PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO
|
|
- Harjanti Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model Codebook Untuk Identifikasi Chord Gitar adalah 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, Agustus 2013 Toni Haryono NIM G
4 ABSTRAK TONI HARYONO. Pengembangan Model Codebook untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO. Gitar akustik dapat menghasilkan gelombang bunyi dengan berbagai jenis nada. Tinggi-rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi. Indera pendengaran manusia dapat membedakan tinggi-rendahnya nada, namun tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya. Penelitian ini mengembangkan sistem pengenalan chord gitar. Penelitian ini menggunakan MFCC sebagai metode ekstraksi ciri dan codebook sebagai metode pengenalan pola untuk identifikasi chord gitar. Teknik kluster yang digunakan pada penelitian ini adalah k-means. Data hasil MFCC diklasterkan menggunakan k-means, kemudian dibuat modelnya dengan metode codebook. Parameter yang digunakan dalam proses MFCC adalah jumlah koefisien cepstral, overlap, dan time frame, sedangkan parameter penting dalam k-means adalah jumlah kluster. Penelitian ini menggunakan 8640 data suara gitar dengan banyaknya chord 24 kelas. Masing-masing data tersebut tersusun atas 2 chord yang akan diuji secara terpisah. Hasil simulasi menunjukkan bahwa akurasi maksimum yang diperoleh adalah 98.89% yang diperoleh pada jumlah koefisien cepstral 26, overlap 0.4, time frame 30 ms, dan jumlah kluster 100. Kata kunci: chord, codebook, (MFCC) k-means, mel frequency cepstral coefficients ABSTRACT TONI HARYONO. Codebook Development Model To Identify Guitar Chord. Supervised by AGUS BUONO. Acoustic guitar can produce sound waves with different types of tones. High-low tone is determined by the fundamental frequency of the sound wave. Human sense of hearing can distinguish high-and low tones, but can not know for sure what kind of tone is heard by him. This study developed a guitar chord recognition system. This study uses MFCC as feature extraction methods and the codebook as pattern recognition method for identification of the guitar chord. Cluster technique used in this study is the K-means clustering. Data obtained from MFCC are clustered using the K-Means method, and the model for classification is constructed using the codebook method. The parameters used in MFCC is the number of cepstral coefficients, overlap, and the time frame, while an important parameter in the K-Means is the number of clusters. This study uses 8640 guitar chord sounds from 24 classes. Each of the data is made up of two chords which will be tested. Simulation results show that the maximum accuracy obtained is 98.89% obtained on 26 cepstral coefficients, overlap 0.4, time frame is 30 ms, on 100 clusters. Keywords: chord, codebook, (MFCC) k-means, mel frequency cepstral coefficients
5 PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013
6 Penguji: 1. Karlisa, ST MEng 2. Mushthofa, SKom MSc
7
8 Judul Skripsi : Pengembangan Model Codebook untuk Identifikasi Chord Gitar Nama : Toni Haryono NIM : G Disetujui oleh Dr Ir Agus Buono, MSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer Tanggal Lulus:
9 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wata ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2012 ini ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model Codebook untuk Identifikasi Chord Gitar. Terima kasih penulis ucapkan kepada Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah memberikan arahan dan saran selama penelitian ini berlangsung, serta kepada Bapak Mushthofa, SKom MSc dan Ibu Karlisa, ST MEng selaku penguji untuk penelitian ini. Ungkapan terima kasih juga disampaikan kepada orang tua, kakak, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga karya ilmiah ini bermanfaat. Bogor, Agustus 2013 Toni Haryono
10 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 METODE PENELITIAN 2 Data Latih 6 Data Uji 6 Ekstraksi Ciri dengan MFCC 7 Pengenalan Pola dengan Codebook 8 Pengujian 10 Lingkungan Pengembangan Sistem 11 HASIL DAN PEMBAHASAN 11 Pengumpulan Data 11 Ekstraksi Ciri dengan MFCC 12 Pemodelan Codebook 12 Hasil Pengujian 13 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 15 DAFTAR PUSTAKA 16 RIWAYAT HIDUP 21
11 DAFTAR TABEL 1 Daftar chord gitar 5 2 Komposisi data chord 6 3 Nilai akurasi koefisien cepstral 13 dengan k-cluster 8, 12, 16, 20, 24, 28, 32, dan Hasil pengujian koefisien cepstral berdasarkan nilai K 14 DAFTAR GAMBAR 1 Tahapan transformasi sinyal suara menjadi informasi (Buono 2009) 3 2 Diagram alur penelitian proses identifikasi chord gitar 4 3 Proses segmentasi chord C dan G 6 4 Diagram alur MFCC (Buono 2009) 7 5 Proses pembuatan codebook dari data latih 9 6 Ukuran jarak antara sebuah frame dengan sebuah codebook 10 7 Vektor sinyal suara chord C dan Chord B 12 8 Grafik akurasi koefisien cepstral 13 dan 26 dengan k-cluster 8, 12, 16, 20, 24, 28, 32, dan DAFTAR LAMPIRAN 1 Bentuk Chord yang digunakan pada pelatihan dan pengujian 17 2 Diagram proses pengenalan tak berstruktur 19 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 26 dengan nilai K
12 PENDAHULUAN Latar Belakang Perkembangan teknologi dan ilmu pengetahuan sangat cepat mempengaruhi perkembangan seni musik, termasuk alat musiknya. Dalam perkembangan seni musik, banyak alat musik yang dihasilkan untuk menunjangnya. Gitar merupakan salah satu alat musik yang mampu menyediakan nada yang jumlahnya tidak terbatas. Pengetahuan kunci gitar atau dikenal chord sangat diperlukan untuk memainkan gitar. Chord merupakan rangkaian nada yang membangun keharmonisasian pada musik (Wisnudisastra dan Buono 2009). Berbeda hal dalam mengenali sebuah kata atau kalimat, mengenali sebuah chord gitar lebih sulit dilakukan oleh indera pendengaran manusia khususnya bagi mereka yang awam terhadap suara gitar. Salah satu solusi yang dapat dilakukan untuk menanggulangi masalah tersebut adalah dengan cara komputerisasi, yaitu penggunaan komputer sebagai sistem pengenalan chord pada alat gitar. Fungsi untuk mengenali chord secara otomatis sangat penting dalam beberapa aplikasi, diantaranya seperti sistem musik interaktif, maupun aplikasi edukasi. Karakter komputer yang konsisten pada setiap eksekusi perintah yang diberikan, memudahkan pengguna sistem untuk mendapatkan hasil pengenalan chord gitar yang akurat. Secara sederhana cara kerja sistem adalah dengan mencari ciri dari setiap chord dengan mel frequency cepstrum coefficient (MFCC) dan pengenalan pola untuk identifikasinya menggunakan codebook. Penelitian sebelumnya disebutkan bahwa metode linear prediction ceptrum coefficient (LPCC) memiliki keunggulan dalam hal komputasi yang lebih sederhana. Namun, tingkat akurasinya tidak sebaik MFCC (Li dan Chang 2003). Pernyataan ini diperkuat dengan pernyataan bahwa dalam pengenalan suara, MFCC dapat merepresentasikan sinyal lebih baik dibandingkan dengan LPCC dan teknik lainnya (Buono 2009). Penelitian lain menyimpulkan bahwa penggunaan metode wavelet sebagai ekstraksi ciri pada pengenalan pola tidak memberikan hasil yang lebih baik daripada penggunaan metode MFCC (Taufani 2011). Oleh karena itu, metode MFCC digunakan pada penelitian ini sebagai metode ekstraksi ciri. Teknik ini menghitung koefisien cepstral dengan mempertimbangkan persepsi sistem pendengaran manusia terhadap frekuensi suara. Teknik MFCC sebagai ekstraksi ciri suara telah banyak digunakan pada berbagai bidang dalam pemrosesan suara. Kelebihan utama dari MFCC adalah dapat meniru perilaku dari telinga manusia. Setelah ekstraksi ciri, langkah selanjutnya adalah pengenalan pola. Beberapa contoh metode pengenalan pola yaitu codebook, jaringan syaraf tiruan, probabilistic neural network, dan hidden Markov model. Pada penelitian ini, metode codebook akan digunakan untuk melakukan pengenalan pola. Pada penelitian ini akan dibangun sebuah sistem pengenalan chord secara otomatis untuk mengidentifikasi chord gitar dengan akurasi yang baik. Pemilihan MFCC sebagai metode ekstraksi ciri dan codebook sebagai metode identifikasi suara diharapkan dapat membantu seorang pemain gitar atau pengguna sistem dalam memainkan chord gitar dan mengenali suara gitar yang kontinyu.
13 2 Tujuan Penelitian Tujuan dari penelitian ini ialah: 1 Mengembangkan metode codebook dan teknik ekstraksi ciri MFCC untuk identifikasi chord gitar. 2 Mengidentifikasi 2 chord gitar. 3 Mengetahui akurasi dari identifikasi chord gitar dengan menggunakan ekstraksi ciri MFCC dan pengenalan model codebook. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi mengenai akurasi pengembangan metode codebook dalam identifikasi chord gitar. Ruang Lingkup Penelitian Adapun ruang lingkup dari penelitian ini antara lain: 1 Chord yang akan dikenali hanyalah chord mayor dan minor yang diperoleh dari suara gitar yang direkam. 2 Chord yang akan dikenali dimainkan dengan cara dipukul serentak dari atas ke bawah dalam satu posisi untuk masing-masing chord. 3 Chord yang akan dikenali maksimal 2 chord dan satu oktaf. 4 Suara chord yang dikenali hanya suara chord yang dimainkan dengan menggunakan jenis gitar akustik dengan senar string. METODE PENELITIAN Terdapat beberapa tahap agar komputer dapat memroses suara gitar menjadi suatu informasi. Sinyal suara merupakan suatu sinyal waktu kontinyu atau sinyal analog, sedangkan komputer hanya dapat memroses sinyal digital. Oleh karena itu untuk dapat memroses suatu sinyal suara maka sinyal suara tersebut harus dikonversi menjadi sinyal digital terlebih dahulu.proses konversi ini disebut analog to digital conversion (ADC). Proses ADC terbagi menjadi dua tahap, yaitu sampling dan kuantisasi. Sampling merupakan pengamatan nilai sinyal waktu kontinyu (sinyal analog) pada suatu waktu tertentu, sehingga diperoleh sinyal waktu diskret. Banyaknya sample yang diambil tiap detiknya disebut sampling rate. Besarnya sampling rate yang digunakan minimal dua kali dari jumlah frekuensi maksimum yang dapat dihasilkan oleh sumber suara. Hal ini bertujuan untuk meminimalkan efek aliasing, yaitu suatu efek dimana sinyal yang dihasilkan memiliki frekuensi yang berbeda dengan sinyal aslinya. Sampling rate yang biasa digunakan adalah 8 KHz dan 16 KHz (Jurafsky dan Martin 2000). Hubungan antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya data suara yang digitalisasikan dapat dinyatakan sebagai berikut: S = Fs T
14 S = panjang vektor Fs = sampling rate yang digunakan (Hertz) T = panjang suara (detik) Tahap kuantisasi, yaitu suatu proses memetakan nilai-nilai amplitudo yang bersifat kontinyu pada suatu selang tertentu menjadi nilai-nilai yang diskret, sehingga didapatkan sinyal nilai diskret atau sinyal digital dalam representasi nilai 8 bit atau 16 bit (Jurafsky dan Martin 2000). Tahap selanjutnya adalah pembacaan sinyal digital untuk dipartisi menjadi beberapa frame yang saling tumpang tindih dengan tujuan menghindari kehilangan informasi. Kemudian didapatkan vektor ciri dari ekstraksi ciri yang dilakukan pada setiap frame. Setiap vektor ciri dikenai pengenalan pola agar diperoleh informasi yang diharapkan. Tahapan proses suara gitar menjadi suatu informasi terdiri dari digitalisasi sinyal analog, pembacaan sinyal, ekstraksi ciri, dan pengenalan pola seperti yang disajikan pada Gambar 1. 3 Gambar 1 Tahapan transformasi sinyal suara menjadi informasi (Buono 2009) Sistem pengenalan kata suara dapat diwujudkan melalui suatu program dengan menggunakan perangkat lunak MATLAB R2008b. Pembuatan program dibagi menjadi beberapa tahap sesuai diagram alur penelitian yang ditunjukkan pada Gambar 2.
15 4 Gambar 2 Diagram alur penelitian proses identifikasi chord gitar Pengambilan data suara Suara yang akan digunakan pada penelitian ini berasal dari suara 24 chord gitar yang dimainkan dengan cara dipukul serentak dari atas ke bawah, kemudian direkam. Suara transisi 2 chord dari 24 chord akan diulang sebanyak 15 kali perekaman. Dari hasil perkalian antara 24 chord kunci pertama, 24 chord kunci kedua, dan 15 kali perekaman maka dihasilkan data sebanyak 8640 untuk data latih 5760 dan data uji Untuk mendapatkan hasil perekaman yang terdapat sedikit noise, perekaman dilakukan pada ruangan yang hening. Pengambilan data suara dilakukan dengan cara merekam suara 2 chord gitar setiap satu chord ke chord lainnya sebanyak 15 kali, sehingga masing-masing chord memiliki 10 data suara untuk data latih dan 5 data suara untuk data uji. Jumlah keseluruhan untuk data latih adalah sebanyak 5760 data suara dan untuk data uji sebanyak 2880 data suara, sehingga total data keseluruhan sebanyak 8640 data suara.
16 File data suara direkam selama 3 detik dalam format WAV. Setiap perekaman suara menggunakan sampling rate sebesar Hz dan bit rate sebesar 16 bit. Chord-chord yang dipakai adalah 24 jenis terdiri dari chord mayor dan minor. Jenis chord mayor dan minor yang dipakai seperti pada Tabel 1. Ke-24 chord mayor dan minor tersebut hanya dimainkan pada satu posisi saja. Bentuk 24 chord mayor dan minor yang digunakan untuk proses pelatihan dan pengujian pada penelitian ini dapat dilihat pada Lampiran 1. Tabel 1 Daftar chord gitar Chord Gitar Mayor Minor C C Cm C# C# C#m D D Dm D# D# D#m E E Em F F Fm F# F# F#m G G Gm G# G# G#m A A Am A# A# A#m B B Bm 5 Praproses Tahapan praproses terdiri dari segmentasi chord. Pada tahap ini dilakukan deteksi jeda pada setiap transisi 2 chord. Langkah awal tahap ini adalah dengan mengabsolutkan setiap nilai chord, sehingga didapatkan hasil semua nilai positif. Selanjutnya, dari nilai tersebut dicari nilai threshold sebagai batas tinggi sinyal untuk jeda dan bukan jeda. Setelah mendapatkan nilai threshold, data kontinyu yang panjang pada bagian jeda akan dipotong. Jeda akan dijadikan data latih begitu juga untuk bagian bukan jeda. Dua data set tersebut akan dibuat batas kritis untuk membedakan jeda dan bukan jeda. Batas kritis menentukan batas panjang sinyal chord satu dengan chord lainnya. Setelah selesai, akan dilanjutkan dengan ekstraksi ciri pada setiap data yang digunakan dengan menggunakan metode MFCC. Pada tahap segmentasi dapat dilihat pemotongan nada transisi 2 chord dari C ke G menjadi 3 bagian, yaitu chord C, jeda, dan chord G. Tiga bagian data itu akan dimasukkan semua menjadi data latih. Chord C ke G akan mendapatkan hasil segmentasi chord C ke G seperti pada Gambar 3.
17 6 Sinyal 2 chord Nilai chord di-absolutkan Nilai threshold Batas kritis chord Gambar 3 Proses segmentasi chord C dan G Data Latih Data latih merupakan perkalian dari 24 transisi 2 chord dengan 24 jumlah chord mayor dan minor yang masing-masing direkam 10 suara. Kemudian dipilih 10 data suara secara acak dari masing-masing transisi chord untuk dijadikan sebagai data latih. Data latih ini selanjutnya akan diproses pada tahap MFCC dan codebook untuk menghasilkan suatu model. Model ini berfungsi sebagai alat penentu keputusan dari hasil pengujian. Data Uji Data uji merupakan 5 buah data suara dari 15 data suara 2 chord. Data uji ini akan diproses dengan tahap MFCC, selanjutnya data tersebut akan diuji menggunakan model yang telah terbentuk dari tahap pelatihan. Data uji tambahan diperoleh dari suara asli chord gitar secara langsung yang berjumlah 10 jenis. Komposisi data chord yang dipakai dalam penelitian seperti pada Tabel 2. Tabel 2 Komposisi data chord Komposisi Jumlah Chord 24 Kombinasi 576 Data latih 5760 Data uji 2880
18 7 Ekstraksi Ciri dengan MFCC Ciri-ciri file suara yang diperoleh akan diekstraksi menggunakan metode feature extraction MFCC. Tahap-tahap dalam teknik MFCC lebih jelasnya disajikan pada Gambar 4 (Buono 2009). Sinyal Suara Frame ke t O =, Windowing (Do 1994) : t n = t n * w (n, 0 n N-1 w(n) = cos (2 n/(n-1)) ( ) dalam domain waktu N = jumlah sampel pada setiap frame, n = frame ke- W = formula hamming window, ( ) = nilai data ke n Fast Fourier Transform (FFT) (Do 1994): n e - n a n tude N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t Mel Frequency Wrapping (Nilsson dan Ejnarsson 2002): mel(f) = 2595 log (1 + f / 700) dari sini diperoleh M filter, dan dihitung spektrum Mel: ( ( ) ( )) (k) = nilai filter segitiga ke i, ( ) M = jumlah filter, N = banyaknya data Cepstrum Coefficients : Discrete Cosine Transform (Do 1994) c s ( ), j = jumlah koefisien cepstral M = jumlah filter,, i = jumlah wrapping Gambar 4 Diagram alur MFCC (Buono 2009) Teknik MFCC sebagai ekstraksi ciri dan teknik parameterisasi sinyal suara telah banyak digunakan pada berbagai bidang area pemrosesan suara. Teknik ini berbasis power spectrum dalam domain frekuensi sebagai penentu ciri sinyal suara. Berdasarkan Gambar 4, sinyal dibaca dari frame ke frame dengan nilai overlap tertentu lalu dilakukan windowing untuk setiap frame. Kemudian, transformasi Fourier dilakukan untuk mengubah dimensi suara dari domain waktu ke domain frekuensi.
19 8 Dari hasil transformasi Fourier, spektrum mel dihitung menggunakan sejumlah filter yang dibentuk untuk mengikuti persepsi sistem pendengaran manusia yang bersifat linear. Proses ini dikenal dengan mel-frequency wrapping. Koefisien MFCC merupakan hasil transformasi Kosinus dari spektrum mel tersebut dan dipilih koefisien cepstral. Transformasi Kosinus berfungsi untuk mengembalikan dari domain frekuensi ke domain waktu. Frame Blocking Pada tahapan ini sinyal suara yang dibaca kemudian dibagi ke dalam bentuk frame. Setiap frame memiliki 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. Pada penelitian ini, akan digunakan time frame 30 ms, overlap 40%, dan koefisien cepstral akan dicoba sebesar 13 dan 26. 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 diskontinyuitas sinyal pada awal dan akhir tiap frame (Do 1994). Metodenya adalah dengan mengalikan tiap frame dengan fungsi window. Transformasi Fourier (Fast Fourier Transform [FFT]) Proses selanjutnya adalah FFT yang akan mengonversi setiap frame dengan N sampel dari domain waktu ke domain frekuensi. Konversi ini dilakukan karena pendengaran manusia didasarkan atas domain frekuensi. Mel Frequency Wrapping Persepsi manusia dalam frekuensi sinyal suara tidak mengikuti skala linear. Untuk setiap bunyi dengan frekuensi aktual f, dalam satuan Hz, nilai subyektif dari pitch-nya diukur dengan menggunakan skala. S mel-frequency adalah selang frekuensi linear di bawah 1000 Hz dan selang logaritmik untuk frekuensi di atas 1000 Hz. Mel-frequency wrapping umumnya dilakukan dengan menggunakan filterbank. Transformasi Kosinus (Discrete Cosine Transform [DCT]) Pada tahap ini akan dikonversi mel-frequency ke dalam domain waktu dengan menggunakan DCT. Hasilnya disebut dengan MFCC. Pengenalan Pola dengan Codebook Pengenalan pola dengan codebook dilakukan untuk data latih, setelah vektor ciri diperoleh dari proses MFCC. Codebook adalah kumpulan titik (vektor) yang mewakili distribusi suara dari suara tertentu dalam ruang suara. Setiap titik pada codebook dikenal sebagai codeword. Codebook merupakan cetakan yang dihasilkan suara setelah melakukan proses training. Setiap suara yang sudah direkam dibuat codebook yang terdiri dari beberapa codeword untuk
20 9 merepresentasikan ciri suaranya. Gambar 5 merupakan codebook dari data latih. proses pembuatan Chord A1 Chord A2 Chord A15 Sampel 1 Sampel 2 Sampel 15 Frame 1 Frame T1 Frame 1 Frame T2 Frame 1 Frame T15 MFCC MFCC MFCC MFCC MFCC MFCC C1 C1 C1 C1 C1 C1 C13 C13 C13 C13 C13 C13 Concatenation w1 w2 wk C11 C12 C21 C22 Ck1 Ck2 C113 C213 2 Gambar 5 Proses pembuatan codebook dari data latih Codebook dibentuk dengan cara membentuk cluster semua vektor ciri yang dijadikan sebagai training set dengan menggunakan algoritme clustering. Algoritme clustering yang akan dipakai adalah K-means. Langkah pertama yang dilakukan oleh algoritme ini adalah menentukan K-initial centroid, dengan K adalah parameter spesifik yang ditentukan user, yang merupakan jumlah cluster yang diinginkan. Setiap titik atau objek kemudian ditempatkan pada centroid terdekat. Kumpulan titik atau objek pada tiap centroid disebut cluster. Kemudian langkah penempatan objek dan perubahan centroid diulangi sampai tidak ada objek yang berpindah cluster. Gambar 6 merupakan ilustrasi sebaran data suara di sekitar codebook. Ck13
21 10 w2 w3 w1 w6 w4 w7 f d(f,w5) w5 (,,, ) (, ),,.., (, ) Gambar 6 Ukuran jarak antara sebuah frame dengan sebuah codebook Setiap suara yang masuk, akan dihitung jaraknya dengan codebook setiap kelas. Kemudian jarak setiap sinyal suara ke codebook dihitung sebagai jumlah jarak setiap frame sinyal suara tersebut ke setiap codeword yang ada pada codebook. Kemudian dipilih codeword dengan jarak minimum. Jika dalam sinyal suara input O terdapat T frame dan codeword k merupakan masing-masing codeword yang ada pada codebook, jarak sinyal input dengan codebook dapat dirumuskan: ( (,,, ), (,,, )),,.., (, ) Setelah itu, setiap sinyal suara yang masuk akan diidentifikasi berdasarkan jumlah dari jarak minimum tersebut x dan y adalah vektor yang ada sepanjang vector dimension (D). Perhitungan jarak dilakukan dengan menggunakan jarak Euclid yang didefinisikan sebagai berikut (Buono dan Kusumoputro, 2007):, - Pengujian Pengujian dilakukan pada MFCC data uji dengan codebook data latih. Setiap data yang diuji, akan dilihat jumlah suara chord gitar yang teridentifikasi dari 24 jenis/kelas chord gitar. Sistem pengenalan suara gitar otomatis ini akan mengklasifikasikan suara chord gitar tadi masuk ke kelas yang sesuai. Output yang akan dihasilkan berupa 2 chord gitar. Proses pengujian chord pada penelitian ini dilakukan dengan menggunakan metode pengenalan tak berstruktur. Pengenalan tak berstruktur dilakukan dengan membandingkan langsung setiap chord pada data uji ke setiap codebook chord yang telah dibuat. Proses pengenalan tesebut dilakukan dengan cara menghitung total jarak minimal dari setiap frame sinyal data uji pada setiap codeword dalam
22 codebook chord yang dibuat. Secara lebih jelas proses tak berstruktur dapat dilihat pada Lampiran 2. Pengujian dilakukan pada data uji yang telah dipersiapkan. Tingkat akurasi sistem akan dihitung untuk mengevaluasi hasil penelitian. Setiap data yang diuji akan dilihat apakah data tersebut teridentifikasi pada chord yang semestinya. Persentase tingkat akurasi dihitung dengan fungsi berikut: 11 Lingkungan Pengembangan Sistem Lingkungan pengembangan adalah kumpulan fasilitas yang diperlukan dalam melaksanakan penelitian, baik berupa perangkat keras maupun perangkat lunak. Pada penelitian ini lingkungan pengembangan menggunakan perangkat keras CPU Dual-Core Processor E-350 dan 4 GB RAM sedangkan perangkat lunak menggunakan Windows 7 Ultimate, Matlab R2010b, dan Audacity 1.3. HASIL DAN PEMBAHASAN Pengumpulan Data Suara 2 chord gitar direkam selama 3 detik. Seluruh data chord yang telah dikumpulkan berjumlah 8640 data suara dengan komposisi 5760 data latih dan 2880 data uji. Sinyal suara dikenakan segmentasi chord terlebih dahulu sebelum diekstraksi ciri dengan menggunakan MFCC. Segmentasi dilakukan dengan cara nilai chord diabsolutkan, kemudian mengambil semua nilai yang di atas nol dan dihitung nilai rata-ratanya. Langkah selanjutnya dengan menyeleksi nilai chord yang di bawah rata-rata terpanjang untuk dihapus. Hasil yang digunakan dalam proses pengolahan MFCC merupakan data-data berupa vektor, sehingga sebelum diolah data yang berisi sinyal-sinyal chord gitar tersebut harus dikonversi. Software Matlab dapat mengatasinya dengan mengubah nilai dari sinyal-sinyal yang menyusun data tersebut menjadi vektor. Gambar 7 merupakan contoh vektor dari sinyal chord C dan chord B.
23 12 Gambar 7 Vektor sinyal suara chord C dan chord B Setelah mendapatkan semua data dalam bentuk vektor yang diharapkan, maka proses dilanjutkan dengan tahap MFCC. Ekstraksi Ciri dengan MFCC Proses MFCC pada penelitian ini menggunakan fungsi pada auditory toolbox Matlab. Fungsi MFCC tersebut didapat dari Buono (2009). Dari semua data yang diperoleh akan dilakukan ekstraksi ciri MFCC. Parameter yang dibutuhkan pada proses MFCC ini yaitu sampling rate, time frame, overlap, dan cepstral coefficient. Pemilihan nilai untuk time frame dan overlap berturut-turut adalah 30 ms dan 40%. Jumlah koefisien cepstral yang digunakan sebanyak 13 dan 26. Proses ekstraksi ciri ini dilakukan terhadap semua data. MFCC mengubah sinyal suara ke dalam suatu matriks yang berukuran jumlah koefisien yang digunakan dikali dengan banyaknya frame suara yang terbentuk. Matriks ini menunjukkan ciri spectral dari sinyal suara tersebut. Pada penelitian ini, masingmasing data suara yang telah diproses dengan MFCC memiliki jumlah frame berbeda-beda. Pemodelan Codebook Tahap pemodelan codebook dilakukan dengan menggabungkan setiap data latih pada masing-masing chord. Data yang digunakan merupakan data latih yang sudah berupa ciri dari suara chord gitar yang telah diperoleh pada tahap MFCC. Setelah data digabungkan, dilakukan proses clustering dengan menggunakan k- means. Data yang diklasterkan merupakan gabungan koefisien dari setiap data uji pada tiap jenis chord gitar. Jumlah k yang digunakan adalah 8, 12, 16, 20, 24, 28, 32 dan 100. Dengan demikian, setiap chord gitar memiliki codebook dengan 13 dan 26 koefisien cepstral dimana setiap codebook tersebut dibuat dengan k-cluster sebanyak 8, 12, 16, 20, 24, 28, 32, dan 100.
24 13 Hasil Pengujian Tahap pengujian dilakukan dengan menggunakan kombinasi parameter yang berbeda-beda, sehingga terlihat perbandingan akurasi dan dapat dipilih hasil yang baik. Parameter-parameter yang diujicobakan adalah sebagai berikut: 1 Time frame sebesar 30 ms. 2 Overlap Jumlah koefisien cepstral 13 dan Jumlah klaster pada k-means 8, 12, 16, 20, 24, 28, 32, dan 100 pada codebook. Tabel 3 menunjukkan perbandingan akurasi penggunaan koefisien cepstral 13 dan 26 terhadap nilai k-cluster 8, 12, 16, 20, 24, 28, 32, dan 100. Percobaan dengan koefisien cepstral 13 dengan nilai k 8, 12, 16, 20, 24, 28, 32, dan 100, rataan akurasi terrendah berada pada pemakaian k-cluster 8 yaitu sebesar 35.97% dan tertinggi pada pemakaian k-cluster 100 yaitu sebesar 92.5%. Tabel 3 Nilai akurasi koefisien cepstral 13 dengan k-cluster 8, 12, 16, 20, 24, 28, 32, dan 100 Koefisien Cepstral k-cluster % 41.11% 47.64% 52.78% 54.03% 60.83% 64.17% 92.50% 51.94% 59.17% 67.22% 75.83% 79.17% 84.03% 85.83% 98.89% Tabel 3 di atas juga menunjukkan bahwa untuk percobaan dengan koefisien cepstral 26, rataan akurasi terrendah berada pada pemakain k-cluster 8 yaitu sebesar 51.94% dan tertinggi pada pemakaian k-cluster 100 yaitu sebesar 98.89%. Pengaruh nilai k-cluster kembali terlihat seperti pada pengujian menggunakan koefisien cepstral 13 dengan nilai k 8, 12, 16, 20, 24, 28, 32, dan 100. Pada percobaan ini, nilai k-cluster berbanding lurus dengan akurasi yang dihasilkan sistem. Pada Tabel 3 penggunaan koefisien ceptral 13 maupun 26, akurasi terrendah sama-sama dihasilkan dengan nilai k-cluster 8 dan akurasi tertinggi dihasilkan dengan nilai k-cluster 100. Pada percobaan ini nilai k-cluster sangat berpengaruh terhadap kenaikan akurasi, semakin besar nilai k-cluster maka semakin besar pula akurasi yang dihasilkan oleh sistem. Kecenderungan peningkatan jumlah koefisien cepstral dan k-cluster terhadap tingkat akurasi ketika nilai overlap dan time frame tetap, yaitu 0.4 dan 30 ms. Tingkat akurasi maksimum yang diperoleh adalah sebesar 98.89% yaitu pada saat nilai koefisien cepstral 26 dan jumlah cluster sebanyak 100, sedangkan tingkat akurasi minimum yang diperoleh adalah sebesar 51.94% ketika jumlah k- cluster sebanyak 8. Hal ini terjadi karena cluster yang membentuk vektor ciri lebih sedikit sehingga sering terjadi kesalahan dalam pengenalan chord. Gambar 8 merepresentasikan data dari Tabel 3 agar dapat terlihat perbandingannya secara jelas.
25 14 Tingkat akurasi (%) k-cluster Gambar 8 Grafik akurasi koefisien cepstral 13 dan 26 dengan k-cluster 8, 12, 16, 20, 24, 28, 32, dan 100 Analisis Percobaan Hasil yang didapat dari pengujian identifikasi chord gitar terdapat hasil akurasi yang berbeda antara koefisien cepstral 13 dan 26 dengan rata-rata akurasi dari setiap pengujian yang didapat ditunjukan pada Tabel 4. Tingkat akurasi terbaik terjadi pada koefisien 26 terjadi pada saat nilai k 100 sebesar 98.89%, sedangkan akurasi terrendah terjadi pada saat nilai k 8 sebesar 35.97%. Tabel 4 Hasil rata-rata akurasi koefisien cepstral berdasarkan nilai k k-cluster Koefisien cepstral % 51.94% % 59.17% % 67.22% % 75.83% % 79.17% % 84.03% % 85.83% % 98.89% Rata Rata 56.37% 75.26% Rata-rata akurasi koefisien cepstral berdasarkan nilai k dapat dilihat pada Tabel 4. Koefisien cepstral 26 menghasilkan akurasi yang lebih baik dari koefisien cepstral 13 pada setiap pengujian dengan nilai k-cluster yang telah ditentukan. Data pada Tabel 4 menghasilkan rata-rata akurasi secara keseluruhan dengan nilai k-cluster yang diujikan sebesar 56.37% untuk koefisien cepstral 13 dan 75.26% untuk koefisien cepstral 26.
26 15 Analisis Kesalahan Terlihat dari pembahasan di atas bahwa pengembangan metode codebook untuk identifikasi chord gitar, analisa kesalahan untuk koefisien 26 dengan nilai k- cluster 100 mampu menghasilkan hasil rata-rata akurasi yang baik. Confusion matrix dengan koefisien 26 dan nilai k-cluster 100 dapat dilihat pada Lampiran 3. Kesalahan identifikasi chord gitar pada koefisien 26 dengan nilai k-cluster 100, yaitu sebanyak 6 kesalahan. Kesalahan tersebut terjadi pada chord A data uji ke 23 dan 28 yang dikenali sebagai chord Am, chord Am data uji ke 27 yang dikenali sebagai chord G#, chord C data uji ke 4 dan 19 yang dikenali sebagai chord F# dan Fm, chord E data uji ke 28 yang dikenali sebagai chord Em, chord F# data uji ke 12 yang dikenali sebagai chord F, dan chord Gm data uji ke 15 yang dikenali sebagai chord F#. SIMPULAN DAN SARAN Simpulan Penelitian ini menunjukkan bahwa nilai-nilai parameter sangat memengaruhi akurasi sistem. Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut: 1 Penelitian ini telah berhasil mengembangkan implementasi metode codebook dan teknik ekstraksi ciri MFCC dalam identifikasi chord gitar. 2 Akurasi tertinggi yang dihasilkan sebesar 98.89% dengan penggunaan time frame 30 ms, overlap 40%, koefisien cepstral 26, dan k-cluster Sistem ini mampu mengidentifikasi 2 chord gitar menggunakan model codebook dengan penggunaan koefisien cepstral 26 menghasilkan akurasi yang lebih tinggi dibandingkan dengan 13 koefisien cepstral. Saran Penelitian ini masih memiliki kekurangan sehingga dapat dikembangkan lebih lanjut untuk mendapatkan hasil yang lebih baik pada penelitian selanjutnya. Beberapa saran itu di antaranya: 1 Melakukan pembersihan data (praproses) sebelum MFCC, seperti normalisasi dan menghilangkan kekosongan nada di awal dan di akhir chord. 2 Menambahkan jumlah chord gitar yang mampu diidentifikasi, yaitu sebanyak 3 chord atau lebih.
27 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. Buono A, Kusumoputro B Pengembangan model HMM berbasis maksimum lokal menggunakan jarak Euclid untuk sistem identifikasi pembicara. Di dalam: Prosiding pada Workshop NACSIIT; 2007 Jan 29-30; Depok (ID), hlm 52. Do MN Digital signal processing mini-project: an automatic recognition system. Laussane (CH): Federal Institute of Technology. Jurafsky D, Martin JH Speech and Language Processing an Introduction to Natural Language Processing, Computational Linguistic, and Speech Recognition. New Jersey (US): Prentice Hall. Li TF, Chang SC Speech recognition of mandarin syllables using both linear predict coding cepstra and mel frequency. Di dalam: Proceeding of the 19 th Conference on computational Linguistic and Speech processing. ROCLING; 2007 Sep 6-7; Taipei. Taiwan. Taipei (TW): ACLCLF. Taufani MF Perbandingan pemodelan wavelet dan MFCC sebagai ekstraksi ciri pada pengenalan fonem dengan teknik jaringan syaraf tiruan sebagai classifier [skripsi]. Bogor (ID): Institut Pertanian Bogor. Wisnudisastra E, Buono A Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstraksi ciri MFCC. Jurnal Ilmiah Ilmu Komputer. 14 (1):16-21.
28 Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian 17
29 18 Lampiran 1 Lanjutan
30 19 Lampiran 2 Diagram proses pengenalan tak berstruktur Data Uji MFCC 24 Codebook Chord Data Ciri Chord Min jarak model chord 1 Min jarak model chord Min jarak model chord 24 min Identifikasi chord
31 Lampiran 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 26 dengan nilai k Chord 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 Akurasi(%) A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# ,67 F#m G Gm G# G#m Rata-rata 98.89
32 RIWAYAT HIDUP Penulis dilahirkan di Serang tanggal 7 Oktober 1988 dari Ibu Suwartini dan Bapak Sugiono. Penulis merupakan anak pertama dari tiga bersaudara. Pada tahun 2007, penulis lulus dari SMA Negeri 3 Cilegon dan pada tahun yang sama diterima di Diploma IPB Program Keahlian Teknik Komputer melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2010 penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.
IDENTIFIKASI 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 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 terperinciPENDAHULUAN 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 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 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 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 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 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 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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciJurnal Komputer Terapan Vol. 1, No. 2, November 2015, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 1, No. 2, November 2015, 121-132 121 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Pengenalan Ucapan Dengan Ekstraksi Ciri Mel- Frequency Cepstrum Coefficients
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA
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
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 terperinciTRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL DYNAMIC PROGRAMMING SINTYA ROSDWIANTY
TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL DYNAMIC PROGRAMMING SINTYA ROSDWIANTY DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 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 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 terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
SKRIPSI PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA MADE GDE JAYA HARRY KHESA S JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS UDAYANA BUKIT JIMBARAN
Lebih terperinciUNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV
UNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV SKRIPSI YUNANTO WIDYATMAJI 0404030881 FAKULTAS TEKNIK
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 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 terperinciIDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO
IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO 02.50.0020 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS KATOLIK
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 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 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 NADA PIANIKA MENGGUNAKAN JENDELA SEGITIGA, DCT, DAN FUNGSI JARAK EUCLEDIAN
PEGEALA ADA PIAIKA MEGGUAKA JEDELA SEGITIGA, DCT, DA FUGSI JARAK EUCLEDIA Linggo Sumarno Jurusan Teknik Elektro, Universitas Sanata Dharma Kampus III, Paingan, Maguwoharjo, Depok, Sleman, Yogyakarta 558
Lebih terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA M. G. J. Harry Khesa S 1, W. Setiawan 2, I.G.A.K. Diafari Djuni H 3 1,2,3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz
Lebih 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 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 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 terperinciSEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER AYU GUSTIAWATI FAKULTAS MATEMATIKA DAN ILMU
PERBANDINGAN METODE WAVELET DAUBECHI IES DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER AYU GUSTIAWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS
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 terperinciAPLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT
APLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN LINEAR VECTOR QUANTIZATION UNTUK PENGENDALIAN GERAK ROBOT Anggoro Wicaksono, Sukmawati NE, Satriyo Adhy,
Lebih terperinciSISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR
SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR Ali Mustofa Jurusan Teknik Elektro, Universitas Brawijaya Email: a_tofa@yahoo.com Abstrak - Pengenalan penutur adalah
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 terperinci2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...
DAFTAR ISI PERNYATAAN... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iii ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN...
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 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 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 terperinciUNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL SKRIPSI
UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL SKRIPSI Diajukan untuk melengkapi sebagian persyaratan menjadi sarjana 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 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 terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
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 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 terperinciBAB II DASAR TEORI Suara. Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan
BAB II DASAR TEORI 2. 1 Suara Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitude tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun benda
Lebih terperinciIdentifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri
Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri Vicky Zilvan, S.Kom. UPT LPSN - LIPI v_q1e@yahoo.com Furqon Hensan Muttaqien, S.Komp. P2 Informatika - LIPI fh.muttaqien@informatika.lipi.go.id
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 terperinciSISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM)
SISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM) Harun Sujadi 1, Ii Sopiandi 2, Agis Mutaqin 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Majalengka
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. database dan database query, secara keseluruhan menggunakan cara yang sama.
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Experimen Pada dasarnya tahapan yang dilakukan pada proses pengambilan sampel dari database dan database query, secara keseluruhan menggunakan cara yang sama. Berdasarkan
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih 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 terperinciPENERAPAN SOM UNTUK PENGENALAN NADA PADA ANGKLUNG MODERN AREN AUDITA
PENERAPAN SOM UNTUK PENGENALAN NADA PADA ANGKLUNG MODERN AREN AUDITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI SKRIPSI
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 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 terperinciIMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA
IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA Yusup Miftahuddin 1) Mira Musrini B 2) Muhammad Rifqi Hakim 3) 1) 2) 3) Teknik Informatika
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN PROGRAM APLIKASI. spesifikasi perangkat keras dan perangkat lunak yang menunjang.
26 BAB III ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1 Spesifikasi yang Dibutuhkan Untuk dapat menjalankan Voice Recognition Program ini dibutuhkan beberapa spesifikasi perangkat keras dan perangkat
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 terperinci