Implementasi K-Means Clustering Dan Learning Vector Quantization Untuk Optimasi Pengenalan Suara

Lukman Hakim Nugraha, Mohamad (2016) Implementasi K-Means Clustering Dan Learning Vector Quantization Untuk Optimasi Pengenalan Suara.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Speaker verification adalah proses pengenalan suara untuk memverifikasi seorang pembicara, dalam penelitian ini metode yang digunakan untuk proses ekstraksi ciri suara pada speaker verification adalah metode Mel Frequency Cepstrum Coefficients (MFCC). Hasil keluaran pada MFCC yang tersebar tidak merata mempengaruhi banyaknya informasi yang diperoleh untuk mendapatkan karakter suara seseorang, dibutuhkan clustering untuk mengelompokan data hasil keluaran MFCC berdasarkan kemiripan dari hasil keluaran MFCC tersebut, salah satunya dengan menggunakan k-means clustering K-means Clustering dapat mengelompokan data hasil filter MFCC berdasarkan kemiripannya. K-Means Clustering memetakan vektor-vektor yang berada pada lingkup wilayah yang luas besar menjadi sejumlah tertentu (k) vektor. Vektor hasil clustering diperlukan untuk proses klasifikasi menggunakan Learning Vector Quantization (LVQ). LVQ melakukan pembelajaran atau pelatihan pada lapisan kompetitif yang terawasi. Hasil pembelajaran LVQ digunakan sebagai basis pengetahuan yang dibutuhkan untuk proses pencocokan suara menggunakan pengukuran jarak euclidean distance.Berdasarkan hasil pengujian menggunakan metode 10-fold cross validation dengan menggunakan data sebanyak 160 data. Diperoleh hasil bahwa penerapan k-means clustering dan LVQ dapat diterapkan untuk pengenalan suara. Hasil pengujian mendapatkan tingkat persentase rata-rata akurasi sebesar 79,375% dengan menggunakan nilai k pada k-means clustering (k=6) dan nilai parameter pada pembelajaran LVQ menggunakan learning rate(α=0,001), penurunan learning rate(dec α=0,1) dan maksimum epoh=100.

Item Type: Article
Uncontrolled Keywords: speaker verification, suara, MFCC, k-means clustering, learning vector quantization, euclidean distance, k-fold cross validation
Subjects: S1-Final Project > Fakultas Teknik Dan Ilmu Komputer > Teknik Informatika > 2016
Divisions: Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Depositing User: M.Kom Taryana Suryana
Date Deposited: 16 Nov 2016 07:34
Last Modified: 16 Nov 2016 07:34
URI: https://repository.unikom.ac.id/id/eprint/129

Actions (login required)

View Item View Item