Bilah Samping Artikel

Telah diserahkan
2 January 2019
Diterbitkan
1 March 2018
Unduh
PDF
Statistik
Baca Penghitung : 261 Unduh : 364

Isi Artikel Utama

Abstrak

Suara/ucapan adalah cara kita sebagai manusia untuk berkomunikasi dan mengekspresikan diri. Proses komunikasi tidak hanya terjadi antar manusia saja. Proses komunikasi juga terjadi antara manusia dan komputer. Pada penelitian ini akan dibangun sistem pencarian kode dari diagnosis penyakit dengan menggunakan masukan suara dan luaran teks. Tujuan dari penelitian ini adalah untuk merancang dan membangun aplikasi Speech to text kode ICD-10 dengan metode MFCC (Mel Frequency Cepstral Coefficient) dan HMM (Hidden Markov Model) yang mampu memberikan informasi mengenai kode ICD-10 dari nama diagnosis penyakit dengan pencarian menggunakan suara. Berdasarkan penelitian dan pengujian sistem Aplikasi Speech to text Kode ICD-10 mampu memberikan informasi mengenai kode diagnosis dari suatu penyakit. Hasil kecocokan data masukan dan luaran dari pengujian yang telah dilakukan menggunakan paramater jumlah data set 3, filter bank 20, iterasi 2 dan state 3 mendapatkan nilai persentase 100%.

Rincian Artikel

Cara Mengutip
Susanti, M., Susilo, B., & Andreswari, D. (2018). APLIKASI SPEECH-TO-TEXT DENGAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN HIDDEN MARKOV MODEL (HMM) DALAM PENCARIAN KODE ICD-10. Rekursif: Jurnal Informatika, 6(1). https://doi.org/10.33369/rekursif.v6i1.6497
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
BibTeX

Referensi

  1. WHO (2004). International Statistical Classification of Diseases and Related Health Problems Tenth Revision Volume 1, 2 dan 3. Geneva: WHO.
  2. Anusuya, A & Katti, K. 2009. Speech Recognition by Machine. Volume 6, No. 3. Department of Computer Science and Engineering. India.
  3. Chandra, D. (2007). Speech Recognition CoProcessor. North Carolina: issertation Doctor of Philosophy North Carolina State University.
  4. Nilsson, M., Ejnarson, M. (March 2002). “Speech Recognition using Hidden Markov Model : performance evaluation ins noisy environtment. Departement of Telecommunication and Signal Processing. Ronneby.
  5. Dave, Namrata. (2013). Feature Extraction Methods LPC, PLP and MFCC In Speech Recognition. International Journal for Advance Research in Engineering and Technology, (Volume 1, Issue VI, July 2013).
  6. Manunggal, HS. 2005. Perancangan dan Pembuatan Perangkat Lunak Pengenalan Suara Pembicara dengan Menggunakan Analisa MFCC Feature Extraction. Surabaya : Universitas Kristen Petra.
  7. Prasetyo, B., & Jannah, L. M. (2012). Metode Penelitian Kuantitatif Teori dan Aplikasi. Jakarta: Rajawali Pers.
  8. Uchat (2009), N. S. A Seminar Ressport on Hidden Markov Model and Speech Recognition. Department of Computer Science and Engineering Indian Institute of Technology, Bombay Mumbai.