🔊 Klasifikasi Tingkat Kebisingan Ruangan Menggunakan CNN

Streamlit-Based Deep Learning Application

Aplikasi ini merupakan implementasi model Convolutional Neural Network (CNN) untuk melakukan klasifikasi tingkat kebisingan ruangan berbasis data audio. Aplikasi dikembangkan menggunakan Streamlit sebagai antarmuka interaktif untuk memudahkan pengujian model secara langsung melalui web.

Penelitian ini bertujuan untuk mengevaluasi potensi CNN sebagai pendekatan awal dalam pengembangan sistem deteksi kebisingan kampus secara otomatis, khususnya sebagai solusi pendukung monitoring kenyamanan lingkungan belajar.

---

📌 Latar Belakang

Tingkat kebisingan merupakan salah satu faktor penting yang memengaruhi kenyamanan dan konsentrasi di lingkungan kampus. Metode pengukuran kebisingan secara manual memiliki keterbatasan dalam hal efisiensi dan keberlanjutan pengamatan.

Oleh karena itu, pendekatan berbasis deep learning digunakan untuk mengklasifikasikan tingkat kebisingan secara otomatis. Convolutional Neural Network (CNN) dipilih karena kemampuannya dalam mengekstraksi fitur spasial dari representasi sinyal audio seperti Mel-Spectrogram, yang umum digunakan dalam klasifikasi audio.

---

🎯 Tujuan Penelitian

• Mengimplementasikan model CNN untuk klasifikasi tingkat kebisingan ruangan
• Mengevaluasi performa CNN sebagai pendekatan awal sistem deteksi kebisingan
• Mengembangkan aplikasi berbasis Streamlit untuk pengujian model
• Mendukung pengembangan sistem monitoring kebisingan lingkungan kampus

---

🧠 Kelas Kebisingan

Model mengklasifikasikan tingkat kebisingan ke dalam beberapa kategori, antara lain:

• 🔵 Rendah (Low Noise)
• 🟡 Sedang (Medium Noise)
• 🔴 Tinggi (High Noise)

Kategori dapat disesuaikan dengan standar kebisingan dan dataset yang digunakan.

---

🚀 Fitur Aplikasi

Aplikasi Streamlit ini memiliki beberapa fitur utama, yaitu:

• 📁 Upload file audio berformat .wav
• 🔄 Preprocessing audio otomatis
• 📊 Ekstraksi fitur menggunakan Mel-Spectrogram
• 🧠 Prediksi tingkat kebisingan menggunakan model CNN
• 📈 Visualisasi hasil ekstraksi fitur
• 🧾 Tampilan hasil klasifikasi secara real-time

---

📂 Struktur Direktori

streamlit_app/
├── app.py                     # Main Streamlit application
├── model/
│   └── cnn_model.h5           # Model CNN terlatih
├── utils/
│   ├── preprocessing.py       # Audio preprocessing
│   └── feature_extraction.py  # Feature extraction (Mel-Spectrogram)
├── assets/                    # Dataset contoh / file pendukung
├── requirements.txt           # Dependencies
└── README.md

---

⚙️ Teknologi yang Digunakan

Python
Streamlit
TensorFlow / Keras
Librosa
NumPy
Matplotlib
Scikit-learn

---

🛠️ Cara Menjalankan Aplikasi

1️⃣ Clone Repository

git clone https://github.com/username/nama-repo.git
cd streamlit_app

2️⃣ Install Dependencies

pip install -r requirements.txt

3️⃣ Jalankan Aplikasi

streamlit run app.py

Aplikasi dapat diakses melalui browser pada:

http://localhost:8501

---

📊 Evaluasi Model

Evaluasi model CNN dilakukan menggunakan beberapa metrik, antara lain:

Accuracy

Precision

Recall

Confusion Matrix

Hasil evaluasi menunjukkan bahwa CNN memiliki potensi yang baik sebagai baseline model dalam pengembangan sistem klasifikasi kebisingan ruangan.

---

🌐 Deployment

Aplikasi ini dapat dideploy menggunakan beberapa platform, seperti:

Streamlit Community Cloud

Render

Hugging Face Spaces

Pastikan file requirements.txt dan app.py berada pada root aplikasi saat proses deployment.

---

📌 Kontribusi Akademik

Proyek ini dikembangkan sebagai bagian dari Tugas Besar / Proyek Mata Kuliah Deep Learning dan dapat dikembangkan lebih lanjut untuk:

Integrasi dengan sensor suara (IoT)

Sistem deteksi kebisingan secara real-time

Monitoring lingkungan kampus berbasis data

---

🛡️ Lisensi

Proyek ini menggunakan lisensi MIT License.

---

👥 Penulis

Kayla Amanda Sukma
NABIILAH PUTRI KARNAIA
MEIRA LISTYANINGRUM