Penerapan Metode Mel Frequency Cepstral Coefficients pada Sistem Pengenalan Suara Berbasis Desktop

Authors

  • Galih Ajinurseto Sekolah Tinggi Manajemen Informatika Dan Komputer Bina Bangsa
  • La Ode Bakrim Sekolah Tinggi Manajemen Informatika dan Komputer Bina Bangsa
  • Nur Islamuddin Sekolah Tinggi Manajemen Informatika dan Komputer Bina Bangsa

DOI:

https://doi.org/10.23969/infomatek.v25i1.6109

Keywords:

Mel Frequency Cepstral Coefficients, Pengenalan, Sistem, Suara

Abstract

Teknologi biometrik sedang menjadi tren teknologi dalam berbagai bidang kehidupan. Teknologi biometrik memanfaatkan bagian tubuh manusia sebagai alat ukur sistem yang memiliki keunikan disetiap individu. Suara merupakan bagian tubuh manusia yang memiliki keunikan dan cocok dijadikan sebagai alat ukur dalam sistem yang mengadopsi teknologi biometrik. Sistem pengenalan suara adalah salah satu penerapan teknologi biometrik yang fokus kepada suara manusia. Sistem pengenalan suara memerlukan metode ekstraksi fitur, salah satu metode ekstraksi fitur adalah metode Mel Frequency Cepstral Coefficients. Metode  Mel Frequency Cepstral Coefficients merupakan metode ekstraksi fitur suara yang mengadopsi prinsip indra pendengeran manusia dengan tujuan mendapatkan hasil yang semirip mungkin sebagaimana indra pendengaran manusia. Metode ini dimulai dari tahap pre-emphasis, frame blocking, windowing, fast fourier transform, mel frequency wrapping dan cepstrum. Berdasarkan hasil pengujian, metode Mel Frequency Cepstral Coefficients pada pengujian dengan kondisi ideal, persentase keberhasilan sistem mencapai 90% dan persentase kegagalan sistem sebesar 10% dengan top 5 error rate sebesar 0%, sedangkan pada pengujian dengan kondisi tidak ideal, persentase keberhasilan sistem sebesar 76.6667% dan persentase kegagalan sistem sebesar 23.333% dengan top 5 error rate sebesar 0%.

Downloads

Download data is not yet available.

References

Adhinata, F. D., Rakhmadani, D. P., & Segara, A. J. T. (2021). Pengenalan Jenis Kelamin Manusia Berbasis Suara Menggunakan MFCC dan GMM. Jorunal of Data Science, IoT, Machine Learnings and Informatics, 1(1), 1–12.

Boles, A., & Rad, P. (2017). Voice biometrics: Deep learning-based voiceprint authentication system. 2017 12th System of Systems Engineering Conference, SoSE 2017. https://doi.org/10.1109/SYSOSE.2017.7994971

Capgemini. (2020). COVID-19 and the age of the contactless customer experience. In Capgemini. https://www.capgemini.com/insights/research-library/covid-19-and-the-age-of-the-contactless-customer-experience/

Maurya, A., Kumar, D., & Agarwal, R. K. (2018). Speaker Recognition for Hindi Speech Signal using MFCC-GMM Approach. Procedia Computer Science, 125, 880–887. https://doi.org/10.1016/j.procs.2017.12.112

Permana, I. S., Indrawaty, Y., & Zulkarnain, A. (2018). Implementasi Metode MFCC Dan DTW Untuk Pengenalan Jenis Suara Pria Dan Wanita. MIND Journal, 3(1), 49–63. https://doi.org/10.26760/mindjournal.v3i1.61-76

Prasetyawan, P. (2016). Perbandingan Identifikasi Pembicara Menggunakan MFCC Dan SBC Dengan Ciri Pencocokan LBG-VQ. Seminar Nasional Teknologi Informasi Dan Komunikasi. https://doi.org/10.31227/osf.io/85k9u

Pratama, A. R. (2019). Belajar UML - Use Case Diagram. https://codepolitan.com/blog/mengenal-uml-diagram-use-case

Purwins, H., Li, B., Virtanen, T., Schlüter, J., Chang, S. Y., & Sainath, T. (2019). Deep Learning for Audio Signal Processing. IEEE Journal on Selected Topics in Signal Processing, 13(2), 206–219. https://doi.org/10.1109/JSTSP.2019.2908700

Putra, D. K., Triasmoro, I. I., Atmaja, R. D., Iwut, I., & Atmaja, R. D. (2017). Simulasi Dan Analisis Speaker Recognition Menggunakan Metode Mel Frequency Cepstrum Coefficient (MFCC) Dan Gaussian Mixture Model (GMM). EProceedings of Engineering, 4(2), 1766–1772. http://libraryeproceeding.telkomuniversity.ac.id/index.php/engineering/article/view/487/460

Rambe, B. H., Pane, R., Irmayani, D., Nasution, M., Munthe, I. R., Ekonomi, F., & Bisnis, D. (2020). UML Modeling and Black Box Testing Methods in the School Payment Information System. Jurnal Mantik, 4(3), 1634–1640. https://iocscience.org/ejournal/index.php/mantik

Ridho, A. Z. (2019). Coefficient Dan Dynamic Time Warping K Nearest Neighbour Dalam Rekognisi Aksen Suku Di Indonesia Skripsi Oleh : Asrori Zainur Ridho [Universitas Islam Negeri Maulana Malik Ibrahim Malang]. http://etheses.uin-malang.ac.id/17087/

Sardjono, M. W. (2017). Pengenalan Suara Pembicara Menggunakan Ekstraksi MFCC dengan Metode Gaussian Mixture Model ( GMM ). In JURNAL ILMIAH INFORMATIKA KOMPUTER. http://moch_wisuda.staff.gunadarma.ac.id/Downloads/files/81683/Penulisan-Pengenalan+Suara+Pembicara+-+MFCC+-+GMM.pdf

Yang, W., Wang, S., Sahri, N. M., Karie, N. M., Ahmed, M., & Valli, C. (2021). Biometrics for internet‐of‐things security: A review. Sensors, 21(18), 1–26. https://doi.org/10.3390/s21186163

Downloads

Published

2023-06-29