Limantoro, Welly Setiawan (2016) Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5112100017-undergraduate-theses.pdf - Published Version Download (3MB) | Preview |
Abstract
mengalami suatu masalah. Suara tangisan tersebut dapat
digunakan untuk mengidentifikasi masalah pada bayi, seperti
kelaparan, kesakitan, rasa kantuk, rasa tidak nyaman,
kedingingan atau kepanasan, dan lain-lain. Namun, tidak
semua orang dapat mengenali arti tangis bayi tersebut.
Beberapa penelitian tentang deteksi suara tangis bayi
sudah dilakukan oleh beberapa peneliti, namun saat ini masih
belum ada penelitian yang membuat sebuah aplikasi pendeteksi
suara tangis bayi berbasis web. Pada Tugas Akhir ini, sebuah
aplikasi dibuat untuk membantu pengguna mengenali suara
tangis bayi berbasis Dunstan Baby Language. Aplikasi
dikembangkan dengan bahasa pemrograman R versi 3.3.1 dan
package tuneR untuk ekstraksi fitur Mel-Frequency Cepstrum
Coefficient (MFCC). Metode yang diterapkan pada aplikasi ini
adalah ekstraksi fitur suara tangis bayi dengan algoritma
MFCC, normalisasi hasil ekstraksi fitur, dan klasifikasi Knearest
Neighbor.
Dari berbagai pengujian yang dilakukan, dapat
disimpulkan bahwa akurasi rata-rata terbaik sebesar 75,95%
dapat dicapai ketika menggunakan parameter wintime pada
ekstraksi fitur MFCC sebesar 0,08 detik, proporsi data latih
85% dan data uji 15% dari setiap kelas, normalisasi ekstraksi
fitur dengan Standard Deviation Normalization, dan klasifikasi
viii
K-nearest Neighbor dengan k=1. Hasil ini lebih baik jika
dibandingkan dengan metode klasifikasi lain seperti Naive
Bayes, Neural Network, maupun Support Vector Machine.
Penggunaan proporsi data latih berdasarkan persentase data
masing-masing jenis tangis bayi menghasilkan akurasi
klasifikasi yang lebih baik jika dibandingkan dengan
penggunaan jumlah data latih seimbang dari masing-masing
jenis tangis bayi.
Pada pengujian aplikasi dengan seluruh data, akurasi
rata-rata yang sebesar 96,57% dapat dicapai ketika
menggunakan parameter wintime pada ekstraksi fitur MFCC
sebesar 0,08 detik, proporsi data latih 85% setiap kelas,
normalisasi ekstraksi fitur dengan Standard Deviation
Normalization, dan klasifikasi K-nearest Neighbor dengan k=1.
Dari pengujian tersebut, dapat disimpulkan bahwa aplikasi
telah berjalan dengan baik saat mengklasifikasi seluruh data
tangis bayi.
===========================================================
An infant crying sound is a sign of an infant who has
experienced a problem. The sound of crying can be used to
identify problems of infant, such as hunger, pain, drowsiness,
discomfort, cold or heat, and the others. However, not everyone
can recognize the meaning infant's cry.
Several studies of the sound of crying infant detection
had been done by some researchers, but currently there is still
no research that develop an infant cry detection applications
based on web. In this final project, an application is developed
to help users identify the sound of crying infant based on
Dunstan Baby Language. Application is developed with R
programming language version 3.3.1 and tuneR package for
Mel-Frequency Cepstrum Coefficient (MFCC) feature
extraction. The method applied in this application are voice
feature extraction algorithm of crying infant with MFCC,
normalization of feature extraction result, and K-nearest
neighbor classification.
From the various tests performed, it can be concluded
that highest average accuracy 75,95% can be obtained by using
parameters consist of wintime=0,08 seconds in MFCC feature
extraction, 85% the proportion of training data and test data
15% of any class, feature extraction normalization by Standard
Deviation Normalization, and k=1 K-nearest Neighbor
x
classification. This result is better than the other classification
methods such as Naive Bayes, Neural Networks, and Support
Vector Machine. The use of training data proportion from each
type crying infants data based on the percentage resulted in
better classification accuracy when compared with the use of
training data from each type crying infants data based on
balanced amount.
In application testing test by using all data, average
accuracy 96,57% can obtained by using parameters consist of
wintime=0,08 seconds in MFCC feature extraction, 85% of
training data proportion of any class, feature extraction
normalization by Standard Deviation Normalization, and k=1
K-nearest Neighbor classification. From the test, it can be
concluded that the application has been running well when
classifying all infant cry data.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 005.14 Lim r-1 |
| Uncontrolled Keywords: | Mel-Frequency Cepstrum Coefficient, K-nearest Neighbor, Suara Tangis Bayi, Dunstan Baby Language |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA158.7 Computer network resources |
| Divisions: | Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis |
| Depositing User: | EKO BUDI RAHARJO |
| Date Deposited: | 22 Oct 2019 04:19 |
| Last Modified: | 22 Oct 2019 04:19 |
| URI: | http://repository.its.ac.id/id/eprint/71342 |
Actions (login required)
 |
View Item |