8 BAB LANDAAN TERI.. uara uara adalah fenomena fisik yang dihasilkan oleh getaran suatu benda yang berupa sinyal analog dengan amplitudo yang berubah secara kontinu terhadap waktu. uara merupakan gelombang yang mengandung sejumlah parameter amplitudo, simpangan, frekuensi, spectrum, yang dapat menyebabkan suara yang satu berbeda dari suara lain. uara beramplitudo lebih besar akan terdengar lebih keras. uara dengan frekuensi lebih besar akan terdengar lebih tinggi. ementara itu bisa juga ditemukan dua suara yang beramplitudo dan berfrekuensi sama, misalnya biola dan piano dibunyikan secara bersamaan dengan tingkat kekerasaan dan nada yang sama, namun telinga masih dapat membedakan mana yang suara piano dan mana yang suara biola. Ini terjadi karena suara memiliki warna suara. Warna suatu suara ditentukan oleh pola dasar dari gelombang suara Nurlaily, 009. erbedaan pola dasar gelombang bunyi biola dan piano antara lain disebabkan oleh perbedaan faktor resonansi yang timbul pada masingmasing instrumen. Demikian juga pada manusia, resonansi yang terjadi pada rongga mulut akan menimbulkan pola dasar gelombang bunyi yang berbeda-beda. roses pembentukan bunyi bahasa dimulai dengan memanfaatkan pernapasan sebagai sumber tenaganya. ada saat manusia mengeluarkan nafas, paru-paru manusia akan menghembuskan tenaga berupa arus udara. Arus udara ini dapat mengalami perubahan pada pita suara yang terletak pada pangkal tenggorokan. Arus udara dari paru-paru itu dapat membuka kedua pita suara yang merapat sehingga menyebabkan corak bunyi
9 tertentu.gerakan membuka dan menutup pita suara itu akan mengakibatkan arus udara dan udara yang berada di sekitar pita suara akan turun berubah tekanan dan ikut bergetar. Adanya perubahan bentuk saluran suara yang terdiri dari rongga faring, rongga mulut dan rongga hidung akan menghasilkan bunyi bahasa yang berbeda-beda. ada saat udara dari paru-paru dihembuskan, kedua pita suara dapat merapat atau merenggang. Jika kedua pita itu bergantian merapat atau merenggang dalam pembentukan suatu bunyi bahasa, maka bunyi bahasa yang dihasilkan terasa berat. Bunyi bahasa ini dinamakan bunyi bersuara voiced. Jika kedua pita merenggang sehingga arus udara dapat lewat dengan mudah ringan, maka bunyi bahasa ini umumnya dinamakan bunyi tak bersuara unvoiced. Gambar.. rgan ernapasan Manusia umber: http://ridwanaz.com/wp-content/uploads/0/06/istem- Respirasi-pernapasan-Manusia.jpg
0.. roses inyal uara Di sekitar kita, dalam kehidupan sehari-hari, sebenarnya lebih banyak sinyal yang direpresentasikan dalam bentuk analog daripada sinyal dalam bentuk digital. Misalnya, suara, cahaya, suhu, bau dan sebagainya. Namun sinyalsinyal analog semacam itu akan lebih mudah disimpan, diolah, direproduksi kembali apabila disimpan dalam bentuk data digital. ebagai contoh, Compact Disc yang dijual di pasaran dapat menampung sejumlah besar lagu adalah hasil konversi sinyal suara analog ke dalam bentuk digital. ilm-film yang dapat dinikmati melalui DVD juga merupakan hasil dari rekayasa digital. Dan masih banyak lagi manfaat yang dapat kita rasakan saat ini dengan adanya teknologi digital Mafisamin, 04. Untuk memperoleh data digital dibutuhkan suatu proses untuk mengubah sinyal analog menjadi data digital. Ada beberapa metode yang dapat digunakan, yaitu ulse Code Modulation CM dan Delta Modulation DM.... ulse Code Modulation CM CM merubah sinyal analog menjadi data digital melalui proses awal yang disebut dengan sampling. ampling adalah proses mencacah sinyal analog menjadi potongan-potongan sinyal dengan amplitudo sesuai dengan sinyal asli. etelah didapatkan sinyal hasil sampling, sinyal tersebut selanjutnya dikuantisasi. Kuantisasi adalah proses pembulatan amplitudo sinyal terkuantisasi ke bilangan integer terdekat. roses terakhir adalah melakukan pengkodean digital terhadap kode hasil kuantisasi. Jadi dapat disimpulkan bahwa CM menggunakan tiga langkah utama di dalam mengubah sinyal analog menjadi data digital, yaitu proses pencacahan sampling, proses kuantisasi, dan proses pengkodean digital.
Gambar.. memberikan ilustrasi seluruh proses mengubah sinyal analog menjadi data digital dengan menggunakan CM. encacahan Kuantisasi engkodean 0... 00 inyal Analog engkodean CM Data Digital Gambar.. engkodean CM umber: Mafisamin, 04. roses pencacahan sampling roses pencacahan dilakukan dengan mencacah sinyal analog dalam periode waktu tertentu dirumuskan sebagai berikut: Keterangan : f s f s / T s frekuensi pencacahan. Ts periode pencacahan emakin tinggi frekuensi pencacahan, atau semakin kecil periode pencacahan maka sinyal hasil cacahan akan semakin menyerupai sinyal analog asli. inyal hasil cacahan seringkali disebut juga istilah sinyal ulse Amplitudo Modulation AM. Namun semakin tinggi frekuensi pencacahan membawa konsekuensi pada harga keseluruhan dalam proses pencacahan semakin mahal. ebaliknya menggunakan frekuensi pencacahan rendah akan menurunkan harga proses pencacahan tetapi mengandung konsekuensi pada represensitasi sinyal AM yang kurang dapat mewakili sinyal analog asli.
roses pencacah dilakukan dengan didasarkan asumsi bahwa sinyal percakapan berada pada daerah frekuensi 00-400 Hz. Teori Nyuist menyebutkan bahwa frekuensi pencacah harus minimal dua kali frekuensi tertinggi bukan bandwidth yang dikandung oleh sinyal asli. Dengan menggunakan representasi domain frekuensi tersebut kita dapat melihat frekuensi tertinggi yang dikandung oleh suatu sinyal. Karena itu dapat menarik acuan umum bahwa proses pencacahan hanya dapat dilakukan apabila sinyal memiliki bandwidth terbatas band-limited. Apabila bandwidth dari suatu sinyal tak terbatas, maka pencacahan tidak dapat dilakukan. Dengan kata lain, akan dibutuhkan frekuensi tak terhingga untuk mencacah sinyal dengan bandwidth tak terbatas. Gambar.. encacahan dengan berbagai frekuensi pencacah umber: Mafisamin, 04
Efek dari variasi frekuensi pencacah ditunjukkan dalam Gambar.. Gambar sebelah kanan atas adalah contoh pencacahan sinyal dengan menggunakan frekuensi pencacah sama dengan frekuensi yang diisyaratkan oleh Nyuist, yaitu f s f max. Gambar bawah sebelah kiri adalah pencacahan dengan frekuensi pencacah kurang dari syarat Nyuist. Karena jumlah sinyal pencacah kurang dari syarat minimal, maka sinyal pencacah tidak akan dapat merepresentasikan sinyal analog asli. edangkan pada gambar terakhir terlihat bahwa frekuensi pencacah jauh di atas syarat Nyuist, karena itu sinyal pencacah dapat merepresentasikan sinyal analog asli dengan sangat baik. Contoh : Dalam Gambar.., sinyal memiliki frekuensi Hz. Tentukan frekuensi pencacah yang dibutuhkan untuk mencacah sinyal tersebut. esuai dengan kriteria Nyuist, maka frekuensi pencacah minimal adalah f s f max, maka nilai f s Hz. rekuensi pencacah tersebut adalah pencacah minimal. Apabila frekuensi pencacah ditingkatkan menjadi 5 kali frekuensi maksimal, maka f 5 Hz. eperti terlihat dalam Gambar., dengan menggunakan frekuensi pencacah 5 Hz, sinyal hasil sampling lebih menyerupai sinyal asli. s roses pencacahan seperti dalan Gambar., disebut dengan pencacahan ideal. encacahan ideal tidak mungkin dicapai dalam aplikasi nyata, karena membutuhkan peralatan yang dapat menghasilkan periode waktu setiap cacahan pendek sekali setiap cacahan hanya berupa garis. encacahan natural akan menghasilkan cacahan berupa persegi panjang dengan tinggi sesuai dengan amplitudo gelombang, dan lebar sesuai dengan periode cacahan.
4. roses kuantisasi encacahan menghasilkan deretan pulsa AM dengan amplitudo bervariasi dari nilai minimum tegangan sampai nilai maksimum tegangan sinyal analog asli. Jumlah variasi amplitudo tak terhingga. Karena itu langkah selanjutnya adalah melakukan proses kuantisasi amplitudo. Gambar.4. encacahan natural dan sample and hold umber: Mafisamin, 04 Lebar kuantisasi ditentukan dengan rumusan berikut: Keterangan: Vmax Vmin. L V max tegangan maksimal dari sinyal analog asli V min tegangan minimum yang dapat dicapai oleh sinyal analog asli L jumlah level kuantisasi yang diinginkan Ilustrasi proses kuantisasi dapat dilihat dalam gambar.4. Tegangan sinyal analog bervariasi antara -8 volt sampai 8 volt.
5 Apabila diinginkan level kuantisasi sebanyak 8 level, maka dengan menggunakan persamaan. didapatkan lebar kuantisasi volt. Normalisasi AM dalam Gambar.4 adalah nilai tegangan AM hasil dari pencacahan dibagi dengan delta. edangkan normalisasi kuantisasi adalah hasil pembulatan normalisasi AM ke level kuantisasi terdekat, dalam gambar level kuantisasi ditandai dengan garis terputus-putus yaitu pada:,5 ;,5 ;,5 ; 0,5 ;0,5 ;,5 ;,5 ;,5. CM dengan lebar kuantisasi yang memiliki nilai tetap seperti terlihat dalam gambar disebut dengan kuantisasi seragam uniform uantization. Dalam kasus yang lain, misalnya perubahan amplitudo sinyal analog lebih sering terjadi pada tegangan rendah, tidak digunakan kuantisasi seragam tetapi digunakan kuantisasi tidak seragam. Kuantisasi tidak seragam akan menghasilkan lebar kuantisasi berbeda-beda untuk setiap level kuantisasi. Berikut adalah gambar dari proses kuantisasi dan tabel pengkodean digital. Normalisasi Amplitudo Level Kuantisasi Volt Gambar.5. roses kuantisasi umber: Mafisamin, 04
6 Tabel.. engkodean digital Normalisasi AM -, -,8,7,,7,6 0,6-0,7 -,6 Normalisasi kuantisasi -,5 -,5,5,5,5,5 0,5-0,5 -,5 Kesalahan kuantisasi 0, 0, 0, 0, 0, 0, 0, 0, 0, Level kuantisasi 5 7 7 6 4 engkodean 00 00 0 0 00 0 00 umber: Mafisamin, 04 Hal lain yang perlu mendapatkan perhatian khusus adalah adanya kesalahan kuantisasi akibat adanya pembulatan level tegangan AM ke level kuantisasi terdekat. Nilai kesalahan dari setiap cacahan tidak akan melebihi /, karena itu kesalahan kuantisasi akan berada pada nilai / kesalahan kuantisasi /. Kesalahan kuantisasi berkontribusi pada peningkatan ignal to Noise Ratio NR dari sinyal yang tentu saja akan berakibat langsung pada penurunan kapasitas kanal. NR akibat adanya kesalahan kuantisasi dirumuskan oleh persamaan berikut: Keterangan: NR db 6,0xlog L +.76. NR perbandingan sinyal asli dengan sinyal L gangguan noise jumlah level kuantisasi Rata-rata kesalahan kuantisasi dapat dikurangi dengan memberikan penambahan derau dalam jumlah kecil. roses penambahan derau seperti ini disebut dengan dithering. erlu diketahui bahwa tidak semua derau bersifat mengganggu, justru sebaliknya derau yang terkendali akan sangat bermanfaat sebagaimana halnya implementasi dithering dalam proses kuantisasi.
7 Contoh : Berapakah NR akibat adanya kesalahan kuantisasi dari proses kuantisasi dalam Gambar.5. dan Tabel.. Dalam Gambar.5. dan Tabel. terlihat bahwa proses kuantisasi menggunakan 8 level kuantisasi, berarti untuk setiap cacahan dibutuhkan representasi kode digital sebanyak bit. NR db 6,0xlog 8 +,76 9, 8dB. esuai dengan persamaan., apabila level kuantisasi dinaikkan, maka nilai NR juga akan meningkat.. roses engkodean Digital Langkah terakhir dalam metode CM adalah pengkodean data digital. eperti terlihat dalam Gambar.5., pengkodean digital terletak pada baris terakhir dalam gambar. engkodean ini mengubah level kuantisasi seperti dalam Gambar.5. ke dalam bentuk digital. Misalnya level kuantisasi 7 memiliki bentuk digital, level kuantisasi memiliki bentuk digital 0, dan seterusnya. Dengan cara demikian, sinyal analog sekarang telah berubah menjadi bentuk digital. Kecepatan data dapat dihitung dengan rumusan dalam persamaan berikut: Keterangan: R s f xlog L.4 R kecepatan data dalam satuan bps f s frekuensi cacahan dalam satuan Hz
8 Dalam persamaan.4, log L pada dasarnya adalah jumlah bit yang digunakan untuk merepresentasikan L level, sebagai contoh untuk L 8, maka dibutuhkan jumlah bit seperti dapat dilihat dalam Gambar.5.... Delta Modulation DM Teknik konversi dari sinyal analog menjadi data digital akan menjadi lebih sederhana apabila diimplementasikan dengan menggunakan Delta Modulation DM daripada menggunakan ulse Code Modulation CM. DM tidak mendeteksi amplitudo sebagaimana halnya pada CM, melainkan mendeteksi perubahan amplitudo antara cacahan seperti ini dengan cacahan sebelumnya. erbedaan antara amplitudo saat ini dengan amplitudo sebelumnya disebut dengan δ Mafisamin, 04. Ilustrasi Delta Modulation DM digambarkan sebagai berikut. Gambar.6. Ilustrasi Delta Modulation DM umber: Mafisamin, 04 Apabila δ bernilai positif, maka DM akan membangkitkan bit, sebaliknya apabila δ bernilai negatif maka DM akan membangkitkan nilai 0. Dengan demikian keluaran dari DM
9 merupakan deretan bit yang menggambarkan perubahan amplitudo dari sinyal analog. Untuk dapat menghasilkan unjuk kerja DM yang lebih baik, δ dapat dibuat menjadi adaptif. Dengan menggunakan DM adaftif nilai δ akan berubah-ubah mengikuti amplitudo dari sinyal analog... engenalan ucapan engenalan ucapan dalam perkembangan teknologinya merupakan bagian dari pengenalan suara voice recognition, yaitu proses identifikasi seseorang berdasarkan suaranya. engenalan ucapan adalah proses yang dilakukan komputer untuk mengenali kata yang diucapkan oleh sesorang tanpa memperdulikan identitas orang terkait. engenalan ucapan merupakan suatu teknik yang memungkinkan sistem komputer untuk menerima input berupa kata yang diucapkan. Kata-kata tersebut diubah bentuknya menjadi sinyal digital dengan cara mengubah gelombang suara menjadi sekumpulan angka lalu disesuaikan dengan kode-kode tertentu dan dicocokkan dengan suatu pola yang tersimpan dalam suatu perangkat. Hasil dari identifikasi kata yang diucapkan dapat ditampilkan dalam bentuk tulisan atau dapat dibaca oleh perangkat teknologi. engenalan ucapan juga dikenal sebagai Automatic peech Recognition AR. AR merupakan pengenalan ucapan komputer yang berarti suara pemahaman komputer dan melakukan setiap tugas yang diperlukan atau kemampuan untuk mencocokkan suara terhadap kosakata yang tersedia atau diperoleh aini dan Kaur, 0. ecara umum prinsip kerja dari AR adalah ketika seseorang berbicara kepada komputer, program menangkap suara orang tersebut
0 melalui mikrophone dan mengubahnya menjadi sinyal digital. Kemudian program menganalisa sinyal digital tersebut dengan membandingkannya dengan digital pattern yang ada dalam databasenya. etelah itu akan diambil digital pattern yang paling besar prosentase kemiripannya, kemudian dari digital pattern tersebut diubah menjadi teks. Karena setiap manusia memiliki karakteristik suara yang berbeda-beda, maka diberikan suatu metode untuk melatih program dan kemudian data-data spesifik tentang karakter suara tersebut disimpan dalam database dengan tujuan supaya proses pengenalan suara berikutnya memiliki prosentase keberhasilan yang lebih besar. Ada tipe pengenalan ucapan speech recognition, dilihat dari ketergantungan pembicara yaitu: a. Independent peech RecognitionIR, yaitu sistem pengenalan ucapan tanpa terpengaruh dengan siapa yang berbicara, tetapi mempunyai keterbatasan dalam jumlah kosakata. Model ini akan mencocokkan setiap ucapan dengan kata yang dikenali dan memilih yang sepertinya cocok. Untuk mendapatkan kecocokan kata yang diucapkan maka digunakan model statistik yang dikenal dengan nama Hidden Markov Model HMM. b. Dependent peech RecognitionDR, yaitu sistem pengenal ucapan yang memerlukan pelatihan khusus dari pembicara, dimana hasil penelitian dari masing-masing pembicara akan disimpan dalam sebuah profil. rofil inilah yang nantinya digunakan untuk berinteraksi dengan sistem pengenalan ucapan dan sistem akan bergantung siapa yang berbicara. istem ini biasanya lebih mudah untuk dikembangkan, dimana contoh suara sudah dibuat sebelumnya dan disimpan dalam database basis data dan jumlah kosakatanya lebih besar dibandingkan dengan independent speech recognition. roses pengenalan ucapan dengan cara membandingkan ucapan pembicara dengan contoh suara yang sudah ada.
Berdasarkan kemampuan dalam mengenal kata yang diucapkan, terdapat 4 jenis kata yaitu:. Kata-kata yang terisolasi : proses pengidentifikasi kata yang hanya terdapat mengenali kata yang diucapkan jika kata tersebut memiliki jeda waktu pengucapan antar kata.. Kata-kata yang berhubungan : proses pengidentifikasian kata yang mirip dengan kata yang terisolasi, namun membutuhkan jeda waktu yang sangat sedikit.. Kata-kata yang berkelanjutan : proses pengidentifikasian kata yang sudah lebih maju karena dapat mengenali kata-kata yang diucapkan secara berkesinambungan dengan jeda waktu yang sangat sedikit atau tanpa jeda waktu. roses pengenalan suara ini sangat rumit karena membutuhkan metode khusus untuk membedakan kata-kata yang diucapkan tanpa jeda waktu. engguna perangkat ini dapat mengucapkan kata-kata secara normal. 4. Kata-kata spontan : proses pengidentifikasian kata yang dapat mengenal kata-kata yang diucapkan secara spontan tanpa jeda waktu antar kata. roses pengenalan suara ini sangat bergantung pada bahasa yang digunakan, karena setiap bahasa memiliki cara pengucapan yang berbeda. ehingga teknologi AR ini bersifat language dependent..4. Tahapan-tahapan dalam pengenalan ucapan speech recognition istem pengenalan ucapan speech recognition system terdiri dari 5 blok, yaitu: ekstraksi fitur feature extraction, pemodelan akustik acoustic
modelling, pemodelan pengucapan pronounciation modelling, model bahasa language model, dan decoder. Blok diagram untuk sistem pengenalan ucapan adalah sebagai berikut: peech eature Vectors Words eature Extraction... Decoder top that. W Acoustic Modelling ronounciation Modelling Language Model Gambar.7. Blok diagram untuk sistem pengenalan ucapan umber : Gales dan Young, 007.4.. Ekstraksi itur Gelombang input audio dari sebuah microphone dikonversikan menjadi sebuah urutan vektor akustik,..., : T T dalam proses yang disebut ekstraksi fitur fitur extractiongales dan Young, 007. Tahap ekstraksi fitur bertujuan untuk memberikan sebuah gambaran dari gelombang ucapan. Tahap ekstraksi fitur ini dapat meminimalkan hilangnya informasi yang membedakan antara katakata, dan memberikan kecocokan dengan asumsi distribusi yang dibuat oleh model akustik. Metode yang digunakan adalah Linear redictive CodingLC.
LCmerupakan salah satu teknik analisis sinyal percakapan yang paling powerful dan menyediakan ekstraksi fitur yang berkualitas baik dan efisien untuk digunakan dalam perhitungan. rosedur untuk mendapatkan koefisien LC diperlihatkan pada blok diagram berikut: re-emphasis rame Blocking Windowing Auto Correlation LC arameter Analisa LC Gambar.8. Blok Diagram LC Langkah-langkah dasar yang harus dilakukan mengenai blok diagram tersebut adalah sebagai berikut:. re-emphasis : roses dimana sinyal/ speech ucapan dirubah menjadi sinyal.. rame Blocking : pada tahap ini, sinyal yang telah di preemphasis, diblok menjadi beberapa bagian dengan jumlah sampel N, dan tiap bagian dipisahkan dengan sejumlah M sampel.. Windowing : Tahap berikutnya adalah melakukan proses window pada setiap bagian sinyal yang telah dibuat sebelumnya. Hal ini dilakukan untuk meminimalkan pada bagian awal dan akhir sinyal. Jika didefinisikan sebuah window w n dan sinyal tiap bagian adalah x n maka sinyal hasil proses windowing.
4 4. Auto Correlation Analysis : Tiap bagian yang telah diberi window kemudian akan dibentuk autokorelasinya. 5. Analisa LC : Langkah berikutnya adalah analisa LC dimana semua nilai autokorelasinya yang telah dihitung pada tahap sebelumnya akan diubah menjadi parameter LC. 6. engubahan parameter LC menjadi koefisien cepstral : arameter LC yang sangat penting yang bisa diturunkan dari koefisien LC adalah koefisien cepstral LC, c m Adapun langkah-langkah analisa LC untuk pengenalan ucapan speech recognition adalah sebagai berikut:. re-emphasis terhadap cuplikan sinyal dengan persamaan reemphasizer s n s n as n.5 dengan s n adalah sampel ke-n dan harga a yang paling sering digunakan adalah 0.95. Membagi hasil pre-emphasis s n ke dalam frame-frame yang masing-masing memuat N buah sampel yang dipisahkan sejauh M buah sample. emakin M < N semakin baik perkiraan spektral LC dari frame ke frame.. Melakukan windowing terhadap setiap frame yang telah dibentuk untuk meminimalkan diskontinuitas pada ujung awal dan ujung akhir setiap frame dengan persamaan Hamming Window untuk sampel ke-n adalah : W n 0.54 0.46 cosπ n / N, 0 n N.6 4. Analisis autokorelasi terhadap setiap frame hasil windowing x dengan persamaan : n m x + 0 n x n m n r n
5 dengan m dimulai dari 0 dan nilai tertinggi dari LC yang biasa bernilai 8-6..7 m p adalah orde 5. Mengubah p + buah hasil autokorelasi pada masing-masing frame menjadi koefisien LC dengan persamaan dibawah ini : 0 E r0 k α m { r m m m k m m r m j / E p m a m a untuk m,,..., p m, m p.8.9.0 m m m j j m m j α α k α, j m. E m k m E m. dengan r 0 adalah hasil autokorelasi, E m adalah error, k m adalah koefisien pantulan, m a j adalah koefisien prediksi untuk j m. 6. Mengubah parameter LC a m ke koefisien cepstral c m untuk mendapatkan kinerja yang lebih baik dan tahan terhadap noise, yaitu dengan persamaan c m a m m + k / m c a, m k k m k p. c m m k / m c a, m > k k m k p.4 Koefisien cepstral ini adalah koefisien dari representasi pada spectrum logarithms.
6.4.. emodelan Akustik Dalam sistem pengenalan ucapan automatis automatic speech recognitionberbasis statistik, ucapan diwakili oleh beberapa urutan pengamatan fitur akustik, berasal dari urutan kata-kata W. inyal akustik dirumuskan oleh: W argmax{ W } w.5 Akan tetapi, karena W sulit untuk dimodelkan secara langsung, maka dapat menggunakan aturan Baye Baye s Rule dapat ditulis sebagai berikut: Keterangan: W arg max W. W w W probabilitas bahwa ketika string kata W diucapkan probabilitas bahwa string kata W akan diucapkan.6 Dalam persamaan., W adalah probabilitas pengamatan dan dievaluasi berdasarkan pemodelan akustik acoustic modelling, sedangkan adalah probabilitas sebagai model bahasa language model. Model akustik diimplementasikan dengan menggunakan pendekatan model seperti Hidden Markov Model HMM, Artificial Neural Network ANN, jaringan Bayesian dinamis DBN, mendukung mesin vektor VM. HMM digunakan dalam beberapa bentuk atau yang lain di setiap keadaan state dari sistem pengenalan ucapan.
7 HMM pada dasarnya perluasan dari rantai Markov yang merupakan model stokastik. Biasanya dalam model Markov setiap keadaan state dapat terlihat langsung oleh pengamat, sehingga kemungkinan transisi antara keadaan menjadi satu-satunya parameter yang teramati. Rabiner 989 mengemukakan bahwa transisi pada Rantai Markov yaitu: a. Transisi dari suatu keadaan tergantung pada keadaan sebelumnya....] [ ] [ t j t i t k t j t i b. Transisi keadaan bebas terhadap waktu. a ij t j t [ i].7.8 Berikut ini adalah contoh gambar dari rantai Markov. a a a a a a a a a Gambar.9. Rantai Markov umber: Monika, 0.4.. emodelan ucapan Dalam pemodelan pengucapan pronounciation modelling, selama pengenalan, urutan simbol-simbol yang dihasilkan oleh model
8 akustik HMM dibandingkan dengan serangkaian kata yang ada dalam kamus untuk menghasilkan urutan kata-kata yang hasil akhir sistem berisi informasi tentang kata-kata yang dikenal ke sistem dan bagaimana kata-kata yang diucapkan yaitu apa yang representasi fonetik mereka. Gales dan Young 007 mengemukakan bahwa setiap kata yang diucapkan didekomposisi menjadi urutan suara dasar yang disebut basis phones. Urutan ini disebut pengucapannya. Untuk memungkinkan kemungkinan beberapa pengucapan-pengucapan dapat dihitung: p W p Q Q W.9 Q di mana penjumlahan selesai semua urutan pengucapan berlaku untuk w, Q adalah urutan pengucapan partikular, L l Q W w Wl,.0 l dan di mana masing-masing pengucapan berlaku untuk katawl. etiap base phone diwakili oleh kepadatan kontinu HMM dengan parameter probabilitas transisi dan distribusi observasi output digambarkan sebagai berikut: Markov a a a44 Model a a a4 a45 4 5 Acoustic Vector euence b b b b b 4 4 4 4 5 5 Gambar.0. HMM model basis phone
9 Dalam operasi, HMM membuat transisi dari kondisi saat ini ke salah satu keadaan state yang terhubung setiap langkah waktu. Kemungkinan membuat transisi stertentu dari state ke state diberikan oleh probabilitas transisi { a } ij. Masuk ke state, fitur vector yang dihasilkan dengan menggunakan distribusi terkait dengan keadaan state yang masuk,{ b }. j Bentuk proses menghasilkan asumsi bebas bersyarat standar untuk HMM: keadaan state yang bersyarat independen dari semua state-state lain mengingat keadaan sebelumnya pengamatan bersyarat independen dari semua pengamatan lainnya mengingat keadaan yang dihasilkan itu..4.4. Model Bahasa Model bahasa Language Model digunakan untuk membatasi proses pencarian pada pengenalan ucapan speech recognition, yaitu menuntun pencarian urutan kata yang benar dengan memprediksi kemungkinan kata n menggunakan n- kata-kata sebelumnya. Model bahasa dapat diklasifikasikan menjadi:. Model seragam: setiap kata memiliki probabilitas yang sama terhadap kejadian.. Model stokastik: probabilitas terhadap kejadian dari sebuah kata tergantung pada kata yang mendahuluinya.. Bahasa state yang terbatas: bahasa menggunakan jaringan anegara yang terbatas untuk menentukan urutan kata yang diperbolehkan. 4. Konteks tata bahasa bebas: dapat digunakan untuk mengkodekan yang jenis kalimat diperbolehkan.
0 Model bahasa N-gram merupakan sebuah metode yang diaplikasikan untuk pembangkitan kata atau karakter. robabilitas sebelumnya dari urutan kata W W,..., W diperoleh dari persamaan berikut: k. Untuk pengenalan kosakata yang besar, sejarah pendingin kata dalam biasanya dipotong ke N- kata-kata untuk membentuk model bahasa N-gram K i i i i N + i W W, W,..., W. dimana N biasanya diantara -4. Model bahasa sering dinilai dari segi kebingungan perplexity mereka, H, yang didefinisikan sebagai H lim K K K K Wk Wk,..., W k i log W,..., W K log W W dimana perkiraan tersebut digunakan untuk model bahasa N- gram dengan urutan kata dengan panjang terbatas. i i K, W i,..., W i N + robabilitas N-gram diperkirakan dari training teks dengan menghitung kejadian N-gram untuk membentuk maximum likelihood ML estimasi parameter. ebuah pendekatan alternatif untuk estimasi model bahasa yang kuat adalah dengan menggunakan model berbasis kelas di mana untuk setiap kata Wk ada kelas yang sesuai K k k k k k N + k C k. Maka, W C p C C,..., C. Gales dan Young, 007
.4.5. Decoder Decoder adalah peralatan yang digunakan untuk mendapatkan kembali sinyal analog yang telah dikodekan menjadi data digital. erlu diingat bahwa untuk dapat melakukan pembalikkan kode, persyaratan Nyuist harus dipenuhi pada saat melakukan pencacahan sampling Mafisamin, 04. Decoder merupakan suatu tahapan yang paling penting dalam proses pengenalan ucapan speech recognition. ebuah decoder berfungsi untukmelakukan keputusan yang sebenarnya dengan menggabungkan pemodelan akustik acoustic modelling, pemodelan pengucapan pronounciation modellingdan model bahasa language model untuk mencari semua urutan kata yang mungkin dan akan menghasilkan output..5. Hidden Markov Model HMM Hidden Markov Model HMM adalah suatu model statistik dari sebuah sistem yang diasumsikan sebuah proses Markov dengan parameter yang tidak diketahui. Kita harus menentukan parameter-parameter tersembunyi state dari parameter-parameter yang dapat diamati. arameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi pattern recognitionmonika, 0. HMM pada dasarnya perluasan dari rantai Markov yang merupakan model stokastik. Biasanya dalam model Markov setiap keadaan state dapat terlihat langsung oleh pengamat, sehingga kemungkinan transisi antara keadaan menjadi satu-satunya parameter yang teramati. Dalam HMM, keadaan tidak dapat terlihat langsung meskipun parameter model diketahui, model tersebut tetap tersembunyi, tetapi hasil keluaran output yang bergantung pada keadaan tersebut dapat dilihat.
HMM terdiri dari dua proses stokastik. roses stokastik pertama adalah rantai Markov yang ditandai oleh state-state dan probabilitas transisi. tate pada bagian rantai Markov secara eksternal tidak terlihat, karena itu tersembunyi. edangkan proses stokastik kedua menghasilkan emisi diamati pada setiap saat, tergantung pada distribusi probabilitas tergantung pada state. Hal ini penting untuk melihat bahwa dominasi tersembunyi serta menciptakan Hidden Markov Model dirujuk ke state bagian Rantai Markov, bukan dengan parameter pada model tersebut..5. Tipe HMM Ada dua tipe HMM, yaitu HMM ergodic dan HMM kiri-kanan. a. HMM ergodic ada HMM ergodic perpindahan keadaan satu ke keadaan yang lain semuanya memungkinkan, hal ini ditunjukkan pada gambar berikut: Gambar.. HMM model ergodic umber: aul, 990 b. HMM kiri-kanan ada HMM kiri-kanan perpindahan keadaan hanya dapat berpindah dari kiri ke kanan, perpindahan keadaan tidak dapat mundur ke belakang, hal ini ditunjukkan pada gambar berikut:
4 5 Gambar.. HMM model kiri-kanan umber: aul, 990 Hidden Markov ModelHMM terdiri dari keadaan state, peluang transisi state probabilities, peluang emisi emission probabilities, dan peluang awalinitial probabilities..5. Elemen HMM HMM didefinisikan sebagai berikut:. N, jumlah state dalam model yang didefinisikan oleh { },..., N. M, jumlah simbol pengamatan yang berbeda tiap state, misalnya ukuran alfabet diskrit didefinisikan oleh V { v,..., } pengamatankontinu maka M adalah tak terbatas.. Distribusi peluang keadaan transisi A { } a ij v M. Jika, dimana a adalah ij distribusi yang state pada waktu t + adalah, diberikan ketika keadaan pada waktu adalah i. truktur matriks stokastik ini mendefinisikan hubungan t struktur model. j a p[ + ], i, j N ij t j t i.4
4 4. Distribusi peluang simbol pengamatan pada masing-masing state j, B { b k} dimana badalah j k peluang yang simbol v k j diemisi dalam keadaan. j b k p[ o v ], j t k t j.5 jika pengamatankontinu, maka kita harus menggunakan fungsi kepadatan peluang kontinu. j N, k M 5. Distribusi keadaan awal π { π i } dimana π i adalah peluang bahwa model tersebut berada dalam keadaan i pada waktu t 0 didefinisikan oleh π p{ i}, i i N.6 Adapun contoh Hidden Markov Model HMM digambarkan sebagai berikut: Gambar.. Contoh Hidden Markov Model HMM umber : Dymarski, 0 Hidden Markov Model HMM dapat dituliskan sebagai model λ A, B, π. Dengan diketahuinya parameter-parameter N, M, A, B, dan π Dymarski, 0.
5.5. ungsi Rekursif HMM Ada tiga fungsi rekursif HMM, yaitu:. Algoritma orward Variabel algoritma forward : α,,...,,. i T T i λ Berikut ini langkah-langkah dalam algoritma orward: Inisialisasi a π i i i b, i N.7 Induksi N α t+ j α t i α ij b j t +,.8 i dengan t T dan j N Terminasi N λ α i, i N.9 i T Ilustrasi algoritma forward dapat dilihat pada gambar berikut: a j a j j... a Nj N t α t i t + α t+ j Gambar.4. Ilustrasi Alur Algoritma orward umber: Rabiner, 989
6. Algoritma Backward Variabel algoritma Backward: β,,...,,. t T T i λ Berikut ini langkah-langkah dalam algoritma Backward: Inisialisasi β i, i N.0 T Induksi N β t α i, j b j t + βt+ j,. i dengan t T, T,..., dan i, j N. Ilustrasi untuk algoritma backward dapat dilihat pada gambar berikut: a i i a i a in... t β t i N t + β t+ j Gambar.5. Ilustrasi Alur Algoritma Backward umber: Rabiner, 989. Algoritma Baum Welch Algoritms Baum Welch melibatkan algoritma forward dan algoritma backward.
7 Untuk menggambarkan prosedur update parameter HMM, diperlukan variabel ξ i, j yang merupakan peluang t gabungan state i dan state j terhadap peluang pengamatan pada model yang diberikan, dan γ i state pada waktu dan merepresentasikan peluang berada di state i pada waktu t. t ecara matematis nilai ξ i, j dan γ i dapat diformulasikan dengan persamaan berikut: ξ i, j,, λ t t i t+ t j t αt i αi, jbj t + βt+ j λ. Variabel state: γ i, λ. t t i N j ξ i, j Dengan menggunakan persamaan. dan., maka persamaan untuk mengupdate parameter-parameter A, B, π pada HMM dapat dirumuskan sebagai berikut: robabilitas state transisi: a ij T t T ξt i, j, γ i t t i N, j M.4 imbol probabilitas emisi b j k T t, T t γ j T Vk, γ j t i N, j M.5
8 robabilitas state awal π i γ t, i N.6 Ilustrasi mengenai algoritma Baum-Welch dapat dilihat sebagai berikut: i. aijb j t+..... α t i β t+ j t t + t t + j Gambar.6. Ilustrasi erhitungan pada Algoritma Baum-Welch umber: Rabiner, 989.6. Contoh enyelesaian Rantai Markov pada Kasus Cuaca Cuaca dalam tiga hari yang lalu dimodelkan dalam tiga state: cerah, berawan, dan hujan. Misalkan, kita asumsikan bahwa probabilitas cuaca esok hari berdasarkan cuaca hari ini dalam tabel berikut: Tabel.. robabilitas cuaca hari ini berdasarkan cuaca esok hari Cuaca Esok Hari Cerah Hujan Berawan Cuaca Hari Cerah 0,8 0,05 0,5 Ini Hujan 0, 0,6 0, Berawan 0, 0, 0,5 umber: Lussier, 998
9 enyelesaian: Diketahui rantai Markov sebagai berikut: 0,6 hujan 0, 0, 0,05 0, cerah 0, berawan 0,8 0,5 Gambar.7. Rantai Markov pada kasus cuaca 0,5 Contoh : Jika hari ini cuaca cerah, berapakah probabilitas bahwa esok hari cuaca cerah dan lusa adalah hujan? Jika hari ini cuaca cerah, maka probabilitas bahwa esok hari cuaca cerah dan lusa adalah hujan, yaitu: cerah, hujan cerah hujan cerah hujan cerah 0.050.8 0.04 cerah, cerah cerah* cerah cerah* Contoh 4: Jika hari ini cuaca berawan, berapakah probabilitas bahwa lusa akan hujan? Jika hari ini cuaca berawan, maka probabilitas bahwa lusa akan hujan, yaitu:
40 hujan berawan berawan, hujan, cerah, hujan berawan + hujan cerah hujan hujan hujan berawan berawan + cerah hujan berawan berawan 0.0.5 + 0.60. + 0.050. 0.4 berawan + berawan + berawan hujan hujan Dari penjelasan diatas, dapat disimpulkan bahwa Markov Chain bermanfaat untuk menghitung probabilitas urutan state yang dapat diamati. Masalahnya terkadang ada urutan state yang ingin diketahui tetapi tidak dapat diamati. Untuk menyelesaikan kasus tersebut, dikembangkan oleh model baru yang memodelkan kejadian yang tersembunyi, disebut Hidden Markov Model HMM..7. Contoh enyelesaian Hidden Markov Model pada Kasus Cuaca Anggaplah bahwa Anda sedang terkunci di sebuah ruangan untuk beberapa hari, dan Anda ditanya tentang cuaca diluar. atu-satunya bukti yang Anda miliki adalah apakah orang yang datang ke ruangan sedang membawa makanan sehari-hari Anda membawa sebuah payung atau tidak. robabilitas melihat ada sebuah payung berdasarkan cuaca tersebut dapat dilihat pada tabel berikut: Tabel.. robabilitas melihat sebuah payung berdasarkan cuaca robabilitas ayung Cerah 0. Hujan 0.8 Berawan 0. umber: Lussier, 998
4 Contoh 5: Anggaplah hari dimana Anda terkunci adalah cuaca cerah. Hari berikutnya, penjaga rumah membawa sebuah payung ke ruangan. Asumsikan bahwa probabilitas utama dari penjaga rumah yang membawa sebuah payung pada hari itu adalah 0.5. Berapakah probabilitas bahwa hari kedua adalah hujan? Anggaplah hari dimana Anda terkunci adalah cuaca cerah. Hari berikutnya, penjaga rumah membawa sebuah payung ke ruangan. Asumsikan bahwa probabilitas utama dari penjaga rumah yang membawa sebuah payung pada hari itu adalah 0.5 Maka, probabilitas bahwa hari kedua adalah hujan, yaitu: W dan tidak bergantung hujan, cerah W cerah T W T cerah, hujan hujan, cerah Baye' srule cerah W T W T hujan hujan, cerah Markov assumption cerah W T W Cancel : cerah T 0.80.05 0.5.08 hujan hujan W T cerah Contoh 6: Anggaplah hari dimana Anda terkunci di ruangan adalah cerah. enjaga rumah membawa sebuah payung di hari kedua, tetapi tidak di hari ketiga. Asumsikan bahwa probabilitas utama dari penjaga rumah membawa sebuah payung adalah 0.5. Berapakah probabilitas bahwa hari tersebut berawan di hari ketiga? Anggaplah hari dimana Anda terkunci di ruangan adalah cerah. enjaga rumah membawa sebuah payung di hari kedua, tetapi tidak di hari ketiga.
4 Asumsikan bahwa probabilitas utama dari penjaga rumah membawa sebuah payung adalah 0.5 Maka, probabilitas bahwa hari tersebut berawan di hari ketiga, yaitu:.. Microsoft peech AI peech Application rogramming Interface adalah sebuah AI yang dikembangkan oleh Microsoft yang digunakan sebagai pengenal suara di dalam lingkungan pemrograman aplikasi Windows. ampai saat ini peech AIdikemas baik berupa DK istem Development Kit maupun disertakan dalam sistem operasi Windows itu sendiri. 0.9 0.50.5 0.70.0.508 0.50.5 0.70.80.0.05 0.50.5 0.70.0.50.5...,...,,,,,, + + + + + T T T R R R T T T T T T R R R T T T berawan cerah berawan hujan alse W True W cerah berawan berawan W T W
4 alah satu aplikasi yang telah menggunakan peech Application rogramming interface antara lain Microsoft ffice. ecara arsitektur pemrograman AI dapat dilihat sebagai sebuah middleware yang terletak antara aplikasi dan speech engine. Di dalam AI versi sampai 5, aplikasi dapat berkomunikasi langsung dengan speech engine seperti tampak pada gambar berikut: Gambar.8. Arsitektur Microsoft peech Application rogramming Interface Komponen-komponen utama di dalam Microsoft peech AI adalah sebagai berikut: a. Voice Command, sebuah objek level tinggi untuk perintah dan kontrol menggunakan pengenalan suara. b. Voice Dictation, sebuah obyek level tinggi continuous dictationspeech recognition. c. Voice Talk, sebuah obyek untuk menulis aplikasi telepon berbasiskan pengenalan suara.
44 d. Direct peech Recognition, sebuah obyek sebagai mesin untuk mengontrol pengenalan suara direct control of recognition engine. e. Direct Text to peech, sebuah mesin yang mengontrol synthesis. f. Audio bject, untuk membaca dari audio device atau sebuah file audio ption Explicit.