Voice recognition Using back propagation algorithm in neural networks

Mansour, Abdelmajid Hassan; Salh, Gafar Zen Alabdeen; Alabdeen, Hozayfa Hayder Zeen

doi:10.14445/22312803/ijctt-v23p128

Cited by 6 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Perkembangan teknologi saat ini membuat teknologi machine learning dimana mesin seakanakan mampu mempelajari dan mengenali pola pada suatu data untuk memecahkan suatu permasalahan. Jaringan saraf tiruan merupakan pemrosesan suatu informasi yang mendasari jaringan sel saraf biologis [15], dapat diterapkan dalam game untuk tujuan tertentu [16].…”

Section: Pendahuluanunclassified

Game Simulasi Gerakan Pasien Cedera Bahu Menggunakan Jaringan Saraf Tiruan Backpropagation

Waluyo¹,

Yuniarti²,

Djamal³

2019

jumanji

View full text Add to dashboard Cite

Bahu merupakan bagian dari lengan yang mudah mengalami cedera. Cedera pada bahu antara lain peradangan sendi, pergeseran tulang (dislokasi), dan bahu kaku (frozen shoulder) serta pasca stroke. Selain itu, penyebab bahu cedera karena olahraga yang menitikberatkan lengan sebagai tumpuan. Latihan terapi yang terjadwal merupakan upaya merehabilitasi bahu untuk memulihkan dan mengembalikan fungsi bahu. Namun kegiatan rehabilitasi medik memerlukan jangka waktu lama dan terkesan monoton yang berakibat menurunnya motivasi pasien dalam menjalani latihan terapi. Sementara itu, perkembangan teknologi yang memudahkan berbagai aspek kehidupan khususnya dibidang kesehatan menjadikan video game dan perangkat sensor Kinect dapat diterapkan sebagai media dalam simulasi latihan terapi cedera bahu. Penelitian ini telah membangun game simulasi sebagai visualisasi untuk mendukung latihan terapi cedera bahu dan kemampuan dalam memprediksi pemulihan cedera bahu pasien yang terbagi atas tiga kelas yaitu “Meningkat”, “Tetap”, dan “Menurun”. Pasien melakukan gerakan untuk mengontrol game dengan mengangkat lengan menjauhi garis tengah terhadap bidang frontal pada tubuh atau disebut sebagai gerakan Shoulder Active Abduction. Gerakan dilakukan oleh salah satu lengan cedera yang akan menghasilkan nilai sudut bervariasi dengan rentang 0°-180°. Gerakan yang dilakukan direkam sensor Kinect yang dapat memvisualisasikan peta gerakan kerangka tubuh atau disebut matchstick skeleton. Keluaran dari sensor Kinect berupa nilai koordinat yang direpresentasikan ke dalam nilai sudut. Data latih diperoleh dari lima naracoba yang menghasilkan nilai sudut berbeda. Nilai-nilai sudut dilakukan pelatihan menggunakan Backpropagation yang selanjutnya menghasilkan nilai akurasi. Hasil pelatihan dengan learning rate 0,01 menunjukan akurasi sebesar 82% untuk prediksi data yang sudah dilatih, sedangkan pengujian data baru menunjukan akuarasi sebesar 66,7%.

show abstract

Section: Pendahuluanunclassified

Game Simulasi Gerakan Pasien Cedera Bahu Menggunakan Jaringan Saraf Tiruan Backpropagation

Waluyo¹,

Yuniarti²,

Djamal³

2019

jumanji

View full text Add to dashboard Cite

show abstract

“…There are many different techniques that can be used for feature extraction such as the Linear Predictive Coding (LPC), Perceptual Linear Coding (PLC), Mel-Frequency Cepstrum Coefficient (MFCC), etc [12]. MFCC is mainly designed using the knowledge of human auditory system [13][14][15][16][17]. This paper is organized as follows.…”

Section: Introductionmentioning

confidence: 99%

Speaker ethnic identification for continuous speech in malay language using pitch and MFCC

Hanifa

Isa

Mohamad

2020

IJEECS

View full text Add to dashboard Cite

<span>Voice recognition has evolved exponentially over the years. The purpose of voice recognition or sometimes called speaker identification, is to identify the person who is speaking. This can be done by extracting features of speech that differ between individuals due to physiology (shape and size of the mouth and throat) and also behavioral patterns (pitch, accent and style of speaking). This paper explains an approach of voice recognition to identify the ethnicity of Malaysian people. Pitch and 13 Mel-Frequency Cepstrum Coefficients (MFCCs) are extracted from 52 recorded continuous speech in Malay for use as features to train the classifiers using Tree, Naïve Bayes, Nearest Neighbors and Support Vector Machine (SVM) and another 10 recorded speeches are used for testing. The results reveal that the use of a combination of pitch and 13 coefficients for features extraction and training the data using SVM provide better accuracy (57.7%) than the use of only 13 coefficients (53.8%).</span>

show abstract