NUGROHO, HARDI TRI (2024) IMPLEMENTASI MFCC & CNN PADA GENDER VOICE RECOGNITION. Skripsi thesis, Universitas Teknologi Digital Indonesia.
![[img]](https://eprints.utdi.ac.id/style/images/fileicons/text.png) |
Text (HALAMAN DEPAN)
1_195410093_HALAMAN_DEPAN.pdf - Published Version Download (1MB) |
|
Text (BAB I)
2_195410093_BAB_I.pdf - Published Version Download (200kB) |
|
Text (BAB II)
3_195410093_BAB_II.pdf - Published Version Download (627kB) |
|
Text (BAB III)
4_195410093_BAB_III.pdf - Published Version Restricted to Repository staff only Download (886kB) | Request a copy |
|
Text (BAB IV)
5_195410093_BAB_IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB V)
6_195410093_BAB_V.pdf - Published Version Download (188kB) |
|
Text (DAFTAR PUSTAKA)
7_195410093_DAFTAR_PUSTAKA.pdf - Published Version Download (200kB) |
|
Text (CARA MENJALANKAN PROGRAM)
8_195410093_CARA_MENJALANKAN_PROGRAM.pdf - Published Version Download (655kB) |
|
Text (LISTING PROGRAM)
9_195410093_LISTING_PROGRAM.pdf - Published Version Restricted to Repository staff only Download (198kB) | Request a copy |
Abstract
Penelitian mengembangkan sistem Gender Voice Recognition menggunakan kombinasi Mel-Frequency Cepstral Coefficients (MFCC) untuk ekstraksi fitur dan Convolutional Neural Networks (CNN) untuk klasifikasi suara berdasarkan gender. MFCC dipilih karena kemampuannya dalam menangkap karakteristik penting dari sinyal suara, terutama frekuensi rendah yang lebih relevan dengan persepsi manusia. CNN digunakan untuk klasifikasi karena kemampuannya mengenali pola kompleks secara efektif. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan memiliki akurasi tinggi dengan nilai F1-score sebesar 0.97 untuk suara laki-laki dan 0.95 untuk suara perempuan. Selain itu, validasi menggunakan K-Fold Cross-Validation memperlihatkan akurasi tertinggi sebesar 94.74% pada fold ke-4, membuktikan bahwa model memiliki performa yang stabil dan mampu melakukan generalisasi dengan baik. Dengan demikian, kombinasi MFCC dan CNN terbukti efektif dalam membangun sistem pengenalan gender suara yang akurat. Kata kunci: MFCC, CNN, Gender, Voice recognition, K-Fold
| Item Type: | Thesis (Skripsi) |
|---|---|
| Additional Information: | Pembimbing: Deborah Kurniawati, S.Kom., M.Cs. |
| Uncontrolled Keywords: | MFCC, CNN, Gender, Voice recognition, K-Fold |
| Subjects: | A Karya Umum (General) > Ilmu Komputer (Computer Science) > Klasifikasi |
| Divisions: | Jenjang S1 > Informatika (S1) |
| Depositing User: | Titis Pratiwi |
| Date Deposited: | 04 Okt 2024 03:56 |
| Last Modified: | 04 Okt 2024 03:56 |
| URI: | http://eprints.utdi.ac.id/id/eprint/10547 |
Actions (login required)
 |
View Item |
