ABSTRAKSI: Pengenalan suara merupakan cara merepresentasikan sinyal suara ke dalam bentuk yang dimengerti oleh suatu sistem untuk menyelesaikan suatu permasalahan. Saat ini pengenalan sinyal suara mulai mencakup berbagai bahasa di belahan dunia. Huruf hijaiyah merupakan bagian dari bahasa arab yang memiliki karekteristik khusus baik dalam penulisan maupun pengucapannya.
Permasalahan pengenalan huruf Hijaiyah dapat diselesaikan dengan menggunakan algoritma Hidden Markov Model (HMM). Tahapan awal sinyal suara diambil informasi cirinya kemudian dibuat model pembentuknya untuk tiap huruf yang ingin dikenali. Setiap ciri dari sinyal masing-masing direpresentasikan dengan sampel-sampel yang dimiliki. Sinyal suara yang sangat singkat tersebut kemudian disimpan ke dalam frame-frame dan dicari koefisien cepstralnya (vektor ciri) dan koefisien turunan orde satunya menggunakan Linear Predictive Coding (LPC). Selanjutnya, dilakukan kuantisasi pada tiap vektor dengan menggunakan metode K-Means Clustering untuk diubah ke dalam bentuk simbol observasi diskrit (codebook). Penentuan jumlah codebook dihitung dari nilai Sum Square Error terkecil. Codebook yang dihasilkan membentuk sekuen state yang berbeda dan setiap huruf Hijaiyah yang ingin dikenali akan dimodelkan dengan arsitektur HMM yang dihasilkan dari proses training.
Setelah dilakukan beberapa skenario pengujian, diperoleh akurasi terbaik untuk frame sejumlah 240 sample dan overlap 160 sampel, menggunakan 64 codebook dan 5 state HMM pada pemodelan trainingnya.Kata Kunci : Frame Blocking, Linear Predictive Coding, K-Means Clustering, Hidden Markov Model, Sum Square Error.ABSTRACT: Speech recognition is a way to representing voice signals into a form that is understandable by system to solve a problem. Currently, speech recognition already include variety of languages in the world. Hijaiyah letter is part of the Arabic language that has special characteristics in both of writing and pronunciation.
Hijaiyah letter recognition can be solved using Hidden Markov Model Algorithm. Early stages, voice signal sample taken its characteristic information and then created models for each of said constituent who wants to be recognized. Each signal has a characteristic of each one represented by the samples they have. A very short sound signal is then stored into the frames and searched its cepstral coefficient (feature vector) and the only order derivative coefficients using Linear Predictive Coding (LPC). Further stages performed on each feature vector quantization using K-Means Clustering method to be changed into form of discrete observation symbols (codebook). Determination the number of codebook is computed from the smallest value of Sum Square Error. Codebook generated sequences form a distinct state and each Hijaiyah letter who wants to be recognized will be modeled by HMM architecture resulting from the training process.
After doing some testing scenario, writer find the best accuracy for 240 samples frame and 160 samples overlap, using 64 codebook and 5 state HMM in modeling.Keyword: Frame Blocking, Linear Predictive Coding, K-Means Clustering, Hidden Markov Model, Sum Square Error.