Studi Perbandingan Metode Wavelet Dalam Speech Recognition Pada Sistem Akses Personel

Authors

  • Ariyawan Sunardi PRSG - BATAN
  • Rezky Mahardika PRSG - BATAN

DOI:

https://doi.org/10.26418/elkha.v11i1.29343

Keywords:

Speech Recognition, wavelet, coiflet, symlet, daubechies.

Abstract

Penelitian tentang speech recognition terus berkembang terkait identifikasi personel. Pada penelitian ini, kami melakukan studi perbandingan metode wavelet dalam speech recognition. Pada penelitian ini teknologi speech recognition berbasiskan wavelett dan neuro fuzzy. Beberapa parameter yang digunakan dalam penelitian ini adalah sampel suara dengan frekuensi sampling 8000 Hz dan 8 bit per sampel dengan filter wavelet High Pass Filter (HPF). Level dekomposisi menggunakan wavelet daubechies, symlet dan coiflet. Nilai thereshold filter wavelet identifikasi personel 57,72%, False Rejection Rate (FRR) 40% dan running time 1,97 detik. Untuk nilai thereshold identifikasi personel 100%, False Rejection Rate (FRR) 0% dan running time 5,43 detik didapatkan pada level dekomposisi 5 pada wavelet db1. Identifikasi tipe wavelet dari yang terbaik adalah coiflet, symlet dan daubechies karena coif2 level 2 memberikan identifikasi 60,00%, FRR 40,00% dan running time 1,97 detik

Author Biographies

Ariyawan Sunardi, PRSG - BATAN

Pusat Reaktor Serba Guna (PRSG), BATAN, Indonesia

Rezky Mahardika, PRSG - BATAN

Pusat Reaktor Serba Guna (PRSG), BATAN, Indonesia

References

A. Tandyo And A. Widyatmoko, “Speaker Identification Menggunakan Transformasi Wavelet Diskrit Dan Jaringan Saraf Tiruan Back-Propagation Metode Tinjauan Pustaka,†Pp. 1–7.

W. Kurniawan, “Identifikasi Speech Recognition Manusia Dengan Menggunakan Average Energy Dan Silent Ratio Sebagai Feature Extraction Suara Pada Komputer,†Biospecies, Vol. 9, No. 1, Pp. 1–6, 2016.

Sutarno, C. Wajah, F. I. Komputer, And U. Sriwijaya, “Analisis Perbandingan Transformasi Wavelet,†J. Generic, Vol. 5, No. 2, Pp. 15–21, 2010.

S. Hidayat, H. R. P. Negara, And D. T. Kumoro, “Penentuan Fungsi Basis Wavelet Terbaik Untuk Sinyal Suara,†Sntt Fgdt, Vol. 3, No. November, Pp. 247–252, 2017.

Yohanes, Thiang, And S. Chandra, “Aplikasi Sistem Neuro-Fuzzy Untuk Pengenalan Kata,†Tek. Elektro, Vol. 2, No. 2, Pp. 73–77, 2002.

E. L. Utari, “Pengolahan Sinyal Kardiografi Dengan Menggunakan Alihragam Gelombang Singkat,†Proc. Univ. Respati Yogyakarta, Pp. 90–96, 2014.

M. M. Hidayat, “Pendahuluan Penggunaan,†No. C, Pp. 233–240, 2014.

C. E. Bire And B. Cahyono, “Denoising Pada Citra Menggunakan Transformasi Wavelet,†Semin. Nas. Teknol. Inf. Dan Komun. Terap., Vol. 2012, No. Semantik, Pp. 487–493, 2012.

B. Fatkhurrozi, M. A. Muslim, And D. R. Santoso, “Penggunaan Artificial Neuro Network System Dalam Penentuan Aktivitas Gunung Merapi,†Vol. 6, No. 2, Pp. 113–118, 2012.

B. Robi’in, “Analisis Dekomposisi Wavelet Pada Pengenalan Pola Lurik Dengan Metode Learning Vector Quantization,†Ilk. J. Ilm., Vol. 9, Pp. 153–160, 2017.

Downloads

Additional Files

Published

2019-09-27

Issue

Section

Vol 11, No 1