KLASIFIKASI BURUNG NOKTURNAL BERDASARKAN SUARA DENGAN DIMENSI FRAKTAL HIGUCHI MENGGUNAKAN KNN DAN SVM

CLASSIFICATION OF NOCTURNAL BIRDS BASED ON SOUND WITH HIGUCHI FRACTAL DIMENSION USING KNN AND SVM

Berdasarkan data dari IUCN Red List yang dilaporkan oleh State of the World's Birds menunjukkan bahwa 49% spesies burung di dunia mengalami penurunan populasi. Angka penurunan populasi burung ini juga dipengaruhi oleh penurunan populasi burung nokturnal, misalnya penurunan populasi yang terjadi pada burung Eastern whip-poor-will, Eurasian stone-curlew, Short-tailed nighthawk, dsb. Burung nokturnal sendiri merupakan hewan yang lebih aktif di malam hari sehingga menjadi sulit untuk ditemui keberadaannya. Selain itu, habitat yang beranekaragam dan beberapa habitat yang sulit dijangkau manusia membuat sulit untuk mengetahui keberadaan suatu spesies burung di suatu wilayah. Namun, suara khas yang dikeluarkan setiap burung dapat dimanfaatkan untuk mendeteksi keberadaan suatu spesies burung nokturnal dengan mengklasifikasikan burung nokturnal berdasarkan dimensi fraktal dari suara yang mereka keluarkan. Pada penelitian ini akan diklasifikasikan burung nokturnal berdasarkan dimensi fraktal Higuchi dari suara yang mereka keluarkan menggunakan metode pengklasifikasian K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Data yang digunakan pada penelitian ini sebanyak 120 data dengan masing-masing 15 data untuk 8 spesies burung yang berbeda, yaitu Eastern whip-poor-will, Eurasian stone-Curlew, European Nightjar, kowak-malam Abu, Pauraque, Short-tailed Nighthawk, Striped Owl, dan Long-tailed Potoo. Tahap pertama yang dilakukan adalah pre-processing pada data dan dilanjutkan dengan ekstraksi ciri data sinyal suara menggunakan Discrete Wavelet Transform (DWT) dengan tipe mother wavelet Daubechies 4 dengan dekomposisi 5 level. Setelah itu, sinyal suara hasil dekomposisi 5 level (ekstraksi ciri) dicari nilai dimensi fraktalnya dengan metode Higuchi dan dalam penelitian ini nilai parameter yang menentukan jumlah maksimum interval atau skala untuk menghitung dimensi fraktal (K-max) yang digunakan adalah K-max = 50 dan K-max = 60 sebagai percobaan. Nilai dimensi fraktal dari sinyal suara burung nokturnal yang diperoleh dibagi menjadi data latih dan data uji yang selanjutnya diklasifikasikan menggunakan metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Dari penelitian ini diperoleh akurasi tertinggi sebesar 87,50% pada K-max metode Higuchi 50 dan 60 menggunakan metode KNN dan hasil akurasi yang sama yaitu 87,50% juga diperoleh saat menggunakan SVM pada K-max = 60.

Kata Kunci        :             Suara, Burung nokturnal, Dimensi Fraktal Higuchi, KNN, SVM.

Based on data from the IUCN Red List reported by State of the World's Birds, 49% of bird species in the world are experiencing population decline. The decline in bird populations is also influenced by the decline in nocturnal bird populations, for example the decline in populations that occurred in Eastern whip-poor-will, Eurasian stone-curlew, Short-tailed nighthawk, etc. Nocturnal birds are nocturnal animals that are more active at night, making them difficult to find. In addition, diverse habitats and some habitats that are difficult for humans to reach make it difficult to know the presence of a bird species in an area. However, the distinctive sound emitted by each bird can be utilized to detect the presence of a nocturnal bird species by classifying nocturnal birds based on the fractal dimension of the sound they emit. In this study, nocturnal birds will be classified based on the Higuchi fractal dimension of the sounds they emit using the K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) classification methods. The data used in this study are 120 data with 15 data each for 8 different bird species, namely Eastern whip-poor-will, Eurasian stone-Curlew, European Nightjar, Black-crowned Night Heron, Pauraque, Short-tailed Nighthawk, Striped Owl, and Long-tailed Potoo. The first stage carried out is pre-processing the data and continued with the extraction of sound signal data characteristics using Discrete Wavelet Transform (DWT) with Daubechies 4 mother wavelet type with 5-level decomposition. After that, the sound signal resulting from the 5-level decomposition (feature extraction) is sought for its fractal dimension value using the Higuchi method and in this study the parameter value that determines the maximum number of intervals or scales to calculate the fractal dimension (K-max) used is K-max = 50 and K-max = 60 as an experiment. The fractal dimension values of the nocturnal bird sound signals obtained are divided into training data and test data which are then classified using the K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) methods. From this study, the highest accuracy of 87.50% was obtained at K-max Higuchi method 50 and 60 using KNN method and the same accuracy result of 87.50% was also obtained when using SVM at K-max = 60.

Keywords          :             Voice, Nocturnal birds, Higuchi Fractal Dimension, KNN, SVM.