Gambar 2.1. Katak Sawah (Djatmiko, 2005)

Ukuran: px
Mulai penontonan dengan halaman:

Download "Gambar 2.1. Katak Sawah (Djatmiko, 2005)"

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1. Katak Sawah Katak sawah merupakan salah satu jenis katak yang memiliki nama latin Fejerfarya cancrivora. Katak sawah sesuai dengan namanya banyak dijumpai di daerah persawahan, rawa-rawa dan selokan. Katak sawah juga kerap muncul di daerah-daerah buatan manusia seperti kebun yang tidak terawat, tanah yang memiliki banyak genangan dan areal kolam. Katak yang kerap muncul di daerah buatan manusia sering mengganggu dan menjadi hama bagi manusia karena habitat asli mereka yang sudah hilang, Katak sawah memiliki bentuk yang bervariasi, mulai dari yang berukuran kecil sampai berukuran besar sesuai dengan ketersediaan jumlah makanan yang ada di alam. Tetapi rata-rata ukuran katak jantan dewasa sekitar 60 mm dan katak betina dewasa sekitar mm SVL (snout to vent length, dari moncong ke anus). Katak sawah memiliki badan berwarna coklat gelap yang menyerupai lumpur dengan corak-corak gelap yang tidak beraturan seperti yang terlihat pada Gambar 2.1. Tangan dan kaki juga kerap memiliki corak-corak gelap. Gambar 2.1. Katak Sawah (Djatmiko, 2005)

2 8 Katak sawah bereproduksi dengan bertelur, mirip seperti ikan yang pembuahannya dilakukan di luar rahim katak betina. Katak jantan mengeluarkan suara-suara menggoda yang menarik perhatian betina untuk berkembang biak (Duellmen and Trueb, 1986). Katak betina tidak pernah mengeluarkan suara terlebih dahulu untuk menarik perhatian, melainkan hanya mengeluarkan suara ketika merespon suara-suara yang dikeluarkan katak jantan. Jika suara katak jantan sudah dibalas oleh suara katak betina, maka katak jantan akan mengganti jenis suaranya menjadi suara pacaran dan mulai saling mencari untuk melakukan proses perkembang biakan. Suara-suara yang dikeluarkan katak akan berhenti ketika mereka mulai melakukan proses perkembang biakan dan mulai menghasilkan telur-telur. Berdasarkan data yang dihimpun Badan Pusat Statistik Indonesia, lahan persawahan di seluruh Indonesia yang dialih fungsikan untuk kepentingan lainnya pada rentang tahun mengalami pengurangan rata-rata ha per tahun. Hal ini tentu saja berdampak pada katak sawah yang berhabitat di areal persawahan. Katak sawah akan mencari habitat lain yang memiliki kemiripan dengan habitat aslinya. Mereka akan tumbuh dan berkembang biak di areal buatan manusia. Misalnya ketika katak sawah menghuni areal kolam yang digunakan pembudidaya untuk mengembangbiakkan ikan sebagai penopang hidup. Katak sawah akan menjadi predator dan akan merugikan pembudidaya. Ketika katak masih menjadi kecebong, kecebong akan menguasai makanan yang menjadi sumber nutrisi anakan ikan di kolam, menguasai wilayah tempat tinggal anakan ikan yang menyebabkan kurangnya kandungan oksigen di dalam kolam dan air kolam menjadi tambah keruh akibat sisa metabolisme kecebong (Amri & Toguan, 2008). Katak sawah dewasa juga tak kalah berbahayanya dari kecebong, anakan ikan dan telurtelur kerap menjadi santapan katak-katak kelaparan yang kehilangan habitat. Pergeseran alih fungsi lahan persawahan merubah pola hidup katak sawah yang mulai mejadi hama dan menciptakan kerugian bagi manusia. Pengendalian populasi katak hijau sebagai hama sangat dibutuhkan agar jumlah populasi katak hijau di ekosistem seimbang dan manusia tidak mengalami kerugian Voice Recognition Sistem pengenalan suara (voice recognition) adalah suatu sistem yang memungkinkan komputer untuk mengidentifikasi kata yang terucap atau pembicara yang mengucapkan

3 9 kata berdasarkan suaranya (Rudrapal, et. al., 2012). Voice recognition melakukan identifikasi dengan mencocokkan informasi yang terkandung di dalam suatu sinyal suara yang masuk dengan sinyal suara yang menjadi referensi dalam proses identifikasi. Informasi ini berupa karakteristik sinyal suara yang meliputi intonasi suara, pola suara, kerapatan sinyal suara dan lain sebagainya. Hal ini dikarenakan tiap-tiap objek penghasil suara memiliki karakterisitik sinyal suara yang disebabkan oleh susunan anatomi penghasil suara yang berbeda-beda. Misalnya suara jangkrik dengan suara katak, suara yang dihasilkan kedua hewan tersebut memiliki karakterisitik yang berbeda karena struktur susunan anatomi penghasil suara yang dimiliki katak dan jangkrik berbeda. Bahkan untuk manusia, tiap-tiap orang memiliki karakteristik sinyal suara yang berbeda-beda karena walaupun susunan anatominya sama tetapi tiap organ penyusun anatominya memiliki ukuran yang berbeda-beda. Voice recognition telah banyak digunakan untuk mengatasi permasalahan yang muncul dalam kehidupan sehari. Biasanya permasalahan-permasalahan yang ditangani menyangkut keamanan dan kenyaman. Permasalahan-permasalahan tersebut bisa dibagi menjadi tiga jenis permasalahan utama, yaitu autentikasi, pengawasan dan forensik (Singh, et. al., 2012) Autentikasi Proses autentikasi merupakan proses validasi yang berkaitan dengan keamanan untuk mengakses suatu hal. Biasanya nomor PIN atau password untuk mengakses suatu hal yang sifatnya pribadi mudah lupa dan memiliki tingkat kemanan yang rendah. Nomor PIN dan password rentan untuk dibajak karena biasanya terdiri dari susunan karakter yang bisa diproses dengan acak oleh komputer. Voice recognition mengatasi masalah ini dengan menjadikan sinyal suara sebagai pengganti nomor PIN atau password untuk mengakses suatu hal yang sifatnya pribadi. Hal ini dikarenakan tiap orang memiliki karakteristik sinyal suara yang berbeda-beda. Sehingga mengecilkan resiko nomor PIN dan password dibajak untuk keuntungan sebelah pihak Pengawasan Voice recognition bisa dipergunakan untuk mengumpulkan informasi. Biasanya dipergunakan pihak keamanan untuk memata-matai percakapan yang ada di telepon atau radio dan bisa juga untuk mengawasi suatu lokasi. Informasi-informasi ini biasanya

4 10 akan menentukan pihak kemanan dalam mengambil keputusan dalam pencegahan tindak kriminalitas atau pencegahan suatu hal yang sifatnya merugikan Forensik Forensik merupakan suatu kumpulan informasi yang dibentuk dari data dan fakta dari berbagai kejadian untuk membuktikan suatu kejadian. Hal ini bisanya digunakan di dalam proses hukum untuk mengadili dan membuktikan suatu tindakan kriminal. Voice recognition akan mengidentifikasi apakah suara yang menjadi bukti dari suatu tindakan kriminal, suara tersangka atau bukan. Meskipun hasil speaker recognition tidak bisa secara langsung menghasilkan kesimpulan yang bisa dijadikan acuan, setidaknya hasil speaker recognition bisa menjadi bahan pertimbangan pihak kemanan untuk mengadili dan membuktikan suatu tindakan kriminal Mel-Frequency Cepstral Coefficients (MFCC) Algoritma ini merupakan algoritma yang berfungsi untuk mengekstrak ciri suatu sinyal suara dengan merubah sinyal suara menjadi vektor-vektor akustik yang digunakan dalam proses klasifikasi. Algoritma ini diperkenalkan oleh Davis dan Mermelstein pada tahun MFCC merupakan algoritma ekstraksi fitur yang paling efektif dan paling banyak dipakai oleh banyak peneliti. Alur pemrosesan MFCC dibuat menyerupai alur pemrosesan sistem indra manusia dalam menangkap sinyal suara agar hasil ekstraksi fiturnya mendekati persepsi yang dihasilkan indra pendengaran manusia (Davis & Mermelstein, 1980). Algoritma MFCC mampu menghasilkan data seminimal mungkin tanpa menghilangkan informasi-informasi penting yang ada pada sinyal suara dan hal inilah yang menjadi kelebihan utama dari algoritma ini. Urutan dan cara kerja MFCC dapat dijelaskan sebagai berikut (Davis & Mermelstein, 1980) Pre-processing Tahapan ini memperbaiki kualitas sinyal suara yang masuk dengan menghilangkan noise-noise yang muncul dari suatu sinyal suara. Tahapan ini terbagi menjadi dua proses umum, yaitu end-point detection dan pre-emphasis. End-point detection melakukan pencarian dan menghilangkan noise dari suatu sinyal suara agar menghasilkan sistem pengenalan yang sempurna (Tan & Jantan, 2004). Pencarian noise dilakukan dengan menetukan titik awal dan titik akhir suatu sinyal suara (Tan & Jantan, 2004). Pre-

5 11 emphasis menimalisasi noise yang mungkin masih ada pada suatu sinyal suara dengan menyeimbangkan nilai amplitudo pada frekuensi yang tinggi dan rendah. Hasil dari proses pre-emphasis didapatkan melalui Persamaan 2.1. Hasil akhir setelah sinyal suara melewati kedua proses tersebut adalah suatu sinyal suara yang memiliki kualitas lebih baik dan tidak terdapat noise di dalamnya. y[n] = s[n] α x s[n 1] (2.1) Dimana: y[n] = sinyal hasil pre-emphasis s(n) = sinyal sebelum pre-emphasis α = Frame Blocking Frame blocking merupakan suatu tahapan yang berfungsi untuk memisahkan sinyal suara menjadi beberapa frame. Sinyal yang sudah berbentuk frame-frame menyimpan informasi-informasi yang nantinya dikonversi menjadi vektor akustik. Tiap frame memiliki panjang yang sama dan tiap frame dipisahkan oleh overlapping. Jumlah overlapping setengah dari panjang frame. Overlapping berfungsi untuk mempertahankan nilai yang tersimpan di dalam frame agar tidak hilang ketika dilakukan pemrosesan pada tahapan-tahapan berikutnya. Jumlah frame dari suatu sinyal suara dihitung melalui Persamaan 2.2. J(f) = ((I N)/M) + 1 (2.2) Dimana: J(f) = jumlah frame I = sample rate N = frame size M = jumlah overlapping Windowing Windowing merupakan suatu metode filtering yang digunakan untuk mengurangi distorsi yang terjadi antar frame di dalam suatu sinyal suara. Metode ini memiliki banyak jenis, tetapi yang paling sering di pakai dalam pengolahan suara adalah

6 12 hamming windows. Hal ini dikarenakan tingkat kerumitan formulanya yang rendah dan kefektivitasannya yang tinggi. Hasil akhir dari metode ini ditentukan dengan mengalikan frame dengan formula hamming windows. Persamaan hamming windows ditunjukkan pada Persamaan 2.3. w(n) = α β cos ( 2πn ), (2.3) N 1 Dimana : w(n) = windowing N = lebar filter n = waktu diskrit α = 0.54 β = Fast Fourier Transform (FFT) Frame-frame yang sudah difilter pada tahap sebelumnya masih mengacu pada domain waktu. Frame tersebut harus diubah dari yang mengacu pada domain waktu menjadi domain frekuensi. Algoritma yang digunakan untuk mengkonversi frame tersebut adalah Fast Fourier Transform (FFT). Algoritma tersebut merupakan pengembangan dari algoritma Discrete Fourier Transform (DFT). FFT digunakan karena memiliki pemrosesan yang lebih cepat dan lebih optimal dibandingkan dengan DFT. Selain menghasilkan frame yang mengacu pada domain frekuensi, FFT juga menghasilkan besaran power spectrum. Power spectrum adalah besaran kuat lemahnya frekuensi yang muncul di dalam frame. Rumus FFT untuk mengubah sinyal suara dari domain waktu ke domain frekuensi ditunjukkan pada Persamaan 2.4. F(k) = N n=1 f(n)cos (2πnm/N) j sin ( 2πnm N ) (2.4) Dimana : F(k) = hasil FFT f(n) = sinyal masukan N = jumlah sample n = indeks sample input dalam domain waktu m = indeks output dalam domain frekuensi

7 Mel-filtering Indra pendengaran manusia dalam mepersepsikan suatu suara memiliki daya tangkap yang lebih baik ketika suara tersebut memiliki frekuensi yang rendah dibandingkan dengan frekuensi yang tinggi. Misalnya dalam menangkap suara lolongan anjing yang berada dikejauhan, indra pendengaran manusia mampu lebih cepat mengenalinya dibandingkan dengan suara desingan pesawat jet yang memiliki frekuensi tinggi. Frekuensi linear pada sinyal suara tersebut dipersepsikan dengan menggunakan skala mel. Skala mel ini merupakan satuan dalam mengukur pola yang terbentuk dari ciri suatu pengenalan sinyal suara. Tahapan ini mengimplementasikan tahapan penerimaan persepsi pada manusia dengan mengubah frekuensi linear menjadi mel-spectrum. Mel-spectrum merupakan pola suara yang terbentuk dari besar kecil frekuensi yang mucul di dalam suatu area yang ada pada frame dan besarannya dihitung dalam skala mel. Sinyal suara frekuensi linear yang sudah berskala mel akan difilter sebanyak jumlah filter yang ditentukan agar menghasilkan pola suara yang disebut dengan mel-spectrum. Proses filter inilah yang mendasari tahapan ini diberi nama mel-filtering. Langkah awal pada tahapan ini yaitu membuat filterbank dengan mengubah frekuensi linear menjadi mel-frequency. Filterbank adalah susunan filter yang digunakan untuk memfilter frekuensi sinyal suara menjadi mel-spectrum. Melfrequency adalah skala frekuensi linear yang memiliki besaran nilai dibawah 1000 Hz dan besaran skala logaritmik diatas 1000 Hz. Satuan mel-frequency tidak lagi Hz melainkan mel. Sebelum diubah ke dalam skala mel, harus ditentukan terlebih dahulu frekuensi terendah dan tertinggi yang dimiliki suatu frekuensi linear. Kemudian ubah kedua frekuensi tersebut dengan menggunakan Persamaan 2.5. Mel-frequecy tersebut dipecah kedalam N jumlah filter dimana tiap mel-frequency memiliki selisih besaran yang sama berasarkan nilai mel-frequency terendah dan tertinggi. M(f) = 1125 x ln(1 + f/700) (2.5) Dimana : M(f) = mel-frequency f = frekuensi linear

8 14 Mel-frquency yang berjumlah N filter tersebut diubah kembali menjadi frekuensi linear. Proses pengubahan tersebut dihitung menggunakan Persamaan 2.6. Frekuensi linear tersebut dibulatkan menjadi nilai FFT berdasarkan nilai FFT bin terdekat. Pembulatan ini dilakukan karena nilai frekuensi linear yang didapat pada Persamaan 2.6 tidak memiliki resolusi yang tepat untuk meletakkan nilai frekuensi linear tersebut pada filterbank. Nilai FFT bin didapatkan dari setengah nilai FFT yang telah ditentukan. Prosesnya pembulatannya dihitung menggunakan Persamaan 2.7. M -1 (m) = 700 x (exp(m/1125) 1) (2.6) Dimana : M -1 (m) = frekuensi linear m = mel-frequency f(i) = floor((nfft + 1) x h(i) / S) (2.7) Dimana : f(i) = nilai FFT tiap frekuensi nfft = nilai FFT yang sudah ditentukan h(i) = frekuensi linear S = sampling rate Filter-filter yang sudah memiliki nilai tersebut kemudian disusun membentuk filterbank. Penyusunan filter ini dilakukan berdasarkan Persamaan 2.8. Sinyal suara yang masuk akan difilter menggunakan filterbank yang sudah tersusun tersebut. Tiap filter akan menganalisa dan membentuk pola kuat lemah frekuensi dari suatu frame di dalam sinyal suara berdasarkan power spectrum. Pola yang terbentuk inilah yang disebut dengan mel-spectrum dan menjadi ciri karakteristik suatu sinyal suara. Sinyal hasil mel-filtering didapatkan melalui Persamaan 2.9. H m (k) = { 0 k f(m 1) f(m) f(m 1) f(m+1) k f(m+1) f(m) 0 k<f(m 1) f(m 1) k f(m) f(m) k f(m+1) k >f(m+1) (2.8)

9 15 Dimana : H m (k) = mel-filterbank m = jumlah filter k = nilai FFT f = nilai FFT tiap filter H i = 2595 log( ) S i 2 (2.9) Dimana : H i = koefisien filterbank pada frekuensi j(1 i M) S i = magnitude spectrum pada frekuensi j Discrete Cosine Transform (DCT) Langkah ini merupakan tahapan terakhir dari algoritma MFCC yaitu mengubah melspectrum kembali ke dalam domain waktu. Hasilnya disebut dengan cepstral coefficient yang merupakan koefisien yang mencirikan suatu sinyal suara. Cepstral coefficient dihasilkan dengan menggunakan Persamaan 2.8. Jumlah cepstral coefficient yang dihasilkan sama dengan jumlah mel-spectrum yang diproses, tetapi hanya 12 cepstral coefficient terendah yang dipakai pada proses klasifikasi. Nilai pada koefisien ini disebut dengan vektor akustik yang menjadi variabel dalam menentukan ciri suatu suara. K c n = (logs k) cos [n(k 1 ) π k=1 ] (2.8) 2 K Dimana : S k = mel-spectrum c n = cepstral-coefficient K = jumlah koefisien 2.4. Vector Quantization (VQ) Vector Quantization (VQ) merupakan metode kompresi vektor akustik dan klasifikasi vektor akustik. VQ membuat proses klasifikasi suara menjadi lebih cepat dan efesien dengan mengkompres vektor akustik secara signifikan tetapi masih akurat dalam mempresentasikan nilai yang terkandung di dalam vektor akustik tersebut. Tanpa proses

10 16 ini, proses komputasi yang dilakukan sistem akan menjadi sangat kompleks dan hal ini akan membebani kinerja sistem. VQ melakukan kompresi vektor akustik dengan memetakan sejumlah vektor akustik ke dalam suatu suatu area terbatas yang terdapat pada suatu ruang vektor dua dimensi. Tiap area disebut dengan cluster dan tiap area diwakilkan dengan codeword. Codeword merupakan titik pusat (centroid) yang ada pada suatu area. Kumpulan dari codeword disebut dengan codebook. Codebook inilah yang menjadi referensi dalam proses klasifikasi data. Visualisasi codebook dapat dilihat pada gambar 2.2. Gambar tersebut tediri dari tiga elemen utama, yaitu titik berwarna hijau, bintang berwarna merah dan garis berwarna biru yang membentuk sebuah area. Codebook tersebut digambarkan pada suatu ruang dengan garis vertikal menunjukkan nilai imajiner vektor dan garis horizontal menunjukkan nilai real vektor. Titik berwarna hijau menunjukkan vektor akustik yang tersebar diseluruh ruang vektor. Bintang berwarna merah menunjukkan codeword yang menjadi representasi dari suatu cluster. Garis biru membatasi tiap cluster dan menjadi acuan posisi vektor akustik berada di cluster yang mana. Gambar 2.2 Contoh Codeword pada Ruang Vektor Dua Dimensi (Linde, et. al., 1980)

11 17 VQ terbagi menjadi dua proses utama, yaitu feature training dan matching. Feature training merupakan proses perekaman data latih dan memetakannya menjadi codebook yang menjadi referensi dalam melakukan proses klasifikasi. Proses feature training hanya memproses data latih, data uji akan langsung masuk proses matching. Matching merupakan proses klasifikasi dengan mencocokkan pola vektor akustik data uji dengan codebook data latih. Pada feature-training, vektor akustik data latih akan dipetakan menjadi codebook untuk kemudian disimpan ke dalam VQ model atau ke dalam database. VQ model adalah file berbentuk teks berekstensi vq. Proses pemetaan dan pembentukan codebook menggunakan algoritma LBG (Linde, Buzo, Gray) yang diimplementasikan pada proses rekursif berikut (Linde, et. al., 1980): 1. Rancang sebuah vektor codebook yang menjadi acuan dari keseluruhan vektor data latih. 2. Gandakan vektor codebook dengan membagi masing-masing codebook C n menurut aturan: C + n = C n (1 + ε) (2.9) C n = C n (1 + ε) (2.10) Dimana n bernilai dari 1 sampai ukuran codebook yang sudah ditentukan dan ε adalah parameter splitting yang bernilai 0, Nearest Neighbour Search Vektor data latih yang berkumpul pada area tertentu dikelompokkan. Untuk tiap vektor data latih, temukan codeword terdekat yang menjadi titik pusat codebook. Kelompokkan vektor data latih berdasarkan codeword terdekat yang akan membentuk sebuah cluster. 4. Buat codeword baru pada masing-masing cluster dengan menentukan titik pusat dari kumpulan vektor akustik yang ada di dalam cluster tersebut. 5. Iterasi 1 Lakukan pengulangan langkah 3 dan langkah 4 sampai jarak rata rata dibawah jarak rata ambang batas yang telah ditetapkan. 6. Iterasi 2 Lakukan pengulangan langkah 2, 3 dan 4 sampai codebook berukuran M.

12 18 Proses matching melakukan klasifikasi dengan memetakan vektor akustik data uji dengan codebook yang sudah dilatih pada feature training dan menghitung jarak ratarata terdekat. Hasil klasifikasi ditentukan dari jarak rata-rata antara vektor akustik data uji dengan codeword yang ada pada codebook. Jarak akustik data dengan codeword yang ada pada codebook disebut dengan VQ distortion. VQ distortion dihitung menggunakan Persamaan d(x i, y i ) k = j=1 (x 1 x 2 ) 2 + (y 1 + y 2 ) 2 (2.11) Dimana : x j = komponen ke-j dari vektor masukan y i = komponen ke-j dari codeword y i Proses klasifikasinya dimulai dengan memilih secara random codebook data latih yang akan dijadikan acuan. Kemudian hitung jumlah codeword yang ada pada codebook tersebut. Kelompokkan vektor akustik data uji ke dalam codebook tersebut berdasarkan jarak terdekat antar vektor akustik dengan codeword menjadi suatu cluster yang jumlahnya sama dengan jumlah codeword. Hitung rata-rata VQ distortion pada seluruh bagian codebook. Jika nilai rata-rata pada codebook tersebut sudah didapatkan, lakukan pengulangan proses pada semua codebook yang dijadikan referensi. Bandingkan nilai rata-rata tiap codebook. Codebook yang memiliki nilai terkecil merupakan codebook yang cocok dengan vektor akustik data uji yang masuk dan merupakan hasil dari proses klasifikasi Cloud Computing Cloud computing menjadi teknologi baru paling popular dan menjadi sebuah revolusi di dalam dunia teknologi komputer. Teknologi ini merubah cara pandang orang dalam menggunakan komputer dan memiliki dampak besar dalam industri teknologi informasi. Teknologi ini membuat orang-orang jadi ketergantungan terhadap internet. Karena internet berperan besar dalam penerapan teknologi cloud computing. Pemrosesan dan penyimpanan data semua dilakukan melalui perantara internet. Untuk mendefenisikan cloud computing, terlebih dahulu harus dijelaskan maksud penggunaan kata cloud yang dalam bahasa Indonesia berarti awan. Penggunaan kata cloud di dalam dunia teknologi pertama kali dipakai pada industri telepon di awal tahun

13 ketika Virtual Private Network (VPN) pertama kali dikenalkan (Hu, et. al., 2011). Daripada menggunakan kabel data untuk mengirimkan informasi, perusahaan telepon lebih memilih menggunakan VPN untuk menghubungkan provider dengan customers. VPN membuat provider menawarkan ukuran bandwidth yang sama tetapi biayanya lebih rendah dengan terus-menerus merubah rute jaringan secara real-time untuk mengakomodasi perubahan penggunaan jaringan yang selalu berubah-ubah. Hal ini membuat alur data dari provider ke costumers sangat sulit untuk diprediksi. Tanggung jawab provider dalam menjaga jaringan ini direpresentasikan sebagai awan (cloud). Penamaan cloud terus dipakai untuk proses dan pengiriman data yang tidak kelihatan bentuk fisik hardware untuk pemrosesannya oleh user dan pada masa sekarang merujuk pada internet sebagai medianya. Sehingga cloud computing dapat didefenisikan sebagai suatu teknologi yang pemrosesan, penyimpanan dan pengiriman data yang semuanya dilakukan melalui media internet. Defenisi ini divisualisasikan pada gambar 2.3. Gambar 2.3 Visualisasi Defenisi Cloud Computing (Hu, et. al., 2011) Cloud computing memungkinkan terjadinya pertukaran informasi antar perangkat yang berbeda-beda. Misalnya data yang diproses oleh komputer, hasil pemrosesannya dapat dilihat oleh smartphone. Hal ini bisa terjadi melalui application programming interfaces (API) yang ditanamkan pada masing-masing aplikasi pada tiap perangkat sama(hu, et. al., 2011). Bahasa pemrograman pada tiap aplikasinya biasanya bersifat object orientation yang memudahkan dalam proses pertukaran inforamsi antar perangkat. Kunci agar pemrosesannya lebih cepat dan lebih effisien terletak pada rancangan cloud software environment, bagaimana agar aplikasi mudah diakses, daya jangkau yang luas dan keamanan yang tinggi.

14 20 Cloud computing sangat bergantung pada internet, web service dan server. Tiga hal ini bisa menjadi kelemahan dan bisa juga menjadi kelebihan dari teknologi ini. Internet menjadi media penyampaian informasi pada cloud computing. Tanpa internet, pemrosesan pada teknologi cloud computing tidak akan berjalan dan dengan internet, user selalu bisa melihat hasil pemrosesan dimanapun dia berada dan pada perangkat apapun yang ia gunakan. Web service dan server saling berkaitan, karena web service merupakan sebuah pelayanan pemrosesan yang dilakukan di internet berdasarkan script-script perintah yang disimpan di dalam server. Server menjadi tempat penyimpanan segala hasil dan pemrosesan yang dilakukan cloud computing. Hal ini menjadi kelemahan dari sisi privasi dan keamanan, karena jika server berhasil dibobol oleh pihak tertentu maka seluruh data hasil pemrosesan yang ada di server bisa diketahui dan dipergunakan untuk memperoleh keuntungan financial yang merugikan banyak pihak (Ahmed & Hossain, 2014). Dan disisi lain, penggunaan server dan web service ini membuat pemrosesan diperangkat lebih cepat dan tidak memerlukan ruang penyimpanan pada perangkat. Oleh karena itu, pihak developer yang ingin menerapkan cloud computing pada aplikasinya harus menerapkan tingkat keamanan yang tinggi agar user yang menggunakan aplikasinya menjadi lebih nyaman Representational State Transfer (REST) REST adalah suatu model arsitektur aplikasi yang membuat data ditampilkan, diakses dan dimodifikasi di internet (Hamad, et. al., 2010). Di dalam arsitektur REST, data dan fungsi-fungsinya berada di dalam suatu sumber dan sumber tersebut diakses menggunakan Uniform Resource Identifier (URL) atau bisa dikatakan REST bekerja dengan bernavigasi melalui URL untuk melaksanakan aktivitas tertentu. Arsitektur REST dibuat berdasarkan arsitektur client-server dan dirancang menggunakan protocol HTTP (Hamad, et. al., 2010). Hal inilah yang membuat REST menjadi ringan dan memiliki performa yang handal. RESTful adalah web service yang dirancang berdasarkan arsitektur REST. RESTful mengakses suatu sumber data atau fungsi melalui web URL dan menggunakan empat metode utama HTTP untuk menciptakan, mendapatkan, memodifikasi dan menghapus data atau fungsi dari sumbernya. Empat metode utama HTTP yang digunakan oleh RESTful yaitu CREATE untuk menciptakan, GET untuk mendapatkan, UPDATE untuk memodifikasi dan DELETE untuk menghapus. Web service ini

15 21 menjadi salah satu elemen penting dalam menerapkan teknologi cloud computing karena prinsipnya yang menghubungkan antar perangkat melalui jaringan internet. Kelebihan yang dimiliki RESTful sebagai sebuah web service dijelaskan sebagai berikut (Hamad, et. al., 2010): 1. Waktu dalam merespon dan memuat data lebih sedikit dibandingkan web service lain 2. Meningkatkan jangkauan server dengan mengurangi kebutuhan untuk menjaga bentuk komunikasi. 3. Hanya memerlukan sebuah browser untuk mengakses aplikasi apapun dan dari sumber manapun. 4. Tidak membutuhkan mekanisme tambahan untuk mengakses suatu sumber yang terpisah karena arsitekturnya sudah dirancang untuk mengatasi hal tersebut. 5. Memiliki kemampuan menambahkan dukungan untuk jenis konten baru tanpa mengurangi dukungan terhadap konten yang lama Penelitian Terdahulu Jafar et al (2013) menggunakan algoritma MFCC untuk melakukan fitur ekstraksi dan menggunakan algoritma k-nearest Neighbour (knn) untuk melakukan proses identifikasi jenis katak berdasarkan suaranya. Sebanyak 750 data latih dari 15 jenis katak yang ada dihutan Malaysia direkam dengan sampling rate Hz. Data latih direkam terus selama 4 jam tanpa henti. Penelitian ini menunjukkan bahwa kolaborasi MFCC dengan knn untuk mengidentifikasi 15 jenis katak di hutan Malaysia menghasilkan akurasi sebesar 85,7%. Astuti et al (2011) menggunakan algoritma MFCC untuk melakukan fitur ekstraksi dan menggunakan algoritma Support Vector Machine (SVM) untuk melakukan proses identifikasi jenis burung berdasarkan suaranya. Aktivitas dari beberapa burung tertentu yang tidak normal menjadi acuan akan terjadinya suatu bencana alam. Penelitian ini mengklasifikasi 7 jenis burung dengan proses perekaman suara menggunakan sampling rate Hz. Penelitian ini menunujukkan bahwa kolaborasi MFCC dengan SVM untuk mengidentifikasi 7 jenis burung menghasilkan akurasi sebesar 98%. Chen et al (2015) menggunakan algoritma MFCC untuk melakukan fitur ekstraksi dan menggunakan kolaborasi algoritma SVM-kNN untuk melakukan proses identifikasi

16 22 jenis hewan nocturnal berdasarkan suaranya. Sebanyak 339 data latih dari 18 jenis hewan nocturnal direkam dengan sampling rate Hz. Penelitian ini menunjukkan bahwa kolaborasi MFCC dengan SVM-kNN untuk mengidentifikasi 18 jenis hewan nocturnal menghasilkan akurasi sebesar 92%. Ismail et al (2014) menggunakan algoritma MFCC untuk melakukan fitur ekstraksi dan menggunakan algoritma Vector Quantization (VQ) untuk melakukan pengecekan tajwid Qalqalah pada pembacaan surat Al-Ikhlas di dalam Al-Quran. Qalqalah terbagi menjadi dua jenis yaitu Sughrah dan Kubrah. Data latih diambil dari Qalqalah yang muncul pada surat Al-Ikhlas dan tiap-tiap Qalqalah dilakukan perekaman data latih sebanyak 10 data latih sehingga total 20 data latih. Penelitian ini menunjukkan bahwa kolaborasi MFCC dengan VQ untuk melakukan pengecekan tajwid Qalqalah pada pembacaan surat Al-Ikhlas di dalam Al-Quran menghasilkan akurasi sebesar 94,5%. Kubakaddi et al (2015) menggunakan algoritma MFCC untuk melakukan fitur ekstraksi dan menggunakan algoritma Vector Quantization (VQ) mengidentifikasi pembicara berdasarkan suaranya. Data latih diambil dari 8 orang yang berbeda. Penelitian ini menunjukkan bahwa kolaborasi MFCC dengan VQ untuk mengidentifikasi 8 pembicara menghasilkan akurasi sebesar 98%. Tabel 2.1. Penelitian Terdahulu No Peneliti/Tahun Algoritma Keterangan 1 Jaafar et al/2013 Mel-frequency Cepstral Coefficients k-nearest Neighbour Identifikasi jenis katak yang di hutan Malaysia berdasarkan suaranya Data latih berjumlah 750 data latih dari 15 jenis katak Sampling rate sebesar Hz Tingkat akurasi keberhasilan klasifikasi sebesar 85,7%. 2 Astuti et al/2011 Mel-frequency Cepstral Coefficients Support Vector Machine Identifikasi jenis burung untuk mengetahui aktivitas tidak normal yang menandakan akan terjadinya bencana berdasarkan suaranya

17 23 Tabel 2.1. Penelitian Terdahulu (Lanjutan) No Peneliti/Tahun Algoritma Keterangan 2 Astuti et al/2011 Mel-frequency Cepstral Coefficients Support Vector Machine Tingkat akurasi keberhasilan klasifikasi sebesar 98%. Jumlah jenis burung yang diidentifikasi sebanyak 7 jenis 3 Chen et al/2015 Mel-frequency Cepstral Coefficients k-nearest Neighbour Support Vector Machine 4 Ismail et al/2014 Mel-frequency Cepstral Coefficients Vector Quantization Identifikasi jenis hewan nocturnal berdasarkan suaranya Data latih berjumlah 399 data latih dari 18 jenis hewan nocturnal Sampling rate sebesar Hz Tingkat akurasi keberhasilan klasifikasi sebesar 92%. Pengecekan tajwid Qalqalah pada surat Al- Ikhlas di dalam bacaan Al- Quran Qalqalah yang diidetifikasi terdiri dari dua jenis yaitu Sughrah dan Kubrah Jumlah data latih sebanyak 20 data latih Tingkat akurasi keberhasilan klasifikasi sebesar 94,5%. 5 Kubakaddi et al/2015 Mel-frequency Cepstral Coefficients Vector Quantization Pengidentifikasian pembicara berdasarkan suaranya Data latih diambil dari 8 pembicara yang berbedabeda Tingkat akurasi keberhasilan klasifikasi sebesar 98%.

18 24 Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah penelitian ini mendeteksi keberadaan katak berdasarkan suaranya, bukan melakukan identifikasi jenis katak. Hasil klasifikasinya hanya menunjukkan apakah suara yang berhasil direkam suara katak atau bukan. Adapun metode yang diimplementasikan pada penelitian ini adalah sebagai berikut: 1. Metode fitur ekstraksi menggunakan algoritma Mel-frequency Cepstral Coefficients (MFCC) yang mengubah sinyal suara menjadi koefisien-koefisien yang memiliki nilai vektor akustik sebagai ciri suatu sinyal suara. 2. Metode klasifikasi dengan menggunakan algoritma Vector Quantization (VQ). Algoritma ini terbagi menjadi dua tahapan yaitu feature training yang berfungsi untuk membentuk codebook dan matching yang berfungsi untuk melakukan klasifikasi berdasarkan jarak terdekat vektor akustik yang masuk dengan codeword pada codebook. 3. Konversi hasil klasifikasi menjadi notifikasi yang akan ditampilkan pada smartphone dengan menerapkan teknologi cloud computing dalam pemrosesannya.

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

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

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

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

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

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

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

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

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

SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR

SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR SISTEM PENGENALAN PENUTUR DENGAN METODE MEL-FREQUENCY WRAPPING DAN KUANTISASI VEKTOR Ali Mustofa Jurusan Teknik Elektro, Universitas Brawijaya Email: a_tofa@yahoo.com Abstrak - Pengenalan penutur adalah

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

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

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

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 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

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

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Suara Suara adalah sebuah sinyal yang merambat melalui media perantara. suara dapat didefinisikan sebagai gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara

Lebih 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

IMPLEMENTASI SPEAKER RECOGNITION UNTUK OTENTIKASI MENGGUNAKAN MODIFIED MFCC VECTOR QUANTIZATION ALGORITMA LBG

IMPLEMENTASI SPEAKER RECOGNITION UNTUK OTENTIKASI MENGGUNAKAN MODIFIED MFCC VECTOR QUANTIZATION ALGORITMA LBG ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1453 IMPLEMENTASI SPEAKER RECOGNITION UNTUK OTENTIKASI MENGGUNAKAN MODIFIED MFCC VECTOR QUANTIZATION ALGORITMA LBG SPEAKER RECOGNITION

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

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

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

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

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

Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi

Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi A476 Rancang Bangun Aplikasi Pendeteksi Suara Tangisan Bayi Welly Setiawan Limantoro, Chastine Fatichah, dan Umi Laili Yuhana Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi

Lebih terperinci

IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA

IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA Yusup Miftahuddin 1) Mira Musrini B 2) Muhammad Rifqi Hakim 3) 1) 2) 3) Teknik Informatika

Lebih 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

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

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

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

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

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

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

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 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

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

Verifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW

Verifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW Verifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW Darma Putra 1, Adi Resmawan 2 1 Staff pengajar Teknologi Informasi, Fakultas Teknik, Universitas Udayana 2 Alumni Teknik Elektro, Fakultas Teknik,

Lebih terperinci

IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO

IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO IDENTIFIKASI TUTUR DENGAN METODE KUANTISASI VEKTOR LINDE - BUZO - GRAY TUGAS AKHIR OLEH: YOHANES AGUNG SANTOSO PRANOTO 02.50.0020 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS KATOLIK

Lebih 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 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

PERBANDINGAN METODE KUANTISASI VEKTOR DAN MODEL MARKOV TERSEMBUNYI PADA PENGENALAN PEMBICARA BERBAHASA INDONESIA TESIS

PERBANDINGAN METODE KUANTISASI VEKTOR DAN MODEL MARKOV TERSEMBUNYI PADA PENGENALAN PEMBICARA BERBAHASA INDONESIA TESIS PERBANDINGAN METODE KUANTISASI VEKTOR DAN MODEL MARKOV TERSEMBUNYI PADA PENGENALAN PEMBICARA BERBAHASA INDONESIA TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut

Lebih terperinci

BAB 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM 20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer

Lebih terperinci

PENGENALAN JENIS IKAN DENGAN METODE HIDDEN MARKOV MODEL MENGGUNAKAN DSK TMS320C6713 SKRIPSI

PENGENALAN JENIS IKAN DENGAN METODE HIDDEN MARKOV MODEL MENGGUNAKAN DSK TMS320C6713 SKRIPSI PENGENALAN JENIS IKAN DENGAN METODE HIDDEN MARKOV MODEL MENGGUNAKAN DSK TMS320C6713 SKRIPSI Oleh ARIO MUHAMAD FANIE 0403030195 DEPARTEMEN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS INDONESIA GANJIL 2007/2008

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

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 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM 21 BAB 3 PERANCANGAN SISTEM Sebelum citra tanda tangan dikenali dengan menggunakan Hidden Markov Model (HMM) citra tanda tangan tersebut ditransmisikan dengan dikompresi menggunakan Run Length Encoding

Lebih terperinci

Implementation of Voice Recognition Based Key Using Mel Frequency Cepstral Coefficient (MFCC)

Implementation of Voice Recognition Based Key Using Mel Frequency Cepstral Coefficient (MFCC) ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 3998 IMPLEMENTASI KUNCI BERBASIS SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) Implementation of Voice

Lebih terperinci

BAB I PENDAHULUAN. 2012). Penelitian yang dilakukan oleh Bosma dkk. (1965), menemukan bahwa

BAB I PENDAHULUAN. 2012). Penelitian yang dilakukan oleh Bosma dkk. (1965), menemukan bahwa BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Orang tua memiliki keinginan yang mendalam untuk menenangkan bayinya yang gelisah, tidak berdaya, dan frustrasi akibat menangis terus menerus (Dunstan, 2012).

Lebih 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 SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1

BAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1 BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi

Lebih terperinci

EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON

EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Indonesia

BAB 1 PENDAHULUAN. Universitas Indonesia BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya teknologi telekomunikasi, internet menjadi sesuatu yang tidak lagi sulit dan mahal. Kemudahan ini menyebabkan internet dipenuhi berbagai

Lebih terperinci

Pengenalan Karakter Suara Laki-Laki Aceh Menggunakan Metode FFT (Fast Fourier Transform)

Pengenalan Karakter Suara Laki-Laki Aceh Menggunakan Metode FFT (Fast Fourier Transform) Pengenalan Karakter Suara Laki-Laki Menggunakan Metode FFT (Fast Fourier Transform) Mursyidah 1, Jamilah 2, Zayya 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer,

Lebih terperinci

BAB I PENDAHULUAN I.1 Latar Belakang

BAB I PENDAHULUAN I.1 Latar Belakang BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.

Lebih terperinci

Kata Kunci: Suara; Mel Frequency Cepstral Coefficient; K-NEAREST NEIGHBOUR

Kata Kunci: Suara; Mel Frequency Cepstral Coefficient; K-NEAREST NEIGHBOUR 120 Dielektrika, [P-ISSN 2086-9487] [E-ISSN 2579-650X] Vol. 4, No. 2 : 120-126, Agustus 2017 KLASIFIKASI SUARA BERDASARKAN USIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN K-NEAREST NEIGHBOUR

Lebih 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

BAB 4 HASIL UJI COBA DAN ANALISIS

BAB 4 HASIL UJI COBA DAN ANALISIS 38 BAB 4 HASIL UJI COBA DAN ANALISIS Uji coba dilakukan terhadap 5 buah citra tanda tangan. Dari tiap citra kemudian diujicobakan dengan ditransmisikan sebanyak 1 kali yang akan menghasilkan 1 variasi

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman

Lebih terperinci

IDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT

IDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT IDENTIFIKASI PARAMETER OPTIMAL GAUSSIAN MIXTURE MODEL PADA IDENTIFIKASI PEMBICARA DI LINGKUNGAN BERDERAU MENGGUNAKAN RESIDU DETEKSI ENDPOINT Yanuar Risah Prayogi 1), Joko Lianto Buliali 2) 1, 2) Jurusan

Lebih terperinci

BAB 3 PERANCANGAN SISTEM. yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk

BAB 3 PERANCANGAN SISTEM. yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Voice Command pada demonstrasinya merupakan aplikasi pengenalan suara yang akan menjalankan perintah-perintah yang dikenali. Sistem ini dibuat untuk menampung

Lebih 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

Bab 1. Pendahuluan. aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi

Bab 1. Pendahuluan. aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi 1 Bab 1 Pendahuluan 1.1 Latar Belakang Di era teknologi informasi khususnya internet, keberadaan sistem proteksi yang aman semakin diperlukan untuk menjamin keamanan data. Berbagai solusi proteksi tersedia

Lebih terperinci

Perintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization

Perintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization Perintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization Neneng Nurhamidah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA

Lebih 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

PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING

PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas

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 Muhammad Agung Nursyeha, Muhammad Rivai, dan Suwito Teknik Elektro, Fakultas

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

PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI

PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR ARVIANI RIZKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR PERNYATAAN

Lebih 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

Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM)

Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM) IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Pengenalan Gender Melalui Suara dengan Algoritma Support Vector Machine (SVM) Adi Rinaldi *1, Hendra 2, Derry Alamsyah 3 1,2 STMIK GI MDP; Jl. Rajawali

Lebih terperinci

Seminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016

Seminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016 IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky

Lebih 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

Hubungan 1/1 filter oktaf. =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz

Hubungan 1/1 filter oktaf. =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz Hubungan 1/1 filter oktaf f 1 f 2 f 1 = 2 1/2f c f 1 = 2 1/2f c f 1 = 2f c1 = frekuensi tengah penyaring =Frekuesi aliran rendah (s/d -3dB), Hz =Frekuesi aliran tinggi (s/d -3dB), Hz Analisis oktaf sepertiga,

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 LAFAL HUKUM NUN MATI MENGGUNAKAN HIDDEN MARKOV MODEL

PENGENALAN LAFAL HUKUM NUN MATI MENGGUNAKAN HIDDEN MARKOV MODEL Jurnal LOG!K@, Jilid 6, No. 1, 2016, Hal. 1-10 ISSN 1978 8568 PENGENALAN LAFAL HUKUM NUN MATI MENGGUNAKAN HIDDEN MARKOV MODEL Agus Jamaludin, Arief Fatchul Huda, dan Rini Sahyandari Program Studi Matematika

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Tetris Tetris adalah sebuah tipe permainan yang dibuat oleh seorang programmer berkebangsaan Rusia yang bernama Alexey Pajitnov pada tahun 1984 dan semenjak saat itu game tetris

Lebih terperinci

Warble Of Lovebird Classification Using Mel Frequency Cepstral Coefficient (MFCC)

Warble Of Lovebird Classification Using Mel Frequency Cepstral Coefficient (MFCC) ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2968 KLASIFIKASI SUARA LOVEBIRD DENGAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN FUZZY LOGIC Warble Of Lovebird Classification

Lebih 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

BAB 2 DASAR TEORI. Penerapan hidden..., Leni Nur Hidayati, FT UI, 2010.

BAB 2 DASAR TEORI. Penerapan hidden..., Leni Nur Hidayati, FT UI, 2010. 4 BAB 2 DASAR TEORI Transmisi dari citra adalah hal penting dalam komunikasi citra interaktif pada beberapa aplikasi seperti pengamatan jarak jauh (remote surveillance), pembelanjaan elektronik (electronic

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

BAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk

BAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk 6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada

Lebih terperinci

APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM)

APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) Eko Widiyanto, Sukmawati Nur Endah, Satriyo Adhy, Sutikno Jurusan Ilmu Komputer/Informatika,

Lebih 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

Sistem Pengenalan Kata Bahasa Indonesia Berbasis LabVIEW untuk Pengendalian Peralatan Ruang Perkuliahan

Sistem Pengenalan Kata Bahasa Indonesia Berbasis LabVIEW untuk Pengendalian Peralatan Ruang Perkuliahan 1 Sistem Pengenalan Kata Bahasa Indonesia Berbasis LabVIEW untuk Pengendalian Peralatan Ruang Perkuliahan Indonesian Word Recognition System using LabVIEW for Controlling Equipment in the Lecture Hall

Lebih terperinci

Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows

Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows 1 Muhammad Anggia Muchtar, 2 Raisha Ariani Sirait, 3 Romi Fadillah Rahmat 1,2,3 Program Studi S1 Teknologi Informasi

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

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

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

APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH

APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

Lebih terperinci

6 ANALISIS DAN PEMBAHASAN

6 ANALISIS DAN PEMBAHASAN 155 6 ANALISIS DAN PEMBAHASAN 6.1 Analisis Simulasi Perubahan Fase 6.1.1 Spektrum gerakan ikan-ikanan berukuran 20 x 25 cm Untuk memperoleh spektrum frekuensi dari gelombang ikan-ikanan berukuran 20 x

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

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

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Tinjauan pustaka yang dipergunakan dalam penelitian disajikan melalui

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Tinjauan pustaka yang dipergunakan dalam penelitian disajikan melalui BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Tinjauan pustaka yang dipergunakan dalam penelitian disajikan melalui tabel berbandingan pada tabel 2.1. Tabel 2.1. Tabel Pembanding Penelitian

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

PenerapanHidden Markov Model (HMM) pada Pengenalan Penutur

PenerapanHidden Markov Model (HMM) pada Pengenalan Penutur Jatisi, Vol. 1 No. 1 September 2014 111 PenerapanHidden Markov Model (HMM) pada Pengenalan Penutur Mukhlisa* 1, Maryati Gultom 2, Derry Alamsyah 3 1,2,3 STMIK GI MDP; Jln. Rajawali No. 14, 0711 376400

Lebih terperinci

BAB II LANDASAN TEORI. Konsep ini pertama kali diperkenalkan oleh Fritz Bauer, yang menerapkan

BAB II LANDASAN TEORI. Konsep ini pertama kali diperkenalkan oleh Fritz Bauer, yang menerapkan 6 BAB II LANDASAN TEORI 2.1 Konsep Dasar Rekayasa Piranti Lunak Konsep ini pertama kali diperkenalkan oleh Fritz Bauer, yang menerapkan beberapa syarat dalam merekayasa suatu piranti lunak yang kita buat

Lebih terperinci

BAB I PENDAHULUAN. seseorang, ataupun takut terhadap sesuatu (Frieda, 1993). Kondisi

BAB I PENDAHULUAN. seseorang, ataupun takut terhadap sesuatu (Frieda, 1993). Kondisi BAB I PENDAHULUAN 1.1 Latar Belakang Emosi adalah perasaan intens yang ditujukan kepada seseorang atau sesuatu dan juga merupakan reaksi terhadap seseorang atau kejadian. Emosi dapat ditunjukkan ketika

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