Implementasi Long Short-Term Memory Untuk Sistem Speaker Recognition Menggunakan Spektrogram

Tedja, Adrian Hartanto (2018) Implementasi Long Short-Term Memory Untuk Sistem Speaker Recognition Menggunakan Spektrogram. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	Text HALAMAN AWAL.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
Preview	Text BAB I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (694kB) | Preview
Preview	Text BAB II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
Preview	Text BAB III.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
	Text BAB IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
Preview	Text BAB V.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (683kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (826kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)

Abstract

Untuk meningkatkan keamanan perangkat, perlu dilakukan pembatasan hak akses oleh individu yang tidak berwenang. Dalam upaya otentikasi untuk menentukan kontrol akses, salah satu teknik pengenalan yang mudah digunakan adalah biometrik suara. Agar perangkat dapat mengenali biometrik suara dengan tepat, diperlukan kemampuan pembelajaran mesin yang dapat mengenali suara masukan dengan akurasi tinggi. Long Short-Term Memory merupakan model jaringan saraf tiruan yang dapat digunakan untuk pengenalan pola dan memiliki kelebihan dalam mengenali pengaruh waktu terhadap pola. Model tersebut diimplementasikan ke dalam sistem pengenalan suara menggunakan bahasa pemrograman Python dengan parameter yang diuji yaitu jumlah unit tersembunyi dan laju pembelajaran. Model dilatih dan diuji menggunakan suara yang telah disediakan oleh basis data TIMIT, dengan menggunakan dataset inti yang terdiri atas 24 pembicara, masing-masing 10 file suara. Sebanyak 6 suara digunakan untuk pelatihan, 2 untuk validasi, dan 2 untuk pengujian. Setelah pelatihan selesai, proses pengujian dilakukan terhadap model. Dengan laju pembelajaran 0.04 dan jumlah unit tersembunyi 120, model memperoleh tingkat akurasi terbaik sebesar 77.08%, yaitu 37 suara benar dari 48 suara pengujian.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Long Short-term Memory, Recurrent Neural Network, Speaker Recognition, Spektrogram, TIMIT
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods
Divisions:	Faculty of Engineering & Informatics > Informatics
Depositing User:	Administrator UMN Library
Date Deposited:	25 Jan 2019 07:18
Last Modified:	09 May 2023 06:05
URI:	https://kc.umn.ac.id/id/eprint/4927

Actions (login required)

View Item