Penerapan Metode Levenshtein Distance untuk Mengukur Similaritas pada Pola Suara Burung yang Menggunakan Discrete Cosine Transform
Article Sidebar
Main Article Content
Abstract
Pengenalan suara burung untuk mengetahui jenis burung sering dilakukan pada penelitian, karena burung sering terdengar dari pada kelihatan bentuk fisiknya. Berbagai macam ragam suara burung sangatlah menarik untuk dilakukan penelitian. Penelitian kali ini menggunakan metode levenshtein distance untuk mengetahui similaritas suara burung pada data ekstraksi fitur yang menggunakan metode discrete cosine transform (DCT). Data yang di-input adalah suara burung Kenari, Red Lories, Beo Merah Meksiko dengan jenis format fail WAV. Langkah penelitian ini adalah data suara burung WAV diekstraksi fitur diantaranya (1) Hamming Widowing, (2) FFT, (3) Mel Filter Bank, dan (4) DTC. Setelah mendapatkan nilai ekstraksi fitur DCT, maka data dibagi menjadi data target (T) dan data sumber (S) untuk dicari nilai similaris menggunakan metode levenshtein distance. Langkah-langkah untuk mendapatkan similaritas di antaranya (1) input nilai DTC data T dan Input nilai DTC data S, (2) menghitung jarak levenshtein distance, dan (3) menghitung nilai similaritas. Hasil yang didapat similaritas pada jenis suara burung Kenari data T dan suara burung Kenari data S memiliki similaritas 37% dan 32%. Jenis suara burung Red Lories data T dan suara burung Red Lories data S memiliki nilai similaritas 16%, 32% dan 21% dan Suara burung Beo Merah Meksiko tingkat similaritas data T dan data S memiliki nilai 58% dan 16%.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Eksplora Informatika bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di Jurnal Eksplora Informatika setuju dengan ketentuan berikut:
- Penulis memegang hak cipta dan memberikan hak publikasi pertama kepada Jurnal Eksplora Informatika menggunakan lisensi Creative Commons Attribution-ShareAlike 4.0.
- Penulis diizinkan untuk mengarsipkan/menggunggah/meyimpan artikel mereka, misalnya dalam repositori institusional atau situs web/blog penulis, namun diharapkan agar memberikan rincian bibliografi yang menghargai publikasi di jurnal ini.
- Jurnal Eksplora Informatika berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- Jurnal Eksplora Informatika berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
References
C. Jarne, “MethodsX A method for estimation of fundamental frequency for tonal sounds inspired on bird song studies,” MethodsX, vol. 6, pp. 124–131, 2019.
H. Nugroho, W. Widodo, and A. Rachman, “Pattern recognition bird sounds based on their type using discrete cosine transform and gaussian methods,” vol. 4, no. 3, pp. 233–240, 2019.
J. Xie and M. Zhu, “PT US CR,” Ecol. Inform., 2019.
T. Tuncer, E. Akbal, and S. Dogan, “Multileveled ternary pattern and iterative ReliefF based bird sound classification,” Appl. Acoust., vol. 176, p. 107866, 2021.
X. Zhang, A. Chen, G. Zhou, Z. Zhang, X. Huang, and X. Qiang, “Ecological Informatics Spectrogram-frame linear network and continuous frame sequence for bird sound classi fi cation,” Ecol. Inform., vol. 54, no. August, p. 101009, 2019.
R. Pahuja and A. Kumar, “Sound-spectrogram based automatic bird species recognition using MLP classifier,” Appl. Acoust., vol. 180, p. 108077, 2021.
M. Ben Lazreg, M. Goodwin, and O. Granmo, “Computer Speech & Language Combining a context aware neural network with a denoising autoencoder for measuring string similarities,” Comput. Speech Lang., vol. 60, p. 101028, 2020.
N. Fadhillah, “Validasi Pencarian Kata Kunci Menggunakan Algoritma Levenshtein Distance Berdasarkan Metode Approximate String Matching,” vol. 3, no. 2, pp. 3–7, 2018.
Pengenalan Pola , Aplikasi untuk pengenalan wajah, analisis tekstur objek, pengenalan pola plat nomor kendaraan, dan segmentasi pembuluh darah. Yogyakarta: Graha Ilmu.
J. Abreu and J. R. Rico-juan, “Characterization of contour regularities based on the Levenshtein edit distance,” Pattern Recognit. Lett., vol. 32, no. 10, pp. 1421–1427, 2011.
B. Indonesia, M. Metode, and N. Levenshtein, “Identifikasi Kesalahan Penulisan Kata ( Typographical Error ) pada Dokumen Identifikasi Kesalahan Penulisan Kata ( Typographical Error ) pada Dokumen Berbahasa Indonesia Menggunakan Metode N-gram dan Levenshtein Distance,” no. August, 2017.
J. L. B. Y.R. Prayogi, “Identifikasi parameter optimal Gaussian Mixture Model pada Identifikasi pembicara di lingkungan berdearau menggunakan residu deteksi Endpoin,” J. Ilm. Teknol. Inf., vol. 13, no. 2, pp. 198–206, 2015.
Manan Vyas, “A Gaussian Mixture Model Based Speech Recognition System Using Matlab,” Signal Image Process. J. (SIPJ), vol. 4, no. 4, pp. 109–118, 2013.
R. D. A. Donanda Khabi Putra, Iwan Iwut. T, “Simulasi dan Analisis speaker recognition menggunakan Metode Mel Frequency Cepstrum Coefficient (MFCC) dan Gaussian Mixtrue Model (GMM),” e-proceding Eng., vol. 4, no. 2, pp. 1766–1772, 2017.
P. V. P. Upadhyaya, O. Farroq, M.R Abidi, “Comparative Study of Visual Feature for Bimodal Hindi Speech Recognition,” Arch. Accoustics PAN, vol. 40, no. 4, pp. 609–619, 2015.
X. Cheng and Q. Duan, “Speech Emotion Recognition Using Gaussian Mixture Model,” in in 2012 The 2nd International Conference on Computer Application and System Modeling, 2013, pp. 1222–1225.
Sukhdeep Kaur, ER. Gurwinder Kaur, “Enhancement of Speech Recognition Algorithm Using DCT and Inverse WAVe Transformation,” ournal Eng. Res. Appl., vol. 3, no. 6, pp. 749–754, 2013.
F. Suherdiansyah, “Klasisfikasi gerak bibir berdasarkan pola suara menggunakan metode Mel-Frequency Cepstrum Coefficients(MFCC) dan Hiden Markov Model (HMM) untuk Mengenal kata sederhana,” 2019.
