Pengembangan Sistem Klasifikasi Sumber Suara pada Lingkungan Akustik Berbasis Parameter Psikoakustik dan Indeks Akustik

Peni Tyas Widyati, Ir. Sentagi Sesotya Utami, S.T., M.Sc., Ph.D., IPU. ; Anugrah Sabdono Sudarsono, S.T., M.T., Ph.D.

2025 | Skripsi | FISIKA TEKNIK

Perubahan iklim, degradasi habitat, dan invasi spesies dapat mengancam keanekaragaman hayati dan ekosistem sehingga diperlukan pemantauan secara non-invansif melalui klasifikasi sumber suara untuk memonitoring ekosistem hutan Wanagama. Salah satu pendekatan monitoring ini adalah penggunaan Automated Recording Device berbasis IoT. Namun, tantangan dalam pemantauan ini adalah semakin tinggi laju sampel rekaman suara akan meyebabkan semakin besar pula ukuran data yang dihasilkan sehingga meningkatkan waktu unggah ke cloud dan kebutuhan kapasitas penyimpanannya. Penelitian ini bertujuan mengevaluasi potensi parameter psikoakustik dan indeks akustik dalam klasifikasi sumber suara, serta mengevaluasi pengurangan ukuran data rekaman berdasarkan downsampling.

            Penelitian ini menggunakan empat model klasifikasi, yaitu Logistic Regression, Neural Network, Random Forest, dan Support Vector Machine untuk mencari akurasi terbaik. Selain itu, uji paired t-test digunakan untuk menentukan pengaruh penurunan laju sampel terhadap nilai psikoakustik dan indeks akustik.

            Berdasarkan hasil penelitian, nilai roughness, sharpness, ADI, BI, H, dan NDSI yang nilainya berubah signifikan ketika laju sampel diturunkan dari 44,1 kHz ke 22 kHz.  Nilai roughness, sharpness, BI, H, dan NDSI yang nilainya berubah signifikan ketika laju sampel diturunkan dari 22 kHz ke 11 kHz.  Sementara itu, akurasi terbaik terdapat pada klasifikasi Random Forest. Nilai akurasi machine learning akan menurun ketika laju sampel data diturunkan.

Climate change, habitat degradation, and species invasion can threaten biodiversity and ecosystems, so non-invasive monitoring through sound source classification is needed to monitor the Wanagama forest ecosystem. One approach to this monitoring is the use of IoT-based Automated Recording Devices. However, a challenge in this monitoring is that higher sound recording sample rate result in larger data sizes, increasing upload time to the cloud and storage capacity requirements. This study aims to evaluate the potential of psychoacoustic parameters and acoustic indices in sound source classification, as well as to evaluate data size reduction based on downsampling.

            This study uses four classification models, namely Logistic Regression, Neural Network, Random Forest, and Support Vector Machine, to find the best accuracy. Additionally, a paired t-test is used to determine the effect of sample rate reduction on psychoacoustic values and acoustic indices.

            Based on the research results, the values of roughness, sharpness, ADI, BI, H, and NDSI changed significantly when the sample rate was reduced from 44.1 kHz to 22 kHz. The values of roughness, sharpness, BI, H, and NDSI changed significantly when the laju sampel was reduced from 22 kHz to 11 kHz.  Meanwhile, the best accuracy was found in Random Forest classification. Machine learning accuracy values decreased when the sample rate data was reduced.

Kata Kunci : Sumber suara, psikoakustik, indeks akustik, klasifikasi, lingkungan akustik