Analisis Perbandingan Rasio Training Data Model Speech Recognition Untuk Gangguan Bicara

Alfeto, Alfeto (2023) Analisis Perbandingan Rasio Training Data Model Speech Recognition Untuk Gangguan Bicara. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Download (658kB)
Preview	Text DAFTAR_PUSTAKA.pdf Download (253kB) | Preview
Preview	Text BAB_I.pdf Download (147kB) | Preview
Preview	Text BAB_II.pdf Download (486kB) | Preview
Preview	Text BAB_III.pdf Download (312kB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Download (521kB)
Preview	Text BAB_V.pdf Download (138kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (381kB)

Abstract

Sistem speech recognition dapat meningkatkan berbagai aspek kualitas hidup manusia, umumnya dengan menyediakan aksesibilitas dalam bidang audio dan audio visual. Namun, merancang sistem speech recognition sebagai alat bantu komunikasi untuk pengidap gangguan bicara menjadi sebuah tantangan akibat keterbatasan dalam ketersediaan data gangguan bicara. Penelitian ini memiliki tujuan untuk menyelidiki kemungkinan dalam merancang sistem speech recognition berbasis convolutional neural network untuk gangguan bicara menggunakan campuran antara data disordered speech dan normal speech, serta jumlah dan rasio data disordered speech yang harus disertakan pada training data model. Terdapat dua metode untuk membuat dataset yang mengandung data campuran, yaitu dengan memproses sebagian data normal speech menjadi data disordered speech dan dengan melakukan penambahan sebagian data disordered speech kepada dataset normal speech. Dataset yang dibuat digunakan untuk melatih model NVIDIA QuartzNet dan diuji dengan memperhitungkan word error rate pada hasil inference model terhadap data disordered speech. Hasil penelitian menunjukkan adanya potensi untuk merancang sistem dengan melatih model menggunakan data campuran, namun model yang didapatkan dalam penelitian tidak layak untuk digunakan akibat tidak memenuhi kriteria word error rate minimum dan harus dilatih dengan data tambahan

Item Type:	Thesis (Bachelor Thesis)
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Depositing User:	Administrator UMN Library
Date Deposited:	13 Dec 2023 05:59
Last Modified:	13 Dec 2023 06:00
URI:	https://kc.umn.ac.id/id/eprint/27364

Actions (login required)

View Item