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

Transkripsi

1 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 (Hz) dan amplitudo atau kenyaringan bunyi dengan pengukuran dalam desibel.suara dihasilkan melalui proses Generation dan Filtering. Pada proses Generation, suara pertama kali diproduksi melalui bergetarnya pita suara (vocal cord) yang berada di larynx untuk menghasilkan bunyi periodik. Bunyi periodik yang bersifat konstan tersebut kemudian difilterisasi melalui vocal tract yang terdiri dari lidah, gigi, bibir, langit-langit mulut dan lain-lain sehingga bunyi tersebut dapat menjadi bunyi keluaran berupa bunyi vokal dan/atau bunyi konsonan yang membentuk kata-kata yang memiliki arti yang nantinya dapat dianalisa untuk speech recognition. Identifikasi suara merupakan suatu cara yang bisa digunakan untuk mengetahui perbedaan dari masing masing individu seperti halnya fingerprint recognition (identifikasi pola sidik jari pada setiap orang), retinal scan (identifikasi berdasarkan pola pembuluh darah pada retina mata), face recognition (pengenalan seseorang berdasarkan raut dan ekspresi seseorang dengan kunci utama pada letak mata dan mulut). Dalam identifikasi terhadap suara manusia, tidak semua pendengaran manusia mampu membedakan suara dari masing-masing individu yang dikenalnya. Kepekaan telinga juga memiliki berbagai keterbatasan dan sensitif terhadap suara. Oleh karena itu dibutuhkan suatu sistem untuk mengenali suara manusia tersebut sehingga dapat hasilnya akan tertuju tepat kepada individu yang dimaksud. Hingga saat ini, telah banyak penelitian-penelitian terkait dengan Aplikasi Identifikasi Suara dengan kemampuan untuk mengenali berbagai kasus percobaan seperti pengucapan kata terisolasi dimana terdapat jeda yang signifikan antar kata, pengucapan kata-kata layaknya berbicara biasa, ataupun dalam konteks identifikasi pembicara. Teknik-teknik dalam pengenalan suara telah banyak mengalami perkembangan. Mulai dari metode ekstraksi fitur wicara, terdapat beberapa teknik yang

2 performanya cukup baik seperti MFCC (Mel Frequency Cepstral Coefficients), PS- ZCPA (Pitch Synchronous Zero Crossing Peak Amplitude), LPC (Linear Predictive Coding), tapi metode MFCC yang paling sering digunakan pada identifikasi suara. Sebelum suatu suara/audio bisa diidentifikasi, suara/audio tersebut harus mengalami proses digitalisasi terlebih dahulu, dengan diubah menjadi bentuk digital maka suara/audio akan bisa diidentifikasi menggunakan sistem identifikasi suara dengan metode ekstraksi ciri tertentu. Selain itu, bagian penting dari Aplikasi Identifikasi Suara adalah recognition atau pengenalan. Metode yang biasanya digunakan untuk recognition pada Aplikasi Identifikasi Suara adalah Hidden Markov Model (HMM) atau Vector Quantization (VQ). Kedua metode recognition ini memilik algoritma yang berbeda untuk mengenali suara. Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah proses Markov dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter yang dapat diamati. Sedangkan Vector Quantization (VQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut kedalam kelas yang sama. Pada penelitian ini akan mencari hasil perbandingan unjuk kerja dari suatu Aplikasi Identifikasi Suara dengan metode recognition yang berbeda yaitu Hidden Markov Model (HMM) dan Vector Quantization (VQ) dengan parameter persentase keakuratannya dalam mengenali sampel suara yang diujicobakan sehingga didapatkan metode recognition mana yang paling cocok digunakan baik dalam kondisi ideal maupun kondisi tidak ideal.

3 1.2 Rumusan Masalah 1. Bagaimana membangun aplikasi identifikasi suara dengan perangkat lunak MATLAB menggunakan Metode Hidden Markov Model dan Vector Quantization? 2. Bagaimana perbandingan hasil unjuk kerja Metode Hidden Markov Model dan Vector Quantization untuk aplikasi identifikasi suara berdasarkan persentase keakuratan dalam mengenali suara dalam kondisi ideal dan kondisi tidak ideal? 1.3 Tujuan Penelitian 1. Membangun aplikasi identifikasi suara dengan perangkat lunak MATLAB menggunakan Metode Hidden Markov Model dan Vector Quantization. 2. Membandingkan hasil unjuk kerja Metode Hidden Markov Model dan Vector Quantization untuk aplikasi identifikasi suara berdasarkan persentase keakuratan dalam mengenali suara dalam kondisi ideal dan kondisi tidak ideal. 1.4 Manfaat Penelitian 1. Membuat suatu aplikasi identifikasi suara menggunakan perangkat lunak MATLAB dengan 2 metode recognition yang berbeda yaitu Metode Hidden Markov Model dan Vector Quantization sehingga bisa diketahui metode manakah yang paling akurat untuk digunakan pada aplikasi identifikasi suara. 1.5 Batasan Masalah 1. Format file audio berbentuk *.wav. 2. Menggunakan perangkat lunak MATLAB.

4 3. Sampel suara pelatihan dan ujicoba diambil dari 20 orang yang terdiri dari 10 orang laki-laki dan 10 orang perempuan dari mahasiswa Universitas Udayana. 4. Sampel suara diambil dari orang normal yang tidak sedang dalam keadaan sakit 5. Ekstraksi ciri yang digunakan yaitu Mel Frequency Cepstral Coefficients (MFCC). 6. Parameter yang digunakan untuk mengenali setiap sampel suara adalah pitch (frekuensi) dari sampel suara tersebut.. 7. Kosa kata yang digunakan adalah Halo, selamat pagi. 8. Pengujian dilakukan dengan kosa kata yang sama dan dengan kosa kata yang berbeda. 9. Pengujian dilakukan dalam 2 kondisi yaitu kondisi ideal dan tidak ideal, yang dimaksud dengan kondisi ideal adalah sampel suara yang digunakan diambil pada saat keadaan sepi sedangkan kondisi tidak ideal adalah sampel suara yang digunakan diambil pada saat keadaan ramai. 1.6 Sistematika Penulisan Sistematika Penulisan makalah ini adalah sebagai berikut : BAB I PENDAHULUAN Bab ini menjelaskan mengenai latar belakang permasalahan, rumusan masalah, tujuan, manfaat, ruang lingkup dan batasan masalah serta sistematika penulisan. BAB II TINJAUAN PUSTAKA Berisi tentang penjelasan dari teori teori dasar yang dapat menunjang dan mendukung pembuatan sistem jaringan saraf tiruan untuk identifikasi suara yang menggunakan perangkat lunak MATLAB R2008a dengan metode ekstraksi ciri MFCC (Mel Frequency Cepstral Coefficients), Metode Hidden Markov Model dan Vector Quantization.

5 BAB III METODE PENELITIAN Bab ini membahas mengenai tempat dan waktu penelitian, jenis dan sumber data, bahan dan alat penelitian serta metode analisis BAB IV PEMBAHASAN Menjelaskan dan menganalisis hasil perbandingan dari Metode Hidden Markov Model dan Vector Quantization untuk Aplikasi Jaringan Saraf Tiruan Identifikasi Suara. BAB V PENUTUP Bab ini merupakan penutup dari penulisan makalah ini, yang meliputi kesimpulan yang didapatkan dari study literature serta saran-saran yang dapat diberikan oleh penulis.