PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI

Transkripsi

1 PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI SKRIPSI I GEDE ARYA MAHARTA NIM JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA BUKIT JIMBARAN 2015 i

2 SURAT PERNYATAAN KEASLIAN KARYA ILMIAH Yang bertanda tangan di bawah ini menyatakan bahwa naskah Skripsi dengan judul: Penerapan Metode Hidden Markov Model dan Mel Frecuency Cepstral Coefficient dalam Pengenalan Voice Command Berbahasa Indonesia Nama : I Gede Arya Maharta NIM : Program Studi : Teknik Informatika aryamhrt@gmail.com Nomor telp/hp : Alamat : Jalan Tukad Yeh Biu Gang Pudak no. 7, Denpasar, Bali Belum pernah dipublikasikan dalam dokumen skripsi, jurnal nasional maupun internasional atau dalam prosiding manapun, dan tidak sedang atau akan diajukan untuk publikasi di jurnal atau prosiding manapun. Apabila di kemudian hari terbukti terdapat pelanggaran kaidah-kaidah akademik pada karya ilmiah saya, maka saya bersedia menanggung sanksi-sanksi yang dijatuhkan karena kesalahan tersebut, sebagaimana diatur oleh Peraturan Menteri Pendidikan Nasional Nomor 17 Tahun 2010 tentang Pencegahan dan Penanggulangan Plagiat di Perguruan Tinggi. Demikian Surat Pernyataan ini saya buat dengan sesungguhnya untuk dapat dipergunakan bilamana diperlukan. Denpasar, 18 Agustus 2015 Yang membuat pernyataan, (I Gede Arya Maharta) NIM

3 LEMBAR PENGESAHAN TUGAS AKHIR Judul : Penerapan Metode Hidden Markov Model dan Mel Frequency Cepstrum Coefficient dalam Pengenalan Voice Command Berbahasa Indonesia Kompetensi : Komputasi Nama : I Gede Arya Maharta NIM : Tanggal Seminar : 7 Juli 2015 Pembimbing I Disetujui oleh: Penguji I Agus Muliantara, S.Kom.,M.Kom. NIP I Gede Santi Astawa, S.T., M.Cs. NIP Pembimbing II Penguji II Ngurah Agus Sanjaya, ER, S.Kom., M.Kom. NIP Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs. NIP Penguji III I Dewa Made Bayu Atmaja Darmawan, S.Kom, M.Cs. NIP Mengetahui, Jurusan Ilmu Komputer FMIPA UNUD Ketua, Drs. I Wayan Santiyasa, M.Si NIP ii

4 Judul : Penerapan Metode Hidden Markov Model dan Mel Frecuency Cepstral Coefficient dalam Pengenalan Voice Command Berbahasa Indonesia Nama : I Gede Arya Maharta Pembimbing : 1. Agus Muliantara, S.Kom., M.Kom. 2. Ngurah Agus Sanjaya, ER, S.Kom., M. Kom. ABSTRAK Suara adalah cara berkomunikasi yang paling sederhana dan sering digunakan sesama manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi juga terjadi antara manusia dan perangkat-perangkat seperti komputer. Pengenalan suara atau Automatic Speech Recognition (ASR) adalah teknik untuk mendukung interaksi antara manusia dan komputer yang saat ini menjadi salah satu hal yang sangat potensial bagi para peneliti untuk dikembangkan. ASR memungkinkan komputer untuk menerima masukan berupa kata yang diucapkan untuk kemudian dikenali dengan cara mengolah sinyal digital yang terkandung. Dalam penelitian ini dirancang sebuah sistem pengenalan intruksi suara dalam bahasa Indonesia menggunakan metode ekstraksi fitur Mel Frecuency Cepstral Coefficient (MFCC) dan metode pengenalan Hidden Markov Model (HMM). Serta menggunakan teknik segmentasi kata berdasarkan energi sinyal untuk memecah wicara menjadi satuan kata untuk lebih mudah dikenali. Berdasarkan penelitian dan pengujian yang dilakukan terhadap 20 kata pada dataset, sistem mampu mengenali intruksi suara yang dengan panjang kata bervariasi antara 2 hingga 4 kata dengan tingkat akurasi mencapai 92,49%. Parameter-parameter pelatihan yang paling optimal yang diperoleh adalah jumlah dataset pelatihan 5, jumlah filter-bank 24 filter, iterasi pelatihan maksimal 5 kali, dan jumlah state 3 untuk setiap model. Kata Kunci: Speech Recognition, MFCC, HMM, Instruksi Suara, Segmentasi Wicara iii

5 Title Name Supervisor : Penerapan Metode Hidden Markov Model dan Mel Frecuency Cepstral Coefficient dalam Pengenalan Voice Command Berbahasa Indonesia : I Gede Arya Maharta : 1. Agus Muliantara, S.Kom., M.Kom. 2. Ngurah Agus Sanjaya, ER, S.Kom., M. Kom. ABSTRACT As we know, speech is the simplest way to communicate with other person. But, along with the development and innovation in the technology which goes rapidly, present communication processes also occurred between human and devices such as computer. Speech recognition or also known as Automatic Speech Recognition (ASR) is a technique developed to assist the human computer interaction now becomes one of potential research object for many researchers. ASR allows computer devices to receive information in form of words or sentences spoken by the human and then recognized by the system using information contained in the speech signal. In this research, voice command recognition in Indonesian language is designed by using Mel Frequency Cepstral Coefficient (MFCC) as feature extraction method, and Hidden Markov Model (HMM) as the recognition method. The signal energy based segmentation is also performed to split the speech utterance from speaker to several word segments because the system works on word level recognition (Isolated Word Recognition). Based in the research and testing for 20 determined words in the system dataset, obtained that system is capable to recognize speech commands correctly with various word length from 2 to 4 words with 92, 49% accuracy. The optimal training parameters resulted from the experiment are number of training dataset 5 sample for each word, 24 filter-banks, 5 maximum iteration of training, and 3 states for each word model Kata Kunci: Speech Recognition, MFCC, HMM, Voice Command, Speech Segmentation iv

6 KATA PENGANTAR Penelitian dengan judul Penerapan Metode Hidden Markov Model dan Mel Frecuency Cepstral Coefficient dalam Pengenalan Voice Command Berbahasa Indonesia ini disusun dalam rangkaian kegiatan pelaksanaan Tugas Akhir di Jurusan Ilmu Komputer FMIPA UNUD. Penelitian ini dilaksanakan pada periode Januari 2015 hingga Juni 2015 di Universitas Udayana. Sehubungan dengan telah terselesaikannya penelitian ini, maka diucapkan terimakasih dan penghargaan kepada berbagai pihak yang telah membantu pengusul, antara lain 1. Bapak Agus Muliantara, S.Kom, M.Kom sebagai Pembimbing I yang telah membantu dalam penyelesaian penelitian ini; 2. Bapak Ngurah Agus Sanjaya, ER, S.Kom., M.Kom sebagai Pembimbing II yang telah bersedia meluangkan waktunya dalam penyelesaian penelitian ini; 3. Bapak Drs. I Wayan Santiyasa selaku Ketua Jurusan Ilmu Komputer Universitas Udayana yang telah banyak memberikan masukan dan motivasi sehingga memperlancar dalam proses pelaksanaan penelitian ini; 4. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer yang bersedia meluangkan waktunya untuk memberikan masukan dalam penyempurnaan penelitian ini; 5. Kawan-kawan di Jurusan Ilmu Komputer yang telah memberikan dikungan moral dalam penyelesaian penelitian ini. Disadari pula bahwa sudah tentu penelitian ini masih mengandung kelemahan dan kekurangan. Memperhatikan hal ini, maka masukan dan saran-saran penyempurnaan sangat diharapkan Denpasar, Juli 2015 Penulis v

7 DAFTAR ISI SKRIPSI... i LEMBAR PENGESAHAN TUGAS AKHIR... Error! Bookmark not defined. ABSTRAK... iii ABSTRACT... iv KATA PENGANTAR... v DAFTAR ISI... vi DAFTAR GAMBAR... x DAFTAR TABEL... xii DAFTAR LAMPIRAN... xiii BAB I... 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Metodelogi Penelitian Desain Penelitian Pengumpulan data Pengolahan Data Awal Metode yang Digunakan... 6 BAB II... 7 vi

8 TINJAUAN PUSTAKA Suara (Wicara) Karakteristik Sinyal Suara Representasi Sinyal Suara Energi Sinyal Suara Filter pada Sinyal Suara Automatic Speech Recognition (ASR) Karakteristik Sistem Pengenalan Suara Klasifikasi Sistem Pengenalan Suara Mel Frequency Cepstrum Coefficient(MFCC) Hidden Markov Model (HMM) Markov Model Hidden Markov Model Penyelesaian masalah dengan HMM Pemodelan Unit Wicara BAB III ANALISIS DAN PERANCANGAN SISTEM Kebutuhan Fungsional Melakukan Pre-Processing Melakukan Ekstraksi Fitur Suara Melakukan Pendeteksian Batasan Kata pada Suara Melakukan Pengenalan Instruksi yang Diucapkan Rancangan Data Rancangan Antarmuka Sistem vii

9 3.4 Rancangan Pengolahan Data Preprocessing Ekstraksi Fitur Pelatihan HMM Segmentasi Kata Pengenalan Suara Pengujian dan Evaluasi BAB IV HASIL DAN PEMBAHASAN Implementasi Sistem Implementasi Proses Ekstraksi Fitur Implementasi Inisialisasi Model HMM Implementasi Pelatihan Parameter Model HMM Implementasi Proses Segmentasi Sinyal Suara Implementasi Proses Pengenalan Insruksi Tampilan Antarmuka Pengenalan Intruksi Suara Hasil Pengujian Sistem Pengujian Terhadap Jumlah Dataset per Kata Pengujian Terhadap Jumlah Filter-Bank Pengujian Terhadap Jumlah Iterasi Maksimum Pelatihan HMM Pengujian Terhadap Jumlah State Model HMM Pengujian Dengan Parameter Optimal Pengujian Durasi Pengucapan Instuksi viii

10 BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN ix

11 DAFTAR GAMBAR Gambar 2.1 Tiga Representasi Sinyal Suara... 8 Gambar 2.2 Sinyal Domain Waktu dan Domain Frekuensi... 9 Gambar 2.3 Diagram Sistem Pengenalan Suara. Tahap training(a), tahap pengenalan(b) Gambar 2.4 Proses FrameBlocking Gambar 2.5 Contoh hasil Windowing sinyal suara Gambar 2.6 Mel Filter Bank dengan 24 buah filter Gambar 2.7 Parameter Probabilistik pada Hidden Markov Model Gambar 2.8 Diagram Treilis Untuk Perhitungan Prosedur Maju Gambar 2.9 Proses Rekursif Untuk Menentukan Jalur Terpendek Menggunakan Algoritma Viterbi Gambar 3.1 Rancangan tampilan awal sistem Gambar 3.2 Rancangan tampilan input parameter training Gambar 3.3 Rancangan tampilan pengenalan suara Gambar 3.4 Rancangan tampilan segmen kata Gambar 3.5 Flowchart preprocessing Gambar 3.6 Flowchart proses ekstraksi fitur suara Gambar 3. 7 Ilustrasi Hidden Markov Model Gambar 3.8 Flowchart proses pelatihan model HMM Gambar 3.9 Flowchart proses segmentasi kata Gambar 3.10 Flowchart proses pengenalan kata Gambar 4.1 Sinyal suara untuk kata ac Gambar 4.2 Fitur sinyal suara untuk kata ac Gambar 4.3 Kandidat batas kata untuk kalimat tolong turunkan volume tv Gambar 4.4 Batas kata hasil segmentasi untuk kalimat tolong turunkan volume tv Gambar 4.5 Tampilan Antarmuka Sistem x

12 Gambar 4.6 Antarmuka Input Parameter Pelatihan HMM Gambar 4.7 Tampilan Proses Pelatihan Model HMM Gambar 4.8 Tampilan Hasil Pengenalan Instruksi Gambar 4.9 Grafik Pengaruh Jumlah Filter-Bank Terhadap Akurasi Pengenalan 54 Gambar 4.10 Grafik Pengaruh Jumlah Iterasi Terhadap Akurasi Pengenalan Gambar 4.11 Grafik Pengaruh Jumlah State Terhadap Akurasi Pengenalan Gambar 4.12 Hasi Segmentasi Intruksi dengan Durasi 0-1,5 detik Gambar 4.13 Hasi Segmentasi Intruksi dengan Durasi 1,5-2,5 detik Gambar 4.14 Hasi Segmentasi Intruksi dengan Durasi 2,5-4 detik xi

13 DAFTAR TABEL Tabel 4.1 Sintaks Proses Ekstraksi Fitur Tabel 4.2 Sintaks Proses Inisialisasi Model HMM Tabel 4.3 Sintaks Proses Pelatihan Model HMM Tabel 4.4 Sintaks Proses Segmentasi Sinyal Suara Tabel 4.5 Sintaks Fungsi Segmentasi Sinyal Suara Tabel 4.6 Sintaks Proses Pengenalan Instruksi Tabel 4.7 Hasil Pengujuan Terhadap Jumlah Dataset yang Digunakan Tabel 4.8 Hasil Pengujuan Terhadap Jumlah Filter-Bank Tabel 4.9 Hasil Pengujian Terhadap Jumlah Iterasi Maksimum Pelatihan HMM 55 Tabel 4.10 Hasil Pengujian Terhadap Jumlah State Model HMM Tabel 4.11 Hasil Pengujian Sistem dengan Parameter Optimal Tabel 4.12 Hasil Pengujian dengan Panjang Kata yang Berbeda Tabel 4.13 Hasil Akurasi Pengenalan Masing-Masing Kata Tabel 4.14 Hasil Pengujian Durasi Pengucapan Instruksi yang berbeda xii

14 DAFTAR LAMPIRAN Lampiran 1. Hasil Pengujian Jumlah Dataset 2. Hasil Pengujian Jumlah Filter-Bank 3. Hasil Pengujian Jumlah Iterasi Maksimum Pelatihan 4. Hasil Pengujian Banyak State HMM 5. Hasil Pengujian Sistem dengan Parameter Optimal xiii