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

Abstrak

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.