Aplikasi pengenalan suara lafadz huruf hijaiyah menggunakan metode Hidden Markov Model

Saefulloh, Abdurrohim (2015) Aplikasi pengenalan suara lafadz huruf hijaiyah menggunakan metode Hidden Markov Model. Diploma thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_cover.pdf

Download (189kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_abstrak.pdf

Download (150kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_daftarisi.pdf

Download (181kB) | Preview
[img]
Preview
Text (BAB I)
4_bab1.pdf

Download (413kB) | Preview
[img] Text (BAB II)
5_bab2.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img] Text (BAB III)
6_bab3.pdf
Restricted to Registered users only

Download (853kB) | Request a copy
[img] Text (BAB IV)
7_bab4.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img] Text (BAB V)
8_bab5.pdf
Restricted to Registered users only

Download (273kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf
Restricted to Registered users only

Download (170kB) | Request a copy

Abstract

Perkembangan teknologi saat ini begitu pesat, salah satunya sistem pengenalan suara dimana sebuah mesin dapat memahami informasi yang disampaikan oleh manusia melalui suara. Banyak metode yang digunakan pada sistem pengenalan suara baik itu metode ekstraksi ciri ataupun metode pengenalannya. Metode ekstraksi ciri yang sering dipakai adalah Mel Frequency Cepstrum Coefficient (MFCC). Metode ini menggabungkan cara linier dan nonlinier karena persepsi pendengaran manusia tidak berada pada skala linier dalam bentuk frekuensi melainkan diukur dalam bentuk skala frekuensi mel. Pada tahap ekstraksi ciri ini sinyal suara dibentuk menjadi vektor-vektor ciri, kemudian pada tahap berikutnya vektor ciri ini akan di kuantisasi atau dipetakan menjadi codeword dan dikumpulkan menjadi kumpulan codebook. Codebook ini kemudian digunakan pada proses pelatihan model HMM. Pada proses pelatihan HMM, parameter peluang transisi, peluang inisialisisi, dan peluang observasi dihitung dan dicari parameter yang paling baik sehingga membentuk sebuah model yang optimum. Kemudian model ini digunakan pada proses klasifikasi. Model terbaik yang didapat oleh penulis pada percobaan yang dilakukan adalah pada saat besar codebook M=512 dan banyak state S=4 dengan tingkat akurasi 48,21%.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: Pengenalan Suara; Ekstraksi Ciri; Mel Frequency Cepstrum Coefficient (MFCC); Hidden Markov Model (HMM); Kuantisasi Vektor.
Subjects: Technology, Applied Sciences
Computer Arts, Digital Arts
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: Abdurrohim Saefulloh
Date Deposited: 06 Aug 2018 06:13
Last Modified: 06 Aug 2018 06:13
URI: http://digilib.uinsgd.ac.id/id/eprint/12288

Actions (login required)

View Item View Item