<![CDATA[Abstrak Selama ini, pemenuhan kebutuhan ilmu yang mempelajari suara-suara di bawah air menunjukkan perkembangan yang cukup baik. Pengenalan sinyal suara dengan jaringan syaraf tiruan dapat dimengerti melalui beberapa metode ekstraksi ciri. Pada penelitian ini dirancang sebuah sistem untuk mengidentifikasi jenis ikan. Sinyal suara mula-mula kita dapatkan dari proses perekaman menggunakan sebuah hydrophone. Kemudian sinyal suara dicuplik dengan kecepatan cuplik 44100 Hz. Untuk proses ekstraksi parameter suara digunakan metode Linear Predictive Coding (LPC) untuk mendapatkan koefisien cepstral. Koefisien cepstral LPC ini ditransformasikan ke dalam domain frekuensi dengan Fast Fourier Transform (FFT). Untuk proses pengenalan dan pengambilan keputusan digunakan Jaringan Saraf Tiruan (JST) propagasi balik. Aplikasi ini dirancang dengan menggunakan MATLAB 2010.Pengujian aplikasi ini dilakukan dengan membandingkan hasil pengenalan dari data latih, data uji, dan pengujian langsung. Sedangkan pada jaringan dilakukan variasi menggunakan 3, 4, 5, 6, 7, dan 8 hidden layer. Berdasarkan hasil pengujian data latihtingkat pengenalan untuk masing-masing variasi jaringan dari setiap jenis ikan tidak menunjukkan perbedaan hasil pengujian, yaitu persentase benar 100%. Berdasarkan hasil pengujian data uji, persentasi tingkat pengenalan sangat bervariasi, dan tingat pengenalan tertinggimencapai 86,6%. Hasil pengujian langsung juga memiliki persentasi tingkat pengenalan yang bervariasi, dan tingkat pengenalan tertinggi mencapai 50%. Maka dapat disimpulkan bahwa sistem ini sudah cukup baik untuk mengidentifikasi jenis ikan.  Kata kunci : linear predictive coding, fast fourier transform, jaringan saraf tiruan propagasi balik. Abstract  Nowadays,the under water sound processing research gradually shows good improvement. The implementation of artificial neural network as sound recognition can be developed with some particular characteristic extraction methods. This research was designed to recognise and identify fish sound. The sound signal recorded by hydrophone. The sound was sampled in frequency 44100 HZ. Sound parameter extraction used Linear Predictive Coding (LPC) method. Recognition and decision-making process used Artificial Neural Networks (ANN) backpropagation. This application wasbuilt by using MATLAB 2010.The program was examined by comparing recognition results of training data, test data, and direct testing. The network variations were 3,4,5,6,7, and 8 hidden layers. Based on the test results of training data, the recognition rate for each various networks of fish types did not show differences in the test results, the true result percentage was 100%. Based on the test results of the test data, the recognition rate was variative and the highest result of test data was 86.6%. The results of direct testing had variative result too, and the highest result was 50%. So, it could be concluded that this system well enough to identify fish sound.  Keywords: linear predictive coding, fast fourier transform, artificial neural networks backpropagation]]>
