Desain Sistem Speech Recognition Penerjemah Bahasa Toraja Menggunakan Hidden Markov Model

Article Sidebar

PDF
Published: Dec 31, 2021
DOI: https://doi.org/10.17933/jppi.v11i2.286
Keywords:
Hidden Markov Modelling Translator Indonesian Language Local Toraja Language Android

Main Article Content

Rismayani -
STMIK Dipanegara Makassar
http://orcid.org/0000-0002-9716-2131
Sri Wahyuni
Program Studi Teknik Informatika universitas Dipa Makassar
Novita Sambo Layuk
Program Studi Teknik Informatika universitas Dipa Makassar
Rian Hesron Loly
Program Studi Teknik Informatika universitas Dipa Makassar
Ayub Nandito Daud
Program Studi Teknik Informatika universitas Dipa Makassar

Abstract

Bahasa daerah toraja merupakan salah satu bahasa daerah yang ada di provinsi sulawesi selatan tepatnya di kabupaten Tana Toraja Indonesia. Indonesia memiliki beragam Bahasa daerah, Bahasa daerah merupakan salah satu ciri budaya suatu daerah khususnya Bahasa Toraja. Penelitian ini bertujuan untuk membuat sistem Speech Recognition pada penerjemah Bahasa daerah Toraja dengan menggunakan Hidden Markov Model. Hidden Markov Model merupakan metode klasifikasi yang menggunakan pembelajaran dari Baum-Welch, yang mengestimasi beberapa parameter untuk menemukan model terbaik yang menggambarkan training set. Hidden Markov adalah algoritma berbasis probabilistik yang digunakan untuk menentukan kelas kata terbaik untuk setiap kata dalam data uji. Hasil dari penelitian ini adalah sistem penerjemah bahasa daerah Toraja yang menggunakan metode Hidden Markov dapat membantu siapa saja yang belum mengetahui menggunakan dan arti Bahasa Indonesia dari Bahasa daerah Toraja. Berdasarkan pengujian Black Box untuk masing-masing fungsional pada sistem penerjemah bahasa daerah Toraja diperoleh hasil yang valid; demikian juga, pengujian logika menggunakan metode Hidden Markov bebas dari kesalahan logika. Kemudian berdasarkan pengujian kuesioner yang telah diperoleh dari 20 responden diperoleh hasil 80.2% sangat setuju jika sistem penerjemah tersebut bermanfaat.

Article Details

Issue
Vol. 11 No. 2 (2021): Desember 2021
Section
Informatics
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

JPPI provides immediate open access to its content on the principle that making research freely available to the public to supports a greater global exchange of knowledge.


Creative Commons License
JPPI by MCIT/Kemenkominfo is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Permissions beyond the scope of this license may be available at https://kominfo.go.id/.

Author Biography

Rismayani -, STMIK Dipanegara Makassar

Rekayasa Perangkat Lunak

References

Anon. 2017. “Dasbor distribusi.” Android Developers. Retrieved September 15, 2019 (https://developer.android.com/about/dashboards).

Asnawati, Feri Hari Utami dan. 2015. Rekayasa Perangkat Lunak. Deepublish.

Creativity, M. Hilmi Masruri &. Java. 2015. Buku Pintar Android. Elex Media Komputindo.

Dani, Akhmad Wahyu, Andi Adriansyah, and Dodi Hermawan. 2016. “Perancangan Aplikasi Voice Command Recognition Berbasis Android Dan Arduino Uno.” Jurnal Teknologi Elektro 7(1).

Fink, Gernot A. 2014. Markov Models for Pattern Recognition: From Theory to Applications. Springer Science & Business Media.

Hariyanto, Zuchridin Suryawinata &. Sugeng. 2003. Translation Bahasan Teori & Penuntun Praktis Menerjemah. Kanisius.

Leos‐Barajas, Vianey, Theoni Photopoulou, Roland Langrock, Toby A. Patterson, Yuuki Y. Watanabe, Megan Murgatroyd, and Yannis P. Papastamatiou. 2017. “Analysis of Animal Accelerometer Data Using Hidden Markov Models.” Methods in Ecology and Evolution 8(2):161–73.

Mardiana, Ardi and Tantri Wahyuni. 2019. “Rancang Bangun Aplikasi Android Pengenalan Kosakata Untuk Disabilitas Tunarungu Menggunakan Metode Sistem Isyarat Bahasa Indonesia.” INFOTECH journal 5(1):64–68.

Mba, Clement U., Viliam Makis, Stefano Marchesiello, Alessandro Fasana, and Luigi Garibaldi. 2018. “Condition Monitoring and State Classification of Gearboxes Using Stochastic Resonance and Hidden Markov Models.” Measurement 126:76–95.

Mohidin, Ismail. 2016. “Analisis Dan Perancangan Speech Recognition Translate Bahasa Inggris-Indonesia-Gorontalo Berbasis Android.” ENERGY 6(1):12–17.

Nada, Qothrun, Cahya Ridhuandi, Puji Santoso, and Dwi Apriyanto. 2019. “Speech Recognition Dengan Hidden Markov Model Untuk Pengenalan Dan Pelafalan Huruf Hijaiyah.” JURNAL Al-AZHAR INDONESIA SERI SAINS DAN TEKNOLOGI 5(1):19–26.

Orfanogiannaki, K. and D. Karlis. 2018. “Multivariate Poisson Hidden Markov Models with a Case Study of Modelling Seismicity.” Australian & New Zealand Journal of Statistics 60(3):301–22.

Robbiyanto, Bagus, Raditiana Patmasari, and Rita Magdalena. 2019. “Perancangan Dan Analisis Sistem Speech Processing Untuk Tunarungu Menggunakan Metode Hidden Markov Model Dan Mel-frequency Cepstral Coefficients.” eProceedings of Engineering 6(1).

Sande, J. S. and Pusat Pembinaan dan Pengembangan Bahasa. 1984. Struktur bahasa Toraja Saʾdan. Pusat Pembinaan dan Pengembangan Bahasa, Departemen Pendidikan dan Kebudayaan.

Sande, J. S. and Pusat Pembinaan dan Pengembangan Bahasa. 1997. Tata bahasa Toraja. Pusat Pembinaan dan Pengembangan Bahasa, Departemen Pendidikan dan Kebudayaan.

Wang, Ting, Jiancang Zhuang, Kazushige Obara, and Hiroshi Tsuruoka. 2017. “Hidden Markov Modelling of Sparse Time Series from Non-Volcanic Tremor Observations.” Journal of the Royal Statistical Society: Series C (Applied Statistics) 66(4):691–715.

Wuryantoro, Aris. 2018. Pengantar Penerjemahan. Deepublish.

Yu, Dong and Li Deng. 2014. Automatic Speech Recognition: A Deep Learning Approach. Springer.

Zucchini, Walter and Lain L. MacDonald. 2009. Hidden Markov Models for Time Series: An Introduction Using R - Walter Zucchini, Iain L. MacDonald - Google Buku. Boca Raton London: CRC Press.