Pengembangan Model Markov Tersembunyi untuk Pengenalan Kata Berbahasa Indonesia

Abstract

Pada paper ini disajikan suatu penerapan model HMM sebagai pengenal kata dengan ekstraksi ciri menggunakan teknik MFCC yang berbasis nilai power spektrum dari suara. Sistem yang dikembangkan bersifat text dependent dan melibatkan 10 pembicara yang mengucapkan 18 jenis kata. Pad a penelitian, ada 3 jenis gugus data untuk melatih model HMM yang terdiri dari 4, 6 dan 8 hidden state, yaitu gugus yang terdiri suara laki-laki saja, gugus yang terdiri dari suara perempuan saja, dan gugus yang terdiri dari campuran suara laki-laki dan perempuan. Ada 4 jenis data uji, yaitu data uji suara laki-lakl yang disertakan pada model pelatihan, data uji suara perempuan yang disertakan pada model, data uji suara lakl-laki yang tidak disertakan pada model, dan data uji suara perempuan yang tidak disertakan pada model. Hasil percobaan menunjukkan bahwa sistem dapat mengenali kata dengan sangat balk (sekitar 9a;i~), kalau diucapkan oleh pembicara yang disertakan dalam pembuatan model. Sistem gagal melakukan pengenalan untuk pembicara yang tidak disertakan dalam model pelatihan. Namun dengan memperluas data pelatihaa, hasil pengenalan meningkat sekitar 30 % dari sebelurnnya. Dari aspek jumlah hidden state, secara umum terlihat bahwa jumlah hidden 8 memberikan akurasi yang lebih baik disbanding 4 atau 6.