BAB 5
KESIMPULAN DAN SARAN
Bab ini membahas tentang kesimpulan yang diperoleh dari penerapan metode yang diajukan untuk melakukan pendeteksian terhadap suara burung dan saran untuk pengembangan yang dapat dilakukan untuk penelitian selanjutnya.
5.1. Kesimpulan
Berdasarkan penerapan metode dari arsitektur umum yang dirancang dan hasil uji coba yang telah dilakukan untuk mendeteksi suara burung, maka dapat diambil beberapa kesimpulan, yaitu:
1. Persentase akurasi sistem dipengaruhi oleh banyaknya burung disawah. misalnya pada waktu pagi, siang maupun sore, intensitas suara dan keadaan lingkungan (besaran noise) pada saat melakukan proses pendetesian.
2. Persentase spesifisitas, sensitivitas dan Real Time Factor (RTF) dalam pengujian performa algoritma dipengaruhi oleh banyaknya suara yang ditangkap oleh sistem setiap waktunya.
3. Semakin jauh jarak microphone dari sumber suara dan semakin kecil nilai intensitas suara, maka persentase spesifisitas dan sensitivitas yang dihasilkan semakin kecil.
4. Semakin banyaknya burung disawah pada jam tertentu maka semakin banyak pula suara yang dapat dideteksi oleh sistem. dan semakin berisik keadaan lingkungan pada saat proses pendeteksian, maka tingkat akurasi yang dihasilkan semakin kecil dan radius kemampuan sistem dalam melakukan pendeteksian dengan hasil yang baik semakin berkurang.
5. Pada pagi hari di keadaan normal akurasi keberhasilan sistem yang paling tinggi dalam mendeteksi suara burung dengan rata-rata sebesar 70%, karena pagi hari tidak terlalu banyak suara burung yang terdeteksi.
6. Pada sore hari di keadaan normal akurasi keberhasilan sistem yang paling tinggi dalam mendeteksi suara burung dengan rata-rata sebesar 90%, karena sore hari adalah waktu diman banyak burung bergerombolan datang memakan padi disaawah oleh karena itu akan banyak suara burung yang terdeteksi oleh sistem.
5.2. Saran
Saran yang dapat penulis berikan untuk pengembangan yang dapat dilakukan pada penelitian selanjutnya adalah sebagai berikut:
1. Perancangan perangkat keras pada penelitian ini bisa lebih disederhanakan dengan mengganti laptop dengan Raspberry Pi sebagai media pemrosesannya. Selain bentuknya yang lebih kecil, harga Raspberry Pi juga lebih murah dan daya yang yang dibutuhkan lebih kecil daripada laptop.
2. Pendeteksian suara yang pada penelitian ini menggunakan metode Mel-frquency Cepstrall Coefficients dan Vector Quantization memiliki kelemahan dalam mendeteksi suara pada keadaan lingkungan dengan noise yang tinggi, jarak yang jauh dari sumber suara dan intensitas suara yang kecil. Untuk selanjutnya, perlu dikembangkan dengan menggunakan metode pendeteksian suara lain yang lebih tinggi tingkat akurasi keberhasilannya dalam mendeteksi suara pada keadaan lingkungan dengan noise yang tinggi dan memiliki radius kemampuan sistem dalam melakukan pendeteksian dengan hasil sangat baik.
3. Hasil akhir dari penelitian ini berupa output suara tembakan sebagai tindakanmengusir burung. diharapkan kedepannya akan ada pemberitahuan berupa notifikasi yang terhubung ke smartphone ketika suara burung terdeteksi.
42
DAFTAR PUSTAKA
Alex L. Mcllraith, H.C. Card. 1995. Birdsong Recognition with DSP and Neural Network.IEEE Wescanex Proceeding.
Artikel Sibolga Tapteng. 2014. Burung Pipit Ancam Padi Petani. Diakses dari http://www.metrosiantar.com/2014/11/15/165297/hama-burung-pipit-ancam-padi-petani (diakses pada 2 april 2017).
Astuti, W., Aibinu, A.M., Salami, M.J.E., Akmelawati, R., & Muthalif, G.A.
2011.Animal Sound Activity Detection Using Multi-Class Support Vector Machines.Fourth Edition International Conference on Mechatronics (ICOM) 4(9): 978-983.
Budiman, F. Agung, M. Rivai, M. dan Suwito. 2016. Pengenalan Suara Burung Menggunakan Mel Frequency Cepstrum Coefficient Dan Jaringan Syaraf Tiruan Pada Sistem Pengusir Burung.Jurnal Nasional Teknik Elektro.Vol: 5, No. 1, Maret.
Cara Pengendalian Burung Pipit Pada Padi - NUTANI.html, (diakses 30 aprils 2017).
Chang, C.-C.& Wu, W.-C. 2007. Fast Planar-oriented Ripple Search Algorithm for Hyperspace VQ Codebook. IEEE Transaction on Image Processing 16(6): 38-47.
Chen, H.-M., Huang, C.-J., Chen, Y.-J., & Chien, S.-Y. 2015. An Intelligent Nocturnal Animal Vocalization Recognition System. International Journal of Computer & Communication Engineering (IJCCE) 4(1): 39-45.
Darmawan, Yudi. 2011. Speech recognition Menggunakan Metode Mel-Frequency Cepstrum Coefficient dan Algoritma Dynamic Time Warping. Skripsi.
Universitas Sumatera Utara.
Davis, S.B. & Mermelstein, L. 1980.Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences.IEEE Transaction on Accoustics, Speech and Signal Processing 28(4): 357-366.
Dhingra, S.D., Nijhawan, G., & Pandit, P. 2013. Isolated Speech Recognition Using MFCC & DWT. International Journal of Advanced Research in Electrical, Electronics & Insutrumentation Engineering 2(8): 4085-4092.
Fagerlund, S. 2004. Automatic Recognition of Bird Species by Their Sounds.Otaniemi: Helsinki University of Technology, Otaniemi.
Firdaus, N.A. 2015. Alat Pelacak Arah Suara pada Sistem Pengusir Hama Burung Menggunakan ARM STM32F4. Tugas Akhir. Institut Teknologi Sepuluh Nopember.
Gunasekaran, S. & Revathy, K. 2011.Automatic Recognition and Retrieval of Wild Animal Vocalizations.International Journal of Computer Theory and Engineering 3(1): 1793-1811.
Goh, C. & Leon, K. 2009. Robust Computer Voice Recognition Using Improved MFCC Algorithm. International Conference New Trends Information Science, pp. 835-840.
Harma, A. 2003. Automatic identification of bird species based on sinusoidal modeling of syllables. in Proceedings of IEEE Int. Conf. Acoust., Speech, and Signal Processing, Hong Kong, vol. 5,pp. 545-548. April.
Husain, Z,.Dharmono.& Kaspul. 2010. Jenis dan Kerapatan Burung di Kawasan Agropolitan Kecamatan Mandastana Kabupaten Barito Kuala. Jurnal Wahana-Bio.
Ilman, K.M. 2017.Pendeteksian Suara Katak Pada Pengendalian Populasi Katak Sebagai Hama Menggunakan Algoritma Mel-Frequency Cepstral Coefficients – Vector Quantization (MFCC-VQ).Skripsi. Universitas Sumatera Utara.
Ismail, A., Idris, M.Y.A., Noor, M.A., Razak, Z., & Yussof, Z.M. 2014.MFCC-VQ Approach for Qalqalah Tajweed Rule Checking.Malaysian Journal of Computer Science 27(4): 275-293.
Jaafar, H., Ramli, D.A., & Shahrudin, S. 2013. MFCC Based Frog Identification System In Noisy Environment. International Conference on Signal and Image Processing Applications (ICSIPA) 13: 123-127.
44
Jancovic, P., Kokuer, M. & Martin Russell. 2014. Bird Species Recognition From Field Recordings Using Hmm-Based Modelling Of Frequency Tracks. IEEE International Conference on Acoustic, Speech and Signal Processing (ICASSP).
John, P. & Dimitris, M . 1996. Digital Signal Processing Principles, Algorithms, and Applications Third Edition. Prentice Hall, Inc : Upper Saddle River.
Kubakaddi, S., Anu, L.B., & Suresh, D. 2015.Person Identification Using MFCC &
Vector Quantization.IPASJ International Journal of Electronics &
Communication (IIJEC) 3(6): 19-24.
Lee, C.-H.& HanC.-C. 2008. Automatic Classification of Bird Species From Their Sounds Using Two-Dimensional Cepstral Coefficients. IEEE Transactions On Audio, Speech, And Language Processing16(8),pp
Lin, M., Zhong, S. & Lin, L. 2015. Chicken Sound Recognition using Anti-Noise Mel Frequency Cepstral Coefficients. Third International Conference on Robot, Vision and Signal Processing, pp. 224-227.
Linde, Y., Buzo, A., & Gray, R.M. 1980. An Algorithm for Vector Quantizer Design.IEEE Transaction on Communications 28(1): 84-95.
Mardjuki, A. 1990.Pertanian dan Masalahnya. C.V ANDI OFFSET:Yogyakarta.
Rizkia, W.P. 2016.Pengenalan Karakteristik Suara Menggunakan Mel-Frequency Cepstrum Coefficient (MFCC) Pada Sistem Pengenalan Pembicara.Skripsi.
Universitas Sumatera Utara.
Rudrapal, D., Das, S., Debbarma, S., Kar, N., & Debbarma, N. Voice Recognition and Authentication as a Proficient Biometric Tool and Its Application in Online Exam for P.H People. International Journal of Computer Applications 39(2): 6-12.
Tan, C. & Jantan, A. 2004.Digit Recognition Using Neural Networks.Malaysian Journal Computer Science 17(2): 40-54.