ABSTRAKSI: Belakangan ini, pengenalan ucapan menjadi perhatian dalam pengembangan teknologi untuk mempermudah manusia. Dengan menggunakan suara, manusia dapat melakukan apa saja tanpa harus terganggu dengan aktifitas yang lainnya. Suara juga sebagai komunikasi antar manusia, dengan suara komunikasi menjadi lancar. Berbeda bahasa adalah salah satu kendala berkomunikasi, maka bila suara dapat di deteksi dan di ubah menjadi bahasa yang dikenali oleh lawan bicara, maka komunikasi akan menjadi lebih mudah. Oleh karena itu dibutuhkan metode yang tepat untuk mengenali suara hingga tepat
Tugas akhir ini akan mengimplemtasikan metode hidden markov model dan support vector machine untuk pengenalan ucapan. Inputan berupa sinyal suara yang direkam dalam keadaan kedap berupa kata. Data latih yang dipakai menggunakan kata dan sukukata pembangun kata tsb. Sinyal suara tersebut dilakukan penyusain dengan system dengan normalisasi dan pendeteksian sukukata. Hasil segmentasi suku kata dilakukan pengekstraan cirri dengan menggunakan MFCC dan dilakukan klasifikasi persuku kata menggunakan SVM dan pengaturan sukukata menggunakan HMM. Terdapat 10 kata yang akan dikenali dan 19 suku kata pembangunnya. Dataset yang dipakai berjumlah 600 suku kata dan 100 kata.Pada akhir tugas akhir ini didapat akurasi SVM One-Againts-All dan HMM dengan akurasi 90% dan SVM one-againts-one mempunyai akurasi 63.7 %. Dengan menggunakan model HMM ergodic dengan hidden state sebanyak 3 dan 20Kata Kunci : SVM , HMM, SVM/HMM, Pengenalan UcapanABSTRACT: Latterly, the attention in the speech recognition technology to facilitate human development. By using speech, people can do anything without having to interfere with other activities as well as communication between humans, with voice communication to be smooth. In Different languages are among the difficulties communicated. Then if the sound can be detected and converted into other language that is recognized by the speaker, the communication will become easier. Therefore, it takes an appropriate method to recognize the speech until appropriate
This final project implementation HMM method and SVM for speech recognition. The input for this system is a signal digital and represented speech, speech had been record in a state resistant form other. Training data is used to use builder-syllable words and the word is. The signal is synchronize with normalize and detection system with syllable. Syllables segmentation results performed using the MFCC feature extraction and classification every syllable with SVM and words using HMM. There are 10 words that will be recognized and 19 syllables builders. Database for this system use 600 syllables and 100 words. The result of this project give the accuracy for HMM and SVM on-against-all 905 and HMM and SVM on-against-one 63.7% This HMM using ergodic model with 3 and 20 hidden states.Keyword: SVM, HMM, SVM/HMM, Speech Recognition