Rancang Bangun Sistem Skrining Cepat Tuberkulosis Berbasis Analisis Spektogram Suara Batuk Menggunakan Metode Deep Learning

Oleh :
Heigel Muhammad Wildan - V3923011 - Sekolah Vokasi

Tuberkulosis (TBC) menuntut metode skrining awal yang cepat, akurat, dan mudah diakses, mengingat wawancara klinis konvensional rentan bias subjektivitas sementara deteksi suara tunggal rentan galat prediksi. Penelitian ini merancang sistem skrining mandiri terduga TBC berbasis web yang memadukan analisis faktor risiko klinis dengan evaluasi akustik suara batuk, dikembangkan menggunakan metode CRISP-DM dengan arsitektur multimodal deep learning. Pasien tanpa gejala batuk dievaluasi menggunakan algoritma Random Forest berbasis data klinis; jika batuk terdeteksi, rekaman suara dipotong otomatis selama 0,5 detik pada puncak amplitudo, diekstraksi menjadi citra Mel-Spectrogram, lalu digabung dengan data klinis melalui jaringan Multilayer Perceptron pada arsitektur Custom CNN atau DenseNet-121 untuk menghasilkan satu probabilitas akhir. Pengujian menunjukkan arsitektur fusi ini berpotensi meningkatkan stabilitas evaluasi risiko dibandingkan deteksi modal tunggal. Sistem ini berpotensi diimplementasikan sebagai instrumen pra-diagnostik untuk mengidentifikasi suspek TBC di masyarakat, sekaligus menerbitkan dokumen rujukan medis secara otomatis sebelum pasien diarahkan ke pemeriksaan diagnostik lanjutan.