Implementasi K-Means Clustering Dan Learning Vector Quantization Untuk Optimasi Pengenalan Suara

Speaker verification adalah proses pengenalan suara untuk memverifikasi seorang pembicara, dalam penelitian ini metode yang digunakan untuk proses ekstraksi ciri suara pada speaker verification adalah metode Mel Frequency Cepstrum Coefficients (MFCC). Hasil keluaran pada MFCC yang tersebar tidak merata mempengaruhi banyaknya informasi yang diperoleh untuk mendapatkan karakter suara seseorang, dibutuhkan clustering untuk mengelompokan data hasil keluaran MFCC berdasarkan kemiripan dari hasil keluaran MFCC tersebut, salah satunya dengan menggunakan k-means clustering K-means Clustering dapat mengelompokan data hasil filter MFCC berdasarkan kemiripannya. K-Means Clustering memetakan vektor-vektor yang berada pada lingkup wilayah yang luas besar menjadi sejumlah tertentu (k) vektor. Vektor hasil clustering diperlukan untuk proses klasifikasi menggunakan Learning Vector Quantization (LVQ). LVQ melakukan pembelajaran atau pelatihan pada lapisan kompetitif yang terawasi. Hasil pembelajaran LVQ digunakan sebagai basis pengetahuan yang dibutuhkan untuk proses pencocokan suara menggunakan pengukuran jarak euclidean distance.Berdasarkan hasil pengujian menggunakan metode 10-fold cross validation dengan menggunakan data sebanyak 160 data. Diperoleh hasil bahwa penerapan k-means clustering dan LVQ dapat diterapkan untuk pengenalan suara. Hasil pengujian mendapatkan tingkat persentase rata-rata akurasi sebesar 79,375% dengan menggunakan nilai k pada k-means clustering (k=6) dan nilai parameter pada pembelajaran LVQ menggunakan learning rate(α=0,001), penurunan learning rate(dec α=0,1) dan maksimum epoh=100.

Speaker verification is process of voice recognition to verifying a speaker, in this research the method for feature extraction process voice on speaker verification is a Mel Frequency Cepstrum Coefficients (MFCC). The output of MFCC spread unevenly affect the amount of information obtained to get the character of a person's voice, it takes clustering to categorize the data output MFCC based on the similarity of MFCC output, one of them using the k-means clustering K-means clustering can group data from MFCC filter based on the similarity. K-Means Clustering map the vectors that are in the scope of a large area up to be a certain amount (k) vectors. Vector clustering results required for the process of classification using Learning Vector Quantization (LVQ). LVQ do learning or training on supervised competitive layer. LVQ learning output is used as a base of knowledge needed for the matching process voice using euclidean distance measurement distance. Based on test results using 10-fold cross validation using 160 data. The results indicate that the application of k-means clustering and LVQ can be applied to speaker recognition. The test results get percentage average accuracy reaches 79,375% by using the value of k in k-means clustering (k = 6) and the parameter value on LVQ learning using learning rate (α = 0.001), decrease learning rate (α dec = 0.1) and the maximum epoch = 100.