Perpustakaan Digital ITB

Manusia mampu membedakan identitas seseorang yang mereka kenal, hanya dari suaranya. Proses ini dikenal sebagai speaker recognition. Speaker recognition atau pengenalan pembicara terdiri dari dua jenis, yaitu speaker verification, dan speaker identification. Verifikasi suara menentukan apakah suara yang didengar merupakan suara seseorang yang yang ia klaim. Sedangkan proses identifikasi mencoba menentukan dengan spesifik identitas pembicara. Pada tugas akhir ini, penelitian akan difokuskan pada pengenalan identitas pembicara(speaker identification). Sinyal suara merupakan sinyal yang kompleks. Pada sinyal suara terdapat banyak parameter, mulai dari parameter yang bersifat subjektif seperti logat, dialek hingga parameter yang dapat diukur secara akustik seperti formant, pitch dan energi spektral. Masalah yang timbul adalah bagaimana mengekstraksi ciri dari sinyal suara yang kompleks sehingga dihasilkan data baru yang lebih sederhana tetapi tetap mempertahankan karakter khas dari sinyal suara tersebut. Penelitian yang dilakukan menggunakan parameter akustik yang sifatnya lebih objektif, dengan menggunakan metode ekstraksi ciri mel-frequency cepstral coefficient(MFCC). Yaitu salah satu metode ekstraksi ciri berdasarkan karakter respon frekuensi telinga yang tidak linear. Deangan MFCC frekuensi sinyal suara akan dipetakan ke dalam skala mel yang logaritmik. Selain itu digunakan juga parameter energi spektral sebagai parameter. pada tugas akhir mencoba menguji performansi mfcc sebagai ekstraktor ciri sinyal suara. Metode pengenalan yang digunakan yaitu jaringan syaraf tiruan yang memiliki kelebihan dalam memproses data yang tidak linear, seperti halnya sinyal suara. Pengujian performansi pengenalan individu dilakukan dengan dua simulasi. Pada simulasi pertama dilakukan pengenalan individu tanpa tergantung pada kata yang diucapkan(text independent), dimana sampel kata untuk pelatihan dan pengujian dapat berbeda, sedangkan percobaan kedua berusaha untuk mengklasifikasikan individu berdasarkan kata(text dependent). Untuk percobaan pertama pengenalan individu berjalan dengan baik, tetapi ketika diuji dengan data individu yang lain hasilnya tidak baik. Pada percobaan kedua pengenalan dilakukan untuk sepuluh orang individu dan performanya cukup baik. Pengenalan rata-rata percobaan kedua adalah 86.3 %. Dari hasil pengujian dapat dinilai performansi mfcc untuk proses pengenalan individu adalah baik.