Sistem Pengenalan Wicara Bahasa Indonesia Menggunakan Deep Long Short-Term Memory (LSTM) Networks Untuk Autonomous Indoor Vehicle (AIV)

Anindya, Citta (2019) Sistem Pengenalan Wicara Bahasa Indonesia Menggunakan Deep Long Short-Term Memory (LSTM) Networks Untuk Autonomous Indoor Vehicle (AIV). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111750040005-Master_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Sistem pengenalan wicara merupakan sistem yang dapat mengenali suara sebagai masukan dengan memanfaatkan algoritma yang diimplementasikan dalam program komputer. Tujuan utama penelitian ini adalah membangun sistem yang memungkinkan komputer dapat mengenali suara sebagai masukan. Sistem ini mampu membuat interaksi antara manusia dengan mesin akan menjadi lebih cepat, memperkecil usaha yang dikeluarkan, dan bebas genggam termasuk pada aplikasi robot automatic indoor vehicle (AIV). Pada penelitian ini telah dibangun aplikasi pengolahan pengenalan wicara menggunakan arsitektur deep long short-term memory (deep LSTM) sebagai perintah robot AIV dalam Bahasa Indonesia. Proses yang dilakukan dimulai dari akuisisi suara, deteksi wicara, ekstraksi fitur, identifikasi pola, dan interpretasi pengenalan. Kumpulan data (dataset) wicara dibangun secara manual melalui 18 penutur dengan 5 label berbeda serta 1 label kata tidak dikenal. Total keseluruhan data sebanyak 11,838 data wicara perintah robot dalam Bahasa Indonesia. Data wicara dibagi menjadi 3 bagian yaitu data latih, data validasi, dan data uji dengan rasio 0.8:0.1:0.1. Penelitian ini memanfaatkan kemampuan software Keras (TensorFlow backend) sebagai pemodelan dan Python sebagai bahasa pemograman. Percobaan dilakukan pada 5 skenario model dengan susunan lapisan yang sama dan jumlah unit yang berbeda-beda, sedangkan pengujian dilakukan dengan 2 skenario yaitu menggunakan data uji pada dataset dan suara alami pewicara. Hasil identifikasi pola menggunakan arsitektur deep LSTM dapat mengklasifikasikan 5 kosakata Bahasa Indonesia dan 1 kata tidak dikenal dengan akurasi sebesar 96% menggunakan data uji. Hasil identifikasi pada suara alami pewicara menghasilkan akurasi 94.15% sebanyak 1204 kali percobaan. Pengujian sistem pengenalan wicara terhadap simulator robot AIV mendapatkan akurasi sebesar 92%.
===================================================================================================================================
Speech recognition system is a system that can recognize sound as input by utilizing algorithms implemented in computer programs. The main purpose of this research is to build a system that allows computers to recognize sound as input. This system is able to make interactions between humans and machines will be faster, reduce effort released, and handsfree, including the application of robot automatic indoor vehicle (AIV). In this study a speech recognition processing application has been built using deep long short-term memory (deep LSTM) architecture as an AIV robot command in Indonesian. The process carried out starts from voice acquisition, speech detection, feature extraction, pattern identification, and introduction interpretation. Speech data sets are built manually through 18 speakers with 5 different labels and 1 unknown word label. The total data of 11,838 speech data commands robots in Indonesian. Speech data is divided into 3 parts, i.e. training data, validation data, and test data in 0.8:0.1:0.1 ratio. This research utilizes the software capabilities of Keras (Tensorlow backend) as modeling and Python as a programming language. Experiments were carried out on 5 scenarios with the same layer arrangement and the number of different units, while testing was carried out with 2 scenarios, namely using test data on the dataset and the natural voice of the speaker. The results of pattern identification using deep architecture LSTM can classify 5 Indonesian vocabulary words and 1 unknown word with an accuracy of 96% using test data. The results of identification on the natural voice of the speaker produced an accuracy of 94.15% as many as 1204 trials. The speech recognition system test for the AIV robot simulator received an accuracy of 92%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Autonomous Indoor Vehicle, Long Short-Term Memory, Pengenalan wicara
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7895.S65 Speech recognition systems
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Citta Anindya
Date Deposited:	05 Aug 2026 07:36
Last Modified:	05 Aug 2026 07:36
URI:	http://repository.its.ac.id/id/eprint/68098

Actions (login required)

View Item