Optimasi Parameter Support Vector Machine Menggunakan Algoritme Genetika pada Pengenalan Suara Independent Text.

Abstract

Pengenalan biometrik adalah salah satu metode pengenalan manusia yang dapat dilakukan oleh mesin. Pengenalan ini dilakukan untuk proses autentikasi dalam sistem. Sistem autentikasi yang berkembang saat ini di antaranya seperti pengenalan iris mata, pengenalan wajah, pengenalan sidik jari, dan pengenalan suara. Pengenalan suara dapat dibagi menjadi 2 kategori, yaitu dependent text dan independent text. Pengenalan suara dependent text terikat pada kata yang sudah di definisikan sebelumnya dan digunakan dalam proses pemodelan dan verifikasi. Sedangkan pengenalan suara independent text tidak terikat pada teks tertentu. Sistem harus dapat mengenali teks apapun ketika verifikasi. Pengenalan suara independent text memiliki tingkat akurasi yang lebih rendah dibandingkan dengan pengenalan suara dependent text karena pada pengenalan suara independent text, data yang diujikan bisa sangat berbeda dengan data saat pemodelan. Oleh karena itu, pengenalan suara independent text secara umum lebih menantang dan memiliki peluang riset yang lebih luas khususnya mengenai metode peningkatan kinerja maupun akurasi. Tujuan penelitian ini adalah membuat model pengenalan suara independent text menggunakan algoritme support vector machine (SVM) dan mencari akurasi tertinggi dari berbagai macam kombinasi kernel dan nilai parameter. Kombinasi kernel dan nilai parameter dapat dicari menggunakan genetic algotihm (GA). GA akan mencari akurasi terbaik dari setiap iterasi. Data suara yang digunakan yaitu data suara manusia berbahasa Indonesia yang terdiri dari 985 kata. Banyaknya pembicara yaitu 5 orang terdiri dari 3 wanita dan 2 pria dengan rentang usia antara 25 tahun sampai dengan 35 tahun dalam kondisi sehat. Langkah awal pemrosesan data suara diawali dengan menghilangkan suara diam (silence removal) dan normalisasi data. Mel frequency cepstrum coefficient (MFCC) digunakan untuk ekstraksi ciri, vector quantization (VQ) digunakan untuk mereduksi ukuran data. Sebelum pemodelan dengan menggunakan SVM, teknik k-fold cross validation digunakan agar terdapat variasi data dari kombinasi subset yang diujikan. Nilai k yang digunakan adalah 4. Pengujian pemodelan SVM pertama menggunakan nila-nilai parameter kernel yang telah ditentukan. Fold dengan akurasi tertinggi dipilih untuk kemudian dioptimasi pada pengujian kedua menggunakan algoritme genetika. Adapun setiap pengujian diulang sebanyak 20 kali pada pengujian pertama dan 10 kali pada pengujian kedua. Berdasarkan pengujian pertama diperoleh akurasi tertinggi pemodelan SVM dengan menggunakan kernel linear sebesar 94.40% diperoleh pada perulangan ke-4 fold ke-3, perulangan ke-12 fold ke-1, dan perulangan ke-15 fold ke-4, akurasi tertinggi kernel polynomial sebesar 96.80% pada perulangan ke-6 fold ke-2, dan akurasi tertinggi kernel RBF sebesar 98.40% pada perulangan ke-10 fold ke-2. Pengujian kedua yaitu optimasi SVM menggunakan algoritme genetika menggunakan data pada perulangan ke-10 fold ke-2. Data ini dipilih karena menghasilkan akurasi tertinggi yaitu 98.40% menggunakan kernel RBF. Berdasarkan hasil pengujian kedua menggunakan data perulangan ke-10 fold ke-2, v kernel RBF mengalami peningkatan akurasi sebesar 0.8% dari 98.40% menjadi 99.20%. Kernel linear mengalami peningkatan akurasi sebesar 15.20% dari 83.20% menjadi 98.40%, dan kernel polynomial mengalami peningkatan akurasi 4% dari 88% menjadi 92%. Penelitian ini masih memungkinkan untuk dikembangkan lebih lanjut seperti pengujian menggunakan kernel sigmoid dan penambahan noise untuk menguji seberapa baik masing-masing kernel dapat mempertahankan akurasi.