IMPLEMENTASI EKSTRAKSI CIRI MFCC UNTUK KLASIFIKASI MAKNA TANGISAN BAYI MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Muhammad Agassi, Rega (2023) IMPLEMENTASI EKSTRAKSI CIRI MFCC UNTUK KLASIFIKASI MAKNA TANGISAN BAYI MENGGUNAKAN METODE K-NEAREST NEIGHBOR. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK_REGA MUHAMMAD AGASSI_123190138.pdf Download (7kB)
	Text COVER_REGA MUHAMMAD AGASSI_123190138.pdf Download (162kB)
	Text DAFTAR ISI_REGA MUHAMMAD AGASSI_123190138.pdf Download (95kB)
	Text DAFTAR PUSTAKA_REGA MUHAMMAD AGASSI_123190138.pdf Download (142kB)
	Text HALAMAN PENGESAHAN PEMBIMBING_REGA MUHAMMAD AGASSI_123190138.pdf Download (406kB)
	Text HALAMAN PENGESAHAN PENGUJI_REGA MUHAMMAD AGASSI_123190138.pdf Download (447kB)
	Text SKRIPSI FULLTEXT_REGA MUHAMMAD AGASSI_123190138.pdf Restricted to Repository staff only Download (3MB)

Abstract

vi
ABSTRAK
Komunikasi adalah elemen kunci dalam interaksi manusia, melibatkan berbagai
bentuk seperti kata-kata, gerakan, dan bahkan tangisan. Pada tahap awal kehidupan, bayi
menggunakan tangisan sebagai medium utama untuk menyampaikan kebutuhan dan
perasaan mereka. Dunstan Baby Language (DBL) mengidentifikasi lima jenis tangisan bayi
universal dengan makna spesifik. Meski begitu, masih ada kendala di kalangan orang tua
dalam memahami makna tangisan bayi secara akurat.
Penelitian ini bertujuan menerapkan metode Mel-Frequency Cepstral Coefficients
(MFCC) dan K-Nearest Neighbor (KNN) untuk mengklasifikasikan makna tangisan bayi
berdasarkan DBL. MFCC digunakan sebagai alat ekstraksi fitur untuk menggambarkan
karakteristik ciri dari setiap suara, sementara KNN diadopsi sebagai metode klasifikasi.
Pemilihan metode ini didasarkan pada harapan untuk meningkatkan akurasi klasifikasi
tangisan bayi.
Analisis eksperimen menunjukkan bahwa model dengan jumlah Cepstral
Coefficients=22 pada K=1 memberikan hasil akurasi tertinggi sebesar 91%. Sebaliknya,
hasil terendahnya tercatat pada model dengan jumlah Cepstral Coefficients=17 dan K=9,
menghasilkan akurasi 57%. Peningkatan jumlah Cepstral Coefficients dinilai dapat
meningkatkan akurasi, tetapi nilai K yang tinggi dapat membuat model lebih rentan terhadap
pengaruh noise atau outlier dalam data.
Kata Kunci: Mel-Frequency Cepstral Coefficients, K-Nearest Neighbor, Dunstan Baby
Language

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Mel-Frequency Cepstral Coefficients, K-Nearest Neighbor, Dunstan Baby Language
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	13 Dec 2023 07:50
Last Modified:	13 Dec 2023 07:50
URI:	http://eprints.upnyk.ac.id/id/eprint/38338

Actions (login required)

View Item