Pengenalan Jenis Kelamin dalam Lingkungan Multiaksen Menggunakan Metode Multi Layer Perceptron (MLP) dan Gated Recurrent Unit (GRU)
Gender Recognition in a Multiaccent Environment Using Multi Layer Perceptron (MLP) and Gated Recurrent Unit (GRU) Methods
DOI:
https://doi.org/10.57152/malcom.v4i3.1323Keywords:
GRU, MLP, Multiaksen, Pengenalan Jenis KelaminAbstract
Pengenalan jenis kelamin dalam lingkungan multiaksen merupakan tantangan kompleks dalam pengembangan sistem kecerdasan buatan. Sistem ini bekerja dengan mendeteksi suara masukkan dalam suatu file suara, selanjutnya dilakukan analisis terhadap suara tersebut guna mendeteksi jenis kelamin dari sumber suara. Penelitian ini merupakan awal dari pengembangan sistem berbasis suara menggunakan kecerdasan buatan yang bermanfaat untuk kemudahan interaksi manusia dengan gawai guna peningkatan produktivitas dan aksesibilitas dari pengguna sistem. Penelitian ini mengeksplorasi pendekatan kecerdasan buatan dengan menggunakan dua model jaringan saraf, yaitu Multi Layer Perceptron (MLP) dan Gated Recurrent Unit (GRU). Data yang digunakan sebanyak 4000 data dengan pembagian 2000 data suara perempuan dan 2000 data suara laki-laki. Dilakukan pembagian data latih sebesar 80% dan data uji sebesar 20% dari total keseluruhan data. Hasil evaluasi pengujian model menggunakan MLP dengan 2 hidden layer sebesar (128 & 64) mendapat hasil akurasi sebesar 79%, rata- rata hasil precision 79%, recall 79%, dan skor f1 79%. Sedangkan penggunaan metode GRU dengan lapisan GRU sebanyak 64 unit mendapat hasil akurasi 75%, rata-rata hasil precision 75,5%, recall 75,5%, dan skor f1 75%. Dengan demikian, pada penelitian ini, Model dengan MLP memiliki performa yang lebih unggul dalam mendeteksi jenis kelamin berdasarkan suara dalam lingkungan multiaksen.
References
Handoko, I. T., & Suyanto (2019). Klasifikasi Gender dan Usia berdasarkan Suara Pembicara Menggunakan Hidden Markov Model. nd. Journal on Computing, 4(3),. 99-106.
Safriadi, S., & Rahmadani, R. (2020). Klasifikasi Gender Berdasarkan Suara dengan Naive Bayes dan Mel Frequency Cepstral Coefficient. VOCATECH: Vocational Education and Technology Journal, 2(1), 19-26.
Rahardiani, N. O. (2017). Optimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke (Doctoral dissertation, Universitas Brawijaya).
Voice-Academy. Male and Female Voices. https://uiowa.edu/voice-academy/male-female-voices. Online; Accessed 22 November 2023.
Sari, N. R., & Mar’atullatifah, Y. (2023). PENERAPAN MULTILAYER PERCEPTRON UNTUK IDENTIFIKASI KANKER PAYUDARA. Jurnal Cakrawala Ilmiah, 2(8), 3261-3268.
Husada, I. N., & Toba, H. (2020). Pengaruh Metode Penyeimbangan Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia. Jurnal Teknik Informatika dan Sistem Informasi, 6(2).
Gema A. P. & Suhartono Derwin. Recurrent Neural Network (RNN) dan Gated Recurrent Unit (GRU). diakses pada 26 November 2023, https://socs.binus.ac.id/2017/02/13/rnn-dan-gru/
Alwi, A. A., Adikara, P. P., & Indriati, I. (2020). Pengenalan Jenis Kelamin dan Rentang Umur berdasarkan Suara menggunakan Metode Backpropagation Neural Network. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(7), 2083-2093.
Asmara, R. A., Andjani, B. S., Rosiani, U. D., & Choirina, P. (2018). Klasifikasi Jenis Kelamin Pada Citra Wajah Menggunakan Metode Naive Bayes. Jurnal Informatika Polinema, 4(3), 212-217.
Bhaskoro, S. B. (2012). Aplikasi pengenalan gender menggunakan suara. In Seminar Nasional Aplikasi Teknologi Informasi (SNATI).
Utami, S. N. (2022, November 5). Penentuan Jenis Kelamin pada Manusia. KOMPAS.com. https://www.kompas.com/skola/read/2022/11/05/112306769/penentuan-jenis-kelamin-pada-manusia#:~:text=KOMPAS.com%20%E2%80%93%20Berdasarkan%20jenis%20kelamin,menjadi%20laki%2Dlaki%20dan%20perempuan.
L. Sarangi, M. N. Mohanty, and S. Pattanayak, “Design of MLP Based Model for Analysis of Patient Suffering from Influenza,” in Procedia Computer Science, 2016, vol. 92, pp. 396–403, doi: 10.1016/j.procs.2016.07.396.
G. E. Hinton, “Learning multiple layers of representation,” Trends in Cognitive Sciences, vol. 11, no. 10. pp. 428–434, Oct. 2007, doi: 10.1016/j.tics.2007.09.004.
H. K. Cigizoglu, “Estimation and forecasting of daily suspended sediment data by multi-layer perceptrons,” vol. 27, pp. 185–195, 2004, doi: 10.1016/j.advwatres.2003.10.003.
E. E?rio?lu, Ç. H. Alada?, and S. Günay, “A new model selection strategy in artificial neural networks,” Appl. Math. Comput., vol. 195, no. 2, pp. 591–597, 2008, doi: 10.1016/j.amc.2007.05.005.
O’Shaughnessy, D. (2024). Trends and developments in automatic speech recognition research. Computer Speech & Language, 83, 101538. https://doi.org/10.1016/j.csl.2023.101538
Anishnama. (2023b, May 4). Understanding Gated Recurrent Unit (GRU) in deep learning. Medium. https://medium.com/@anishnama20/understanding-gated-recurrent-unit-gru-in-deep-learning-2e54923f3e2
Kostadinov, S. (2019, November 10). Understanding GRU Networks - towards Data science. Medium. https://towardsdatascience.com/understanding-gru-networks-2ef37df6c9be
Verilia, F. A., Firdaus, R., & Septama, H. D. (2023). Pengembangan Pengenalan Aktivitas Manusia Secara Real Time Menggunakan Metode Convolutional Neural Network dan Deep Gated Recurrent Unit. ULIL ALBAB: Jurnal Ilmiah Multidisiplin, 2(2), 899-909.
Adam, A. Z. R., & Setiawan, E. B. (2023). Social Media Sentiment Analysis using Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), 9(1), 119-131.
Adelia, R., Suyanto, S., & Wisesty, U. N. (2019). Indonesian abstractive text summarization using bidirectional gated recurrent unit. Procedia Computer Science, 157, 581-588.
