ABSTRAKSI: Memodelkan sinyal model untuk pengenalan suara adalah suatu tugas yang menantang. Pemodelan tersebut akan menuntut kita sejumlah besar informasi tentang masalah yang akan dimodelkan. Sistem pengenalan suara pada umumnya mengasumsikan bahwa sinyal suara adalah realisasi dari beberapa pesan, yang terkodekan dalam satu atau lebih sekuen simbol – simbol. Simbol-simbol ini disebut dengan fitur suara (sekuen vector suara yang teramati). Dalam pengenalan suara berbasis HMM, biasanya diasumsikan bahwa sekuen vektor suara yang teramati tersebut akan diberkoresponden dengan setiap kata, yang dipresentasikan oleh suatu model suara yang disebut Markov Model.
Dalam tugas akhir ini, fitur-fitur suara akan dianalisa menggunakan MFCC (Mel Frequency Cepstral Coefficient), dan digunakan algoritma Viterbi untuk mencapai jalur rangkaian terbaik dari sekuen simbol-simbol, yang berkorespondensi dengan suatu kata, yang dikembalikan sebagai hasil pengenalan.Kata Kunci : fitur, MFCC, HMM, Algoritma ViterbiABSTRACT: Modeling signal model for speech recognition is challenging task. It gives us great deal of information about problem being modeled. Speech recognition systems generally assume that the speech signal is a realization of some mesage encoded as a sequence of one or more symbols. These symbols called speech features (sequence of observed speech vectors). In HMM based speech recognition, it is assumed that the sequence of observed speech vectors corresponding to each word, represented by a speech model called Markov Model.
In this final project, speech feature analysed with MFCC (Mel Freuency Cepstral Coefiecient), and Viterbi Algorithm is used to find the best path of symbols sequence corresponding to a word and return is as recognition result.Keyword: feature, MFCC, Viterbi Algorithm