SIMULASI DAN ANALISIS DETEKSI EMOSI MANUSIA
DARI SUARA PERCAKAPAN BERBASIS
MEL FREQUENCY CEPSTRUM COEFFICIENT DAN
HIDDEN MARKOV MODEL

BAYU YUDISTIRA

Informasi Umum

Kode

111080163

Klasifikasi

006.454 - Speech Recognition

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Speech Recognition

Dilihat

64 kali

Informasi Lainnya

Abstraksi

Emosi manusia adalah suatu hal yang terkadang hanya dapat diperkirakan melalui raut wajah dari seseorang saja, atau dari perubahan mimik wajahnya. Namun ternyata emosi manusia juga dapat dideteksi melalui suara yang diucapkannya. Emosi seseorang dalam keadaan tenang, marah, sedih atau senang dapat dideteksi melalui sinyal bicaranya. Pengembangan sistem pengenalan suara masih berjalan untuk sementara waktu ini. Secara umum platform pengenalan suara dibagi menjadi tiga jenis yaitu Dynamic Time Warpi ng(DTW) (Sakoe, 1978) yang merupakan permulaan dari platform pengenalan suara yang menggunakan variasi dalam kerangka waktu untuk pengenalannya. Kemudian, Jaringan Syaraf Tiruan(JST) menggantikan DTW. Dan pada akhirnya, Hidden Markov Model(HMM) dikembangka n untuk mengadopsi statistik untuk meningkatkan kinerja dari pengenalan suara. Oleh karena itu HMM digunakan dalam penelitian ini sebagai platform pengenalan suara.<br>Pada tugas akhir yang dikerjakan ini, dirancang simulasi d eteksi emosi manusia tersebut mel alui sinyal bicara dengan melaksanakan ekstraksi ciri Mel Frequency Cepstral Coefisien(MFCC) untuk mendapatkan karakteristik dasar dari sinyal bicara . Kondisi emosi yang dideteksi tersebut nantinya akan menjadi state yang menggunakan metode Hidden Markov M odel dan variabel ekstraksi ciri yang menjadi parameter penentu state.Pada penelitian sebelumnya akurasi maksimalnya dicapai pada skema yang sama dengan skema pada tugas akhir ini adalah 70%.<br>Dari skenario pengujian terhadap paramater Jenis dan Orde Filte r didapat parameter terbaik yaitu Jenis filter Butterworth dengan orde 5. Setelah dilakukan pengujian terhadap klasifikasi 4 kelas emosi yaitu netral, marah, sedih, dan senang, akurasi tertinggi adalah 90% untuk jumlah data latih 40, jumlah data uji 20, ko efisien MFCC sebesar 24, jumlah filterbank MFCC sebanyak 30, dan iterasi pelatihan HMM sebesar 40.<br> Deteksi Emosi, Suara percakapan, MFCC , Hidden Markov Model.