SISTEM PENGENALAN SUARA PADA APLIKASI ROUTE GUIDANCE UNTUK TUNANETRA BERBASIS INDOOR POSITIONING

Penyandang tunanetra dapat mengganti fungsi indra penglihatan dengan mempertajam indra pendengarannya untuk mendengar suara di sekitarnya. Teknologi yang berkaitan dengan suara telah banyak dikembangkan seperti Automatic Speech Recognition (ASR). ASR dapat membantu penyandang tunanetra dalam aspek kehidupannya. Universitas Syiah Kuala belum memiliki fasilitas yang mendukung untuk penyandang tunanetra, terutama dalam memberikan penamaan ruangan atau gedung dalam huruf Braille. Maka, salah satu solusi lainnya, yang dapat diberikan adalah dengan sistem pengenalan suara. Penelitian ini menawarkan pembangunan model sistem pengenalan suara yang sesuai dengan kebutuhan, yaitu dengan menggunakan data dari nama ruangan pada Gedung A FMIPA Universitas Syiah Kuala. Pada pembangunan model pengenalan suara menggunakan Mel Frequency Ceptral Coefficient (MFCC) sebagai ekstraksi fiturnya, Gaussian Mixture Model - Hidden Markov Model (GMMHMM) sebagai data alignment setelah itu dilanjut dengan menggunakan dua arsitektur Deep Neural Network (DNN), yaitu Time-Delay Neural Network Factorized (TDNNF) dan Convolutional Neural Network - Time-Delay Neural Network Factorized (CNNTDNNF) untuk acoustic modelling. Terdapat dua pengujian yang dilakukan, yaitu dengan decoding dari Kaldi dan dengan Vosk berbasis Python. Model yang paling baik dari hasil pengujian didapatkan pada model CNN-TDNNF 13 dimensi dengan 7 layer dan 5 epoch serta learning rate sebesar 0.01, dimana model tersebut memberikan akurasi paling bagus daripada model CNN-TDNNF lainnya maupun model TDNNF. Model tersebut selanjutnya diimplementasikan pada aplikasi berbasis Android dengan menggunakan Vosk