List pertanyaan siding

1. Kenapa kamu milih judul ini ?

2. Tujuan buat apa ? kenapa memilih metode itu ?
3. Penelitian sebelumnya bagaimana ?
4. Dataset darimana ? jumlah dataset berapa ? training testing validasi
5. Teori tentang Deep learning, MFCC, ZCR
6. DNN seperti apa
7. Detail arsitektur dnn, mfcc, zcr
8. Performansi dilihat dari apa ?
9. Harus bisa menjelaskan flowchart
10. Skenario pengujian seperti apa ?
11. Analisis
12. Bisa justifikasi mengapa penelitian kita seperti itu
Jawab:
1. Alasan saya memilih judul ini karena saya hidup di lingkungan Telkom dimana mhs
Telkom banyak dari luar kota maupun luar pulau. Sehingga saya tertarik untuk
meneliti mengenai dialek masing2 suku dan dapat mengklasifikasi berdasarkan suku
daerah masing2
2. - Untuk membuat simulasi pengenalan suara yang dapat dikembangkan oleh
penterjemah Bahasa, instansi pemerintah maupun masyarakat pada umumnya agar
memiliki system pengenalan suara.
-Alasan saya menggunakan metode yg digunakan karena menurut penelitian
sebelumnya maupun jurnal didapatkan bahwa metode yg saya gunakan memiliki
tingkat akurasi yang cukup baik untuk mengidentifikasi dialek atau suara.
3. Pada penlitian sebelumnya menggunakan metode yg sama didapatkan akurasi
maksimal diangka 69%. Pada penelitian saya saat ini, saya ingin membandingkan
metode ekstraksi ciri MFCC dengan ZCR mana yg lebih baik. Dari hasil pengujian
system hasil akurasi dari MFCC+DNN mendapatkan hasil akurasi maksimal di anhka
86% dan ZCR+DNN di angka paling tinggi 80%. Sehingga dapat disimpulkan bahwa
penelitian yang saya lakukan memiliki tingkat akurasi yg lebih tinggi. Dan jika
dibandingkan antara MFCC dan ZCR maka metode yg lebih baik adalah MFCC
4. Dataset saya dapatkan secara primer dengan melakukan recording suara terhadap
narasumber yg telah ditentukan berdasarkan suku. Validasi sebanyak 300 (75%) data,
dan akurasi sebanyak 75 (25%) data.
5. .
6. .
7. .
8. Performansi dilihat dari parameter yg ada di DNN
9. .
10. Validasi dan akurasi tes
11. .
12. Hasil penelitian didapatkan seperti itu karena data suara merupakan suara primer
sehingga suara tsb sangat awam bagi system sehingga tidak akan bisa mendapatkan
hasil yang perfect. Data suara mempengaruhi tingkat akurasi karena tiap org memiliki
cara untuk berbicara yang berbeda, terkadang ada orang yg ngomongnya cepat dan
ada yg ngomongnya lambat. Data yang saya miliki lebih banyak dibandingkan dengan
data pada penelitian sebelumnya sehingga memiliki tingkat akurasi yang lebih tinggi.