Bella, Bella (2019) Aplikasi mobile electronic wallet berbasis android dengan fitur voice authentication (TI - 1456). Skripsi thesis, Universitas Tarumanagara.
Text
535150006_Bella_01 Cover.pdf Download (36kB) |
|
Text
535150006_Bella_02 Lembar Pengesahan.pdf Download (142kB) |
|
Text
535150006_Bella_03 Lembar Pernyataan.pdf Download (93kB) |
|
Text
535150006_Bella_04 Abstrak.pdf Download (40kB) |
|
Text
535150006_Bella_05 Kata Pengantar.pdf Download (41kB) |
|
Text
535150006_Bella_06 Daftar Isi, Tabel, Gambar, Lampiran.pdf Download (70kB) |
|
Text
535150006_Bella_07 Bab 1.pdf Restricted to Registered users only Download (65kB) |
|
Text
535150006_Bella_08 Bab 2.pdf Restricted to Registered users only Download (800kB) |
|
Text
535150006_Bella_09 Bab 3.pdf Restricted to Registered users only Download (96kB) |
|
Text
535150006_Bella_10 Bab 4.pdf Restricted to Registered users only Download (104kB) |
|
Text
535150006_Bella_11 Bab 5.pdf Restricted to Registered users only Download (43kB) |
|
Text
535150006_Bella_12 Daftar Pustaka.pdf Download (49kB) |
|
Text
535150006_Bella_13 Lampiran.pdf Restricted to Registered users only Download (2MB) |
|
Text
535150006_Bella_14 Daftar Riwayat Hidup.pdf Restricted to Registered users only Download (38kB) |
Abstract
Perkembangan sistem pembayaran secara online yang pesat mendorong pembentukan sistem pembayaran online berbasis mobile. Sistem pembayaran online berbasis mobile ini dalam bentuk aplikasi mobile dompet elektronik atau electronic wallet (e-wallet). Aplikasi mobile e-wallet yang dibuat berfokus pada pembelian pulsa dengan fitur voice authentication. Voice authentication adalah sistem yang digunakan untuk memeriksa keaslian identitas pengguna akun dalam melakukan pembelian melalui suara pengguna. Voice authentication terdiri dari dua model yakni model speaker verification dan speech recognition. Ekstraksi ciri suara menggunakan metode Mel Frequency Cepstral Coefficient dan pelatihan kedua model menggunakan metode deep learning yakni Siamese Network yang terdiri dari Convolutional Neural Network (CNN) dan metode Long Short Term Memory (LSTM). Akurasi pelatihan yang didapat model speaker verification sebesar 69% sedangkan akurasi pelatihan model speech recognition sebesar 99%. Pengujian terhadap model speaker verification dan model speech recognition dievaluasi berdasarkan confusion matrix, precision, recall, dan F1-Score. Hasil pengujian model speaker verification kurang memuaskan dengan nilai F1-Score sebesar 48% pada prediksi data pengujian. Sedangkan, model speech recognition mendapatkan hasil yang memuaskan dengan nilai F1-Score sebesar 81% pada prediksi data pengujian.
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | Convolutional Neural Network, Long Short Term Memory, Mel Frequency Cepstral Coefficients, Siamese Network, Voice Authentication. |
Subjects: | Skripsi/Tugas Akhir Skripsi/Tugas Akhir > Fakultas Teknologi Informasi |
Divisions: | Fakultas Teknologi Informasi > Teknik Informatika |
Depositing User: | TDI Family perpus |
Date Deposited: | 30 Apr 2021 11:11 |
Last Modified: | 24 May 2021 03:34 |
URI: | http://repository.untar.ac.id/id/eprint/26556 |
Actions (login required)
View Item |