KLASIFIKASI JENIS JANGKRIK BERDASARKAN SUARA MENGGUNAKAN DIMENSI FRAKTAL METODE HIGUCHI DAN K-NEAREST NEIGHBOR (KNN)

Adin Nunasikhah Nan, Dwi Juniati
{"title":"KLASIFIKASI JENIS JANGKRIK BERDASARKAN SUARA MENGGUNAKAN DIMENSI FRAKTAL METODE HIGUCHI DAN K-NEAREST NEIGHBOR (KNN)","authors":"Adin Nunasikhah Nan, Dwi Juniati","doi":"10.26740/mathunesa.v10n1.p199-207","DOIUrl":null,"url":null,"abstract":"Abstrak \nDalam taksonomi hewan, jangkrik merupakan famili dari Gryllidae yang menjadi anggota ordo Orthoptera. Jangkrik merupakan serangga yang berkerabat dengan belalang dan kecoa. Jangkrik juga dikenal dengan suaranya yang khas, yang mana suara ini hanya dihasilkan oleh jangkrik jantan sementara jangkrik betina tidak menghasilkan suara. Suara ini dihasilkan karena adanya gesekan antara kedua sayap bagian depan. Banyaknya jenis jangkrik dan tubuhnya yang sangat kecil membuatnya sulit untuk diklasifikasikan. Akan tetapi, setiap jenis jangkrik memiliki range frequency sinyal suara yang berbeda yang dikeluarkan setiap jenisnya. Dengan adanya dimensi fraktal dapat dilakukan analisis suara jangkrik berdasarkan suaranya. Pada penelitian ini akan diklasifikasikan jenis jangkrik dengan menggunakan metode Higuchi dan K- Nearest Neighbor (KNN). Data yang digunakan adalah 93 data suara yang diambil dari website Checklist Crickets Of Mexiko yaitu 30 data suara jangkrik lapangan (Grillinae), 23 data suara jangkrik bersisik (Mogoplistinae), 20 data suara jangkrik tanah (Nemobiinae) dan 20 data suara jangkrik pohon (Oechantinae). Langkah pertama yaitu pre-processing kemudian proses analisis pengenalan ciri suara menggunakan Discrete Wavelet Transform (DWT) dengan tipe mother wavelet Daubechies 4 dengan dekomposisi 5 level. Selanjutnya mencari nilai dimensi fraktal menggunakan metode Higuchi. Setelah mendapat nilai dimensi fraktal data dibagi menjadi dua yaitu data train dan data test, kemudian diklasifikasikan dengan menggunakan metode KNN. Dari penelitian ini diperoleh hasil bahwa klasifikasi suara jangkrik dengan menggunakan dimensi fraktal metode Higuchi dengan nilai kmax adalah 60 dan K di KNN adalah 1, 3 dan 5 mendapat nilai akurasi tertinggi sebesar 90%. Hal ini menandakan bahwa 90% dari data suara jangkrik yang ada diprediksi benar ke masing-masing jenisnya sementara ada 10% dari data suara jangkrik yang ada diprediksi benar dalam jenis jangkrik yang berbeda. \nKata Kunci: Jangkrik, Suara Jangkrik, dimensi fraktal metode Higuchi, KNN.","PeriodicalId":31823,"journal":{"name":"Mathunesa Jurnal Ilmiah Matematika","volume":" ","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2022-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"3","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Mathunesa Jurnal Ilmiah Matematika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.26740/mathunesa.v10n1.p199-207","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 3

Abstract

Abstrak Dalam taksonomi hewan, jangkrik merupakan famili dari Gryllidae yang menjadi anggota ordo Orthoptera. Jangkrik merupakan serangga yang berkerabat dengan belalang dan kecoa. Jangkrik juga dikenal dengan suaranya yang khas, yang mana suara ini hanya dihasilkan oleh jangkrik jantan sementara jangkrik betina tidak menghasilkan suara. Suara ini dihasilkan karena adanya gesekan antara kedua sayap bagian depan. Banyaknya jenis jangkrik dan tubuhnya yang sangat kecil membuatnya sulit untuk diklasifikasikan. Akan tetapi, setiap jenis jangkrik memiliki range frequency sinyal suara yang berbeda yang dikeluarkan setiap jenisnya. Dengan adanya dimensi fraktal dapat dilakukan analisis suara jangkrik berdasarkan suaranya. Pada penelitian ini akan diklasifikasikan jenis jangkrik dengan menggunakan metode Higuchi dan K- Nearest Neighbor (KNN). Data yang digunakan adalah 93 data suara yang diambil dari website Checklist Crickets Of Mexiko yaitu 30 data suara jangkrik lapangan (Grillinae), 23 data suara jangkrik bersisik (Mogoplistinae), 20 data suara jangkrik tanah (Nemobiinae) dan 20 data suara jangkrik pohon (Oechantinae). Langkah pertama yaitu pre-processing kemudian proses analisis pengenalan ciri suara menggunakan Discrete Wavelet Transform (DWT) dengan tipe mother wavelet Daubechies 4 dengan dekomposisi 5 level. Selanjutnya mencari nilai dimensi fraktal menggunakan metode Higuchi. Setelah mendapat nilai dimensi fraktal data dibagi menjadi dua yaitu data train dan data test, kemudian diklasifikasikan dengan menggunakan metode KNN. Dari penelitian ini diperoleh hasil bahwa klasifikasi suara jangkrik dengan menggunakan dimensi fraktal metode Higuchi dengan nilai kmax adalah 60 dan K di KNN adalah 1, 3 dan 5 mendapat nilai akurasi tertinggi sebesar 90%. Hal ini menandakan bahwa 90% dari data suara jangkrik yang ada diprediksi benar ke masing-masing jenisnya sementara ada 10% dari data suara jangkrik yang ada diprediksi benar dalam jenis jangkrik yang berbeda. Kata Kunci: Jangkrik, Suara Jangkrik, dimensi fraktal metode Higuchi, KNN.
jenisjangkrik要求的分类适用于HIGH-AND-nextmethodfracts(CN)
摘要在动物分类学上,该昆虫是一个属于直翅目的昆虫科。乌鸦是与草和草本植物有亲缘关系的昆虫。蟋蟀也因其特殊的声音而闻名,这种声音只由雄性蟋蟀发出,而雌性蟋蟀则不会发出声音。这种声音是由前两翼之间的抖动产生的。蟋蟀种类繁多,体型很小,很难分类。然而,每种类型的蟋蟀都有一个由每种类型发出的不同声音信号的范围频率。利用分形维数,我们可以根据蟋蟀的声音来分析蟋蟀的声音。在本研究中,将使用Higuchi和K-最近邻(KNN)方法对加密类型进行分类。所使用的数据是来自墨西哥板球检查表网站的93个语音数据:30个场地板球数据(Grillinae)、23个威士忌板球数据(Mogoplistinae)、20个地面板球数据(Nemobinae)和20个树板球数据(Oechantinae)。第一步是预处理,然后是使用Daubechies 4母小波类型的离散小波变换(DWT)和5级分解的语音识别过程。接下来是使用Higuchi方法查找分形维数。在得到分形数据后,将维值分为训练数据和测试数据两部分,然后使用KNN方法进行分类。从这项研究中得出,使用Higuchi方法的分形维数对蟋蟀声音进行分类,kmax值为60,KNN中的K值为1、3和5,其最高准确度值为90%。这表明,90%的预测板球数据对每种类型都是真实的,而10%的预测蟋蟀数据对不同的蟋蟀类型都是正确的。关键词:Angle,Angle,Higuchi方法分形维数,KNN。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
审稿时长
24 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信
小红书