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 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 vektor suara yang teramati). Dalam pengenalan suara berbasis HMM, biasanya diasumsikan bahwa sekuen vektor suara yang teramati tersebut akan berkoresponden dengan setiap kata, yang direpresentasikan oleh suatu model suara yang disebut Markov model. Dalam tugas akhir ini, fitur-fitur suara akan dianalisa dengan MFCC (Mel-Frequency Cepstral Coefficient), dan digunakan algoritma Viterbi untuk mencari jalur rangkaian terbaik dari sekuen simbol-simbol yang berkoresponden dengan suatu kata yang akan 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 message 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 features analyzed with MFCC (Mel-Frequency Cepstral Coefficient), and Viterbi algorithm is used to find the best path of symbols sequence corresponding to a word and return it as recognition result.Keyword: feature, MFCC, HMM, Viterbi algorithm