Komparasi EfficientNetV2-S dan ConvNeXt-Tiny untuk Klasifikasi Napas Normal-Abnormal pada ICBHI 2017

ifikasi suara pernapasan berbasis kecerdasan buatan berpotensi mendukung deteksi dini gangguan pernapasan secara lebih objektif dan konsisten. Penelitian ini bertujuan membandingkan kinerja EfficientNetV2-S dan ConvNeXt-Tiny untuk klasifikasi siklus napas pada dataset ICBHI 2017 menggunakan representasi log-mel spectrogram. Data diproses pada tingkat respiratory cycle dan dibagi menggunakan subject-independent split 60:40, dengan 20% dari train pool digunakan sebagai data validasi. Model dilatih pada skema empat kelas, yaitu normal, crackle, wheeze, dan both, kemudian hasil prediksi dipetakan ke skema dua kelas, yaitu normal dan abnormal. Tahap praproses meliputi segmentasi audio, resampling, normalisasi, augmentasi audio, pembentukan log-mel spectrogram, dan augmentasi citra. Pada evaluasi empat kelas, ConvNeXt-Tiny menunjukkan performa lebih baik dengan Average Score 0,5190, accuracy 0,5427, dan AUC OVR Macro 0,7176, sedangkan EfficientNetV2-S memperoleh Average Score 0,4915, accuracy 0,5050, dan AUC OVR Macro 0,7063. Pada evaluasi dua kelas, kedua model menunjukkan peningkatan performa; ConvNeXt-Tiny memperoleh Average Score 0,6309 dan Harmonic Score 0,6295, sedangkan EfficientNetV2-S memperoleh Average Score 0,6269 dan Harmonic Score 0,6199. Hasil penelitian menunjukkan bahwa kedua model lebih efektif untuk klasifikasi normal-abnormal dibandingkan klasifikasi rinci empat kelas, dengan ConvNeXt- Tiny unggul secara keseluruhan.