Kecerdasan Buatan untuk Rekognisi Audio Alat Musik Berbasis Ciri Mel Frequency Cepstral Coefficient (MFCC)

Perkembangan kecerdasan buatan saat ini sangatlah pesat guna menciptakan sistem komputer yang mendekati perilaku manusia. Salah satu perilaku manusia yang dapat diadaptasi menggunakan kecerdasan buatan adalah kemampuan pendengaran manusia. Manusia mampu mengidentifikasi berbagai jenis sumber suara berdasarkan warna suaranya, termasuk suara alat musik bahkan pada nada dengan frekuensi yang beragam. Makalah ini memberikan kontribusi studi tentang sistem pengenalan audio alat musik berbasis Mel Frequency Cepstral Coefficient (MFCC), sebuah metode pengenalan audio yang menirukan karakteristik sistem pendengaran manusia. Audio rekaman alat musik berupa gitar, suling, piano, dan angklung dianalisis spektrum gelombangnya pada berbagai nada dasar. Dua jenis perangkat perekaman, Zoom dan HP recorder, digunakan secara bersamaan untuk menentukan seberapa pengaruh perekam terhadap pengenalan audio. Dalam konteks ini, analisis spektrum gelombang juga memanfaatkan Principal Component Analysis (PCA) untuk mereduksi sejumlah koefisien hasil MFCC sehingga terpilih koefisien-koefisien yang paling merepresentasikan warna suara alat musik. Selanjutnya, koefisien tersebut menjadi masukan bagi sistem pembelajaran mesin dengan metode K-Nearest Neighbor (KNN). Dievaluasi pada dataset yang diambil di Laboratorium Anechoic Chamber ITB, hasilnya menyoroti bahwa tingkat akurasi dalam pengenalan audio alat musik menggunakan data latih dan data uji dengan perekam yang sama yaitu Zoom – Zoom sebesar 90% dan HP – HP sebesar 95%. Tingginya akurasi menunjukkan bahwa metode MFCC mampu mengenali audio alat musik dengan baik. Sedangkan tingkat akurasi untuk data latih dan data uji dengan perekam yang berseberangan, Zoom – HP dan HP – Zoom, yaitu di bawah 50%. Hal ini menunjukkan bahwa perangkat perekaman sangat mempengaruhi kualitas audio dan sistem komputer dalam mengenali audio alat musik.