PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
|
|
- Utami Cahyadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA Pembimbing: Dr. Muhammad Rivai, S.T., M.T. Suwito, S.T., M.T. Bidang Studi Elektronika Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember 2016
2 LATAR BELAKANG LATAR BELAKANG Indonesia merupakan Negara agraris 25% masyarakat Indonesia bermata pencaharian sebagai petani (BPS,2015) Beras merupakan makanan pokok masyarakat Indonesia Indonesia belum mampu memenuhi kebutuhan beras dalam negeri(tempo,2015) Penurunan produksi menjadi salah satu faktor
3 LATAR BELAKANG LATAR BELAKANG Hama burung merupakan salah satu faktor penurunan produksi beras Metode pengusiran hama masih menggunakan metode konvensional
4 LATAR BELAKANG LATAR BELAKANG Dalam ekosistem sawah terdapat berbagai jenis burung Keberadaan burung dapat dideteksi berdasarkan kicauan Masing-masing jenis burung memiliki kicau yang berbeda (Lee,2006) Kicauan burung digunakan sebagai alat komunikasi
5 LATAR BELAKANG RUMUSAN MASALAH 1. Bagaimana identifikasi keberadaan burung berdasarkan parameter suara 2. Bagaimana sistem akan membedakan suara hama burung dengan suara nonhama burung 3. Bagaimana cara mengusir hama burung
6 LATAR BELAKANG TUJUAN 1. Sistem mampu mengekstraksi ciri suara dari kicau burung menggunakan MFCC dan Spektrum Frekuensi 2. Sistem mampu membedakan antara hama burung dan non-hama burung dengan Jaringan Syaraf Tiruan 3. Burung dapat diusir dengan audiosonik repeller
7 LATAR BELAKANG BATASAN MASALAH 1. Pemrosesan sinyal menggunakan komputer 2. Simulasi pengujian dengan menggunakan berkas suara kicau burung 3. Jenis burung yang dikenali adalah burung bondol (emprit), burung gelatik, burung gereja, burung cekakak jawa (raja udang) dan burung perkutut
8 DASAR TEORI BURUNG PADA EKOSISTEM SAWAH 1. Ekosistem sawah merupakan ekosistem buatan 2. Sawah merupakan tanah yang digarap dan diairi untuk menanan padi 3. Didalam ekosistem terjadi hubungan timbal balik antara makhluk hidup dengan lingkungannya (membentuk rantai makanan)
9 BURUNG PADA EKOSISTEM SAWAH BURUNG BONDOL Burung emprit/bondol merupakan burung pemakan biji-bijian. Makanan utama burung ini adalah biji padi. Habitat berada dekat dengan sumber makanan (persawahan)
10 BURUNG PADA EKOSISTEM SAWAH BURUNG GELATIK Gelatik jawa merupakan jenis dari burung pipit. Makanan dari burung ini adalah biji padi Habitat berada didekat sumber makanan (persawahan)
11 BURUNG PADA EKOSISTEM SAWAH BURUNG GEREJA Burung gereja merupakan jenis burung pipit. Makanan dari burung gereja adalah biji-bijian Habitat berada didaerah persawahan, perkotaan
12 BURUNG PADA EKOSISTEM SAWAH BURUNG CEKAKAK JAWA Cekakak jawa merupakan burung pemakan serangga. Habitat didekat perairan, persawahan
13 BURUNG PADA EKOSISTEM SAWAH BURUNG PERKUTUT Perkutut merupakan burung pemakan biji-bijian Habitat burung perkutut berada pada area hutan terbuka, persawahan Mencari makanan ditanah sehingga bukan merupakan hama utama tanaman padi
14 DASAR TEORI MIKROFON Mengubah sinyal suara menjadi sinyal listrik Nilai kapasitansi berubah-ubah
15 DASAR TEORI LOUDSPEAKER Loudspeaker berfungsi mengubah sinyal listrik menjadi sinyal suara Interaksi antara magnet permanen dan medan magnet moving voice coil Cone bergetar, menyebabkan tekanan udara berubah-ubah
16 DASAR TEORI FAST FOURIER TRANSFORM Merubah sinyal domain waktu berhingga menjadi spektrum frekuensi Merupakan algoritma cepat dari persamaan Discrete Fourier Transform (DFT) x[ k] N 1 n 0 x[ n] kn W N kn j2kn / N W N e
17 DASAR TEORI VOICE ACTIVITY DETECTION Proses untuk menentukan antara kondisi diam dan kondisi terdapat tutur Pembeda berupa batas dari ekstraksi ciri yang digunakan Ekstraksi ciri berupa energi suara dan frekuensi dominan suara power N 1 1 N n0 x[ n] 2,0 n frekuensi max( FFT ( x[ n])) N 1
18 DASAR TEORI MEL FREQUENCY CEPSTRUM COEFFICIENT (MFCC) MFCC merupakan metode ekstraksi ciri suara berdasarkan pendengaran telinga manusia yang bertindak sebagai filter Skala pendengaran manusia tidak menggunakan skala hertz. Melainkan skala mel Pendekatan skala mel dapat dilakukan dengan pendekatan filter bank Analisa yang dilakukan berupa short time analysis
19 DASAR TEORI (MFCC) FRAME BLOCKING Frame blocking merupakan pengelompokan sinyal menjadi frame-frame Dalam satu frame berisi 20ms-30ms suara Sinyal suara memiliki bentuk konstan dalam durasi tersebut
20 DASAR TEORI (MFCC) WINDOWING Merupakan pendekatan filter digital Finite Impulse Response (FIR) Mengkonvolusikan sinyal waktu berbatas dengan fungsi window Mengurangi aliasing akibat dari frame blocking y[ n] x[ n]* w[ n]
21 DASAR TEORI (MFCC) FAST FOURIER TRANSFORM N 1 x[ k] n 0 x[ n] kn W N kn j2kn / N W N e Merubah sinyal domain waktu berhingga menjadi spektrum frekuensi Merupakan algoritma cepat dari persamaan Discrete fourier Transform (DFT)
22 DASAR TEORI (MFCC) MEL FREQUENCY WARPING Persepsi manusia terhadap suara terhadap suara tidak bekerja secara linier Sehingga skala yang digunakan bukan hertz Skala yang bekerja sesuai dengan telinga manusia disebut skala mel Pendekatan skala mel yang bekerja pada manusia menggunakan filter bank mel( f ) 2595*10 log(1 f ) 700
23 DASAR TEORI (MFCC) DISCRETE COSINE TRANSFORM Telinga manusia menerima respon suara berdasarkan sinyal domain waktu Spektrum mel perlu dirubah kembali dalam sinyal domain waktu Transformasi cosinus diskrit merubah mel spektrum menjadi cepstrum Cn I i1 (log Sk)cos[ n( i 1 ) 2 ], n 1,2,..., I I
24 DASAR TEORI JARINGAN SYARAF TIRUAN Merupakan metode pengenalan pola Meniru jaringan syaraf manusia Propagasi maju: i J j0 ( ) x[ j]* w[ j, i] Propagasi fungsi aktivasi: 1 1 e f i Propagasi mundur: J i jw j1 ij i g( i ) Perbarui bobot: w baru [ j, i] w[ j, i] x j i
25 DIAGRAM BLOK SISTEM KESELURUHAN Fs= 48kHz frame_buffer= 1024
26 VOICE ACTIVITY DETECTION Menganalisa frekuensi dominan dan energi suara dari 100 frame keadaan diam frekuensi, i 1, 2,..., 100 power, i 1, 2,..., 100 frekuensi max( frekuensi i ) min( frekuensi,, i ) power max( power i ) min( power,, i ) frekuensi 1 N 100 i1 frekuensi, i power 1 N 100 i1 i
27 VOICE ACTIVITY DETECTION A= power B= frekuensi dominan C= status histerisis kicau D= 1 (terdeteksi kicauan) D= 0 (tidak ada terdeteksi kicau) D= X (dapat diabaikan)
28 VOICE ACTIVITY DETECTION Mengurangi variasi data akibat jarak antara penutur dengan mikrofon kondensor Dilakukan dengan membagi sinyal terhadap nilai peak-topeak NORMALISASI i max( ) min( ) i suara terekam (normalized+dc remove) 6.00E E E-01 amplitudo 0.00E E E E-01 waktu
29 MEL FREQUENCY CEPSTRUM COEFFICIENT
30 FRAME BLOCKING Dalam 1 frame berisi 1024 data suara (21ms) Overlapping antar frame 50% Hasil dari frame blocking merupakan sinyal yang telah dibagi beberapa frame. Dalam satu frame berisi 1024 data suara 1 2,..., 1024
31 WINDOWING Mengurangi aliasing dan kebocoran spectral akibat proses frame blocking Secara khusus digunakan fungsi window hamming 2n w[ n] cos,0 n N 1 N 1 21ms Frame 21ms Frame Windowed 2.50E E E E E E E-02 power spektrum 5.00E E E E power spektrum 0.00E E E E E E E-01 waktu (s) -2.00E-01 waktu (s)
32 FAST FOURIER TRANSFORM Dengan frekuensi sampling 48kHz Jumlah N= 1024, sehingga didapatkan resolusi FFT Hasil dari FFT dapat direduksi menjadi N= E Hz / titik 1 2,..., 512 Spektrum Frekuensi Burung Perkutut 1.00E+00 Power Spektrum 8.00E E E E E Frekuensi (Hz)
33 MEL FREQUENCY WARPING Spektrum Frekuensi Dipetakan dalam Mel Filter Bank Pendekatan Filter Bank merupakan pendekatan telinga manusia sebagai filter y[ i, k] k a, a k b b a c k, b k c c b 0, k c k b Mel-Frequency Warping, 1 2,..., 512 1,1 x... 2,1 24,1 1,2 2, , ,512 2, ,512 1,1... 2,1 24,1 1,2 2, , ,512 2, ,512 filter 21 filter 17 filter 13 filter 9 filter 5 filter skala mel filter index
34 DISCRETE COSINE TRANSFORM Manusia mendengar bukan berdasarkan spektrum frekuensi, melainkan sinyal dalam domain waktu Kelebihan sinyal domain waktu tidak menghilangkan ciri fonetis sinyal suara Dalam 1 detik, dihasilkan 92 frame, sehingga terbentuk matriks MFCC Perkutut Frame Index Coefficient Index 1,1 2, ,1 1,2 2, , ,92 2, ,92
35 JARINGAN SYARAF TIRUAN Arsitektur jaringan syaraf tiruan yang digunakan memiliki 2 hidden layer, 2208 node input layer, 100 neuron pada hidden layer 1, 40 neuron pada hidden layer 2 dan 4 neuron pada layer output target 0001= burung bondol 0010= burung gereja 0100= burung cekakak 1000= burung gelatik 1001= burung perkutut
36 REALISASI SISTEM
37 REALISASI SISTEM No Nilai Terukur (ADC) Sound Level Meter (db) Persamaan umum regresi log 1 y 0x log y log 0 1 log x n 1 N log x.log n1 y n1 n1 n1 n1 N N 2 2 n log x N [ log x. N log x] log y log 0 N log y. 1 n n 1 1 N N log x y 30.78x
38 REGRESI LOGARITMIK No Nilai Terukur Oleh Sistem (db) Nilai Terbaca Oleh Sound Level Meter (db) Galat (%)
39 FAST FOURIER TRANSFORM No Nilai Terukur Oleh Sistem (Hz) Nilai Terbaca Pada Function (Hz) Galat (%)
40 Voice Activity Detection No Kondisi Frekuensi (Hz) Kekuatan (db) Atas Bawah Atas Bawah 1 Senyap (indoor) Ruang Terbuka (Taman) Pinggir Jalan Raya
41 Voice Activity Detection 1 frame white noise 4.00E E E+01 Amplitudo 1.00E E E E E+01 waktu (s) spektrum frekuensi white noise 1.20E E+00 power spektrum 8.00E E E E E frekuensi (Hz)
42 Voice Activity Detection No Jenis burung Frekuensi Kekuatan Suara (db) (Hz) 10cm 50cm 100cm 1 Gelatik Cekakak Bondol Gereja Perkutut
43 SHORT FAST FOURIER TRANSFORM Pengujian dengan dilakukan transformasi fourier waktu pendek (short time fourier transform) Waktu pemrosesan sinyal yang digunakan 21ms (1024 N data) Power Spektrum Spektrum Frekuensi Burung Perkutut 1.50E E E E+00 Frekuensi (Hz) Power Spektrum Spektrum Frekuensi Burung Bondol 1.50E E E E+00 Frekuensi (Hz) Power Spektrum Spektrum Frekuensi Burung Cekakak 1.50E E E E+00 Frekuensi (Hz) Power Spektrum Spektrum Frekuensi Burung Gelatik 1.50E E E E+00 Frekuensi (Hz) Power Spektrum Spektrum Frekuensi Burung Gereja 1.50E E E E+00 Frekuensi (Hz)
44 SHORT FAST FOURIER TRANSFORM JARINGAN SYARAF TIRUAN Pengujian digunakan untuk mengetahui respon pembelajaran NN terhadap spektrum frekuensi kicau Masing-masing burung dilatihkan 5 data spektrum (total 25 data) Iterasi Terhadap Koefisien Pembelajaran iterasi Koefisien Pembelajaran Iterasi Terhadap Galat MSE Iterasi Galat MSE
45 SHORT FAST FOURIER TRANSFORM PENGUJIAN OFFLINE DENGAN BERKAS SUARA 70 Grafik Tingkat Keberhasilan Terhadap Kondisi Akustik Lingkungan 60 Tingkat Keberhasilan (%) Indoor Luar Ruangan Ramai Kondisi Akustik Lingkungan 10cm 50cm 100cm
46 MFCC Spektrum frekuensi (STFT) pada lokasi yang berbeda memberikan spektrum yang berbeda amplitudo 1.50E E E E E E E+00 Frame 1 Frame 2 Kicau Burung Bondol time power spektrum 1.20E E E E E E E+00 Frekuensi Frame Blocking frekuensi power spektrum 1.20E E E E E E E+00 Frekuensi Frame Blocking frekuensi
47 MFCC MFCC Perkutut MFCC Gereja Frame Index Coefficient Index Frame Index Coefficient Index MFCC Gelatik MFCC Bondol Coefficient Index Frame Index Frame Index MFCC Cekakak Jawa 21 Coefficient Index Coefficient Index Frame Index
48 MFCC JARINGAN SYARAF TIRUAN Grafik Iterasi Terhadap Koefisien Pembelajaran Iterasi Koefisien pembelajran MFCC FFT Grafik Iterasi Terhadap Galat MSE Iterasi Galat MSE MFCC FFT
49 PENGUJIAN OFFLINE DENGAN CEPSTRUM DAN SPEKTRUM TERSIMPAN Pengujian dilakukan dengan menguji cepstrum dan spektrum yang tersimpan Sebagian dipelajari, dan sisanya dibuat untuk pengujian No Pengujian Keberhasilan (%) MFCC FFT 1 1 Data Pembelajaran/jenis burung 2 2 Data Pembelajaran/jenis burung 3 3 Data Pembelajaran/jenis burung 80 76
50 PENGUJIAN OFFLINE DENGAN BERKAS SUARA KICAU Kondisi akustik dalam ruangan Kondisi akustik luar ruangan Kondisi akustik sekitar jalan raya No Jarak (cm) Keberhasilan (%) MFCC FFT 1 10cm cm cm No Jarak (cm) Keberhasilan (%) MFCC FFT 1 10cm cm cm No Jarak (cm) Keberhasilan (%) MFCC FFT 1 10cm cm cm 0 0
51 PENGUJIAN ONLINE Pengujian online dilakukan dengan menggunakan specimen berupa burung bondol No Urutan pengujian Keberhasilan (%) MFCC FFT
52 KESIMPULAN Spektrum frekuensi dan cepstrum frekuensi dapat dijadikan parameter pengenalan jenis burung Kondisi akustik yang berbeda dapat membuat batas VAD berubahubah Tingkat keberhasilan pengujian offlline dengan berkas suara pada sistem pengenalan suara burung dengan MFCC mencapai 90% dengan variasi jenis burung dan kicau Tingkat keberhasilan pengujian offlline dengan berkas suara pada sistem pengenalan burung dengan spektrum frekuensi mencapai 60%
53 VIDEO DEMO
54 VIDEO DEMO
Pengenalan 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 Muhammad Agung Nursyeha, Muhammad Rivai, dan Suwito Teknik Elektro, Fakultas
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 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 terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
Vol: 5, No., Maret 206 ISSN: 2302-2949 PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG Fajar Budiman, Muhammad Agung Nursyeha,
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 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 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 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 Pengenalan fonem adalah implementasi dari speech to teks yang merupakan bagian dari speech recognition atau pengenalan ucapan. Pengenalan ucapan lebih dikonsentrasikan pada ekstraksi
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 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 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 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 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 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 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 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 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 terperinciWarble Of Lovebird Classification Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2968 KLASIFIKASI SUARA LOVEBIRD DENGAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN FUZZY LOGIC Warble Of Lovebird Classification
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 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 terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciMODUL 5 EKSTRAKSI CIRI SINYAL WICARA
MODUL 5 EKSTRAKSI CIRI SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan estimasi frekuensi fundamental sinyal wicara dari pengamatan spektrumnya dan bentuk gelombangnya - Mahasiswa mampu menggambarkan
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 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 terperinciAvailable online at TRANSMISI Website TRANSMISI, 13 (3), 2011,
Available online at TRANSMISI Website http://ejournal.undip.ac.id/index.php/transmisi TRANSMISI, 13 (3), 2011, 82-86 Research Article Aplikasi Pengenalan Ucapan dengan Ekstraksi Mel-Frequency Cepstrum
Lebih terperinciBAB I PENDAHULUAN. kicauan salah satunya adalah burung Anis Merah (zootheracitrina), CucakHijau
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Burung adalah rantai penghuni ekosistem biologi yang dapat dijadikan sebagai objek seni kontes suara. Tetapi tidak semua burung dapat diikutsertakan dalam lomba,
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 terperinciKlasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
Klasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Lorencius Echo Sujianto Putera 1, C. Kuntoro Adi 2 1,2 Program Studi Teknik Informatika, FST, Universitas
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 terperinciHubungan 1/1 filter oktaf. =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz
Hubungan 1/1 filter oktaf f 1 f 2 f 1 = 2 1/2f c f 1 = 2 1/2f c f 1 = 2f c1 = frekuensi tengah penyaring =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz Analisis oktaf sepertiga,
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 terperinciAPLIKASI PENGENALAN UCAPAN DENGAN EKSTRAKSI MEL-FREQUENCY CEPSTRUM COEFFICIENTS
Makalah Seminar Tugas Akhir APLIKASI PENGENALAN UCAPAN DENGAN EKSTRAKSI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MELALUI JARINGAN SYARAF TIRUAN (JST) LEARNING VECTOR QUANTIZATION (LVQ) UNTUK MENGOPERASIKAN
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 terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
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 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 terperinciImplementation of Voice Recognition Based Key Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 3998 IMPLEMENTASI KUNCI BERBASIS SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) Implementation of Voice
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 terperinciLAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA. Disusun Oleh : Inggi Rizki Fatryana ( )
LAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA Disusun Oleh : Inggi Rizki Fatryana (1210147002) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro Surabaya 2014-2015
Lebih terperinciPenentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-771 Penentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4 Mohamad Asfari dan
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 terperinciBABI PENDAHULUAN. Pada dunia elektronika dibutuhkan berbagai macam alat ukur dan analisa.
BAB I PENDAHULUAN BABI PENDAHULUAN 1.1. LATAR BELAKANG Pada dunia elektronika dibutuhkan berbagai macam alat ukur dan analisa. Salah satunya adalah alat untuk mengukur intensitas bunyi dan gain dari sinyal
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 terperinciVerifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW
Verifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW Darma Putra 1, Adi Resmawan 2 1 Staff pengajar Teknologi Informasi, Fakultas Teknik, Universitas Udayana 2 Alumni Teknik Elektro, 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 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 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 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 terperinciBAB II LANDASAN TEORI. Konsep ini pertama kali diperkenalkan oleh Fritz Bauer, yang menerapkan
6 BAB II LANDASAN TEORI 2.1 Konsep Dasar Rekayasa Piranti Lunak Konsep ini pertama kali diperkenalkan oleh Fritz Bauer, yang menerapkan beberapa syarat dalam merekayasa suatu piranti lunak yang kita buat
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 177-183 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI SUARA MANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
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 terperinciPERGERAKAN ROBOT LENGAN BERBASIS PERINTAH SUARA MENGGUNAKAN MFCC DAN ANN
PERGERAKAN ROBOT LENGAN BERBASIS PERINTAH SUARA MENGGUNAKAN MFCC DAN ANN Wahyu Muldayani 1, Djoko Purwanto 2, Tri Arief Sardjono 3 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi
Lebih terperinciRancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi
A476 Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi Welly Setiawan Limantoro, Chastine Fatichah, dan Umi Laili Yuhana Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciAPLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW
APLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW,, [1] Jurusan Teknik Informatika, Fakultas Teknologi Industri, Itenas Bandung youllia@itenas.ac.id, sangkuriang69@gmail.com, adrianyuki16@gmail.com
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Suara Suara adalah sebuah sinyal yang merambat melalui media perantara. suara dapat didefinisikan sebagai gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara
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 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 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 terperinciAPLIKASI PENGENALAN SUARA UNTUK SIMULASI PENGUNCI PINTU ABSTRAK
APLIKASI PENGENALAN SUARA UNTUK SIMULASI PENGUNCI PINTU Stephanus Arnold / 0222021 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jln. Prof. Drg. Surya Sumantri 65, Bandung 40164,
Lebih terperinciAPLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER
APLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER Leo Willyanto Santoso 1, Resmana Lim 2, Rony Sulistio 3 1, 3 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
Lebih terperinciAplikasi Pengolahan Suara untuk Request Lagu
Aplikasi Pengolahan Suara untuk Request Lagu Achmad Basuki [1], Miftahul Huda [2], Tria Silvie Amalia [1] [1] Jurusan Teknologi Informasi [2] Jurusan Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
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 3 PERANCANGAN SISTEM. yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk
BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Voice Command pada demonstrasinya merupakan aplikasi pengenalan suara yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk menampung
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 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 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 terperinci3.1.2 Analisis Kebutuhan... Error! Bookmark not defined Perancangan... Error! Bookmark not defined Pengujian... Error!
DAFTAR ISI LEMBAR PENGESAHAN... Error! Bookmark not defined. PERNYATAAN... Error! Bookmark not defined. ABSTRAK... Error! Bookmark not defined. ABSTRACT... ierror! Bookmark not defined. KATA PENGANTAR...
Lebih terperinciBAB II PENCUPLIKAN DAN KUANTISASI
BAB II PENCUPLIKAN DAN KUANTISASI Sebagian besar sinyal-sinyal di alam adalah sinyal analog. Untuk memproses sinyal analog dengan sistem digital, perlu dilakukan proses pengubahan sinyal analog menjadi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
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 terperinciAplikasi Pengolahan Suara untuk Request Lagu
Aplikasi Pengolahan Suara untuk Request Lagu Achmad Basuki [1], Miftahul Huda [2], Tria Silvie Amalia [1] [1] Jurusan Teknologi Informasi [2] Jurusan Teknik Telekomunikasi Politeknik Elektronika Negeri
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 III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciPenerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows
Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows 1 Muhammad Anggia Muchtar, 2 Raisha Ariani Sirait, 3 Romi Fadillah Rahmat 1,2,3 Program Studi S1 Teknologi Informasi
Lebih terperinciPembuatan Pola Data Bahan Bakar Solar Yang Dicampur Minyak Tanah Menggunakan Sensor Gas Dengan Metode Fast Fourier Transform
Pembuatan Bahan Bakar Solar Yang Dicampur Menggunakan Sensor Gas Dengan Metode Fast Fourier Transform Wengki Adillah, Andrizal, Ratna Aisuwarya, Jurusan Sistem Komputer FTI Universitas Andalas Jln. Kampus
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 1787
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 1787 VIDEO STEGANOGRAFI MENGGUNAKAN METODE ENHANCED LEAST SIGNIFICANT BIT (ELSB) PADA FRAME YANG DIPILIH BERDASARKAN DETEKSI
Lebih terperinciBAB I PENDAHULUAN. resistor, kapasitor ataupun op-amp untuk menghasilkan rangkaian filter. Filter analog
BAB I PENDAHULUAN 1.1 Latar Belakang Filter merupakan suatu perangkat yang menghilangkan bagian dari sinyal yang tidak di inginkan. Filter digunakan untuk menglewatkan atau meredam sinyal yang di inginkan
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 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 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 terperinciVerifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient
32 Jurnal Sistem Informasi Bisnis 0(207) On-line : http://ejournalundipacid/indexphp/jsinbis Verifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient Andi
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 terperinciSATUAN ACARA PERKULIAHAN EK.353 PENGOLAHAN SINYAL DIGITAL
EK.353 PENGOLAHAN SINYAL DIGITAL Dosen: Ir. Arjuni BP, MT : Sinyal dan Pemrosesan Sinyal Tujuan pembelajaran umum : Para mahasiswa mengetahui tipe-tipe sinyal, pemrosesan dan aplikasinya Jumlah pertemuan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian tugas akhir ini dilaksanakan pada : Waktu : Juni 2014 Maret 2015 Tempat : Laboratorium Terpadu Jurusan Teknik Elektro Universitas Lampung
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) DAN RENCANA PELAKSANAAN PEMBELAJARAN (RPP)
RENCANA PEMBELAJARAN SEMESTER (RPS) DAN RENCANA PELAKSANAAN PEMBELAJARAN (RPP) Mata Kuliah : Pengolahan Sinyal Digital (3 SKS) Kode : ELT 2320 Prasyarat : - Program Studi : Teknik Elektronika (program
Lebih terperinciPengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation
1 JURNAL TEKNIK ELEKTRO ITP, Vol. 6, No. 1, JANUARI 2017 Pengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation Sitti Amalia Institut Teknologi Padang, Padang
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 terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1 Hasil Pengambilan Contoh Dasar Gambar 16 merupakan hasil dari plot bottom sampling dari beberapa titik yang dilakukan secara acak untuk mengetahui dimana posisi target yang
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 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 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 terperinciBAB 7. INSTRUMENTASI UNTUK PENGUKURAN KEBISINGAN
BAB 7. INSTRUMENTASI UNTUK PENGUKURAN KEBISINGAN 7.1. TUJUAN PENGUKURAN Ada banyak alasan untuk membuat pengukuran kebisingan. Data kebisingan berisi amplitudo, frekuensi, waktu atau fase informasi, yang
Lebih terperinciPENGENALAN AHKAMUL HURUF MENGGUNAKAN METODE LPC DAN TRANSFORMASI SLANT. Abstract
PENGENALAN AHKAMUL HURUF MENGGUNAKAN METODE LPC DAN TRANSFORMASI SLANT Bustami Abdullah 1, Rizal 2 1 Teknik Informatika, Universitas Malikussaleh, 2 Teknik Informatika, Universitas Malikussaleh e-mail:
Lebih terperinci