KLASIFIKASI SUARA DERAU LINGKUNGAN MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN EKSTRAKSI FITUR LOG-MEL SPECTROGRAM

Tuael, Abid Bilal Al Ghazali Renwarin (2025) KLASIFIKASI SUARA DERAU LINGKUNGAN MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN EKSTRAKSI FITUR LOG-MEL SPECTROGRAM. Other thesis, UPN Veteran Yogyakarta.

[thumbnail of Cover.pdf] Text
Cover.pdf
Download (395kB)
[thumbnail of Abstrak.pdf] Text
Abstrak.pdf
Download (210kB)
[thumbnail of Halaman Pengesahan Pembimbing.pdf] Text
Halaman Pengesahan Pembimbing.pdf
Download (53kB)
[thumbnail of Daftar Isi.pdf] Text
Daftar Isi.pdf
Download (253kB)
[thumbnail of Daftar Pustaka.pdf] Text
Daftar Pustaka.pdf
Download (172kB)
[thumbnail of Skripsi Final Abid Bilal_123200069.pdf] Text
Skripsi Final Abid Bilal_123200069.pdf
Restricted to Repository staff only
Download (12MB)

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Long Short-Term
Memory (LSTM) dalam menganalisis pola temporal pada data audio. Selain itu, ekstraksi
fitur Log-Mel Spectrogram digunakan untuk merepresentasikan karakteristik spasial data
audio guna meningkatkan performa model dalam klasifikasi suara derau lingkungan.
Penelitian dilakukan menggunakan dataset UrbanSound8k yang terdiri dari 8732 data
audio yang dikelompokkan ke dalam 10 kelas suara lingkungan. Ekstraksi fitur dilakukan
menggunakan Log-Mel Spectrogram, sementara model klasifikasi dibangun menggunakan
metode LSTM dengan beberapa lapisan yang dioptimalkan. Pengujian hyperparameter
dilakukan untuk menentukan kombinasi dropout rate dan learning rate terbaik yang
mendukung kinerja model secara keseluruhan.
Hasil penelitian menunjukkan bahwa kombinasi dropout rate 0.20 dan learning rate
1e-3 menghasilkan performa terbaik. Akurasi pelatihan mencapai 97.60%, dengan
categorical accuracy pengujian sebesar 88.44%, serta nilai evaluasi akurasi 88.49%,
precision 89.14%, recall 88.75%, dan F1-score 88.87%. Pendekatan ini terbukti lebih efektif
dalam mengenali pola temporal suara dibandingkan penelitian sebelumnya yang lebih
banyak berfokus pada fitur spasial.
Kata Kunci : LSTM, Klasifikasi, Audio

Item Type: Thesis (Other)
Uncontrolled Keywords: LSTM, Klasifikasi, Audio
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User: A.Md Eko Suprapti
Date Deposited: 10 Apr 2025 01:48
Last Modified: 10 Apr 2025 01:48
URI: http://eprints.upnyk.ac.id/id/eprint/42309

Actions (login required)

View Item View Item