PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI"

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 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 terperinci

PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO

PENGEMBANGAN 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 terperinci

IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK

IDENTIFIKASI 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 terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. 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 terperinci

PEMBANGUNAN 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 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 terperinci

PENERAPAN 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 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 terperinci

PENDAHULUAN Tujuan Latar Belakang Ruang Lingkup Manfaat Penelitian TINJAUAN PUSTAKA Nada dan Chord Gitar

PENDAHULUAN 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 terperinci

Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo

Perbandingan 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 terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. 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 terperinci

i. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz

i. 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 terperinci

udara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.

udara 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 terperinci

PENERAPAN MEL FREQUENCY CEPSTRUM COEFFICIENTS

PENERAPAN 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 terperinci

SISTEM PENILAIAN BERDASARKAN TEPUK TANGAN MENGGUNAKAN MFCC DAN CODEBOOK PUSPITA KARTIKA SARI

SISTEM 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 terperinci

Pengenalan 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 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 terperinci

PENGENALAN 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 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 terperinci

Karakteristik Spesifikasi

Karakteristik 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 terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. 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 terperinci

PENERAPAN 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 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 terperinci

Digital Signal Processing To Identify chords Singer Using Mel Frequency Cepstral Coefficients (MFCC) and Neural Network Backpropagation Methods

Digital 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 terperinci

PENENTUAN AKOR GITAR DENGAN MENGGUNAKAN ALGORITMA SHORT TIME FOURIER TRANSFORM

PENENTUAN 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 terperinci

PENERAPAN LEARNING VECTOR QUANTIZATION

PENERAPAN 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 terperinci

Pengenalan 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. 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 terperinci

Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:

Seminar 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 terperinci

PENGEMBANGAN 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 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 terperinci

PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK

PENGENALAN 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 terperinci

vii 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 vii MODEL FONEM DENGAN PENDEKATAN DISTRIBUSI NORMAL UNTUK PENGENALAN KATA MENGGUNAKAN MFCC SEBAGAI EKSTRAKSI CIRI ADITYA DWI HAPSARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Lebih terperinci

ANALISIS DAN PERANCANGAN PROGRAM APLIKASI. mahasiswa Binus University secara umum. Dan mampu membantu

ANALISIS 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 terperinci

TINJAUAN PUSTAKA. Pengenalan Suara

TINJAUAN 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 terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. 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 terperinci

PENGENALAN 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 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 terperinci

PENGENALAN 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 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 terperinci

PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV

PENGENALAN 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 terperinci

BAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul

BAB 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 terperinci

PEMODELAN 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 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

Jurnal Komputer Terapan Vol. 1, No. 2, November 2015, Jurnal Politeknik Caltex Riau

Jurnal 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 terperinci

BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES

BIOMETRIK 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 terperinci

PENGENALAN 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 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 terperinci

IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK ADE FRUANDTA

IDENTIFIKASI 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 terperinci

Sistem Verifikasi Penutur menggunakan Metode Mel Frequensi.

Sistem 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 terperinci

SEBAGAI EKSTRAKSI CIRI PADA PENGENALAN FONEM DENGAN PROBABILISTIC NEURAL NETWORK (PNN) SEBAGAI CLASSIFIER AYU GUSTIAWATI FAKULTAS MATEMATIKA DAN ILMU

SEBAGAI 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 terperinci

PERBANDINGAN 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 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 terperinci

PENERAPAN 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 PENERAPAN LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PEMBICARA DENGAN MENGGUNAKAN EKSTRAKSI CIRI PRINCIPAL COMPONENT ANALYSIS ENDRIK SUGIYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

BAB 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 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 terperinci

PENGENALAN 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 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 terperinci

PENDETEKSIAN 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 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 terperinci

APLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT

APLIKASI 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 terperinci

Identifikasi Pembicara dengan Menggunakan Mel Frequency Cepstral Coefficient (MFCC) dan Self Organizing Map (SOM)

Identifikasi 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 terperinci

BAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari

BAB 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 terperinci

IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY

IDENTIFIKASI 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 terperinci

1. Pendahuluan Latar Belakang

1. 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 terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team 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 terperinci

Aplikasi Teknik Speech Recognition pada Voice Dial Telephone

Aplikasi 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 terperinci

Verifikasi Suara menggunakan Jaringan Syaraf Tiruan dan Ekstraksi Ciri Mel Frequency Cepstral Coefficient

Verifikasi 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 terperinci

TRANSKRIPSI 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 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 terperinci

Bab 3. Perancangan Sistem

Bab 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 terperinci

PEMODELAN 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 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 terperinci

UNIVERSITAS 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 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 terperinci

Penerapan Metode Mel Frequency Ceptral Coefficient dan Learning Vector Quantization untuk Text-Dependent Speaker Identification

Penerapan 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 terperinci

BAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka

BAB 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 terperinci

PERBANDINGAN 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 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 terperinci

Frekuensi Dominan Dalam Vokal Bahasa Indonesia

Frekuensi 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 terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

Jurnal 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 terperinci

UNIVERSITAS BINA NUSANTARA

UNIVERSITAS 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 terperinci

BAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian

BAB 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 terperinci

Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri

Identifikasi 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 terperinci

INDEPT, Vol. 3, No.1, Februari 2013 ISSN

INDEPT, 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 terperinci

PENDETEKSIAN KATA DENGAN MFCC SEBAGAI EKSTRAKSI CIRI DAN CODEBOOK SEBAGAI PENGENALAN POLA MOHAMMAD LUTHFI SYAFRUL

PENDETEKSIAN 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 terperinci

1. BAB I PENDAHULUAN 1.1. Latar Belakang

1. 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

PENGENALAN NADA PIANIKA MENGGUNAKAN JENDELA SEGITIGA, DCT, DAN FUNGSI JARAK EUCLEDIAN

PENGENALAN 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 terperinci

SISTEM 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 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 terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

METODE PENELITIAN. Gambar 1 Alur metode penelitian.

METODE 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 terperinci

PENERAPAN SOM UNTUK PENGENALAN NADA PADA ANGKLUNG MODERN AREN AUDITA

PENERAPAN 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 terperinci

IMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION

IMPLEMENTASI 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 terperinci

BAB I PENDAHULUAN. pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah

BAB 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 terperinci

Jaringan Syaraf Tiruan pada Robot

Jaringan 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 terperinci

PENGEMBANGAN MODEL MARKOV TERSEMBUNYI UNTUK IDENTIFIKASI PEMBICARA. Oleh : WINI PURNAMASARI G

PENGEMBANGAN 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 terperinci

IDENTIFIKASI 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 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 terperinci

UKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

UKDW 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...

2.4. 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 terperinci

Perbandingan Spektral Musik Klasik dengan Musik Etnik Jawa menggunakan Analisis MFCC dan Beat Strength

Perbandingan 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 terperinci

PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA

PERBANDINGAN 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 terperinci

UNIVERSITAS 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 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan

BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan 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 terperinci

BAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan

BAB 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 terperinci

IDENTIFIKASI INSTRUMEN GAMELAN JAWA MENGGUNAKAN JARINGAN FUNGSI BASIS RADIAL DENGAN METODE PELATIHAN EXTENDED KALMAN FILTER

IDENTIFIKASI INSTRUMEN GAMELAN JAWA MENGGUNAKAN JARINGAN FUNGSI BASIS RADIAL DENGAN METODE PELATIHAN EXTENDED KALMAN FILTER Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 283 IDENTIFIKASI INSTRUMEN GAMELAN JAWA MENGGUNAKAN JARINGAN FUNGSI BASIS RADIAL DENGAN METODE PELATIHAN EXTENDED KALMAN FILTER

Lebih terperinci

PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA

PERBANDINGAN 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 terperinci

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 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 terperinci

UNIVERSITAS BINA NUSANTARA

UNIVERSITAS 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 terperinci

ANALISIS 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 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 terperinci

APLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW

APLIKASI 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 terperinci

BINUS 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 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 terperinci

Available online at TRANSMISI Website TRANSMISI, 13 (3), 2011,

Available 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