Identifikasi bacaan kosakata bahasa Arab dengan pengenalan suara metode fast fourier transform dan neural network learning vector quantization / Ni'matul Rochmaniyah
| Main Author: | Rochmaniyah, Ni'matul |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Online Access: |
http://repository.um.ac.id/48062/ |
Daftar Isi:
- vRINGKASANRochmaniyahNimatul.2018.IdentifikasiKosakataBahasaArabdenganPengenalanSuaraMetodeFastFourierTransformdanNeuralNetworkLearningVectorQuantization.SkripsiJurusanTeknikElektroFakultasTeknikUniversitasNegeriMalang.Pembimbing(1)Dr.Eng.SitiSendariS.T.M.T.(2)UtomoPujiantoS.Kom.M.Kom.KatakuncibahasaArabpengenalansuaraFFTLVQBahasaArabmerupakansalahsatubahasayangbanyakdigunakanolehmasyarakattetapijugamerupakanbahasatersulitketigadidunia.HalinidisebabkankarenabahasaArabberbasisfonem.PelafalankosakatabahasaArabdimasyarakattidaksepenuhnyadapatsesuaidenganunsurfonemikyangada.AdanyakemiripandarikosakatabahasaArabmenjadiperihalutamayangmenyebabkanterjadinyakesalahanbaikitukesalahanyangmenyebabkanperbedaanartidaribacaantersebutataupunkesalahanpenerimaaninformasiyangberbedadariorangyangmendengarkan.Penelitianinibertujuanuntukmengetahui(1)Frekuensiuniksuarauntukmasing-masingbacaankosakatabahasaArab(2)ProsespembelajaranyangdilakukanolehNeuralNetworkQuantizationdalammenentukanpengambilankeputusan(3)TingkatakurasikesesuaianbacaankosakatabahasaArabyangdihasilkanolehmetodeFastFourierTransformdanNeuralNetworkLearningVectorQuantization.Metodepenelitianinidibagidalamduatahapanyaituprosespengenalansuaradanprosesklasifikasi.PadatahappengenalansuaradigunakanmetodeFastFourierTransform.Tahappengenalansuaradiawalidenganpengumpulandatalatihyangdilakukanterhadap21orangdenganjeniskelaminlaki-lakidanperempuandimanamasing-masingorangmelafalkankosakataDallaJalladanKhalla.Datayangtelahdikumpulkandilakukanprosespre-emphasisuntukmenormalisasidatadarigangguannoise.Kemudiandilakukanprosesframeblockingdanwindowingdimanajeniswindowyangdigunakanadalahhammingwindow.ProsesterakhirdaritahappengenalansuaraadalahpenerapanalgoritmaFastFourierTransform.Hasildariprosespengenalansuaraadalahtigafituruniksuarayaituminimalfrequencymaximumfrequencydanaveragefrequency.SetelahfitursuaradidapatkanfiturtersebutdigunakansebagaiinputpadaprosesklasifikasidenganmenggunakanalgoritmaNeuralNetworkLearningVectorQuantizaion(LVQ).HasildaripenelitianmenunjukkanbahwapadaprosespengenalansuaraalgoritmaFastFourierTransformdapatmenghasilkantigafitursuaradariseluruhdataset.Fiturinidigunakansebagaiinputdalampembentukanjaringan.Dariseluruhpengujianyangtelahdilakukanrata-ratanilaiakurasiyangdihasilkanadalah33.12%.Hasilanalisisyangtelahdilakukanpenyebabrendahnyanilaiakurasiadalahdistribusidatatidaknormal.Kemiripankosakatayangdilafalkanmembuatrangedatadarimasing-masingfituryangdihasilkanmemilikinilaiyangberdekatan.Sehinggadatatersebutmemilikipolayangsalingtumpangtindih.Polainitidakdapatmembedakankelompokkelasoutputsehinggapenentuankelasoutputdariprosesidentifikasimenjadisulit.Kesimpulandaripenelitianiniadalah(1)Prosespemcarinfrekuensiuniksuaradiawalidenganprosespengumpulandatasetyangdiperolehsebanyak309data.Datasetyangtelahdikumpulkandiprosesmelaluitahappre-emphasisframeblockingwindowingdanFastFourierTransform.Sehinggadiperolehtigafiturunikdarisuarayaituminfrequencymaxfrequencydanaveragefrequency(2)Tahappertamayangdilakukandalamidentifikasiadalahpembentukanjaringandimanadalamprosesiniakandilakukanpelatihanberulangkaliterhadapjaringanuntukmemperolehbobotterbaikyangakandigunakanpadaprosespengujianjaringandan(3)AlgoritmaFastFourierTransformdanNeuralNetworkLearningVectorQuantizationdapatdigunakanuntukmengidentifikasibacaankosakataBahasaArabnamunnilaiakurasiyangdihasilkanrendahyaitukurangdari50%.