Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning
Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning
Deep Learning Tingkat: Advanced Versi 1.0.0 11 Dilihat
5.0 (0 ulasan)

Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning

Teknologi: Flask PyTorch JavaScript Tailwind CSS SciPy Jupyter Notebook HTML5 TorchAudio TorchVision EfficientNet ResNet CNN-LSTM CRNN 1D-CNN 2D-CNN Mel Spectrogram Auscultation Biomedical Audio Butterworth Filter NoiseReduce SoundFile
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Sistem Klasifikasi Suara Jantung dan Paru-Paru Menggunakan Kecerdasan Buatan Berbasis Deep Learning

Tonton di TikTok

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:

  1. 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.
  2. 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.
  3. 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):

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. Dashboard Web Interaktif & RESTful API: Antarmuka modern Tailwind CSS yang menyajikan pemutar audio terintegrasi, 6 preset sampel klinis riil 1-klik, fitur upload file .wav mandiri, 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/predict dan /api/benchmark_data yang siap dihubungkan ke aplikasi mobile (Flutter/Android) atau perangkat medis portabel.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

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.

HLS-CMDS IEEE/UCI | 535 Rekaman | 3 Kategori Utama
2 SIGNAL FILTERING

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.

Butterworth 20-1000 Hz | Spectral Gating | Peak Normalization
3 FEATURE EXTRACTION

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.

Torchaudio MelSpectrogram | 64 Mels | FFT 512 | Hop 128
4 DATA AUGMENTATION

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.

SpecAugment | Acoustic Roll | Stratified 70:15:15 Split
5 MULTI-MODEL BENCHMARK

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%.

EfficientNet #1 (97.53%) | ResNet #2 (96.30%) | CRNN #3 (95.06%)
6 WEB DEPLOYMENT

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.

Flask Server | Tailwind CSS UI | Real-time Dual-Plot | REST API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

24 Berkas Proyek 3 Folder Utama
confusion_matrices.png 159.85 KB
eda_distribution.png 293.62 KB
learning_curves.png 1.23 MB
model_comparison_bar.png 135.07 KB
signal_preprocessing_samples.png 1.1 MB
specaugment_demo.png 204.86 KB
confusion_matrices.png 159.85 KB
eda_distribution.png 293.62 KB
hero_auscultation.png 369.92 KB
learning_curves.png 1.23 MB
model_comparison_bar.png 135.07 KB
signal_preprocessing_samples.png 1.1 MB
specaugment_demo.png 204.86 KB
heart_af.wav 117.23 KB
heart_normal.wav 117.23 KB
lung_normal.wav 117.23 KB
lung_wheezing.wav 117.23 KB
mixed_sound_1.wav 117.23 KB
mixed_sound_2.wav 117.23 KB
index.html 70.92 KB
app.py 16.79 KB
Heart_and_Lung_Sound_Classification.ipynb 2.36 MB
Notebook Pratinjau
link full project.txt 85 B
requirements.txt 385 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi inferensi PyTorch)

Optimal untuk running service

Penyimpanan
1 GB ruang disk kosong untuk source code, dataset audio WAV, dan model weights PTH

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.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 11 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

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
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.