Penerapan Learning Vector Quantization untuk Identifikasi Pembicara dengan Menggunakan Ekstraksi Ciri Principal Component Analysis

Abstract

Keunikan manusia yang banyak digunakan sebagai identifikasi adalah sidik jari, wajah, retina, suara, dan DNA. Hingga saat ini, penelitian tentang suara sebagai identifikasi masih banyak diminati. Tujuan penelitian ini adalah mengembangkan metode Learning Vector Quantization (LVQ) untuk identifikasi pembicara dan mengetahui akurasi identifikasi pembicara dengan ekstraksi cirri Principal Component Analysis (PCA). Data yang digunakan adalah suara pembicara sebanyak 10 orang yang direkam selama 2 detik dengan sampling rate 11000 Hz. Perekaman dilakukan sebanyak 50 kali untuk masing-masing pembicara kemudian dinormalisasi. Setelah itu dilakukan ekstraksi ciri menggunakan PCA. Penelitian ini menunjukan bahwa akurasi tertinggi sebesar 96% dari (1) 100 dan 150 epoch dengan learning rate 0.0009, (2) 70 epoch dengan learning rate 0.001. Penurunan learning rate yang digunakan adalah 0.977 dan nilai eigen sebesar 95%. Hasil percobaan menunjukan bahwa, model LVQ dapat mengenali individu dan membedakan individu yang mirip.