digilib@itb.ac.id +62 812 2508 8800


COVER
PUBLIC Open In Flipbook Rina Kania

BAB I
PUBLIC Open In Flipbook Rina Kania

Bab II
PUBLIC Open In Flipbook Rina Kania

Bab III
PUBLIC Open In Flipbook Rina Kania

BAB IV
PUBLIC Open In Flipbook Rina Kania

BAB V
PUBLIC Open In Flipbook Rina Kania

DAFTAR PUSTAKA
PUBLIC Open In Flipbook Rina Kania

Kemampuan berbicara merupakan aspek penting dalam kehidupan manusia. Ketika kemampuan ini terganggu, kualitas hidup individu dapat menurun secara signifikan. Oleh karena itu, evaluasi bicara secara objektif dan spesifik menjadi penting dalam proses rehabilitasi. Pada keperluan evaluasi rehabilitasi, sinyal suara ucap saja tidak cukup merepresentasikan upaya artikulasi yang dilakukan. Selain itu, produksi suara ucap juga merupakan proses yang kompleks dan melibatkan banyak organ, termasuk peran dari otot artikulator wajah dalam membentuk rongga artikulator. Penelitian ini merupakan penelitian awal yang bertujuan untuk mengeksplorasi kontribusi sinyal surface electromyography (sEMG) dalam mengenali jenis suku kata bahasa Indonesia berdasarkan pola kontraksi otot artikulator, serta mengembangkan sistem klasifikasi berbasis pendekatan unimodal dan bimodal. Sinyal sEMG direkam dari enam kanal monopolar pada wajah secara simultan dengan perekaman sinyal suara ucap, dari satu responden sehat dalam kondisi terkontrol. Proses pengolahan sinyal meliputi pra-pemrosesan, ekstraksi fitur domain waktu (TDF) dan waktu-frekuensi Mel-Frequency Spectral Coefficients (MFSC) untuk sEMG, serta Mel-Frequency Cepstral Coefficients (MFCC) untuk suara ucap. Model klasifikasi dibangun menggunakan Support Vector Machine (SVM) dengan pendekatan One-vs-One (OvO). Integrasi bimodal dilakukan melalui decision-level fusion berbasis pembobotan hasil klasifikasi unimodal. Eksperimen dilakukan terhadap sembilan suku kata yang dikelompokkan berdasarkan jenis artikulasi (nasal dan plosive) dan tempat artikulasi (bilabial, velar, alveolar). Hasil klasifikasi menunjukkan bahwa pendekatan bimodal memberikan akurasi tertinggi (98,77% untuk dua kelas dan 92,59% untuk tiga kelas), dibandingkan unimodal suara (MFCC) dan sEMG (MFSC). Temuan ini menunjukkan bahwa meskipun sEMG secara mandiri belum melampaui sinyal suara, integrasinya mampu meningkatkan akurasi dan stabilitas sistem, serta berpotensi digunakan dalam evaluasi artikulasi untuk rehabilitasi bicara bahasa Indonesia.