ANALISIS KLASIFIKASI PERINTAH SUARA BERBASIS MACHINE LEARNING TERDISTRIBUSI MENGGUNAKAN APACHE SPARK

Abstract

Penelitian ini mengenai klasifikasi perintah suara terus berkembang  seiring meningkatnya kebutuhan sistem interaksi manusia dan komputer pada perangkat berbasis kecerdasan buatan. Dataset audio berskala besar seperti Google Speech Commands menimbulkan tantangan komputasi terutama pada tahap pra-pemrosesan dan ekstraksi fitur. Penelitian ini bertujuan untuk menganalisis penerapan machine learning terdistribusi menggunakan Apache Spark dalam proses klasifikasi perintah suara. Metode yang digunakan meliputi ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC), normalisasi fitur menggunakan StandardScaler, serta klasifikasi menggunakan algoritma Logistic Regression dan Random Forest pada Spark MLlib. Dataset yang digunakan adalah Google Speech Commands yang terdiri dari lebih dari 64.000 file audio. Evaluasi model dilakukan menggunakan metrik akurasi serta analisis visualisasi data menggunakan Principal Component Analysis (PCA). Hasil penelitian menunjukkan bahwa Apache Spark mampu memproses dataset audio skala besar secara efisien dalam lingkungan komputasi terdistribusi. Model Logistic Regression memperoleh akurasi sebesar 25,72%, sedangkan Random Forest sebesar 18,07%. Hasil ini menunjukkan bahwa penggunaan fitur MFCC berbasis rata-rata masih memiliki keterbatasan dalam merepresentasikan karakteristik temporal sinyal suara