Klasifikasi pengenal suara kicau burung menggunakan metode Linear Predictive Coding (LPC) dan nearest neighbor

INDONESIA:

Spesies burung merupakan salah satu hewan yang banyak digemari, mulai dari ukuran, warna bulu, dan juga kicauannya. Burung berkicau mempunyai daya tarik tersendiri bagi para penggemar sampai para ilmuan. Berdasarkan beberapa penelitian yang telah dilakukan dan selama ini usaha untuk mengidentifikasi spesies burung dilakukan berdasarkan bentuk morfologinya. Sedangkan Sebuah sistem yang mampu mengklasifikasikan berdasarkan identitas atau ciri suara belum banyak dilakukan secara intensif. Penelitian ini menghasilkan sebuah model klasifikasi suara kicau jenis burung sebagai salah satu alternatif penyelesaian masalah dalam pengenal jenis burung berdasarkan suara kicaunya dengan data hasil rekaman suara jenis burung yang digunakan adalah perkutut, lovebird, kacer, murai batu, dan cucak hijau. Karena jenis burung-burung tersebut yang umum dipelihara oleh individu. Metodelogi penelitian yang diterapkan dalam sistem adalah Linear Predictive Coding (LPC) sebagai feature extraction dan Nearest Neighbor digunakan sebagai klasifikasi untuk mendapatkan pola yang identik cocok berdasarkan jarak data, kebeberapa data terdekat. Hasil penelitian ini berupa: (1). Pembuatan sistem klasifikasi pengenal suara kicau burung memanfaatkan aplikasi Matrix Laboratory atau Matlab (2). pengujian akurasi K-Fold Cross Validation didapatkan akurasi sebesar 60%, presisi 60%, recall 80%. (3). Berdasarkan total kinerja sistem yang telah didapatkan, maka dapat diambil kesimpulan dengan implementasi metode Linear Predictive Coding (LPC) sebagai ekstraksi ciri dan Nearest Neighbor dapat digunakan untuk mengklasifikasikan pengenal jenis burung lovebird, kacer, murai batu, dan cucak hijau berdasarkan suara kicaunya.

ENGLISH:

Bird species are one of the most popular animals, ranging in size, color of feathers, and also their tweets. Birds singing has a special attraction for fans to scientists. Based on several studies that have been carried out and so far efforts to identify bird species have been carried out based on their morphological forms. While a system that is able to classify based on identity or sound characteristics has not been done intensively. This study produced a sound classification model for birds chirping as an alternative problem solving in bird species recognition based on the sound of chirping with the data recorded by the sound types of birds used were Perkutut, Lovebird, Kacer, Murai batu, and Cucak hijau. Because the types of birds are commonly maintained by individuals. The research methodology applied in the system is the Linear Predictive Coding (LPC) as a feature extraction and Nearest Neighbor is used as a classification to get identical matching patterns based on the distance of the data, to some of the closest data. The results of this study are: (1). Making a classification system for bird chirping voice recognition utilizes Matrix Laboratory or Matlab applications (2). Testing the accuracy of K-Fold Cross Validation obtained an accuracy of 60%, 60% precision, 80% recall. (3). Based on the total system performance that has been obtained, it can be concluded that the implementation of the Linear Predictive Coding (LPC) method as feature extraction and Nearest Neighbor can be used to classify Lovebird, Kacer, Murai batu, and Cucak hijau species based on their chirping sounds.