Deteksi Suara Sirine Ambulans Berbasis Audio Menggunakan Principal Component Analysis dan Neural Network

Auddly Fauzan Herasbudi, M (2025) Deteksi Suara Sirine Ambulans Berbasis Audio Menggunakan Principal Component Analysis dan Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (898kB)
	PDF BAB_I.pdf Download (102kB)
	PDF BAB_II.pdf Download (354kB)
	PDF BAB_III.pdf Download (148kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (665kB)
	PDF BAB_V.pdf Download (87kB)
	PDF DAFTAR_PUSTAKA.pdf Download (144kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (98kB)

Abstract

Di era teknologi modern, gangguan pendengaran merupakan salah satu disabilitas yang cukup umum di seluruh dunia. Lebih dari 1,5 miliar orang mengalami berbagai tingkat gangguan pendengaran, sehingga banyak orang kesulitan mendeteksi suara di sekeliling mereka, termasuk suara darurat seperti sirine ambulans yang penting bagi keselamatan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi suara sirine ambulans menggunakan principal component analysis (PCA) dan neural network. Metode ini didasarkan pada analisis komponen utama dan jaringan syaraf untuk mengenal pola suara sirine secara akurat. Penggunaan algoritma convolutional neural network (CNN) dengan fitur Mel-Frequency Cepstral Coefficients (MFCC) membantu meningkatkan kemampuan deteksi suara sirine meski dalam kondisi bising yang bervariasi. Selain itu, analisis statistik dilakukan dengan menghitung nilai mean dan standar deviasi dari fitur MFCC yang diekstraksi untuk memberikan gambaran yang lebih jelas mengenai distribusi data suara sirine. Hasil penelitian menunjukkan bahwa sistem ini dapat mendeteksi suara sirine ambulans dengan akurasi lebih dari 90%, serta nilai mean dan standar deviasi yang menunjukkan konsistensi dalam pengenalan pola suara. Hasil penelitian menunjukkan bahwa seleksi fitur, baik menggunakan statistik maupun PCA, memberikan kontribusi signifikan terhadap performa model. Model dengan seleksi fitur statistik menunjukkan akurasi tertinggi pada pengujian sebesar 91.61% menggunakan Hybrid CNN-LSTM pada 200 epoch. Sementara itu, model dengan seleksi fitur PCA juga menghasilkan akurasi yang kompetitif sebesar 91.83% menggunakan CNN pada 200 epoch.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deteksi Suara, Sirene Ambulans, Principal Component Analysis (PCA), Neural Network, Neural Network (NN), Mel-Frequency Cepstral Coefficients (MFCC)
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	05 Feb 2025 11:03
Last Modified:	05 Feb 2025 11:03
URI:	https://kc.umn.ac.id/id/eprint/36444

Actions (login required)

View Item