Perancangan Sistem Voice Recognition Berbasi AI Pada Layanan Drive Thru Restoran Cepat Saji
Abstract
Perkembangan bisnis selalu meningkat seiring kebutuhan manusia yang bersifat konsumtif dalam bidang jasa layanan yaitu layanan drive-thru. Sistem layanan drive-thru pada restoran cepat saji menghadapi tantangan dalam efesiensi dan akurasi pemesanan, terutama untuk mengurangi biaya dan meningkatkan produktivitas layanan drive-thru. Penelitian ini bertujuan merancang dan mengaplikasikan sistem voice recognition berbasis AI pada layanan drive thru restoran cepat saji untuk meningkatkan keakuratan pemesanan. Teknologi voice recognition digunakan untuk mengubah gelombang suara menjadi bentuk teks dari model yang telah dilatih. Metode yang digunakan adalah metode Short Time Fourier Transform untuk membangun model Convolutional Neural Network dengan library Tensorflow menggunakan Python. Hasil dari penelitian yaitu akurasi sebesar 98%, presisi sebesar nilai 98%, recall sebesar 98%, dan F1-score sebesar 98%. Serta selama pelatihan 10 epoch mengalami kenaikan pada nilai akurasi dan penurunan pada nilai loss Hal ini menunjukkan bahwa model dapat mengenali pola – pola dan mampu mengenerelisasi data yang baru. Model yang dilatih disimpan dalam format h5 dan diimpelementasikan secara nyata.
Kata kunci— Voice recognition, Convolutional Neural Network, Drive thru, Tensorflow, Python
Downloads
References
[1] Badan Pusat Statistik, Buku Statistik Penyediaan
Makanan dan Minuman 2023. Jakarta : Badan Pusat
Statistik, 2024.
[2] Badan Pusat Statistik, Buku Statistik Penyediaan
Makanan dan Minuman 2020. Jakarta : Badan Pusat
Statistik, 2021.
[3] A. Devitra dan R. Purbaningtiyas,
Home System Menggunakan Voice Control Pada
Perangkat Iot,= Just IT J. Sist. Informasi, Teknol. Inf.
dan Komput., vol. 13, no. 1, hal. 53–59, 2022.
[4] R. M. R. Clinton dan S. Sengkey,
Daftar Pelanggaran Lalulintas Berbasis MiniKomputer Raspberry Pi,= J. Tek. Elektro dan
Komput. Vol.8, vol. 8, no. 3, hal. 181–192, 2019.
[5] D. Al-Fraihat, Y. Sharrab, F. Alzyoud, A. Qahmash,
M. Tarawneh, dan A. Maaita,
Utilizing Deep Learning: A Systematic Review of the
Latest Developments,= Human-centric Comput. Inf.
Sci., vol. 14, no. March, 2024, doi:
10.22967/HCIS.2024.14.015.
[6] F. Adnan, I. Amelia, dan S. ’Umar Shiddiq,
Learning,= Implementasi Voice Recognit. Berbas.
Mach. Learn., vol. 11, no. 1, hal. 24–29, 2022.
[7] H. R. Paleva dan B. H. Prasetio,
Time Fourier Transform pada MFCC untuk Sistem
Pengenalan Ucapan Tingkat Stres,= vol. 1, no. 1, hal.
1–10, 2024.
[8] A. H. Prawironegoro dan B. H. Prasetio,
TRANSFORM PADA PEMBICARA,= Pengemb.
Teknol. Inf. dan Ilmu Komput., vol. 1, no. 1, 2017.
[9] S. F. Salsabillah et al.,
Transform (STFT) Sebagai Feature Extraction
Deteksi Kerusakan Inner Race Bearing Motor
Induksi Secara Realtime Menggunakan Sinyal
Suara,= J. Tek. Elektro, vol. 06, no. 02, hal. 20–26,
2023.
[10] IBM,
IBM.com. Diakses: 5 Januari 2025. [Daring].
Tersedia pada: https://www.ibm.com/idid/topics/convolutional-neural-networks
[11] R. D. Nurfita dan G. Ariyanto,
Learning berbasis Tensorflow untuk Pengenalan
Sidik Jari,= Emit. J. Tek. Elektro, vol. 18, no. 1, hal.
22–27, 2018, doi: 10.23917/emitor.v18i01.6236.
[12] BPJIID,
Teknologi Kecerdasan Buatan untuk Pengenalan
Gambar,= bpjiid.uma.ac.id. Diakses: 5 Januari 2025.
[Daring]. Tersedia pada:
[13] A. ANHAR dan R. A. PUTRA,
Implementasi Self-Checkout System pada Toko Ritel
menggunakan Convolutional Neural Network
(CNN),= ELKOMIKA J. Tek. Energi Elektr. Tek.
Telekomun. Tek. Elektron., vol. 11, no. 2, hal. 466,
2023, doi: 10.26760/elkomika.v11i2.466.
[14] Sufriana,
Network) dalam Mengidentifikasi Varietas Buah
Berbasis Citra Digital,= purwadhika.com. Diakses: 5
Januari 2025. [Daring]. Tersedia pada:
[15] D. Normawati dan S. A. Prayogi,
Naïve Bayes Classifier Dan Confusion Matrix Pada
Analisis Sentimen Berbasis Teks Pada Twitter,= J.
Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, hal.
697–711, 2021.
