PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA
|
|
- Leony Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri ialah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2013 Wido aryo Andhika NIM G
4 ABSTRAK WIDO ARYO ANDHIKA. Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri. Dibimbing oleh AGUS BUONO. Berbagai metode ekstraksi ciri dan metode klasifikasi telah banyak dikembangkan oleh para peneliti saat ini. Penerapan metode ekstraksi ciri MFCC dan metode klasifikasi SVM akan digunakan pada penelitian ini untuk mengidentifikasi chord pada alat musik gitar. Langkah pertama ialah mengekstraksi ciri dari chord yang sudah direkam. Data chord yang digunakan sebanyak 24 chord, dengan komposisi 75% untuk data latih dan 25% untuk data uji. Penelitian ini menggunakan SVM dengan tiga tipe kernel ialah linear, polinomial, dan RBF. Setiap kernel mempunyai parameter-parameter yang berbeda. Parameter yang digunakan ialah parameter terbaik yang dihasilkan dari proses cross-validation. Hasil akhir menunjukkan bahwa kernel RBF dan polinomial mempunyai akurasi tertinggi yang sama yaitu 93.33%. Kata kunci: chord, MFCC, support vector machine ABSTRACT WIDO ARYO ANDHIKA. Support Vector Machine Modeling for Identification of Guitar Chord using MFCC as Feature Extraction. Supervised by AGUS BUONO. Various methods of feature extraction and classification methods have been developed by researchers. Application of MFCC feature extraction methods and SVM classification methods will be used in this research to identify the chord on the guitar instrument. The first step is extracting the characteristics of recorded chords. As many as 24 chords were used, with a composition of 75% for training data and 25% for the test data. This research uses SVM with three kernel types: linear, polynomial, and RBF. Each kernel has different parameters. The parameters used are the best parameter resulted from the cross-validation process. The final result showed that the RBF kernel and polynomial has the same highest accuracy of 93.33%. Keywords: chord, MFCC, support vector machine
5 PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
6
7 Judul Skripsi : Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri Nama : Wido Aryo Andhika NIM : G Disetujui oleh Dr Ir Agus Buono, MSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus:
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juni 2011 ini ialah pengenalan suara, dengan judul Pemodelan SVM untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri. Penyelesaian penelitian ini tidak luput dari dukungan dan bantuan berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih sebesar-besarnya kepada: 1 Kedua orang tua tercinta Ayahanda M. Djamil dan Ibunda Tien Supriatin, adik penulis yang bernama Restu Bayu Dwi Putri, dan Ramadhan Tri Gumilar dan segenap keluarga besar penulis atas do a, dukungan dan semangat yang tidak pernah berhenti diberikan selama ini sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB. 2 Bapak Dr. Ir. Agus Buono M.Si M.Kom selaku dosen pembimbing. Bapak Mushthofa S.Kom,. M.Sc. dan Ibu Karlisa Priandana S.T., M.Eng. selaku dosen penguji, atas waktu, ilmu, saran, nasihat, dan masukan yang diberikan. 3 Teman-teman penulis di Departemen Ilmu Komputer khususnya Putri Dewi Purnama Sari, Abdul Halim, Nanda Ichsan P, Ahmad Bagus D, Alif Kurniawan, Retno Larasati, Isnan Mulia, Alfa Nugraha P, Rizki Utama P Chandra Wangsa, Umbara Paskindra N, Yayan Fitriyan, Hadi Septian Guna Putra, serta teman-teman lain yang tidak dapat penulis sebutkan satu per satu atas bantuan, motivasi, serta semangat kepada penulis. 4 Departemen Ilmu Komputer, Bapak/Ibu Dosen dan Tenaga Kependidikan yang telah begitu banyak membantu baik selama pelaksanaan penelitian ini maupun sebelumnya. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu per satu, penulis ucapkan terima kasih banyak. Segala kesempurnaan hanya milik Allah Subhanahu wata ala. Semoga hasil penelitian ini dapat bermanfaat, Amin. Bogor, April 2013 Wido Aryo Andhika
9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 TINJAUAN PUSTAKA 2 Nada dan Chord 2 Sinyal Analog dan Sinyal Digital 4 Ekstraksi Ciri MFCC 5 Support Vector Machine (SVM) 8 METODE 10 Pengambilan Data 10 Preprocessing 10 Pemodelan SVM (Support Vector Machine) 10 Pengujian Support Vector Machine 11 Lingkungan Pengembangan 11 HASIL DAN PEMBAHASAN 12 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 15 DAFTAR PUSTAKA 16 LAMPIRAN 18 RIWAYAT HIDUP 21
10 DAFTAR TABEL 1 Jenis window 6 2 Daftar chord 11 3 Tingkat akurasi dari ketiga model 14 DAFTAR GAMBAR 1 Notasi not pada fret gitar 3 2 Diagram nada penyusun chord 3 3 Konversi sinyal analog menjadi sinyal digital 4 4 Alur proses MFCC 5 5 Frame blocking 5 6 Windowing 6 7 Perubahan dari FFT ke cepstrum 7 8 Kasus data linear 8 9 Transformasi dari vektor input ke feature space 9 10 Tahapan metode Hasil penggabungan dari 40 vektor Kumpulan vektor ciri data Grafik tingkat akurasi 14 DAFTAR LAMPIRAN 1 Matriks konfusi kernel linear 18 2 Matriks konfusi kernel polinomial 19 3 Matriks konfusi kernel RBF 20
11 PENDAHULUAN Latar Belakang Dalam ilmu pengetahuan dan teknologi khususnya bidang komunikasi, pengolahan sinyal memegang peranan yang penting. Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan teknologi komunikasi berkembang dengan pesat. Salah satunya ialah pengenalan suara. Dalam pengenalan suara, tahapan yang harus dilalui ialah pemrosesan suara. Pemrosesan sinyal suara melibatkan 2 jenis sinyal, yaitu sinyal analog dan digital. Suara manusia sendiri merupakan sinyal analog yang bersifat kontinu, sedangkan pemrosesan sinyal dalam komputer harus bersifat digital yang sifatnya diskrit (Gossink dan Cook 1997). Oleh karena itu, pemrosesan sinyal analog menjadi sinyal digital harus dilakukukan supaya komputer dapat memproses sinyal tersebut. Proses konversi dari sinyal analog menjadi sinyal digital disebut dengan Analog to Digital Converter (ADC). Sinyal analog harus diubah menjadi sinyal digital yang disebut proses digitalisasi. Proses digitalisasi terdiri atas dua tahap, yaitu sampling dan kuantisasi (Jurafsky dan Martin 2000). Chord merupakan rangkaian nada yang membangun keharmonisasian pada musik (Hendro 2004). Harmonis atau tidaknya suatu musik yang didengarkan, tergantung pada rangkaian chord yang menyusunnya. Oleh karena itu, analisis keseluruhan struktur harmonik pada suatu musik selalu diawali dengan mengenali setiap chord yang menyusun musik tersebut. Untuk alasan inilah pengenalan chord telah banyak dikembangkan. Aplikasi pengenal suara pengenalan chord yang sudah dikembangkan antara lain guitar tuner, mendeteksi chord pada lagu, dan sebagainya. Pengenalan chord telah berhasil menarik banyak perhatian di dunia Music Information Retrieval (MIR). Wisnudisastra (2009) melakukan pengenalan chord pada alat musik gitar dengan menggunakan codebook dengan teknik ekstraksi ciri Mel Frequency Cepstrum Coefficients (MFCC). Akurasi yang didapatkan dari penelitian tersebut lebih dari 90%. Artinya, metode yang digunakan cukup baik. Beberapa model ekstraksi ciri telah banyak dikembangkan, namun yang biasa digunakan ialah MFCC karena MFCC mengakomodasi tingkat kritis telinga manusia terhadap frekuensi suara yang didengar. Dalam hal ini dilakukan filter linear pada frekuensi rendah dan filter logaritmik pada frekuensi tinggi (Ganchev 2005). Penelitian lainnya yang dilakukan oleh Tomasouw (2012) yang berjudul Multiclass Twin Bounded Support Vector Machine untuk Pengenalan Ucapan. Penelitian ini menjelaskan metode one-against-all, metode one-against-one (pairwise), metode decision directed acyclic graph, dan sebagainya untuk kasus Support Vector Machine yang memiliki banyak kelas (multiclass). Klasifikasi merupakan teknologi yang penting didalam cabang ilmu Artificial Intelligence, metode yang umum ialah Neural Network, Fuzzy, KNN, dan sebagainya. Salah satu metode yang berkembang pesat saat ini ialah Support Vector Machines (SVM) yang akan dipakai pada perancangan aplikasi ini. Pemanfaatan Library Support Vector Machine (LibSVM) dirancang akan membantu penyelesaian masalah multiclass SVM karena penggunaannya mengefisiensikan klasifikasi
12 2 banyak kelas. Dewasa ini SVM telah berhasil diaplikasikan dalam problem dunia nyata (real-world problems) khususnya secara multikelas, dan secara umum memberikan solusi yang lebih baik dibandingkan dengan metode klasifikasi lainnya (Chang dan Lin 2011). Oleh karena itu, penulis melakukan penelitian menggunakan MFCC sebagai ekstraksi ciri dan SVM sebagai metode klasifikasi. Tujuan Penelitian Tujuan dari penelitian ini ialah menerapkan model SVM untuk identifikasi chord dengan metode MFCC sebagai Ekstraksi ciri. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi mengenai akurasi penggunaan metode SVM dalam pengenalan chord pada alat musik gitar. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini ialah: 1 Chord yang digunakan hanya 24 chord yang terdiri atas minor dan mayor standar. 2 Chord yang dikenali hanya chord yang dibunyikan dari atas ke bawah sebanyak satu kali. 3 Chord yang dikenali hanya chord yang berasal dari suara gitar yang telah dilatih sebelumnya dengan spesifikasi gitar akustik, jumlah fret 20, dan jenis senar string. TINJAUAN PUSTAKA Nada dan Chord Nada merupakan suatu simbol atau bunyi yang menjadi dasar dalam susunan musik. Masing-masing dari nada tersebut memiliki frekuensi yang berbeda. Jarak antara dua nada disebut dengan interval. Interval dari deretan nada C-D-E-F-G-A-B-C ialah 1-1-1/ /2. Nada-nada tersebut dapat dinaikkan maupun diturunkan sebanyak ½ nada. Nada yang dinaikkan ½ nada biasa diberi simbol #, sedangkan nada yang diturunkan ½ nada biasa diberi simbol b. Misalnya nada C dinaikkan ½ nada menjadi C#. Nada C# atau bisa disebut cis ini sama dengan nada Db. Untuk nada E bila dinaikkan ½ nada akan menjadi nada E# atau sama dengan nada F, karena jarak interval dari kedua nada ini ialah ½. Begitu pula pada nada B ke C.
13 Chord merupakan satuan nada-nada yang dibunyikan secara serentak yang berfungsi sebagai pengiring dalam lagu maupun permainan music (Hendro 2004). Chord biasanya terdiri atas tiga nada. Hal ini disebut sebagai triad. Misalnya chord C terdiri atas nada C-E-G. Chord tersebut direpresentasikan dengan huruf yaitu C, D, E, F, G, A, B. Terdapat pula chord C# = Db, D# = Eb, E# = F, F# = Gb, A# = Bb, B# = C. Illustrasi nada-nada yang ada pada gitar dapat dilihat pada Gambar 1. Terdapat berbagai jenis chord berdasarkan nada yang menyusunnya diantaranya ialah chord major, minor, augmented, diminished, dan sebagainya. Oleh karena itu, chord pada gitar juga dapat dibentuk dengan berbagai posisi. Misalnya chord C dapat dibentuk pada 3 posisi yag berbeda, yaitu pada fret I, III, dan VIII. Struktur penyusun chords dapat dilihat pada Gambar 2. 3 Gambar 1 Notasi not pada fret gitar Gambar 2 Diagram nada penyusun chord (
14 4 Sinyal Analog dan Sinyal Digital Sinyal didefinisikan sebagai suatu besaran fisis yang merupakan fungsi waktu, ruangan, atau beberapa variabel. Sinyal ialah kuantitas fisik yang bervariasi dengan waktu, ruang, maupun sembarang satu atau lebih peubah bebas lainnya. Sinyal analog bekerja dengan mentransmisikan suara dan gambar dalam bentuk gelombang kontinu (continous varying). Dua parameter/karakteristik terpenting yang dimiliki oleh isyarat analog ialah amplitudo dan frekuensi. Isyarat analog biasanya dinyatakan dengan gelombang sinus. Sinyal ini mudah terpengaruh oleh noise. Gelombang pada sinyal analog yang umumnya berbentuk gelombang sinus memiliki tiga variabel dasar ialah amplitudo, frekuensi, dan fase. Sinyal digital merupakan hasil teknologi yang dapat mengubah sinyal menjadi kombinasi urutan bilangan 0 dan 1 sehingga tidak mudah terpengaruh oleh derau, proses informasinya pun mudah, cepat, dan akurat. Biasanya sinyal ini dikenal dengan sinyal diskret. Sinyal suara merupakan suatu sinyal waktu kontinu atau sinyal analog, sedangkan komputer hanya dapat memproses sinyal waktu diskret atau digital. Oleh karena itu untuk dapat memroses suatu sinyal suara, sinyal tersebut harus dikonversi menjadi sinyal digital terlebih dahulu. Proses konversi ini disebut Analog to Digital Converter. Proses konversi ini terbagi menjadi tiga tahap yaitu: 1 Sampling merupakan proses untuk mengambil sample atau data sinyal kontinu pada periode tertentu, sehingga diperoleh sinyal waktu diskret. Banyaknya sample yang diambil tiap detiknya disebut sampling rate. Input suara biasanya direkam dalam sampling rate di atas Hz (Do 1994). 2 Kuantisasi merupakan suatu proses memetakan nilai-nilai dari sinyal nilai kontinyu pada suatu selang tertentu menjadi nilai-nilai yang diskret sehingga didapatkan sinyal nilai diskret atau sinyal digital. 3 Coding merupakan pemberian bilangan biner pada setiap level kuantisasi. Proses konversi tersebut dapat dilihat pada Gambar 3. Gambar 3 Konversi sinyal analog menjadi sinyal digital (Gossink dan Cook 1997)
15 5 Ekstraksi Ciri MFCC Ekstraksi ciri merupakan proses mengekstraksi sejumlah data dari sinyal suara yang nantinya akan digunakan untuk merepresentasikan setiap sinyal tersebut (Do 1994). Tujuannya untuk menentukan satu nilai atau vektor yang dapat digunakan sebagai penciri obyek atau individu. MFCC merupakan teknik yang umumnya dipakai dan memiliki kinerja yang baik. Cara kerja MFCC didasarkan atas cara pendengaran manusia. Proses MFCC dapat dilihat pada Gambar 4. Penjelasan dari masing-masing tahapan ialah: 1 Frame Blocking Pada tahapan ini sinyal suara yang dibaca kemudian dibagi ke dalam bentuk frame. Setiap frame memilki N sampel yang direpresentasikan dalam bentuk vektor. Setiap frame yang bersebelahan saling tumpang tindih atau overlap. Hal ini ditujukan agar tidak ada informasi yang hilang. Proses Frame Blocking dapat dilihat pada Gambar 5. Gambar 4 Alur proses MFCC (Buono 2009) Gambar 5 Frame blocking (Satrya 2011)
16 6 2 Windowing Setiap frame dari sinyal suara mengandung satu unit informasi. Oleh karena itu, distorsi antar frame tersebut harus diminimalkan dengan teknik windowing. Proses windowing dilakukan pada setiap frame untuk meminimalkan diskontinuitas sinyal pada awal dan akhir tiap frame. Beberapa jenis window yang digunakan dapat dilihat pada Tabel 1 (Ramirez 1984). Proses windowing dapat dilihat pada Gambar 6. Penelitian ini menggunakan window Hamming. Karena pertimbangan kesederhanaan formula dan nilai kinerja window, penggunaan window Hamming cukup beralasan. Persamaan matematika untuk pembentukan window Hamming dapat dilihat pada persamaan: 2 n w( n) cos, 0 n N 1 N 1 dan Y i (n) = X i (n).w(n) X i (n) adalah frame dan Y i (n) adalah hasil perkalian dari X i (n) dan hasil window w(n). Tabel 1 Jenis window Nama Window Daniell w n )= Persamaan Matematika sin πn, n 1 πn 0, lainnya Hamming w n = Parzen w n = Priestly w n = Sasaki w n = cos (πn), n 1 0, lainnya 1-6n n 3, n 0.5 2(1 - n ) 2, 0.5 n 1 0, lainnya 3 sin(πn) (πn) 2 cos (πn), n 1 πn 0, lainnya 1 π sin(πn) n cos (πn), n 1 0, lainnya Gambar 6 Windowing (Satrya 2011)
17 3 Fast Fourier Transform (FFT) Analisis Fourier merupakan suatu teknik matematika untuk mendekomposisi sinyal menjadi sinyal-sinyal sinusoidal. Analisis Fourier terdiri atas dua versi, yaitu versi real dan versi imajiner. Perbedaan sinyal harus dilihat dari domain frekuensi, karena jika dilihat dari domain waktu, perbedaannya sulit terlihat. Untuk itu, sinyal suara yang berada pada domain waktu diubah ke domain frekuensi dengan Fast Fourier Transform (FFT). FFT merupakan suatu algoritme untuk mengimplementasikan Discrete Fourier Transform (DFT) (Do 1994). Persamaan matematika untuk pembentukan FFT dapat dilihat pada persamaan: Dengan n = 0, 1, 2,, N-1. n ialah frame. 4 Mel-frequecy Wrapping Studi menunjukkan bahwa persepsi manusia terhadap frekuensi sinyal suara tidak berupa skala linear. Oleh karena itu, untuk setiap nada dengan frekuensi aktual f (dalam Hertz), tinggi subjektifnya diukur dengan skala mel (melody). Skala mel-frequency ialah selang frekuensi di bawah 1000 Hz dan selang logaritmik untuk frekuensi di atas 1000 Hz (Do 1994). Pendekatan berikut digunakan dalam menghitung mel-frequency untuk frekuensi f dalam Hz: mel(f) = 2595*log 10 (1 + f / 700). Mel adalah mel- frequency dan f adalah frekuensi linear. 5 Cepstrum Pada tahap ini, mel-frequency akan dikonversi ke dalam domain waktu untuk menghasilkan mel-frequency cepstrum coefficient (MFCC). Representasi cepstral dari spectrum suara menyediakan representasi yang baik dari properti local spectral pada sinyal untuk analisis frame karena nilai koefisien mel spectrum adalah nilai real yang dapat dikonversi lagi ke dalam domain waktu dengan menggunakan Discrete Cosine Transform (DCT). Proses tersebut dapat dilihat pada Gambar 7. Selanjutnya MFCC dapat dihitung sebagai c n dengan [ ] K ialah banyaknya koefisien cepstral, k = 0,1,., K-1 dan n = 0,1,., K-1. 7 Gambar 7 Perubahan dari FFT ke cepstrum (Satrya 2011)
18 8 Support Vector Machine (SVM) Support Vector Machine (SVM) ialah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linear dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritme pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik (Cristianini dan Taylor 2000). SVM ialah salah satu teknik yang relatif baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang lebih baik di berbagai bidang aplikasi seperti bioinformatics, pengenalan tulisan tangan, klasifikasi teks dan lain sebagainya (Cristianini dan Taylor 2000). Teori yang mendasari SVM sendiri sudah berkembang sejak 1960-an, tetapi baru diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992 dan sejak itu SVM berkembang dengan pesat. SVM pada Linearly Separable Data Linearly separable data merupakan data yang dapat dipisahkan secara linear. Misalkan{x i,..., x n }ialah data set dan y i {+1, 1} ialah label kelas dari data x i. Pada Gambar 8 dapat dilihat berbagai alternatif bidang pemisah yang dapat memisahkan semua data set sesuai dengan kelasnya. Namun, bidang pemisah terbaik tidak hanya dapat memisahkan data tetapi juga memiliki margin paling besar. SVM pada Nonlinearly Separable Data Klasifikasi data yang tidak dapat dipisahkan secara linear formula SVM harus dimodifikasi karena tidak akan ada solusi yang ditemukan. Oleh karena itu, kedua bidang pembatas harus diubah sehingga lebih fleksibel (untuk kondisi tertentu) dengan penambahan variabel ξ i (ξ i 0, i : ξ i = 0 jika x i diklasifikasikan dengan benar) menjadi x i.w + b 1 - ξi untuk kelas 1 dan x i.w + b 1 + ξ i untuk kelas 2. Pencarian bidang pemisah terbaik dengan dengan penambahan variabel ξ i sering juga disebut soft margin hyperplane. Dengan demikian formula pencarian bidang pemisah terbaik berubah menjadi: ( ) C adalah parameter yang menentukan besar penalti akibat kesalahan dalam Gambar 8 Kasus data linear (Sembiring 2007)
19 klasifikasi data dan nilainya ditentukan oleh pengguna. Metode lain untuk mengklasifikasikan data yang tidak dapat dipisahkan secara linear ialah dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space) sehingga margin dapat dipisahkan secara linear pada feature space. Data dipetakan dengan menggunakan fungsi pemetaan (transformasi) x k φ (x k ) ke dalam feature space sehingga terdapat bidang pemisah yang dapat memisahkan data sesuai dengan kelasnya (Gambar 9). Feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Hal ini mengakibatkan komputasi pada feature space mungkin sangat besar, karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga. Selain itu, sulit mengetahui fungsi transformasi yang tepat. Untuk mengatasi masalah ini, pada SVM digunakan kernel trick. Fungsi kernel yang umum digunakan ialah sebagai berikut (Hsu et al. 2003): a Linear kernel: K(x i, x) = x T, x b Polinomial kernel: K(x i, x) = (γ.x i T x i + r) p, γ > 0 c Radial Basis Function (RBF) kernel : K(x i, x) = exp(-γ x i x 2 ), γ > 0 d Sigmoid kernel : K(x i, x) = tanh(γx i T x i + r) Dengan solusi persamaan: L adalah jumlah vektor, α adalah Lagrange multiplier, adalah label kelas, dan b adalah bias. Menurut (Hsu et al. 2003) fungsi kernel yang direkomendasikan untuk diuji pertama kali ialah fungsi kernel RBF karena memiliki performa yang sama dengan kernel linear pada parameter tertentu, memiliki perilaku seperti fungsi kenel sigmoid dengan parameter tentu dan rentang nilainya kecil [0,1]. SVM saat pertama kali diperkenalkan oleh Vapnik, hanya dapat mengklasifikasikan data ke dalam dua kelas (klasifikasi biner). Namun, penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa mengklasifikasi data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk mengimplementasikan multiclass SVM, yaitu dengan one-against-one dan one-against-all. 9 Gambar 9 Transformasi dari vektor input ke feature space (Sembiring 2007)
20 10 METODE Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu studi pustaka, pengambilan data suara, ekstraksi ciri menggunakan MFCC, pemodelan chord dengan SVM, dan pengujian. Proses tersebut dapat dilihat pada Gambar 10. Tahapan studi pustaka ialah awal dilakukannya penelitian ini yaitu melakukan pencarian dan pembelajaran mengenai pustaka-pustaka yang dibutuhkan untuk penelitian ini, sumbernya berasal dari buku-buku, jurnal, artikel-artikel, dan skripsi penelitian sebelumnya yang dilakukan untuk memahami langkah-langkah dalam metode atau teknik yang digunakan dalam penelitian ini. Pengambilan Data Pada tahap ini dilakukan pengambilan data dengan merekam suara dari masing-masing chord gitar menjadi berkas yang bertipe WAV. Data yang digunakan hanya 24 chord gitar yang terdiri dari major dan minor dari setiap chord. Proses pengambilan suara gitar dilakukan dalam keadaan sunyi agar tidak ada noise yang terekam. Pengambilan data pun harus dilakukan secara benar, yaitu memetik senar gitar dari atas ke bawah sebanyak satu kali. Tabel 2 menunjukkan daftar chord yang digunakan dalam penelitian ini. Preprocessing Proses selanjutnya ialah pemotongan pada awal dan akhir tiap frame, setelah terpotong dilakukan ekstraksi ciri menggunakan metode MFCC. Hasil akhir dari proses ini ialah berupa matrik hasil operasi rataan yang terdiri dari data latih dan data uji. Pemodelan Support Vector Machine (SVM) Tahap ini dilakukan menggunakan data latih dari hasil ekstraksi ciri. Penelitian ini akan dicari kombinasi kernel dan parameternya yang menghasilkan model pengenalan chord dengan akurasi yang terbaik. Parameter yang digunakan Gambar 10 Tahapan metode
21 11 Tabel 2 Daftar chord Chord dasar Mayor Minor C CM Cm C# C#M C#m D DM Dm D# D#M D#m E EM Em F FM Fm F# F#M F#m G GM Gm G# G#M G#m A AM Am A# A#M A#m B BM Bm ialah parameter yang terbaik dari hasil proses cross-validation dengan nilai fold ialah 5. Kernel yang digunakan pada penelitian ini ialah linear, polinomial, dan RBF. Penelitian ini menggunakan Library for Support Vector Machine (LIBSVM), LIBSVM sudah dilengkapi oleh fitur multikelas yaitu metode one-against-one. Pengujian Support Vector Machine Proses pengujian chord pada penelitian ini dilakukan untuk mendapatkan nilai akurasi dari setiap chord yang diujikan. Nilai akurasi dihitung dengan fungsi berikut: Hasil = Jumlah chord yang benar Jumlah chord yang diuji x 100% Lingkungan Pengembangan Pada penelitian ini digunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut : a) Perangkat Keras Processor Pentium(R) dual core CPU 2.10 GHz Memory 1024 MB RAM Hardisk 250 GB b) Perangkat Lunak Sistem Operasi Windows 7 Ultimate 32-bit Matlab R2008b Notepad c) Peralatan Gitar akustik dengan jenis senar string dengan jumlah frets 20 Microphone Aktiv speaker
22 Frame 12 HASIL DAN PEMBAHASAN Preprocessing Proses preprocessing diawali dengan memasukan data suara chord, kemudian dilakukan ekstraksi ciri MFCC dengan menggunakan lima parameter, yaitu input suara, sampling rate, time frame, overlap, dan cepstral coefficient. Pemilihan nilai untuk sampling rate ialah Hz, time frame ialah 256 ms dan overlap ialah 25%, sedangkan jumlah cepstral coefficient yang digunakan ialah 13 koefisien. Hasil ekstraksi ciri menggunakan MFCC memiliki hasil berupa matriks ciri (n x k), n ialah jumlah frame dan k ialah koefisien. Untuk menghasilkan vektor yang berukuran (1 x 13) di setiap ulangan suara, dilakukan perata-rataan koefisien pada setiap baris. Data latih yang digunakan dalam penelitian untuk satu chord ada 40 data, maka matrik yang dihasilkan berukuran (40 x 13). Gambar 11 menunjukan grafik penggabungan data satu chord. Pemodelan Support Vector Machine (SVM) Proses cross-validation dilakukan pada data latih menghasilkan parameter terbaik, pada kernel linear menghasilkan parameter c (cost) = 2 pada rentang 2-5 c 2 15 dengan akurasi cross-validation = 88.33%, k = 5. Pada kernel polinomial parameter terbaik c = 512 pada rentang 2-5 c Parameter γ (gamma) = e-005 pada rentang 2-15 g 2 3. Parameter d (degree) = 4 pada rentang 1 d 4. Parameter r (coef0)= 3 pada rentang 0 x 4, dengan akurasi cross-validation = 89.44%, k = 5. Pada kernel RBF parameter terbaik c = 1 pada rentang 2-5 c Parameter γ (gamma) = 1 pada rentang 2-15 g 2 3, dengan akurasi crossvalidation = 82.91%, k = 5. Dengan demikian dari hasil cross-validation Koefisien Gambar 11 Hasil penggabungan dari 40 vektor
23 Frame dihasilkan parameter terbaik dari masing masin g kernel. Pemodelan SVM menggunakan data latih sebanyak 720 data. Dilakukan penggabungan dari seluruh vektor menjadi matrik yang berukuran (720 x 13). Gambar 12 menunjukan kumpulan vektor ciri data latih yang telah digabung dari semua chord. Begitu pula data uji yang berukuran (240 x 13). Setelah mendapatkan matrik data latih dan data uji, dilakukan pemodelan. Pemodelan dilakukan dengan menggunakan parameter terbaik dari masing masing kernel. Terbentuknya 3 model yang terdiri atas model SVM linear, model SVM polinomial, dan model SVM RBF. Pengujian 13 Pengujian dilakukan dengan menggunakan 240 data uji terhadap ketiga model tersebut. Tabel 3 menunjukkan hasil identifikasi SVM dengan kernel linear, polinomial, RBF. Dari Tabel 3 dapat diketahui bahwa akurasi pendeteksian chord menggunakan metode SVM dan kernel linear, kernel polinomial, dan kernel RBF masing masing 92.91% (223/240), 93.33% (224/240), dan 93.33% (224/240). Hasil tersebut merepresentasikan akurasi dari setiap kernel, yaitu jumlah chord yang benar dibagi jumlah chord yang diujikan. Pada Gambar 13 terlihat chord yang dikenal baik oleh sistem dengan akurasi 100% ialah chord A, Am, A#m, B, Bm, C, Cm, D, Dm, D#, E, Em, F, Fm, F#, F#m,G, Gm. Chord A#, C#, C#m, D#, E memiliki akurasi di atas 80%. Chord yang dikenali oleh sistem dengan akurasi terendah, yaitu di bawah 70% ialah chord G# dan G#m. Matriks konfusi yang menunjukkan hasil klasifikasi dari setiap chord dengan menggunakan kernel linear, polimonial, dan RBF dapat dilihat pada Lampiran 1, 2, dan 3. Jumlah data Koefisien Gambar 12 Kumpulan vektor ciri data
24 14 Gambar 13 Grafik tingkat akurasi Tabel 3 Tingkat akurasi dari ketiga model Kode Chord Linear Polinomial RBF 1 A 100% 100% 100% 2 Am 100% 100% 100% 3 A# 90% 90% 80% 4 A#m 100% 100% 100% 5 B 100% 100% 100% 6 Bm 100% 100% 100% 7 C 100% 100% 100% 8 Cm 100% 100% 100% 9 C# 70% 70% 80% 10 C#m 90% 90% 90% 11 D 100% 100% 100% 12 Dm 100% 100% 100% 13 D# 100% 100% 100% 14 D#m 90% 100% 100% 15 E 90% 90% 90% 16 Em 100% 100% 100% 17 F 100% 100% 100% 18 Fm 100% 100% 100% 19 F# 100% 100% 100% 20 F#m 100% 100% 100% 21 G 100% 100% 100% 22 Gm 100% 100% 100% 23 G# 50% 60% 70% 24 G#m 50% 40% 30% Akurasi 92.91% 93.33% 93.33%
25 15 SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang dilakukan didapatkan kesimpulan sebagai berikut: 1 Fungsi kernel yang diterapkan dalam penelitian ini ialah model kernel linear, kernel polinomial, dan kernel RBF. Hasil menunjukan bahwa dengan metode klasifikasi SVM dengan menggunakan kernel polinomial dan RBF hasilnya sama baik, yaitu % dibandingkan dengan metode SVM kernel linear yang memiliki akurasi 92.91%. 2 Chord yang memiliki tingkat akurasi diatas 80% berarti chord tersebut dapat dikenali cukup baik oleh sistem. Sebaliknya chord yang mempunyai tingkat akurasi yang rendah berarti chord tersebut tidak dapat dikenali dengan baik oleh sistem. Chord yang mempunyai tingkat akurasi paling rendah ialah chord G#m dan G#. Hal ini disebabkan karena susunan yang menyusun chord major dan minor hanyalah setengah nada, susunan nada pada chord G# ialah nada g#- c-d# sedangkan susunan pada chord G#m ialah nada g#-b-d#, artinya hanya setengah nada yang membedakannya. Saran Penelitian ini masih memiliki banyak kekurangan yang memerlukan pengembangan lebih lanjut. Beberapa saran yang dapat ditambahkan di antaranya: 1 Dalam penelitian ini chord yang tidak dapat dikenali dengan baik perlu dilakukan klasifikasi khusus, yaitu klasifikasi untuk mengenali chord yang mempunyai pembeda setengah nada dalam susunan nadanya. Misalnya klasifikasi khusus untuk mengenali chord G# dan G#m, C# dan C#m. 2 Mencoba menggunakan parameter MFCC lain seperti frekuensi dan koefisien guna meningkatkan akurasi.
26 16 DAFTAR PUSTAKA Buono A Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri pada sistem identifikasi pembicara di lingkungan ber-noise menggunakan HMM. [Disertasi]. Depok (ID): Universitas Indonesia. Chang CC, Lin CJ ACM transactions on intelligent systems and technology. A Library for Support Vector Machines. 2(3):1-10.doi: / Cristianini N, Taylor JS An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge (GB): Cambridge Press University. Do MN An automatic speaker recognition system audio visual communications laboratory. Di dalam: Digital Signal Processing Mini- Project. Lausanne (CH): Swiss Federal Institute of Technology. Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics. 16(10) doi: /bioinformatics/ Ganchev TD Speaker recognition [Tesis]. Wire Communications Laboratory, Department of Computer and Electrical Engineering. Patras (GR): University of Patras. Gossink DE, Cook SC A novel synchronisation scheme for spread-spectrum communications. Di dalam: Wysocki T, Razavi H, dan Honary B, editor. Digital Signal Processing for Communications. ISBN Boston (US): Kluwer Academic Publishers Hendro Panduan Praktis Improvisasi Gitar. Jakarta: Penerbit Puspa Swara. Hsu CW, Chang CC, Lin CJ A Practical Guide to Support Vector Classification. Department of Computer Science and Information Engineering (TW): National Taiwan University. Jurafsky D, Martin JH Speech and Language Processing An Introduction to Natural Language Processing. Computational Linguistic, and Specch Recognition, New Jersey (US): Prentice Hall. Mulia I Pengenalan aksara sunda menggunakan ekstraksi ciri zoning dan klasifikasi support vector machine [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
27 Satrya R Sistem indentifikasi suara pria dan wanita berdasarkan usia menggunakan MFCC dan k-mean clustering [Skripsi]. Bandung (ID): IT Telkom. Sembiring K Penerapan teknik support vector machine untuk pendektesian intrusi pada jaringan [Skripsi]. Bandung (ID): Institut Teknologi Bandung. Ramirez RW The FFT, Fundamentals and Concepts. New Jersey (US): Prentice-Hall. Tomasouw BP Multiclass twin bounded support vector machine untuk pengenalan ucapan [Disertasi]. Surabaya (ID): Institut Teknologi Sepuluh Nopember. Wisnudisastra E Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstrasi ciri MFCC [Skripsi]. Bogor (ID): Institut Pertanian Bogor. 17
28
29 Lampiran 1 Matriks konfusi kernel linear 18 Chord Hasil Klasifikasi Kernel Linear A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
30
31 Lampiran 2 Matriks konfusi kernel polinomial Chord Hasil Klasifikasi Kernel Polinomial A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
32
33 Lampiran 3 Matriks konfusi kernel RBF 20 Chord Hasil Klasifikasi Kernel RBF A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
34
35 21 RIWAYAT HIDUP Penulis bernama Wido Aryo Andhika dilahirkan di Sukabumi pada tanggal 8 Januari 1990 sebagai anak pertama dari 3 bersaudara dari pasangan Bapak Moch. Djamil dan Ibu Tien Supriatin. Penulis menyelesaikan pendidikan lanjutan atas di SMU Negeri 3 Kota Sukabumi pada tahun Pada tahun yang sama, penulis diterima sebagai mahasiswa di Institut Pertanian Bogor (IPB) pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur SNMPTN.
PENDAHULUAN Tujuan Latar Belakang Ruang Lingkup Manfaat Penelitian TINJAUAN PUSTAKA Nada dan Chord Gitar
PENDAHULUAN Latar Belakang Sistem pendengaran manusia memiliki kemampuan yang luar biasa dalam menangkap dan mengenali sinyal suara. Dalam mengenali sebuah kata ataupun kalimat bukanlah hal yang sulit
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciPENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR PERNYATAAN
Lebih terperinciPENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO
PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI SKRIPSI
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 terperinciPEMBANGUNAN METODE CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR DENGAN TEKNIK EKSTRAKSI CIRI MFCC ARMEN MARTA
PEMBANGUNAN METODE CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR DENGAN TEKNIK EKSTRAKSI CIRI MFCC ARMEN MARTA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPerbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 29-37 ISSN: 2089-6026 Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciPengenalan Chord pada Alat Musik Gitar Menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC
Pengenalan Chord pada Alat Musik Gitar Menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC Elghar Wisnudisastra, Agus Buono Departemen Ilmu Komputer, Institut Pertanian Bogor, Jl. Meranti Wing 20 Lv.V,
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 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 terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciSISTEM PENILAIAN BERDASARKAN TEPUK TANGAN MENGGUNAKAN MFCC DAN CODEBOOK PUSPITA KARTIKA SARI
SISTEM PENILAIAN BERDASARKAN TEPUK TANGAN MENGGUNAKAN MFCC DAN CODEBOOK PUSPITA KARTIKA SARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN
Lebih terperinciPENERAPAN LVQ DENGAN INISIALISASI K-MEANS UNTUK PENGENALAN NADA GITAR DENGAN EKSTRAKSI CIRI MFCC ARIF BUDIARTO
PENERAPAN LVQ DENGAN INISIALISASI K-MEANS UNTUK PENGENALAN NADA GITAR DENGAN EKSTRAKSI CIRI MFCC ARIF BUDIARTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR
Lebih terperinciPENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN CODEBOOK DENGAN TEKNIK EKSTRAKSI CIRI MFCC ELGHAR WISNUDISASTRA
PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN CODEBOOK DENGAN TEKNIK EKSTRAKSI CIRI MFCC ELGHAR WISNUDISASTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO
PENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI.
Pengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI. Tujuan Tujuan dari penelitian ini adalah untuk mengidentifikasi
Lebih terperinciDigital Signal Processing To Identify chords Singer Using Mel Frequency Cepstral Coefficients (MFCC) and Neural Network Backpropagation Methods
Pemrosesan Sinyal DigitalUntuk Mengidentifikasi Akord Dasar Penyanyi Dengan Metode Mel Frequency Cepstral Coeficients (MFCC) Dan Jaringan Syaraf Tiruan Backpropagation Digital Signal Processing To Identify
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK ADE FRUANDTA
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK ADE FRUANDTA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI CAMPURAN
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciPENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS
PENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER CLARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
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 terperinciPENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION
PENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION DETECTION OF THE LEVEL OF YOUTH, ADULTS AND ELDERLY BY USING MFCC METHOD AND FUZZY
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan penelitian di dunia telekomunikasi sangat pesat beberapa tahun terakhir ini. Salah satunya adalah penelitian di bidang suara. Suara adalah salah satu cara manusia
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 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 terperinciPENGENALAN SUARA BERDASARKAN USIA DAN JENIS KELAMIN MENGGUNAKAN ALGORITME SUPPORT VECTOR MACHINE (SVM) IKRA DEWANTARA
PENGENALAN SUARA BERDASARKAN USIA DAN JENIS KELAMIN MENGGUNAKAN ALGORITME SUPPORT VECTOR MACHINE (SVM) IKRA DEWANTARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENERAPAN MODEL CODEBOOK UNTUK TRANSKRIPSI SUARA KE TEKS DENGAN EKSTRAKSI CIRI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MEGGA DARA NINGGAR SUHARTO
PENERAPAN MODEL CODEBOOK UNTUK TRANSKRIPSI SUARA KE TEKS DENGAN EKSTRAKSI CIRI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MEGGA DARA NINGGAR SUHARTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Genre Menurut Kamus Besar Bahasa Indonesia, genre adalah jenis, tipe, atau kelompok sastra atas dasar bentuknya. Jadi genre musik merupakan pengelompokan musik berdasarkan kemiripan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPENERAPAN LEARNING VECTOR QUANTIZATION
PENERAPAN LEARNING VECTOR QUANTIZATION (LVQ) DAN EKSTRAKSI CIRI MENGGUNAKAN MEL- FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) UNTUK TRANSKRIPSI SUARA KE TEKS LAKSMI NIRMALA SARI DEPARTEMEN ILMU KOMPUTER FAKULTAS
Lebih terperincivii MODEL FONEM DENGAN PENDEKATAN DISTRIBUSI NORMAL UNTUK PENGENALAN KATA MENGGUNAKAN MFCC SEBAGAI EKSTRAKSI CIRI ADITYA DWI HAPSARI
vii MODEL FONEM DENGAN PENDEKATAN DISTRIBUSI NORMAL UNTUK PENGENALAN KATA MENGGUNAKAN MFCC SEBAGAI EKSTRAKSI CIRI ADITYA DWI HAPSARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciANALISIS DAN PERANCANGAN PROGRAM APLIKASI. mahasiswa Binus University secara umum. Dan mampu membantu
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1. Analisa Sistem 3.1.1. Sejarah Umum Perusahaan Binus Learning Community adalah komunitas belajar binus yang berada dibawah sub unit mentoring Student
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 IV IMPLEMENTASI DAN EVALUASI. 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian Penelitian ini dilakukan dengan menggunakan satu set komputer dengan prosesor berkecepatan 1,18 GHz,
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
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 terperinciPENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION SARAH RAHMANIA HANIF
PENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION SARAH RAHMANIA HANIF DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciAPLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH
APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN SIMULATION AND ANALYSIS OF MUSIC GENRE CLASSIFICATION BASED ON FFT AND
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 267 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN SUPPORT VECTOR MACHINE SIMULATION AND ANALYSIS OF MUSIC GENRE
Lebih terperinciBAB I PENDAHULUAN. pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi memungkinkan kita untuk melakukan suatu pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah sering diimplementasikan adalah
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 3. Perancangan Sistem
34 Bab 3 Perancangan Sistem 3.1 Gambaran Umum Sistem Aplikasi yang kami namakan Voice Protect ini, mempunyai alur program sebagai berikut: Start Enkripsi Dekripsi Pilih File Buka file enkripsi Rekam Suara
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Indera pendengaran manusia tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali para pemusik profesional. Hal
Lebih terperinciSistem Verifikasi Penutur menggunakan Metode Mel Frequensi.
SISTEM VERIFIKASI PENUTUR MENGGUNAKAN METODA MEL FREQUENCY CEPSTRAL COEFFICIENTS-VECTOR QUANTISATION (MFCC-VQ) SERTA SUM SQUARE ERROR (SSE) DAN PENGENALAN KATA MENGGUNAKAN METODA LOGIKA FUZZY Oleh : Atik
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
21 PERANGKAT LUNAK UNTUK MEMBUKA APLIKASI PADA KOMPUTER DENGAN PERINTAH SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRUM COEFFICIENTS Anna Dara Andriana Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Emosi Emosi adalah perasaan intens yang ditujukan kepada seseorang atau sesuatu dan juga merupakan reaksi terhadap seseorang atau kejadian.emosi dapat ditunjukkan ketika merasa
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wicara atau ucapan adalah cara berkomunikasi yang paling sederhana dan sering digunakan oleh manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciHASIL DAN PEMBAHASAN
10 HASIL DAN PEMBAHASAN Pengumpulan Dokumen Tahapan awal yang dilakukan dalam penelitian adalah mengolah dokumen XML yang akan menjadi korpus. Terdapat 21578 dokumen berita yang terdiri atas 135 topik.
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciMETODE PENELITIAN. Gambar 1 Alur metode penelitian.
akan menggunakan bantuan aplikasi pemrosesan audio (Rochesso 2007). Penambahan Derau Derau merupakan suara-suara yang tidak diinginkan. Munculnya derau dapat menurunkan kualitas suatu berkas audio. Penambahan
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 terperinciIDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY
IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY Erni Seniwati 1), Ninik Tri Hartanti 2) 1 Sistem Informasi, STMIK Amikom erni.s@amikom.ac.id 2 Sistem Informasi, STMIK Amikom
Lebih terperinciIdentifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)
Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM) Inggih Permana 1, Benny Sukma Negara 2 1 Universitas Sultan Sarif Kasim Riau 2 Universitas Sultan Sarif
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciPENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK BERTINGKAT MENGGUNAKAN FUZZY C-MEANS UNTUK IDENTIFIKASI PEMBICARA. Oleh : VICKY ZILVAN G
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK BERTINGKAT MENGGUNAKAN FUZZY C-MEANS UNTUK IDENTIFIKASI PEMBICARA Oleh : VICKY ZILVAN G64103043 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI
IDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI MUHAMMAD WARDANA 121402024 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengenalan ucapan (speech recognition) merupakan sistem yang dirancang untuk dapat mengenali sinyal suara, sehingga menghasilkan keluaran berupa tulisan. Input dari
Lebih terperinciPENERAPAN LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PEMBICARA DENGAN MENGGUNAKAN EKSTRAKSI CIRI PRINCIPAL COMPONENT ANALYSIS ENDRIK SUGIYANTO
PENERAPAN LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PEMBICARA DENGAN MENGGUNAKAN EKSTRAKSI CIRI PRINCIPAL COMPONENT ANALYSIS ENDRIK SUGIYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 terperinciINDEPT, Vol. 3, No.1, Februari 2013 ISSN
SISTEM SPEAKER RECOGNITION (PENGENAL PENGUCAP) UNTUK MENCARI KARAKTERISTIK UCAPAN SESEORANG DENGAN METODE MEL FREQUENCY CEPTRUM COEFFISIENT (MFCC) MENGGUNAKAN SOFTWARE MATLAB Andriana, ST., MT. Dosen Fakultas
Lebih terperinciPenerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker Identification
Jurnal Telematika, vol. 11 no. 1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-2516 Penerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciPENERJEMAH FILE MUSIK BEREKSTENSI WAV KE NOT ANGKA. Albertus D Yonathan A / ABSTRAK
PENERJEMAH FILE MUSIK BEREKSTENSI WAV KE NOT ANGKA Albertus D Yonathan A / 0422001 y0y02k4@gmail.com Jurusan Teknik Elektro, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri 65 Bandung 40164, Indonesia
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 terperinciBAB 1 PENDAHULUAN. Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya teknologi telekomunikasi, internet menjadi sesuatu yang tidak lagi sulit dan mahal. Kemudahan ini menyebabkan internet dipenuhi berbagai
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciPERANCANGAN SISTEM PENGENALAN NADA TUNGGAL KEYBOARD (ORGEN) PADA PC BERBASIS MATLAB
PERANCANGAN SISTEM PENGENALAN NADA TUNGGAL KEYBOARD (ORGEN) PADA PC BERBASIS MATLAB Supriansyah 1, Dr. Yeffry Handoko Putra, MT 2 1 Jurusan Teknik Komputer Unikom, 2 Jurusan Magister Sistem Informasi Unikom
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
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 terperinciPERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER
PERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER MUTIA FIJRI TAUFANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciKata Kunci: Suara; Mel Frequency Cepstral Coefficient; K-NEAREST NEIGHBOUR
120 Dielektrika, [P-ISSN 2086-9487] [E-ISSN 2579-650X] Vol. 4, No. 2 : 120-126, Agustus 2017 KLASIFIKASI SUARA BERDASARKAN USIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN K-NEAREST NEIGHBOUR
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 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 terperinciPERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI
PERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI DAPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2005/2006 PERANCANGAN SISTEM PROTEKSI FILE DENGAN PASSWORD SUARA Rendy Sesario 0600615431 Samanta Limbrada
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Mengenali sebuah kata atau kalimat bukanlah hal yang sulit dilakukan bagi manusia Apalagi kata tersebut merupakan Bahasa Utama yang digunakannya sehari-hari Berbagai logat
Lebih terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
Lebih terperinciSISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM. Ivanna K. Timotius, Danie Kurniawan. Intisari
SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM Fakultas Teknik Elektronika dan Komputer, Program Studi Teknik Elektro, Universitas Kristen Satya Wacana, Salatiga,
Lebih terperinciPENDETEKSIAN KATA DENGAN MFCC SEBAGAI EKSTRAKSI CIRI DAN CODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL
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
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinciPerbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength
JURNAL FISIKA DAN APLIKASINYA VOLUME 12, NOMOR 1 JANUARI 2016 Perbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength Dody Kurniawan, Ahmad Syakir, Hana Afifah,
Lebih terperinci