KLASIFIKASI SUARA PERNAFASAN NORMAL DAN ABNORMAL MANUSIA DENGAN MENGGABUNGKAN METODE CIRI WAVELET DAN MEL-FREQUENCY CEPSTRAL COEFFICIENT (MFCC)

ALFAREZA LAZUARDY NUGRAHADI, . (2017) KLASIFIKASI SUARA PERNAFASAN NORMAL DAN ABNORMAL MANUSIA DENGAN MENGGABUNGKAN METODE CIRI WAVELET DAN MEL-FREQUENCY CEPSTRAL COEFFICIENT (MFCC). Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

Text SKRIPSI_ALFAREZALN_3225122073_FISIKA.pdf Download (2MB)

Abstract

Suara pernafasan dapat memberikan informasi kondisi kesehatan pada sistem pernafasan manusia. Berbagai studi telah dilakukan untuk mendeteksi suara pernafasan yang normal dan abnormal, diantaranya dengan menggunakan metode ciri transformasi wavelet, dan mel-frequency cepstral coefficient (MFCC). Pada penelitian ini metode ciri transformasi wavelet dan metode ciri MFCC digabungkan untuk mendeteksi suara pernafasan normal dan abnormal; rhonchi dan wheeze. Eksperimen dilakukan pada 30 suara pernafasan yang disegmen menjadi satu siklus pernafasan dengan menggunakan support vector machine (SVM). Hasil penelitian menunjukkan bahwa penggabungan metode ciri transformasi wavelet dan ciri MFCC memiliki akurasi pengenalan yang lebih baik (82,9 %) dibandingkan dengan metode ciri transformasi wavelet (72,9%) maupun metode ciri MFCC (80,6 %). Peningkatan akurasi (84,1 %) berhasil dilakukan dengan pemilihan ciri yang lebih relevan berdasarkan nilai information gain pada metode ciri gabungan tersebut. Lung sounds can give us information about human respiratory system condition. Many studies have been done to distinguish normal and abnormal lung sound, such as feature extraction using wavelet transform, and mel-frequency cepstral coefficient (MFCC). In this research, wavelet transform feature extraction and MFCC are integrated to distinguish normal and abnormal lung sound; rhonchi and wheeze. Experiment was done with 30 lung sound that have been segmented into one breath cycle and using support vector machine (SVM). Result shows that our method gives better accuracy (82,9 %) than using wavelet transform feature extraction only (72,9 %) and using MFCC only (80,%). Feature selection using information gain value increase our result (84,1 %).

Item Type:	Thesis (Sarjana)
Additional Information:	1) Dr. Mutia Delina, M.Si 2) Riser Fahdiran, M.Si
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	sawung yudo
Date Deposited:	04 Apr 2022 01:49
Last Modified:	04 Apr 2022 01:49
URI:	http://repository.unj.ac.id/id/eprint/25699

Actions (login required)

View Item