Perpustakaan Digital ITB

Deteksi awal infeksi virus merupakan hal yang sangat penting dalam penanganan laju penyebaran wabah. Orang-orang yang dinyatakan positif terpapar dapat segera melakukan isolasi mandiri dan perawatan di rumah sehingga penularan tidak semakin meluas dan membahayakan kesehatan orang-orang disekitarnya, yang lebih rentan apabila terpapar karena mempunyai sistem kekebalan tubuh yang lemah, terutama seseorang dengan riwayat penyakit penyerta (komorbid). Saat ini, standar emas untuk diagnosis COVID-19 adalah RT-PCR (Reverse Transcription Polymerase Chain Reaction). Namun, tes ini memiliki beberapa batasan diantaranya dari segi ketersediaan alat PCR, keterampilan penguji dalam melakukan prosedur, dan pelanggaran terhadap protokol pembatasan jarak sosial. Alat skrining Covid-19 lainnya seperti rapid antigen, rapid tes antibodi dan GeNose juga memiliki keterbatasan yang sama. Karena itu, dibutuhkan pengembangan model untuk mewujudkan tes skrining Covid-19 yang gratis, non-invasif dan dapat dilakukan dimana saja sehingga dapat mengatasi keterbatasan-keterbatasan tersebut. Alat pra-skrining memiliki potensi untuk dijadikan aplikasi smartphone sehingga dapat menjangkau masyarakat lebih luas. Covid-19 diketahui menyerang sistem saluran pernapasan, sehingga pengujian terhadap suara batuk dapat dilakukan sebagai deteksi awal kemungkinan seseorang terpapar Covid-19. Pada penelitian ini, kami mengembangkan sebuah model mesin pembelajaran yang dapat melakukan klasifikasi Covid-19 melalui rekaman suara batuk. Fitur-fitur MFCC diekstrak dari suara batuk. Kemudian, algoritme XGBoost Classifier melakukan pelabelan suara batuk berdasarkan fitur-fitur tersebut. Kami melatih algoritme terhadap database Virufy dan Coswara. Hasil penelitian menunjukan bahwa akurasi model klasifikasi mencapai 86%.