Pengenalan Tutur Vokal Bahasa Indonesia Menggunakan Metode DWT dan DTW

A.Asni B; Risanuri Hidayat; Noor Akhmad Setiawan

A.Asni B Mahasiswa S2 Teknik Elektro dan Teknik Informasi, Universitas Gadjah Mada
Risanuri Hidayat Teknik Elektro dan Teknik Informasi,Fakultas Teknik , Universitas Gadjah Mada
Noor Akhmad Setiawan Teknik Elektro dan Teknik Informasi,Fakultas Teknik , Universitas Gadjah Mada

Abstract

Bunyi tutur vokal bahasa indonesia masih sulit dibedakan oleh sistem pengenalan tutur. Sifat non-stasioner, perbedaan kecepatan, dan noise merupakan faktor yang mempengaruhi hasil pengenalan tutur. Penelitian ini bertujuan mengukur kesamaan dan perbedaan antar isyarat-isyarat tutur vokal Bahasa Indonesia dengan melakukan ekstraksi ciri berbasis DWT. Dekomposisi WPT full binary level 3 dan 5 diterapkan untuk ekstraksi ciri. Algoritma DTW diterapkan untuk validasi dengan cara mengukur kesamaan dua isyarat tutur . Hasil yang dicapai menunjukkan tingkat akurasi pengenalan yang tinggi hingga 100 % . Selisih pengukuran terbaik dari dekomposisi WPT full binary level 3 sebesar 72 % sedangkan dekomposisi level 5 hanya 12 %.

References

H. Sakoe and S. Chiba, “Dynamic Programming Algorithm Optimization for Spoken Word Recognition,” IEEE Trans. Acoust., vol. ASSP-26, no. 1, pp. 43–49, 1978.

S. D. Dhingra, G. Nijhawan, and P. Pandit, “Isolated Speech Recognition using MFCC and DTW,” IJAREEIE, pp. 4085–4092, 2013.

A. Bala, “Voice Command Recognition System Based on MFCC AND DTW,” vol. 2, no. 3491, pp. 7335–7342, 2010.

L. Muda, M. Begam, and I. Elamvazuthi, “Voice Recognition Algorithms using Mel Frequency Cepstral Coefficient ( MFCC ) and Dynamic Time Warping ( DTW ) Techniques,” Jouranal Comput., vol. 2, no. 3, pp. 138–143, 2010.

S. C. Sajjan and C. Vijaya, “Comparison of DTW and HMM for Isolated Word Recognition,” IEEE, no. 1, pp. 466–470, 2012.

Z. Yuxin, Y. Miyanaga, and C. Siriteanu, “New Robust Speech Recognition Using DTW in Noise,” IEEE Isc. 2010, no. 1, pp. 34–38, 2010.

D. Srisai and C. A. Ratanamahatana, “Efficient Time Series Classification under Template Matching using Time Warping Alignment,” IEEE Int. Conf. Comput. Sci. Converg. Inf. Technol., pp. 685–690, 2009.

P. Senin, “Dynamic Time Warping Algorithm Review,” Hawaii,USA, 2008.

C. J. Long and S.Datta, “Wavelet Based Feature Extraction for Phonem Recognition,” IEEE Spok. Lang. 1996. ICSLP 96. Proceedings., Fourth Int. Conf., vol. 1, pp. 264–267, 1996.

X. Wu, F. Tian, and J. Liu, “An Improved Speech Feature Extraction Algorithm Using DWT,” pp. 1086–1090, 2008.

X. Zhao, Z. Wu, J. Xu, K. Wang, and J. Niu, “Speech Signal Feature Extraction Based on Wavelet Transform,” IEEE Int. Conf. Intell. Comput. Bio- Med. Instrum., no. 1, pp. 1–4, 2011.