Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

MK–TripNet: Kerangka Pembelajaran Mendalam untuk Klasifikasi Suara Paru-Paru Multi-Kelas secara Real-Time

Rektorat UDINUS 2026 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2026
Tujuan
Nomor
68515808-0c78-41df-952e-84b24b3aee87
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan studi untuk mengembangkan dan mengevaluasi MK–TripNet, yaitu kerangka pembelajaran mendalam untuk klasifikasi suara paru-paru multi-kelas secara real-time. Kegiatan ini melibatkan Erini, Widya Surya; Thomas, Gracia Putri; Badia, Giulia Salzano; Rahadian, Arief; Raharjo, Sofyan Budi; dan Wulandari, Sari Ayu sebagai peserta kegiatan penelitian. Studi tersebut membahas penyakit pernapasan, termasuk asma, pneumonia, dan Penyakit Paru Obstruktif Kronis, yang tetap menjadi tantangan kesehatan global, khususnya di wilayah dengan keterbatasan sumber daya, ketika akses terhadap spesialis paru dan perangkat diagnosis dini terbatas.

Kegiatan ini menanggapi keterbatasan metode klasifikasi suara paru-paru otomatis yang telah ada, termasuk ketergantungan pada ekstraksi fitur skala tunggal, fungsi kerugian konvensional, dan analisis luring. UDINUS mengusulkan MK–TripNet sebagai arsitektur terintegrasi yang menggabungkan ekstraksi fitur multi-skala, pembelajaran embedding diskriminatif, dan inferensi real-time. Kerangka tersebut menyatukan arsitektur konvolusi Multi-Kernel, pembelajaran embedding berbasis Triplet Loss, dan segmentasi Sliding Window dalam pendekatan end-to-end. Rancangan ini ditujukan untuk menangkap pola temporal yang terperinci dan karakteristik spektral yang lebih luas, sekaligus memaksimalkan keterpisahan antarkelas dalam ruang embedding serta memungkinkan klasifikasi suara paru-paru pada tingkat segmen dalam skenario real-time.

Model dievaluasi menggunakan dataset yang baru disusun, yang terdiri atas 1.409 segmen suara paru-paru dari rekaman primer stetoskop digital dan basis data suara pernapasan yang tersedia untuk publik. Hasil eksperimen menunjukkan bahwa MK–TripNet mengungguli model pembanding CNN-BiGRU, CNN-BiGRU-UMAP, dan VGGish-Triplet, dengan akurasi 89,1%, F1-score 0,89, dan recall 0,88. Studi ablasi mengonfirmasi bahwa penggunaan gabungan konvolusi Multi-Kernel, Triplet Loss, dan segmentasi Sliding Window menghasilkan performa yang paling kuat dan dapat digeneralisasi. Kegiatan ini berkaitan dengan penelitian kesehatan yang berfokus pada skrining pernapasan dan auskultasi digital. UDINUS menempatkan kegiatan ini sebagai penelitian institusional mengenai klasifikasi suara pernapasan secara real-time serta potensi penerapannya pada wilayah dengan keterbatasan sumber daya dan telemedisin.

Rujukan https://www.scopus.com/pages/publications/105034674331?origin=resultslist