PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI
|
|
- Sucianty Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember Arviani Rizki NIM G
4 ABSTRAK ARVIANI RIZKI. Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO. Pengenalan kunci gitar membutuhkan teknik ekstraksi ciri dan model pengenalan pola. Penelitian ini membangun sistem pengenalan suara gitar menggunakan teknik MFCC sebagai pengekstraksi ciri dan PNN sebagai pengenal pola. Tujuan penelitian ini adalah menemukan parameter-parameter yang menghasilkan akurasi terbaik. Parameter-parameter tersebut terkait dengan MFCC, yaitu jumlah koefisien cepstral, overlap, dan time frame. Sistem bekerja dengan membaca file suara berformat WAV, kemudian file diproses dengan teknik MFCC dan PNN untuk menghasikan keluaran kunci suara gitar berupa teks. Penelitian ini menggunakan 8 8 data suara gitar dari chord yang berbeda. Hasil penelitian menunjukan bahwa koefisien cepstral, overlap., dan time frame ms menghasilkan akurasi maksimum yaitu 9.%. Kata kunci: identifikasi kunci gitar, mel frequency cepstral coefficients (MFCC), pengenalan suara, probabilistic neural network ABSTRACT ARVIANI RIZKI. Development of Probabilistic Neural Network Model to Identify Guitar Chord. Supervised by AGUS BUONO. Guitar chord recognition requires feature extraction techniques and pattern recognition model. This research developed a guitar chord recognition system by utilizing MFCC as the feature extraction and PNN technique as the pattern recognition. The aim of this research was to find the parameters that can produce the highest accuracy. Those parameters were related to MFCC, namely cepstral coefficients, overlap, and time frame. The system worked by reading a WAV file and then processing the guitar chord text. This research utilized 8 8 guitar sound data from different guitar chords. The result showed that cepstral coefficients,. overlap, and ms time frame can produce the highest accuracy of 9.%. Keywords: guitar's chord identification, mel frequency cepstral coefficients (MFCC), probabilistic neural network, speaker recognition
5 PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
6 Penguji: Mushthofa, SKom MSc Muhammad Asyhar Agmalaro, SSi MKom
7 Judul Skripsi : Pengembangan Model Probabilistic Neural Networkuntuk IdentifIkasi Chord Gitar Nama : Arviani Rizki NIM : G Disetujui oleh ono MSiMKom Pembimbing Diketahui oleh ". :, ~ '.". ' f ' c ' :r Tanggal Lulus: o9 DE C
8 Judul Skripsi : Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar Nama : Arviani Rizki NIM : G Disetujui oleh Dr Ir Agus Buono, MSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer Tanggal Lulus:
9 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wata ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September ini ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar. Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung. Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku penguji untuk penelitian ini. Orang tua tercinta Bapak Arief Suyanto, Ibu Tuti Suryati serta kakak-kakak tersayang atas segala doa dan dukungan yang tiada hentinya. Teman-teman ilmu komputer Toni Haryono, Armen Marta, Yosi Nurhayati dan Ahmad Somadi terima kasih atas kerjasamanya. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga karya ilmiah ini bermanfaat. Bogor, Desember Arviani Rizki
10 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN Latar Belakang Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian METODE PENELITIAN Pengambilan Data Suara Gitar Normalisasi Segmentasi Data Latih dan Data Uji Ekstraksi Ciri dengan MFCC Pembuatan Modul PNN Pengujian 9 HASIL DAN PEMBAHASAN 9 Pengumpulan Data 9 Segmentasi 9 Ekstraksi Ciri dengan MFCC 9 Hasil Pengujian Percobaan dengan koefisien cepstral Percobaan dengan koefisien cepstral Percobaan dengan 9 koefisien cepstral Percobaan dengan koefisen cepstral Analisis Percobaan Analisis Kesalahan SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA
11 RIWAYAT HIDUP DAFTAR TABEL Chord mayor dan chord minor Komposisi data Akurasi dengan koefisien cepstral Akurasi dengan koefisien cepstral Akurasi dengan 9 koefisien cepstral Akurasi dengan koefisien cepstral DAFTAR GAMBAR Alur proses transformasi sinyal suara analog menjadi informasi (Buono 9) Diagram alur penelitian Diagram alur teknik MFCC untuk mengekstrak sinyal Struktur PNN (Ganchev ) 8 Pemodelan PNN identifikasi chord Perbandingan hasil akurasi dengan,, 9, dan koefisien cepstral DAFTAR LAMPIRAN Bentuk chord yang digunakan pada pelatihan dan pengujian Confusion matrix kesalahan identifikasi chord pada koefisien Confusion matrix kesalahan identifikasi chord pada koefisien 8 Confusion matrix kesalahan identifikasi chord pada koefisien 9 9 Confusion matrix kesalahan identifikasi chord pada koefisien
12 PENDAHULUAN Latar Belakang Gitar merupakan alat musik yang paling umum dimainkan oleh berbagai kalangan usia. Hampir semua jenis musik menggunakan gitar sebagai instrumen. Untuk menghasilkan suara gitar yang harmonis dibutuhkan penguasaan kunci atau chord gitar. Chord merupakan satuan nada-nada yang dibunyikan secara serentak yang berfungsi sebagai pengiring dalam lagu maupun permainan musik (Wisnudisastra dan Buono ). Pendengaran manusia memiliki kemampuan dan kepekaan yang beragam dalam mengenali chord gitar. Seorang yang terbiasa dengan suara gitar dapat dengan mudah mengenali dan membedakan chord gitar, namun bagi orang awam hal tersebut sulit untuk dilakukan. Penggunaan teknologi dan komputer dapat dilakukan untuk memecahkan masalah tersebut, yaitu pembuatan sistem yang dapat mengidentifikasi chord gitar. Kinerja komputer yang objektif dan konsisten dalam menjalankan setiap perintah dapat memudahkan pengguna untuk mengetahui dan membedakan suara chord gitar dengan akurat. Pengenalan suara (speech recognition) adalah teknologi yang dapat mengubah sinyal suara menjadi sebuah informasi berupa teks. Suara chord gitar dapat diidentifikasi dengan mengekstrasi ciri dari setiap chord menggunakan teknik mel-frequency cepstrum coefficient (MFCC) untuk kemudian dilakukan pengenalan pola menggunakan probabilistic neural network (PNN). PNN sebagai salah satu arsitektur jaringan saraf tiruan (JST) telah terbukti menghasilkan akurasi tinggi di beberapa penelitian sebelumnya. Penelitian yang telah dilakukan oleh Fransiswa () tentang pengembangan PNN pada pengenalan kisaran usia dan jenis kelamin berbasis suara memiliki rataan akurasi 9.%. Penelitian identifikasi suara gitar sebelumnya dilakukan oleh Wisnudisastra () menggunakan teknik MFCC dan codebook sebagai pengenalan pola. Penelitian tersebut menghasilkan rataan akurasi sebesar 9% menggunakan koefisien cepstral dan 9% menggunakan koefisien cepstral. Penelitian tersebut memiliki keterbatasan untuk mengenali satu jenis chord gitar sehingga belum dapat mengidentifikasi chord gitar yang kontinu. Pada penelitian ini, identifikasi chord gitar dilakukan untuk chord gitar yang kontinu menggunakan teknik MFCC untuk ekstraksi ciri dan model PNN untuk pengenalan pola. Tujuan Penelitian Tujuan dari penelitian ini adalah: Mengimplementasikan teknik ekstraksi ciri MFCC dan metode PNN untuk identifikasi chord gitar. Mengidentifikasi suara gitar yang terdiri dari campuran chord gitar. Mengetahui akurasi dari identifikasi chord gitar dengan menggunakan model PNN.
13 Manfaat Penelitian Dengan adanya penelitian ini diharapkan dapat memberikan informasi tingkat akurasi pengembangan model PNN untuk identifikasi chord gitar yang kontinu. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini antara lain: Gitar yang digunakan adalah jenis gitar akustik dengan senar string. Suara gitar berupa hasil rekaman dari campuran chord mayor dan chord minor. Suara gitar berupa dua campuran chord. Gitar dimainkan dengan cara dipukul serentak dari atas ke bawah dalam satu posisi untuk setiap chord. Gitar yang digunakan adalah standar tunning. METODE PENELITIAN Penelitian ini menggunakan suara gitar yang akan diproses oleh sistem menjadi suatu informasi berupa chord dari suara gitar tersebut. Untuk dapat mengubah sebuah suara menjadi suatu informasi dibutuhkan beberapa proses, alur proses tersebut dapat dilihat pada Gambar. Gelombang suara yang ditangkap berupa sinyal analog, maka sinyal tersebut perlu diubah dahulu menjadi sinyal digital agar dapat diolah oleh komputer, proses ini disebut digitalisasi. Gambar Alur proses transformasi sinyal suara analog menjadi informasi (Buono 9)
14 Proses digitalisasi suara terdiri dari dua tahap yaitu sampling dan kuantisasi (Jurafsky dan Martin ). Sampling adalah proses pengambilan nilai (sampling rate) dalam jangka waktu tertentu. Sampling rate adalah banyaknya nilai yang diambil setiap detik. Sampling rate yang biasa digunakan pada pengenalan suara ialah 8 Hz sampai dengan Hz (Jurafsky dan Martin ). Hubungan antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya data suara yang didigitalisasikan dapat dinyatakan secara sederhana sebagai berikut: S = Fs T Keterangan : S = panjang vektor Fs = sampling rate yang digunakan (Hertz) T = panjang suara (detik) Setelah melalui proses sampling proses selanjutnya adalah kuantisasi. Kuantisasi merupakan proses mengkonversi nilai amplitudo yang bersifat kontinu pada suatu waktu tertentu menjadi sinyal digital dengan mengekspresikannya menggunakan sejumlah digit tertentu (Buono 9). Setelah mengubah sinyal analog menjadi sinyal digital, dilakukan pembacaan sinyal dari frame ke frame dengan lebar tertentu yang saling tumpang tindih untuk menghindari kehilangan informasi. Ekstraksi ciri dilakukan pada setiap frame untuk mendapatkan vektor ciri. Setiap vektor ciri tersebut dilakukan pengenalan pola untuk memperoleh informasi yang diinginkan. Pembuatan sistem dibagi menjadi beberapa tahap sesuai dengan diagram alur penelitian yang ditunjukkan pada Gambar. Mulai Perumusan Masalah Teori-teori yang terkait Pengambilan Data Suara Gitar Normalisasi Segmentasi Manual Data Latih Data Uji MFCC MFCC Pembuatan Modul PNN Parameter Modul Pengujian Analisis & Pembahasan Dokumentasi & Pelaporan Selesai Gambar Diagram alur penelitian
15 Pengambilan Data Suara Gitar Penelitian ini menggunakan data hasil perekaman suara gitar yang telah dikonversi ke bentuk digital berformat WAV. Suara gitar merupakan hasil campuran permainan dua buah chord dari chord yang ada. Chord gitar yang dimainkan terdiri dari dua jenis, yaitu chord mayor dan chord minor yang masingmasing berjumlah. Chord mayor dan minor seperti pada Tabel. Bentuk chord mayor dan minor yang digunakan pada penelitian ini dapat dilihat pada Lampiran. Perekaman suara gitar dilakukan menggunakan microphone yang dipasang pada gitar dan dilakukan ditempat yang hening untuk meminimalkan adanya noise. Perekaman dilakukan sebanyak kali untuk setiap dua campuran chord. Data suara berjumlah 8 data yang berasal dari perkalian chord pertama, chord kedua dan kali perekaman. Suara gitar direkam menggunakan ukuran waktu tiga detik dengan sampling rate sebesar Hz dan bit rate sebesar bit. Data suara gitar berupa campuran chord C ke chord C#, chord C ke chord Cm dan seterusnya masingmasing sebanyak kali. Untuk setiap campuran digunakan sepuluh kali perekaman untuk data latih dan lima kali perekaman untuk data uji. Sehingga terdapat data latih dan 88 data uji. Tabel Chord mayor dan chord minor Chord dasar Mayor Minor C C Cm C# C# C#m D D Dm D# D# D#m E E Em F F Fm F# F# F#m G G Gm G# G# G#m A A Am A# A# A#m B B Bm Normalisasi Normalisasi merupakan langkah praproses data. Setiap data suara memiliki nilai rentang amplitudo yang berbeda sehingga data suara perlu dinormalisasi terlebih dahulu dengan cara mengabsolutkan nilai-nilai data suara dan mencari nilai maksimumnya. Selanjutnya, setiap nilai data tersebut dibagi dengan nilai maksimumnya. Hal ini dilakukan untuk menormalkan suara sehingga memiliki amplitudo maksimum satu dan minimum minus satu.
16 Segmentasi Tahap segmentasi merupakan tahap pemotongan jeda pada setiap sinyal suara. Pendeteksian jeda dilakukan pada sinyal untuk memisahkan dua campuran chord menjadi dua sinyal yang berbeda. Pada pengambilan data suara, terdapat jeda pada perpindahan chord pertama dan chord kedua. Dengan demikian sinyal suara akan dipisah secara manual dengan menghapus bagian yang dianggap jeda, sehingga akan mendapatkan dua sinyal yaitu chord pertama dan chord kedua. Pemisahan dilakukan dengan mencari rentang terbesar dari setiap frame yang nilainya kurang dari rataan frame. Data Latih dan Data Uji Data latih merupakan data yang digunakan untuk pembelajaran sistem. Data latih diambil sebanyak kali dari masing-masing dua campuran chord mayor dan chord minor. Setelah melalui tahap segmentasi, didapatkan data latih dari hasil perkalian chord pertama, chord kedua dan kali perekaman. Data latih kemudian diproses dengan teknik MFCC untuk mengekstraksi ciri dari setiap data latih. Data uji merupakan data yang digunakan untuk uji coba akurasi sistem. Terdapat 88 data uji yang berasal dari hasil perkalian chord pertama, chord kedua dan kali perekaman. Komposisi data chord yang dipakai dalam penelitian dapat dilihat pada pada Tabel. Tabel Komposisi data Komposisi Jumlah Jumlah chord Jumlah campuran ( x ) Data latih ( x ) Data uji ( x ) 8 Total data ( + 8) 8 Ekstraksi Ciri dengan MFCC Ekstraksi ciri merupakan proses untuk menentukan suatu nilai atau vektor yang dapat digunakan sebagai penciri objek atau individu (Buono 9). Salah satu teknik ekstraksi ciri pemrosesan suara yang sering digunakan dan menunjukan kinerja yang baik adalah MFCC. Pada Gambar sinyal suara dibaca dari frame ke frame dengan lebar tertentu yang saling tumpang tindih (overlap), kemudian dilakukan windowing pada setiap frame. Tahap berikutnya, dilakukan transformasi Fourier untuk mengubah suara dari domain waktu ke domain frekuensi. Nilai hasil transformasi Fourier ini dihitung spectrum mel menggunakan sejumlah filter. Filter yang digunakan berupa filter segitiga yang saling overlapping. Rentang filter segitiga tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam
17 mendengarkan bunyi (Ganchev ). Skala mel dibentuk untuk mengikuti persepsi sistem pendengaran manusia. Sinyal suara frame ke t O = O O,O, = O +, O + Ot,,O,OT,, O Windowing: y t (n)=x t (n)w(n), n N- w(n) =.. cos (πn/(n-)) y t (n) = hasil windowing pada frame ke ndalam domain waktu N= jumlah sampel pada setiap frame, n = frame ke- W= formula hamming window, x t (n) = nilai data ke n Fast Fourier Transform (FFT): N- X n = x k k= e -πjki/n X k =nilai-nilai sampel yang akan diproses pada domain frekuensi X n =magnitude frekuensi N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/ +, i = n x t Mel Frequency Wrapping: mel(f) = 9 * log ( + f / ) dari sini diperoleh M filter, dan dihitung spektrum Mel: H i (k) = nilai filter segitiga ke i X(k)=nilai data ke k hasil proses FFT M = jumlah filter N= banyaknya data N- X i =log ( X(k) H i (k)), i=,,,,m k= Cepstrum Coefficients :Discrete Cosine Transform M C j = X i cos (j(i )/ π M ) C j =nilai koefisien C ke j j= jumlah koefisien cepstral M = jumlah filter X i =hasil Mel Frequency Wrapping pada frekuensi ke i, i= jumlah wrapping i= Gambar Diagram alur teknik MFCC untuk mengekstrak sinyal Koefisien MFCC merupakan hasil transformasi cosinus dari spektrum mel tersebut dan dipilih k koefisien. Transformasi cosinus berfungsi untuk mengembalikan domain, dari domain frekuensi ke domain waktu. Tahap-tahap proses MFCC adalah sebagai berikut (Do 99) : Frame blocking. Pada tahap frame blocking sinyal suara dibagi ke dalam n- buah frame yang terdiri dari n-sampel. Tahap ini melakukan overlapping pada
18 frame yang satu dengan frame tetangganya untuk menghindari kehilangan informasi. Windowing. Untuk meminimalkan diskontinuitas sinyal pada setiap awal dan akhir frame dilakukan proses windowing. Proses ini dilakukan dengan mengalikan antara frame dengan jenis window yang digunakan. Fast Fourier Transform (FFT). Tahap FFT mengubah tiap frame dari domain waktu ke domain frekuensi. Mel-frequency wrapping. Proses ini menggunakan filter yang saling overlapping untuk domain frekuensi. Rentang filter tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam mendengarkan bunyi (Ganchev ). Oleh karena itu, untuk setiap nada dengan frekuensi aktual f, tinggi subyektifnya diukur dengan skala mel (melody). Skala mel-frequency adalah selang frekuensi di bawah Hz dan selang logaritmik untuk frekuensi di atas Hz (Do 99) Cepstrum coefficients. Hasil dari proses MFCC adalah mel spectrum coefficients dengan jumlah koefisien yang ditentukan terlebih dahulu. Kemudian algoritma discrete cosine transform (DCT) digunakan untuk mengkonversi mel-frequency ke dalam domain waktu. Pembuatan Modul PNN Probabilistic neural network (PNN) adalah suatu metode klasifikasi jaringan saraf tiruan (JST) dengan menggunakan data pelatihan. Model PNN merupakan salah satu jenis jaringan saraf tiruan yang memiliki tingkat akurasi yang cukup tinggi dalam pengklasifikasian yaitu hampir mendekati % (Fransiswa ). Dengan menggunakan pengklasifikasi Bayesian dapat ditentukan bagaimana sebuah data masukan diklasifikasi sebagai anggota suatu kelas dari beberapa kelas yang ada, yaitu yang mempunyai nilai maksimum pada kelas tersebut. PNN memiliki struktur yang terdiri atas empat layer seperti pada Gambar. Input layer merupakan layer untuk input data yang akan diuji. Pattern layer berfungsi menghitung jarak antara nilai input data suara dengan nilai pola dari tiap anggota kelas yang dirumuskan pada Persamaan. f A (x) = m exp[ (x x Ai )T (x-x Ai ) (π) p h p m i= ] h Keterangan: p = dimensi vektor input m = jumlah pola pelatihan xai = vektor latih kelas-a urutan ke-i x = vektor input h = smoothing parameter (α simpangan baku ke-i n / ) ()
19 8 Gambar Struktur PNN (Ganchev ) Nilai fa(x) merupakan nilai hasil pattern layer ke-i sampai n banyaknya pattern di setiap kelas. Setelah mendapatkan selisih jarak antara data input dengan data pada pattern layer, selisih tersebut dibagi dengan nilai smoothing parameter. Pemilihan nilai smoothing parameter (h) harus diperhatikan, karena nilai ini memegang peranan yang penting terhadap ketepatan hasil pengklasifikasian yang dilakukan. Smoothing parameter yang terlalu kecil akan mengakibatkan pendekatan yang terlalu sempit, sedangkan jika terlalu besar dapat menghilangkan detil yang penting (Masters 99). Summation layer. Layer ini menghasilkan peluang untuk satu kelas. Peluang tersebut didapat dari penjumlahan pattern layer pada kelas tersebut dan hasilnya dibagi dengan (π) d/ hih...hdn. Nilai hih...hd adalah nilai smoothing dari kelas tersebut. n P(x)= (f (π) d A (x)) h h h d n Decision layer digunakan untuk membandingkan hasil peluang pada setiap kelas. Hasil peluang P(x) pada setiap kelas akan dibandingkan pada layer ini. Selanjutnya, input data dimasukkan dalam kelas yang memiliki nilai peluang terbesar. i=
20 9 Pengujian Proses pengujian dilakukan dengan membandingkan data uji dengan chord yang teridentifikasi dari chord yang ada. Data uji akan diklasifikasikan ke kelas yang sesuai dengan cara menghitung peluang terbesar yang mendekati kelas chord tertentu. Hasil yang didapat akan dihitung akurasinya dengan rumus berikut ini: Hasil = Σ Data uji yang benar Σ Data Uji x % HASIL DAN PEMBAHASAN Pengumpulan Data Pengumpulan data suara direkam langsung menggunakan gitar melalui software MATLAB R8b. Suara campuran chord gitar direkam selama tiga detik dan disimpan ke dalam file berekstensi WAV. Setiap campuran chord dilakukan masing-masing kali perekaman sehingga menghasilkan 8 data. Data suara tersebut tersusun dari sinyal-sinyal yang mengandung nilai. Nilai tersebut akan menghasilkan sebuah vektor yang kemudian dilakukan proses normalisasi agar data suara lebih terstandar pada rentang minus satu sampai satu. Segmentasi Data hasil normalisasi disegmentasi secara manual untuk memisahkan dua campuran chord menjadi dua sinyal berbeda. Pemotongan jeda dilakukan dengan beberapa tahap, yaitu: Mengabsolutkan nilai-nilai. Membuat batas pada titik sampai Menghitung rata-rata pada rentang titik tersebut. Menyeleksi rentang nilai chord terpanjang yang kurang dari rata-rata, dan memastikan rentang tersebut berada pada titik sampai. Rentang terpanjang dianggap jeda. Mendapatkan chord pertama dan chord kedua. Setelah mendapatkan semua data dalam bentuk vektor yang diharapkan, maka proses dilanjutkan dengan tahap MFCC. Ekstraksi Ciri dengan MFCC Proses MFCC menggunakan data vektor hasil segmentasi manual. Proses MFCC pada penelitian ini menggunakan fungsi pada auditory toolbox Matlab. Fungsi MFCC didapat dari Buono (9). Proses MFCC memerlukan beberapa parameter input yaitu sampling rate, time frame, overlap, dan cepstral coefficient. Pada penelitian ini menggunakan nilai untuk sampling rate Hz, time frame ms, overlap. dan jumlah koefisien cepstral yaitu,, 9, dan. Proses MFCC dilakukan untuk semua data dengan mengubah sinyal suara menjadi sebuah matriks yang berukuran sesuai dengan koefisien cepstral yang
21 digunakan dikali dengan banyak frame yang terbentuk. Hasil matriks tersebut menunjukan ciri spectral dari sinyal tersebut. Pemodelan Probabilistic Neural Network Pada model PNN digunakan data uji sebagai input data. Input data diidentifikasi dengan pattern layer. Nilai fa(x) merupakan nilai hasil pattern layer, nilai tersebut dibagi dengan nilai smoothing parameter. Nilai smoothing parameter pada Persamaan digunakan nilai. untuk α. Simpangan baku didapat dari data setiap pattern ke j=, sampai n banyaknya data pattern. Sehingga didapatkan smoothing parameter. (simpangan baku) n -/. Gambar menunjukan model PNN yang dibuat untuk identifikasi chord gitar. Gambar Pemodelan PNN identifikasi chord Hasil Pengujian Pada tahap pengujian, data akan diujikan untuk diidentifikasi sesuai dengan chord yang dimainkan. Penelitian ini menggunakan beberapa parameter yang diujicobakan yaitu: Time frame sebesar ms Overlap. Jumlah koefisien cepstral,, 9, dan Smoothing parameter yang didapat dari. (simpangan baku) n -/. Percobaan dengan koefisien cepstral Tabel Akurasi dengan koefisien cepstral Chord Akurasi Chord Akurasi Chord Akurasi A 8. Cis. F. Am.8 Cism. Fm.8 Ais. D.8 Fis. Aism. Dm 8. Fism.8 B. Dis. G 9. Bm. Dism.8 Gm.8 C 8. E. Gis. Cm 8. Em 8. Gism. Akurasi keseluruhan.8
22 Hasil percobaan menggunakan koefisien cepstral dapat dilihat pada Tabel. Akurasi terkecil terdapat pada percobaan chord F yaitu hanya.% sedangkan akurasi terbesar terdapat pada percobaan chord Dm yaitu 8.%. Percobaan dengan koefisien cepstral Hasil percobaan menggunakan koefisien cepstral dapat dilihat pada Tabel. Akurasi terkecil terdapat pada percobaan chord F yaitu.% sedangkan akurasi terbesar terdapat pada percobaan chord Cm yaitu 9.%. Tabel Akurasi dengan koefisien cepstral Chord Akurasi Chord Akurasi Chord Akurasi A 8. Cis. F. Am. Cism. Fm 9. Ais 9. D. Fis 9. Aism 9.8 Dm 9. Fism 9. B. Dis 8. G. Bm 8. Dism.8 Gm 9. C. E. Gis 9. Cm 9. Em 8.8 Gism 9. Akurasi keseluruhan.9 Percobaan dengan 9 koefisien cepstral Hasil percobaan menggunakan 9 koefisien cepstral dapat dilihat pada Tabel. Akurasi terkecil terdapat pada percobaan chord Dism yaitu % sedangkan akurasi terbesar terdapat pada percobaan chord Cm, Dis, Fis dan Fism yaitu %. Tabel Akurasi dengan 9 koefisien cepstral Chord Akurasi Chord Akurasi Chord Akurasi A 98. Cis 9. F 9. Am 9. Cism. Fm 9.8 Ais 98. D 8.8 Fis. Aism 98. Dm 9. Fism. B 9. Dis. G 8. Bm 9. Dism. Gm. C 9. E 9. Gis. Cm. Em 9. Gism 98. Akurasi keseluruhan 9.9 Percobaan dengan koefisen cepstral Tabel Akurasi dengan koefisien cepstral Chord Akurasi Chord Akurasi Chord Akurasi A 98. Cis 9. F 98. Am 9. Cism 8.8 Fm 98. Ais 98. D 9. Fis 99. Aism. Dm 9. Fism. B 9. Dis. G 9. Bm 9. Dism 89. Gm. C 99. E 99. Gis 98. Cm. Em. Gism 98. Akurasi keseluruhan 9.
23 Akurasi (%) Hasil percobaan menggunakan koefisien cepstral dapat dilihat pada Tabel. Akurasi terkecil terdapat pada percobaan chord Cism yaitu 8.8% sedangkan akurasi terbesar terdapat pada percobaan chord Aism, Cm, Dis, Em, Fism dan Gm yaitu %. Analisis Percobaan Berdasarkan hasil pengujian identifikasi chord gitar didapatkan hasil akurasi yang berbeda untuk setiap koefisien cepstral yang digunakan Koefisien cepstral Gambar Perbandingan akurasi dengan,, 9, dan koefisien cepstral Koefisien cepstral yang diujikan antara lain,, 9, dan. Pada Gambar terlihat grafik perbandingan hasil akurasi menggunakan beberapa koefisien cepstral. Pada penelitian ini menunjukan bahwa tingkat akurasi sangat bergantung pada jumlah koefisien cepstral yang digunakan. Berdasarkan penelitian ini semakin besar koefisien cepstral yang digunakan, semakin tinggi rataan akurasi yang dihasilkan. Namun hal itu tidak berlaku untuk akurasi pada masing-masing chord. Seperti pada chord Dm, chord Fis dan chord Gis yang mengalami sedikit penurunan akurasi pada koefisien. Hasil akurasi tertinggi terjadi pada percobaan yang menggunakan koefisien cepstral yaitu 9.%. Rataan akurasi yang didapat dari penelitian ini sebesar.%. Berdasarkan rataan akurasi tiap chord, akurasi tertinggi terdapat pada chord Cm yaitu sebesar 9.8% sedangkan rataan akurasi terendah terdapat pada chord Dism yaitu 8.9%. Analisis Kesalahan Pada penelitian ini, pengembangan model PNN untuk identifikasi chord gitar menghasilkan akurasi terbaik menggunakan koefisien cepstral. Berdasarkan Lampiran, pada confusion matrix koefisien cepstral kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai chord Cm sebanyak %.
24 Pada penggunaan koefisien cepstral, kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai chord Bm sebanyak %. Confusion matrix koefisien dapat dilihat pada Lampiran. Berdasarkan Lampiran, kesalahan identifikasi terbanyak untuk koefisien cepstral 9 terdapat pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak %. Pada penggunaan koefisien cepstral terjadi kesalahan terbanyak pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak 9%. Confusion matrix dengan koefisien cepstral dapat dilihat pada Lampiran. Berdasarkan pengamatan pada setiap pengujian yang dilakukan untuk setiap koefisien cepstral, kesalahan identifikasi terbanyak terjadi pada chord B yang diidentifikasi sebagai chord Bm dan chord Cism yang diidentifikasi sebagai chord Cis. SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil dalam mengidentifikasi chord gitar dengan mengimplementasikan metode PNN dan teknik ekstraksi ciri MFCC. Hasil akurasi tertinggi yang dihasilkan sebesar 9.9% dengan penggunaan time frame ms, overlap % dan koefisien cepstral. Penelitian ini mampu mengidentifikasi campuran dua chord gitar menggunakan model PNN. Identifikasi chord gitar dalam penelitian ini dilakukan dengan menggunakan empat koefisien cepstral yang berbeda, yaitu,, 9, dan. Hasil akurasi dengan menggunakan empat koefisien cepstral tersebut secara berurutan ialah.9%,.%, 8.%, dan 9.9%. Hal ini menunjukkan bahwa semakin besar nilai koefisien cepstral semakin tinggi akurasi yang didapatkan. Saran Untuk penelitian selanjutnya dapat dilakukan dengan menggunakan nilai smoothing parameter yang berbeda sehingga dapat dibandingkan pengaruh smoothing parameter terhadap akurasi data.
25 DAFTAR PUSTAKA Buono A. 9. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri pada sistem identifikasi pembicara di lingkungan ber-noisemenggunakan HMM [disertasi]. Depok (ID): Universitas Indonesia. Do MN. 99. Digital Signal Processing Mini-Project: an Automatic Recognition System. Laussane (CH): Federal Institute of Technology. Fransiswa RR.. Pengembangan model probabilistic neural network (PNN) pada pengenalan kisaran usia dan jenis kelamin berbasis suara [skripsi]. Bogor (ID): Institut Pertanian Bogor. Ganchev T.. Speaker recognition [disertasi]. Patras (GR): University of Patras. Jurafsky D, Martin JH.. Speech And Language Processing an Introduction to Natural Language Processing, Computational Linguistic, and Speech Recognition. New Jersey (US): Prentice Hall. MastersT. 99. Advanced Algorithms for Neural Networks: A C++ Sourcebook. New York (US): John Wiley. Wisnudisastra E, Buono A.. Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstraksi ciri MFCC. Jurnal Ilmiah Ilmu Komputer. ():-.
26 Lampiran Bentuk chord yang digunakan pada pelatihan dan pengujian
27 Lampiran Lanjutan
28 Lampiran Confusion matrix kesalahan identifikasi chord pada Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien Akurasi Gism 9 Gis 9 Gm G Fism Fis Fm 8 8 F Em E 9 Dism Dis Dm D Cism 9 Cis 8 Cm C Bm B Aism Ais Am A Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
29 8 koefisienlampiran Confusion matrix kesalahan identifikasi chord pada koef Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien Akurasi Gism Gis 8 Gm 9 G Fism Fis Fm 8 F 8 Em 9 8 E 8 9 Dism Dis Dm 8 D Cism Cis Cm C 8 Bm 9 B 88 Aism 9 Ais Am 8 A 98 Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
30 9 Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien 9 Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien 9 Akurasi Gism 8 Gis Gm G 9 Fism Fis Fm 9 F Em E Dism 8 Dis 9 Dm D Cism 8 Cis Cm C Bm B 8 Aism 8 Ais 8 Am A 8 Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
31 Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien Lampiran Confusion matrix kesalahan identifikasi chord pada koefisien Akurasi Gism 8 Gis 8 Gm G Fism Fis 9 Fm 8 F 8 Em E 9 Dism Dis Dm 9 D 8 Cism 9 Cis Cm C 9 Bm B Aism Ais 8 Am A 8 Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
32 RIWAYAT HIDUP Penulis dilahirkan di Jakarta tanggal Agustus 99 dari Ibu Tuti Suryati dan Bapak Arief Suyanto. Penulis merupakan anak keempat dari empat bersaudara. Pada tahun, penulis lulus dari Sekolah Menengah Atas (SMA) Islam Al-Azhar Kelapa Gading, dan pada tahun yang sama diterima di Diploma Institut Pertanian Bogor Program Keahlian Manajemen Informatika. Pada tahun penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.
PENGEMBANGAN 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 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 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 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 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 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 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 terperinciPerbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 29-37 ISSN: 2089-6026 Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN 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 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 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 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 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 terperinciPengenalan Chord pada Alat Musik Gitar Menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC
Pengenalan Chord pada Alat Musik Gitar Menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC Elghar Wisnudisastra, Agus Buono Departemen Ilmu Komputer, Institut Pertanian Bogor, Jl. Meranti Wing 20 Lv.V,
Lebih terperinciPENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO
PENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN SEBAGAI METODE PENGENALAN POLA FAUZI SISWOYO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih 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 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 terperinciPENERAPAN MODEL CODEBOOK UNTUK TRANSKRIPSI SUARA KE TEKS DENGAN EKSTRAKSI CIRI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MEGGA DARA NINGGAR SUHARTO
PENERAPAN MODEL CODEBOOK UNTUK TRANSKRIPSI SUARA KE TEKS DENGAN EKSTRAKSI CIRI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MEGGA DARA NINGGAR SUHARTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 terperinciPENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM
PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM Agustina Trifena Dame Saragih 1, Achmad Rizal 2, Rita Magdalena 3 Departemen Teknik Elektro Institut Teknologi Telkom Jl.
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 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 terperinciPENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK BERTINGKAT MENGGUNAKAN FUZZY C-MEANS UNTUK IDENTIFIKASI PEMBICARA. Oleh : VICKY ZILVAN G
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK BERTINGKAT MENGGUNAKAN FUZZY C-MEANS UNTUK IDENTIFIKASI PEMBICARA Oleh : VICKY ZILVAN G64103043 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 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 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 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 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 terperinciPENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION SARAH RAHMANIA HANIF
PENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION SARAH RAHMANIA HANIF DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN CODEBOOK DENGAN TEKNIK EKSTRAKSI CIRI MFCC ELGHAR WISNUDISASTRA
PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN CODEBOOK DENGAN TEKNIK EKSTRAKSI CIRI MFCC ELGHAR WISNUDISASTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciPEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA
PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI WIDO ARYO ANDHIKA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 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 terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciPENGENALAN 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 terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK ADE FRUANDTA
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK ADE FRUANDTA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI CAMPURAN
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 terperinciSEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER AYU GUSTIAWATI FAKULTAS MATEMATIKA DAN ILMU
PERBANDINGAN METODE WAVELET DAUBECHI IES DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER AYU GUSTIAWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS
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 terperinciPENERAPAN LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PEMBICARA DENGAN MENGGUNAKAN EKSTRAKSI CIRI PRINCIPAL COMPONENT ANALYSIS ENDRIK SUGIYANTO
PENERAPAN LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PEMBICARA DENGAN MENGGUNAKAN EKSTRAKSI CIRI PRINCIPAL COMPONENT ANALYSIS ENDRIK SUGIYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 terperinciPENGENALAN SUARA BERDASARKAN USIA DAN JENIS KELAMIN MENGGUNAKAN ALGORITME SUPPORT VECTOR MACHINE (SVM) IKRA DEWANTARA
PENGENALAN SUARA BERDASARKAN USIA DAN JENIS KELAMIN MENGGUNAKAN ALGORITME SUPPORT VECTOR MACHINE (SVM) IKRA DEWANTARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION
PENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION DETECTION OF THE LEVEL OF YOUTH, ADULTS AND ELDERLY BY USING MFCC METHOD AND FUZZY
Lebih 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 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 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 terperinciIdentifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)
Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM) Inggih Permana 1, Benny Sukma Negara 2 1 Universitas Sultan Sarif Kasim Riau 2 Universitas Sultan Sarif
Lebih terperinciBAB 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 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 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 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 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 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 terperinciTRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL DYNAMIC PROGRAMMING SINTYA ROSDWIANTY
TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL DYNAMIC PROGRAMMING SINTYA ROSDWIANTY DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih 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 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 terperinciPERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER
PERBANDINGAN PEMODELAN WAVELET DAN MFCC SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN TEKNIK JARINGAN SYARAF TIRUAN SEBAGAI CLASSIFIER MUTIA FIJRI TAUFANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih 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 terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2005/2006 PERANCANGAN SISTEM PROTEKSI FILE DENGAN PASSWORD SUARA Rendy Sesario 0600615431 Samanta Limbrada
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 terperinciIdentifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri
Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri Vicky Zilvan, S.Kom. UPT LPSN - LIPI v_q1e@yahoo.com Furqon Hensan Muttaqien, S.Komp. P2 Informatika - LIPI fh.muttaqien@informatika.lipi.go.id
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 terperinciPENDETEKSIAN KATA DENGAN MFCC SEBAGAI EKSTRAKSI CIRI DAN CODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL
PENDETEKSIAN KATA DENGAN MF SEBAGAI EKSTRAKSI IRI DAN ODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengenalan ucapan (speech recognition) merupakan sistem yang dirancang untuk dapat mengenali sinyal suara, sehingga menghasilkan keluaran berupa tulisan. Input dari
Lebih terperinciPENGENALAN NADA PIANIKA MENGGUNAKAN JENDELA SEGITIGA, DCT, DAN FUNGSI JARAK EUCLEDIAN
PEGEALA ADA PIAIKA MEGGUAKA JEDELA SEGITIGA, DCT, DA FUGSI JARAK EUCLEDIA Linggo Sumarno Jurusan Teknik Elektro, Universitas Sanata Dharma Kampus III, Paingan, Maguwoharjo, Depok, Sleman, Yogyakarta 558
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 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 terperinciMETODE PENELITIAN. Gambar 1 Alur metode penelitian.
akan menggunakan bantuan aplikasi pemrosesan audio (Rochesso 2007). Penambahan Derau Derau merupakan suara-suara yang tidak diinginkan. Munculnya derau dapat menurunkan kualitas suatu berkas audio. Penambahan
Lebih terperinciPENERAPAN SOM UNTUK PENGENALAN NADA PADA ANGKLUNG MODERN AREN AUDITA
PENERAPAN SOM UNTUK PENGENALAN NADA PADA ANGKLUNG MODERN AREN AUDITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI SKRIPSI
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 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 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 terperinciPENGEMBANGAN MODEL MARKOV TERSEMBUNYI UNTUK IDENTIFIKASI PEMBICARA. Oleh : WINI PURNAMASARI G
PENGEMBANGAN MODEL MARKOV TERSEMBUNYI UNTUK IDENTIFIKASI PEMBICARA Oleh : WINI PURNAMASARI G64102051 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Suling Batak (Sulim) Sulim adalah sejenis instrumen tiup bambu yang berasal dari daerah Batak Toba di Sumatera Utara. Dalam klasifikasi alat musik oleh Curt Sachs dan Hornbostel,
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 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 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 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 terperinciUNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV
UNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV SKRIPSI YUNANTO WIDYATMAJI 0404030881 FAKULTAS TEKNIK
Lebih terperinciBAB 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 terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Indera pendengaran manusia tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali para pemusik profesional. Hal
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Studi Ganda 2006-200 Skripsi Sarjana Program Ganda Semester Ganjil 2006/200 HALAMAN ABSTRAK SKRIPSI PROGRAM GANDA UNIVERSITAS BINA NUSANTARA Devi Natalia 0600656841 ABSTRAK
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 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 terperinciBINUS UNIVERSITY. Program Studi Ganda. Teknik Informatika Matematika PERANCANGAN PROGRAM APLIKASI SPEECH RECOGNIZER DENGAN SPECTROGRAM
BINUS UNIVERSITY Program Studi Ganda Teknik Informatika Matematika PERANCANGAN PROGRAM APLIKASI SPEECH RECOGNIZER DENGAN SPECTROGRAM Stefan A.Y. NIM : 0700683673 ABSTRAK Speech Recognizer atau pengenal
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 terperinci