ABSTRAKSI: Pengenalan Suara Otomatis merupakan suatu sistem yang dapat mengenali, membandingkan dan mencocokkan pola suara masukan sistem tersebut dengan pola suara yang telah disimpan dalam memori secara otomatis. Informasi sinyal suara tersebut mempunyai karakteristik yang unik. Berbagai penelitian dalam pengolahan sinyal suara telah banyak dikembangkan. Salah satu hasil penelitian tersebut adalah aplikasi speech-to-text. Aplikasi ini merupakan cabang dari aplikasi pengenalan suara yang mengolah sinyal suara, mengenalinya, dan mengubahnya menjadi representasi tekstual.
Pada tugas akhir ini penulis mencoba mengeksplorasi penggunaan ekstraksi ciri dengan menggunakan filter 2D Gabor-wavelet yang berfungsi untuk menspesifikasikan parameter-parameter untuk mengenali pola suara masukan dalam sistem pengenalan suara. Proses fitur ekstraksi tidak menggunakan terlalu banyak memori dan juga tidak menjadikan tingkat ketelitian sistem tersebut menjadi rendah. Metode klasifikasi yang digunakan dalam tugas akhir ini adalah Hidden Markov Model (HMM).
Hasil yang ingin ditampilkan adalah bagaimana suatu sistem dapat mengenali dan membandingkan pola suara tertentu dan memiliki representasi tekstual. Pengujian menggunakan metode ekstraksi ciri 2-D Gabor-wavelet dengan melakukan berbagai percobaan dalam mengubah parameter orientasi è dan level frekuensi j. Dari percobaan didapat orientasi è yang cukup bagus adalah ð/8 yang menghasilkan 32 vektor ciri dan 4 level frekuensi.Kata Kunci : pengenalan suara otomatis, speech-to-text, 2D Gabor-wavelet,ABSTRACT: Automatic Speech Recognition is a system that can identify, compare and match the voice pattern of the system’s input with voice patterns that have been stored in memory automatically. The voice signal information has unique characteristics. Various studies in the processing of voice signals has been developed. One result of this research is the speech-to-text application. This application is a branch of the voice recognition application that processes the voice signal, recognizes it, and turns them into textual representation.
In this paper the author tries to explore the use of feature extraction using 2D Gabor-wavelet filter that serves to specify the parameters for the input voice pattern recognition in the voice recognition system. Feature extraction process does not use too much memory and does not make the accuracy of these systems is low. Classification method used in this final project is the Hidden Markov Model (HMM).
Results wanted to be shown is how the system can identify and compare patterns of certain sounds and has a textual representation. Testing uses feature extraction method 2-D Gabor-wavelet by conducting various experiments in changing the orientation parameter è and the frequency level j. The experiment obtained a fairly good orientation è is ð/8 which produces 32 feature vector and four-level frequency.Keyword: automatic speech recognition, speech-to-text, 2D Gabor-wavelets,