Convolutional Neural Network for Elevator User's Speech Classification

HAEKAL RIZKY, Afiahayati, S.Kom., M.Cs, Ph.D.

2021 | Skripsi | S1 ILMU KOMPUTER

Penggunaan deep learning untuk secara otomatis mengenali dan mengklasifikasikan nomor lantai dan perintah yang diucapkan oleh pengguna elevator dapat membantu mengurangi penularan COVID-19 melalui kontak fisik dengan tombol elevator. Untungnya, kemampuan Convolutional Neural Network (CNN) sebagai salah satu arsitektur deep learning untuk mengenali pola sudah dikenal dengan baik. Penelitian ini bertujuan untuk membuat data kata terisolasi dari nomor lantai dan perintah yang diucapkan kemudian membangun model pengklasifikasi untuk mengenali dan mengklasifikasikan nomor lantai dan perintah yang diucapkan oleh pengguna elevator. Dalam penelitian ini, data ucapan dikumpulkan dalam bahasa Indonesia dan diklasifikasikan menggunakan CNN dan Multilayer Perceptron (MLP). Pada akhir penelitian ini, ditemukan bahwa 94% akurasi klasifikasi diberikan oleh konfigurasi model CNN terbaik terhadap data uji. Hasil ini lebih baik daripada model MLP yang memberikan akurasi 80%.

The use of deep learning to automatically recognize and classify the floor numbers and commands spoken by elevator users could help reduce transmission of COVID-19 by physical contact with the elevator button. Fortunately, the ability of Convolutional Neural Network (CNN) as one of the deep learning architectures to recognize patterns is well-known. This research aims to create isolated-word data of spoken floor numbers and commands then build a classifier model to recognize and classify floor numbers and commands spoken by elevator users. In this research, speech data are gathered in Indonesian and classified using CNN and Multilayer Perceptron (MLP). At the end of this research, it is found that 94% of classification accuracy is provided by the best CNN model configuration towards test data. This outcome is better than the MLP model which provides 80% of accuracy.

Kata Kunci : COVID-19, Speech Classification, Deep Learning, Convolutional Neural Network