ANALISIS PENGARUH NOISE PADA SPEECH RECOGNITION MENGGUNAKAN MFCC DAN SVM

Abstrak

Speech recognition merupakan teknologi yang banyak digunakan pada sistem berbasis suara, namun performanya dapat menurun akibat keberadaan noise pada sinyal audio. Penelitian ini bertujuan menganalisis pengaruh noise terhadap kinerja sistem speech recognition menggunakan ekstraksi fitur Mel Frequency Cepstral Coefficients (MFCC) dan metode klasifikasi Support Vector Machine (SVM). Dataset yang digunakan adalah Speech Commands yang terdiri atas 20.000 data audio dari delapan kelas perintah suara. Untuk menguji ketahanan model, dilakukan penambahan tiga jenis noise, yaitu Pink Noise, Running Tap Noise, dan White Noise sehingga total data menjadi 80.000 sampel. Ekstraksi fitur dilakukan menggunakan MFCC, Delta MFCC, dan Delta-Delta MFCC yang direpresentasikan menjadi vektor fitur berdimensi 39. Proses klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF), parameter C = 10, dan gamma = scale. Evaluasi dilakukan menggunakan Accuracy, Precision, Recall, Weighted F1-Score, Confusion Matrix, dan Character Error Rate (CER). Hasil penelitian menunjukkan bahwa kondisi audio normal menghasilkan akurasi tertinggi sebesar 97,35%, sedangkan White Noise menghasilkan akurasi terendah sebesar 72,95%. Hasil penelitian menunjukkan bahwa noise berpengaruh terhadap performa speech recognition, meskipun kombinasi MFCC dan SVM masih mampu mempertahankan kinerja yang baik pada seluruh skenario pengujian.