Klasifikasi Jenis Audio Berdasarkan Kondisi Psikologi Menggunakan Kombinasi Algoritme Self Organizing Maps dan Learning Vector Quantization
| Main Author: | Putra, Rayhan Tsani |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/11165/ |
Daftar Isi:
- Karakteristik dari beberapa jenis audio memiliki pengaruh yang berbeda-beda terhadap emosi manusia dan juga aktifitas apa yang sedang dilakukan. Jika jenis audio atau musik yang didengarkan sesuai dengan kegiatan yang dilakukan dan juga dalam kondisi emosi yang sesuai dengan jenis kegiatan tersebut, maka sangat menguntungkan bagi pendengarnya. Biasanya masyarakat mendengarkan musik yang sudah biasa didengarkan tanpa memperdulikan kondisi yang tepat. Akan lebih baik jika dapat memanfaatkan dan memaksimalkan dampak positif dari audio tersebut dengan cara mendengarkan audio atau musik yang sesuai dengan kondisi. Pemilihan jenis audio secara otomatis berdasarkan input dari pengguna akan sangat mempermudah dan membantu seseorang dalam menentukan jenis audio yang sesuai. Klasifikasi adalah suatu cara pemilihan dari kelompok yang memiliki kemiripan pola dan menghasilkan suatu keluaran berupa nama label suatu kelas. Klasifikasi jenis audio akan sangat membantu dalam menentukan jenis audio yang sesuai. Penelitian ini mengklasifikasikan jenis audio berdasarkan salah satu kondisi psikologi yaitu emosi dan juga beberapa jenis aktifitas menggunakan kombinasi algoritme SOM-LVQ (Self Organizing Map dan Learning Vector Quantization). SOM digunakan sebagai algoritme yang mendampingi dan melatih bobot awal untuk LVQ dikarenakan memiliki struktur dan alur kerja yang hampir sama dengan LVQ. Fitur yang digunakan pada penelitian ini sebanyak 11 yang terdiri dari kondisi psikologi dan jenis kegiatan. Terdapat 4 jenis audio yang menjadi kelas pada penelitian ini. Hasil evaluasi menunjukkan bahwa klasifikasi jenis audio menggunakan kombinasi SOM-LVQ lebih baik daripada hanya LVQ saja, namun data pada penelitian ini bersifat sensitif yang menyebabkan nilai akurasi kurang optimal. Nilai akurasi maksimal yang didapatkan pada penelitian ini adalah 89,583%. Kombinasi algoritme SOM-LVQ mencapai nilai akurasi maksimal tersebut dengan 4 iterasi pelatihan, sedangkan LVQ murni 6 iterasi maksimal. Walaupun dengan nilai akurasi yang sama, SOM-LVQ lebih baik dalam kecepatan mendapatkan nilai optimal (iterasi lebih kecil).