STUDI PERBANDINGAN FITUR TERHADAP KINERJA KLASIFIKASI AUDIO BATUK UNTUK DETEKSI DINI COVID-19 MENGGUNAKAN SUPPORT VECTOR MACHINE

Abstract

Penelitian untuk mendeteksi COVID-19 saat ini sudah banyak dilakukan, seperti swab, rapid antigen, serta menggunakan citra x-ray. Akan tetapi metode ini memiliki kelemahan yaitu mengharuskan pengambilan sampel melalui kontak fisik dengan pasien. Salah satu untuk menghindari terjadinya kontak fisik ialah dengan menggunakan audio melalui suara batuk dengan tujuan dapat mengurangi penularan COVID-19. Ekstraksi fitur audio seperti Mel Frequency Cepstral Coefficient (MFCC) sudah sering digunakan pada penelitian klasifikasi audio, seperti klasifikasi genre musik dan sebagainya. Penelitian ini bertujuan untuk membandingkan sedikit-banyaknya fitur-fitur pada kinerja klasifikasi audio melalui suara batuk untuk deteksi dini COVID-19 menggunakan Support Vector Machine berbasis kernel Radial Basis Function (RBF). Dataset yang digunakan berupa dataset audio COVID-19 Cough, sebelum melakukan klasifikasi, data audio diproses menjadi spectrogram baru dilakukan ekstraksi fitur. Klasifikasi dibagi 2 skema, menggunakan parameter default dan menggunakan konfigurasi parameter yang ditentukan. Dari hasil penelitian, didapatkan AUC tertinggi sebesar 0.657715 pada klasifikasi SVM dengan menggunakan dataset ekstraksi fitur 20 koefisien MFCC. Sedangkan, ketika dikombinasikan 8 ekstraksi fitur didapatkan AUC sebesar 0.632690 dengan 30 koefisien MFCC.