ABSTRAKSI: Manusia mampu membedakan identitas seseorang yang mereka kenal, hanya dari suaranya. Proses ini dikenal sebagai speaker recognition. Speaker recognition atau pengenalan pembicara terdiri dari dua jenis, yaitu speaker verification, dan speaker identification. Verifikasi suara menentukan apakah suara yang didengar merupakan suara seseorang yang yang ia klaim. Sedangkan proses identifikasi mencoba menentukan dengan spesifik identitas pembicara.
Pada tugas akhir ini telah dibuat suatu sistem aplikasi pengenalan suara manusia menggunakan Jaringan Saraf Tiruan Backpropagation (JST-BP). Algoritma yang digunakan untuk ekstraksi ciri sistem adalah Mel frequency Cepstrum Coefficient (MFCC) sedangkan untuk klasifikasi ciri dari pola yang akan digunakan adalah Jaringan Saraf Tiruan Back Propagation (JST-BP).
Pembuatan sistem ini dilakukan dengan bantuan perangkat (software) Matlab R2009a. Parameter MFFC yang terbaik adalah dengan jumlah frame 128 sample/frame dan 10 data moving average. Parameter JST BP yang terbaik adalah dengan hidden neuron berjumlah 35 neuron, fungsi aktivasi tansig, learning rate 0.5, epoch 1000, dan momentum 0.05 dengan ratarata nilai akurasi sebesar 89.62% dengan akurasi tertinggi mencapai 100%.Kata Kunci : Mel-Frequency Cepstral Coefficient (MFCC), JST BPABSTRACT: Humans are able to distinguish the identity of someone they know, just from his voice. This process is known as speaker recognition. Speaker recognition or speaker recognition consists of two types, namely speaker verification and speaker identification. Voice verification to determine whether the voice is heard is the voice of someone who he claims.
While the identification process tries to determine the specific identity of the speaker. Voice signals are complex signals. At the sound signal parameters there are many, ranging from subjective parameters such as accent, dialect until the parameters that can be measured acoustically as formant, pitch and spectral energy. The problem that arises is how to extract the features of complex sound signals so generated new data that is simpler but still retains the distinctive character of the voice signal.
At the End Task was designed and realized a system that can identify the human voice, to be known from a man or a woman and then determined his age. Voice identification system consists of feature extraction and classification of sound. Research conducted using acoustic parameters that are more objective, using the method of feature extraction Mel-Frequency Cepstral Coefficient (MFCC) with 128 sample/frame . Classification method used is Back Propagation Artificial Neural Systems. With parameters hidden neuron 35, tansig activation function ,learning rate 0,5 , epoch 1000, and momentum 0.01 has an average accuracy of 89,62% with an average processing time of 1.07 seconds.Keyword: Mel-Frequency Cepstral Coefficient (MFCC), Backpropagation Artificial Neural