Implementasi Spiking Neural Network Untuk Pengenalan Wicara Menggunakan Perangkat Mikroelektronika

Kamelia, Riza (2022) Implementasi Spiking Neural Network Untuk Pengenalan Wicara Menggunakan Perangkat Mikroelektronika. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111850042001-Master_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Spiking Neural Network (SNN) beroperasi menggunakan spike yang berupa
suatu peristiwa diskrit yang terjadi pada suatu titik waktu, bukan nilai yang
kontinyu. Hal ini memungkinkan untuk langsung diterapkan pada perangkat
mikroelektronika tanpa membutuhkan sumber daya komputasi yang besar karena
spike hanya akan terjadi pada waktu tertentu. Pada penelitian ini, dirancang suatu
sistem pembelajaran dengan metode SNN dengan diimplementasikan pada
pengenalan suara dengan perangkat elektronika. Pra-pemrosesan sinyal suara
dilakukan untuk menghasilkan Mel Spektogram yang berperan seperti citra 2
dimensi sebagai masukan untuk proses pelatihan SNN. Proses pelatihan ini
menggunakan metode Surrogate Gradient Descent dengan convolutional SNN.
Metode ini memungkinkan menggabungkan metode komputasi deep learning pada
umumnya dengan spiking neuron, dengan cara dianggap sebagai fungsi aktivasi
ketika tahap backpropagation. Tahap pembelajaran model dilakukan sebanyak 80
epoch, dan menunjukkan akurasi hasil prediksi sekitar 87% dari data tes suara orang
yang sama dengan set data training, dan akurasi 48,67% dari data tes suara orang
berbeda.

---------------------------------------------------------------------------------------------

Spiking Neural Network (SNN) operates using a spike in the form of
discrete time events. This allows the possibility of low-cost hardware
implementation in microelectronic devices without the need for large computing
resources because of the simplistic nature of spikes. In this study, a learning system
with the SNN method was designed and implemented in speech recognition with
electronic devices. Sound signal pre-processing is carried out to produce Mel
Spectogram which acts like a 2-dimensional image as input for the SNN training
process. This training process uses the Surrogate Gradient Descent method with
convolutional SNN. This method allows combining deep learning computational
methods in general with spiking neurons, in a way that is considered an activation
function during the backpropagation stage. The model learning stage was carried
out for 80 epochs, and showed an accuracy of about 87% of the prediction results
from the voice test data if the same speakers with the training data set, and 48.67%
accuracy for voice data from different speakers from the training data set.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Spiking Neural Network, Spektogram, Convolutional SNN
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	31 Aug 2026 08:34
Last Modified:	31 Aug 2026 08:34
URI:	http://repository.its.ac.id/id/eprint/144433

Actions (login required)

View Item