<![CDATA[Polusi suara merupakan ancaman laten yang dapat memicu kerusakan pendengaran permanen (Noise-Induced Hearing Loss). Perangkat pemantau konvensional seperti Sound Level Meter (SLM) memiliki keterbatasan karena hanya mengukur intensitas desibel total tanpa mampu mengidentifikasi sumber spesifik pembawa bising. Penelitian ini merancang purwarupa sistem pemantau kebisingan lingkungan kerja cerdas berbasis edge computing pada Raspberry Pi 5 menggunakan sensor mikrofon digital INMP441 I2S. Sistem ini dirancang untuk menghitung Tingkat Kebisingan Ekuivalen (Leq dBA) sekaligus mengklasifikasikan 5 jenis sumber kebisingan (air conditioner, drilling, engine idling, jackhammer, dan siren). Metode klasifikasi yang diterapkan adalah Quantum Neural Network (QNN) berbasis Qubit Encoding (Amplitude Encoding) pada sirkuit 6-qubit, dengan membandingkan kinerjanya terhadap Convolutional Neural Network (CNN) klasik. Ekstraksi fitur menggunakan Log-Mel Spectrogram 64x64 piksel. Hasil pengujian menunjukkan bahwa model CNN unggul dengan akurasi 95,91% (waktu latih 790,63 detik), sedangkan QNN mencapai akurasi 65,88% (waktu latih 5918,55 detik). Pengujian kalibrasi perangkat keras menunjukkan tingkat galat pembacaan dBA hanya sebesar 1,11 dBA terhadap SLM referensi. Purwarupa ini berhasil mengintegrasikan prediksi kelas cerdas dengan kalkulasi desibel untuk memicu peringatan keselamatan kerja secara real-time berdasarkan Nilai Ambang Batas Keselamatan dan Kesehatan Kerja (K3) regulasi Permenaker No. 5 Tahun 2018.]]>
Copyrights © 2026
