ANALISA KINERJA FILTER ADAPTIF ALGORITMA RECURSIVE LEAST SQUARE (RLS) PADA SISTEM PENGENALAN UCAPAN MENGGUNAKAN HIDDEN MARKOV MODEL (HMM)
| Main Author: | MHD, ARIF RACHMAN |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2016
|
| Subjects: | |
| Online Access: |
http://scholar.unand.ac.id/9443/1/ABSTRAK.pdf http://scholar.unand.ac.id/9443/2/BAB%20I.pdf http://scholar.unand.ac.id/9443/3/BAB%20V.pdf http://scholar.unand.ac.id/9443/4/DAFTAR%20KEPUSTAKAAN.pdf http://scholar.unand.ac.id/9443/5/Tugas%20Akhir.pdf http://scholar.unand.ac.id/9443/ |
Daftar Isi:
- Sistem pengenalan ucapan memungkinkan suatu mesin dapat menerima masukan berupa sinyal ucapan dan mengenali ucapan tersebut. Pengenalan ucapan pada lingkungan tenang memiliki akurasi yang baik, tetapi menurun secara signifikan pada lingkungan berderau. Derau dapat merusak sinyal ucapan, sehingga menyebabkan kesalahan pengenalan sinyal ucapan. Salah satu cara untuk mengatasi pengaruh derau adalah dengan filter adaptif. Filter adaptif memiliki dua komponen dasar yaitu filter digital dan algoritma adaptif. Pada tugas akhir ini, dilakukan pemfilteran dengan filter adaptif algoritma Recursive Least Squart (RLS) untuk menaikkan akurasi pengenalan ucapan menggunakan metode Hiddem Markov Model (HMM). Pada penelitian ini, pengujian lingkungan tenang dilakukan pada 1500 sinyal ucapan dengan ucapan nol, satu, dua, tiga, empat, lima, enam, tujuh, delapan dan sembilan, akurasi pengenalan mencapai sebesar 98.60%. Pengujian juga dilakukan pada lingkungan berderau dengan 3 jenis derau, yaitu Additive White Gaussian Noise (AWGN), Suara Pengering Rambut dan Suara Mobil dengan level Signal to Noise Ratio (SNR) 0 dB, 5 dB, 10 dB, 15 dB, dan 20 dB. Pada level SNR 0 dB, untuk sinyal berderau AWGN didapatkan akurasi pengenalan sebesar 10.27%, untuk derau Suara Pengering Rambut sebesar 10.33%, dan untuk derau Suara Mobil sebesar 10.33%. Perbaikan sinyal dengan menggunakan metode filter adaptif algoritma RLS bekerja dengan baik pada nilai orde 125 dengan lambda 0.997 yang memberikan pencapaian akurasi pengenalan pada SNR 0 dB sebesar 77.40% untuk sinyal berderau AWGN, mencapai 79.60% untuk sinyal berderau Suara Pengering Rambut dan 77.03% untuk sinyal berderau Suara Mobil. Kata kunci: Pengenalan ucapan, HMM, Filter Adaptif, Algoritma RLS