Aplikasi pendeteksi suara audition 2.0 dengan optimalisasi supervised learning

Gautama, Gian (2014) Aplikasi pendeteksi suara audition 2.0 dengan optimalisasi supervised learning. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] Text
HALAMAN AWAL.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)
[img]
Preview
Text
BAB I.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (762kB) | Preview
[img]
Preview
Text
BAB II.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
BAB III.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (795kB) | Preview
[img] Text
BAB IV.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)
[img]
Preview
Text
BAB V.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (754kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (902kB) | Preview
[img] Text
LAMPIRAN.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)

Abstract

AudiTion adalah aplikasi yang bisa mendeteksi suara dan mengubahnya ke bentuk visual. Di sini dilakukan penelitian yang bertujuan untuk membuat aplikasi yang bisa memaksimalkan akurasi prediksi dalam mendeteksi suara di supervised learning. MATLAB digunakan sebagai media perancangan untuk membuat aplikasi dan diuji dengan beberapa fitur ekstraksi sebagai pre-processing-nya, dan menggunakan beberapa jenis learning dalam processing-nya. Metode penelitian yang digunakan adalah deksriptif kuantitatif dengan menjabarkan data-data hasil pengujian dan membandingkannya untuk mencari yang terbaik. Penelitian juga menggunakan empat jenis kondisi dalam pengujian yang berhubungan dengan letak sumber suara dan noise. Dalam pengujian, digunakan lima fitur ekstraksi yaitu Mel frequency cepstral coefficients (MFCC), centroid, root mean square (RMS), low energy dan kombinasi (centroid, RMS, & low energy). Kemudian digunakan lima jenis learning dalam ranah supervised learning, yaitu dicriminant analysis, AdaBoostM2, decision tree, K-nearest neighbors (KNN), dan naive bayes. Database yang digunakan terdiri dari empat jenis suara indoor. Hasil penelitian yang mengujikan semua penggunaan fitur, jenis learning, dan kondisi tersebut bervariasi dengan hasil maksimal sebesar 77,5 % pada kriteria jenis fitur MFCC, jenis learning discriminant analysis, dan pada kondisi jauh hening. Dari hasil tersebut, dilakukan pengujian lebih lanjut dengan mengurangi jenis suara, menjadi tiga suara. Akurasi prediksi hasil pengujian lanjutan tersebut adalah 80%, dan menjadi 70% ketika noise ditambahkan pada kondisi pengujian. Kemudian pengujian dengan jenis suara outdoor sebagai pembanding mendapatkan hasil 60%. Dapat disimpulkan bahwa optimalisasi supervised learning tidak bisa mencapai taraf kepuasan dan masih terikat pada jenis suara yang digunakan. Hasil yang tidak mencapai taraf kepuasan dan keterikatan pada jenis suara menunjukkan perlunya penelitian dengan metode learning di luar supervised agar bisa menggunakan banyak jenis suara dengan bebas.

Item Type: Thesis (Bachelor Thesis)
Subjects: 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 000 Computer Science, Information and General Works
Divisions: Faculty of Engineering & Informatics > Computer Engineering
Depositing User: mr admin umn
Date Deposited: 02 Aug 2017 07:30
Last Modified: 27 Jan 2023 02:04
URI: https://kc.umn.ac.id/id/eprint/1553

Actions (login required)

View Item View Item