BAB I PENDAHULUAN 1.1 Latar Belakang
|
|
- Widya Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 tersebut tidak hanya terjadi antar manusia saja. Proses komunikasi juga terjadi antara manusia dan perangkat-perangkat seperti komputer dan yang lainnya. Komunikasi yang dilakukan antara manusia dan komputer sering disebut sebagai Human Computer Interface (HCI) atau Interaksi manusia dan komputer (IMK). Contoh sederhana interaksi manusia dan komputer adalah pada saat pengguna menekan tombol untuk melakukan fungsi tertentu. Dalam proses ini, antara program yang digunakan pengguna dan perangkat komputer dijembatani oleh sebuah bahasa pemrograman yang menterjemahkan instruksi dalam bahasa manusia ke dalam bahasa mesin. Pengenalan suara otomatis atau Automatic Speech Recognition (ASR) adalah teknik baru yang dikembangkan untuk mendukung interaksi antara manusia dan komputer yang saat ini menjadi salah satu hal yang sangat potensial bagi para peneliti untuk lebih mendalaminya (Abriyono dan Harjoko, 2012). Pengenalan suara otomatis ini merupakan teknologi untuk dapat mengubah suara menjadi teks. Pengenalan suara adalah suatu pengembangan teknik dan sistem yang memungkinkan komputer untuk menerima masukan berupa kata yang diucapkan. Teknologi ini memungkinkan suatu perangkat untuk mengenali dan memahami kata-kata yang diucapkan dengan cara digitalisasi kata dan mencocokkan sinyal digital tersebut dengan suatu pola tertentu yang tersimpan dalam suatu perangkat. Hingga saat ini, telah banyak penelitian-penelitian terkait dengan Automatic Speech Recognition dengan kemampuan untuk mengenali berbagai kasus percobaan seperti pengucapan kata terisolasi dimana terdapat jeda yang 1
2 2 signifikan antar kata, pengucapan kata-kata layaknya berbicara biasa, ataupun dalam konteks identifikasi pembicara. Teknik-teknik dalam pengenalan suara telah banyak mengalami perkembangan. Mulai dari metode ekstraksi fitur wicara, terdapat beberapa teknik yang performanya cukup baik diantaranya Linear Predictive Coding(LPC) dan Mel Frequency Cepstral Coefficients (MFCC). Sedangkan untuk pengenalan pola suara digunakan metode Hidden Markov Model yang menggunakan pendekatan stokastik yang sangat populer karena mampu melakukan pengenalan dengan baik. Penelitian yang dilakukan oleh Mehta L. R. dilakukan perbandingan metode ekstraksi fitur wicara MFCC dan LPC pada pengenalan kata terisolasi. Dari hasil penelitian tersebut diperoleh kesimpulan bahwa pengenalan wicara dengan metode ekstrasi fitur MFCC menghasilkan tingkat akurasi yang lebih besar dengan rata-rata keberhasilan 99,62 % dibandingkan metode LPC yang menghasilkan persentase keberhasilan 77,37 %. Pada penelitian oleh Ghulam M. tahun 2009, yang mengambil kasus pengenalan digit terisolasi yang menggunakan kombinasi metode MFCC dan HMM dalam bahasa Bangia, sistem mampu mengenali digit bilangan yang digunakan dengan tingkat keberhasilan mencapai 90%. Sedangkan, untuk studi kasus yang sama pada penelitian oleh M. Chandrasekar yang mengdopsi metode MFCC dalam mengekstrak fitur suara, kemudian dikenali dengan Back Propagation Network diperoleh nilai akurasi yang lebih kecil yaitu 80,95%. Dalam pengenalan kata berkelanjutan(continuous) dengan kosa kata berukuran besar oleh Corneliu O. dan Inger Gavat, digunakan Hidden Markov Model (HMM) sebagai recognizer dan 3 macam metode algoritma ekstraksi fitur yaitu MFCC, LPC, dan PLP. Dari ketiga metode ekstraksi fitur tersebut, MFCC menghasilkan tingkat akurasi tertinggi dengan persentase 90,41%. Sedangkan metode LPC memiliki persentase keberhasilan 63,55% sementara PLP sebesar 75,78% (Prabhakar dan Sahu, 2013).
3 3 Salah satu objek penelitian terkait pengenalan suara yang dapat dikembangkan menjadi sebuah sistem yang cukup bermanfaat adalah pengenalan voice command atau intruksi suara. Voice command adalah proses mesin untuk mengenali sebuah intruksi dan memberikan respon terhadap intruksi tersebut. Aplikasi ini salah satunya dapat digunakan dalam sistem Smart House yang menjadikan penelitian ini cukup menarik untuk dilakukan. Walaupun telah banyak dilakukan penelitian yang berkaitan dengan pengenalan suara, namun hingga saat ini masih terhitung sedikit pengenalan suara untuk bahasa Indonesia yang berkonsentrasi pada bidang voice command. Dengan alasan inilah peneliti ingin merancang sebuah aplikasi sederhana yang mampu mengenali intruksi berbahasa Indonesia. Dari penelitian yang dilakukan, diharapkan akan dihasilkan aplikasi pengenalan wicara menggunakan bahasa Indonesia dengan metode ekstraksi fitur Mel Frequency Cepstral Coefficients dan metode pengenalan suara Hidden Markov Model yang mampu mengenali input suara sebagai rangkaian kata-kata yang sesuai dengan instruksi yang diucapkan oleh seseorang. 1.2 Rumusan Masalah Berdasaran latar belakang yang dijabarkan diatas, dapat dirumuskan beberapa poin permasalahan, antara lain 1. Bagaimana performa dari metode Mel Frequency Cepstrum Coefficient dan Hiden Markov Model dalam mengenali kata-kata yang terdapat dalam bahasa Indonesia 2. Bagaimana efektifitas energy jangka pendek (short term energy) dari sebuah sinyal suara untuk mendeteksi batasan kata sehingga dapat mengenali kata-kata yang diucapkan pada sebuah intruksi suara
4 4 1.3 Batasan Masalah Dalam penelitian ini, penulis menggunakan batasan-batasan masalah, antara lain : 1. File suara yang digunakan sebagai dataset pelatihan system memiliki format.wav (waveform audio format). Hal tersebut dikarenakan hanya format audio.wav yang dapat diproses dan dimanipulasi dalam sistem. 2. Dataset suara direkam dengan menggunakan frekuensi sampling Hz 1.4 Tujuan Penelitian Tujuan penelitian yang penulis lakukan yaitu 1. Untuk mengetahui bagaimana performa dari metode Hidden Markov Model sebagai metode pengenalan dan Mel Frequency Cepstral Coefficient sebagai metode ekstraksi fitur yang dikombinasikan dengan metode segmentasi kata dalam mengenali intruksi suara menggunakan bahasa Indonesia. 2. Untuk mengetahui kemampuan segmentasi kata pada instruksi suara menggunakan wujud energi sinyal suara. 3. Untuk mencari nilai dari parameter-parameter paling optimal pada proses pelatihan sistem sehingga dapat memperoleh hasil pengenalan yang baik. 1.5 Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah sebagai dasar bagi penelitian-penilitian selanjutnya untuk mengembangkan sebuah aplikasi atau perangkat yang dapat melakukan interaksi dengan manusia dengan menggunakan intruksi berupa suara. 1.6 Metodelogi Penelitian Pada sub bab metodelogi penelitian ini akan menjelaskan langkah-langkah yang akan dilalui untuk melakukan pengenalan instruksi suara (voice command). Adapun sub bab bahasan yang akan dijelaskan adalah desain penelitian, pengumpulan data, pengolahan data awal, dan metode yang digunakan.
5 Desain Penelitian Dalam penelitian ini, desain penelitian yang digunakan adalah desain penelitian eksperimen. Data hasil rekaman ini akan di jadikan data awal inputan untuk melakukan ekstraksi fitur guna memperoleh fitur vektor sebagai acuan dalam proses pengenalan. Yang menjadi objek penelitian adalah metode ekstraksi fiturnya yaitu Mel Frequency Cepstrum Coefficient dan metode pengenalan adalah Hidden Markov Model. Kemudian dari hasil penelitian yang telah dilakukan, akan di lihat keakuratan metode-metode tersebut dalam melakukan pengenalan terhadap instruksi yang diucapkan menggunakan bahasa Indonesia Pengumpulan data Untuk mendapatkan data-data berupa suara akan dilakukan pengumpulan data secara langsung melalui rekaman menggunakan smartphone. Dataset yang digunakan dalam penelitian ini adalah data primer berupa file suara yang diperoleh langsung dengan merekam wicara menggunakan smartphone. Dalam pengumpulan data ini, akan dilakukan perekaman kata kata yang telah disediakan dan diulang sebanyak 3 kali dari 5 orang pembicara berbeda dengan maksud agar mendapatkan variasi pengucapan dari sebuah kata sehingga memperkaya data penelitian yang akan digunakan Pengolahan Data Awal Pada tahap ini hasil dari rekaman suara dengan format.wav dari masingmasing sumber ini akan dikelompokkan berdasarkan kata yang diucapkan. Hal ini bertujuan untuk mempermudah sistem untuk mengambil data suara pada proses pelatihan. Langkah preprocessing selanjutnya adalah melakukan filter preemphasis terhadap sinyal suara yang bertujuan untuk mempertahankan frekuensi tinggi pada sinyal suara. Data suara yang telah mengalami proses preprocessing akan diekstraksi untuk mendapatkan fitur-fitur vektor yang akan dikenali.
6 Metode yang Digunakan Dalam penelitian ini, metode yang digunakan untuk ekstraksi fitur yaitu metode Mel Frequency Cepstrum Coefficient (MFCC) dan untuk klasifikasinya menggunakan Hidden Markov Model (HMM). Untuk ekstraksi fitur, pada MFCC dibagi menjadi beberapa tahapan, yaitu tahap Pre-emphasis, Framing, Windowing, Discrete Fourier Transform (DFT), Mel-Frequency Filtering, Discrete Cosine Transform(DCT), dan perhitungan delta. Dalam pengenalan kata atau kalimat dengan HMM akan dirancang modelmodel untuk setiap kata yang akan dikenali pada dataset yang digunakan. Pada proses pelatihan HMM akan dilakukan penyesuaian terhadap parameter-parameter dalam HMM untuk mencapai nilai yang optimal untuk proses pengenalan kata/kalimat. Langkah selanjutnya, fitur-fitur tersebut masuk ke dalam model HMM yang telah dikombinasikan dengan model bahasa sehingga membentuk arsitektur model yang optimal. Nilai dari setiap data observasi akan dihitung probabilitasnya untuk mendapatkan rangkaian kata yang memiliki nilai probabilitas tertinggi sebagai kata yang dikenali oleh program. Pada proses pengujian atau testing sistem, terdapat sebuah proses tambahan yaitu deteksi batasan-batasan kata. Dimana proses ini digunakan untuk memecah sebuah input suara(utterance) menjadi sejumlah segment yang dikenali sebagai sebuah kata tunggal. hal ini bertujuan untuk membantu sistem dalam mengenali rangkaian kata yang diucapkan.
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz
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 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 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 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 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 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 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 terperinciPENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI
PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI SKRIPSI I GEDE ARYA MAHARTA NIM. 1108605025 JURUSAN ILMU
Lebih terperinciBAB 1 PENDAHULUAN. berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kecerdasan buatan (artificial intelligence) merupakan bidang yang berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang mengarah kepada bidang
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 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 terperinciBAB 1 PENDAHULUAN. Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya teknologi telekomunikasi, internet menjadi sesuatu yang tidak lagi sulit dan mahal. Kemudahan ini menyebabkan internet dipenuhi berbagai
Lebih terperinciTUGAS AKHIR. Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan Program Strata I Pada Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas
TUGAS AKHIR PERANCANGAN DAN IMPLEMENTASI CONNECTED DIGIT RECOGNITION DENGAN METODE MEL FREQUENCY CEPSTRUM COEFFECIENT DAN HIDDEN MARKOV MODEL UNTUK VOICE DIALING PADA HANDPHONE TIGER C KF-828 Diajukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Isyarat tutur merupakan isyarat yang diproduksi oleh alat ucap manusia hingga menghasilkan informasi, baik berupa makna dari isyarat tutur yang diucapkan maupun yang
Lebih terperinciSistem Verifikasi Penutur menggunakan Metode Mel Frequensi.
SISTEM VERIFIKASI PENUTUR MENGGUNAKAN METODA MEL FREQUENCY CEPSTRAL COEFFICIENTS-VECTOR QUANTISATION (MFCC-VQ) SERTA SUM SQUARE ERROR (SSE) DAN PENGENALAN KATA MENGGUNAKAN METODA LOGIKA FUZZY Oleh : Atik
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih 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 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 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinciAPLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM)
APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) Eko Widiyanto, Sukmawati Nur Endah, Satriyo Adhy, Sutikno Jurusan Ilmu Komputer/Informatika,
Lebih terperinciBAB I PENDAHULUAN. menggunakan voice recognition dapat membantu user memilih produk buah
BAB I PENDAHULUAN 1.1 Latar Belakang Buah Semangka adalah tanaman merambat yang berasal dari daerah gurun di Afrika bagian selatan (Agritekno, tt). Buah semangka masih sekerabat dengan labulabuan. Buah
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 terperinciIMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION
IMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Persyaratan Dalam Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika Disusun oleh : PAULA
Lebih 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 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 TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO
IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO 02.50.0020 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS KATOLIK
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Gelombang Bunyi Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah medium,
Lebih terperinciBAB 3 PERANCANGAN SISTEM. yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk
BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Voice Command pada demonstrasinya merupakan aplikasi pengenalan suara yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk menampung
Lebih 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 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 terperinciPengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model
Pengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model Ziaul Haq, Teknik Informatika S1,Universitas Dian Nuswantoro Semarang Abstract Pengenalan
Lebih terperinciPembuatan Prototype Speaker Diarization
Pembuatan Prototype Speaker Diarization Samuel Enrico Wijaya 13509059@std.stei.itb.ac.id Nur Ulfa Maulidevi ulfa@stei.itb.ac.id Dessi Puji Lestari dessipuji@gmail.com Abstrak - File suara mengandung banyak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Suara Suara adalah sebuah sinyal yang merambat melalui media perantara. suara dapat didefinisikan sebagai gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara
Lebih 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 terperinciPENERAPAN METODE POWER SPEKTRUM PADA PROSES KONVERSI SUARA UCAPAN MENJADI TEKS
1 PENERAPAN METODE POWER SPEKTRUM PADA PROSES KONVERSI SUARA UCAPAN MENJADI TEKS Yoga Arifianto, Drs. Nurul Hidayat, M. Kom Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Suara (Wicara) Suara khususnya wicara merupakan cara yang natural bahkan paling penting dalam melakukan proses komunikasi. Dalam kehidupan sehari-hari, manusia melakukan berbagai
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan lafal manusia agar dapat dilakukan oleh sebuah mesin telah menjadi fokus dari berbagai riset selama lebih dari empat dekade. Ide dasar yang sederhana
Lebih 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 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 terperinciIDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI
IDENTIFIKASI BUNYI DALAM PEMBELAJARAN NADA DASAR PERMAINAN SULING BATAK MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT SKRIPSI MUHAMMAD WARDANA 121402024 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciBAB I PENDAHULUAN. 2012). Penelitian yang dilakukan oleh Bosma dkk. (1965), menemukan bahwa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Orang tua memiliki keinginan yang mendalam untuk menenangkan bayinya yang gelisah, tidak berdaya, dan frustrasi akibat menangis terus menerus (Dunstan, 2012).
Lebih terperinciSISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM. Ivanna K. Timotius, Danie Kurniawan. Intisari
SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM Fakultas Teknik Elektronika dan Komputer, Program Studi Teknik Elektro, Universitas Kristen Satya Wacana, Salatiga,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Mengenali sebuah kata atau kalimat bukanlah hal yang sulit dilakukan bagi manusia Apalagi kata tersebut merupakan Bahasa Utama yang digunakannya sehari-hari Berbagai logat
Lebih terperinciRANCANG BANGUN APLIKASI PENGENAL PENUTUR MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM)
RANCANG BANGUN APLIKASI PENGENAL PENUTUR MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM) Maryati Gultom 1), Mukhlisa 2), Derry Alamsyah 3) 1 gultommaryati@gmail.com, 2 immobulus92@gmail.com, 3 derryfseiei@gmail.com
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi speech recognition merupakan teknologi pengenalan wicara yang memanfaatkan sinyal suara manusia sebagai masukan yang kemudian dikenali oleh sistem. Teknologi
Lebih terperinciAnalisis dan Perancangan Speech Recognition Translate Bahasa Inggris-Indonesia-Gorontalo Berbasis Android
Vol. 6 No. 1 Edisi Mei 2016 ISSN: 2088-4591 Analisis dan Perancangan Speech Recognition Translate Bahasa Inggris-Indonesia-Gorontalo Berbasis Android Ismail Mohidin Program Studi Teknik Informatika, Politeknik
Lebih terperinciPERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI
PERBANDINGAN BERBAGAI METODE UKURAN JARAK UNTUK PENGENALAN FONEM DENGAN MFCC SEBAGAI EKSTRAKSI CIRI YULIANA SURI DAPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBab 1. Pendahuluan. aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi
1 Bab 1 Pendahuluan 1.1 Latar Belakang Di era teknologi informasi khususnya internet, keberadaan sistem proteksi yang aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi tersedia
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Musik merupakan sarana untuk menyimpan hasil karya seseorang. Dan hampir semua notasi musik dituliskan ke dalam not balok. Not balok adalah susunan nada yang ditulis
Lebih terperinciBAB 1 PENDAHULUAN. berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition
BAB 1 PENDAHULUAN 1.1 Latar Belakang Speaker recognition adalah salah satu bidang pengenalan pola yang berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition yang mengenali kata atau
Lebih terperinciBAB I PENDAHULUAN. pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi memungkinkan kita untuk melakukan suatu pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah sering diimplementasikan adalah
Lebih terperinciBAB I PENDAHULUAN. dapat menghasilkan suara yang enak untuk didengar.
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring dengan berkembangnya jaman, teknologi yang sekarang banyak digunakan untuk membantu pekerjaan manusia pun juga semakin berkembang pesat. Bukan hanya teknologi
Lebih terperinciPenerapanHidden Markov Model (HMM) pada Pengenalan Penutur
Jatisi, Vol. 1 No. 1 September 2014 111 PenerapanHidden Markov Model (HMM) pada Pengenalan Penutur Mukhlisa* 1, Maryati Gultom 2, Derry Alamsyah 3 1,2,3 STMIK GI MDP; Jln. Rajawali No. 14, 0711 376400
Lebih terperinciUKDW BAB 1 PENDAHULUAN Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Permainan labirin merupakan salah satu pilihan permainan untuk mengisi waktu luang. Permainan Labirin atau Maze merupakan suatu permainan dengan sebuah area
Lebih terperinciBAB I PENDAHULUAN ! <!!!!!
BAB I PENDAHULUAN 1.1 Latar Belakang Tuna wicara merupakan seseorang yang mengalami kesulitan dalam berbicara. Hal ini disebabkan oleh kurang atau tidak berfungsinya organ-organ untuk berbicara, seperti
Lebih terperinciSISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM)
SISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM) Harun Sujadi 1, Ii Sopiandi 2, Agis Mutaqin 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Majalengka
Lebih terperinciIMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA
IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA Yusup Miftahuddin 1) Mira Musrini B 2) Muhammad Rifqi Hakim 3) 1) 2) 3) Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. Teknologi sekarang ini berkembang sangat pesat, hampir semua kehidupan
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Teknologi sekarang ini berkembang sangat pesat, hampir semua kehidupan manusia tergantung pada mesin atau komputer. Begitu banyak mesin yang dibuat untuk memudahkan
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 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 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 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 terperinciIDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT
IDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT Yanuar Risah Prayogi 1), Joko Lianto Buliali 2) 1, 2) Jurusan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tetris Tetris adalah sebuah tipe permainan yang dibuat oleh seorang programmer berkebangsaan Rusia yang bernama Alexey Pajitnov pada tahun 1984 dan semenjak saat itu game tetris
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciAnalisis Koefisien Cepstral Emosi Berdasarkan Suara
Journal of Applied Informatics and Computing (JAIC) Vol.1,.1, Desember 2017 e-issn: 2548-6861 1 Analisis Koefisien Cepstral Emosi Berdasarkan Suara Ismail Mohidin 1 *, Frangky Tupamahu 2 ** * Teknik Informatika,
Lebih terperinciSuara bisa dibuat database engine untuk pengenalan kata. Dengan aplikasi ini, dapat secara otomatis melakukan transkripsi suara, sehingga dapat mengur
PEMBENTUKAN BASIS DATA UCAPAN DALAM BAHASA INDONESIA DAN PENGKODEANNYA BERDASARKAN LINEAR PREDICTIVE CODING (LPC) Elly Oktarina zonalee_cho@yahoo.com Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok
Lebih terperinciRancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Rancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect Ratri Cahyarini, Umi Laili Yuhana, dan Abdul Munif Teknik
Lebih terperinciINDEPT, Vol. 3, No.1, Februari 2013 ISSN
SISTEM SPEAKER RECOGNITION (PENGENAL PENGUCAP) UNTUK MENCARI KARAKTERISTIK UCAPAN SESEORANG DENGAN METODE MEL FREQUENCY CEPTRUM COEFFISIENT (MFCC) MENGGUNAKAN SOFTWARE MATLAB Andriana, ST., MT. Dosen Fakultas
Lebih terperinciBAB I PENDAHULUAN. pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran.
BAB I PENDAHULUAN 1.1 Latar Belakang Saat sesuatu diukur maka beberapa data didapatkan. Umumnya pengukuran tidak pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran. Mendapatkan data
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam situs http://id.wikipedia.org/wiki/lagu dikatakan bahwa lagu merupakan gubahan seni nada atau suara dalam urutan, kombinasi, dan hubungan temporal (biasanya diiringi
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang, Digital Signal Processing (DSP) atau pemrosesan sinyal digital sudah banyak diterapkan di berbagai bidang karena data dalam bentuk digital
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Dalam proses pembuatan suatu sistem harus dilakukan penelitian dan penganalisaan tentang sistem yang akan dibangun, berikut adalah beberapa analisis
Lebih terperinciPengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM)
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM) Adi Rinaldi *1, Hendra 2, Derry Alamsyah 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciRANCANG BANGUN MODUL PENGENALAN SUARA MENGGUNAKAN TEKNOLOGI KINECT
RANCANG BANGUN MODUL PENGENALAN SUARA MENGGUNAKAN TEKNOLOGI KINECT Ratri Cahyarini NRP 5109100165 Dosen Pembimbing Umi Laili Yuhana, S.Kom., M.Sc. Abdul Munif, S.Kom., M.Sc. LATAR BELAKANG Teknologi pengenalan
Lebih terperinciImplementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara
Implementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara Bima Laksmana Pramudita (13511042) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB 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 terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciBAB I PENDAHULUAN. Suara merupakan salah satu media komunikasi yang paling sering dan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Suara merupakan salah satu media komunikasi yang paling sering dan umum digunakan oleh manusia. Manusia dapat memproduksi suaranya dengan mudah tanpa memerlukan
Lebih terperinciBAB 3 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 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 terperinciSistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM
ISSN: 2085-6350 Yogyakarta, 15 September 2015 CITEE 2015 Sistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM Syahroni Hidayat 1, Risanuri Hidayat 2, Teguh Bharata
Lebih terperinciDETEKSI SLEEP APNEA MELALUI ANALISIS SUARA DENGKURAN DENGAN METODE MEL FREKUENSI CEPSTRUM COEFFICIENT
DETEKSI SLEEP APNEA MELALUI ANALISIS SUARA DENGKURAN DENGAN METODE MEL FREKUENSI CEPSTRUM COEFFICIENT DETECTION OF SLEEP APNEA BY ANALYSIS OF SNORE SOUNDS USING MEL FREQUENCY CEPSTRUM COEFFICIENT METHOD
Lebih terperinciIMPLEMENTASI SISTEM PESAN VIA SUARA : KONVERSI SUARA KE TEKS PADA APLIKASI PENGIRIMAN PESAN BERBAHASA INDONESIA
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 651 IMPLEMENTASI SISTEM PESAN VIA SUARA : KONVERSI SUARA KE TEKS PADA APLIKASI PENGIRIMAN PESAN BERBAHASA INDONESIA IMPLEMENTATION
Lebih terperinciPENDAHULUAN Tujuan Latar Belakang Ruang Lingkup Manfaat Penelitian TINJAUAN PUSTAKA Nada dan Chord Gitar
PENDAHULUAN Latar Belakang Sistem pendengaran manusia memiliki kemampuan yang luar biasa dalam menangkap dan mengenali sinyal suara. Dalam mengenali sebuah kata ataupun kalimat bukanlah hal yang sulit
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi informasi di dunia sudah sangat maju. Tentu saja, hal ini membuat banyak orang beralih dari metode manual ke penggunaan teknologi informasi.
Lebih terperincivii MODEL FONEM DENGAN PENDEKATAN DISTRIBUSI NORMAL UNTUK PENGENALAN KATA MENGGUNAKAN MFCC SEBAGAI EKSTRAKSI CIRI ADITYA DWI HAPSARI
vii MODEL FONEM DENGAN PENDEKATAN DISTRIBUSI NORMAL UNTUK PENGENALAN KATA MENGGUNAKAN MFCC SEBAGAI EKSTRAKSI CIRI ADITYA DWI HAPSARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinci