Pengembangan Model HMM Berbasis Maksimum Lokal Menggunakan Jarad Euclid Untuk Sistem Identifikasi Pembicara

Abstract

Paper ini membahas aplikasi dari Hidden Markov Model (HR1.M) yang dimoifikasi pada distribusi observasi menggunakan jarak Euclid serta Mel-Frequency Cepstrum Coefficients (MFCC) sebagai ekstraksi ciri. Untuk menentukan distribusi lokal, maka state dari leftright HMM yang dikembangkan pada penelitian ini diklasterkan mengguriakan Fuzzy C-meant clustering. Nilai keanggotaan dengan rentang [0,1] yang digunakan pada penelitian ini adalah berbanding terbalik dengan jarak Euclid. Nilai ini berikutnya dipergunakan untuk menduga nilai peluang observasi. Nilai peluang observasi dari observasi baru pada suatu state adalah sesuai dengan jarak terdekatnya terhadap klaster state tersebut. Pada kasus suara tanpa dikondisikan dengan 10 pembicara, akurasi sistem mencapai 88% untuk data testing dan 96.7% untuk data training. Sementara itu, akurasi sistem tanpa pengklasteran adalah 54%. Nilai ini jauh di atas HMM standar yang dikembangkan menggunakan distribusi Normal yang meiniliki akurasi sekitar 42%. Salah satu kelemahan HMM standar adalah seringkali ditemui masalah singularitas saat melakukan pembalikan matriks koragam. Sementara itu, pada sistem yang dikembangkan ha1 ini ditemui