Ekstraksi Fitur Audio untuk Identifikasi Sinyal Suara
Kecenderungan Sinusitis dan Non-Sinusitis Menggunakan MFCC,
Spectrogram, Spectral Features, dan Wavelet Transform
Minimnya penggunaan metode invasif dalam penelitian sinusitis
menjadi latar belakang utama studi ini. Penelitian ini membandingkan
empat teknik ekstraksi fitur audio—Mel-Frequency Cepstral
Coefficients (MFCC), Spectrogram, Spectral Features, dan Wavelet
Transform—untuk membedakan sinyal suara kecenderungan sinusitis
dan non-sinusitis. Data suara dalam format .wav diproses melalui
tahapan resampling, normalisasi, dan bandpass filtering (300–3400
Hz). Hasil analisis menunjukkan bahwa sinyal kecenderungan sinusitis
cenderung memiliki energi spektrum yang lebih tinggi, dominasi energi
pada koefisien MFCC awal (ke-1 hingga ke-5), spectral rolloff rata-rata
lebih besar, serta puncak energi yang terkonsentrasi pada frekuensi
menengah (3000–7000 Hz) pada awal sinyal. Sebaliknya, sinyal non-
sinusitis memperlihatkan distribusi energi yang lebih merata pada
koefisien MFCC menengah, frekuensi dominan lebih tinggi, pitch dan
formant yang berfluktuasi, serta pola spektral yang lebih kompleks dan
dinamis sepanjang durasi sinyal. Uji Shapiro–Wilk menunjukkan
bahwa sekitar 65% fitur tidak berdistribusi normal, sehingga digunakan
uji statistik non-parametrik Mann–Whitney U Test untuk menguji
perbedaan antar kelompok. Hasil pengujian mengidentifikasi empat
fitur signifikan sebagai parameter pembeda, yaitu MFCC koefisien ke-
6, frekuensi dominan Spectrogram, Spectral Centroid, dan Spectral
Rolloff. Kombinasi fitur-fitur ini, bersama MFCC sebagai metode
ekstraksi utama, terbukti efektif dalam membedakan sinyal suara
kecenderungan sinusitis dan non-sinusitis, serta berpotensi menjadi
dasar pengembangan sistem klasifikasi otomatis untuk diagnosis awal
berbasis suara pernapasan.
URI
https://repository.itera.ac.id/depan/submission/SB2509190078
Keyword
Ekstraksi Fitur MFCC Non-sinusitis Sinusitis Analisis Suara