ABSTRAKSI: Pengidentifikasian Kata dengan Hidden Markov Model (HMM) menggunakan ekstraksi ciri Mel-frequency Cepstral Coefficient. Pengenalan suara atau Speech Recognition adalah proses konversi sebuah sinyal akustik, yang berasal dari mikropon atau telepon, menjadi satu atau sekumpulan kata. Sinyal suara sendiri merupakan gelombang yang tercipta dari tekanan udara yang berasal dari paru-paru yang berjalan melewati lintasan suara menuju mulut dan rongga hidung, sehingga memiliki frekuensi yang berbeda. Agar sistem komputer dapat mengenali sebuah kata, maka dibutuhkan representasi yang tepat terhadap sinyalsinyal yang masuk berikut perubahan frekuensinya dalam rentang waktu tertentu
Tugas akhir ini menganalisis sebuah sistem yang menerapkan metode HMM dengan ekstraksi ciri MFCC untuk mengenali sebuah kata. Kata yang digunakan terbatas pada 15 buah kata dasar bahasa Indonesia, yang terdiri dari 15 orang pembicara perempuan dan laki-laki sebagai data training. Dan terbatas pada 15 orang pembicara lainnya yang masing-masing menyebutkan 1 kata dasar bahasa indonesia yang berbeda, sehingga terdapat 15 data baru yang disebut data testing. Pembicara yang ada telah terlatih sebelumnya.
Dari penelitian ini dihasilkan beberapa HMM yang merepresentasikan sinyal suara yang masuk menjadi sebuah kata berbahasa Indonesia. Untuk data training HMM terbaik yang menganalisa 75 data terlatih dengan jumlah hidden state 7 dan 15, serta menganalisa 120 data terlatih dengan jumlah hidden state 15 dalam analisa kedua kelompok data training tersebut yang menghasilkan akurasi nilai mencapai 100%. Dan tingkat akurasi terendah yang menganalisa 120 data training dengan jumlah hidden state 5, memberikan hasil iterasi hanya 90%. Lalu untuk data testing HMM terbaik yang menggunakan 75 data training dengan hidden state 7 yang menghasilkan akurasi nilai sebesar 100%, dan data testing HMM terbaik yang menggunakan 180 data training dengan hidden state 7 yang menghasilkan akurasi nilai hanya sebesar 25%.Kata Kunci : Pengidentifikasian kata, Hidden Markov Model(HMM), Melfrequency cepstral coefficient (MFCC)ABSTRACT: Identifying Words with Hidden Markov Model (HMM) using the feature extraction Mel-frequency Cepstral Coefficient. Voice recognition or Speech Recognition is the process of converting an acoustic signal, originating from a microphone or a telephone, a single or set of words. Sound signal itself is a wave created by air pressure which comes from the lungs that runs through the sound track to the mouth and nasal cavity, so having different frequencies. In order for a computer system can recognize a word, it is necessary to the proper representation of the incoming signals following the change in frequency in a certain time frame.
The final task is to analyze a system that implements the HMM method with MFCC feature extraction to recognize a word The word used is limited to 15 pieces foundation said the Indonesian language, which consists of 15 speakers, women and men as training data. Limited to 15 people and other speakers, each of which mentions an Indonesian base words are different, so there are 15 new data called testing data. Speakers who have been trained before.
From this research produced some of the HMM representing incoming voice signals into a word in Bahasa Indonesia. For the best HMM training data that analyzes 75 data trained by the number of hidden states 7 and 15, as well as analyzing the data 120 trained by the number of hidden state 15 in the second analysis groups the training data that generates value reached 100% accuracy. And the lowest level of accuracy that analyzes the training data 120 by the number of hidden state 5, the yield is only 90% of iterations.Keyword: identification word, Hidden Markov Model (HMM), Mel-frequency cepstral coefficient (MFCC)