Implementasi Ekstraksi Fitur untuk Klasifikasi Suara Urban Menggunakan Deep Learning

Authors

DOI:

https://doi.org/10.30872/jsakti.v3i1.4442

Keywords:

MFCC, Audio, CNN, Classification, Feature Extraction

Abstract

Pengolahan suara merupakan konsep yang sangat penting untuk semua jenis sistem yang membutuhkan interaksi manusia dalam kegiatan sehari-hari. Salah satu teknik yang digunakan dalam pengolahan suara adalah ekstraksi ciri suara dan klasifikasi yang memiliki pengaruh langsung dalam sistem pengenalan suara. Namun, teknik pengenalan audio yang telah dikembangkan sangat beragam yang bertujuan untuk memperbaiki dan meningkatkan efisiensi akurasi, pengenalan pola, pemrosesan sinyal, ekstraksi dan tingkat pengenalan untuk menghasilkan klasifikasi yang akurat.  Dalam penelitian ini, untuk menganalisis dan membuktikan bahwa menggunakan metode Melf-Frequency Cepstral Coefficients (MFCC) untuk mengekstraksi data suara dari sampel yang berupa input suara dari lingkungan perkotaan dapat diimplementasikan dengan baik, kemudian melakukan klasifikasi dengan menggunakan Convolutional Neural Network (CNN) untuk menyempurnakan model dengan skor Akurasi Klasifikasi yang baik. Dari hasil penelitian,  bahwa model berkinerja dengan sangat baik dan juga dapat di prediksi dengan baik saat diuji terhadap data audio baru.

References

L. M. Aiello, R. Schifanella, D. Quercia, and F. Aletta, “Chatty maps: Constructing sound maps of urban areas from social media data,” R. Soc. Open Sci., vol. 3, no. 3, 2016.

M. D. Egan, J. D. Quirt, M. Z. Rousseau, R. T. Beyer, and S. Walker, “Architectural Acoustics View online : https://doi.org/10.1121/1.398174 View Table of Contents : https://asa.scitation.org/toc/jas/86/2 Published by the Acoustical Society of America Architectural Acoustics : Principles and Practice The Journal of the Acoustical Society of America 104 , 3151 ( 1998 ); https://doi.org/10.1121/1.423953 REVIEWS Fourier Analysis,” vol. 4, no. 1989, 2010.

Yousra F. Al-Irhaim dan Enaam Ghanem Saeed,” Arabic Word Recognition Using Wavelet Neural Network " J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2019.

Jayadeva, R. Khemchandani, and S. Chandra, “Twin support vector machines for pattern classification,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 5, pp. 905–910, 2007.

B. K. Baniya, D. Ghimire, and J. Lee, “Automatic music genre classification using timbral texture and rhythmic content features,” Int. Conf. Adv. Commun. Technol. ICACT, vol. 2015-August, no. 3, pp. 434–443, 2015.

S. Zahid, F. Hussain, M. Rashid, M. H. Yousaf, and H. A. Habib, “Optimized Audio Classification and Segmentation Algorithm by Using Ensemble Methods,” Math. Probl. Eng., vol. 2015, 2015.

Downloads

Published

2023-01-05

Issue

Vol. 3 No. 1 (2021): Sains, Aplikasi, Komputasi dan Teknologi Informasi

Section

Articles

License

Sains, Aplikasi, Komputasi dan Teknologi Informasi allows readers to read, download, copy, distribute, print, search, or link to its articles' full texts and allows readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions

  • Authors are allowed to archive their submitted article in an open access repository
  • Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 Generic License.