PERANGKAT LUNAK VERIFIKASI SUARA DENGAN METODE PENGOLAHAN SINYAL
|
|
- Utami Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERANGKAT LUNAK VERIFIKASI SUARA DENGAN METODE PENGOLAHAN SINYAL Ninuk Wiliani 1, Elvira Rosalina Novianti 2 1,2 Program Studi Teknik Informatika, Institut Sains dan Teknologi Nasional Jl. Moh. Kahfi II, Bhumi Srengseng Indah, Jagakarsa, Jakarta Selatan ninukwiliani15@gmail.com rosalinaa@gmail.com ABSTRACT The verification is very important role is a system, For the reason to prevent abuse and protect the data change an admin usually set restriction (role) for each user. The use of passwords to the text is usually used to overcome this undesirable things. An alternative to the use of passwords that have been considered less secure because the password input process can still be done by others. This software is used to identify a user based on the input in the form of sound. This software is known as Speech Recognation. The method used in this case is to use the sampling methode, the frame blocking, windowing, DFT, IDFT and capstrum liftering thus obtained extract signals that can be saved as a codebook. If the word is entered in accordance with the standards in the codebook, the system will be perform an action to perform user verification. The algorithm is used DTW (Dynamic Time Warping), by comparing the pattern of speech in determining the pattern similarity distance between different pattern. This algorithm measures the distance between two times series to obtain sequencing. The ability to use speech and pattern recognition problems time allignment and normalization. Precentage success of this system is devided into two. Online is about 77-85% while offline is 83-95% with some tendency errors matching said. Keywords : Verification, codebook, speech PENDAHULUAN Sebuah verifikasi memiliki peranan yang sangat penting di dalam perusahaan yang memiliki sebuah sistem. Seperti misalnya seorang pengelola SDM dan pengelola keuangan, mereka pasti mempunyai kepentingan yang berbeda dalam penggunaan aplikasi yang sama. Hak akses yang dan kepentingan yang berbeda itulah maka perlu adanya pengaturan dan pembatasan bagi tiap user dengan alasan penyalah gunaan dan perlindunga perubahan data yang mungkin saja terjadi karena ketidak sengajaan. Yang sering di gunakan adalah penggunaan password, namun password masih di rasa kurang dari segi keamanan, karena password masih bisa di input oleh orang lain yang tidak berkepentingan. Untuk itu dibuat salah satu alternatife pemecahan masalah untuk kasus ini, yaitu sebuah perangkat lunak untuk mengenali user berdasarkan input suara, yang di dalamnya terdapat pilihan parameter pemberian input, yaitu berdasarkan nama, alamat dan lain sebagainya, Perangkat lunak ini lebih di kenal dengan Speech Recognation.Teknologi ini berbasis fonem, memiliki kinerja yang tidak lebih baik dari pengenalan wicara berbasis kata, namun dengan memanfaatkan jumlah potongan fonem yang besar (secara statistik), maka hal ini diharapkan akan dapat diimplementasikan secara optimal dalam sistem ini. Penelitian ini mengkalisifikasikan bagian bagian atau komponen sinyal ucapan menjadi tiga keadaan yang berbeda, yaitu silence, voiced dan unvoiced. Kemudian membandingkan pola wicara dalam menentukan kesamaan jarak antara pola pola yang berbeda dan mentranformasikan sinyal dari domain waktu ke domain frekwnesi agar sinyal dapat diproses dalam spektral substraksi. Membuat suatu perangkat lunak untuk mengenali pengguna yang mengakses aplikasi yang di dalamnya terdapat proses sehingga suara yang diinputkan akan dikenali oleh sistem, dan dapat digunakan sebagai password dan pengaturan penggunaan hak akses user. Aplikasi ini juga dapat mengklasifikasikan sinyal ucapan menjadi tiga keadaan berbeda, silence, voiced dan unvoiced serta membandingkan pola wicara dalam menentukan kesamaan jarak antara pola pola yang berbeda. Diharapkan juga juga agar bisa mendapatkan fitur yang dapat membandingkan suara yang satu dengan yang lain. Aplikasi yang akan di buat ini diharapkan dengan harapan dapat membantu meningkatkan tingkat keamanan dengan mengganti input yang sebelumnya menggunakan text atau tulisan menjadi sebuah bentuk suara. A-283
2 Speech Recognation (Pengenalan Wicara) adalah Sebuah proses yang dilakukan oleh komputer atau jenis mesin yang lain dalam mengenali kata yang diucapkan. Pada dasarnya, memiliki arti berbicara dengan komputer, dan mengenali dengan benar apa yang kita katakan - Utterance (Ucapan) Penyuaraan kata (berkata) atau kata yang melambangkan suatu arti ke komputer. Ucapan bisa menjadi 1 kata, beberapa kata, kalimat, ataupun kalimat majemuk - Speaker Dependance (Ketergantungan terhadap Pembicara) Sistem ini umumnya lebih teliti untuk speaker yang benar dan tepat dan bergantung pada atu user saja (pembuat sistem) namun ketepatannya jauh lebih kecil dibandingkan speaker yang lain (user yang lain) - Vocabularies (Perbendaharaan Kata) Daftar kata atau ucapan yang bisa di pakai oleh Speech Recognation sistem. Secara umum, vocab yang lebih kecil, lebih mudah bagi komputer untuk mengenali, sedangkan vocab yang lebih besar, tentu akan lebih sulit. - Accuract Kemampuan recognizer bisa di periksa dengan mengukur ketepatannya atau bagaimana sistem pengenalan tersebut dengan baik mengenali sebuah ucapan. Ketepatan sistem yang dapat diterima benar benar bergantung pada aplikasi yang ada. - Training (Pelatihan) Beberapa speaker recognize mempunyai kemampuan untuk menyesuaikan diri terhadap satu speaker yang lain. Kalau sistem mempunyai kemampuan ini, memungkinkan terjadinya pelatihan. Gressia Melissa mengatakan bahwa voice recognation dibagi menjadi 2 jenis, yaitu speech recognation dan speaker recognation. Parameter yang di bandingkan adalah tingkat penekanan suara yang kemudian dicocokkan dengan template database yang tersedia. Sistem Speech Recognition biasanya dapat dioperasikan pada dua mode yang berbeda, yaitu 1). Mode pembelajaran. Pada mode ini, sistem akan dilatih menggunakan sejumlah kata atau kalimat yang memenuhi suatu kriteria tertentu. Setiap contoh kata atau kalimat ajar tersebut akan menghasilkan pola tertentu yang akan dipelajari oleh sistem dan disimpan sebagai template atau referensi. 2).Mode produksi atau Pengenalan ucapan. Pada mode ini, setiap kalimat yang ingin dikenali akan dianalisis polanya. Berdasarkan hasil perbandingan dengan template atau referensi, modul klasifikasi pola serta pengambil keputusan akan mengidentifikasikan kata atau kalimat yang diucapkan tersebut. METODOLOGI PENELITIAN Penelitian ini dilakukan melalui beberapa tahapan, sebagai berikut : 1. Perekaman Suara sebagai sample Perekaman suara dari 30 orang dengan kombinasi jenis kelamin yang berbeda, yaitu 15 orang wanita dan 15 orang laki laki, kata kata yang direkam merupakan nama yang merupakan nama yang merupakan nama karangan dengan syarat terdiri dari 2 suku kata. 2. Pembuatan Database Pembuatan database dari sinyal sinyal suara yang telah diambil/direkam sebagai sinyal standar dari nama nama karangan dengan ketentuan terdiri dari 2 suku kata dan dibatasi selama 0,938 ms. 3. Proses Matching (Proses Pencocokan) Pematchingan dan pengambilan rata rata dari masing masing user pada database sehingga pada saat ada sinyal independent (sinyal baru) yang masuk, dapat dicari nilai errornya. Data dengan nilai error terkecil di asumsikan mempunyai tipikal suara yang sama dengan sinyal suara standar dan akan diijinkan untuk melakukan standard dan akan diijinkan untuk melakukan pencarian data pegawai. 4. Integrasi dan Pengujian Sistem Dilakukan integrasi antara program pembuatan database dengan program pembanding dan dilakukan pengujian sistem yang telah dibuat. Pengujina sistem dibagi menjadi 2, yaitu pengujian secara online dan pengujian secara offline. 5. Analisa Sistem A-284
3 Sistem di analisa berdasarkan kaidah kaidah pengolahan sinyal wicara. 6. Software yang digunakan di gunakan di dalam penelitian ini adalah Ttcl/Tk dan Snack. Untuk dapat menginstal Snack, terlebih dahulu harus men-download paket instaler Snack 2.2.n dari internet tepatnya di situs Sebelum dapat menginstal Snack, dipastikan bahwa sudah terdapat Tcl/Tk yang terinstal di dalam sistem operasi yang digunakan. Untuk sistem operasi Linux biasanya Tcl/Tk sudah terinstal bersamaan dengan instalasi Linux. Tetapi untuk sistem operasi windows, harus menginstal terlebih dahulu Tcl/Tk. Tcl/Tk adalah suatu bahasa pemrograman script yang dapat bekerja dengan Snack. Sistem Pengolahan Sinyal Suara Diagram blok untuk pengolahan sinyal suara pada fase pembelajaran (training phase) adalah sebagai berikut : Gambar 1 Diagram Blok Sistem Pengenalan Wicara pada enrollment phase Perancangan sistem dilakukan berdasarkan pada diagram pembelajaran (enrollment phase) dan diagram pengujian (testing phase) dimana untuk diagram enrollment phase sistem akan melakukan dan menganalisa sedemikian rupa sinyal suara/ wicara dari pengguna kemudian dimasukkan ke dalam database. Sedangkan untuk pengujian, bahwa sinyal suara yang dimasukkan ke dalam sistem akan dikenali melalui cara pembandingan dengan data pada database, setelah itu sistem akan mengambil keputusan berdasarkan hasil pembandingan data tersebut. PEMBAHASAN Dari pengujian dan analisa, maka akan diketahui tingkat keberhasilan dan tingkat kekurangan dari sistem atau software yang telah dibuat. Pengujian yang dilakukan meliputi : 1. Pengujian dan analisa sistem pengolahan sinyal suara (mode pembelajaran). 2. Pengujian dan analisa hasil SSE programming. 3. Pengujian dan analisa sistem aplikasi pengenalan suara untuk mengakses database user/ pegawaian (mode pengujian). Hasil Pengujian Sistem Pengujian sistem dilakukan dalam dua tahap, yaitu pengujian secara offline dan pengujian secara online. Pengujian secara offline berarti sistem diuji tingkat keberhasilannya dengan menggunakan sinyal suara yang telah direkam sebelumnya di ruang anti noise. Sinyal suara ini merupakan sinyal suara yang dipergunakan sebagai cepstrum codebook. Sedangkan pengujian secara online berarti sistem diuji tingkat keberhasilannnya dengan pewicara dari berbagai kalangan (usia dewasa) secara online. Proses dari berjalannya sistem adalah sebagai berikut: 1). Pengguna menginputkan sinyal suara melalui microphone. Penginputan data dilakukan dengan menggunakan headphone dan dilakukan di ruangan rumah biasa yang berisi banyak peralatan elektronik dan manusia, hal inilah yang menyebabkan sinyal input yang diucapkan masih banyak ditumpangi oleh noise. 2).Sistem A-285
4 mengolah/ mengekstrak sinyal suara yang masuk sehingga didapatkan parameter-parameter yang diperlukan. Sinyal suara dari pengguna akan diolah dan diproses sesuai dengan program yang telah dibuat, pertama-tama yaitu mendeteksi sinyal yang masuk dan mencari nilai dari sinyal tesebut sehingga pada saat digambarkan data yang diperoleh bisa mempunyai bentuk yang sama dengan sinyal aslinya. Setelah didapat data dari sinyal asli maka selanjutnya program akan mencari sinyal suara murni dan memotong tail-tail dari sinyal. Sinyal yang telah dipotong tail-tailnya itu kemudian dibagi menjadi beberapa frame kemudian di windowing untuk mengurangi efek diskontinuitasnya. Sinyal hasil windowing masih dalam domain waktu sehingga untuk mendapatkan sinyal dalam domain frekuensi harus di proses dengan DFT (Discrete Fourier Transform). Hasil DFT tersebut kemudian diproses kembali untuk didapatkan suatu nilai yang bisa mewakili 128 data, dalam proyek akhir ini digunakan 20 data untuk mewakili 1 frame sinyal. Sinyal hasil dibandingkankan dengan sinyal standart yang ada. Sinyal input yang telah diproses akan dibandingkan dengan data yang telah tersimpan pada codebook. Kemudian Sinyal dengan nilai terkecil (hasil pematchingan) akan diterimasebagai perintah untuk mencari data pegawai. Sinyal dengan nilai terkecil dan terendah diasumsikan sebagai sinyal yang sama dengan sinyal standart yang terdekat dengan nilainya. Semua program untuk memproses sinyal mulai dari pembacaan sinyal awal sampai proses DTW dikerjakan oleh visual C yang hasilnya dieksport ke tcl/tk sehingga yang berfungsi sebagai eksekutor adalah tcl. Pada tcl inilah diseting frekuensi sampling dan channel dari sinyal yang masuk. Eksekusi dari perintah atau sinyal yang telah diperintahkan oleh pengguna dikerjakan oleh eksekutor pada program tcl/tk. Perintah eksekusi aplikasi program pada tcl menggunakan perintah Run file.tcl. DTW (Dynamic Time Warping) Pengujian terakhir dari proses pengolahan sinyal wicara adalah membandingkan sinyal hasil cepstrum antara data input dan data standarnya. Pengujian dilakukan dalam 2 tahap, yaitu secara offline dan secara online Tabel 1 Nilai Error & Action pada pengujian secara Offline System Tabel 2 Nilai error & Action Pada Pengujian Secara Online System Dari kira kira 30 percobaan serupa dengan 30 kata yang berbeda, didapatkan 5 kata yang tidak match pada saat proses matching dilakukan, jadi sekitar 5/30 = 17% bagian yang tidak match, kemudian digunakan 30 kata sebagai kata standard yang terdiri dari 15 kata untuk codebook laki laki dan 15 kata untuk codebook perempuan dan kata masukan untuk masing masing pengujian dengan kata standard sebanyak 1 kali. A-286
5 Dari 15 percobaan serupa dengan 5 kata yang sama namun memiliki pola penyuaraan (volume) dan pengucapan yang berbeda, didapatkan 1 kata yang tidak match saat proses matching dilakukan, jadi sekitar 5/15 bagian yang tidak match, atau dapat dikatakan bahwa prosentase error sistem bila dilakukan pengetesan online yaitu sekitar 33%, sedangkan sisanya, yaitu 77 % data berhasil termatch dengan baik. Pembahasan Hasil Pengujian dan Analisa Sistem Pengolahan Sinyal Suara Tujuan diadakan pengujian dan analisa untuk pengolahan sinyal suara adalah untuk mendapatkan ciri atau parameter dari sinyal suara tersebut Tahap pengolahan sinyal suara ini adalah sebagai berikut : perekaman suara, sampling, frame blocking, windowing, DFT (Discrete Fourier Transform), dan terakhir proses SSE (Sum Square Error) sebagai penentu keputusan. Perekaman Suara Proses perekaman merupakan titik kritis, karena proses perekaman ini akan menjadi dasar dalam penentuan model akustik. Keterangan : : Menunjukkan frekuensi sampling yang digunakan. Channels : 1, menunjukkan bahwa suara direkam dengan menggunakan channel mono. Sample Encoding : Lin16, menunjukkan bahwa suara direkam dengan menggunakan 16 bit PCM. Gambar 2. Parameter Perekaman di Wavesurfer Berikut contoh hasil perekaman suara yang telah disimpan dan dibangkitkan dengan menggunakan software perekaman suara yang telah kami buat dari integrasi Tcl/Tk dan Snack : Gambar 3. Aplikasi Mode Perekaman Gambar 4 Sinyal Suara Bernoise Menurut Arry Akhmad Arman selaku pengembang Diphone Database Bahasa Indonesia, untuk menghasilkan rekaman kata yang akurat dan bebas noise, diperlukan konfigurasi yang ideal atau konfigurasi tidak ideal yang masih bisa ditolerir yaitu : Konfigurasi ideal, meliputi : - Penggunaan microphone kualitas tinggi yang dirancang khusus untuk ucapan, yaitu microphone yang respon frekuensinya tidak terlalu lebar dan ada di daerah jangkauan frekuensi suara manusia. Microphone jenis ini akan menekan suara-suara lain yang ada di luar daerah jangkauan suara manusia. A-287
6 - Penggunaan alat perekam digital yang mempunyai : (1) saluran input microphone kualitas tinggi, (2) saluran digital yang memungkinkan transfer data secara digital ke PC. - Penggunaan sound card khusus pada PC yang dilengkapi dengan saluran optik digital. - Perekaman dilakukan tanpa PC atau laptop, sehingga akan mengurangi tingkat kebisingan akibat kipas pendingin komputer. Setelah perekaman selesai dilakukan, lakukan transfer data secara digital (optik) ke PC melalui soundcard khusus yang telah disiapkan. Konfigurasi Tidak Ideal yang Masih Dapat Diterima - Gunakan microphone kualitas tinggi. - Gunakan pre-amplifier eksternal yang low-noise dan dapat diatur level input dan outputnya. Hubungkan microphone ke saluran input pre-amplifier. - Gunakan laptop (notebook) yang berkualitas bagus, sehingga suara kipas yang dihasilkannya tidak terlalu bising. Biasanya notebook tipis Pentium III tidak menghasilkan suara kipas yang terlalu bising. - Hubungkan output pre-amplifier ke notebook melalui jalur audio menggunakan kabel audio yang kualitasnya baik. - Aturlah level input dan output pre-amplifier serta level input perekaman pada notebook, sehingga menghasilkan suara yang bersih, noise rendah, levelnya cukup besar, tapi tidak pernah mencapai level maksimum. Dari hasil perekaman seperti pada gambar 3 dapat dilihat bahwa sinyal suara bebas dari noise karena ruang perekaman dan perangkat perekaman sudah sesuai dengan konfigurasi standart. Dari proses perekaman yang dilakukan juga ditemukan adanya korelasi positif antara kuat lemahnya amplitudo dengan sinyal suara yang dihasilkan. Semakin tinggi amplitudo, maka semakin bagus sinyal suara yang dihasilkan karena mampu menekan noise yang ada di sekitar. Mempertinggi amplitudo bisa dilakukan dengan memperkeras suara pewicara yang sedang melakukan proses perekaman, namun ketika memperkeras suara juga perlu diperhatikan karena harga amplitudo yang terlalu tinggi hingga melebihi kapasitas jangkauan alat perekam juga dapat mengakibatkan sinyal tampak cacat, yang bisa jadi mempengaruhi untuk proses selanjutnya. Di dalam gambar 4, menjelaskan sinyal suara yang dihasilkan kurang bagus dan bernoise, dari kurang lebih 35 suara yang direkam hanya dipilih 30 suara yang akan diproses sebagai suara standart berdasarkan kriteria Minim noise dan Sinyal tidak cacat Sampling Dengan menggunakan program yang telah dibuat sesuai dengan parameter perekaman pada gambar 2, proses sampling sinyal standart menggunakan frekuensi sampling sebesar Hz. Data sinyal suara yang didapatkan dari kata Novi adalah sebagai berikut : Sampling kata Novi : Data amplitudo sinyal suara : a. Pewicara perempuan : Gambar 5a. 5b. Sinyal suara Novi A-288
7 Dengan frekuensi sampling sebesar Hz, maka didapatkan bentuk sinyal yang hampir mirip dengan sinyal analognya seperti pada gambar 4, karena sinyal suara manusia memiliki jarak frekuensi antara 300 sampai 3400 Hz, dimana syarat Nyquist minimal fsampling 2 x fsinyal telah terpenuhi. Pada gambar 5 dapat dilihat bahwa suara hasil perekaman dapat dibagi menjadi 3 bagian yaitu (1) silence (S), keadaan pada saat tidak ada ucapan yang diucapkan; (2) unvoiced (U), keadaan pada saat vocal cord tidak melakukan vibrasi, sehingga suara yang dihasilkan bersifat tidak periodik atau bersifat random; (3) voiced (V), keadaan pada saat terjadinya vibrasi pada vocal cord, sehingga menghasilkan suara yang bersifat kuasi periodik. Dengan membandingkan program sampling yang terdapat dalam software, maka didapat Gambar 6. Gambar 6 Perbandingan Sinyal Hasil Sampling Dengan Matlab dan Hasil Pengolahan Sistem Dari gambar 6, dapat dilihat bahwa program pembacaan sinyal yang telah dibuat dalam bahasa C menghasilkan hasil yang sama persis dengan sampling menggunakan software Matlab, hal ini membuktikan bahwa algoritma sampling yang dibuat sudah benar. Front End Detection Sinyal yang didapatkan dari hasil perekaman merupakan sinyal yang masih mengandung noise. Pada proses front-end ini, sinyal-sinyal yang dideteksi sebagai noise dipotong dan diambil sinyal informasinya saja sehingga didapatkan hasil sebagai berikut : Gambar 7 Hasil Front-End Detection Sinyal Informasi Dari Gambar 7 dapat dilihat bahwa dengan menggunakan program front end dapat dilakukan pemisahan antara sinyal informasi dengan noise. Hasil dari standart deviasi dan rata-rata pada proses sebelumnya akan digunakan sebagai parameter untuk menentukan awal dan akhir suara, voiced atau suara akan memiliki nilai power yang melebihi nilai dari standart deviasi dan rata-rata dari voiced. Penentuan awal dan akhir dari sinyal suara dapat diperoleh dengan : Voiced (Standar Deviasi + Rata-rata)... Frame Blocking Pada proses ini dilakukan pemotongan sinyal dalam slot-slot tertentu agar memenuhi 2 syarat yaitu linear dan time invariant. Pada proyek akhir ini sinyal suara dipotong sepanjang 20 milidetik. Setiap potongan tersebut disebut frame. Jadi dalam satu frame terdapat 240 sampel dari sampel yang ada. Hasil nilai dari proses ini adalah sebagai berikut: A-289
8 Gambar 8 Frame Ke-1 Sinyal Suara Novi Dari gambar hasil frame blocking, dapat dilihat bahwa sinyal informasi dibagi menjadi beberapa frame untuk mempermudah proses komputasi. Suara memiliki unsur terkecil yang diprediksi oleh para ahli speech adalah sepanjang 10 ms. Karena pada proses windowing harus dikalikan dua, maka ditentukanlah 20 ms untuk setiap potongan frame. Windowing Setelah proses frame blocking, sinyal melakukan proses window untuk mengurangi efek diskontinuitas ketika sinyal ditransformasikan ke domain frekuensi. Proses window dilakukan tiaptiap frame yang terdiri 240 data sample. Karena adanya pergeseran inilah kemungkinan puncakpuncak yang mestinya terambil menjadi terpotong dapat terjadi. Data sinyal sebelum dan sesudah Windowing untuk kata diktat ditunjukkan dalam gambar ini : Gambar 9 Sinyal Informasi Frame 1 Sebelum dan Sesudah Proses Hamming Window Terlihat banwa window hamming menyebabkan sinyal yang di-framing lebih halus. Hal ini membuktikan bahwa fungsi dari windowing untuk mengurangi efek discontinuitas pada ujung frame. Discrete Fourier Transform (DFT) DFT dilakukan dengan membagi N buah titik pada transformasi fourier diskrit menjadi 2, masing-masing (N/2) titik transformasi. Proses memecah menjadi 2 diteruskan dengan membagi (N/2) titik menjadi (N/4) dan seterusnya hingga diperoleh titik minimum. Pemakaian DFT karena untuk penghitungan komputasi yang lebih cepat dan mampu mereduksi jumlah perkalian dari N 2 menjadi N log N perkalian. DFT yang digunakan memakai 256 titik dan arena hasil DFT simetris, maka keluaran DFT tersebut hanya diambil sebanyak 128 data. Hasil dari proses DFT akan diperoleh titik-titik sinyal yang simetris sehingga data yang diambil hanya setengah dari data keseluruhan. Dari gambar 9 hasil Discrete Fourier Transform sinyal masukan menunjukkan sebaran spektrum frekuensi dari sinyal suara yang telah dihasilkan oleh pengucap antara 0 sampai 6000 Hz, yang telah mencakup daerah daerah spektrum frekuensi dari suara manusia yaitu antara 300 sampai 3400 Hz. Agar dapat diketahui, apakah program DFT yang dibuat telah benar, maka program DFT dibandingkan dengan sintax fft yang sudah tersedia dalam software Wave Surfer. Berikut contoh dft sinyal suara kata Novi yang dibuat dalam 2 jenis software tersebut : Gambar 10 Perbandingan Sinyal Informasi Proses DFT Sistem dan Program Wavesurfer A-290
9 Dapat dilihat bahwa hasil DFT sinyal suara yang telah dibuat dalam bahasa C menghasilkan hasil yang sama persis dengan DFT menggunakan software Wavesurfer, hal ini membuktikan bahwa algoritma DFT yang dibuat dan digunakan dalam sistem ini sudah benar. Inverse Discrete Fourier Transform (IDFT) Pada proses ini akan mengambil 20 buah data yang dapat mewakili data tiap frame. 20 buah data nanti yang akan dipakai sebagai fitur yang dapat mempresentasikan masing-masing frame. Berikut ini merupakan hasil dari liftering dari kata Novi. Gambar 11 Sinyal Informasi Proses DFT Sistem Pada 1,2,3 Kata Novi 256 Titik dan 128 Titik Liftering Pada proses ini mengambil 40 buah data yang dapat mewakili seluruh data dalam 1 frame, alasan mengapa diambil 40 buah data, meskipun sebenarnya yang dibutuhkan hanya 20 data saja adalah karena pada proses berikutnya (pencarian cepstrum DFT), data akan berupa pencerminan sehingga nantinya akan didapatkan 20 data saja. 40 buah data inilah yang nantinya akan dijadikan sebagai input dari proses pencarian cepstrum DFT yang kemudian akan dipakai sebagai fitur yang dapat mempresentasikan masing-masing frame. Liftering merupakan proses dari pemisahan elemen cepstrum dalam dua faktor yaitu fundamental period dan spectral envelope. Dimana untuk mendapatkan spectral envelope, elemen quefrency yang rendah harus melalui proses DFT. Sedangkan untuk mendapatkan fundamental period, elemen quefrency yang tinggi harus melalui proses ekstraksi puncak. Gambar 12 Sinyal Informasi Proses Liftering Sistem Pada Frame 1,2,3, Kata Novi Cepstrum DFT (Spectral Envelope) Cepstrum DFT merupakan bentuk selimut atau selubung dari DFT, jadi sinyal yang masuk proses liftering kemudian di DFT lagi serta dicari selubung dari DFT tersebut. A-291
10 Gambar 13 Sinyal Informasi Proses Cepstrum Sistem Pada Frame 1,2,3, Kata Novi KESIMPULAN Dari proses perancangan, implementasi dan pengujian dapat diambil beberapa kesimpulan : 1. Proses verifikasi user dapat dilakukan dengan menggunakan perintah suara. 2. Suara dapat diklasifikasikan menjadi 3 keadaan yang berbeda, yaitu silence, voiced dan unvoiced dengan cara sampling Terdapat library yang dapat diintegrasikan dengan program C yang dapat membantu mentransformasikan sinyal dari domain waktu ke domain frekuensi agar dapat diproses lebih lanjut. 3. Fitur untuk membandingkan suara dapat diperoleh melalui DFT Cepstrum. Rata-rata cepstrum yang dipergunakan dalam setiap codebook belum sepenuhnya mencerminkan ciri dari suara dikarenakan besarnya varian antar data yang terjadi. 4. DTW (Dynamic Time Warping) merupakan cara untuk membandingkan pola wicara dalam menentukan kesamaan jarak antara pola-pola yang berbeda. Algoritma ini mengukur jarak antara dua time series sehingga didapatkan pengurutan, kemampuan penggunaan pola pengenalan wicara dan masalah waktu penjajaran dan normalisasi. 5. Tingkat keberhasilan sistem berkisar antara 83% - 95% untuk pengujian secara offline dan 77% - 85% untuk pengujian secara online. Keberhasilan sistem dapat ditunjukkan dengan berhasilnya proses verifikasi user yang telah diujikan. DAFTAR PUSTAKA Akhmad Arman Arry, Konversi Dari Teks ke Ucapan, Departemen Teknik Elektro ITB. Akhmad Arman Arry, Teknologi Pemrosesan Bahasa Alami Sebagai Teknologi Kunci untuk Meningkatkan Cara Interaksi antara Manusia dengan Mesin, Departemen Teknik Elektro ITB, Buku Diktat Speech Processing, Universitas PETRA Blachere, Word Distance on the Discrete Heisenberg Group, Colloquium Mathematicum, 2003 Campbell P. Joseph JR, Voice Recognition, IEEE, September 1997 Gabriel COSTACHE, Inge GAVAT, Adrian RAILEANU, Gabriel COSTACHE, Inge GAVAT, Adrian RAILEANU, Voiced Command Huda Miftahul, Bima, Pelatihan Tcl/Snack, PENS ITS, Surabaya, 2005Melissa Gressia, Pencocokan Pola Suara (Speech Recognition) Dengan Algoritma FFT Dan Divide And Conquer, Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Rabiner, Biing Hwang Juang, Fundamentals of Speech Recognition, Prentice Hall International Inc, Yuan Li-Chan, Understanding Speech Recognition, Tutorial, The Snack Sound Toolkit, snack/ A-292
Aplikasi 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 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 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 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 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 terperinciJony Sitepu/ ABSTRAK
PERBANDINGAN ESTIMASI SELUBUNG SPEKTRAL DARI BUNYI VOICED MENGGUNAKAN METODE AUTO-REGRESSIVE (AR) DENGAN OPTIMIZATION OF THE LIKELIHOOD CRITERION (OLC) Jony Sitepu/0422166 Jurusan Teknik Elektro, Fakultas
Lebih terperinciPENGGOLONGAN SUARA BERDASARKAN USIA DENGAN MENGGUNAKAN METODE K MEANS
PENGGOLONGAN SUARA BERDASARKAN USIA DENGAN MENGGUNAKAN METODE K MEANS Prabowo Hadi Putra Sutiknyo Mahasiswa Politeknik Elektronika Negeri Surabaya, Jurusan Teknik Telekomunikasi Politeknik Elektronika
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 1 PENDAHULUAN. sesamanya dalam kehidupan sehari hari untuk menunjang kebutuhan hidup mereka.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia merupakan makhluk sosial yang memerlukan komunikasi dengan sesamanya dalam kehidupan sehari hari untuk menunjang kebutuhan hidup mereka. Suara merupakan salah
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 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 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 terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih 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 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 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 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 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 terperinciIMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION
IMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Persyaratan Dalam Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika Disusun oleh : PAULA
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 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 terperinciPengenalan Suara Menggunakan Metode MFCC (Mel Frequency Cepstrum Coefficients) dan DTW (Dynamic Time Warping) untuk Sistem Penguncian Pintu
239 Pengenalan Suara Menggunakan Metode MFCC (Mel Frequency Cepstrum Coefficients) dan DTW (Dynamic Time Warping) untuk Sistem Penguncian Pintu Zulham Effendi *), Firdaus **), Tati Erlina ***), Ratna Aisuwarya
Lebih terperinciMODUL 3 REPRESENTASI SINYAL DALAM DOMAIN WAKTU DAN DOMAIN FREKUENSI
MODUL 3 REPRESENTASI SINYAL DALAM DOMAIN WAKTU DAN DOMAIN FREKUENSI I. TUJUAN - Mahasiswa mampu menjelaskan perbedaan sinyal wicara dalam domain waktu dan domain frekuensi menggunakan perangkat lunak II.
Lebih terperinciDigital Audio Watermarking dengan Fast Fourier Transform
Digital Audio Watermarking dengan Fast Fourier Transform Otniel 13508108 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB 1 PENDAHULUAN. kehandalannya. Komputer terus dikembangkan. Komputer dituntut memiliki kecepatan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sejak komputer ditemukan manusia selalu berusaha meningkatkan kemampuan dan kehandalannya. Komputer terus dikembangkan. Komputer dituntut memiliki kecepatan komputasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan lafal manusia agar dapat dilakukan oleh sebuah mesin telah menjadi fokus dari berbagai riset selama lebih dari empat dekade. Ide dasar yang sederhana
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 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 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 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 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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Meningkatnya ilmu pengetahuan dan teknologi khususnya pada bidang komunikasi saat ini berkembang dengan cepat. Kemajuan teknologi bertujuan untuk mempermudah kegiatan
Lebih terperinciLAPORAN PRAKTIKUM DSP
LAPORAN PRAKTIKUM DSP MODUL 3 REPRESENTASI SINYAL DALAM DOMAIN WAKTU DAN DOMAIN FREKUENSI Disusun Oleh : Yuli Yuliantini (121014 7021) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro
Lebih terperinciSIMULASI SISTEM PENGACAKAN SINYAL SUARA SECARA REALTIME BERBASIS FAST FOURIER TRANSFORM (FFT)
ELECTRICAL Jurnal Rekayasa dan Teknologi Elektro 192 SIMULASI SISTEM PENGACAKAN SINYAL SUARA SECARA REALTIME BERBASIS FAST FOURIER TRANSFORM (FFT) Prativi Nugraheni Hanggarsari, Helmy Fitriawan, Yetti
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 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 terperinciPENGENALAN UCAPAN DENGAN METODE FFT PADA MIKROKONTROLER ATMEGA32. Disusun Oleh : Nama : Rizki Septamara Nrp :
PENGENALAN UCAPAN DENGAN METODE FFT PADA MIKROKONTROLER ATMEGA32 Disusun Oleh : Nama : Rizki Septamara Nrp : 0622034 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria
Lebih terperinciImplementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara
Implementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara Bima Laksmana Pramudita (13511042) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH DAN PERANCANGAN
BAB 3 METODOLOGI PEMECAHAN MASALAH DAN PERANCANGAN 3.1 Sistem Diagram Sistem diagram adalah diagram dari sebuah sistem, dengan fungsi atau bagian utamanya diwakili oleh blok yang dihubungkan oleh garis-garis
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 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 terperinciABSTRACT. Nowadays, speech coding technology that encode speech with a minimum
ABSTRACT Nowadays, speech coding technology that encode speech with a minimum number of bits while maintaining its quality is very required. This final project uses Multi Band Excitation (MBE) to encode
Lebih terperinciPENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA
PENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA David Abriman Simatupang 1, Irianto 2, Suhariningsih 3 1 Mahasiswa Teknik Elektro Industri PENS-ITS, Surabaya, 2 Dosen Teknik Elektro Industri PENS-ITS,
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 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 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 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 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 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 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 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 SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM)
APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) Eko Widiyanto, Sukmawati Nur Endah, Satriyo Adhy, Sutikno Jurusan Ilmu Komputer/Informatika,
Lebih terperinciBAB I PENDAHULUAN. Suara merupakan salah satu media komunikasi yang paling sering dan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Suara merupakan salah satu media komunikasi yang paling sering dan umum digunakan oleh manusia. Manusia dapat memproduksi suaranya dengan mudah tanpa memerlukan
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 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 terperinciANALISA PENGGUNAAN METODE FILTER BANK PADA KONVERSI SPEECH TO TEXT LAYANAN MAILBOX
1, Inovtek, Volume 4, Nomor 1, April 2014, hlm. 1-9 ANALISA PENGGUNAAN METODE FILTER BANK PADA KONVERSI SPEECH TO TEXT LAYANAN MAILBOX Reni Soelistijorini, Mike Yuliana, Rizki Nurhidayati Prodi Teknik
Lebih terperinciIdentifikasi Suara Vokal Suku Banjar Berdasarkan Frekuensi Formant
Identifikasi Suara Vokal Suku Banjar Berdasarkan Frekuensi Formant Arfan Eko Fahrudin 1), Nofida Risna Diyanti 2) dan Tetti Novalina Manik 1) Abstrak: Telah dibuat program untuk mengidentifikasi suara
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 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 terperinciAktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 537 Aktifasi Peralatan Elektronik Berbasis Suara Menggunakan Android Regilang Monyka Putra *), Firdaus **), Mohammad Hafiz Hersyah
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 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 terperinciAPLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR KECEPATAN PUTARAN KIPAS ANGIN
APLIKASI PENGENALAN UCAPAN SEBAGAI PENGATUR KECEPATAN PUTARAN KIPAS ANGIN Riva Anggara Yudha*, Achmad Hidayatno, ST, MT **, Ajub Ajulian Z, ST, MT ** Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam situs http://id.wikipedia.org/wiki/lagu dikatakan bahwa lagu merupakan gubahan seni nada atau suara dalam urutan, kombinasi, dan hubungan temporal (biasanya diiringi
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 terperincic. Syllable (suku kata), merupakan bagian-bagian dari sebuah kata yang dapat langsung diucapkan, misalnya glass, book, clever.
BAB 2 TINJAUAN PUSTAKA Pada bab ini, akan dibahas tentang landasan teori mengenai pembelajaran English Grammar menggunakan speech recognition yang mengkhususkan pembelajaran tenses berbasis android, dan
Lebih terperinciPENGENALAN SUARA MENGGUNAKAN POHON KEPUTUSAN RELASI ACAK. Disusun Oleh:
PENGENALAN SUARA MENGGUNAKAN POHON KEPUTUSAN RELASI ACAK Disusun Oleh: Nama : Simon Petro Sianiapar Nrp : 0422098 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis dan Kebutuhan Sistem Untuk merancang suatu sistem yang baik diperlukan beberapa persiapan seperti menentukan kebutuhan dari aplikasi yang akan dibuat
Lebih terperinciSOUND CONVERSION USING FAST FOURIER TRANSFORM ALGORITM
SOUND CONVERSION USING FAST FOURIER TRANSFORM ALGORITM Tan FerrdyHendrawan Program Studi Teknik Informatika, Universitas Katolik Soegijapranata f3rrdy.hendrawan@gmail.com Abstract The goal of voice conversion
Lebih terperinciPengenalan Karakter Suara Laki-Laki Aceh Menggunakan Metode FFT (Fast Fourier Transform)
Pengenalan Karakter Suara Laki-Laki Menggunakan Metode FFT (Fast Fourier Transform) Mursyidah 1, Jamilah 2, Zayya 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer,
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 terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN METODE PENDEKATAN SUBRUANG David Paroki Butarbutar / 0322138 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
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 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 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 terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Studi Ganda 2006-200 Skripsi Sarjana Program Ganda Semester Ganjil 2006/200 HALAMAN ABSTRAK SKRIPSI PROGRAM GANDA UNIVERSITAS BINA NUSANTARA Devi Natalia 0600656841 ABSTRAK
Lebih terperinciTUGAS AKHIR. Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan Program Strata I Pada Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas
TUGAS AKHIR PERANCANGAN DAN IMPLEMENTASI CONNECTED DIGIT RECOGNITION DENGAN METODE MEL FREQUENCY CEPSTRUM COEFFECIENT DAN HIDDEN MARKOV MODEL UNTUK VOICE DIALING PADA HANDPHONE TIGER C KF-828 Diajukan
Lebih terperinciAPLIKASI PENGENALAN SUARA MENGGUNAKAN MICROSOFT SAPI SEBAGAI PENGENDALI PERALATAN ELEKTRONIK
APLIKASI PENGENALAN SUARA MENGGUNAKAN MICROSOFT SAPI SEBAGAI PENGENDALI PERALATAN ELEKTRONIK Sukarso 1, Abdusy Syarif 2 Teknik Informatika, Universitas Mercu Buana, Jakarta e-mail: 1 sukarso@gmail.com,
Lebih terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS Ambrosius Jonathan / 0222202 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof.
Lebih terperinci