PENDETEKSIAN KATA DENGAN MFCC SEBAGAI EKSTRAKSI CIRI DAN CODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL

Transkripsi

1 PENDETEKSIAN KATA DENGAN MF SEBAGAI EKSTRAKSI IRI DAN ODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

2 PENDETEKSIAN KATA DENGAN MF SEBAGAI EKSTRAKSI IRI DAN ODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

3 ABSTRAT MOHAMMAD SYAFRUL LUTHFI. Word Detection Using MF as Feature Extraction and odebook as Pattern Recognition. Supervised by AGUS BUONO. Word detection is the process o identiying words spoken by someone. It is useul or communication between computers and humans. MF technique was used to extract eatures rom voice signal and compare it to the sound signal in the database. odebook is the process o producing small characteristic vectors was used to match unknown words to words in the database. The purpose o this research was to quantiy detection accuracy o spoken words and compare 16 codewords and 32 codewords. The experiment produced an average detection accuracy o 98%. We conclude that detection using MF and codebook can achieve good perormance. And the perormance o the 16 codewords is better than 32 codewords or word detection. Keyword : codebook, MF, word detection.

4 Penguji: 1 Ahmad Ridha, S.Kom, MS 2 Mushthoa, S.Kom, M.Sc.

5 Judul skripsi Nama NIM : Pendeteksian Kata dengan MF sebagai Ekstraksi iri dan odebook sebagai Pengenalan Pola : Mohammad Luthi Syarul : G Menyetujui, Dosen Pembimbing Dr Ir Agus Buono, MSi MKom NIP Mengetahui, Ketua Departemen Ilmu Komputer Dr Ir Agus Buono, MSi MKom NIP Tanggal Lulus:

6 PRAKATA Puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta ala atas segala cinta dan kasih sayang-nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis sampaikan kepada junjungan kita Nabi Muhammad Shalallahu alaihi wasallam atas teladan beliau sebagai motivasi. Tema yang dipilih dalam penelitian ini adalah penerapan metode pendeteksian kata dengan MF dan codebook, dengan judul pendeteksian kata dengan MF sebagai metode ekstraksi ciri dan codebook sebagai metode pengenalan pola. Penelitian dilakukan sejak Juni 2009 sampai dengan Juli Pembuatan karya ilmiah berjalan baik karena banyak pihak yang membantu dan mendukung, karena itu penulis ingin menyampaikan ucapan terima kasih kepada: 1 Ayah dan Ibu untuk doa, kasih sayang, dan semangat kepada saya. 2 Bapak Agus Buono selaku dosen pebimbing atas waktu, bimbingan, dan saran yang diberikan. 3 Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB. 4 Zehan Novalia yang selalu memberikan dukungan dan semangat. 5 Kakak dan adik saya yang selalu memberikan semangat. 6 Teman-teman di Ilkom IPB. 7 Teman-teman di Warnet Benet. 8 Seluruh sta Biro Hukum Kementerian PPN/Bappenas. Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama penyelesaian karya ilmiah ini yang tidak dapat disebutkan satu per satu. Semoga karya ilmiah ini bermanaat bagi para pembacanya. Bogor, Juli 2013 Mohammad Luthi Syarul

7 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 13 November 1987 dari ayah Syarul Sikumbang dan Ibu Yusniar Jalal. Penulis adalah putra kedua dari tiga bersaudara. Penulis lulus dari SMA Negeri 21 Jakarta pada tahun 2004 dan pada tahun yang sama penulis melanjutkan pendidikan Diploma 3 di Program Studi Elektronika dan Teknologi Komputer, Institut Pertanian Bogor, dan lulus pada tahun Setelah lulus Diploma 3 penulis diterima sebagai mahasiswa Program Studi S1 Penyelenggaraan Khusus Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pada saat penulisan skripsi ini, penulis bekerja di Kementerian PPN/Bappenas.

8 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN Latar belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA Bunyi dan Sinyal... 1 Sampling dan Kuantisasi... 2 Ekstraksi iri Sinyal Suara... 2 Pengenalan Pola dengan odebook... 4 K-Means lustering... 4 METODOLOGI Pengambilan Data Suara... 5 Praproses... 5 Data Latih dan Data Uji... 5 Proses Ekstraksi iri dan odebook... 6 Pengujian... 6 Dokumentasi... 6 HASIL DAN PEMBAHASAN Pemisahan Kata... 6 Ekstraksi iri dan odebook... 6 Pengujian Sistem Deteksi Kata... 7 KESIMPULAN DAN SARAN Kesimpulan... 9 Saran... 9 DAFTAR PUSTAKA... 9 LAMPIRAN v

9 DAFTAR TABEL Halaman 1 Akurasi pendeteksian kata Akurasi pendeteksian kata pada kombinasi kata komputer hidup sekarang dengan 16 codeword Akurasi pendeteksian kata pada kombinasi kata IPB akultas MIPA ilmu komputer dengan 16 codeword Akurasi pendeteksian kata pada kombinasi kata departemen komputer jurusan teknologi komputer dengan 16 codeword Akurasi pendeteksian kata pada kombinasi kata komputer hidup sekarang dengan 32 codeword Akurasi pendeteksian kata pada kombinasi kata IPB Fakultas MIPA ilmu komputer dengan 32 codeword Akurasi pendeteksian kata pada kombinasi kata departemen komputer jurusan teknologi komputer dengan 32 codeword... 8 DAFTAR GAMBAR Halaman 1 Diagram pengolahan suara Sinyal analog Sinyal diskret Diagram alur MF Ilustrasi penggunaan codebook Diagram alur penelitian Proses pemisahan kata Akurasi pendeteksian kata Akurasi pendeteksian kombinasi kata Akurasi pendeteksian kombinasi kata dengan 16 codeword dan 32 codeword... 9 DAFTAR LAMPIRAN Halaman 1 Sistem pendeteksian kata Akurasi pendeteksian kata dari kombinasi kata komputer hidup sekarang dengan 16 codeword Akurasi pendeteksian kata dari kombinasi kata komputer hidup sekarang dengan 32 codeword Akurasi pendeteksian kata dari kombinasi kata IPB akultas MIPA ilmu komputer 16 codeword Akurasi pendeteksian kata dari kombinasi kata IPB akultas MIPA ilmu komputer 32 codeword Akurasi pendeteksian kata dari kombinasi kata departemen komputer jurusan teknologi komputer dengan 16 codeword Akurasi pendeteksian kata dari kombinasi kata departemen komputer jurusan teknologi komputer dengan 32 codeword vi

10 1 Latar Belakang PENDAHULUAN Setiap ucapan oleh manusia memiliki artikulasi yang berbeda-beda. Perbedaan itulah yang dapat menginormasikan kepada pendengar untuk mengetahui kata-kata yang diucapkan oleh pembicara. ara pendeteksian kata yang dilakukan oleh komputer sama dengan cara pendengar yang mendapatkan inormasi yang diucapkan oleh pembicara. Salah satu contoh aplikasi dari pendeteksian kata yaitu sebagai pencarian menggunakan suara. Pendeteksian kata juga dapat digunakan sebagai kata sandi dalam sistem keamanan (biometric security), pengoperasian komputer menggunakan perintah suara, maupun penekanan tombol telepon dengan suara. Tahap-tahap yang harus dilewati agar komputer dapat memproses apa yang kita katakan sebagai suatu instruksi atau inormasi. Tahap-tahap tersebut terdiri dari digitalisasi sinyal analog, standardisasi suara, penghapusan sinyal suara, pemisahan sinyal suara menjadi sinyal suara yang berupa kata, ekstraksi ciri, dan pengenalan pola untuk klasiikasi. Pada penelitian ini diimplementasikan sistem pendeteksian kata untuk mengukur akurasi dari setiap kata dengan menggunakan metode Mel Frequency epstrum oeicients (MF) sebagai ekstraksi ciri dan codebook sebagai pengenalan pola. Penelitian ini juga pernah dilakukan oleh Fazriah (2012) yang mengidentiikasi akurasi pembicara dengan menggunakan metode yang sama, sedangkan pada penelitian ini yang diidentiikasi adalah kata yang terdapat dalam kombinasi kata yang diucapkan oleh pembicara. Tujuan Penelitian ini bertujuan untuk mengembangkan sistem pendeteksian kata dengan MF sebagai ekstraksi ciri dan codebook sebagai metode pengenalan polanya agar komputer dapat mengetahui kata yang diucapkan oleh pembicara melalui microphone dan dapat mendeteksi kata yang terdapat dalam kombinasi kata. Ruang Lingkup Ruang lingkup pada penelitian ini adalah: 1 Penelitian diokuskan pada tahapan pemodelan pendeteksian kata yang diucapkan oleh manusia melalui microphone. 2 Penelitian ini menggunakan Mel Frequency epstrum oeicients (MF) sebagai metode ekstraksi ciri dan codebook sebagai metode pengenalan pola. 3 Uji kinerja dilakukan untuk menghitung tingkat akurasi pendeteksian kata terhadap input kata yang diberikan. TINJAUAN PUSTAKA Bunyi dan Sinyal Bunyi adalah gelombang longitudinal yang merambat melalui suatu media. Media atau zat perantara ini dapat berupa zat cair, padat, atau gas. Kebanyakan suara adalah merupakan gabungan berbagai sinyal. Suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau rekuensi yang diukur dalam Hertz (Hz) dan amplitudo, sedangkan pengukuran kedalaman atau intensitas bunyi dalam diukur dalam decibel (db). Beberapa tahap dilalui untuk mendapatkan suatu inormasi dari suara, dimulai dari otak pembicara yang memikirkan ormula kata yang akan diucapkan, kemudian diikuti dengan mekanisme berbicara pada manusia melalui kerjasama hidung dan paru-paru yang menyuplai udara, lidah, bibir dan mulut sebagai artikulator sehingga keluar suara yang merambat melalui media udara, diterima oleh telinga pendengar, kemudian dikirimkan ke otak yang diterjemahkan menjadi suatu inormasi (Nilsson dan Ejnarsson 2002). Gambar 1 memberikan ilustrasi tahapan pengolahan suara pada manusia. OTAK ARTIKULATOR SINYAL SUARA OTAK TELINGA Gambar 1 Diagram pengolahan suara Sedangkan sinyal adalah kuantitas isik yang bervariasi seiring waktu atau variabel bebas lainnya yang menyimpan suatu inormasi (Roberts 2004). Secara matematika suatu sinyal dirumuskan sebagai ungsi dari satu atau lebih peubah bebas. Berdasarkan peubah bebas waktu (t) sinyal dibedakan menjadi dua jenis yaitu:

11 2 a Sinyal analog Sinyal analog adalah suatu besaran yang berubah dalam waktu dan atau dalam ruang dan yang mempunyai semua nilai untuk setiap nilai waktu (dan atau setiap nilai ruang). Sinyal analog sering disebut sinyal kontinyu untuk menggambarkan bahwa besaran itu mempunyai nilai yang kontinyu (tak terputus). ontoh graik sinyal analog disajikan pada Gambar 2. digunakan adalah 8000 Hz sampai Hz. Hubungan antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya data suara yang didigitasi dapat dinyatakan dengan: S = F s * T dengan S = panjang vektor F s = sampling rate (Hertz) T = panjang suara (detik) b Gambar 2 Sinyal analog Sedangkan contoh ungsi sinyal analog: x(t) = sin (πt), dengan 0 < t < dengan x(t) = sinyal analog pada setiap waktu t = waktu (detik) Sinyal diskret Sinyal diskret merupakan suatu besaran yang berubah dalam waktu dan atau dalam ruang dan yang mempunyai nilai pada suatu titik-titik waktu tertentu. Jarak setiap titik waktu bisa saja berbeda-beda, namun untuk kemudahan penurunan siat matematikanya biasanya jarak antar-titik waktu adalah sama. ontoh graik sinyal diskret dapat dilihat pada Gambar 3. Gambar 3 Sinyal diskret Sinyal diskret ini dapat dibangkitkan dengan cara sampling atau dengan cara mengkumulatikan sinyal analog dalam suatu selang waktu (Fazriah 2012). Sampling dan Kuantisasi Sampling adalah pengamatan sinyal waktu kontinyu (sinyal analog) pada suatu waktu tertentu sehingga diperoleh sinyal waktu diskret. Nilai ini menyatakan amplitudo suara. Hasilnya adalah sebuah vektor yang menyatakan nilai-nilai hasil sampling. Panjang vektor data tergantung panjang atau lamanya suara digitasi dan sampling rate yang digunakan pada proses digitasi. Sampling rate sendiri adalah banyaknya nilai yang diambil setiap detik. Sampling rate yang biasanya t Setelah melalui tahap sampling proses digitalisasi suara selanjutnya adalah kuantisasi. Kuantisasi adalah tahap menyimpan nilai amplitudo ke dalam representasi nilai 8 bit atau 16 bit (Susanto 2006). Ekstraksi iri Sinyal Suara Ekstraksi ciri merupakan proses menentukan suatu nilai atau vektor yang dapat dipergunakan sebagai penciri objek atau individu. Pada pemrosesan suara, ciri yang biasa dipergunakan adalah nilai koeisien cepstral dari sebuah rame. Salah satu teknik ekstraksi ciri sinyal suara yang umum dan menunjukan kinerja baik adalah teknik MF yang menghitung koeisien cepstral dengan mempertimbangkan persepsi sistem pendengaran manusia terhadap rekuensi suara. Teknik MF digunakan karena dapat mempresentasikan sinyal lebih baik dibandingkan dengan LP, LP dan yang lainnya dalam pengenalan suara (Buono et al. 2008). Teknik MF sebagai ekstraksi ciri telah banyak digunakan pada berbagai bidang area pemrosesan suara. Gambar 4 menyajikan tahapan teknik MF dalam mengekstraksi sinyal suara. Framming Windowing Fast Fourier Transorm (FFT) Mel Frequency Wrapping epstrum oeicients Gambar 4 Diagram alur MF

12 3 Pada tahapan ramming sinyal dibaca dari rame ke rame dengan nilai overlap tertentu, lalu dilakukan windowing untuk setiap rame kemudian dilakukan transormasi Fourier untuk mengubah dimensi suara dari domain waktu ke domain rekuensi. Dari hasil transormasi Fourier selanjutnya dihitung spektrum mel menggunakan sejumlah ilter yang dibentuk sedemikian sehingga jarak antar pusat ilter adalah konstan pada ruang rekuensi mel. Skala mel dibentuk untuk mengikuti persepsi sistem pendengaran manusia yang bersiat linear. Proses ini dikenal dengan Mel Frequency Wrapping. Koeisien MF merupakan hasil tranormasi kosinus dari spektrum mel tersebut dan dipilih K koeisien. Tranormasi kosinus berungsi untuk mengembalikan dari domain rekuensi ke domain waktu (Do 1994). Tahap-tahap dalam teknik MF lebih jelas lagi yakni sebagai berikut: a Frame Blocking Untuk keperluan pemrosesan, sinyal analog yang sudah melalui proses sampling dan kuantisasi (digitalisasi suara) dibaca dari rame demi rame dengan lebar tertentu yang saling tumpang tindih (overlap). Panjang rame biasanya 5 sampai 100 milisecond dengan overlap antar-rame yang berurutan sebanyak 0, 25, 50 atau 75%. Proses ini dikenal dengan rame blocking. b Windowing Setiap rame mengandung satu unit inormasi, sehingga barisan rame akan menyimpan suatu inormasi yang lengkap dari sebuah sinyal suara. Untuk itu, distorsi antarrame harus diminimalisasi. Salah satu teknik untuk meminimalkan distorsi antar rame adalah melakukan proses iltering pada setiap rame. Secara umum proses iltering ada dua yaitu untuk memisahkan sinyal dari berbagai noise serta untuk menjernihkan sinyal dari adanya distorsi. Ada beberapa jenis ilter yang dapat digunakan di antaranya Moving Average, Single Pole, Windowing, hebyshev, FIR ustom, dan Iterative Design. Pada penelitian kali ini jenis ilter yang digunakan yaitu Windowing dikarenakan pemrosesan sinyal yang akan dilakukan dalam domain rekuensi. Proses windowing dilakukan pada setiap rame untuk meminimalisasi sinyal tak kontinyu pada awal dan akhir masing-masing rame (Mustoa 2007). Window dinyatakan sebagai w(n), 0 n N-1, dengan N adalah jumlah sampel dalam masing-masing rame, x(n) adalah sinyal input dan hasil windowing adalah y(n). y(n) = x(n) * w(n), 0 n N-1 dengan y(n) = hasil windowing x(n) = sinyal input w(n) = window n = rame N = jumlah sampel dalam masing-masing rame Fungsi window sendiri terdiri atas beberapa jenis yaitu Daniell, Hamming, Parzen, Pierstly, dan Sasaki yang memiliki ormula yang berbeda-beda. Dengan pertimbangan kesederhanaan ormula maka penggunaan window Hamming cukup beralasan. c Tranormasi Fourier (Fourier Transorm) Perbedaan sinyal suara yang berbeda-beda dilihat dari domain rekuensi karena jika dilihat dari domain waktu sulit terlihat perbedaannya. Untuk itu dari sinyal suara yang berada pada domain waktu diubah ke domain rekuensi dengan Fast Fourier Transorm (FFT). FFT merupakan suatu algoritme untuk mengimplementasikan Transormasi Fourier Diskret. Perubahan dari domain waktu ke domain rekuensi disebut dengan persamaan analisis yang dapat ditulis sebagai berikut: N -1 n = k=0-2πkn / N X Xk e, n = 0,1,2,..., N -1 dengan Xk = deretan aperiodik dengan nilai N N = jumlah sampel d Mel Frequency Wrapping Studi psikoisik menunjukkan bahwa persepsi manusia terhadap rekuensi sinyal suara tidak berupa skala linier. Oleh sebab itu, untuk setiap nada dengan rekuensi aktual (dalam Hertz) tinggi subjektinya diukur dengan skala mel (melody). Skala melrequency adalah selang rekuensi di bawah 1000Hz dan selang logaritmik untuk rekuensi di atas 1000Hz sehingga pendekatan tersebut dapat digunakan menghitung mel-requency (Do 1994).

13 4 e Tranormasi Kosinus (Discrete osine Transorm) Langkah terakhir yaitu mengkonversikan log mel spectrum ke domain waktu. Hasilnya disebut mel requency cepstrum coeicients. Representasi cepstral spektrum suara merupakan representasi property spectral local yang baik dari suatu sinyal untuk analisis rame. Mel spectrum coeicients dan logaritmanya berupa bilangan riil, sehingga dapat dikonversikan ke domain waktu dengan menggunakan Discrete osine Transorm (DT) (Do 1994). Pengenalan Pola dengan odebook Pengenalan pola merupakan bidang dalam pembelajaran pada ilmu komputer dan dapat diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasiikasi data", salah satu aplikasinya adalah pengenalan suara. Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Beberapa metode pengenalan pola yaitu codebook, jaringan syara tiruan, probabilistic neural network, dan hidden markov model. Pada penelitian ini metode yang digunakan adalah metode codebook. odebook adalah kumpulan titik (vektor) yang mewakili distribusi suara dari sebuah kata tertentu dalam ruang suara. Setiap titik dari codebook dikenal sebagai codeword. Setiap kata yang sudah direkam dibuat codebook yang terdiri dari beberapa codeword untuk merepresentasikan ciri suara dari kata tersebut (Do 1994). Prinsip dasar dalam penggunaan codebook adalah setiap suara yang masuk akan dihitung jaraknya ke setiap codebook yang telah dibuat. Kemudian jarak setiap sinyal suara ke codebook dihitung sebagai jumlah jarak setiap rame sinyal suara tersebut ke setiap codeword yang ada pada codebook. Kemudian dipilih codeword dengan jarak minimum. Setelah itu setiap sinyal suara yang masuk akan diidentiikasi berdasarkan jumlah dari jarak minimum tersebut. Prinsip penggunaan codebook diilustrasikan pada Gambar 5, dengan odebook dinyatakan dengan, codeword dengan id, sinyal suara baru dengan S, dan panjang rame dalam sinyal S dengan Td. S Jarak d d d d d d T min (, S) = [ jarak ( S t, i)] i = 1,2,.., k t = 1 i1 i2 id T1 T2 Td Gambar 5 Ilustrasi penggunaan codebook Perhitungan jarak dilakukan dengan menggunakan jarak euclidean yang dapat dirumuskan sebagai berikut : dengan = codebook S = sinyal suara baru i = codeword ke-i St = rame sinyal suara baru ke-t k = codeword T = panjang rame dalam sinyal suara baru K-Means lustering K-Means merupakan salah satu metode data clustering non-hierarkis yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Data clustering menggunakan metode K- Means yang secara umum dilakukan dengan algoritme dasar sebagai berikut : 1 tentukan jumlah cluster; 2 alokasikan data ke dalam cluster secara random; 3 hitung centroid/rata-rata dari data yang ada di masing-masing cluster; 4 alokasikan masing-masing data ke centroid/rata-rata terdekat; 5 kembali ke tahap 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai pada objective unction yang digunakan di atas nilai treshold yang ditentukan.

14 5 METODOLOGI Sistem pendeteksian kata dapat diwujudkan ke dalam suatu perangkat lunak menggunakan bahasa pemrograman MATLAB R2009b. Sistem tersebut dibagi menjadi 6 tahap. Tahap pertama adalah pengambilan data suara, tahap kedua adalah praproses yaitu proses normalisasi serta pemisahan sinyal suara. Pemisahan sinyal suara hanya dilakukan pada sinyal kombinasi kata suara menjadi beberapa sinyal kata suara yang akan digunakan sebagai data uji. Jika hasil dari pemisahan kata terdapat suara diam, perlu penghapusan sinyal suara silent. Tahap ketiga adalah proses pengambilan ciri sinyal suara menggunakan MF. Tahap keempat adalah pembentukan codebook untuk pengenenalan polanya. Tahap yang kelima adalah pengujian, dan tahapan yang keenam adalah dokumentasi. Tahapan penelitian tersebut sesuai dengan diagram alur penelitian yang disajikan pada Gambar 6. Data Latih MF odebook Mulai Data suara Praproses Data uji MF Pengujian Perhitungan akurasi Dokumentasi Selesai Gambar 6 Diagram alur penelitian Pengambilan Data Suara Data suara yang digunakan pada penelitian ini adalah 10 macam kata dengan setiap kata dilakukan perekaman sebanyak 60 kali, dengan kata yang digunakan yaitu komputer, hidup, sekarang, IPB, akultas, MIPA, departemen, jurusan, ilmu, dan teknologi"; dan 3 macam kombinasi kata yang dilakukan perekaman sebanyak 20 kali, dengan kombinasi kata yang digunakan adalah komputer hidup sekarang, IPB akultas MIPA ilmu komputer, dan departemen komputer jurusan teknologi komputer, dengan setiap perekaman menggunakan sampling rate 11000Hz. Dengan demikian, data yang dihasilkan adalah 660 rekaman data. Terdapat perbedaan pada rentang waktu perekaman yaitu untuk pengambilan suara setiap kata, rentang waktu yang digunakan selama 1.5 detik, sedangkan untuk kombinasi kata rentang waktu perekaman selama 1.5 detik dikalikan banyaknya kata pada kombinasi kata tersebut. Hal ini dilakukan karena memerlukan waktu perekaman yang lebih lama. Praproses Data suara tersebut harus melalui tahap praproses terlebih dahulu. Tahapan praproses terdiri dari normalisasi sinyal suara, penghapusan silent dan pemisahan sinyal suara. Setiap data suara memiliki nilai range amplitudo yang berbeda-beda sehingga data suara perlu dinormalisasi terlebih dahulu dengan cara membagi setiap nilai dengan nilai maksimum pada data masing-masing suara agar didapat range nilai amplitudo suara yang sama. Langkah berikutnya adalah penghapusan silent yang berungsi untuk penghapusan bagian suara diam yang terdapat pada awal dan akhir perekaman suara. Pada tahapan pemisahan sinyal suara hanya dilakukan pada sinyal kombinasi kata suara menjadi beberapa sinyal kata suara. Hasil dari pemisahan sinyal suara tersebut terdapat suara diam diawal atau di akhir sinyal kata, oleh karena itu perlu dilakukan hapus silent kembali, sehingga dihasilkan sinyal yang digunakan untuk data uji. Data Latih dan Data Uji Data suara yang digunakan untuk pelatihan yaitu 10 macam kata dengan perulangan setiap kata sebanyak 60 kali sehingga menghasilkan 600 sinyal kata suara.

15 6 Untuk data pengujian perlu dilakukan pemisahan kata dari kombinasi kata menjadi beberapa kata supaya mempermudah saat pendeteksian kata. Oleh sebab itu, 3 kombinasi kata yang dilakukan perulangan 20 kali menghasilkan 260 sinyal suara. Proses Ekstraksi iri dan odebook Data suara yang direkam dan dihapus silent-nya masih terlalu besar jika diproses untuk pengenalan pola sehingga perlu dilakukan proses ekstraksi ciri. Ekstraksi ciri merupakan proses menentukan suatu nilai atau vektor yang dapat dipergunakan sebagai penciri objek. Pada pemrosesan suara, ciri yang biasa digunakan adalah nilai koeisien cepstral dari sebuah rame. Metode ekstraksi ciri yang digunakan pada pada penelitian ini yaitu MF. Dengan MF, ukuran data yang dihasilkan tidak besar tanpa menghilangkan ciri atau inormasi setiap data suara. Pengujian Penelitian ini hanya mengamati banyak kata yang terdeteksi dengan baik oleh sistem dan perbedaan pemakaian 16 codebook dengan 32 codebook. Dokumentasi Tahap terahir dari penelitian ini adalah dokumentasi. Data yang didapat dari pengujian dapat dianalisis untuk menempatkan kata yang teridentiikasi dengan tepat dan perbedaan antara pemakaian 16 codebook dan 32 codebook. Dengan demikian diharapkan penggunaan yang tepat akan membuat sistem bekerja secara optimal. HASIL DAN PEMBAHASAN Setelah sistem dipersiapkan dan sudah berjalan dengan baik, selanjutnya adalah tahapan pengambilan data untuk data latih dan data uji, pemisahan data suara pada data suara yang akan diujikan, kemudian dilakukan ekstraksi ciri dengan metode MF dan codebook sebagai pengenalan polanya. Pembahasan dari hasil penelitian ini mencakup akurasi pendeteksian dari setiap kata dan akurasi pendeteksian kata menggunakan 16 codeword dan 32 codeword. Pemisahan Kata Tahapan pemisahan kata dimulai dengan pengujian setiap blok, yang terdiri atas 1000 rame. Blok rame pertama diuji dengan amplitudo 0.04 dan Apabila terdapat sinyal yang melebihi 0.04 atau kurang dari -0.04, blok tersebut merupakan bagian dari sinyal suara yang digunakan, akan tetapi jika tidak ada yang melebihi 0.04 atau kurang dari maka blok tersebut bukan merupakan sinyal suara yang digunakan. Pengujian tersebut dilakukan pada blok rame selanjutnya secara berurutan hingga blok yang bukan merupakan sinyal suara. Gabungan blok yang merupakan sinyal suara merupakan 1 buah sinyal suara kata, sedangkan blok yang bukan merupakan sinyal suara akan dihilangkan atau dihapus. Proses tersebut dilakukan kembali setelah terdapat blok rame yang merupakan sinyal suara hingga seluruh sinyal suara, dan menghasilkan beberapa sinyal suara berupa kata. Proses pemisahan kata yang dijelaskan tersebut dapat dilihat pada Gambar 7. 1 blok = 1000 rame rame Gambar 7 Proses pemisahan kata Hasil dari tahapan pemisahan kata masih terdapat suara diam di awal dan di akhir blok rame. Oleh sebab itu, perlu dilakukan penghapusan silent agar sinyal suara yang akan digunakan untuk proses ekstraksi ciri hanya sinyal suara berupa kata. Ekstraksi iri dan odebook Pada tahap MF, sinyal suara diubah ke dalam suatu matriks yang berukuran jumlah koeisien yang digunakan dikali dengan banyaknya rame suara yang terbentuk. Terdapat 5 parameter yang harus diinput untuk semua data yaitu input suara, sampling rate, time rame, overlap, dan jumlah cepstral coeicient. Pemilihan nilai untuk time rame adalah 23.7 ms, overlap 50%, dan jumlah koeisien cepstral sebanyak 13 koeisien. Matriks ini menunjukkan ciri spectral dari sinyal suara.

16 7 Pada tahap codebook, data yang digunakan adalah data latih yang sudah berupa ciri dari setiap kata yang telah diperoleh pada tahap sebelumnya. Jumlah codeword yang digunakan pada tahap ini yaitu 16 codeword dan 32 codeword. Pengujian Sistem Deteksi Kata Pengujian pada penelitian ini menggunakan 10 kata yaitu komputer, hidup, sekarang, IPB, akultas, MIPA, ilmu, departemen, jurusan, dan teknologi. Kata-kata tersebut didapat dari hasil pemisahan kata menggunakan 3 kombinasi kata yaitu komputer hidup sekarang, IPB akultas MIPA ilmu komputer, dan departemen komputer jurusan teknologi komputer, dengan setiap kombinasi kata dilakukan perulangan pengambilan suara yang sama sebanyak 20 kali untuk data uji. Selanjutnya, setiap kombinasi kata tersebut perlu melalui proses pemisahan kata sehingga menjadi beberapa kata. Perhitungan jarak euclidean dilakukan antara ciri dari setiap kata pada data uji dengan 16 codeword atau 32 codeword yang dihasilkan dari data latih, kemudian nilai terendah dari jarak tersebut dideteksi sebagai kata yang benar. Tabel 1 memperlihatkan hasil akurasi pendeteksian kata yang sudah melalui seluruh tahapan penelitian. Tabel 1 Akurasi pendeteksian kata Kata Akurasi Komputer 99% Hidup 100% Sekarang 95% IPB 95% Fakultas 90% MIPA 100% Ilmu 100% Departemen 100% Jurusan 100% Teknologi 100% Rata-rata 98% Dari hasil pengujian tersebut, akurasi kata terendah terdapat pada kata akultas dengan akurasi 90%. Rata-rata dari akurasi seluruh kata adalah 98%. Berdasarkan hasil tersebut dapat dikatakan pendeteksian kata pada penelitian ini mendapatkan akurasi yang baik. Graik akurasi pendeteksian kata disajikan pada Gambar 8. Hasil akurasi antar-kata tidak jauh berbeda sehingga dapat dikatakan sample kata yang digunakan dapat dideteksi oleh sistem dengan baik. Gambar 8 Akurasi pendeteksian kata Tabel 1 menyajikan akurasi dari setiap kata. Akurasi pendeteksian kata yang sangat baik dengan hasil 100% terdapat pada kata hidup, MIPA, ilmu, departemen, jurusan, dan teknologi. Untuk kata komputer ditempatkan pada 3 kombinasi kata dengan urutan posisi kata yang berbeda yaitu komputer hidup sekarang dengan komputer terdapat pada posisi pertama, IPB akultas MIPA ilmu komputer dengan komputer terdapat pada posisi kata kelima, dan departemen komputer jurusan teknologi komputer dengan komputer terdapat pada posisi kata kedua dan kelima. Hasil rata-rata persentase akurasi pendeteksian kata komputer yaitu 99%. Pengujian kata komputer tersebut dimaksudkan untuk mengetahui akurasi pendeteksian kata apabila kata yang sama ditempatkan pada posisi kombinasi yang berbeda. Tabel 2 Akurasi pendeteksian kata pada kombinasi kata komputer hidup sekarang dengan 16 codeword Kata Akurasi Komputer 95% Hidup 100% Sekarang 95% Rata-rata 97% Tabel 3 Akurasi pendeteksian kata pada kombinasi kata IPB akultas MIPA ilmu komputer dengan 16 codeword Kata Akurasi IPB 95% Fakultas 90% MIPA 100% Ilmu 100% Komputer 100% Rata-rata 97%

17 8 Tabel 4 Akurasi pendeteksian kata pada kombinasi kata departemen komputer jurusan teknologi komputer dengan 16 codeword Kata Akurasi Departemen 100% Komputer 100% Jurusan 100% Teknologi 100% Komputer 100% Rata-rata 100% Tabel 2 menunjukkan bahwa kombinasi komputer hidup sekarang dengan hasil akurasi adalah 97%. Akurasi tersebut didapat dengan perekaman data uji sebanyak 20 kali. Setiap kata yang telah melalui proses pemisahan kata mendapatkan hasil akurasi komputer = 95%, hidup = 100%, dan sekarang = 95%. Tabel 3 dengan kombinasi IPB akultas MIPA ilmu komputer memiliki akurasi 97%, dan hasil setiap kata dari kombinasi tersebut adalah IPB = 95%, akultas = 90%, MIPA = 100%, ilmu = 100%, dan komputer = 100%. Tabel 4 dengan kombinasi kata departemen komputer jurusan teknologi komputer mendapatkan hasil akurasi sebesar 100%, dengan rincian kata departemen = 100%, komputer posisi pertama = 100%, jurusan = 100%, teknologi = 100%, dan komputer posisi kelima = 100%. Hasil akurasi dari setiap kombinasi kata di atas menjelaskan bahwa banyaknya kata dalam kombinasi kata tidak mempengaruhi hasil akurasi kombinasi kata. Hal tersebut digambarkan pada Gambar 9, akurasi dari setiap kombinasi kata dengan kombinasi kata pertama dengan 3 kata, kombinasi kedua dengan 5 kata dan kombinasi kata ketiga dengan 5 kata menghasilkan akurasi yang tidak jauh berbeda. Gambar 9 Akurasi pendeteksian kombinasi kata. Gambar 9 menjelaskan tidak adanya perbedaan akurasi deteksi yang jauh dari setiap kombinasi kata. Sesuai hasil graik tersebut pendeteksian terbaik pada kombinasi ketiga yaitu departemen komputer jurusan teknologi komputer dengan akurasi pendeteksian sebesar 100%. Hasil pendeteksian dari seluruh kombinasi terdapat kesalahan pendeteksian sebesar 2.2%, maka dapat dikatakan akurasi kombinasi kata adalah baik. Pengujian kombinasi kata pada Tabel 2, 3, dan 4 menggunakan 16 codeword masih terdapat kesalahan pendeteksian sebesar 2.2%, maka perlu pembanding dengan menggunakan 32 codeword untuk mengetahui akurasi pendeteksian kata yang lebih baik. Agar perbandingan antar-codeword akurat, data uji yang digunakan pada penelitian 32 codeword sama dengan data uji yang digunakan pada 16 codeword. Dapat dilihat pada Tabel 5, 6, dan 7 menunjukkan hasil akurasi dari setiap kata dan kombinasi kata dengan menggunakan 32 codeword. Tabel 5 Akurasi pendeteksian kata pada kombinasi kata komputer hidup sekarang dengan 32 codeword Kata Akurasi Komputer 95% Hidup 100% Sekarang 90% Rata-rata 95% Tabel 6 Akurasi pendeteksian kata pada kombinasi kata IPB akultas MIPA ilmu komputer dengan 32 codeword Kata Akurasi IPB 95% Fakultas 80% MIPA 100% Ilmu 100% Komputer 100% Rata-rata 95% Tabel 7 Akurasi pendeteksian kata pada kombinasi kata departemen komputer jurusan teknologi komputer dengan 32 codeword Kata Akurasi Departemen 100% Komputer 100% Jurusan 100% Teknologi 100% Komputer 100% Rata-rata 100%

18 9 Pada data akurasi yang disajikan pada tabel-tabel tersebut, hasil akurasi kata dengan menggunakan 16 codeword lebih baik dibandingkan dengan menggunakan 32 codeword. Selain hal tersebut, 32 codeword banyak memerlukan waktu pengujian yang lebih lama. Gambar 10 memperlihatkan hasil akurasi perbandingan antara 16 codeword dengan 32 codeword dari 3 kombinasi kata. Gambar 10 Akurasi pendeteksian kombinasi kata dengan 16 codeword dan 32 codeword. Kombinasi kata komputer hidup sekarang akurasi yang dihasilkan dengan 16 codeword yaitu 97% dan 32 codeword yaitu 95%, perbedaan hasil tersebut terdapat pada kata sekarang, sedangkan pada kombinasi kata IPB Fakultas MIPA Ilmu Komputer akurasi pada 16 codeword yaitu 97% dan pada 32 codeword adalah 95%. Pengujian terakhir yaitu pada kombinasi kata departemen komputer jurusan teknologi komputer mendapat hasil yang sama dengan menggunakan 16 codeword dan 32 codeword sebesar 100%. Berdasarkan pengujian yang dilakukan, dapat dikatakan pendeteksian kata menggunakan 16 codeword lebih baik dibandingkan dengan menggunakan 32 codeword. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil analisis yang dilakukan pada penelitian ini, kesimpulan yang diperoleh adalah sebagai berikut: 1 Teknik MF dengan metode pengenalan pola menggunakan codebook telah berhasil diimplementasikan dalam mengenali kata dengan rata-rata persentase adalah 98%. 2 Penelitian ini telah berhasil mengembangkan sistem pendeteksian kata yang memiliki jeda waktu pengucapan kata. 3 Pendeteksian kata dengan teknik MF dengan metode codebook sebagai pengenalan polanya lebih baik menggunakan 16 codeword dibandingkan dengan 32 codeword. 4 Posisi kata yang terdapat di dalam kombinasi kata tidak mempengaruhi akurasi pengenalan kata. Saran Untuk terus mengembangkan penelitian ini, ada beberahal yang dapat dilakukan saran sebagai berikut: 1 Penelitian ini dapat menjadi dasar bagi pengembangan sistem pencarian dengan menggunakan suara. 2 Dapat dilakukan pengembangan sistem dengan teknik berbeda sehingga menghasilkan akurasi pendeteksian kata yang lebih baik. 3 Dapat dikembangkan untuk membangun sistem pendeteksian kata dengan menambahkan imbuhan kata. 4 Dapat dilakukan pengembangan sistem pendeteksian kata tanpa atau dengan sedikit jeda waktu pengucapan antar-kata. DAFTAR PUSTAKA Buono A, Ramadhan A, Ruvinna Pengenalan kata berbahasa Indonesia dengan hidden markov model (HMM) menggunakan Baum-Welch. Jurnal Ilmiah Ilmu Komputer, (6): 2. Do MN DSP (digital signal processing) mini project: An automatic speaker recognition system [internet]. speake_recognition/speaker_recognition. doc [15 Jun 2009]. Fazriah Identiikasi pembicara dengan MF sebagai ekstraksi ciri dan codebook untuk pengenalan pola [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mustoa A Sistem pengenalan penutur dengan metode mel-requency wrapping. Jurnal Teknik Elektro, 7(2): Nilsson M, Ejnarsson M Speech recognition using hidden markov model [tesis]. Sweden: Blekinge Institute o Technology. Roberts MJ Signals and systems: Analysis Using Transorm Methods and MATLAB. New York: McGraw-Hill.

19 Susanto N Pengembangan model jaringan syara tiruan resilient backprobagation untuk identiikasi pembicara dengan praproses MF [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. 10

20 LAMPIRAN 11

21 12 Lampiran 1 Sistem pendeteksian kata Lampiran 2 Akurasi pendeteksian kata dari kombinasi kata komputer hidup sekarang dengan 16 codeword Data Uji Data Latih Komputer Hidup Sekarang MIPA Komputer Hidup Sekarang Lampiran 3 Akurasi pendeteksian kata dari kombinasi kata komputer hidup sekarang dengan 32 codeword Data Uji Data Latih Komputer Hidup Sekarang Fakultas Komputer Hidup Sekarang

22 13 Lampiran 4 Akurasi pendeteksian kata dari kombinasi kata IPB akultas MIPA ilmu komputer dengan16 codeword Data Uji Data Latih IPB Fakultas MIPA Ilmu Komputer Hidup IPB Fakultas MIPA Ilmu Komputer Lampiran 5 Akurasi pendeteksian kata dari kombinasi kata IPB akultas MIPA ilmu komputer dengan 32 codeword Data Uji Data Latih IPB Fakultas MIPA Ilmu Komputer Hidup IPB Fakultas MIPA Ilmu Komputer

23 14 Lampiran 6 Akurasi pendeteksian kata dari kombinasi kata departemen komputer jurusan teknologi komputer dengan 16 codeword Data Latih Data Uji Departemen Komputer Jurusan Teknologi Komputer Departemen Komputer Jurusan Teknologi Komputer Lampiran 7 Akurasi pendeteksian kata dari kombinasi kata departemen komputer jurusan teknologi komputer dengan 32 codeword Data Latih Data Uji Departemen Komputer Jurusan Teknologi Komputer Departemen Komputer Jurusan Teknologi Komputer