Klasifikasi Tangisan Bayi Menggunakan Parameter Pitch dengan K-Nearest Neighbor

Abstract

Emosi merupakan perasaan yang muncul akibat adanya kenyamanan atau ketidaknyamanan seseorang terhadap keadaan tertentu. Berdasarkan urutan peristiwa, emosi dapat diklasifikasikan menjadi dua, yaitu emosi primer dan sekunder. Emosi primer atau dasar merupakan emosi yag pertama kali dirasakan oleh bayi sejak lahir. Setiap bayi baru lahir mempunyai kemampuan dalam mengekspresikan emosi atau kebutuhan dasarnya melalui suara tangisan yang cukup keras. Tangisan pada bayi merupakan hal dasar yang perlu dan penting untuk dipahami oleh ibu atau pengasuh bayi. Hal tersebut perlu dilakukan karena tangisan menjadi media komunikasi utama bayi dalam menyampaikan keinginannya kepada lingkungan tertuma pada ibu atau pengasuh bayi. Secara umum, para ibu muda yang jauh dari keluarga atau tidak mendapat bimbingan dari orang yang telah berpengalaman, biasanya mengartikan tangisan bayi hanya sebagai tanda lapar saja padahal tangisan pada bayi mempunyai arti atau jenisjenis tangisan berbeda-beda bergantung dari segi pemicu/penyebab tangisan. Berdasarkan penyebab tangisan, jenis-jenis tangisan bayi dapat dibedakan pola suaranya dengan menganalisis salah satu parameter suara, yaitu pitch. Perbedaan pola suara pitch dari masing-masing jenis tangisan bayi dapat dibangun atau dinyatakan dalam bentuk histogram melalui Bag of Features. Tangisan bayi yang digunakan untuk penelitian ini diambil dengan dua cara, yaitu pengunduhan Dunstan Baby Language (DBL) dan pengukuran lapang berdasarkan persepsi Ibu/Bidan. Jenis-jenis tangisan bayi yang digunakan dari pengunduhan DBL ada lima jenis antara lain lapar, mengantuk, ingin bersendawa, kembung dan tidak nyaman dengan perbandingan jumlah data suara, yaitu 21 : 18 : 18 : 9 : 17 sedangkan pada pengukuran lapang berdasarkan persepsi Ibu/Bidan, jenis tangisan bayi yang digunakan ada dua jenis antara lain lapar dan sakit dengan perbandingan jumlah suara, yaitu 14 : 42. Kumpulan data suara DBL dan pengukuran tersebut akan diproses parameter pitch-nya dengan diekstraksi fiturnya kemudian dilakukan klasifikasi untuk mengetahui akurasi yang dihasilkan setelah jenis-jenis tangisan berdasarkan pada penyabab tangisan dapat teridentifikasi dengan baik. Sebelum diekstraksi fiturnya, kumpulan data suara DBL dan pengukuran akan melalui tahap preprocessing terlebih dahulu. Tahap preprocessing ini dilakukan dengan tujuan untuk menghilangkan efek noise sinyal masukan (data audio) dengan teknik clipping filtering. Teknik tersebut menghasilkan threshold amplitude dan threshold area yang digunakan untuk memproses kumpulan suara sebagai sinyal masukan, yaitu sebesar 0,01 (data DBL), 0,08 (data pengukuran) dan 10.000. Kedua threshold tersebut digunakan untuk mendapatkan elemen/bagian voiced speech dan sinyal noise terfilter dengan baik. Tahap selanjutnya adalah ekstraksi fitur. Ekstraksi fitur yang digunakan pada penelitian ini adalah pitch dan Bag of Features. Ekstraksi fitur pitch dilakukan dengan cara mengubah parameter range dan metode dalam mengestimasi frequency fundamental (pitch). Range dan metode yang digunakan pada penelitian ini adalah (70 170) dan PEF (Pitch Estimation Filter). Hasil ekstraksi fitur pitch tersebut kemudian dinyatakan dalam histogram melalui ekstraksi Bag of Features. Histogram Bag of Features yang terbentuk akan diwakili oleh 10 bin/kelas. Kelas/bin histogram tersebut menunjukkan probability (frekuensi ternormalisasi) sebaran rata-rata pitch dari data DBL dan pengukuran. Sebaran nilai pitch diperoleh dengan menentukan batas segmen yang disebut sebagai data (voiced speech) terlebih dahulu. Penentuan batas segmen akan menghasilkan jumlah data region yang akan diekstraksi ke dalam Bag of Features. Selanjutnya adalah dilakukan proses building database dari data DBL dan pengukuran untuk mendapatkan parameter yang dianalisis, yaitu mean pitch serta sebaran nilai pitch rendah dan tinggi sampel audio tangisan bayi yang diujikan melalui histogram Bag of Features. Building database tersebut kemudian dilakukan pengujian database terhadap data testing. Pengujian database tersebut dilakukan untuk mengetahui seberapa baik model atau algoritma yang telah dibangun dapat menggeneralisasi dan mengklasifikasi kelas sesuai label yang telah dibangun (building database) melalui akurasi yang dihasilkan. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor. Berdasarkan karakteristik Bag of Features yang terbentuk dapat diketahui bahwa rata-rata pitch tinggi dan rendah terletak pada bin 9 dan 1 baik dari data DBL maupun data pengukuran. Urutan label tangisan bayi DBL yang mempunyai probability (frekuensi ternormalisasi) rata-rata pitch tinggi berdasarkan histogram Bag of Features adalah mengatuk (0,290), kembung (0,207), lapar (0,206), ingin bersendawa (0,182) dan tidak nyaman (0,090) sedangkan urutan label tangisan bayi dari data pengukuran menunjukkan bahwa label sakit mempunyai rata-rata pitch yang lebih tinggi, yaitu sebesar 0,200 apabila dibandingkan dengan label lapar yang rata-rata pitch tingginya sebesar 0,064. Hasil akurasi klasifikasi yang diperoleh antara pengujian database DBL dan database pengukuran menggunakan K-Nearest Neighbor terlihat optimal. Total akurasi yang diperoleh dari pengujian database DBL adalah sebesar 92 %, tetapi terdapat 2 kelas data yang terdeteksi salah dari 5 sampel uji pada label kembung. Kelas yang terdeteksi salah hanya pada label kembung. Kesalahan tersebut dapat terjadi karena pada proses building database dari data DBL, akurasi rendah hanya terletak pada label kembung, yaitu sebesar 48,148%. Akurasi rendah tersebut dapat mempengaruhi pengujian database dari data DBL terutama pada label kembung. Total akurasi yang diperoleh dari pengujian database dari data pengukuran adalah sebesar 98%, tetapi terdapat 1 kelas data yang terdeteksi salah dari 27 sampel uji, yaitu pada label sakit. Pada proses building database dari data pengukuran, akurasi dari label sakit adalah sebesar 100%. Berdasarkan akurasi saat building database dari data pengukuran terutama label sakit, kelas data yang terdeteksi salah pada label sakit dapat terjadi karena kemampuan bayi dalam menginterpretasikan sakit akibat suntikan imunisasi berbeda-beda. Perbedaan tersebut dipengaruhi oleh usia dan tingkat kematuran sistem neurologis terhadap transmisi impuls sakit akibat suntikan imunisasi.