Klasifikasi Kemiripan Suara Rekaman Menggunakan Metode Me-Frequency Cepstra Coefficient dan Minkowski
Abstract
Teknologi saat ini teah mendominasi berbagai bidang mulai dari pendidikan, perkantoran, komersial, industri bahkan hukum. Dengan kemajuan Teknologi informasi kebutuhan manusia akan tersedia dengan mudah, praktis dan tanpa batas. Disisi ain, berkembangnya Teknologi informasi menimbukan kekhawatiran pada perkembangan tindak pidana yang berhubungan dengan kejahatan. Pada beberapa kasus biasanya terdapat barang bukti yang ditinggakan seperti rekaman suara yang diHasilkan dari percakapan menggunakan teepon. Suara rekaman ini dapat digunakan sebagai pendukung dalam penyidikan saat dipersidangan untuk mengidentifikasi peaku kejahatan. Penelitian untuk mengidentifikasi suara masih terdapat kendaa yaitu kebisingan yang terjadi saat merekam suara. Metode MFCC merupakan metode yang dapat digunakan untuk mengekstraksi fitur serta mengurangi kebisingan atau noise. Penelitian menggunakan algoritma dalam menganalisis suara rekaman banyak beredar di internet, saah satunya algoritma KNN yang dapat digunakan untuk kasifikasi, identifikasi, dan prediksi. Identifikasi suara rekaman menggunakan algoritma KNN dengan metode minkowski diakukan untuk pengenaan suara dalam menentukan identik atau tidaknya antara suara rekaman peaku kejahatan dengan sampel suara tersangka. Penelitian ini meibatkan dua responden sebagai tersangka dan tiga responden sebagai peaku. Setiap responen akan meakukan perekaman suara, dimana rekaman ini nanti akan dipotong menjadi sebeas bagian yang terdiri dari data atih dan data uji. Hasil yang diharapkan dapat meakukan pengenaan rekaman suara peaku terhadap suara tersangka dengan mendapatkan jarak terkecil yang mendekati kemiripan sehingga barang bukti rekaman suara dapat dipertanggung jawabkan dalam persidangan.
References
Ali, N., Neagu, D., & Trundle, P. (2019). Evaluation of k-nearest neighbour classifier performance for heterogeneous data sets. SN Applied Sciences, 1(12), 1559. https://doi.org/10.1007/s42452-019-1356-9
Azwar, M., Hidayat, S., & Yudha, F. (2021). Teknik Audio Forensik Dengan Metode Minkowski Untuk Pengenalan Rekaman Suara Pelaku Kejahatan. Cyber Security Dan Forensik Digital, 4(1), 1–12. https://doi.org/10.14421/csecurity.2021.4.1.2372
Dave, N. (2013). Feature Extraction Methods LPC , PLP and MFCC In Speech Recognition. International Journal for Advance Research in Engineering and Technology, 1(Vi), 1–5.
Deva, B. S., & Mardianto, I. (2019). Teknik Audio Forensik Menggunakan Metode Analisis Formant Bandwidth, Pitch dan Analisis Likelihood Ratio. ULTIMATICS, 10(2), 67–72. https://doi.org/10.31937/ti.v10i2.936
Handayani, I. (2019). Application of K-Nearest Neighbor Algorithm on Classification of Disk Hernia and Spondylolisthesis in Vertebral Column. Indonesian Journal of Information Systems, 2(1), 57–66. https://doi.org/10.24002/ijis.v2i1.2352
Hidayat, R. (2022). Frequency Domain Analysis of MFCC Feature Extraction in Children’s Speech Recognition System. JURNAL INFOTEL, 14(1), 30–36. https://doi.org/10.20895/infotel.v14i1.740
Imario, A., Sudiharto, D. W., & Ariyanto, E. (2017). Uji Validasi Suara Berbasis Pengenalan Suara (Voice Recognition) Menggunakan Easy VR 3.0. 801–806.
Iswanto, I., Tulus, T., & Sihombing, P. (2021). Comparison of Distance Models on K-Nearest Neighbor Algorithm in Stroke Disease Detection. Applied Technology and Computing Science Journal, 4(1), 63–68. https://doi.org/10.33086/atcsj.v4i1.2097
Li, Q., Yang, Y., Lan, T., Zhu, H., Wei, Q., Qiao, F., Liu, X., & Yang, H. (2020). MSP-MFCC: Energy-Efficient MFCC Feature Extraction Method with Mixed-Signal Processing Architecture for Wearable Speech Recognition Applications. IEEE Access, 8, 48720–48730. https://doi.org/10.1109/ACCESS.2020.2979799
Luque, A., Carrasco, A., Martín, A., & de las Heras, A. (2019). The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition, 91, 216–231. https://doi.org/10.1016/j.patcog.2019.02.023
Maher, R. C. (2018). Principlels of Forelnsic Auldio Analysis.
Mansyur, M., & Manurung, R. A. P. (2017). Alat Bukti Rekaman Suara Dalam Pembuktian Perkara Tindak Pidana Korupsi. Jurnal Komunikasi Hukum (JKH), 3(1), 105. https://doi.org/10.23887/jkh.v3i1.9246
Mataram, A. S. S., & Sugiantoro, B. S. B. (2009). Analisis Rekaman Suara Voice Changer dan Rekaman Suara Asli Menggunakan Metode Audio Forensik. … Journal of Networking and Security (IJNS …, January. http://ijns.org/journal/index.php/ijns/article/view/39
Nishom, M. (2019). Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square. Jurnal Informatika: Jurnal Pengembangan IT, 4(1), 20–24. https://doi.org/10.30591/jpit.v4i1.1253
Putra, D. K., Triasmoro, I. I., Atmaja, R. D., Iwut, I., & Atmaja, R. D. (2017). Simulasi Dan Analisis Speaker Recognition Menggunakan Metode Mel Frequency Cepstrum Coefficient (MFCC) dan Gaussian Mixture Model (GMM). EProceedings of Engineering, 4(2), 1766–1772. http://libraryeproceeding.telkomuniversity.ac.id/index.php/engineering/article/view/487/460
Renza, D., Ballesteros L., D. M., & Lemus, C. (2018). Authenticity verification of audio signals based on fragile watermarking for audio forensics. Expert Systems with Applications, 91, 211–222. https://doi.org/10.1016/j.eswa.2017.09.003
Siriwardena, Y. M., Attia, A. A., Sivaraman, G., & Espy-Wilson, C. (2022). Audio Data Augmentation for Acoustic-to-articulatory Speech Inversion using Bidirectional Gated RNNs. http://arxiv.org/abs/2205.13086
Umar, R., Riadi, I., Hanif, A., & Helmiyah, S. (2019). Identification of speaker recognition for audio forensic using k-nearest neighbor. International Journal of Scientific and Technology Research, 8(11), 3846–3850.
