Firdaus, Luthfi Raynalfi (2025) Deteksi tingkat kebisingan kendaraan bermotor menggunakan algoritma Convolutional Neural Network (CNN) dengan metode ekstraksi Mel Frequency Cepstrum Coefficients (MFCC). Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
01. Cover.pdf Download (185kB) | Preview |
|
|
Text (ABSTRAK)
02. Abstrak.pdf Download (158kB) | Preview |
|
|
Text (KETERANGAN BEBAS PLAGIARISM)
03. Pernyataan Karya Sendiri.pdf Download (217kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (DAFTAR ISI)
04. Daftar Isi.docx Download (149kB) |
|
|
Text (BAB I)
05. BAB I.pdf Download (301kB) | Preview |
|
|
Text (BAB II)
06. BAB II.pdf Restricted to Registered users only Download (461kB) |
|
|
Text (BAB III)
07. BAB III.pdf Restricted to Registered users only Download (653kB) |
|
|
Text (BAB IV)
08. BAB IV.pdf Restricted to Registered users only Download (874kB) |
|
|
Text (BAB V)
09. BAB V.pdf Restricted to Registered users only Download (194kB) |
|
|
Text (DAFTAR PUSTAKA)
10. Daftar Pustaka.pdf Restricted to Registered users only Download (188kB) |
|
|
Text (LAMPIRAN)
11. Lampiran.pdf Restricted to Repository staff only Download (901kB) |
Abstract
Tingkat kebisingan kendaraan bermotor merupakan salah satu faktor yang memengaruhi kenyamanan dan kesehatan lingkungan, serta menjadi perhatian dalam regulasi lalu lintas. Namun, proses pemantauan kebisingan masih dilakukan secara manual, sehingga kurang efisien dan sulit diterapkan secara luas. Penelitian ini bertujuan untuk mendeteksi dan mengklasifikasikan tingkat kebisingan kendaraan bermotor menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) untuk ekstraksi fitur suara, serta algoritma Convolutional Neural Network (CNN) sebagai model klasifikasi. Dataset yang digunakan terdiri dari 520 data suara kendaraan bermotor bising (sekunder dari Kaggle) dan 61 data suara kendaraan tidak bising (primer hasil rekaman lapangan). Data diproses melalui tahapan normalisasi, penyeimbangan kelas menggunakan Random Over Sampler (ROS), pembagian data (50:50, 60:40, 80:20), serta evaluasi menggunakan Confusion Matrix dan K-Fold Cross Validation (K=10). Hasil penelitian menunjukkan bahwa kombinasi RMSprop + Uniform pada skema pembagian data 80:20 menghasilkan akurasi tertinggi sebesar 93,30%, sedangkan kombinasi Nadam + Normal pada skema 50:50 mencapai akurasi 89,74%. Temuan ini membuktikan bahwa integrasi metode Mel Frequency Cepstral Coefficients (MFCC) dan algoritma Convolutional Neural Network (CNN) mampu mendeteksi tingkat kebisingan kendaraan bermotor dengan akurasi tinggi, sehingga dapat menjadi solusi potensial untuk pemantauan kebisingan dan mendukung penerapan regulasi lingkungan.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Kebisingan kendaraan; Convolutional Neural Network (CNN); Mel Frequency Cepstral Coefficients (MFCC); klasifikasi suara; deteksi kebisingan. |
| Subjects: | Data Processing, Computer Science Special Computer Methods > Artificial Intelligence Engineering > Noise and Countermeasures |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Luthfi Raynalfi Firdaus |
| Date Deposited: | 18 Sep 2025 07:31 |
| Last Modified: | 18 Sep 2025 07:31 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/120501 |
Actions (login required)
 |
View Item |
