Implementasi Learning Vector Quantization Dan Linear Predictive Untuk Pengenalan Lafal Nama Pahlawan Indonesia

Hernanda, (2017) Implementasi Learning Vector Quantization Dan Linear Predictive Untuk Pengenalan Lafal Nama Pahlawan Indonesia.

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

Abstract

Ejaan yang disempurnakan (EYD) adalah ejaan bahasa Indonesia yang berlaku sampai saat ini yang sebelumnya menggunakan ejaan republic atau ejaan soewandi. Ejaan soewandin memiliki perbedaan yang diantranya Ã�Â�tjÃ�Â� menjadi Ã�Â�cÃ�Â�, Ã�Â�oeÃ�Â� menjadi Ã�Â�uÃ�Â� dan lain-lain. Untuk pelafalan yang memiliki pengucapan yang mirip apabila diucapkan akan menghasilkan perbedaan arti seperti guna dan tuna, nama pahlawan Indonesia dengan ejaan lama dapat menghasilkan pelafalan berbeda. Berdasarkan perbedaan pelafalan. Banyak penelitian yang sudah dilakukan terkait kemiripan suara dan pengenalan suara. Hasil pengenalan yang didapatkan bervariasi dipengaruhi oleh data training, metode ekstraksi ciri dan metode klasifikasi. Dalam penelitian ini metode ekstraksi ciri yang digunakan adalah Linear Predictive Coding dan untuk metode klasifikasi yang digunakan adalah Learning Vector Quantization untuk melakukan pengenalan lafal nama pahlawan Indonesia. Tahap pengolahan suara yang dilakukan yaitu ekstraksi ciri Linear Predictive Coding dengan tahapan preemphasis, frame blocking, windowing, auto correlation, analisis LPC, dan koefisien cepstral. Selanjutnya dilakukan tahap klasifikasi yaitu pelatihan dan pengujian Learning Vector Quantization. Nama pahlawan yang di uji sebanyak 8 nama. Data suara yang dipakai untuk data training yaitu 50 sampel suara yang artinya 8x50 ada sebanyak 400 suara yang digunakan. Kemudian data uji yang digunakan adalah 10 data sample suara yang artinya 10x8 adalah sebanyak 80 suara. Berdasarkan hasil pengujian yang diakukan terhadap data menggunakan metode K-Fold Cross Validation, maka didapatkan akurasi pengujian terbaik sebesar 54.17 %. Pengujian akurasi mendapatkan hasil yang tidak memuaskan dikarenakan banyak nya noise dari data latih yang digunakan. Adapun kombinasi yang digunakan yaitu learning rate (α) = 0.0001, pengurangan rasio = 0.001, error minimum = 0.0002 dan maksimum epoch = 100.

Item Type: Article
Uncontrolled Keywords: Kecerdasan Buatan, Jaringan Syaraf Tiruan, Linear Predictive Coding, Leraning Vector Quantzation, Pengenalan Suara
Subjects: S1-Final Project > Fakultas Teknik Dan Ilmu Komputer > Teknik Informatika > 2017
Divisions: Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Date Deposited: 10 Nov 2017 03:33
Last Modified: 10 Nov 2017 03:33
URI: https://repository.unikom.ac.id/id/eprint/53437

Actions (login required)

View Item View Item