Klasifikasi Burung Berdasarkan Suara Kicau Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
|
|
- Suhendra Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Sanata Dharma Yogyakarta 1 lorenciuse@gmail.com, 2 kuntoroadi@usd.ac.id Abstrak Perkembangan teknologi yang semakin pesat memberikan kemudahan bagi masyarakat untuk secara otomatis mengidentifikasi jenis burung berdasar suara kicauannya. Burung selain memiliki keindahan fisik juga memiliki keindahan suara yaitu suara kicaunya, terutama burung Passerine atau burung yang termasuk dalam ordo Passeriformes. Teknologi selain berperan penting sebagai media untuk bertukar informasi mengenai seputar tips dalam merawat burung, juga diharapkan untuk dapat memberikan fungsi lain, yaitu mendeteksi suara kicau burung, sehingga masyarakat yang memiliki hobi serupa dapat dengan mudah menentukan jenis burung berdasarkan suara kicaunya. Penelitian ini menghasilkan sebuah model klasifikasi otomatis jenis burung. Data yang digunakan berupa data rekaman suara burung Cucak Hijau, Cucak Rawa dan Kenari yang didapatkan dari situs omkicau. Sistem menerapkan ekstraksi ciri MFCC (Mel Frequency Cepstral Coefficients) dan Jaringan Syaraf Tiruan Propagasi Balik untuk klasifikasinya. Percobaan proses klasifikasi dengan Jaringan Syaraf Tiruan Propagasi Balik dengan melakukan optimalisasi arsitektur jaringan dan pemilihan ciri menghasilkan akurasi 100% untuk 13 koefisien, 99.72% untuk 26 dan 39 koefisien. Kata Kunci: Klasifikasi, Passeriformes, MFCC, Jaringan Syaraf Tiruan Propagasi balik Abstract Fast technological development gives people tools to automatically identify bird based on their songs. Most of passerine birds have physical beauty and beautiful song. The technology plays an important role as a medium for exchanging information about tips on caring for birds, and to detect bird s song, so that people who have the same hobby can easily determine the type of bird by its song. This paper is a study of automatically indentifying brids based on their songs. The songs are Greater Green Leafbird, Straw-headed Bulbul, and Canary. The recordings were obtained from omkicau sites. The system applies MFCC (Mel Frequency Cepstral Coefficients) method for its feature and Artificial Neural Network Backpropagation for its automatic classification. Classification processes using Artificial Neural Network Backpropagation by optimizing network architecture and selected feature give 100% accuracy for 13 coefficients, 99.72% accuracy for 26 and 39 coefficients. Keyword: Classification, Passeriformes, MFCC, Artificial Neural Network Backpropagation 1. PENDAHULUAN Perkembangan teknologi yang semakin pesat dapat memberikan kemudahan bagi masyarakat dalam menyalurkan hobi, misalnya hobi mendengarkan suara burung dalam komunitas kicau mania. Burung selain memiliki keindahan fisik juga memiliki keindahan suara. Di Indonesia sendiri ada beberapa jenis burung kicau misalnya burung Passerine yang termasuk ordo Passeriformes. Teknologi selain berperan penting sebagai media untuk bertukar informasi mengenai seputar tips dalam merawat burung, juga diharapkan untuk dapat memberikan fungsi lain, yaitu mendeteksi suara kicau burung, sehingga masyarakat yang memiliki hobi serupa dapat dengan mudah menentukan jenis burung. Untuk memenuhi hal itu diperlukan sebuah sistem yang dapat mengklasifikasikan jenis burung berdasarkan suara kicaunya. Passeriform (ordo Passeriformes) dikenal sebagai burung Passerine atau burung bertengger, merupakan ordo burung terbesar yang ada di bumi. Ordo Passeriformes terbagi menjadi dua subordo, yaitu Tyranni dan Passeri. Subordo Tyranni terdiri dari sekitar spesies yang dianggap sederhana dan dikelompokkan sebagai suboscines. Sedangkan burung pada subordo Passeri dikelompokkan sebagai Oscines atau burung penyanyi, Passeri terdiri dari sekitar spesies [1]. Penelitian ini akan melihat sejauh mana metode Jaringan Syaraf Tiruan propagasi balik mampu secara otomatis mengidentifikasi dengan baik jenis burung berdasar kicauannya. Mel-frequency Cepstral Coefficients (MFCC) yang biasa dipergunakan sebagai ciri atau feature dalam pengolahan suara manusia, akan diujicobakan sebagai feature dalam penelitian ini. 42
2 2. METODE Penelitian klasifikasi otomatis jenis burung berdasar kicauannya dapat dilihat pada blok diagram sepertti Gambar 1. Data Preprocessing training feature Jaringan Syaraf Tiruan Ekstraksi Ciri testing feature Model Jaringan Hasil Klasifikasi Gambar 1. Blok diagram klasifikasi otomatis jenis burung berdasar kicauannya Pada Gambar 1 dapat dilihat alur dari data suara hingga mendapatkan hasil klasifikasi. Output/hasil dari sistem ini berupa nilai akurasi untuk klasifikasi data berkelompok dan informasi data burung untuk klasifikasi data tunggal Mel-Frequency Cepstral Coefficients (MFCC) Mel-Frequency Cepstral Coefficients (MFCC) didasarkan atas variasi bandwith kritis terhadap frekuensi pada telinga manusia yang merupakan filter yang bekerja secara linier pada frekuensi rendah dan bekerja secara logaritmik pada frekuensi tinggi. Filter ini digunakan untuk menangkap karakteristik fonetis penting dari sinyal ucapan. Untuk meniru kondisi telinga, karakteristik ini digambarkan dalam skala melfrekuensi, yang merupakan frekuensi linier di bawah 1000 Hz dan frekuensi logaritmik di atas 1000 Hz [2]. Proses ekstraksi koefisien MFCC mengikuti langkah-langkah sebagai berikut: a) Pre-emphasis Sinyal suara ( ) dikirim ke filter high-pass [3-4]. ( ) ( ) ( ) (1) dimana ( ) adalah sinyal output dan nilai biasanya antara 0.9 dan 1.0. Z-transform dari filter adalah ( ) (2) b) Frame Blocking Dalam langkah ini sinyal wicara kontinyu diblok menjadi frame-frame N sampel, dengan frameframe berdekatan dengan spasi M (M < N). Frame pertama terdiri dari N sampel pertama. Frame kedua dengan M sampel setelah frame pertama, dan overlap dengan N M sampel. Nilai tipikal untuk N dan M adalah N = 256 dan M =100 [5]. c) Hamming Window Window dinyatakan sebagai w(n), 0 n N 1, dengan N adalah jumlah sampel dalam masingmasing frame, ( ) adalah sinyal input dan hasil windowing adalah ( ). ( ) ( ) ( ) (3) Jenis window yang digunakan adalah window Hamming. ( ) [ ] (4) Dengan N adalah jumlah sampel. d) Fast Fourier Transform Fast fourier transform (FFT), FFT ini mengubah masing-masing frame N sampel dari domain waktu menjadi domain frekuensi. FFT adalah algoritma cepat untuk mengimplementasikan discrete fourier transform (DFT) dengan didefinisikan pada kumpulan (set) N sampel, { }, seperti berikut ini dengan, (5) 43
3 deretan aperiodik dengan nilai jumlah sampel e) Triangular Bandpass Filters Studi psikofisikal menunjukkan bahwa persepsi manusia dari kandungan frekuensi suara pada sinyal wicara tidak mengikuti skala linier. Untuk masing-masing nada dengan frekuensi aktual, f dalam Hz, pitch diukur dengan skala mel. Skala mel-frequency adalah frekuensi linier berada dibawah 1000 Hz dan bentuk logaritmik berada diatas 1000 Hz. Pendekatan persamaan untuk menghitung mel dalam frekuensi f (Hz) adalah ( ) ( ) (6) f) Discrete Cosine Transform Langkah selanjutnya yaitu mengubah spektrum log mel menjadi domain waktu menggunakan discrete cosine transform (DCT). Jika koefisien spektrum daya mel hasilnya adalah, sehingga MFCC dapat dihitung, adalah ( ) [ ( ) ] (7) Dimana adalah koefisien cepstrum mel-frequency dan adalah koefisien daya mel. g) Log Energy Pada setiap frame terdapat nilai energi yang ditambahkan, berikut rumus untuk menghitung nilai energy: ( ) (8) x_windowed = sinyal hasil windowing, k = jumlah frame, dan m = panjang frame [6]. h) Delta Cepstrum Secara umum metode yang digunakan untuk mandapatkan informasi dari ciri yang dinamis biasa disebut dengan delta-features. Persamaan untuk menghitung feature ini adalah ( ) [ ( ) ] [ ] (9) Nilai M biasanya bernilai 2. Jika menambahkan kecepatan, feature berdimensi 26. Jika menambahkan baik kecepatan dan akselerasi, dimensi feature menjadi 39. Pada umumnya sistem pengenalan suara menggunakan 39 feature ini untuk mengenali [3] Back Propagation a) Arsitektur Back Propagation Jaringan Syaraf Tiruan Back Propagation membandingkan perhitungan keluaran dengan target keluaran dan menghitung nilai error untuk setiap unit jaringan [7]. Gambar 2 merupakan arsitektur Jaringan Syaraf Tiruan back propagation dengan n buah input ditambah sebuah bias, sebuah lapis tersembunyi yang terdiri dari p unit ditambah sebuah bias, dan sebuah lapis unit keluaran. Gambar 2. Ilustrasi arsitektur JST back propagation 44
4 b) Fungsi Aktivasi Dalam Jaringan Syaraf Tiruan back propagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu: kontinu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1). ( ) dengan turunan ( ) ( )( ( )) (10) Fungsi lain yang sering dipakai adalah sigmoid bipolar dengan range (-1,1). ( ) dengan turunan ( ) ( ( ))( ( )) Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya > 1, pola masukkan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada lapis yang bukan lapis keluaran. Pada lapis keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas : ( ). c) Proses Pelatihan Back Propagation Proses Pelatihan Jaringan Syaraf Tiruan Back Propagation terdiri dari 3 proses, yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Ketiga proses tersebut dilakukan secara berulang sampai kondisi penghentian terpenuhi. Umumnya penghentian yang dipakai adalah iterasi dan error K-Fold Cross Validation K-Fold Cross Validation merupakan teknik umum untuk menguji kinerja dari classifier. Data dibagi menjadi k bagian (fold), kemudian selama dilakukan pelatihan terhadap data selain fold ke-i dan dilakukan pengujian terhadap data fold ke-i tersebut, lalu menghitung jumlah pengujian yang mengalami kesalahan klasifikasi Data Suara burung yang dipilih dalam klasifikasi ini adalah Cucak Hijau, Cucak Rawa, dan Kenari. Ketiga suara burung tersebut merupakan jenis burung yang termasuk populer di kalangan para kicau mania yang dapat ditemukan seperti pada situs omkicau. Data yang digunakan pada sistem berupa 3 buah rekaman suara burung, 1 rekaman untuk masing-masing jenis burung. Ketiga rekaman tersebut akan melalui tahap preprosesing terlebih dahulu sebelum dilakukan ekstraksi ciri. Contoh data audio berupa sinyal digital dan spektogram yang digunakan pada penelitian ini dapat dilihat pada Gambar 3. (11) (a) (b) (c) Gambar 3. Contoh sinyal dan spektogram suara burung cucak hijau (a), cucak rawa (b), dan kenari (c) 2.5. Proses Penelitian Pada penelitian ini ada 3 tahapan atau proses utama yang dilakukan. Ketiga proses utama tersebut adalah sebagai berikut: a) Preprocessing Proses preprocessing yang dilakukan adalah konversi file.mp3 ke dalam bentuk file.wav. File ini kemudian dipotong menjadi 120 rekaman dengan durasi masing-masing 5 detik. b) Ekstraksi Ciri Metode ekstraksi ciri menggunakan metode MFCC (Mel Frequency Cepstral Coefficient) sebagaimana dijelaskan pada sub-bab sebelumnya. 45
5 Penelitian kemudian melakukan reduksi ciri yaitu dengan menghitung nilai statistik berupa nilai mean, variance, min dan max dari nilai MFCC, yang akan digunakan sebagai input dari Jaringan Syaraf Tiruan. c) Jaringan Syaraf Tiruan Ada 2 jenis arsitektur Jaringan Syaraf Tiruan yang akan digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan 1 hidden layer dan 2 hidden layer. Untuk masing-masing arsitektur akan dilakukan percobaan dengan mengkombinasikan beberapa parameter seperti jumlah neuron input yang akan bervariasi sesuai dengan feature yang dipilih, jumlah neuron pada masingmasing hidden layer serta fungsi training. 3. HASIL DAN PEMBAHASAN Pada pelaksanaan penelitian ini dilakukan pengujian sistem pada suara burung yang dilampirkan pada Gambar 4. Gambar 4. Akurasi optimal dihasilkan pada penggunaan feature mean sebagai input jaringan dan optimalisasi jaringan dengan menggunakan 2 hidden layer Pengujian sistem menggunakan data sebanyak 360 data suara burung, yang terbagi menjadi 3 jenis burung sehingga masing-masing jenis burung terdapat 120 data suara. a) Menghitung Akurasi dengan 3 Fold Cross Validation Setiap data masing-masing jenis burung akan dibagi menjadi 3 kelompok data secara merata menjadi 40 data suara untuk tiap kelompok data, seperti yang digambarkan pada Tabel 1. Untuk data validasi menggunakan kelompok data pertama, untuk testing menggunakan kelompok data kedua, sedangkan kelompok data yang tersisa akan menjadi data training. Pengujian akan dilakukan hingga semua kelompok data telah menjadi data validasi, testing maupun training, dan dilakukan akurasi suara seperti yang dilampirkan pada Tabel 2. Tabel 1. Tabel pembagian data 3 kelompok Percobaan Train Validation Testing Tabel 2. Tabel akurasi 3 fold Feature MFCC Delta MFCC Delta Delta MFCC Mean Var Min Max Mean,Var Mean, Min Mean, Max Var, Min Var, Max Min, Max Mean, Var, Min Mean, Var, Max Var, Min, Max Mean, Var, Min, Max
6 b) Menghitung Akurasi dengan 5 Fold Cross Validation Sesuai dengan yang dipaparkan pada Tabel 3, setiap data masing-masing jenis burung akan dibagi menjadi 5 kelompok data secara merata menjadi 24 data suara untuk tiap kelompok data. Untuk data validasi menggunakan kelompok data pertama, untuk testing menggunakan kelompok data kedua, sedangkan kelompok data yang tersisa akan menjadi data training. Pengujian akan dilakukan hingga semua kelompok data telah menjadi data validasi, testing maupun training, dan mengecek akurasi seperti pada Tabel 4. Tabel 3. Tabel pembagian data 5 kelompok Percobaan Train Validation Testing 1 3,4, ,4, ,2, ,2, ,3,4 5 1 Tabel 4. Tabel akurasi 5 fold Feature MFCC Delta MFCC Delta Delta MFCC Mean Var Min Max Mean,Var Mean, Min Mean, Max Var, Min Var, Max Min, Max Mean, Var, Min Mean, Var, Max Var, Min, Max Mean, Var, Min, Max c) Menghitung Akurasi dengan 10 Fold Cross Validation Setiap data masing-masing jenis burung akan dibagi menjadi 10 kelompok data secara merata menjadi 12 data suara untuk tiap kelompok data, seperti yang digambarkan pada Tabel 5 dan menjelaskan mengenai akurasinya pada Tabel 6. Untuk data validasi menggunakan kelompok data pertama, untuk testing menggunakan kelompok data kedua, sedangkan kelompok data yang tersisa akan menjadi data training. Pengujian akan dilakukan hingga semua kelompok data telah menjadi data validasi, testing maupun training. Tabel 5. Tabel pembagian data 10 kelompok Percobaan Train Validation Testing 1 3,4,5,6,7,8,9, ,4,5,6,7,8,9, ,2,5,6,7,8,9, ,2,3,6,7,8,9, ,2,3,4,7,8,9, ,2,3,4,5,8,9, ,2,3,4,5,6,9, ,2,3,4,5,6,7, ,2,3,4,5,6,7, ,3,4,5,6,7,8, Tabel 6. Tabel akurasi 10 fold Feature MFCC Delta MFCC Delta Delta MFCC Mean Var Min Max Mean,Var Mean, Min Mean, Max Var, Min Var, Max Min, Max
7 Feature MFCC Delta MFCC Delta Delta MFCC Mean, Var, Min Mean, Var, Max Var, Min, Max Mean, Var, Min, Max Proses pengujian kombinasi feature mean, variance, min, dan max pada MFCC (13 coefficients), MFCC (26 coefficients), MFCC (39 coefficients) menggunakan arsitektur jaringan dengan 1 hidden layer yang memiliki 10 neuron dan fungsi training trainscg menghasilkan nilai akurasi yang bervariasi seperti terlihat pada Tabel 3, 5, dan 7. Penggunaan feature mean sebagai input jaringan sudah mampu menghasilkan akurasi yang baik jika dibandingkan dengan nilai akurasi yang dihasilkan oleh feature lainnya. Proses pengujian selanjutnya dengan melakukan optimalisasi jaringan dengan menambahkan hidden layer yang kedua menghasilkan nilai akurasi yang optimal seperti pada Gambar 5, setelah itu dilakukan proses uji coba fungsi training lainnya untuk melihat perubahan nilai akurasi yang terjadi pada model jaringan sebelumnya. 4. SIMPULAN Gambar 5. Grafik akurasi percobaan fungsi training terhadap model jaringan optimal Dari hasil penelitian klasifikasi burung berdasarkan suara kicau burung menggunakan Jaringan Syaraf Tiruan propagasi balik dapat disimpulkan bahwa penggunaan feature mean sebagai input sudah cukup untuk menghasilkan model jaringan yang baik. Pada 3 fold cross validation, feature mean menghasilkan akurasi sebesar 85,28%, pada 5 fold cross validation menghasilkan akurasi sebesar 98,61% dan pada 10 fold cross validation menghasilkan akurasi sebesar 99,17% dengan menggunakan 1 hidden layer 10 neuron. Selain itu akurasi optimal dihasilkan pada proses optimalisasi jaringan dengan menambahkan hidden layer kedua sebesar 100% untuk 13 koefisien, 99.72% untuk 26 dan 39 koefisien. Sehingga akurasi tertinggi didapatkan pada 13 koefisien MFCC dengan 2 hidden layer, 10 neuron hidden layer 1 dan 30 neuron hidden layer 2 yaitu 100%. Model Jaringan Syaraf Tiruan yang dihasilkan sudah mampu mengklasifikasikan jenis burung berdasarkan suara kicaunya dengan baik karena setelah dilakukan klasifikasi data tunggal dengan data di luar data pelatihan, sistem mampu mengklasifikasikannya dengan cukup akurat atau hasilnya sesuai dengan target aslinya. 5. REFERENSI [1] Gill, F., Austin, Oliver L., Clench, Mary H Passeriform Bird. animal/passeriform, diakses 04 Mei [2] Setiawan, A., Hidayanto, A., dan Isnanto, R Aplikasi Pengenalan Ucapan dengan Ekstraksi Mel-Frequency Cepstrum Coefficients (MFCC) Melalui Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk Mengoperasikan Kursor Komputer. Transmisi. Vol. 13(3): [3] Jang, J.-S. R Audio Signal Processing and Recognition. audiosignalprocessing/, diakses 04 April [4] Jang, J.-S. R ASR (Automatic Speech Recognition) Toolbox. matlab/toolbox/asr/, diakses 04 April
8 [5] Mustofa, A Sistem Pengenalan Penutur dengan Metode Mel-Frequency Wrapping. Jurnal Teknik Elektro. Vol. 7(2): [6] Diana, L., & Shidik, G. F Analisis Data Transaksi Penjualan Untuk Klasifikasi Jenis Barang Dan Relasi Daya Beli Relatif Masyarakat Menggunakan Algoritam K-Means Serta Asosiasi Apriori. Jurnal Teknologi Informasi. Vol. 10(2): [7] Siang, J. J Jaringan Syaraf Tiruan & Pemorgramannya Menggunakan MATLAB. Penerbit Andi, Yogyakarta. 49
KLASIFIKASI BURUNG BERDASARKAN SUARA KICAU BURUNG MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK SKRIPSI
KLASIFIKASI BURUNG BERDASARKAN SUARA KICAU BURUNG MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik
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 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 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 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 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 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 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 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 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 Muhammad Agung Nursyeha, Muhammad Rivai, dan Suwito Teknik Elektro, Fakultas
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 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 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 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 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 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 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 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 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 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 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 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 terperinciAvailable online at TRANSMISI Website TRANSMISI, 13 (3), 2011,
Available online at TRANSMISI Website http://ejournal.undip.ac.id/index.php/transmisi TRANSMISI, 13 (3), 2011, 82-86 Research Article Aplikasi Pengenalan Ucapan dengan Ekstraksi Mel-Frequency Cepstrum
Lebih 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 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 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 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 terperinci2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...
DAFTAR ISI PERNYATAAN... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iii ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN...
Lebih 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
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 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 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 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 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 terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA M. G. J. Harry Khesa S 1, W. Setiawan 2, I.G.A.K. Diafari Djuni H 3 1,2,3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciBAB I PENDAHULUAN 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 terperinciAPLIKASI PENGENALAN UCAPAN DENGAN EKSTRAKSI MEL-FREQUENCY CEPSTRUM COEFFICIENTS
Makalah Seminar Tugas Akhir APLIKASI PENGENALAN UCAPAN DENGAN EKSTRAKSI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MELALUI JARINGAN SYARAF TIRUAN (JST) LEARNING VECTOR QUANTIZATION (LVQ) UNTUK MENGOPERASIKAN
Lebih 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 terperinciSISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR
SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR Ali Mustofa Jurusan Teknik Elektro, Universitas Brawijaya Email: a_tofa@yahoo.com Abstrak - Pengenalan penutur adalah
Lebih terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
SKRIPSI PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA MADE GDE JAYA HARRY KHESA S JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS UDAYANA BUKIT JIMBARAN
Lebih 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 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 terperinciPenerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker Identification
Jurnal Telematika, vol. 11 no. 1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-2516 Penerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker
Lebih 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 terperinciIdentifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)
Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM) Inggih Permana 1, Benny Sukma Negara 2 1 Universitas Sultan Sarif Kasim Riau 2 Universitas Sultan Sarif
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
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 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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Emosi Emosi adalah perasaan intens yang ditujukan kepada seseorang atau sesuatu dan juga merupakan reaksi terhadap seseorang atau kejadian.emosi dapat ditunjukkan ketika merasa
Lebih 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 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 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 I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciBAB 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 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 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 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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
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 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 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 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 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 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 terperinciAPLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH
APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
Lebih 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 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 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 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 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 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 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 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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
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 terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI PENGENALAN UCAPAN INSTRUKSI PADA SISTEM KENDALI DENGAN METODA KLASIFIKASI JARINGAN SYARAF TIRUAN PROPAGASI BALIK
PERANCANGAN DAN IMPLEMENTASI PENGENALAN UCAPAN INSTRUKSI PADA SISTEM KENDALI DENGAN METODA KLASIFIKASI JARINGAN SYARAF TIRUAN PROPAGASI BALIK DESIGN AND IMPLEMENTATION OF SPEECH INSTRUCTION RECOGNITION
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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan penelitian di dunia telekomunikasi sangat pesat beberapa tahun terakhir ini. Salah satunya adalah penelitian di bidang suara. Suara adalah salah satu cara manusia
Lebih 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 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciPENERAPAN LEARNING VECTOR QUANTIZATION
PENERAPAN LEARNING VECTOR QUANTIZATION (LVQ) DAN EKSTRAKSI CIRI MENGGUNAKAN MEL- FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) UNTUK TRANSKRIPSI SUARA KE TEKS LAKSMI NIRMALA SARI DEPARTEMEN ILMU KOMPUTER FAKULTAS
Lebih terperinciRancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi
A476 Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi Welly Setiawan Limantoro, Chastine Fatichah, dan Umi Laili Yuhana Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciPENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO
PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS
Lebih terperinci