<![CDATA[Gangguan bicara akibat bibir sumbing (cleft lip and/or palate) dapat memengaruhi kualitas komunikasi penderita karena menyebabkan perubahan pada artikulasi dan resonansi suara. Kondisi ini mengakibatkan ujaran yang dihasilkan menjadi kurang jelas sehingga berpotensi menimbulkan kesulitan dalam proses komunikasi sehari-hari. Metode Mel-Frequency Cepstral Coefficients (MFCC) digunakan untuk mengolah data dan Support Vector Machine (SVM) digunakan untuk mengklasifikasikan data tersebut. Dataset yang digunakan merupakan data primer berupa 350 rekaman suara berformat WAV yang diperoleh dari penderita bibir sumbing. Proses klasifikasi dilakukan menggunakan algoritma SVM dengan kernel Radial Basis Function (RBF), parameter C sebesar 10, dan gamma bernilai scale. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model SVM berbasis fitur MFCC mampu mencapai tingkat akurasi sebesar 73%. Kinerja terbaik diperoleh pada kelas vokal /e/ dengan nilai F1-score sebesar 83%, sedangkan performa terendah terdapat pada kelas vokal /i/ dengan nilai F1-score sebesar 25%. Selain itu, model menghasilkan nilai Weighted F1-score sebesar 71%. Temuan ini menunjukkan potensi pemanfaatan metode tersebut sebagai dasar pengembangan sistem pengenalan suara dan teknologi pendukung terapi wicara berbasis kecerdasan buatan bagi penderita bibir sumbing.]]>
Copyrights © 2026
