<![CDATA[Keamanan asrama di Telkom University saat ini masih mengandalkan sistem konvensional seperti kunci manual dan logbook, yang dinilai kurang memadai, rentan, dan kurang aman. Keterbatasan ini memungkinkan akses yang tidak sah dan meningkatkan risiko kehilangan barang berharga mahasiswa. Untuk mengatasi permasalahan tersebut, dirancanglah sebuah "Smart Dorm Key" berbasis pengenalan suara (voice recognition) menggunakan machine learning dengan metode Mel-Frequency Cepstral Coefficients (MFCC) untuk pemrosesan ekstraksi suara dan menggunakan model Convolutional Neural Networks (CNN) untuk pengenalan suara. Pengujian sistem dilakukan dengan melibatkan Hazbi berjumlah 475 dataset, Ito 712 dataset, Faiq 477 dataset, dan Unknown 988 dataset. Terdapat tiga macam kondisi pengujian yaitu dalam keadaan normal, berisik, dan serak. Hasil pengujian menunjukkan bahwa sistem ini dapat mengenali suara dengan akurasi dalam keadaan normal 91% untuk dataset suara terdaftar dan 88% untuk dataset suara tidak terdaftar, namun dalam keadaan berisik dan serak akurasi berkurang menjadi 68% (terdaftar) dan 62% (tidak terdaftar) untuk keadaan berisik, 73% (terdaftar) dan 66% (tidak terdaftar) dalam keadaan serak. Kata kunci— CNN, Keamanan Asrama, MFCC, Smart Dorm Key, Voice Recognition.]]>
Copyrights © 2025
