ANALISIS PERBANDINGAN SISTEM PENGENALAN SUARA PADA ROBOT MENGGUNAKAN ALGORITMA TRADISIONAL DAN MODERN

Imesa, Nabila (2026) ANALISIS PERBANDINGAN SISTEM PENGENALAN SUARA PADA ROBOT MENGGUNAKAN ALGORITMA TRADISIONAL DAN MODERN. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (785kB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (238kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (267kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (757kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (811kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (216kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (205kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Sistem pengenalan suara merupakan salah satu teknologi yang dapat mendukung komunikasi suara antara manusia dan robot. Penelitian ini bertujuan membandingkan performa empat model pengenalan suara, yaitu Hidden Markov Model (HMM), HMM-Gaussian Mixture Model (HMM-GMM), HMM-GMM-Deep Neural Network (HMM-GMM-DNN), dan Transformer Vanilla pada dataset suara bahasa Indonesia. Dataset terdiri atas 1.250 rekaman audio dari 50 kalimat, yang meliputi 25 kalimat tanya dan 25 kalimat perintah. Evaluasi dilakukan menggunakan Word Error Rate (WER) dan Character Error Rate (CER). Hasil pelatihan menunjukkan bahwa Transformer Vanilla memperoleh WER sebesar 0,0222 dan CER sebesar 0,0164. Sementara itu, pada pengujian menggunakan audio di luar dataset, HMM-GMM-DNN memperoleh WER dan CER sebesar 0,00 pada kedua jenis kalimat. Hasil tersebut menunjukkan adanya perbedaan performa antara tahap pelatihan dan pengujian, sehingga pengujian menggunakan data baru diperlukan untuk mengetahui kemampuan generalisasi model.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Sistem Pengenalan Suara, Bahasa Indonesia, Hidden Markov Model, Gaussian Mixture Model, Deep Neural Network, Transformer Vanilla, WER, CER
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	02 Sep 2026 16:21
Last Modified:	02 Sep 2026 16:21
URI:	http://eprints.polsri.ac.id/id/eprint/26039

Actions (login required)

View Item