KLASIFIKASI EMOSI WICARA MENGGUNAKAN METODE MFCC-ZCR-KNN

Interaksi antara individu sering terjadi melalui komunikasi lisan yangrnmelibatkan intonasi, kata-kata, dan maksud pembicara, yang semuanyarnmempengaruhi emosi. Pengenalan ucapan (Speech Recognition) adalah bidangrnyang mendeteksi emosi dari sinyal suara. Penelitian ini bertujuanrnmengembangkan model analisis emosi pada data audio menggunakan fitur MelrnFrequency Cepstral Coefficient (MFCC) dan Zero Crossing Rate (ZCR) denganrnalgoritma K-Nearest Neighbour (K-NN). Data audio yang digunakan berasal darirnRyerson Audio-Visual Database of Emotional Speech and Song (RAVDESS), yangrnterdiri dari 1440 data suara manusia. Metode yang diusulkan melibatkanrnpengolahan sinyal suara menggunakan fitur MFCC dan ZCR, yang terbukti efektifrndalam penelitian sebelumnya, dan kemudian diklasifikasi menggunakan algoritmarnK-NN. Penelitian ini mengevaluasi akurasi klasifikasi emosi berdasarkan skenariornpengujian dengan variasi pembagian data training dan test serta nilai k yangrnberbeda. Hasilnya menunjukkan akurasi tertinggi sebesar 65,2% pada skenariornpembagian data 20:80 dengan nilai k=2. Peningkatan akurasi sebesar 1,7%rndibandingkan hanya menggunakan MFCC (63,5%) menunjukkan bahwarnkombinasi fitur MFCC dan ZCR memberikan hasil yang lebih baik. Penelitian inirnberkontribusi pada pengembangan metode yang lebih efektif untuk klasifikasirnemosi dalam sinyal audio, membuka peluang aplikasi yang lebih luas dalamrnpengenalan ucapan dan pemrosesan bahasa alami.