IMPLEMENTASI FAST FOURIER TRANSFORM DAN EKSTRAKSI SPEKTRAL UNTUK KLASIFIKASI GENDER SUARA MENGGUNAKAN SUPPORT VECTOR MACHINE

Abstract

Perkembangan teknik pengolahan sinyal membuka peluang luas untuk pengenalan karakteristik suara manusia, termasuk klasifikasi gender. Penelitian ini mengembangkan sistem klasifikasi gender berbasis rekaman suara (.wav) dengan rangkaian pra-pemrosesan yang meliputi normalisasi, penghilangan noise, dan augmentasi data untuk memperkaya variasi sampel. Pada tahap ekstraksi, Fast Fourier Transform (FFT) digunakan untuk memperoleh parameter spektral (mean amplitude, spectral centroid, bandwidth, roll-off), sementara fitur akustik tambahan seperti MFCC, Chroma, dan Zero Crossing Rate (ZCR) turut diekstraksi untuk memperkaya representasi sinyal. Seluruh fitur kemudian didistandarisasi menggunakan StandardScaler dan direduksi dimensinya melalui Principal Component Analysis (PCA) untuk mempertahankan sebagian besar variansi sekaligus mengurangi redundansi. Model klasifikasi dilatih menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) yang dioptimalkan melalui GridSearchCV. Pengujian menunjukkan model terbaik (C = 1, γ = 'auto') mencapai akurasi 98,54% dengan nilai precision dan recall di atas 98% pada kedua kelas dengan Confusion Matrix yang mendukung performa tinggi tersebut. Hasil ini menegaskan bahwa kombinasi ekstraksi spektral dan fitur akustik, dipadukan dengan reduksi dimensi dan penyetelan SVM, efektif untuk membedakan suara Male dan Female, sehingga berpotensi diterapkan pada sistem pengenalan suara dan autentikasi biometrik berbasis audio.