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.