<![CDATA[Komunikasi verbal adalah kunci dalam menyampaikan informasi melalui suara. Di era digital, kemampuan komputer untuk memahami ucapan manusia melalui teknologi speech to text menjadi semakin penting. Teknologi ini memungkinkan perangkat mengenali dan mengubah suara menjadi teks, dan telah diterapkan dalam berbagai aplikasi seperti asisten virtual dan sistem navigasi berbasis suara. Embedded systems menawarkan peluang besar untuk mengintegrasikan teknologi ini ke dalam perangkat kecil, andal, hemat daya, dan portabel. Namun, tantangan utama adalah keterbatasan komputasi dan penyimpanan. Penelitian ini mengusulkan solusi dengan menggunakan TensorFlow Lite, versi ringan dari TensorFlow, untuk mengoptimalkan model machine learning pada perangkat dengan sumber daya terbatas. Model yang digunakan dilatih dengan metode Mel-Frequency Cepstral Coefficients (MFCC) untuk ekstraksi ciri dan Convolutional Neural Network (CNN) untuk klasifikasi. Fokus penelitian ini adalah penerapan TensorFlow Lite yang dioptimalkan menggunakan Pruning dan Clustering pada sistem embedded untuk sistem speech to text, dengan tujuan menciptakan sistem yang efektif dan efisien. Hasil penelitian menunjukkan bahwa penggunaan TensorFlow Lite dapat mengatasi tantangan tersebut, memberikan kinerja yang optimal meskipun dengan keterbatasan perangkat keras. Penggunaan TensorFlow Lite mengurangi waktu inference sebesar 93.3% dan penggunaan memori RAM sebesar 17.1% dibangingkan dengan model yang tidak dioptimisasi. Evaluasi kinerja model menghasilkan nilai akurasi 0.97, presisi 0.994, recall 0.997, dan F1-score 0.997.]]>
Copyrights © 2024
