PENENTUAN FUNGSI BASIS WAVELET TERBAIK UNTUK SINYAL SUARA
|
|
- Yenny Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENENTUAN FUNGSI BASIS WAVELET TERBAIK UNTUK SINYAL SUARA Syahroni Hidayat 1*, Habib Ratu Perwira Negara 2, Danang Tejo Kumoro 3 1,2,3 Jurusan Teknik Informatika, STMIK Bumigora Mataram Jl. Ismail Marzuki no. 32 Cakranegara, Mataram, Nusa Tenggara Barat * 1 syahroni.hidayat@stmiknumigora.ac.id, 2 habib.ratu27@gmail.com, 3 danangmoro@gmail.com Abstrak Wavelet akhir-akhir ini telah banyak diaplikasikan pada pemrosesan sinyal, salah satunya adalah pada pengenalan suara otomatis. Hal ini karena wavelet mengungguli FFT, yaitu mampu untuk memetakan sinyal ke dalam domain frekuensi-waktu secara bersamaan sehingga dalam prosesnya tidak ada data sinyal yang hilang Wavelet memiliki banyak family yang dibedakan oleh fungsi basis (mother) waveletnya. Namun tidak semua family wavelet tersebut dapat diaplikasikan pada objek sinyal yg sama pada pengenalan suara sehingga dalam aplikasinya penggunaan wavelet masih terkesan trial dan error. Oleh karena itu, perlu dilakukan penentuan tingkat kemiripan fungsi basis wavelet terhadap sinyal di mana wavelet akan diaplikasikan. Dengan demikian, kemampuan sistem pengenalan suara dimungkinkan akan meningkat. Dalam hal ini, salah satu metode yang dapat digunakan untuk menentukan tingkat kemiripan antara sinyal suara dengan fungsi basis wavelet adalah dengan menghitung nilai korelasi antara keduanya. Hasil penelitian menunjukkan bahwa untuk suara vokal bahasa Indonesia a, i, u, e, è, o, dan ò dengan panjang segmentasi 2048 data diperoleh db45 merupakan fungsi basis wavelet terbaik. Adapun berdasarkan jenis kelamin maka fungsi basis wavelet db44 dan fungsi basis wavelet db45 secara berturut-turut merupakan fungsi terbaik untuk suara vokal pria dan wanita. Kata kunci: fungsi basis wavelet, korelasi silang, pengenalan suara otomatis, wavelet,. 1. PENDAHULUAN Wavelet telah banyak diaplikasikan dalam bidang penelitian terkait pemrosesan sinyal. Misalnya pada pengenalan suara otomatis, wavelet digunakan dalam ekstraksi ciri suatu sinyal suara. Selain itu, wavelet mengungguli FFT karena mampu untuk memetakan sinyal ke dalam domain frekuensi-waktu secara bersamaan sehingga dalam prosesnya tidak ada data sinyal yang hilang (Rashmi 2014; Anusuya & Katti 2011). Meskipun demikian, tidak semua fungsi wavelet dapat diaplikasikan pada sinyal suara karena wavelet memiliki banyak family. Pada wavelet, masing-masing family memiliki fungsi basis dan koefisien tersendiri. Dalam satu family setiap fungsi basis dibedakan berdasarkan jumlah koefisiennya. Hal ini membuat penggunaan wavelet dalam aplikasi pengenalan suara masih terkesan trial dan error. Karena seseorang tidak dapat menggunakan sebuah family dan fungsi skala wavelet untuk seluruh aplikasi dan memperoleh hasil yang sama baiknya (Ahuja et al. 2005). Seperti yang telah dilakukan oleh (Farooq & Datta 2003; S. Hidayat et al. 2015; R. Hidayat et al. 2015) yang mengaplikasikan wavelet Daubechies pada pengenalan suara fonem dan suku kata. Hasilnya menunjukkan terdapat beberapa fonem dan suku kata yang cocok dengan koefisien wavelet daubechies yang digunakan namun ada beberapa juga yang tidak. Oleh karena itu, perlu dilakukan penentuan fungsi basis wavelet yang paling mirip dengan sinyal yang diolah sehingga dimungkinkan hasil pengenalan suara akan menjadi lebih tinggi. Ada beberapa metode yang telah dikembangkan untuk penentuan fungsi basis wavelet terbaik, seperti penentuan fungsi basis wavelet berdasarkan nilai entropi sinyal pada hasil dekomposisi tertentu (Coifman & Wickerhauser 1992), penentuan dengan menghitung rata-rata fungsi basis terbaik terhadap transformasi kosinus wavelet paket (wavelet-packet cosine transform : WPCT) (Galka & Ziolko 2009), dan penentuan dengan menghitung korelasi antara seluruh fungsi basis wavelet dengan sinyal hasil dekomposisi yang diaplikasikan pada sinyal biomedik dan suara bearing (Rafiee et al. 2011; Rafiee et al. 2009; Rafiee & Tse 2009). Akan tetapi, pada penelitian yang disebutkan terakhir, metode korelasi yang digunakan berupa autokorelasi dan koefisien korelasi. Berdasarkan uraian di atas, maka pada penelitian ini digunakan korelasi silang (cross-correlation) untuk penentuan fungsi basis wavelet yang paling mirip dengan sinyal suara. Adapun fungsi basis wavelet yang digunakan hanya wavelet family daubechies. Karena sifatnya yang asimetris, mirip seperti sinyal suara. 240
2 2. METODOLOGI 2.1 Pengumpulan Data Perekaman suara dilakukan terhadap 50 orang pembicara, masing-masing 25 orang laki-laki dan 25 orang perempuan. Suara yang direkam berupa suara vokal bahasa Indonesia, yaitu a, i, u, e, è, o, dan ò. Alat perekaman berupa mikrofon yang terintegrasi dengan headphone. Perangkat lunak perekaman adalah Audacity. Proses perekaman dilakukan dengan frekuensi sampling 16 khz, mono, PCM 16 bit. Standar pengucapan suku kata mengikuti standar pengucapan pada International Phonetic Association (IPA) (International Phonetic Association n.d.). Perekaman dilakukan di dalam ruangan untuk dapat mengurangi pengaruh derau latar. Lebih ringkasnya tentang pengumpulan data terdapat pada Tabel 1 berikut: Tabel 1. Variabel dan parameter perekaman No Variabel Keterangan 1 Jenis data yang direkam Vokal 2 Jumlah sampel 50 orang 3 Pengulangan Perekaman 1 kali 4 Tempo Perekaman Sesuai IPA 5 Frekuensi sampling (fs) 16 khz 6 Estimasi Durasi/vokal 1 detik 7 Lingkungan Perekaman Tertutup 8 Format Penyimpanan Data *.wav 2.2 Pengolahan Data Terdapat beberapa tahapan pengolahan data, yaitu tahapan pre-processing yang terdiri dari reduksi derau, deteksi sinyal suara, normalisasi. Berikutnya tahap processing berupa proses perhitungan korelasi silang. Selanjutnya adalah tahap post-processing, yaitu penentuan basis wavelet terbaik. Lebih jelasnya tahapan-tahapan tersebut dijelaskan berikut ini Reduksi Derau dan Deteksi Sinyal Suara (end point) Sinyal suara yang direkam terdiri dari tiga keadaan, silence, unvoiced dan voiced. Silence pada sinyal suara dapat dikategorikan sebagai derau (noise), dan adanya derau tidak hanya akan mempengaruhi proses komputasi akan tetapi juga akan mempengaruhi kualitas suara. Oleh karena itu, derau pada sinyal suara haruslah dihilangkan agar memperoleh kualitas suara yang lebih baik serta menghemat komputasi karena yang diproses hanyalah sinyal voiced saja. Untuk memisahkan sinyal voiced dapat dengan menghapus silence dan mendeteksi titik akhir (end point) dari sinyal suara (Hidayat et al. 2016). Penentuannya dengan menggunakan Short-Time Energy (STE) dan Short-Time Zero Crossing Rate (ZCR) (Poornima 2016). E n = x(m)w(n m) m= (1) Persamaan (1) merupakan algoritma perhitungan STE, dengan W merupakan fungsi window. Adapun algoritma perhitungan ZCR diberikan pada persamaan (2). Pada ZCR juga menggunakan fungsi window sama seperti STE. Selain itu pada ZCR menggunakan fungsi signum. Z n = sgn[x(m)] sgn[x(m 1)] W(n m) m= (2) Normalisasi Pada proses perekaman, hasil rekaman sinyal suara yang berulang-ulang membuat level energi yang diperoleh akan bertingkat-tingkat, hal ini disebabkan perubahan jarak mikrofon dan sumber sinyal. Normalisasi amplitudo diterapkan untuk mengatasi tingkat energi yang tidak konsisten antara sinyal dan dinyatakan pada persamaan (xx) (Huang et al. 2001). 241
3 S(n) S no (n) = max (abs(s(n))) (3) Korelasi Korelasi merupakan pengukuran statistika untuk menentukan derajat kesamaan linier antara dua variabel berbeda. Dua variabel dapat dikatakan berkorelasi jika koefisiennya bernilai antara 1 dan +1. Semakin dekat nilai koefisien dengan -1 atau +1 maka korelasi semakin kuat. Korelasi antar dua variabel dinyatakan oleh (Huang et al. 2001; Rafiee et al. 2011): ρ x,y = cov(x, y) E ((x μ x )(y μ y )) = (4) σ x σ y σ x σ y Rumus di atas mensyaratkan adanya kesamaan antara panjang data yang akan diukur tingkat korelasinya. Sehingga untuk data sinyal suara yang memiliki panjang data yang beragam, terdapat metode perhitungan korelasi tersendiri yang disebut korelasi silang. Rumus korelasi silang dinyatakan sebagai (Ingle & Proakis 2012): ρ x,y(l) = x(n)y(n l) n= (5) Transformasi Wavelet Wavelet adalah gelombang dengan durasi terbatas yang memiliki nilai rata-rata nol, tidak seperti sinusoid yang secara teoritis memiliki panjang dari minus ke plus tak hingga, sementara wavelet memiliki awal dan akhir. Atau dapat dikatakan sebagai gelombang pendek atau singkat. Dalam wavelet dikenal dua metode transformasi yaitu transformasi diskrit dan transformasi kontinyu. Pada aplikasinya transformasi diskrit lebih hemat dalam komputasi, namun transformasi kontinyu lebih baik dan efisien karena mampu mempertahankan seluruh informasi tanpa melakukan downsampling. Persamaan umum wavelet kontinyu adalah : CWT(t, ω) = ( ω ω 0 ) s(t )ψ ( ω ω 0 ) (t t)dt = {s(t), ψ(t)} (6) Dengan {} adalah inner product sinyal ѱ ϵ L 2 (R)\{0} yang sering disebut sebagai mother wavelet. Mother wavelet harus memenuhi kondisi : + 0 c ψ = 2π ψ (ξ) 2 dξ + (3) ξ dan ω/ω 0 adalah faktor skala(rafiee et al. 2011). Mother wavelet menghasilkan semua fungsi wavelet yang digunakan dalam transformasi melalui translasi dan penskalaan, maka mother wavelet juga akan menentukan karakteristik dari transformasi wavelet yang dihasilkan. Oleh karena itu, perlu perhatian yang teliti terhadap penerapan wavelet dan pemilihan yang tepat terhadap mother wavelet harus dilakukan agar dapat menggunakan transformasi wavelet secara efisien(ahuja et al. 2005). Perbedaan mother wavelet ini menyebabkan wavelet dibagi menjadi ke dalam beberapa family, di antaranya Haar, Daubechies, Symlet, Coiflet, Meyer, Mexican Hat, B-spline dan lain-lain (PYWAVELET n.d.). Wavelet daubechies, symlet dan coiflet merupakan fungsi asimetris. Di antara ketiga fungsi ini, daubechies yang paling banyak diaplikasikan pada pengenalan suara otomatis. 242
4 2.3 Alur Penelitian Jalannya penelitian ini telah ditunjukka pada Gambar 1. Ini merupakan pengembangan dari algoritma pemilihan wavelet yang telah dilakukan oleh Rafiee (Rafiee et al. 2011). Pertama-tama suara hasil perekaman dihilangkan deraunya. Kemudian dilakukan pendeteksian titik akhir sinyal suara (end point). MULAI SINYAL SUARA - REDUKSI NOISE - DETEKSI AKTIVITAS SUARA - NORMALISASI SEGMENTASI SINYAL SUARA SEBESAR 2 n SINYAL SUARA TERSEGMENTASI FUNGSI BASIS WAVELET (FBW) DAUBECHIES PILIH SALAH SATU FUNGSI BASIS WAVELET DAN SINYAL SUARA TERSEGMENTASI DEKOMPOSISI HINGGA LEVEL- K HITUNG KORELASI ANTARA KOEFISIEN BASIS WAVELET DENGAN KOEFISIEN SINYAL HASIL DEKOMPOSISI WAVELET KONTINYU HITUNG RATA-RATA NILAI ABSOLUT HASIL KORELASI (RAK) SINYAL TERSEGMENTASI RAK SINYAL SUARA 1,1 / FBW 1.. RAK SINYAL SUARA m,1/ FBW 1... RAK SINYAL SUARA 1,1/ FBW N.. RAK SINYAL SUARA m,1/ FBW N RSW = HITUNG RATA-RATA RAK SINYAL SUARA / FBW N PILIH NILAI RSW TERBESAR FUNGSI BASIS WAVELET TERBAIK SELESAI Gambar 1. Flowchart pemilihan fungsi basis wavelet Selanjutnya adalah dilakukan normalisasi untuk memperoleh nilai amplitudo maksimal yang seragam. Berikutnya adalah masing-masing sinyal suara disegmentasi sebesar 2048 data. Setiap segmen sinyal suara akan dihitung nilai korelasi silangnya terhadap seluruh fungsi basis family wavelet daubechies (dbn). Dimana orde (N) koefisien tertinggi untuk family daubechis adalah 45. Sebelumnya, segmen sinyal suara didekomposisi sampai level ke-4. Tujuannya adalah untuk mengurangi efek redundansi yang biasanya terjadi pada transformasi wavelet kontinyu. Hasil dekomposisi kemudian dihitung koefisiennya menggunakan transformasi wavelet kontinyu pada skala 4. Nilai koefisien wavelet inilah yang kemudian dikorelasikan dengan fungsi basis wavelet. Proses berlanjut hingga seluruh segmen sinyal telah dihitung nilai korelasinya dengan seluruh fungsi 243
5 basis family daubechies. Setelah semua sinyal suara dihitung nilai korelasinya, kemudian dilanjutkan dengan proses penentuan fungsi basis wavelet terbaik. Yaitu, dengan menghitung nilai maksimal dari rata-rata nilai korelasi untuk seluruh sinyal suara. 3. HASIL DAN PEMBAHASAN 3.1 Hasil Pre-Processing Hasil dari tahapan pre-processing berupa reduksi derau, deteksi sinyal suara dan normalisasi ditunjukkan pada Gambar 2. Dimana pada Gambar 2 (a) ditunjukkan sinyal asli hasil perekaman untuk suara vokal a sedangkan hasil pre-processing ditunjukkan pada Gambar 2 (b). Dapat dilihat bahwa sinyal asli masih mengandung derau latar. Namun setelah pemrosesan awal derau telah tereduksi dan nilai amplitudo maksimalnya adalah ± 1. (a) (b) Gambar 2. Sinyal suara (a) sebelum dan (b) sesudah pre-processing 3.2 Hasil Pemilihan Wavelet Dari hasil perhitungan korelasi silang seluruh sinyal suara vokal bahasa Indonesia terhadap fungsi basis wavelet daubechies, diketahui bahwa untuk panjang segmen 2048, yang terbaik adalah db45. Adapun jika dikelompokkan berdasarkan jenis kelamin, maka fungsi basis wavelet daubechies terbaik untuk seluruh suara vokal pria bahasa Indonesia adalah db44. Sedangkan untuk seluruh seluruh vokal wanita bahasa indonesia adalah db45. Lebih ringkasnya disajikan pada Tabel 2 di bawah ini. Tabel 2. Fungsi basis wavelet terbaik untuk seluruh vokal No 1 Jenis Vokal Seluruh Suara Vokal (a, i, u, e, è, o, dan ò) Rata-rata Nilai Maksimum 244 Family Wavelet db Suara Vokal Pria Suara Vokal Wanita Dari hasil di atas, maka dapat dimungkinkan akan adanya peningkatan hasil pengenalan pada sistem pengenalan suara jika db45 diaplikasikan sebagai alat ekstraksi ciri. 4. KESIMPULAN DAN SARAN Pada penelitian ini telah dilakukan penentuan fungsi basis wavelet terbaik untuk sinyal suara suku kata bahasa Indonesia dengan metode korelasi silang. Suku kata difokuskan pada vokal a, i, u, e, è, o, dan ò. Fungsi wavelet yang digunakan adalah family daubechies (dbn) dengan jumlah orde koefisien tertinggi N = 45. Segmentai sinyal yang digunakan berukuran 2048 data. Dari hasil analisis diperoleh bahwa untuk kondisi panjang segmen data tersebut diperoleh fungsi wavelet daubechies terbaik untuk sinyal suara vokal bahasa Indonesia adalah db45. Adapun berdasarkan jenis kelamin maka fungsi basis wavelet db44 dan fungsi basis wavelet db45 secara berturut-turut merupakan fungsi terbaik untuk suara vokal pria dan wanita. Penelitian dapat dilanjutkan untuk menentukan konsistensi hasil fungsi basis yaitu terbaik dengan mengubah-ubah panjang sinyal segmentasi yang digunakan. Misalkan mulai dari 1024, 512, dan 256 data. Selain itu, dilakukan juga analisis terhadap tingkat hasil pengenalan suara suku kata menggunakan fungsi basis wavelet terbaik yang diperoleh dari penelitian ini.
6 5. UCAPAN TERIMA KASIH Peneliti mengucapkan terima kasih kepada DRPM RISTEKDIKTI yang telah membiayai penelitian ini dan semua pihak yang mendukung penelitian ini, terutama kampus STMIK Bumigora Mataram. DAFTAR PUSTAKA Ahuja, N., Lertrattanapanich, S. & Bose, N.K., Properties determining choice of mother wavelet. In IEE Proc.-Vis. Image Signal Process. Anusuya, M.A. & Katti, S.K., Front end analysis of speech recognition: a review. International Journal of Speech Technology, 14(2), pp Available at: [Accessed May 11, 2015]. Coifman, R.R. & Wickerhauser, M.V., Entropy-Based Algorithms for Best Basis Selection. IEEE Transaction on Information Theory, 38(2), pp Farooq, O. & Datta, S., Phoneme recognition using wavelet based features. In Information Sciences. pp Galka, J. & Ziolko, M., Mean Best Basis Algorithm for Wavelet Speech Parameterization. In Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing. pp Hidayat, R., Priyatmadi & Ikawijaya, W., Wavelet based feature extraction for the vowel sound. In 2015 International Conference on Information Technology Systems and Innovation, ICITSI Proceedings. pp Hidayat, S., Hasanah, U. & Rizal, A.A., Algoritma Penghapus Derau / Silence Dan Penentuan Endpoint Dengan Nilai Ambang Terbobot Untuk Sinyal Suara. In Seminar Nasional APTIKOM (SEMNASTIKOM). pp Hidayat, S., Hidayat, R. & Adji, T.B., SPEECH RECOGNITION OF KV-PATTERNED INDONESIAN SYLLABLE USING MFCC, WAVELET AND HMM. Jurnal Ilmiah Kursor, 8(2), pp Huang, X., Acero, A. & Hon, H.-W., Spoken Language Processing: A Guide to Theory, Algorithm and System Development, Prentice Hall. Available at: Ingle, V.K. & Proakis, J.G., Digital Signal Processing using MATLAB, 3rd ed., USA: CENGAGE Learning. International Phonetic Association, IPA Learning Tool., p. Available at: [Accessed January 1, 2015]. Poornima, S., Basic Characteristics of Speech Signal Analysis. International Journal of Innovative Research and Development (IJIRD), 5(4), pp.1 5. PYWAVELET, WAVELET BROWSER. Available at: [Accessed May 21, 2015]. Rafiee, J. et al., A novel technique for selecting mother wavelet function using an intelligent fault diagnosis system. Expert Systems With Applications, 36(3), pp Available at: Rafiee, J. et al., Wavelet basis functions in biomedical signal processing. Expert Systems With Applications, 38(5), pp Available at: Rafiee, J. & Tse, P.W., Use of autocorrelation of wavelet coefficients for fault diagnosis. Mechanical Systems and Signal Processing, 23, pp Rashmi, C.R., Review of Algorithms and Applications in Speech Recognition System. International Journal of Computer Science and Information Technologies (IJCSIT), 5(4), pp
PROSIDING SIMPOSIUM NASIONAL TEKNOLOGI TERAPAN (SNTT) V 2017
Simposium Nasional Teknologi Terapan () 5 2017 ISSN : 2339-028X PROSIDING SIMPOSIUM NASIONAL TEKNOLOGI TERAPAN () V 2017 Tema: Menjembatani Kesenjangan Dari Teknologi Baru Menuju Teknologi Pintar dan Berkelanjutan
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 terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Sinyal PCG Denoising Dekomposisi Frekuensi cuplik 8Khz Frekuensi cuplik 44,1Khz Frekuensi cuplik 48Khz Coiflet Symlet Daubechies Biorthogonal
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 terperinciPemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet
Pemisahan Sinyal Noise Pada Pengolahan Data Medan Magnet Bumi Menggunakan Transformasi Wavelet Setyanto Cahyo Pranoto Pusat Sains Antariksa, Lembaga Penerbangan Dan Antariksa Nasional - LAPAN, Jl. DR.
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 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 terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih 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 terperinciBAB IV HASIL DAN PEMBAHASAN. yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel 4.2.
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan perbandingan sinyal suara jantung dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan
Lebih terperinciPengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model
Pengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model Ziaul Haq, Teknik Informatika S1,Universitas Dian Nuswantoro Semarang Abstract Pengenalan
Lebih terperinciBAB I PENDAHULUAN. Penyakit jantung merupakan salah satu penyebab kematian terbesar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung merupakan salah satu penyebab kematian terbesar di Indonesia (Depkes, 2011). Penyakit jantung ini merupakan salah satu penyakit yang tidak
Lebih terperinciSistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM
ISSN: 2085-6350 Yogyakarta, 15 September 2015 CITEE 2015 Sistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM Syahroni Hidayat 1, Risanuri Hidayat 2, Teguh Bharata
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 terperinciPENERAPAN KLASIFIKASI VOICED DAN UNVOICED PADA PENGENALAN TUTUR BEBERAPA KATA BAHASA INDONESIA
PENERAPAN KLASIFIKASI VOICED DAN UNVOICED PADA PENGENALAN TUTUR BEBERAPA KATA BAHASA INDONESIA Heru Susanto 1) 1) Dosen Prodi Teknik Dirgantara, Sekolah Tinggi Teknologi Kedirgantaraan 1 hesa_3@yahoo.com
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 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 terperinciMODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA
MODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan proses penghitungan energi pada sinyal wicara dengan menggunakan perangkat lunak. II. DASAR TEORI 2.1. Energi Suatu
Lebih terperinciPEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM)
PEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM) Oleh: ELOK ANGGRAYNI NRP. 2409 100 092 Dosen Pembimbing: Prof. Dr.
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database sinyal EKG Pengambilan data dari database Visual Basic 6.0 Discrete Wavelet Transform (DWT) Dekomposisi Daubechies Orde 2
Lebih terperinciMODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA
MODUL PENGHIUNGAN ENERGI PADA SINYAL WICARA I. UJUAN - Mahasiswa mampu melakukan proses penghitungan energi pada sinyal wicara dengan menggunakan perangkat lunak. II. DASAR EORI.1. Energi Suatu Sinyal
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 terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
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 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 terperinciAlgoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(PACs) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient
Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions(s) Berdasarkan Kombinasi RR Interval dan Correlation Coefficient Iman Fahruzi Jurusan Teknik Elektro, Politeknik Negeri Batam Parkway
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Isyarat tutur merupakan isyarat yang diproduksi oleh alat ucap manusia hingga menghasilkan informasi, baik berupa makna dari isyarat tutur yang diucapkan maupun yang
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 terperinciDeteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice
Jurnal Teknik Elektro dan Komputer, Vol.I, No.2, Oktober 21, 125-129 125 Deteksi Titik Awal dan Titik Akhir Sinyal Untuk Pemisahan Sinyal Voice dan Unvoice Luqman Hakim Program Studi Teknik Mekatronika,
Lebih terperinciDESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT
DESAIN DAN IMPLEMENTASI SISTEM PENINGKATAN KUALITAS PEREKAMAN AUDIO DENGAN WAVELET NOISE REDUCTION DAN AUTOMATIC GAIN ADJUSTMENT Mayo Ama Kella Loing, Koredianto Usman, Rita Magdalena Institut Teknologi
Lebih terperinciSIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT
SIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT ( Kristiawan Purwanto, Tutug Dhanardono) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo
Lebih terperinciPemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat
Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta
Lebih terperinciWATERMARKING PADA BEBERAPA KELUARGA WAVELET
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 3, 18-25, Desember 2004, ISSN : 1410-8518 WATERMARKING PADA BEBERAPA KELUARGA WAVELET Aris Sugiharto, Eko Adi Sarwoko Jurusan Matematika FMIPA Universitas Diponegoro
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 terperinciLAPORAN PRAKTIKUM DSP
LAPORAN PRAKTIKUM DSP MODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA Disusun Oleh : Yuli Yuliantini (121014 7021) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro Surabaya Surabaya 2015
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1. Diagram Blok Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium.
Lebih terperinciMETODE PENELITIAN. Gambar 1 Alur metode penelitian.
akan menggunakan bantuan aplikasi pemrosesan audio (Rochesso 2007). Penambahan Derau Derau merupakan suara-suara yang tidak diinginkan. Munculnya derau dapat menurunkan kualitas suatu berkas audio. Penambahan
Lebih terperinciPencocokan Citra Digital
BAB II DASAR TEORI II.1 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri dijital yang lebih praktis, murah dan otomatis.
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
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 terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciIdentifikasi Speech Recognition Manusia dengan Menggunakan Average Energy dan Silent Ratio Sebagai Feature Extraction Suara pada Komputer
Identifikasi Speech Recognition Manusia dengan Menggunakan Average Energy dan Silent Ratio Sebagai Feature Extraction Suara pada Komputer Identification Human speech recognition using Average energy and
Lebih terperinciEKSTRASI CIRI DAN PENGENALAN SUARA VOKAL BAHASA INDONESIA BERDASARKAN JENIS KELAMIN SECARA REAL TIME
EKSTRASI CIRI DAN PENGENALAN SUARA VOKAL BAHASA INDONESIA BERDASARKAN JENIS KELAMIN SECARA REAL TIME Risky Via Yuliantari 1*, Risanuri Hidayat 2, Oyas Wahyunggoro 3 1,2,3 Jurusan Teknik Elektro dan Teknik
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS. Muhammad Rizki Anggia
PERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS Muhammad Rizki Anggia Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
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 terperinciBAB I PENDAHULUAN. pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran.
BAB I PENDAHULUAN 1.1 Latar Belakang Saat sesuatu diukur maka beberapa data didapatkan. Umumnya pengukuran tidak pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran. Mendapatkan data
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1 Diagram Blok Rancangan Penelitian. 24 25 Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program,
Lebih terperinciBAB II LANDASAN TEORI. terdiri dari bagian atas yang disebut serambi (atrium) dan bagian bawah yang
BAB II LANDASAN TEORI 2.1 Sinyal Suara Jantung (PCG) Jantung adalah organ tubuh yang berfungsi untuk memompa darah dan terdiri dari bagian atas yang disebut serambi (atrium) dan bagian bawah yang disebut
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 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 terperinciPENGENALAN VOKAL MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN LINEAR PREDICTIVE CODE
SEMINAR NASIONAL ke 8 Tahun 23 : Rekayasa Teknologi Industri dan Informasi PENGENALAN VOKAL MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN LINEAR PREDICTIVE CODE Reza Nandika, Risanuri Hidayat 2, Sujoko
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 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
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 terperinciAplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian
Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian Swastiti Vinana Sari 1, Achmad Hidayatno 2, Abdul Syakur 2 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro,
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 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 terperinciEKSTRAKSI CIRI DAN PENGENALAN TUTUR VOKAL BAHASA INDONESIA MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM
F.30 EKSTRAKSI CIRI DAN PENGENALAN TUTUR VOKAL BAHASA INDONESIA MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN DYNAMIC TIME WARPING (DTW) SECARA REALTIME Risky Via Yuliantari *, Risanuri Hidayat,
Lebih terperinciDAFTAR ISI. Halaman LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK... i ABSTRACT... ii KATA PENGANTAR...iii DAFTAR ISI... v DAFTAR GAMBAR...
ABSTRAK Noise merupakan salah satu kendala yang mempengaruhi kualitas sinyal suara yang ditransmisikan. Noise tersebut dapat berasal dari peralatan komunikasi itu sendiri atau pengaruh dari sumber luar.
Lebih terperinciSistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD
Sistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD M. Afridon 1, Khairudinsyah 2 Politeknik Negeri Bengkalis Jl. Bathin Alam Sei. Alam, (0766) 7008877 e-mail: mohd_afridon@yahoo.co.id Abstrak
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 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 terperinciMODUL II : SPEECH AND AUDIO PROCESSING
MODUL II : SPEECH AND AUDIO PROCESSING TUJUAN 1. Memahami karakteristik sinyal suara dan audio 2. Mampu melakukan pengolahan terhadap sinyal suara dan audio 3. Mampu menggunakan tool untuk pengolahan sinyal
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop, praktisi
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 terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciDETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM)
DETEKSI OTOMATIS KELAINAN JANTUNG MENGGUNAKAN HIDDEN MARKOV MODEL (HMM) Jondri dan Achmad Rizal Institut Teknologi Telkom, Bandung jdn@ittelkom.ac.id dan arz@ittelkom.ac.id ABSTRACT The heart of patient
Lebih terperinciKOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4
KOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4 Disusun Oleh : Nama : Michael Darmawan Nrp : 0322130 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria Sumantri,
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 terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
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 terperinciAdaptif Audio Watermarking Berdasarkan Nilai Snr Pada File Audio Dengan Informasi Sisipan Teks
Adaptif Audio Watermarking Berdasarkan Nilai Snr Pada File Audio Dengan Informasi Sisipan Teks Redi Kuncoro Katri 1,*, Gelar Budiman 1, Ledya Novamizanti 1 1 Universitas Telkom, Fakultas Teknik Elektro
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 terperinciSuara bisa dibuat database engine untuk pengenalan kata. Dengan aplikasi ini, dapat secara otomatis melakukan transkripsi suara, sehingga dapat mengur
PEMBENTUKAN BASIS DATA UCAPAN DALAM BAHASA INDONESIA DAN PENGKODEANNYA BERDASARKAN LINEAR PREDICTIVE CODING (LPC) Elly Oktarina zonalee_cho@yahoo.com Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok
Lebih terperinciDETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM
DETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM Mohammad Jasa Afroni 1), Oktriza Melfazen 2) 1),2), Jurusan Teknik Elektro,Fakultas Teknik Universitas Islam Malang Jl. MT Haryono
Lebih terperinciIdentifikasi Gender Melalui Suara Dengan Metode Statistik Ciri Orde Pertama
Identifikasi Gender Melalui Suara Dengan Metode Statistik Ciri Orde Pertama Dahlan Abdullah 1), Cut Ita Erliana 2), Irdanil Kamal 3) 1), 3) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Malikussaleh
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi berkembang dengan pesat, terutama bidang elektronika dan komputer yang diterapkan pada bidang medis. Kemajuan teknologi
Lebih terperinciBAB 1 PENDAHULUAN. berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition
BAB 1 PENDAHULUAN 1.1 Latar Belakang Speaker recognition adalah salah satu bidang pengenalan pola yang berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition yang mengenali kata atau
Lebih terperinciAnalisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)
Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu
Lebih terperinciPerbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) ABSTRAK
Perbandingan Estimasi Selubung Spektral dari Bunyi Voiced Menggunakan Metoda Auto-Regressive (AR) dengan Weighted-Least-Square (WLS) Bogerson/0322076 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciPerbandingan Mother Wavelet dalam Proses Denoising pada Suara
IJCCS, Vol.8, No.1, January 2014, pp. 69~80 ISSN: 1978-1520 69 Perbandingan Mother Wavelet dalam Proses Denoising pada Suara Rahmat Ramadhan* 1, Agfianto Eko Putra 2 1 Jurusan Teknik Informatika, F.Teknik,
Lebih terperinciBAB IV ANALISIS. Tabel IV-1 Perbandingan Nilai Korelasi Antar Induk Wavelet pada Daerah Homogen. Wavelet
BAB IV ANALISIS IV.1 Perbandingan Nilai Antar Induk Pada daerah homogen, penggunaan transformasi satu dimensi hanya meningkatkan sedikit nilai korelasi, dilihat dari nilai korelasi sebelum dilakukan transformasi
Lebih terperinciBAB III METODE PENELITIAN. jantung pasien penyakit jantung secara elektro-akustik atau PCG
BAB III METODE PENELITIAN A. Metode Pengumpulan Data Data penelitian ini diperoleh melalui observasi terhadap pasien penyakit jantung. Penelitian ini menggunakan alat untuk mendeteksi dan perekaman detak
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Metode penelitian yang digunakan pada penelitian ini adalah denoising
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan pada penelitian ini adalah denoising menggunakan Blind Source Separation dengan metode ICA. Data
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Penelitian terkait Gunung Merapi merupakan hal yang menarik untuk dilakukan. Berbagai metode digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian terkait Gunung Merapi merupakan hal yang menarik untuk dilakukan. Berbagai metode digunakan untuk mengetahui aktivitas dan karakteristik dari gunung tersebut.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
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 terperinciMODUL 1 PROSES PEREKAMAN DAN PENGEDITAN SINYAL WICARA
MODUL 1 PROSES PEREKAMAN DAN PENGEDITAN SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan proses perekaman dan pengeditan sinyal wicara dengan menggunakan perangkat lunak. II. DASAR TEORI 2.1. Pembangkitan
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 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 terperinciAUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA GENETIKA
Seminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 217 ISSN 285-4218 ITN Malang, 4 Pebruari 217 AUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada sistem identifikasi pembicara atau speaker identification, proses eksraksi ciri memainkan peranan penting dalam menghasilkan persentase keakuran yang baik. Terdapat
Lebih terperinciJl. Telekomunikasi, Dayeuh Kolot, Bandung Indonesia
KLASIFIKASI PENYAKIT BATUK BERDASARKAN SINYAL DATA SUARA MENGGUNAKAN EKSTRAKSI CIRI FAST FOURIER TRANSFORM DAN POWER SPECTRAL DENSITY DENGAN ALGORITMA JARINGAN SARAF TIRUAN- PROPAGASI BALIK COUGH DISEASE
Lebih terperinci