Sistem Identifikasi Kesehatan Pencernaan Berdasar Suara Usus Menggunakan Embedded System

Abstract

Ileus adalah salah satu penyakit usus yang disebabkan oleh tersumbatnya lumen usus akibat berhentinya gerak peristaltik di dalam usus. Jika tidak ditangani dengan cepat, Ileus bisa menyebabkan usus berlubang. Namun, penderita Ileus seringkali tidak menyadari terjadinya penyakit ini di dalam tubuhnya, sehingga sebaiknya memeriksakan kesehatan pencernaan setiap hari sebagai pencegahan. Oleh karena itu, diperlukan stetoskop digital untuk memberikan jawaban dari hasil auskultasi. Penelitian ini menggunakan stetoskop yang dimodifikasi dengan soundcard yang terhubung dengan raspberry pi dan ditampilkan melalui aplikasi VNC Viewer. Sedangkan Convolutional Neural Network dengan model tensor flow digunakan sebagai metode klasifikasi dan MFCC teknik ekstraksi fiturnya. Sistem merekam dan mendeteksi kehadiran suara perut dengan auskultasi selama 10 detik, dan jika terdeteksi suara perut lebih dari 1 maka dapat disimpulkan pencernaan itu sehat, begitu juga sebaliknya. Dalam penelitian ini, uji klasifikasi untuk yang lain diberi label ‘NIHIL’ suara perut, dan hasil auskultasi adalah 5,85 detik untuk uji klasifikasi. Akurasi yang diperoleh untuk klasifikasi TERDETEKSI' adalah 90%, dan untuk ‘NIHIL’ adalah 100%. AbstractIleus is one intestinal disease caused by the blockage of the bowel lumen due to the cessation of peristalsis within the intestine. If not handled quickly, Ileus could lead to a perforated bowel. However, the sufferer of Ileus often does not realize the occurrence of this disease within his body, so it would be better to check up on the digestive health every day as a preventive. Therefore, a digital stethoscope is needed to provide answers from auscultation results. This study used a modified stethoscope with a soundcard connected to the raspberry pi and displayed through the VNC Viewer application. Meanwhile, Convolutional Neural Network with tensor follow model is used as the classification method and MFCC Technique as the feature extraction. The system records and detects the bowel noise with auscultation for 10 seconds, and if the bowel noise is detected more than1 time, it means normal condition or health, and vice versa. In this study, the classification test for another was labeled with ‘NIHIL,' and the auscultation result was 5.85 seconds for the classification test. The accuracy obtained for the classification of 'digestion-sound' is 90%, and for the 'no digestion sound' is 100%.