ABSTRAKSI: Informasi sinyal suara mempunyai karakteristik yang unik. Berbagai penelitian dalam pengolahan sinyal suara pun telah banyak dikembangkan. Salah satu hasil penelitian tersebut adalah aplikasi speaker identification. Speaker Identification adalah suatu proses mengenali pembicara (client) secara otomatis melalui sinyal suara dari pembicara tersebut sebagai informasinya. Biasanya sistem speaker identification menggunakan fonem sebagai unit pengenalannya. Namun masih terdapat kesulitan dalam mengenali kelas-kelas fonem tertentu yang mempunyai durasi yang cukup singkat.
Berdasarkan permasalahan di atas maka dikembangkan suatu teknik pengenalan suara berbasis software menggunakan database diphone sebagai unit pengenalannya. Secara akustik, diphone lebih mudah dikenali karena memberikan informasi akustik yang lebih banyak daripada fonem.
Hasil dari penelitian Tugas Akhir ini menunjukkan bahwa ekstraksi feature suara jantung menggunakan LPC memberikan hasil yang cukup baik karena mampu menunjukkan kemiripan feature dari sinyal suara yang digunakan sebagai database referensi. Berdasarkan hasil pengujian dengan menggunakan 90 data pengujian metoda JST-BP memiliki akurasi pengujian 80% dengan blindset database. Berdasarkan hasil penelitian tersebut didapatkan konfigurasi optimal dari jaringan saraf tiruan adalah 250 hidden neuron, learning rate 0.09 dan momentum 0.35Kata Kunci : speaker identification, Linier Predictive Coding (LPC), jaringan sarafABSTRACT: Speech signal information has a unique characteristic. Many researches in the speech signal processing field has done. One of the results produced is speaker identification application. Speaker Identification is a process of determining the speaker provides a given utterance. Generally, phonemes used in the speaker identification system as a recognizer unit, but the problem is located in the certain phonemes classes which has a short duration. In order to solve this problem, speech recognition method using diphone (phonemes combination) database as an alternate recognition unit is developed.
In this final project, diphones used as a reference database in the speech recognition system is being explored. The diphone itself is easier to be recognized than the phoneme, since it gives more acoustics information. The identification method used here is Back Propagation Neural Network. The method used in speech signal feature extraction is Linear Predictive Coding (LPC).
Result in this final assignment showed that the feature extraction method using LPC give a good result because it show the resemblances of the features from the speech signal which is used for reference database. Based on the test, Back propagation method has an accuracy 80% using blindest database. Based on the research result we obtained the optimum configuration from neural network are 250 hidden neurons, learning rate 0.09, and momentum 0.35Keyword: speaker identification, Linier Predictive Coding (LPC), jaringan saraf