EVALUASI MODEL WAVENET UNTUK KLASIFIKASI PERINTAH SUARA REAL-TIME PADA KONTROL KARAKTER GAME

Abstrak

Sistem kontrol game tradisional memiliki keterbatasan dalam aspek aksesibilitas, terutama bagi pemain dengan keterbatasan motorik. Penelitian ini mengevaluasi performa arsitektur deep learning WaveNet untuk klasifikasi perintah suara real-time dalam game. Model WaveNetClassifier dilatih menggunakan dataset 1.200 sampel perintah suara yang terdiri dari empat kelas arah: "down", "up", "right", dan "left". Untuk meningkatkan generalisasi, data latih diaugmentasi dengan background noise. Model dievaluasi dalam tiga eksperimen terpisah (seed 42, 123, dan 456). Hasil menunjukkan model mencapai rata-rata akurasi 80,7% pada data bersih dan 80,4% pada data bising. Analisis statistik menunjukkan konsistensi tinggi dengan standar deviasi hanya 3,66%. Pengujian latensi menghasilkan rata-rata waktu inferensi 5,2 ms, yang menunjukkan kelayakan untuk aplikasi real-time. Penurunan performa spesifik teridentifikasi pada klasifikasi perintah "Left" (Recall 51,9%) yang disebabkan oleh karakteristik fonetik. Penelitian selanjutnya disarankan untuk memperluas dataset dan menerapkan teknik augmentasi tingkat lanjut.