Pengenalan Tutur Vokal Bahasa Indonesia Menggunakan Metode Multi Layer Perceptron

Transkripsi

1 Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perceptron Rsk Va Yulantar, Rsanur Hdaat, Oas Wahunggoro, Anan Nugroho Departemen Teknk Elektro dan Teknk Informas Fakultas Teknk Unverstas Gadah Mada Jalan Grafka 2 Yogakarta 5528 rvaulantar@gmal.com ABSTRACT Indonesan language s a natonal language of Indonesa whch can be nterpreted as sound smbol that can be used as a communcaton devce. In that communcaton process, nformaton n the form of sgnal can be obtaned. There are man researches on voce sgnal of Indonesan language. In ths research, Indonesan vocal sgnal recognton automataton s developed b usng Multlaer Perceptron to ncrease accurac, senstvt, specfct and precson. The recognton s done b usng Dscrete Wavelet Transform to 00 speakers that result n 500 characterstc data for tranng and testng. The classfcaton process results naccurac as much as 95,9%, senstvt 90,2%, specfct 97,5%, and precson 89,8%. Keword: Mult Laer Perceptron, Dscrete Wavelet Transform, Vocal, Indonesan INTISARI Bahasa Indonesa merupakan bahasa nasonal bangsa Indonesa ang dapat dartkan sebaga lambang bun ang dgunakan sebaga alat komunkas. Dalam proses komunkas tersebut dapat dperoleh sebuah nformas berupa sarat. Banak peneltan tentang sarat tutur Indonesa. Pada peneltan n dkembangkan otomatsas pengenalan sarat vokal Indonesa dengan Mult Laer Perceptron untuk menngkatkan akuras, senstftas, spesftas dan press. Pengenalan dlakukan dengan Dscrete Wavelet Transform pada 00 orang penutur menghaslkan 500 data cr untuk tranng dan testng. Proses klasfkas menghaslkan akuras sebesar 95,9%, senstftas 90,2%, spesftas 97,5%, dan press 89,8%. Kata Kunc: Mult Laer Perceptron, Dscrete Wavelet Transform, Vokal, Bahasa Indonesa PENDAHULUAN Bahasa Indonesa merupakan bahasa nasonal negara Indonesa. Bahasa dapat dartkan sebaga lambang bun ang dgunakan oleh suatu anggota masarakat untuk bekera sama, berkomunkas, dan mengdentfkas dr (Dr. Alek 202). Secara umum, bun bahasa dkelompokkan menad dua kelas bun utama, atu konsonan (consonant) dan vokal (vowel). Konsonan adalah bun bahasa ang dhaslkan dengan keadaan rongga mulut atau hdung tertutup kemudan dhambatkan oleh alat ucap ang dalrkan melewat celah sempt.. Sedangkan vokal merupakan bun bahasa ang dhaslkan alat ucap melalu rongga mulut dengan udara tanpa hambatan dan memlk kualtas ang bergantung pada poss, tngg rendah dan mau mundur ldah. Bahasa Indonesa mengandung 5 vokal atu /a/, //, /u/, /e/, dan /o/ (Yendra 206). Bun vokal mengandung cr-cr sebaga penampa nformas pada telnga manusa berbentuk sarat stasoner ang berderau dengan beda kecepatan (Sakoe & Chba 978). Peneltan tentang pengenalan sarat tutur telah banak dlakukan dalam berbaga bahasa duna. Sementara peneltan tentang pengenalan sarat tutur menggunakan bahasa Indonesa mash terbatas. Beberapa peneltan pengenalan sarat tutur menggunakan bahasa Indonesa dlakukan oleh (Sutsna 203) menggunakan metode Neuro Fu Inference Sstem (ANFIS) sebaga pengenalan sarat tutur kata ang tersolas dengan tngkat akuras sebesar 89,33%, (H et al. 205) menggunakan Hdden Markov Models (HMM) sebaga pengenalan sarat tutur berbass suku kata bahasa Indonesa dengan tngkat dengan tngkat akuras 75%, (Ivana n.d.) melakukan pengenalan vokal Bahasa Indonesa menggunakan metode Lnear Predctve Codng (LPC) dengan tngkat akuras 86,9%. Dalam peneltan n Mult Laer Perceptron (MLP) dgunakan sebaga metode klasfkas pola sarat tutur vokal bahasa Indonesa. Dmana metode Mult Laer 40 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron

2 Perceptron (MLP) telah banak daplkaskan dalam berbaga bdang sepert pengenalan pola tulsan tangan, pengolahan ctra medka, dan pengenalan pola suara (Davd 203). Mult Laer Perceptron (MLP) merupakan salah satu metode pengenalan pola ang efektf. Selan tu, Mult Laer Perceptron (MLP) memlk nla tolerans terhadap derau, ketdaklneran, dan memlk akuras ang tngg (Gaafar et al. 204).Akuras pengenalan uga dpengaruh oleh proses esktras cr. Menurut (Asn 204) Dscrete Wavelet Transform (DWT) lebh efektf dgunakan sebaga metode ekstras karena dapat menghemat waktu komputas. Metode ekstras cr Dscrete Wavelet Transform (DWT) uga mampu mengatas sarat tutur ang memlk sfat tdak stasoner, mengandung derau, dan memlk perbedaan kecepatan (Wu et al. 2008). Proses pengenalan sarat tutur dlakukan dengan memasukan nla ekstraks cr ang dber nla bobot, kemudan dlakukan penumlahan antara perkalan nla ekstras cr dengan nla bobot. Hasl penumlahan kedua nla tersebut menad nla masukan bag fungs sgmod bner untuk mendapatkan nla keluaran (Davd 203) (Hdaatno et al. 2008) METODOLOGI Tap tahap proses pengenalan sarat tutur dgambarkan pada gambar. Mula Isarat tutur vokal Perekaman sarat tutur DC Removal Normalsas ampltudo Menghlangkan sarat dam Ekstras cr DWT Pengenalan pola MLP Selesa Gambar Proses pengenalan sarat tutur PEREKAMAN ISYARAT TUTUR Proses perekaman dlakukan dengan cara merekam sarat tutur vokal /a/, //, /u/, /e/, dan /o/ selama tga detk dengan frekuens pencuplkan (fs) sebesar 8000 H. Perekaman dlakukan pada 00 orang penutur pra dan wanta. Frekuens pencuplkan (fs) pada pengolahan sarat tutur dpengaruh oleh resolus sarat dan waktu komputas. Frekuens pecuplkan (fs) harus memenuh krtera Nqust pada persamaan (). fs 2f () DC REMOVAL DC removal merupakan tahapan untuk menghlangkan komponen DC atau DC offset. Penghlangan unsur DC dlakukan menggunakan persamaan (2) dengan menghtung nla rata-rata ampltudo sarat tutur ang dlanutkan dengan mengurangkan sarat tutur asl dengan nla rata-rata tersebut. N S(n) n DCoffset (n) S(n) (2) N NORMALISASI AMPLITUDO Normalsas ampltudo dlakukan untuk mengatas tngkat energ ang tdak konssten antara tap sarat. Sehngga dapat menngkatkan kualtas cr dan memlk standar pengukuran ang sama untuk semua data. Proses normalas ampltudo dperoleh dengan cara membag setap nla S(n) pada runtun ke-n dengan nla absolut ampltudo tertngg ang terdapat pada sarat dengan nla batasan maksmal antara - dan, drumuskan dengan persamaan (3). DC (n) S (n) offset nor (3) max(abs(dc (n)) offset MENGHILANGKAN ISYARAT DIAM Proses penghlangan sarat dam bertuuan untuk mengefektfkan komputas karena adana derau dan sarat dam ang tdak memlk nformas dalam pengolahan sarat tutur. Langkah penghlangan sarat dam dlakukan dengan membag frame berukuran 20 ms pada proses sebelumna. Kemudan menentukan nla ambang bawah ampltudo sebesar 0,05. Nla ambang dgunakan untuk meneleks dan mengurutkan kembal masng-masng frame Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,

3 ang bers nformas sarat tutur. Jka nla maksmum frame sama dengan atau dbawah dar nla ambang, maka frame tersebut tdak dgunakan. Proses menghlangkan suara dam drumuskan dengan persamaan (4). menghaslkan sebanak 2 dmana adalah level dekomposs dar metode Dscrete Wavelet Transform (DWT). Proses dekomposs wavelet level 3 dtunukkan pada gambar 2. F s(n) * N n()*n (4) DISCRETE WAVELET TRANSFORM (DWT) Wavelet merupakan gelombang sngkat dengan duras terbatas ang memlk nla rata-rata nol. Wavelet mengkonsentraskan energna terhadap ruang dan waktu sehngga cocok untuk menganalss sarat ang bersfat sementara. Ada dua ens atu Contnuous Wavelet Transform dan Dscrete Wavelet Transform. Dscrete Wavelet Transform (DWT) dgunakan untuk mentransformaskan sarat dar doman waktu ke doman frekuens ang dapat daplkaskan pada data dskrt untuk menghaslkan keluaran dskrt (Asn 204). Dscrete Wavelet Transform (DWT) dkatakan sebaga Low Pass Flter (LPF) dan Hgh Pass Flter (HPF). Frekuens tngg dan rendah dpsahkan dar snal asl dengan menggunakan transformas dekomposs, Semakn rendah pendekatan snal frekuens maka semakn tngg snal frekuens ang dhaslkan (Ghule & Deshmukh n.d.). Low Pass Flter (LPF) maupun Hgh Pass Flter (HPF) merupakan salah satu fungs ang palng banak dgunakan pada pemrosesan snal. Perwuudan wavelet dapat berupa penskalaan ulang dengan teras. Resolus snal dukur dar umlah nformas snal dtentukan oleh operas flterng dan menggunakan skala operas upsamplng dan downsamplng (R & P 2009)(Al et al. 204). Perhtungan Dscrete Wavelet Transform (DWT) dapat dlakukan dengan menkonvolus koefsen LPF (h) dan HPF (g) ang dtunukan pada persamaan (5) dan (6) (Asn 204). a d ( ) k ( ) k n ( ) ( ) (0) h a ( a h )(2k) (5) n n2k n ( ) ( ) () g a ( a g )(2k) (6) n2k n Ekstraks cr merupakan tahapan terpentng dalam sstem pengenalan sarat tutur. Metode ekstras cr Dscrete Wavelet Transform (DWT) level 3 dgunakan untuk Gambar 2. Proses dekomposs wavelet level 3 Vektor cr ddapatkan dengan cara menghtung energ tap frekuens dan energ total menggunakan persamaan (7) dan (8). N 2 E X (k) (7) k I 2 E total E (8) Agar vektor cr memlk nla standar ang sama perlu dlakukan normalsas energ dengan cara membag setap total energ subband dengan total energ ang dgunakan menggunakan persamaan (9). E V energ (9) Etotal Setelah dlakukan normalsas energ maka dhaslkan delapan nla vektor cr ang selanutna akan dgunakan dalam proses pengenalan pola. MULTI LAYER PERCEPTRON (MLP) Sebuah Neural Networks terdr dar kumpulan satu set unt sensor ang merupakan nput, satu atau lebh lapsan tersembun (hdden laers) dan lapsan output. Snal nput menebar mau secara laps dem laps melalu lapsan tersembun dengan nla bobot ang selalu berubah, sehngga dsebut sebaga Mult Laer Perceptron (MLP). Arstektur MLP dapat dlhat pada gambar 2 (Haln 999). 42 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron

4 Gambar 2. Arstektur Mult Laer Perceptron Snal masukan pada error backpropagaton (EBP) arah mau drambatkan ke lapsan tersembun, lapsan tersembun 2, hngga ke lapsan keluaran. Nla keluaran pada setap lapsan dhtung menggunakan fungs aktvas. Sedangkan pada error backpropagaton (EBP) arah balk perambatan dmula dar lapsan keluaran ke lapsan tersembun 2, lapsan tersembun, hngga ke lapsan masukan sepert ang dtunukkan pada gambar 5. Pada lapsan nput terkandung nlanla kuanttatf ang memlk karakter unk dgunakan sebaga obek klasfkas pengenalan pola. Nla kuanttatf berasal dar nla masukan proses ekstras cr akan menghaslkan nla keluaran berupa fung sgmod bner sebagamana dtunukkan oleh gambar 3 dan persamaan (0). d Z Z w w 2 w n d net d d 2 d N ε ε 2 ε 3 Gambar 3. Fungs Sgmod bner a e dengan 0 < a < (0) net Mult Laer Perceptron (MLP) merupakan pembelaaran terbmbng ang menggunakan algortma error backpropagaton (EBP). Error back-propagaton (EBP) memungknkan penesuaan nla bobot tersembun dengan cara merambat balkkan error output. Proses pembelaaran EBP ada dua tahapan atu arah mau dan arah balk. Error back-propagaton (EBP) arah mau sebagamana dtunukkan pada gambar 4.. V Indeks =,2,,M w,k W 2,k W M, 0 + Y net Gambar 4. Error back-propagaton (EBP) arah mau Indeks =,2,,M Gambar 5. Error back-propagaton (EBP) arah balk Pada sambungan percabangan setap lapsan bobot dhtung dan dperbaru terus menerus tap eksemplar dan tap epoch. Satu eksemplar merupakan satu kal pelathan pada satu data dengan seumlah cr nput, dmana satu epoch adalah satu kal pelathan dengan melbatkan keseluruhan data. Untuk menghtung umlah nla nput pada tap suatu lapsan neuron ang dmsalkan dengan menggunakan persamaan (). M net () w Sedangkan nla output suatu lapsan neuron dhtung menggunakan persamaan (0), ang dapat dtulskan kembal dengan menggunakan persamaan (2). (2) e net Dmana persamaan (3) adalah nla turunan pertama dar persamaan (2). Proses n dlakukan pada keseluruhan lapsan error back propagaton arah mau. Indeks =,2,,M ( ) (3) Indeks =,2,,M Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,

5 Nla dan dsmpan untuk kemudan dlakukan perhtungan pada error back propagaton arah balk. Proses selanutna adalah menghtung nla bobot w ang dperbaharu tap percabangan dengan persamaan (4), (5), dan (6). M Δw η (t k )( k ( ) ) Δw w (4) baru M η (t ) (5) lama k w w (6) Dengan η adalah pesat belaar (learnng rate) dengan nla antara 0 sampa dengan dan t adalah target pelathan ang dadkan acuan dalam pembelaaran. Perhtungan error factor d pada error back propagaton arah balk suatu lapsan dgunakan persamaan (7) dan (8). d d (t ) (7) (8) Sedangkan untuk perhtungan neuron-neuron pada lapsan lanna menggunakan persamaan (9) dan (20). dalam proses penguan. Maka untuk mencapa keberhaslan pengenalan ndeks pengukuran dtentukan berdasarkan keakuratan, senstftas, spesftas, dan press. Keakuratan hasl klasfkas dapat dukur dengan cara membag antara umlah klasfkas ang benar sesua target dengan umlah klasfkas ang berbeda dengan target dar semua kelas menggunakan rumus ang dtunukkan oleh persamaan (22) (Carvalho et al. 204). TP TN acc x00% (23) TP TN FP FN Senstvtas merupakan sebuah ukuran kemampuan predks untuk memlh contoh kelas tertentu dar serangkaan data set dan bersesuaan dengan True Postve Rate (TPR) ang drumuskan pada persamaan (24). TPR TP x00% (24) TP FN Spesftas atau bsa dsebut dengan true negatve rate (TNR) berkatan dengan senstvtas, dmana spesftass merupakan sebuah ukuran ang basana dgunakan dalam permasalahan dua kelas ang dapat drumuskan oleh persamaan (25). d w d (9) M net TNR TN x00% (25) TN FP net d d (20) Persamaan (2) dgunakan untuk menghtung nla bobot ang terhubung ke neuron pada error back propagaton arah balk. w d (2) Dmana merupakan hasl perhtungan error back propagaton arah mau sebelumna. Kemudan nla drambatkan balk ke lapsan berkutna hngga sampa kelapsan nput dalam satu arangan MLP. Proses dlanutkan untuk eksemplar nput berkutna sampa selesa satu epoch. Jka nla error mash besar maka proses epoch dlanutkan hngga mendapatkan nla error ang sangat kecl. Proses pembelaaran menggunakan Mult Laer Perceptron (MLP) tdak sepenuhna sesua dengan target klasfkas Press dsebut uga sebga postve predctve value (PPV) ang merupakan konds dmana predks benar dhtung menggunakan persamaan (26). TP PPV x00% (26) TP FP Dmana TP (true postve) adalah umlah data postf target ang terklasfkas postf pada sstem, TN (true negatve) adalah umlah data negatve pada target ang terklasfkas pada sstem. FP (false postve) representas umlah data negatf pada target ang terklasfkas postf pada sstem dan FN (false negatf) merupakan umlah data postf pada target ang terklasfkas negatf pada sstem. Kesemua nla n terwuud dalam sebuah matrk confuson (Powers 2007) 44 Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron

6 HASIL DAN PEMBAHASAN Nla vektor cr dperoleh berdasarkan nla normalsas energ frekuens ang berada pada level 3 dengan 8 cr ang memlk panang 4000 sampel. Dmana tap memlk lebar ang sama sebesar 500 H. Hasl ekstras cr tap vokal dtunukkan pada tabel sampa tabel 5. Tabel Vektor cr vokal /a/ Frekuens Vektor cr (H) a a2... a ,248 0, , ,3256 0, , ,4275 0, , ,5696 0, , ,3249 0, , ,2702 0, , ,2667 0, , ,3485 0, ,3054 Frekuens (H) Tabel 2 Vektor cr vokal // Vektor cr ,2447 0,3... 0, ,2254 0, , ,2255 0, , ,939 0, , ,398 0, , ,6403 0, , ,2262 0, , ,2447 0,3... 0,0643 Frekuens (H) Tabel 3 Vektor cr vokal /u/ Vektor cr u u2... u ,24 0, , ,2070 0, , ,57 0, , ,4428 0, , ,3757 0, , ,4378 0, , ,2273 0, , ,238 0, ,3033 Frekuens (H) Tabel 4 Vektor cr vokal /e/ Vektor cr e e2... e ,0963 0, , ,0964 0, , ,430 0, , ,2242 0, , ,723 0, , ,3968 0, , ,6233 0, , ,4300 0, ,3966 Tabel 5 Vektor cr vokal /o/ Frekuens Vektor cr (H) e e2... e ,3242 0, , ,4070 0, , ,2998 0, , ,2854 0, , ,2644 0, , ,4377 0, , ,3984 0, , ,370 0, ,2283 Proses selanutna adalah menentukan data set berupa cr vokal bahasa Indonesa sebanak 500 data ang dperoleh dar 00 orang penutur untuk dlakukan tranngset sebaak 350 data dan 50 data sebaga testngset Hasl tranngset dan testngset dtunukkan dengan confuson matrx sepert pada tabel 6. Tabel 6 Confuson matrx pengenalan pola Predks Kelas Sebenarna A I U E O A I U E 4 9 O Data set tap vokal bahasa Indonesa pada tabel 7 dhtung berdasarkan nla pada tabel 6. Tabel 7 Data set vokal bahasa Indonesa Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,

7 Klasfkas Vokal TP FP FN TN /a/ // /u/ /e/ /o/ Dar data set tabel 7, dapat dlakukan perhtungan akuras, senstftas, spesftas, dan perss pengenalan pola berdasarkan rumus ang telah delaskan sebelumna. Hasl akuras (acc), senstftas (TPR), spesftas (TNR), dan perss (PPV) pengenalan pola dtunukkan pada gambar % 95.00% 90.00% 85.00% 80.00% 75.00% Gambar 6. Hasl akuras (acc), senstftas (TPR), spesftas (TNR), dan perss (PPV) pengenalan pola Berdasarkan tabel 8, maka dperoleh rata-rata akuras pengenalan sebesar 95,9%, rata-rata senstftas pengenalan sebasar 90,2%, rata-rata spesftas pengenalan sebesar 97,5%, dan rata-rata press pengenalan pola sebesar 89,8%. KESIMPULAN Dar hasl dan pembahasan dapat dsmpulkan bahwa proses pengenalan sarat tutur dpengaruh oleh nla cr ang dhaslkan. Semakn banak data ang memlk varas nla cr maka semakn tngg nla akuras ang ddapat. Selan berpengaruh terhadap akuras, nla cr ang bervaras uga berpengaruh dalam menentukan persentase senstftas, spesftas dan press suatu pengenalan. DAFTAR PUSTAKA /a/ // /u/ /e/ /o/ Bun Vokal ACC TPR TNR PPV Al, H. et al., 204. DWT features performance analss for automatc speech recognton of Urdu. SprngerPlus, 3, pp. 0. Asn, A., 204. Ekstraks Cr Dan Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Dscrete Wavelet Transform (DWT) dan Dnamc Tme Warpng (DTW). In Unverstas Gadah Mada. Carvalho, L.F. et al., 204. Dgtal sgnature of network segment for healthcare envronments support. Irbm, 35(6), pp Davd, S.K., 203. Penerapan Algortma Jarngan Saraf Truan Backpropagaton Untuk Pengenalan Pola Tanda Tagan. Jurnal Teknolog, 6 Nomor 2, pp Dr. Alek, P.D.H.A.H., 202. Lngustk Umum N. I. Sallama, ed., Jakarta: Erlangga. Gaafar, T.S., Abo Bakr, H.M. & Abdalla, M.I., 204. An mproved method for speech/speaker recognton. 204 Internatonal Conference on Informatcs, Electroncs and Vson, ICIEV 204, pp.2 6. Ghule, K.R. & Deshmukh, R.R., Feature Extracton Technques for Speech Recognton: A Revew. Internatonal Journal of Scentfc & Engneerng Research, 6(5), pp H, S., Hdaat, R. & Ad, T.B., 205. Sstem Pengenal Tutur Bahasa Indonesa Berbass Suku Kata Menggunakan MFCC, Sstem Pengenal Tutur Bahasa Indonesa Berbass Suku Kata. Conference on Informaton Technolog and Electrcal Engneerng, (September), pp Haln, S., 999. Neural Networks A Comprehensve Foundaton 2nd ed., New Jerse: Prentce Hall, Inc. Hdaatno, A. et al., Perambatan-Balk ( Backpropagaton )., pp Ivana, Pengenalan Ucapan Vokal Bahasa Indonesa Dengan Jarngan Sarag Truan Menggunakan Lnear Predctve Codng., pp. 0. Powers, D.M.W., Evaluaton : From Precson, Recall and F-Factor to ROC, Informedness, Markedness & Correlaton. J. Mach. Learn. Technol, 2, pp R, V.K. V & P, B.A., Features of Wavelet Packet Decomposton and Dscrete Wavelet Transform for Malaalam Speech Recognton. Aceee, (2), pp Sakoe, H. & Chba, S., 978. Dnamc Programmng Algorthm Optmaton for Spoken Word Recognton. In IEEE Transactons on Acoustc Speech and Sgnal Processng. pp Rsk Va Yulantar, Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perseptron

8 Sutsna, U., 203. Pengenalan Tutur Kata Tersolas Menggunakan MFCC dan ANFIS., p.36. Wu, X., Tan, F. & Lu, J., An mproved speech feature extracton algorthm usng DWT. ICALIP Internatonal Conference on Audo, Language and Image Processng, Proceedngs, pp Yendra, 206. Mengenal Ilmu Bahasa (Lngustk) st ed., Yogakarta. Jurnal Teknolog, Volume 9 Nomor 2, Desember 296,