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

dokumen-dokumen yang mirip
BAB III ANALISIS DAN PERANCANGAN PROGRAM APLIKASI. spesifikasi perangkat keras dan perangkat lunak yang menunjang.

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

Pengenalan Pembicara dengan Ekstraksi Ciri MFCC Menggunakan Kuantisasi Vektor (VQ) Yoyo Somantri & Erik Haritman dosen tek elektro fptk UPI.

BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES

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

3.1.2 Analisis Kebutuhan... Error! Bookmark not defined Perancangan... Error! Bookmark not defined Pengujian... Error!

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

Sistem Verifikasi Penutur menggunakan Metode Mel Frequensi.

PENDAHULUAN. Latar Belakang

BAB 1 PENDAHULUAN. Universitas Indonesia

BAB III METODOLOGI PENELITIAN

BAB IV IMPLEMENTASI DAN EVALUASI. 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian

IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK

BAB I PENDAHULUAN I.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang

UNIVERSITAS BINA NUSANTARA

1. BAB I PENDAHULUAN 1.1. Latar Belakang

UNIVERSITAS BINA NUSANTARA

Aplikasi Teknik Speech Recognition pada Voice Dial Telephone

SISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE

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

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

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

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

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

DAFTAR ISI. KATA PENGANTAR... Error! Bookmark not defined. DAFTAR ISI... i. DAFTAR TABEL... vi. DAFTAR GAMBAR... vii

Bab 3. Perancangan Sistem

BAB I PENDAHULUAN 1.1 Latar Belakang

1. Pendahuluan Latar Belakang

BAB I PENDAHULUAN 1.1 LATAR BELAKANG

BAB I PENDAHULUAN 1.1 Latar Belakang

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

BAB I PENDAHULUAN. pernah tepat, dan sedikitnya semacam noise terdapat pada data pengukuran.

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB III PERANCANGAN PERANGKAT LUNAK MENENTUKAN JENIS KAWANAN IKAN, JARAK KAWANAN IKAN, DAN POSISI KAPAL

BAB 1 PENDAHULUAN. untuk bersosialisasi didalam kehidupan sehari-hari dalam kehidupan mereka. Sarana

APLIKASI PENGENALAN SUARA UNTUK SIMULASI PENGUNCI PINTU ABSTRAK

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

BAB 2 LANDASAN TEORI

PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV

BAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1

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

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

UKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1. Latar Belakang

Pengenalan Suara Menggunakan Metode MFCC (Mel Frequency Cepstrum Coefficients) dan DTW (Dynamic Time Warping) untuk Sistem Penguncian Pintu

BAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi

BAB I PENDAHULUAN. 1.1 Latar Belakang

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

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

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

BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian terkait Gunung Merapi merupakan hal yang menarik untuk dilakukan. Berbagai metode digunakan untuk

PENERJEMAH FILE MUSIK BEREKSTENSI WAV KE NOT ANGKA. Albertus D Yonathan A / ABSTRAK

TUGAS AKHIR. Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan Program Strata I Pada Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas

Verifikasi Sidik Jari Menggunakan Pencocokan Citra Berbasis Fasa Dengan Fungsi Band-Limited Phase Only Correlation (BLPOC)

BAB I PENDAHULUAN I-1

PENERAPAN MODEL CODEBOOK UNTUK TRANSKRIPSI SUARA KE TEKS DENGAN EKSTRAKSI CIRI MEL-FREQUENCY CEPSTRUM COEFFICIENTS (MFCC) MEGGA DARA NINGGAR SUHARTO

BAB I PENDAHULUAN 1.1 Latar Belakang

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

UKDW. Bab 1 PENDAHULUAN

BAB 1 PENDAHULUAN. berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang

BAB 3 PERANCANGAN SISTEM

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

UNIVERSITAS INDONESIA ANALISIS DAN PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN JENIS IKAN SECARA REAL-TIME DENGAN MENGGUNAKAN METODA HIDDEN MARKOV

PENDAHULUAN. Latar Belakang

TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL DYNAMIC PROGRAMMING SINTYA ROSDWIANTY

BAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function

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

MODUL 5 EKSTRAKSI CIRI SINYAL WICARA

BAB 1 PENDAHULUAN. berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition

PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG

1.1 Latar Belakang BAB 1 PENDAHULUAN

BAB I PENDAHULUAN. 1.1 Latar Belakang

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

PENDAHULUAN. Latar Belakang

UNIVERSITAS INDONESIA SIMULASI PENGENALAN CHORD TERISOLASI BERBASISKAN SPEAKER DEPENDENT DENGAN METODE HIDDEN MARKOV MODEL SKRIPSI

BAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian

BAB 1 PENDAHULUAN. ini ikut mendorong terjadinya pertumbuhan di berbagai bidang, salah satunya

BAB I PENDAHULUAN. dapat menghasilkan suara yang enak untuk didengar.

BAB III METODOLOGI PENELITIAN

DESAIN MESIN PRESENSI BERBASIS IDENTIFIKASI SUARA PENUTUR

BAB 1 PENDAHULUAN Pengantar

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

PENGEMBANGAN MODEL CODEBOOK UNTUK IDENTIFIKASI CHORD GITAR TONI HARYONO

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

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

RANCANG BANGUN APLIKASI PENGENAL PENUTUR MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM)

BAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Bab 4. Implementasi Dan Evaluasi

BAB I PENDAHULUAN. MMS (Multimedia Messaging Service) adalah puncak dari evolusi SMS

BAB I PENDAHULUAN. I.1 Latar Belakang

BAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa

BAB I PENDAHULUAN. Pada umumnya pembaca ingin mendapatkan rangkuman suatu artikel dengan cepat

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

SISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM)

BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi:

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 SOEGIJAPRANATA SEMARANG 2005

DAFTAR ISI ABSTRAK...Error! Bookmark not defined. KATA PENGANTAR...Error! Bookmark not defined. DAFTAR ISI... 1 DAFTAR GAMBAR...Error! Bookmark not defined. BAB I PENDAHULUAN... ERROR! BOOKMARK NOT DEFINED. 1.1 Latar Belakang Masalah... ERROR! BOOKMARK NOT DEFINED. 1.2 Perumusan Masalah... ERROR! BOOKMARK NOT DEFINED. 1.3 Batasan Masalah... ERROR! BOOKMARK NOT DEFINED. 1.4 Tujuan dan Manfaat... ERROR! BOOKMARK NOT DEFINED. 1.5 Metode Penulisan... ERROR! BOOKMARK NOT DEFINED. 1.6 Sistematika Penulisan... ERROR! BOOKMARK NOT DEFINED. BAB II LANDASAN TEORI... ERROR! BOOKMARK NOT DEFINED. 2.1 Waktu dan Frekuensi Ternormalisasi... ERROR! BOOKMARK NOT DEFINED. 2.2 Frame dan Jendela (Windows)... ERROR! BOOKMARK NOT DEFINED. 2.3 Transformasi dan Beberapa Konsep TerkaitERROR! BOOKMARK NOT DEFINED. 2.4 Bentuk Lain dan Variasi Pada Parameter Cepstrum Nyata Waktu Pendek (strc) ERROR! BOOKMARK NOT DEFINED. 2.5 Pengukuran Jarak... ERROR! BOOKMARK NOT DEFINED. 2.6 Ukuran Euclid dan Pemilihan Fitur (The Euclidian Metric and Prewhitening of Features)... ERROR! BOOKMARK NOT DEFINED.

2.7 Algoritma Pengklusteran... ERROR! BOOKMARK NOT DEFINED. BAB III SISTEM PENGENALAN TUTUR OTOMATISERROR! BOOKMARK NOT DEFINED. 3.1 Prinsip-prinsip Pengenalan Pembicara (Speaker Recognition)... ERROR! BOOKMARK NOT DEFINED. 3.2 Ekstraksi Fitur Tutur (Speech Feature Extraction)ERROR! BOOKMARK NOT DEFINED. 3.2.1 Pengenalan... Error! Bookmark not defined. 3.2.2 Pemroses Koefisien Cepstrum Frekuensi Mel (Mel-Frequency Cepstrum Coefficients Processor)... Error! Bookmark not defined. 3.2.2.1 Pembagian Frame (Frame Blocking).. Error! Bookmark not defined. 3.2.2.2 Penjendelaan (Windowing)... Error! Bookmark not defined. 3.2.2.3 Transformasi Fourier Singkat (Fast Fourier Transform)Error! Bookmark not defined. 3.2.2.4 Pembungkusan Frekuensi Mel (Mel-Frequency Wrapping)Error! Bookmark not defined. 3.2.2.5 Cepstrum... Error! Bookmark not defined. 3.2.3 Ringkasan... Error! Bookmark not defined. 3.3 Pencocokan Fitur (Feature Matching)... ERROR! BOOKMARK NOT DEFINED. 3.3.1 Pengenalan... Error! Bookmark not defined. 3.3.2 Mengklusterkan Vektor-vektor Latihan (Clustering Training Vectors)... Error! Bookmark not defined. BAB IV RANCANG BANGUN PERANGKAT LUNAK VOID...ERROR! BOOKMARK NOT DEFINED.

4.1 Rancang Bangun M-Files... ERROR! BOOKMARK NOT DEFINED. 4.1.1 FrameBlock... Error! Bookmark not defined. 4.1.2 Windowing... Error! Bookmark not defined. 4.1.3 Melfb... Error! Bookmark not defined. 4.1.4 Mfcc... Error! Bookmark not defined. 4.1.5 Disteu... Error! Bookmark not defined. 4.1.6 SplitCodeword... Error! Bookmark not defined. 4.1.7 Vqlbg... Error! Bookmark not defined. 4.1.8 Train... Error! Bookmark not defined. 4.1.9 Test... Error! Bookmark not defined. 4.1.10 Rekam... Error! Bookmark not defined. 4.2 Rancang Bangun Antarmuka Pengguna Grafis (Graphical User Interface) ERROR! BOOKMARK NOT DEFINED. 4.2.1 VoId... Error! Bookmark not defined. 4.2.2 Latih... Error! Bookmark not defined. 4.2.3 Uji... Error! Bookmark not defined. 4.2.4 ProUm... Error! Bookmark not defined. 4.2.5 ProDet... Error! Bookmark not defined. 4.2.6 ProDet2... Error! Bookmark not defined. 4.3 Rancang Bangun Program Aplikasi... ERROR! BOOKMARK NOT DEFINED. 4.4 Rancang Bangun Paket Instalasi... ERROR! BOOKMARK NOT DEFINED. BAB V ANALISA KINERJA PERANGKAT LUNAK VOID...ERROR! BOOKMARK NOT DEFINED. 5.1 Tahap Pelatihan (Training Session)... ERROR! BOOKMARK NOT DEFINED. 5.1.1 Profil Tahap Pelatihan... Error! Bookmark not defined.

5.1.2 Uji Konsumsi Waktu... Error! Bookmark not defined. 5.2 Tahap Pengujian (Testing Session)... ERROR! BOOKMARK NOT DEFINED. 5.2.1 Profil Tahap Pengujian... Error! Bookmark not defined. 5.2.2 Uji Konsumsi Waktu... Error! Bookmark not defined. 5.3 Simulasi Secara Umum... ERROR! BOOKMARK NOT DEFINED. BAB VI PENUTUP... ERROR! BOOKMARK NOT DEFINED. 6.1 Kesimpulan... ERROR! BOOKMARK NOT DEFINED. 6.2 Saran... ERROR! BOOKMARK NOT DEFINED. DAFTAR PUSTAKA... ERROR! BOOKMARK NOT DEFINED. LAMPIRAN... ERROR! BOOKMARK NOT DEFINED.

ABSTRAK Tujuan dibuatnya tugas akhir adalah untuk menciptakan sebuah software yang dapat melakukan tugas pengidentifikasian pembicara. Dalam menulis teknik yang digunakan adalah studi literatur, dimana banyak sumber-sumber yang dibaca dan digunakan dalam rangkaian proses penulisan dan perancangan software. Pengenalan tutur adalah proses secara otomatis mengenali siapa yang berbicara dengan dasar informasi individu yang terdapat pada sinyal tutur. Pengenalan tutur dapat diklasifikasikan menjadi identifikasi dan verifikasi. Metode pengenalan tutur dapat juga dibagi menjadi metode tanpa teks (text-independent) dan dengan teks (text-dependent). Semua teknologi pengenalan tutur, identifikasi dan verifikasi, tanpa teks dan dengan teks, masing-masing mempunyai keuntungan dan kerugian dan membutuhkan penanganan dan teknik yang berbeda. Pada tingkat tertinggi, semua sistem pengenalan tutur mengandung dua modul utama : ekstraksi fitur dan pencocokan fitur. Tujuan tahap ekstraksi fitur adalah untuk mengubah bentuk gelombang dari beberapa jenis reperesentasi parametrik (pada laju yang cukup rendah) untuk analisis dan pemrosesan lebih lanjut. Perangkat lunak VoId ini sebenarnya berasal mula dari pembuatan beberapa m-file yang berisi fungsi-fungsi yang mendukung proses pengidentifikasian suara. M- file inilah yang merupakan tulang punggung dari perangkat lunak VoId ini. M-file yang digunakan dalam rancang bangun perangkat lunak VoId ini ada sepuluh buah yang merupakan hasil rancangan sendiri sedangkan yang lainnya adalah m-file yang sudah built-in pada MATLAB. Adapun sepuluh buah m-file rancangan tersebut adalah FrameBlock, windowing, melfb, mfcc, split codeword, disteu, vqlbg, train, test dan rekam. Semua sistem pengenalan tutur melalui dua fase berbeda. Pertama adalah tahap pelatihan (training phase) sementara yang kedua adalah tahap pengujian (testing phase). Dalam tahap pelatihan, tiap pembicara terdaftar harus memberikan contoh suaranya agar sistem dapat membangun sebuah model acuan untuk pembicara tersebut. Penyebab lamanya waktu pelatihan adalah karena banyaknya frame yang dibentuk oleh karena sinyal-sinyal masukan cukup panjang. Dengan demikian lamanya waktu pelatihan berbanding lurus dengan panjangnya sinyalsinyal masukan (dalam hal ini panjang sinyal masukan berarti banyaknya sampel yang diambil). Tampak bahwa konsumsi waktu yang dibutuhkan untuk pelatihan kedua menurun secara drastis dibandingkan pelatihan pertama. Kemudian untuk selanjutnya waktu yang dibutuhkan tidak stabil dan cenderung naik turun. Naik turunnya waktu yang dibutuhkan disebabkan karena aktivitas CPU dalam mengolah data-data yang masuk.waktu pengujian berbanding lurus dengan panjang sinyalsinyal uji. VoId juga dapat digunakan untuk kata-kata apapun yang artinya tidak bergantung pada kata-kata yang diucapkan.