Digilib | Universitas Negeri Surabaya

Jenis Dokumen

Disertasi
Karya Akhir S1
Karya Akhir S2
Karya Akhir S3
Skripsi
Tesis
Tugas Akhir D3
Tugas Akhir D4

Fakultas

Ilmu Pendidikan
Bahasa & Seni
Matematika dan Ilmu Pengetahuan Alam
Ilmu Sosial & Politik
Hukum
Psikologi
Teknik
Ekonomika dan Bisnis
Ilmu Keolahragaan dan Kesehatan
Vokasi
Pascasarjana

KLASIFIKASI SUARA TANGISAN BAYI MENGGUNAKAN DIMENSI FRAKTAL HIGUCHI DENGAN K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE

Kode Dokumen : 0008/FMIPA-MAT/2020

Penulis Utama : DYAH WIDHYANTI

NIM Penulis Utama: 16030214012

Tahun : 2020

Judul ID : KLASIFIKASI SUARA TANGISAN BAYI MENGGUNAKAN DIMENSI FRAKTAL HIGUCHI DENGAN K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE

Judul EN : CLASSIFICATION OF BABY CRY SOUND USING HIGUCHIS FRACTAL DIMENSION WITH K-NEAREST NEIGHBOR AND SUPPORT VECTOR MACHINE

Sumber : UNESA - Fakultas Matematika dan Ilmu Pengetahuan Alam - Jurusan S1 Matematika - 16030214012 - 2020

Jenis Dokumen : Skripsi

Abstrak ID :

Nama : Dyah Widhyanti

NIM : 16030214012

Program Studi : S-1 Matematika

Jurusan : Matematika

Fakultas : Matematika dan Ilmu Pengetahuan Alam

Nama Lembaga : Universitas Negeri Surabaya

Pembimbing : Prof. Dr. Dwi Juniati, M.Si.

Suara tangisan bayi merupakan salah satu cara bayi untuk mengungkapkan kondisi fisik dan psikologi yang sedang dialami. Dari suara tangisan bayi, orang tua atau pengasuh diharapkan dapat mengerti maksud tangisan tersebut. Sehingga, perlu dilakukan penelitian tentang karakteristik suara tangisan bayi dari segi matematisnya yaitu berdasarkan nilai dimensi fraktal. Tujuan penelitian ini adalah dapat mengklasifikasikan suara tangisan bayi berdasarkan nilai dimensi fraktal dari beberapa kondisi bayi menggunakan metode Higuchi. Data yang digunakan dalam penelitian ini berjumlah 80 data yang terdiri 4 jenis tangisan bayi yaitu dalam kondisi lapar, lelah, sakit perut, dan tidak nyaman yang diperoleh dari website yang diunggah oleh Gabor Veres di GitHub. Proses pertama dari penelitian ini adalah pre-processing sinyal yang terdapat dua tahap yaitu proses filtering yang dilanjutkan dengan proses normalisasi. Selanjutnya dilakukan ekstraksi ciri menggunakan metode Discrete Wavelet Transform (DWT) dengan tipe mother wavelet Daubechies yaitu Db4 dengan dekomposisi wavelet 5 level. Dari proses tersebut dihasilkan sinyal aproksimasi dengan domain waktu diubah ke dalam domain frekuensi dengan algoritma Fast Fourier Transform (FFT). Sinyal aproksimasi hasil dari proses FFT selanjutnya dihitung nilai dimensi fraktal dengan menggunakan metode Higuchi. Dalam penelitian ini dipilih nilai k-max 10, 16, dan 50 sebagai percobaan. Hasil nilai dimensi fraktal dari setiap sinyal suara selanjutnya dilakukan proses pembagian data. Dalam penelitian ini menggunakan metode pembagian data k-fold cross validation dengan nilai . Selanjutnya dilakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Pada penelitian ini dipilih nilai sebagai percobaan pada metode KNN. Sedangkan pada metode SVM dipilih nilai dengan fungsi kernel yaitu linear kernel, polynomial kernel, dan RBF kernel sebagai percobaan. Berdasarkan hasil penelitian diperoleh akurasi terbaik yaitu sebesar 78,75% pada dekomposisi level 5 dengan 5-fold cross validation, nilai k-max = 10 dan nilai pada metode KNN. Sedangkan pada metode SVM diperoleh akurasi terbaik sebesar 80% pada dekomposisi level 5 dengan 10-fold cross validation, nilai k-max = 10 dan nilai serta menggunakan RBF kernel dengan . Sehingga pada penelitian ini metode Support Vector Machine (SVM) lebih baik daripada metode K-Nearest Neighbor (KNN).

Kata kunci : Suara tangisan bayi, dimensi fraktal Higuchi, Nearest Neighbor (KNN), Support Vector Machine (SVM).

Abstrak EN :

Name : Dyah Widhyanti

NIM : 16030214012

Study Program : S-1 Mathematics

Department : Mathematics

Faculty : Mathematics and Science

Institution : Universitas Negeri Surabaya

Advisor : Prof. Dr. Dwi Juniati, M.Si.

The sound of crying babies is one way for babies to express the physical and psychological conditions that are being experienced. From the sound of crying babies, parents or caregivers are expected to understand the purpose of the crying. So, research needs to be done about the characteristics of the baby's crying sound in terms of mathematical that is based on fractal dimension values. The purpose of this study was to be able to classify the sound of crying babies based on fractal dimension values of several infant conditions using the Higuchi method. The data used in this study amounted to 80 data consisting of 4 types of crying babies namely in conditions of hunger, fatigue, stomach ache, and discomfort obtained from the website uploaded by Gabor Veres in the GitHub. The first process of this research is signal pre-processing which consists of two stages, namely the filtering process followed by the normalization process. Furthermore, feature extraction using the Discrete Wavelet Transform (DWT) method with the Daubechies mother wavelet that Db4 with 5 level wavelet decomposition. From this process, an approximation signal with the time domain is converted into the frequency domain using the Fast Fourier Transform (FFT) algorithm. Signal approximation results from the FFT process are then calculated fractal dimension values using the Higuchi method. In this study k-max values of 10, 16, and 50 were selected as experiments. The results of the fractal dimension value of each sound signal are then carried out in the data distribution process. In this study using the k-fold cross-validation with . The classification process performed using the K-Nearest Neighbor (KNN) method and Support Vector Machine (SVM). In this study, several trials were conducted with for KNN. Whereas the SVM method uses linear kernel, polynomial kernel, and RBF kernel then selected value and as an experiment. Based on the results of the study obtained the best evaluation that is equal to 78.75% at the level of decomposition 5 with 5-fold cross validation, k-max = 10 and the value of K = 9 in the KNN method. The SVM method obtained the best accuracy of 80% at level 5 decomposition with 10-fold cross validation, k-max=10 and and using a RBF kernel with . So that in this study the SVM method is better than the KNN method.

Keywords: Baby cry sound, Higuchi fractal dimension, K-Nearest Neighbor (KNN), Support Vector Machine (SVM).

Tautan Artikel

File Abstrak

File Lampiran