Pengenalan Suara Untuk Identifikasi Personal Menggunakan LVQ

Pengenalan Suara Untuk Identifikasi Personal Menggunakan LVQ

ABSTRAK

Sistem pengenalan diri adalah sebuah sistem untuk mengenali identitas seseorang secara otomatisdengan menggunakan komputer. Kebanyakan sistem pengenalan diri menggunakan kata sandi, ID card, atau PIN untuk mengidentifikasi seseorang. Namun pengenalan diri tersebut memiliki beberapa kelemahan. Untuk mendapatkan tingkat keamanan yang lebih baik maka peneliti tertarik untuk membuat sistem pengena lan suara untuk identifikasi personal. Proses identifikasi suara pengucapan nama dimulai dari proses merekam suara dari 5 orang yang dijadikan subyek penelitian dengan alat perekam. Proses perekaman ini dilakukan dalam kondisi ruangan yang tenang untuk meminimalisasi noise. Hasil dari perekaman kemudian diekstrak cirinya dan disimpan di dalam database. Proses ekstraksi ciri yang dilakukan pada penelitian ini adalah ekstraksi ciri MFCC. Setelah didapatkan ekstraksi ciri yang diinginkan maka dilakukan pelatihan dengan jaringan syaraf tiruan LVQ untuk mendapatkan bobot pelatihan. Jika bobot dari hasil pelatihan sudah didapatkan, maka bobot tersebut akan digunakan dalam proses pengujian. Presentase keberhasilan pelatihan pada alfa 0.0001 dan decalfa 0.1 adalah 98.67% dengan iterasi sejumlah 44 kali. Sedangkan pada pengujian, hasil terbaik didapatkan pada alfa 0.0001 dan dec alfa 0.2 adalah 82.67% dengan iterasi sejumlah 21 kali.

Kata kunci: FFT; Jaringan Syaraf Tiruan; Kecerdasan Buatan; LVQ; MFCC; Pengenalan Suara

ABSTRACT

Self-recognition system is a system that used to access personal information automatically using a computer. Common self-recognition system usually used password, identity card, or PIN to identify for someone related. However, that self-recognition has several weaknesses. To reach a better level, researchers are interested in creating a voice recognition system to identify individuals. The process of names pronunc iation identification starts from the recording process of the voices from 5 people who were made as the research subject with a recording device. This recording process is carried out in quiet room conditions to minimize the noise. Then take the feature extraction and put it in a database from the results of recording. Feature extraction process carried out in this study is extraction of MFCC features. After obtaining the feature, learning was carried out to get the learning weight. Then the learning weight will be used in the testing process. The success percentage of learning obtained at alpha 0.0001 and dec alpha 0.1 is 98.67% with iterations 44 times. Whereas in the testing process, the best results obta ined at alpha 0.0001 and alpha dec alfa 0.2 were 82.67% with an iteration of 21 times.

Keywords: Artificial Intelligent; FFT; LVQ; MFCC; Neural Network ; Voice Recognition

Download Full PDF

Leave a Reply

Your email address will not be published. Required fields are marked *

X