Sistem Pendeteksi Jenis Penyakit Pernafasan Menggunakan Metode Gabungan GRU dan LSTM Melalui Suara Pasien dengan Gangguan Pernafasan

Abstract

Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM) adalah dua jenis Recurrent Neural Network (RNN) yang dirancang untuk mengatasi masalah vanishing gradient pada RNN tradisional. Secara umum, baik GRU maupun LSTM dapat digunakan dalam pemrosesan Natural Language Processing (NLP) seperti pengenalan ucapan hingga deteksi suara, terjemahan mesin, dan generasi teks. Penelitian ini bertujuan untuk mengklasifikasikan penyakit pernapasan berdasarkan suara pasien menggunakan gabungan GRU dan LSTM. Model GRU dilatih dengan 50 epoch menggunakan dataset suara pasien yang dikumpulkan. Hasil evaluasi menunjukkan akurasi training sebesar 75% dan training validation 73%, dengan precision, recall, dan f1-score yang bervariasi untuk setiap jenis penyakit pernapasan dengan relevansi terhadap f1-score dan nilai support. Penelitian ini menggambarkan potensi penggunaan metode klasifikasi suara dalam diagnosis penyakit pernapasan. Meskipun demikian, perlu dilakukan penyesuaian parameter dan peningkatan jumlah data pelatihan untuk meningkatkan performa model. Dengan konvergensi yang baik pada epoch 50, hasil ini menunjukkan kemampuan model dalam mengklasifikasikan penyakit pernapasan berdasarkan suara pasien. Namun, validasi dan pengujian lebih lanjut pada dataset yang lebih besar diperlukan untuk menguji keandalan dan generalisasi model secara menyeluruh. Penelitian ini dapat memberikan kontribusi dalam pengembangan alat bantu diagnostik non-invasif untuk penyakit pernapasan berdasarkan analisis suara pasien. Penelitian ini memberikan bukti awal tentang potensi metode klasifikasi suara dalam diagnosis penyakit pernapasan. Namun, penyesuaian parameter dan peningkatan jumlah data pelatihan perlu dilakukan untuk meningkatkan performa model secara keseluruhan.