Klasifikasi dan Kategorisasi Audio Menggunakan Wavelet dan Support Vector Machine

Wanta, Vania Carissa ( 0322091 ) (2007) Klasifikasi dan Kategorisasi Audio Menggunakan Wavelet dan Support Vector Machine. Undergraduate thesis, Universitas Kristen Maranatha.

[img]
Preview
Text
0322091_Abstract_TOC.pdf - Accepted Version

Download (26Kb) | Preview
[img]
Preview
Text
0322091_Appendices.pdf - Accepted Version

Download (27Kb) | Preview
[img]
Preview
Text
0322091_Chapter1.pdf - Accepted Version

Download (19Kb) | Preview
[img] Text
0322091_Chapter2.pdf - Accepted Version
Restricted to Repository staff only

Download (729Kb)
[img] Text
0322091_Chapter3.pdf - Accepted Version
Restricted to Repository staff only

Download (55Kb)
[img] Text
0322091_Chapter4.pdf - Accepted Version
Restricted to Repository staff only

Download (82Kb)
[img]
Preview
Text
0322091_Conclusion.pdf - Accepted Version

Download (12Kb) | Preview
[img] Text
0322091_Cover.pdf - Accepted Version
Restricted to Repository staff only

Download (29Kb)
[img]
Preview
Text
0322091_References.pdf - Accepted Version

Download (11Kb) | Preview

Abstract

Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi dapat dilakukan dengan mengelompokkan informasi tersebut dalam kategori-kategori yang sesuai. Informasi tersebut umumnya tersaji dalam dokumen digital salah satunya berupa audio. Proses kategorisasi ini juga dapat mengatasi kendala biaya yang besar serta subyektifitas jika dilakukan secara manual. Pada Tugas Akhir ini dipresentasikan sebuah teknik untuk meningkatkan klasifikasi dan kategorisasi audio. Teknik ini menggunakan penggabungan antara Transformasi Wavelet dan Support Vector Machine (SVM) untuk mengklasifikasikan dan mengkategorisasikan data audio secara akurat. Ketika diberikan sebuah data audio yang akan diujikan, Wavelet pertama-tama digunakan untuk mengekstraksi feature-feature akustik seperti pitch frequency and subband power. Kemudian, metode yang dipakai adalah menggunakan sebuah SVM untuk mengatasi feature-feature akustik tersebut dan parameter-parameter tambahan, seperti frequency cepstral coefficient, untuk menyelesaikan klasifikasi dan kategorisasi audio. Dari hasil eksperimen diperoleh bahwa dengan menggunakan Transformasi Wavelet dan Support Vector Machine, error klasifikasi berkurang dari 11,6 % menjadi 3,0 % pada nilai L di antara 80 dan 82. Akurasi kategorisasi juga dapat mencapai 97,0 %.

Item Type: Thesis (Undergraduate)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > 22 Electrical Engineering Department
Depositing User: Perpustakaan Maranatha
Date Deposited: 23 Oct 2014 11:05
Last Modified: 23 Oct 2014 11:05
URI: http://repository.maranatha.edu/id/eprint/7746

Actions (login required)

View Item View Item