<![CDATA[Penelitian ini mengevaluasi sistem verifikasi pembicara text-independent berbasis komputasi awan yang mengintegrasikan Mel-Frequency Cepstral Coefficients (MFCC) sebagai metode utama ekstraksi fitur dan Support Vector Machine (SVM) sebagai model klasifikasi ringan. Teknologi biometrik suara semakin relevan untuk autentikasi karena bersifat non-intrusif dan mampu menangkap karakteristik vokal unik dari setiap pembicara. Namun, sebagian besar implementasi eksperimen masih bergantung pada komputasi lokal yang membatasi skalabilitas, aksesibilitas, serta kolaborasi. Penelitian ini bertujuan untuk menganalisis performa dan kelayakan penerapan pipeline verifikasi suara pada platform komputasi awan dengan menggunakan Google Colab dan Google Drive sebagai contoh lingkungan implementasi. Tahapan penelitian meliputi pra-pemrosesan audio, ekstraksi fitur MFCC dengan penambahan statistik, pelatihan model menggunakan SVM, serta evaluasi performa melalui metrik akurasi dan kurva evaluasi. Hasil penelitian menunjukkan bahwa kombinasi MFCC–SVM mampu memberikan akurasi verifikasi yang andal pada dataset personal berskala kecil dan tetap efektif sebagai pendekatan fitur tradisional dalam skenario praktis. Selain itu, workflow berbasis cloud memberikan keuntungan operasional berupa kemudahan komputasi, kemudahan berbagi, serta peningkatan aksesibilitas. Penelitian ini merekomendasikan pengembangan lebih lanjut pada aspek robustness terhadap noise dan pemanfaatan dataset lebih besar untuk meningkatkan kemampuan generalisasi pada kondisi nyata.]]>
