KLASIFIKASI SUARA TANGISAN BAYI BERDASARKAN PROSODIC FEATURES MENGGUNAKAN METODE K-NEAREST NEIGHTBOUR

ADITYA SINGGI PRAYOGI, 04315037 (2019) KLASIFIKASI SUARA TANGISAN BAYI BERDASARKAN PROSODIC FEATURES MENGGUNAKAN METODE K-NEAREST NEIGHTBOUR. Undergraduate thesis, UNIVERSITAS NAROTAMA.

	Text (HALAMAN JUDUL) HALAMAN JUDUL.pdf Download (5MB)
	Text (BAB I) BAB 1.pdf Download (1MB)
	Text (BAB II) BAB 2.pdf Download (7MB)
	Text (BAB III) BAB 3.pdf Download (3MB)
	Text (BAB IV) BAB 4.pdf Restricted to Repository staff only Download (6MB)
	Text (BAB V) BAB 5.pdf Download (730kB)
	Text (DAFTAR PUSTAKA DAN LAMPIRAN) DAFTAR PUSTAKA DAN LAMPIRAN.pdf Download (2MB)

Abstract

Banyak orang tidak paham tentang arti dari suara tangisan bayi. Suara tangisan bayi merupakan sinyal dari si bayi untuk menyampaiklan kondisi bayi saat ini. Dengan mengerti arti dari suara tangisan bayi kesalahan dalam merawat si bayi dapat diminimalisir. Bayi yang mendapatkan perawatan yang baik tentu akan merasa nyaman dan tidak gampang sakit. Untuk mengidentifikasi kebutuhan bayi berdasarkan suara tangisan bayi dapat dilakukan dengan menggunakan komputer. Komputer dapat mengidentifikasi suara tangisan bayi menggunakan algoritma klasifikasi.Algoritma yang dapat digunakan untuk melakukan klasifikasi adalah K-Nearest Neighbour. Untuk melakukan klasifikasi suara bayi perlu diubah menjadi data numerik yang dapat digunakan pada proses klasifikasi proses tersebut dinamakan ekstraksi fitur. Ekstraksi fitur yang digunakan pada penelitian ini adalah Prosodic Features.Setelah melewati proses ekstraksi fitur perlu dilakukan pengenalan pola untuk mendapatkan perbedaan antara satu data dengan data yang lain. Menggunakan Metode . Hasil ekstraksi fitur menggunakan Prosodic Features nanti yang akan menentukan hasil akurasi setelah melewati tahap klasifikasi. Setelah proses klasifikasi dilakukan dirasa kurang baik maka digunakanlah algoritma Clustering menggunakan algoritma K-Means. Penggunaan algoritma K-Means bertujuan untuk memfilter data mana yang memiliki pola yang sama kemudian dikelompokkan. Setelah melewati proses Clustering dilanjutkan kembali proses klasifikasi untuk mendapatkan akurasi. Akurasi data terbaik menggunakan proses klasifikasi yaitu 80% dimana nilai K yang digunakan adalah 9, sedangkan setelah melewati proses Clustering akurasi terbaik adalah 96% dimana nilai K yang digunakan adalah 9. Kata Kunci: Data Mining, suara tangisan bayi, K-Nearest neighbours, K-Means

Item Type:	Thesis (Undergraduate)
Subjects:	A General Works > AI Indexes (General) T Technology > T Technology (General)
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Repository Administrator
Date Deposited:	22 Feb 2022 03:52
Last Modified:	22 Feb 2022 03:52
URI:	http://repository.narotama.ac.id/id/eprint/1056

Actions (login required)

View Item

["lib/irstats2:embedded:summary_page:eprint:downloads" not defined]