p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 11, No 4. May 2023

Deteksi Suara Paru-Paru Menggunakan MFCC (Mel Frequency Cepstral Coefficient) dan M-KNN (Modified K-Nearest Neighbor)

I Putu Bayu Cakra Buanaa1, I Gede Arta Wibawaa2, Agus Muliantaraa3, Made Agung Raharjaa4, I Putu Gede Hendra Suputraa5, Luh Gede Astutia6

aProgram Studi Informatika, Universitas Udayana

Kuta Selatan, Badung, Bali, Indonesia 1iputubayu08@@gmail.com 2gede.arta@unud.ac.id 3muliantara@unud.ac.id 4made.agung@unud.ac.id 5hendra.suputra@unud.ac.id 6lg.astuti@unud.ac.id

Abstract

The lungs are one of the most important organs in humans because they can meet the body's need for oxygen. It is estimated that hundreds of thousands to millions of the world's population are affected by lung disease every year. According to WHO, lung disease is one of the top 10 causes of public health problems in the world. One way that doctors use to diagnose lung disorders is by listening to the sound of breathing in the lungs using a stethoscope with acculturation techniques. Accurate recognition of lung conditions is needed so that it becomes a basic screening of people who can have abnormalities or not in lung conditions. This study focuses on researching and trying the Modified K-NN method in determining the lung condition of a person. The steps taken in this research are preprocessing, feature extraction and matching with the Modified K-NN algorithm. Then testing with 5 fold validation and confusion matrix, so that the largest results are obtained in fold 4, namely 0.98 or 98% with precision 1, recall 0.14, f1-score 0.25 for normal and 0.97 precision, recall 1, f1-score 0.98 for abnormal 97.83 %

Keywords: Lung Sound, Detection, MFCC, M K-NN

  • 1.    Pendahuluan

Paru-paru adalah salah satu organ terpenting dalam tubuh manusia. Mereka memainkan peran penting dalam bernapas dan mendistribusikan oksigen ke tubuh. Organ ini membantu tubuh mendapatkan oksigen yang dibutuhkan untuk berfungsi dengan baik. Ratusan ribu hingga jutaan orang di seluruh dunia terkena penyakit paru-paru setiap tahun, dan menyebabkan 19% dari semua kematian dan 15% dari semua kecacatan [1]. Dokter menggunakan stetoskop untuk mendengarkan suara pernapasan di paru-paru untuk mendiagnosis gangguan paru-paru. Suara nafas dapat digunakan untuk mengidentifikasi kelainan pada paru-paru [2]. Ada beberapa jenis suara paru-paru, masing-masing dengan nada, intensitas, lokasi, dan rasio pernapasannya sendiri [3]. Yaitu, suara normal yang berasal dari paru-paru (vesicular), suara abnormal yang berasal dari paru-paru (pernapasan bronchial), dan suara tambahan yang berasal dari paru-paru (wheezing).

Suara paru-paru khas atau vesicular adalah Suara paru paru yang terdengar pada dada bagian samping dan dekat perut, dimana pitch rendah menjadi indicator suara lembutnya. Surara versicular tersebut terdapat fase inspirasi dan ekspirasi, dimana fase inspirasi (menarik nafas), lebih terdengar dominan dari pada fase ekspirasi (membuang nafas) [4]. Suara paru-paru bronchial merupakan suara paru-paru yang memiliki fase ekspirasi lebih keras dari fase inspirasi, dimana terdapat gap yang memisahkan fase tersebut. Suara bronchial ini memiliki ciri yaitu memiliki pitch tinggi dan nyaring, sehingga dapat terdengar menggunakan stetoskop, lalu durasi fase ekspirasi lebih lama disbanding dengan fase inspirasi. Dan suara ini dapat terdengar di daerah trackea [5].

Pengenalan kondisi paru secara akurat diperlukan sehingga mampu mendapatkan penanganan yang tepat dan menjadi sebuah screening dasar orang bisa megalami kelainan atau tidak dalam kondisi paru paru. Penelitian ini berfokus untuk meneliti dan mencoba metode Modified K-NN dalam menentukan kondisi paru-paru dari seseorang.

Dalam penelitian ini dilakukan beberapa proses yaitu proses preprocessing, ekstraksi feature dan klasifikasi data paru paru. Untuk langkah langkah yang digunakan dalam penelitian ini untuk mendeteksi kondisi paru paru adalah pertama audio file.wav akan melalui tahap preprocessing yang terdiri dari normalisasi data, noice reduction dan silence removal. setelah itu data akan melalui proses extraction 845

feature yang terdiri dari DC-Removal, Premphasize, frame blocking, windowing, fast fourier transform, mel frequency wraping dan DCT (Discrete Cosine Transform) dimana dalam proses ini akan mendapatkan nilai koefisien yang akan diolah dalam proses klasifikasi Modified K-NN.

  • 2.    Metode Penelitian

    2.1   Akuisis Data

Penelitian ini menggunakan data sekunder. Data suara nafas paru diperoleh dari internet pada website International Conference on Biomedical and Health Informatics (ICBHI) 2017. Dataset ini berisi rekaman dari 920 data pernafasan yang diambil dari 126 orang. Kumpulan data dibagi menjadi 35 suara pernapasan bronkial polifonik (normal) dan 885 (abnormal), di mana untuk membandingkan data pelatihan dan data uji 736 dan 184, kumpulan data akustik paru ini direkam dan dikumpulkan di Rumah Sakit Infante D. Pedro, Aveiro, Portugal. Rekaman suara pernafasan juga diperoleh di the Papanikolaou General Hospital, Thessaloniki dan di the General Hospital of Imathia (Health Unit of Naousa), Greece oleh tim peneliti kedua dari the Aristotle University of Thessaloniki (AUTH) dan the University of Coimbra (UC).

  • 2.2    Preprocessing Data latih dan Data uji

Suara paru-paru akan melalui preprocessing terlebih dahulu setelah direkam secara digital dan disimpan sebagai file .wav, untuk membuat sinyal suara rekaman berkualitas tinggi, proses prapemrosesan berupaya meningkatkan perekaman suara input.,pada penelitian ini proses preprocessing terbagai menjadi 3 tahap yaitu normalisasi data, silence removal dan noise reduction. Pada tahap normalisasi merupakan proses untuk melakukan penyetaraan amplitude setiap sinyal yang terekam. Agar dapat dikonstruksi pada skala yang sama, data dibagi menjadi I pada sampel suara dengan nilai amplitudo tertinggi. tahap Ini menciptakan kesan bahwa proses pendeteksian tidak terpengaruh oleh seberapa keras atau lembut suara yang terdengar. Setiap sampel rekaman suara harus memiliki area senyap setelah normalisasi. Oleh karena itu tahap kedua pada proses preprocessing yaitu silence removal dimana proses ini akan menghilangkan silent (diam) pada sinyal suara agar dapat memudahkan dalam pengenalan suara, setelah itu noise reduction merupakan proses untuk mengurangi distorsi ganguan suara dari luar. Input hasil dari proses preprocessing ini adalah sinyal suara yang tidak memiliki noise dan silence. Flowchart preprocessing dapat dilihat pada gambar 1.

  • Gambar 1. Preprocessing Data latih dan Data uji

  • 2.3 Ekstraksi Fitur dengan MFCC (data latih)

Ektrasksi fitur dalam MFCC adalah sebuah metode yang bertujuan untuk mendapatkan parameter dan informasi mengenai ciri dari suatu signal [6], metode ini sering digunakan pada audio untuk mengetraksi ciri atau fitur karena menggunakan komputasi logaritmik yang sesuai dengan pendengaran manusia. Dalam penelitian ini ekstraksi fitur MFCC terjadi dari beberapa proses sebagai berikut:

Dimana dalam ekstraksi fitur ini terdapat beberapa tahap yaitu :

Jurnal Elektronik Ilmu Komputer Udayana                              p-ISSN: 2301-5373

Volume 11, No 4. May 2023                                       e-ISSN: 2654-5101

  • 1.    DC removal adalah tahap yang berguna untuk menormalisasikan data suara latih yang akan diinputkan sehingga dapat membuang data-data yang tidak dibutuhkan atau noise di dalam proses suara latih [7].

DC removal = y[n] = x[n] - x, 0 ≤ n ≤ N - 1

  • 2.    Pre-emphasize adalah semacam filter yang menjaga frekuensi tinggi dalam spektrum agar tidak hilang, dimana akan tereliminasi selama proses produksi suara [8].

Pre-emphasize = Y[n] =s[n] –a.s[n-1], 0.9 ≤ a ≤ 1.0(2)

  • 3.    Frame Blocking membagi sinyal suara menjadi bingkai yang tumpang tindih untuk memastikan informasi dipertahankan. Berbagai fitur suara dalam domain waktu dapat diekstraksi dari representasi sinyal dalam bentuk bingkai ini [9].

Frame blocking J (f) = ((I – N)/M) +1(3)

  • 4.    Windowing adalah proses proses yang digunakan agar tidak terjadi kebocoran spectral atau aliasing pada sinyal [10].

Windowing W(n)=0.54-0.46 cos 2πn/(M-1)

  • 5.    Fast Fourier Transform adalah sebuah teknik yang secara efektif mengubah setiap N bingkai sampel dari domain waktu ke domain frekuensi [11].

f(n) = ∑N-o yk e-2, n = 0, 1, 2, ... , N - 1

  • 6.    Mel frequency Warping adalah mel filter blank yang digunakan untuk mengetahui ukuran energy dari frekuensi band tertentu dalam frequensi termasuk juga dalam metode MFCC [12].

2595*lo^10(1+

Mel frequency Warping = Mel f =------s—zss-

  • 7.    DCT adalah proses untuk mendapatkan representasi yang baik dari properti spectral local dengan mendekorrelasikan spektrum mel [13].

DCT =Cn = ∑k=1(logSk)cos [n (k - ∣) J] ; n = 1,2.....N ...

Proses ekstraksi fitur data latih dapat dilihat pada gambar 2:

  • Gambar 2. Ekstraksi data latih

  • 2.4    Ekstraksi Fitur MFCC (Data uji)

Pada proses ini sama seperti dengan tahap ekstraksi data latih seperti DC removal, pre – emphasize, framing, windowing, FFT, Mel Frequency Warping dan DCT, tetapi yang membedakan yaitu

dalam ekstraksi fitur MFCC data latih, hasil fitur koefisien - koefisien dari spectrum sebagai besar kecilnya frequency yang dihasilkan dari pengenalan suara paru-paru akan di simpan bentuk array berupa data refrensi tetapi untuk ekstraksi fitur MFCC (data uji) data tersebut akan dicocokan dengan data latih dengan metode metode Modified-KNN, dimana untuk flowchart dapat dilihat pada gambar 3.

Gambar 3. ekstraksi mfcc data uji

  • 2.5    Algoritma Modified K-NN

Pada proses klasifikasi modified K-Nearst Neighbour, data fitur yang sudah dihasilkan pada proses ekstraksi fitur akan menjadi nilai masukan dalam proses klasifikasi ini dimana dalam klasifikasi modified k-nearst neigbour terdapat 2 tambahan proses yaitu proses validasi antar data dan weight voting [14]. Terdapat cara keja algoritma M-KNN yaitu:

  • 1.    Menentuan nilai K, Misalkan k=5

  • 2.    Menormalisasi data yaitu data train dan data test

  • 3.    Melakukan perhitungan jarak euclidian antar data train

  • 4.    Menghitung nilai validasi.

Nilai validitas diperoleh dari perhitungan selisih antara penyiapan informasi dengan memilih 3 tetangga terdekat dan setelah itu jika informasi tersebut memiliki pelajaran yang sama dengan tetangga yang terjangkau dan tidak layak 0.

  • 5.    Menghitung jarak encludian antara data train dan test

Proses ini akan menghasilkan nilai yang akan mejadi inputan perhitungan weighted voting.

  • 6    Menghitung weighted voting

Proses ini dilakukan dengan menghitung nilai euclidian antara data train, data test dan nilai validasi dari data training.

  • 7.    Menentukan kelas data test

Hasil perhitungan nilai berbobot diurutkan menurut nilai terbesar, dan hasilnya kemudian dijumlahkan dengan kelas yang sama untuk menentukan kelas data test. Kelas data test ditentukan oleh hasil terbesar.

  • 2.6 Metode K –fold validation

Metode validasi silang yang dikenal sebagai "K-fold validasi" membagi data menjadi k pengelompokan berukuran identik. Bias data dihilangkan menggunakan validasi K-fold. Ada k pengulangan pelatihan dan pengujian. Subset S1 dalam percobaan pertama dianggap sebagai data uji sedangkan subset lainnya ditangani sebagai data pelatihan; sama, dalam percobaan kedua, subset S1, S3,...,Sk diperlakukan sebagai data pelatihan sedangkan subset S2 diperlakukan sebagai data uji [15].

Pada pengujian ini nilai k yang digunakan bervariasi, yaitu nilai k=2, k=5, k=7, k=9.pengujian nilai k dilakukan pada masing masing fold yaitu dengan 5 fold dimana setiap fold digunakan 736 data sebagai data uji dan 184 data sebagai data latih.setelah didapatkan hasil dari proses tersebut dari setiap fold maka dapat dibentuk menjadi table confusion matrix dimana table tersebut dapat diketahui jumlah data yang teridentifikasi benar untuk selanjutnya di hitung akurasi yang dihasilkan. Nilai pengujian nilai k dapat dilihat pada tabel 1.

Jurnal Elektronik Ilmu Komputer Udayana                              p-ISSN: 2301-5373

Volume 11, No 4. May 2023                                       e-ISSN: 2654-5101

Tabel 1. Pengujian Pengaruh Nilai K

Nilai K

Data

Latih

Data Uji

5-Fold

Akurasi

736

184

2

5

7

8

9

  • 3.    Hasil dan Pembahasan

Pengujian dilakukan dengan dengan menggunakan K-Fold validation, dimana hasil setiap fold akan dibentuk table confusion matrix dan parameter nilai k yaitu K = 2,4,5,7,8,9.

  • 3.1    Pengujian Confusion Matrix

Confusion matrix adalah pengujian yang bertujuan untuk mengetahui berapa besar data yang benar dan data yang diprediksi, dimana terdapat nilai prediksi dan nilai actual. Confusion matrix terdapat beberapa parameter yaitu True Positif, False Positif, False Negatif dan True Negatif, pertama True Positif yaitu kelas positif yang di indentifikasi benar, False Positif yaitu kelas positif yang diindentifikasi salah, False Negatif yaitu kelas negatif yang diindentifikasi salah dan True Negatif yaitu kelas negatif yang diindentifikasi salah, dalam penelitian ini hasil confusion matrix dapat dilihat pada tabel 2.

Tabel 2. Confusion Matrix Fold 1

Predicted Label

True Label

1

0

1

3

6

0

0

175

Akurasi

0,96

Pada tabel 2 merupakan hasil confusion matrix, kelas untuk positif yaitu paru paru tidak normal dan negative yaitu paru paru normal. Dimana untuk 3 data terindentifikasi normal dengan kelas actual normal, selanjutnya terdapat 175 data terindentifikasi tidak normal dengan kelas actual tidak normal, selanjutnya terdapat 0 data terindentifikasi tidak normal dengan kelas actual normal dan terdapat 6 data terindentifikasi normal dengan kelas actual tidak normal.

Tabel 3. Confusion Matrix Fold 2

Predicted Label

True Label

1

0

1

1

4

0

1

178

Akurasi

0,97

Pada tabel 3 merupakan hasil confusion matrix, kelas untuk positif yaitu paru paru tidak normal dan negative yaitu paru paru normal. Dimana untuk 1 data terindentifikasi normal dengan kelas actual normal, selanjutnya terdapat 178 data terindentifikasi tidak normal dengan kelas actual tidak normal, selanjutnya terdapat 1 data terindentifikasi tidak normal dengan kelas actual normal dan terdapat 4 data terindentifikasi normal dengan kelas actual tidak normal.

Buana, dkk.

Deteksi Suara Paru- Paru Menggunakan MFCC dan M-KNN

Tabel 4. Confusion Matrix Fold 3

Predicted Label

True Label

1

0

1

1

8

0

2

173

Akurasi

0,94

Pada tabel 4 merupakan hasil confusion matrix, kelas untuk positif yaitu paru paru tidak normal dan negative yaitu paru paru normal. Dimana untuk 1 data terindentifikasi normal dengan kelas actual normal, selanjutnya terdapat 173 data terindentifikasi tidak normal dengan kelas actual tidak normal, selanjutnya terdapat 2 data terindentifikasi tidak normal dengan kelas actual normal dan terdapat 8 data terindentifikasi normal dengan kelas actual tidak normal.

Tabel 5. Confusion Matrix Fold 4

Predicted Label

True Label

1

0

1

3

4

0

0

177

Akurasi

0,98

Pada tabel 5 merupakan hasil confusion matrix, kelas untuk positif yaitu paru paru tidak normal dan negative yaitu paru paru normal. Dimana untuk 3 data terindentifikasi normal dengan kelas actual normal, selanjutnya terdapat 177 data terindentifikasi tidak normal dengan kelas actual tidak normal, selanjutnya terdapat 0 data terindentifikasi tidak normal dengan kelas actual normal dan terdapat 4 data terindentifikasi normal dengan kelas actual tidak normal.

Tabel 6. Confusion Matrix Fold 5

Predicted Label

True Label

1

0

1

0

5

0

3

176

Akurasi

0,95

Pada tabel 6 merupakan hasil confusion matrix, kelas untuk positif yaitu paru paru tidak normal dan negative yaitu paru paru normal. Dimana untuk 0 data terindentifikasi normal dengan kelas actual normal, selanjutnya terdapat 176 data terindentifikasi tidak normal dengan kelas actual tidak normal, selanjutnya terdapat 3 data terindentifikasi tidak normal dengan kelas actual normal dan terdapat 5 data terindentifikasi normal dengan kelas actual tidak normal.

  • 3.2    Pengujian Akurasi

Dalam penelitian ini, hasil akurasi setiap fold terdapat nilai precision, recall dan f1-score yang dihasilkan untuk hasil nilai precision, recall dan f1-score untuk setiap fold dapat dilihat pada tabel 7.

Tabel 7. Hasil akurasi Fold 1

Precision

recall

f1-score

support

normal

1

0.3

0.5

9

tidak normal

0.97

1

0.98

175

accuracy

0.97

184

macro avg

0.98

0.67

0.74

184

weighted avg

0.97

0.97

0.96

184

Pada tabel 7 merupakan hasil akurasi dalam mendiagnosa kondisi paru –paru menggunakan MFCC dan M-KNN pada Fold1, maka didapatkan Precision, Recall, f1-Score untuk support pada kelas normal dan tidak normal dan dapat disimpulkan untuk nilai terbesar Precision untuk kelas normal sebesar 100%, nilai terbesar Recall untuk kelas tidak normal sebesar 100% dan nilai terbesar f1-score untuk kelas

Jurnal Elektronik Ilmu Komputer Udayana Volume 11, No 4. May 2023

tidak normal sebesar 98%.

Tabel 8.Hasil akurasi Fold 2

Precision

recall

f1-score

Support

Normal

0.5

0.2

0.29

5

tidak normal

0.98

0.99

0.99

179

Accuracy

0.97

184

macro avg

0.74

0.6

0.64

184

weighted avg

0.97

0.97

0.97

184

Pada tabel 8 merupakan hasil akurasi dalam mendiagnosa kondisi paru –paru menggunakan MFCC dan M-KNN pada Fold2 ,maka didapatkat Precision,Recall,f1-Score untuk support pada kelas normal dan tidak normal dan dapat disimpulkan untuk nilai terbesar Precision untuk kelas tidak normal sebesar 98% , nilai terbesar Recall untuk kelas tidak normal sebesar 99% dan nilai terbesar f1-score untuk kelas tidak normal sebesar 99%.

Tabel 9. Hasil akurasi Fold 3

Precision

recall

f1-score

Support

Normal

1

0.11

0.2

9

tidak normal

0.96

1

0.98

175

Accuracy

0.96

184

macro avg

0.98

0.56

0.59

184

weighted avg

0.96

0.94

0.94

184

Pada tabel 9 merupakan hasil akurasi dalam mendiagnosa kondisi paru –paru menggunakan MFCC dan M-KNN pada Fold3, maka didapatkan Precision, Recall, f1-Score untuk support pada kelas normal dan tidak normal dan dapat disimpulkan untuk nilai terbesar Precision untuk kelas normal sebesar 100%, nilai terbesar Recall untuk kelas tidak normal sebesar 100% dan nilai terbesar f1-score untuk kelas tidak normal sebesar 98%.

Tabel 10. Hasil akurasi Fold 4

Precision

recall

f1-score

Support

Normal

1

0.14

0.25

7

tidak normal

0.97

1

0.98

177

Accuracy

0.97

184

macro avg

0.98

0.57

0.62

184

weighted avg

0.97

0.97

0.96

184

Pada tabel 10 merupakan hasil akurasi dalam mendiagnosa kondisi paru –paru menggunakan MFCC dan M-KNN pada Fold4, maka didapatkan Precision, Recall, f1-Score untuk support pada kelas normal dan tidak normal dan dapat disimpulkan untuk nilai terbesar Precision untuk kelas normal sebesar 100%, nilai terbesar Recall untuk kelas tidak normal sebesar 100% dan nilai terbesar f1-score untuk kelas tidak normal sebesar 98%.

Tabel 11. Hasil akurasi Fold 5

Precision

recall

f1-score

support

Normal

0

0

0

5

tidak normal

0.97

0.99

0.98

179

Accuracy

0.96

184

macro avg

0.49

0.49

0.49

184

weighted avg

0.95

0.96

0.95

184

Pada tabel 11 merupakan hasil akurasi dalam mendiagnosa kondisi paru –paru menggunakan MFCC dan M-KNN pada Fold5, maka didapatkat Precision, Recall, f1-Score untuk support pada kelas normal dan tidak normal dan dapat disimpulkan untuk nilai terbesar Precision untuk kelas tidak normal sebesar 97%, nilai terbesar Recall untuk kelas tidak normal sebesar 99% dan nilai terbesar f1-score untuk kelas tidak normal sebesar 98%.

3.3 Pengujian Akurasi terhadap nilai K

Gambar 4. Error Rate K-Value

Pada gambar 4 dapat terlihat bahwa nilai k= 2,4,5,7,8,9 sangat berpengaruh terhadap error yang dihasilkan dimana semakin curam menuju titik nol menandakan bahwa semakin besar nilai k maka semakin besar juga errornya. Tampilan akurasi menjelaskan mengenai bagaiamana sistem dapat melakukan uji penentuan jenis kondisi paru paru. Dalam penelitian peneliti menggunakan Uji k-fold dalam mengetahui bagaimana tingkat akurasi yang di dapat pada sistem yang telah di buat dan menentukan apalah sistem dapat berkeja dengan baik atau masih perlu dilakukan evaluasi. Dimana k terbaik didapat k=10.

  • 4.    Kesimpulan

Sistem prediksi suara paru paru menggunakan MFCC dan modified K- Nearst Neighbour dalam melakukan proses prediksi keadaan paru paru menggunakan audio sebagai media melakukan prediksi dapat dilakukan dengan baik melalui beberapa proses iterasi dan proses normalisasi.

Akurasi sistem prediksi paru paru menggunakan MFCC dan Modified K-Nearst Neighbor dapat dikatakan baik yang dimana diperoleh hasil akurasi tertinggi pada Fold 4 yaitu 0.98 atau 98% dengan precision 1, recall 0.14, f1-score 0.25 untuk normal dan precision 0.97, recall 1, f1-score 0.98 untuk tidak normal sebesar 97,83 % dengan menggunakan metode uji dan data latih yang telah disediakan.

Referensi

  • [1]  Forum of International Respiratory Societies (FIRS) .The Year of Lung. Available from :

http://www.2010yearofthelung, 2010.

  • [2]  D. Emmanouilidou, K. Patil, J. West J, dan M. Elhilali, “A Multiresolution Analysis for Detection

Abnormal Lung Sounds”, Conference Proceedings IEEE Engineering in Medicine and Biology Society, 3139-3142, 2012.

  • [3]    M. Z. Ramadhan, “Perancangan Sistem Instrumentasi untuk Indentifikasi dan Analisis Suara Paru-Paru Menggunakan DSP TMS320C6416T”. Skripsi UNIVERSITAS INDONESIA, 2012.

  • [4]    F. Syafria, A. Buono, dan B. P. Silalahi, “Pengenalan Suara Paru-Paru dengan MFCC sebagai Ekstraksi Ciri dan Backpropagation sebagai Classifier, vol. 3, no.1, pp. 28-37, 2014.

  • [5]    M. G. Ahkam, “Aplikasi Pemeriksaan Paru-Paru Dengan Metode Auskultasi Berbasis Android”.

Skripsi. Jurusan Teknik Informatika UNIVERSITAS UIN ALAUDDIN MAKASAR. Diterbitkan, 2018.

  • [6]    I. S. Permana, Y. I. Nurhasanah, dan A. Zulkarnain, “Implementasi Metode MFCC dan DTW Untuk Pengenalan Jenis Suara Pria dan Wanita”, MIND Journal, vol. 3, no. 1, pp. 49-63, 2018.

  • [7]    Y. Indrawaty, I. A. Dewi, dan R. Lukman, “Ekstraksi Ciri Pelafalan Huruf Hijaiyyah Denagn Metode Mel-Frequency Cepstral Coefficients, “MIND Journal, vol. 4, no. 1, 2019.

Jurnal Elektronik Ilmu Komputer Udayana Volume 11, No 4. May 2023

  • [8]    T. Nasution, “Metoda Mel Frequency Cepstrum Coefficient (MFCC) untuk Mengenali Ucapan pada Bahasa Indonesia”, Jurnal Sains dan Teknologi Informasi, vol.1,no.1, 2012.

  • [9]    Y. I. Nurhasanah, M. M. Barmawi, “APLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW”, Seminar Nasional. Teknologi. Informatika, 2016.

  • [10]    E. S. Aritonang, "IDENTIFIKASI SUARA MORSE MENGGUNAKAN ALGORITMA MEL FREQUENCY CEPSTRUM COEFFICIENT -HIDDEN MARKOV MODEL (MFCC-HMM)". Skripsi. Jurusan Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi UNIVERSITAS SUMATRA UTARA. MEDAN. Diterbitkan, 2019.

  • [11]    R. S. Chavan dan G. S. Sable, “An Overview of Speech Recognition Using HMM,” International. Journal of Computer and Mobile Computing, vol. 2, no. 6, pp. 233–238, 2013.

  • [12]    Y. AFRILLIA, "MODIFIKASI MEL-FREQUENSY CEPTRAL COEFFICIENT (MFCC) PADA SISTEM PENGHAFALAN AL-QUR’AN DALAM PENGENALAN POLA NAGHAM". TESIS. Jurusan Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi UNIVERSITAS SUMATRA UTARA. Medan. Diterbitkan, 2018.

  • [13]    D. Putra dan A. Resmawan, “Vertifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW”, LONTAR KOMPUTER, vol. 2, no.1, 2011.

  • [14]    F. Wafiyah, "Implementasi Algoritma Modified K-Nearst Neighbor (MKNN) Untuk Klasifikasi Penyakit Demam". Skripsi. Jurusan Teknik Informatika UNIVERSITAS BRAWIJAYA. MALANG. Diterbitkan, 2017.

  • [15]    M. Brammer, “Principles of Data Mining”. Springer-Verlag. London, 2007.

This page is intentionally left blank.

854