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

Abstrak

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.