Pengenalan Emosi Berdasarkan Fitur Akustik Suara Menggunakan Metode Support Vector Machine: Emotion Recognition Based on Acoustic Features of Speech Using Support Vector Machine

Veronika Lia Listiyaningsih; Susi Marianingsih

doi:10.57152/malcom.v6i3.2771

Authors

Veronika Lia Listiyaningsih Universitas Sains dan Teknologi Jayapura
Susi Marianingsih Universitas Sains dan Teknologi Jayapura https://orcid.org/0000-0002-6737-2752

DOI:

https://doi.org/10.57152/malcom.v6i3.2771

Keywords:

Fitur Akustik, MFCC, Pengenalan Emosi, Pengenalan Emosi Suara, Support Vector Machine

Abstract

Pengenalan emosi berbasis suara merupakan bidang penting dalam pengolahan sinyal suara dan kecerdasan buatan yang bertujuan untuk mengidentifikasi kondisi emosional seseorang berdasarkan karakteristik akustik. Penelitian ini mengembangkan model klasifikasi emosi menggunakan Support Vector Machine (SVM) dengan kombinasi fitur Mel-Frequency Cepstral Coefficients (MFCC), pitch, dan energy untuk merepresentasikan karakteristik spektral, frekuensi dasar, dan intensitas suara. Dataset yang digunakan adalah RAVDESS yang terdiri atas 1.440 data audio dengan delapan kelas emosi. Setelah proses data cleaning, sebanyak 1.245 data digunakan dalam penelitian. Tahapan meliputi preprocessing audio, ekstraksi dan normalisasi fitur, pembagian data latih dan uji, pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi performa. Hasil pengujian menunjukkan bahwa SVM dengan kernel Radial Basis Function (RBF) mencapai akurasi terbaik sebesar 82%, dengan nilai macro-average precision, recall, dan F1-score masing-masing sebesar 0,82. Performa model meningkat dari 40% pada model awal menjadi 60% setelah data cleaning, 77% setelah ekstraksi dan normalisasi fitur, serta 82% setelah hyperparameter tuning. Kombinasi MFCC, pitch, dan energy memberikan performa terbaik dibandingkan dengan penggunaan fitur tunggal maupun kombinasi parsial.

Downloads

Download data is not yet available.

References

T. Wani, T. Gunawan, S. A. Qadri, M. Kartiwi, and E. Ambikairajah, “A Comprehensive Review of Speech Emotion Recognition Systems,” IEEE Access, vol. PP, p. 1, 2021, doi: 10.1109/ACCESS.2021.3068045.

S. Madanian et al., “Speech emotion recognition using machine learning — A systematic review,” Intell. Syst. with Appl., vol. 20, p. 200266, 2023, doi: https://doi.org/10.1016/j.iswa.2023.200266.

A. S. Alluhaidan, O. Saidani, R. Jahangir, M. A. Nauman, and O. S. Neffati, “Speech Emotion Recognition through Hybrid Features and Convolutional Neural Network,” Appl. Sci., vol. 13, no. 8, 2023, doi: 10.3390/app13084750.

J. de Lope and M. Graña, “An ongoing review of speech emotion recognition,” Neurocomputing, vol. 528, pp. 1–11, 2023, doi: https://doi.org/10.1016/j.neucom.2023.01.002.

J. Ancilin and A. Milton, “Improved speech emotion recognition with Mel frequency magnitude coefficient,” Appl. Acoust., vol. 179, p. 108046, 2021, doi: https://doi.org/10.1016/j.apacoust.2021.108046.

I. P. Odi Nurdiawan, Dian Ade Kurnia, Dadang Sudrajat, “Hybrid Model for Speech Emotion Recognition using Mel-Frequency Cepstral Coefficients and Machine Learning Algorithms,” J. Tek. Inform., vol. 6, no. 5, pp. 3352–3367, 2025, doi: https://doi.org/10.52436/1.jutif.2025.6.5.5143.

H. Blanco?Canqui et al., “Cover Crops and Soil Health in Rainfed and Irrigated Corn: What Did We Learn After 8 Years?,” Soil Sci. Soc. Am. J., vol. 87, no. 5, pp. 1174–1190, 2023, doi: 10.1002/saj2.20566.

U. Hasanah, A. Santoso, Y. Pratiwi, S. Sulthoni, and M. Farid, “Exploring the Correlation of Self-Perception on the Use of Digital Literacy in Learning,” Int. J. Eval. Res. Educ., vol. 13, no. 6, p. 4354, 2024, doi: 10.11591/ijere.v13i6.27114.

X. Kang, “Speech emotion recognition algorithm of intelligent robot based on ACO-SVM,” Int. J. Cogn. Comput. Eng., vol. 6, pp. 131–142, 2025, doi: https://doi.org/10.1016/j.ijcce.2024.11.008.

S. R. Livingstone and F. A. Russo, The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). 2018.

C.-C. Chang and C.-J. Lin, “LIBSVM: A library for support vector machines,” ACM Trans. Intell. Syst. Technol., vol. 2, no. 3, May 2011, doi: 10.1145/1961189.1961199.

N. Nur Shabrina, F. Kasyidi, and R. Ilyas, “A BiLSTM-Based Approach For Speech Emotion Recognition In Conversational Indonesian Audio using SMOTE,” J. Tek. Inform., vol. 6, no. 5, pp. 3173–3187, 2025, doi: 10.52436/1.jutif.2025.6.5.5183.