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

Bahasa Jepang semakin diminati di Indonesia, namun pembelajar sering mengalami kesulitan dalam menguasai huruf Hiragana karena jumlahnya yang cukup banyak serta adanya kemiripan bunyi antar huruf. Teknologi pengenalan suara dapat dimanfaatkan sebagai media pendukung pembelajaran, khususnya untuk melatih pengucapan dan meningkatkan pemahaman huruf Hiragana. Penelitian ini bertujuan mengembangkan sistem pengenalan suara huruf Hiragana berbasis Mel-Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN). Dataset yang digunakan terdiri atas 46 huruf Hiragana, di mana setiap huruf direkam sebanyak 20 kali oleh empat narasumber, sehingga diperoleh total 3.680 data audio. Tahapan penelitian meliputi preprocessing sinyal audio, ekstraksi fitur MFCC, augmentasi data, pelatihan model CNN, serta evaluasi performa menggunakan metrik klasifikasi. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 95% pada data uji, dengan sebagian besar huruf berhasil dikenali secara tepat. Kesalahan klasifikasi umumnya terjadi pada huruf-huruf yang memiliki kemiripan fonetik. Hasil ini menunjukkan bahwa pendekatan CNN berbasis MFCC efektif untuk pengenalan suara huruf Hiragana dan berpotensi diterapkan sebagai media pembelajaran digital interaktif dalam pembelajaran bahasa Jepang.