digilib@itb.ac.id +62 812 2508 8800

PENGEMBANGAN MODEL DETEKSI DAN LOKALISASI BUNYI NON-SPEECH YANG TUMPANG TINDIH DENGAN MENAMBAHKAN TEKNIK PEMISAHAN BUNYI

Penulis : Ranny [33217009]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Ir. Tati Latifah Erawati Rajab
  • Prof. Dr. Ing. Ir. Iping Supriana Suwardi
  • Dessi Puji Lestari, S.T, M.Eng., Ph.D.
Jenis Koleksi : Disertasi
Penerbit : Teknik Elektro dan Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : bunyi tumpang tindih, pengenalan bunyi, pemisahan bunyi tumpang tindih
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 1 file
Tanggal Input : 06 Mei 2024

33217009 Ranny.pdf
PUBLIC Open In Flip Book Dessy Rondang Monaomi

Teknik pengenalan bunyi non-speech telah banyak dikembangkan pada penelitian Teknik Informatika, begitu juga hasil penelitiannya telah banyak diimplementasikan pada beberapa aplikasi nyata. Namun, permasalahan terkait pengembangan teknik pengenalan bunyi non-speech masih terus ditelaah. Salah satu permasalahan yang dikembangkan adalah penggunaan bunyi non-speech yang tumpang tindih pada pengenalan bunyi. Bunyi tumpang tindih sendiri menjadi tantangan pada penelitian acuan karena sering kali menurunkan performa dari sistem pengenalan bunyi yang dibangun. Oleh karena itu, pada penelitian ini akan dikembangkan teknik yang mampu meningkatkan akurasi dari pengenalan bunyi dengan bunyi tumpang tindih. Teknik yang digunakan adalah teknik pemisahan bunyi tumpang tindih yaitu Nonnegative Matrix Factorization (NMF) dan Time Frequency (T-F) Masking yang kemudian dilakukan pengenalan bunyi menggunakan teknik pada Machine Learning antara lain, Support Vector Machine (SVM) dan Artificial Neural Network (ANN). Proses implementasi teknik dan pengujian menggunakan data public yang diaugmentasi untuk memperbanyak varian jenis bunyi tumpang tindihnya. Hasil eksperimen NMF dan SVM diukur dengan dimana nilai C menunjukkan tingkat overfitting dari model klasifikasi yang terbentuk. Semakin tinggi nilai C, maka semakin tingkat overfitting-nya. Rata-rata nilai C pada hasil pembentukan model klasifikasi adalah 4 dengan ukuran nilai C minimal 0 dan maksimal 20. Selain itu tingkat akurasi pengenalan juga diukur dalam persentase antara nilai positif dibagi hasil keseluruhan data. Rata-rata akurasi yang diperoleh adalah 83%. Berdasarkan hasil pengukuran teknik pemisahan NMF ii dapat digunakan pada klasifikasi SVM. Pada eksperimen pemisahan T-F masking dan ANN diukur menggunakan nilai F-score dan Error rate-nya untuk kedua proses deteksi dan lokalisasi. Hasil rata-rata dari F-score untuk deteksi adalah 71,1% dan untuk lokalisasi adalah 81,5%. Sedangkan nilai Error rate untuk proses deteksi adalah 0,41 dan untuk lokalisasi adalah 12,5. Hasil dari pengujian dengan data bunyi tumpang tindih yang telah diaugmentasi menunjukkan peningkatan yang positif untuk teknik yang dikembangkan pada penelitian ini.

Artikel Terkait