PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI FOURIER
|
|
- Adi Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI FOURIER Doni Sitanggang Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Sumardi Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Achmad Hidayatno Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Abstrak Pengenalan Vokal Bahasa Indonesia dengan jaringan Syaraf tiruan dapat dipahami dan dimengerti melalui beberapa transformasi. Transformasi Fourier adalah salah satu alat (tool) dalam pemrosesan atau analisa sinyal.transformasi Fourier digunakan karena dapat memberikan informasi-informasi yang disajikan dalam ranah frekuensi baik yang bersifat diskret maupun kontinu.jst (Jaringan Syaraf Tiruan) banyak digunakan untuk aplikasi pengenalan pola (pattern recognition). Kemampuan untuk pembelajaran dari data pelatihan dan generalisasi ke situasi/kondisi yang baru adalah alasan mendasar mengapa JST banyak digunakan.dalam aplikasi pengenalan vokal bahasa Indonesia (a, i, u, e, o), rekaman suara manusia untuk satu macam vokal (a saja, i saja dst) dalam bentuk file.wav yang kemudian dapat dibaca melalui program Matlab, selanjutnya masuk ke transformasi Fourier sehingga didapatkan representasi frekuensi dari sinyal tersebut dalam bentuk numeris. Data-data numeris tersebut dilatih dengan Jaringan Syaraf Tiruan untuk dikenali. Metoda pembelajaran yang digunakan adalah LVQ (Learning Vector Quantization). Dari hasil pembelajaran akan didapatkan bobot jaringan yang telah berubah.jaringan diuji dengan memberikan masukkan berupa data latihan dan data baru. Hasil pengujian menunjukkan bahwa penegnalan jaringan terhadap data baru lebih rendah terhadap data latihan. Untuk persentase pengenalan masing-masing vokal untuk masukkan data latihan, tingkat pengenalan tertinggi didapatkan dari jaringan yang dihasilkan dari kombinasi 512 titik uji dan 2000 epoch sebesar 95%. Sedangkan untuk data pengujian diperoleh 82,7% dengan titik uji dan epoch yang sama dengan data latihan. Kata Kunci : Transformasi Fourier, Jaringan Syaraf Tiruan, Algoritma LVQ, Epoch, titik uji I. PENDAHULUAN 1.1 Latar Belakang Suara manusia merupakan salah satu alat komunikasi yang sangat berguna. Dalam berkomunikasi hal yang terpenting adalah bagaimana seseorang dapat mengolah suara, agar dapat didengar jelas oleh rekan bicaranya. Organ-organ tubuh yang mendukung proses besuara adalah mulut, lidah, bibir, rahang dan tenggorokkan yang kesemuanya itu Saling berhubungan. Ada 2 jenis bunyi suara yang kita kenal yaitu bunyi vokal maupun bunyi konsonan. Huruf-huruf yang termasuk bunyi vokal ada 5 yaitu a, i, u, e, o, sedangkan untuk bunyi konsonan terdiri dari 21 huruf yaitu b, c, d, f, g, h, j, k, l, m, n, p, q, r, s, t, v, w, x, y, z. Pengenalan bunyi vokal dapat dianalisa lebih lanjut dan akhirnya dapat berupa aplikasi dari ciri vokal tersebut Transformasi Fourier merupakan salah satu dari beberapa tranformasi yang dapat digunakan dalam pengenalan bunyi vokal. Parameter-parameter yang dihasilkan tranformasi Fourier kemudian dimasukkan kedalam JST (jaringan syaraf tiruan) dengan menggunakan metode pembelajaran LVQ (Learning Vector Quatization). Metode pembelajaran ini dilakukan secara berulang-ulang hingga dapat mengenali ciri-ciri vokal yang ada. ISSN : E - 27
2 1.2 Batasan Masalah Dalam Tugas Akhir ini sistem pengenalan vokal yang dibuat memiliki batasan permasalahan sebagai berikut: 1. Vokal diucapkan dalam bahasa Indonesia. 2. Transformasi yang dipakai adalah Transfor- masi Fourier. 3. Metode pelatihan JST adalah LVQ dengan iterasi sebanyak 500, 1000, 2000 kali dan 512, 1024, 2048 titik pengujian II. TEORI DASAR 2.1 Vokal Bahasa Indonesia Vokal adalah bunyi bahasa yang arus udaranya tidak mengalami rintangan dan kualitasnya ditentukan oleh tiga faktor: tinggi-rendahnya posisi lidah, bagian lidah yang dinaikkan, dan bentuk bibir pada pembentukan vokal tersebut. Saat vokal diucapkan, lidah dapat dinaikkan atau diturunkan bersama rahang. Bagian lidah yang dinaikkan atau diturunkan itu dapat di bagian depan, tengah, atau belakangnya. Dalam bahasa Indonesia terdapat lima vokal yaitu /a/, /i/, /u/, /e/, dan /o/. Tabel 1 memperlihatkan kelima vokal bahasa Indonesia berdasarkan parameter tinggi-rendah dan depan-belakang lidah. Tabel 1 Vokal bahasa Indonesia Depan Tengah Belakang Tinggi i - u Sedang e - o Rendah - a - Kualitas vokal juga dipengaruhi bentuk bibir. Untuk vokal tertentu, seperti /a/, bentuk bibir adalah normal, sedangkan untuk vokal /u/ bibir dimajukan sedikit dan bentuknya agak bundar. Untuk vokal /i/ bibir direntangkan ke kiri dan ke kanan sehingga bentuknya melebar. Dengan tiga faktor itu bunyi vokal dapat berciri tinggi, depan, dan bibir terentang, misalnya bunyi /i/, atau tinggi, belakang, dan bibir bundar, misalnya bunyi /u/. 2.2 Analisa frekuensi sinyal dengan transformasi Fourier Bentuk gelombang sinyal pada dasarnya merupakan fungsi waktu dimana analisa yang digunakan adalah analisa Fourier, yang dikembangkan menjadi deret Fourier. Bentuk-bentuk sinyalnya pun bermacam-macam, ada yang berupa gelombang sinus atau kosinus maupun bentuk gelombang yang lainnya. Setiap bentuk gelombang yang bukan berupa gelombang sinus atau kosinus, yang berulang pada setiap selang waktu yang teratur (regular interval), dinamakan satu gelombang periodik kompleks dengan periode T, dimana gelombang berulang setiap selang waktu tersebut dinamakan waktu periodik untuk sinyal x(t) yang periodik dengan panjang periode T, mempunyai beberapa sifat dibawah ini: 1. x(t) mempunyai penjumlahan gelombang sinusoida yang berulang. 2. Mempunyai frekuensi dasar fo = 1/ T 3. ω = 2π / T = 2πfo, adalah frekuensi harmonisa pertama disebut frekuensi dasar 4. Penjumlahan sinyal sinusoda berulang dapat ditulis sebagai berikut : ao + x ( t) = (a k cos(ωnt) + b k sin(ωnt)) 2 k = 1 5. Penjumlahan tersebut dinamakan deret Fourier dengan a k dan b k adalah koefisien ferkuensi yang merupakan amplitudo frekuensi Transformasi Fourier Diskret Hasil dari proses pengubahan ini adalah data yang berbentuk diskrit dan mungkin bukan merupakan data yang periodik. Ada keterbatasan dalam menggunakan metode transformasi Fourier karena pada prinsipnya metode transformasi Fourier hanya dapat digunakan pada data-data ISSN : E - 28
3 kontinu. Untuk mengatasi keterbatasan tertentu dapat digunakan analoginya pada data diskret yang dikenal dengan nama Transformasi Fourier diskret (Discrete Fourier Transform). Anggap gelombang telah dicuplik pada interval waktu yang tetap T, untuk menghasilkan rangkaian {x(nt)} = x(0),x(t),..,x[(n-1)t] dari nilai sample N, dengan n adalah bilangan sample dari n = 0 hingga n = N-1. Nilai data x(nt) hanya akan nyata jika merepresentasikan nilai deret waktu seperti bentuk gelombang tegangan. Bentuk Transformasi Fourier diskret (Discrete Fourier Transform) x(nt) kemudian didefinisikan sebagai rangkaian nilai kompleks {x(kω)} x(0),x(ω),,x[(n-1) Ω] dalam domain ferkuensi, dengan Ω adalah ferkuensi harmonik pertama yang diberikan oleh Ω = 2π / NT, maka x(kω) secara umum memiliki komponen nyata dan komponen imajiner, dan untuk harmonik ke k X(k)= Re(t) + j im(k) (1) Dan 2 2 1/ 2 x ( k) = { re ( k) + im ( k)} (2) dan x(k) memiliki sudut fasa yang bersesuaian φ(k) = tg -1 [im(k) / re(k)] (3) Algoritma transformasi Fourier cepat (Fast Fourier Transform) Untuk lebih memudahkan dalam perhitungan, transformasi Fourier diskret selanjutnya dapat dikembangkan dengan cara mengefisienkan perulangan perhitungan juga sifat simetri dari faktor fasa W N yang menjadi sifat transformasi Fourier diskret dengan tujuan mengurangi jumlah perhitungan yang dibutuhkan dan selanjutnya akan mempercepat perhitungan. Algoritma FFT( Fast Fourier Transform) yang banyak digunakan secara luas adalah algoritma dengan bilangan dasar 2, artinya masukkan yang dibutuhkan sebanyak N = 2 V. hal yang pertama dilakukan dalam pengembangan algoritma FFT ( Fast Fourier Transform) dengan bilangan dasar 2 ialah dengan menyederhanakan penulisan persamaan DFT (Discreat Fourier Transform) dan juga membuat beberapa hubungan matematis, menjadi : N 1 x n n= 0 j2πnk / N X 1 (k) = l, k = 0,1,,N-1 (4) Dan juga faktor e -j2π/n akan ditulis sebagai W N, maka : W N = e -j2π/n (5) Sehingga persamaan (5) menjadi : N 1 n= 0 X 1 (k) = x W kn n N, k = 0,1,,N-1 (6) 2.3 Jaringan Syaraf Tiruan JST didefinisikan sebagai sistem komputasi yang didasarkan pada pemodelan saraf biologis (neuron) melalui pendekatan dari sifat-sifat komputasi biologis (biological computation). JST bisa dibayangkan berupa jaringan dengan elemen pemroses sederhana yang saling terhubung. Elemen pemroses berinteraksi melalui sambungan yang variabel, disebut bobot, dan bila diatur secara tepat dapat menghasilkan sifat yang diinginkan. Model neuron sederhana ditunjukkan gambar berikut: x 1 x 2... x N w 1 w 2 w N Σ f( ) y θ Gambar 1 Pemodelan neuron ISSN : E - 29
4 dan pernyataan matematisnya N y = f w x i i θ i= 1 dengan x i = sinyal masukan, i = 1, 2, 3,..., N (N = banyaknya simpul masukan) w i = bobot hubungan atau sinapsis θ = threshold atau bias f ( ) = fungsi aktivasi y = sinyal keluaran dari neuron Ide dasar JST adalah konsep belajar. Jaringan belajar melakukan generalisasi karakteristik tingkah laku obyek. Jika dilihat dari sudut pandang manusia, hal ini sama seperti bagaimana manusia belajar sesuatu. Manusia mengenal obyek dengan mengatur otak untuk menggolongkan atau melakukan generalisasi terhadap obyek tersebut. Manusia menyimpan ilmu pengetahuannya ke dalam otak yang berisikan synapsis, neuron, dan komponen lainnya. JST menyimpan ilmu pengetahuannya dalam nilai bobot sambungan (seperti synapsis dalam otak manusia) dan elemen-elemen (neuron) yang menghasilkan keluaran Untuk menyelesaikan permasalahan, JST memerlukan algoritma untuk belajar, yaitu bagaimana konfigurasi JST dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data bisa diketahui dan direpresentasikan dalam bobot sambungannya. Jenis algoritma belajar yang ada diantaranya: a. Supervised Learning Algoritma ini diberikan target yang akan dicapai. Contoh: Backprogation Algorithm dan Learning Vector Quantization (LVQ) b. Unsupervised Learning Pada algoritma ini sama sekali tidak disediakan target. Contoh: Carpenter-Grossberg Adaptive Resonance Theory (ART), dan Competitive Learning Algorithm c. Reinforcement Learning Bentuk khusus supervised learning, Contoh: Genetic Algorithm (GA). Jaringan LVQ merupakan versi supervised dari Algoritma Pembelajaran Kompetitif. Arsitektur jaringan LVQ ditunjukkan gambar berikut: Gambar 2 Arsitektur jaringan LVQ Jaringan LVQ terdiri atas dua lapis, lapis kompetitif dan lapis linear. Neuron-neuron pada lapis kompetitif berkompetisi dan menghasilkan neuron pemenang (winning neuron). ISSN : E - 30
5 III. PERANCANGAN DAN IMPLEMENTASI SISTEM Program pengenalan vokal dibuat dengan alur program berikut. Mulai Perekaman suara vokal /a/, /i/, /u/, /e/, dan /o/ dari 20 responden Membaca data suara berupa file.wav Transformasi Fourier Pelatihan jaringan syaraf dengan algoritma LVQ Pengujian jaringan dengan data latihan dan data baru Selesai Gambar 3 Bagan alir pembuatan program Perekaman suara vokal mengambil 20 responden dan mengucapkan kelima vokal dalam bahasa Indonesia. Tiap vokal diambil 5 suara jadi satu responden memiliki 25 data suara rekaman. Data dari 20 responden dibagi dua macam, data 10 responden digunakan untuk pelatihan jaringan dan sisanya untuk pengujian jaringan. Spesifikasi file perekaman adalah format mono, frekuensi cuplikan 8 KHz, dan dikodekan dalam 8 bit. Hasil transformasi dimasukkan ke jaringan LVQ. Sistem pengenalan menggunakan skema Pembagian Pasangan Biner (Binary Pair Partitioned scheme) yaitu satu jaringan digunakan untuk mengklasifikasikan dua vokal yang berbeda. Jika ada 5 buah vokal a, i, u, e, dan o maka diperlukan 10 jaringan dengan kombinasi masukan ai, au, ae, ao, iu, ie, io, ue, uo, dan eo. Pelatihan jaringan memerlukan iterasi (epoch) yang bisa dipilih yaitu 500, 1000, dan Sedangkan untuk titik uji dapat dipilih yaitu 512, 1024 dan 2048 titik. Hasil pelatihan jaringan diujikan dengan masukan sistem berupa data latihan dan data baru (data selain data latihan). Hasil pengenalan dinyatakan dalam bentuk persentase keseluruhan dari 10 jaringan. IV. HASIL SIMULASI Program dibuat dengan bahasa MATLAB versi 5.3. Tampilan latihan berguna untuk mencari net yang terbaik dapat ditunjukkan pada gambar berikut: ISSN : E - 31
6 Gambar 4 Tampilan latihan untuk mencari net terbaik Data latihan jika ditekan maka akan muncul tabel seperti yang diperlihatkan pada gambar berikut : Gambar 5 Tampilan latihan untuk mencari net terbaik Gambar 5 merupakan tampilan data latihan untuk 512 titik uji dan 500 epoch. Setelah diperoleh net yang terbaik maka proses pengujian dapat berlangsung dengan memasukkan data baru. Untuk data pengujian saat ditekan maka akan tabel seperti yang diperlihatkan pada gambar berikut: Gambar 6 Tampilan hasil data pengujian Dari ke-3 gambar diatas (gambar 4, 5 dan 6 ) dihasilkan persentase pengenalan vokal untuk 20 responden, dimana untuk 10 responden digunakan sebagai data latihan dan 10 responden lagi digunakan sebagai data baru (data pengujian). Dari gambar 5 diatas dapat dihitung rata-rata pengenalan vokal sebagai berikut : ISSN : E - 32
7 99,2 + 97, Rata rata pengenalan= = 94,94 5 dengan cara yang sama dengan contoh perhitungan diatas maka dapat ditabelkan sebagai berikut: Tabel 2 Rata-rata pengenalan data pelatihan untuk masing-masing titik dan epoch ,94 91, , ,4 87,1 80,2 Dari tabel diatas terlihat bahwa net atau jaringan yang terbaik berada pada titik uji 512 dan 2000 epoch, hal ini disebabkan karena semakin sedikit titik uji yang diproses maka semakin cepat jaringan memahami data tersebut. Diimbangi juga dengan batas maksimum jumlah iterasi yang dimiliki jaringan ini sebesar 2000 epoch, berarti proses yang dijalankan membutuhkan 2000 iterasi. Dengan menggunakan net yang diperoleh dari jaringan diatas, maka pengujian data baru dapat dilakukan dengan mangambil salah satu responden. Tampilan yang digunakan dalam menguji data baru dapat diperlihatkan pada gambar berikut: Gambar 7 Tampilan pengujian untuk data baru Proses pengujian data baru dapat dilakukan dengan memasukkan 10 responden, dimana data dimasukkan satu persatu kedalam jaringan diatas. Sehingga perbandingan persentase penegenalan untuk masing-masing vokal baik menggunakan data lama dan data baru dapat diperlihatkan pada tabel berikut: Tabel 3 Perbandingan persentase pengenalan vokal Persentase Pengenalan (%) Data lama (10 org) Data baru (10 org) Vokal /a/ Vokal /i/ Vokal /u/ Vokal /e/ Vokal /o/ Persentase pengenalan tiap vokal diatas terlihat tidak ada yang mencapai 100 %, bahkan jika dirataratakan untuk data lama dapat mengenal tiap vokal sebesar 67,6 % sedangkan untuk data baru ISSN : E - 33
8 adalah 55,2 %. Beberapa faktor yang dapat mempengaruhi pengenalan vokal adalah sebagai berikut: a. Derau lingkungan sekitar karena system yang dibuat berhubungan dengan sinyal suara, maka faktor sinyal derau yang masuk akan sangat mempengaruhi keberhasilan pencocokkan. b. Karakteristik sinyal Akibat karakteristik sinyal suara manusia yang berbeda-beda. Hal ini akan mempengaruhi gaya bicara dan durasi pengucapan. Sehingga disini dibutuhkan pola bicara yang teratur dan tidak dibuat-buat. c. Kehandalan perangkat lunak itu sendiri Kehandalan perangkat lunak maksud penulis adalah jika ditinjau dari segi pemilihan titik uji, jumlah iterasi bahkan data yang dipilih sebagai data latihan dalam mencari net yang terbaik haruslah yang presisi karena dapat mempengaruhi dalam pengenalan vokal. V. KESIMPULAN Dari tahapan proses perancangan hingga pengujian system pengenalan dan analisa sinyal ucapan manusia, maka dapat diambil beberapa kesimpulan sebagai berikut. 1. Sinyal ucapan manusia dapat diwujudkan berupa parameter-parameter sinyal ucapan yang dapat mewakili informasi spektral sinyal. 2. Transformasi Fourier merupakan salah satu jenis transformasi yang dapat digunakan dalam proses pengenalan vokal, serta hasilnya sedikit lebih baik dibanding transformasi wavelet. 3. Rata-rata pengenalan vokal untuk masing titik dan epoch, terbaik pada titik 512 dan epoch 2000 dengan nilai pengenalan sebesar 95 % untuk data latihan dan 82,7 % untuk data pengujian. 4. Persentase pengenalan masing-masing vokal adalah vokal /a/ dikenal sebagai /a/ yaitu 98 % untuk data lama (data pelatihan) dan 92 % untuk data baru, vokal /i/ dikenal sebagai /i/ yaitu 74 % untuk data lama (data pelatihan) dan 74 % untuk data baru, vokal /u/ dikenal sebagai /u/ yaitu 80 % untuk data lama (data pelatihan) dan 38 % untuk data baru, vokal /e/ dikenal sebagai /e/ yaitu 66 % untuk data lama (data pelatihan) dan 52 % untuk data baru, vokal /o/ dikenal sebagai /o/ yaitu 20 % untuk data lama (data pelatihan) dan 20 % untuk data baru. D A F T A R P U S T A K A Bullinaria, John A., Introduction to Neural Network Duance, Hanselman, Mastering Matlab 5, Prentice Hall inc.upper Saddle River, new jersey Deller, Jhon D,Proakis,John G,dan Hansen,Jhon II.L.,1993, Discreate-Time Processing if Speech Signals. New york,macmillan publishing Company, Kohonen, T, Self-Organization and Associative Memory, 2 nd Edition, Berlin Springer-Verlag,1987 Little N.J dan Shure L, Signals processing Toolbox, for use with MATLAB, the MATH WORKS inc. Openheim, A.V and Schafer, R.W, 1999, Discreate signal processing second edition, Prentice Hall inc.upper Saddle River, New Jersey, Roman, Kuc, 1989, Introduction to digital signal Processing, Mc Graw Hill, New York Rabiner L dan Juang Hwang B, 1996, Fundamentals of speech recognation, PTR Prentice Hall, Englewood Cliffs, New jersey,1992, Tata Bahasa Baku.Bahasa Indonesia, Departemen Pendidikan dan Kebudayaan Perum Balai Pustaka, Jakarta ISSN : E - 34
PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET
PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET Ignatius Leo May Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Sumardi Jurusan
Lebih terperinciPENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET
PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET Ignatius Leo May L F0 98 630 Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Jl. Prof
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciBab II Teori Dasar. Gambar 2.1 Diagram blok sistem akuisisi data berbasis komputer [2]
Bab II Teori Dasar 2.1 Proses Akuisisi Data [2, 5] Salah satu fungsi utama suatu sistem pengukuran adalah pembangkitan dan/atau pengukuran tehadap sinyal fisik riil yang ada. Peranan perangkat keras (hardware)
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciPerancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA
Perancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA Yufliha Dian Ayunisa, Ir. Achmad Affandi, DEA, Ir. Wirawan, DEA Jurusan Teknik Elektro FTI ITS Abstrak - Sistem pengawasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Gelombang Bunyi Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah medium,
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciPenggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar
Penggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar Bambang Sudarmono Achmad Hidayatno Budi Setiyono Abstrak Permasalahan yang timbul ketika melakukan pengambilan suara
Lebih terperinciPENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV
PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV Marianus Hendra Wijaya 1), Linggo Sumarno 2) 1) Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universtas Sanata Dharma Yogyakarta
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciDigital Audio Watermarking dengan Fast Fourier Transform
Digital Audio Watermarking dengan Fast Fourier Transform Otniel 13508108 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciAPLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR MOBIL DENGAN PENGENDALI JARAK JAUH
APLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR MOBIL DENGAN PENGENDALI JARAK JAUH Muh. Widyanto Tri Saksono*, Achmad Hidayatno, ST, MT **, Ajub Ajulian Z, ST, MT ** Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciABSTRAK. Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si
1 ABSTRAK Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si Penelitian kecerdasan buatan untuk mengenali pola semakin banyak dilakukan dan dibutuhkan. Pada
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pengenalan fonem adalah implementasi dari speech to teks yang merupakan bagian dari speech recognition atau pengenalan ucapan. Pengenalan ucapan lebih dikonsentrasikan pada ekstraksi
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Informasi tentang pemasangan iklan di suatu radio (antara lain mengenai, jam berapa suatu iklan ditayangkan, dalam sehari berapa kali suatu iklan ditayangkan dan berapa
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciEKSTRAKSI CIRI POLA BUNYI JANTUNG MENGGUNAKAN FFT. Oleh: Bagus Haryadi Program Studi Fisika FMIPA, Universitas Ahmad Dahlan, Yogyakarta
Bagus Haryadi Ekstraksi Ciri Pola EKSTRAKSI CIRI POLA BUNYI JANTUNG MENGGUNAKAN FFT Oleh: Bagus Haryadi Program Studi Fisika FMIPA, Universitas Ahmad Dahlan, Yogyakarta ABSTRAK Pengamatan bunyi jantung
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciKlasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization
Klasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization Hendrick 1, Muhammad Rivai 1, Tasripan 1 1 Jurusan Tehnik Elektro Fakultas Teknologi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciAPLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR KECEPATAN PUTARAN KIPAS ANGIN
APLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR KECEPATAN PUTARAN KIPAS ANGIN Riva Anggara Yudha*, Achmad Hidayatno, ST, MT **, Ajub Ajulian Z, ST, MT ** Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation
1 JURNAL TEKNIK ELEKTRO ITP, Vol. 6, No. 1, JANUARI 2017 Pengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation Sitti Amalia Institut Teknologi Padang, Padang
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciTINJAUAN PUSTAKA. Pengenalan Suara
Pengenalan Suara TINJAUAN PUSTAKA Menurut Peacock (1990), pengenalan suara merupakan kemampuan untuk mengidentifikasi kata-kata yang diucapkan. Terdapat 5 faktor yang dapat mengontrol dan menyederhanakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang, Digital Signal Processing (DSP) atau pemrosesan sinyal digital sudah banyak diterapkan di berbagai bidang karena data dalam bentuk digital
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Meningkatnya ilmu pengetahuan dan teknologi khususnya pada bidang komunikasi saat ini berkembang dengan cepat. Kemajuan teknologi bertujuan untuk mempermudah kegiatan
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciSINYAL DAN SISTEM DALAM KEHIDUPAN
SINYAL DAN SISTEM DALAM KEHIDUPAN DUM 27 Agustus 2014 Definisi Sinyal Sinyal merupakan sebuah fungsi yang berisi informasi mengenai keadaan tingkah laku dari sebuah sistem secara fisik, Meskipun sinyal
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciRencana Pembelajaran Departemen Teknik Elektro Fakultas Teknologi Elektro INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Rencana Pembelajaran Departemen Teknik Elektro Fakultas Teknologi Elektro INSTITUT TEKNOLOGI SEPULUH NOPEMBER 1 Kode & Nama : TE141334 Sinyal dan Sistem 2 Kredit : 3 sks 3 Semester : II (dua) 4 Dosen :
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Pengolahan Sinyal Digital : IT012256 / 3 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi Sub Khusus (TIK) 1 Pendahuluan Ruang lingkup Mata Kuliah
Lebih terperinciIDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciterinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan informasi
25 BAB III JARINGAN SARAF TIRUAN (JST) 3.1 Pengertian JST JST merupakan sebuah model atau pola dalam pemrosesan informasi. Model ini terinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan
Lebih terperinciSISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE
SISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciMODUL II : SPEECH AND AUDIO PROCESSING
MODUL II : SPEECH AND AUDIO PROCESSING TUJUAN 1. Memahami karakteristik sinyal suara dan audio 2. Mampu melakukan pengolahan terhadap sinyal suara dan audio 3. Mampu menggunakan tool untuk pengolahan sinyal
Lebih terperinciBABI PENDAHULUAN. Pada dunia elektronika dibutuhkan berbagai macam alat ukur dan analisa.
BAB I PENDAHULUAN BABI PENDAHULUAN 1.1. LATAR BELAKANG Pada dunia elektronika dibutuhkan berbagai macam alat ukur dan analisa. Salah satunya adalah alat untuk mengukur intensitas bunyi dan gain dari sinyal
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih terperinciJl. Telekomunikasi, Dayeuh Kolot, Bandung Indonesia
KLASIFIKASI PENYAKIT BATUK BERDASARKAN SINYAL DATA SUARA MENGGUNAKAN EKSTRAKSI CIRI FAST FOURIER TRANSFORM DAN POWER SPECTRAL DENSITY DENGAN ALGORITMA JARINGAN SARAF TIRUAN- PROPAGASI BALIK COUGH DISEASE
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA Mata Kuliah Fakultas/Jurusan : Pengolahan Sinyal Digital / DSP (Digital Signal Processing) : Ilmu Komputer / Teknik Komputer D Minggu 1 Pendahuluan Ruang
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Musik merupakan sarana untuk menyimpan hasil karya seseorang. Dan hampir semua notasi musik dituliskan ke dalam not balok. Not balok adalah susunan nada yang ditulis
Lebih terperinciSINYAL DISKRIT. DUM 1 September 2014
SINYAL DISKRIT DUM 1 September 2014 ADC ADC 3-Step Process: Sampling (pencuplikan) Quantization (kuantisasi) Coding (pengkodean) Digital signal X a (t) Sampler X(n) Quantizer X q (n) Coder 01011 Analog
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciPENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM
PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM Agustina Trifena Dame Saragih 1, Achmad Rizal 2, Rita Magdalena 3 Departemen Teknik Elektro Institut Teknologi Telkom Jl.
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciSimulasi Kompresi Citra dengan Neural Network menggunakan Metode Self-Organizing Map
Simulasi Kompresi Citra dengan Neural Network menggunakan Metode Self-Organizing Map Mochdiana Hernawan Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang, Semarang (24) 74657 Email: eeundip@indosat.net.id
Lebih terperinciBAB II MODEL NEURON DAN ARSITEKTUR JARINGAN
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Riset di bidang sistem pengenalan ucapan otomatis (Automatic Speech Recognition) merupakan salah satu riset yang banyak ditekuni dan terus dikembangkan hingga saat
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciBAB 3 ALGORITMA DAN MODEL 2K FFT-IFFT CORE
BAB 3 ALGORITMA DAN MODEL 2K FFT-IFFT CORE Pada Bab ini dibahas mengenai penentuan algoritma, menentukan deskripsi matematis dari algoritma, pembuatan model fixed point menggunakan Matlab, dan pengukuran
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Studi Ganda 2006-200 Skripsi Sarjana Program Ganda Semester Ganjil 2006/200 HALAMAN ABSTRAK SKRIPSI PROGRAM GANDA UNIVERSITAS BINA NUSANTARA Devi Natalia 0600656841 ABSTRAK
Lebih terperinciMATERI PENGOLAHAN SINYAL :
MATERI PENGOLAHAN SINYAL : 1. Defenisi sinyal 2. Klasifikasi Sinyal 3. Konsep Frekuensi Sinyal Analog dan Sinyal Diskrit 4. ADC - Sampling - Aliasing - Quantiasasi 5. Sistem Diskrit - Sinyal dasar system
Lebih terperinciIndra Susanto L2F Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro
PENGENALAN SUARA ALA MUSIK DENGAN MEODE JARINGAN SARAF IRUAN (JS) LEARNING VECOR QUANIZAION (LVQ) MELALUI EKSRAKSI KOEFISIEN CEPSRAL Indra Susanto L2F 099 611 Jurusan eknik Elektro Fakultas eknik Universitas
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih terperinciKOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM. GEMBONG EDHI SETYAWAN, S.T., M.T. -
KOMPUTASI SINYAL DIGITAL SINYAL DAN SISTEM GEMBONG EDHI SETYAWAN, S.T., M.T. gembong@ub.ac.id - http://gembong.lecture.ub.ac.id Apa itu sinyal? Besaran fisis yang berubah menurut waktu, ruang atau variabel-variabel
Lebih terperinciANALISIS UCAPAN VOKAL BAHASA INDONESIA DENGAN ALIHRAGAM PAKET GELOMBANG SINGKAT
1 ANALISIS UCAPAN VOKAL BAHASA INDONESIA DENGAN ALIHRAGAM PAKET GELOMBANG SINGKAT Herman Susilo L2F 300 531 Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang Abstrak Alihragam dinakan
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Suara Suara adalah sebuah sinyal yang merambat melalui media perantara. suara dapat didefinisikan sebagai gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara
Lebih terperinciANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
Lebih terperinciPengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network
Pengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network Faradiba * Prodi Pendidikan Fisika, Universitas Kristen Indonesia Jln. Mayjend Sutoyo, No.2, Cawang, jakarta Timur,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz
Lebih terperinciSINYAL DISKRIT. DUM 1 September 2014
SINYAL DISKRIT DUM 1 September 2014 ADC ADC 3-Step Process: Sampling (pencuplikan) Quantization (kuantisasi) Coding (pengkodean) Digital signal X a (t) Sampler X(n) Quantizer X q (n) Coder 01011 Analog
Lebih terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
Lebih terperinci