Pemanfaatan Metode Mel Frequency Cepstral Coeffcient Dan Learning Vector Quantization Dalam Pengenalan Ucapan Bahasa Indonesia

Pahlevi, Muhammad Reza Ivano (2025) Pemanfaatan Metode Mel Frequency Cepstral Coeffcient Dan Learning Vector Quantization Dalam Pengenalan Ucapan Bahasa Indonesia. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (9kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (18kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (134kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Pengenalan suara merupakan salah satu teknologi yang semakin berkembang dalam bidang kecerdasan buatan, khususnya dalam interaksi manusia dan komputer. Penelitian ini bertujuan untuk mengembangkan model klasifikasi suara dalam bahasa Indonesia ke dalam dua kategori utama, yaitu ucapan positif dan ucapan negatif, menggunakan metode Mel-Frequency Cepstral Coefficient (MFCC) sebagai ekstraksi fitur suara dan Learning Vector Quantization (LVQ) sebagai algoritma klasifikasi. Metode penelitian dimulai dengan pengumpulan data suara dari 2 partisipan yang mengucapkan lima kata sifat dalam bahasa Indonesia, masing-masing diucapkan dalam intonasi berbeda. Seluruh data melalui proses preprocessing seperti normalisasi amplitudo, padding, dan noise reduction, sebelum diekstraksi fiturnya menggunakan MFCC. Selanjutnya, data digunakan untuk melatih model LVQ. Hasil pengujian menunjukkan bahwa kombinasi MFCC dan LVQ dapat mengklasifikasikan ucapan positif dan negatif dengan baik. Akurasi tertinggi dicapai sebesar 91.78% pada pembagian data 70:30, dan evaluasi menggunakan K-Fold Cross Validation (K=5) menghasilkan rata-rata akurasi sebesar 79.72%, yang menunjukkan generalisasi model yang stabil. Hasil ini menunjukkan bahwa pendekatan ini efektif untuk tugas klasifikasi ujaran berdasarkan ekspresi suara dalam bahasa Indonesia.

Actions (login required)

View Item