TY  - THES
N1  - Pembimbing : Mandahadi Kusuma, M.Eng.
ID  - digilib52000
UR  - https://digilib.uin-suka.ac.id/id/eprint/52000/
A1  - Fayyadh Aunilbarr, NIM.: 18106050043
Y1  - 2022/04/08/
N2  - Pengenalan (voice recognition) yang memungkinkan komputer mampu
memproses suara atau sinyal audio menjadi teks. Ini dilakukan pada komputer
maupun perangkat seluler pintar yang mampu mengenali suara tanpa menyentuh
layer seperti Siri yang tersedia pada perangkat iOS, Google Now pada perangkat
Android, atau Google Docs Voice Typing untuk menulis dokumen hanya dengan
ucapan dari pengguna. Pusat Layanan Difabel merupakan Lembaga yang
melayani mahasiswa dengan disabilitas, termasuk tuli atau tunarungu, di
lingkungan Universitas Islam Negeri Sunan Kalijaga.
Tujuan dari penelitian ini adalah melakukan rekognisi bunyi kata
berbahasa Indonesia dengan menggunakan Convolutional Neural Network.
CNN merupakan salah satu metode dalam Deep Learning yang merupakan salah
satu bagian dari Artificial Intelligence atau Kecerdasan Buatan. CNN adalah
salah satu metode popular digunakan untuk klasifikasi gambar. Dataset terdiri
dari 4 kata yang berbeda, masing-masing memiliki 50 data suara. Sumber data
suara merupakan relawan dari PLD, baik laki-laki maupun perempuan, di antara
usia 19 sampai dengan 23 tahun. Penulis menggunakan cara preprocessing data
dengan konversi audio menjadi spectrogram yang dapat digunakan sebagai
input gambar untuk pelatihan model dengan metode CNN yang hanya bisa
menerima input gambar. Image resizing dan spectrogram dapat mengurangi
kualitas dari seutuhnya data audio karena pelatihan model dapat dilakukan lebih
cepat jika menggunakan ukuran yang lebih kecil dan sama, dan spectrogram
hanya menampilkan frekuensi dari waktu ke waktu tanpa informasi amplitudo
dari waktu ke waktu.
Meskipun kekurangan pada preprocessing data, hasil penelitian ini
menunjukkan metode CNN dengan rasio dari data latih, data validasi, data uji
sebesar 60:20:20 lebih baik dari rasio 70:15:15 dan 80:10:10 dalam akurasi dari
data uji. Penelitian ini menggunakan 50 epochs untuk melakukan pelatihan
model CNN tetap membuahkan hasil tes akurasi sebesar 80% keatas. Untuk
hasil tes akurasi yang paling besar adalah menggunakan rasio 60:20:20 dengan
hasil tes akurasi sebesar 90%. Penulis menyarankan penelitian selanjutnya dapat
menunjukkan perbandingan metode lain seperti ANN atau RNN dengan
menggunakan dataset berbahasa Indonesia dan menggunakan denoise pada
tahap preprocessing.
PB  - UIN SUNAN KALIJAGA YOGYAKARTA
KW  - Rekognisi
KW  -   Bunyi Kata
KW  -  Berbahasa Indonesia Tensorflow 
KW  -  Convolutional Neural Network
M1  - skripsi
TI  - REKOGNISI BUNYI KATA BERBAHASA INDONESIA
MENGGUNAKAN TENSORFLOW DAN METODE
CONVOLUTIONAL NEURAL NETWORK
AV  - restricted
EP  - 53
ER  -