Hitung Batuk Malam: Sensor Akustik Tanpa Rekaman untuk Mendeteksi Klaster TBC di Asrama Pesantren Lebih Awal

Masalah

Indonesia berada di peringkat kedua dunia untuk beban TBC, dengan estimasi sekitar 1,09 juta kasus baru dan 125 ribu kematian per tahun menurut Global TB Report 2024 (detikHealth).

Pesantren termasuk lingkungan yang rentan: santri tinggal bersama dalam asrama padat untuk jangka waktu lama. Kemenkes mencatat sekitar 29 ribu pesantren dengan 4,05 juta santri (Kemenkes). Kemenkes sudah memperluas skrining aktif ke pesantren dengan rontgen dada berbasis AI, tetapi skrining seperti ini berkala, bukan harian.

Di antara dua jadwal skrining, satu santri yang batuk berminggu-minggu bisa menularkan ke seluruh kamar tanpa ada yang menyadari.

Ide Utama

Hitung Batuk Malam adalah sistem surveilans akustik tingkat ruangan, bukan alat diagnosis.

1. Sensor kecil per kamar asrama: mikrofon + mikrokontroler (misalnya ESP32-S3) yang menjalankan model AI kecil (TinyML) langsung di perangkat.
2. Hanya menghitung, tidak merekam: audio diproses di perangkat dan langsung dibuang. Yang dikirim hanya angka, misalnya “Kamar 12, 02.00–03.00, 37 batuk”. Tidak ada suara atau percakapan yang tersimpan.
3. Tren batuk malam per kamar: dasbor untuk pengurus kesehatan pesantren (poskestren) dan puskesmas.
4. Pemicu skrining terarah: jika frekuensi batuk di satu kamar meningkat signifikan selama beberapa malam berturut-turut, kamar itu diprioritaskan untuk skrining (wawancara gejala, rontgen, atau tes dahak).

Analoginya seperti surveilans air limbah untuk penyakit menular: tidak mengidentifikasi individu, tetapi memberi tahu di mana harus melihat lebih dulu.

Kebaruan

• Dari individu ke ruangan: penelitian yang ada merekam batuk satu per satu orang. Ide ini memantau ruangan secara pasif tanpa perlu santri melakukan apa pun.
• Privasi sejak desain: tidak ada audio tersimpan. Ini penting secara etika dan menentukan diterima atau tidaknya oleh pesantren.
• Malam hari sebagai jendela data: saat santri tidur, suara percakapan minim sehingga deteksi batuk lebih bersih.
• Memperkuat program yang sudah ada: sistem ini tidak menggantikan skrining Kemenkes, tetapi membuat skrining lebih tepat sasaran.

Rumusan Masalah

1. Bagaimana merancang perangkat TinyML yang dapat mendeteksi dan menghitung batuk secara real-time tanpa menyimpan audio?
2. Seberapa akurat perangkat tersebut menghitung batuk di lingkungan kamar asrama (dengan suara kipas, dengkuran, dan percakapan)?
3. Bagaimana menentukan ambang lonjakan batuk yang layak memicu skrining?
4. Bagaimana penerimaan pengasuh dan santri terhadap sistem ini?

Metode

• Dataset pelatihan: dataset batuk publik (misalnya COUGHVID dan Coswara) + rekaman suara non-batuk khas asrama (kipas, dengkuran, ngobrol), dengan izin dan untuk kebutuhan pelatihan saja.
• Model: klasifikasi event batuk vs non-batuk berbasis fitur MFCC atau spektrogram, dikompresi (kuantisasi) agar muat di mikrokontroler.
• Uji laboratorium: precision, recall, dan F1-score penghitungan batuk dibandingkan dengan anotasi manual.
• Uji lapangan terbatas: beberapa kamar asrama selama beberapa minggu, dengan persetujuan pesantren dan kelayakan etik penelitian.
• Analisis tren: metode deteksi anomali sederhana (misalnya rata-rata bergerak + ambang deviasi) untuk menentukan “lonjakan”.
• Uji penerimaan: kuesioner dan wawancara pengasuh, pengurus poskestren, dan santri.

Indikator Keberhasilan

Indikator	Target awal
F1-score penghitungan batuk (lab)	Setinggi mungkin, dilaporkan apa adanya
Audio tersimpan	0 (diverifikasi lewat audit kode)
Konsumsi daya	Cukup dengan adaptor kecil atau baterai untuk semalaman
Penerimaan pengasuh	Mayoritas setuju sistem dipasang

Kerangka LKTI

1. Pendahuluan: beban TBC Indonesia, kerentanan asrama pesantren, celah antar-jadwal skrining
2. Tinjauan pustaka: deteksi batuk berbasis AI, TinyML, surveilans berbasis lingkungan, etika privasi akustik
3. Metode: desain perangkat, dataset, pelatihan model, skenario uji, etika penelitian
4. Hasil dan pembahasan: performa model, uji lapangan, contoh pola tren batuk, penerimaan
5. Kesimpulan dan saran: integrasi dengan poskestren, puskesmas, dan program skrining TBC nasional

Pertanyaan Juri yang Perlu Disiapkan

• “Ini menyadap santri?” → Tidak. Audio tidak pernah disimpan atau dikirim, hanya angka hitungan. Tunjukkan arsitekturnya.
• “Batuk kan bisa karena flu?” → Betul. Sistem ini bukan diagnosis, melainkan penanda prioritas. Lonjakan batuk berkepanjangan (bukan 1–2 malam) yang memicu skrining, dan tes medis yang menentukan.
• “Mahal?” → Hitung biaya per kamar (mikrokontroler + mikrofon + casing). Bandingkan dengan biaya satu kasus TBC yang terlambat ditemukan.

Langkah Pertama Minggu Ini

• Unduh dataset batuk publik dan latih model klasifikasi sederhana di laptop.
• Hubungi satu pesantren mitra kampusmu untuk wawancara awal: apakah ada poskestren, dan bagaimana alur saat santri sakit.