Perpustakaan Digital ITB

Sistem pengenalan pengucap otomatis (automatic speaker recognition) merupakan salah satu teknologi biometrik penting untuk aplikasi keamanan dan forensik, namun penerapannya di Indonesia menghadapi tantangan berupa tingginya variabilitas kanal perekaman serta keragaman dialek regional yang luas. Penelitian ini merancang, mengimplementasikan, dan mengevaluasi sistem pengenalan pengucap text-independent berbasis i-vector dan Probabilistic Linear Discriminant Analysis (PLDA) pada himpunan data suara multi-dialek berbahasa Indonesia berskala besar (1.297 pengucap), dengan fokus utama pada penentuan resolusi optimal Universal Background Model (UBM) dan dimensi i-vector guna mencegah overfitting akibat kutukan dimensionalitas. Sistem dibangun melalui alur pemrosesan Voice Activity Detection (VAD), ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) 60 dimensi, normalisasi Cepstral Mean and Variance Normalization (CMVN), pemodelan Gaussian Mixture Model-Universal Background Model (GMM-UBM), ekstraksi statistik Baum-Welch, pelatihan Total Variability Matrix, hingga skoring menggunakan PLDA tipe Two-Covariance. Dataset dipartisi secara speaker-disjoint dan distratifikasi berdasarkan gender serta wilayah dialek ke dalam tiga kompartemen (SET UBM, SET TRAIN, SET TEST). Sepuluh konfigurasi arsitektur, hasil kombinasi UBM 256/512 komponen dan dimensi i-vector 100, 200, 300, 400, dan 500, diuji pada skenario Balanced trial dan Unbalanced trial, kemudian divalidasi lebih lanjut pada himpunan data uji independen yang sama sekali tidak dilibatkan dalam proses pelatihan maupun optimasi. Hasil pengujian menunjukkan bahwa UBM 512 komponen secara konsisten menghasilkan keterpisahan distribusi skor Log-Likelihood Ratio yang lebih baik dibandingkan UBM 256 komponen. Dimensi i-vector menunjukkan pola bias-variance tradeoff, dengan gejala underfitting pada dimensi 100 serta diminishing returns pada dimensi 400 dan 500, sehingga rentang 200 dan 300 teridentifikasi sebagai titik optimal (sweet spot). Karena performa EER pada dimensi 200 dan 300 setara, dimensi 200 dipilih sebagai arsitektur final atas pertimbangan efisiensi komputasi. Konfigurasi terpilih (UBM 512, dimensi i-vector 200) mencatatkan Equal Error Rate (EER) sebesar 0,93% pada Balanced trial dan 1,24% pada Unbalanced trial data pelatihan. Pada validasi data uji independen, kesetaraan performa dimensi 200 dan 300 pada UBM 512 tetap konsisten (EER 1,89% balanced; 1,58% unbalanced), sedangkan pasangan UBM 256 dengan dimensi 300 pada skenario Unbalanced mengalami penurunan performa relatif EER naik menjadi 2,21%, menunjukkan bahwa arsitektur UBM 512 memiliki kemampuan generalisasi yang lebih stabil. Generalization gap antara data latih dan data uji tergolong sempit, mengindikasikan sistem tidak mengalami overfitting yang signifikan. Dibandingkan pada penelitian sebelumnya di Teknik Fisika ITB yang menggunakan GMM-UBM saja mendapatkan EER 4,66% maupun yang menggunakan i-vector dengan skoring cosine distance mendapatkan EER 3,50%, sistem yang dikembangkan pada penelitian ini menunjukkan peningkatan performa yang signifikan sekaligus membuktikan skalabilitas arsitektur i-vector dan PLDA pada himpunan data berskala jauh lebih besar dan beragam secara dialektal.