Klasifikasi Suara Tangisan Bayi Berdasarkan Prosodic Features Menggunakan Metode Moments of Distribution dan K-Nearest Neighbours

  • Aditya Singgi Prayogi Program Studi Teknik Informatika, Universitas Narotama
  • Maulana Rizqi Program Studi Sistem Komputer, Universitas Narotama
  • Tresna Maulana Fahrudin Program Studi Teknik Informatika, Universitas Narotama
Keywords: K-Nearest Neighbour, Moments of Distribution, Prosodic Feature, Suara Tangisan Bayi, Validation Sampling

Abstract

Bagi sebagian orang, suara tangisan bayi terdengar sangat mengganggu, apalagi jika tangisannya berlarut-larut. Sulit untuk dimengerti arti dari suara tangisan bayi. Di era teknologi informasi, pengenalan suara tangisan bayi dapat dilakukan secara otomatis menggunakan komputer. Hal tersebut tentu dapat membantu bagi orang tua untuk mengenali kebutuhan bayi agar dapat segera tenang. Untuk mengidentifikasi suara tangisan bayi dapat menggunakan salah satu algoritma klasifikasi di bidang Machine Learning, salah satunya adalah algoritma K-Nearest Neighbour. Langkah pertama untuk melakukan klasifikasi suara tangisan bayi, yakni data audio suara tangisan bayi diubah menjadi data numerik yang disebut proses ekstraksi fitur yang menghasilkan Prosodic Features. Setelah melewati proses ekstraksi fitur perlu dilakukan identifikasi pola untuk mendapatkan perbedaan pola  antara satu data suara tangisan bayi dengan data suara tangisan bayi yang lain menggunakan Metode Moment of Dsitribution. Pengenalan suara tangisan bayi dilakukan dengan menerapkan algoritma klasifikasi menggunakan K-Nearest Neighbour. Akurasi terbaik pada proses klasifikasi menggunakan data sampling Percentage Rate yaitu 76% dimana nilai K yang digunakan adalah 9. Sedangkan akurasi terbaik pada proses klasifikasi menggunakan data sampling Leave One Out yaitu 42% dengan nilai K yang digunakan adalah 5.

Downloads

Download data is not yet available.

References

Limantoro, W.S., Fatichah, C., & Yuhana, L. (2016). Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi. Jurnal Teknik ITS, Vol. 5, No. 2, pp. A476-A481.

Dewi, I.A., Zulkarnain, A., Lestari A.A. (2018). Identifikasi Suara Tangisan Bayi menggunakan Metode LPC dan Euclidean Distance. Jurnal Elkomika, Vol 6, No. 1, pp. 153-164.

Manfredi, C., Bandini, A., Melino, D., Viellevoye, R., Kalenga, M., & Orlandi, S. (2018). Biomedical Signal Processing and Control Automated Detection and Classification of Basic Shapes of Newborn Cry Melody. Biomedical Signal Processing and Control, 45, pp. 174—181, https://doi.org/10.1016/j.bspc.2018.05.033.

Singh, N., Khan, R.A. & Shree, R. (2012). MFCC and Prosodic Feature Extraction Techniques: A Comparative Study. International Journal of Computer Applications, Vol. 54, No. 1, pp. 9—13. https://doi.org/10.5120/8529-2061

Huang, Z., Chen, L. & Harper, M. (2006). An Open Source Prosodic Feature Extraction Tool. Proceedings of the Fifth International Conference on Language Resources and Evaluation (LREC’06), pp. 2116—2121.

Sumarlin (2015). Implementasi Algoritma K-Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM. Jurnal Sistem Informasi Bisnis, Vol. 01, pp. 52—62.

Rahagiyanto, A., Basuki, A., & Sigit, R. (2017). Moment Invariant Features Extraction for Hand Gesture Recognition of Sign Language Based on SIBI. EMITTER International Journal of Enginering Technology, Vol. 5,, No. 1, pp. 119—138.

Published
2019-10-31
How to Cite
Prayogi, A. S., Rizqi, M., & Fahrudin, T. M. (2019). Klasifikasi Suara Tangisan Bayi Berdasarkan Prosodic Features Menggunakan Metode Moments of Distribution dan K-Nearest Neighbours. Teknika, 8(2), 119-125. https://doi.org/10.34148/teknika.v8i2.206
Section
Articles