Electronic Theses and Dissertation

Wheezing merupakan salah satu manifestasi obstruksi saluran napas yang paling sering ditemukan pada PPOK dan Asma. Penggunaan stetoskop dalam membantu penegakan diagnosis memiliki beberapa kelemahan seperti hasil yang subjektif dan bergantung pada kepekaan pendengaran si pemeriksa. Sehingga diperlukan perangkat mudah yang membantu menentukan suara wheezing. Penelitian ini merakit satu alat tanpa kabel yang mampu mendeteksi suara wheezing dan terintegrasi dengan gadget. Hardware Microprocessor disambungkan dengan electric stethoscope. Pengumpulan data suara pernapasan dada yang diakses pada kaggle.com. Pembuatan Algoritma dengan Convolutional Neural Network kemudian dirubah menjadi Mel Frequency Cepstral Coefficients (MFCC). Model ini akan ditanamkan pada Microprocessor dan menggunakan bahasa python untuk dapat melakukan perekaman suara getaran dinding dada. Suara yang direkam diubah menjadi MFCC agar memudahkan untuk melakukan pendeteksian suara wheezing. Hasil gambar MFCC dan hasil deteksi dikirimkan ke database yang menggunakan fiture firebase database yang menyimpan foto MFCC secara realtime saat dideteksi. Perancangan software aplikasi android menggunakan bahasa dart (Flutter) membangun komunikasi antara aplikasi android dengan firebase database yang memungkinkan aplikasi dapat mengambil hasil gambar MFCC juga hasil deteksi. Dari hasil percobaan menunjukkan perangkat dapat memberikan kinerja yang baik pada deteksi wheezing dan menjadi bantuan yang berguna untuk analisis suara pernapasan dalam membantu menentukan diagnosis obstruksi saluran napas. Detektor ini mampu mendeteksi suara wheezing pada obstruksi saluran napas. Sehingga diharapkan dapat membantu tenaga kesehatan dalam menegakkan diagnosis PPOK/Asma lebih cepat dan pasien mendapatkan penanganan sesak nafas secara tepat, memperbaiki prognosis pasien PPOK/Asma, dan dapat menurunkan morbiditas dan mortalitas kejadian PPOK/Asma di Indonesia.

Wheezing is one of the most common manifestations of airway obstruction found in COPD and asthma. The use of a stethoscope in assisting the enforcement of the diagnosis has several drawbacks such as subjective outcomes and depends on the sensitivity of the examiner's hearing. So it takes an easy device that helps determine wheezing sounds. The study assembled a single cordless device capable of detecting wheezing sounds and integrated with gadgets. Microprocessor hardware is connected to an electric stethoscope. Chest breathing sound data collection accessed on kaggle.com. The creation of the Algorithm with convolutional neural network was later changed to Mel Frequency Cepstral Coefficients (MFCC). This model will be implanted in the Microprocessor and use python language to be able to record the sound of chest wall vibrations. Recorded sound is converted into MFCC to make it easier to detect wheezing sounds. MFCC image results and detection results are sent to a database that uses a firebase database feature that stores MFCC photos in real time when detected. Designing android application software using the dart language (Flutter) builds communication between android applications with firebase databases that allow applications to take MFCC images as well as detection results. The results of the experiment showed the device can provide good performance on wheezing detection and be a useful aid to the analysis of respiratory sounds in helping determine the diagnosis of airway obstruction. This detector is able to detect wheezing sounds in airway obstruction. So it is expected to help health workers in establishing the diagnosis of COPD / Asthma faster and patients get appropriate treatment of shortness of breath, improve the prognosis of COPD / Asthma patients, and can reduce morbidity and mortality of COPD / Asthma incidence in Indonesia.