APLIKASI BERBASIS WEB DETEKSI DINI GANGGUAN TIDUR SLEEP APNEA DARI SINYAL PERNAPASAN DENGAN ARSITEKTUR HYBRID DEEP LEARNING

Sleep apnea merupakan gangguan tidur yang ditandai dengan henti napas berulang saat tidur dan berisiko menimbulkan berbagai komplikasi kesehatan apabila tidak terdeteksi sejak dini. Penelitian ini bertujuan merancang dan membangun aplikasi berbasis web bernama SleepWell untuk deteksi dini sleep apnea menggunakan sinyal pernapasan dengan arsitektur hybrid deep learning. Dataset yang digunakan berasal dari UCD St. Vincent's University Hospital yang terdiri dari 25 pasien dengan empat kanal sinyal, yaitu Flow, Sum, Abdo, dan SpO₂. Sinyal diproses melalui tahapan resampling ke 8 Hz, normalisasi, segmentasi window 30 detik, dan balancing dataset. Tiga arsitektur model dibandingkan, yaitu Pure CNN, LSTM, dan Hybrid CNN-LSTM. Hasil evaluasi menunjukkan bahwa model Hybrid CNN-LSTM menghasilkan performa terbaik dengan akurasi 90,96%, precision 89,87%, recall 92,32%, dan F-1 score 91,08%. Model tersebut diintegrasikan ke dalam aplikasi web berbasis Laravel dengan FastAPI sebagai backend deteksi. Pengujian Black Box Testing menunjukkan seluruh fitur berjalan sesuai fungsinya, dan pengujian User Acceptance Testing yang melibatkan 10 tenaga medis memperoleh nilai rata-rata 90,18%, menunjukkan bahwa aplikasi layak digunakan sebagai alat bantu deteksi dini sleep apnea.