<![CDATA[Pengguna kursi roda dapat dikelompokkan menjadi tiga kategori utama, low need, medium need, high need. Dengan kategori high need adalah pengguna yang bergantung penuh dengan penggunaan kursi roda dan bantuan orang lain dalam mengoperasikannya. Upaya membuat smart wheelchair dengan menyertai fitur navigasi untuk menjalankan kursi roda merupakan inovasi yang dilakukan, diantaranya navigasi dengan joystick, sensor otot mata, dan lainnya. Salah satu metode navigasi adalah dengan menggunakan pengenalan suara yang menjadi fokus penelitian ini. Dengan tujuan untuk melakukan analisis terhadap performa sistem berdasarkan kombinasi metode penyusunnya. Diantaranya, implementasi noise reduction dengan spectral gating, metode ekstraksi fitur MFCC, GFCC, BFCC, dan LPCC, serta model deep learning CNN, RNN, dan LSTM. Melalui metode analisis signal to noise ratio (SNR), confusion matrix, dan uji korelasi pearson. Penelitian ini menyediakan jawaban kombinasi sistem navigasi suara pada smart wheelchair terbaik beserta data menjadi dasar dibaliknya. Berdasarkan hal itu, ditemukan peningkatan rata-rata nilai signal to noise ratio sebesar 31.13 setelah implementasi noise reduction dari 23.04; nilai confusion matrix dengan akurasi terbaik sebesar 96.54% untuk kombinasi sistem dengan noise reduction, MFCC, dan model LSTM; serta nilai uji korelasi pengaruh noise reduction terhadap model CNN sebesar 0.578, RNN sebesar 0.746, dan LSTM sebesar 0.471 menandakan adanya pengaruh signifikan bagi model CNN, RNN, dani LSTM.]]>
Copyrights © 2025
