IMPLEMENTASI MACHINE LEARNING UNTUK IDENTIFIKASI ORANG BATUK / BERSIN
Abstract
Hal terpenting pada machine learning adalah fitur ekstraksi dari sebuah data mentah. Pada jurnal ini akan dijelaskan mengenai Implementasi Machine Learning untuk identifikasi orang batuk / bersin. Tujuan utama penelitian ini adalah bagaimana mengklasifikasi suara bersin dan batuk pada situasi yang sulit seperti noise yang terdapat pada data mentah. Pekembangan kecerdasan buatan yang cukup pesat terutama pada klasifikasi suara menggunakan machine learning dapat membantu untuk membedakan batuk dan bersin berdasarkan suara. Dalam tugas akhir ini, algoritma Long Short Term Memory (LSTM) digunakan karena algoritma ini mampu mengklasifikasikan pola suara dari suatu data. Untuk menghasilkan program pendeteksi batuk penulis membuat 3 program utama yaitu Pre-Processing, Training, dan Prediction. Melalui metode yang digunakan, Implementasi Machine Learning untuk identifikasi orang batuk / bersin mampu mencapai nilai rata-rata akurasi 68,52%, presisi 88,10% dan recall 62,03%.
Full Text:
PDF 81-86References
“Batuk.†https://id.wikipedia.org/wiki/Batuk.
Kai K Lee, Sergio Matos, Katie Ward, Gerrard F Rafferty, John Moxham and S. S. B. David H Evans, “Sound: a non-invasive measure of cough intensity,†2017.
A. Jasmine and A. K. Jayanthy, “Sensor-based system for automatic cough detection and classification,†Test Eng. Manag., vol. 83, no. October 2015, pp. 13826–13834, 2015.
“Bersin,†[Online]. Available: https://id.wikipedia.org/wiki/Bersin.
Hasibuan, F. C., & Rahayu, A. U. (2022). Identifikasi Persediaan Makanan di dalam Lemari Pendingin Berbasis Raspberry Pi dan Deep Learning. Electrician: Jurnal Rekayasa dan Teknologi Elektro, 16(1), 94-101.
O. Simeone, “A brief introduction to machine learning for engineers,†Found. Trends Signal Process., vol. 12, no. 3–4, pp. 200–431, 2018, doi:10.1561/2000000102.
D. Wu, “An Audio Classification Approach Based on Machine Learning,†Proc. - 2019 Int. Conf. Intell. Transp. Big Data Smart City, ICITBS 2019, pp. 626–629, 2019, doi: 10.1109/ICITBS.2019.00156.
F. Weninger and B. Schuller, “AUDIO RECOGNITION IN THE WILD : STATIC AND DYNAMIC CLASSIFICATION ON A REAL-WORLD DATABASE OF ANIMAL VOCALIZATIONS Felix Weninger and Bj ¨ Institute for Human-Machine Communication, Technische Universitat Munchen 80290 Munchen, Germany,†Ger. Res., pp. 337–340, 2011.
E. C. Knight and E. M. Bayne, “Classification threshold and training data affect the quality and utility of focal species data processed with automated audio-recognition software,†Bioacoustics, vol. 28, no. 6, pp. 539–554, 2019, doi: 10.1080/09524622.2018.1503971.
DOI: https://doi.org/10.37058/jeee.v4i2.6836
Refbacks
- There are currently no refbacks.
Journal of Energy and Electrical Engineering (JEEE)
Program Studi Teknik Elektro Fakultas Teknik Universitas Siliwangi
Jl. Siliwangi No. 24 Kota Tasikmalaya - 46115
email: jeee@unsil.ac.id
e-ISSN: 2720-989X
INDEXED BY:
