Journal of Information Technology and System Integration

ANALISIS PENGARUH NOISE PADA SPEECH RECOGNITION MENGGUNAKAN MFCC DAN SVM

Joelianto Darmawan — 2026-07-06

Speech recognition merupakan teknologi yang banyak digunakan pada sistem berbasis suara, namun performanya dapat menurun akibat keberadaan noise pada sinyal audio. Penelitian ini bertujuan menganalisis pengaruh noise terhadap kinerja sistem speech recognition menggunakan ekstraksi fitur Mel Frequency Cepstral Coefficients (MFCC) dan metode klasifikasi Support Vector Machine (SVM). Dataset yang digunakan adalah Speech Commands yang terdiri atas 20.000 data audio dari delapan kelas perintah suara. Untuk menguji ketahanan model, dilakukan penambahan tiga jenis noise, yaitu Pink Noise, Running Tap Noise, dan White Noise sehingga total data menjadi 80.000 sampel. Ekstraksi fitur dilakukan menggunakan MFCC, Delta MFCC, dan Delta-Delta MFCC yang direpresentasikan menjadi vektor fitur berdimensi 39. Proses klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF), parameter C = 10, dan gamma = scale. Evaluasi dilakukan menggunakan Accuracy, Precision, Recall, Weighted F1-Score, Confusion Matrix, dan Character Error Rate (CER). Hasil penelitian menunjukkan bahwa kondisi audio normal menghasilkan akurasi tertinggi sebesar 97,35%, sedangkan White Noise menghasilkan akurasi terendah sebesar 72,95%. Hasil penelitian menunjukkan bahwa noise berpengaruh terhadap performa speech recognition, meskipun kombinasi MFCC dan SVM masih mampu mempertahankan kinerja yang baik pada seluruh skenario pengujian.

KOMPARASI METODE SVM DAN CNN UNTUK KLASIFIKASI EMOSI SUARA BERDASARKAN FITUR SPEKTRAL DAN PROSODI

Hamida — 2026-07-06

Speech Emotion Recognition (SER) merupakan bidang penelitian yang bertujuan mengidentifikasi kondisi emosional pembicara berdasarkan karakteristik akustik suara. Penelitian ini membandingkan performa Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam klasifikasi emosi suara menggunakan kombinasi fitur prosodi dan fitur spektral pada dataset Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). Tahapan penelitian meliputi preprocessing sinyal audio, ekstraksi fitur prosodi berupa pitch, RMS energy, dan zero crossing rate, serta ekstraksi fitur spektral menggunakan Mel-Frequency Cepstral Coefficients (MFCC). Pada model SVM, fitur direpresentasikan dalam bentuk vektor numerik yang diringkas menggunakan statistik agregat, sedangkan pada model CNN digunakan arsitektur dual-input yang memproses representasi spektral MFCC dan fitur prosodi secara terpisah. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model SVM memperoleh accuracy sebesar 76,21%, precision sebesar 0,7629, recall sebesar 0,7621, dan F1-score sebesar 0,7596. Sementara itu, model CNN memperoleh accuracy sebesar 73,61%, precision sebesar 0,7392, recall sebesar 0,7361, dan F1-score sebesar 0,7339. Hasil penelitian menunjukkan bahwa SVM memberikan performa klasifikasi yang lebih baik dibandingkan CNN pada kombinasi fitur yang digunakan. Temuan ini mengindikasikan bahwa representasi fitur prosodi dan MFCC dalam bentuk vektor statistik masih efektif untuk klasifikasi emosi suara pada dataset RAVDESS.

Klasifikasi Emosi Suara Multi Bahasa Berbasis Deep Learning Menggunakan Mel Spectrogram dan MFCC pada Indian Speech Emotion

Gilang Maulana — 2026-07-06

Pengenalan emosi berbasis suara (Speech Emotion Recognition/SER) pada lingkungan multibahasa masih menjadi tantangan karena keterbatasan dataset dan variasi karakteristik akustik antar bahasa. Penelitian ini bertujuan membangun sistem klasifikasi emosi suara menggunakan arsitektur deep learning CNN-LSTM hibrida dengan fitur gabungan Mel Spectrogram dan MFCC pada Indian Speech Emotion Dataset yang mencakup tiga bahasa (Inggris, Hindi, dan Marathi) dengan 1.000 sampel audio pada lima kelas emosi (angry, happy, neutral, sad, surprise). Metode penelitian meliputi pra-pemrosesan audio, augmentasi data (time stretching, pitch shifting, penambahan noise, dan volume scaling), ekstraksi fitur Mel Spectrogram, MFCC, Delta MFCC, dan Delta-Delta MFCC, serta pelatihan model CNN-BiLSTM dengan rasio data latih dan uji 80:20. Hasil pengujian pada data uji menunjukkan akurasi sebesar 70,00% dengan F1-score rata-rata sebesar 0,70. Kelas neutral memperoleh performa terbaik (F1-score 0,78), sedangkan kelas happy paling sering tertukar dengan kelas lain (F1-score 0,58). Hasil ini menunjukkan kombinasi fitur Mel Spectrogram dan MFCC mampu mengenali emosi suara multibahasa, meskipun terdapat indikasi overfitting yang membuka peluang perbaikan melalui regularisasi dan penambahan data pada penelitian selanjutnya.

Klasifikasi Deepfake Voice Menggunakan Ekstraksi Fitur MFCC dan Random Forest

Rama Nanda — 2026-07-06

Perkembangan teknologi kecerdasan buatan telah mendorong munculnya teknologi deepfake voice yang mampu menghasilkan suara sintetis menyerupai suara manusia asli. Meskipun memiliki berbagai manfaat, teknologi ini juga berpotensi disalahgunakan untuk pemalsuan identitas dan penyebaran informasi palsu sehingga diperlukan metode deteksi yang efektif. Penelitian ini bertujuan untuk mendeteksi audio deepfake menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) dan algoritma Random Forest. Dataset yang digunakan adalah Fake-or-Real (FoR) Dataset yang terdiri atas audio REAL dan FAKE. Sebanyak 4.500 sampel dipilih secara seimbang, namun satu file gagal diproses sehingga digunakan 4.499 sampel. Proses penelitian meliputi preprocessing, ekstraksi 13 fitur MFCC, pembagian data menggunakan metode train-test split dengan rasio 80:20, serta klasifikasi menggunakan Random Forest dengan parameter n_estimators = 100. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 97%, dengan nilai precision, recall, dan F1-score yang seimbang pada kedua kelas. Hasil tersebut menunjukkan bahwa kombinasi MFCC dan Random Forest mampu membedakan audio REAL dan FAKE secara efektif sehingga berpotensi diterapkan pada bidang keamanan digital dan forensik audio

Deteksi Emosi dari Suara Menggunakan MFCC dan Algoritma SVM

Riota Adi Saputra — 2026-07-06

Speech Emotion Recognition (SER) merupakan salah satu bidang penelitian dalam kecerdasan buatan yang bertujuan mengenali kondisi emosional seseorang berdasarkan karakteristik suara. Kemampuan mengenali emosi dari suara memiliki peran penting dalam pengembangan sistem interaksi manusia dan komputer yang lebih adaptif, seperti asisten virtual, layanan pelanggan otomatis, serta aplikasi kesehatan digital. Penelitian ini bertujuan membangun sistem deteksi emosi suara menggunakan metode ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) dan algoritma klasifikasi Support Vector Machine (SVM). Dataset yang digunakan adalah Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) yang terdiri dari 1.440 file audio dengan delapan kategori emosi, yaitu neutral, calm, happy, sad, angry, fearful, disgust, dan surprised. Tahapan penelitian meliputi preprocessing berupa pre-emphasis dan penghilangan segmen senyap, ekstraksi fitur MFCC, Delta MFCC, Delta-Delta MFCC, serta fitur komplementer berupa Zero Crossing Rate (ZCR), Root Mean Square (RMS) Energy, dan Spectral Centroid. Seluruh fitur diringkas menggunakan nilai rata-rata dan standar deviasi sehingga menghasilkan 84 fitur untuk setiap sampel audio. Selanjutnya dilakukan normalisasi menggunakan StandardScaler dan klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF). Hasil penelitian menunjukkan bahwa model memperoleh akurasi pelatihan sebesar 97,31% dan akurasi pengujian sebesar 64,58%. Evaluasi menggunakan 5-Fold Cross Validation menghasilkan rata-rata akurasi sebesar 67,01% dengan standar deviasi 1,89%, yang menunjukkan performa model cukup stabil. Analisis confusion matrix menunjukkan bahwa emosi angry, calm, dan disgust memiliki tingkat pengenalan yang lebih baik dibandingkan kategori emosi lainnya. Hasil penelitian membuktikan bahwa kombinasi MFCC dan SVM mampu melakukan klasifikasi emosi suara dengan performa yang cukup baik, meskipun masih ditemukan indikasi overfitting pada beberapa kategori emosi yang memiliki karakteristik akustik serupa