Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM)

IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520

1

Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM) Adi Rinaldi*1, Hendra2, Derry Alamsyah3 STMIK GI MDP; Jl. Rajawali No.14,+62(711)376400/376360 3 Program Studi Teknik Informatika, STMIK GI MDP Palembang e-mail: *[email protected], [email protected], [email protected] 1,2

Abstrak Suara merupakan salah satu ciri biometric yang dimiliki oleh manusia, sama halnya seperti sidik jari, DNA, retina mata, dan lain sebagainya tidak ada dua manusia yang memiliki suara yang sama. Beberapa penelitian terkait mengenai suara bertujuan untuk melakukan proses pengenalan identitas maupun penyempurnaan HCI (Human Computer Interaction). Pada penelitian ini, penulis melakukan penelitian mengenai pengenalan gender melalui suara, salah satu alasan pengenalan gender sendiri dilakukan adalah untuk membantu mempercepat proses identifikasi pada saat melakukan pengenalan identitas. Algoritma yang digunakan dalam penelitian ini adalah SVM (Support Vector Machine) dengan bantuan algoritma MFCC (Melfrequency cepstral coefficient) untuk ekstraksi dimana didalamnya terdapat proses filtering yang telah disesuaikan dengan pendengaran manusia. Hasil dari proses implementasi kedua algoritma sendiri memberikan tingkat akurasi sebesar 90,90% untuk identifikasi laki-laki dan 81,81% untuk identifikasi perempuan. Kata kunci : SVM, MFCC, Pengenalan Gender, Suara Abstract Voice is one of the biometric characteristic from human, similar to fingerprint, DNA, retina, etcetera there’s no human with the same voice. Some related experiments about voice have purposes for identity recognition also improving HCI also known as Human Computer Interaction. In this experiment, the author performs gender recognition from human’s voice, one of the reasons why gender recognition been performed is to fasten identification processes on identity recognition. Algorithm that been implemented on this experiment are SVM (Support Vector Machine) with the help of MFCC (Mel-frequency Cepstral Coefficient) algorithm for extraction which there’s filtering process to adjusting human’s hearing. The result from implementation of both algorithm are 90,90% for male identification and 81,81% for female identification. Keywords : SVM, MFCC, Gender Recognition, Voice 1. PENDAHULUAN

P

roses identifikasi merupakan salah satu bidang teknologi yang sedang banyak dikembangkan, alasannya sendiri bermacam-macam beberapa diantara adalah untuk pengembangan sistem keamanan, marketing, Human and Computer Interaction (HCI), autentikasi biometrik, dan lain-lainnya. Salah satu cara dalam proses identifikasi seseorang adalah dengan cara mengidentifikasi ciri biometriknya (identitas manusia) yang dilakukan karena fitur-fitur yang terdapat di dalamnya bersifat unik dalam artian berbeda antara setiap manusia, salah satu contohnya adalah suara. Suara laki-laki dan perempuan memiliki ciri khas masing-masing dikarenakan resonansi dalam tenggorokan yang berbeda-beda, dengan melakukan pengolahan sinyal suara akan

Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012

2



ISSN: 1978-1520

didapatkan ciri khas tersebut dalam bentuk yang dapat dikenali oleh komputer. Dengan ciri khas tersebut komputer dapat mengidentifikasi gender melalui sinyal suara. Ekstraksi fitur terhadap sinyal merupakan cara untuk mengetahui nilai dari pitch dan formant yang terdapat dalam sinyal. Proses ekstraksi fitur dianggap paling penting dalam sistem pengenalan suara yang mempunyai tujuan menangkap fitur untuk membedakan suara yang satu dengan suara yang lain. Ada beberapa kendala mungkin dihadapi dalam proses ekstraksi fitur. Kendala tersebut muncul dari variabilitas suara seperti kondisi seseorang sakit, emosi, dialog asing dan lingkungan. Lingkungan melatarbelakangi kebisingan, gema, mikrofon dan saluran tranmisi[1]. Berdasarkan penelitian-penelitian terhadap pengenalan gender yang telah ada sebelumnya, teknik ekstraksi ciri yang digunakan untuk sinyal suara antara lain Linear Predictive Coding (LPC)[ 2], Mel Frequency Cepstral Coefficients (MFCC)[3], dan lainnya. Dari penelitian terdahulu, dapat dilihat bahwa algoritma Mel Frequency Cepstral Coefficients (MFCC) merupakan algoritma dengan akurasi yang paling mendekati 100% dalam hal ekstraksi sinyal suara. Lalu untuk beberapa teknik klasifikasi yang digunakan antara lain Back Propagation Algorithm (BPA)[4], Learning Vector Quantization (LVQ)[2], dan Support Vector Machine (SVM)[5]. Dari penelitian-penelitian tersebut diketahui bahwa algoritma Support Vector Machine (SVM) dengan menggunakan kernel Radial Basis Function (RBF) memiliki tingkat akurasi diatas 90%. 2. METODE PENELITIAN 2.1 Studi Literatur 1. Penelitian Terkait Pada penelitian [6] dibuat program aplikasi dari pengenalan ucapan dengan ekstraksi Mel-Frequency Cepstrum Coefficients (MCFF) melalui Jaringan Syaraf Tiruan (JST) Learning Vector Quantization (LVQ) untuk mengoperasikan kursor komputer. Hasil penelitian menunjukkan tingkat akurasi dengan data latih 88,89% sedangkan dengan data uji 83,99%. Pada penelitian[7] dibuat program aplikasi untuk mengetahui emosi seseorang melalui ucapannya menggunakan Mel Frequency Cepstrum Coefficient (MFCC) dan Linear Prediction Cepstral Coefficients (LPCC) untuk ekstraksi ciri dan Support Vector Machine (SVM) untuk melakukan pengklasifikasian. Hasil penelitian menunjukkan tingkat akurasi dengan data latih 88,59%. Pada penelitian[8] dilakukan ekstraksi informasi melalui speech signal dan menampilkannya dalam set vector yang disebut ciri khas. Ciri khas itu kemudian diekstraksi menggunakan First Fourier Transform (FFT). Hasil penelitian menunjukkan tingkat akurasi rata-rata 80%. Pada penelitian[9] dilakukan pembuatan aplikasi pengenalan suara paru-paru normal dan abnormal menggunakan Mel Frequency Cepstrum Coefficient (MFCC) sebagai ekstraksi cirinya dan Backpropagation sebagai classifier-nya. Hasil penelitian menunjukkan tingkat akurasi mencapai 93,97% untuk data latih dan 92,66% untuk data uji. a) Mel Frequency Cepstral Coefficients (MFCC) Mel Frequency Cepstral Coefficients (MFCC) adalah salah satu jenis ekstraksi fitur yang didasari atas variasi bandwidth kritis terhadap frekuensi pada telinga manusia yang merupakan filter yang bekerja secara linier pada frekuensi rendah dan bekerja secara logaritmik pada frekuensi tinggi untuk menangkap karakteristik fonetis penting dari sinyal ucapan[6]. 𝑓 (1) 𝑀(𝑓) = 1125 ln (1 + ) 700

MFCC adalah persepsi yang didasari oleh pendengaran manusia dimana pendengaran manusia tidak dapat mendengar frekuensi lebih dari 1 KHz. Dengan kata lain MFCC didasarai variasi batas pendengaran telinga manusia dengan frekuensi. Keseluruhan

IJCCS Vol. x, No. x, July201x : first_page–end_page

IJCCS

ISSN: 1978-1520

 3

proses MFCC adalah pre-emphasis, framing, windowing, DFT, mel filter bank, DCT, dan delta energy[10]. 1. Pre-Emphasis Pre-emphasis merupakan proses yang dilakukakan untuk memperbaiki kualitas sinyal sehingga dapat meningkatkan akurasi pada saat ekstraksi ciri didapatkan. 𝑆2 (𝑛) = 𝑆(𝑛) − 𝑎 ∗ 𝑆(𝑛 − 1) ........................................................................... (2) 𝑆(𝑛) = 𝑣𝑎𝑙𝑢𝑒 𝑠𝑖𝑛𝑦𝑎𝑙 𝑖𝑛𝑑𝑒𝑥 𝑘𝑒 – 𝑛 𝑆(𝑛 − 1) = 𝑣𝑎𝑙𝑢𝑒 𝑠𝑖𝑛𝑦𝑎𝑙 𝑖𝑛𝑑𝑒𝑥 𝑘𝑒 − (𝑛 − 1) 𝑎 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 0,95 < 𝑎 < 1 2. Frame Blocking Frame blocking adalah proses dimana sinyal-sinyal dibagi menjadi frame-frame N sampel dengan frame-frame berdekatan dengan spasi M dimana M lebih kecil daripada N. Proses ini berlanjut hingga semua sinyal suara dapat terproses.

Gambar 1 Proses Frame Blocking Untuk menghitung sample point digunakan rumus : 𝑁 = 𝑠𝑎𝑚𝑝𝑙𝑒 𝑟𝑎𝑡𝑒 ∗ 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑟𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙........................................................................(3)

Dimana terdapat irisan antara sample point : 𝑀=

𝑁 2

(3.1)

3. Windowing Windowing adalah proses untuk meminimalisir diskontinuitas sinyal pada permulaan dan akhir setiap frame. Hamming window dihitung dengan persamaan (4) untuk setiap n sampel pada setiap frame. 2𝜋𝑛 𝑤(𝑛) = 0.54 − 0.46 cos ( ) 𝑛−1 0≤𝑛 ≤𝑁−1

(4)

Kemudian proses windowing dihitung dengan persamaan (4.1). y(n) = 𝑥(𝑛). 𝑤(𝑛), 0 ≤ 𝑛 ≤ 𝑁 − 1 .............................................................. (4.1) 𝑑𝑒𝑛𝑔𝑎𝑛 𝑦(𝑛) = 𝑠𝑖𝑛𝑦𝑎𝑙 ℎ𝑎𝑠𝑖𝑙 𝑤𝑖𝑛𝑑𝑜𝑤𝑖𝑛𝑔 𝑠𝑎𝑚𝑝𝑒𝑙 𝑘𝑒 − 𝑛 𝑥(𝑛) = 𝑛𝑖𝑙𝑎𝑖 𝑠𝑎𝑚𝑝𝑒𝑙 𝑘𝑒 − 𝑛 𝑤(𝑛) = 𝑛𝑖𝑙𝑎𝑖 𝑤𝑖𝑛𝑑𝑜𝑤 𝑘𝑒 − 𝑛 𝑁 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙 𝑑𝑎𝑙𝑎𝑚 𝑓𝑟𝑎𝑚𝑒

Title of manuscript is short and clear, implies research results (First Author)



4

ISSN: 1978-1520

4. FFT FFT adalah sebuah algoritma cepat untuk implementasi DFT yang dioperasikan pada sebuah sinyal waktu-diskrit dengan memanfaatkan sifat periodikal dari transformasi fourier. FFT dihitung dengan persamaan (5). 𝑁−1

𝑓(𝑛) = ∑

𝑦 𝐾=0

𝑘𝑒

−2𝜋𝑗𝑘𝑛/𝑁

(5)

, 𝑛=0,1,2,…,𝑁−1

5. Filterbank Filterbank adalah teknik filter yang menggunakan representasi konvolusi. Konvolusi dapat dilakukan dengan melakukan multiplikasi antara spectrum sinyal dengan koefisien filterbank.

Gambar 2 Proses Mel-spaced filter bank Formula yang umum digunakan untuk mengkonversi frekuensi ke mel-scale dapat dilihat pada persamaan (2.7): 𝑓

𝑀(𝑓) = 2595 𝑙𝑜𝑔10 (1 + 700) .............................................................................(6) Selain formula di atas, terdapat formula lain yang dapat digunakan untuk mengkonversi frekuensi ke mel-scale, salah satunya pada persamaan (2.8) : 𝑓

𝑀(𝑓) = 1125 ln (1 + 700) ..............................................................................(6.1) Mel filterbank merupakan koleksi filter segitiga yang ditentukan dengan fc(m), tertulis seperti : 𝑓(𝑘) < 𝑓𝑐 (𝑚 − 1) 𝑓𝑐 (𝑚 − 1) ≤ 𝑓(𝑘) < 𝑓𝑐 (𝑚)

𝐻(𝑘, 𝑚) = 0 ................................................(6.2)

𝑓𝑐 (𝑚) ≤ 𝑓(𝑘) < 𝑓𝑐 (𝑚 + 1)

𝐻(𝑘, 𝑚) =

𝑓(𝑘) ≥ 𝑓𝑐 (𝑚 + 1)

𝐻(𝑘, 𝑚) = 0 ...............................................(6.5)

𝑓(𝑘)−𝑓 (𝑚−1)

𝐻(𝑘, 𝑚) = 𝑓 (𝑚)−𝑓𝑐 (𝑚−1) ............................(6.3) 𝑐

𝑐

𝑓(𝑘)−𝑓𝑐 (𝑚+1) ............................(6.4) 𝑓𝑐 (𝑚)−𝑓𝑐 (𝑚+1)

Nilai fc dihitung dengan : 𝑓𝑐 (𝑚) = 700 𝑒 (∅𝑐 (𝑚)/1125)−1 .......................................................................... (6.6) Hasil keluaran dari Mel Filterbank diperoleh dengan persamaan : IJCCS Vol. x, No. x, July201x : first_page–end_page

IJCCS

ISSN: 1978-1520

 5

𝑋 ′ (𝑚) = ln(∑𝑁−1 𝑘=0 |𝑋(𝑘)|. 𝐻(𝑘, 𝑚)) ................................................................ (6.7) 6. DCT DCT mengimplementasikan fungsi yang sama seperti FFT dengan lebih efisien melalui pengambilan keuntungan dari redudansi yang terdapat dalam sinyal sebenarnya. 1 𝜋

𝑐𝑛 = ∑𝐾 𝑘−1 (log 𝑆𝑘) cos[𝑛(𝑘 − 2) 𝐾] , 𝑛 = 1,2, … , 𝐾 ........................................ (7) 7. Delta Delta digunakan untuk menghitung jarak antara koefisien yang dihasilkan oleh MFCC. Hasil delta juga akan digunakan untuk proses pengklasifikasian sehingga akurasi pengklasifikasian dapat meningkat. Delta dihitung dengan menggunakan rumus : 𝑑(𝑡) =

∑𝑁 𝑛=1 𝑛(𝑐𝑡+𝑛 −𝑐𝑡−𝑛 ) 2 2 ∑𝑁 𝑛=1 𝑛

............................................................................... (8)

b) Support Vector Machine (SVM) Support Vector Machine adalah algoritma machine learning yang berasal dari teori pembelajaran statistik. Ide atau inti utama dari SVM adalah untuk mentransformasi input asli ke dimensi fitur yang lebih tinggi dengan menggunakan fungsi kernel dan untuk mencapai tingkat klasifikasi optimum di feature space yang baru dimana terdapat pemisah yang jelas antar fitur yang didapatkan dari penempatan optimal hyperplane pemisah[5].

Feature Space

Feature Generation

Gambar 3 Transformasi dari Feature Space ke Feature Generation Gambar 3 menunjukan metode untuk mengklasifikasikan data yang tidak dapat dipisahkan secara linear dengan cara mentranformasikan data ke dalam dimensi feature space sehingga nantinya dapat dipisahkan secara linier melalui proses pemetaan atau transformasi. Dengan menggunakan fungsi transformasi, maka fungsi hasil pembelajaran yang dihasilkan adalah 𝑓(𝑥) = 𝑤𝑥 + 𝑏 𝑎𝑡𝑎𝑢 𝑓(𝑥) = ∑𝑚 𝑖=1 𝛼𝑖 𝑦𝑖 𝐾(𝑥, 𝑥𝑖 ) + 𝑏 ...............................................(9) 𝐷𝑒𝑛𝑔𝑎𝑛 𝑤 = ∑𝑁 𝛼 𝑦 𝑖=1 𝑖 𝑖 𝑥𝑖 ........................................................................(9.1)

Title of manuscript is short and clear, implies research results (First Author)

6



ISSN: 1978-1520 1 2

𝐿𝑑 = ∑𝑁 𝑖=1 𝛼𝑖 − 𝛼𝑖 𝛼𝑗 𝑦𝑖 𝑦𝑗 𝐾(𝑥𝑖 𝑥𝑗 ) ............................................................(9.2) 𝑁

𝑠𝑦𝑎𝑟𝑎𝑡 ∶ 0 ≤ 𝛼𝑖 ≤ 𝐶 𝑑𝑎𝑛 ∑ 𝛼𝑖 𝑦𝑖 = 0 1

𝑖=1

𝐿𝑑 = 𝑀𝑖𝑛 2 𝛼 𝑇 𝐻𝛼 + 𝑐 𝑇 𝛼 ..........................................................................(9.3) 𝐻(𝑖, 𝑗) = 𝑦𝑖 𝑦𝑗 𝑘(𝑥𝑖 𝑥𝑗 ) .................................................................................(9.4) 1

𝑏 = − 2 (𝑤. 𝑥 + + 𝑤. 𝑥 − ) ............................................................................(9.5) Nilai 𝑥 pada fungsi diatas menyatakan input vector, sedangkan 𝑏 adalah skalar yang disebut sebagai bias. Asumsikan ada dua label kelas data y yang memiliki anggota nilai [+1,-1] yang menyatakan kelas negatif dan positif dimana nilai i =1 hingga N dengan nilai N merupakan panjang dari ukuran matriks. Untuk menghitung titik bobot w digunakan persamaan (9.1) dimana αi adalah nilai bobot setiap titik data, xi adalah vektor, dan yi adalah kelas data. Untuk mendapatkan nilai bobot setiap data (αi) didapatkan dengan mendapatkan nilai maksimal dari Dualitas Lagrange Multipier (Ld) dari persamaan (9.2). Untuk menghitung Dualitas Lagrange Multipier digunakan Quadratic Programming pada persamaan (9.3). Dalam Quadratic Programming nilai yang dihasilkan adalah nilai minimum sehingga untuk memenuhi Dualitas Lagrange Multipier maka nilai dari Dualitas Lagrange Multipier dinegatifkan (-Ld) sehingga bisa didapatkan nilai maksimal dari persamaan Quadratic Programming. Untuk mendapatkan Quadratic Programming diperlukan Hessian Matrix yang dihitung dengan persamaan (9.4) dan c yang merupakan vektor dengan anggota konstanta bernilai 1. Nilai bias (b) akan didapatkan dengan persamaan (9.5) dimana bias merupakan setengah dari hasil perkalian titik bobot (w) dengan vector x+ dan x-. Kemudian fungsi pengklasifikasian akan didapatkan dengan persamaan (9) dimana nilai titik bobot (w) dikalikan dengan fungsi kernel K(xi xj) lalu ditambah dengan nilai bias (b). 2.2 Pengumpulan Data Data rekaman yang digunakan bersumber dari Telecommunications & Signal Processing Laboratory database dengan 24 pembicara (12 laki-laki dan 12 perempuan). Penulis mengambil 132 suara untuk training dari 22 pembicara (11 laki-laki dan 11 perempuan), diambil masing-masing 6 suara untuk setiap pembicara. Untuk data test diambil 66 suara dari 22 pembicara (11 laki-laki dan 11 perempuan), diambil masing-masing 3 suara untuk setiap pembicara. 2.3 Perancangan Rancangan sistem pada penelitian ini terdiri dari proses input suara, pre-emphasis, ekstraksi ciri suara dengan algoritma MFCC, dan pengklasifikasian suara dengan algoritma SVM. Proses ekstraksi ciri suara dengan algoritma MFCC terdiri dari proses framing, windowing, FFT, filter bank, DCT dan delta. Rancangan sistem pada penelitian ini dapat dilihat pada Gambar 4.

Gambar 4 Diagram Alir Perancangan

IJCCS Vol. x, No. x, July201x : first_page–end_page

IJCCS

ISSN: 1978-1520

 7

3. HASIL DAN PEMBAHASAN Gambar 5 menunjukkan proses pengekstraksian ciri suara yang di-input dan proses pengklasifikasian suara tersebut dan Gambar 6 menunjukkan hasil pengklasifikasian.

Gambar 5 Tampilan Proses Ekstraksi Ciri dan Pengklasifikasian

Gambar 6 Tampilan Hasil Pengklasifikasian 3.1 Analisa Hasil Pengujian Data rekaman yang digunakan pada penelitian ini bersumber dari Telecommunications & Signal Processing Laboratory database. Terdiri dari 24 pembicara (12 laki-laki dan 12 perempuan) yang membacakan Harvard Lists. Rekaman pembicara lakilaki diberi kode nama MA, MB, MC, …, ML. Rekaman pembicara perempuan diberi kode nama FA, FB, FC, …, FL. Setiap pembicara membaca 6 grup naskah, setiap naskah terdiri dari 10 kalimat. Pembicara MA dan FA membaca 1-6 Harvard lists, pembicara MB dan FB membaca 7-12 Harvard lists, dan seterusnya. Setiap kalimat direkam sebagai setiap file yang berbeda. Untuk contohnya, file dengan nama FB08_07 adalah kalimat ke 7 dari Harvard list ke 8 dengan pembicara perempuan kedua (FB). Semua rekaman pembicara ME dan beberapa rekaman pembicara FE Title of manuscript is short and clear, implies research results (First Author)

8



ISSN: 1978-1520

hilang ketika pihak Telecommunications & Signal Processing Laboratory database melakukan pengumpulan data, sehingga pada penelitian ini tidak menggunakan data rekaman dari pembicara ME dan FE. Untuk melakukan pengujian dilakukan proses training terlebih dahulu untuk mengenali gender melalui suara dengan baik. Pada training akan dipisahkan antara kelas positif dan kelas negatif. Data training ini akan digunakan sebagai bahan pembelajaran sistem untuk dapat melakukan proses klasifikasi pada saat pengujian. Pegujian dilakukan dengan cara melakukan proses ekstraksi ciri suara dan proses klasifikasi ciri. Ekstraksi ciri suara dilakukan dengan menggunakan algoritma MFCC dan untuk proses klasifikasi menggunakan algoritma SVM. Hasil ekstraksi ciri suara akan diklasifikasikan dengan algoritma SVM sehingga diketahui akurasi yang didapatkan dari data yang diujikan. Pengujian data training menggunakan data training sebanyak 132 suara dimana terdiri dari 66 suara laki-laki dan 66 suara perempuan. Pengujian dilakukan dengan menguji kembali suara yang dijadikan sebagai data training. Untuk pengujian akurasi pengenalan gender melalui suara dilakukan pengujian akurasi untuk masing-masing gender yaitu akurasi untuk laki-laki dan perempuan, sementara untuk proses training suara laki-laki dan perempuan digabung dengan ketentuan laki-laki merupakan kelas positif dan perempuan merupakan kelas negatif. Data training merupakan hasil ekstraksi ciri yang didapatkan dari algoritma MFCC yang akan digunakan untuk proses pembelajaran sistem. Algoritma MFCC akan menghasilkan 12 koefisisen mel dan 12 koefisien delta sehingga dihasilkan 24 koefisien. Dimana 12 koefisien pertama merupakan koefisien mel dan 12 koefisien selanjutnya merupakan koefisien delta. Setiap koefisien memiliki nilai pada setiap framenya, sehingga untuk satu koefisien terdapat nilai sebanyak frame nilai. Data yang diujikan untuk laki-laki dan perempuan masing-masing 66 suara. Suara yang diambil merupakan kalimat pertama dari setiap Harvard list dimana kalimat yang diucapkan pada file MA01_01 dan FA01_01 merupakan kalimat yang sama. Untuk pengenalan gender laki-laki, sistem berhasil mengenali 61 suara laki-laki dengan benar dari 66 suara sedangkan untuk pengenalan gender perempuan sistem berhasil mengenali 43 suara perempuan dengan benar dari 66 suara. Berdasarkan data tersebut, didapatkan akurasi sebesar 92,42% untuk pengenalan gender laki-laki dan 65,15% untuk pengenalan gender perempuan dengan menguji kembali data training.

Pengujian data testing menggunakan suara yang berbeda dengan suara yang digunakan pada proses training. Pada pengujian ini training tetap menggunakan 132 suara yang terdiri dari 66 suara laki-laki dan 66 suara perempuan. Sementara untuk data yang diuji menggunakan data suara sebanyak 66 suara yang terdiri dari 33 suara laki-laki dan 33 suara perempuan. Suara yang terdapat pada data testing tidak terdapat pada data training, dan antara MA01_07 dan FA01_07, MB07_07 dan FB07_07, MC13_07 dan FC13_07, dan seterusnya adalah kalimat yang sama. Kalimat yang diucapkan pada data testing tidak ada di dalam data training. Sistem akan diuji untuk mengenali gender saat mengucapkan kalimat yang sama antara data testing yang diucapkan oleh pembicara laki-laki dan pembicara perempuan. sistem berhasil mengenali 30 suara laki-laki dengan benar dari 33 suara sedangkan untuk pengenalan gender perempuan sistem berhasil mengenali 27 suara perempuan dengan benar dari 33 suara. Berdasarkan data tersebut, didapatkan akurasi sebesar 90,90% untuk pengenalan gender laki-laki dan 81,81% untuk pengenalan gender perempuan dengan menggunakan data testing.

IJCCS Vol. x, No. x, July201x : first_page–end_page

IJCCS

ISSN: 1978-1520

 9

4. KESIMPULAN Dari hasil penelitian dan pembahasan yang dilakukan, maka dapat disimpulkan bahwa: 1. Algoritma klasifikasi fitur SVM (Support Vector Machine) dapat diterapkan untuk mengenali gender melalui suara dengan bantuan algoritma MFCC (Mel-Frequency Cepstral Coefficient) untuk ekstraksi ciri. 2. Pada pengujian data testing sebanyak 66 suara, terdiri dari 33 suara laki-laki dan 33 suara perempuan didapatkan akurasi sebesar 90,90% untuk pengenalan gender laki-laki dan 81,81% untuk pengenalan gender perempuan. 5. SARAN Saran untuk penelitian selanjutnya adalah gunakan feature selection untuk mereduksi fitur dari data. DAFTAR PUSTAKA [1] Riyanto, Eko 2013, Sistem Pengenalan Pengucap Manusia Dengan Ekstraksi Ciri Mfcc dan Algoritma Jaringan Saraf Tiruan Perambatan Balik Sebagai Pengenalanya, JSIB.

[2] Bhaskoro, S. B., Altedzar Riedho W. D 2012, Aplikasi Pengenalan Gender Menggunakan Suara, Seminar Nasional Aplikasi Teknologi Informasi, h. 16-23, Yogyakarta.

[3] Chavhan, Y., M. L. Dhore dan Pallavi Yesaware 2010, Speech Emotion Recognition Using Support Vector Machine, International Journal of Computer Applications, Vol. 1, No. 20, h. 6-9, India. [4] Sharma, S., Anupam Shukla dan Pankaj Mishra 2014, Speaker and Gender

Identification on Indian Languages Using Multilingual Speech, International Journal of Innovative Science, Engineering & Technology, Vol. 1, No. 4, h. 522-525, India. [5] Kumar S. S., T. Ranga Babu 2015, Emotion and Gender Recognition of Speech Signals Using SVM, International Journal of Engineering Science and Innovative Technology, Vol. 4, No. 3, h. 128-137, India. [6] Setiawan, A., Achmad Hidayatno dan R. Rizal Isnanto 2011, Aplikasi Pengenalan Ucapan dengan Ekstraksi Mel-Frequency Cepstrum Coefficients (MFCC) Melalui Jaringan Syaraf Tiruan (JST) Learning Vector Quantization (LVQ) untuk Mengoperasikan Kursor Komputer, Transmisi, Vol. 13, No. 3, h. 82-86, Semarang. [7] Bera, S., Shanthi Therese dan Madhuri Gedam 2015, Emotion Recognition Using Combination of MFCC and LPCC with Supply Vector Machine, IOSR Journal of Computer Engineering, Vol. 17, No. 4, h. 1-8, India. [8] Ali, Md. S., Md. Shariful Islam dan Md. Alamgir Hossain 2012, Gender Recognition System Using Speech Signal, International Journal of Computer Science, Engineering and Information Technology, Vol. 2, No. 1, h. 1-9, Bangladesh.

Title of manuscript is short and clear, implies research results (First Author)

10



ISSN: 1978-1520

[9] Syafria, F., Agus Buono dan Bib Paruhum Silalahi 2014, Pengenalan Suara Paru-Paru dengan MFCC sebagai Ekstraksi Ciri dan Backpropagation sebagai Classifier, Jurnal Ilmu Komputer Agri-Informatika, Vol. 3, No. 1, h. 28-37, Bogor. [10] Muda, L., Mumtaj Begam dan I. Elamvazuthi 2010, Voice Recognition Algorithms Using Mel Frequency Cepstral Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques, Journal of Computing, Vol. 2, No. 3, h. 138-143, Malaysia.

IJCCS Vol. x, No. x, July201x : first_page–end_page