Perancangan Sistem Pengenalan Ucapan Menggunakan MFCC-Neuro Fuzzy Dengan Filter RLS Sebagai Metoda Perbaikan Sinyal

Fitriana, Fitriana (2014) Perancangan Sistem Pengenalan Ucapan Menggunakan MFCC-Neuro Fuzzy Dengan Filter RLS Sebagai Metoda Perbaikan Sinyal. S1 thesis, Universitas Andalas.

Text (Skripsi Full Teks) S1 Teknik Teknik Elektro 2014 Fitriana 0910951013.pdf - Published Version Restricted to Repository staff only Download (3MB)

Abstract

Teknologi pengenalan ucapan saat ini telah mengalami perkembangan yang cukup pesat. Semakin berkembangnya aplikasi sistem pengenalan ucapan maka dibutuhkan sistem yang robust, yaitu sistem yang mampu bekerja dengan baik diberbagai kondisi lingkungan termasuk lingkungan berderau. Sistem pengenalan ucapan yang robust masih merupakan permasalahan yang sangat sulit meskipun telah banyak dilakukan penelitian. Untuk itu, dikembangkan suatu metoda yang bertujuan untuk meningkatkan kualitas dan kejelasan pada sinyal yang mengandung derau yang disebut dengan metoda speech enhancement. Metoda speech enhancement yang digunakan pada tugas akhir ini adalah adalah menggunakan filter adaptif RLS (Recursive Least Squares). Pada tugas akhir ini dilakukan perancangan simulasi sistem pengenalan ucapan "biru", "hijau", "kuning" dan "merah" menggunakan bahasa pemograman matlab dengan metode ektraksi ciri MFCC (Mel Frecuency Cepstrum Coefficient) dan metode pengenalan menggunakan neuro fuzzy. Berdasarkan hasil penelitian didapatkan bahwa sistem yang dirancang mampu mengenali ucapan yang dilatih dengan baik dengan akurasi 100%. Sedangkan akurasi pengenalan ucapan yang berderau sebesar 25% pada setiap jenis derau yang digunakan, baik derau AWGN (stationer) maupun derau suara motor dan hair dryer (non stationer). Hasil pengujian keluaran filter RLS mengalami kenaikan akurasi setelah dilakukan variasi lamda dan orde filter dengan variasi lamda 0.997, 0.998, 0.999 dan variasi orde 1, 2, dan 3. Nilai rata-rata akurasi tertinggi yaitu 55,3125% pada saat orde filter bernilai 2 dan lamda bernilai 0,999.

Actions (login required)

View Item