Menggunakan Algoritma Artificial Neural Network BAB I: PENDAHULUAN Background of Study • Tingginya tingkat kriminalitas anak-anak di bawah umur disebabkan akses internet yang bebas Menurut survei yang dilakukan oleh National Center for Missing and Exploited Children (NCMEC) pada tahun 2019, sekitar 70% dari kasus pornografi anak di internet yang dilaporkan melibatkan anak-anak di bawah usia 12 tahun. Selain itu, NCMEC melaporkan bahwa pada tahun 2019, sekitar 20% dari laporan yang mereka terima tentang eksploitasi seksual anak melibatkan korban di bawah usia 12 tahun. Selain itu, ada juga peningkatan jumlah kasus cyberbullying dan kekerasan online yang dilakukan oleh anak-anak dan remaja. Menurut sebuah studi yang dilakukan oleh Pew Research Center pada tahun 2018, sekitar 59% dari remaja Amerika Serikat mengalami berbagai bentuk cyberbullying, termasuk mengalami penghinaan online, pelecehan, dan ancaman. Meskipun sulit untuk memberikan statistik yang pasti, data ini menunjukkan bahwa paparan internet dapat berkontribusi pada perilaku kriminal dan kejahatan anak di bawah umur. Background of Study • Suara itu unik dan berbeda satu sama lain Suara dapat dianggap sebagai variabel yang unik dan berguna dalam penelitian AI karena setiap suara memiliki karakteristik unik yang dapat digunakan untuk mengidentifikasi individu atau bahkan untuk mengekstrak informasi lainnya. Background of Study • Tingkat keberhasilan algoritma ANN dalam pengenalan wajah ANN telah menunjukkan tingkat keberhasilan yang baik dalam tugas identifikasi wajah. Sebagai contoh, pada tahun 2021, peneliti dari China menggunakan arsitektur Deep Convolutional Neural Network (DCNN) untuk melakukan identifikasi wajah pada dataset Labeled Faces in the Wild (LFW) dan mencapai akurasi sebesar 99,80%. Research Questions • Bagaimana membuat program yang mampu mengidentifikasi gender dan usia berdasarkan suara secara real time? • Bagaimana tingkat keberhasilan identifikasi gender dan usia berdasarkan suara secara real time menggunakan algoritma artificial neural network? Objectives Tujuan yang ingin dicapai adalah menghasilkan suatu program untuk mengidentifikasi gender dan usia berdasarkan suara secara real time menggunakan algoritma artificial neural network. BAB II: KAJIAN PUSTAKA DAN DASAR TEORI Dalam penelitian ini, fitur suara diekstraksi dari sinyal suara menggunakan teknik Mel-Frequency Cepstral Coefficients (MFCC), kemudian ANN dan Deep Learning digunakan untuk mengklasifikasikan gender dan usia berdasarkan fitur suara. Selain itu, Transfer Learning juga digunakan untuk mempercepat proses pelatihan model dan meningkatkan akurasi klasifikasi. Fitur Suara Fitur suara merujuk pada karakteristik-karakteristik suara seperti pitch, intensitas, durasi, dan spektrum yang dapat digunakan untuk mengenali gender dan usia. Fitur-fitur tersebut dapat diekstraksi dari sinyal suara menggunakan teknik pemrosesan sinyal seperti Mel- Frequency Cepstral Coefficients (MFCC), Linear Predictive Coding (LPC), dan short-time Fourier Transform (STFT). Artificial Neural Network (ANN) Artificial Neural Network (ANN) adalah algoritma yang terinspirasi oleh struktur dan fungsi jaringan saraf otak manusia. ANN digunakan untuk memodelkan hubungan antara input dan output melalui serangkaian layer neuron yang terhubung. ANN digunakan dalam penelitian ini untuk mengklasifikasikan gender dan usia berdasarkan fitur suara. Deep Learning Deep Learning adalah cabang dari Machine Learning yang menggunakan Artificial Neural Network (ANN) dengan beberapa layer. Deep Learning digunakan dalam penelitian ini karena dapat meningkatkan performa klasifikasi dengan melakukan ekstraksi fitur secara otomatis dan mendeteksi fitur-fitur yang kompleks. Transfer Learning Transfer Learning adalah teknik deep learning yang memanfaatkan model-model yang telah dilatih sebelumnya untuk mempercepat proses pelatihan dan meningkatkan performa klasifikasi. Transfer Learning digunakan dalam penelitian ini untuk mempercepat proses pelatihan model dan meningkatkan akurasi klasifikasi. BAB III: METODOLOGI JADWAL PELAKSANAAN