Analisis Suara Alphabet

144
ANALISIS SUARA ALPHABET MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK SKRIPSI Oleh: FADHLI ALMU’IINI AHDA NIM. 04550063 JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) MAULANA MALIK IBRAHIM MALANG 2010

Transcript of Analisis Suara Alphabet

Page 1: Analisis Suara Alphabet

ANALISIS SUARA ALPHABET

MENGGUNAKAN JARINGAN SYARAF TIRUAN

PROPAGASI BALIK

SKRIPSI

Oleh:

FADHLI ALMU’IINI AHDA

NIM. 04550063

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN)

MAULANA MALIK IBRAHIM MALANG

2010

Page 2: Analisis Suara Alphabet

ANALISIS SUARA ALPHABET

MENGGUNAKAN JARINGAN SYARAF TIRUAN

PROPAGASI BALIK

SKRIPSI

Diajukan Kepada:

Dekan Fakultas Sains dan Teknologi

Universitas Islam Negeri Maulana Malik Ibrahim (UIN Maliki) Malang

untuk Memenuhi Salah Satu Persyaratan dalam

Memperoleh Gelar Sarjana Komputer (S.Kom)

Oleh:

FADHLI ALMU’IINI AHDA

NIM. 04550063

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI (UIN)

MAULANA MALIK IBRAHIM MALANG

2010

Page 3: Analisis Suara Alphabet

SURAT PERNYATAAN

Yang bertanda tangan di bawah ini :

Nama : Fadhli Almu‟iini Ahda

NIM : 04550063

Menyatakan bahwa skripsi yang saya buat untuk memenuhi persyaratan kelulusan pada

Fakultas Sains dan Teknologi, Jurusan Teknik Informatika Universitas Islam Negeri Malang

Dengan Judul ANALISIS SUARA ALPHABET MENGGUNAKAN JARINGAN SYARAF

TIRUAN PROPAGASI BALIK ini adalah hasil karya sendiri dan bukan duplikasi karya orang

lain baik sebagian ataupun keseluruhan, kecuali dalam bentuk kutipan yang telah disebutkan

sumbernya. Selanjutnya apabila di kemudian hari ada Klaim dari pihak lain, bukan menjadi

tanggung jawab dosen pembimbing dan atau pengelola Fakultas Sains dan Teknologi Jurusan

Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang tetapi menjadi

tanggung jawab saya sendiri.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya dan apabila pernyataan

ini tidak benar, saya bersedia mendapatkan sangsi akademis.

Malang, 28 April 2010

Yang membuat pernyataan

Fadhli Almu‟iini Ahda

Page 4: Analisis Suara Alphabet

ANALISIS SUARA ALPHABET

MENGGUNAKAN JARINGAN SYARAF TIRUAN

PROPAGASI BALIK

Oleh:

FADHLI ALMU’IINI AHDA

NIM. 04550063

Telah Disetujui untuk Diuji

Malang, April 2010

Dosen Pembimbing I, Dosen Pembimbing II,

Syahiduzzaman, M.Kom M. Ainul Yaqin, M.Kom

NIP. 197005022005011005 NIP. 197610132006041004

Mengetahui,

Ketua Jurusan Teknik Informatika

Ririen Kusumawati, M.Kom

NIP. 197203092005012002

Page 5: Analisis Suara Alphabet

LEMBAR PENGESAHAN

ANALISIS SUARA ALPHABET

MENGGUNAKAN JARINGAN SYARAF TIRUAN

PROPAGASI BALIK

SKRIPSI

Oleh

FADHLI ALMU’IINI AHDA

NIM. 04550063

Diajukan Kepada:

Dekan Fakultas Sains dan Teknologi

Universitas Islam Maulana Malik Ibrahim (UIN Maliki) Malang

untuk Memenuhi Salah Satu Persyaratan dalam

Memperoleh Gelar Sarjana Komputer (S.Kom)

Tanggal, 22 April 2010

Susunan Dewan Penguji: Tanda Tangan

1. Penguji Utama : Totok Chamidy, M.Kom ( )

NIP. 196912222006041001

2. Ketua : M. Amin Hariyadi, M.T ( )

NIP. 196701182005011001

3. Sekretaris : Syahiduzzaman, M.Kom ( )

NIP. 197005022005011005

4. Anggota : M. Ainul Yaqin, M.Kom ( )

NIP. 197610132006041004

Mengetahui dan Mengesahkan,

Ketua Jurusan Teknik Informatika

Ririen Kusumawati, M.Kom

NIP. 197203092005012002

Page 6: Analisis Suara Alphabet

MOTTO

Berlarilah selagi bisa berlari Berjalanlah selagi bisa berjalan

Dan Berdoalah selagi bisa berdoa

Page 7: Analisis Suara Alphabet

KATA PENGANTAR

Alhamdulillahi rabbil „alamin. Puji syukur penulis panjatkan kehadirat Allah SWT, karena

atas segala rahmat dan limpahan karunianya, Tugas Akhir yang berjudul “Analisis File Suara

Alphabet Menggunakan Metode Neural Network Backpropagation” ini dapat diselesaikan.

Semoga Allah melimpahkan rahmat atas Nabi Muhammad SAW yang senantiasa memberikan

cahaya petunjuknya, dan atas keluarganya yang baik dan suci dengan rahmat yang berkah-Nya

menyelamatkan kita pada hari akhirat.

Dalam penyelesaian tugas akhir ini, penulis telah mendapat begitu banyak bantuan baik

moral maupun materiil dari banyak pihak. Atas bantuan yang telah diberikan, penulis ingin

menyampaikan penghargaan dan ucapan terima kasih yang sedalam-dalamnya kepada:

1. Bapak Prof. DR. H. Imam Suprayogo, selaku Rektor Universitas Islam Negeri Malang

beserta seluruh staf. Darma Bakti Bapak dan Ibu sekalian terhadap Universitas Islam

Negeri Malang turut membesarkan dan mencerdaskan penulis.

2. Bapak Prof. Drs. Sutiman Bambang Sumitro, SU., DSc, selaku Dekan Fakults Sains dan

Teknologi Universitas Islam Negeri Malang beserta staf . Bapak dan ibu sekalian sangat

berjasa memupuk dan menumbuhkan semangat untuk maju kepada penulis.

3. Ibu Ririen Kusumawati, M.Kom selaku Ketua Jurusan Teknik Informatika yang telah

memotivasi, membantu dan memberikan penulis arahan yang baik dan benar dalam

menyelesaikan penulisan skripsi ini.

4. Bapak Syahiduzzaman, M.Kom dan M. Ainul Yaqin, M.Kom selaku pembimbing skripsi

penulis di jurusan Teknik Informatika UIN Malang yang telah banyak memberikan

bimbingan serta motifasi kepada penulis dalam menyelesaikan skripsi ini.

Page 8: Analisis Suara Alphabet

5. Seluruh Dosen Universitas Islam Maulana Malik Ibrahim Negeri (UIN Maliki) Malang,

khususnya Dosen Teknik Informatika dan staf yang telah memberikan ilmu kepada

penulis, dan dukungan untuk menyelesaikan penulisan skripsi ini.

6. Papa dan Mamaku tersayang, Adik-adikku dan seluruh keluarga besar nun jauh disana di

Pekanbaru yang telah banyak memberikan doa, motivasi dan dorongan dalam penyelesaian

skripsi ini.

7. Cantik ku Dilianti Pratama Putri Sari, yang selalu menguatkanku dan memberikan

semangat di saat menghadapi kesulitan dalam menyelesaikan skripsi ini, serta

mengingatkanku untuk selalu beribadah.

8. Semua sahabat yang telah membantu menulis hingga terselesaikanya skripsi ini, khususnya

kepada Dwy, Asih, Jacky, Memed, Dofar, Igif, Hadak, Andre, sahabat-sahabat IKPMR,

dan semua sahabat di TI-UIN Malang angakatan 2004 semoga Allah SWT memberikan

balasan yang setimpal atas jasa dan bantuan yang telah diberikan.

9. Dan kepada seluruh pihak yang mendukung penulisan skripsi yang tidak dapat disebutkan

satu persatu penulis ucapkan terimakasih yang sebesar-besarnya. Semoga penulisan

laporan tugas akhir ini bermanfaat bagi pembaca sekalian.

Penulis menyadari bahwa tugas akhir ini masih jauh dari kesempurnaan, dan mengandung

banyak kekurangan, sehingga dengan segala kerendahan hati penulis mengharapkan kritik dan

saran yang membangun dari pembaca.

Malang, 25 April 2010

Penulis

Page 9: Analisis Suara Alphabet

DAFTAR ISI

Halaman Judul ......................................................................................................................... i

Lembar Pengajuan................................................................................................................... ii

Lembar Persetujuan ................................................................................................................ iii

Halaman Pengesahan............................................................................................................... iv

Surat Pernyataan ..................................................................................................................... v

Motto ......................................................................................................................................... vi

Lembar Persembahan ............................................................................................................. vii

Kata Pengantar ........................................................................................................................ viii

Daftar Isi ................................................................................................................................... x

Daftar Gambar ......................................................................................................................... xii

Daftar Tabel ............................................................................................................................. xiv

Abstrak...................................................................................................................................... xv

Bab I Pendahuluan 1.1 Latar Belakang ............................................................................................................... 1

1.2 Rumusan Masalah .......................................................................................................... 5

1.3 Batasan Masalah ............................................................................................................ 5

1.4 Tujuan Penelitian ........................................................................................................... 5

1.5 Metodologi Penelitian .................................................................................................... 6

1. 6 Sistematika Penulisan Laporan ..................................................................................... 7

Bab II Dasar Teori

2.1 Alphabet........................................................................................................................ 8

2.1.1 Pengertian Alphabet ............................................................................................... 8

2.1.2 Sejarah Alphabet ................................................................................................... 9

2.2 Kecerdasan Buatan ....................................................................................................... 10

2.3 Pengenalan Pola ........................................................................................................... 12

2.4 Mekanisme Pembentukan Suara .................................................................................. 16

2.5 Pengenalan Suara ......................................................................................................... 19

2.6 Sistem Pengenalan Suara.............................................................................................. 24

2.6.1 Pencuplikan Sinyal Suara ....................................................................................... 25

2.6.2 Normalisasi ............................................................................................................ 26

2.6.3 Pemrosesan Sinyal Digital...................................................................................... 27

2.6.4 Linier Predictive Coding (LPC) ............................................................................. 28

2.6.5 Fast Faurier Transform (FFT) ............................................................................... 32

2.7 Neural Network (NN) ................................................................................................... 33

2.7.1 Pengertian Neural Network ................................................................................... 33

2.7.2 Inspirasi Biologis .................................................................................................... 33

2.7.3 Structure Recurrent (feedback) .............................................................................. 34

2.7.4 Supervised Learning (Belajar Dengan Pengawasan) ............................................. 35

2.7.5 Multi Layer Perceptron (MLP) .............................................................................. 36

2.8 Aplikasi Jaringan Syaraf Tiruan ................................................................................... 42

2.9 Matlab ........................................................................................................................... 44

2.10 Flowchart ..................................................................................................................... 44

Page 10: Analisis Suara Alphabet

Bab III Desain Dan Perancangan Sistem

3.1 Analisis Sistem .............................................................................................................. 47

3.1.1 Deskripsi Sistem ..................................................................................................... 47

3.1.2 Batasan Sistem ....................................................................................................... 49

3.1.3 Kebutuhan Perangkat Lunak .................................................................................. 49

3.2 Perancangan Sistem ....................................................................................................... 60

3.2.1 Arsitektur Neural Network (NN) ............................................................................ 60

3.2.2 Proses Pelatihan NN ............................................................................................... 61

3.2.3 Hasil Pelatihan NN ................................................................................................. 62

3.2.4 Keberhasilan Pelatihan NN .................................................................................... 68

3.3 Desain Antar Muka ........................................................................................................ 69

Bab IV Pembahasan

4.1 Peralatan Dan Uji Coba ................................................................................................. 71

4.2 Data Uji.......................................................................................................................... 72

4.3 Implementasi Program ................................................................................................... 72

4.3.1 Proses Preprosesing Data ...................................................................................... 73

4.3.2 Proses Pengenalan Suara ........................................................................................ 82

4.3.3 Proses Pengujian Suara .......................................................................................... 89

Bab V Kesimpulan dan Saran

5.1 Kesimpulan ................................................................................................................. .114

5.2 Saran ........................................................................................................................... .114

Daftar Pustaka ......................................................................................................................... .116

Lampiran-lampiran ................................................................................................................. .117

Page 11: Analisis Suara Alphabet

DAFTAR TABEL

Tabel 2.1 Nilai Parameter Analisa LPC ........................................................................................ 31

Tabel 3.1 Pembagian Data Uji ...................................................................................................... 47

Tabel 3.2 Hasil Latih Untuk Data Uji 1 ........................................................................................ 64

Page 12: Analisis Suara Alphabet

DAFTAR GAMBAR

Gambar 2.1: Foto Sinar X Penampang Alat-Alat Ucap Manusia ................................................. 17

Gambar 2.2: Sistem Produksi Ucapan Manusia ........................................................................... 19

Gambar 2.3: Diagram Blok sistem pengenalan suara ................................................................... 24

Gambar 2.4: Posisi Filter Pre-Emphasis pada sistem pengolah wicara ........................................ 29

Gambar 2.5: Diagram Blok pre-emphasis filter ........................................................................... 30

Gambar 2.6: Sebuah sel syaraf sederhana..................................................................................... 34

Gambar 2.7: Neural Network FeedBack ....................................................................................... 35

Gambar 2.8: Model MLP .............................................................................................................. 36

Gambar 2.9: Diagram Jaringan Saraf Tiruan Back Propagation .................................................. 40

Gambar 2.10: Langkah Pengaplikasian Jaringan Saraf Tiruan ..................................................... 42

Gambar 3.1: Diagram Blok Sistem Secara keseluruhan .................................................................. 48

Gambar 3.2: Diagram Alir Pengolahan Sinyal ............................................................................. 51

Gambar 3.3: Diagram Alir Proses Pembelajaran .......................................................................... 53

Gambar 3.4: Diagram Alir Proses Feedforward ........................................................................... 55

Gambar 3.5: Diagram Alir proses hitung error ............................................................................ 56

Gambar 3.6: Diagram Alir Propagasi Balik .................................................................................. 57

Gambar 3.7: Diagram Alir Proses Pengenalan ............................................................................. 60

Gambar 3.8: Pelatihan dengan 1 hidden 50 node ......................................................................... 63

Gambar 3.9: Hasil latih huruf A yang Dikenali ............................................................................ 64

Gambar 3.10: Desain Antar Muka Sistem .................................................................................... 69

Gambar 3.11: Sistem dalam posisi siap digunakan ...................................................................... 70

Gambar 4.1: Normalisasi .............................................................................................................. 73

Gambar 4.2: Estimasi Sinyal Suara .............................................................................................. 74

Gambar 4.3: Error Sinyal .............................................................................................................. 75

Gambar 4.4: Model Frekuensi Respon Spectrum ......................................................................... 76

Gambar 4.5: Prediksi Kesalahan ................................................................................................... 77

Gambar 4.6: Prediksi Kesalahan Pola ........................................................................................... 78

Gambar 4.7: Grafik Pengenalan Suara TRAINGDA .................................................................... 87

Page 13: Analisis Suara Alphabet

Gambar 4.8: Hasil Pengujian Huruf.............................................................................................. 88

Gambar 4.9: Hasil Pengujian Secara Jelas .................................................................................... 88

Gambar 4.10: Halaman GUIDE .................................................................................................... 89

Gambar 4.11: Membuka GUI Matlab ............................................................................................ 90

Gambar 4.12: Halama Antar Muka Program ................................................................................91

Gambar 4.13: Menampilkan Data Input .......................................................................................92

Gambar 4.14: Proses Pelatihan ....................................................................................................93

Gambar 4.15: Grafik menandakan pengenalan ............................................................................93

Gambar 4.16: Tahap Awal Pengujian .........................................................................................100

Gambar 4.17: Proses Pengujian ..................................................................................................108

Gambar 4.18: Hasil Uji Coba ......................................................................................................108

Page 14: Analisis Suara Alphabet

ABSTRAK

NeurPR atau lebih dikenal dengan Jaringan Syaraf Tiruan merupakan sistem

pembelajaran yang pada dasarnya mengacu pada konsep dasar sistem kerja otak manusia. Tujuan

pembelajaran pasang input-output dilakukan untuk mencari konfigurasi bobot jaringan yang

paling baik yang nantinya digunakan untuk pengenalan pola. Ada tiga metode pendekatan

pengenalan pola yaitu Statistical Pattern Recognition (StatPR), Syntatic Pattern Recognition

(SyntPR) dan Neural Pattern Recognition (NeurPR).

Sistem ini dibangun untuk menganalisis pengenalan suara huruf alphabet. Parameter yang

digunakan dalam pembuatan perangkat lunak ini adalah pola suara hasil keluaran dari FFT .

Parameter yang kedua yaitu diambil dari pola suara orang yang dianggap kurang benar dalam

mengeja huruf. Sehingga diharapkan dengan adanya acuan dua parameter antara suara yang

benar dan tidak benar maka jika ada data baru yang akan diuji sistem bisa menentukan data uji

tersebut tergolong benar atau tidak.

Neural Network algoritma propagasi balik terdiri dari lapisan unit input, lapisan hidden

(tersembunyi), dan lapisan untuk unit output/ keluaran. Untuk unit input akan dimasukkan pola

suara masing-masing ucapan yang dijadikan sebuah matrik tiap-tiap jenis huruf, contohnya:

huruf A akan dijadikan satu variabel yaitu a1, terdiri dari sepuluh pola suara orang yang

dianggap benar dengan dijadikan satu matrik. Huruf A akan dijadikan satu variabel yaitu aa1,

terdiri dari sepuluh pola suara orang yang dianggap tidak benar dengan dijadikan satu matrik.

Begitu juga dengan huruf B sampai Z. Kemudian pada tahap kedua dilakukan penentuan target,

penentuan target ini dilakukan agar keluaran dari pola suara yang telah dilatih akan sesuai

dengan target yang telah ditentukan yang menandakan bahwa pola suara berhasil melakukan

pengenalan sehingga jaringan pada akhirnya dapat memutuskan suatu pola suara benar atau tidak

benar.

Kata Kunci: Statistical Pattern Recognition (StatPR), Syntatic Pattern Recognition (SyntPR),

Neural Pattern Recognition (NeurPR), FFT (Fast Fourier Transform), Neural

Network, hidden

Page 15: Analisis Suara Alphabet

BAB I

PENDAHULUAN

1.1 Latar Belakang

Artinya:

“Bacalah dengan (menyebut) nama Tuhanmu yang Menciptakan,. Dia Telah menciptakan

manusia dari segumpal darah. Bacalah, dan Tuhanmulah yang Maha pemurah, Yang

mengajar (manusia) dengan perantaran kalam. Dia mengajar kepada manusia apa yang

tidak diketahuinya.” (Q.S Al-‟alaq : 1-5)

Dalam wahyu yang pertama surat Al‟alaq 1-5 dijelaskan bahwa Allah menyuruh manusia

untuk membaca, banyak penafsiran tentang perintah membaca dalam ayat tersebut diantaranya

belajar. Untuk mencapai proses belajar itu perlu adanya pengenalan huruf-huruf terlebih dahulu.

Ayat ini juga menjelaskan secara umum salah satu dari sifat Allah yaitu mencipta dan

memulai penciptaan. Kemudian diiringi dengan menyebut khusus tentang penciptaan dan asal

mula kejadian makhluk manusia. Yaitu dari titik darah beku yang melekat di dalam rahim dari

asal mula yang sangat kecil, kemudian dengan limpah kemurahan-Nya dan dengan qudrat kuasa-

Nya. Allah mengangkatkan segumpal darah itu kepada drajat manusia yang mengerti dan

mengetahui. Di samping menjelaskan hakikat penciptaan manusia, ayat itu juga menjelaskan

hakikat mengajar yaitu bagaimana Allah mengajar manusia dengan pena, kerana pena selama-

Page 16: Analisis Suara Alphabet

lamanya merupakan alat mengajar yang paling luas dan paling mendalam kesannya dalam

kehidupan manusia. Dalam surat Al-Baqoroh ayat 31-32 Allah berfirman:

“Dan dia mengajarkan kepada Adam nama-nama (benda-benda) seluruhnya, Kemudian

mengemukakannya kepada para malaikat lalu berfirman: "Sebutkanlah kepada-Ku nama benda-

benda itu jika kamu mamang benar orang-orang yang benar!, Mereka menjawab: "Maha Suci

Engkau, tidak ada yang kami ketahui selain dari apa yang Telah Engkau ajarkan kepada Kami;

Sesungguhnya Engkaulah yang Maha mengetahui lagi Maha Bijaksana." (Q.S Al-Baqarah 31-

32)

Dari Penjelasan ini ada dua kondisi yang perlu kita catat, yaitu Pertama, bahwa

manusia memiliki ilmu yang lebih luas dibandingkan dengan malaikat. Kedua, Adam,

sebagai manusia sedunia, benar-benar sudah mengetahui bentuk segala sesuatu (yang hidup

dan mati bersama dengan interaksi) pada waktu hidupnya sampai keturunan terakhir. Dari

penjelasan ini tidak diketahui dengan jelas bagaimana bentuk dan penggunaan ilmu yang

dimiliki oleh Adam. Dari ayat diatas sangat jelas bahwa Allah secara langsung ikut campur

tangan dalam pengembangan teknologi, kondisi yang tidak lazim terjadi dalam

pengembangan teknologi modern.1

Begitu juga dengan perkembangan media komunikasi manusia pada saat ini bisa

dikatakan sudah sangat berkembang. Namun dalam perkembangan itu sendiri tidak lepas dari

tiga hal pokok seperti suara, penglihatan, dan sentuhan. Sehingga dalam mengembangkan

teknologi khusus nya kecerdasan buatan mengacu pada tiga hal tersebut.

Banyak kemudahan yang ditawarkan untuk kepentingan interaksi manusia dan

1 Mu‟jizat Al-Qur‟an dan As-Sunnah tetang iptek, Jilid 2, 1997,h.46-47.

Page 17: Analisis Suara Alphabet

komputer. Misalnya dalam pengenalan suara untuk huruf alphabet, bagi sebahagian manusia

dalam mengenal sebuah huruf mudah saja karena manusia mempunyai pengenalan pola yang

sangat baik. Tetapi bagaimana dengan komputer? Untuk itu dalam tugas akhir ini bagaimana

komputer dapat mengenali pola huruf melalui suara yang di input kan dengan menggunakan

metode Jaringan Syaraf Tiruan.

Pengenalan suara akan menjadi dasar dalam pembuatan perangkat lunak kontrol suara

tersebut. Dasar dari pengenalan suara adalah pencocokan pola suara. Pengenalan pola dapat

dilakukan dengan pendekatan Statistical Pattern Recognition Approach (SatPR) atau

etimilasi distribusi, Syntatic Pattern Recognition Approach (SyntPR) atau parsing bahasa

formal, dan Neural Pattern Recognition Approach (NeurPR) atau model paralel [Schalkoff,

1992].

NeurPR atau lebih dikenal dengan Jaringan Syaraf Tiruan merupakan sistem

pembelajaran yang pada dasarnya mengacu pada konsep dasar sistem kerja otak manusia.

Dimana syaraf akan dapat mengenali sesuatu karena telah mengetahui atau mempelajari

sebelumnya. Masukan berupa sinyal diskrit yang telah diolah sebelumnya akan dipasangkan

dengan keluaran yang sudah ditentukan. Tujuan pembelajaran pasang input-output dilakukan

untuk mencari konfigurasi bobot jaringan yang paling baik yang nantinya digunakan untuk

pengenalan pola.

Kemampuan Jaringan Syaraf Tiruan dipengaruhi oleh artsitektur atau model

jaringannya [Kristanto, 2004]. Misalnya jaringan lapis Tunggal MucCulloch-Pitts, jaringan

syaraf Hebb, seminimal mungkin, namun dapat mengenali pola suara yang dicobakan.

Pemilihan metode ini karena jaringan Syaraf Tiruan ini mempunyai kemiripan dengan

sistem kerja otak. Hal yang menarik adalah otak manusia mempunyai kemampuan belajar

Page 18: Analisis Suara Alphabet

yang luar biasa pada saat otak dalam kondisi konsentrasi atau aktif sehingga pada keadaan

demikian otak dapat bekerja dengan masalah yang komplek. Jaringan Syaraf Tiruan

dirancang menyerupai otak manusia dengan susunan neuron-neuron yang diaktifasi oleh

sebuah fungsi. Aktifasi yang secara otomatis dapat mengatur bobot koneksi hingga mencapai

target. Pemberian bisa selalu bernilai satu dianalogikan sebagai synapsis jaringan yang selalu

aktif, sehingga jaringan menjadi kuat. Pemilihan lapisan tersembunyi tunggal karena

memperhatikan efisiensi proses pengenalan khususnya pada tahap pembelajaran dan

pengenalan serta ukuran penyimpanan. Oleh karena itu penulis mencoba meneliti dan

menuangkan dalam bentuk skripsi dengan judul “Analisis Suara Alphabet Menggunakan

Jaringan Syaraf Tiruan ”.

1.2 Rumusan Masalah

Melihat latar belakang masalah tersebut dapat dirumuskan suatu permasalahan:

Bagaimana merancang aplikasi pengenalan suara untuk pembelajaran Alphabet?

Bagaimana mendesain aplikasi dan implementasi pengenalan suara untuk pembelajaran

Alphabet dalam personal komputer?

1.3 Batasan Masalah

Untuk menghindari meluasnya permasalahan yang ada, serta keterbatasan ilmu dan

kemampuan yang dimiliki penulis maka:

1. Metode yang digunakan adalah Propagasi Balik.

2. Implementasi program hanya untuk menginputkan suara huruf alphabet.

3. Hanya dapat mengenali suara dalam format WAV.

4. Pengujian dilakukan secara offline.

Page 19: Analisis Suara Alphabet

1.4 Tujuan Dan Manfaat Penelitian

a. Tujuan Penelitian

Penelitian ini bertujuan untuk membuat suatu sistim aplikasi pengujian suara huruf

alphabet, dengan masukan data suara dalam bentuk biner yang sudah diolah melalui

proses normalisasi.

b. Manfaat Penelitian

Hasil penelitian ini diharapkan dapat digunakan sebagai bahan pembelajaran benar

tidaknya huruf alphabet dalam sisi pengejaannya. Dan aplikasi yang dibuat ini juga dapat

dijadikan pengembangan pendukung di bidang yang berkaitan. dengan penyesuaian

tertentu aplikasi ini dapat digunakan bukan hanya untuk menganalisis huruf alphabet saja,

bahkan bisa untuk bidang yang lainnya.

1.5 Metodologi Penelitian

1. Studi Literatur

Pada tahap ini dilakukan pencarian dan pemahaman literatur yang berhubungan dengan

permasalahan pencuplikan suara, pengolahan sinyal analog ke digital, pengkodean,

pembelajaran Neural Network, pengenalan pola suara, Literatur yang digunakan meliputi

buku referensi, buku Tugas Akhir mahasiswa jurusan ilmu komputer serta dokumentasi dari

internet.

2. Perumusan Masalah dan Penyesaiannya

Tahap ini meliputi perumusan masalah, batasan-batasan masalah dan penyelesaiannya serta

penentuan parameter untuk mengukur hasilnya.

3. Perancagan dan Desain Sistem

Pada tahap ini dilakukan perancangan perangkat lunak untuk menerapkan permasalahan dan

penyelesaiaan pada tahap sebelumnya.

Page 20: Analisis Suara Alphabet

4. Pembuatan Perangkat Lunak

Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan rancangan perangkat

lunak yang telah dilakukan.

5. Uji Coba dan Evaluasi Hasil

Tahap ini meliputi uji coba terhadap algoritma yang diterapkan pada pengenalan suara oleh

Neural Network. Dalam hal ini juga dilakukan evaluasi dari setiap percobaan. Proses uji coba

ini diperlukan untuk memastikan sistem yang telah dibuat sudah benar, sesuai dengan tujuan

yang hendak dicapai

1.6 Sistematika Penulisan Laporan

BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah,

tujuan penelitian, manfaat penelitian dan sistematika penulisan.

BAB II DASAR TEORI

Bab ini menjelaskan tentang teori-teori yang terkait dengan permasalahan

yang diambil. Seperti pengenalan Jaringan Syaraf Tiruan, Jenis-jenis JST, dan

pengenalan suara menggunakan Fast Fourier Transform (FFT)

BAB III DESAIN DAN PERANCANGAN SISTEM

Bab ini menjelaskan mengenai analisis dan Perancangan Sistem pengenalan

suara untuk pembelajaran huruf alphabet secara keseluruhan.

BAB IV HASIL DAN PEMBAHASAN

Bab ini berisi pengujian dan analisis terhadap hasil pengujian dari aplikasi

yang telah dibangun.

Page 21: Analisis Suara Alphabet

BAB V PENUTUP

Bab ini berisi tentang kesimpulan dan saran yang berguna untuk

pengembangan sistem pengetahuan dari penulis.

Page 22: Analisis Suara Alphabet

BAB II

DASAR TEORI

2.1 Alphabet

2.1.1 Pengertian Alphabet

Alphabet adalah set standar surat ditulis dasar simbol atau grafem - yang masing-

masing sekitar mewakili suatu fonem dalam bahasa lisan, baik seperti yang ada sekarang

atau seperti di masa lalu. Ada sistem-sistem lain, seperti logographies, di mana setiap

karakter mewakili sebuah kata, morfem, atau unit semantik, dan syllabaries, di mana

setiap karakter mewakili sebuah suku kata. Alfabet diklasifikasikan berdasarkan

bagaimana mereka menunjukkan huruf vocal, Cara yang sama seperti konsonan, seperti

dalam bahasa Yunani (true abjad). Singkatan dari konsonan, seperti dalam bahasa Hindi

(abugida), Tidak sama sekali, seperti di Phoenix (Abjad).

Kata alfabet datang ke Inggris, Abad Pertengahan dari Alphabetum Akhir kata

Latin, yang pada gilirannya berasal dari Yunani Kuno Αλφάβητος Alphabetos, dari alfa

dan beta, dua huruf pertama dari abjad Yunani. [1] Alpha dan beta pada gilirannya datang

dari dua huruf pertama dari abjad Fenisia, dan berarti sapi dan rumah masing-masing. Ada

puluhan abjad digunakan saat ini. Kebanyakan dari mereka adalah terdiri dari garis (linear

menulis); pengecualian adalah Braille, fingerspelling, dan kode morse.

(http://nukay81.blogspot.com/2009/10/asal-usul-alphabet.html) akses 7 februari 2010.

2.2.1 Sejarah Alphabet

Sama seperti yang dilakukan oleh bangsa Mesir Kuno yang kira-kira hidup pada

tahun 4000 Sebelum Masehi, serta bangsa Babylonia tidak lama setelahnya.

Page 23: Analisis Suara Alphabet

Bangsa Babylonia memulainya dengan abjad paku (Cuneiform). Kemudian

bangsa Phoenicia mengambil dan memadukan bentuk dan pengaruh dari Mesir serta

Babylonia tersebut menjadi sistem abjad pertama di dunia pada sekitar tahun 1300 SM.

Abjad Phoenicia ini terdiri atas 23 simbol sederhana yang merupakan nenek moyang bagi

huruf mati yang kita kenal saat ini serta terbatas hanya sebagai unsur bunyi. Abjad ini pun

harus dibaca dari kanan ke kiri. Bangsa Yunani kemudian meminjam dan merombak abjad

Phoenician tersebut ke dalam bentuk yang lebih teratur. Menyempurnakannya dengan

menambahkan huruf hidup seperti A/Alpha, E/Epsilon, I/Iota, O/Omicron dan Y/Upsilon.

Sekaligus memperkenalkan cara baca dari kiri ke kanan.

Maka, lahirlah standar sistem huruf/abjad yang dikenal dengan nama Alphabet

yang merupakan singkatan dari dua huruf pertama dalam sistem Alphabet Yunani, yaitu

Alpha dan Beta. Sistem Alphabet inilah yang kemudian disempurnakan lagi oleh Bangsa

Romawi untuk melahirkan Alphabet Latin yang merupakan dasar bagi sistem Alphabet

yang lazim digunakan di dunia saat ini.

(http://www.pikiran rakyat.com/prprint.php?mib=beritadetail&id=31998)

2.2 Kecerdasan Buatan

Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI)

didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem

seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke

dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat

dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan

antara lain system pakar, permainan komputer (games), logika fuzzy, jaringan syaraf

tiruan dan robotika.

Page 24: Analisis Suara Alphabet

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk

Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan,

menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi

lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang

masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan

Obyek/Muka, bermain sepak bola.

Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang

yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran

dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut

pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku

cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan,

kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan

tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri,

yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata.

Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan

militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer

rumah dan video game. Kecerdasan buatan ini bukan hanya ingin mengerti apa itu sistem

kecerdasan, tapi juga mengkonstruksinya. Tidak ada definisi yang memuaskan untuk

'kecerdasan':

1. Kecerdasan: kemampuan untuk memperoleh pengetahuan dan menggunakannya

2. Kecerdasan yaitu apa yang diukur oleh sebuah 'Latiht Kecerdasan'. (

ilmukomputer.org/category/kecerdasan-buatan/).

Page 25: Analisis Suara Alphabet

Kecerdasan buatan adalah salah satu bagian ilmu komputer yang mempunyai

pengetahuan dan motor inferensi untuk membuat komputer dapat melakukan pekerjaan

seperti layaknya manusia [Kusumadewi, 2000]. Bidangnya terbagi atas problem solving,

sistem pakar, pengolahan bahasa alami, computer vison, robotika, dan education

[Suparman, 1998].

2.3 Pengenalan Pola

Artinya:

“dan (ingatlah) di waktu Ibrahim berkata kepada bapaknya, Aazar2 "Pantaskah kamu

menjadikan berhala-berhala sebagai tuhan-tuhan? Sesungguhnya aku melihat kamu dan

kaummu dalam kesesatan yang nyata. Dan demikianlah Kami perlihatkan kepada Ibrahim

tanda-tanda keagungan (kami yang terdapat) di langit dan bumi dan (kami

memperlihatkannya) agar Dia Termasuk orang yang yakin. Ketika malam telah gelap,

Dia melihat sebuah bintang (lalu) Dia berkata: "Inilah Tuhanku", tetapi tatkala bintang

itu tenggelam Dia berkata: "Saya tidak suka kepada yang tenggelam. kemudian tatkala

Dia melihat bulan terbit Dia berkata: "Inilah Tuhanku". tetapi setelah bulan itu terbenam,

2 Di antara mufassirin ada yang berpendapat bahwa yang dimaksud dengan Abiihi (bapaknya) ialah pamannya

Page 26: Analisis Suara Alphabet

Dia berkata: "Sesungguhnya jika Tuhanku tidak memberi petunjuk kepadaKu, pastilah

aku Termasuk orang yang sesat”. kemudian tatkala ia melihat matahari terbit, Dia

berkata: "Inilah Tuhanku, ini yang lebih besar". Maka tatkala matahari itu terbenam, Dia

berkata: "Hai kaumku, Sesungguhnya aku berlepas diri dari apa yang kamu

persekutukan" (Q.S Al-An‟am 74-78)

Ayah Nabi Ibrahim AS yang sebenarnya adalah Tarikh bukanlah Aazar3, dan

nama ibunya adalah Syani, istri Nabi Ibrahim ialah Sarah dan Ibunya Ismail adalah Hajar,

budak nabi Ibrahim.

Mujahid dan As-Saddi mengatakan bahwa Aazar adalah nama berhala.

Berdasarkan pendapat inilah dikenal dengan nama Azar, karena dialah yang menjadi

pelayan dan yang mengurus berhala itu. Sedangkan Ibnu Jarir mengatakan, ulama lainnya

berpendapat bahwa Azar menurut bahasa mereka artinya kata cacian dan keaiban,

maknanya ialah menyimpang (sesat). Akan tetapi, pendapat ini tidak disandarkan kepada

seorang perawi pun oleh Ibnu Jarir, tidak pernah pula diriwayatkan oleh seorang pun. Dan

Ibnu hatim mengatakan bahwa telah disebutkan dalam mu‟tamir Ibnu Sulaiman bahwa ia

pernah mendengar ayahnya membacakan firman Allah Swt :

Dan (ingatlah) di waktu Ibrahim berkata kepada Azar bapaknya. (Al-An‟am)

Lalu Ia mengatakan bahwa telah sampai kepadanya suatu riwayat yang mengatakan bahwa

Azar artinya bengkok (menyimpang), dan kata-kata ini merupakan kata-kata yang paling

keras yang pernah diucapkan oleh nabi Ibrahim a.s.

Nabi Ibrahim menasihati ayahnya yang menyembah berhala dan melarangnya serta

memperingatkannya agar meninggalkan berhala-berhala itu, tetapi si ayah tidak mau

menghentikan perbuatannya. Maka sejak itulah Nabi Ibrahim selalu berdoa kepada

3 Diriwayatkan oleh Ad-Dahhak dari Ibnu Abbas

Page 27: Analisis Suara Alphabet

Tuhannya, memohonkan ampun untuk ayahnya. Ketika ayahnya meninggal dunia tetap

dalam keadaan musyrik, dan hal itu sudah jelas bagi Nabi Ibrahim, maka Nabi Ibrahim

mencabut kembali permohonan ampun untuk ayahnya dan berlepas diri dari perbuatan

ayahnya.

Ibnu Abu Hatim telah meriwayatkan melalui jalur Al-Aufi, dari Ibnu Abbas

bahwa Allah Swt membukakan semua perkara bagi Nabi Ibrahim, baik yang rahasia

maupun yang terang-terangan, sehingga tidak ada sesuatu pun yang samar baginya dari

amal perbuatan makhluk. Ketika nabi Ibrahim melaknat orang-orang yang melakukan

perbuatan dosa, maka Allah swt befirman, “Sesungguhnya engkau tidak mampu

melakukan hal ini”. Lalu Allah Swt mengembalikan segala sesuatu seperti keadaan

semula.

Nabi Ibrahim mendebat kaumnya seraya menjelaskan kepada mereka kebatilan

dari apa yang selama ini mereka lakukan, yaitu menyembah berhala dan bangunan-

bangunan. Nabi Ibrahim juga pernah mendebat ayahnya seraya menjelaskan kekeliruan

mereka yang menyembah berhala-berhala yang ada di bumi dalam bentuk yang

menyerupai Malaikat Samawi. Mereka menyembahnya dengan anggapan bahwa berhala-

berhala itu adalah perantara mereka untuk sampai kepada Pencipta yang Mahabesar. Dan

sesungguhnya mereka memakai perantara kepada-Nya melalui penyembahan kepada

malaikat-malaikat-Nya hayanyalah agar mereka memintakan rezeki kepada-Nya,

kemenangan dan hal-hal lain yang mereka perlukan. Kemudian dalam keadaan ini Nabi

Ibrahim menjelaskan kekeliruan dan kesesatan mereka dalam menyembah bintang-bintang

yang semuanya ada tujuh, yaitu bulan, merkurius, venus, matahari, mars, yupiter dan

Page 28: Analisis Suara Alphabet

saturnus. Diantara kesemuanya yang memiliki cahaya paling kuat adalah matahari, bulan

dan venus.

Pada mulanya Nabi Ibrahim menjelaskan bahwa venus tidak layak dijadikan

sebagai Tuhan, karena ia telah ditundukkan dan ditakdirkan untuk beredar pada garis edar

tertentu tanpa dapat menyimpang darinya. Venus terbit dari timur dan beredar menuju ke

arah barat, hingga tidak kelihatan lagi oleh mata. Kemudian hal itu berulang-ulang terus

setiap harinya dan Nabi Irahim merasa tidak layak menjadikan ini sebagai sembahan.

Kemudian Nabi Ibrahim mengalihkan perhatiannya kepada bulan, ternyata ia

mempunyai karakter yang sama dengan venus, dan lalu Nabi Ibrahim mengalihkan

perhatiannya lagi kepada matahari dan ternyata ia pun menjumpai hal yang sama. Pada

intinya, Nabi Ibrahim hanya ingin menyembah pencipta dari semua benda-benda itu, yang

mengadakannya, yang menundukkannya, yang menjalankannya dan yang mengaturnya.

Di tangan kekuasaan-Nyalah kerajaan segala sesuatu, Dialah Tuhan, Pemilik dan

Penguasa kesemuanya.

Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat

diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi

data". Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran terawasi

(supervised learning). Salah satu aplikasinya adalah pengenalan suara, pengenalan tulisan

tangan, pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan

wajah manusia. ( id.wikipedia.org/wiki/Pengenalan_pola).

Diperlukan pengenalan pola untuk membarikan pengetahuan pada sistem

robotika. Menurut istilah, pengenalan pola adalah suatu model yang dapat disalin. Namun

dalam dunia fisik dan abstrak mengandung pengertian hubungan data kejadian atau

Page 29: Analisis Suara Alphabet

konsep yang dapat dibedakan. Yang termasuk pengenalan pola adalah pengenalan suara,

pengenalan wajah, diagnosa penyakit dan lain sebagainya [Suparman, 1998]. Terdapat tiga

metode pendekatan pengenalan pola. Tiga metode tersebut adalah Statistical Pattern

Recognition (StatPR), Syntatic Pattern Recognition (SyntPR) dan Neural Pattern

Recognition (NeurPR).

2.4 Mekanisme Pembentukan Suara

Mekanisme getaran suara sebenarnya sangat kompleks. Ketika celah suara

menegang dan tekanan udara meningkat dari paru-paru, periode membuka dan

menutupnya menjadi pendek dan frekuensi (pitch) sumber suara menjadi tinggi. Periode

membuka dan menutup ini disebut getaran celah suara. Sebaliknya, kondisi tekanan udara

yang rendah menghasilkan suara frekuensi yang rendah. Sumber suara terdiri atas

komponen fundamental dan harmonik yang dimodifikasi oleh jalur vocal untuk

menghasilkan suara, seperti dalam menghasilkan bunyi vokal /a/ dan /o/.(

[email protected]).

Ucapan manusia dihasilkan oleh suatu sistem produksi ucapan yang dibentuk oleh

alat-alat ucap manusia. Proses tersebut dimulai dengan formulasi pesan dalam otak

pembicara. Pesan tersebut akan diubah menjadi perintah-perintah yang diberikan kepada

alat-alat ucap manusia, sehingga akhirnya dihasilkan ucapan yang sesuai dengan pesan

yang ingin diucapkan.

Page 30: Analisis Suara Alphabet

Gambar 2.1 Foto Sinar X Penampang Alat-Alat Ucap

Manusia [Rab93]

Gambar 2.1 diatas memperlihatkan foto sinar X penampang alat-alat ucap

manusia. Vocal tract pada gambar tersebut ditandai oleh garis putus-putus, dimulai dari

vocal cords atau glottis, dan berakhir pada mulut. Vocal tract terdiri dari pharynx

(koneksi antara esophagus dengan mulut) dan mulut. Panjang vocal tract pria pada

umumnya sekitar 17cm. Daerah pertemuan vocal tract ditentukan oleh lidah, bibir,

rahang, dan bagian belakang langit-langit; luasnya berkisar antara 20 cm2 sampai dengan

mendekati nol. Nasal tract mulai dari bagian belakang langit-langit dan berakhir pada

nostrils. Pada keadaan tertentu, suara nasal akan dikeluarkan melalui rongga ini.

Sedangkan gambar 2.2 memperlihatkan model sistem produksi ucapan manusia

yang disederhanakan. Pembentukan ucapan dimulai dengan adanya hembusan udara yang

dihasilkan oleh paru-paru. Cara kerjanya mirip seperti piston atau pompa yang ditekan

untuk menghasilkan tekanan udara. Pada saat vocal cord berada dalam keadaan tegang,

aliran udara akan menyebabkan terjadinya vibrasi pada vocal cord dan menghasilkan

bunyi ucapan yang disebut voiced speech sound. Pada saat vocal cord berada dalam

Page 31: Analisis Suara Alphabet

keadaan lemas, aliran udara akan melalui daerah yang sempit pada vocal tract dan

menyebabkan terjadinya turbulensi, sehingga menghasilkan suara yang dikenal sebagai

unvoiced sound.

Gambar 2.2. Model Sistem Produksi Ucapan Manusia

Ucapan dihasilkan sebagai rangkaian atau urutan komponen komponen bunyi-

bunyi pembentuknya. Setiap komponen bunyi yang berbeda dibentuk oleh perbedaan

posisi, bentuk, serta ukuran dari alat-alat ucap manusia yang berubah-ubah selama

terjadinya proses produksi ucapan.

(indotts.melsa.net.id/Karakteristik%20Sinyal%20Ucapan.pdf).

Page 32: Analisis Suara Alphabet

2.5 Pengenalan Suara

Artinya:

“(Tuhan) yang Maha pemurah. Yang Telah mengajarkan Al Quran. Dia

menciptakan manusia. Mengajarnya pandai berbicara”. (Q.S : Ar-rahman 1-4)

Maksud dari ayat di atas adalah Allah mencurahkan rahmat kepada seluruh

makhluk dalam kehidupan dunia ini, baik manusia atau jin yang taat dan durhaka,

malaikat, binatang, maupun tumbuh-turnbuhan dan lain-lain.

Setelah menyebut rahmat-Nya secara umum, disebutkan rahmat dan nikmat-Nya

adalah yang teragung sekaligus menunjukkan kuasa-Nya melimpahkan sedikit dari sifat-

Nya kepada harnba-hamba-Nya agar mereka meneladani-Nya yakni dengan menyatakan:

ia lah yang telah mengajarkan aI-Qur‟an kepada siapa saja yang Dia kehendaki.

Pengertian kata „allama/mengajarkan memerlukan dua objek. Banyak ulama yang

menyebut objeknya adalah kata al-insan/manusia yang diisyaratkan oleh ayat berikut.

Thabâthabâ‟i menambahkan bahwa jin juga termasuk, karena surah ini ditujukan kepada

manusia dan jin. Hemat penulis, bisa saja objeknya mencakup selain kedua jenis tersebut.

Malaikat Jibril yang menerima dari Allah wahyu-wahyu al-Qur‟an untuk disampaikan

kepada Rasul saw., termasuk juga yang diajar-Nya, karena bagaimana mungkin malaikat

itu dapat menyampaikan, bahkan mengajarkannya kepada Nabi Muhammad saw.

sebagaimana dinyatakan dalam QS. an-Najm [53]: 5. Bagaimana mungkin malaikat Jibril

mampu mengajarkan firman Allah itu kepada Nabi Muhammad saw. kalau malaikat itu

sendiri tidak memperoleh pengajaran dan Allah swt. Di sisi lain, tidak disebutkannya

Page 33: Analisis Suara Alphabet

objek kedua dan kata tersebut, mengisyaratkan bahwa ia bersifat umum dan mencakup

segala sesuatu yang dapat dijangkau oleh pengajaran-Nya.

Al-Qur‟an adalah firman-firman Allah yang disampaikan oleh malaikat Jibril

kepada Nabi Muhammad saw. dengan lafal dan maknanya yang beribadah siapa yang

membacanya, dan menjadi bukti kebenaran mukjizat Nabi Muhammad saw. Kata al-

Qur‟an dapat dipahami sebagai keseluruhan ayat-ayatnya yang enam nibu lebih itu, dan

dapat juga digunakan untuk menunjuk walau satu ayat saja atau bagian dan satu ayat.

Kata al-bayan pada mulanya berarti jelas. Kata tersebut di sini dipahami oleh

Thabâthabâ‟i dalam arti “potensi mengungkap” yakni kalam/ucapan yang dengannya

dapat terungkap apa yang terdapat dalam pikiran. Lebih jelasnya ulama ini menyatakan

bahwa kalam bukan sekadar mewujudkan suara dengan menggunakan rongga dada, tali

suara dan kerongkongan. Bukan juga hanya dalam jumah suara yang keluar dan

kerongkongan akibat pcrbedaan makharij al-huruf (tempat-tempat keluarnya huruf dan

mulut, tetapi juga Allah Yang Maha Esa menjadikan manusia dengan mengilhaminya

mampu memahami makna suara yang keluar itu, yang dengannya dia dapat

menghadirkan sesuatu dan alam nyata ini, betapapun besar atau kecilnya, yang wujud

atau tidak wujud, yang berkaitan dengan masa lampau atau datang, juga menghadirkan

dalam pikirannya hal-hal yang bersifat abstrak yang dapat dijangkau oleh manusia

dengan pikirannya walau tidak dapat dijangkau oleh indranya. Itu semua dihadirkan oleh

manusia kepada pendengar dan ditampilkan ke indranya seakan-akan pendengar itu

meihatnya dengan mata kepala.

Tidaklah terwujud kehidupan bermasyarakat, tidak juga makhluk ini dapat

mencapai kemajuan yang berarti dalam kehidupannya sebagaimana yang telah dicapai

Page 34: Analisis Suara Alphabet

dewasa ini, kecuali dengan kesadaran tentang al-kalam/pembicaraan itu, karena dengan

demikian dia telah membuka pintu untuk memperoleh dan memberi pemahaman. Tanpa

itu manusia akan sama saja dengan binatang dalam hal ketidak mampuannya mengubah

wajah kehidupan dunia ini.

Pengajaran al-bayan itu tidak hanya terbatas pada ucapan, tetapi mencakup segala

bentuk ekspresi, termasuk seni dan raut muka. Bahkan menunut al-Biqa‟i, kata al-bayan

adalah potensi berpikir, yakni mengetahui persoalan kulli dan juzz‟i, menilai yang tampak

dan juga yang gaib dan menganalogikannya dengan yang tampak. Dengan tanda-tanda,

dengan perhitungan, dengan ramalan atau dengan memandang ke alam raya serta cara-

cara yang lain, sambil membedakan mana yang baik dan mana yang buruk atau

semacamnya. Itu semua disertai dengan potensi untuk mengunakan sesuatu yang

tersembunyi dalam pikiran serta menjelaskan dan mengajarkannya kepada pihak lain.

Bisa dengan kata-kata, dengan perbuatan dengan ucapan, tulisan isyarat dan lain-lain.

Dengan demikian manusia tadi mampu untuk menyempurnakan dirinya sekaligus

menyempurnakan selainnya.

Di sisi lain, kita tidak perlu menyatakan bahwa pengajaran Allah melalui ilham-

Nya itu adalah pengajaran bahasa. Ia adalah penciptaan potensi pada diri manusia dengan

jalan menjadikannya tidak dapat hidup sendiri, atau dengan kata lain menciptakannya

sebagai makhluk sosial. Itulah yang mendorong manusia untuk saling berhubungan, dan

ini pada gilirannya melahirkan aneka suara yang disepakati bersama maknanya oleh

kornunitas, dan aneka suara itulah yang merupakan bahasa mereka. Memang kata

„allama/mengajar tidak selalu dalam bentuk mendiktekan sesuatu atau menyampaikan

suatu kata juga ide, tetapi dapat juga dalam arti mengasah potensi yang dimiliki peserta

Page 35: Analisis Suara Alphabet

didik sehingga pada akhirnya potensi itu dirasakan dan dapat melahirkan banyak

pengetahuan4.

Pengolahan suara terdapat dua macam yaitu pengenalan ucapan dan sinlatihis

ucapan. Pengenalan ucapan merupakan proses menganalisa suara kemudian

mengubahnya menjadi suatu perintah atau suatu teks sedangkan sinlatihis ucapan adalah

sebaliknya. Secara umum proses pengenalan ucapan merupakan urutan proses

pencuplikan suara atau disebut juga dengan konversi analog ke digital, mengekstraksi ciri

suara, kemudian pengenalan.

Bagian utama dengan pengenalan ucapan yaitu ekstraksi ciri suara dan proses

pengenalan. Untuk proses ekstraksi ciri dilakukan dengan pengolahan sinyal digital

(DSP). Sedangkan proses pengenalan dapat dilakukan dilakukan dengan jaringan syaraf

tiruan atau Neural Network (NN). (Menurut laporan tugas akhir pengenalan suara: 2006).

2.6 Sistem Pengenalan Suara

Sistem pengenalan suara yang dibuat digambarkan pada blok

diagramgambar1:

Gambar 2.3 Diagram blok sistem pengenalan suara

2M.Quraish Shihab. Tafsir Al-Misbah “Pesan, kesan dan keserasian Al-qur‟an” cet. VII 2007 Lentera hati, Jakarta.

Page 36: Analisis Suara Alphabet

Secara garis besar, cara kerja sistem pengenalan suara ini ialah mula-mula sinyal

suara manusia yang diterima dengan menggunakan microphone (sinyal analog) dicuplik

sehingga menjadi sinyal digital dengan bantuan sound card pada Personal Computer.

Sinyal digital hasil cuplikan ini terlebih dulu dinormalisasi (disamakan panjang sinyal

yang satu dengan yang lain) kemudian diproses awal menggunakan metode Linier

Predictive Coding (LPC) sehingga didapat beberapa koefisien LPC yang merupakan

feature (ciri) dari suara pembicaraan. Kemudian koefisien LPC tersebut diproses dengan

Fast Fourier Transform (FFT) untuk mendapatkan sinyal pada domain frekuensi. Hal ini

bertujuan agar perbedaan antar pola kata yang satu dengan yang lain terlihat lebih jelas

sehingga ekstraksi parameter sinyal memberikan hasil yang lebih baik. Hasil keluaran

FFT ini merupakan masukan bagi jaringan saraf tiruan Back Propagation dimana

jaringan saraf tiruan ini sebagai fungsi utama dari sistem untuk proses pengenalan suara.

2.6.1 Pencuplikan Sinyal Suara

Dalam tahap ini merupakan penentuan jumlah sampel dalam satu detik. Jika

pencuplikan dilakukan dengan frekuensi cuplik 8000Hz, maka dalam satu detik terdapat

8000 sampel. Perlu diperhatikan komponen utama frekuensi sinyal suara berada pada

kisaran 300–3400 Hz. Menurut Nyquist, frekuensi sampling dalam pencuplikan harus

lebih besar 2 kali dari frekuensi sinyal aslinya. Sesuai dengan persamaan Nyquist, fs< 2fh

dimana fh =fin.

Semakin tinggi frekuensi sampling maka sinyal digital yang dihasilkan semakin

bagus. Kemudian proses selanjutnya adalah kuantisasi, yaitu membatasi amplitude atau

nilai aksis sinyal. Jika sinyal dicuplik dengan menggunakan resolusi 8 bit, maka terdapat

28 atau 256 nilai batas sinyal. Langkah terakhir adalah konversi analog ke digital adalah

Page 37: Analisis Suara Alphabet

tahap coding. Karena memori computer menyimpan data berupa tipe data biner, maka

nilai amplitude tiap sampel sinyal akan dikonversi kedalam bentuk biner. Jika sinyal

dicuplik dalam resolusi 8bit, maka nilai amplitude akan disimpan pada ukuran 8bit kode

biner atau 1 byte data.

2.6.2 Normalisasi

Satu masalah yang cukup rumit dalam speech recognition (pengenalan suara)

adalah proses perekaman yang terjadi sering kali berbeda durasinya, biarpun kata atau

kalimat yang diucapkan sama. Bahkan untuk satu suku kata atau vocal yang sama

seringkali proses perekaman terjadi dalam durasi yang berbeda. Sebagai akibatnya proses

matching antara sinyal uji dengan sinyal referansi (template) seringkali tidak

menghasilkan nilai yang optimal.

Sebuah teknik yang cukup popular di awal perkembangan teknologi pengolahan

sinyal suara adalah dengan cara memanfaatkan sebuah teknik dynamic-programing yang

juga lebih dikenal sebagai dynamic time warping (DTW). Teknik ini ditujukan untuk

mengakomodasi perbedaan waktu antara proses perekaman saat pengujian dengan yang

tersedia pada template sinyal referensi. Prinsip dasarnya adalah dengan memberikan

sebuah rentang „step‟ dalam ruang (dalam hal ini sebuah frame-frame waktu dalam

sampel, frame-frame waktu dalam (template) dan digunakan untuk mempertemukan

lintasan yang menunjukkan local match terbesar (kemiripan) antara time frame yang lerus.

Total „similarity cost‟ yang diperoleh dengan algoritma ini merupakan sebuah indikasi

seberapa bagus sampel dan template ini memiliki kesamaan, yang selanjutnya akan dipilih

best-matching template. (Tri Budi Santoso dan Miftahul Huda, modul pengolahan sinyal

wicara: hal 54)

Page 38: Analisis Suara Alphabet

2.6.3 Pemrosesan Sinyal Digital

Lazimnya sinyal yang dijumpai dalam bidang sains dan teknologi merupakan

sinyal analog, dengan demikian sinyal tersebut merupakan fungsi dari satu atau beberapa

pengubah continue. Sinyal analog yang ada yang diproses secara langsung dengan

menggunakan sistem pengolah sinyal analog khusus (semisal untuk penapis, penganalisis

frekuensi atau pengali frekuensi). Digitalisasi merupakan proses konversi sinyal analog

menjadi sinyal digital, yang terdiri dari pencuplikan, kuantisasi, dan pengkodean.

Pencuplikan adalah proses yang menggambarkan sinyal continue sebagai nilai runtun

periodis. Kuantisasi meliputi pendekatan representasi nilai gelombang oleh salah satu nilai

tak terhingga. Sedangkan pengkodean merupakan penandaan nilai aktual untuk suatu

nilai,pengkodean yang sering digunakan adalah pengkodean biner. Dalam proses ini sinyal

analog yang continue mampu diubah menjadi runtun kode yang terpilih dari sinyal

terhingga. ([email protected]), Untuk pengenalan suara terdapat tiga langkah yang

digunakan yaitu spectral analisis, filtering, dan auto correlation. Spektral analisis

merupakan proses analisa spektrum frekuensi suara yang sering terkait dengan

transformasi. Filtering berguna untuk membuang bagian yang tidak berguna dan untuk

memodifikasi frekuensi untuk mendapat informasi. Sedangkan auto correlation berguna

untuk mencari karateristik rongga suara manusia. ( www.lab.binus.ac.id/pk/forum/)

Analisa specktrum suara dapat dilakukan dengan menggunakan transformasi

fourier waktu diskrit (DFT), Linier Predictive Coding (LPC), Mel Scala dan sebagainya.

Dari proses ini dapat dianalisa magnitude, energi, atau phase dari suatu sinyal. (Menurut

hasil laporan tugas akhir pengolahan suara. Brawijaya: 2006).

Page 39: Analisis Suara Alphabet

2.6.4 Linier Predictive Coding (LPC)

Sebagai sebuah model speech alternative yang dikenal adalah transformasi short

time fourier pada linier predictive coding (LPC). LPC ini disediakan untuk keakuratan dan

menghemat parameter yang relevant, untuk dapat dikurangi perhitungannya pada speech

recognition dan menghasilkan suatu sinlatih speech yang efisien. Penggunaan LPC ini

untuk kecepatan transmisi dalam speech coding. Penggunaan adaptive pulse coding

digunakan kosa kata yang berbeda dan sebuah LP Coder. LPC sangat umum digunakan

utuk mengkode bit kecepatan rendah dan sangatlah penting untuk itu bila kita akan

menggunakan suatu tool analisa. LPC diturunkan dari gabungan presentasi yang mirip dari

pengucapan yang dihubungkan dengan suatu perhitungan yang sederhana. Dalam proses

LPC terdapat beberapa hal yang harus dilakukan, yaitu:

1. Preemphasis/ Penapisan

Dalam pengolahan sinyal suara preemphasis filter diperlukan setelah proses

sampling. Tujuan dari pemfilteran ini adalah untuk mendapatkan bentuk spectral

frekuensi sinyal suara yang lebih halus. Dimana bentuk spectral yang relativ bernilai

tinggi untuk daerah rendah dan cenderung turun secara tajam untuk daerah frekuensi

di atas 2000Hz.

Gambar 2.4 Posisi Filter Pre-Emphasis pada sistem pengolah wicara

Page 40: Analisis Suara Alphabet

Filter pre-emphasis didasari oleh hubungan input/output dalam domain waktu yang

dinyatakan dalam persamaan beda seperti

berikut: y(n) = x(n) – ax(n−1) (3)

dimana: a merupakan konstanta filter pre-emhasis, biasanya bernilai 0.9 < a < 1.0

Dalam bentuk dasar operator z sebagai unit filter, persamaan diatas akan memberikan

sebuah transfer function filter pre-emphasis seperti berikut:

H(z) = 1− az−1 (4)

Bentuk ini kemudian akan memberikan dasar pembentukan diagram blok yang

menggambarkan hubungan input dan output seperti pada Gambar 2.4. (Tri budi

santoso dan Miftahul huda, hal:28)

Gambar 2.5 Diagram blok pre-emphasis filter

2. Frame Bloking

Pada tahap ini sinyal kata yang telah diratakan dibagi sebanyak T frame dengan

masing-masing frame memuat N cuplikan dan frame-frame yang berdekatan

dipisahkan sejauh M cuplikan. Ukuran sampel tiap frame dihitung dari rata-rata

cuplik tiap detik dengan waktu cuplik tiap detik dengan waktu cuplik tiap periode,

umumnya digunakan 30 ms. Jika rata-rata cuplik adalah 8000Hz, maka jumlah

sampel tiap frame adalah 3.10 −3 detik * 8000 sampel/detik, sama dengan 240

sampel. Dengan menggunakan aturan N point DFT, bahwa jumlah sampel N harus

Page 41: Analisis Suara Alphabet

bernilai 2p , dimana 240 < 2p , sedangkan 240 < 28 , maka N=256 [Rabiner,1993].

Untuk malakukan pembagian blok ini dapat mengacu pada linier prediction (lihat

table 2.1). Parameterparameter yang biasanya digunakan antara lain; N adalah jumlah

sampel pada analisa frame blocking, dan M adalah jarak antara satu frame dengan

frame selanjutnya. Dibawah ini adalah contoh analisa sampling dengan 3 frekuensi

sampling yang berbeda Nilai parameter analisa LPC yang sering digunakan pada

pengolahan suara.

Table.2.1 pembagian blok pada linier prediction.

Parameter Fs=6.67 KHz Fs=8KHz Fs=10 KHz

N 300(45msec) 240(30msec) 300(30msec)

M 100(15msec) 80(10msec) 100(10msec)

3. Windowing

Untuk pengkuran nilai energi pada sinyal wicara kita harus melibatkan fungsi

window. Hal ini karena dalam pengukuran energi sinyal wicara kita harus

menyusunnya dalam frame-frame tertentu. Ini merupakan standar dalam teknologi

speech processing, sebab secara umum dalam pengolahan sinyal wicara kita terlibat

dengan sinyal dengan durasi yang terlalu panjang bila dihitung dalam total waktu

pengukuran. Fenomena ini juga dikenal sebagai short term speech signal energy.

Untuk menghitung energi sinyal wicara kita gunakan formulasi dasar seperti berikut:

E (5)

Dimana: w(m) = merupakan fungsi window seperti hamming, hanning, bartlett, dan

boxcarr. Panjang window dalam hal ini adalah m, untuk durasi dari t=0 sampai t=T

akan didapatkan window sebanyak n=T/m apabila tidak ada overlapping antara

Page 42: Analisis Suara Alphabet

window satu dengan yang lain. Jika terjadi overlapping antara window satu dengan

yang lain, misalnya sebesar m/2, maka jumlah window dalam satu durasi T adalah

sebanyak n = 1 + T/(m/2). Untuk suatu pengamatan 42nergy pada frame ke-k bentuk

menjadi:

E (6)

Dimana k akan menentukan posisi titik-titik window pada sinyal tersebut, ini juga

dikenal sebagai model sliding window. (Tri budi santoso dan Miftahul huda, hal:11).

2.6.5 Fast Faurier Transform (FFT)

FFT dikembangkan oleh Cooley dan Tukey pada tahun 1965. Algoritma FFT

merupakan penyederhanaan dari Diskrit Fourier Transform (DFT) yang memiliki

persyaratan jumlah data harus merupakan bilangan 2n untuk n=0,1,2,3,…….. Waktu

komputasi DFT memiliki kompleksitas N2 sedangkan FFT memiliki kompleksitas Np/2

dengan p= 2logN, sehingga FFT lebih cepat daripada DFT dengan rasio kecepatan FFT

terhadap DFT adalah: (New York: McGraw- Hill,2004,hal: 554).

2.7 Neural Network (NN)

2.7.1 Pengertian Neural Network

Neural Network adalah paradigma pemrosesan suatu informasi yang terinspirasi

oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen

mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan

informasi. Neural Network, seperti manusia, belajar dari suatu contoh. Neural Network

dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau

klasifikasi karena proses pembelajaran. Neural Network berkembang secara pesat pada

Page 43: Analisis Suara Alphabet

beberapa tahun terakhir. Neural Network telah dikembangkan sebelum adanya suatu

komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami

masa vakum selama beberapa tahun.

2.7.2 Inspirasi Biologis

Neural Network keluar dari penelitian kecerdasan buatan, terutama percobaan

untuk menirukan fault-tolerence dan kemampuan untuk belajar dari system syaraf biologi

dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel

syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input

(dendrilatih), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel

terhubung dengan dendrit yang lain melalui sebuah sinapses. Ketika sebuah sel syaraf

aktif, kemudian menimbulkan suatu signal elektrochemical pada axon. Signal ini melewati

sinapsis menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal

jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (Threshold).

Gambar 2.6 Sebuah sel syaraf sederhana http://blog.unsri.ac.id/destyrodiah/kecerdasan -buatan-artificial-intellegence-/

2.7.3 Structure recurrent (feedback)

Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input)

akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat

kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Neural Network,

Page 44: Analisis Suara Alphabet

namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang

termasuk dalam stuktur recurrent (feedback):

1. Competitive networks

2. Self-organizing maps

3. Hopfield networks

4. Adabtive-resonanse theory models

Gambar 2.7 Neural Network FeedBack (http://images.google.co.id/imglanding?q=neural network feedback&imgur)

Ketika sebuah Jaringan Syaraf (NN) digunakan. Input dari nilai suatu variable

ditempatkan dalam suatu input unit dan kemudian unit lapisan tersembunyi dan lapisan

output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan

mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian

dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk

menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah

dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.

2.7.4 Supervised Learning (Belajar Dengan Pengawasan)

Supervised atau aktif learning adalah proses belajar yang membutuhkan guru.

Yang dimaksud guru disini adalah sesuatu yang memiliki pengetahuan tentang

Page 45: Analisis Suara Alphabet

lingkungan. Guru bisa direpresentasikan sebagai sekumpulan contoh input output.

Pembangunan pengetahuan dilakukan oleh guru dengan memberikan respon yang

diinginkan oleh Neural Network. Perameter jaringan berubah-ubah berdasarkan vector

latih dan sinyal kesalahan (sinyal kesalahan adalah perbedaan antara keluaran Neural

Network dan respon yang diinginkan). Proses perubahan ini dilakukan secara berulang-

ulang, selangkah demi selangkah, dengan tujuan agar Neural Network bias memiliki

kemampuan yang mirip dengan gurunya. Dengan kata lain, Neural Network dilatih untuk

dapat memetakan sekumpulan contoh input output dengan akurasi yang tinggi.

2.7.5 Multi Layer Perceptron (MLP)

MLP adalah model Neural Network yang paling banyak digunakan dalam bidang

pendidikan dan aplikasi. Arsitektur dan proses belajar yang sederhana sangat

memudahkan untuk dipelajari. Arsitektur MLP dapat diilustrasikan seperti gambar

dibawah ini:

Gambar 2.8 Model MLP http://images.google.co.id/imglanding?q=Model multi player preceptron&imgurl

Algoritma BackPropagation atau propagasi balik merupakan salah satu algoritma

yang dipakai untuk melatih MLP. Algoritma ini melakukan dua tahap perhitungan yaitu:

perhitungan maju yaitu untuk menghitung galat antara keluaran aktual target dan

Page 46: Analisis Suara Alphabet

perhitungan mundur yang mempropagasikan balik galat tersebut untuk memperbaiki

bobot-bobot sinaptik pada semua neuron yan ada. Langkah-langkah algoritma pelatihan

propagasi balik dapat diterangkan sebagai berikut :

1. Mendefinisikan masalah, misalkan matriks masukan (A) dan matriks target (B)

2. Inisialisasi masalah, menentukan arsitektur jaringan, nilai ambang MSE sebagai

kondisi berhenti, learning rate, serta menetapkan nilai-nilai bobot sinaptik melalui

pembangkitan nilai acak dengan interval nilai sembarang. Misalnya nilai acak dalam

interval [-1,+1] atau [-0.5,+0.5] ataupun lainnya. Tidak ada aturan yang baku

mengenai interval ini.

3 Pelatihan jaringan

a. Perhitungan maju

Dengan menggunakan bobot-bobot yang telah ditentukan pada inisialisasi awal

(W1), maka dapat menghitung keluaran dari hidden layer berdasarkan persamaan

berikut (misalnya kita gunakan fungsi aktifasi sigmoid seperti pada persamaan

5.1):

A1= (5.1)

Hasil keluaran hidden layer (A1) dipakai untuk mendapatkan keluaran dari output

layer, seperti pada persamaan berikut:

A2 =W2 * A1+ B2 (5.2)

Keluaran dari jaringan (A2) dibandingkan dengan target yang diinginkan. Selisih

antara nilai tersebut adalah galat (eror) dari jaringan, seperti pada persamaan

berikut:

E = T-A2 (5.3)

Page 47: Analisis Suara Alphabet

Sedangkan nilai galat keseluruhan dinyatakan oleh persamaan berikut:

SSE= E2 (5.4)

b. Perhitungan Mundur

Nilai galat yang dapat dipakai sebagai parameter dalam pelatihan. Pelatihan akan

selesai jika galat yang diperoleh sudah dapat diterima. Galat yang dapat

dikembalikan lagi kelapis-lapis yang berada di depannya. Selanjutnya, neuron

pada lapis tersebut akan memperbaiki nilai-nilai bobotnya. Perhitungan perbaikan

bobot diberikan pada persamaan persamaan berikut:

D2= (1-A22) *E (5.5)

D1= (1-A12) * (W2*D2) (5.6)

dW1= dW1 + (Ir*D1*P) (5.7)

dB1= dB1 + (Ir*D1) (5.8)

dW2= dW2 + (Ir*D2*P) (5.9)

dB2= dB2 + (Ir*D2) (5.10)

c. Perbaikan Bobot Jaringan

Setelah neuron-neuron mendapatkan nilai yang sesuai dengan kontribusinya pada

galat keluaran, maka bobot-bobot jaringan akan diperbaiki agar galat dapat

diperkecil. Perbaikan bobot jaringan diberikan oleh persamaan-persamaan berikut:

TW1 = W1 + dW1 (5.11)

TB1= B1 + dB1 (5.12)

TW2= W2 + dW2 (5.13)

TB2= B2 + dB2 (5.14)

d. Presentasi Bobot Jaringan

Page 48: Analisis Suara Alphabet

Bobot-bobot yang baru, hasil perbaikan, dipakai kembali untuk mengertahui

apakah bobot-bobot tersebut sudah cukup baik bagi jaringan. Baik bagi jaringan

berarti bahwa dengan bobot-bobot tersebut, galat yang akan dihasilkan sudah

cukup kecil. Pemakian nilai-nilai bobot yang baru diperlihatkan pada persamaan-

persamaan berikut:

TA1= (5.15)

TA2= TW2*TA1+TB2 (5.16)

TE= T-TA2 (5.17)

TSSE= ∑ ∑ TE2 (5.18)

Kemudian bobot-bobot sinapsis jaringan diubah menjadi bobotbobot baru:

W1=TW1; B1=TB1; W2=TW2; B2=TB2;

A1=TA1; A2=TA2; E= TE; SSE= TSSE;

4. Langkah-langkah diatas adalah untuk satu kali siklus pelatihan. Pelatihan harus

diulang-ulang lagi hingga jumlah siklus tertentu SSE (Sum Square Eror) yang

diinginkan.

Gambar 2.9 Blog Diagram Jaringan Saraf Tiruan

Back Propagation [ASIH09]

Page 49: Analisis Suara Alphabet

5. Hasil akhir dari pelatihan jaringan adalah bobot-bobot W1,W2, B1, dan B2.

Beberapa keunggulan dari Neural Network adalah :

a) Adabtive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang

didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman

sebelumnya.

b) Self-Organisation: Dapat membuat organisasi sendiri atau merepresentasikan

informasi yang didapat pada saat pembelajaran.

c) Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device

hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya

kemampuan tersebut.

d) Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian

tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa

jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.

e) Kelebihan Neural Network terletak pada kemampuan belajar yang dimilikinya.

Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau

fungsinya. Neural Network akan belajar mencari sendiri kaidah atau fungsi

tersebut. Dengan demikian Neural Network mampu digunakan untuk

menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau

fungsi yang tidak diketahui.

f) Kemampuan Neural Network dalam menyelesaikan masalah yang rumit telah

dibuktikan dalam berbagai macam penelitian.

Page 50: Analisis Suara Alphabet

2.8 Aplikasi Jaringan Syaraf Tiruan

Jaringan saraf tiruan dapat diaplikasikan ke berbagai macam persoalan. Secara

umum, langkah pembuatan jaringan saraf tiruan untuk suatu aplikasi adalah seperti pada

Gambar (2.10) [HER06].

Gambar 2.10 Langkah Pengaplikasian Jaringan Saraf Tiruan [HER06]

Langkah pertama adalah pengumpulan data untuk pelatihan dan pengujian

jaringan saraf tiruan. Semakin banyak data dapat diperoleh, semakin baik jaringan dapat

menyelesaikan masalah. Data yang diperoleh dibagi menjadi 2 bagian pada langkah ke

dua, yaitu data pengujian dan data pelatihan. Selanjutnya, dilakukan pemilihan struktur

jaringan dan algoritma pelatihan. Banyaknya neuron masukan dan neuron keluaran pada

jaringan saraf tiruan disesuaikan dengan masalah yang akan diselesaikan. Langkah

Page 51: Analisis Suara Alphabet

berikutnya adalah untuk menentukan parameter jaringan saraf tiruan seperti learning rate

dan momentum. Selanjutnya dilakukanlah pelatihan dengan menggunakan data pelatihan

sampai menemukan titik konvergensinya.

Konvergensi ditandai dengan tercapainya galat yang diinginkan. Jika tidak dapat

mencapai konvergensi, maka dapat diulangi dari langkah 5. Setelah dilakukan pengujian

pada langkah ke-8, maka jaringan saraf tiruan dapat diimplementasikan sebagai sebuah

sistem untuk menyelesaikan masalah. Jika pengujian menghasilkan kesimpulan bahwa

jaringan saraf tiruan tidak memadai, proses dapat diulang dari langkah-langkah

sebelumnya:

1. Ulangi pelatihan (langkah 7)

2. Ganti parameter jaringan saraf tiruan dengan nilai lain (langkah 5)

3. Pilih algoritma pembelajaran yang lain (langkah 4)

4. Perbaharui struktur, misalnya dengan mengubah jumlah neuron tersembunyi (langkah

3)

5. Pisahkan ulang data (langkah 2)

6. Perbanyak data (langkah 1)

2.9 Matlab

Matlab (Matrix Laboratory) merupakan salah satu bahasa pemrograman yang

dikembangkan oleh MathWorks. Matlab sekaligus sebagai alat visualisasi, yaitu

berhubungan langsung dengan ilmu Matematika. Oleh karena itu, Matlab semakin

banyak digunakan oleh para programmer yang menghendaki kepastian dalam membuat

program.

Page 52: Analisis Suara Alphabet

2.10 Flowchart

Flowchart adalah suatu diagram alur yang menggambarkan logika atau urut-

urutan instruksi program dari suatu permasalahan. Pada diagram alur, dapat dilihat secara

jelas arus pengendalian algoritma, yakni bagaimana rangkaian pelaksanaan kegiatan

program tersebut. Suatu diagram alur akan memberi gambaran dua dimensi berupa

symbol-simbol yang masing-masing symbol tersebut telah ditetapkan lebih dahulu fungsi

dan artinya.

Berikut ini seperangkat symbol diagram alur beserta fungsi dan manfaatnya yang

digunakan dalam pembautan langkah algoritma pemrograman, yaitu:

Process/Proses, satu atau beberapa himpunan penugasan yang akan dilaksanakan

secara berurutan

Input, data yang akan dibaca dan dimasukkan ke dalam memori computer dari

suatu alat input atau data dan harus melewati memori untuk dikeluarkan dari alat-

alat output

Terminal, berfungsi sebagai awal (berisi Start) dan juga sebagai akhir (berisi

End) dari suatu proses alur

Decission, atau kotak keputusan berfungsi untuk memutuskan arah atau

percabangan yang diambil sesuai dengan kondisi yang dipenuhi, yakni benar atau

salah.

Output/Print, berfungsi untuk mencetak (dan/atau menyimpan) hasil

output/keluaran

Page 53: Analisis Suara Alphabet

Conector/penghubung, sebagai penghubung bila diagram alur terputus

disebabkan misalnya oleh pergantian halaman (misal diagram tidak cukup dalam

satu halaman).

Flowline, menunjukkan bagian arah instruksi dijalankan

Selain simbol-simbol di atas masih banyak lagi simbol-simbol lain yang

kesemuanya dapat dilihat atau tergambar pada template, yaitu alat penggaris khusus

untuk menggambarkan simbol dan kotak diagram alur.

Page 54: Analisis Suara Alphabet

BAB III

DESAIN DAN PERANCANGAN SISTEM

Dalam bab ini akan dibahas mengenai desain dan perancangan sistem metode Neural

Network dengan algoritma Backpropagation untuk pengenalan suara. Desain dan perancangan

sistem ini meliputi analisis sistem, perancangan sistem, dan desain antarmuka.

3.1 Analisis Sistem

Pada sub bab analisis ini akan dibahas berbagai hasil proses terhadap sistem dan elemen-

elemen yang terkait, seperti pengambilan data, metode yang digunakan untuk mengolah sinyal

analog menjadi sinyal diskrit, dan semua yang diperlukan dalam proses perancangan aplikasi

pengenalan suara untuk pembelajaran alphabet.

3.1.1 Deskripsi Sistem

Sistem ini dibangun untuk menganalisis pengenalan suara huruf alphabet. Parameter yang

digunakan dalam pembuatan perangkat lunak ini adalah pola suara hasil keluaran dari FFT yaitu

pola suara orang yang sudah dianggap benar dilihat dari segi benar tidaknya dalam mengeja

huruf. Parameter yang kedua yaitu diambil dari pola suara orang yang dianggap tidak benar

dalam mengeja huruf dalam hal ini data di ambil dari suara anak-anak. Sehingga diharapkan

dengan adanya acuan 2 parameter antara suara yang benar dan tidak benar maka jika ada data

baru yang akan diuji sistem bisa menentukan data uji tersebut tergolong benar atau tidak bahkan

data itu tidak dikenali.

Untuk memudahkan dalam pengolahan data nantinya data inputan dibagi menjadi 7 uji

yaitu uji 1 sampai uji 7 untuk lebih jelasnya lihat table dibawah ini:

Page 55: Analisis Suara Alphabet

Table 3.1 Pembagian Data Uji

Uji 1 Uji 2 Uji 3 Uji 4 Uji 5 Uji 6 Uji 7

A E I M Q U X

B F J N R V Y

C G K O S W Z

D H L P T

Neural Network algoritma propagasi balik terdiri dari lapisan unit input, lapisan hidden

(tersembunyi), dan lapisan untuk unit output/ keluaran. Untuk unit input akan dimasukkan pola

suara masing-masing ucapan yang dijadikan sebuah matrik tiap-tiap jenis huruf, contohnya:

huruf A akan dijadikan satu variabel yaitu a1, terdiri dari sepuluh pola suara orang yang

dianggap benar dengan dijadikan satu matrik. Huruf A akan dijadikan satu variabel yaitu aa1,

terdiri dari sepuluh pola suara orang yang dianggap tidak benar dengan dijadikan satu matrik.

Begitu juga dengan huruf B sampai Z. Kemudian pada tahap kedua dilakukan penetuan target,

penentuan target ini dilakukan agar keluaran dari pola suara yang telah dilatih akan sesuai

dengan target yang telah ditentukan yang menandakan bahwa pola suara berhasil melakukan

pengenalan sehingga jaringan pada akhirnya dapat memutuskan suatu pola suara benar atau tidak

benar.

Page 56: Analisis Suara Alphabet

Gambar 3.1 Diagram Blok Sistem Secara keseluruhan

Penjelasan dari blok diagram diatas, sebagai berikut:

a. Input: masukkan yang diperlukan adalah pola suara yang telah dijadikan matrik yang akan

dilatih. Yaitu pola suara huruf yang benar dan yang tidak benar meliputi huruf A sampai Z.

b. Periode Training: pada periode ini ada 4 tahap, yaitu; pertama, penentuan maximum dan

minimum pola inputan. Kedua, menentukan jumlah jaringan neuron, ketiga penentuan fungsi

aktifasi jaringan. Tahap yang terakhir menentukan fungsi identitas untuk keluarannya.

c. Periode Latihan dan Uji: proses latihan dilakukan pada tiap masing-masing pola suara, untuk

data uji dilakukan tanpa pola suara dilatih terlebih dahulu sehingga jaringan akan bisa

menentukan data uji jika hasilnya sama dengan pola yang sudah dilatih maka ia akan

menampilkan pesan dikenali atau tidak dikenali.

d. Benar/ Dikenali: sistem melakukan pelatihan sehingga menghasilkan keputusan dikenali atau

tidak dikenali.

Input

Data

Latih

Data Uji

Training dengan

JST

Latih

Uji

Benar/ Dikenali

Page 57: Analisis Suara Alphabet

3.1.2 Batasan Sistem

Batasan dari sistem yang akan dikembangkan adalah:

a. Perancangan dilakukan untuk pengukuran huruf alphabet secara tidak langsung (offline).

b. Pembicara memiliki ucapan normal

c. Data diambil hanya dari beberapa Orang

d. Perekaman suara dilakukan dengan cara dipenggal-penggal

e. Data yang diuji adalah huruf alphabet dari A sampai Z

f. File yang dapat dikenali adalah dalam bentuk .WAV

g. Data uji dibagi menjadi 7, dengan alasan untuk menghindari lamanya dalam proses

mengenalan suara.

3.1.3 Kebutuhan Perangkat Lunak

Kebutuhan perangkat lunak yang dibutuhkan dalam pembuatan sistem ini

adalah sebagai berikut:

a. Software yang digunakan mulai dari proses perekaman, pengenalan hingga pengukuran

suara semuanya merupakan program dari Matlab versi 7.0

b. Format file suara menggunakan format file.wav

c. Menggunakan laptop dengan sistem operasi Windows Xp professional versi 2002 SP 2.

Selanjutnya untuk proses pertama yaitu preprosesing dalam pengolahan sinyal, tahapan

prosesnya adalah sebagai berikut:

Langkah-langkah PSD:

1. Mulai

2. Masukkah nama file .wav yang telah terekam dan telah dipotong.

Page 58: Analisis Suara Alphabet

3. Tetapkan banyaknya N sample tiap frame, banyak T frame kesuluruhan, dan besar

overlab Q.

4. Data tiap frame diboboti dengan metode hamming window.

5. Order ditetapkan menggunakan nilai 12

6. Setelah itu akan dihitung estimasi sinyalnya dengan menggunakan metode autokorelasi.

7. Hasilnya berupa data yang telah di estimasi dan grafik error energi didapat dengan cara

menjumlahkan error estimasi yang telah dikuadratkan.

8. FFT menggunakan 512 point karena linier maka dengan 256 telah mewakili data.

9. Setelah itu data akan dicari rata-ratanya dan nilai tengahnya untuk kemudian dari vektor

akan dijadikan matrik dengan membagi 256 data menjadi 32 kolom yang terdiri dari 8

data setiap kolomnya.

10. Hasil FFT sebanyak 32 data ini yang nantinya akan menjadi masukkan bagi Neural

Network.

Page 59: Analisis Suara Alphabet

Mulai

Input File

N = 256

T = 32

Q = 80

Read File

For T=32 to

file size (f)

Pembobotan = w

w =

hamming(len_x)

Estimasi autocorelasi

order 12

erEn =

sum(er.^2)

FFT 512 PointHasil FFT

= 256/8Input = 32 JST

Gambar 3.2 Diagram Alir Pengolahan Sinyal

Setelah didapatkan keluaran 32 data dari pengolahan sinyal, maka akan dilakukan proses

pembelajaran. Inputanya adalah 33 data, 32 data merupakan keluaran dari pengolahan sinyal dan

data ke 33 adalah bias. Algoritma pembelajaran digambarkan dalam diagram alir 3.3.

Langkah-langkah pembelajaran:

1. Mulai

Page 60: Analisis Suara Alphabet

2. Masukkan contoh huruf dan nama file.wav yang akan dilatih. Tetapkan kesalahan yang

ditargetkan dan iterasi maximal, nilai bias=1 untuk semua lapis input dan tersembunyi

(hidden) pada data akhir.

3. Tetapkan target pola output dengan memasukkan 10 nilai yang telah ditentukan (lihat table

target)

4. Inisialisasi bobot awal secara acak kecil, nilai acak di antara -0.5 dan 0.5 untuk efisiensi

dapat digunakan aturan pemilihan bobot awal Nguyen widrow. Yaitu bobot disesuaikan

dengan banyaknya neuron tersembunyi.

5. Setting parameter iterasi awal (epoch) sama dengan 1.

6. Selama epoch kurang dari maksimal iterasi lakukan langkah 7 jika tidak lompat kelangkah

15.

7. Setelah seluruh koneksi jaringan terisi bobot, lakukan feedforward.

8. Lakukan perhitungan kesalahan antara pola output Neural Network dan pola target.

9. Periksa apakah kesalahan output lebih besar daripada kesalahan yang ditergetkan? jika ya,

maka lakukan langkah 10, jika tidak, maka lakukan langkah 13 dan 15

10. Lakukan langkah mundur Backpropagation

11. Proses berhenti

12. Training sukses

13. Selesai

Page 61: Analisis Suara Alphabet

Nama file

.Huruf

maxEpoch,

error target

For i=1

to 32

target

i

random

Epoch = 1

fedfoward

Hitung

errorTraining Sukses

E>E target

Epoch =

maxEpoch?

Hitung Faktor

Error

Nilai

perubahan

Bobot

Update bobot

Hasil

Pengenalan

Selesai

Yes

No

No

Gambar 3.3 Diagram Alir Proses Pembelajaran

Pada proses pembelajaran terdapat sub proses feedforward dan Backpropagation.

Langkah-langkah feedforward:

1. Mulai.

2. Kalikan seluruh data input pada array input dengan bobot pada masing masing bobot

koneksi array net, yang terhubung dengan neuron input. Kemudian jumlahkan seluruh

vekor bobot yang menuju neuron hidden yang sama.

3. Lakukan aktifasi hasil penjumlahan tersebut pada masing-masing neuron, sehingga

output pada lapisan ini berada pada kisaran 0 dan 1.

Page 62: Analisis Suara Alphabet

4. Kalikan seluruh hasil aktifasi masing-masing neuron lapis hidden pada array hidden

dengan bobot pada masing-masing koneksi array output yang terhubung dengan neuron

pada lapis hidden. Kemudian jumlahkan seluruh vector bobot yang menuju neuron output

yang sama.

5. Lakukan aktifasi hasil penjumlahan tersebut pada masing-masing neuron lapisan output,

sehingga output pada lapisan ini berada pada kisaran 0 dan 1

6. Selesai. Hasil pada lapis output akan digunakan pada proses hitung error.

For i-1 to n

hidden

For j-1 to n

input

Array hidden= array

hidden+array

input*array net

J

Array hidden=

sigmoid<array

hidden

I

For i: -1

to n output

For

Output: - output +

array hidden*array

net output

J

Output: -sigmoid

(output)

I

Gambar 3.4 Diagram Alir Proses Feedforward

Page 63: Analisis Suara Alphabet

Langkah-langkah proses hitung error:

1. Mulai

2. Hitung jarak masing-masing neuron target dengan output dari feedforward

3. Hitung rata-rata kesalahan seluruh neuron target dan output

4. Selesai. Nilai kesalahan akan dijadikan acuan untuk memnentukan proses propagasi balik

atau berhenti.

Error: -0,0001

For i-1 to

n output

Jarak: -power(target

output)

Error:-error+jarak

i

Error: -

0,5*error

Error

Selesai

Gambar 3.5 Diagram alir proses hitung error

Sedangkan untuk langkah mundur atau propagasi balik adalah perhitungan informasi

kesalahan pada tiap neuron pada masing-masing lapisan dimulai dari kesalahan pada lapis output

hingga lapis hidden terdekat dengan lapis input. Informasi kesalahan berguna untuk menghitung

faktor peubah bobot yang akan digunakan untuk perbaikan bobot lama. Algoritma propagasi

balik diperlihatkan pada gambar di bawah ini:

Page 64: Analisis Suara Alphabet

BP

For i=1 to

n_output

Faktor error pada

output= target-

output*sigmoid

i

For i=1 to

n_hidden

For j=1 to

n_output

Array faktor error=array

error+(array

output*array net output

j

Array faktor

error=faktor error

output*sigmoid(array

hidden

i

For j=1 to

n_hidden

For i=1 to

n_input

Array

delta=alpha*array f.

error*array input

j

i D

D

For i=1 to

n_input

For j=1 to

n_hidden

Array

net1=array1+array

delta hidden1

j

i

F1

B1BP

For j=1 to

n_hidden

For i=1 to

n_input

j

i

For j=1 to

n_hidden

For i=1 to

n_input

j

i

F1

Gambar 3.6 Diagram Alir Propagasi balik

Langkah-langkah propagasi balik:

1. Mulai

2. Pada lapisan output. Pertama hitung selisih antar target pengenalan dengan output

pengenalan. Kalikan selisih ini dnegan output pengenalan yang telah diaktivasi dengan

Page 65: Analisis Suara Alphabet

fungsi turunan aktivasi. Hasil perkalian ini akan digunakan untuk menghitung faktor

kesalahan pada lapisan hidden dan untuk menghitung faktor peubah bobot pada vector

bobot menuju output

3. Hitung besar faktor peubah bobot baru pada tiap sinapsis lapisan output

4. Perbaiki bobot lama pada tiap sinapsis menuju output dengan menjumlahkan bobot lama

array net output dengan peubah bobot yang telah dihitung pada langkah sebelumnya

5. Pada lapisan hidden. Untuk menghitung faktor kesalahan masing-masing neuron lapisan

hidden dilakukan: masing-masing faktor kesalahan pada output dikalikan dengan bobot

lama yang terkoneksi dengan neuron lapisan output. Kemudian hasil perkalian pada

seluruh koneksi yang terhubung dengan maisng-masing neuron hidden dijumlahkan.

Faktor kesalahan pada neuron lapis hidden akan digunakan untuk menghitung peubah

bobot pada koneksi dari lapisan input menuju lapisan hidden

6. Hitung besar faktor peubah bobot baru pada tiap koneksi di lapisan hidden

7. Perbaiki bobot lama pada tiap koneksi dari lapisan input menuju lapisan hidden dengan

menjumlahkan bobot lama dengan peubah bobot yang telah dihitung sebelumnya.

8. Selesai. Bobot baru yang akan digunakan untuk proses feedforward kedua dan seterusnya

hingga bobot optimal di dapatkan.

Setelah pembelajaran selesai dilakukan, maka proses pengenalan dapat dilakukan.

Langkah-langkah pengenalan secara menyeluruh adalah sebagai berikut:

1. Mulai

2. Tetapkan kesalahan minimal dengan harga yang tinggi, dimana kemungkinan besar

tidak akan mungkin sebuah proses mempunyai kesalahan sebesar kesalahan tersebut

3. Inisialisasi bobot awal, target output, dan kata dengan mengambil data bobot

Page 66: Analisis Suara Alphabet

4. Lakukan feedforward untuk mendapatkan output pengenalan

5. Hitung kesalahan antara target dengan output pengenalan

6. Periksa apakah kesalahan pengenalan kurang dari error minimal? Jika ya, lakukan

langkah 7 dan jika tidak maka kembali ke langkah sebelumnya

7. Perbaharui nilai error minimal dengan kesalahan pengenalan setting kalimat

pengenalan dengan kata dari variable yang mewakili

8. Apakah pola dengan target sesuai, jika sesuai berarti kalimat dikenali tapi jika tidak

sesuai maka kalimat tidak dikenali

9. Selesai

Pengenalan

Error minimal

0.02

Inisialisasi

bobot

feedfoward

Hitung

Error

Error minimal –

error variable huruf

T-Target

T < outputDikenali Tidak Dikenali Selesai

NN

NoYes

Gambar 3.7 Diagram Alir Proses Pengenalan

Page 67: Analisis Suara Alphabet

3.2 Perancangan Sistem

3.2.1 Arsitektur Neural Network (NN)

NN terdiri dari elemen-elemen pemroses yang tersusun dan terhubung dengan arsitektur

tertentu. Hubungan antar elemen tersebut mempuyai nilai tertentu yang dapat mengatur sinyal

yang melewati koneksi tersebut. Nilai yang dikenal dengan nilai bobot ini akan mengalami

perubahan dalam proses pelatihan. Arsitektur NN yang digunakan adalah NN umpan balik (back

forward).

NN yang digunakan terdiri dari satu lapisan masukan, satu lapisan tersembunyi dan satu

lapisan keluaran. Jumlah neuron pada lapisan masukkan tergantung pada jumlah vektor

masukkan yang diterapkan pada jaringan. Jumlah neuron pada lapisan tersembunyi dibuat

bervariasi yaitu satu hidden dengan jumlah node 50 serta jumlah momentumnya 0.1, 0.25, 0.5,

0.75, dan 09, dua hidden dengan jumlah 100 dan 50 node juga dengan jumlah momentum 0.1,

0.25, 0.5, 0.75, dan 09. Tujuan dibuat variasi ini adalah untuk menentukan waktu pelatihan

tercepat dan hasil terbaik dalam proses pelatihan. Penentuan jumlah neuron pada lapisan hidden

dilakukan secara eksperimen karena belum ada metode yang baku dalam menentukan jumlah

neuron pada lapisan hidden. NN ini tersusun atas 2 lapis, lapis pertama sebagai lapis tersembunyi

(hidden layer), lapis kedua sebagai keluaran (output layer). Fungsi transfer yang digunakan pada

lapisan hidden adalah sigmoid sedangkan fungsi

pelatihan yang digunakan adalah traingda untuk mempercepat proses pelatihan.

3.2.2 Proses Pelatihan NN

Sesuai dengan karekteristik NN secara umum, sistem pengenalan pola suara dalam

penelitian ini terdiri dari 2 tahap, yaitu tahap pelatihan dan tahap pengujian. Inti dari proses

belajar NN adalah tahap penyesuaian bobot-bobot jaringan. Pada tahap pelatihan ini

Page 68: Analisis Suara Alphabet

menggunakan metode pelatihan dengan pengawasan (supervised learning). Pemilihan metode ini

dengan alasan karena pola spectrum suara selalu berbeda pada suatu waktu meskipun kata yang

diucapakan sama dan adanya kemiripan pola spectrum pada kata-kata tertentu.

Pola spectrum data pelatihan ini dapat dilihat pada lampiran 2 sehingga bila diterapkan

pola pelatihan tanpa pengawasan menyebabkan jaringan akan memberikan respon keputusan

yang salah. Algoritma pelatihan/pembelajaran yang digunakan adalah algoritma

Backpropagation.

Pada NN Backpropagatiaon output dari jaringan dibandingkan dengan output yang

dikehendaki. Nilai bobot yang di terapkan dalam proses belajar diatur oleh jaringan sehingga

pada iterasi berikutnya dapat mendekati output yang diinginkan. Untuk pelatihan diperlukan data

input dan output yang disebut training set. Setiap nilai input bersesuaian dengan nilai input yang

dikehendaki. Pelatihan akan berhenti apabila jaringan menghasilkan output yang diperlukan

untuk suatu nilai input , dimana iterasi (epoch) diulangi sampai dicapai suatu nilai dibawah batas

nilai toleransi kesalahan atau batas maximum iterasi terlampaui dan fungsi performansi

mencapai harga lebih kecil dari goal (batas error yang diperbolehkan).

3.2.3 Hasil Pelatihan NN

Tujuan akhir dari proses belajar adalah minimalisasi kesalahan antara output jangan

syaraf dengan output yang dikehendaki dengan cara mengubah nilai momentum secara terus

menerus.

Nilai bobot yang terlalu besar dapat menyebabkan perubahan yang justru tidak konvergen

dengan kata lain dapat melompati titik minimal kesalahan. Sebaliknya konstanta pembelajaran

(learning rate) yang terlalu kecil akan menyebabkan lambatnya proses belajar sehingga kan

terjebak pada titik minimal kesalahan minimal (local minimal). Pelatihan dilakukan dengan data

Page 69: Analisis Suara Alphabet

hasil perekaman dengan data yang telah diberi noise dengan range 0.1. tujuan dari pelatihan

dengan noise adalah untuk mengetahui kepekaan NN dalam mengenali pola suara yang

diberikan. Kecepatan pelatihan untuk mencapai target yang diinginkan dipengaruhi oleh jumlah

neuron pada lapisan hidden, jumlah iterasi dan konstata pembelajaran. Dalam hal ini konstanta

pembelajaran memakai nilai sebesar 0.0001 dan iterasi diberikan sebesar 10000 iterasi artinya

NN akan berhenti menjalankan proses pelatihan jika melebihi iterasi tersebut. Pengaruh jumlah

neuron pada lapisan tersembunyi dalam proses pelatihan.

Gambar 3.8 Pelatihan dengan 1 hidden 50 node

Page 70: Analisis Suara Alphabet

Gambar 3.9 Hasil latih huruf A yang Dikenali

Dari hasil latih yang dilakukan untuk huruf A yang benar dapat Dikenali dengan

menggunakan jaringan satu hidden dengan 50 node, jumlah epoh maximum 10.000, learning rate 10-

5, momentum 0.1 ternyata jaringan mampu mengenali huruf yaitu ditandai dengan nilai 0.939891.

Untuk data latih yang lain dapat dilihat pada tabel dibawah ini:

Table 3.2 Hasil Latih Untuk Data Uji 1

NO HURUF NILAI STATUS EPOCH

MAX

LEARNING

RATE

MOMENTUM BATAS

ERROR

1 a1 0,7 Dikenali 10000 0.0001 0,1 10-5

2 a2 0,3 Dikenali 10000 0.0001 0,1 10-5

3 a3 0,9 Dikenali 10000 0.0001 0,1 10-5

4 a4 0,9 Dikenali 10000 0.0001 0,1 10-5

5 a5 1,6 Dikenali 10000 0.0001 0,1 10-5

6 a6 0,9 Dikenali 10000 0.0001 0,1 10-5

7 a7 1,4 Dikenali 10000 0.0001 0,1 10-5

8 a8 1,3 Dikenali 10000 0.0001 0,1 10-5

9 a9 1,6 Dikenali 10000 0.0001 0,1 10-5

10 a10 1,5 Dikenali 10000 0.0001 0,1 10-5

Page 71: Analisis Suara Alphabet

11 b1 2,0 Dikenali 10000 0.0001 0,1 10-5

12 b2 6,3 Dikenali 10000 0.0001 0,1 10-5

13 b3 1,7 Dikenali 10000 0.0001 0,1 10-5

14 b4 3,1 Dikenali 10000 0.0001 0,1 10-5

15 b5 1,5 Dikenali 10000 0.0001 0,1 10-5

16 b6 5,0 Dikenali 10000 0.0001 0,1 10-5

17 b7 4,9 Dikenali 10000 0.0001 0,1 10-5

18 b8 2,5 Dikenali 10000 0.0001 0,1 10-5

19 b9 5,1 Dikenali 10000 0.0001 0,1 10-5

20 b10 1,8 Dikenali 10000 0.0001 0,1 10-5

21 c1 2,6 Dikenali 10000 0.0001 0,1 10-5

22 c2 2,2 Dikenali 10000 0.0001 0,1 10-5

23 c3 4,9 Dikenali 10000 0.0001 0,1 10-5

24 c4 2,7 Dikenali 10000 0.0001 0,1 10-5

25 c5 5,0 Dikenali 10000 0.0001 0,1 10-5

26 c6 5,6 Dikenali 10000 0.0001 0,1 10-5

27 c7 5,4 Dikenali 10000 0.0001 0,1 10-5

28 c8 3,5 Dikenali 10000 0.0001 0,1 10-5

29 c9 5,2 Dikenali 10000 0.0001 0,1 10-5

30 c10 2,9 Dikenali 10000 0.0001 0,1 10-5

31 d1 4,2 Dikenali 10000 0.0001 0,1 10-5

32 d2 4,2 Dikenali 10000 0.0001 0,1 10-5

33 d3 4,9 Dikenali 10000 0.0001 0,1 10-5

34 d4 2,8 Dikenali 10000 0.0001 0,1 10-5

35 d5 4,1 Dikenali 10000 0.0001 0,1 10-5

36 d6 6,5 Dikenali 10000 0.0001 0,1 10-5

37 d7 5,6 Dikenali 10000 0.0001 0,1 10-5

38 d8 2,9 Dikenali 10000 0.0001 0,1 10-5

38 d9 10,1 Tidak

Dikenali

10000 0.0001 0,1 10-5

40 d10 2,9 Dikenali 10000 0.0001 0,1 10-5

41 aa1 11,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

42 aa2 10,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

43 aa3 10,8 Tidak

Dikenali 10000 0.0001 0,1 10

-5

44 aa4 10,7 Tidak

Dikenali 10000 0.0001 0,1 10

-5

45 aa5 11,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

46 aa6 11,1 Tidak

Dikenali 10000 0.0001 0,1 10

-5

47 aa7 10,9 Tidak

Dikenali 10000 0.0001 0,1 10

-5

Page 72: Analisis Suara Alphabet

48 aa8 11,2 Tidak Dikenali

10000 0.0001 0,1 10-5

49 aa9 11,1 Tidak

Dikenali 10000 0.0001 0,1 10

-5

50 aa10 10,7 Tidak

Dikenali 10000 0.0001 0,1 10

-5

51 bb1 14,1 Tidak

Dikenali 10000 0.0001 0,1 10

-5

52 bb2 5,1 Dikenali 10000 0.0001 0,1 10-5

53 bb3 13,5 Tidak

Dikenali 10000 0.0001 0,1 10

-5

54 bb4 5,4 Dikenali 10000 0.0001 0,1 10-5

55 bb5 12,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

56 bb6 11,6 Tidak

Dikenali 10000 0.0001 0,1 10

-5

57 bb7 12,5 Tidak

Dikenali 10000 0.0001 0,1 10

-5

58 bb8 12,6 Tidak

Dikenali 10000 0.0001 0,1 10

-5

59 bb9 13,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

60 bb10 12,3 Tidak

Dikenali 10000 0.0001 0,1 10

-5

61 cc1 13,3 Tidak

Dikenali 10000 0.0001 0,1 10

-5

62 cc2 4,4 Dikenali 10000 0.0001 0,1 10-5

63 cc3 13,1 Tidak

Dikenali 10000 0.0001 0,1 10

-5

64 cc4 4,5 Dikenali 10000 0.0001 0,1 10-5

65 cc5 14,1 Tidak

Dikenali 10000 0.0001 0,1 10

-5

66 cc6 12,8 Tidak

Dikenali 10000 0.0001 0,1 10

-5

67 cc7 13,2 Tidak

Dikenali 10000 0.0001 0,1 10

-5

68 cc8 12,6 Tidak

Dikenali 10000 0.0001 0,1 10

-5

69 cc9 13,2 Tidak

Dikenali 10000 0.0001 0,1 10

-5

70 cc10 13,9 Tidak

Dikenali 10000 0.0001 0,1 10

-5

71 dd1 14,2 Tidak

Dikenali 10000 0.0001 0,1 10

-5

72 dd2 11,3 Tidak

Dikenali 10000 0.0001 0,1 10

-5

Page 73: Analisis Suara Alphabet

73 dd3 13,7 Tidak Dikenali

10000 0.0001 0,1 10-5

74 dd4 10,5 Tidak

Dikenali 10000 0.0001 0,1 10

-5

75 dd5 12,8 Tidak

Dikenali 10000 0.0001 0,1 10

-5

76 dd6 13,4 Tidak

Dikenali 10000 0.0001 0,1 10

-5

77 dd7 15,5 Tidak

Dikenali 10000 0.0001 0,1 10

-5

78 dd8 15,9 Tidak

Dikenali 10000 0.0001 0,1 10

-5

79 dd9 14,8 Tidak

Dikenali 10000 0.0001 0,1 10

-5

80 dd10 13,0 Tidak

Dikenali 10000 0.0001 0,1 10

-5

Dari table 3.2 hasil data uji 1 di atas dapat dilihat, bahwa pelatihan yang dilakukan pada

NN dengan satu hidden 50 node, dengan jumlah Epoch 10.000, momentum 0.1, learning rate

0.0001, dan batas error 10-5

dapat mengenali pola suara dari masing-masing parameter baik

Dikenali dan Tidak Dikenali . Dari data di atas sebagai contoh dapat dilihat pada data a3 jaringan

mampu mengenali dengan baik. Sedangkan bobot yang digunakan adalah:

bobotAkhir_bias_input =

0.9671 0.9399 0.8520 0.9711 0.8806 0.9503 0.9210 0.9759 0.8919

0.9128 1.8003 5.2461 1.9566 2.8935 1.8842 5.2461 5.2461 1.9372

5.2461 1.9149 2.8146 2.9193 5.2461 2.9851 5.2461 5.2461 5.2461

2.9517 5.2461 2.8973 3.9780 5.2461 3.8847 2.8935 3.8776 5.2461

5.2461 3.9241 10.2875 4.0509 10.8750 10.9210 10.9501 10.9399

10.9222

10.8709 10.9266 10.9465 10.9221 10.8905 12.8509 5.2461 11.9558 5.2461

11.9487 11.8038 11.8612 11.9974 11.9078 11.8955 12.7919 5.2461 12.8869

5.2461 12.8526 12.9054 12.8750 10.2875 12.9375 12.8320 13.8698 13.8324

13.7785 10.2875 12.8509 13.9422 13.7815 13.8721 13.7957 13.7124

bobotAkhir_bias_lapisan = 0.939891

Page 74: Analisis Suara Alphabet

Dari bobot akhir lapisan, dan bobot akhir bias lapisan disesuaikan dengan jumlah layar

tersembunyinya yaitu 50 node.

3.2.4 Keberhasilan Pengujian NN

Tahap pengujian merupakan kemampuan jaringan dalam mengenali pola yang di

masukkan (input) yang masing-masing dijadikan variabel, NN yang telah dilatih akan

mengambil data masukkan tersebut dan memberikan keluaran berdasarkan bobot yang disimpan

pada proses pelatihan pengujian menghasilkan keputusan berdasarkan kedekatan dengan kelas

pola data latih. Pengujian dilakukan secara offline (tidak langsung), pengujian offline dilakukan

pada data asli dan data yang diberi noise. Hal ini bertujuan untuk mengetahui seberapa jauh

kepekaan jaringan dalam membedakan dan mengenali pola yang diberikan. Pengujian secara

offline dilakukan dengan memasukkan pola suara dari 10 orang data uji untuk diujikan, proses ini

dilakukan pada data yang telah diberi noise. Pengujian dilakukan dengan jumlah neuron pada

lapisan hidden yaitu 50. Perhitungan prosentase tingkat keberhasilan dalam mengenali pola suara

yang diucapkan dengan persamaan sebagai berikut:

Page 75: Analisis Suara Alphabet

3.3 Desain Antar Muka

Gambar 3.10 Desain Antar Muka Sistem

Halaman ini merupakan tampilan awal perangkat lunak yang dirancang yang memuat

keseluruhan dari sistem yang dibangun untuk mengenali pola suara huruf alphabet. Kemudian

setelah kita tampilkan desainnya maka kita tinggal menekan tombol run atau tekan tombol pada

keyboard (F5), maka akan tampil seperti gambar berikut:

Page 76: Analisis Suara Alphabet

Gambar 3.11 Sistem dalam posisi siap digunakan.

Page 77: Analisis Suara Alphabet

BAB IV

PEMBAHASAN

Dalam bab ini dibahas mengenai hasil uji coba sistem yang telah dirancang dan dibuat.

Uji coba dilakukan untuk mengetahui apakah sistem dapat berjalan sebagaimana mestinya

dengan lingkungan uji coba yang telah ditentukan serta dilakukan sesuai dengan skenario uji

coba.

Ada beberapa hasil uji coba yang telah dilakukan terhadap pola data suara yang telah

dimatrikkan,antara lain pola data suara dari parameter seseorang yang dianggap benar, dan pola

data suara parameter yang kurang benar. Kemudian untuk proses pengukuran kebenaran akan

dimasukkan satu pola data suara dari seseorang yang belum dilatihkan pada Neural Network.

Kebenaran bisa diukur dengan mengacu pada pola data parameter baik itu yang benar ataupun

yang kurang benar, jika data uji memiliki pola data yang sama atau hampir sama dengan

parameter yang benar maka program mengenalinya atau status dikenali, dan begitu pula

sebaliknya, tidak dikenali jika hasilnya tidak berada pada range target yang telah ditentukan.

Sebelumnya perlu diketahui software dan hardware uji coba yang digunakan dalam

melakukan uji coba skripsi ini.

4.1 Peralatan Uji Coba

Pada subbab ini dijelaskan mengenai peralatan yg digunakan untuk uji coba program

seperti:

a. Spesifikasi Perangkat Keras yang digunakan:

Processor : AMD Turion™ X2 Dual-Core 2.20 Ghz

Memory : 3 GB

Piranti Masukan : Head set merek somic

Page 78: Analisis Suara Alphabet

b. Spesifikasi Perangkat Lunak yang digunakan:

Sistem Operasi : Windows Xp Profesional versi 2002 SP.2

Perangkat Pengembang : Matlab 7.0

: Ms. Office Visio 2007

4.2 Data Uji

Pada uji coba yang akan diproses, menggunakan data dari sampel suara huruf yang benar

dalam pengucapan dan sampel suara yang kurang benar. Sebelum data diproses dalam NN data

di olah terlebih dahulu dengan menggunakan PSD (Pengolahan Sinyal Digital) untuk

mendapatkan pola suara. Setelah pola suara didapat maka data itulah yang digunakan sebagai

input jaringan saraf tiruan (NN) backpropagation.

4.3 Implementasi Program

Dalam implementasi program ini menjelaskan tentang alur membuatan dan kegunaan

program dilengkapi dengan antar muka program atau sering disebut dengan Interface.

4.3.1 Proses Preprosesing Data

Preprosesing data ini yang didalamnya ada beberapa tahapan yang harus dilalui seperti:

Normalisasi, Linier Prediktif Coding (LPC), dan Fast Fourier Transform (FFT).

Berikut ini gambar hasil dari pengucapan huruf A pada preprosesing:

Page 79: Analisis Suara Alphabet

1. Normalisasi

Gambar 4.1 Normalisasi

Listing program untuk menampilkan gambar:

subplot(121)

imagesc(SM)

colormap(1-gray)

title('local score match')

% Anda dapat melihat sebuh strip gelap (high similarity values)

mengarah

%turun secara diagonal.

% Gunakan dynamic programming untuk mendapatkan lowest-cost path antara

%pojok cost matrix yang berhadapan

% Catat bahwa kita menggunakan 1-SM karena dp akan menemukan *lowest*

%total cost

[p,q,C] = dp(1-SM);

% Overlay lintasan pada local similarity matrix

hold on;

plot(q,p,'r');

hold off

% Lintasan tampak mengikuti Path jalur dark

% Plot minimum-cost-to-this point matrix

subplot(122)

imagesc(C)

Page 80: Analisis Suara Alphabet

hold on;

plot(q,p,'r');

hold off

title('local score dynamic programming')

2. Estimasi Terhadap Sinyal Suara

Gambar 4.2 Estimasi Sinyal Suara

Maksudnya adalah perkiraan dari inputan pengenalan suara sinyalnya lebih kurang

seperti gambar diatas.

Listing program untuk menampilkan gambar:

% Display results

figure(2)

plot([wx; zeros(order,1)],'g');

title('Linear Predictive Analysis, Autocorrelation Method');

hold on;

plot(estx,'black');

hold off;

%xlim([0 length(er)])

legend('Speech Signal','Estimated Signal');

% The prediction error is estimated in the interval 0<=m<=N-1+p

er = [wx; zeros(order,1)] - estx;

Page 81: Analisis Suara Alphabet

3. Error Sinyal

Gambar 4.3 Error Sinyal

Grafik yang menggambarkan tentang error sinyal yang di inputkan.

Listing program untuk menampilkan gambar:

figure(3)

plot(abs(er));

legend('Error Signal');

%Prediction error energy in the same interva

erEn = sum(er.^2);

Page 82: Analisis Suara Alphabet

4. Model Frekuensi Respon Spectrum Suara

Gambar 4.4 Model Frekuensi Respon Spectrum

Listing program untuk menampilkan gambar:

figure(4)

plot(linspace(0,0.5,256), 20*log10(abs(H)),'black');

hold on;

plot(linspace(0,0.5,256), 20*log10(S(1:256)));

legend('Model Frequency Response','Speech Spectrum')

hold off;

% Autocorrelation of the prediction error

[acs,lags] = xcorr(er);

Page 83: Analisis Suara Alphabet

5. Prediksi Kesalahan

Gambar 4.5 Prediksi Kesalahan

Listing program untuk menampilkan gambar:

figure(5)

plot(lags, acs);

legend('Prediction Error Autocorrelation')

% Calculate the spectrum of the error signal

eS = abs(fft(er,512));

Page 84: Analisis Suara Alphabet

6. Prediksi Kesalahan Pola

Gambar 4.6 Prediksi Kesalahan Pola

Listing program untuk menampilkan gambar:

figure(6)

plot(linspace(0,0.5,256), 20*log10(eS(1:256)));

legend('Prediction Error Spectrum')

Dalam preprosesing ini dilakukan pemilihan data untuk huruf alphabet A-Z sebayak 320

pola data suara dengan perincian setiap satu suara orang terdiri 32 pola dan dan dilakukan

kepada orang sebanyak 10. Adapun listing program tersebut secara lengkap adalah sebagai

berikut:

%File Name: DTW_01.m %mengambil SEPULUH file speech *.wav %suara huruf a fs=8000; [d1,fs] = wavread('a1.wav'); [d2,fs] = wavread('a2.wav'); [d3,fs] = wavread('a3.wav'); [d4,fs] = wavread('a4.wav'); [d5,fs] = wavread('a5.wav'); [d6,fs] = wavread('a6.wav'); [d7,fs] = wavread('a7.wav'); [d8,fs] = wavread('a8.wav'); [d9,fs] = wavread('a9.wav'); [d10,fs] = wavread('a10.wav');

Page 85: Analisis Suara Alphabet

% Mendengarkan secara bersamaan huruf a ml = min(length(d1),length(d2)); ml2 = min(length(d3),length(d4)); ml3 = min(length(d5),length(d6)); ml4 = min(length(d7),length(d8)); ml5 = min(length(d9),length(d10));

%wavplay(d1(1:ml)+d2(1:ml),fs) % Dalam mode stereo %wavplay ([d1(1:ml),d2(1:ml)],fs) %wavplay ([d3(1:ml2),d4(1:ml2)],fs) %wavplay ([d5(1:ml3),d6(1:ml3)],fs) %wavplay ([d7(1:ml4),d8(1:ml4)],fs) %wavplay ([d9(1:ml5),d10(1:ml5)],fs)

% Menghitung STFT (short time fourier transform) features untuk kedua %sounds (dengan 25% window overlap) D1 = specgram(d1,512,fs,512,384); D2 = specgram(d2,512,fs,512,384); D3 = specgram(d3,512,fs,512,384); D4 = specgram(d4,512,fs,512,384); D5 = specgram(d5,512,fs,512,384); D6 = specgram(d6,512,fs,512,384); D7 = specgram(d7,512,fs,512,384); D8 = specgram(d8,512,fs,512,384); D9 = specgram(d9,512,fs,512,384); D10 = specgram(d10,512,fs,512,384);

% Menyusun 'local match' scores matrix sebagai cosine distance antar %magnitudo STFT SM =

simmx([abs(D1),abs(D2)],[abs(D3),abs(D4),abs(D5),abs(D6),abs(D7),abs(D8),abs(

D9),abs(D10)]);

% Lihat hasilnya: subplot(121) imagesc(SM) colormap(1-gray) title('local score match') % Anda dapat melihat sebuh strip gelap (high similarity values) mengarah %turun secara diagonal. % Gunakan dynamic programming untuk mendapatkan lowest-cost path antara %pojok cost matrix yang berhadapan % Catat bahwa kita menggunakan 1-SM karena dp akan menemukan *lowest* %total cost [p,q,C] = dp(1-SM); % Overlay lintasan pada local similarity matrix hold on; plot(q,p,'r'); hold off % Lintasan tampak mengikuti Path jalur dark % Plot minimum-cost-to-this point matrix subplot(122) imagesc(C) hold on;

Page 86: Analisis Suara Alphabet

plot(q,p,'r'); hold off title('local score dynamic programming')

% Pojok kanan pada C memberikan nilai minimum-cost alignment pada C(size(C,1),size(C,2)) % Hitung frame di dalam D2 yang mengindikasikan match setiap frame % di dalam D1, sehingga kita dapat me-resynthesize sebuah warped, versi % yang diluruskan

D2i1 = zeros(1, size(D1,10)); for i = 1:length(D2i1) D2i1(i) = q(min(find(p >= i))); end

% Interpolasi Phase-vocoder D2's STFT di bawah kondisi time warp D2x = pvsample(D2, D2i1-1, 128); % Invert kembali ke dalam time domain d2x = istft(D2x, 512, 512, 128); % Dengarkan hasilnya sebuah versi warped version sendiri wavplay(d2x,fs) % Versi warped ditambahkan ke target asli (untuk mendapatkan fine-tune %length) d2x = resize(d2x', length(d1),1); wavplay(d1+d2x,fs) % Anda dapat juga mlihat hasilnya pada mode stereo wavplay([d1,d2x],fs) % Bandingkan dengan pasangan unwarped: wavplay([d1(1:ml),d2(1:ml)],fs) x=[d1]; %[x,fs] = wavread('a.wav'); %wavplay(x,fs) len_x = length(x); % The signal is windowed w = hamming(len_x); wx = w.*x; % LPC autocorrelation method order = 12; % LPC function of MATLAB is used [lpcoefs, errorPow] = lpc(x, order); % The estimated signal is calculated as the output of linearly filtering % the speech signal with the coefficients estimated above estx = filter([0 -lpcoefs(2:end)], 1, [wx; zeros(order,1)]);

% Display results figure(2) plot([wx; zeros(order,1)],'g'); title('Linear Predictive Analysis, Autocorrelation Method'); hold on; plot(estx,'black'); hold off; %xlim([0 length(er)]) legend('Speech Signal','Estimated Signal'); % The prediction error is estimated in the interval 0<=m<=N-1+p er = [wx; zeros(order,1)] - estx; figure(3) plot(abs(er)); legend('Error Signal');

Page 87: Analisis Suara Alphabet

%Prediction error energy in the same interva erEn = sum(er.^2); % Calculate the frequency response of the linear prediction model [H, W] = freqz(sqrt(erEn), lpcoefs(1:end), 256); % Calculate the spectrum of the windowed signal S = abs(fft(estx,512)); %inputan fft ke jst(matrik 8*32) s5 = S(1:256); s2 = reshape(s5, 256, []); rr = reshape(s2,8,32) %mencari rata-rata dan median r1 = mean(rr); r2 = median(r1); %i=length(r,[]); Ai=r1<r2 if (r1 < r2) ai=0; else ai=1; end

figure(4) plot(linspace(0,0.5,256), 20*log10(abs(H)),'black'); hold on; plot(linspace(0,0.5,256), 20*log10(S(1:256))); legend('Model Frequency Response','Speech Spectrum') hold off; % Autocorrelation of the prediction error [acs,lags] = xcorr(er); figure(5) plot(lags, acs); legend('Prediction Error Autocorrelation') % Calculate the spectrum of the error signal eS = abs(fft(er,512)); figure(6) plot(linspace(0,0.5,256), 20*log10(eS(1:256))); legend('Prediction Error Spectrum')

4.3.2 Proses Pengenalan Suara

Setelah di dapatkan pola data masukkan untuk Neural Network sebanyak 32 data, maka

proses pelatihan pada Neural Network dapat dilakukan.

1. Data Input

Data input untuk Neural Network dari 26 huruf alphabet A-Z terdiri dari parameter

suara orang benar maupun suara orang yang kurang benar. Palatihan dilakukan dengan

Page 88: Analisis Suara Alphabet

cara menjadikan inputan data suara tadi menjadi matrik yang akan mewakili sebuah

huruf.

Untuk a akan mewakili pola data masukkan huruf A yang dianggap benar, begitu

selanjutnya sampai huruf Z. Kemudian aa akan mewakili pola data masukkan huruf A

yang dianggap kurang benar, begitu selanjutnya sampai huruf Z. Jadi total input

keseluruhan data yaitu 52, yang terdiri dari 26 input data yang dianggap benar, dan 26

untuk input data yang kurang benar.

Listing untuk contoh input pola suara benar yang dijadikan sebagai parameternya:

a =

[ 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1

1 1 0 0 0 0 0 1 1 1 1 1 ;

0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1

1 1 1 1 0 0 0 0 0 0 1 ;

0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 1 0 1 1 ;

0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1

1 1 1 1 1 1 1 1 1 0 0 ;

0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1

1 1 1 1 1 1 1 0 1 0 0 ;

0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 1 ;

0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1

1 0 0 0 0 0 1 1 1 1 1 ;

0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 1

1 1 0 1 1 1 1 1 1 1 1 ;

0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1

0 0 0 0 0 0 1 1 1 1 1 ;

0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1

1 1 1 0 0 1 1 1 1 1 1 ]

b =

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 1 0 1 0 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

1 1 0 0 1 0 1 1 1 1 1 ;

Page 89: Analisis Suara Alphabet

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1

0 1 1 0 0 1 1 1 0 1 0 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 0 0 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 0 0 1 1 1 1 1 0 0 ]

c =

[ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

1 1 1 1 0 0 1 1 1 1 0 0 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1

1 1 1 1 1 1 1 1 0 0 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 0 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 1

1 1 1 0 1 1 1 1 1 1 1 ]

d =

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 0 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1

1 0 0 1 1 1 1 0 0 0 0 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

Page 90: Analisis Suara Alphabet

0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1

1 1 0 0 1 0 0 0 0 0 0 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 1 1 0 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 ;

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 0 0 0 1 1 1 1 1 0 ]

Dalam hal ini penulis hanya menampilkan pola suara huruf a-d saja sebagai

contoh parameternya, untuk lebih jelasnya penulis akan memaparkannya dilapiran

laporan.

2. Penetuan Target

Dalam penelitian ini target yang digunakan adalah berupa angka. Mulai dari huruf

a suara yang benar, nilai target 1 sebanyak data masukan, huruf b suara yang benar nilai

target 2 sebanyak data masukkan, huruf c suara yang benar nilai target 3 sebanyak data

masukan, huruf d suara yang benar nilai target 4 sebanyak data masukan, begitu

seterusnya untuk huruf e-z. sedangkan untuk data yang kurang benar mulai dari aa suara

yang kurang benar nilai target 11 sebanyak data masukan, bb suara yang kurang benar

nilai target 12 sebanyak data masukkan, cc suara yang kurang benar nilai target 13

sebanyak data masukan, dd suara yang kurang benar nilai target 14 sebanyak data

masukan, begitu juga seterusnya untuk ee-zz. Untuk lebih jelasnya bisa dilihat pada

listing program di bawah ini:

Page 91: Analisis Suara Alphabet

T = [1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 11 11 11

11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13 13 14 14

14 14 14 14 14 14 14 14];

Untuk penentuan jumlah nilai pada listing diatas tidak terpaku hanya pada nilai

tersebut, bisa menggunakan nilai yang lain. Maksud dari penberian target adalah untuk

membedakan hasil nilai uji suara antara masing-masing huruf bisa terlihat perbedaanya.

Dan dari hasil pengujian penulis memang terlihat perbedaanya, jika jarak antara target di

perbesar, maka nilai hasil uji dari masing-masing huruf yang telah di beri target terlihat

jelas perbedaan nilainya.

3. Proses Pembelajaran atau Training

Untuk proses inisialisasi jaringan NN Backpropagation di matlab mempunyai aturan

sebagai berikut:

Net= newff (PR,[S1 S2…SN],{TF1 TF2…TFN}, BTF,BLF,PF)

Dengan net adalah jaringan backpropagation yang terdiri dari n layer.

PR adalah matrik ordo R*2 yang berisi nilai minimum dan maximum R buah elemen

masukkannya.

Si (i=1,2,….,n) adalah jumlah layer pada unit ke i

TFi (i=1,1…..,n) adalah fungsi aktifasi yang dipakai pada layer ke i.

defaultnya = tansig (sigmoid bipolar)

BTF = fungsi pelatihan jaringan. Defaultnya = traingdx

BLF = fungsi perubahan bobot/bias. Defaultnya = learngdm

PF = fungsi perhitungan error. Defaultnya = mse

Page 92: Analisis Suara Alphabet

Dalam penelitian ini listing program yang digunakan untuk pelatihan adalah

sebagai berikut:

net = newff

(minmax(ptot),[50,1],{'logsig','purelin'},'traingda');

sedangkan untuk simulasi jaringan dengan menuliskan listing program:

[y,Pf,Af,e,perf] = sim (net,ptot,[],[],T)

Parameter keluaran ditambah dengan variable (e) untuk menyimpan error dan variable

(perf) untuk unjuk kerja

net.trainParam.epochs = 10000;

net.trainParam.show=500;

net = init(net);

net.trainParam.Ir=0.1;

net.trainParam.goal=1e-5;

net.trainParam.mc= 0.0001;

net = train(net,ptot,T)

datalatiht1=[0 0 1 1 0 0 0 1 1 1

1 1 1 0 0 0 0 0 0 1 1 1

0 0 0 0 0 1 1 1 1 1];

latiht1=sim(net,datalatiht1');

Page 93: Analisis Suara Alphabet

4. Proses Pengenalan Suara

Gambar 4.7 Grafik Pengenalan Suara TRAINGDA

Gambar 4.8 Hasil Pengujian Huruf

Page 94: Analisis Suara Alphabet

Gambar 4.9 Hasil Pengujian Secara Jelas

Dari hasil pengujian huruf A diatas didapat nilai 0,93796 dengan status Dikenali. jadi

hasil uji suara diatas sudah mendekati target yang di berikan yaitu 1 dengan epoch 10000.

4.3.3 Proses Pengujian Suara

Pada sub bab ini akan dijelaskan tentang alur pembuatan program yang dibuat beserta

tampilan desainnya. Berikut ini tampilan halaman yang ada dalam program aplikasi yang dibuat:

Page 95: Analisis Suara Alphabet

a. Proses Menampilkan Halaman Antar Muka

Untuk menampilkan Halaman antar muka dalam matlab 7.0 pertama-tama adalah

dengan mengklik menu File kemudian New pilih GUI. Seteleh itu akan muncul halaman

seperti gambar di bawah ini:

Gambar 4.10 Halaman GUIDE

Setelah itu pilih Open Existing GUI, kemudian pilih Browse terakhir cari folder dengan

nama Interface pilih file GUI dengan ekstensi (.fig). untuk lebih jelasnya lihat gambar:

Page 96: Analisis Suara Alphabet

Gambar 4.11 Membuka GUI Matlab

b. Halaman Antar Muka

Halaman ini memuat seluruh hasil dari pelatihan sampai pengenalan pola hingga

proses pengujian dan menjelaskan bagaimana jalannya alur program hingga didapat hasil

dari proses pengenalan huruf oleh Neural Network. Dibawah ini adalah tampilan dari

Antar Muka yang telah dibuat:

Page 97: Analisis Suara Alphabet

Gambar 4.12 Halama Antar Muka Program

Pada halaman ini terdapat dua data yaitu data benar dijadikan parameternya kemudian ada data

kurang benar yang dijadikan pembanding dari parameter. Disini user dapat menginputkan data

sesuai keinginan dengan catatan user harus mengetahui tetang penggunaan data uji di masing-

masing huruf yang sudah ditetukan misalkan: huruf A termasuk pada UJI 1, atau huruf N

termasuk pada UJI 4 dan seterusnya.

Untuk lebih jelasnya lihat gambar berikut:

Page 98: Analisis Suara Alphabet

Gambar 4.13 Menampilkan Data Input

c. Proses Data Latih

Pada data latih ini pemrosesan dilakukan dengan menekan tombol botton Uji, maka

proses data latih akan dijalankan oleh program. Hasil dari data latih ini selanjutnya masuk

pada tempat yang telah disediakan oleh GUI yang ada pada matlab. Pengenalan

dinyatakan berhasil hanya dengan melihat nilai pada kolom hasil. Proses pelatihan

jaringan dari hasil pelatihan contohnya dapat dilihat pada gambar dibawah ini:

Gambar 4.14 Proses Pelatihan

Page 99: Analisis Suara Alphabet

Gambar.4.15 Grafik menandakan pengenalan

Dalam program ini pengenalan huruf diukur dari target masing-masing parameter.

Misalkan huruf a dianggap dikenali jika nilai targetnya berada pada range 0.2 sampai 1.7,

dan untuk huruf a dianggap tidak dikenali jika nilai targetnya berada pada range 10.0

sampai 11.3. huruf b dianggap dikenali jika nilai targetnya berada pada range 1.5 sampai

6.3, dan untuk huruf b dianggap tidak dikenali jika nilai targetnya berada pada range 11.6

sampai 14.1. huruf c dianggap dikenali jika nilai targetnya berada pada range 1.2 sampai

5.6, dan untuk huruf c dianggap tidak dikenali jika nilai targetnya berada pada range 11.6

sampai 14.1. huruf d dianggap dikenali jika nilai targetnya berada pada range 2.8 sampai

6.5, dan untuk huruf d dianggap tidak dikenali jika nilai targetnya berada pada range 13.3

samapi 15.7.

Ini masih untuk uji satu, sebab dalam program ini terdapat 7 uji pengenalan huruf

alphabet. untuk keterangan lebih jelasnya penulis akan menjelaskannya listing

programnya secara lengkap dilampiran.

Listing program dari proses pelatihan data latih diatas adalah sebagai berikut:

Page 100: Analisis Suara Alphabet

fs =str2num(get(handles.txt_fs,'string'));

a = [ 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0

0 0 1 1 1 1 1 ; 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1

0 0 0 0 0 0 1 ; 0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1

1 1 1 1 0 1 1 ; 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1 1 1 1 1

1 1 1 1 1 0 0 ; 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 1 1 1

1 1 1 0 1 0 0 ; 0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 1 1

1 1 1 1 1 1 1 ; 0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0

0 0 1 1 1 1 1 ; 0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 1 1 1 0 1

1 1 1 1 1 1 1 ; 0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0

0 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0

0 1 1 1 1 1 1 ] aa = [ 0 0 0 0 1 1 1 1 1 1 0 1 0 0 0 0 0 0 1 1 1 1 0 0

0 0 0 1 1 1 1 1 ; 0 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1

1 1 1 1 0 1 0 ; 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 0 0 0 1 0 1 1 1

1 1 1 1 1 1 0 ; 0 0 0 1 1 1 1 0 1 1 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 1 1 0 1 1 1 1 0 1 0 0 0 0 0 0 1 1 1 1 1 1 0

0 0 0 0 1 1 1 ; 0 0 0 0 1 1 1 1 1 1 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 0 1 1 1 1 1 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 ; 0 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 0 1 0 0 1 0 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0 0 0

0 1 1 1 1 0 0 ] b = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0

1 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0

1 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 0

0 1 1 1 0 1 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ;

Page 101: Analisis Suara Alphabet

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

0 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0

1 1 1 1 1 0 0 ] bb =[ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0

0 0 1 1 1 1 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 1

1 1 1 1 0 1 1 ; 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 0 0 1 1

1 1 1 1 1 1 1 ] c = [ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0

0 1 1 1 1 0 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1

1 1 1 1 0 0 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 1 1 1 1 0

1 1 1 1 1 1 1 ] cc =[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 1 1 1 1 1

1 1 1 1 0 0 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0

1 1 1 1 1 1 1 ;

Page 102: Analisis Suara Alphabet

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0

0 1 0 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 1 ] d = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1

1 1 1 0 0 0 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0

1 0 0 0 0 0 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1

1 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0

0 1 1 1 1 1 0 ] dd =[ 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1

0 0 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1

0 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0

0 0 1 1 1 1 0 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0

0 1 1 1 1 1 1 ; 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ; 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 ]

ptotal= [a;b;c;d;aa;bb;cc;dd];

ptot=ptotal'

Page 103: Analisis Suara Alphabet

T = [1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4

4 4 4 4 4 11 11 11 11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12 12 13

13 13 13 13 13 13 13 13 13 14 14 14 14 14 14 14 14 14 14];

%T2 = [3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3]

%net1 = newff(minmax [P1 P2],[3 1],{'tansig''logsig','purelin'});

%net = newff([0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1;0 1;0 1;0 1;0

1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0

1],[3 1],{'logsig' 'purelin'});

net = newff (minmax (ptot), [50,1], {'logsig','purelin'},'traingda');

%net2 = newff([0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1]...

%[0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1]...

%[0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1],[3

1],{'logsig' 'purelin'});

%[y,Pf,Af,e,perf] = sim (net,ptot,[],[],T)

[net,Y,e]=adapt(net,ptot,T);

%Y1 = sim(net,ptot);

%plot(ptot,T,ptot,Y1,'o')

t_epochs=str2num(get(handles.txt_epochs,'string'));

t_show=str2num(get(handles.txt_show,'string'));

t_ir=str2double(get(handles.txt_ir,'string'));

t_mc=str2double(get(handles.txt_mc,'string'));

net.trainParam.epochs =t_epochs ;

net.trainParam.show=t_show;

net = init(net);

net.trainParam.Ir=t_ir;

net.trainParam.goal=1e-506;

net.trainParam.mc=t_mc;

net = train(net,ptot,T)

%Y2 = sim(net,ptot);

%plot(ptot,T,ptot,Y2,'o')

datatestawal=str2num(get(handles.txt_DataUji,'string'));

hasiltest=sim(net,datatestawal');

y = sim(net,ptot)

%get(handles.txt_DataUji,'string');

Page 104: Analisis Suara Alphabet

%set(handles.txt_DataTest,'string',datatest3);

%test2=sim(net,datatest3');

%test3=sim(net,value');

bobotAkhir_input = net.IW{1,1};

bobotAkhir_bias_input = net.b{1,1};

bobotAkhir_lapisan = net.LW{2,1};

bobotAkhir_bias_lapisan = net.b{2,1};

%subplot(211)

axes(handles.hasil_Grafik);

plot(ptot(1,:),T,'bo',ptot(1,:),y,'r*');

title('perbandingan antara terget (o) dan output jaringan (*)');

xlabel('input pertama');

ylabel('target atau output');

grid;

d. Proses Data Uji

Pada tahap pengujian, pertama-tama yang harus dilakukan adalah memilih data

uji yang telah disediakan pada popup menu, contohnya: sampel_A, sampel_B, sampel_C,

dan seterusnya. Setelah itu pilih salah satu radio button sesuai dengan data yang di uji

maka akan ditampilkan target dari huruf. Untuk lebih jelasnya biasa dilihat pada gambar

dibawah ini:

Gambar 4.16 Tahap Awal Pengujian

Page 105: Analisis Suara Alphabet

Listing Program dari proses diatas:

%========================================================================= %========================================================================= % % Contoh Data Pembacaan Abdjad yang Benar % %========================================================================= %=========================================================================

function popupmenu7_Callback(hObject, eventdata, handles) % hObject handle to popupmenu7 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: contents = get(hObject,'String') returns popupmenu7 contents as

cell array % contents{get(hObject,'Value')} returns selected item from

popupmenu7 indeks=get(handles.popupmenu7,'value'); switch indeks case 1 ket='[0 0 0 1 1 1 1 1 1 1

1 0 0 0 0 0 0 0 1 1 1 1 1

1 1 0 0 0 0 0 0 1]'; set(handles.txt_DataUji,'enable','off'); case 2 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 3 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 1 0 1 1 1 1 1 1 1 1

1 1 1 1 1 1 0 0 1]'; set(handles.txt_DataUji,'enable','off'); case 4 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 5 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 6 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 0 0 0 1 1 1 1 1

1 1 1 1 1 1 0 1 1]'; set(handles.txt_DataUji,'enable','off'); case 7 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 0 0 1 1 1 1

1 1 1 1 1 1 0 1 0]'; set(handles.txt_DataUji,'enable','off'); case 8

Page 106: Analisis Suara Alphabet

ket='[0 0 0 0 0 0 1 0 1 1

1 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 0 0 0]'; set(handles.txt_DataUji,'enable','off'); case 9 ket='[0 0 0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 10 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 1 1 1 1 1 1

0 0 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 11 ket='[0 0 1 1 1 0 1 1 1 1

1 1 0 0 0 1 0 1 1 1 0 0 0

0 0 1 1 1 0 0 0 0]'; set(handles.txt_DataUji,'enable','off'); case 12 ket='[0 0 0 0 0 0 0 0 1 1

1 1 1 1 1 0 1 0 1 1 1 1 0

0 0 0 0 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 13 ket='[0 0 0 0 0 0 0 0 0 0

1 1 1 1 0 1 1 1 1 1 0 0 0

0 0 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 14 ket='[0 0 0 1 0 0 0 0 0 0

0 0 0 1 1 1 0 1 0 1 1 1 1

0 0 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 15 ket='[0 0 0 0 0 0 1 1 0 1

0 0 0 0 0 0 0 0 0 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 16 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 1 1 1 1 1 1

0 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','on'); case 17 ket='[0 0 0 0 0 0 0 0 0 0

0 1 0 1 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 18 ket='[0 0 0 0 1 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 0 1 0

0 0 0 0 1 1 1 1 0]'; set(handles.txt_DataUji,'enable','off'); case 19

Page 107: Analisis Suara Alphabet

ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 1 1 1 1 1 1 0 0 1 1

1 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 20 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 1 1 1

0 0 0 1 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 21 ket='[0 0 0 1 1 0 1 1 0 0

0 0 0 0 0 0 0 0 0 0 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 22 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 0 0 0

0 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 23 ket='[0 0 0 0 0 0 0 0 0 1

1 1 1 1 1 1 1 1 1 1 0 0 0

0 0 1 1 1 1 1 0 0]'; set(handles.txt_DataUji,'enable','off'); case 24 ket='[0 0 0 1 0 0 0 0 0 0

0 0 0 0 0 1 1 1 1 1 1 1 1

1 1 0 0 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 25 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 26 ket='[0 0 0 0 0 0 0 0 0 0

1 1 1 0 0 0 0 0 1 1 1 1 1

1 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 27 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0]'; set(handles.txt_DataUji,'enable','off'); end set(handles.txt_DataUji,'string',ket); %set(handles.txt_DataUji,'enable','on');

%========================================================================= %========================================================================= % % Contoh Data Pembacaan Abdjad yang Kurang Benar % %========================================================================= %=========================================================================

Page 108: Analisis Suara Alphabet

% --- Executes on selection change in popupmenu6. function popupmenu6_Callback(hObject, eventdata, handles) % hObject handle to popupmenu6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu6 contents as

cell array % contents{get(hObject,'Value')} returns selected item from

popupmenu6 indeks=get(handles.popupmenu6,'value');

switch indeks case 1 ket='[0 0 0 0 0 0 1 0 0 1

1 1 1 0 0 0 0 0 1 1 1 1 0

1 1 1 1 1 1 0 1 0]'; set(handles.txt_DataUji,'enable','off'); case 2 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 3 ket='[0 0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 1 0 0 1 1 1

1 1 1 1 1 1 0 0 0]'; set(handles.txt_DataUji,'enable','off'); case 4 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 1 1 1 1 1 1 1 1

1 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 5 ket='[0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 0 1 0 1

0 0 1 1 1 1 1 0 0]'; set(handles.txt_DataUji,'enable','off'); case 6 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 0 0 0 1 1 1 1 1

1 1 1 1 1 1 0 1 1]'; set(handles.txt_DataUji,'enable','off'); case 7 ket='[0 0 0 0 1 0 0 0 0 0

0 0 1 0 0 0 0 0 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 8 ket='[0 0 0 0 0 0 0 0 0 1

1 1 1 1 0 0 0 0 0 1 1 1 1

1 0 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 9 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 0 0 1

0 0 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off');

Page 109: Analisis Suara Alphabet

case 10 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 11 ket='[0 0 0 0 0 0 0 0 0 1

1 1 0 1 1 1 1 1 0 0 0 0 0

0 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 12 ket='[0 0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 1 1 1 1 0 0

0 0 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 13 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 1 1 1 1 1 1 1 1 1 1

0 1 0 0 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 14 ket='[0 0 0 1 0 0 0 0 0 0

0 1 1 1 1 1 1 1 1 1 1 1 0

0 0 0 0 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 15 ket='[0 0 0 0 0 0 1 1 1 1

1 0 0 0 0 0 0 0 0 0 1 1 1

1 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 16 ket='[0 0 0 0 1 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','on'); case 17 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 18 ket='[0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1 0

0 0 0 0 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 19 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 1 1 1 1 1 1 1 1 1 1

1 0 0 1 0 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 20 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 1 1 1 1 1 1

1 0 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 21

Page 110: Analisis Suara Alphabet

ket='[0 0 0 0 1 0 1 1 1 1

0 0 0 0 0 0 0 0 1 1 1 1 0

0 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 22 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 1 1 1 1 1 1 1 1 1 0

0 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 23 ket='[0 0 0 0 0 0 0 0 0 0

0 0 1 1 1 1 1 1 1 1 1 1 0

0 0 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 24 ket='[0 0 0 0 0 0 0 0 0 1

0 0 1 1 1 1 1 1 1 1 1 1 1

1 0 0 0 0 0 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 25 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 26 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 1 1 1 1 1 0

1 1 0 1 1 1 1 1 1]'; set(handles.txt_DataUji,'enable','off'); case 27 ket='[0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0]'; set(handles.txt_DataUji,'enable','on'); end set(handles.txt_DataUji,'string',ket); set(handles.txt_DataUji,'enable','on');

Setelah itu baru masuk pada proses uji coba. Setelah data uji dipilih dan jenis huruf serta

targetnya diketahui, selanjutnya kita perlu menseting epochs-nya, learning rate (laju pemahaman)

nya, serta momentumnya, dan jika diperlukan jumlah hiddennya juga diubah-ubah agar dapat

diketahui hasil yang optimal dari proses uji coba pengenalan suara huruf alphabet. Prosesnya

bisa dilihat pada gambar di bawah ini:

Page 111: Analisis Suara Alphabet

Gambar 4.17 Proses Pengujian

Gambar 4.18 Hasil Uji Coba

Listing Program penentuan range nilai target:

Untuk Uji 1

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string')); if ((dapatData == 1) & (hasiltest >= 0.2) & (hasiltest <= 1.7)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=10.0) & (hasiltest <= 11.3)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 1.5) & (hasiltest <= 6.3))

Page 112: Analisis Suara Alphabet

status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 14.1)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 1.2) & (hasiltest <= 5.6)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=11.6) & (hasiltest <= 14.1)) status='TIDAK DIKENALI'; elseif ((dapatData == 4) & (hasiltest >= 2.8) & (hasiltest <= 6.5)) status='DIKENALI'; elseif ((dapatData == 4) & (hasiltest >=11.3) & (hasiltest <= 15.7)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI'; end; set(handles.txt_status,'string',status);

Untuk Uji 2

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string')); if ((dapatData == 1) & (hasiltest >= 1.1) & (hasiltest <= 5.7)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=9.1) & (hasiltest <= 11.3)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 0.7) & (hasiltest <= 5.2)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=10.8) & (hasiltest <= 13.1)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 2.3) & (hasiltest <= 6.3)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=8.2) & (hasiltest <= 13.7)) status='TIDAK DIKENALI'; elseif ((dapatData == 4) & (hasiltest >= 3.1) & (hasiltest <= 4.8)) status='DIKENALI'; elseif ((dapatData == 4) & (hasiltest >=12.3) & (hasiltest <= 15.1)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI'; end; set(handles.txt_status,'string',status);

Untuk Uji 3

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string')); if ((dapatData == 1) & (hasiltest >= 0.7) & (hasiltest <= 5.7)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >= 7.2) & (hasiltest <= 12.6)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 1.0) & (hasiltest <= 5.8)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 11.4) & (hasiltest <= 13.1)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 1.6) & (hasiltest <= 3.4)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=12.4) & (hasiltest <= 14.5))

Page 113: Analisis Suara Alphabet

status='TIDAK DIKENALI'; elseif ((dapatData == 4) & (hasiltest >= 2.4) & (hasiltest <= 4.7)) status='DIKENALI'; elseif ((dapatData == 4) & (hasiltest >=11.6) & (hasiltest <= 15.2)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI'; end; set(handles.txt_status,'string',status);

Untuk Uji 4

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string')); if ((dapatData == 1) & (hasiltest >= 0.9) & (hasiltest <= 3.0)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=10.4) & (hasiltest <= 11.6)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 0.9) & (hasiltest <= 6.4)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=10.7) & (hasiltest <= 13.3)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 4.5)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=12.0) & (hasiltest <= 13.6)) status='TIDAK DIKENALI'; elseif ((dapatData == 4) & (hasiltest >= 2.3) & (hasiltest <= 6.0)) status='DIKENALI'; elseif ((dapatData == 4) & (hasiltest >=10.0) & (hasiltest <= 14.5)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI'; end; set(handles.txt_status,'string',status);

Untuk Uji 5

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string')); if ((dapatData == 1) & (hasiltest >= 0.5) & (hasiltest <= 4.9)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=10.4) & (hasiltest <= 11.4)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 1.0) & (hasiltest <= 2.9)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=10.9) & (hasiltest <= 13.2)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 2.8) & (hasiltest <= 4.4)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=11.4) & (hasiltest <= 13.8)) status='TIDAK DIKENALI'; elseif ((dapatData == 4) & (hasiltest >= 2.3) & (hasiltest <= 4.4)) status='DIKENALI'; elseif ((dapatData == 4) & (hasiltest >=12.9) & (hasiltest <= 14.6)) status='TIDAK DIKENALI'; else

Page 114: Analisis Suara Alphabet

status='TIDAK DIKENALI'; end; set(handles.txt_status,'string',status);

Untuk Uji 6

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string'));

if ((dapatData == 1) & (hasiltest >= 0.6) & (hasiltest <= 1.5)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=10.6) & (hasiltest <= 11.5)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 1.6) & (hasiltest <= 2.5)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 12.5)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 3.5)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=12.6) & (hasiltest <= 13.5)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI';

end; set(handles.txt_status,'string',status);

Untuk Uji 7

set(handles.txt_hasil,'string',hasiltest); dapatData=str2num(get(handles.txt_statusData,'string'));

if ((dapatData == 1) & (hasiltest >= 0.6) & (hasiltest <= 1.5)) status='DIKENALI'; elseif ((dapatData == 1) & (hasiltest >=10.6) & (hasiltest <= 11.5)) status='TIDAK DIKENALI'; elseif ((dapatData == 2) & (hasiltest >= 1.6) & (hasiltest <= 2.5)) status='DIKENALI'; elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 12.5)) status='TIDAK DIKENALI'; elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 3.5)) status='DIKENALI'; elseif ((dapatData == 3) & (hasiltest >=12.6) & (hasiltest <= 13.5)) status='TIDAK DIKENALI'; else status='TIDAK DIKENALI';

end; set(handles.txt_status,'string',status);

Page 115: Analisis Suara Alphabet

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil uji coba yang dilakukan dapat disimpulkan bahwa:

1. Secara keseluruhan sistem mampu mengenali suara dengan inputan huruf alphabet dari

A-Z .

2. Uji coba data uji dengan satu hidden 50 node dengan jumlah nilai momentum 0.1,

karena faktor banyaknya pola suara yang diolah jadi hanya fokus pada satu momentum

saja. Sebenarnya bisa dengan menggunakan beberapa momentum seperti 0.25, 0.5, 0.75,

dan 0.9 untuk melihat perbedaannya. Namun dengan pengujian yang telah dilakukan

menghasilkan prediksi 55,4% dari 520 jumlah data uji, dengan 288 data suara yang

dikenali.

3. Pada hasil uji coba masih banyak data uji yang belum sesuai dengan target yang berarti

pengenalan masih sangat kurang hal ini disebabkan karena data input training masih

kurang banyak. Dan juga karena data yang di ujikan terlalu banyak, sehingga jaringan

belum terlalu pintar untuk menentukan dikenali atau tidaknya data uji yang memang

tidak pernah dilatih.

5.2 Saran

1. Untuk pengembangan aplikasi selanjutnya diharapkan dilakukan uji coba dengan data

yang lebih banyak dan dengan data masukkan yang lebih banyak sehingga pengenalan

maupun pengujian pola huruf dapat diukur dengan akurat.

2. Untuk menguji data maka diperlukan lebih banyak kombinasi hidden serta nodenya

sehingga jaringan akan lebih variatif dan lebih detail dalam menguji data.

Page 116: Analisis Suara Alphabet

3. Untuk nilai target lebih diberi jarak antara nilai satu dan yang lainnya, supaya nilai hasil

dari pengujian pengenalan huruf akan lebih terlihat perbedaan nilainya.

4. Untuk lebih mengembangkan sistem ini, terbuka kesempatan untuk pengembangan

penelitian yang lain dengan menggunakan metode yang sama atau metode baru yang

lebih baik lagi.

Page 117: Analisis Suara Alphabet

DAFTAR PUSTAKA

Majid, Abdul bin aziz al-zindani. Dkk . 1997. Mu‟jizat Al-Qur‟an dan Sunnah Tetang Iptek.

Jilid 2, Penerbit Gema Insani Press: Jakarta.

Shihab, Quraish.M. 1992. Membumikan Al-Qur‟an Penerbit Mizan: Bandung.

Pulus, Erick. 2007. GUI Matlab. Penerbit Andi: Yogyakarta.

Jek Siang, Jong. 2004. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

MATLAB. Penerbit Andi : Yogyakarta.

Kusumadewi, Sri. 2003. Artificial Intelligence. Penerbit Graha Ilmu: Yogyakarta.

Pranata, Antony. 2002. Algoritma dan Pemrograman. J&J Learning : Yogyakarta.

Sutanta, Edhy. 2004. Algoritma Teknik Penyelesaian Masalah Untuk Komputasi. Penerbit

Graha Ilmu: Yogyakarta.

Tanudjaja, Harlianto. 2007. Pengolahan Sinyal Digital & Sistem Pemrosesan Sinyal.

Penerbit Andi : Yogyakarta.

Suyanto. 2007. Artificial Intelligence. Informatika: Bandung

[email protected]

http://nukay81.blogspot.com/2009/10/asal-usul-alphabet.html.

http://www.pikiran rakyat.com/prprint.php?mib=beritadetail&id=31998.

www.lab.binus.ac.id/pk/forum/

Santoso, Tri budi. Modul pengolahan sinyal suara menggunakan Matlab.hal:28

Page 118: Analisis Suara Alphabet

LAMPIRAN

Data suara diolah menjadi parameter dalam bentuk biner

1 a1 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1

2 a2 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 1

3 a3 0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1

4 a4 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 0 0

5 a5 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0

6 a6 0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

7 a7 0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1

8 a8 0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1

9 a9 0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 1 1

10 a10 0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0 0 1 1 1 1 1 1

11 b1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1

12 b2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

13 b3 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 1 1 1 1

14 b4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

15 b5 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 0 0 1 1 1 0 1 0

16 b6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

17 b7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

18 b8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1

19 b9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

Page 119: Analisis Suara Alphabet

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

20 b10 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 0 0

21 c1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0 0

22 c2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1

23 c3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

24 c4 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

25 c5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

26 c6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

27 c7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

28 c8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1

29 c9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

30 c10 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1

31 d1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1

32 d2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

33 d3 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0 0 0 0

34 d4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

35 d5 0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0 0 0

36 d6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

37 d7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1

38 d8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

39 d9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

40 d10 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 0

Page 120: Analisis Suara Alphabet

41 e1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

42 e2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

43 e3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0

44 e4 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

45 e5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

46 e6 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1

47 e7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

48 e8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1

49 e9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

50 e10 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 0 1 0

51 f1 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0

52 f2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1

53 f3 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 0

54 f4 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0 0 0 0 1 1

55 f5 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1

56 f6 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0

57 f7 0 0 0 1 0 0 0 0 1 1 1 1 1 0 0 1 1 1 1 1 1 0 1 0 0 0 0 0 0 1 1 1

58 f8 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1

59 f9 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 0 1 1 1

60 f10 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0

61 g1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

62 g2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

Page 121: Analisis Suara Alphabet

0 0 1 1 1 1 1 1 1 1 1 1 0 1 0

63 g3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

64 g4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

65 g5 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1

66 g6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

67 g7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

68 g8

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0

69 g9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

70 g10 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 0

71 h1 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 1 0 0 1

72 h2 0 0 0 0 0 0 1 0 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

73 h3 0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0

74 h4 0 0 1 0 1 0 0 0 0 0 1 1 1 0 1 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1

75 h5 0 0 1 1 1 0 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0

76 h6 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 1 1 1 1 1 1 1 0 0 0 0

77 h7 0 0 1 1 1 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 1

78 h8 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1

79 h9 0 0 0 0 0 1 0 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 1

80 h10 0 0 0 0 0 1 0 1 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

81 i1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

82 i2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Page 122: Analisis Suara Alphabet

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

83 i3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

84 i4 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1

85 i5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

86 i6 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1

87 i7 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

88 i8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

89 i9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

90 i10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

91 j1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

92 j2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1

93 j3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

94 j4 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

95 j5 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 0 0 1 1 1 1 1 1 0 1 1 0 0 0 0 1 1

96 j6 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

97 j7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

98 j8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

99 j9 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1

100 j10 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0

101 k1 0 0 1 1 1 0 0 1 0 1 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 1 1 1 1

102 k2 0 0 1 1 1 0 1 1 1 1 1 1 0 0 0 1 0 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0

103 k3 0 0 0 0 0 0 1 0 0 1 1 1 1 1 0 1 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0

Page 123: Analisis Suara Alphabet

104 k4 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1

105 k5 0 0 1 1 1 0 0 1 0 1 1 1 1 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0

106 k6 0 0 0 1 1 0 1 0 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0

107 k7 0 1 1 1 1 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

108 k8 0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1

109 k9 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

110 k10 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 1 1 1 0 0

111 l1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1

112 l2 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1

113 l3 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0

114 l4 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1

115 l5 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 0 0 0

116 l6 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1

117 l7 0 0 0 1 0 1 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 1

118 l8 0 0 0 0 1 1 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1

119 l9 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1

120 l10 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 0 0 0

121 m1 0 0 0 1 1 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0

122 m2 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1

123 m3 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0

124 m4 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 1 0 1 1 1 1 1 1 1 0 1 1 1 1

125 m5 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1

Page 124: Analisis Suara Alphabet

0 0 1 0 1 1 1 1 1 0 1 0 0 0 1

126 m6 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0 1 1 1 0

127 m7 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1

128 m8 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1

129 m9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

130 m10 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 0 0 0 0

131 n1 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1

132 n2 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 1 1 1 1 0 0 1 1 1 1 1 1 1

133 n3 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

134 n4 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0

135 n5 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 0 0 1 0 1 1 1

136 n6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1

137 n7 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1

138 n8 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0 0 1 1 1 1 1

139 n9 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 1 0 1 0 1 1 1 1 1

140 n10 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0

141 o1 0 0 0 1 1 0 1 1 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 1 1 1 0 0

142 o2 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1

143 o3 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1

144 o4 0 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

145 o5 0 0 1 0 0 1 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 1 1 1

146 o6 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1

Page 125: Analisis Suara Alphabet

147 o7 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

148 o8 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1

149 o9 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1

150 o10 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0

151 p1 0 0 0 0 0 0 1 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1

152 p2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1

153 p3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

154 p4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

155 p5 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0

156 p6 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

157 p7 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 1

158 p8 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1

159 p9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

160 p10 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 0 1 0

161 q1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

162 q2 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

163 q3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

164 q4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

165 q5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

166 q6 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1

167 q7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

168 q8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

Page 126: Analisis Suara Alphabet

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

169 q9 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

170 q10 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0

171 r1 0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1

172 r2 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 1 1 1 1 0

173 r3 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0

174 r4 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

175 r5 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0

176 r6 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0

177 r7 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 0 0 0 1 1

178 r8 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1

179 r9 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1

180 r10 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 1 0

181 s1 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0

182 s2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 1 1 1 1 0 1 1 1 1 1 1

183 s3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

184 s4 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0

185 s5 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 0 0 0 0

186 s6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1

187 s7 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1

188 s8 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 1 0 1 1 1

189 s9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1

Page 127: Analisis Suara Alphabet

190 s10 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 1 1 1

191 t1 0 0 0 0 0 0 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1

192 t2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 1

193 t3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

194 t4 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

195 t5 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1

196 t6 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

197 t7 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1

198 t8 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1

199 t9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

200 t10 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0

201 u1 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0

202 u2 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1

203 u3 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 1 0 0 1

204 u4 0 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1

205 u5 0 1 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

206 u6 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1

207 u7 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

208 u8 0 0 0 1 0 1 1 0 1 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1

209 u9 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1

210 u10 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1

211 v1 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 1 1

Page 128: Analisis Suara Alphabet

1 1 1 1 0 0 0 0 0 0 1 1 1 1 1

212 v2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1

213 v3 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 1 1

214 v4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

215 v5 0 0 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0 0 0 0

216 v6 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 0

217 v7 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1

218 v8 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1

219 v9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

220 v10 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0

221 w1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1

222 w2 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0

223 w3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

224 w4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

225 w5 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 0

226 w6 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1

227 w7 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1

228 w8 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 0 1 1 1 1 1

229 w9 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

230 w10 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0

231 x1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1

232 x2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1

Page 129: Analisis Suara Alphabet

233 x3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

234 x4 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1

235 x5 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0 1 0 0 0 0 1 1

236 x6 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0 0

237 x7 0 0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1

238 x8 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1

239 x9 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

240 x10 0 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0

241 y1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

242 y2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

243 y3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

244 y4 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1

245 y5 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1

246 y6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

247 y7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

248 y8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

249 y9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

250 y10 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 0 0 0

251 z1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0 1 1 1

252 z2 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1

253 z3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

254 z4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

Page 130: Analisis Suara Alphabet

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

255 z5 0 0 1 1 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 0 1 0 0

256 z6 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

257 z7 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1

258 z8 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1

259 z9 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

260 z10 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 0 0 0 0 0 1 1 0 0 0

Page 131: Analisis Suara Alphabet

LAMPIRAN II

Hasil Pengujian Suara Huruf Alphabet

No Huruf Nilai Status

Epoch

Max

Learning

Rate

Momentu

m

Batas

Eror

1 a1 0.7 Dikenali 10000 0.0001 0.1 10⁵

2 a2 0.3 Dikenali 10000 0.0001 0.1 10⁵

3 a3 0.8 Dikenali 10000 0.0001 0.1 10⁵

4 a4 0.9 Dikenali 10000 0.0001 0.1 10⁵

5 a5 1.6 Dikenali 10000 0.0001 0.1 10⁵

6 a6 0.9 Dikenali 10000 0.0001 0.1 10⁵

7 a7 1.4 Dikenali 10000 0.0001 0.1 10⁵

8 a8 1.3 Dikenali 10000 0.0001 0.1 10⁵

9 a9 1.7 Dikenali 10000 0.0001 0.1 10⁵

10 a10 1.5 Dikenali 10000 0.0001 0.1 10⁵

11 b1 2.1 Dikenali 10000 0.0001 0.1 10⁵

12 b2 6.4 Dikenali 10000 0.0001 0.1 10⁵

13 b3 1.2 Dikenali 10000 0.0001 0.1 10⁵

14 b4 3.1 Dikenali 10000 0.0001 0.1 10⁵

15 b5 1.6 Dikenali 10000 0.0001 0.1 10⁵

16 b6 5.1 Dikenali 10000 0.0001 0.1 10⁵

17 b7 4.5 Dikenali 10000 0.0001 0.1 10⁵

18 b8 2.5 Dikenali 10000 0.0001 0.1 10⁵

19 b9 5.2 Dikenali 10000 0.0001 0.1 10⁵

20 b10 1.9 Dikenali 10000 0.0001 0.1 10⁵

21 c1 2.7 Dikenali 10000 0.0001 0.1 10⁵

22 c2 2.3 Dikenali 10000 0.0001 0.1 10⁵

23 c3 4.9 Dikenali 10000 0.0001 0.1 10⁵

24 c4 2.8 Dikenali 10000 0.0001 0.1 10⁵

25 c5 5.1 Dikenali 10000 0.0001 0.1 10⁵

26 c6 5.7 Dikenali 10000 0.0001 0.1 10⁵

27 c7 5.4 Dikenali 10000 0.0001 0.1 10⁵

28 c8 3.6 Dikenali 10000 0.0001 0.1 10⁵

29 c9 5.2 Dikenali 10000 0.0001 0.1 10⁵

30 c10 2.9 Dikenali 10000 0.0001 0.1 10⁵

31 d1 4.2 Dikenali 10000 0.0001 0.1 10⁵

Page 132: Analisis Suara Alphabet

32 d2 4.3 Dikenali 10000 0.0001 0.1 10⁵

33 d3 4.9 Dikenali 10000 0.0001 0.1 10⁵

34 d4 2.9 Dikenali 10000 0.0001 0.1 10⁵

35 d5 4.1 Dikenali 10000 0.0001 0.1 10⁵

36 d6 6.5 Dikenali 10000 0.0001 0.1 10⁵

37 d7 5.7 Dikenali 10000 0.0001 0.1 10⁵

38 d8 2.9 Dikenali 10000 0.0001 0.1 10⁵

39 d9 10.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

40 d10 2.9 Dikenali 10000 0.0001 0.1 10⁵

41 e1 5.6 Dikenali 10000 0.0001 0.1 10⁵

42 e2 5.8 Dikenali 10000 0.0001 0.1 10⁵

43 e3 1.9 Dikenali 10000 0.0001 0.1 10⁵

44 e4 1.5 Dikenali 10000 0.0001 0.1 10⁵

45 e5 5.5 Dikenali 10000 0.0001 0.1 10⁵

46 e6 1.1 Dikenali 10000 0.0001 0.1 10⁵

47 e7 5.6 Dikenali 10000 0.0001 0.1 10⁵

48 e8 1.9 Dikenali 10000 0.0001 0.1 10⁵

49 e9 5.6 Dikenali 10000 0.0001 0.1 10⁵

50 e10 1.3 Dikenali 10000 0.0001 0.1 10⁵

51 f1 2.4 Dikenali 10000 0.0001 0.1 10⁵

52 f2 5.4 Dikenali 10000 0.0001 0.1 10⁵

53 f3 11.2 Dikenali 10000 0.0001 0.1 10⁵

54 f4 5.4 Dikenali 10000 0.0001 0.1 10⁵

55 f5 9.2 Dikenali 10000 0.0001 0.1 10⁵

56 f6 11.2 Dikenali 10000 0.0001 0.1 10⁵

57 f7 10.6 Dikenali 10000 0.0001 0.1 10⁵

58 f8 11.2 Dikenali 10000 0.0001 0.1 10⁵

59 f9 11.1 Dikenali 10000 0.0001 0.1 10⁵

60 f10 11.2 Dikenali 10000 0.0001 0.1 10⁵

61 g1 4.5 Dikenali 10000 0.0001 0.1 10⁵

62 g2 2.5 Dikenali 10000 0.0001 0.1 10⁵

63 g3 4.4 Dikenali 10000 0.0001 0.1 10⁵

64 g4 6.4 Dikenali 10000 0.0001 0.1 10⁵

65 g5 3.1 Dikenali 10000 0.0001 0.1 10⁵

66 g6 8.2 Dikenali 10000 0.0001 0.1 10⁵

67 g7 5.6 Dikenali 10000 0.0001 0.1 10⁵

68 g8 6.1 Dikenali 10000 0.0001 0.1 10⁵

69 g9 5.2 Dikenali 10000 0.0001 0.1 10⁵

70 g10 4.8 Dikenali 10000 0.0001 0.1 10⁵

Page 133: Analisis Suara Alphabet

71 h1 3.9 Dikenali 10000 0.0001 0.1 10⁵

72 h2 4.8 Dikenali 10000 0.0001 0.1 10⁵

73 h3 4.1 Dikenali 10000 0.0001 0.1 10⁵

74 h4 4.2 Dikenali 10000 0.0001 0.1 10⁵

75 h5 4.8 Dikenali 10000 0.0001 0.1 10⁵

76 h6 4.5 Dikenali 10000 0.0001 0.1 10⁵

77 h7 4.2 Dikenali 10000 0.0001 0.1 10⁵

78 h8 4.3 Dikenali 10000 0.0001 0.1 10⁵

79 h9 3.2 Dikenali 10000 0.0001 0.1 10⁵

80 h10 4.4 Dikenali 10000 0.0001 0.1 10⁵

81 i1 1.2 Dikenali 10000 0.0001 0.1 10⁵

82 i2 4.1 Dikenali 10000 0.0001 0.1 10⁵

83 i3 4.9 Dikenali 10000 0.0001 0.1 10⁵

84 i4 1.2 Dikenali 10000 0.0001 0.1 10⁵

85 i5 0.9 Dikenali 10000 0.0001 0.1 10⁵

86 i6 0.7 Dikenali 10000 0.0001 0.1 10⁵

87 i7 2.5 Dikenali 10000 0.0001 0.1 10⁵

88 i8 5.6 Dikenali 10000 0.0001 0.1 10⁵

89 i9 5.7 Dikenali 10000 0.0001 0.1 10⁵

90 i10 6.4 Dikenali 10000 0.0001 0.1 10⁵

91 j1 4.1 Dikenali 10000 0.0001 0.1 10⁵

92 j2 2.1 Dikenali 10000 0.0001 0.1 10⁵

93 j3 7.7 Dikenali 10000 0.0001 0.1 10⁵

94 j4 1.1 Dikenali 10000 0.0001 0.1 10⁵

95 j5 1.9 Dikenali 10000 0.0001 0.1 10⁵

96 j6 2.4 Dikenali 10000 0.0001 0.1 10⁵

97 j7 6.2 Dikenali 10000 0.0001 0.1 10⁵

98 j8 5.9 Dikenali 10000 0.0001 0.1 10⁵

99 j9 3.2 Dikenali 10000 0.0001 0.1 10⁵

100 j10 2.2 Dikenali 10000 0.0001 0.1 10⁵

101 k1 3.3 Dikenali 10000 0.0001 0.1 10⁵

102 k2 2.5 Dikenali 10000 0.0001 0.1 10⁵

103 k3 1.6 Dikenali 10000 0.0001 0.1 10⁵

104 k4 3.2 Dikenali 10000 0.0001 0.1 10⁵

105 k5 2.7 Dikenali 10000 0.0001 0.1 10⁵

106 k6 2.7 Dikenali 10000 0.0001 0.1 10⁵

107 k7 2.5 Dikenali 10000 0.0001 0.1 10⁵

108 k8 2.5 Dikenali 10000 0.0001 0.1 10⁵

109 k9 2.9 Dikenali 10000 0.0001 0.1 10⁵

Page 134: Analisis Suara Alphabet

110 k10 2.6 Dikenali 10000 0.0001 0.1 10⁵

111 l1 3.8 Dikenali 10000 0.0001 0.1 10⁵

112 l2 4.2 Dikenali 10000 0.0001 0.1 10⁵

113 l3 3.9 Dikenali 10000 0.0001 0.1 10⁵

114 l4 3.9 Dikenali 10000 0.0001 0.1 10⁵

115 l5 4.4 Dikenali 10000 0.0001 0.1 10⁵

116 l6 3.9 Dikenali 10000 0.0001 0.1 10⁵

117 l7 2.5 Dikenali 10000 0.0001 0.1 10⁵

118 l8 4.1 Dikenali 10000 0.0001 0.1 10⁵

119 l9 4.8 Dikenali 10000 0.0001 0.1 10⁵

120 l10 3.8 Dikenali 10000 0.0001 0.1 10⁵

121 m1 1.4 Dikenali 10000 0.0001 0.1 10⁵

122 m2 1.1 Dikenali 10000 0.0001 0.1 10⁵

123 m3 1.3 Dikenali 10000 0.0001 0.1 10⁵

124 m4 1.3 Dikenali 10000 0.0001 0.1 10⁵

125 m5 0.9 Dikenali 10000 0.0001 0.1 10⁵

126 m6 0.9 Dikenali 10000 0.0001 0.1 10⁵

127 m7 1.1 Dikenali 10000 0.0001 0.1 10⁵

128 m8 0.9 Dikenali 10000 0.0001 0.1 10⁵

129 m9 3.1 Dikenali 10000 0.0001 0.1 10⁵

130 m10 2.3 Dikenali 10000 0.0001 0.1 10⁵

131 n1 1.9 Dikenali 10000 0.0001 0.1 10⁵

132 n2 1.2 Dikenali 10000 0.0001 0.1 10⁵

133 n3 0.9 Dikenali 10000 0.0001 0.1 10⁵

134 n4 2.1 Dikenali 10000 0.0001 0.1 10⁵

135 n5 2.1 Dikenali 10000 0.0001 0.1 10⁵

136 n6 2.1 Dikenali 10000 0.0001 0.1 10⁵

137 n7 1.6 Dikenali 10000 0.0001 0.1 10⁵

138 n8 6.4 Dikenali 10000 0.0001 0.1 10⁵

139 n9 2.2 Dikenali 10000 0.0001 0.1 10⁵

140 n10 1.5 Dikenali 10000 0.0001 0.1 10⁵

141 o1 3.3 Dikenali 10000 0.0001 0.1 10⁵

142 o2 3.7 Dikenali 10000 0.0001 0.1 10⁵

143 o3 3.2 Dikenali 10000 0.0001 0.1 10⁵

144 o4 3.1 Dikenali 10000 0.0001 0.1 10⁵

145 o5 2.7 Dikenali 10000 0.0001 0.1 10⁵

146 o6 3.3 Dikenali 10000 0.0001 0.1 10⁵

147 o7 4.5 Dikenali 10000 0.0001 0.1 10⁵

148 o8 3.4 Dikenali 10000 0.0001 0.1 10⁵

Page 135: Analisis Suara Alphabet

149 o9 2.9 Dikenali 10000 0.0001 0.1 10⁵

150 o10 2.5 Dikenali 10000 0.0001 0.1 10⁵

151 p1 3.9 Dikenali 10000 0.0001 0.1 10⁵

152 p2 4.2 Dikenali 10000 0.0001 0.1 10⁵

153 p3 3.2 Dikenali 10000 0.0001 0.1 10⁵

154 p4 3.4 Dikenali 10000 0.0001 0.1 10⁵

155 p5 4.1 Dikenali 10000 0.0001 0.1 10⁵

156 p6 8.8 Dikenali 10000 0.0001 0.1 10⁵

157 p7 2.3 Dikenali 10000 0.0001 0.1 10⁵

158 p8 3.7 Dikenali 10000 0.0001 0.1 10⁵

159 p9 3.3 Dikenali 10000 0.0001 0.1 10⁵

160 p10 4.1 Dikenali 10000 0.0001 0.1 10⁵

161 q1 4.3 Dikenali 10000 0.0001 0.1 10⁵

162 q2 0.6 Dikenali 10000 0.0001 0.1 10⁵

163 q3 4.8 Dikenali 10000 0.0001 0.1 10⁵

164 q4 0.9 Dikenali 10000 0.0001 0.1 10⁵

165 q5 4.1 Dikenali 10000 0.0001 0.1 10⁵

166 q6 0.9 Dikenali 10000 0.0001 0.1 10⁵

167 q7 0.9 Dikenali 10000 0.0001 0.1 10⁵

168 q8 4.9 Dikenali 10000 0.0001 0.1 10⁵

169 q9 2.6 Dikenali 10000 0.0001 0.1 10⁵

170 q10 1.6 Dikenali 10000 0.0001 0.1 10⁵

171 r1 1.2 Dikenali 10000 0.0001 0.1 10⁵

172 r2 2.3 Dikenali 10000 0.0001 0.1 10⁵

173 r3 1.1 Dikenali 10000 0.0001 0.1 10⁵

174 r4 2.9 Dikenali 10000 0.0001 0.1 10⁵

175 r5 1.9 Dikenali 10000 0.0001 0.1 10⁵

176 r6 2.3 Dikenali 10000 0.0001 0.1 10⁵

177 r7 1.4 Dikenali 10000 0.0001 0.1 10⁵

178 r8 6.5 Dikenali 10000 0.0001 0.1 10⁵

179 r9 1.9 Dikenali 10000 0.0001 0.1 10⁵

180 r10 1.9 Dikenali 10000 0.0001 0.1 10⁵

181 s1 2.9 Dikenali 10000 0.0001 0.1 10⁵

182 s2 3.3 Dikenali 10000 0.0001 0.1 10⁵

183 s3 4.5 Dikenali 10000 0.0001 0.1 10⁵

184 s4 2.9 Dikenali 10000 0.0001 0.1 10⁵

185 s5 3.2 Dikenali 10000 0.0001 0.1 10⁵

186 s6 2.9 Dikenali 10000 0.0001 0.1 10⁵

187 s7 2.9 Dikenali 10000 0.0001 0.1 10⁵

Page 136: Analisis Suara Alphabet

188 s8 3.1 Dikenali 10000 0.0001 0.1 10⁵

189 s9 3.1 Dikenali 10000 0.0001 0.1 10⁵

190 s10 3.2 Dikenali 10000 0.0001 0.1 10⁵

191 t1 3.9 Dikenali 10000 0.0001 0.1 10⁵

192 t2 4.1 Dikenali 10000 0.0001 0.1 10⁵

193 t3 4.4 Dikenali 10000 0.0001 0.1 10⁵

194 t4 3.2 Dikenali 10000 0.0001 0.1 10⁵

195 t5 4.2 Dikenali 10000 0.0001 0.1 10⁵

196 t6 2.8 Dikenali 10000 0.0001 0.1 10⁵

197 t7 2.3 Dikenali 10000 0.0001 0.1 10⁵

198 t8 3.4 Dikenali 10000 0.0001 0.1 10⁵

199 t9 4.3 Dikenali 10000 0.0001 0.1 10⁵

200 t10 3.9 Dikenali 10000 0.0001 0.1 10⁵

201 u1 1.2 Dikenali 10000 0.0001 0.1 10⁵

202 u2 1.3 Dikenali 10000 0.0001 0.1 10⁵

203 u3 1.1 Dikenali 10000 0.0001 0.1 10⁵

204 u4 0.9 Dikenali 10000 0.0001 0.1 10⁵

205 u5 0.7 Dikenali 10000 0.0001 0.1 10⁵

206 u6 1.2 Dikenali 10000 0.0001 0.1 10⁵

207 u7 2.8 Dikenali 10000 0.0001 0.1 10⁵

208 u8 1.1 Dikenali 10000 0.0001 0.1 10⁵

209 u9 0.7 Dikenali 10000 0.0001 0.1 10⁵

210 u10 1.2 Dikenali 10000 0.0001 0.1 10⁵

211 v1 2.1 Dikenali 10000 0.0001 0.1 10⁵

212 v2 1.6 Dikenali 10000 0.0001 0.1 10⁵

213 v3 1.5 Dikenali 10000 0.0001 0.1 10⁵

214 v4 6.6 Dikenali 10000 0.0001 0.1 10⁵

215 v5 1.9 Dikenali 10000 0.0001 0.1 10⁵

216 v6 2.1 Dikenali 10000 0.0001 0.1 10⁵

217 v7 2.1 Dikenali 10000 0.0001 0.1 10⁵

218 v8 2.3 Dikenali 10000 0.0001 0.1 10⁵

219 v9 6.9 Dikenali 10000 0.0001 0.1 10⁵

220 v10 2.3 Dikenali 10000 0.0001 0.1 10⁵

221 w1 7.6 Dikenali 10000 0.0001 0.1 10⁵

222 w2 3.5 Dikenali 10000 0.0001 0.1 10⁵

223 w3 3.2 Dikenali 10000 0.0001 0.1 10⁵

224 w4 5.5 Dikenali 10000 0.0001 0.1 10⁵

225 w5 3.1 Dikenali 10000 0.0001 0.1 10⁵

226 w6 2.8 Dikenali 10000 0.0001 0.1 10⁵

Page 137: Analisis Suara Alphabet

227 w7 7.9 Dikenali 10000 0.0001 0.1 10⁵

228 w8 3.4 Dikenali 10000 0.0001 0.1 10⁵

229 w9 3.1 Dikenali 10000 0.0001 0.1 10⁵

230 w10 2.2 Dikenali 10000 0.0001 0.1 10⁵

231 x1 1.5 Dikenali 10000 0.0001 0.1 10⁵

232 x2 1.3 Dikenali 10000 0.0001 0.1 10⁵

233 x3 1.6 Dikenali 10000 0.0001 0.1 10⁵

234 x4 0.9 Dikenali 10000 0.0001 0.1 10⁵

235 x5 1.4 Dikenali 10000 0.0001 0.1 10⁵

236 x6 1.3 Dikenali 10000 0.0001 0.1 10⁵

237 x7 1.8 Dikenali 10000 0.0001 0.1 10⁵

238 x8 1.2 Dikenali 10000 0.0001 0.1 10⁵

239 x9 1.3 Dikenali 10000 0.0001 0.1 10⁵

240 x10 2.6 Dikenali 10000 0.0001 0.1 10⁵

241 y1 6.4 Dikenali 10000 0.0001 0.1 10⁵

242 y2 6.8 Dikenali 10000 0.0001 0.1 10⁵

243 y3 7.1 Dikenali 10000 0.0001 0.1 10⁵

244 y4 6.9 Dikenali 10000 0.0001 0.1 10⁵

245 y5 1.6 Dikenali 10000 0.0001 0.1 10⁵

246 y6 6.9 Dikenali 10000 0.0001 0.1 10⁵

247 y7 6.9 Dikenali 10000 0.0001 0.1 10⁵

248 y8 6.6 Dikenali 10000 0.0001 0.1 10⁵

249 y9 7.1 Dikenali 10000 0.0001 0.1 10⁵

250 y10 1.4 Dikenali 10000 0.0001 0.1 10⁵

251 z1 3.2 Dikenali 10000 0.0001 0.1 10⁵

252 z2 2.8 Dikenali 10000 0.0001 0.1 10⁵

253 z3 3.6 Dikenali 10000 0.0001 0.1 10⁵

254 z4 6.5 Dikenali 10000 0.0001 0.1 10⁵

255 z5 1.8 Dikenali 10000 0.0001 0.1 10⁵

256 z6 2.8 Dikenali 10000 0.0001 0.1 10⁵

257 z7 2.8 Dikenali 10000 0.0001 0.1 10⁵

258 z8 3.6 Dikenali 10000 0.0001 0.1 10⁵

259 z9 3.4 Dikenali 10000 0.0001 0.1 10⁵

260 z10 3.3 Dikenali 10000 0.0001 0.1 10⁵

261 aa1 10.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

262 aa2 10.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

263 aa3 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

264 aa4 10.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

265 aa5 11 Tidak Dikenali 10000 0.0001 0.1 10⁵

Page 138: Analisis Suara Alphabet

266 aa6 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

267 aa7 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

268 aa8 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

269 aa9 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

270 aa10 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

271 bb1 14.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

272 bb2 5.1 Dikenali 10000 0.0001 0.1 10⁵

273 bb3 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

274 bb4 5.4 Dikenali 10000 0.0001 0.1 10⁵

275 bb5 12 Tidak Dikenali 10000 0.0001 0.1 10⁵

276 bb6 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

277 bb7 12.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

278 bb8 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

279 bb9 13 Tidak Dikenali 10000 0.0001 0.1 10⁵

280 bb10 12.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

281 cc1 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

282 cc2 4.4 Dikenali 10000 0.0001 0.1 10⁵

283 cc3 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

284 cc4 4.5 Dikenali 10000 0.0001 0.1 10⁵

285 cc5 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

286 cc6 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

287 cc7 13.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

288 cc8 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

289 cc9 13.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

290 cc10 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

291 dd1 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

292 dd2 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

293 dd3 13.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

294 dd4 10.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

295 dd5 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

296 dd6 13.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

297 dd7 15.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

298 dd8 15.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

299 dd9 14.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

300 dd10 13 Tidak Dikenali 10000 0.0001 0.1 10⁵

301 ee1 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

302 ee2 5.4 Dikenali 10000 0.0001 0.1 10⁵

303 ee3 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

304 ee4 5.5 Dikenali 10000 0.0001 0.1 10⁵

Page 139: Analisis Suara Alphabet

305 ee5 9.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

306 ee6 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

307 ee7 10.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

308 ee8 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

309 ee9 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

310 ee10 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

311 ff1 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

312 ff2 11.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

313 ff3 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

314 ff4 12.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

315 ff5 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

316 ff6 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

317 ff7 12.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

318 ff8 12.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

319 ff9 5.8 Dikenali 10000 0.0001 0.1 10⁵

320 ff10 6.4 Dikenali 10000 0.0001 0.1 10⁵

321 gg1 13.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

322 gg2 5.9 Dikenali 10000 0.0001 0.1 10⁵

323 gg3 11.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

324 gg4 5.5 Dikenali 10000 0.0001 0.1 10⁵

325 gg5 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

326 gg6 8.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

327 gg7 13.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

328 gg8 13.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

329 gg9 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

330 gg10 12 Tidak Dikenali 10000 0.0001 0.1 10⁵

331 hh1 14.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

332 hh2 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

333 hh3 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

334 hh4 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

335 hh5 12.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

336 hh6 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

337 hh7 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

338 hh8 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

339 hh9 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

340 hh10 15 Tidak Dikenali 10000 0.0001 0.1 10⁵

341 ii1 7.2 Dikenali 10000 0.0001 0.1 10⁵

342 ii2 7.2 Dikenali 10000 0.0001 0.1 10⁵

343 ii3 10.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

Page 140: Analisis Suara Alphabet

344 ii4 7.9 Dikenali 10000 0.0001 0.1 10⁵

345 ii5 6.7 Dikenali 10000 0.0001 0.1 10⁵

346 ii6 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

347 ii7 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

348 ii8 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

349 ii9 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

350 ii10 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

351 jj1 11.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

352 jj2 5.8 Dikenali 10000 0.0001 0.1 10⁵

353 jj3 12.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

354 jj4 6.2 Dikenali 10000 0.0001 0.1 10⁵

355 jj5 6.8 Dikenali 10000 0.0001 0.1 10⁵

356 jj6 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

357 jj7 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

358 jj8 11.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

359 jj9 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

360 jj10 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

361 kk1 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

362 kk2 14.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

363 kk3 13.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

364 kk4 14.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

365 kk5 13.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

366 kk6 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

367 kk7 12.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

368 kk8 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

369 kk9 14.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

370 kk10 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

371 ll1 13.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

372 ll2 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

373 ll3 15.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

374 ll4 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

375 ll5 14 Tidak Dikenali 10000 0.0001 0.1 10⁵

376 ll6 13.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

377 ll7 15.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

378 ll8 14 Tidak Dikenali 10000 0.0001 0.1 10⁵

379 ll9 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

380 ll10 11.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

381 mm1 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

382 mm2 6.4 Dikenali 10000 0.0001 0.1 10⁵

Page 141: Analisis Suara Alphabet

383 mm3 11.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

384 mm4 10.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

385 mm5 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

386 mm6 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

387 mm7 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

388 mm8 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

389 mm9 10.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

390 mm10 11.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

391 nn1 11.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

392 nn2 11.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

393 nn3 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

394 nn4 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

395 nn5 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

396 nn6 11.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

397 nn7 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

398 nn8 11.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

399 nn9 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

400 nn10 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

401 oo1 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

402 oo2 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

403 oo3 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

404 oo4 12.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

405 oo5 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

406 oo6 13.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

407 oo7 12.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

408 oo8 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

409 oo9 13.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

410 oo10 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

411 pp1 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

412 pp2 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

413 pp3 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

414 pp4 13.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

415 pp5 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

416 pp6 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

417 pp7 8.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

418 pp8 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

419 pp9 13.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

420 pp10 14 Tidak Dikenali 10000 0.0001 0.1 10⁵

421 qq1 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

Page 142: Analisis Suara Alphabet

422 qq2 5.9 Dikenali 10000 0.0001 0.1 10⁵

423 qq3 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

424 qq4 10.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

425 qq5 4.5 Dikenali 10000 0.0001 0.1 10⁵

426 qq6 10.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

427 qq7 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

428 qq8 11.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

429 qq9 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

430 qq10 4.8 Dikenali 10000 0.0001 0.1 10⁵

431 rr1 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

432 rr2 7.1 Dikenali 10000 0.0001 0.1 10⁵

433 rr3 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

434 rr4 12.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

435 rr5 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

436 rr6 11.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

437 rr7 12.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

438 rr8 11.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

439 rr9 11.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

440 rr10 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

441 ss1 11.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

442 ss2 13.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

443 ss3 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

444 ss4 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

445 ss5 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

446 ss6 12.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

447 ss7 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

448 ss8 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

449 ss9 13.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

450 ss10 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

451 tt1 14.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

452 tt2 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

453 tt3 14.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

454 tt4 14.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

455 tt5 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

456 tt6 13.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

457 tt7 14.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

458 tt8 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

459 tt9 13.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

460 tt10 14 Tidak Dikenali 10000 0.0001 0.1 10⁵

Page 143: Analisis Suara Alphabet

461 uu1 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

462 uu2 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

463 uu3 10.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

464 uu4 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

465 uu5 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

466 uu6 11.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

467 uu7 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

468 uu8 10.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

469 uu9 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

470 uu10 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

471 vv1 11.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

472 vv2 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

473 vv3 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

474 vv4 7.7 Dikenali 10000 0.0001 0.1 10⁵

475 vv5 12.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

476 vv6 8.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

477 vv7 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

478 vv8 7.4 Dikenali 10000 0.0001 0.1 10⁵

479 vv9 12.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

480 vv10 6.3 Dikenali 10000 0.0001 0.1 10⁵

481 ww1 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

482 ww2 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

483 ww3 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

484 ww4 13.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

485 ww5 14.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

486 ww6 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

487 ww7 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

488 ww8 13.3 Tidak Dikenali 10000 0.0001 0.1 10⁵

489 ww9 13.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

490 ww10 13.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

491 xx1 11.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

492 xx2 10.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

493 xx3 10.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

494 xx4 10.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

495 xx5 10.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

496 xx6 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

497 xx7 8.2 Tidak Dikenali 10000 0.0001 0.1 10⁵

498 xx8 9.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

499 xx9 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

Page 144: Analisis Suara Alphabet

500 xx10 7.2 Dikenali 10000 0.0001 0.1 10⁵

501 yy1 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

502 yy2 8.4 Tidak Dikenali 10000 0.0001 0.1 10⁵

503 yy3 11.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

504 yy4 8.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

505 yy5 7.1 Dikenali 10000 0.0001 0.1 10⁵

506 yy6 11.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

507 yy7 13.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

508 yy8 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

509 yy9 11.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

510 yy10 12.9 Tidak Dikenali 10000 0.0001 0.1 10⁵

511 zz1 12.7 Tidak Dikenali 10000 0.0001 0.1 10⁵

512 zz1 15.5 Tidak Dikenali 10000 0.0001 0.1 10⁵

513 zz1 12.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

514 zz1 14.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

515 zz1 11.1 Tidak Dikenali 10000 0.0001 0.1 10⁵

516 zz1 12.6 Tidak Dikenali 10000 0.0001 0.1 10⁵

517 zz1 7.7 Dikenali 10000 0.0001 0.1 10⁵

518 zz1 12.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

519 zz1 11.8 Tidak Dikenali 10000 0.0001 0.1 10⁵

520 zz1 6.7 Dikenali 10000 0.0001 0.1 10⁵

Hasil Pengujian

Dikenali 288

Tidak Dikenali 232

Rata- rata

Prediksi 55,4%