HIDDEN MARKOV MODEL SEDERHANA UNTUK APLIKASI PENGENALAN ISYARAT PENUTUR

Umumnya, orang memasukkan sandi dengan mengetik data mereka. Hal ini berisiko karena dapat terjadi kemungkinan untuk memberikan data yang sama kepada orang lain dan tidak ada ciri unik data tersebut. Salah satu metode untuk memecahkan masalah menggunakan pengenalan dengan klasifikasi Markov Model tersembunyi. Ada beberapa teknik untuk mendapatkan ciri pada pengenalan tutur; salah satunya adalah mengambil data langsung. Pertama, ekstraksi ciri dilakukan menggunakan transformasi wavelet. Proses belanjut ke Model Markov tersembunyi dimana nilai probabilitas ditentukan berdasarkan toleransi kesalahan dari suatu data percobaan. Nilai kesalahan didapat dengan menggunakan Mean Square kesalahan (MSE). Metode ini dapat mendeteksi ucapan dengan intonasi berbeda dengan akurasi 100% dalam jarak 25 sampai 40 cm, tetapi tidak untuk dialek berbeda.Kata Kunci : kata sandi, Mean Square Error, Hidden Markov ModelGenerally, people enter the password by typing their data. This is risky because of the probability to give similar data to others and there is no unique feature of data. One ofthe methods to solve the problem is using speech recognition with classification of Hidden Markov Model. There are some techniquesto get the features in speech recognition; one of them is direct data mining. Firstly, feature extraction was done using wavelet transform. The process was continued to Hidden Markov Model which the input probabilitywas determined based on the error tolerance of experiment data. The error value was got using Mean Square Error (MSE). This proposed method can detect the speech with different intonation with the accuracy of 100% within the distance of 25 to 40 cm, but not for different dialect.Keywords: passwords, Mean Square Error, Hidden Markov Mode