Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Perbandingan Metode Ekstraksi Ciri Rough Sets-K-Means Dan K-Means Pada Optimasi Kasus Pengenalan Suara
Gelar Budidarma Djamal NIM. (2017) | Skripsi | Teknik Informatika
Bagikan
Ringkasan
Speaker verification adalah proses pengenalan suara untuk memverifikasi seorang pembicara. Untuk dapat melakukan speaker verification, data suara harus melalui proses ekstraksi ciri suara. Pada penelitian sebelumnya, k-means dapat digunakan untuk menambah akurasi pada kasus pengenalan suara. Persentase hasil pengujian adalah sebesar 79.375%. Di samping itu, terdapat penelitian yang membandingan K-Means, PAM, Rough Sets-K-Means menggunakan datasets kanker leukemia. Hasilnya diketahui bahwa Rough Sets-K-Means dan PAM memiliki akurasi yang lebih baik dalam pengelompokan datasets kanker dibandingkan dengan k-means. Oleh karena itu, dalam penelitian ini akan dilakukan perbandingan rough sets-k-means dengan k-means untuk mengetahui algoritma yang lebih baik digunakan dalam optimasi pengenalan suara. Sebelum data suara diproses, terlebih dahulu data suara diekstraksi menggunakan metode MFCC. Hasil ekstraksi ciri MFCC dikelompokan menggunakan rough sets-k-means dan k-means. Hasilnya kemudian disimpan pada database. Data hasil ekstraksi ciri diklasifikasi menggunakan LVQ. Pengujian akurasi menggunakan k-fold cross validation dengan nilai k=10. Untuk pengujian akurasi digunakan 180 data latih dan 20 data uji yang berasal dari 5 orang speaker. Hasil pengujian akurasi menunjukan bahwa rough sets-k-means memiliki tingkat persentase lebih baik dibandingkan k-means pada kasus pengenalan suara, yaitu sebesar 80%.
Ringkasan Alternatif
Speaker verification is the process of voice recognition to verify a speaker. To process speaker verification, voice data must be processed by extraction feature of sound. k-means can be used to increase accuracy in the previous study of voice recognition. The percentage of test results is 79 375%. In addition, there are studies that compare the K-Means, PAM, Rough Sets-K-Means using the datasets of leukemia. The results is the accuracy of Rough Sets-K-Means and PAM higher with k-means. This research wil compare rough sets-k-means clustering with k-means to find which suitable algorithm applied to voice recognition. Before data voice processed, data voice should be extracted using MFCC method. The output of MFCC extraction feature is clustered using rough sets-k-means and k-means. The results feature extraction is classified using LVQ. Testing accuracy using the k-fold cross validation with a value of k = 10. For test the accuracy using 180 data training and 20 data testing derived from the 5 speakers. The test results show that the accuracy of rough sets-k-means has the highest percentage than k-means in the case of voice recognition, wich 80% higher.