Optimalisasi Gaussian Mixture Model dengan Algoritme Genetika pada Text-Independent Speaker Identification

Abstract

Teknologi berbasis suara banyak digunakan saat ini, seperti password berdasarkan suara pada smartphone dan perangkat komputer hingga penerapan pada aplikasi-aplikasi biometrik dan security. Salah satu metode speaker recognition text-independent yang mampu menghasilkan akurasi yang baik adalah Gaussian Mixture Model (GMM). Namun, GMM masih menghasilkan solusi yang lokal optimum. Pada penelitian ini, algoritme genetika (GA) diajukan untuk menemukan parameter GMM pada text-independent speaker identification yang global optimum. Pengujian metode dilakukan pada beberapa kondisi penambahan noise dengan besaran 0 dB, 5dB, 8dB, 10 dB, 20dB dan 30dB agar pengaruh noise terhadap penggunaan metode dapat dianalisis. Hasil penelitian menunjukan bahwa speaker identification dengan GMM tanpa algoritme genetika menghasilkan akurasi 33,33% untuk semua kondisi noise yang diujikan, sedangkan speaker identification dengan GMM dan penambahan algoritme genetika menghasilkan akurasi yang lebih baik. Parameter GMM yang ditentukan oleh GA menghasilkan akurasi 100% pada SNR 30 dB dan 20 dB, kemudian 96,86%, 86,46%, 63,33% dan 33,33% pada SNR 10 dB , 8 dB, 5 dB dan 0 dB. Hal tersebut menunjukkan bahwa metode yang diajukan telah berhasil meningkatkan akurasi pengenalan pembicara.