termasuk dalam suara pernapasan.
Menurut Baydar (2003), suara pernapasan dapat diklasifikasi menjadi dua
kelompok seperti suara napas dan suara adventif (abnormal). Suara napas yang
terdengar dari dada subyek yang sehat disebut suara napas normal. Suara napas
normal keduanya yaitu inspirasi dan ekspirasi. Keduanya terjadi ketika udara bergerak
masuk dan keluar selama siklus pernapasan reguler. Suara adventif merupakan suara
pernapasan tambahan dalam suara napas. Suara ini terjadi tanpa terduga selama siklus
pernapasan reguler. Variabilitas yang cukup besar dalam karakteristik struktur suara
pernapasan di antara individu, terkadang membuat sulit untuk memastikan
keabnormalan suatu suara.
Gavriely & Cugell (1995) membagi suara adventif menjadi dua jenis utama.
Yang pertama yaitu suara adventif kontinu, yang dinamakan, wheeze, rhonchi, dan
stridor. Yang kedua yaitu suara adventif diskontinu, yang dinamakan, crackle dan
squawk. Kehadiran suara adventif diskontinu biasanya mengindikasi penyakit paru.
Menurut Matondang et al. (2003) suara napas dasar terdiri dari beberapa
bagian yaitu:
a. Suara napas vesikular
Adalah suara napas normal yang terjadi karena udara masuk dan keluar
melalui jalan napas suara inspirasi lebih keras dan lebih panjang daripada

Universitas Sumatera Utara

 8

suara ekspirasi dan terdengar seperti membunyikan „fff‟ dan „www‟. Suara
napas abnormal akan melemah karena terjadi penyempitan bronkus
(bronkostenois) dan setiap keadaan yang menyebabkan ventilasi berkurang
atau bertambahnya hambatan konduksi suara, atau keduanya. Keadaan tersebut
terdapat pada pasien yang menderita pneunomia, edema paru, pneumotoraks
atau emfisema.

b. Suara napas bronkial

Pada suara ini terdengar inspirasi keras yang disusul oleh ekspirasi yang lebih
keras, dapat disamakan seperti bunyi „khkhkh‟. Dalam keadaan normal, suara
napas bronkial hanya terdengar pada bronkus bear kanan dan kiri, di daerah
parasternal atas di dada depan dan di daerah interskapular di belakang. Bila
suara napas bronkial terdengar di tempat lain, berarti terdapat konsolidasi yang
luas misalnya pada pneumonia lobaris.

c. Suara napas amforik

Suara napas ini menyerupai bunyi tiupan di atas mulut botol kosong, dapat
didengar pada kaverne.

d. Cog-wheel breath sound

Menyatakan terdapatnya suara napas terputus-putus, tidak kontinu, baik pada
fase inspirasi maupun fase ekspirasi.

e. Metamorphosing breath sound

Suara napas ini dimulai dengan suara yang halus kemudian mengeras, atau
dimulai dengan vesikular kemudian berubah menjadi bronkial.

Sedangkan suara napas tambahan pada auskultasi terdiri dari:

a. Ronki basah dan ronki kering
Ronki basah adalah suara napas tambahan berupa vibrasi terputus-putus (tidak
kontinu) akibat getaran yang terjadi karena cairan dalam jalan napas dilalui
oleh udara. Ronki kering adalah suara kontinu yang terjadi karena udara
melalui jalan napas yang menyempit akibat faktor intraluminar maupun faktor

Universitas Sumatera Utara

 9

ekstraluminar. Ronki kering lebih jelas terdengar pada fase ekspirasi daripada
fase inspirasi.

b. Krepitasi
Adalah suara alveoli. Krepitasi normal dapat terdengar di belakang bawah dan
samping pada waktu inspirasi sesudah istirahat dalam keadaan telentang dalam
beberapa waktu.

c. Bunyi gesekan pleura (pleural fiction rub)

Terdapat pada pleuritis fibrinosa suara yang terdengar adalah suara gesekan
kasar seolah-olah dekat dengan telinga, baik pada fase inspirasi maupun
ekspirasi.

d. Sukusio Hippocrates
Terdapat pada seropneumotoraks, yakni kalau dada digerak-gerakkan akan
terdengar suara kocokan, suara ini jarang terdengar pada anak-anak. Pada
keadaan ini biasanya dinding perut bagian atas tampak amat cekung.

2.2.Suara Napas Abnormal

Menurut Schriber (2011), ada beberapa jenis suara napas abnormal. Empat jenis yang
paling umum adalah:
1. Rales (Crackles)
Merupakan suara yang mengklik kecil, menggelegak, atau gemeretak suara di
paru-paru. Diyakini terjadi ketika udara membuka ruang udara tertutup. Rales
dapat dibagi lagi lebih lanjut sebagai moist, dry, fine, dan coarse.
2. Ronki
Merupakan suara yang menyerupai mendengkur. Terjadi ketika udara diblokir
atau menjadi kasar melalui saluran udara besar.
3. Wheezing
Merupakan suara bernada tinggi yang dihasilkan oleh penyempitan saluran
udara. Dapat didengar ketika seseorang bernafas keluar (menghembuskan).

Universitas Sumatera Utara

 10

Wheezing dan suara abnormal lainnya terkadang dapat terdengar tanpa

stetoskop.
4. Stridor
Merupakan suara seperti Wheezing yang didengar ketika seseorang bernafas.
Biasanya terjadi adalah karena penyumbatan aliran udara dalam pipa udara
(trakea) atau di bagian belakang tenggorokan.

2.3.Karakteristik Suara Paru-paru dan Noise

Menurut Sukresno et al. (2009), puncak suara paru-paru normal biasanya terdapat
pada frekuensi di bawah 100 Hz. Energi suara paru-paru menurun dengan tajam antara
100 - 200 Hz, tetapi masih dapat dideteksi pada atau di atas 800 Hz dengan alat
sensitif.
Menurut Earis & Cheetham (2000), noise atau gangguan sinyal seperti suara
otot pernapasan, suara gerak dada, suara jantung, dan suara frekuensi rendah lain,
terdapat diantara frekuensi 50 sampai dengan 150 Hz.

2.4.WAVE

Format berkas WAVE merupakan bagian kecil dari spesifikasi RIFF Microsoft untuk
penyimpanan berkas multimedia. Sebuah berkas RIFF dimulai dengan header berkas
diikuti dengan urutan data chunk (Wilson, 2003).

Universitas Sumatera Utara

 11

Gambar 2.1 Format file WAVE

Penjelasan mengenai gambar 2.1 dapat dilihat pada tabel 2.1.

Tabel 2.1 Deskripsi format berkas WAVE

Offset Ukuran Nama Deskripsi
0 4 ChunkID “RIFF” dalam bentuk ASCII
(0x52494646 big endian form)
4 4 ChunkSize (36 + Subchunk2Size) atau (4 + (8 +
Subchunk1Size) + (8 + Subchunk2Size))
8 4 Format “WAVE” (0x57415645 big endian form)
12 4 Subchunk1ID “fmt” (0x666d7420 big endian form)
16 4 Subchunk1Size 16 untuk PCM

Universitas Sumatera Utara

 12

Tabel 2.1 Deskripsi format berkas WAVE (lanjutan)

Offset Ukuran Nama Deskripsi
20 2 AudioFormat PCM = 1
Nilai lebih dari 1 mengindikasi beberapa
bentuk kompresi
22 2 NumChannels Mono = 1, Stereo = 2, dll
24 4 SampleRate 8000, 44100, dll
28 4 ByteRate SampleRate * NumChannels *
BitsPerSample/8
32 2 BlockAlign NumChannels * BitsPerSample/8
34 2 BitsPerSample 8 bits = 8, 16 bits = 16, dll
36 4 Subchunk2ID “data” (0x64617461 big-endian form)
40 4 Subchunk2Size NumSamples * NumChannels *
BitsPerSample/8
44 * Data Data aktual suara

2.5.Wavelet Transform

Walker & Foo (2003) menyatakan bahwa metode fourier hanya merinci konten
spektral sebuah sinyal dalam domain frekuensi. Informasi domain waktu untuk
kejadian tertentu menghilang selama transformasi fourier karena preservasi dari
kejadian waktu tidak dianggap. Kondisi ini dapat diabaikan jika sinyal stasioner.
Namun, untuk sinyal stasioner seperti ucapan, waktu dan informasi domain frekuensi
penting untuk menghindari hilangnya informasi yang signifikan dalam sinyal. Walker
& Foo (2003) mengajukan analisis wavelet sebagai metode alternatif untuk mengatasi
masalah pada Fourier. Wavelet menggunakan konsep analisis multiresolusi
(contohnya representasi waktu dan skala frekuensi) untuk memproduksi dekomposisi
yang presisi dari sinyal sehingga didapatkan representasi sinyal yang akurat. Detil
karakteristik seperti diskontinuitas kecil, kesamaan, dan bahkan derivasi orde tinggi
yang dapat disembunyikan oleh analisis fourier konvensional dapat terungkap.
Wavelet merupakan keluarga dari fungsi ψa,b(t) diturunkan dari sebuah base
wavelet ψ(t), disebut dengan “mother wavelet”, oleh dilatasi dan translasi (Cohen &
Kovačeviċ 1996), sebagai contoh pada persamaan (2.1).

Universitas Sumatera Utara

 13

( ) ( ) (2.1)
√

Dimana a adalah parameter dilatasi (skala) dan b adalah parameter translasi.

Continuous wavelet transform dari satu dimensi (1-D) fungsi f(t)  L2( ), dimana
L2( ) menunjuk vector space yang dapat diukur, square-integrable 1-D fungsi f(t),
didefinisikan dalam Hilbert space, sebagai proyeksi fungsi di atas wavelet set ψa,b(t),
sebagai contoh pada persamaan (2.2).

( ) 〈 〉 ∫ ( ) ( ) (2.2)
√

Dimana * merepresentasikan konjugasi kompleks. Oleh karena set ψa,b(t)

merentang space berisikan f(t), rekonstruksi f(t) dapat dicapai melalui inverse wavelet
transform (IWT), didefinisikan pada persamaan (2.3).

( ) ∫ ∫ ( ) ( ) (2.3)

Dimana didefinisikan pada persamaan (2.4) dan ̂ ( ) adalah fourier

transform (FT) dari ψ(t).

| ̂ ( )|
∫ | |
(2.4)

2.6.Analisis Multiresolusi

Analisis dengan wavelet transform dilakukan dalam basis multi dimensi. Sehingga
dapat dilakukan suatu dekomposisi pada suatu sinyal dalam beberapa tingkat (level),
dimana tiap tingkat merepresentasikan suatu informasi yang terkandung dalam suatu
sinyal. Secara skematis, tahapan untuk melakukan multiresolution decomposition
dapat dilihat pada gambar 2.2.

Universitas Sumatera Utara

 14

g[n] ↓2
↓2 D1

x[n] g[n] ↓2
↓2 D2

↓2 A1 ↓2 D3
h[n] ↓2 g[n] ↓2

↓2 A2
h[n] ↓2

↓2 A3
h[n] ↓2 ...

Gambar 2.2 Penerapan dekomposisi pada Discrete Wavelet Transform; dimana g[n]
adalah high pass filter; h[n] adalah low pass filter

Analisis wavelet pada dasarnya merupakan pergeseran dan penskalaan suatu

bentuk energi terbatas yang disebut mother wavelet ψ(t) terhadap sinyal yang
diinginkan. Sehingga transformasi wavelet diskrit dapat dituliskan pada persamaan
(2.5).

⁄
( ) ( ) (2.5)

Dimana j adalah parameter perluasan (penskalaan) dan k adalah parameter

pergeseran. Dalam praktisnya, transformasi wavelet yang diwujudkan dalam
dekomposisi sinyal masukan, terbagi menjadi dua bentuk gelombang berdasarkan
jenis filter yang digunakan. Low pass filter menghasilkan suatu bentuk gelombang
yang disebut aproksimasi dan high pass filter menghasilkan bentuk gelombang acak
yang disebut detail. Pembentukan kedua gelombang tersebut menggunakan
pendekatan analisis resolusi jamak terhadap frekuensi yang berbeda. Yang dimaksud
dengan resolusi adalah pemisahan dari setiap sinyal yang berubah-ubah menjadi bobot
(skala) deret cuplikan yang digeser. Jadi, analisis resolusi jamak berhubungan dengan
penskalaan wavelet. Gelombang yang dihasilkan dari pemfilteran low pass yaitu
aproksimasi, akan diperluas oleh satu fungsi translasi yang disebut father wavelet atau
fungsi penskalaan yang dapat ditulis pada persamaan (2.6).

⁄
( ) ( ) (2.6)

Universitas Sumatera Utara

 15

Adapun gelombang yang dihasilkan dari filtrasi high pass yaitu detail akan
diperluas oleh suatu fungsi translasi dengan parameter penskalaan tertentu yang
disebut mother wavelet atau fungsi wavelet yang dapat dituliskan pada persamaan
(2.7).

⁄
( ) ( ) (2.7)

Sehingga hubungan fungsi wavelet dan fungsi penskalaan untuk sinyal masukan s
dapat dituliskan pada persamaan (2.8).

( ) ∑ ( ) ∑ ∑ (2.8)

Dalam perluasan ini, koefisien-koefisien Ck ditunjukkan sebagai koefisien-

koefisien aproksimasi pada skala J0. Adapun koefisien-koefisien dj,k
merepresentasikan detail sinyal pada skala yang berbeda. Hubungan koefisien-
koefisien wavelet terhadap sinyal masukan dapat ditulis dalam persamaan (2.9) dan
persamaan (2.10).

( ) ( ) (2.9)

( ) ( ) (2.10)

2.7. Denoising

Prinsip kerja proses menghilangkan gangguan sinyal atau noise menggunakan

transformasi wavelet diskrit pada dasarnya dibagi menjadi tiga proses (Fahruzi, 2012),
yaitu:
1. Proses dekomposisi sinyal suara menjadi band-band frekuensi. Dekomposisi
yang dilakukan pada sinyal suara sampai level 8 dengan menggunakan
Daubechies (db4) sebagai mother wavelet-nya.
2. Detail koefisien pada proses dekomposisi digunakan untuk menemukan nilai
standar untuk proses denoising sinyal suara.
3. Hasil proses threshold terhadap detail koefisien. Sinyal suara selanjutnya

Universitas Sumatera Utara

 16

direkonstruksi secara up sampling untuk menghasilkan sebuah sinyal suara

yang bersih dari noise.
2.8.Threshold

Ada dua jenis teknik dalam melakukan threshold, yaitu soft thresholding dan hard
thresholding (Mertins, 1999). Soft thresholding ditunjukkan dalam persamaan non-
linier (2.11). Hard thresholding ditunjukkan dalam persamaan non-linier (2.12).

( ) ( )
̂( ) { ( ) ( ) (2.11)
| ( )|

( ) ( )
̂( ) { ( ) ( ) (2.12)
| ( )|

2.9.Signal-to-Noise Ratio (SNR)

Signal-to-noise ratio secara umum dapat didefinisikan sebagai rasio berdimensi power
sinyal dengan power noise yang terkandung dalam sebuah rekaman (Johnson, 2006).

( ) (2.13)

dimana:
 Psignal = power rata-rata sinyal
 Pnoise = power rata-rata noise
 Asignal = root mean square (RMS) amplitudo sinyal
 Anoise = root mean square (RMS) amplitudo noise

Jika terdapat sebuah set n {x1, x2, ..., xn}, maka RMS dapat didefinisikan
seperti pada persamaan (2.14).

√ ( ) (2.14)

Universitas Sumatera Utara

 17

SNR dapat disajikan dalam desibel seperti pada persamaan (2.15).

[( ) ] ( ) (2.15)

Semakin besar nilai SNR, menunjukkan perbaikan terhadap sinyal. Sebaliknya

semakin kecil nilai SNR, menunjukkan bahwa sinyal mengalami penurunan kualitas
atau mengalami kerusakan (Sukresno et al. 2009).

2.10.Penelitian Terdahulu

Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Pada tabel 2.2 akan
dijelaskan beberapa penelitian terdahulu yang berkaitan dengan topik ini.

Tabel 2.2 Penelitian Terdahulu

No. Peneliti Tahun Metode yang Keterangan
Digunakan
1 Hadjileontiadis 1997 Wavelet Transform Mengombinasikan
& Panas Based Stationary- multiresolution analysis
Nonstationary Filter dengan hard thresholding
2 Hadjileontiadis 1998 Wavelet Transform Memisahkan bagian suara
& Panas Based Stationary- jantung dan suara paru-
Nonstationary Filter paru.
3 Hossain & 2003 Wavelet Transform Mereduksi suara jantung
Moussavi Based Filter pada sinyal suara paru-
paru yang telah direkam
pada laju aliran rendah dan
menengah.

Universitas Sumatera Utara

 18

Tabel 2.2 Penelitian Terdahulu (lanjutan)

No. Peneliti Tahun Metode yang Keterangan
Digunakan
4 Falk & Chan 2008 Spectro-Temporal Filter modulasi bandpass
Representation & bandstop dirancang
untuk memisahkan sinyal
suara jantung & sinyal
suara paru-paru dari
rekaman suara napas
5 Riella et al. 2009 High Pass Filtering Eliminasi suara jantung
dan suara adventif kontinu
jenis lain seperti ronki.
6 Sukresno et al. 2009 Filter Adaptif Filter adaptif dirancang
sebagai noise cancellar
dengan algoritma
recursive least square
(RLS) untuk mereduksi
suara jantung dari rekaman
paru-paru.

Universitas Sumatera Utara