Article Per Year (5 Year)
p-Index From 2021 - 2026
2.619
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Journal of Information Technology and Computer Science (JOINTECS) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Indonesian Journal of Artificial Intelligence and Data Mining Fair Value: Jurnal Ilmiah Akuntansi dan Keuangan JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JISKa (Jurnal Informatika Sunan Kalijaga) Journal of Information Systems and Informatics JATI (Jurnal Mahasiswa Teknik Informatika) International Journal of Advances in Data and Information Systems Transaction on Informatics and Data Science
Totok Chamidy
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
SISTEM PENDUKUNG PEMBELAJARAN TENSES UNTUK TINGKAT DASAR BERBASIS SISTEM PAKAR MENGGUNAKAN METODE FORWARD CHAINING Chamidy, Totok; Agasta, Hadziq
MATICS MATICS (Vol. 4 No. 4
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (349.031 KB) | DOI: 10.18860/mat.v0i0.1568

Abstract

Sistem pendukung pembelajaran tenses adalah suatu sistem pembelajaran terkomputerisasi yang dirancang untuk membantu seseorang dalam mendalami tenses. Tenses merupakan materi dasar dalam grammar yang digunakan untuk menunjukkan waktu kejadian memiliki struktur kata pembentuk kalimat yang berbeda-beda pada tiap penunjuk kejadiannya. Dari struktur kata pembentuk kalimat itulah sistem dapat membedakan tenses bentuk apa kalimat tersebut. Untuk membedakannya, sistem menggunakan metode forward chaining. Metode forward chaining adalah metode yang digunakan untuk mencari kesimpulan dari fakta-fakta yang terkumpul. Sistem kerja aplikasi ini adalah dengan memecah susunan kalimat menjadi kata kemudian dari kata tersebut oleh sistem akan dicari fakta-fakta dari kata tersebut. Fakta-fakta tersebut adalah jabatan berupa subjek, objek, verb dan lain sebagainya. Dari fakta-fakta tersebut, pada tahap akhir sistem akan mencari kecocokan antara fakta-fakta pembentuk kalimat dengan rumus pembentuk tenses. Dari hasil penelitian dengan memasukkan kalimat-kalimat yang memiliki struktur yang berbeda, aplikasi ini mampu mengenali bentuk tenses pada kalimat-kalimat tersebut. Hal ini mengacu pada hasil pengujian yang didapatkan persentase sebesar 96% dari 100 kalimat masukan.Kata Kunci : sistem pakar, forward chaining, tenses
Metode Mel Frequency Cepstral Coeffisients (MFCC) Pada klasifikasi Hidden Markov Model (HMM) Untuk Kata Arabic pada Penutur Indonesia Chamidy, Totok
MATICS Vol 8, No 1 (2016): MATICS
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (257.811 KB) | DOI: 10.18860/mat.v8i1.3482

Abstract

Abstract— Speech recognition is a system to transform the spoken word into text. Human voice signals have a very high of variability. Speech signals in the different pronunciation text, also resulting in distinctive speech patterns. This, furthermore, happens if the text is spoken by a speaker who is not the mother tongue of the speakers. For example, text Arabic words spoken by Indonesian speaker. In this study, Mel Frequency cepstral Coeffisients (MFCC) feature extraction techniques explored for voice recognition of the Arabic words for Indonesian speakers with data training using Arabian native speakers. Furthermore, features that have been extracted, classified using Hidden Markov Model (HMM). HMM is one of the sound modeling where the voice signal is analyzed and searched the maximum probability value that can be recognized, from the modeling results will be obtained parameters are then used in the word recognition process. Recognized word is a word that has the maximum suitability. The system produces an accuracy by an average of 83.1% for test data sampling frequency of 8,000 Hz, 82.3% for test data sampling frequency of 22050 Hz, 82.2% for test data sampling frequency of 44100 Hz.
Co-Authors A Basid, Puspa Miladin Nuraida Safitri AA Sudharmawan, AA Adhitya Prayoga Permana Agung Teguh Wibowo Almais Ajib Hanani Akbar, Ismail Alviola, Nuril Afni Anisa Anisa Baehaqi Baskoro, Sentot Eko Brawijaya, Fanny Cahyo Crysdian Emha Ahdan Fahmi Elmuna Fresy Nugroho Hadziq Agasta, Hadziq Hariyanto, Dikky Cahyo Ismail Akbar Moh. Ainur Rohman Mohammad Faisal Fajar Fadilah Muhammad Faisal Muhammad Faisal Muhammad Khozin Ririen Kusumawati Saleh, Moh setyowati, Kurnia Dwi Sri Harini Suarti, Isa Suhartono Suhartono Suhartono Syahiduz Zaman Syauqi, A’la Syukur, Mohamad Arif Abdul Wardana, M. Dafa Zainal Abidin