Ekstraksi Fitur Pengenalan Emosi Berdasarkan Ucapan Menggunakan Linear Predictor Ceptral Coeffecient Dan Mel Frequency Cepstrum Coefficients

Authors

  • Siti Helmiyah Universitas Ahmad Dahlan Yogyakarta
  • Imam Riadi Universitas Ahmad Dahlan Yogyakarta
  • Rusydi Umar Universitas Ahmad Dahlan Yogyakarta
  • Abdullah Hanif Universitas Ahmad Dahlan Yogyakarta

DOI:

https://doi.org/10.12928/mf.v1i2.1259

Abstract

Ucapan suara memiliki informasi penting yang dapat diterima oleh otak melalui gelombang suara. Otak menerima gelombang suara melalui alat pendengaran dan menghasilkan suatu informasi berupa pesan, bahasa, dan emosi. Pengenalan emosi wicara merupakan teknologi yang dirancang untuk mengidentifikasi keadaan emosi seseorang dari sinyal ucapannya. Hal tersebut menarik untuk diteliti, karena berkaitan dengan teknologi zaman sekarang yaitu pada penggunaan smartphone di berbagai macam aktivitas sehari-hari. Penelitian ini membandingkan ekstraksi fitur Metode LPC dan Metode MFCC. Kedua metode ekstraksi tersebut diklasifikasi menggunakan Metode Jaringan Syaraf Tiruan (MLP) untuk pengenalan emosi. Masing-masing metode menggunakan data emosi marah, bosan, bahagia, netral, dan sedih. Data dibagi menjadi dua, yaitu data testing dan data data training dengan perbandingan 80:20. Arsitektur jaringan yang digunakan adalah tiga lapisan yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Parameter MLP yang digunakan learning rate = 0.0001, epsilon = 1e-08, epoch = 500, dan Cross Validation = 5. Hasil akurasi pengenalan emosi dengan ekstraksi fitur LPC sebesar adalah 28%. Sedangkan hasil akurasi dengan ekstraksi fitur MFCC sebesar 61,33%. Hasil akurasi ini bisa ditingkatkan dengan menambahkan data yang lebih banyak lagi, terutama untuk data testing. Perlunya pengujian pada nilai parameter jaringan MLP, yaitu dengan mengubah nilai-nilai parameter, karena dapat mempengaruhi tingkat akurasi pengenalan. Selain itu penentuan ekstraksi fitur dan klasifikasi metode yang lain juga dapat digunakan untuk mencari nilai akurasi pengenalan emosi yang lebih baik lagi.

References

S. Vaishnav and S. Mitra, "Speech Emotion Recognition: A Review," Int. Res. J. Eng. Technol. IRJET, vol. 3, no. 04, pp. 313-316, 2016.

S. Lalitha, A. Madhavan, B. Bhushan, and S. Saketh, "Speech Emotion Recognition," 2014 Int. Conf. Adv. Electron. Comput. Commun. ICAECC 2014, vol. 7, 2015, doi: 10.1109/ICAECC.2014.7002390.

A. B. Gumelar, "Human Voice Emotion Identification Using Prosodic and Spectral Feature Extraction Based on Deep Neural Networks," 2019 IEEE 7th Int. Conf. Serious Games Appl. Health SeGAH, pp. 1-8, 2019.

M. D. Pell and S. A. Kotz, "On the time course of vocal emotion recognition," PLoS One, vol. 6, no. 11, p. e27256, 2011.

I. Idrisa, M. S. H. Salamb, and M. S. Sunarc, "Speech Emotion Classification Using SVM and MLP on Prosodic and Voice Quality Features," J. Teknol., vol. 78, 2015.

G. Liu, W. He, and B. Jin, "Feature Fusion of Speech Emotion Recognition Based Deep Learning," in 2018 International Conference on Network Infrastructure and Digital Content (IC-NIDC), 2018, pp. 193-197, doi: 10.1109/ICNIDC.2018.8525706.

Y. Sun, G. Wen, and J. Wang, "Weighted spectral features based on local Hu moments for speech emotion recognition," Biomed. Signal Process. Control, vol. 18, pp. 80-90, 2015, doi: 10.1016/j.bspc.2014.10.008.

S. S. Swaminathan and J. Thangaiyan, "Emotion Speech Recognition using MFCC and Residual Phase in Artificial Neural Network," Int. J. Eng. Res. Sci. Technol., vol. 4 No.3, no. August, pp. 106-113, 2015.

Irmawan, H. Hikmarika, D. W. Sari, and M. C. Tammimi, "Pengenalan Kata dengan Metode Linear Predictive Coding dan Jaringan Syaraf Tiruan Pada Mobile Robot," in Conference on Information Technology and Electrical Engineering, 2014, no. October 2014, pp. 139-144.

K. V. Krishna Kishore and P. Krishna Satish, "Emotion Recognition in Speech using MFCC and Wavelet Features," Proc. 2013 3rd IEEE Int. Adv. Comput. Conf. IACC 2013, pp. 842-847, 2013, doi: 10.1109/IAdCC.2013.6514336.

Downloads

Published

2019-12-24

Issue

Section

Articles