Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning
Demo & Pengujian Sistem: Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning via TikTok.
Overview & Cara Kerja
Latar Belakang Masalah
Auskultasi akustik menggunakan stetoskop merupakan teknik pemeriksaan fisik lini pertama paling vital dalam praktik kedokteran untuk mendeteksi patologi kardiovaskular (seperti murmur katup, aritmia, fibrilasi atrium) dan patologi sistem pernapasan (seperti wheezing/mengi, crackles/ronki, pneumonia). Namun, interpretasi suara auskultasi konvensional menghadapi tantangan klinis yang signifikan:
- Subjektivitas Tinggi & Bergantung Pengalaman Klinis: Tingkat ketepatan diagnosis auskultasi telinga manusia sangat bervariasi antar-tenaga medis. Dokter muda atau paramedis di daerah terpencil sering kali kesulitan membedakan desah jantung frekuensi rendah dari bising nafas bronkial.
- Fenomena Suara Campuran (Acoustic Coexistence / Mixed Sounds): Pada area penempatan stetoskop di dinding dada anterior (anterior chest wall), suara detak jantung dan siklus pernapasan paru sering terdengar secara simultan (tumpang tindih). Dokter sering kesulitan mengisolasi apakah kelainan berasal dari katup jantung atau bronkus paru.
- Artefak Kebisingan Lingkungan & Gesekan Tubuh: Rekaman stetoskop digital di lapangan rentan terhadap gangguan desah gesekan kulit (skin friction), getaran tremor tangan pemeriksa (<20 Hz), serta kebisingan ruangan klinik (>1.000 Hz).
Solusi & Nilai Tambah Sistem
Produk ini menghadirkan sistem klasifikasi cerdas berbasis Dataset HLS-CMDS (Heart and Lung Sounds Dataset Recorded from a Clinical Manikin using Digital Stethoscope) yang dipublikasikan pada IEEE Data Descriptions dan terindeks di UCI Machine Learning Repository (Torabi dkk., 2025):
- Pembersihan Sinyal Biomedis Presisi Tinggi: Menerapkan bandpass filter Butterworth orde-4 (rentang klinis 20 Hz – 1.000 Hz) untuk meredam getaran tremor dan desah gesekan, dikombinasikan dengan spectral gating noise reduction (
noisereduce) dan normalisasi amplitudo puncak. - Transformasi Log-Mel Spektrogram: Mengonversi sinyal audio 1 dimensi (15 detik, 4.000 Hz) menjadi representasi frekuensi 2 dimensi yang kaya fitur akustik (64 Mel filterbanks $\times$ 469 time frames) yang mampu mengekstrak pola harmonik pernapasan dan klik katup jantung.
- Benchmarking 5 Arsitektur Deep Learning Modern:
- EfficientNet-B0 (Transfer Learning): Performa tertinggi dengan Akurasi 97.53%, Macro F1 97.53%, dan Loss terendah 0.1623.
- ResNet-18 (Transfer Learning): Akurasi 96.30%, Macro F1 96.44%, dan bobot representasi residual yang sangat stabil.
- Hybrid CRNN (CNN + BiLSTM): Akurasi 95.06%, memadukan konvolusi spasial spektrogram dengan memori temporal sekuensial dua arah.
- Custom 2D CNN: Akurasi 95.06%, arsitektur konvolusi 4-blok berbobot ringan (hanya 405 ribu parameter).
- Deep 1D CNN (Raw Waveform): Akurasi 85.19%, menguji klasifikasi langsung pada gelombang waktu tanpa spektrogram.
- Strategi Regulasi Anti-Overfitting: Mengintegrasikan augmentasi akustik canggih SpecAugment (pemotongan frekuensi dan waktu secara acak) dan acoustic circular roll guna mencegah penghafalan pola pada dataset medis terbatas.
- Dashboard Web Interaktif & RESTful API: Antarmuka modern Tailwind CSS yang menyajikan pemutar audio terintegrasi, 6 preset sampel klinis riil 1-klik, fitur upload file
.wavmandiri, visualisasi instan spektrogram dan bentuk gelombang akustik, serta endpoint JSON API untuk kemudahan integrasi ke aplikasi telehealth atau stetoskop IoT cerdas.
Fitur Utama Platform
- Klasifikasi Tri-Modalitas Akustik: Mengidentifikasi secara instan apakah suara rekaman tergolong Heart Sound (suara jantung), Lung Sound (suara paru-paru), atau Mixed Sound (suara gabungan jantung dan paru).
- Dual-Plot Visualizer Real-Time: Merender grafik gelombang domain waktu (Time Domain Waveform) dan representasi Log-Mel Spektrogram berwarna Magma secara dinamis via Base64.
- Komparasi 5 Arsitektur Deep Learning: Pengguna bebas memilih model inferensi antara EfficientNet-B0, ResNet-18, CNN+BiLSTM, Custom 2D CNN, atau 1D CNN langsung dari dropdown.
- Galeri 6 Preset Audio Klinis Riil: Pengujian 1-klik untuk sampel Atrial Fibrillation (AF), Heart Normal, Lung Normal, Lung Wheezing (Mengi), dan 2 sampel Mixed Sounds.
- Pemutar Audio Web Terintegrasi: Memungkinkan dokter, peneliti, dan mahasiswa mendengarkan audio stetoskop asli secara langsung melalui browser.
- Probabilitas Multi-Kelas & Latensi Inferensi: Menampilkan persentase keyakinan model pada ketiga kelas serta durasi komputasi inferensi (rata-rata < 900 ms pada CPU).
- RESTful JSON API Engine: Endpoint
/api/predictdan/api/benchmark_datayang siap dihubungkan ke aplikasi mobile (Flutter/Android) atau perangkat medis portabel.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
Penyerapan Dataset Auskultasi HLS-CMDS (535 Rekaman Audio)
Menyatukan dan memverifikasi integritas metadata dari tiga domain (HS.csv, LS.csv, Mix.csv) yang merekam 535 file audio stetoskop klinis sepanjang 15 detik pada 4.000 Hz.
Pembersihan Sinyal Biomedis: Butterworth & Spectral Denoising
Mengaplikasikan bandpass filter Butterworth orde-4 pada rentang frekuensi fisiologis 20 Hz - 1.000 Hz serta algoritma spectral gating noise reduction untuk mengeliminasi desah bising gesekan.
Ekstraksi Representasi Log-Mel Spektrogram 64 Filterbanks
Mentransformasikan sinyal domain waktu 15 detik (60.000 sampel) menjadi representasi 2D Log-Mel Spektrogram beresolusi 64 mel filterbanks dan 469 frame waktu dengan z-score normalization.
Augmentasi Akustik SpecAugment & Stratified Partitioning (70:15:15)
Membagi dataset secara terstratifikasi (Train 374, Val 80, Test 81) serta menerapkan regularisasi SpecAugment (Frequency & Time Masking) dan circular acoustic roll guna mencegah overfitting.
Pelatihan & Benchmark 5 Arsitektur Deep Learning PyTorch
Melatih dan membandingkan 5 model konvolusional dan recurrent, menghasilkan EfficientNet-B0 sebagai model terbaik dengan Akurasi Uji 97.53% dan Macro F1 97.53%.
Deployment Web Dashboard Interaktif, Dual-Plot & REST API
Mengemas model dan preprocessor ke dalam server Flask responsif dengan rendering instan visualisasi gelombang domain waktu, spektrogram Base64, dan REST API.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
Pertanyaan yang Sering Diajukan (FAQ)
Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:
Bagaimana cara mendapatkan source code setelah pembayaran?
Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.
Apakah ada panduan instalasi dan dokumentasi teknis?
Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.
Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?
Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.
Bagaimana jika saya mengalami kendala teknis saat instalasi?
Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.
Ulasan Pembeli
Ulasan terverifikasi dari pengguna yang telah membeli project ini.
Belum ada ulasan untuk project ini.
Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.
Yang Anda Dapatkan:
- Full Source Code Lengkap & Aset Project
- Teknologi: Flask, PyTorch, JavaScript, Tailwind CSS
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung