Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
|
|
- Agus Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Nur Endah 2 1 Departemen Ilmu Komputer/ Informatika, Fakultas Sains dan Matematika, Universitas Diponegoro ramadhan.zack@gmail.com 1, sukma_ne@undip.ac.id 2 Abstrak Speech recognition (pengenalan suara ucapan) merupakan upaya manusia untuk menciptakan teknologi yang mampu berinteraksi dengan manusia secara langsung melalui bahasa sehari-hari. Salah satu aplikasi speech recognition adalah perintah kepada komputer lewat suara ucapan. Aplikasi ini dikembangkan menggunakan metode Mel Frequency Cepstrum Coeffcient (MFCC) sebagai ekstraksi ciri dan Jaringan Syaraf Tiruan Backpropagation sebagai metode pengenalan pola. Data yang digunakan dalam aplikasi ini berjumlah 160 suara yang berasal dari lima orang. Masing-masing orang mengucapkan access, foxit, excel, kamus, matlab, notepad, tutup dan winword sebanyak empat kali. Input suara berupa file wav atau rekaman secara langsung dengan frekuensi Hz. Pengujian terbaik dari aplikasi tersebut diperoleh dari koefisien MFCC 3, hidden neuron 153, MSE dan learning rate 0.1 dengan akurasi pengenalan 50%. Kata kunci: Speech recognition, Mel Frequency Cepstrum Coeffcient, Jaringan Syaraf Tiruan, Backpropagation, Perintah Suara. Abstract Speech recognition is a human effort to create technology that is able to interact with humans directly through daily language. One of speech recognition applications is an instruction to the computer via voice of speech. This application was developed using the Mel Frequency Cepstrum Coefficient (MFCC) as feature extraction and Neural Network Backpropagation as a method of pattern recognition. The data that are used in this application were 160 voices from five people. Each people speaks access, foxit, excel, kamus, matlab, notepad, tutup and winword as much as four times. Input voice was from wav file or direct record with a frequency of Hz. The best test of the application obtained from MFCC coefficient 3, hidden neuron 153, MSE and the learning rate of 0.1 with recognition accuracy 50%. Keyword: Speech recognition, Mel Frequency Cepstral Coefficient, Artificial Neural Network, Backpropagation, Voice Command. 1. PENDAHULUAN Semakin berkembangnya teknologi saat ini, semakin pula usaha manusia untuk berupaya memaksimalkan fungsi teknologi. Manusia berupaya memaksimalkan fungsi tersebut untuk mempermudah segala urusannya di segala aspek kehidupan. Salah satunya adalah Speech recognition (pengenalan suara ucapan). Speech recognition merupakan upaya manusia untuk menciptakan teknologi yang mampu berinteraksi dengan manusia secara langsung melalui bahasa sehari-hari. Speech recognition adalah kemampuan mesin atau program untuk mengenali kata yang diungkapkan dalam bahasa ucapan dan mengubahnya ke dalam format yang dapat dibaca oleh mesin [1]. Oleh karena itu, Speech recognition dapat melakukan transfer informasi antara manusia dengan komputer dengan suara ucapan. Transfer informasi antara manusia dengan mesin atau komputer biasanya dilakukan lewat keyboard atau mouse. Tetapi tidak semua manusia dapat menggunakan alat tersebut untuk mentransfer informasi ke dalam mesin atau komputer secara langsung. Ada faktor-faktor yang dapat menghambat manusia dalam menggunakan alat tersebut, seperti cacat fisik tangan (tuna daksa) dan tuna netra. Manusia dapat mengeluarkan suara ucapan dengan cepat sebagai pengganti untuk melakukan perintah kepada komputer. Untuk itu dibutuhkan sebuah aplikasi yang dapat melakukan perintah kepada komputer lewat suara ucapan. Aplikasi perintah kepada komputer lewat suara ucapan sudah diterapkan dalam sistem operasi Windows Vista, Windows 7 dan Windows 8. Tetapi aplikasi tersebut belum menyediakan layanan dalam bahasa Indonesia. Hanya tersedia 6 bahasa yaitu bahasa Inggris, Francis, Spanyol, Jerman, Jepang dan China. 33
2 Perintah kepada komputer lewat suara ucapan membutuhkan dua proses penting yaitu feature extraction (pemisahan ciri) dan pengenalan suara. Feature extraction merupakan proses memisahkan ciri dari suara untuk membedakan suatu pola dengan pola lainnya. Salah satu metode yang digunakan untuk feature extraction yaitu Mel Frequency Cepstrum Coefficient (MFCC). Setelah dilakukan proses ekstraksi ciri, proses selanjutnya adalah pengenalan suara. Salah satu metode yang digunakan untuk pengenalan suara yaitu jaringan syaraf tiruan. Jaringan syaraf tiruan merupakan metode yang cara kerjanya terinspirasi oleh sistem sel syaraf, sama seperti otak yang memproses suatu informasi. Metode tersebut diminati beberapa tahun terakhir dan sukses untuk memecahkan berbagai masalah disiplin ilmu, seperti bidang finansial, kedokteran, teknik, geologi dan fisika [2]. Salah satu metode jaringan syaraf tiruan yang populer digunakan untuk pengenalan suara yaitu metode Backpropagation. Oleh karena itu, pembuatan aplikasi perintah suara dalam penelitian ini fokus pada bahasa Indonesia untuk membuka dan menutup aplikasi dalam sistem operasi Windows. Metode yang diterapkan yaitu Mel Frequency Cepstrum Coefficient (MFCC) sebagai pemisahan ciri dan Backpropagation sebagai pengenalan suara. 2. METODE Aplikasi perintah suara berbahasa Indonesia untuk membuka dan menutup aplikasi dalam Windows mengunakan metode MFCC dan Backpropagation merupakan aplikasi berbasis dekstop yang dapat digunakan untuk membuka dan menutup aplikasi dalam Windows dengan perintah suara. Alur proses aplikasi perintah suara dijelaskan pada Gambar 1. Gambar 1. Alur proses aplikasi perintah suara Berikut penjelasan dari masing-masing blok proses aplikasi perintah suara: 1) Input Data Proses ini adalah proses input sinyal suara melalui rekaman untuk data pelatihan, data uji, dan data suara langsung. Input sinyal suara tersebut terdiri dari access, foxit, excel, kamus, matlab, notepad, tutup, dan winword. Input data pelatihan dan data uji disimpan di tempat penyimpanan data suara. Sedangkan data suara langsung tidak disimpan di tempat penyimpanan data suara. Data suara langsung merupakan data yang digunakan untuk pengenalan suara secara rekaman langsung. 2) Preprocessing Preprocessing merupakan tahap untuk membuang informasi-informasi yang tidak diperlukan dari sinyal. Berikut penjelasan tahapan preprocessing: a. Normalisasi Amplitudo Normalisasi amplitudo dilakukan dengan cara membagi semua sampel sinyal ucapan dengan sampel sinyal ucapan maksimum, sehingga untuk semua sinyal ucapan memiliki nilai maksimum yang sama yaitu 1 [3]. 34
3 b. DC Removal DC removal dilakukan dengan cara menghitung rata-rata dari sampel suara dan mengurangkan nilai sampel suara dengan nilai rata-rata tersebut [4]. ( ) ( ) ( ) = sampel sinyal hasil proses DC removal ke-n ( ) = hasil normalisasi ke-n = nilai rata rata sampel sinyal asli n = nomor urut sinyal (1,2,...,N); adalah panjang sinyal c. Pre-emphasis Filter ini mempertahankan frekuensi-frekuensi tinggi pada sebuah spektrum, yang umumnya tereliminasi pada saat proses produksi suara [4]. ( ) ( ) ( ) (2) ( ) = hasil perhitungan pre-emphasis ke-n = nomer urut sinyal ( ) = sampel sinyal hasil proses DC removal ke-n = konstanta filter pre-emphasis, biasanya bernilai 0,9 1,0. a. Ekstraksi Ciri Mel Frequency Cepstrum Coefficient (MFCC) Tujuan dari Mel Frequency Cepstrum Coefficient yaitu memisahkan ciri dari suara untuk membedakan suatu pola dengan pola lainnya. Tahapan dari proses MFCC dapat dijelaskan sebagai berikut [5]: a. Frame Bloking, proses ini membagi sinyal suara ke dalam frame. Satu frame terdiri dari beberapa sampel tergantung tiap detik suara akan disampel dan berapa besar frekuensi suara. Sinyal suara dibagi menjadi beberapa frame dan saling overlapping. Panjang daerah overlapping yang umum digunakan adalah 30%-50% dari panjang frame. b. Windowing, dalam tahap ini sinyal suara yang telah dibagi menjadi ke dalam frame dilakukan proses windowing untuk meminimalkan diskontinuitas sinyal. Window yang dipakai dalam proses ini adalah Hamming window dengan persamaan: ( ) ( ) (3) ( ) = hasil perhitungan hamming window ke-n = nomer urut sinyal = panjang sinyal c. Fast Fourier Transform (FFT), mengubah setiap kerangka sampel n dari domain waktu ke domain frekuensi. Berikut pesamaannya: ( ) ( ) ( ) ( ) ( ) (4) ( ) = hasil perhitungan FFT ke-k ( ) = hasil perhitungan windowing ke-n = nomer urut sinyal = indeks dari frekuensi (1,2,...N); adalah panjang sinyal d. Mel-Frequency Wrapping, berdasarkan penelitian psikofisik bahwa persepsi manusia terhadap frekuensi suara tidak mengikuti skala linier. Proses wrapping terhadap sinyal dalam domain frekuensi menggunakan persamaan: ( ) ( ) ( ) (5) ( ) = hasil perhitungan mel-frequency wrapping ke-m ( ) = hasil perhitungan FFT ke-k = koefisien filterbank = nomor urut sinyal = 1,2,..., M ; adalah jumlah filter bank e. Cepstrum, tahap ini mengkonversikan log mel spectrum ke dalam domain waktu. Hasil dari proses ini disebut mel frequency cepstrum coefficient. (1) 35
4 ( ) * ( ) + (6) = hasil proses cepstrum = keluaran dari proses mel frequensi wrapping pada indeks k = jumlah koefisien yang diharapkan b. Normalisasi Hasil Ekstraksi Ciri Normalisasi adalah penskalaan terhadap nilai-nilai masuk ke dalam suatu range tertentu. Hal ini dilakukan agar nilai input dan target output sesuai dengan range dari fungsi aktivasi yang digunakan dalam jaringan. Bila fungsi aktivasi yang digunakan adalah sigmoid biner, maka persamaan normalisasi yang dapat digunakan yaitu [6]: ( ) (7) = hasil normalisasi = data asli = data maksimum = data minimum c. Pelatihan Jaringan Backpropagation Algoritma pelatihan jaringan backpropagation yaitu sebagai berikut [7]: Inisialisasi bobot-bobot. Tentukan angka pembelajaran (α). Tentukan nilai toleransi error dan maksimal epoch sebagai kondisi berhenti. 1. Kondisi berhenti tidak terpenuhi lakukan langkah ke-2 sampai langkah ke Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah ke-8. Tahap umpan maju. 3. Setiap unit input meneriman sinyal dan meneruskannya ke unit tersembunyi. 4. Hitung semua keluaran di unit tersembunyi dengan rumus: ( ) (8) Kemudian dikirim ke semua unit di lapisan atasnya. 5. Hitung semua keluaran di unit output: ( ) (9) Tahap pempropagasibalikan error 6. Setiap unit output menerima pola target lalu informasi kesalahan lapisan output ( ) dihitung. dikirim ke lapisan di bawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias antara lapisan tersembunyi dengan lapisan output: ( ) ( ) (10) (11) (12) 7. Pada setiap unit di lapisan tersembunyi dilakukan perhitungan informasi kesalahan lapisan tersembunyi ( ). kemudian digunakan untuk menghitung besar koreksi bobot dan bias antara lapisan input dan lapisan tersembunyi. ( ) ( ) (13) (14) (15) Tahap peng-update-an boot dan bias 8. Pada setiap unit output dilakukan peng-update-an bias dan bobot: ( ) ( ) (16) Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi dilakukan peng-update-an pada bias dan bobotnya: ( ) ( ) (17) 9. Tes kondisi berhenti Arsitektur jaringan Backpropagation yang dibentuk pada penelitian ini terlihat pada Gambar 2. 36
5 Gambar 2. Arsitektur jaringan backpropagation Pada Gambar 2 menunjukkan jaringan ini memiliki satu lapisan input yang terdiri dari m neuron dan satu neuron bias. Nilai m merupakan jumlah neuron input dengan jumlah banyaknya sinyal hasil dari proses ekstraksi ciri MFCC. Jika nilai koefisien MFCC adalah 2, 3, 4, atau 5 maka nilai m untuk lapisan input jaringan yaitu 198, 297, 396, atau 495. Lapisan tersembunyi untuk jaringan ini berjumlah satu lapis. Jumlah neuron pada lapisan tersembunyi berjumlah n neuron dan satu neuron bias. Untuk penelitian ini nilai n yang digunakan adalah dan dari penambahan input dan output neuron. Jika nilai input jaringan adalah 198, 297, 396, atau 495 maka nilai n adalah 103 dan 137, 153 dan 203, 202 dan 269 atau 252 dan 335. Lapisan ini menggunakan aktivasi sigmoid biner yang merupakan fungsi aktivasi yang umum digunakan. Fungsi aktivasi sigmoid biner memiliki range keluaran antara 0 sampai 1. Lapisan output untuk jaringan ini berjumlah satu lapis yang memiliki delapan neuron output. Jumlah node neuron output tersebut dapat mewakili delapan kata yang akan dikenali oleh jaringan backrpopagation. Lapisan ini menggunakan aktivasi sigmoid biner. d. Pengenalan Suara Algoritma proses pengenalan suara yaitu sebagai berikut [7]: 1. Inisialisasi bobot. Bobot ini diambil dari bobot terakhir yang diperoleh dari algoritma pelatihan. 2. Untuk setiap vektor input, lakukan langkah ke-2 sampai ke Setiap unit input meneriman sinyal dan meneruskannya ke unit tersembunyi. 4. Hitung semua keluaran di unit tersembunyi dengan rumus: ( ) (18) Kemudian dikirim ke semua unit di lapisan atasnya. 5. Hitung semua keluaran di unit output: ( ) (19) e. Eksekusi Perintah Suara Proses ini akan membuka/menutup aplikasi dalam sistem operasi windows sesuai dengan hasil yang telah dikenali dalam proses pengenalan suara. 3. HASIL DAN PEMBAHASAN 3.1. Hasil Rencana Pengujian Pengujian ini digunakan untuk mendapatkan tingkat akurasi terbaik dengan merubah parameter pelatihan dan koefisien MFCC. Data yang digunakan berjumlah 160 data suara yang berasal dari 5 orang yang berbeda. Masing-masing orang mengucapkan 8 kata sebanyak 4 kali. Frekuensi suara yang digunakan sebesar Hz. Proses perekaman dilakukan di ruangan yang tidak kedap suara. Data suara tersebut akan digunakan sebagai data pelatihan yang berjumlah 128 data suara dan data pengujian yang berjumlah 32 data suara. Pengujian ini dilakukan dengan menggunakan 5-fold cross validation, sehingga data suara dikelompokkan menjadi 5 kelompok. Setiap kelompok terdiri dari 32 data suara, dimana 32 data suara 37
6 tersebut terdiri dari 8 kelas yang masing-masing terdapat 4 data suara. Komposisi pembagian kelompok data pelatihan dan data uji dapat dilihat pada Tabel 1. Tabel 1. Kelompok data latih dan data uji Fold ke- Kelompok Data Latih Kelompok Data Uji 1 2,3,4, ,3,4, ,2,4, ,2,3, ,2,3,4 5 Dengan pembagian kelompok data latih dan data uji dengan cara seperti pada Tabel 1, semua data suara berkesempatan menjadi data latih dan data uji. Setiap fold kelompok data latih dan kelompk data uji akan menjalankan pelatihan dan pengujian dengan rencana pengujian yang ditunjukkan pada Tabel 2. Tabel 2. Rencana pengujian Parameter Pengujian Koefisien MFCC 2,3,4, dan 5 Nilai Learning Rate 0.1, 0.2, 0.3, 0.4, dan 0.5 Jumlah Hidden Neuron dan dari penambahan input dan output neuron Nilai Epoch Maksimal epoch MSE Minimal 0.01 dan Hasil Pengujian Bentuk pengujian dilakukan berdasarkan Tabel 2 dengan menggunakan data latih dan data uji berdasarkan Tabel 1. Hasil dari pengujian ditunjukkan pada Tabel 3. Menurut hasil yang ditunjukkan pada Tabel 3, pengujian yang terbaik diperoleh dari koefisien MFCC 3, hidden neuron 153, MSE dan learning rate 0.1 dengan akurasi pengenalan 50%. Koefisien MFCC 3.2. Pembahasan Hidden Neuron Tabel 3. Hasil pengujian MSE Learning Rate % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % Berdasarkan hasil pengujian pada Tabel 3, berikut penjelasan analisis hasil berdasarkan tiap parameter pelatihan: 1) Koefisien MFCC Dari hasil pengujian dapat dilihat bahwa akurasi tertinggi didapatkan ketika menggunakan koefisien MFCC 3. Ketika proses pengujian mengganti nilai koefisien MFCC dari 2 menjadi 3, akurasi cenderung meningkat walaupun tidak terlalu signifikan. Sedangkan, ketika pengujian menggunakan jumlah koefisien 4 atau 5 justru hasil akurasi cenderung menurun, meskipun penurunan tidak terlalu signifikan. Penambahan jumlah koefisien menjadi 4 atau 5 akan membuat dimensi data lebih besar. Dimensi data yang besar membuat kemampuan pengenalan JST Backpropagation lebih rendah sehingga akurasinya pun menurun. Grafik perbandingan pengaruh koefisien MFCC terhadap akurasi ditunjukkan pada Gambar 3. Perbandingan tersebut diambil dari hasil pengujian dengan parameter terbaik. 38
7 Gambar 3. Grafik perbandingan pengaruh koefisien MFCC terhadap akurasi 2) Hidden Neuron Dari hasil pengujian dapat dilihat bahwa hidden neuron dengan jumlah ½ dari penambahan input dan output neuron cenderung menghasilkan akurasi yang lebih baik dibandingkan dengan hidden neuron dengan jumlah 2/3 dari penambahan input dan output neuron. Grafik perbandingan pengaruh jumlah hidden neuron terhadap akurasi ditunjukkan pada Gambar 4. Perbandingan tersebut diambil dari hasil pengujian dengan parameter terbaik. Gambar 4. Grafik perbandingan pengaruh jumlah hidden neuron terhadap akurasi 3) MSE Dari hasil pengujian dapat dilihat bahwa MSE dengan nilai cenderung menghasilkan akurasi lebih baik dibandingkan dengan MSE dengan nilai JST Backpropagation dengan nilai MSE yang rendah membuat nilai output semakin mendekat dengan nilai target. Sehingga, JST Backpropagation lebih mudah mengenali suara tertentu sesuai dengan target yang telah ditentukan. Grafik perbandingan pengaruh MSE terhadap akurasi ditunjukkan pada Gambar 5. Perbandingan tersebut diambil dari hasil pengujian dengan parameter terbaik. Gambar 5. Grafik perbandingan pengaruh MSE terhadap akurasi 39
8 4) Learning Rate Dari hasil pengujian dapat dilihat bahwa hasil akurasi tertinggi terjadi ketika menggunakan learning rate 0.1. Ketika pengujian menggunakan learning rate 0.2, 0.3, 0.4, atau 0.5, hasil akurasi cenderung lebih rendah dibanding ketika menggunakan learning rate 0.1. Grafik perbandingan pengaruh learning rate terhadap akurasi ditunjukkan pada Gambar 6. Perbandingan tersebut diambil dari hasil pengujian dengan parameter terbaik. Gambar 6. Grafik perbandingan pengaruh learning rate terhadap akurasi Hasil akurasi pengujian parameter pelatihan secara umum memiliki nilai yang rendah. Nilai maksimal akurasi yang dapat dicapai hanya sampai 50%. Beberapa faktor yang menyebabkan rendahnya nilai akurasi yaitu: 1) Kata yang sama yang diucapakan oleh orang yang berbeda cenderung menghasilkan sinyal suara yang berbeda. Seperti yang tertera pada Gambar 7 yang merupakan sinyal suara dari kata matlab yang diucapkan oleh dua orang yang berbeda. Hal itu menyebabkan sulitnya JST Backpropagation dalam mengenali kata yang sama. Gambar 7. Sinyal suara kata matlab dari 2 orang berbeda. 2) Sinyal suara yang akan diproses oleh ekstraksi ciri MFCC belum terlebih dahulu mengalami proses penghilangan sinyal suara noise. Seperti yang tertera pada Gambar 8 terdapat sinyal yang dilingkari merah yang merupakan sinyal suara noise. Sinyal tersebut tetap mengalami proses ekstrasi ciri MFCC. MFCC menggunakan power spectrum sebagai penentu ekstraksi ciri. Power spectrum bersifat sensitif terhadap sinyal suara dengan noise yang akan mempengaruhi hasil dari ekstaksi ciri. Sehingga JST backpropagation mengalami kesulitan dalam mengenali kata. 40
9 Gambar 8. Sinyal suara dengan noise 3) Sinyal suara didapat dari perekaman yang dilakukan di ruangan yang tidak kedap suara. Hal ini menyebabkan suara yang dijadikan untuk data pelatihan masih terdapat noise. 4) Unvoiced (sampel suara dengan nilai amplitudo = 0) dalam sinyal suara tidak terlebih dahulu dihilangkan. Sebab antara sinyal suara memiliki sampel unvoiced yang berbeda. Sehingga bila unvoiced dihilangkan, maka neuron input dalam JST backpropagation akan memiliki jumlah yang berbeda antara satu sinyal dengan sinyal suara lainnya. 4. SIMPULAN Pengujian terbaik dari aplikasi tersebut diperoleh dari koefisien MFCC 3, hidden neuron 153, MSE , dan learning rate 0.1 dengan akurasi pengenalan 50%. Faktor-faktor yang mempengaruhi akurasi pengenalan adalah jika nilai MSE minimal dan jumlah hidden neuron semakin kecil maka akurasi pengenalan semakin baik. Sedangkan perubahan nilai learning rate dan koefisien MFCC tidak berpengaruh secara signifikan terhadap akurasi pengenalan. 5. REFERENSI [1] Kaur, J., Nidhi., dan Kaur, R Issues Involvel in Speech to Text Conversion. International Journal of Computational Engineering Research. Vol. 2(2): [2] Yani, E Pengantar Jaringan Syaraf Tiruan. diakses 29 Januari [3] Irfandy, M Aplikasi Pengenalan Ucapan dengan Jaringan Syaraf Tiruan Propagasi Balik untuk Pengendalian Robot Bergerak. diakses 25 Juli [4] Putra, D., Resmawan, A Verifikasi Biometrika Suara Menggunakan Metode MFCC dan DTW. Lontar Komputer. Vol.2(1):8-21. [5] Do, M Digital Signal Processing Mini Project: An Automatic Speaker Recognition System. diakses 3 Juni [6] Siang, J Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset, Yogyakarta. [7] Puspitaningrum, D Pengantar Jaringan Saraf Tiruan. Penerbit Andi, Yogyakarta. 41
i. 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 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 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 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 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 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 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 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 terperinciTINJAUAN PUSTAKA. Pengenalan Suara
Pengenalan Suara TINJAUAN PUSTAKA Menurut Peacock (1990), pengenalan suara merupakan kemampuan untuk mengidentifikasi kata-kata yang diucapkan. Terdapat 5 faktor yang dapat mengontrol dan menyederhanakan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
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 terperinciDigital Signal Processing To Identify chords Singer Using Mel Frequency Cepstral Coefficients (MFCC) and Neural Network Backpropagation Methods
Pemrosesan Sinyal DigitalUntuk Mengidentifikasi Akord Dasar Penyanyi Dengan Metode Mel Frequency Cepstral Coeficients (MFCC) Dan Jaringan Syaraf Tiruan Backpropagation Digital Signal Processing To Identify
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih 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 terperinciJurnal Komputer Terapan Vol. 1, No. 2, November 2015, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 1, No. 2, November 2015, 121-132 121 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Pengenalan Ucapan Dengan Ekstraksi Ciri Mel- Frequency Cepstrum Coefficients
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
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 terperinciPengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation
1 JURNAL TEKNIK ELEKTRO ITP, Vol. 6, No. 1, JANUARI 2017 Pengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation Sitti Amalia Institut Teknologi Padang, Padang
Lebih 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
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 terperinciVerifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient
32 Jurnal Sistem Informasi Bisnis 0(207) On-line : http://ejournalundipacid/indexphp/jsinbis Verifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient Andi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
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 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 terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciKlasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
Klasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Lorencius Echo Sujianto Putera 1, C. Kuntoro Adi 2 1,2 Program Studi Teknik Informatika, FST, Universitas
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Genre Menurut Kamus Besar Bahasa Indonesia, genre adalah jenis, tipe, atau kelompok sastra atas dasar bentuknya. Jadi genre musik merupakan pengelompokan musik berdasarkan kemiripan
Lebih terperinciPerbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 29-37 ISSN: 2089-6026 Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan
Lebih terperinciPENDAHULUAN. 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 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 terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 177-183 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI SUARA MANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
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 I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
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 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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciWarble Of Lovebird Classification Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2968 KLASIFIKASI SUARA LOVEBIRD DENGAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN FUZZY LOGIC Warble Of Lovebird Classification
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciIdentifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)
Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM) Inggih Permana 1, Benny Sukma Negara 2 1 Universitas Sultan Sarif Kasim Riau 2 Universitas Sultan Sarif
Lebih terperinciPerintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization
Perintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization Neneng Nurhamidah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciSeminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016
IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky
Lebih terperinciPENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR PERNYATAAN
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
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 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 terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA M. G. J. Harry Khesa S 1, W. Setiawan 2, I.G.A.K. Diafari Djuni H 3 1,2,3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network
Pengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network Faradiba * Prodi Pendidikan Fisika, Universitas Kristen Indonesia Jln. Mayjend Sutoyo, No.2, Cawang, jakarta Timur,
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
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 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 terperinciPENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO
PENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciJENIS TIPE JANGKAUAN SUARA PADA PRIA DAN WANITA MENGGUNAKAN METODA MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
JENIS TIPE JANGKAUAN SUARA PADA PRIA DAN WANITA MENGGUNAKAN METODA MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Inung Wijayanto 1), Reni Dwifebrianti 2) 1,2) Fakultas Elektro
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
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 terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciPERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER
PERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER MUTIA FIJRI TAUFANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciKNIT-2 Nusa Mandiri ISBN: SISTEM BIOMETRIK TELINGA MENGGUNAKAN JARINGAN SYARAF TIRUAN
SISTEM BIOMETRIK TELINGA MENGGUNAKAN JARINGAN SYARAF TIRUAN Ina Agustina 1, Fauziah 2, Aris Gunaryati 3 1, 2 Sistem Informasi, 3Teknik Informatika, Universitas Nasional Jl Sawo Manila Pejaten Pasar Minggu
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPENDAHULUAN Tujuan Latar Belakang Ruang Lingkup Manfaat Penelitian TINJAUAN PUSTAKA Nada dan Chord Gitar
PENDAHULUAN Latar Belakang Sistem pendengaran manusia memiliki kemampuan yang luar biasa dalam menangkap dan mengenali sinyal suara. Dalam mengenali sebuah kata ataupun kalimat bukanlah hal yang sulit
Lebih 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 terperinci