Articles
<![CDATA[Rancang Bangun Sistem Deteksi Emosi Stres menggunakan Metode Spectral Contrast berbasis Android ]]>
<![CDATA[Permana, Galih]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Stres yang muncul akibat ketidakseimbangan antara realitas dan harapan individu, dapat berdampak signifikan pada kesejahteraan seseorang, memengaruhi kesehatan mental, dan produktivitas. Penelitian ini membahas prevalensi masalah terkait stres di Indonesia dan minimnya kesadaran, serta perhatian terhadap gejala stres yang berujung pada pencegahan dan manajemen yang tidak memadai. Dengan memanfaatkan analisis spektral, khususnya Spectral Contrast yang dikombinasikan dengan algoritma Convolutional Neural Network (CNN) dalam pembelajaran mesin, penelitian ini mengembangkan sistem deteksi stres untuk perangkat berbasis Android. Penelitian ini mencakup wawasan dari penelitian sebelumnya yang menunjukkan bahwa dengan memanfaatkan metode Spectral Contrast, sistem dapat menganalisis data suara masukan dengan membandingkan amplitudo tertinggi dan terendah, serta memberikan penilaian stres yang lebih akurat. Sistem ini mencapai tingkat akurasi model sebesar 87,5%, dengan waktu komputasi rata-rata 2-3 detik. Selain itu, sistem menawarkan fungsionalitas real-time dan fitur yang mudah digunakan melalui aplikasi khusus yang terhubung ke basis data online.]]>
<![CDATA[Sistem Kendali Smarthome menggunakan Speech Recognition dengan Spectrogram dan Convolutional Neural Network berbasis Mikrokontroler ]]>
<![CDATA[Putra, Ravelino Adhianto Surya]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Dalam kehidupan sehari-hari didalam rumah tentunya kita selalu menggunakan perangkat rumah untuk melakukan beberapa hal untuk kebutuhan kita, contohnya menyalakan lampu untuk penerangan rumah, buka pintu otomatis, dsb. Pada kehidupan berumah tangga, sistem rumah pintar atau smarthome mempunyai konsep menggabungkan teknologi terkini dengan peralatan elektronik yang ada dirumah untuk meningkatkan kualitas hidup, kenyamanan hidup, dan efisiensi energi untuk penghuni rumah itu sendiri. Smarthome atau rumah pintar sendiri berfungsi sebagai sistem cerdas yang memungkinkan penghuni rumah untuk mengontrol alat elektronik yang terdapat dirumah. Sehingga, alat elektronik dengan adanya smarthome ini dapat dikontrol dengan satu pengontrol sebagai satu pusatnya. Salah satu metode yang dapat dipakai untuk merancang sebuah sistem rumah pintar atau smarthome adalah menggunakan speech recognition. Speech recognition merupakan sebuah proses yang mempunyai input dari bentuk suara yang akan dikonversikan kedalam bentuk teks untuk mempermudah suatu kegiatan yang dilakukan manusia terhadap komputer. Supaya sistem ini dapat berjalan disini penulis menggunakan beberapa metode untuk proses speech recognition. Dengan mikrokontroler yang sudah ditentukan maka penulis menggunakan metode spectrogram dan convolutional neural network (CNN). Dari penelitian ini didapatkan akurasi dari fase training model CNN sebesar 92% dan akurasi percobaan pada mikrokontroler adalah pada kelas pada jarak 50 cm mendapatkan rata-rata sebesar 82%, pada jarak 100 cm sebesar 85%, pada jarak 150 cm sebesar 84%, pada jarak 200 cm sebesar 85%, pada jarak 250 cm sebesar 77%, dan pada jarak 300 cm sebesar 73%. Jarak optimal yang didapatkan adalah pada jarak 100 cm dan 200 cm. Waktu sistem menjalankan proses ini didapatkan pada rata-rata 0.0625 detik.]]>
<![CDATA[Penerapan Gerbang Spektrum untuk Mengurangi Noise pada Sistem Penghitung Pembicara ]]>
<![CDATA[Subianto, Aflah Fadhlurrahman]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penghitung pembicara (speaker counting) merupakan teknologi atau metodologi yang digunakan dalam mengidentifikasi dan menghitung jumlah pembicara dalam suatu berkas audio atau rekaman. Akan tetapi, dalam berkas audio atau rekaman terdapat noise yang dapat menganggu hasil penghitungan pembicara. Dengan adanya reduksi noise, kualitas berkas audio dapat meningkat karena noise pada audio berkurang dan dapat lebih jelas didengar. Penelitian ini bertujuan untuk memastikan bahwa gerbang spektrum dapat mereduksi noise pada berkas audio serta meningkatkan akurasi dan penghitungan jumlah pembicara. Dalam hal ini, menggunakan aplikasi komputer yang telah dibuat untuk mereduksi noise pada berkas audio dan menghitung jumlah pembicara dari berkas audio yang sudah tereduksi. Hasil dari pengujian menunjukkan kegagalan penerapan gerbang spektrum untuk mengurangi noise pada sistem penghitung pembicara. Gerbang spektrum mampu untuk mereduksi noise pada berkas audio, tetapi menyebabkan sumber suara pembicara ikut tereduksi. Peranan gerbang spektrum juga tidak mampu membantu meningkatkan hasil penghitungan jumlah pembicara yang bagus atau akurat. Tingkat akurasi dari penghitungan jumlah pembicara adalah 35%.]]>
<![CDATA[Penerapan Transformasi Wavelet pada Koefisien Cepstral Mel untuk Mengenali Stress Pembicara ]]>
<![CDATA[Ali, Zidane]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Stres merupakan suatu reaksi tubuh ketika mengalami suatu tekanan atau beban tertentu, baik itu dari situasi eksternal maupun internal. Masalah ini semakin meluas karena stres dapat memicu gangguan mental seperti kecemasan dan depresi. Selain gangguan mental, stres juga dapat menyerang penyakit fisik termasuk penyakit jantung dan penyakit lainnya. Pada lingkungan masyarakat sendiri masih tergolong rendah tentang kesadaran terhadap gejala stres tersebut. Banyak orang yang kesulitan dalam mengenali gejala dari stres bahkan cenderung mengabaikannya. Oleh karena itu, diperlukan sebuah teknologi yang mudah digunakan untuk mengenali stres pembicara. Pada penelitian ini akan membuat sebuah sistem yang dapat mengenali stres pembicara menggunakan ekstraksi fitur WFCC (Waveletbased Frequency Cepstral Coefficients), yang mana metode ini akan mengganti transformasi FFT dengan transformasi Wavelet yang memiliki keunggulan dalam menangkap perubahan sinyal audio pada berbagai skala waktu dan frekuensi. Sedangkan untuk metode klasifikasinya pada penelitian ini menggunakan CNN (Convolutional Neural Network). Penelitian ini menggunakan aplikasi Android sebagai perangkat yang digunakan agar mempermudah pengguna dalam mengakses sistem yang dibuat. Sistem ini berhasil mendapatkan akurasi 87.20% yang telah memenuhi kriteria yang telah ditentukan pada tahap perancangan.]]>
<![CDATA[Denoising Sinyal Suara menggunakan Gerbang Spektrum pada Sistem Pengenalan Emosi Stress ]]>
<![CDATA[Yusuf, Delfi Olivia]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Perkembangan zaman yang pesat turut mendorong kemajuan teknologi dalam berbagai aspek kehidupan. Dalam konteks ini, pengukuran emosi stres manusia secara mobile telah menjadi fokus utama, namun metode tradisional yang melibatkan penggunaan website dan pengisian kuisioner terbukti kurang efektif. Oleh karena itu, penelitian ini mengusulkan pendekatan baru dengan menggunakan pengukuran emosi stres berbasis suara untuk meningkatkan objektivitas pengukuran. Metode Convolutional Neural Network (CNN) dipilih karena kemampuannya untuk mengambil fitur, memungkinkan algoritma ini untuk beradaptasi dengan data baru secara lebih efisien. Proses denoising sinyal suara menggunakan gerbang spektrum adalah metode yang pengurangan kebisingan yang digunakan pada penelitian ini. Gerbang spektrum terpilih karena kemampuannya menghilangkan noise pada frekuensi yang sudah ditetapkan, meningkatkan kualitas sinyal dan keakuratan pengukuran. Meskipun tingkat akurasi yang diperoleh saat ini sebesar 60%, penelitian ini menyoroti pentingnya verifikasi data yang lebih luas dan penelitian lebih mendalam terkait pengurangan kebisingan suara untuk meningkatkan kinerja sistem. Sistem yang dikembangkan dapat dijalankan melalui platform Android, memudahkan akses dan penggunaan oleh pengguna. Dengan melibatkan pengukuran emosi stres berbasis suara dan teknologi pengurangan kebisingan, penelitian ini memberikan kontribusi terhadap pengembangan sistem yang lebih efektif dan dapat diandalkan dalam mendukung pemantauan kesejahteraan emosional manusia secara mobile.]]>
<![CDATA[Sistem Pengenalan Tipe Vokal menggunakan Hamming Windowing pada Koefisien Frekuensi Mel ]]>
<![CDATA[Fadhillah, Muhammad Galih]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada kelompok paduan suara, perlu dilakukan pengelompokkan vokalis berdasarkan tipe vokal seperti alto, bass, sopran, dan tenor untuk menghasilkan paduan suara yang idah. Selama ini kelompok paduan suara masih menggunakan bantuan piano untuk menentuka tipe vokal setiap vokalis, sehingga tidak praktis untuk digunakan dimana saja. Sebelumnya juga terdapat penelitian terdahulu untuk mengenali tipe vokal dengan menggunakan metode (KNN) namun masih belum memberikan akurasi yang optimal. Pada penelitian ini, alat untuk melakukan klasifikasi tipe vokal akan dikembangkan agar dapat dilakukan dimana saja dengan menggunakan Raspberry Pi 4 Model B. Raspberry Pi 4 Model B dipilih karena ukurannya yang kecil, memudahkan mobilitas, dan dapat dioperasikan dengan power bank sebagai sumber daya. Metode yang digunakan melibatkan ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) dengan penerapan hamming windowing untuk memastikan akurasi tinggi. Setelah ekstraksi fitur, klasifikasi dilakukan menggunakan Convolutional Neural Network (CNN) berdasarkan dataset yang dimiliki. Metode klasifikasi ini menghasilkan model yang mencapai akurasi testing sebesar 93%. Dengan demikian, sistem ini efektif membantu kelompok paduan suara menentukan tipe vokal secara praktis dan efisien di berbagai lokasi. Keberhasilan implementasi teknologi Raspberry Pi 4 Model B sebagai platform sistem menunjukkan potensi untuk meningkatkan mobilitas dan aksesibilitas dalam proses identifikasi tipe vokal pada paduan suara.]]>
<![CDATA[Penerapan Adaptive Framing pada Generator Koefisien Frekuensi Mel untuk Sistem Klasifikasi Tipe Vokal ]]>
<![CDATA[Panggabean, Riki Boy]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tipe vokal manusia: Sopran, Alto, Tenor, dan Bass seringkali diidentifikasi melalui interaksi dengan alat musik seperti piano dan bimbingan dari ahli vokal. Pendekatan ini kurang praktis dan memiliki keterbatasan dalam portabilitas serta aksesibilitas. Penelitian ini bertujuan untuk mengatasi keterbatasan tersebut dengan mengembangkan alat berupa sistem penerapan Mel-Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN). Penelitian ini menggunakan pendekatan Adaptive Framing pada MFCC untuk meningkatkan hasil ekstraksi fitur suara. Sistem dibuat di dalam Raspberry Pi 4B dengan input mini usb microphone dan output LCD 3.5 Inch. Sistem yang telah dikembangkan menunjukkan kinerja yang baik dari segi fungsionalitas, mulai dari tahap inisialisasi (booting) hingga menghasilkan output klasifikasi tipe vokal manusia pada Raspberry Pi. Nilai akurasi pengujian model dengan menggunakan algoritma CNN adalah sebesar 94,5%. Hal tersebut menandakan model yang dibuat memiliki akurasi yang baik untuk diimplementasikan. Pada pengujian alat, hasil yang didapat untuk melakukan klasifikasi tipe vokal manusia adalah sebesar 65%. Sistem ini memenuhi kebutuhan penentuan tipe vokal tanpa ketergantungan pada ahli vokal, portabilitas tinggi, dan dapat digunakan dalam berbagai konteks.]]>
<![CDATA[Penerapan Transformasi STFT (Short Time Fourier Transform) pada Koefisien Frekuensi Mel untuk Mengenali Tipe Vokal Suara ]]>
<![CDATA[Kamal, Attar Syifa]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tipe suara vokal merupakan jenis suara yang menjadi tantangan untuk diketahui oleh seorang penyanyi. Tipe suara vokal umumnya terbagi menjadi 4 kelas yakni alto, tenor, bass, dimana proses identifkasi dari setiap kelas umumnya menggunakan piano. Penelitian ini bertujuan untuk membuat alat pengklasifikasi tipe suara vokal yang dapat digunakan dimana saja dan kapan saja. Alat tersebut dirancang dengan menerapkan MFCC (Mel Frequency Cepctral Coeefficient) yang diekstrak melalui penerapan Algoritma STFT (Short Time Fourier Transform) serta diimplementasikan ke dalam Raspbbery Pi 4 Model B. Peneltian menggunakan dataset Esmuc-Choir yang telah dimodifikasi dengan durasi rekaman selama 3 detik. Setelah berhasil diekstraksi, tahapan klasifikasi untuk setiap kelas dilakukan dengan menggunakan Algoritma CNN (Convolutional Neural Network). Alat nantinya akan dioperasikan dengan menggunakan LCD dan GUI (Graphical User Interface). Hasil penelitian menunujkkan bahwa model CNN berhasil mencapai tingkat akurasi sebesar 97% sementara alat berhasil menunjukkan tingkat akurasi sebesar 65% dari 20 kali percobaan. Alat dan sistem secara keseluruhan bekerja dengan baik sehingga membuka potensi untuk pengembangan lebih lanjut.]]>
<![CDATA[Penerapan Short Time Fourier Transform pada MFCC untuk Sistem Pengenalan Ucapan Tingkat Stres ]]>
<![CDATA[Paleva, Haidar Rheza]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 4 (2024): April 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Stres adalah suatu emosi pada kondisi yang tidak nyaman oleh seseorang karena tekanan yang melampaui kemampuan sesorang dari faktor internal dan eksternal, sehingga dapat berdampak buruk di kehidupan sehari-hari. Oleh karena itu, diperlukan alat yang dapat melakukan proses screening secara dini kepada pengguna, ketika seseorang atau diri sendiri sedang mengalami stres atau tidak sebagai tindakan pencegahan akibat stres lebih lanjut. Penelitian ini menggunakan ekstraksi fitur MFCC dengan penerapan Algoritma Short Time Fourier Transform dan klasifikasi CNN untuk sistem pengenalan tingkat stres melalui ucapan berbasis aplikasi Android. Sistem ini mengenali tingkat stres berdasarkan suara melalui mikrofon MEMS, lalu data suara tersebut diunggah ke server dan diproses data tersebut dan ditampilkan hasil prediksi tingkat stres pada layar ponsel. Hasil dari pengujian dengan menggunakan 20 kali pengujian suara secara acak pada sistem dikatakan cukup efektif dalam memprediksi tingkat stres tinggi dan rendah suara pengguna dengan akurasi 70%, sedangkan rata-rata waktu komputasi secara keseluruhan saat proses pengujian didapatkan selama 5,95 detik. Sistem aplikasi menyediakan fungsi real-time dan fitur ramah pengguna yang dapat diakses dengan mudah melalui aplikasi yang terhubung ke database server. Sistem ini dapat memantau tingkat stres pengguna dengan mudah dan memberikan solusi deteksi stres yang optimal.]]>
<![CDATA[Penerapan Short Time Fourier Transform Pada Koefisien Cepstral Mel untuk Menghitung Jumlah Pembicara ]]>
<![CDATA[Prawironegoro, Abdul Harris]]>;
<![CDATA[Prasetio, Barlian Henryranu]]>
<![CDATA[ Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 3 (2024): Maret 2024 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Sistem penghitung jumlah pembicara merupakan dasar dari sistem pengenalan suara. Banyak aplikasi masa kini yang membutuhkan sistem pemrosesan suara, seperti “SIRI” pada iphone, “Google Assistant” pada google. Sistem sistem tersebut terdapat beberapa kesalahan jika banyak pembicara yang memerintahkan sekaligus, maka dari itu sistem penghitung jumlah pembicara sangat penting untuk sistem-sistem tersebut untuk membagi suara pembicara yang memerintah. Pada penelitian sebelumnya sistem penghitung jumlah pembicara hanya menggunakan Short-Time Fourier Transform (STFT) sebagai ekstraksi fiturnya, pada penelitian ekstraksi fitur menggunakan MFCC dengan fourier transformasinya menggunakan STFT yang biasanya menggunakan FFT. Implementasi dari sistem ini menggunakan Raspberry pi 4 model B dan menggunakan Convolutional Neural Network (CNN) sebagai klasifikasinya. Penelitian kali ini mencapai rata-rata 53% akurasi saat testing. Hal ini dikarenakan beberapa faktor salah satunya adalah data testing yang kurang variatif sehingga ketika mendapat data testing yang tidak sesuai dengan training menghasilkan output yang kurang sesuai. Penelitian ini juga menguji keberhasilan dari sistem dalam melakukan ekstraksi fitur dengan menggunakan STFT pada MFCC, dan hasil dari pengujian menunjukan keberhasilan dari sistem dalam melakukan ekstraksi fitur.]]>
