Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata

Transkripsi

1 Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata Yoanes TDS, Tiang, Suntono Candra Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Abstrak Makala ini menelaskan tentang aplikasi sistem ybrid antara neural network dan fuzzy logic yang dinamakan sistem neuro-fuzzy. Dalam penelitian ini, sistem ybrid neuro-fuzzy diaplikasikan untuk pengenalan kata yaitu kata nol, satu, dua, tiga, empat. Struktur aringan dari sistem neuro-fuzzy yang digunakan terdiri atas satu input layer, empat idden layer dan satu output layer. Sistem ini tela diui dengan membandingkan struktur neuro-fuzzy dengan neural network. Hasil yang dicapai memperliatkan bawa sistem neuro-fuzzy memberikan asil yang lebi baik dibandingkan dengan sistem neural network. Waktu pembelaaran sistem neuro-fuzzy lebi cepat dibandingkan dengan neural network. Untuk 270 sampel suara, sistem neuro-fuzzy menyelesaikannya dengan iterasi sedangkan neural network membutukan iterasi. Nilai persentase kebenaran tertinggi dari sistem Neuro-fuzzy mencapai 96,36 % sedangkan sistem neural network saa mencapai 62,86 %. Kata kunci : neural network, neuro-fuzzy, pengenalan kata. Abstract Tis paper describes implementation of neuro-fuzzy system, a ybrid system between neural network and fuzzy logic. In tis researc, neuro-fuzzy system is implemented for speec recognition. Te words tat would be recognized are nol, satu, dua, tiga, and empat. Te neuro-fuzzy system ad one input layer, four idden layers, and one output layer. Te experiment was done by compare neuro-fuzzy system wit neural network system. Te results sowed tat neuro-fuzzy system give better result tan neural network system. Learning time for neuro-fuzzy system was faster tan neural network system. Neuro-fuzzy needed 160,000 iterations for learning 270 sound samples. On te contrary, neural network needed 500,000 iterations for learning 270 sound samples. Neuro-fuzzy system could recognize up to 96,36 %. Neural network system could recognize only 62,86 %. Keywords : neural network, neuro-fuzzy, speec recognition. Pendauluan Sistem neural network tela banyak diaplikasikan untuk proses pengenalan suara atau pengenalan kata. Tetapi dalam beberapa kasus, neural network belum dapat memberikan asil yang baik. Karena itu dalam makala ini akan dielaskan asil penelitian yang tela dilakukan tentang pengembangan sistem neural network menadi sistem ybrid dengan fuzzy logic. Sistem ini dinamakan sistem neuro-fuzzy. Arsitektur dasar dari sistem ini adala neural network tetapi data yang diola suda berupa data dalam bentuk variabel fuzzy. Ini yang membedakan antara arsitektur neuro-fuzzy dengan arsitektur neural network biasa. Dengan sistem ybrid ini, diarapkan sistem dapat memberikan asil yang lebi baik. Pembaasan makala ini dimulai dengan motivasi, mengapa penelitian ini dilakukan kemudian dilanutkan dengan penelasan disain sistem neuro-fuzzy dan asil penguian yang tela dilakukan serta ditutup dengan kesimpulan yang dapat diambil dari penelitian ini. Deskripsi Sistem Secara umum sistem yang tela didisain terdiri atas 2 bagian utama. Bagian pertama adala bagian pemrosesan awal dan bagian kedua adala sistem neuro-fuzzy itu sendiri. Hasil dari bagian pemrosesan awal akan menadi input bagi sistem neuro-fuzzy. Blok diagram sistem secara keseluruan dapat diliat pada Gambar 1. Catatan: Diskusi untuk makala ini diterima sebelum tanggal 1 November Diskusi yang layak muat akan diterbitkan pada Jurnal Teknik Elektro volume 3, nomor 1, Maret Gambar 1. Blok Diagram Sistem 73

2 Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: Pengambilan sampel suara dilakukan dengan beberapa batasan berikut: Pengambilan sampel suara dilakukan dalam rentang waktu 1 detik. Frekuensi sampling yang digunakan adala Hz dengan resolusi 8 bit seingga dalam 1 detik ada data sampling. Sistem Pemrosesan Awal Bagian pemrosesan awal terdiri atas dua proses utama yaitu Fast Fourier Transform (FFT) dan segmentasi. Blok diagram pemrosesan awal dapat diliat pada gambar 2. Setiap segmen mempunyai lebar rentang frekuensi sebesar 431,25 Hz yang didapat dari pembagian lebar frekuensi suara manusia 150 Hz sampai 3600 Hz dengan 8. Satu blok segmen frekuensi akan diwakili ole satu nilai magnitude frekuensi dan nilai ini didapatkan dengan mengitung rata-rata magnitude dari semua frekuensi yang ada dalam segmen tersebut. Nilai rata-rata inila yang akan menadi input dari arsitektur neuro-fuzzy. Arsitektur Neuro-Fuzzy Blok diagram dari sistem neuro-fuzzy dapat diliat pada gambar 3. Gambar 2. Blok Diagram Pemrosesan Awal Sampel suara yang didapatkan dari proses sampling suara merupakan sinyal suara manusia dalam domain waktu. Pada bagian ini, sinyal suara tersebut akan diuba ke dalam domain frekuensi dengan menggunakan Fast Fourier Transform (FFT) seingga akan didapatkan sinyal suara yang terpetakan dalam spektrum frekuensi. Dari data sampling dalam satu sampel suara, anya 8192 data yang digunakan sebagai input dari FFT. Output dari FFT ditransformasikan ke dalam rentang frekuensi suara manusia antara 150 Hz sampai dengan 3600 Hz. Magnitude dari frekuensi dalam kisaran frekuensi tersebut diitung dengan menggunakan persamaan berikut [1]: F = E (1) 8192 ( f ) DataRe( E) 2 DataIm( E) 2 M = + (2) dimana E adala point output dari FFT, F adala frekuensi, M(f) adala magnitude pada suatu frekuensi, DataRe adala output real FFT pada point ke E dan DataIm adala output imainer FFT pada point ke E. Nilai magnitude M(f) akan dinormalisasikan dalam rentang nilai antara 0 sampai 1. Setela data sampel suara diuba ke domain frekuensi, data sampel suara akan disegmentasi dalam 8 segmen melalui proses segmentasi. Gambar 3. Blok Diagram Sistem Neuro-Fuzzy Arsitektur neuro-fuzzy yang tela didisain dapat diliat pada gambar 4. Beberapa spesifikasi dari arsitektur neuro-fuzzy yang tela dibuat adala sebagai berikut: 32 neuron dalam input layer 1 neuron dalam output layer 4 bua idden layer dengan maksimal 63 neuron dalam satu idden layer Metode training yang digunakan adala Back Propagation Network Besar error limit yang digunakan antara 0 sampai 1 Besar learning rate antara 0,1 0,4 dan besar momentum term antara 0,6 0,9 Weigt (bobot) diinisialisasikan secara acak antara 0,5 sampai 0,5 Hasil pemrosesan awal berupa data sampel suara yang tela disegmentasi dalam 8 segmen, akan menadi input dari sistem neuro-fuzzy. Karena itu dalam sistem ini ada 8 input x p = {x p1, x p2,..., x p8 }. Taap pertama dari sistem neuro-fuzzy adala proses fuzzyfikasi. Pada proses ini, nilai crisp dari setiap input data segmentasi sampel suara diuba menadi variabel fuzzy dan nilai gradenya. Karena dalam input membersip function anya teradi overlap antar 2 label (fuzzy set) saa, maka setiap input data segmentasi sampel suara akan mengasilkan output fuzzyfikasi sebanyak 4 data yaitu 2 data variabel fuzzy dan 2 data nilai gradenya. 74

3 Gambar 4. Arsitektur Neuro-Fuzzy Karena sistem ini memiliki 8 input yang diambil dari asil segmentasi data sebanyak 8 segmen, maka output proses fuzzyfikasi akan mengasilkan 32 data x d = {x d0, x d1,..., x d31 }. Ole karena itu pada input layer dari sistem neural network terdapat 32 neuron. Selanutnya mengitung nilai net-input pada masing-masing node pada idden layer dengan menggunakan persamaan berikut: net i = N = 1 ( w. x ) (3) i i Output dari masing-masing node pada idden layer dapat diitung dengan persamaan berikut: o = f ( net ) (4) Nilai pada node output layer diitung dengan menggunakan persamaan berikut: net o kk = L = 1 ( w. o ) (5) o k k Output dari sistem neural network diperole dengan menggunakan persamaan berikut: O = o o k f k (netk ) (6) Karena output dari sistem neural network anya ada satu nilai maka proses defuzzyfikasi dilakukan dengan sederana yaitu mencari membersip function yang terdekat. Bentuk input membersip function yang digunakan dalam sistem ini dapat diliat pada gambar 5. Gambar 5. Input Membersip Function Nol Satu Dua Tiga Empat Gambar 6. Output Membersip Function Input membersip function mempunyai 5 label atau variabel yaitu very low, low, medium, ig dan very ig. Nilai variabel very low adala 0,1, nilai variabel low adala 0,3, nilai variabel medium adala 0,5, nilai variabel ig adala 0,7 dan nilai variabel very ig adala 0,9. Output membersip function berbentuk singleton dan mempunyai 5 variabel yang mewakili 5 bua 75

4 Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: kata yang akan dikenali. Gambar 6 menunukkan bentuk membersip function yang digunakan. Hasil Penguian Penguian sistem neuro-fuzzy untuk pengenalan kata tela dilakukan dengan variasi parameter learning rate, variasi parameter momentum dan variasi umla idden layer. Penguian yang sama uga dilakukan pada neural network tanpa fuzzy agar diperole perbandingan antara sistem neuro-fuzzy dengan sistem neural network tanpa fuzzy. 1. Penguian Sistem Neural Network Tanpa Fuzzy Tabel 1. Penguian Sistem Neural Network Tanpa Fuzzy Gambar 7. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neural Network tanpafuzzy Dari gambar terliat bawa semakin banyak sampel suara, semakin tinggi tingkat kebenaran pengenalan. Tingkat kebenaran tertinggi yang dicapai adala 62.86% 2. Penguian Sistem Neuro-Fuzzy Tabel 2. Hasil Penguian Sistem Neuro-Fuzzy Tabel 3. Hasil Penguian Sistem Neuro-Fuzzy (lanutan) * Proses training belum dapat mengenali sampel suara Tabel 1 menunukkan asil penguian untuk sistem neural network tanpa fuzzy. Dari asil penguian terliat bawa secara umum learning rate yang kecil mengasilkan peralanan error yang lebi stabil tetapi dalam proses pengenalan membutukan waktu yang lebi lama, berbeda dengan learning rate yang lebi besar membutukan waktu yang lebi cepat dalam proses pengenalan. Berikut adala grafik tingkat kebenaran pengenalan kata ole sistem neural network tanpa fuzzy. Dari asil penguian terliat bawa sistem neurofuzzy memberikan asil yang lebi baik ika dibandingkan dengan sistem neural network tanpa fuzzy. Waktu yang diperlukan untuk pengenalan lebi cepat dibandingkan dengan sistem neural network. Berikut adala grafik tingkat kebenaran pengenalan kata ole sistem neuro-fuzzy. 76

5 Daftar Pustaka Gambar 8. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neuro-Fuzzy Gambar 9. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neuro-Fuzzy (lanutan) Dari grafik terliat bawa tingkat kebenaran tertinggi yang dapat dicapai adala 96,36%, lebi tinggi bila dibandingkan dengan sistem neural network tanpa fuzzy. [1]. Emmanuel C. Ifeacor, Digital Signal Processing, A Practical Approac, Addison Wesley, [2]. Krissusanto, Deddy, Pengendalian Kecepatan Putaran Motor Universal (70W, 100 Vdc / 125 Vac, 0.7 A) Via Suara Manusia Berbasis Jaringan Saraf Tiruan Dengan Pemroses Awal Fast Fourier Transform, Universitas Kristen Petra, Surabaya, [3]. Wiaya, Udi, Pengendalian Peralatan Listrik Pada Ruangan Melalui Perinta Suara Manusia Berbasis Jaringan Saraf Tiruan, Universitas Kristen Petra, Surabaya, [4]. Gunawan, Perencanaan Dan Pembuatan Pengendali Kecepatan Motor Universal (70W, 100 Vdc / 125 Vac, 0.7 A) Melalui Perinta Suara Manusia Berbasis Jaringan Saraf Tiruan, Universitas Kristen Petra, Surabaya, [5]. Nelson Morgan and Herve Bourlard, Continous Speec Recognition, IEEE magazine, May 1995, page [6]. Hong Ding dan Madan M. Gupta, Learning Fuzzy Set Neural Network By Genetic Algoritms, Journal of Intelligent and Fuzzy System, Vol. 5, 1997 [7]. B.L Teraa, A Text Book of Tecnology, New Deli: Nira Construction and development Co, [8]. Anil K. Jain, Artificial Neural Networks: A Tutorial, Computer Magazine, Vol. 29, No. 3, [9]. Edgar Sancez-Sinencio. Artificial Neural Networks, New York: IEEE Press, Kesimpulan Sistem neural network tanpa fuzzy dapat digunakan untuk pengenalan kata, tetapi membutukan waktu yang lama untuk proses learning dan pengenalan. Modifikasi sistem menadi sistem ybrid neural network dan fuzzy yang dikenal dengan nama Neuro-Fuzzy, memberikan asil yang lebi baik. Ada peningkatan kecepatan dalam proses learning dan pengenalan. 77