Aplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak

Transkripsi

1 Aplkas Pengenalan Ucapan Dengan Jarngan Syaraf Truan Propagas Balk Untuk Pengendalan Robot Bergerak Mahmud Irfandy (LF 4 49) Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa rfun_4@yahoo.co.d Abstrak Pengenalan ucapan dengan jarngan syaraf truan dapat dpaham dan dmengert melalu beberapa metode ekstraks cr, dantaranya dengan metode LPC dan transformas Fourer. Lnear Predctve Codng adalah salah satu alat dalam pemrosesan atau analsa snyal untuk memperoleh ftur atau cr unk dar tap pola suara. Sedangkan Transformas Fourer dgunakan untuk memperjelas cr tap pola karena dapat memberkan nformas-nformas yang dsajkan dalam ranah frekuens bak yang bersfat dskret maupun kontnu. JST (Jarngan Syaraf Truan) banyak dgunakan untuk aplkas pengenalan pola (pattern recognton). Kemampuan untuk pembelajaran dar data pelathan dan generalsas ke stuas/konds yang baru adalah alasan mendasar mengapa JST banyak dgunakan. Hasl yang d harapkan adalah suatu sstem kendal robot yang efektf hanya dengan menggunakan suara manusa. Suara manusa yang masuk akan dkenal oleh JST dan dubah menjad suatu karakter ASCII yang dapat dkenal oleh robot kemudan dkrmkan melalu komunkas seral ke robot. Dalam aplkas n pengenalan ucapan melput lma kata, dantaranya maju, mundur, kanan, kr dan stop. Mula-mula snyal suara drekam dalam bentuk fle *.wav. Kemudan snyal suara analog dcuplk menjad snyal dgtal dengan kecepatan cuplk 8 Hz. Untuk proses ekstraks parameter suara dgunakan metode Lnear Predctve Codng (LPC) untuk mendapatkan koefsen cepstral. Koefsen cepstral LPC n dtransformaskan ke dalam doman frekuens dengan beberapa ttk pada Fast Fourer Transform (FFT), yatu 3, 64, 8, dan 5 pont. Selanjutnya dar data tersebut dambl setengahnya saja yang sudah mewakl representas frekuens dar snyal tersebut. Data numers tersebut dlath dengan Jarngan Syaraf Truan untuk dkenal. Metoda pembelajaran yang dgunakan adalah Back Propagaton. Dar hasl pembelajaran akan ddapatkan bobot jarngan yang telah berubah. Jarngan duj dengan memberkan masukkan berupa data pengujan. Hasl pengujan menunjukkan bahwa pengenalan jarngan terhadap data baru lebh rendah terhadap data lathan. Dar beberapa varas pengujan dperoleh jarngan terbak net9 dengan prosentase pengenalan suara dar responden d dalam database sebesar 86 %, dan prosentase pengenalan suara dar responden d luar database sebesar 66,67 %. Kata Kunc : Pengenalan ucapan, LPC, FFT, JST, Back Propagaton, seral I. Pendahuluan Pengolahan snyal merupakan hal yang sangat pentng dalam lmu pengetahuan dan teknolog khususnya dalam teknolog komunkas bak dalam pengolahan snyal analog maupun pengolahan snyal dgtal. Salah satu bdang pengolahan snyal yang sangat berpengaruh dalam teknolog komunkas adalah pengenalan ucapan (speech recognton).. Latar Belakang Teknolog pengenalan ucapan saat n telah mengalam perkembangan yang cukup pesat. Banyak aplkas-aplkas yang telah dhaslkan serng dengan metode dan proses dar pengenalan ucapan tersebut. Dar perkembangan teknolog pengolahan snyal suara n munculah de untuk membuat suatu sstem kendal robot yang efektf hanya dengan menggunakan suara manusa. Dalam speech recognton terdapat beberapa permasalahan yang serng muncul dan berbeda untuk setap permasalahannya msalnya kecepatan pengenalannya, ketepatan pengenalannya, dan lan sebaganya. Untuk tu dperlukan suatu algortma pembelajaran mesn yang dapat dgunakan untuk melakukan ekstraks pola atau cr suara dengan mempelajar cr-cr suara sebelumnya. Algortma jarngan syaraf truan merupakan salah satu algortma pembelajaran mesn yang menru proses yang terjad pada kehdupan alam. Algortma jarngan syaraf truan merupakan algortma yang memungknkan mesn untuk belajar dar pengalaman. Algortma n cocok untuk daplkaskan ke permasalahan yang hanya dketahu masukan serta keluarannya, dan proses antara masukan dan keluaran tdak dketahu. Dengan alasan tersebut, algortma jarngan syaraf truan n dapat dpergunakan untuk menyelesakan permasalahan pengenalan suara pada sstem n.. Tujuan Tujuan dar tugas akhr n adalah membuat aplkas pengenalan suara untuk pengendalan robot dengan menggunakan jarngan syaraf truan sebaga algortma pembelajaran dan pemodelan dalam pengenalan suara.

2 .3 Batasan Masalah Agar pembahasan atau analss tdak melebar dan terarah, maka permasalahan dbatas pada :. Data masukan berupa 5 buah kata bahasa Indonesa, yatu maju, mundur, kanan, kr, dan stop yang dambl dar 6 orang responden yang terdr dar 5 orang pra dan orang wanta. Masng-masng responden dambl datanya sebanyak buah contoh buny untuk setap kata.. Analss snyal dlakukan dengan ekstraks cr menggunakan LPC (Lnear Predctve Codng) dan FFT (Fast Fourer Transform). 3. Proses pengenalan suara dlakukan dengan Jarngan Syaraf Truan Multlayer Perceptron dengan metode pembelajaran Back Propagaton. 4. Proses pengrman data dar komputer melalu komunkas seral. 5. Pembuatan program dlakukan dengan menggunakan bantuan bahasa pemrograman Matlab 6.5. II. Landasan Teor. Pengenalan Suara Salah satu bentuk pendekatan pengenalan suara adalah pendekatan pengenalan pola yang terdr dar dua langkah yatu pembelajaran pola suara dan pengenalan suara melalu perbandngan pola. Tahap perbandngan pola adalah tahap saat suara yang akan dkenal dbandngkan polanya dengan setap kemungknan pola yang telah dpelajar dalam fase pembelajaran, untuk kemudan dklasfkaskan dengan pola terbak yang cocok. Blok dagram pembelajaran pola dan pengenalan suara dtunjukkan pada gambar d bawah n. (a) Blok dagram pembelajaran pola. (b) Blok dagram pengenalan suara. Gambar. Blok dagram pembelajaran pola dan pengenalan suara. Pengenalan suara secara umum dapat dbag menjad tga tahap, yatu tahap ekstraks cr, tahap pemodelan atau pembelajaran, dan tahap pengenalan suara... Ekstraks Cr dengan Metode LPC Salah satu metode yang dgunakan untuk proses ekstraks cr adalah Lnear Predctve Codng (LPC). Prnsp dasar dar pemodelan snyal dengan menggunakan LPC adalah bahwa contoh snyal ucapan s(n) pada waktu ke-n dapat dperkrakan sebaga kombnas lner p sampel snyal ucapan sebelumnya yatu s n) a s( n ) + a s( n ) a p s( n ) ( p dengan koefsen a, a,...a p dasumskan bernla konstan pada frame analss ucapan. Prosedur untuk mendapatkan koefsen LPC dperlhatkan pada Gambar. cˆ m ( t) ˆ ( t) c m ~ ~ s ( n ) X t (n) ( n ) c m (t) X t s m (t) Gambar. Blok dagram analss LPC...3 Algortma Transformas Fourer Cepat (Fast Fourer Transform) Untuk lebh memudahkan dalam perhtungan, transformas Fourer dskret selanjutnya dapat dkembangkan dengan cara mengefsenkan perulangan perhtungan juga sfat smetr dar faktor fasa W yang menjad sfat transformas Fourer dskret dengan tujuan mengurang jumlah perhtungan yang dbutuhkan. Untuk lebh memudahkan dalam manpulas atau perhtungan penjumlahan, ao x( t) = + ( ak cos( ω kt) + bk sn( ωkt)) k = dapat dtulskan kembal dalam bentuk blangan kompleks eksponensal berdasarkan denttas Euler : jθ jθ jθ jθ e + e e e cos( θ ) =,sn( θ ) = j Sehngga, jωkt jωkt jωkt jωkt e + e e e x( t) = ao + ( ak + bk j k = jωkt jωkt = ao + ( ( ak bk ) e + ( ak + bk ) e ) k = dnyatakan y n = / ( a n - j b n ), dapat kta gunakan fakta-fakta bahwa a n dan b n adalah koefsen Fourer fungs perodk, dengan fungs kosnus adalah fungs perodk genap, dan fungs snus adalah fungs perodk ganjl. Algortma FFT( Fast Fourer Transform) yang banyak dgunakan secara luas adalah algortma dengan blangan dasar, artnya masukan yang dbutuhkan sebanyak = V. Hal yang pertama dlakukan dalam pengembangan algortma FFT (Fast Fourer Transform) dengan blangan dasar alah dengan menyederhanakan penulsan persamaan DFT (Dscrete Fourer Transform) dan juga membuat beberapa hubungan matemats, sehngga persamaan (.9) dapat dtuls kembal menjad : X j π nk / ( k) = xne, k =,,..., Dan juga faktor e -jπ/ akan dtuls sebaga W, maka : W = e -jπ/ Sehngga persamaan (.7) menjad : r m (t)

3 X kn ( k) = xnw, k =,,..., Akan sangat bermanfaat pada saat n untuk memperhatkan hubungan yang melbatkan W pertama W = = Kedua ( K + / ) K / K j(π / )( / W = W W = W e K jπ = W e (cosπ j sn π ) jπ / jπ / jπ ( / ) ( e ) = e = e W / K k = W bla haslnya dsmpulkan yang berhubungan dengan W maka kta dapatkan jπ / W = e W / W = W ( K + / ) = W K Prosedur n djelaskan sebaga berkut : sufks n, dalam persamaan (.8) terletak dar n = hngga n = -, berhubungan dengan nla data X,X, X,X 3,.,X -. Runtun nomor genap adalah X,X,X 4,X 6,.,X - dan runtun bernomor ganjl adalah X,X 3,X 5,.,X -, kedua runtun mengandung / pon. Istlah dalam runtun genap dapat dwakl dengan X n dengan n = hngga n = / sementara untuk runtun ganjlnya menjad X n+, maka persamaan (.8) dapat dtuls ulang menjad : K (n+ ) k ( k) = xnw + xn+ W K K nk xnw + W xn+ W, k =,,..., x = dengan menggunakan persamaan (.3b) memberkan nk nk = W sehngga persamaan (.3) menjad : W / x( k) = x nk K nk nw / + W xn+ W /, k =,,..., persamaan (.33) dapat dtuls menjad : K X k) = X ( k) + W X ( k), k =,,..., ( Bla dbandngkan persamaan (.8) dan persamaan (.34) terlhat bahwa X (k) sesungguhnya adalah transformas Fourer dskret runtun genap, sementara X (k) merupakan runtun ganjl. Karenanya sepert yang sudah dsebutkan bahwa transformas Fourer dskret : X (k) dan X (k) faktor W K / terdapat d kedua X (k) dan X (k) dan hanya perlu dhtung sekal saja...3 Pemodelan Jarngan Syaraf Truan Model matemats dar neuron dapat dlhat pada Gambar 3. Masukan dan bobot merupakan model matemats dar dendrt, penjumlahan serta fungs pengaktf merupakan model matemats dar soma ) (badan sel), serta keluaran merupakan model matemats dar akson. Gambar 3. Model matemats neuron Setap jalur nla masukan ke neuron mempunya bobot, dan terdapat satu jalur masukan tambahan yang bukan merupakan jalur masukan, yatu jalur ke-. Jalur ke- n dapat berfungs sebaga nla koreks atau dapat juga berfungs sebaga nla threshold (nla ambang batas). Impuls pada sstem syaraf manusa dmodelkan sebaga nla yang dmasukkan melalu jalur nla masukan ke dalam model neuron. la pada setap jalur masukan akan dkalkan dengan bobot jalur, dan kemudan djumlahkan. la yang dhaslkan dar penjumlahan seluruh masukan tersebut dapat berada pada range yang sangat besar sehngga akan mempersult pengolahan selanjutnya. Untuk menghndar hal tersebut, nla hasl penjumlahan akan dproses terlebh dulu dengan menggunakan sebuah fungs ϕ (ph) yang dsebut fungs aktvas. Penghtungan nla hasl dapat dtulskan secara matemats sebaga berkut: y k = ϕ(u) y = ϕ ( k m = x w Proses pembelajaran pada suatu neuron dlakukan dengan memperbaru nla bobot setap masukan (w ) sesua dengan pembelajaran yang dberkan. Bentuk data pembelajaran adalah berupa pasangan vektor nla masukan ke neuron dan nla target keluaran (t). la masukan akan dmasukkan ke dalam neuron, dan menghaslkan nla keluaran (y). Kesalahan dar nla keluaran yang dhaslkan dhtung, dan nla bobot w untuk setap masukan dperbaru menggunakan: w ( n + ) = w ( n) + w w = η ( t y) k x Dengan η (mu) adalah kecepatan pembelajaran, yatu seberapa besar bobot w terbaru pada setap langkah pembelajaran. Proses n dlakukan berulangulang dengan data pembelajaran yang berbeda. Pada akhrnya, bobot nla masukan akan bers nla bobot yang sesua...4 Metode Pelathan Backpropagaton Algortma pelathan backpropagaton melput 3 fase. Fase pertama adalah fase maju. Pola masukan dhtung maju mula dar layer masukan hngga layer ) 3

4 keluaran menggunakan fungs aktvas yang dtentukan. Fase kedua adalah fase mundur. Selsh antara keluaran jarngan dengan target yang dngnkan merupakan kesalahan yang terjad. Kesalahan tersebut dpropagaskan mundur, dmula dar gars yang berhubungan langsung dengan unt-unt d layer keluaran. Fase ketga adalah modfkas bobot untuk menurunkan kesalahan yang terjad. Ketga fase tersebut dulang-ulang terus hngga konds penghentan dpenuh. Umumnya konds penghentan yang serng dpaka adalah jumlah teras atau kesalahan. Iteras akan dhentkan jka jumlah teras yang dlakukan sudah melebh jumlah maksmum teras yang dtetapkan, atau jka kesalahan yang terjad sudah lebh kecl dar batas tolerans kesalahan yang dtetapkan. III. Perancangan dan Implementas Sstem Secara gars besar, aplkas pengenalan snyal ucapan n terdr dar dua bagan, yatu bagan pengenalan ucapan dan pengrman data ke robot. Sstem n dwujudkan ke dalam suatu perangkat lunak (program) menggunakan bahasa pemrograman Matlab 6.5. Secara umum pembuatan program n mengkut alur sesua yang dtunjukkan pada Gambar 5 berkut. pengenalan ucapan merupakan proses pembandngan antara suara uj dengan model suara yang ddapat dar proses pembelajaran. Sstem yang dbuat dtujukan untuk dapat mengenal beberapa kata masukan, yatu maju, mundur, kanan, kr, dan stop. Masng-masng kata mewakl satu perntah masukan pada robot. Kata maju untuk menggerakkan robot maju ke depan, mundur untuk memutar poss robot dengan sudut 8 dan menggerakkan ke depan, kanan untuk menggerakkan robot belok ke kanan, kr untuk menggerakkan robot belok ke kr, dan kata stop untuk menghentkan robot. 3.3 Pengelolaan Bass Data Dalam pembuatan bass data dlakukan perekaman suara dengan 6 orang responden yang terdr dar 5 orang pra dan orang wanta dengan rentang usa -3 tahun. Tap responden melakukan perekaman sebanyak kal untuk setap kata, sehngga dperoleh 5 suara bass data untuk tap responden. Database dtambah dengan perekaman suara d luar kata maju, mundur, kanan, kr, dan stop yang akan dkenal sebaga Suara Tdak Dkenal sebanyak 3 suara, sehngga jumlah total keseluruhan bass data alah 33 suara. Perekaman suara dalam pembuatan bass data n dlakukan selama detk untuk tap ucapan. Pencuplkan dlakukan pada frekuens 8 Hz dengan resolus 6 bt. Kecepatan pencuplkan tersebut dlakukan dengan ddasarkan asums bahwa snyal percakapan (speech) berada pada daerah frekuens 3-34 Hz sehngga memenuh krtera yqust yang menyatakan bahwa frekuens penyamplngan mnmal kal frekuens maksmal dar snyal yang akan dsamplng untuk menghndar alasng : 4 f s xf h f = h fntertngg Gambar 5. Dagram alr program utama Pembuatan sstem pengenalan ucapan terdr dar proses pengelolaan bass data, proses ekstraks cr, dan proses pemodelan dan pelathan. Ketga proses tersebut serng dsebut dengan proses pembelajaran. Proses 3. Ekstraks Cr Proses pengekstraksan cr merupakan proses untuk mendapatkan parameter parameter snyal suara. Parameter parameter nlah yang nantnya dgunakan untuk membedakan satu kata dengan kata yang lan. Proses awal ekstraks cr yatu dengan normalsas ampltudo terlebh dahulu, setelah tu dlakukan pendeteksan awal dan akhr kata. ormalsas ampltudo dlakukan dengan cara membag semua nla nput dengan nla maksmum dar nput tu sendr. Sehngga untuk semua snyal masukan memlk nla maksmum yang sama yatu. Sedangkan deteks awal-akhr dgunakan pada proses untuk mendeteks mula snyal ucapan awal dan berakhr ketka sudah tdak ducapkan. Sehngga tdak dsalah artkan untuk tap snyal yang masuk. Setelah tu snyal terlebh dahulu dsamakan jumlah datanya, sehngga pada proses analsa LPC bsa ddapat jumlah frame dan panjang masng-masng frame yang sama. Walaupun tahap n akan memperpanjang data dan proses pada jarngan syaraf truan, tahap n mampu memperkecl kesalahan pengenalan kata. Terutama untuk kata yang memlk jumlah suku kata berbeda.

5 Proses normalsas ampltudo, pendeteksan awal dan akhr kata, serta penyamaan panjang data pada Matlab dlakukan dengan fungs clean sebaga berkut : 5 [maju,fs] = wavread( mahmudmaju.wav ); potong_maju = clean(maju); Data dar hasl normalsas selanjutnya melewat proses preemphass. Setelah melalu proses preemphass, snyal suara dbag dalam beberapa frame sepanjang sample suara dengan jarak antara frame yang berdekatan dpsahkan oleh M sample. Setap frame kemudan djendelakan menggunakan Hammng wndow, danalss autokorelas, dan danalss LPC sehngga ddapatkan koefsen LPC. Semua proses tersebut dapat dlakukan dengan satu fungs lpc_cep. koef_lpc = lpc_cep(potong_maju); koef_lpc = rerata(koef_lpc); Proses frame blockng yang dlakukan pada sstem n dtetapkan tap 3 ml detk dengan jarak antar frame ml detk. Jad dengan kecepatan cuplk sebesar 8 Hz maka tap frame akan bers 4 byte data dengan jarak antar frame 8 byte data atau dengan kata lan overlap yang terbentuk sebesar 6 byte data. Dengan ketentuan frame sepert d atas, maka untuk data hasl cuplk sebanyak 5 data maka akan terbentuk 5 6 = 6 frame (hasl pembulatan dar 8 6,5). Gambar 6. Dagram alr proses pelathan jarngan. 3.. Pengenalan Ucapan Dagram alr proses pengenalan ucapan dengan menggunakan jarngan syaraf truan back propagaton dtunjukkan oleh gambar berkut : Untuk perhtungan koefsen LPC, dgunakan orde LPC sehngga dperoleh data output sebanyak (+) x 6 = 78 data. Selanjutnya koefsen LPC n d rata-rata sehngga dperoleh hasl akhr koefsen LPC sebanyak 3 x data. Selanjutnya koefsen LPC tersebut dproses dengan Fast Fourer Transform (FFT) untuk mendapatkan snyal pada doman frekuens. Hal n bertujuan agar perbedaan antar pola kata yang satu dengan yang lan terlhat lebh jelas sehngga ekstraks parameter snyal memberkan hasl yang lebh bak.. Contoh proses FFT dtunjukkan oleh senara program berkut : fft_maju = abs(fft(koef_lpc,5)); Proses Fast Fourer Transform (FFT) yang dgunakan memaka 3, 64, 8 dan 5 pont dan karena hasl FFT smetrs maka keluaran FFT tersebut hanya dambl setengahnya saja. Dar data FFT n kemudan djadkan masukan bag jarngan syaraf truan. 3.3 Pelathan Jarngan Setelah melalu tahap transformas Fourer selanjutnya parameter yang dhaslkan dmasukkan ke dalam jarngan syaraf truan dengan menggunakan metode pembelajaran Back Propagaton. Dagram alr proses pelathan jarngan dapat dlhat pada gambar d bawah n : Gambar 7 Dagram alr proses pengenalan ucapan Sebelum mengrmkan data melalu komunkas seral, kta perlu membuat objek seral pada program Matlab dengan menggunakan perntah sebaga berkut : s = seral('com'); s.baudrate = 48; s.databts = 8; s.stopbts = ; s.party = 'none';

6 Dar senara program d atas dapat kta lhat konfguras yang dgunakan pada objek seral n yatu menggunakan jalur COM, baudrate 48 bps, jumlah data bt 8, dan jumlah stop bt. Sebelum mengrmkan data, objek seral n harus dbuka terlebh dahulu dengan perntah fopen(s). Setelah tu data kta krmkan dengan perntah fwrte(s,'8','char') msalnya untuk memerntahkan robot bergerak maju. Untuk menutup port seral dgunakan perntah fclose(s). IV. Pengujan dan Analss 4. Pengujan Hal-hal yang dbahas dalam pengujan dan analss tugas akhr n adalah pengaruh jumlah hdden neuron, besarnya laju pembelajaran, jumlah hdden layer jarngan, serta jumlah ttk pada proses FFT. Analss terbag menjad, yatu analss tahap pelathan, dan analss tahap pengenalan. 4.. Analss Tahap Pelathan Dar peneltan dperoleh hasl pelathan dengan beberapa varas parameter pengujan sebaga berkut: Tabel. Hasl perbandngan jumlah hdden neuron ama Struktur net (mu) teras MSE akhr net (5, 5),,4353 net (5, ),,9855 net3 (35,5), 5 9,94634 x - Tabel. Hasl perbandngan laju pembelajaran ama Struktur net (mu) teras MSE akhr net4 (5, ),,9855 net5 (5, ), 853 9,9568 x - net6 (5,),5,599 Tabel 3. Hasl perbandngan jumlah hdden layer ama Struktur net (mu) teras MSE akhr net7 (35, 5), 885 9,746 x - net8 net9 (35,, 5) (35, 5, 5, 5), 74 9,565 x -, 676 8,8459 x - Dar beberapa hasl d atas ddapatkan bahwa semakn besar jumlah hdden neuron maka jumlah teras pelathan jarngan semakn kecl dan jarngan dapat mencapa MSE yang dharapkan. Laju pembelajaran terbak yang ddapatkan yatu sebesar,. Dar hasl tersebut ddapatkan pula bahwa semakn besar jumlah hdden layer maka teras pelathan yang dbutuhkan juga semakn kecl. 4.. Analss Tahap Pengenalan Pada pengujan n dgunakan 5 orang responden, 3 orang dar luar database, dan orang dar dalam database. Selanjutnya dar kelma responden tu drekam masng-masng pengucapan untuk tap kata, sehngga total ada 5 data yang dujkan. Dar hasl pengujan dperoleh hasl sebaga berkut : Tabel 4. Hasl pengenalan tap jarngan dengan reponden d dalam database Jarngan Prosentase Pengenalan % net 76 % net 75 % net3 8 % net4 75 % net5 8 % net6 7 % net7 8 % net8 8 % net9 86 % Tabel 5. Hasl pengenalan tap jarngan dengan reponden d luar database Jarngan Prosentase Pengenalan % net 45,33 % net 44 % net3 58 % net4 44 % net5 58 % net6 49,33 % net7 65,33 % net8 65,33 % net9 66,67 % Dar tabel d atas dapat kta lhat bahwa prosentase pengenalan dengan responden d luar database lebh kecl darpada prosentase pengenalan dengan responden d dalam database. Hal n dsebabkan oleh adanya beberapa faktor, dantaranya faktor derau, karakterstk snyal suara yang dkenal, dan adanya pengaruh dstors 4..3 Pengujan Jumlah Ttk Pada FFT Jumlah ttk yang dgunakan dalam pengujan n adalah 3, 64, 8 dan 5 ttk. Hasl percobaan dapat kta lhat pada tabel berkut. Tabel 6. Hasl pengujan varas jumlah ttk FFT Jarngan Jumlah ttk FFT Prosentase Pengenalan % et_fft_ % et_fft_ % et_fft_8 8 7, % et_fft_5 5 74,4 % Dar hasl d atas dperoleh bahwa hasl FFT dengan 5 pont memlk prosentase pengenalan kata tertngg yatu sebesar 74,4 % Pengujan Dengan Respon Robot Setelah melakukan pengujan pada sstem pengenalannya saja, selanjutnya adalah melakukan pengujan untuk d komunkaskan dengan robot. Untuk pengujan n yang dutamakan adalah pengukuran waktu delay yang d htung mula dar pengucapan hngga djalankan oleh robot, serta error dar perntah yang dberkan terhadap robot. Analsa dan pengujan n dlakukan dengan memberkan perntah terhadap robot sebanyak kal secara acak untuk kelma perntah yang telah d tentukan : 6

7 7 Tabel 7. Hasl pengujan dengan respon robot Perntah Gerak Robot Delay Maju Maju detk Kanan Kanan detk Mundur Mundur detk Kanan Kanan detk Mundur Mundur detk Kanan Maju detk Maju Maju detk Kanan Kanan detk Maju Mundur detk V. Penutup 5. Kesmpulan Dar hasl peneltan dan pembahasan dapat dsmpulkan bahwa :. Semakn kompleks suatu jarngan maka semakn bagus knerja jarngan.. Pada pengujan dperoleh laju pembelajaran terbak yatu sebesar,. 3. Prosentase pengenalan yang dperoleh dengan data uj dar responden d luar database adalah net = 45,33 %, net = 44 %, net3 = 58 %, net4 = 44 %, net5 = 58 %, net6 = 49,33 %, net7 = 65,33 %, net8 = 65,33 %, net9 = 66,67 %. Sedangkan pengenalan dengan data uj dar responden d dalam database adalah net = 76 %, net = 75 %, net3 = 8 %, net4 = 75 %, net5 = 8 %, net6 = 7 %, net7 = 8 %, net8 = 8 %, net9 = 86 %. 4. Dar hasl pengujan dengan varas jumlah ttk pada proses FFT dperoleh bahwa prosentase pengenalan tertngg ddapatkan dengan jumlah ttk sebesar 5 pont, yatu sebesar 74,4 %. 5. Dar hasl pengujan dengan gerak robot dperoleh waktu rata-rata yang dperlukan mula dar proses pengenalan suara, pengrman data hngga dterma oleh robot yatu sektar detk. Saran Adapun saran yang dapat dberkan sehubungan dengan pelaksanaan peneltan n adalah :. Dperlukan suatu ruangan yang cukup tenang dan bersh terhadap snyal derau.. Pengenalan ucapan bsa dtambahkan dengan flter adaptf sehngga akan dperoleh hasl pengenalan yang tdak terpengaruh oleh derau. 3. Untuk memperbak knerja jarngan, data yang dlath perlu dperbanyak dengan menambah jumlah responden pada data pelathan. 4. Perekaman dlakukan dengan suara responden yang asl (menggunakan pelafalan yang bak dan benar ), tdak dalam keadaan dbuat-buat. 5. Pengrman data ke robot dapat dkembangkan dengan menggunakan bluetooth melalu ponsel, sehngga dperoleh sstem pengendalan robot yang lebh efsen. Daftar Pustaka [] Adpranata, Rudy dan Resmana, Pengenalan Suara Manusa dengan Metode LPC dan Jarngan Syaraf Truan Propagas Balk, Unverstas Krsten Petra, Surabaya, 999. [] Bachtar, Syafur, Irfan, Aplkas Pengenalan Wcara HMM untuk Kendal Robot PDA, Proyek Akhr D-3, Insttut Teknolog Sepuluh ovember, Surabaya, 7. [3] Bayhak, Achmad, Penekanan Derau Secara Adaptf Pada Pengenalan Ucapan Kata, Skrps S-, Unverstas Dponegoro, Semarang, 6. [4] Drs. Jong Jek Sang, M. Sc., Jarngan Syaraf Truan & Pemrogramannya Menggunakan Matlab, ADI, Yogyakarta, 4. [5] Furu, S., Dgtal Speech Processng, Synthess, and Recognton, Marcel Dekker, Inc., ew York, 989. [6] Gold, B., and Morgan,., Speech and Audo Sgnal Processng : Processng and Percepton of Speech and Musc, John Wley & Sons, Inc., ew York, 999. [7] Hermawan, Aref, Jarngan Syaraf Truan Teor dan Aplkas, ADI, Yogyakarta, 6. [8] Stanggang, Don, Pengenalan Vokal Bahasa Indonesa dengan Jarngan Syaraf Truan Melalu Transformas Fourer, Skrps S-, Unverstas Dponegoro, Semarang,. Bodata Penuls Mahmud Irfandy, terlahr d kota Surabaya pada 5 Februar 986. Telah menjalan penddkan d Taman Kanak-kanak Sarnah Sdoarjo, Sekolah Dasar eger Wadungasr I Sdoarjo, Sekolah Lanjutan Tngkat Pertama eger Semarang, Sekolah Menengah Umum eger Semarang. Dan sekarang tengah menyelesakan penddkan Strata Satu d konsentras Elektronka dan Telekomunkas, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa. Dosen Pembmbng I, Menyetuju, Achmad Hdayatno, ST, MT IP Dosen Pembmbng II, Darjat, ST, MT IP