Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vikorian, Eldad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Pengaruh Ekstraksi Fitur Suara Bernoise Pada Kinerja Model Deep Learning Untuk Kendali Smart Wheelchair Vikorian, Eldad; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 10 (2024): Oktober 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dari data yang diterbitkan oleh (Kementerian Koordinator Bidang Pembangunan Manusia Dan Kebudayaan, 2023) mencatat terdapat sekitar 22,97 juta penyandang disabilitas, jumlah tersebut merupakan sekitar 8,5% dari populasi penduduk secara keseluruhan. Dari bermacam jenis disabilitas, disabilitas fisik paling sering dijumpai, penyandang disabilitas fisik seperti kehilangan fungsi pada kaki seringkali mengalami kesulitan dalam melakukan mobilisasi karena kehilangan salah satu fungsi anggota gerak tubuh. Untuk membantu mobilitas sehari-hari kursi roda telah menjadi alat bantu bagi individu yang mengalami keterbatasan gerak. Akan tetapi, di era modern seperti saat ini, kursi roda dituntut untuk semakin pintar dan responsif sehingga dapat menjadikan penggunanya lebih mandiri dalam mengoperasikannya. Oleh karena itu, penulis mengusulkan penelitian dengan metode analisis untuk mengetahui pengaruh antara kombinasi ekstraksi fitur (MFCC, GFCC, BFCC, dan LPCC) dengan arsitektur model (Transformer, ResNet50V2, dan U-Net) pada smart wheelchair. Penelitian ini bersifat non implementatif (analisis) difokuskan pada pelatihan model dan analisis uji statistik menggunakan metode ANOVA. Hasil menunjukkan bahwa kombinasi U-Net dan GFCC menghasilkan akurasi tertinggi, mencapai 98% pada data uji. Uji ANOVA mengindikasikan bahwa kombinasi arsitektur model dan ekstraksi fitur mempengaruhi akurasi secara signifikan, dengan nilai F rows (model) dan F columns (fitur) lebih besar dari nilai kritisnya, menunjukkan pengaruh signifikan dalam klasifikasi suara.
Co-Authors Utaminingrum, Fitri