Implementasi Dan Analisis Simulasi Deteksi Emosi Melalui Pengenalan Suara Menggunakan Mel-frequency Cepstrum Coefficient Dan Hidden Markov Model Berbasis Iot

Abstract

Abstrak Emosi adalah salah aspek yang sangat penting dalam komunikasi manusia. Untuk mengekspresikan emosi salah satu cara yang dilakukan manusia dan dapat diidentifikasi adalah melalui suara. Pengembangan deteksi suara atau speech recognition merupakan sebuah teknologi yang sudah berkembang pesat untuk membantu interaksi manusia-mesin menjadi lebih baik. Salah satu metode yang paling sering digunakan untuk deteksi suara adalah Mel-Frequency Cepstrum Coefficient (MFCC) dimana gelombang suara diubah menjadi beberapa tipe representasi yang dapat di proses, selanjutnya bagian-bagian tersebut menjadi penentu klasifikasi dari Hidden Markov Model (HMM) agar mengeluarkan suatu koefisien. Hasil kelas emosi yang dikeluarkan masih berupa data yang sukar dibaca oleh pengguna awam sehingga memerlukan media yang mudah dimengerti agar dapat terjalin interaksi manusia-mesin. Berdasarkan kebutuhan manusia terhadap mesin tersebut, perihal dalam mengatasinya yaitu dapat berupa alat indikator yang dapat menerima inputan dari hasil algoritma deteksi emosi untuk selanjutnya disajikan dalam bentuk indikator cahaya lampu yang memiliki acuan terhadap jenis emosi yang dikeluarkan. Selanjutnya alat juga akan mengirimkan hasil deteksi emosi tersebut melalui e-mail sehingga hasil dapat dipantau dimanapun dan kapanpun.

Kata Kunci : emosi, speech recognition, hidden markov model, mel-frequency cepstrum coefficient.

Abstract Emotion is a very important aspect of human communication. To express emotions one way that humans do and can be identified is through sound. The development of voice detection or speech recognition is a technology that has developed rapidly to help human-machine interactions get better. One of the most commonly used methods for sound detection is Mel-Frequency Cepstrum (MFCC) where sound waves are converted into several types of representations that can be processed, then the parts become determinants of the classification of the Hidden Markov Model (HMM) to issue a coefficient. The emotion class results that are released are still in the form of data that is difficult to read by ordinary users so that it requires a medium that is easy to understand in order to establish human-machine interaction. Based on the human need for the machine, the problem in dealing with it can be in the form of an indicator that can receive input from the results of the emotion detection algorithm and then presented in the form of a light indicator that has a reference to the type of emotion emitted. Furthermore, the tool will also send emotion detection results via e-mail so that the results can be monitored wherever and whenever.

Keywords : emotion, speech recognition, hidden markov model, mel-frequency cepstrum coe