Sigit Nur Rohman Achmad Hidayatno Ajub Ajulian Zahra ABSTRACT

Transkripsi

1 APLIKASI PENCIRIAN DENGAN LINEAR PREDICTIVE CODING UNTUK PEMBELAJARAN PENGUCAPAN NAMA HEWAN DALAM BAHASA INGGRIS MENGGUNAKAN JARINGAN SARAF TIRUAN PROPAGASI BALIK Sigit Nur Rohan Achad Hidayatno Ajub Ajulian Zahra ABSTRACT In this research designed a recognition syste for learning the pronunciation of the word anial naes in English. Original speech signal saple at 8000 Hz pick out a sall portion For voice paraeter extraction process used ethod Linear Predictive Coding (LPC) to obtain cepstral coefficients. LPC cepstral coefficients are transfored into the frequency doain with Fast Fourier Transfor (FFT). For decision aking process of the introduction and use Neural Networks (NN) back propagation. Testing is done using the data train, according to a database of test data and test data do not fit database. While the networks do a variation of 3, 4 and 5 hidden layers respectively for 1, 2 and 3 the nuber of syllables said. Based on the results of testing training data, the recognition rate for each variation of each network the nuber of syllables showed no difference in test results, the percentage was 99% for the 1 syllable, 98.5% for the 2 syllables and 100% for 3 syllables. Test data suitable for testing the database, the highest recognition rate for type 1 syllable is a network with 4 hidden layers using a variation of the percentage is 85%, whereas type 2 syllables highest recognition rate using a variation of 5 hidden layers with the correct percentage of 75% and % for type 3 syllables using 5 hidden layers. While the test results do not fit the test database, the highest recognition rate for type 1 syllable is a network with 4 hidden layers using a variation of the percentage is 15.83% while the type 2 syllables highest recognition rate using a variation of 3 hidden layers with percentage correct, 20.83% and 33.33% for type 3 syllables using 3 and 4 hidden layers. Keywords : Linear Predictive Coding, Fast Fourier Transfor, Neural Network, Backpropagation. I. PENDAHULUAN 1.1 Latar Belakang Bahasa Inggris erupakan bahasa universal yang digunakan untuk berkounikasi di sebagian besar asyarakan di seluruh belahan dunia. Seperti halnya di Indonesia yang telah ulai diterapkan pelajaran Bahasa Inggris dari bangku Sekolah Dasar. Perbedaan cara pengucapan dengan tulisan yang tertera ebuat Bahasa Inggris susah dipahai bagi asyarakat Indonesia yang terbiasa enggunakan Bahasa Indonesia untuk berkounikasi. Seperti kata cow dala tulisan Bahasa Inggris yang epunyain arti sapi dala Bahasa Indonesia dibaca kaw secara lisan dala pengucapannya. Untuk itu diperlukan cara yang dapat eudahkan anusia untuk elatih pengucapannya dala Bahasa Inggris. Dala dunia perangkat lunak dapat dirancang suatu aplikasi sebagai alat bantu enata ejaan dala berbahasa Inggris. Dengan enggunakan etode ekstraksi pola suara Linear Predictive Coding (LPC) akan eudahkan dala endapatkan ciri tiap sinyal sebagai proses awal perancangan progra. Dari etode ini akan diperoleh nilai koefisien cepstral LPC yang erupakan feature (ciri) dari suara yang diucapkan. Keudian koefisien cepstral LPC tersebut diproses dengan Fast Fourier Transfor (FFT) untuk endapatkan sinyal pada doain frekuensi. Untuk proses pengenalan dan pengabilan keputusan dapat digunakan suatu alogarita Jaringan Saraf Tiruan (JST) propagasai balik. 1.2 Tujuan Tujuan dari tugas akhir ini adalah ebuat aplikasi pengenalan kata untuk pebelajaran pengucapan naa hewan dala Bahasa Inggris dengan enggunakan jaringan saraf tiruan propagasi balik sebagai algorita pebelajarannya. 1.3 Batasan Masalah Untuk enyederhanakan pebahasan pada Tugas Akhir ini, asalah dibatasi sebagai berikut : 1. Data asukan (pada database) berupa sinyal suara yang di abil dari 4 orang responden (3 pria dan 1 wanita). Achad Hidayatno, Ajub Ajulian Zahra adalah dosen di Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro (Undip) Searang Jl. Prof. Soedarto, S.H. Tebalang Searang Sigit Nur Rohan adalah ahasiswa di Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro (Undip) Searang Jl. Prof. Soedarto, S.H. Tebalang Searang

2 2. Pengenalan kata untuk 30 naa hewan yakni : ant (seut), bear (beruang), bee (lebah), bird (burung), buffalo (kerbau), butterfly (kupukupu), cael (unta), cat (kucing), chicken (aya), cow (sapi), crocodile (buaya), deer (rusa), dog (anjing), dolphin (luba-luba), donkey (keledai), dragonfly (capung), eagle (elang), elephant (gajah), fly (lalat), gorilla (gorilla), grasshopper (belalang), iguana (iguana), kangaroo (kanguru), lion (singa), lizard (kadal), onkey (onyet), osquito (nyauk), rabbit (kelinci), sheep (doba), tiger (acan). 3. Derau (noise) yang turut tereka pada proses perekaan diabaikan. 4. Metode pencirian enggunakan LPC (Linear Predictive Coding). 5. Model pelatihan JST adalah algorita perabatan balik (backpropagation algorith). 6. Pengujian dilakukan dengan ereka suara yang diucapkan dala keadaan noral dan tidak dibuat-buat sesuai dengan contoh suara pengucapannya. II. LANDASAN TEORI 2.1 Pengenalan Suara Salah satu bentuk pendekatan pengenalan suara adalah pendekatan pengenalan pola yang terdiri dari dua langkah yaitu pebelajaran pola suara dan pengenalan suara elalui perbandingan pola. Tahap perbandingan pola adalah tahap saat suara yang akan dikenali dibandingkan polanya dengan setiap keungkinan pola yang telah dipelajari dala fase pebelajaran, untuk keudian diklasifikasikan dengan pola terbaik yang cocok. Blok diagra pebelajaran pola dan pengenalan suara ditunjukkan pada gabar di bawah ini. (a) Blok diagra pebelajaran pola. (b) Blok diagra pengenalan suara. Gabar 1. Blok diagra pebelajaran pola dan pengenalan suara. Pengenalan suara secara uu dapat dibagi enjadi tiga tahap, yaitu tahap ekstraksi ciri, tahap peodelan atau pebelajaran dan tahap pengenalan suara. 2.2 Ekstraksi Ciri dengan LPC Langkah-langkah analisis LPC untuk endapatkan koefisien LPC pada proses ekstraksi ciri suara adalah sebagai berikut : 1. Preephasis Sinyal suara s(n) diasukkan ke dala siste digital orde rendah (biasanya berupa filter FIR orde satu) yang digunakan untuk eratakan spektru sinyal. Keluaran dari rangkaian preephasis s (n) adalah : s (n) = s(n) ãs(n-1), 0,9 ã 1,0... (1) 2. Frae blocking Sinyal suara hasil dari proses preephasis s (n) diblok atau dibagi ke dala beberapa frae yang terdiri dari N-sapel suara, dengan jarak antara frae yang berdekatan dipisahkan oleh M- sapel. Jika M N, beberapa frae yang berdekatan akan saling overlap dan hasil estiasi spektral LPC akan berkorelasi dari frae ke frae. Sebaliknya, jika M > N, tidak akan ada overlap antara frae yang berdekatan sehingga beberapa isyarat sinyal suara akan hilang total. 3. Windowing (penjendelaan) Windowing digunakan untuk engurangi discontinuitas sinyal pada awal dan akhir frae. Jika window didefinisikan sebagai w(n), aka hasil dari penjendelaan sinyal adalah : ~ x ( n) ~ s ( n) w( n l ), 0 n N (2) Jenis window yang biasa digunakan adalah Haing window yang epunyai bentuk uu : 2n w(n) = 0,54 0,46 cos, 0 n N-1 N (3) 4. Analisis autokorelasi Setiap frae dari sinyal setelah elalui proses windowing, keudian dilakukan analisis autokorelasi sebagai berikut : N 1 ~ xl n0 r ( ) ( n) ~ x ( n ), = 0,1,.,p... (4) l l dengan nilai autokorelasi tertinggi p adalah orde LPC. Nilai p biasanya antara 8 sapai Analisis LPC Proses selanjutnya adalah analisis LPC, yang engubah setiap frae autokorelasi p+1 ke dala bentuk paraeter-paraeter LPC atau yang biasa disebut dengan koefisien LPC. Metode yang biasa digunakan dala analisis LPC ini adalah etode Durbin yang epunyai

3 algorita sebagai berikut : E (0) = r(0).... (5) L1 ( i1) ( k i = r i E i 1) ( ) j r i j, 1< i< p j (6) ( i) k (7) i i k, 1< j < i-1... (8) ( i) ( i1) ( i j) j j i i j 2 i1 1 k E ( i) E i... (9) Dengan enyelesaikan persaaan 2.5 sapai 2.9 secara rekursif untuk i = 1,2,,p, koefisien LPC diperoleh sebagai berikut : a, 1< < p.... (10) ( p) 6. Konversi paraeter LPC enjadi koefisien cepstral Rangkaian paraeter yang sangat penting yang dapat diturunkan secara langsung dari rangkaian koefisien LPC adalah koefisien cepstral c, yang ditentukan secara rekursi sebagai berikut : c 0 = ln σ 2... (11) 1 k c a ckak, 1< < p.. (12) k1 1 k c ckak, > p.... (13) k 1 dengan σ adalah gain dari LPC. Koefisien cepstral yang digunakan direpresentasikan dengan Q, diana koefisien yang digunakan biasanya adalah Q > p, yaitu Q = (3/2)p. 7. Pebobotan Paraeter Pebobotan dilakukan pada paraeter karena sensitifitas koefisien cepstral orde rendah pada keseluruhan slope spektral dan sensitifitas koefisien cepstral orde tinggi pada derau. Pebobotan dilakukan dengan eberikan jendela tapis pada koefisien cepstral. Bentuk koefisien cepstral setelah pebobotan adalah : c = w c, 1< < Q.... (14) dengan w adalah jendela pebobotan atau disebut bandpass lifter ( tapis pada doain cepstral ). Besarnya w adalah : w = 1 + sin, 1< < Q. (15) 8. Turunan Teporal Koefisien Cepstral Turunan koefisien cepstral (delta cepstral) eningkatkan keterwakilan sifat-sifat spectral sinyal yang dianalisis pada paraeter. Turunan koefisien cepstral dapat dituliskan seperti berikut: c (t) = c t (t) kc (t + k) k.. (16) dengan (2K + 1) adalah julah frae. 2.3 Analisa Frekuensi Sinyal dengan Transforasi Fourier Cepat Transforasi Fourier Cepat atau Fast Fourier Transfor (FFT) erupakan penyederhanaan dari Discrete Fourier Transfor (DFT). X N 1 j 2nk / N 1( k) xne, k 0,1,..., N 1 n0... (17) Dan juga faktor e -j2π/n akan ditulis sebagai W N, aka : W N = e -j2π/n..... (18) Sehingga persaaan (17) enjadi : N 1 kn 1( k) xnwn, k 0,1,..., N 1 n0 X... (19) Proses Fast Fourier Transfor (FFT) ini dilakukan setelah didapat koefisien LPC sebanyak 299 data untuk 1 suku kata, 780 data untuk 2 suku kata dan 1196 data untuk 3 suku kata. FFT ini dilakukan untuk eningkatkan unjuk kerja siste karena dengan digunakannya proses FFT aka perbedaan antara pola kata yang satu dengan pola kata yang lain akin terlihat jelas. FFT yang digunakan eakai 256 poin untuk 1 suku kata, 512 point untuk 2 suku kata dan 1024 point untuk 3 suku kata. Karena hasil FFT sietris aka keluaran FFT tersebut hanya diabil setengahnya saja. Keluaran dari FFT tersebut erupakan asukan bagi jaringan saraf tiruan. 2.4 Jaringan Saraf Tiruan Propagasi Balik Jaringan saraf tiruan perabatan balik erupakan salah satu odel dari jaringan saraf tiruan upan aju dengan enggunakan pelatihan terbibing yang disusun berdasar pada algorita error back propagation. Pola asukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan elalui tahap aju untuk

4 endapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap undur untuk eperoleh nilai bobot yang sesuai agar dapat eperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai. Tujuan dari odel ini adalah untuk endapatkan keseibangan antara keapuan jaringan untuk engenali pola yang digunakan selaa proses pelatihan berlangsung serta keapuan jaringan eberikan respon yang benar terhadap pola asukan yang berbeda dengan pola asukan selaa pelatihan Arsitektur Jaringan Saraf Tiruan Perabatan Balik Hubungan antar neuron dala suatu jaringan dan ebentuk lapisan disebut arsitektur jaringan. Arsitektur jaringan saraf tiruan perabatan balik terdiri dari beberapa lapisan, yaitu lapisan asukan, lapisan tersebunyi dan lapisan keluaran. Masingasing neuron dala tiap lapisan saling terhubung dengan lapisan di atasnya. Neuron-neuron pada lapisan asukan terhubung dengan neuron-neuron pada lapisan tersebunyi elalui sinapsis yang disebut bobot, begitu juga pada lapisan tersebunyi neuron-neuronnya terhubung elalui sinapsis dengan neuron-neuron pada lapisan keluaran. Terdapat asing-asing 1 buah bias pada lapisan asukan dan lapisan tersebunyi yang bernilai = 1. Arsitektur jaringan saraf tiruan perabatan balik dapat dilihat pada Gabar 2. Gabar 2. Arsitektur jaringan saraf tiruan perabatan balik Algorita Jaringan Saraf Tiruan Perabatan Balik Algorita jaringan saraf tiruan perabatan balik terdiri dari dua bagian: 1. Algorita Pelatihan Jaringan saraf tiruan perabatan balik Sebelu elakukan proses pelatihan, terdapat beberapa paraeter jaringan yang harus ditentukan terlebih dahulu, yaitu : a. Laju pebelajaran (learning rate), harus diberikan dan epunyai nilai positif kurang dari 1. Seakin tinggi nilainya, aka seakin cepat keapuan jaringan untuk belajar. Akan tetapi hal ini kurang baik, karena galat yang dihasilkan tidak erata. b. Toleransi galat, seakin kecil kesalahan aka jaringan akan eiliki nilai bobot yang lebih akurat, tetapi akan eperpanjang waktu pelatihan. c. Julah aksial proses pelatihan yang dilakukan (aksiu iterasi), biasanya bernilai besar dan diberikan untuk encegah terjadinya perulangan tanpa akhir. Di dala proses pelatihan perabatan balik terdapat tiga tahap. Tahap pertaa ialah tahap aju. Pada tahap ini seluruh proses awal inisialisasi bobot-bobot asukan dilakukan. Pada tahap ini juga ditentukan laju pebelajaran (α), nilai toleransi galat dan julah iterasi (siklus setiap pola pelatihan) yang diperlukan selaa proses koputasi berlangsung. Setelah seua proses inisialisasi dilakukan, aka langkah selanjutnya ialah proses aju. Setiap unit asukan akan engirikan sinyal asukan ke lapisan tersebunyi. Setelah dihitung dengan enggunakan fungsi aktivasi aka keluarannya akan dikirikan ke lapisan di atasnya, yaitu lapisan keluaran. Setelah nilai keluaran diperoleh, aka dibandingkan dengan target keluaran sebenarnya. Selisih nilai keluaran dengan target keluaran sebenarnya disebut dengan galat. Jika nilai galat lebih kecil atau saa dengan dari nilai abang aka proses iterasi dihentikan, tetapi jika tidak aka nilai galat tersebut digunakan untuk eodifikasi bobot-bobot untuk engoreksi kesalahan yang terjadi. Tahap kedua adalah tahap undur. Pada tahap ini, nilai galat yang diperoleh pada di lapisan keluaran digunakan untuk engoreksi bobot-bobot yang ada pada lapisan tersebunyi yang berhubungan langsung dengan lapisan keluaran. Setelah itu nilai galat di setiap unit pada lapisan tersebunyi juga dihitung untuk engoreksi bobot-bobot yang enghubungkan lapisan asukan dengan lapisan tersebunyi. Tahap ketiga adalah tahap pengoreksian bobot. Setelah seluruh bobot pada lapisan asukan dan lapisan tersebunyi diodifikasi sesuai dengan besar faktor galatnya, aka ketiga fase ini diulang secara terus enerus sapai kondisi berhenti dipenuhi. Kondisi berhenti yang diaksud adalah jika julah iterasi yang ditetapkan tercapai atau jika nilai galat jaringan telah saa dengan atau lebih kecil dari nilai toleransi galat yang ditetapkan sebelunya. Pada tahap pelatihan, jaringan diharapkan dapat

5 elatih seluruh data pelatihan yang diberikan untuk endapatkan bobot akhir jaringan yang akan digunakan pada tahap pengujian. 2. Algorita Pengujian Jaringan Saraf Tiruan Perabatan Balik Setelah proses pelatihan, tahap selanjutnya adalah proses pengujian. Pada proses pengujian, tahap yang dilakukan hanya sapai tahap aju saja, tidak ada tahap undur apalagi tahap odifikasi bobot. Seluruh bobot asukan diabil dari nilai bobot terakhir yang diperoleh dari proses pelatihan. Pada tahap pengujian ini, jaringan diharapkan dapat engenali pola berdasarkan data baru yang diberikan. III. PERANCANGAN SISTEM 3.1 Gabaran Uu Perancangan siste erupakan tahap yang penting dala proses pebuatan progra. Perancangan bertujuan agar dala pebuatannya dapat berjalan secara sisteatis, terstruktur dan rapi sehingga hasil progra dapat berjalan sesuai dengan apa yang dikehendaki. Secara uu pebuatan progra ini engikuti alur sesuai yang ditunjukkan pada Gabar berikut. Gabar 3. Diagra perancangan syste Pebuatan siste pengenalan kata terdiri dari proses pengelolaan database, proses ekstraksi ciri, proses peodelan dan pelatihan. Ketiga proses tersebut sering disebut dengan proses pebelajaran. Proses pengenalan kata erupakan proses pebandingan antara suara uji dengan odel suara yang didapat dari proses pebelajaran. 3.2 Pengelolaan Database Dala pebuatan database dilakukan perekaan suara dari 4 orang responden dengan frekuensi cuplik 8000 Hz selaa 1 detik. Tiap responder engucapkan kata sebanyak 150 kali untuk 30 naa hewan. Sehingga total data latih sebanyak 600 data. Suara eiliki aplitude yang bervariasi tergantung pada keras leahnya suara tersebut pada saat diucapkan. Noralisasi suara dilakukan untuk enyaakan rentang aplitude suara dengan ebagi nilai-nilai aplitudo dengan nilai aplitude tertinggi. Sehingga diperoleh nilai hasil noralisasi suara dengan nilai aksiu adalah 1 dan nilai iniu adalah -1. Dala suatu asukan data suara, nilai yang akan diproses pada uunya terletak di tengahtengah. Untuk engatasi kelebihan bagian bukan suara (bagian kosong yang terdapat pada awal dan akhir sebuah berkas suara) perlu dilakukan proses deteksi ujung suara. Penentuan awal suara adalah data pertaa yang epunyai aplitude utlak lebih dari 0,115. Data kurang dari 0,115 sebelu awal suara dihilangkan. Sedangkan akhir suara adalah data terakhir yang epunyai aplitude utlak lebih dari 0,115. Data yang kurang dari 0,115 setelah akhir suara dihilangkan. Proses selanjutnya yaitu enyaakan panjang data pada tiap data suara sebelu diupankan ke proses ekstraksi ciri LPC. Proses ini dibedakan enjadi 3 golongan yaitu untuk panjang data 1 suku kata, 2 suku kata dan 3 suku kata sesuai dengan julah suku kata ucap tiap naa hewan. Panjang data untuk 1 suku kata adalah 3200, 5040 untuk panjang data 2 suku kata dan 7520 untuk panjang data 3 suku kata. Sedangkan nilai 0,00001 ditabahkan pada data suara untuk enabah nilai data yang kurang dari nilai panjang data yang ditentukan. 3.3 Proses Ekstraksi Ciri LPC erupakan etode ekstraksi ciri yang sering digunakan dala proses pengolahan suara. Proses pengekstraksian ciri dengan enggunakan etode LPC akan diperoleh nilai koefisien cepstral LPC yang erupakan ciri dari suara pebicaraan. Proses pencirian LPC terdapat beberapa tahap. Data dari hasil pebacaan sinyal suara akan elewati proses preephasis. Setelah elalui proses preephasis, sinyal suara dibagi dala beberapa frae sepanjang N saple suara dengan jarak antara frae yang berdekatan dipisahkan oleh

6 M saple. Setiap frae keudian dijendelakan enggunakan Haing window, dianalisis autokorelasi dan dianalisis LPC sehingga didapatkan koefisien LPC dari sinyal suara. Selanjutnya koefisien LPC dikonversi enjadi koefisien cepstral sebelu dilakukan pebobotan dan penurunan. Proses frae blocking yang dilakukan pada siste ini ditetapkan tiap 30 ili detik dengan jarak antar frae 10 ili detik. Jadi dengan kecepatan cuplik sebesar 8000 Hz aka tiap frae akan berisi 240 byte data dengan jarak antar frae 80 byte data atau dengan kata lain overlap yang terbentuk sebesar 160 byte data. Dengan ketentuan frae seperti di atas, aka julah frae dapat ditentukan dan dibedakan sesuai dengan julah suku katanya : 1 Suku Kata Untuk data hasil cuplik sebanyak 3200 data akan terbentuk ( )/80 = 38 frae. Pada perhitungan koefisien LPC, digunakan orde LPC 12 sehingga diperoleh data output sebanyak (12+1) x 38 = 494 data. Selanjutnya koefisien LPC ini di konvers enjadi atrik berukuran 494x1 data. 2 Suku Kata Untuk data hasil cuplik sebanyak 5040 data akan terbentuk ( )/80 = 61 frae. Pada perhitungan koefisien LPC, digunakan orde LPC 12 sehingga diperoleh data output sebanyak (12+1) x 61 = 793 data. Selanjutnya koefisien LPC ini di konvers enjadi atrik berukuran 793x1 data. 3 Suku Kata Untuk data hasil cuplik sebanyak 7520 data akan terbentuk ( )/80 = 92 frae. Pada perhitungan koefisien LPC, digunakan orde LPC 12 sehingga diperoleh data output sebanyak (12+1) x 92 = 1196 data. Selanjutnya koefisien LPC ini di konvers enjadi atrik berukuran 1196x1 data. Selanjutnya koefisien LPC yang diperoleh tersebut diproses dengan Fast Fourier Transfor (FFT) untuk endapatkan sinyal pada doain frekuensi. Hal ini bertujuan agar perbedaan antar pola kata yang satu dengan yang lain terlihat lebih jelas sehingga ekstraksi paraeter sinyal eberikan hasil yang lebih baik. Proses Fast Fourier Transfor (FFT) yang digunakan eakai 256 poin untuk 1 suku kata, 512 point untuk 2 suku kata dan 1024 point untuk 3 suku kata. Karena hasil FFT sietris aka keluaran FFT tersebut hanya diabil setengah saja yang dianggap sudah dapat erepresentasikan ciri dari sinyal ucapan dala doain frekuensi. Dari data FFT ini keudian dijadikan asukan bagi jaringan saraf tiruan. 3.4 Pelatihan Jaringan Saraf Tiruan Back Propagation Setelah elalui tahap transforasi Fourier selanjutnya paraeter-paraeter yang dihasilkan diasukkan ke dala jaringan saraf tiruan dengan enggunakan etode pebelajaran Back Propagation. Proses pelatihan jaringan saraf tiruan dilakukan dengan engabil input hasil proses FFT dari seluruh suara hasil perekaan database. Julah data pada database adalah 600 potong kata. Terdiri dari 200 potong kata untuk tiap-tiap jenis golongan suku katanya. Sehingga input pelatihan bagi JST sebanyak data FFT x 200 data. Pada jaringan dilakukan variasi 3, 4 dan 5 hidden layer untuk asing-asing jenis suku kata ucap. Sehingga total terbentuk 9 variasi jaringan dengan nilai laju pebelajaran 0,001. Sedangakan fungsi aktivasi yang digunakan ialah sigoid bipolar yang eiliki range keluaran antara -1 sapai 1, sehingga keluaran yang telah ditentukan juga harus bernilai antara -1 sapai Pengabilan Keputusan Pengabilan keputusan dilakukan dala 2 tahap. Tahap pertaa setelah pendeteksian ujung data suara. Sedangkan tahap yang kedua setelah siulasi data suara dengan jaringan yang telah tersipan. Pada tahap pertaa data suara yang epunyai panjang data antara untuk 1 suku kata, untuk 2 suku kata dan untuk 3 suku kata akan diproses ke proses selanjutnya. Jika panjang data elebihi atau kurang dari batasan yang telah ditentukan tersebut aka suara dikenali salah. Pada tahap kedua keluaran dari JST propagasi balik akan disiulasikan dengan jaringan yang telah dilatih. Hasil siulasi akan dibandingkan dengan target yang telah ditentukan. Jika hasil siulasi sesuai dengan target aka suara dikenali benar. Naun jika tidak sesuai dengan target akan dikenali salah. IV. PENGUJIAN DAN ANALISIS Pengujian dilakukan enggunakan data latih, data uji sesuai database dan data uji tak sesuai database. 4.1 Pengujian Data Latih Pada pengujian data latih, data suara yang digunakan untuk elakukan pengujian erupakan data suara dari 4 responden yang telah direka sebagai database. Perekaan dilakukan selaa 1 detik pada frekuensi 8000 Hz dan resolusi 16 bit. Tiap responden enuturkan 5 kali pengucapan untuk 1 naa hewan. Sehingga setiap responder engucapkan naa hewan sebanyak 150 kali untuk 30 ana hewan yang berbeda. Total terdapat 600 data suara untuk data latih.

7 Hasil pengenalan pada data latih dapat dilihat pada table berikut. Tabel 1 Hasil pengujian data latih Julah Suku Naa Kata Jaringan Persentase Benar net_satu_1 99% 1 Suku Kata net_satu_2 99% net_satu_3 99% net_dua_1 98,5% 2 Suku Kata net_dua_2 98,5% net_dua_3 98,5% net_tiga_1 100% 3 Suku Kata net_tiga_2 100% net_tiga_3 100% Hasil pengujian enggunakan data latih untuk asing-asing jenis julah suku kata dari seluruh variasi jaringan, tidak enunjukkan perbedaan hasil pengujian. Persentasi benar untuk jenis 1 suku kata bernilai 99%, 2 suku kata bernilai 98,5% sedangkan 3 suku kata bernilai 100%. Hal ini disebabkan karena data yang digunakan untuk enguji jaringan adalah data latih. Selisih nilai MSE akhir dari tiaptiap jaringan yang sangat kecil juga ikut epengaruhi hasil pengujian jaringan. 4.2 Pengujian Data Uji Sesuai Database Pada pengujian data uji sesuai database, data suara yang digunakan untuk elakukan pengujian erupakan data suara dari 4 responden yang telah direka dengan engucapkan naa-naa hewan sesuai dengan database. Keepat responder erupakan 2 responder dari dala database dan 2 responder diluar database. Perekaan dilakukan selaa 1 detik pada frekuensi 8000 Hz dan resolusi 16 bit. Tiap responden enuturkan 3 kali pengucapan untuk 1 naa hewan. Sehingga setiap responder engucapkan naa hewan sebanyak 90 kali untuk 30 naa hewan yang berbeda. Data uji sesuai database untuk setiap naa hewan berjulah 12 data suara. Total keseluruhan terdapat 360 data suara untuk data uji sesuai database. Hasil pengenalan pada data uji sesuai database dapat dilihat pada table berikut. Tabel 2 Hasil pengujian data uji sesuai database Julah Suku Naa Kata Jaringan Persentase Benar net_satu_1 81,67% 1 Suku Kata net_satu_2 85% net_satu_3 78,33% 2 Suku Kata net_dua_1 70% 3 Suku Kata net_dua_2 68,33% net_dua_3 75% net_tiga_1 79,17% net_tiga_2 80,83% net_tiga_3 81,67% Hasil pengujian enggunakan data uji sesuai database untuk asing-asing jenis julah suku kata dari seluruh variasi jaringan, enunjukkan perbedaan hasil pengujian. Hasil pengujian pada jaringan net_satu_2 untuk jenis 1 suku kata adalah yang tertinggi yaitu dengan persentasi benar 85%. Sedangkan untuk jenis 2 suku kata, persentasi benar tertinggi pada jaringan net_dua_3 dengan 75% dan jaringan net_tiga_3 untuk jenis 3 suku kata dengan persentasi benar 81,67%. Hal ini ebuktikan penabahan julah hidden layer akan eningkatkan tingkat pengenalan suatu jaringan sapai pada titik tertentu sebelu akhirnya penabahan julah hidden layer tidak lagi berpengaruh terhadap tingat pengenalan suatu jaringan. 4.3 Pengujian Data Uji Tak Sesuai Database Pada pengujian data uji tak sesuai database, data suara yang digunakan adalah data suara yang keungkinan diucapkan salah oleh seorang responder ketika pengucapan naa hewan dala Bahasa Inggris. Terdapat 3 variasi pengucapan salah yang direka untuk setiap naa hewan. Sehingga setiap responder elakukan pengucapan salah sebanyak 90 kali untuk 30 naa hewan yang berbeda. Julah responder untuk data uji tak sesuai database sejulah 4 responder. 2 responder dala database dan 2 responder diluar database. Data suara untuk setiap naa hewan berjulah 12. Total keseluruhan terdapat 360 data suara untuk data uji tak sesuai database. Perekaan dilakukan selaa 1 detik pada frekuensi 8000 Hz dan resolusi 16 bit. Hasil pengenalan pada data uji tak sesuai database dapat dilihat pada table berikut. Tabel 3 Hasil pengujian data uji tak sesuai database Julah Suku Naa Kata Jaringan Persentase Benar net_satu_1 18,33% 1 Suku Kata net_satu_2 15,83% net_satu_3 20,83% net_dua_1 20,83% 2 Suku Kata net_dua_2 26,67% net_dua_3 25% net_tiga_1 33,33% 3 Suku Kata net_tiga_2 33,33% net_tiga_3 38,33%

8 Hasil pengujian enggunakan data uji tak sesuai database untuk asing-asing jenis julah suku kata dari seluruh variasi jaringan, tidak terlalu enunjukkan perbedaan hasil pengujian. Hasil pengenalan pada jaringan net_satu_2 untuk jenis 1 suku kata adalah yang terbaik yaitu dengan persentasi benar 15,83%. Sedangkan untuk jenis 2 suku kata, persentasi pengenalan terbaik pada jaringan net_dua_1 dengan 20,83% serta jaringan net_tiga_1 dan net_tiga_2 untuk jenis 3 suku kata dengan persentasi benar 33,33%. Hal ini ebuktikan penabahan julah hidden layer tidak terlalu berpengaruh terhadap hasil pengujian data uji tak sesuai database. 4.4 Faktor yang Mepengaruhi Tingkat Pengenalan Pengujian Data Berdasarkan hasil pengujian data baik data latih, data uji sesuai database dan data uji tak sesuai database, faktor-faktor yang epengaruhi tingkat pengenalan pada aplikasi pencirian dengan linear predictive coding untuk pebelajaran pengucapan naa hewan dala Bahasa Inggris enggunakan jaringan saraf tiruan propagasi balik adalah sebagai berikut. 1. Kondisi Lingkungan Karena kondisi ruangan saat perekaan tidak kedap suara sehingga eungkinkan adanya suarasuara lain yang ikut tereka. Dengan adanya derau aka akan enghasilkan sinyal suara yang tidak sesuai dengan sinyal asli. Untuk engatasi hal ini diperlukan ruangan perekaan yang seinial ungkin bebas derau. 2. Kondisi suara responden Kondisi suara responden sangat epengaruhi hasil pengenalan. Setiap sinyal suara yang diucapkan oleh seseorang selalu eiliki karakteristik yang berbeda, baik itu panjangpendek, keras-pelan dan lain-lain. Hal ini dapat diatasi dengan engusahakan pengucapan sesuai kondisi noralnya. 3. Letak Mikrofon Karena perekaan dilakukan secara bertahap sehingga dala peletakan ikrofon tidak saa. Jarak dan sudut ikrofon sangat epengaruhi pada sinyal suara yang dihasilkan. Untuk engatasi hal ini dapat dilakukan dengan engatur jarak ikrofon dan sudut ikrofon yang sebisa ungkin saa. 4. Cara perekaan sinyal suara Perekaan sinyal suara yang tepat juga ikut epengaruhi akurasi pengenalan. Cara perekaan yang baik adalah ucapan diucapkan sewajar ungkin dan tidak dibuat-buat, suara diucapkan tidak terlalu keras dan tidak terlalu leah 5. Paraeter yang digunakan Tingkat keberhasilan progra dipengaruhi oleh paraeter penyusun suatu jaringan. Salah satunya yaitu dengan elakukan penabahan pada julah hidden layer. 6. Penggunaan database Database sangat berpengaruh pada akurasi pengenalan, seakin banyak database yang digunakan aka ciri karakteristik sinyal suara yang diperoleh juga akan seakin beraga, sehingga peluang pengenalan sinyal yang diujikan akan seakin besar. Selain itu, panjang sinyal ucapan yang dijadikan database juga sangat epengaruhi hasil pengenalan. Seakin panjang sinyal ucapan, aka ciri-ciri akustik untuk setiap responden akan lebih banyak disarikan sehingga pengenalan akan seakin baik. V. PENUTUP 5.1 Kesipulan Kesipulan yang dapat diabil dari hasil pengujian dan pebahasan adalah sebagai berikut. 1. Berdasarkan hasil pengujian data latih, tingkat pengenalan untuk asing-asing variasi jaringan dari tiap-tiap julah suku kata tidak enunjukkan perbedaan hasil pengujian, yaitu persentase benar 99% untuk 1 suku kata, 98,5% untuk 2 suku kata dan 100% untuk 3 suku kata. 2. Berdasarkan hasil pengujian data uji sesuai database, tingkat pengenalan tertinggi untuk jenis 1 suku kata adalah jaringan dengan enggunakan variasi 4 hidden layer dengan persentasi benar 85% sedangkan jenis 2 suku kata tingkat pengenalan tertinggi enggunakan variasi 5 hidden layer dengan persentasi benar 75% dan 81,67% untuk jenis 3 suku kata enggunakan 5 hidden layer. 3. Berdasarkan hasil pengujian data uji tak sesuai database, tingkat pengenalan terbaik untuk jenis 1 suku kata adalah jaringan dengan enggunakan variasi 4 hidden layer dengan persentasi benar 15,83% sedangkan jenis 2 suku kata tingkat pengenalan terbaik enggunakan variasi 3 hidden layer dengan persentasi benar 20,83% dan 33,33% untuk jenis 3 suku kata enggunakan 3 dan 4 hidden layer. 4. Seakin kopleks suatu jaringan, yang ditandai dengan seakin besarnya julah hidden layer, akan enghasilkan kinerja jaringan yang seakin bagus. Hal ini ditandai dengan seakin tinggi tingkat keberhasilan pengenalan kata hingga encapai titik diana penabahan julah hidden layer tidak lagi berpengaruh terhadap tingkat pengenalan. 5. Seakin besar julah hidden layer, waktu pelatihan jaringan yang diperlukan juga seakin laa. Hal ini dikarenakan proses perhitungan yang seakin banyak dan ruit.

9 5.2 Saran Adapun saran yang dapat diberikan sehubungan dengan pelaksanaan penelitian ini adalah sebagai berikut. 1. Perekaan database dan pengujian hendaknya dilakukan dengan ucapan responden yang asli atau enggunakan pelafalan yang baik dan benar serta diucapkan sewajarnya dan tidak dibuatbuat. 2. Karena siste sangat peka terhadap sinyal derau, aka agar dapat dipertahankan keberhasilan pengenalannya, diperlukan suatu ruangan yang cukup tenang dan bersih terhadap sinyal derau. 3. Penelitian ini dapat dikebangkan lebih lanjut enjadi aplikasi untuk pebelajaran pengucapan berbagai aca kata dala Bahasa Inggris dengan dilengkapi peandu virtual. DAFTAR PUSTAKA [1] Echols, John M. dan Shadily, Hasan, Kaus Inggris Indonesia, PT. Graedia, Jakarta. [2] Siang, J. J., Jaringan Syaraf Tiruan dan Perograannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, [3] Irfandy, Mahud, Aplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak, Skripsi S-1, Universitas Diponegoro, Searang, [4] Yudho, Theodorus, D. N., Aplikasi Pencirian Dengan Transforasi Wavelet Untuk Pengenalan Pengucap Teks Tak Bebas Menggunakan Jaringan Saraf Tiruan, Skripsi S-1, Universitas Diponegoro, Searang, [5] Fadhil, Febri, W. K., Aplikasi Jaringan Saraf Tiruan Perabatan Balik Untuk Peraalan Harga Saha, Skripsi S-1, Universitas Diponegoro, Searang, [6] Kurnianto, N. A., Penentuan Jenis Kelain Itik Dengan Metode Dynaic Tie Warping (DTW), Skripsi S-1, Universitas Diponegoro, Searang, [7] Perangiangin, Kasian, Pengenalan Matlab, Andi, Yogyakarta, [8] Thiang dan Saputra, Hadi, Siste Pengenalan Kata Dengan Menggunakan Linear Predictive Coding Dan Nearest Neighbor Classifier, Jurnal Teknik Elektro, Universitas Kristen Petra, BIODATA PENULIS Sigit Nur Rohan, lahir di kota Wonosobo pada tanggal 4 Mei Penulis enepuh pendidikannya di TK Kosgoro Kebuen, SD N 6 Panjer Kebuen, SMP N 1 Kebuen, SMA N 2 Kebuen. Saat ini sedang enyelesaikan studi strata 1 di Teknik Elektro Universitas Diponegoro engabil Konsentrasi Elektronika dan Telekounikasi. Menyetujui, Dosen Pebibing I, Achad Hidayatno, S.T., M.T. NIP Dosen Pebibing II, Ajub Ajulian Zahra, S.T., M.T. NIP