Implementasi AlgoriImplementasi Algoritma Convolutional Neural Network (CNN) untuk pembacaan kode sandi morse dalam kepramukaantma Convolutional Neural Network (CNN) untuk Pembacaan Kode Sandi Morse dalam Kepramukaan

Lestari, Dea (2025) Implementasi AlgoriImplementasi Algoritma Convolutional Neural Network (CNN) untuk pembacaan kode sandi morse dalam kepramukaantma Convolutional Neural Network (CNN) untuk Pembacaan Kode Sandi Morse dalam Kepramukaan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (72kB) | Preview
Preview	Text 2_abstrak.pdf Download (141kB) | Preview
Preview	Text 3_skbebasplagiarisme.pdf Download (334kB) | Preview
Preview	Text 4_daftarisi.pdf Download (310kB) | Preview
Preview	Text 5_bab1.pdf Download (162kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (433kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (216kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (914kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (25kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (260kB) | Request a copy

Abstract

Kode Sandi Morse telah lama menjadi bagian penting dalam komunikasi pramuka, terutama dalam kegiatan pelatihan dan keadaan darurat. Namun, proses penerjemahan sandi Morse secara manual dinilai kurang efisien, membutuhkan konsentrasi tinggi, dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi suara peluit Kode Sandi Morse menjadi huruf alfabet A–Z secara otomatis menggunakan metode Convolutional Neural Network (CNN) dan ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC). Data yang digunakan berupa 5.200 file audio hasil rekaman peluit dengan distribusi seimbang untuk setiap huruf. Proses pra-pemrosesan meliputi normalisasi durasi, pengurangan noise, dan augmentasi data. Model CNN dibangun menggunakan dua lapisan konvolusi dan diuji dengan rasio data pelatihan 75:15:10 dan 70:20:10 serta jumlah epoch 20. Hasil evaluasi menunjukkan bahwa konfigurasi terbaik diperoleh pada rasio 70:20:10 dengan 20 epoch, menghasilkan akurasi sebesar 86%. Sistem ini juga berhasil diimplementasikan dalam bentuk antarmuka web yang memudahkan pengguna mengunggah file suara dan memperoleh hasil klasifikasi secara instan. Penelitian ini menunjukkan bahwa pendekatan CNN dan MFCC efektif dalam pengenalan suara sandi Morse dan berpotensi dikembangkan lebih lanjut untuk aplikasi di lingkungan kepramukaan.

Actions (login required)

View Item