View/Open

Author
NYDIA, RENLI SINAGA

Date Published
23 Sep 2026

Advisor
Arkham Zahri Rakhman, S.Kom., M.Eng.,

Subject
Teknik Informatika

Publisher

Perkembangan teknologi pengolahan sinyal suara dan machine learning mendorong pemanfaatan suara manusia sebagai sumber informasi biometrik, salah satunya untuk pengenalan gender. Informasi gender yang diperoleh dari suara dapat dimanfaatkan dalam berbagai aplikasi, seperti sistem interaksi manusia dan komputer, sistem keamanan berbasis suara, serta analisis data audio. Namun, sinyal suara mentah memiliki dimensi yang tinggi dan rentan terhadap gangguan, sehingga diperlukan ekstraksi fitur untuk memperoleh representasi yang lebih ringkas dan informatif. Penelitian ini bertujuan menerapkan Mel-Frequency Cepstral Coefficients (MFCC) sebagai metode ekstraksi fitur dan K-Nearest Neighbor (KNN) sebagai metode klasifikasi untuk melakukan pengenalan gender suara dalam Bahasa Indonesia berdasarkan kategori maskulin dan feminim. Dataset yang digunakan berasal dari Mozilla Common Voice. Tahapan penelitian meliputi preprocessing sinyal suara, ekstraksi fitur MFCC, klasifikasi menggunakan KNN dengan beberapa variasi nilai K, serta evaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa kombinasi 24 koefisien MFCC dan K=3 memberikan performa terbaik pada pengujian internal dengan accuracy sebesar 98,91%, precision 99,04%, recall 99,28%, dan F1-score 99,16%. Pengujian menggunakan data eksternal menghasilkan accuracy sebesar 83,67%. Hasil tersebut menunjukkan bahwa kombinasi MFCC dan KNN dapat digunakan untuk melakukan klasifikasi pola suara berdasarkan kategori maskulin dan feminim, meskipun performanya dapat berbeda ketika diterapkan pada data dengan karakteristik dan kondisi perekaman yang berbeda.

URI
https://repo.itera.ac.id/depan/submission/SB2609220095

Keyword
pengenalan gender sinyal suara MFCC K-Nearest Neighbor Mozilla Common Voice