Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode Mel Frequency Cepstral Coefficient (MFCC) adalah metode yang paling populer dan memiliki kinerja yang baik sebagai metode feature extraction (pengekstraksi ciri) hingga saat ini. Namun berdasarkan hasil simulasi, diketahui bahwa speaker recognition system yang menggunakan MFCC sebagai metode feature extraction memiliki akurasi yang rendah ketika diterapkan pada sinyal suara yang mengandung noise. Dalam penelitian ini, penulis mengusulkan metode Discrete Wavelet Transform - Mel Frequency Cepstral Coefficient (DWT-MFCC) untuk mengatasi masalah tersebut. Hasil simulasi menunjukkan bahwa metode DWT-MFCC memiliki akurasi lebih tinggi dibandingkan dengan metode MFCC konvensional apabila diterapkan sebagai metode feature extraction dalam sistem speaker recognition dengan tingkat SNR dari 15 hingga 40 dB.

---

The Mel-frequency Cepstral Coefficients (MFCC) method is the most popular method and has good performance as a feature extraction to date. But based on the simulation results, it is known that the speaker recognition system that uses MFCC as a feature extraction has low accuracy when applied to voice containing noise.

In this study, we propose the Discrete Wavelet Transform - Mel Frequency Cepstral Coefficient (DWT-MFCC) method to overcome this problem. The simulation results show that the DWT-MFCC method has higher accuracy compare with conventinal MFCC method when applied as feature extraction in the speaker recognition system with SNR from 15 to 40 dB."

"Sejak dari awal kehidupan, manusia telah mengguznakan suara yang mereka. Suara manusia adalah unik, karena tidak ada manusia di dunia ini yang memiliki suara yang sama. Hal inilah yang kemudian dijadikan bahan oleh para llmuwan untuk mengembangkan teknologi yang memanfaatkan suara manusia. Speaker recognition merupakan bentuk penerapan dari pemallfaatan suara manusia. Text-independent speaker recognition merupakan salah satu pengembangan aplikasi dari speaker recognition.Telah banyak metode yang dikembangkan untuk peningkatan kinerja text-independent speaker recognition, salah satu diantaranya adalah dengan menggunakan metode kuantisasi vektor-algoritma LBG. Metode ini akan melalui dua fasa, yaitu training phase dan testing phase. Pada fasa pertama (training phase), akan direkarn suara speaker ke dalam database speaker. Pada fasa kedua (testing phase), akan dibandingkan suara speaker tes dengan database speaker, apakah sistem mampu untuk mengenali identitas speaker tes tersebut.Hasil pengujian simulasi text-independent speaker recognition secara keseluruhan menunjukkan bahwa text-independent speaker recognition telah mampu mengenali identitas speaker dengan baik, mamma masih banyak terdapat kekurangan. Pengujian text-independent speaker recognition menggunakan 2 jenis database speaker. Database peliama adalah database yang berisi rekaman satu kata dan satu kalimat yang berbeda-beda untuk setiap speakemya. Database kedua berisi rekaman satu kata dan satu kalimat yang sama bagi semua speakernya. Dari kedua database ini kemudian akan dibandingkan kinerjanya terhadap simulasi. Hasil simulasi membuktikan bahwa text-independent speaker recognition terhadap database pertama mampu bekerja lebih baik dengan tingkat keakurasian sebesar 85 %, dibandingkan database kedua."