Deteksi Suara Suling Sunda Menggunakan Metode Key-Nearest Neighbor

Authors

DOI:

https://doi.org/10.62411/tc.v23i2.9817

Keywords:

Suling, Suara, KNN, Pembelajaran Mesin, Telepon Pintar

Abstract

Suling Sunda merupakan alat musik tiup tradisional yang memiliki berbagai jenis. Masing-masing jenis suling Sunda memiliki karakteristik suara yang berbeda-beda. Hal ini menghasilkan keindahan suara yang beragam, mulai dari suara yang lembut dan mendayu-dayu hingga suara yang ceria dan dinamis. Namun, mengenali jenis suling Sunda tidaklah mudah bagi sebagian orang. Oleh karena itu, diperlukan metode deteksi suara suling Sunda yang dapat dilakukan secara otomatis.Penelitian ini telah berhasil mengembangkan metode deteksi suara suling Sunda dengan metode KNN. Metode KNN dipilih karena lebih sederhana dan menghasilkan akurasi yang tinggi. Hasil penelitian menunjukkan bahwa model KNN dengan nilai k=5 memiliki akurasi sebesar 79,76% pada data uji. Akurasi ini meningkat menjadi 82,5% pada pengujian aplikasi. Penelitian ini memberikan kontribusi yang penting dalam pengembangan teknologi deteksi suara suling Sunda. Metode KNN yang dikembangkan terbukti dapat menghasilkan akurasi yang tinggi, sehingga dapat menjadi solusi untuk mengenali jenis suling Sunda secara otomatis. Implementasi model KNN pada smartphone Android juga dapat menjadi sarana untuk memperkenalkan teknologi kecerdasan buatan kepada generasi muda Indonesia. Aplikasi ini dapat digunakan untuk mendeteksi jenis suling Sunda secara langsung, sehingga dapat membantu generasi muda untuk lebih memahami keberagaman jenis-jenis suara suling Sunda.

References

J. Kaur and W. Singh, “Tools, techniques, datasets and application areas for object detection in an image: a review,” Multimed Tools Appl, vol. 81, no. 27, pp. 38297–38351, Nov. 2022, doi: 10.1007/s11042-022-13153-y.

A. I. Putra and R. R. Santika, “Implementasi Machine Learning dalam Penentuan Rekomendasi Musik dengan Metode Content-Based Filtering,” Edumatic : Jurnal Pendidikan Informatika, vol. 4, no. 1, pp. 121–130, Jun. 2020, doi: 10.29408/edumatic.v4i1.2162.

F. S. Muhammad, Y. N. Indrawaty, and I. D. Amelia, “Identifikasi Nada antara Suling Sunda dan Suling Rekorder dengan menggunakan Metode Mel Frequency Cepstral Coefficients (MFCC) dan Dynamic Time Warping (DTW),” vol. 7, no. 1, pp. 145–154, 2020, doi: 10.25126/jtiik.202071649.

M. Nur Habibah, M. Dhurrotun Faiqoh, F. Harris Saputra, P. studi Tadris Fisika, and F. Ilmu Tarbiyah dan Keguruan, “Analisis Perbandingan Frekuensi Gelombang Bunyi dengan Tangga Nada pada Alat Musik menggunakan Aplikasi Phypox,” Jurnal Cerdik: Jurnal Pendidikan dan Pengajaran, vol. 2, no. 2, Jun. 2023, Accessed: Dec. 29, 2023. [Online]. Available: https://jurnalcerdik.ub.ac.id/index.php/jurnalcerdik/index

I. M. Ade Prayoga, G. Indrawan, and D. G. Hendra Divayana, “Pengelompokan Laras Suara Berdasarkan Pepatutan Atau Pathet Gamelan Bali Menggunakan Klasifikasi K-Nearest Neighbor Dan Support Vector Machine,” Technomedia Journal, vol. 8, no. 2SP, pp. 151–161, Jun. 2023, doi: 10.33050/tmj.v8i2sp.2011.

I. P. Rama Anadya, I. G. Agung Gede, I. D. Made Bayu, and dkk, “Klasifikasi Aksara Bali Berbasis Suara Dengan Metode KNN dan FastDTW,” Jurnal Elekronik Ilmu Komputer Udayana, vol. 11, no. 3, pp. 581–586, Feb. 2023, doi: https://doi.org/10.24843/JLK.2023.v11.i03.p14.

A. Shandy, M. Thomas, R. Chandra, and H. Agung, “Perancangan Rekomendasi Lagu Menggunakan Algoritma K-Nearest Neighbor,” Journal Information Engineering and Educational Technology, vol. 4, no. 1, pp. 41–46, 2020, doi: https://doi.org/10.26740/jieet.v4n1.p41-46.

M. Rivaldo and I. K. Gede Suharta, “Sistem Rekomendasi Musik dengan Menggunakan Metode K-Nearest Neighbor (KNN),” vol. 11, no. 4, pp. 675–680, May 2023, doi: https://doi.org/10.24843/JLK.2023.v11.i04.p04.

S. N. Luqman et al., “Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM,” Jurnal Sistem Cerdas, vol. 4, no. 2, pp. 114–125, 2021, doi: https://doi.org/10.37396/jsc.v4i2.162.

G. Ayu and V. M. Giri, “Klasifikasi Musik Berdasarkan Genre dengan Metode K-Nearest Neighbor,” Jurnal Ilmu Komputer, vol. 10, no. 2, pp. 103–108, 2020, Accessed: Dec. 28, 2023. [Online]. Available: https://erepo.unud.ac.id/id/eprint/19498

F. Fadlila Surenggana, A. Aranta, and F. Bimantoro, “Mood Music Classification using K-Nearest Neighbor with Mel Frequency Cepstral Coefficients,” Jurnal Teknologi Informasi, Komputer dan Aplikasinya (JTIKA), vol. 4, no. 2, pp. 263–276, Sep. 2022, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/

M. Sudarma, “Implementasi Algoritma K-Nearest Neighbor pada Perangkat Lunak Pengelompokan Musik untuk Menentukan Suasana Hati,” Teknologi Elektro Universitas Udayana, vol. 16, no. 1, pp. 15–19, 2020, [Online]. Available: https://www.researchgate.net/publication/341341290

M. S. Fajri, N. Septian, and E. Sanjaya, “Evaluasi Implementasi Algoritma Machine Learning K-Nearest Neighbors (kNN) pada Data Spektroskopi Gamma Resolusi Rendah,” Al-Fiziya: Journal of Materials Science, Geophysics, Instrumentation and Theoretical Physics, vol. 3, no. 1, pp. 9–14, Aug. 2020, doi: 10.15408/fiziya.v3i1.16180.

A. Eviyanti et al., “Extraction of EEG Signal Recording Features using Discrete Wavelet Transform (DWT) Method For Classification Of Ictal Epilepsy,” Procedia Of Social Sciences and Humanities, pp. 788–793, 2022, [Online]. Available: https://pssh.umsida.ac.id.

P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, and D. N. Rutledge, “New data preprocessing trends based on ensemble of multiple preprocessing techniques,” TrAC - Trends in Analytical Chemistry, vol. 132. Elsevier B.V., Nov. 01, 2020. doi: 10.1016/j.trac.2020.116045.

K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Global Transitions Proceedings, vol. 3, no. 1, pp. 91–99, Jun. 2022, doi: 10.1016/j.gltp.2022.04.020.

L. Ode, H. S. Sagala, and A. Harjoko, “Perbandingan Ekstraksi Ciri Full, Blocks, dan Row Mean Spectrogram Image Dalam Mengidentifikasi Pembicara,” IJCCS, vol. 8, no. 2, pp. 155–164, 2014.

I. A. Angreni, S. A. Adisasmita, M. I. Ramli, and S. Hamid, “Pengaruh Nilai K Pada Metod K-Nearest Neighbor (KNN) terhadap tingkat Akurasi Identifikasi Kerusakan Jalan,” Rekayasa Sipil, vol. 7, no. 2, p. 63, Jan. 2019, doi: 10.22441/jrs.2018.v07.i2.01.

Hasran, “Indonesian Journal of Data and Science Klasifikasi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor,” vol. 1, no. 1, pp. 6–10, 2020, [Online]. Available: http://bit.ly/datasetcardio.

I. Guntoro, D. Marisa Midyanti, and R. Hidayati, “Penerapan Dropout pada Jaringan Saraf Tiruan Backpropagation dalam menglasifikasi tingkat Fine Fuel Moisture Code (FFMC) untuk Kebakaran Hutan dan Lahan,” Jurnal Komputer dan Aplikasi, vol. 10, no. 1, pp. 114–123, 2022, doi: http://dx.doi.org/10.26418/coding.v10i01.52734.

M. J. Hartmann and G. Carleo, “Neural-Network Approach to Dissipative Quantum Many-Body Dynamics,” Phys Rev Lett, vol. 122, no. 25, Jun. 2019, doi: 10.1103/PhysRevLett.122.250502.

H. Hafid, “Penerapan K-Fold Cross Validation untuk Menganalisis Kinerja Algoritma K-Nearest Neighbor pada Data Kasus Covid-19 di Indonesia,” Journal of Mathematics, vol. 6, no. 2, pp. 161–168, 2023, doi: https://doi.org/10.35580/jmathcos.v6i2.53043.

H. Azis, P. Purnawansyah, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung,” ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 81–86, Aug. 2020, doi: 10.33096/ilkom.v12i2.507.81-86.

D. Chicco and G. Jurman, “The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,” BMC Genomics, vol. 21, no. 1, Jan. 2020, doi: 10.1186/s12864-019-6413-7.

A. Dengen, “Implementation of Eigenfacace Algorithm for Identification of Anopheles in Smartphones,” Jurnal Teknik Informatika (JUTIF), vol. 3, no. 1, pp. 113–122, 2022, doi: 10.20884/1.jutif.2022.3.1.158.

Downloads

Published

2024-05-18

Issue

Vol. 23 No. 2 (2024): Mei 2024

Section

Articles

License

 

License Terms

All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:

1. Attribution

Readers and users are free to:

  • Share – Copy and redistribute the material in any medium or format.

  • Adapt – Remix, transform, and build upon the material.

As long as proper credit is given to the original work by citing the author(s) and the journal.

2. Non-Commercial Use

  • The material cannot be used for commercial purposes.

  • Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.

3. Rights of Authors

  • Authors retain copyright and grant Techno.COM Journal the right to publish the article.

  • Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.

4. No Additional Restrictions

  • The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.

5. Disclaimer

  • The journal is not responsible for how the published content is used by third parties.

  • The opinions expressed in the articles are solely those of the authors.

For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/

 

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.