IMPLEMENTASI MEL-FREQUENCY CEPSTRAL COEFFICIENTS DAN CONVOLUTIONAL NEURAL NETWORK UNTUK PENGENALAN HURUF HIRAGANA

Bahasa Jepang merupakan salah satu bahasa asing yang semakin banyak diminati, termasuk di Indonesia. Salah satu tantangan utama dalam mempelajari bahasa Jepang adalah penguasaan huruf Hiragana yang memiliki bentuk-bentuk mirip dan jumlah yang cukup banyak. Kesulitan ini sering kali muncul dalam proses membaca, menulis, dan mengucapkan huruf dengan benar. Seiring berkembangnya teknologi, pendekatan berbasis pengenalan suara menjadi solusi yang potensial untuk membantu pembelajar dalam mengidentifikasi dan mengucapkan huruf Hiragana secara tepat. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan suara huruf Hiragana menggunakan metode Mel-Frequency Cepstral Coefficients (MFCC) sebagai ekstraksi fitur dan Convolutional Neural Network (CNN) sebagai model klasifikasi. Metode yang digunakan melibatkan tahapan preprocessing data audio, ekstraksi fitur MFCC, augmentasi data, pelatihan model CNN, dan evaluasi hasil melalui metrik klasifikasi serta confusion matrix. Data yang digunakan terdiri dari 46 huruf Hiragana yang diucapkan dalam bentuk rekaman suara. Hasil penelitian menunjukkan bahwa model CNN mampu mengenali huruf Hiragana dengan akurasi tinggi, mencapai nilai akurasi sebesar 95%. Confusion matrix mengindikasikan sebagian besar huruf berhasil diklasifikasikan secara akurat, meskipun terdapat beberapa kemiripan fonetik yang menyebabkan kebingungan pada model. Penelitian ini membuktikan bahwa pendekatan berbasis CNN dan MFCC baik untuk digunakan dalam sistem pengenalan suara Hiragana. Untuk pengembangan ke depan, disarankan penambahan data yang lebih bervariasi, eksplorasi teknik transfer learning, serta integrasi metode yang lebih adaptif terhadap dinamika temporal suara.