Dampak Filter Digital Terhadap Kinerja Convolutional Neural Network pada Klasifikasi Suara Lingkungan

Abstrak

Sering kali, teknik pembatasan bandwidth ala telefoni diterapkan mentah-mentah pada sistem klasifikasi suara lingkungan tanpa validasi yang cukup. Untuk menguji efektivitasnya, penelitian ini mengevaluasi dampak berbagai filter digital (Low-Pass, High-Pass, Band-Pass, Band-Stop) terhadap kinerja CNN pada dataset ESC-50. Setelah menetapkan Log-Mel Spectrogram sebagai fitur input terbaik (mengungguli MFCC), eksperimen membuktikan bahwa filter Band-Pass standar (300-3400 Hz) dan Low-Pass justru merusak akurasi. Ini mengonfirmasi bahwa suara lingkungan membutuhkan spektrum frekuensi yang luas (broadband), terutama di frekuensi tinggi. Temuan positif justru didapat dari penggunaan High-Pass Filter (HPF) orde rendah (FIR-32) dengan cut-off 1000 Hz, yang berhasil meningkatkan akurasi hingga 66.20% di atas baseline. Analisis spektral memperlihatkan bahwa konfigurasi ini sukses membuang noise rendah tanpa memicu efek transient smearing (distorsi waktu). Oleh karena itu, studi ini merekomendasikan HPF orde rendah sebagai standar baru, sembari menyarankan penggunaan filter adaptif (learnable filters) di masa depan.