PERGERAKAN ROBOT LENGAN BERBASIS PERINTAH SUARA MENGGUNAKAN MFCC DAN ANN
|
|
- Yulia Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERGERAKAN ROBOT LENGAN BERBASIS PERINTAH SUARA MENGGUNAKAN MFCC DAN ANN Wahyu Muldayani 1, Djoko Purwanto 2, Tri Arief Sardjono 3 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya, Surabaya wahyumuldayani@gmail.com, 2 djoko@ee.its.ac.id, 3 sardjono@elect-eng.its.ac.id Abstrak Robot lengan menggunakan perintah suara adalah sebuah robot yang dapat digunakan untuk membantu pekerjaan manusia sehari-hari dengan menggunkan perintah suara. Robot ini diaterapkan sebagai pelayan untuk mengambil benda yang diinginkan. Penggenalan perintah suara diproses menggunakan metode MFCC (Mel- Frequency Cepstrum Coefficients) dan ANN (Artificial Neural Network). Metode Mel-Frequency Cepstrum Coefficients digunakan untuk membuat pola dari perintah suara. Sedangkan metode ANN digunakan untuk pengambil keputusan dari pola perintah suara yang dihasilkan. Hasil pengenalan perintah suara digunakan untuk mengerakan robot lengan. Robot lengan mampu mengenali perintah suara dengan error persen sebesar 10%. Kata kunci : ANN, MFCC, robot, suara. 1.Pendahuluan Robot bukanlah sesuatu yang hanya kita jumpai di dunia animasi atau film saja. Robot sudah menjadi kenyataan pada sekarang ini. Robot diciptakan manusia pada umumnya digunakan untuk mempermudah pekerjaan manusia. Hasil survei United Nations (UN) menghasilkan kelompok robotika dibagi menjadi tiga besar kategori yaitu: robotika industri, robotika layanan profesional,dan robotika layanan pribadi; UN (2002). Selama beberapa tahun terakhir, konsep robot sosial interaktif telah diperkenalkan dan menjadi salah satu topik terkini dalam penelitian di bidang Interaksi Manusia-Robot; Bartneck, et al (2004). Interaksi Manusia -Robot memeiliki cara yang berbeda-beda. Interaksi secara kontak langsung; Olabi, et al (2010), manusia berinteraksi dengan robot dengan menekan tombol berupa keyboard atau joystick. Interaksi secara visual, robot berinteraksi dengan mengambil gambar atau keaadaan sekitar. Sebagai contoh robot yang digerakan dengan mengambil gambar dari gerakan tangan manusia; Qian, et al (2013). Interaksi manusia-robot dengan meng-gunakan suara, manusia dapat memerintahkan sebuah robot dengan menggunakan perintah suara; Ronando dan Irawan (2012). Suara manusia sering digunakan sebagai alat komunikasi antar manusia. Manusia dapat berinteraksi memberikan perintah dengan menggunakan perintah suara. Penelitian ini, robot lengan dibuat dengan kendali berupa perintah suara. Robot ini digunakan sebagai robot pelayan untuk membantu manusia dalam mengambil benda. Hal pertama yang dilakukan adalah pengenalan suara. Pengenalan suara terdapat beberapa tahapan yang harus dilakukan, yaitu akuisisi data suara, ektraksi ciri sinyal suara, dan pengenalan pola suara; Ramirez, et al (2005). Proses akuisisi sinyal suara yang diperoleh oleh microphone akan didigitalisasi oleh PC. Proses ekstraksi ciri dan pengenalan pola suara terdiri dari dua tahap, yaitu Mel-Frequency Cepstrum Coefficients (MFCC) dan ANN (Artificial Neural Network); Dash, et al (2012). MFCC digunakan untuk membuat pola dari perintah suara yang digunakan. Sedangkan metode ANN digunakan untuk pengambil keputusan dari pola perintah suara yang dihasilkan. Hasil pengenalan perintah suara digunakan untuk mengerakan robot lengan. 2.Metode 2.1 Robot Lengan Robot lengan merupakan robot yang memiliki lengan sperti halnya lengan manusia. robot lengan (arm robot) dibuat untuk berbagai keperluan dalam membantu pekerjaan manusia. Robot lengan memiliki bentuk lengan-lengan kaku yang terhubung secara seri dan memiliki sendi yang dapat bergerak berputar (rotasi) atau memanjang/memendek (translasi atau prismatik). Robot lengan yang digunakan pada penelitian ini terdiri dari 3 Degrees of Fredom (DOF). Satu gerak rotasi menggunakan motor servo digunakan untuk mengerakan robot berputar kanan dan kiri. A-46
2 Dua gerak translasi menggunkan motor DC digunakan untuk menggerakan lengan robot maju, mundur, naik dan turun. Robot dilengkapi dengan gripper digunakan untuk mengambil benda. Kendali robot menggunakan arduino mega 2560 R3, sedangkan proses pengenalan perintah suara menggunkan komputer. Spesifikasi robot seperti pada Gambar 1. Sinyal suara direka selama 2 detik dengan fs sebesar 8000Hz. Sinyal suara yang telah direkam, kemudian ditampilakan dikomputer, seperti pada Gambar 3. Sinyal suara yang direkam kemudian dipotong untuk dideteksi bagian suara saja. Silence detection digunakan pada bagian ini. Potongan suara kata Buka dapat dilihat pada Gambar 4. Gambar 3. Sinyal Suara Buka Gambar 1. Spesifikasi Robot 4.1 Mel-Frequency Cepstrum Coefficients Mel-Frequency Cepstrum Coefficients atau yang dikenal dengan nama MFCC merupakan salah satu metode yang digunakan untuk menetukan pola suara. MFCC terdiri dari beberapa tahapan, seperti pada Gambar 2. Gambar 4. Silence Detection Proses selanjutnya adalah menentukan jumlah frame dari sampel sinyal (nframe). nframe = Panjang Sinyal Panjang Frame (1) Panjang frame yang digunakan sebesar 256. Aquired sinyal digunakan sebagai proses awal pengenalan pola suara berdasarkan jumlah frame dari sampel sinyal. Gambar 2. Tahapan MFCC Sinyal suara terlebih dahulu direkam menggunakan mikropon yang ada pada komputer. Gambar 5. Aquired Sinyal Tahap selanjutnya adalah hamming window atau yang sering disebut dengan windowing. Windowing A-47
3 digunakan sebagai bentuk jendela dengan mempertimbangkan blok atau kata berikutnya dalam fitur rantai pengolahan ekstraksi dan mengintegrasikan semua lini frekuensi yang paling dekat. Windowing direpresentasikan seperti yang ditunjukkan pada Persamaan 2. Y[n] = X(n)*W(n) 0 n N 1 (2) W(n) = cos ( 2πn N 1 ) (3) Untuk menghitung mels untuk f frekuensi dalam Hz, dapat menggunakan rumus persamaan. F (Mel ) =[2595 * log 10[1+ f /700] (4) Spektrum subjektif disimulasikan dengan menggunakan filter bank, satu filter untuk setiap komponen frekuensi mel yang diinginkan. Filter bank memiliki band segitiga respon frekuensi, dan jarak serta bandwidth ditentukan dengan interval frekuensi mel konstan. Dimana : Y[n] = Output sinyal X(n) = Input sinyal W(n) = Hamming window N = Jumlah sample tiap frame Hamming window sendiri dapat dicari dengan menggunakan persamaan 3. Gambar 6 merupakan contoh dari proses windowing. Gambar 8. Mel-Frequency Warping Gambar 6. Windowing Fast Fourier Transform (FFT) digunakan untuk mengkonversi sinyal dari domain waktu ke domain frekuensi. FFT dapat mengetahui besarnya respon frekuensi setiap frame. FFT ditunjukan pada Gambar 7. Dalam langkah terakhir ini, spektrum log mel dirubah kembali ke waktu. Hasilnya disebut Mel Frequency Cepstrum Coefisien (MFCC). Karena koefisien spektrum mel adalah bilangan real, maka perlu mengkonversikannya ke domain waktu menggunakan Discrete cosine transform (DCT). DCT dilakukan untuk mengubah koefisien mel kembali ke domain waktu. DCT dapat dilakukan dengan menggunakan persamaan 4. K C n = (logs k )cos [n (k 1 2 ) π K ], k=1 n = 1, 2, K (5) Dimana, S k, K = 1, 2,. K adalah output dari langkah terakhir Gambar 7. FFT Range frequensi yang dihasilkan FFT spectrum terlalu lebar dan membuat sinyal suara tidak dapat mengikuti skalanya. Oleh karena itu, untuk setiap nada dengan frekuensi f, diukur dalam Hz, pitch subjektif diukur pada skala yang disebut "mel" skala. Skala mel frekuensi adalah frekuensi linier berada dibawah 1000 Hz dan logaritmik diatas 1000Hz. A-48 Gambar 9. MFCC Gambar 9 merupakan MFCC yang dihasilkan dari sinyal suara buka. setiap sinyal suara akan menghasilkan pola MFCC yang berbeda-beda. Pola
4 yang dihasilkan terdiri dari 19 sampel atau element setiap kata. Pola dari MFCC ini disimpan yang nantinya digunkan sebagai inputan dari NN. 2.3 Artificial Neural Network Artificial Neural Network atau yang sering disebut jaringan syaraf tiruan merupakan sebuah model matematik yang berupa kumpulan unit yang terhubung secara parallel yang bentuknya menyerupai jaringan saraf pada otak manusia (neural). ANN sering digunakan dalam bidang kecerdasan buatan. ANN melatih jaringan saraf untuk melakukan fungsi tertentu dengan menyesuaikan nilai-nilai dari koneksi (bobot) tiaptiap elemen. ANN terdiri dari input layer, hiden layer dan output layer. Dalam ANN input tertentu akan menyebabkan output target tertentu. Situasi demikian ditunjukkan pada Gambar 10. Jaringan disesuaikan berdasarkan perbandingan output dan target, sampai output jaringan sesuai dengan target. Maju Mundur Naik turun Setiap kata memilki 19 sampel. Jumlah kata yang dilatih sebanyak 80 kata. Dua hiden layer digunakan pada topologi ini, terdiri dari 10 neuron pada hiden layer pertama dan 8 neuron pada hiden layer kedua. Output yang dihasilkan harus sesuai dengan target dengan Mean Squared Error (MSE) sebesar HASIL Pengujian pengenalan suara dilakukan dengan memberikan inputan suara sesuai dengan gerak robot yang diinginkan. Setiap inputan suara memilki pola MFCC yang berbeda-beda. Namun untuk kata yang sama memilki pola MFCC yang mirip. Hasil setiap pola dari 8 kata yang diinputkan dapat dilihat pada grafik Gambar Gambar 10. Jaringan Syaraf Tiruan ANN dapat digunakan sebagai pembelajaran dari pola-pola MFCC yang dihasilkan untuk menentukan perintah selanjutnya. Pola-pola MFCC dilatih hingga otput yang dihasilkan sesuai dengan target yang diinginkan. Topologi ANN yang digunakan seperti pada Gambar 11. Gambar 12. Pola MFCC Kata "Buka" Gambar 11. Topologi ANN Input berupa nila dari MFCC dari tiap-tiap kata. Sedangkan ouput tediri dari 8 bit biner, seperti pada Tabel 1. Tabel 1, Input dan Output ANN Input (pola MFCC) Output (biner) Gambar 13. Pola MFCC Kata "Tutup" Buka Tutup Putar Berhenti A-49
5 Gambar 14. Pola MFCC Kata "Putar" Gambar 18. Pola MFCC Kata "Naik" Gambar 19. Pola MFCC Kata "Turun" Gambar 15. Pola MFCC Kata "Berhenti" Pola MFCC dari setiap kata ini digunakan sebagai inputan untuk NN. Learning dilakukan dengan tingkat MSE sebesar Performa dari NN dapat dilihat pada Gambar 16. Gambar 16. Pola MFCC Kata "Maju" Gambar 20. Performa NN Gambar menjelaskan bahwa output sesuai dengan target yang diingkin selama 34 epochi. Pengujian selajutnya dilakukan dengan memberikan inputan suara sebagai perintah suara untuk menggerakan robot lengan. Gambar 21(a) merupakan gerakan robot lengan ketika diberi perintah suara "tutup" dan Gambar 21(b) merupakan gerakan robot lengan ketika diberi perintah suara "buka". Gambar 17. Pola MFCC Kata "Mundur" A-50
6 Gambar 21(a). Gerak Robot Ketika Perintah Suara Tutup dan Gambar 21(b). Gerak Robot Ketika Perintah Suara Buka. Tabel 2 merupakan hasil error persen yang didapatkan dari pengujian setiap kata perintah suara yang digunakan. Pengujian dilakukan sebanyak 20 kali dari setiap kata perintah suara yang digunakan.. Tabel 2, Error Persen Setiap Kata Perintah Suara Input (pola MFCC) Error % Buka 5% Tutup 15% Putar 15% Berhenti 10% Maju 15% Mundur 5% Naik 10% turun 5% Control Engineering Practice, Vol. 18 hal C. Bartneck, dan J. Forlizzi. (2004), A Design- Centered Framework for Social Human-Robot Interaction, in Proceedings of Ro-Man'2004, Kura-shiki., hal Elsen Ronando dan M. Isa Irawan. (2012), Pengenalan Ucapan Kata Sebagai Pengendali Gerakan Robot Lengan Secara Real-Time dengan Metode Linear Predictive Coding Neuro Fuzzy, Jurnal Sainds dan Seni ITS, Vol. 1, No. 1, ISSN: X. J.Ramírez., Segura, J.C., Benítez, C., de la Torre, A., dan Rubio, A. (2005a), An Effective Subband OSF-based VAD with Noise Reduction for Robust Speech Recognition, IEEE Transactions on Speech and Audio Processing, Vol. 13, No. 6, pp Kshamamayee Dash, Debananda Padhi, Bhoomika Panda, dan Prof. Sanghamitra Mohanty. (2012), Speaker Identification using Mel Frequency Cepstral Coefficient and BPNN, International Journal of Advanced Research in Computer Science and Software Engineering, Vol 2, ISSN: X. Kun Qian, Jie Niu, dan Hong Yang. (2013), Developing a Gesture Based Remote Human- Robot Interaction System Using Kinec, International Journal of Smart Home, Vol. 7, No. 4. UN. (2002). United Nations and the International Federation of Robotics. Proceedings of the World Robotics, New York. Dari pengujian yang dilakukan sistem mampu mengenali perintah suara dengan error persen ratarata sebesar 10%. 4.Kesimpulan dan Saran MFCC dan NN mampu mengenali suara sehingga dapat digunakan sebagai sebuah perintah suara untuk menggerakan robot. Robot yang digunakan tidak dapat berpindah posisi sehingga posisi target sebatas dari lengan robot, diharapkan untuk kedapanya robot mampu berpindah posisi sehingga memilki jangkauan yang luas. Daftar Pustaka: Adel Olabi, Richard Bearee, Olivier Gibaru, dan Mohamed Damak. (2010 ), Feedrate planning for machining with industrial six-axis robots, A-51
Pengendalian Robot Lengan Berbasis Perintah Suara Menggunakan MFCC dan ANN
Pengendalian Robot Lengan Berbasis Perintah Suara Menggunakan MFCC dan ANN Wahyu Muldayani #1, Ali Rizal Chaidir *2, Guido Dias Kalandro #3,Catur Suko Sarwono #4 Universitas Jember 1 wahyumuldayani.teknik@unej.ac.id
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB I PENDAHULUAN 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPengenalan Ucapan Kata Sebagai Pengendali Gerakan Robot Lengan Secara Real-Time dengan Metode Linear Predictive Coding Neuro Fuzzy
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X A-51 Pengenalan Ucapan Kata Sebagai Pengendali Gerakan Robot Lengan Secara Real-Time dengan Metode Linear Predictive Coding Neuro Fuzzy
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 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 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 terperinciROBOT PEMADAM API DENGAN KENDALI UCAPAN MENGGUNAKAN LINIER PREDICTIVE CODING DAN JARINGAN SYARAF TIRUAN BACKPROPAGASI
Mikrotiga, Vol 1, No. 2 Mei 2014 ISSN : 2355-0457 25 ROBOT PEMADAM API DENGAN KENDALI UCAPAN MENGGUNAKAN LINIER PREDICTIVE CODING DAN JARINGAN SYARAF TIRUAN BACKPROPAGASI Desi Windi Sari 1*, Sri Agustina
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciImplementation of Voice Recognition Based Key Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 3998 IMPLEMENTASI KUNCI BERBASIS SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) Implementation of Voice
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 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 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 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 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 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 terperinciKata Kunci: Suara; Mel Frequency Cepstral Coefficient; K-NEAREST NEIGHBOUR
120 Dielektrika, [P-ISSN 2086-9487] [E-ISSN 2579-650X] Vol. 4, No. 2 : 120-126, Agustus 2017 KLASIFIKASI SUARA BERDASARKAN USIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN K-NEAREST NEIGHBOUR
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 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 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 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 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 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 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 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 terperinciPENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS
PENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER CLARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
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 terperinciPEMBANGUNAN METODE CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR DENGAN TEKNIK EKSTRAKSI CIRI MFCC ARMEN MARTA
PEMBANGUNAN METODE CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR DENGAN TEKNIK EKSTRAKSI CIRI MFCC ARMEN MARTA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciIdentifikasi Suara Pengontrol Lampu Menggunakan Mel-Frequency Cepstral Coefficients dan Hidden Markov Model
Identifikasi Suara Pengontrol Lampu Menggunakan Mel-Frequency Cepstral Coefficients dan Hidden Markov Model Angga Kersana Munggaran 1, Esmeralda C Djamal, Rezki Yuniarti Jurusan Informatika, Fakultas MIPA
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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian tugas akhir ini dilaksanakan pada : Waktu : Juni 2014 Maret 2015 Tempat : Laboratorium Terpadu Jurusan Teknik Elektro Universitas Lampung
Lebih 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 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 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 terperinciPerbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength
JURNAL FISIKA DAN APLIKASINYA VOLUME 12, NOMOR 1 JANUARI 2016 Perbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength Dody Kurniawan, Ahmad Syakir, Hana Afifah,
Lebih terperinciIMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA
IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA Yusup Miftahuddin 1) Mira Musrini B 2) Muhammad Rifqi Hakim 3) 1) 2) 3) Teknik Informatika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. 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 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 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 terperinciPerancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA
Perancangan Sistem Pengenalan Suara Untuk Pengamanan Dan Pemantauan Fasilitas PLTA Yufliha Dian Ayunisa, Ir. Achmad Affandi, DEA, Ir. Wirawan, DEA Jurusan Teknik Elektro FTI ITS Abstrak - Sistem pengawasan
Lebih terperinciIDENTIFIKASI UCAPAN WARNA MENGGUNAKAN LPC (LINIER PREDICTIVE CODE ) DAN KELOMPOK PEMILIHAN BOBOT
TELEMATIKA, Vol. 14, No. 01, APRIL, 2017, Pp. 68 73 ISSN 1829-667X IDENTIFIKASI UCAPAN WARNA MENGGUNAKAN LPC (LINIER PREDICTIVE CODE ) DAN KELOMPOK PEMILIHAN BOBOT Heriyanto, Oliver Samuel Simanjuntak
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 terperinciMODUL 5 EKSTRAKSI CIRI SINYAL WICARA
MODUL 5 EKSTRAKSI CIRI SINYAL WICARA I. TUJUAN - Mahasiswa mampu melakukan estimasi frekuensi fundamental sinyal wicara dari pengamatan spektrumnya dan bentuk gelombangnya - Mahasiswa mampu menggambarkan
Lebih 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 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 terperinciWahana Fisika, 1(2), 2016
Sistem Kontrol Robot Arm 5 DOF Berbasis Pengenalan Pola Suara Menggunakan MelFrequency Cepstrum Coefficients (MFCC) dan Adaptive NeuroFuzzy Inference System (ANFIS) W.S. Mada Sanjaya 2 *, Dyah Anggraeni
Lebih terperinciPerbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength
JURNAL FISIKA DAN APLIKASINYA VOLUME 12, NOMOR 1 JANUARI 2016 Perbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength Dody Kurniawan, Ahmad Syakir, Hana Afifah,
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 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 terperinciRANCANG BANGUN DETEKSI SUARA PARU-PARU DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGASI UNTUK MENDETEKSI PENYAKIT ASMA
RANCANG BANGUN DETEKSI SUARA PARU-PARU DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGASI UNTUK MENDETEKSI PENYAKIT ASMA Artiarini Kusuma N., Kemalasari,. Ardik Wijayanto Jurusan Teknik Elektronika, Politeknik
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 terperinciPENERAPAN LVQ DENGAN INISIALISASI K-MEANS UNTUK PENGENALAN NADA GITAR DENGAN EKSTRAKSI CIRI MFCC ARIF BUDIARTO
PENERAPAN LVQ DENGAN INISIALISASI K-MEANS UNTUK PENGENALAN NADA GITAR DENGAN EKSTRAKSI CIRI MFCC ARIF BUDIARTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR
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 terperinciBab 3. Perancangan Sistem
34 Bab 3 Perancangan Sistem 3.1 Gambaran Umum Sistem Aplikasi yang kami namakan Voice Protect ini, mempunyai alur program sebagai berikut: Start Enkripsi Dekripsi Pilih File Buka file enkripsi Rekam Suara
Lebih terperinciSISTEM PENILAIAN BERDASARKAN TEPUK TANGAN MENGGUNAKAN MFCC DAN CODEBOOK PUSPITA KARTIKA SARI
SISTEM PENILAIAN BERDASARKAN TEPUK TANGAN MENGGUNAKAN MFCC DAN CODEBOOK PUSPITA KARTIKA SARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN
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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK
ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK Nirma Priatama NRP. 2210100159 Dosen Pembimbing : Dimas Anton Asfani, ST.,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi di dunia telah mengalami kemajuan yang sangat pesat, terutama di bidang robotika. Saat ini robot telah banyak berperan dalam kehidupan manusia. Robot adalah
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciSISTEM IDENTIFIKASI CIRI MUSIK UNTUK ROBOT PENARI JAIPONG
SISTEM IDENTIFIKASI CIRI MUSIK UNTUK ROBOT PENARI JAIPONG Bima Sena Bayu D., Ardik Wijayanto Politeknik Elektronika Negeri Surabaya, Institut Teknologi Sepuluh Nopember Kampus ITS Keputih Sukolilo Surabaya
Lebih terperinciLAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA. Disusun Oleh : Inggi Rizki Fatryana ( )
LAPORAN APLIKASI DIGITAL SIGNAL PROCESSING EKSTRAKSI CIRI SINYAL WICARA Disusun Oleh : Inggi Rizki Fatryana (1210147002) Teknik Telekomunikasi - PJJ PENS Akatel Politeknik Negeri Elektro Surabaya 2014-2015
Lebih terperinciBAB 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 terperinciIDENTIFIKASI INSTRUMEN GAMELAN JAWA MENGGUNAKAN JARINGAN FUNGSI BASIS RADIAL DENGAN METODE PELATIHAN EXTENDED KALMAN FILTER
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 283 IDENTIFIKASI INSTRUMEN GAMELAN JAWA MENGGUNAKAN JARINGAN FUNGSI BASIS RADIAL DENGAN METODE PELATIHAN EXTENDED KALMAN FILTER
Lebih terperinci