Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini melakukan studi mengenai sistem identifikasi pembicara berbahasa Indonesia menggunakan SVM. Parameter sistem terdiri atas silence removal, PCA, nilai rata-rata dan varians MFCC. Ujicoba menggunakan data berita berbahasa Indonesia dari televisi dan radio yang disegmen dalam 5, 10, 15 detik dengan jumlah data 26 jam (715 pembicara). Hasil penelitian ini menunjukkan ketepatan pengenalan pembicara sebesar 94-98% untuk kombinasi parameter silence removal dan rata-rata MFCC dengan akurasi terbaik pada segmen waktu 10 detik. Namun dengan bertambahnya jumlah pembicara, ketepatan pengenalan cenderung berkurang. Penelitian ini dapat dikembangkan untuk sistem perolehan informasi data speech berdasarkan siapa yang berbicara dalam suatu sesi data.

---

This research studies speaker identification system for Indonesian speech based on SVM. Parameters of this system are silence removal, PCA, average and varians values of MFCC. The experiments use 26 hours (715 speakers) Indonesian broadcast news from radio and television segmented into 5, 10, 15 seconds. The results achieve 94-98% identification accuracy for combination of parameters silence removal and average of MFCC. The best accuracy comes from 10 seconds time segment. However, the accuracy falls when the number of speakers increases. This study could be used for speech retrieval system based on who speaks in a speech session.

Abstrak :
Penelitian ini melakukan studi mengenai sistem identifikasi pembicara berbahasa Indonesia menggunakan SVM. Parameter sistem terdiri atas silence removal, PCA, nilai rata-rata dan varians MFCC. Ujicoba menggunakan data berita berbahasa Indonesia dari televisi dan radio yang disegmen dalam 5, 10, 15 detik dengan jumlah data 26 jam (715 pembicara). Hasil penelitian ini menunjukkan ketepatan pengenalan pembicara sebesar 94-98% untuk kombinasi parameter silence removal dan rata-rata MFCC dengan akurasi terbaik pada segmen waktu 10 detik. Namun dengan bertambahnya jumlah pembicara, ketepatan pengenalan cenderung berkurang. Penelitian ini dapat dikembangkan untuk sistem perolehan informasi data speech berdasarkan siapa yang berbicara dalam suatu sesi data. ......This research studies speaker identification system for Indonesian speech based on SVM. Parameters of this system are silence removal, PCA, average and varians values of MFCC. The experiments use 26 hours (715 speakers) Indonesian broadcast news from radio and television segmented into 5, 10, 15 seconds. The results achieve 94-98% identification accuracy for combination of parameters silence removal and average of MFCC. The best accuracy comes from 10 seconds time segment. However, the accuracy falls when the number of speakers increases. This study could be used for speech retrieval system based on who speaks in a speech session.

Abstrak :
Setiap kelompok yang berkompetisi biasanya memiliki penggemar. Penggemar selalu hadir untuk mendukung idolanya. Seiring dengan berkembangnya teknologi kini seorang penggemar dimampukan untuk mengirim pesan atau komentar kepada idolanya. Interaksi pun terjadi antara penggemar dengan idolanya melalui sosial media. Dari terpaan informasi melalui sosial media tersebut akhirnya seseorang menjadi anggota fandom untuk yang diidolakannya. Seperti misalnya seorang yang tergabung dalam fandom terhadap klub Sepakbola yang diidolakannya. Ia tidak akan segan untuk menandai klub tersebut bahkan menandai personel klub tersebut dalam komentar yang disampaikanya. Meskipun komentar dan semangat yang disampaikan tidak pernah dibalas oleh idolanya hal itu tidak menyurutkan niat sang penggemar untuk mendukung idolanya. Namun ada juga seorang penggemar yang menyampaikan kritik agar idolanya menjadi lebih baik lagi. Dalam fandom sendiri juga erat kaitannya dengan kehadiran penggemar dan antifans. Antifans mendasari perilakunya dengan kebencian dan rasa muak. Sehingga kerapkali komentar yang disampaikan adalah hinaan. Seringkali anggota fandom yang merupakan seorang penggemar dan seorang antifans berkonflik. Di mana sang penggemar membela idolanya dari segala kritik dan hinaan. Serta hal inilah yang menjadikan kolom komentar pada akun sosial media dari suatu komunitas penggemar menjadi interaktif. Konflik yang terjadi tentunya dipicu oleh rivalitas antara penggemar satu kelompok dengan penggemar kelompok lainnya dan keduanya saling familiar karena saling mengamati perkembangan rivalnya. Dari komentar- komentar yang disampaikan tersebut penulis menyimpulkan terdapat tipe pelontar komentar yakni fanatik positif, realistis, dan fanatik negatif. Komentar- komentar yang disampaikan juga dibagi menjadi empat tipe yakni komentar membela, komentar menyemangati, komentar kritik, dan komentar menghina. Dari studi fandom ini penulis juga menjelaskan tingkatannya yakni entertainment social level ,personal intense level, dan borderline pathological. Melalui tiga faktor utama tersebut yakni tipe pembicara, tipe pembicaraan, serta tingkatan fandom. Penulis hendak menjelaskan mengapa hubungan berbasis medium digital tersebut dapat bertahan. Temuan studi ini membuka peluang hubungan parasosial yang awalnya di tingkat personal sangat mungkin untuk dikaji dalam level kelompok. Hal ini di dorong oleh teknologi yang memudahkan pembentukan & kolaborasi. ......Every group that compete in competition usually has a fans. The fans always there to support their idol.Along with the development of technology, a fan is now enabled to send messages or comments to his idol. Interaction between a fan and his idol also happen through social media. Through information exposure by the social media finally a fan can be a member of fandom. As an example a person that joined in the fandom of football club that he love. He will never regret to tag the club or even the club's member in the comment that he sent. Eventhough the comments and the support that was sent never been replied by his idol. This issue never decrease the will from the fan to support his idol. But also there's a fan that send the critics to his idols to be better. In the 'fandom' itself has a closely related between the presence of fans and antifans. Antifans underlies his behavior with hatred and disgust. So that usually the comments that he sent was the insults. More often a member of fandom and antifans were in conflict. And this is the reason that makes the comment column can be interactives. The conflict is certainly triggered by rivalry between supporters of one group and supporters of the other groups and both are familiar with each other as they observe the development of their rivals. From the comments conveyed, the authors conclude that there are types of commentators namely positive, realistic, and negative fanatics. The comments delivered were also divided into four types namely defensive comments, encouraging comments, critical comments, and derogatory comments. From this fandom study the authors also explained the level of entertainment social level, personal intense level, and borderline pathological. Through these three main factors, namely the type of speaker, type of conversation, and the level of fandom. The author wants to explain why digital media- based relationships can survive. The findings of this study open opportunities for parasocial relations which at the personal level are initially very likely to be studied at the group level. This is driven by technology that facilitates the formation & collaboration.

Abstrak :
Makalah ini membantu tentang pengembangan sistem identifikasi pembicara menggunakan analisis spektra orde tinggi dan jaringan neural sebagai pengklasifikasi pola. Analisa spektra orde tinggi ini perlu dipergunakan untuk mengetahui performasinya dalam mengidentifikasi pembicara berdasarkan suara yang terpendam dalam Gaussian noise. Berkaitan dengan proses pengolahan data hasil analisis spektra orde tinggi memerlukan biaya komputasi yang sangat tinggi, maka kompresi data kemudian dilakukan tanpa mengurangi kandungan informasi yan ada di dalamnya. Kompresi data ini dilaksanakan menggunakan jaringan neural hibrida antara SOM dan LVQ, dengan membangkitkan sejumlah vektor pewakil yang dianggap dapat mewakili seluruh vektor pewakil yang dianggap dapat mewakili seluruh vektor data hasil analisa spektra orde tinggi tersebut. Sebagai salah satu faktor dalam memperbandingkan kinerja analisa spektra orde tinggi ini, maka jumlah vektor pewakil dibatasi bergerak antara 25 hingga 343 buah. Jaringan neural probabillistik yang dipergunakan sebagai pengklasifikasi pola, menunjukkan kinerja yang sangat baik untuk dapat menentukan apakah seorang pembicara dapat teridentifikasi dengan benar. Hasil eksperimen menunjukkan bahwa sistem dapat menentukan dengan tingkat ketelitian 100% pada suara dengan tingkat noise 20 dB dan menurun menjadi 97% untuk SNR dB dan 89% untuk SNR 0 dB.