PERANCANGAN ANTARMUKA APLIKASI KLASIFIKASI SUARA KEMACETAN

Abstract

Kemacetan lalu lintas merupakan masalah krusial di kota-kota besar Indonesia yang memerlukan sistem pemantauan yang efektif dan efisien. Banyak penelitian deep learning berfokus pada pengembangan model klasifikasi suara yang akurat, namun seringkali berhenti pada tahap validasi tanpa bukti konsep fungsional. Hal ini menciptakan kesenjangan antara potensi teknologi dan manfaatnya bagi masyarakat, di mana sistem yang ada belum dapat diakses dan digunakan secara luas. Penelitian ini bertujuan untuk merancang antarmuka aplikasi klasifikasi suara kemacetan yang intuitif dan mudah digunakan oleh masyarakat umum. Metode perancangan yang digunakan adalah software development life cycle (SDLC) dengan model waterfall. Proses ini mencakup tahapan analisis kebutuhan, desain, implementasi, dan pengujian. Proses desain awal antarmuka (UI/UX) dilakukan menggunakan Figma untuk membuat blueprint visual. Selanjutnya, implementasi antarmuka dikembangkan menjadi aplikasi web fungsional menggunakan framework Streamlit dengan bahasa pemrograman Python, yang dipilih karena kemampuannya dalam membuat prototipe berbasis data secara cepat. Hasil dari perancangan ini adalah sebuah prototipe aplikasi fungsional yang dikembangkan menggunakan Streamlit, yang berhasil merealisasikan semua fitur utama yang telah direncanakan, termasuk halaman home, about, karakteristik kelas, dan halaman klasifikasi interaktif. Fungsionalitas inti sistem, seperti unggah audio dan penampilan hasil prediksi, telah diuji dan berjalan sesuai rencana. Antarmuka yang dihasilkan ini berhasil menyajikan fungsionalitas klasifikasi suara yang kompleks dalam format yang mudah diakses. Penelitian ini sukses menghasilkan bukti konsep (proof of concept) yang menunjukkan kelayakan sistem pemantauan lalu lintas berbasis audio sebagai salah satu teknologi pendukung smart city.

Kemacetan lalu lintas merupakan masalah krusial di kota-kota besar Indonesia yang memerlukan sistem pemantauan yang efektif dan efisien. Banyak penelitian deep learning berfokus pada pengembangan model klasifikasi suara yang akurat, namun seringkali berhenti pada tahap validasi tanpa bukti konsep fungsional. Hal ini menciptakan kesenjangan antara potensi teknologi dan manfaatnya bagi masyarakat, di mana sistem yang ada belum dapat diakses dan digunakan secara luas. Penelitian ini bertujuan untuk merancang antarmuka aplikasi klasifikasi suara kemacetan yang intuitif dan mudah digunakan oleh masyarakat umum. Metode perancangan yang digunakan adalah software development life cycle (SDLC) dengan model waterfall. Proses ini mencakup tahapan analisis kebutuhan, desain, implementasi, dan pengujian. Proses desain awal antarmuka (UI/UX) dilakukan menggunakan Figma untuk membuat blueprint visual. Selanjutnya, implementasi antarmuka dikembangkan menjadi aplikasi web fungsional menggunakan framework Streamlit dengan bahasa pemrograman Python, yang dipilih karena kemampuannya dalam membuat prototipe berbasis data secara cepat. Hasil dari perancangan ini adalah sebuah prototipe aplikasi fungsional yang dikembangkan menggunakan Streamlit, yang berhasil merealisasikan semua fitur utama yang telah direncanakan, termasuk halaman home, about, karakteristik kelas, dan halaman klasifikasi interaktif. Fungsionalitas inti sistem, seperti unggah audio dan penampilan hasil prediksi, telah diuji dan berjalan sesuai rencana. Antarmuka yang dihasilkan ini berhasil menyajikan fungsionalitas klasifikasi suara yang kompleks dalam format yang mudah diakses. Penelitian ini sukses menghasilkan bukti konsep (proof of concept) yang menunjukkan kelayakan sistem pemantauan lalu lintas berbasis audio sebagai salah satu teknologi pendukung smart city