TEKNIK NORMALISASI FITUR SECARA ADAPTIF UNTUK SISTEM PENGENALAN UCAPAN TAHAN TERHADAP GEMA
ABSTRACT: Gema menurunkan
performa sistem pengenalan ucapan (SPU) atau automatic speech recognition
secara signifikan. Salah satu teknik yang paling populer untuk mengurangi efek
gema adalah dengan menormalisasi fitur pada SPU. Pada penelitian sebelumnya,
q-log spectral mean normalization (q-LSMN) telah diperkenalkan untuk mengurangi
efek distorsi aditif dan convolutif. Metode ini merupakan pengembangan teknik
normalisasi konvensional pada domain q-log. Metode ini
dikembangkan untuk mengurangi efek gema dan teknik adaptif untuk
menentukan nilai q terbaik untuk q-LSMN diperkenalkan. Hasil percobaan pada
pengenalan angka (digit recognition) menunjukkan bahwa teknik tersebut
meningkatkan ketahanan SPU terhadap gema. Metode ini lebih baik dibandingkan
metode normalisasi konvensional seperti cepstral mean normalization dan log
spectral mean normalization.
Penulis: Hilman Ferdinandus
Pardede
Kode Jurnal: jptinformatikadd160997
