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

Penulis yang mempublikasikan artikelnya dalam jurnal ini setuju dengan ketentuan berikut :


  1. Hak cipta tetap pada penulis dan memberikan hak kepada jurnal Techno.Com sebagai prioritas pertama untuk mempublikasikan artikelnya dengan lisensi Creative Commons Attribution License yang memperbolehkan artikel untuk dapat dibagikan dengan pengakuan terhadap penulis artikel dan jurnal ini sebagai tempat publikasinya.
  2. Penulis dapat mendistribusikan publikasi artikelnya secara non-eksklusif (contoh : pada repository universitas atau pada buku) dengan pemberitahuan atau pengakuan publikasi di jurnal Techno.Com.
  3. Penulis diijinkan untuk mencantumkan karyanya secara online (misal : di website pribadi atau di repository universitas) sebelum dan sesudah proses pengiriman (lihat The Effect of Open Access).