Karakterisasi Sinyal Diskrit Suara Lima Jenis Burung Menggunakan Parameter Statistik Time Domain

Filia Ghenniya Alma; Najwa Syarafana 'Adani; Wiwi Wiwi

doi:10.69693/ijmst.v4i2.9771

Authors

Filia Ghenniya Alma Universitas Negeri Semarang
Najwa Syarafana 'Adani Universitas Negeri Semarang
Wiwi Wiwi Universitas Negeri Semarang

DOI:

https://doi.org/10.69693/ijmst.v4i2.9771

Keywords:

Sinyal Diskrit, Suara Burung, Parameter Statistik, Domain Waktu

Abstract

Perkembangan pengolahan sinyal digital membuka peluang otomatisasi analisis suara burung melalui karakterisasi sinyal audio non-stasioner. Penelitian ini bertujuan untuk menganalisis karakteristik amplitudo sinyal suara burung pada domain waktu, mengidentifikasi perbedaan spesifik antarspesies berdasarkan parameter statistik, serta memvisualisasikan grafik fluktuasi amplitudo terhadap waktu. Metode penelitian menggunakan pendekatan kuantitatif melalui analisis sinyal diskrit domain waktu tanpa transformasi frekuensi. Objek penelitian terdiri dari lima jenis burung yaitu kenari, kutilang, lovebird, pleci, dan trucukan, yang direkam menggunakan aplikasi Phyphox dengan durasi ±30 detik dan direplikasi sebanyak lima kali untuk menghasilkan 25 data audio primer. Sinyal diskrit diproses menggunakan pemrograman Python dengan pustaka NumPy dan Matplotlib melalui tahapan pembersihan dan normalisasi data. Parameter statistik domain waktu yang diekstrak meliputi rata-rata (mean), Root Mean Square (RMS), energi sinyal, variasi (variance), Zero Crossing Rate (ZCR), dan amplitudo puncak (peak). Hasil penelitian menunjukkan bahwa parameter time domain efektif mengekstrak ciri pembeda akustik yang unik bagi setiap spesies burung. Burung trucukan memiliki tingkat variasi paling tinggi (0,014725 hingga 0,044567) dengan sebaran energi temporal yang fluktuatif. Sebaliknya, burung kenari dan pleci menunjukkan stabilitas pola gelombang yang teratur dengan tingkat variasi rendah. Kesimpulannya, kombinasi parameter statistik domain waktu terbukti valid sebagai dasar kuantitatif yang efisien untuk pengembangan sistem identifikasi otomatis suara burung dengan kompleksitas komputasi yang rendah.

References

Akbar, D. D., & Juniati, D. (2025). Penerapan metode dimensi fraktal Higuchi dan k-nearest neighbours dalam klasifikasi emosi manusia berdasarkan suara. https://ejournal.unesa.ac.id/index.php/mathunesa/article/view/66538

Boashash, B. (2015). Time-frequency signal analysis and processing: A comprehensive reference (2nd ed.). Academic Press. https://archive.org/details/time-frequency-signal-analysis-and-processing

Briggs, F., Raich, R., & Fern, X. Z. (2012). Audio classification of bird species: A statistical manifold approach. IEEE International Conference on Data Mining. https://doi.org/10.1109/ICDM.2012.82

Damardhi, S. R., Faradisa, I. S., & Sotyohadi, S. (2025). Evaluating a preprocessing pipeline for fetal phonocardiography using FIR filtering. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi & Teknik Elektronika, 13(2), 155. https://doi.org/10.26760/elkomika.v13i2.155

Dewi, A. S., & Juniati, D. (2023). Klasifikasi burung nokturnal berdasarkan suara menggunakan dimensi fraktal Higuchi dan k-nearest neighbor. Jurnal Riset dan Aplikasi Matematika (JRAM), 7(2), 177–194. https://doi.org/10.26740/jram.v7n2.p177-194

Effendi, H., & Saryadi, R. M. (2023). Perancangan sistem deteksi dan pengenalan perintah suara menggunakan modul ESP32 dengan metode convolutional neural network (CNN). Sainstech: Jurnal Penelitian dan Pengkajian Sains dan Teknologi, 33(4). https://doi.org/10.37277/stch.v33i4.1781

Fagerlund, S. (2007). Bird species recognition using support vector machines. EURASIP Journal on Advances in Signal Processing, 2007, 1–8. https://doi.org/10.1155/2007/38637

Fikri, M., Christiono, C., K, I. G. M., Mauriraya, K. T., Pasra, N., Samsurizal, S., Romadhoni, M. L., & Thahara, A. A. (2023). Clustering suara corona discharge berdasarkan tegangan menggunakan metode fuzzy C-means. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi & Teknik Elektronika, 11(3), 609. https://doi.org/10.26760/elkomika.v11i3.609

Kogan, J. A., & Margoliash, D. (1998). Automated recognition of bird song elements from continuous recordings using dynamic time warping and hidden Markov models. The Journal of the Acoustical Society of America, 103(4), 2185–2196. https://doi.org/10.1121/1.421364

Muwakhid, I. A. (2025). Statistical feature extraction based on Wavelet transform for arrhythmia detection. Jurnal Transformatika, 23(1), 30–40. https://doi.org/10.26623/transformatika.v23i1.12339

Ndun, Y. G., Bitin, P., & Arrizal, A. F. R. (2025). Implementasi algoritma FFT untuk deteksi nada dalam analisis frekuensi suara. Seminar Nasional Teknologi & Sains, 4(1), 311–320. https://doi.org/10.29407/2g141y12

Oktaviani, P. R., Iswanto, B. H., & Suhendar, H. (2024). Karakteristik fitur suara ketukan buah kelapa berdasarkan domain waktu dan domain frekuensi. Joint Prosiding IPS dan Seminar Nasional Fisika, 12(1), FA–11. https://doi.org/10.21009/03.1201.FA02

Oppenheim, A. V., & Schafer, R. W. (2010). Discrete-time signal processing (3rd ed.). Pearson. https://archive.org/details/discretetimesign0000oppe

Phie Chyan, Zelvi Gustiana, Sitti Arni, Amru Yasir, Hartina Husain, Budi Arif Dermawan, Ade Oktarino, I. P. T. Indrayana, Amril Mutoi Siregar, Alfredo Gormantara, Indah Dwi Mumpuni, Medy Wisnu Prihatmono, I. P. G. S. Andisana, Lenny Maryam A. B. Possumah, Ibnu Atho’illah, Siti Aisyah, Santi, Nuk Ghurroh Setyoningrum, Salman Farizy, & Vivi Afifah. (2024). Pengantar data science: Mengambil keputusan berdasarkan data. PT. Mifandi Mandiri Digital.

Purnamasari, D. N., Wardhana, W. W., Fathoni, A. N., & Alfarotzi, M. M. (2025). Utilization of Mel-spectrogram for identification and analysis of animal communication patterns acoustically. JTEIN: Jurnal Teknik Elektro Indonesia, 6(2), 134–144. https://doi.org/10.24036/jtein.v6i2.711

Putra, R. A., & Nugroho, A. R. (2026). Sistem klasifikasi emosi kucing menggunakan SVM dan strategi augmentasi data. Seminar Nasional Teknologi & Sains, 5(1), 029–038. https://doi.org/10.29407/2706f967

Rabiner, L. R., & Schafer, R. W. (2011). Theory and applications of digital speech processing. Pearson Education. https://archive.org/details/theoryapplicatio0000rabi

Subandrio, Y. E., Hartayu, R., Setyadjit, K., Ridho’i, A., Hariadi, B., & San, S. (2023). Penghilang noise pada perintah suara menggunakan filter Butterworth dengan metode transformasi bilinier. https://doi.org/10.30996/elsains.v5i2.9525

Sugiantoro, Z., & Lionnie, R. (2026). Enhancing Isolation Forest with Threshold-based Filtering and LSTM for Attendance Anomaly Detection. ELKOMIKA Jurnal Teknik Energi Elektrik Teknik Telekomunikasi & Teknik Elektronika, 14(2), 136. https://doi.org/10.26760/elkomika.v14i2.135

Wicaksono, A., Laksono, E. P., & Hartiyani, S. D. (2023). Perbandingan tingkat kemiripan rekaman suara menggunakan metode Itakura-Saito distance untuk mendukung analisa audio forensik. Jurnal KomtekInfo, 10(1), 29–37. https://doi.org/10.35134/komtekinfo.v10i1.357

Yania, P. A. N., & Juniati, D. (2023). Penerapan dimensi fraktal Higuchi dan k-nearest neighbor dalam klasifikasi Passeriformes (burung pengicau) berdasarkan suara. MATHunesa Jurnal Ilmiah Matematika, 11(2), 92–101. https://doi.org/10.26740/mathunesa.v11n2.p92-101