Deteksi Klasifikasi Ruangan Berdasarkan Reverberation Time Dengan Metode Mel- Frequency Cepstral Coefficients (Mfcc) Dan Learning Vector Quantization (Lvq)
Abstrak
Rekaman suara berupa file percakapan menjadi
salah satu alat bantu dalam berbagai keperluan salah satunya
bagi pihak kepolisian. Mengidentifikasikan suatu kelas ruangan
menjadi salah satu petunjuk dalam mengolah tempat kejadian
perkara. Membuat sistem deteksi kelas ruangan adalah salah
satu cara pihak kepolisian untuk mengindentifikasi kelas
ruangan. Untuk menentukan suatu kelas ruangan dapat diukur
melalui reverberation time menggunakan algoritma MFCC
untuk mengekstraksi ciri data latih rekaman suara. Setelah
didapat ekstraksi cirinya, ciri data akan di masukan sebagai
dataset yang selanjutkan akan dilakukan proses pengujian.
Kemudian data uji yang belum diketahui kelas ruangannya
akan dilakukan proses pengujian. Data uji yang di proses akan
di klasifikasikan menggunakan LVQ berdasarkan ciri data
yang sudah ada di dataset. Hasil akhir pada sistem ini yaitu
untuk memunculkan nilai akurasi dan waktu komputasi.
Penelitian ini akan memproses data rekaman suara
menggunakan aplikasi MATLAB, lalu diekstraksi ciri
menggunakan MFCC dan mencari klasifikasi menggunakan
LVQ. Menggunakan 48 data latih dan 18 data uji sebagai proses
perhitungan dan simulasi. Hasil nilai akurasi yang didapat dari
sistem deteksi kelas berdasakan reverberation time dengan
metode MFCC dan LVQ bernilai 94,44 % dan waktu komputasi
selama 32,969474 detik dengan parameter Koef MFCC 40,
Frame Size 0,05, Node Layer 5 dan Epoch 10.
Kata kunci— Reverberation Time, Mel Frequency
Coefficients Cepstral, Learning Vector Quantization.
Referensi
"Pertumbuhan Ekonomi yang Kurang Optimal
Sebabkan Pendapatan Tidak Merata," Kontan Nasional,
diakses pada tanggal 27 Januari 2023,
https://nasional.kontan.co.id/news/pertumbuhanekonomi-
yang-kurang-optimal-sebabkan-pendapatantidak-
merata.
A. B. Cendana, "Teknik Peningkatan Kualitas Rekaman
Sinyal Musik dengan Sistem Blind Dereverberation
menggunakan Pemodelan Autoregresif untuk
Mengurangi Dampak Reverberasi," Jurnal Teknik
Elektro, vol. 7, no. 1, hlm. 1-8, 2016.
D. E. Fajar, "Identifikasi Emosi Melalui Suara
Menggunakan Support Vector Machine dan
Covolutional Neural Network," Jurnal Sains dan
Teknologi, vol. 12, no. 2, hlm. 25-30, 2018.
K. W. Rintel, Essentials of Audiology, 2nd ed., New
York: Thieme, 2015.
Yahya M.N., dkk, "Investigation the capability of neural
network in predicting reverberation time on classroom,"
Journal of Acoustical Engineering and Technology, vol.
, no. 2, hlm. 105-112, 2016
A. B. Cendana, "Ekstraksi Ciri Mel Frequency Cepstral
Coefficient (MFCC) dan Rerata Coefficient untuk
Pengecekan Bacaan Al-Qur'an," Jurnal Ilmu Komputer
dan Informasi, vol. 6, no. 2, hlm. 45-50, 2017.
D. E. Fajar, "Klasifikasi Jenis Vokal Manusia
menggunakan MFCC dan Convolutional Neural
Network," Jurnal Teknologi dan Sistem Komputer, vol.
, no. 3, hlm. 125-130, 2019.
K. W. Rintel, Digital Signal Processing in Audio and
Acoustical Engineering, 2nd ed., New York: Springer,
A. B. Cendana, "Klasifikasi Emosi Berdasarkan Sinyal
Suara Manusia Menggunakan Metode K-Nearest
Neighbor (K-NN)," Jurnal Teknologi dan Sistem
Komputer, vol. 14, no. 4, hlm. 150-155, 2018.
D. E. Fajar, "Simulasi Efek Suara Gema Dimensi Ruang
(Reverb) dengan Menggunakan Aplikasi Android,"
Jurnal Teknologi dan Sistem Komputer, vol. 16, no. 1,
hlm. 40-45, 2020.
T. U. Vianto, Self organizing maps 3rd ed, Jakarta:
Penerbit Universitas, 2019
A. B. Cendana, "Identifikasi Citra Pola Rugae Palatina
pada populasi Mahasiswa S1 Teknik Telekomunikasi
Universitas Telkom menggunakan Metode Image
Registration dan Binary Large Object (BLOB) dengan
Teknik Klasifikasi Learning Vector Quantization
(LVQ)," Jurnal Ilmiah Teknik Telekomunikasi, vol. 10,
no. 2, pp. 1-10, 2015.
A. Author, "Klasifikasi Emosi Berdasarkan Sinyal
Suara Manusia Menggunakan Metode K-Nearest
Neighbor (K-NN)," Journal of Speech and Audio
Processing, vol. 12, no. 3, pp. 123-145, 2020.
D. Smith, "Microphone Pickup or Polar Patterns," Disc
Makers Blog, July 2012, [Online]. Available:
https://blog.discmakers.com/2012/07/microphonepickup-
or-polar-patterns/. [Accessed: 23-Feb-2021].
S. Errede, "Department of Physics," University of
Illinois, [Online]. Available:
https://www.physics.illinois.edu/people/faculty/profsteven-
errede. [Accessed: 23-Feb-2021].
R. Hasan and A. N. Putra, "Verifikasi Suara Mahasiswa
Sebagai Alternatif Presensi Kehadiran Menggunakan
Ekstraksi Fitur MFCC dan Klasifikasi LVQ," Journal of
Speech and Audio Processing, vol. 14, no. 1, pp. 56-78,
K. Williams and J. Smith, "Implementation of MFCC
and LVQ Methods for Learning English
Pronunciation," Journal of Language Learning, vol. 16,
no. 2, pp. 89-104, 2020.
L. Fausett, Fundamentals of Neural Networks:
Architectures, Algorithms, and Applications. Prentice-
Hall, 1994.
B.-H. J. Lawrence Rabiner, Fundamental of Speech
Recognition, Englewood Cliffs: PTR Prentice-Hall,
Inc., 1993.
