Deteksi Stomatitis Aftosa Rekuren Berbasis Pemrosesan Sinyal Wicara Dengan Metoda Mfcc Dan Decision Tree

Abstract

Abstrak Stomatitis Aftosa Rekuren (SAR) yang pada masyarakat awam dikenal sebagai sariawan merupakan penyakit yang begitu sering terjadi, terkadang sampai menimbulkan masalah yang serius, hingga si penderita kesulitan berbicara, oleh karena itu untuk meningkatkan fasilitas dalam kedokteran gigi dan mulut maka penulis melakukan penelitian mengenai deteksi infeksi rongga mulut, dimana sistem ini berfungsi mendeteksi infeksi pada rongga mulut pasien, sehingga pasien tidak terlalu sulit menyampaikan keluhan yang dapat semakin memicu rasa sakit, dan melakukan pengukuran dengan beberapa parameter kalimat tertentu yang di ucapkan pasien. Tugas akhir (TA) ini melakukan deteksi infeksi pada rongga mulut pada sinyal wicara (speech processing). Proses deteksi dimulai dari input rekaman suara sehat dan sakit pada data latih dalam (*.wav) lalu dilakukan preprocessing. Sinyal suara ditransformasi MFCC dan ditambahkan 6 parameter statistik yang selanjutnya diproses oleh DT untuk menentukan apakah suara wicara tersebut terdeteksi infeksi atau tidak. Hasil pengujian yang telah dilakukan adalah mengubah frekuensi sampling, koefisien MFCC dan ukuran frame. Akurasi terbaik didapat 92.85% pada frekuensi sampling sebesar 8000 Hz, koefisien MFCC sebanyak 20 dan ukuran frame sebanyak 512. Akurasi tersebut menggunakan 30 data latih dan data uji yang masing-masing terdiri dari 12 suara sakit dan 18 suara sehat. Kata kunci : Mel-frequency cepstral coefficients (MFCC), Decision Tree (DT). Abstract Stomatitis Aftosa Rekuren (SAR), which in ordinary people known as canker sores is a very common disease, sometimes to cause serious problems, until the patient has difficulty speaking, therefore to upgrade the facilities in dentistry and mouth, writer wish to do research about detection of oral cavity infection, where the system is used to detect the patient's oral cavity, so patients do not complaints too difficult that can trigger the pain, and take measurements with some of the patient's specific sentence parameters. This final assignment detects infections in the oral cavity in speech processing. The detection process starts from healthy and sick voice recording input on the training data in (*. Wav) then preprocessing is done. The sound signal is transformed by MFCC and 6 statistical parameters are added which are then processed by the DT to determine the speech sound is detected or not. The test results that have been done are changing the sampling frequency, MFCC coefficient and frame size. The best accuracy is obtained 92.85% at the sampling frequency of 8000 Hz, the MFCC coefficient is 20 and the frame size is 512. The accuracy uses 30 training data and test data which each consists of 12 sick sounds and 18 healthy sounds. Keywords : Keywords: Mel-frequency cepstral coefficients (MFCC), Decision Tree (DT)