Implementasi Jaringan Saraf Tiruan Konvolusional Dan SE-ResNetV3 Untuk Klasifikasi Pola Akustik Penderita Gangguan Sleep Apnea
DOI:
https://doi.org/10.31004/sicedu.v5i3.1536Keywords:
Obstructive Sleep Apnea, telemedicine, Progressive Web App, CNN, SE-ResNetV3Abstract
Obstructive Sleep Apnea (OSA) merupakan gangguan pernapasan saat tidur yang berpotensi menimbulkan komplikasi serius pada sistem kardiovaskular, namun sering kali tidak terdeteksi karena keterbatasan akses dan tingginya biaya pemeriksaan Polisomnografi (PSG) sebagai standar diagnosis. Penelitian ini bertujuan merancang dan mengembangkan SADAR (Sleep Apnea Detection via Audio Recording), sebuah sistem pra-skrining OSA berbasis telemedisin yang memanfaatkan rekaman suara tidur dan kecerdasan buatan sebagai alternatif deteksi dini yang lebih terjangkau, non-invasif, dan mudah diakses. Sistem dikembangkan dalam bentuk Progressive Web App (PWA) dan menggunakan model pembelajaran mendalam berbasis kombinasi Convolutional Neural Network (CNN) dan Squeeze-and-Excitation Residual Network versi 3 (SE-ResNetV3) untuk mengklasifikasikan pola suara tidur. Penelitian memanfaatkan 576 rekaman suara tidur yang melalui tahapan praproses dan optimasi sebelum digunakan dalam pelatihan model. Hasil pengujian menunjukkan bahwa sistem mampu mencapai akurasi sebesar 73,81% dengan nilai recall sebesar 82,3% pada kelas apnea. Penerapan pendekatan sensitivity-first terbukti meningkatkan kemampuan deteksi kasus apnea sehingga mengurangi potensi hasil negatif palsu. Temuan penelitian menunjukkan bahwa kombinasi CNN dan SE-ResNetV3 efektif dalam menganalisis karakteristik akustik suara tidur sebagai indikator OSA. Dengan demikian, SADAR berpotensi menjadi solusi pra-skrining OSA yang praktis, berbiaya rendah, dan mudah diakses sebagai langkah awal identifikasi risiko sebelum pemeriksaan klinis lebih lanjut.






