ek SIPIL MESIN ARSITEKTUR ELEKTRO

ek SIPIL MESIN ARSITEKTUR ELEKTRO PENGENALAN UCAPAN KATA BERKORELASI TINGGI Mery Subito * Abstract The research on speech recognition by using stochastic ethods has been carried out intensively since 1970 s. One of these ethods is based on the HMM (Hidden Markov Model). Utilizing this odel, the research explored the possibilities of recognizing eight highly correlated Indonesian Words, viz. uka (face), uak (to dislike), kau (you), kau (people), asuk (coe in), kaus (dictionary), kusa (dull), and suka (soul). LPC (Linear Predictive Coding) analysis was carried out to each speech signal of the spoken words to extract the iportant features. The HMM was then applied for the training sessions as well as in the recognition phase. The results show that this word recognition schee was, on the average, 97% successful. Key word: LPC, Linear Predictive Coding, HMM, Hidden Markov Model Abstrak Penelitian pengenalan ucapan oleh koputer dengan etode stokastik sudah ulai dipopulerkan sejak tahun 1970-an. Salah satu bentuk etode pendekatan stokastik adalah Hidden Markov Model. Penelitian ini enggunakan odel tersebut untuk enganalisis dan engenali delapan ucapan kata bahasa Indonesia yang eiliki korelasi tinggi antara kata yang satu dengan kata yang lainnya, yaitu: uka, uak, kau, kau, asuk, kaus, kusa dan suka. Analisis LPC (Linear Predictive Coding) digunakan untuk encari ciri-ciri penting setiap sinyal suara i kata-kata terucap. Selanjutnya HMM (Hidden Markov Model) digunakan untuk pelatihan dan pengenalan. Hasil penelitian enunjukkan bahwa rata-rata pengenalan seluruh kata cukup signifikan yaitu di atas 97%. Kata kunci: LPC, HMM 1. Pendahuluan Proses pengenalan ucapan oleh anusia ulai terbentuk sejak balita yaitu ketika sudah dapat endengar dan apu engeluarkan bunyi. Proses ini tanpa disadari dilakukan elalui proses pebelajaran, yaitu belajar engenal ucapan yang didengar. Pada anusia tidaklah begitu sulit untuk engenali suatu ucapan yang didengarnya, karena anusia epunyai siste inforasi yang sangat canggih dan eiliki keapuan pengenalan pola yang sangat baik. Pola tutur kata dari setiap penutur bergantung pada bunyi dari tutur bahasa yang diucapkan. Penelitian pengenalan suara dengan tutur kata bahasa Indonesia enggunakan jaringan syaraf tiruan telah dilaksanakan, naun terbatas pada peilihan kata-kata yang korelasinya rendah. Penelitian tersebut engalai habatan pada peilihan kata-kata berkorelasi tinggi. Siste jaringan yang dibangun tidak dapat engenali kata-kata yang korelasinya tinggi dengan baik. Mengacu kepada perasalahan tersebut diatas aka penelitian ini sesuai dengan judulnya, * Staf Pengajar Jurusan Teknik Listrik Fakultas Teknik Universitas Tadulako, Palu

Pengenalan Ucapan Kata Berkorelasi Tinggi) (Mery Subito) yaitu Pengenalan Ucapan Kata Berkorelasi Tinggi encoba enyelesaikannya dengan enggunakan pendekatan etode lain, yaitu dengan siste pengenal pola yang enggunakan LPC untuk proses ekstraksi ciri dan HMM untuk proses klasifikasi. Adapun tujuan penelitian ini adalah eanfaatkan siste pengenal pola ucapan untuk enganalisis dan engenali bentuk atau pola sinyal ucapan yang terdiri dari kata-kata yang epunyai korelasi tinggi satu saa lain. Dengan siste pengenal pola yang enggunakan LPC untuk proses ekstraksi ciri dan HMM untuk proses klasifikasi akan diaati tingkat keberhasilan siste untuk engenali ucapan kata-kata berkorelasi tinggi. 2. Tinjauan Pustaka 2.1 Analisis LPC Secara garis besarnya, prosesor odel LPC dibagi kedala 8 bagian seperti diperlihatkan pada Gabar-1. Bagian-bagian tersebut adalah seperti berikut. a. Preephasis; sinyal suara digital s(n), diasukkan kedala siste digital orde rendah (biasanya berupa filter FIR orde satu) untuk ereratakan spektru sinyal. b. Bingkai peblok; sinyal suara hasil preephasis diblok kedala beberapa bingkai N sapel suara, dengan jarak antara bingkai yang berdekatan dipisahkan oleh M saple untuk ebentuk overlap sinyal, sehingga hasil estiasi spektral LPC akan berkorelasi dari bingkai ke bingkai; c. Penjendelaan; setiap frae keudian dijendelakan (proses windowing) untuk einialkan diskontinuitas sinyal pada awal dan akhir bingkai. Jendela yang biasa digunakan untuk etode autokorelasi LPC adalah jendela Haing dengan bentuk: 2 n..(1) w( n) 0,54 0,46cos, 0 n N 1, N 1 d. Analisis autokorelasi; setiap bingkai sinyal yang telah dijendelakan keudian dianalisis autokorelasinya untuk eberikan: ~ ) ~ (2) l ( ) xl ( n xl ( n ), 0,1,, p, r dengan nilai autokorelasi tertinggi, p, adalah orde analisis LPC. Autokorelasi ke-nol Rl(0) erupakan energi bingkai yang ke-l. e. Analisis LPC; pada tahap ini setiap bingkai dengan autokorelasi ke-(p+1) akan dikonversi ke bentuk paraeterparaeter LPC yang dapat berupa koefisien LPC, koefisien refleksi, cepstral coefficients atau transforasi yang lainnya sesuai kebutuhan. f. Konversi paraeter LPC enjadi koefisien cepstral; Rangkaian paraeter yang sangat penting, yang dapat diturunkan secara langsung dari rangkaian koefisien LPC adalah koefisien cepstral, c(), yang ditentukan secara rekursif sebagai berikut: 2 c.(3) c c 0 ln a k cka k cka 1 k1 1 k1 k k,, (4) 1 p p, (5) dengan 2 adalah gain dala odel LPC. g. Pebobotan paraeter; karena cepstral coefficients orde rendah sensitif terhadap keiringan spektru dan cepstral coefficients orde tinggi sensitif terhadap derau, aka dilakukan pebobotan cepstral coefficient dengan jendela penyadap sehingga einialkan sensitivitas tersebut. h. Turunan cepstral terhadap waktu; representasi cepstral dari spektru suara eberikan representasi yang bagus atas sinyal spektru lokal untuk analisis bingkai. 125

Jurnal SMARTek, Vol. 6, No. 2, Mei 2008: 124-134 Peningkatan reprensentasi dapat diperoleh elalui aproksiasi c(t)/(t) dengan polinoial ortogonal pada jendela dengan panjang berhingga, yaitu : c c t K tk kc ( t k),.(6) dengan adalah konstanta noralisasi yang tepat dan (2K + 1) adalah julah bingkai pada waktu koputasi dikerjakan. Untuk setiap bingkai t, hasil analisis LPC adalah vektor koefisien cepstral terbobot Q, yaitu : o ˆ ˆ ˆ t ( c1, c2( t),, cq, c1, c2,, cq,...(7) dengan ot adalah koponenkoponen vektor 2Q dan enunjukkan atriks transpose. Hasil analisis prosesor LPC berupa besaran paraeter-paraeter koefisien cepstral ( cˆ ), turunan koefisien cepstral ( ˆ ), besaran c energi bingkai (e), dan besaran turunan energi frae (de) akan enjadi runtun observasi bagi HMM, dituliskan dala bentuk: cˆ ˆ o = [ c e de] (8) 2.2. Model Markov Tersebunyi Model arkov tersebunyi adalah salah satu bentuk odel Markov dengan observasi yang erupakan sebuah fungsi probabilistik keadaan, artinya, odel yang dihasilkan adalah sebuah proses stokastik yang disipan secara berganda. Proses stokastik tidak dapat diobservasi langsung, tetapi dapat diobservasi hanya elalui rangkaian proses stokastik yang enghasilkan runtun observasi. Suatu odel HMM dinyatakan dengan sibol = (A,B, ) yang enetapkan besaran probabilitas untuk O, P(O), seperti berikut. a. Distribusi probabilitas transisi keadaan A = {aij} dengan: a P q ij j q i, 1 i, j, t1 t N (9) Untuk kasus khusus bila setiap state dapat enjangkau setiap state lainnya pada satu langkah tunggal, aka aij > 0 untuk seua i,j. N M W(n) p S(n) ( ) Preephasis ~ s n Xt(n) ~ xt ( n ) Bingkai peblok penjendelaa Analisis autokorelasi de e Teporal Derivative w() r(t) Teporal Pebobotan Konversi cˆ Derivative paraeter c(t) paraeter s(t) LPC ˆ c Analisis LPC Gabar 1. Diagra blok ekstraksi ciri dengan analisis LPC 126

Pengenalan Ucapan Kata Berkorelasi Tinggi) (Mery Subito) b. Distribusi probabilitas sibol observasi B = {bj(k)}, dengan: v q j, 1 k, b ( k) P o M.(10) j t k t enetapkan distribusi sibol dala keadaan j, j = 1, 2,, N. c. Distribusi state inisial }, dengan: i q i, 1 i N, P t { i (11) 3. Metode Penelitian 3.1 Bahan penelitian Bahan diteliti adalah ucapan kata-kata yang berkorelasi tinggi yang akan diucapkan oleh banyak penutur. Sapel penelitian adalah 8 buah kata bahasa Indonesia yaitu : uka, uak, kau, kau, asuk, kaus, kusa, suka. Untuk ebuktikan bahwa ke-8 kata yang telah ditetapkan itu benarbenar eiliki korelasi yang tinggi satu saa lain aka dilakukan analisis korelasi terhadap spektrunya dengan koefisien FFT sebesar 256. Julah penutur sebanyak 85 orang dengan spesifikasi dinyatakan dala tabel 1. 3.2 Alat penelitian Alat yang digunakan dala penelitian ini adalah eliputi perangkat keras yang terdiri atas ikrofon sebagai alat pereka dan seperangkat PC (Personal coputer). Sedangkan untuk proses pengabilan data dan pengolahan serta pebuatan laporan dibutuhkan perangkat lunak, yang dala penelitian ini enggunakan progra aplikasi Microsoft Word 2000, toolbox h2 dan Matlab 6.1. 3.3 Jalannya penelitian Penelitian dilakukan dengan sapel data yang dibedakan untuk kelopok pengucap berdasarkan jenis kelain yaitu laki-laki dan perepuan serta untuk keseluruhan pengucap. Secara garis besar jalannya penelitian pengenalan ucap dapat dilihat pada gabar 2. Tabel 1. Spesifikasi pengucap sebagai bahan penelitian No. Spesifikasi Julah Total Julah 1 Berdasarkan jenis kelain Laki-laki Perepuan 2 Berdasarkan uur uur 20 20 uur 30 30 uur 40 uur 40 39 46 85 43 31 9 2 85 Kata Terucap Proses Perekaan Proses Ekstraksi Ciri Proses HMM Kata Terkenali Perosesan Awal Perosesan Akhir Gabar 2. Blok diaga proses pengenalan ucap 127

Jurnal SMARTek, Vol. 6, No. 2, Mei 2008: 124-134 Gabar 3. Cara perekaan ucapan kata N M W(n) p Preephasis S(n ( ) Frae Blocking ~ Windowing s n Xt(n) ~ xt ( n ) Autocorrelation Analysis e r (t) Teporal Derivative de w() Teporal Paraeter LPC Paraeter cˆ Derivative Weighting c(t) Conversion s(t) LPC Analysis ˆ c Gabar 4. Blok diagra ekstraksi ciri dengan analisis LPC Adapun tahapan pelaksanaan penelitian sesuai dengan blok diagra diatas adalah : 1. Tahap pertaa, pengabilan data suara dengan cara ereka sapel kata yang telah ditetapkan sebanyak 8 kata oleh 85 orang pria dan wanita dengan frekuensi perekaan 8000Hz. Proses perekaan enggunakan perangkat keras ikrofon dan PC serta perangkat lunak perekaan yang sebelunya telah dibuat dengan bantuan GUI pada progra Matlab6P1, seperti terlihat pada gabar-3. Hasil perekaan disipan dala file dengan forat.at 128

Pengenalan Ucapan Kata Berkorelasi Tinggi) (Mery Subito) 2. Tahap kedua, elakukan analisis LPC untuk endapatkan ciri-ciri besaran dari setiap kata yang diucapkan enggunakan fungsi-fungsi progra yang sebelunya telah dibuat di Matlab6P1. Paraeter LPC yang digunakan adalah p = 8, N = 400 (julah sapel perfrae), dan M = 100 (jarak antara frae yang berturutan). Blok diagra analisis LPC yang enghasilkan runtun vektor ciri yang terdiri atas 18 eleen berbentuk o = [c dc e de] dapat dilihat pada gabar-4, dengan c adalah besaran koefisien cepstral sebanyak 8 eleen, dc adalah besaran turunan koefisien cepstral terhadap waktu sebanyak 8 eleen, e adalah besaran energi frae sebanyak 1 eleen dan de adalah besaran turunan energi frae sebanyak 1 eleen. a11 a22 ann a12 a23 1 2 N Gabar 5. HMM kiri-kanan dengan N cacah keadaan M u l a i Inisialisasi paraater odel Paraeter awal = Paraeter baru Reestiasi paraeter odel Konvergensi or Iiterasi tercapai? S e l e s a i Gabar 6. Diagra alir proses pelatihan 129

Jurnal SMARTek, Vol. 6, No. 2, Mei 2008: 124-134 3. Tahap ketiga, elakukan proses pelatihan setiap kata enggunakan odel HMM kiri-kanan dengan fungsi latih_h yang sebelunya telah dibuat di Matlab6P1. Type proses pelatihan adalah type terbibing, diana keseluruhan runtun observasi hasil ekstraksi ciri akan engalai proses pelatihan berurutan sesuai dengan urutan jenis kata yang diucapkan yang tersipan dala satu berkas (file).at. Gabar odel HMM kiri-kanan dengan N cacah keadaan dapat dilihat pada gaabr-5. Sedangkan diagra alir proses pelatihan dapat dilihat pada gabar-6 dengan algorita sebagai berikut : a. Menentukan nilai awal paraeter odel A,,, ) yaitu : 0 ( 0 0 0 U 0 o probabilitas transisi keadaan A0, dipilih aii = 0,75; aii+1=0,25; ann=1, untuk 1 i N, dan probabilitas keadaan awal i = 1 untuk i = 1 dan i = 0 untuk i 1 dengan fungsi init_pi_a o penentuan nilai awal 0 dan U0 oleh toolbox H2M dengan cara engelopokkan asingasing runtun observasi (hasil ekstraksi ciri) kedala N kelopok sesuai cacah keadaan HMM. Terhadap setiap kelopok runtun observasi akan dilakukan penghitungan nilai rerata dan nilai kovarians dengan fungsi h_int diana vektor rerata enjadi nilai awal 0 dan atriks kovarians enjadi nilai awal U0. b. Pada proses pelatihan ini dilakukan reestiasi paraeter odel untuk keudian dihitung nilai probabilitas P(O) untuk enguji konverginitas pelatihan dengan algorita Bau-Welch. Proses pelatihan dinyatakan konvergen apabila cacah iterasi aksiu (yang dala penelitian ini dipilih julah iterasi 40) tercapai atau apabila konvergenitas proses pelatihan encapai nilai : P( O 0) ) / 2 P( O 1) P( O 0) / ( P( O 1) abang 0,0001, Proses reestiasi odel A,,, U ) dilakukan oleh i ( i i i i fungsi-fungsi yang terdapat di dala toolbox h2, sebagai berikut : o reestiasi paraeter Ai enggunakan fungsi h_est o reestiasi paraeter i dan Ui enggunakan fungsi ix_par o paraeter i tidak direestiasi karena nilainya yang deterinistik sesuai dengan kekangan yang ada pada paraeter tersebut. Setelah iterasi aksiu tercapai atau syarat konvergen tercapai aka akan diperoleh hasil pelatihan berupa paraeter-paraeter odel opt = (A,,, U), ditabah dengan nilai logarita probabilitas untuk setiap iterasi dan peubah naa kata yang diodelkan. Pelatihan untuk seluruh kata enggunakan fungsi latihan_ucap yang akan enghasilkan 8 odel HMM sesuai julah jenis kata yang diucapkan asing-asing dengan N cacah keadaan, dengan odel output pelatihan : pola = [A_; pi_; u_; siga_ ; LL; naa], dengan A_ adalah atriks probabilitas transisi keadaan (NxN), pi_ adalah probabilitas keadaan awal (1xN), u_ adalah N buah rerata vektor ciri [1x(2p+1+1)], siga_ adalah N buah atriks kovarians [(2p+1+1)x(2p+1+1)], LL adalah logarita probabilitas iterasi, dengan p adalah orde LPC dan N adalah cacah keadaan HMM. Pelatihan dilakukan dengan beberapa type, yaitu untuk keseluruhan data yang ada dengan cacah keadaan yang berbeda-beda yaitu dipilih dari 130

Pengenalan Ucapan Kata Berkorelasi Tinggi) (Mery Subito) cacah keadaan 5 sapai dengan 8, yang akan enghasilkan odel optial dari asing-asing kata untuk enjadi pola referensi. Juga dilakukan pelatihan runtun observasi untuk asing-asing kelopok berdasarkan jenis kelain pengucap yaitu kelopok pengucap perepuan dan kelopok pengucap laki-laki. 4. Tahap keepat, elakukan pengujian/pengenalan atas sapel kata-kata yang telah dilatih aupun yang belu dilatih dan enghitung persentasi keberhasilan pengujian, serta engaati pada cacah keadaan berapa dicapai tingkat keberhasilan tertinggi. Untuk proses pengujian atau pengenalan setiap kata enggunakan fungsi uji_kata dan untuk pengenalan seluruh kata terucap digunakan fungsi uji_ucap. Hasil koputasi uji_ucap adalah persentase keberhasilan pengenalan seluruh kata, persentase keberhasilan pengenalan asing-asing kata dan penyataan kata yang salah dikenali yang dapat dilihat dengan fungsi hasil_ucap, ditulis dala bentuk: [hasil, has, yg_salah]=hasil_ucap(path,kosa), dengan path adalah direktori tepat enyipan file kata-kata terucap, dan kosa adalah variabel sel berisi odel HMM seluruh kata. Terhadap sapel data hasil rekaan dilakukan proses ekstraksi ciri untuk endapatkan runtun observasi, untuk keudian dihitung probabilitas odel runtun observasi enggunakan algorita viterbi dan dipilih probabilitas aksiu odel yang akan dibandingkan dengan odel pola referensi hasil pelatihan untuk keudian ditetapkan sebagai kata yang terkenali sesuai dengan kecocokan pola referensi yang ada. Diagra blok pengenalan kata berdasarkan algorita viterbi dapat dilihat pada gabar-7. 1 HMM kata-1 Menghitung Probabilitas P(O 1 ) Runtun 2 Indeks kata Isyarat Observasi (O) HMM kata-2 terkenali Ucap Analisis LPC Menghitung Probabilitas Peilih Probabilitas Maksiu v HMM kata-v P(O v ) Menghitung Probabilitas Gabar 7. Diagra Blok Pengenal Kata 131

Jurnal SMARTek, Vol. 6, No. 2, Mei 2008: 124-134 4. Hasil dan Pebahasan Adapun hasil yang telah diperoleh dala penelitian ini adalah seperti berikut. 1. Untuk pengujian kata-kata yang dipilih sebagai bahan penelitian adalah benar eiliki korelasi satu saa lain telah dilakukan penghitungan koefisien korelasi diantara kata yang satu dengan kata yang lainnya enggunakan fungsi seperti berikut. [uka]=wavread('uka030'); x=spectru(uka,256,0,hain g(256)); a=x/ax(x); [uak]=wavread('uak030'); x=spectru(uak,256,0,hain g(256)); b=x/ax(x); Y=corrcef (a,b) Hasil penghitungan korelasi antara 2 kata dinyatakan dala bentuk tabel yang dapat dilihat pada tabel-2 yang enunjukkan adanya korelasi yang tinggi antara kata yang satu dengan kata yang lain, khususnya pada kata kau dan kaus enunjukkan koefisien korelasi 0,9787. 2. Penelitian dengan sapel data yang diucapkan oleh 85 pengucap lakilaki dan perepuan, dengan runtun observasi o = [c dc e de] dan variasi cacah keadaan odel HMM dari 5-8 dapat dilihat pada Tabel 3. Tabel 2. Koefisien korelasi antara kata yang enjadi bahan penelitian uka uak kau kau asuk kaus kusa suka uka 1 0,5788 0,9420 0,8009 0,7161 0,9299 0,9379 0,7584 uak 0,5788 1 0,6581 0,8770 0,7643 0,7258 0,5205 0,7235 kau 0,9420 0,6581 1 0,9069 0,8170 0,9787 0,9249 0,8948 kau 0,8009 0,8770 0,9069 1 0,8934 0,9255 0,7581 0,9098 asuk 0,7161 0,7643 0,8170 0,8934 1 0,8718 0,7271 0,8497 kaus 0,9299 0,7258 0,9787 0,9255 0,8717 1 0,8992 0,8835 kusa 0,9379 0,5205 0,9249 0,7581 0,7271 0,8992 1 0,8161 suka 0,7584 0,7235 0,8948 0,9098 0,8497 0,8835 0,8161 1 Tabel 3.. Persentase rata-rata pengenalan kata seluruh pengucap dengan variasi cacah keadaan; (o = [c dc e de]) No. Cacah Sapel Kata Total State uka uak Kau Kau asuk kaus kusa suka Hasil 1. 5 100 97.65 97.65 95.29 100 94.12 98.82 96.47 97.50 2. 6 100 96.47 97.64 96.47 100 94.12 98.82 97.65 97.65 3. 7 100 98.82 100 100 100 96.47 98.82 100 99.27 4. 8 100 98.82 100 98.82 100 94.12 98.82 97.65 98.53 132

Pengenalan Ucapan Kata Berkorelasi Tinggi) (Mery Subito) Tabel 4. Pengaruh orde analisis LPC terhadap pengenalan ucapan Orde Sapel Kata Total No. LPC Muka uak Kau kau asuk kaus kusa Suka Hasil 1. 8 100 98.82 100 100 100 96.47 98.82 100 99.26 2. 9 100 98.82 100 95.29 100 94.18 98.82 96.47 97.94 3. 10 100 98.82 100 97.65 100 94.12 98.82 100 98.68 Tabel-5. Persentase pengenalan 24 ucapan laki-laki terhadap pelatihan 15 ucapan laki-laki Kata Kata terkenali sebagai Terucap uka uak kau kau asuk kaus kusa suka X uka 91.67 - - - - - - 4.17 4.17 uak 8.33 79.17 - - 4.17 - - 8.33 - kau - - 45.83-4.17 50 - - - kau - - 4.17 79.17 4.17 12.50 - - - asuk - - - - 95.83 - - 4.17 - kaus - - - - 4.17 91.67 - - 4.17 kusa - - - - 4.17-1.67-4.17 suka - - - - 8.33 - - 91.67-4. Penelitian untuk elihat pengaruh perubahan orde analisis LPC terhadap tingkat pengenalan ucapan kata berkorelasi tinggi, yaitu dengan enetapkan paraeterparaeter N=400, M=100, cacah keadaan 7, dan variasi orde dari 8 sapai 10 (Tabel 4). 5. Penelitian untuk elihat pengaruh korelasi terhadap pengenalan kata, dengan julah data pelatihan 15 dan julah data pengenalan 24, pada cacah keadaan 7, p = 8, N=400, dan M =100, dengan hasil seperti pada Tabel 5. 5. Kesipulan Dari hasil penelitian diatas dapat disipulkan yang berikut. 1) Ucapan kata-kata yang berkorelasi tinggi dapat dikenali oleh koputer setelah terlebih dahulu dilakukan proses ekstraksi ciri enggunakan odel LPC dan proses klasifikasi enggunakan odel HMM, dengan tingkat pengenalan cukup signifikan yaitu di atas 97%. 2) Pengenalan encapai tingkat keberhasilan tertinggi pada cacah keadaan 7 untuk runtun observasi dengan epat ciri-ciri besaran yaitu koefisien cepstral dan turunannya serta koefisien energi dan turunannya diana rata-rata keberhasilan pengenalan untuk seluruh kata adalah 99%. 3) Perubahan orde analisis LPC tidak eberikan pengaruh yang signifikan terhadap tingkat pengenalan ucapan kata berkorelasi tinggi diana pada penelitian ini untuk orde LPC dari 8 sapai 10 133

Jurnal SMARTek, Vol. 6, No. 2, Mei 2008: 124-134 tingkat pengenalan rata-rata di atas 97%. 4) Korelasi antara kata yang sangat tinggi akan eberikan pengaruh terhadap tingkat pengenalan kata tersebut. Tingkat pengenalan kata terucap kau dikenali 50% sebagai kata kaus, hal ini dikarenakan korelasi antara kedua kata yang cukup tinggi yaitu 0,9787. Wilpon, J.G., 1990, Autoatic Recognition of Keywords in Unconstrained Speech Using Hidden Markov Models, IEEE Transaction on Acoustic, Speech, and Signal Processing, vol. 38. No. 11. 6. Daftar Pustaka Basuki, A., 2002, Pengenalan Tutur kata Terisolasi Menggunakan Model Markov Tersebunyi, Tesis Progra Studi Teknik Elektro Progra Pasca Sarjana UGM. Bristow, G., 1976, Electronic Speech Synthesis, McGraww-Hill Book Copany Deller, J. R., 1993, Discrete-Tie Processing of Speech Signals, Macilon Publishing Copany, a division of Macillan, Inc. Fadlil, M., 2000, Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Kuantisasi Vektor Adaptif, Tesis Progra Studi Teknik Elektro Progra Pasca Sarjana UGM. Fallside, F., dan Woods A. W., 1985, Coputer Speech Processing, Prentice-Hall, Inc. Rabiner, L., 1993, Fundaentals of Speech Recogniton, Prentice- Hall International,Inc. Schalkoff, R.J.,1992, Pattern Recognition : Statistical, Structural and Neural Approach, John Willey & Sons Inc. Canada. Susilawati, H., 2001, Aplikasi Jaringan Syaraf Tiruan untuk Pengenalan Suara pada Lingkungan berderau, Tesis Progra Studi Teknik Elektro Progra Pasca Sarjana UGM. 134