Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Penelitian ini melaporkan tingkat keberhasilan dari sistem speech recognition yang diimplementasikan ke dalam quadcopter sebagai kendali geraknya. Pada sistem speech recognition digunakan metode mel frequency cepstral coefficient MFCC sebagai feature extraction yang kemudian akan di-training menggunakan metode recursive neural network RNN . Metode MFCC sendiri merupakan salah satu metode feature extraction yang paling banyak digunakan untuk speech recognition. Metode tersebut memiliki tingkat keberhasilan yang cukup besar sekitar 80 - 95 . Pada penelitian ini akan digunakan database yang sudah ada dan database yang baru. Database yang sudah ada akan digunakan sebagai media pengukur tingkat keberhasilan metode RNN. Database yang baru akan dibuat menggunakan bahasa indonesia dan kemudian dibandingkan tingkat keberhasilannya dengan hasil dari database yang sudah ada. Suara yang masuk dari microphone akan diolah pada laptop yang telah memiliki modul DSP dengan metode MFCC untuk mendapatkan nilai karakteristiknya. Nilai karakteristik tersebut kemudian akan di-training menggunakan RNN yang hasilnya berupa perintah. Perintah tersebut akan menjadi input kendali bagi single board computer SBC yang hasilnya berupa pergerakan quadcopter.

---

ABSTRACT
This research reports a success rate of speech recognition systems that are implemented into quadcopter as motion control. Speech recognition system is using mel frequency cepstral coefficient method MFCC as feature extraction that will be trained using recursive neural network method RNN . MFCC method is one of the feature extraction method that most used for speech recognition. This method has a success rates about 80 95 . This research will use the existing database and the new database. Existing database will be used for measure the success rate of RNN method. The new database will be created using Indonesian language and then the success rate will be compared with results from an existing database. Sound input from the microphone will be processed on a laptop that has a DSP module with MFCC method to get the characteristic values. The characteristic values then will be trained using the RNN which result is command. The command will become a control input to the single board computer SBC which result is the movement of quadcopter.

Abstrak :
Kelapa kopyor merupakan kelapa yang mengalami kelainan genetik sehingga daging buahnya tidak menempel pada tempurung kelapa. Hal tersebut diakibatkan oleh defisiensi enzim ?-D-galaktosidase yang menyebabkan tekstur dari daging kelapa kopyor unik. Keunikan tersebut menjadikannya memiliki banyak peminat sehingga harganya lebih tinggi, mencapai 4-5 kali lipat dari harga kelapa biasa. Dari penampakan luarnya kelapa kopyor tidak berbeda dibanding kelapa biasa. Selama ini petani maupun penjual menggunakan cara tradisional dengan mendengarkan suara guncangan dari kelapa kopyor untuk membedakannya. Sayangnya, cara tersebut sangat bergantung pada pengalaman dan keterampilan dari pemilahnya. Maka dari itu, pada penelitian ini diajukan metode deteksi kelapa kopyor berbasis pengenalan suara menggunakan Mel Frequency Cepstrum Coefficient MFCC sebagai metode ekstraksi fitur suara dan Dynamic Time Warping DTW sebagai metode pencocokan fitur suara. Objek yang akan dideteksi adalah kelapa kopyor dan kelapa biasa yang sudah tua. Dengan menggunakan kedua metode tersebut, sebuah program telah dibuat untuk dapat mendeteksi kelapa kopyor dengan akurasi sebesar 96.4.

---

Kopyor coconut is a coconut that has genetic abnormalities which cause the coconut meat to not stick to the coconut shell. It is caused by deficiency of enzyme D galactosidase which causes the texture of kopyor coconut meat to become unique. Its uniqueness attracts many enthusiasts resulting in a high economic value, 4 5 times that of the ordinary coconut. From its external appearance, kopyor coconut does not differ with ordinary coconut. To date, both farmers and sellers use a traditional method by listening to the sound of whisk from kopyor coconut to detect them. Unfortunately, it relies heavily on experience and expertise of the person. Therefore, a new detection method is proposed based on sound recognition using Mel Frequency Cepstrum Coefficient MFCC as the method for feature extraction and Dynamic Time Warping DTW as the method for feature matching. Objects that will be detected are kopyor coconuts and ordinary coconut which has grown mature. By using both methods, a program has been developed to detect kopyor coconut with an accuracy 96.4.

Abstrak :

Emosi merupakan hal penting yang dimiliki oleh manusia. Banyak riset yang sudah dilakukan untuk menganalisis emosi seseorang secara langsung maupun tidak langsung. Salah satu topik dari machine learning yang berkembang adalah sistem yang mampu mempelajari isi suara manusia untuk menentukan emosi seseorang yang dinamakan speech emotion recognition. Banyak riset yang sudah dilakukan masih menggunakan dataset berbahasa Inggris, untuk itu diperlukan penelitian speech emotion recognition dengan menggunakan dataset berbahasa Indonesia. Pada penelitian ini dilakukan analisa speech emotion recognition menggunakan  4 model berbeda yaitu Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), dan Logistic Regression (LR). Penelitian ini dilakukan dengan menggunakan hasil ekstraksi dari Mel-frequency Cepstral Coefficient (MFCC) yang dimasukkan ke dalam bentuk matriks 2D sebagai input menuju model percobaan. Dataset yang digunakan merupakan cuplikan dialog berbahasa Indonesia dengan karakteristik emosi tertentu yang sudah dikelompokkan terlebih dahulu. Dari percobaan yang telah dilakukan, didapatkan hasil bahwa model SVM memiliki tingkat rata-rata akurasi tertinggi jika dibandingkan dengan model lainnya, yaitu sebesar 59%. Sedangkan untuk model LR, KNN, dan CNN didapatkan tingkat akurasi rata-rata secara berurutan sebesar 54,5%; 53,5%; dan 47,7%.

---

Emotions are important things in human life. A lot of research had been done to analyze persons' emotions directly or indirectly. One of the topics of machine learning that is developing is a system that could understand the content of the human voice to determine a person's emotions called speech emotion recognition. Much of the research that had been done still uses English datasets. Therefore, speech emotion recognition research using Indonesian language datasets is needed. In this study, Speech Emotion Recognition analysis was performed using 4 different models, such as Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), and Logistic Regression (LR). This study was conducted using the extraction outputs from the Mel-frequency Cepstral Coefficient (MFCC) which was converted into a 2D matrix. The output would be used as an input to the model. The dataset used was a snippet of Indonesian dialogue with several emotional characteristics that had been grouped. Based on this study, the results showed that the SVM model had the highest average level of accuracy around 59%. Meanwhile, for the LR, KNN, and CNN models, the average accuracy rate were 54.5%; 53.5%; and 47.7%.