Pemodelan Pengenalan Pembicara Bahasa Indonesia Menggunakan Stacking Fitur MFCC dan LPC dengan LSTM Triplet Loss

Abstract

Manusia memiliki faktor pembeda antara manusia yang satu dan manusia yang lain, dan salah satu faktor khas tersebut adalah suara mereka. Bidang mempelajari cara mengidentifikasi suara individu dikenal sebagai pengenalan pembicara. Namun, pengenalan pembicara menghadapi tantangan akibat faktor-faktor seperti kualitas rekaman yang bervariasi, pengaruh lingkungan, dan variasi nada saat berbicara. Ekstraksi fitur yang relevan menjadi sangat penting dalam mengatasi tantangan-tantangan ini, dengan metode seperti MFCC dan LPC memainkan peran kunci dalam menangkap karakteristik yang khas dari setiap suara. Langkah yang dilakukan dengan pengekstrakan sebuah data menggunakan metode yang sudah disebutkan. Setelah ekstraksi fitur, langkah berikutnya melibatkan pemecahan data menjadi beberapa bagian untuk data latih dan tes kemudian data akan pemilihan model, dalam sebuah model, model yang digunakan adalah model deep learning. Dalam pengenalan pembicara deep learning memiliki dua pendekatan: pertama, menganggap seluruh jaringan sebagai pengambil keputusan dengan menggunakan fungsi aktivasi seperti softmax untuk klasifikasi. Pendekatan kedua melibatkan pembelajaran mendalam sebagai ekstraktor embedding, meninggalkan pengambilan keputusan pada metrik seperti cosine similarity atau PLDA, dengan triplet loss function sebagai contoh fungsi yang digunakan untuk melatih model. Penelitian ini bertujuan mengungkap dampak penggabungan fitur dan penggunaan model triplet loss dalam pengenalan pembicara. Hasil menunjukkan bahwa penggabungan dua fitur mengurangi waktu latih, meningkatkan akurasi coverage, dan meminimalkan loss. Meskipun model deep learning base melampaui model triplet dalam hal akurasi, namun model triplet terbukti menguntungkan untuk menerima label baru tanpa perlu pelatihan ulang.