APLIKASI HIDDEN MARKOV MODEL PADA PINTU ...suara atau ucapan adalah Jaringan Saraf Tiruan (JST) dan...

i

TUGAS AKHIR

APLIKASI HIDDEN MARKOV MODEL

PADA PINTU GESER BERBASIS SUARA

Diajukan untuk memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh :

ARYADITA WIJAYA

065114008

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2011

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

THE APPLICATION OF HIDDEN MARKOV MODEL

IN SLIDING DOOR BASED ON HUMAN VOICE

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Teknik Degree

In Study Program of Electrical Engineering

By:

ARYADITA WIJAYA

065114008

ELECTRICAL ENGINEERING STUDY PROGRAM

SCIENCE AND TECHNOLOGY FACULTY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2011


iii

HALAMAN PERSETUJUAN


iv

HALAMAN PENGESAHAN


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat katya

atau bagian karya orang lain, kecuali yang telah saya sebutkan dalam kutipan dan daftar

pustaka sebagaiman layaknya dalam karya ilmiah.

Yogyakarta,25 Agustus 2011

Aryadita Wijaya


vi

HALAMAN PERSEMBAHAN DAN MOTO HIDUP

Kehidupan seseorang tidak berakhir saat ia gagal,

kehidupannya berakhir saat ia berhenti

dan tidak mau berjuang lagi

Karya ini ku persembahkan untuk :

Tuhan Yesus-ku, panutan sekaligus sumber kekuatan-ku

Kedua orang tua-ku


vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Aryadita Wijaya

NIM : 065114008

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

APLIKASI HIDDEN MARKOV MODEL

PADA PINTU GESER BERBASIS SUARA

Beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara

terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis

tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap

mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini yang saya buat dengan sebenarnya.


( Aryadita Wijaya )


viii

INTISARI

Salah satu aplikasi yang dapat digunakan untuk proses pengolahan suara adalah speech recognition. Speech recognition merupakan upaya agar manusia dan mesin dapat berkomunikasi dengan media suara. Metode yang sering digunakan dalam pengolahan suara atau ucapan adalah Jaringan Saraf Tiruan (JST) dan Hidden Markov Model (HMM). Aplikasi Hidden Markov Model pada pintu geser berbasis suara ini akan menghasilkan sebuah sistem penggerakan prototype pintu geser yang diaktifkan menggunakan suara manusia. Pintu geser hanya aktif jika menerima masukan berupa kata dari orang yang sama seperti yang telah tersimpan di dalam sistem.

HMM sendiri merupakan suatu sistem yang memodelkan simbol ke dalam suatu mesin finite state (keadaan yang terbatas), sehingga diketahui simbol apa yang dapat mewakili sebuah parameter vektor dari sebuah kata yang dimasukkan ke dalam mesin dan diestimasi berulang-ulang hingga dihasilkan parameter observasi dengan mean dan kovarian yang konvergen untuk setiap statenya.

Aplikasi Hidden Markov Model pada pintu geser berbasis suara ini sudah berhasil dibuat namun belum dapat bekerja dengan maksimal. Sistem yang dibuat belum dapat mendeteksi orang yang menggunakan sistem ini. Namun sistem sudah dapat membedakan kata masukan atau password yang dimasukkan oleh user. Tingkat akurasi sistem pada proses pemodelan yaitu sebesar 95% dan pada proses pengenalan yaitu sebesar 91,667%.


ix

ABSTRACT Speech recognition is one of an application for voice recognition. Speech recognition is an effort to make human and machine can be communicate. Several methods that can be used in the voice processing is artificial neural networks and Hidden Markov Models. The application of Hidden Markov Model in sliding door based on human voice produce a sliding door actuating system that uses voice activated. Sliding doors will be active if it receives input from the people of the same as stored in the system

HMM is a system that can be a model of the symbol into a finite state machine, and then know what the symbol represents the parameter vector of a word and it will be estimated repeatedly until the resulting parameters of observations with mean and variance for each state.

This application has been successfully to build, but it could not work with the maximum. This system can not distinguish the user's system, but the system is able to recognize the input word being entered by the user. The level of accuracy obtained is 95% for modeling process and 91,667% for the recognition process.


x

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa atas berkat dan rahmatNya yang

melimpah sehingga penulis dapat menyelesaikan Laporan Tugas Akhir ini.

Pada kesempatan ini penulis ingin menyampaikan terimakasih kepada semua pihak

yang sudah membantu dalam penyelesaian skripsi ini, sehingga skripsi ini dapat

terselesaikan dengan baik. Ucapan terima kasih ini saya sampaikan terutama kepada.

1. Bapak Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

2. Ibu B.Wuri Harini, S.T., M.T., selaku Ketua Jurusan Teknik Elektro Universitas

Sanata Dharma dan Dosen Pembimbing TA. Terima kasih atas bimbingan yang

selama ini telah diberikan kepada saya.

3. Ibu Ir.Th.Prima Ari, M.T. selaku Dosen Pembimbing Akademik Teknik Elektro

angkatan 2006.

4. Seluruh Dosen Teknik Elektro yang selama lima tahun ini telah membagikan

ilmunya yang sangat berguna kepada saya.

5. Seluruh Staff Universitas Sanata Dharma, yang atas kerja kerasnya, membuat

perkuliahan menjadi terasa nyaman.

6. Bapak, Ibu dan Kakak yang telah memberikan banyak doa, semangat, dukungan

baik moril maupun finansial serta cinta yang begitu besar, selalu ada dan tak akan

pernah berhenti.

7. Dominikus Catur Edi Wasesa yang telah memberikan support, semangat,

dukungan sehingga TA ini dapat selesai.

8. Serta semua pihak yang telah membantu kelancaran dalam penulisan tugas akhir

ini. Saya mengucapkan banyak terima kasih.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada laporan

tugas akhir ini. Saran dan kritik sangat penulis harapkan untuk perbaikan-perbaikan dimasa

yang akan datang. Akhir kata, penulis berharap tulisan ini bermanfaat bagi kemajuan dan

perkembangan ilmu pengetahuan serta berbagai pengguna pada umumnya.


Aryadita Wijaya


xi

DAFTAR ISI HALAMAN JUDUL ........................................................................................................ i HALAMAN JUDUL DALAM BAHASA INGGRIS ..................................................... ii HALAMAN PERSETUJUAN ....................................................................................... iii HALAMAN PENGESAHAN .........................................................................................iv PERNYATAAN KEASLIAN KARYA ........................................................................... v HALAMAN PERSEMBAHAN DAN MOTO HIDUP ..................................................vi LEMBAR PERNYATAAN PERSETUJUAN .............................................................. vii PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ................. vii INTISARI ..................................................................................................................... viii ABSTRACT ....................................................................................................................ix KATA PENGANTAR ...................................................................................................... x DAFTAR ISI ...................................................................................................................xi DAFTAR GAMBAR ..................................................................................................... xiv DAFTAR TABEL ......................................................................................................... xvi BAB I PENDAHULUAN ................................................................................................. 1

1.1. Latar Belakang ..................................................................................................... 1 1.2. Tujuan dan Manfaat ............................................................................................. 2 1.3. Batasan Masalah .................................................................................................. 2 1.4. Metodologi Penelitian .......................................................................................... 3

BAB II LANDASAN TEORI ........................................................................................... 5 2.1. Suara ................................................................................................................... 5 2.2. MFCC (Mel Frequency Cepstrum coefficients) .................................................... 6

2.2.1 Konversi Analog Menjadi Digital ................................................................. 8 2.2.2 Pre-emphasize Filtering ................................................................................ 9 2.2.3 Frame Blocking .......................................................................................... 10 2.2.4 Windowing ................................................................................................. 11 2.2.5 Analisis Fourier .......................................................................................... 14 2.2.6 Discrete Fourier Transform (DFT) .............................................................. 15 2.2.7 Fast Fourier Transform (FFT) ..................................................................... 16 2.2.8 Mel Frequency Warping ............................................................................. 18 2.2.9 Discrete Cosine Transform (DCT) .............................................................. 20 2.2.10 Cepstral Liftering ........................................................................................ 21

2.3. Hidden Markov Model (HMM) .......................................................................... 22 2.3.1 Observasi .................................................................................................... 22 2.3.2 Inisialisasi ................................................................................................... 23


xii

2.3.3 Estimasi ...................................................................................................... 24 2.3.4 Rantai Markov ............................................................................................ 27 2.3.5 Tipe HMM.................................................................................................. 27 2.3.6 Elemen HMM ............................................................................................. 28 2.3.7 Pengenalan Suara dengan HMM ................................................................. 29 2.3.8 Algoritma Baum Welch .............................................................................. 29 2.3.9 Algoritma Viterbi ....................................................................................... 31

2.4. Catu daya ........................................................................................................... 32 2.5. Mikrokontroler ATmega8535 ............................................................................ 33

2.5.1 Timer0 ........................................................................................................ 33 2.5.2 Register pengendali Timer0 ........................................................................ 33 2.5.3 Mode operasi .............................................................................................. 35

2.6. Motor servo ....................................................................................................... 37 2.7. Komunikasi Serial RS232 .................................................................................. 37

BAB III RANCANGAN PENELITIAN ........................................................................ 41 3.1. Arsitektur Sistem ............................................................................................... 41 3.2. Diagram Alir Sistem .......................................................................................... 42 3.3. Proses Pemodelan .............................................................................................. 43

3.3.1 MFCC ........................................................................................................ 44 3.4. Subsistem Software ............................................................................................ 45

3.4.1 Subsistem Software Pada PC ....................................................................... 45 3.4.1.1. Pengenalan ................................................................................................... 46

3.4.1.2. Viterbi ........................................................................................................... 47

3.4.2 Subsistem Software Pada Mikrokontroler .................................................... 48 3.5. Subsistem Hardware .......................................................................................... 49

3.5.1 Perancangan Prototype Pintu Geser ............................................................ 49 3.5.2 Perancangan Pin Mikrokontroler ATmega8535 ........................................... 50 3.5.3 Motor Servo ................................................................................................ 50 3.5.4 Indikator Kesalahan .................................................................................... 51

3.6. Komunikasi Serial RS232 .................................................................................. 51 3.7. Proses Evaluasi .................................................................................................. 52

3.7.1 Proses Evaluasi Subsistem Software............................................................ 52 3.7.2 Proses Evaluasi Subsistem Hardware ......................................................... 53

BAB IV HASIL DAN PEMBAHASAN ......................................................................... 54 4.1. Implementasi ..................................................................................................... 54

4.1.1 Implementasi Proses Pemodelan ................................................................. 55


xiii

4.1.2 Implementasi Antarmuka Subsistem Software............................................. 56 4.1.1.1 Halaman Utama .................................................................................................... 57

4.1.1.2 Halaman Sistem .................................................................................................... 57

4.1.1.3 Halaman Bantuan ................................................................................................. 62

4.1.3 Implementasi Antarmuka Subsistem Hardware .......................................... 63 4.1.4 Implementasi Komunikasi Subsistem Software dan Hardware .................... 64

4.2. Hasil Pengujian .................................................................................................. 65 4.2.1. Subsistem Software ..................................................................................... 65 4.2.2. Subsistem Hardware................................................................................... 72

BAB V KESIMPULAN DAN SARAN .......................................................................... 74 5.1. Kesimpulan ........................................................................................................ 74 5.2. Saran ................................................................................................................. 74

DAFTAR PUSTAKA ...................................................................................................... 75


xiv

DAFTAR GAMBAR

Gambar 2.1 Organ Pembetuk Suara Manusia[2] ................................................................. 5 Gambar 2.2 Contoh sinyal suara [3] ................................................................................... 7 Gambar 2.3 Blok diagram untuk MFCC [3] ....................................................................... 7 Gambar 2.4 Proses pembentukan sinyal digital [3] ............................................................. 8 Gambar 2.5 Contoh dari pre-emphasize pada sebuah frame [5] .......................................... 9 Gambar 2.6 Magnitude response dari pre-emphasize filter untuk nilai α yang berbeda [5] 10 Gambar 2.7 Short Term Spectral Analysis [5] ................................................................. 11 Gambar 2.8 Bentuk gelombang dari Hamming dan Rectangular window beserta dengan mnagnitude hasil dan proses FFT [5] ................................................................................ 13 Gambar 2.9 Contoh wideband spectrogram [5] ................................................................ 14 Gambar 2.10 Contoh narrowband spectrogram [5] .......................................................... 14 Gambar 2.11 Tiga Gelombang Sinusoidal dan Superposisinya [5] .................................... 15 Gambar 2.12 Domain Waktu menjadi Domain Frekuensi [5] ........................................... 16 Gambar 2.14 Pembagian sinyal suara menjadi dua kelompok [5] ..................................... 17 Gambar 2.15 Magnitude dari rectangular dan triangular filterbank [5] .............................. 18 Gambar 2.16 Prinsip Frekuensi Warping [5] .................................................................... 19 Gambar 2.17 Triangular filterbank dengan mel scale [5] .................................................. 20 Gambar 2.18 Perbandingan spectrum dengan dan tanpa cepstral liftering ........................ 21 Gambar 2.19 State HMM ................................................................................................. 23 Gambar 2.20 Algoritma Viterbi ........................................................................................ 24 Gambar 2.21 Diagram alir untuk estimasi ........................................................................ 25 Gambar 2.22 Contoh proses Pembelajaran dan Pengenalan .............................................. 27 Gambar 2.23 Rantai Markov ............................................................................................ 27 Gambar 2.24 HMM model ergodic .................................................................................. 28 Gambar 2.25 HMM model Kiri-kanan ............................................................................. 28 Gambar 2.26 ATmega8535 [11] ....................................................................................... 33 Gambar 2.27 Pulsa PWM [11] ........................................................................................ 36 Gambar 2.28 Pulsa Fast PWM [11] .................................................................................. 36 Gambar 2.29 Konfigurasi Konektor DB9 [12] .................................................................. 38 Gambar 2.30 Konfigurasi IC MAX232 [13] ..................................................................... 39 Gambar 2.31 Perbedaan Level Tegangan TTL dan RS232 [14] ........................................ 39 Gambar 3.1 Arsitektur umum ........................................................................................... 41 Gambar 3.2 Diagram alir sistem ....................................................................................... 42 Gambar 3.3 Proses Pemodelan ......................................................................................... 43 Gambar 3.4 Diagram blok MFCC .................................................................................... 45 Gambar 3.5 Cara kerja sistem .......................................................................................... 46 Gambar 3.6 Proses Pengenalan ........................................................................................ 47 Gambar 3.7 Proses Viterbi ............................................................................................... 48 Gambar 3.8 Pengontrolan Penggerak............................................................................... 49 Gambar 3.9 Konfigurasi kabel motor servo ...................................................................... 50 Gambar 3.10 Rangkaian indikator kesalahan .................................................................... 51 Gambar 3.11 Perancangan RS232 .................................................................................... 52 Gambar 4.1 Implementasi Sistem ..................................................................................... 54 Gambar 4.2 Halaman Utama ............................................................................................ 57 Gambar 4.3 Halaman Sistem ............................................................................................ 58 Gambar 4.4 Tampilan Text Informasi Mulai Rekam Suara ............................................... 59


xv

Gambar 4.5 Tampilan Text Informasi Perekaman Selesai ................................................. 59 Gambar 4.6 Tampilan Text Informasi Hasil Pengenalan Buka .......................................... 61 Gambar 4.7 Tampilan Text Informasi Hasil Pengenalan Tutup ......................................... 62 Gambar 4.8 Halaman Bantuan.......................................................................................... 62 Gambar 4.9 Tampilan Utama Sistem Hardware ............................................................... 63 Gambar 4.10 Tampilan Pintu Geser pada Posisi Terbuka ................................................. 64 Gambar 4.11 Tampilan Pintu Geser pada Posisi Tertutup ................................................. 64


xvi

DAFTAR TABEL Tabel 1.1 Confusion Matrix. .............................................................................................. 4 Tabel 2.1 Fungsi-fungsi window dan formulanya ............................................................. 12 Tabel 2.2 Prescaler Timer0 .............................................................................................. 34 Tabel 2.3 Mode operasi .................................................................................................... 34 Tabel 2.4 Mode Fast PWM .............................................................................................. 34 Tabel 2.5 Konfigurasi Pin dan Nama Bagian Konektor Serial DB9 [12] ........................... 38 Tabel 3.1 Pin mikrokontroler yang digunakan ................................................................. 50 Tabel 3.2 Confusion Matrix ............................................................................................. 53 Tabel 4.1 Tingkat Akurasi Hasil Pengujian (dalam %) ..................................................... 66 Tabel 4.2 Confusion Matrix Hasil Pengujian .................................................................... 66 Tabel 4.3 Confusion matrix 5ms 11state dan 6ms 14state ................................................. 67 Tabel 4.4 Confusion matrix 4ms 18state dan 6ms 18state ................................................. 67 Tabel 4.5 Pengenalan untuk kombinasi window-size 5ms jumlah state 11 ........................ 69 Tabel 4.6 Pengenalan untuk kombinasi window-size 6ms jumlah state 14 ........................ 69 Tabel 4.7 Pengenalan untuk kombinasi window-size 4ms jumlah state 18 ........................ 70 Tabel 4.8 Pengenalan untuk kombinasi window-size 6ms jumlah state 18 ........................ 70 Tabel 4.9 Pengenalan untuk orang lain berjenis kelamin perempuan ................................ 71


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan dunia teknologi di bidang pengolahan suara mengalami

perkembangan yang cukup pesat. Saat ini sinyal informasi yang dikirimkan tidak hanya

berupa data teks tetapi juga suara manusia. Suara manusia sangat unik dan berbeda satu

sama lain sehingga memerlukan pengolahan secara khusus, yaitu dengan proses

pengolahan suara. Salah satu aplikasi yang dapat digunakan untuk proses pengolahan suara

adalah speech recognition. Speech recognition merupakan upaya agar manusia dan mesin

dapat berkomunikasi dengan media suara [1].

Salah satu metode yang paling sering digunakan dalam pengenalan suara atau

ucapan adalah Jaringan Saraf Tiruan (JST) dan Hidden Markov Model (HMM). Dalam

speech recognition terdapat beberapa permasalahan yang sering muncul dan berbeda untuk

setiap permasalahannya misalnya kecepatan pengenalannya, ketepatan pengenalannya, dll.

Sebagian permasalahan ini telah dapat diatasi oleh julius speech recognition yaitu suatu

modul pengolahan sinyal wicara berkecepatan tinggi yang berbasis pada N-Gram dan

HMM accoustic model [1]. Saat ini telah terdapat HTK (Hidden Markov Model Toolkit)

yaitu suatu tool atau perangkat lunak yang mudah digunakan untuk membangun dan

memanipulasi HMM.

HMM sendiri merupakan suatu sistem yang memodelkan simbol ke dalam suatu

mesin finite state (keadaan yang terbatas), sehingga diketahui simbol apa yang dapat

mewakili sebuah parameter vektor dari sebuah kata yang dimasukkan ke dalam mesin dan

diestimasi berulang-ulang hingga dihasilkan parameter observasi dengan mean dan

kovarian yang konvergen untuk setiap statenya. Dengan tool ini maka pembuatan sistem

pengenalan sinyal suara manusia dapat lebih bagus dan rapi (untuk setiap kata dari orang

yang berbeda dan logat dari orang yang berbeda pula).

Berdasarkan hal di atas, penulis akan membuat sebuah otomatisasi untuk

pengoperasian pintu yang menggunakan teknologi pengolahan suara. Sistem otomatisasi


2

ini berupa pintu geser yang diaktifkan menggunakan suara manusia. Penggunaan suara

manusia sebagai kata kunci digunakan untuk menggantikan sistem kunci manual yang ada

saat ini. Penggunaan suara sebagai kata diharapkan akan mempermudah user karena tidak

perlu membawa kunci saat pergi meninggalkan rumah dan user juga tidak perlu khawatir

kunci tertinggal ataupun hilang.

Hasil dari pembuatan sistem ini dapat melengkapi sistem smart house/ rumah pintar

yang kini banyak dikembangkan. Seperti yang diketahui, smart house/ rumah pintar

dirancang dan dibangun sebagai rumah impian masa depan. Rumah impian masa depan ini

menggunakan teknologi terkini, di mana semua yang ada dalam rumah tersebut dapat

dioperasikan secara otomatis.

Dalam implementasinya sistem yang akan dibuat akan bekerja apabila user ingin

membuka pintu geser. Suara user akan diproses dan dicocokkan dengan suara yang telah

tersimpan dalam sistem. Jika suara user memiliki pola yang sama dengan pola suara yang

telah tersimpan maka sistem akan mengaktifkan pintu geser. Sedangkan jika pola suara

berbeda maka pintu geser tidak akan aktif.

1.2. Tujuan dan Manfaat

Tujuan dari penelitian ini adalah menghasilkan sebuah prototype pintu geser yang

diaktifkan menggunakan suara manusia. Pintu geser hanya aktif jika menerima masukan

berupa kata dari orang yang sama seperti yang telah tersimpan di dalam sistem. Manfaat

dari penelitian ini adalah sebagai pengganti sistem kunci manual.

1.3. Batasan Masalah Batasan-batasan masalah dalam pengembangan sistem ini adalah sebagai berikut:

1. Proses pengolahan suara dilakukan oleh Personal Computer (PC)

2. Metode yang digunakan untuk proses pengenalan kata adalah Hidden Markov Model

(HMM ).

3. Metode yang digunakan untuk feature extraction (ekstraksi ciri) adalah Mel Frequency

Cepstrum Coeffisients (MFCC).

4. Pintu yang dibuat berupa sebuah prototype pintu geser yang berukuran 8x18 cm.


3

5. Penggendalian pintu dilakukan menggunakan mikrokontroler ATmega8535.

6. Motor yang digunakan untuk menggerakkan pintu adalah motor servo.

7. Sistem bersifat dependent, artinya sistem hanya dapat digunakan oleh orang tertentu.

1.4. Metodologi Penelitian Metodologi yang akan digunakan dalam pengembangan sistem ini adalah sebagai berikut:

a. Pengumpulan bahan-bahan referensi / studi pustaka

Tahap ini bertujuan untuk mencari bahan-bahan referensi yang dapat digunakan

untuk menunjang kebutuhan sistem yang akan dibuat. Penulis akan mengumpulkan serta

meninjau berbagai bahan atau referensi yang terkait dengan metode HMM.

b.Menentukan variabel yang terkait

Tahap ini bertujuan untuk menemukan variabel-variabel yang terkait dan

digunakan dalam pengembangan sistem. Pada tahap ini penulis mengambil contoh suara

user yang akan dijadikan sebagai model dari pengaktifan sistem.

c. Perancangan subsistem hardware dan software

Tahap ini bertujuan untuk mencari desain yang optimal dari sistem yang akan

dibuat dengan mempertimbangkan berbagai faktor permasalahan dan kebutuhan yang telah

ditentukan. Untuk perancangan subsistem hardware, penulis akan merancang prototype

pintu, peletakan motor penggerak, dan minimum sistem mikrokontroler. Untuk

perancangan subsistem software, penulis mempelajari dan menuliskan tentang speech

recognition, metode HMM yang memuat algoritma Baum Welch dan algoritma Viterbi,

feature extraction (ekstraksi ciri) yang menggunakan metode MFCC, dan blok diagram

pengolahan suara dan perancangan kontrol penggerak.

d.Pembuatan subsistem hardware dan software

Pada tahap ini penulis akan membuat subsistem hardware dan software. Subsistem

hardware terdiri dari prototype pintu geser, mikrokontroler dan motor penggerak,

Subsistem software terdiri dari pengolahan suara dan kontrol penggerak. Pada proses

pengolahan suara, penulis menerapkan metode HMM ke dalam bahasa komputer sesuai

dengan desain yang telah disusun. Hasil dari proses ini adalah sebuah aplikasi yang dapat


4

mengidentifikasi suara user. Pada proses kontrol penggerak, penulis akan mengatur

pergerakan pintu, untuk membuka dan menutup sesuai dengan hasil identifikasi pada

proses pengolahan suara.

e. Proses pengambilan data dan pengujian

Pengambilan data dan pengujian sistem dilakukan menggunakan suara user dan

suara orang lain. Suara orang lain digunakan sebagai pembanding untuk menguji apakah

sistem dapat dibuka oleh orang lain selain user. Dalam proses ini digunakan 10 orang

sebagai sampel, 5 pria dan 5 wanita. Setiap sampel akan merekam suaranya sebanyak 10

kali untuk setiap kata yang digunakan sebagai kata sandi pengoperasian pintu. Pada

pengujian langsung dilakukan dengan menggunakan suara yang direkam pada saat itu juga.

f. Analisa dan penyimpulan hasil penelitian

Analisa dilakukan dengan menggunakan confusion matrix untuk penghitungan

akurasi dari hasil pengujian sistem yang dibuat. Confusion matrix merupakan matrix

berbentuk bujur sangkar. Banyaknya kolom dan baris adalah sama yaitu sebanyak N,

dimana N adalah banyaknya model suara yang ada. Tabel 1.1 merupakan ilustrasi dari

confusion matrix.

Tabel 1.1 Confusion Matrix.

Diagonal dari tabel 1.1 yang diblok merupakan gambaran dari jumlah data yang benar

dalam pengenalan. Persamaan yang digunakan untuk menghitung akurasi yaitu :

%100_

__

datajumlahdikenaldatajumlahakurasi (1.1)

Keakuratan sitem dapat dilihat dari tingkat akurasi dalam proses pengenalan kata.


5

BAB II

LANDASAN TEORI 2.1. Suara

Suara adalah sebuah sinyal yang merambat melalui media perantara. Suara dapat

dihantarkan dengan media air, udara maupun benda padat. Dengan kata lain, suara adalah

gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara yang dapat

didengar oleh manusia berkisar antara 20 Hz sampai dengan 20KHz, dimana Hz adalah

satuan frekuensi yang berarti banyak getaran per detik (cps / cycle per second) [2].

Perlengkapan produksi suara pada manusia terdapat pada gambar 2.1 yang secara

garis besar terdiri dari jalur suara (vocal track) dan jalur hidung (nasal track). Jalur suara

dimulai dari pita suara (vocal cords), celah suara (glottis) dan berakhir pada bibir. Jalur

hidung dimulai dari bagian belakang langit-langit (velum) dan berakhir pada cuping hidung

(nostrils).

Gambar 2.1 Organ Pembetuk Suara Manusia[2]

Proses terjadinya suara, dimulai dari udara masuk ke paru-paru melalui pernafasan,

kemudian melalui trakea, udara masuk ke batang tenggorok dimana dalam batang


6

tenggorok ini terdapat pita suara. Pita suara ini kemudian bergetar dengan frekuensi

tertentu karena adanya aliran udara tersebut sehingga dihasilkan suara. Suara yang

dihasilkan ini berbeda-beda bergantung pada posisi lidah, bibir, mulut dan langit-langit

pada saat itu.

Suara yang dihasilkan terbagi menjadi tiga bagian yaitu voiced sound, unvoiced

sound serta plosive sound. Voiced sound terjadi jika pita suara bergetar dengan frekuensi

50 Hz sampai 250 Hz. Contoh voiced sound adalah bunyi pada kata ‘ah”, Unvoiced sound

teijadi jika pita suara tidak bergetar sama sekali. Contoh unvoiced sound ialah bunyi pada

kata “shh”. Sedangkan piosive sound terjadi jika pita suara tertutup sesaat dan kemudian

tiba-tiba membuka. Contoh plosive sound ialah bunyi “beh” pada kata benar dan “pah”

pada kata pasar [2].

2.2. MFCC (Mel Frequency Cepstrum coefficients) MFCC(Mel Frequency Cepstrum Coefficients) merupakan salah satu metode, yang

banyak digunakan dalam bidang speech technology, baik speaker recognition maupun

speech recognition. Metode ini digunakan untuk melakukan feature extraction (ekstraksi

ciri), sebuah proses yang mengkonversikan sinyal suara menjadi beberapa parameter.

Tujuan akhir dari proses feature extraction adalah pemberian parameter suara ke dalam

deretan feature vector yang berupa ringkasan dan informasi yang relevan dari suara

tersebut. Feature yang diekstrak diharapkan mampu membedakan suara yang serupa,

sehingga model dapat dibuat tanpa memerlukan data training yang besar. Keunggulan dari

metode ini adalah [3]:

1. Mampu untuk menangkap karakteristik suara yang sangat penting bagi pengenalan

suara atau dengan katalain, mampu menangkap informasi-informasi penting yang

terkandung dalam sinyal suara.

2. Menghasilkan data seminimal mungkin, tanpa menghilangkan informasi-informasi

penting yang ada.

3. Mereplikasi organ pendengaran manusia dalam melakukan persepsi terhadap sinyal

suara.

Perhitungan yang dilakukan dalam MFCC menggunakan dasar dari perhitungan

short-tern analysis. Hal ini dilakukan mengingat sinyal suara yang bersifat quasi

stationary. Contoh dari sinyal suara dapat dilihat pada Gambar 2.2. Pengujian yang

dilakukan untuk periode waktu yang cukup pendek (sekitar 10 sampai 30 milidetik) akan


7

menunjukkan karakteristik sinyal suara yang stationary. Tetapi bila dilakukan dalam

periode waktu yang lebih panjang karakteristik sinyal suara akan terus berubah sesuai

dengan kata yang diucapkan.

Gambar 2.2 Contoh sinyal suara [3]

MFCC feature extraction merupakan adaptasi dan sistem pendengaran manusia,

dimana sinyal suara akan di-filter secara linear untuk frekuensi rendah (di bawah 1000 Hz)

dan secara logaritmik untuk frekuensi tinggi (di atas 1000 Hz). Berikut ini adalah blok

diagram untuk MFCC [3].

Gambar 2.3 Blok diagram untuk MFCC [3]


8

2.2.1 Konversi Analog Menjadi Digital

Sinyal-sinyal natural pada umumnya seperti sinyal suara merupakan sinyal

kontinyu dimana memiliki nilai yang tidak terbatas. Sedangkan pada komputer, semua

sinyal yang dapat di proses oleh komputer hanyalah sinyal diskrit atau sering dikenal

dengan isilah sinyal digital. Agar sinyal natural dapat diproses oleh komputer, maka harus

diubah terlebih dahulu dari data sinyal kontinyu menjadi sinyal diskrit. Hal itu dapat

dilakukan melalui tiga proses, diantaranya adalah proses pencuplikan data, proses

kuantisasi, dan proses pengkodean [3].

Proses pencuplikan adalah suatu proses untuk mengambil data sinyal continue

untuk setiap periode tertentu. Dalam melakukan proses pencuplikan data, berlaku aturan

Nyquist, yaitu bahwa frekuensi pencuplikan (sampling rate) minimal harus 2 kali lebih

tinggi dari frekuensi maksimum yang akan di sampling. Jika sinyal pencuplikan kurang

dan 2 kali frekuensi maksimum sinyal yang akan di sampling, maka akan timbul efek

aliasing. Aliasing adalah suatu efek dimana sinyal yang dihasilkan memiliki frekuensi

yang berbeda dengan sinyal aslinya.

Proses kuantisasi adalah proses untuk membulatkan nilai data ke dalam bilangan-

bilangan tertentu yang telah ditentukan terlebih dahulu. Semakin banyak level yang dipakai

maka semakin akurat pula data sinyal yang disimpan tetapi akan menghasilkan ukuran data

besar dan proses yang lama. Proses pengkodean adalah proses pemberian kode untuk tiap-

tiap data sinyal yang telah terkuantisasi berdasarkan level yang ditempati [3].

Berikut adalah gambaran contoh proses pembentukan sinyal digital.

Gambar 2.4 Proses pembentukan sinyal digital [3]


9

2.2.2 Pre-emphasize Filtering

Pre-emphasize merupakan salah satu jenis filter yang sering digunakan sebelum

sebuah sinyal diproses lebih lanjut. Filter ini mempertahankan frekuensi-frekuensi tinggi

pada sebuah spektrum yang umumnya tereliminasi pada saat proses produksi suara. Tujuan

dan pre-emphasize filter ini adalah:

1. Mengurangi noise ratio pada sinyal, sehingga dapat meningkatkan kualitas sinyal

[1, 4] .

2. Menyeimbangkan spektrum dari voiced sound [5, 6]. Pada saat memproduksi

voiced sound, glottis manusia menghasilkan sekitar -12 dB octave slope. Namun

ketika energi akustik tersebut dikeluarkan melalui bibir, terjadi peningkatan sebesar

+6 dB. Sehingga sinyal yang terekam oleh microphone adalah sekitar -6 dB octave

slope. Dampak dan efek ini dapat dilihat pada gambar 2.5.

Gambar 2.5 Contoh dari pre-emphasize pada sebuah frame [5]

Pada Gambar 2.5 tampak bahwa distribusi energi pada setiap frekuensi menjadi

lebih seimbang setelah diimplementasikan pre-emphasize filter. Bentuk yang paling umum


10

digunakan dalam pre-emphasize filter adalah sebagai berikut:

11 zzH (2.1) Dimana 0.9 ≤ α ≤ 1.0, dan α € R

Formula di atas dapat diimplementasikan sebagai first order differentiator,sebagai berikut:

1 nsnsny (2.2) y[n] = Sinyal hasil pre-einphasie filter

s[n] = Sinyal sebelum pre-emphasize filter

Pada umumnya nilai α yang paling sering digunakan adalah antara 0.9 sampai

dengan 1.0. Respon frekuensi dari filter tersebut adalah:

jweH jwe 1 wjw sincos1 (2.3)

Sehingga, squared magnitude response dapat dihitung dengan persamaan berikut :

jweH ww 222 sincos1 www 2222 sincoscos21

)2sin2(coscos21 2 www

2cos21 w (2.4)

Magnitude response (dB scale) untuk nilai α yang berbeda dapat dilihat pada

Gambar 2.6.

Gambar 2.6 Magnitude response dari pre-emphasize filter untuk nilai α yang berbeda [5]

2.2.3 Frame Blocking Karena sinyal suara terus mengalami perubahan akibat adanya pergeseran artikulasi


11

dari organ produksi vokal, sinyal harus diproses secara short segments (short frame).

Panjang frame yang biasa digunakan untuk pemrosesan sinyal adalah antara 10-30

milidetik. Panjang frame yang digunakan, sangat mempengaruhi keberhasilan dalam

analisa spektral. Di satu sisi, ukuran dari frame harus sepanjang mungkin untuk dapat

menunjukkan resolusi frekuensi yang baik. Tetapi di lain sisi, ukuran frame juga harus

cukup pendek untuk dapat menunjukkan resolusi waktu yang baik.

Proses frame ini dilakukan terus sampai seluruh sinyal dapat terproses. Selain itu,

proses ini umumnya dilakukan secara overlapping untuk setiap frame. Panjang daerah

overlap yang umum digunakan adalah kurang lebih 30% sainpai 50% dari panjang frame

[5].

Gambar 2.7 Short Term Spectral Analysis [5]

2.2.4 Windowing Proses framing dapat menyebabkan terjadinya kebocoran spektral (spectral

leakage) atau aliasing. Aliasing adalah timbulnya sinyal baru dimana memiliki frekuensi

yang berbeda dengan sinyal aslinya. Efek ini dapat terjadi karena rendahnya jumlah

sampling rate, ataupun karena proses frame blocking dimana menyebabkan sinyal menjadi

discontinue. Untuk mengurangi kemungkinan terjadinya kebocoran spektral, maka hasil

dari proses framing harus melewati proses window.

Ada banyak fungsi window, w(n), seperti yang ditunjukkan pada Tabel 2.1. Sebuah


12

fungsi window yang baik harus menyempit pada bagian main lobe, dan melebar pada

bagian side lobe. Berikut adalah representasi fungsi window terhadap sinyal suara yang di-

input-kan.

nwnxnx i n=0,1,…,N-1 (2.5)

x(n) = Nilai Sampel Sinyal

xi(n) = Nilai Sampel dan Frame sinyal ke i

w(n) = Fungsi window

N = Frame Size, merupakan kelipatan 2.

Tabel 2.1 Fungsi-fungsi window dan formulanya Name of window Time domain sequance

Rectangular 1 Bartlett

12

121

M

mn

Blackman 1

4cos08.01

2cos5.042.0

M

nM

n

Hamming 1

2cos46.054.0

M

n

Hanning

12cos1

21

Mn

Kaiser

21

21

21 22

MIo

MnMIo

Lanczos

21

212

12

12sin

MMn

MMn

L>0, 1, 2

1

Mn ≤ 2

1

M , 0 < α < 1

Tukey

211211cos1

21

MMn

2)1( M ≤

21

Mn ≤

21M


13

Setiap fungsi window mempunyai karakteristik masing-masing. Diantara berbagai

fungsi window tersebut, Blackman window menghasilkan sidelobe level yang paling tinggi

(kurang Iebih -58 dB), tetapi fungsi ini juga menghasilkan noise paling besar (kurang lebih

1.73 BINS). Oleh karena itu fungsi ini jarang sekali digunakan baik untuk speaker

recognition, maupun speech recognition.

Fungsi window rectangle adalah fungsi window yang paling mudah untuk

diaplikasikan. Fungsi ini menghasilkan noise yang paling rendah yaitu sekitar

1.00 BINS. Tetapi sayangnya fungsi ini memberikan sidelobe level yang paling rendah.

Sidelobe level yang rendah tersebut menyebabkan besarnya kebocoran spektral yang terjadi

dalam proses feature extraction.

Fungsi window yang paling sering digunakan dalam aplikasi speaker recognition

adalah Hamming Window. Fungsi window ini menghasilkan sidelobe level yang tidak

terlalu tinggi (kurang lebih -43 dB), selain itu noise yang dihasilkan tidak terlalu besar

(kurang lebih 1.36 BINS).

Gambar 2.8 menunjukkan bentuk gelombang dalam time domain dan magnitude

dari Hamming window dan rectangular window. Dari contoh gambar 2.8 dapat diketahui

bahwa kebocoran spektral lebih sedikit terjadi pada hamming window dari pada pada

rectangular window.

Gambar 2.8 Bentuk gelombang dari Hamming dan Rectangular window beserta dengan mnagnitude hasil dan proses FFT [5]


14

2.2.5 Analisis Fourier Analisis Fourier adalah sebuah metode yang memungkinkan untuk melakukan

analisa terhadap spectral properties dari sinyal yang di-input-kan. Representasi dari

spectral properties sering disebut sebagai spectrogram. Gambar 2.9 dan Gambar 2.10

merupakan contoh dan spectrogram.

Gambar 2.9 Contoh wideband spectrogram [5]

Gambar 2.10 Contoh narrowband spectrogram [5] Dalam spectrogram terdapat hubungan yang sangat erat antara waktu dan

frekuensi. Hubungan antara frekuensi dan waktu adalah hubungan berbanding terbalik.

Bila resolusi waktu yang digunakan tinggi, maka resolusi frekuensi yang dihasilkan akan

semakin rendah. Kondisi seperti ini akan menghasilkan narrowband spectrogram.

Sedangkan wideband spectrogram adalah kebalikan dan narrowband spectrogram.


15

Inti dari transformasi fourier adalah menguraikan sinyal ke dalam komponen-

komponen bentuk sinus yang berbeda-beda frekuensinya. Gambar 2.11 menunjukkan tiga

gelombang sinus dan superposisinya. Sinyal semula yang periodik dapat diuraikan menjadi

beberapa komponen bentuk sinus dengan frekuensi yang berbeda. Jika sinyal semula tidak

periodik maka transformasi fourier-nya merupakan fungsi frekuensi yang continue, artinya

merupakan penjumlahan bentuk sinus dari segala frekuensi. Jadi dapat disimpulkan bahwa

transformasi fourier merupakan representasi frekuensi domain dari suatu sinyal.

Representasi ini mengandung informasi yang tepat sama dengan kandungan informasi dan

sinyal semula.

Gambar 2.11 Tiga Gelombang Sinusoidal dan Superposisinya [5]

2.2.6 Discrete Fourier Transform (DFT)

DFT merupakan perluasan dari transformasi fourier yang berlaku untuk sinyal-

sinyal diskrit dengan panjang yang terhingga. Semua sinyal periodik terbentuk dari

gabungan sinyal-sinyal sinusoidal yang menjadi satu yang dalam perumusannya dapat

ditulis [5]:

1

0

/2N

n

NnkjenskS , 0 ≤ k ≤ N-1 (2.6)

N = Jumlah sampel yang akan diproses (N € N)

s(n) = Nilai Sampel Sinyal

k = Variabel frekuensi discrete, dimana akan bernilai

NkNk ,2


16

Dengan rumus diatas, frekuensi pembentuk dari suatu sinyal suara dalam domain

waktu dapat dicari. Hal ini adalah tujuan dari penggunaan analisa fourier

pada data suara, yaitu untuk merubah data dari domain waktu menjadi data spektrum di

domain frekuensi. Untuk pemrosesan sinyal suara, hal ini sangat menguntungkan karena

data pada domain frekuensi dapat diproses dengan lebih mudah dibandingkan data pada

domain waktu. Karena pada domain frekuensi, keras lemah suara tidak seberapa

berpengaruh.

Gambar 2.12 Domain Waktu menjadi Domain Frekuensi [5]

Untuk mendapatkan spektrum dari sebuah sinyal dengan DFT diperlukan

N buah sample data berurutan pada domain waktu. yaitu data x{m] sampai dengan

x[m+N-1]. Data tersebut dimasukkan dalam fungsi DFT maka akan dihasilkan

N buah data. Namun karena hasil dari DFT adalah simetris, maka hanya N/2 data

yang diambil sebagai spectrum[5].

2.2.7 Fast Fourier Transform (FFT)

Perhitungan DFT secara langsung dalam komputerisasi dapat menyebabkan proses

perhitungan yang sangat lama. Hal itu disebabkan karena dengan DFT, dibutuhkan N2

perkalian bilangan kompleks. Karena itu dibutuhkan cara lain untuk menghitung DFT

dengan cepat. Hal itu dapat dilakukan dengan menggunakan algoritma Fast Fourier

Transform (FFT). FFT menghilangkan proses perhitungan yang kembar dalam DFT.

Algoritma FFT hanya membutuhkan N log2 N perkalian kompleks. Berikut ini

menunjukkan perbandingan kecepatan antara FFT dan DFT[5].


17

Gambar 2.13 Grafik perbandingan kecepatan Direct calculation

dengan Algoritma FFT [5]

Jumlah sample sinyal yang akan di-input-kan ke dalam algoritma ini harus

merupakan kelipatan dua (2M). Algoritma Fast Fourier Transform dimulai dengan

membagi sinyal menjadi dua bagian, dimana bagian pertama berisi nilai sinyal suara pada

indeks waktu genap, dan sebagian yang lain berisi nilai sinyal suara pada indeks waktu

ganjil.Visualisasi dan proses ini dapat dilihat pada Gambar

2.14.Setelah itu, akan dilakukan analisis Fourier (recombine algebra) untuk setiap

bagiannya. Proses pembagian sinyal suara tersebut terus dilakukan sampai didapatkan dua

serinilai sinyal suara [5].

Gambar 2.14 Pembagian sinyal suara menjadi dua kelompok [5]

Algorima recombine (DFT) melakukan N perkalian koinpieks, dan dengan dengan

metode pembagian seperti ini, maka terdapat log2(N) langkah perkalian kompleks. Hal ini

berarti jumlah perkalian kompleks berkurang dan N2 (pada DFT) menjadi N log2(N).


18

Hasil dari proses FFT ini adalah simetris antara index 0 - (N/2 -1) dan (N/2) -(N-I).

Oleh karena itu, umumnya hanya blok pertama saja yang akan digunakan dalam proses-

proses selanjutya[5].

2.2.8 Mel Frequency Warping

Mel Frequency Warping umumnya dilakukan dengan menggunakan Filterbank.

Filterbank adalah salah satu bentuk dari filter yang dilakukan dengan tujuan untuk

mengetahui ukuran energi dari frequency band tertentu dalam sinyal suara [5]. Filterbank

dapat diterapkan baik pada domain waktu maupun domain frekuensi, tetapi untuk

keperluan MFCC, filterbank harus diterapkan dalam domain frekuensi. Gambar 2.18

menunjukkan dua jenis filterbank magnitude. Dalam kedua kasus pada Gambar 2.18 filter

yang dilakukan adalah secara linear terhadap frektLensi 0-4 kHz.

Gambar 2.15 Magnitude dari rectangular dan triangular filterbank [5]

Filterbank menggunakan representasi konvolusi dalam melakukan filter terhadap

sinyal. Konvolusi dapat dilakukan dengan melakukan multiplikasi antara spektrum sinyal

dengan koefisien filterbank. Berikut ini adalah rumus yang digunakan dalam perhitungan

filterbank.

jHjSiY iN

j

1

(2.7)


19

N = Jumlah magnitude spectrum (N € N)

S[j] = Magnitude spectrum pada frekuensi j

Hi[j] = Koeiisien filterbank pada frekuensi j (1 ≤ i ≤M)

M = Jumlah channel dalam filterbank

Persepsi manusia terhadap frekuensi dari sinyal suara tidak mengikuti linear scale.

Frekuensi yang sebenarnya (dalam Hz) dalam sebuah sinyal akan diukur manusia secara

subyektif dengan menggunakan mel scale. Mel frequency scale adalah linear frekuensi

scale pada frekuensi dibawah 1000 Hz, dan merupakan logarithmic scale pada frekuensi

diatas 1000 Hz [5].

Gambar 2.16 Prinsip Frekuensi Warping [5]

Berikut ini adalah formula untuk menghitung mel scale.

7001log*2595 10

ffmel (2.8)

Mel(f) = Fungsi Mel Scale

f = Frekuensi

Gambar 2.17 menunjukkan triangular filterbank dengan menggunakan mel scale.

Bila diperhatikan lebih jauh, tampak bahwa untuk frekuensi dibawah 1 kHz pola filter


20

terdistribusikan secara linear, dan diatas 1 kHz akan terdisribusi secara logarithmic.

Gambar 2.17 Triangular filterbank dengan mel scale [5]

Dalam aplikasi speaker recognition, jumlah channel filterbank yang digunakan

akan sangat berpengaruh terhadap keberhasilan aplikasi tersebut. Semakin besar jumlah

channel yang digunakan akan semakin meningkatkan keberhasilan aplikasi, tetapi akan

membutuhkan waktu lebih besar untuk melakukan proses tersebut, begitu pula sebaliknya

[5].

2.2.9 Discrete Cosine Transform (DCT)

DCT merupakan langkah terakhir dari proses utama MFCC feature extraction.

Konsep dasar dari DCT adalah mendekorelasikan mel spectrum sehingga menghasilkan

representasi yang baik dari properti spektral lokal. Pada dasarnya konsep dari DCT sama

dengan inverse fourier transfom. Namun hasil dari DCT mendekati PCA (Principle

Component Analysis) [9]. PCA adalah metode statistik klasik yang digunakan secara luas

dalam analisa data dan kompresi.

Berikut ini adalah formula yang digunakan untuk menghitung DCT.

KknSC

K

kkn 2

1coslog1

, n=1,2,…,K (2.9)

Sk = Keluaran dari proses filterbank pada index k

K = Jumlah koefisien yang diharapkan

Koefisien ke nol dari DCT pada umumnya akan dihilangkan, walaupun sebenarnya

mengindikasikan energi dari frame sinyal tersebut. Hal ini dilakukan karena berdasarkan

penelitian-penelitian yang pernah dilakukan, koefisien ke nol ini tidak reliable terhadap

speaker recognition [9].


21

2.2.10 Cepstral Liftering

Cepstral hasil dari proses utarna MFCC feature extraction, memiliki beberapa

kelemahan. Low-order dari cepstral coefficients sangat sensitif terhadap spectral slope,

sedangkan bagian high-order sangat sensitif terhadap noise [9]. Oleh karena itu, maka

cepstral liftering menjadi salah satu standar teknik yang diterapkan untuk meminimalisasi

sensitifitas tersebut.

Cepstral liftering dapat dilakukan dengan mengimplementasikan fungsi window

terhadap cepstral features.

0

sin2

1L

nLnw

elsewhareLn ,...,2,1 (2.10)

L = Jumlah cepstral coefficients

n = index dari cepstral coefficients

Cepstral liftering menghaluskan spektrum hasil dari main processor sehingga dapat

digunakan lebih baik untuk pattern matching [9]. Gambar berikut ini menunjukkan

perbandingan spektrum dengan dan tanpa cepstral liftering.

Gambar 2.18 Perbandingan spectrum dengan dan tanpa cepstral liftering

Berdasarkan Gambar 2.18, dapat dilihat bahwa pola spektrum setelah dilakukannya

cepstral liftering lebih halus daripada spektrum yang tidak melalui tahap cepstral liftering.

Cepstral liftering dapat meningkatkan akurasi dan aplikasi pengenalan suara, baik speaker

recognition, maupun speech recognition [9].


22

2.3. Hidden Markov Model (HMM) Model Markov Tersembunyi atau lebih dikenal sebagai Hidden Markov Model

(HMM) adalah analisis statistika yang memodelkan sinyal suara dan mencari bentuk kata

yang paling sesuai. HMM berkembang dengan sangat cepat karena pemodelan ini sangat

kaya dalam struktur matematika dan mengacu pada fungsi probabilitas rantai markov [1].

Prinsip umum HMM adalah memodelkan simbol ke dalam sebuah mesin finite state,

sehingga diketahui simbol apa yang dapat mewakili sebuah parameter vektor dari sebuah

kata dimasukkan ke dalam mesin, dan diestimasi berulang–ulang hingga dihasilkan

parameter vektor atau observasi dengan mean dan kovarian yang konvergen untuk setiap

statenya [1].

Pada implementasinya sistem pengenalan suara berbasis HMM dibagi menjadi

beberapa bagian sebagai berikut [1] :

a. Data preparasi : pembentukan parameter vector (observasi)

b. Training : inisialisasi dan estimasi parameter vector

c. Testing : pengenalan

2.3.1 Observasi Pemisahaan kata menjadi simbol yang dilafalkan (phone) menghasilkan rangakaian

observasi o untuk setiap kejadian yang mungkin pada saat transisi antar state. Aggap suara

sebagai sebuah rangkaian vektor suara atau observasi, yang didefinisikan sebagai berikut

[1]:

ToooO ,...,, 21 (2.11)

Dimana oT adalah vektor suara yang diobservasi pada saat t. Observasi pada

dasarnya menentukan nilai dari persamaan berikut

OP i |maxarg_ (2.12)

Dimana ωi adalah pengucapan yang ke-i, probabilitas ini tidak dapat dihitung secara

langsung tetapi dapat dihitung dengan menggunakan aturan Bayes.

OPPOPOP iii

|

| (2.13)

Maka, prioritas kemungkinan P(ωi ) sangat tergantung pada P(O| ωi )

Dalam pengenalan suara berbasis HMM, diasumsikan bahwa rangkaian vektor

observasi berkorespondensi dengan masing masing word yang dihasilkan oleh markov


23

model1. Markov model adalah mesin finite state yang mengalami perubahan state sekali

setiap satuan waktu t pada saat state j dimasuki, vektor suara ot dihasilkan berdasarkan

nilai kemungkinan bj(oT). Selanjutnya transisi antara state i ke state j juga merupakan

probabilitas diskrit aij. Gambar di bawah menunjukkan contoh dari proses ini dimana lima

model state berupa rangakaian state X = 1,2,3,4,5,6 untuk membangun urutan o1 sampai

o6 [1].

Gambar 2.19 State HMM

Untuk membangun rangkaian observasi O dengan jumlah state 6. probabilitas diskrit

untuk transisi dari state i ke state j ditentukan oleh aij sedangkan bj(ot) adalah probabilitas

yang membentuk observasi pada saat t (ot) untuk state j .

Probabilitas O dibangun oleh model M yang melalui seluruh urutan state X dihitung

sabagai hasil perkalian antara kemungkinan transisi dan kemungkinan hasil. Jadi untuk

rangkaian state X pada gambar di atas.

332322221212|, obaobaobaMXOP (2.14) Meskipun demikian hanya rangkaian observasi O yang diketahui dan rangkaian state

X yang mendasari adalah tersembunyi. Itu mengapa ini disebut hidden markov model [1].

11| txtxttxX xox obMOP (2.15)

2.3.2 Inisialisasi

Inisialisasi dapat dilakukan dengan menggunakan algoritma viterbi untuk

menemukan jalur terbaik dalam sebuah matrik dimana dimensi vertikal merepresentasikan


24

state-state HMM dan dimensi horisontal merepresentasikan frame suara. Masing masing

titik pada gambar dibawah menunjukkan kemungkinan terhadap frame saat itu dan daerah

antar titik menunjukkan kemungkinan transisi [1].

Gambar 2.20 Algoritma Viterbi

Untuk mencari urutan state setiap observasi pada frame suara diamana a35

menunjukkan kemungkinan transisi dari state 3 ke state 5 dan b3(o4) adalah probabilitas

pembentukan observasi o3 pada state 3.

Kemungkian masing masing jalur dihitung dengan menjumlah kemungkinan transisi

dan kemungkinan keluaran sepanjang path. Pada waktu t masing masing bagian path

diketahui untuk semua state i. dapat dihitung dengan persamaan di bawah [1]

tjijij obatt loglog1max (2.16) Konsep path ini sangat berguna untuk suara kontinyu pada umumnya.

2.3.3 Estimasi

Proses estimasi dilakukan dengan menggunakan metode Baum-Welch Re-estimation.

Formula Baum-Welch re-estimasi untuk mean dan kovarian pada masing masing state

HMM adalah [1]:

Tt j

T

t tjj

tL

otL

1

1 (2.17)

Dan


25

Tt j

T

t jtjtjj

tL

ootL

1

1

(2.18)

Estimasi dilakukan terhadap mean dan varian hmm yang mana distribusi keluaran

masing masing state adalah komponen gausian, didefinisikan sebagai berikut :

i

j jijtoo

ntje

job

21

2

1 (2.19)

Parameter vector akan diestimasi dengan menggunakan algoritma foreward-

backward hingga diperoleh nilai probabilitas P(O|M) terbesar berdasarkan observasi pada

masing masing state[1]. Perhitungan algoritma Baum-Welch dilakukan berdasarkan

diagram alir berikut :

Gambar 2.21 Diagram alir untuk estimasi

Estimasi dilakukan terhadap parameter vector pada initial HMM dengan

menggunakan metode forward/backward hingga diperoleh parameter vektor yang

konvergen (tidak dapt diestimasi lagi). Kriteria update adalah nilai probabiltias observasi

terhadap model P(O|M) lebih tinggi dari nilai iterasi sebelumnya [1].


26

Nilai kemungkinan foreward tj untuk beberapa model M dan N state

didefinisaikan sebagai

MjtxooPt tj |,,...,1 (2.20)

kemungkinan ini dapat dihitung berdasarkan rumus :

tjN

jijij obatt

1

21 (2.21)

sedangkan nilai kemungkinan backward tj untuk model M dan N state

didefinisikan sebagai

MjtxooPt Ttj ,|,...,1 (2.22)

dan dapat dihitung dengan persamaan :

111

2

tobat jtjN

jijj (2.23)

berdasarkan persamaan

MjtxoPtt jj ,, (2.24)

maka didapat persamaan untuk menentukan nilai probabilitas Lj(t sebagai berikut :

MOjtxPtL j ,|

MOP

MjtxoP|

,,

ttP jj

1 (2.25)

dimana P = P(O|M).

Pada awalnya HMM dibelajari untuk memodelkan beberapa contoh kata dalam hal

ini adalah “one, two, three”. Hasil dari pembelajaran adalah model yang telah

diestimasi(M). Kemudian HMM digunakan untuk mengenali kata/observasi (O)

berdasarkan hasil pembelajaran tersebut. P(O|M) adalah kemungkinan rangkaian observasi

O terhadap model M. Berikut contoh proses pembelajaran dan pengenalan untuk rangkaian

observasi [1].


27

Gambar 2.22 Contoh proses Pembelajaran dan Pengenalan

2.3.4 Rantai Markov

Algoritma HMM didasari oleh model matematik yang dikenal dengan rantai markov.

Rantai markov secara umum ditunjukkan pada gambar 2.23. Beberapa hal yang dapat

dijelaskan tentang rantai markov yaitu [1]:

1. Transisi keadaan dari suatu keadaan tergantung pada keadaan sebelumnya.

P[qt = j|qt-1 = i, qt-2 = k......] =P[qt = j | qt-1 = i]

2. Transisi keadaan bebas terhadap waktu.

aij = P[qt = j | qt-1 = i ]

Gambar 2.23 Rantai Markov

2.3.5 Tipe HMM HMM dibagi menjadi dua tipe dasar yaitu :


28

1. HMM ergodic.

Pada HMM model ergodic perpindahan keaadaan satu ke keadaan yang lain

semuanya memungkinkan, hal ini ditunjukkan pada Gambar 2.2. [1]

Gambar 2.24 HMM model ergodic

2. HMM Kiri-kanan(Bakis model)

Pada HMM kiri-kanan (Bakis model) perpindahan keadaan hanya dapat berpindah

dari kiri kekanan, perpindahan keadaan tidak dapat mundur ke belakang, hal ini

ditunjukkan pada Gambar 2.3. [1]

Gambar 2.25 HMM model Kiri-kanan

2.3.6 Elemen HMM Elemen yang terdapat pada HMM yaitu [1]:

a. N, jumlah dari states pada model. Tiap state diberi nama {1, 2, 3,..., N} dan state

pada saat t disimbolkan qt.

b. M, jumlah distinct observation symbols per state. Observation symbols per state

disimbolkan V= {v1, v2,.., vM}

c. Probabilitas transisi antar state adalah A = {aij}, dimana :

aij = P[qt-1 = j | qt = i ] , 1 ≤ i , j ≤ N

d. Probabilitas observation symbols pada sebuah state , B = {bj(k)}, dimana:

bj (k) = P[ot = v | qt = j ] , 1 ≤ k ≤ M

e. Inisial state distribution Π= { Πi }, dimana :

Πi = P[qt = i] , 1 ≤ i ≤ N


29

2.3.7 Pengenalan Suara dengan HMM Sistem pengenalan suara modern secara umum berdasarkan pada Hidden Markov

Models (HMMs). Hidden Markov Models merupakan model statistik di mana mempunyai

keluaran rangkaian simbol dan kuantitas. Dengan memiliki sebuah model yang

memberikan kemungkinan dari rangkaian akustik data yang telah diobservasi dari sebuah

atau banyak kata (rangkaian kata) akan dapat menyebabkan sistem bekerja dengan

rangkaian kata tersebut sesuai dengan aplikasi aturan Bayes [1].

)Pr()Pr()|Pr()|Pr(

acousticswordwordacousticsacousticsword (2.26)

Dari rangkaian data akustik yang ada, Pr(acoustics) adalah konstan dan tidak dapat

diabaikan. Pr(word) adalah merupakan kemungkinan terbesar dari suatu kata.

Pr(acoustics|word) massa yang paling terlibat di dalam persamaan dan diperoleh dari

Hidden Markov Models.

2.3.8 Algoritma Baum Welch Learning problem melibatkan optimalisasi dari parameter model Φ = (A,B,π) untuk

memperoleh model terbaik sebagai representasi kumpulan pengamatan tertentu. Learning

problem sebagai pendekatan menggunakan algoritma Baum Welch dimana algoritma

tersebut merupakan suatu prosedur iterative.

Kunci perhitungan parameter pada model adalah perhitungan probabilitas state

occupancy. Definisi γt(i) adalah probabilitas state Si pada waktu t, menghasilkan deretan X

dan model Φ. Dituliskan sebagai berikut :

γt(i) = P(s = S | X ,Φ) (2.27)

Persamaan di atas dapat dituliskan dalam forward backward variable sebagai

berikut :

|XP

ii

N

iii

ii

1

(2.28)

Fungsi probabilitas yang lainnya ξt(I,j), dimana probabilitas tersebut merupakan


30

probabilitas pada state Si saat t dan akan menuju ke state Sj saat t+1, yang menghasilkan Φ

dan rangkaian observasi X sebagai berikut :

ξt(I,j) = P(st = Si, st+1 = Sj | X, Φ)

Berdasarkan definisi forward backward variable, persamaan di atas dapat

dituliskan sebagai berikut :

|, 22

XPjXbai

ji jij

Ni

N

j jij

jij

jXbat

jXbaiji

2 2 22

22,

(2.29)

Hubungan antara γτ(i) dan ξt(i,j) terlihat pada saat penjumlahan j, menghasilkan

N

jxi

1 (2.30)

Penjumlahan seluruh bagian dari γτ(i), kecuali t = T, menghasilkan angka berupa

kemungkinan state Si dikunjungi. Penjumlahan seluruh bagian dari ξt(i,j), menghasilkan

angka berupa kemungkinan transisi dari state Si ke Sj. Estimasi ulang dari parameter model

menghasilkan sebagai berikut :

πι = angka kemungkinan pada state Si saat (t = 1) = γτ(i)

i

jiij Sstatedaritransisinkemungkinaangka

SkeSstatedaritransisinkemungkinaangkad

____________

11

1

1,

T

T

iji

jid

11

1

1 22T

tt

Tttjijt

ijii

jXbad

(2.31)

jstatepadankemungkinaangka

Xasimengobservdanjstatepadankemungkinaangkakb kj ____

_______

1

1

1

Ttt

T

xx tt

jjj

jjkb k

(2.32)

Setelah mengestimasi ulang parameter model, model baru dari Φ tersebut akan

tersebut akan lebih menyerupai deretan observasi X dari pada Φ yang telah diperoleh. Hal

ini berarti P(X |Φˆ ) > P(X | Φ). Proses estimasi akan di ulang hingga diperoleh mean(rata-

rata) dan variance hasil yang konvergen.


31

Algoritma untuk membentuk re-estimasi parameter HMM dengan Baum-Welch re-

estimasi adalah sebagai berikut [1]:

1. Untuk setiap vektor parameter/matrik, alokasikan storage untuk pembilang dan

penyebut formula Baum-Welch sebagai acumulator.

2. Hitung kemungkinan foreward dan backward untuk semua state j pada waktu t.

3. Untuk setiap state j dan waktu t, gunakan probabiltas Lj(t) dan vektor observasi

saat ini ot untuk merubah acumulator pada state itu.

4. Gunakan nilai acumulator terakhir untuk menghitung nilai parameter yang baru.

5. Jika nilai P = P(O|M) iterasi saat ini kurang dari iterasi sebelumnya maka

berhenti jika tidak ulangi langkah diatas dengan menggunakan nilai parameter

yang baru.

Algoritma Baum Welch yang telah dipaparkan di atas merupakan implementasi

dari algoritma EM (Expectation Maximization). Di awali dengan inisialisasi perkiraan

parameter HMM Φ = (A, B, π), langkah Expectation dan Maximization dijalankan

bergantian. Langkah Expectation menghitung expected state occupancy count γ dan state

transition count ξ dari probabilitas A dan B sebelumnya yang menggunakan algortima

forward-backward. Pada langkah Maximization γ dan ξ digunakan untuk memperoleh

probabilitas A, B, dan π baru. A, B, dan π yang baru tersebut dapat diperoleh dengan

menggunakan persamaan 2.30, 2.31 dan 2.32.

2.3.9 Algoritma Viterbi Algoritma Viterbi adalah algoritma dynamic programming untuk menemukan

kemungkinan rangkaian status yang tersembunyi (biasa disebut Viterbi path) yang

dihasilkan pada rangkaian pengamatan kejadian, terutama dalam lingkup HMM.

Untuk menemukan sebuah rangkaian state terbaik, q = (q1 q2 … qґ), untuk

rangkaian observasi O = (o1 o2 … oґ), perlu didefinisikan kuantitas:

δt(i) = max P[q1 q2 … qt - 1, qt = i, o1 o2 … ot|λ]

q1, q2 … qt -1.

δt(i) adalah rangkaian terbaik, yaitu dengan kemungkinan terbesar, pada waktu t di

mana perhitungan untuk pengamatan t pertama dan berakhir pada state i. Dengan

menginduksi, didapat:

δt+1(j) = [max δt(i)ij].bj(o1+1) (2.33)


32

Untuk mendapatkan kembali rangkaian state, perlu adanya penyimpanan hasil yang

memaksimalkan persamaan 2.18. Prosedur lengkap untuk menemukan kumpulan state-

state terbaik bisa dirumuskan sebagai:

1. Inisialisasi

δ1(i) = Πibi(o1), 1 ≤ i ≥ N

Aґ(1) = 0

2. Rekursif

δt(i) = max[δt-1(i)aij]bj(ot)

Ar(j) = arg max[δt-1(i)aij] di mana: 1 ≤ i ≤ N.

2 ≤ t ≤ T.

1 ≤ j ≤ N.

3. Terminasi

P* = max[δT(i)]

qT* = arg max[δT(i)] di mana: 1 ≤ i ≤ N.

4. Lintasan status

qt* = Ar(t+1)(q*t+1) di mana: t = T-1, T-2, …, 1.

2.4. Catu daya

Perangkat elektronika dicatu oleh suplai arus searah DC (direct current) yang stabil

agar dapat bekerja dengan baik. Baterai atau accu adalah sumber catu daya DC yang paling

baik. Namun untuk aplikasi yang membutuhkan catu daya lebih besar, sumber dari baterai

tidak cukup. Sumber catu daya yang besar adalah sumber bolak-balik AC (alternating

current) dari pembangkit tenaga listrik. Untuk itu diperlukan suatu perangkat catu daya

yang dapat mengubah arus AC menjadi DC [10].

Ada dua macam catu daya, yaitu catu daya tegangan tetap dan catu daya

variabel. Catu daya tegangan tetap adalah catu daya yang memiliki tegangan keluaran

tetap dan tidak bisa diatur. Catu daya variabel merupakan catu daya yang tegangan

keluarannya dapat diubah/diatur. Catu daya yang baik selalu dilengkapi dengan regulator

tegangan. Tujuan pemasangan regulator tegangan pada catu daya adalah untuk

menstabilkan tegangan keluaran apabila terjadi perubahan tegangan masukan pada catu

daya [10].


33

2.5. Mikrokontroler ATmega8535

Mikrokontroler adalah sebuah sistem mikroprosesor dimana didalamnya sudah

terdapat CPU, ROM, RAM, I/O, Clock dan peralatan internal lainnya yang sudah saling

terhubung dan terorganisasi dengan baik oleh pabrik pembuatnya dan dikemas dalam satu

chip yang siap pakai [11].

Gambar 2.26 ATmega8535 [11]

2.5.1 Timer0

Timer0 adalah sebuah Timer yang dapat mencacah sumber pulsa/clock baik dari

dalam chip (timer) ataupun dari luar chip (counter) dengan kapasitas 8-bit atau 256

cacahan [11].

2.5.2 Register pengendali Timer0 Timer/Counter Control register –TCCR0

Bit 0,1,2 – CS00:CS01:CS02 bertugas untuk memilih (prescaler) atau

mendefinisikan pulsa/ clock yang akan masuk ke dalam Timer0.


34

Tabel 2.2 Prescaler Timer0

Bit 7 - C0: Force Output Compare

Bit ini hanya dapat digunakan untuk mode pembanding. Jika bit FOC0 di- set maka akan

memaksa terjadinya compare match (TCNT0==OCR0)

Bit 6, 3 – WGM 01:0: Waveform Generation Mode

Kedua bit ini digunakan untuk memilih mode yang akan digunakan.

Tabel 2.3 Mode operasi

Bit 5:4 — COM01:0: Compare Match Output Mode

Kedua bit ini berfungsi mendefinisikan pin OC0 sebagai output timer0 (atau sebagai

saluran output PWM).

Tabel 2.4 Mode Fast PWM

Timer/CounterRegister –TCNT0

Register ini bertugas menghitung pulsa yang masuk ke dalam timer/counter. Kapasitas

register ini 8-bit atau 255 hitungan, setelah mencapai hitungan maksimal maka akan

kembali ke nol (overflow) [11].


35

Output Compare register – OCR0

Register ini bertugas sebagai register pembanding yang dapat ditentukan besarnya

sesuai dengan kebutuhan. Pada saat TCNT0 mencacah maka oleh CPU akan dibandingkan

dengan isi OCR0 secara kontinyu dan jika isi TCNT0 sama dengan isi OCR0 maka akan

terjadi compare match yang dapat dimanfaat untuk mode CTC dan PWM [11].

Timer/Counter Interrupt Mask Register – TIMSK

Bit 0- TOIE0: T/Co Overflow Interrupt Enable

Dalam register TIMSK timer/counter0 memiliki bit TOIE0 sebagai bit peng-aktif interupsi

timer/counter0 (TOIE0=1 enable, TOIE0=0 disable).

Bit 1- OCIE0: Output Compare Match Interrupt Enable

TIMSK timer/counter0 memiliki bit OCIE0 sebagai bit peng-aktif interupsi compare

match timer/counter0 (OCIE0=1 enable, OCIE0=0 disable).

Timer/Counter Interrupt Flag Register – TIFR

Bit 1- OCF0: Output Compare Flag 0

Flag OCF0 akan set sebagai indikator terjadinya compare match, dan akan clear sendiri

bersmaan eksekusi vektor interupsi timer0 comapare match.

Bit 0- TOVo: Timer/Counter0 Overflow Flag

Bit status timer/counter0 dalam register TIFR, dimana bit TOV0 (Timer/CounterO

Overflow Flag) akan set secara otomatis ketika terjadi overflow pada register TCNT0

bersamaan dengan eksekusi vektor interupsi.

2.5.3 Mode operasi Pemilihan mode operasi Timer0 ditentukan oleh bit-WGM01 dan bitWGM00 pada register

TCCR0 [11].

Fast PWM (Pulse Width Modulation)

Dalam mode ini dapat dibuat generator gelombang PWM, di mana PWM adalah

bentuk gelombang digital/pulsa yang bisa diatur duty cycle-nya. Duty cycle adalah

perbandingan antara lama pada saat on dan lama periode satu gelombang pulsa. Semakin

besar duty cycle maka akan semakin cepat motor berputar (duty cycle 100% = kecepatan

max motor) [11].


36

Gambar 2.27 Pulsa PWM [11]

%100_ xttcycleduty

p

on (2.34)

Timer0 dalam mode Fast PWM digunakan untuk mengendalikan lama ton dan toff

melalui isi register pembanding OCR0 yang akan berakibat kepada besar duty cycle yang

dihasilkan. Untuk chanel (saluran) PWM timer/counter0 adalah pin OC0 (PB3) sebagai

keluaran saluran PWM. Dalam mode Fast PWM sifat cacahan register pencacah TCNT0

mencacah dan BOTTOM (0x00) terus mencacah naik (counting-up) hingga mencapai

MAX (0xFF) kemudian mulai dan BOTTOM lagi dan begitu seterusnya atau yang

dinamakan singgle slope (satu arah cacahan) [11].

Gambar 2.28 Pulsa Fast PWM [11]

Dalam mode non-inverting PWM, output pin OC0 (PB3) di-clear pada saat

compare match (TCNT0==OCR0) dan di-set pada saat BOTTOM (TCNT0==0x00).

Dalam mode inverting PWM, output pin OC0 (PB3) di-set pada saat compare match

(TCNT0==OCR0) dan di-clear pada saat BOTTOM (TCNT0==0x00) [11].

Frekuensi pin OC0 (PB3) untuk mode ini dihitung dengan persamaan berikut:

256./_

Nf

f OIclkocnPWM (2.35)


37

Di mana fclk_i/o adalah frekuensi clock chip yang digunakan.

N adalah prescaler sumber clock yang digunakan (1, 8, 64, 256, 1024).

2.6. Motor servo Motor servo adalah sebuah motor dengan sistem umpan balik tertutup di mana

posisi dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam

motor servo. Motor ini terdiri dari sebuah motor DC, serangkaian gear, potensiometer dan

rangkaian kontrol. Potensiometer berfungsi untuk menentukan batas sudut dari putaran

servo. Sedangkan sudut dari sumbu motor servo diatur berdasarkan lebar pulsa yang

dikirim melalui kaki sinyal dari kabel motor [10].

Karena motor DC servo merupakan alat untuk mengubah energi listrik menjadi

energi mekanik, maka magnit permanen motor DC servolah yang mengubah energi listrik

ke dalam energi mekanik melalui interaksi dari dua medan magnit. Salah satu medan

dihasilkan oleh magnit permanen dan yang satunya dihasilkan oleh arus yang mengalir

dalam kumparan motor. Resultan dari dua medan magnit tersebut menghasilkan torsi yang

membangkitkan putaran motor tersebut. Saat motor berputar, arus pada kumparan motor

menghasilkan torsi yang nilainya konstan.

Secara umum terdapat 2 jenis motor servo. Yaitu motor servo standard dan motor

servo continous. Servo motor tipe standar hanya mampu berputar 180 derajat [10]. Motor

servo standard sering dipakai pada sistim robotika misalnya untuk membuat “ Robot Arm”

( Robot Lengan ), sedangkan servo motor continuous dapat berputar sebesar 360 derajat.

Motor servo continous sering dipakai untuk “Mobile Robot”.

2.7. Komunikasi Serial RS232 RS-232 (Recomended Standart 232) adalah sebuah Standard yang ditetapkan oleh

Electronic Industry Association dan Telecomunication Industry Association pada tahun

1962 [12]. Karakteristik sinyal yang diatur pada RS232 meliputi level tegangan sinyal,

kecuraman perubahan tegangan (slew rate) dari level tegangan ‘0’ menjadi ‘1’ dan

sebaliknya. Beberapa parameter yang ditetapkan EIA (Electronics Industry Association)

antara lain :

a. Level tegangan antara +3 sampai +15 Volt pada input line receiver sebagai level

tegangan ‘0’, dan tegangan antara –3 sampai –15 Volt sebagai level tegangan ‘1’.


38

b. Level tegangan output line driver antara +5 sampai +15 Volt untuk menyatakan

level tegangan ‘0’, dan antara –5 sampai –15 Volt menyatakan level tegangan ‘1’.

c. Beda level tegangan sebesar 2 Volt disebut sebagai sebagai noise margin dari

komunikasi RS232.

RS232 pada komputer menggunakan konektor dengan 9 pin (DB9), seperti yang

ditunjukkan pada Gambar 2.29. Untuk konfigurasi pin dan nama bagian dari konektor

serial DB9 ditunjukkan pada Tabel 2.5.

Gambar 2.29 Konfigurasi Konektor DB9 [12]

Tabel 2.5 Konfigurasi Pin dan Nama Bagian Konektor Serial DB9 [12]

No

pin

Nama

pin Deskripsi Fungsi

1 DCD Data Carrier

Detect

Saluran sinyal ini akan diaktifkan ketika DTE

mendeteksi suatu carrier dari DCE.

2 RXD Received Data Sebagai penerimaan data serial.

3 TXD Transmit Data Sebagai pengiriman data serial.

4 DTR Data Terminal

Ready

Dengan saluran ini, DTE memberitahukan kesiapan

terminal.

5 GND Ground Saluran ground.

6 DSR Data Set Ready Dengan saluran ini, DTE memberitahukan bahwa siap

melakukan komunikasi.

7 RST Request To Send Dengan saluran ini , DCE diminta mengirim data oleh

DTE.

8 CTS Clear To Send Dengan saluran ini, DCE memberitahukan bahwa DTE

boleh mulai mengirim data.

9 RI Ring Indicator Dengan saluran ini, DCE memberitahukan ke DCE

bahwa sebuah stasiun menghendaki suatu hubungan.


39

Pada umumnya komunikasi serial menggunkan komponen IC MAX232. IC

MAX232 berfungsi sebagai buffer pada mode transmisi asynchronous antara komputer

dengan IC keluarga TTL. Konfigurasi IC MAX232 ditunjukkan pada Gambar 2.30. IC

MAX232 mempunyai dua receiver yang berfungsi sebagai pengubah level tegangan dari

level RS232 ke level TTL dan dua drivers yang berfungsi mengubah level tegangan dari

level TTL ke level RS232. Perbedaan Level tegangan RS232 dengan level tegangan TTL

ditunjukkan pada Gambar 2.31.

Gambar 2.30 Konfigurasi IC MAX232 [13]

Gambar 2.31 Perbedaan Level Tegangan TTL dan RS232 [14]


40

Untuk mengurangi kemungkinan terjadinya gangguan cross talk antara kabel

saluran sinyal RS232, kecuraman perubahan tegangan sinyal dibatasi tidak boleh lebih dari

30 Volt/mikro-detik. semakin besar kecuraman sinyal, semakin besar pula kemungkinan

terjadi cross talk. Di samping itu ditentukan pula kecepatan transmisi data seri tidak boleh

lebih besar dari 20 KiloBit/Detik. Impedansi saluran dibatasi antara 3 Kilo-Ohm sampai 7

Kilo- Ohm, dalam standard RS232 yang pertama ditentukan pula panjang kabel tidak boleh

lebih dari 15 Meter (50 feet), tapi ketentuan ini sudah direvisi pada standar RS232 versi

‘D’. Dalam ketentuan baru tidak lagi ditentukan panjang kabel maksimum, tapi ditentukan

nilai kapasitan dari kabel tidak boleh lebih besar dari 2500 pF, sehingga dengan

menggunakan kabel kualitas baik bisa dicapai jarak yang lebih dari 50 feet.


41

BAB III

RANCANGAN PENELITIAN 3.1. Arsitektur Sistem

Sistem yang akan dibuat terdiri atas dua subsistem, yaitu subsistem hardware dan

subsistem software. Subsistem hardware terdiri dari motor penggerak plant,

mikrokontroler sebagai pengendali pergerakan motor dan plant berupa pintu geser

otomatis. Plant pintu yang akan dibangun berukuran 8cm x 18 cm, yang terbuat dari bahan

akrilik dengan ketebalan 3mm. Sedangkan subsistem software terdapa

APLIKASI HIDDEN MARKOV MODEL PADA PINTU ...suara atau ucapan adalah Jaringan Saraf Tiruan (JST) dan...

Documents

Transcript of APLIKASI HIDDEN MARKOV MODEL PADA PINTU ...suara atau ucapan adalah Jaringan Saraf Tiruan (JST) dan...

Hidden structure_Struktur yang tersembunyi

PEDOMAN UMUM - Agroindustrial Technologytip.trunojoyo.ac.id/.../Pedoman-Umum-HIDDEN-2017-fix-1.docx · Web viewPEDOMAN UMUM HIDDEN 2017 NAMA LOMBA HIDDEN ( Himatipa Design and Short

Rantai Markov Top oj mind Pangsa pasar, Rantai Markov ... · "Rantai Markov didapat pemimpin pasar deterjen pencuci pakaian untuk masa mendatang dipegang oleh Attack, dengan menguasai

PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL … Halaman... · digunakan sesama manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi juga terjadi antara manusia

Penerapan Model Markov Tersembunyi untuk Mengetahui ...

00-hidden mission

"Kontribusi Perempuan pada Hidden Curriculum Dalam ...

BAB III HIDDEN MARKOV MODELS - a-research.upi.edua-research.upi.edu/operator/upload/s_mat_0706660_chapter3.pdf · Rantai Markov bermanfaat untuk menghitung probabilitas urutan keadaan

HIDDEN GEMS WEDDING CAKE TUGAS AKHIR

Markov Chain (rantai markov) - Gunadarmaainul.staff.gunadarma.ac.id/Downloads/files/90836/Rantai+Markov+.pdf0,1 Probabilitas pelanggan KFC pindah ke Mc Donald adalah 200/2000 = 0,1

PREDIKSI SERANGAN PADA JARINGAN KOMPUTER SECARA … · i TUGAS AKHIR – KI141502 PREDIKSI SERANGAN PADA JARINGAN KOMPUTER SURABAYA SECARA REAL-TIME MENGGUNAKAN METODE HIDDEN MARKOV

APLIKASI METODE HIDDEN MARKOV MODEL UNTUK …repository.its.ac.id/46320/1/1213100008-undergraduate_theses.pdf · dimiliki, seperti sidik jari, iris mata, telapak tangan, suara ucapan

SEMINAR NASIONALrepository.lppm.unila.ac.id/6555/1/PEMODELAN MARKOV SWITCHING... · Penyelesaian Persamaan Diferensial Euler Orde-8 ... PEMODELAN MARKOV SWITCHING AUTOREGRESSIVE ...

QDM Rantai Markov

PENGEMBANGAN HIDDEN MARKOV MODEL UNTUK FONEM …

-Sekretaris,rr:• - cs.ipb.ac.id · a.n Ketua Departernen IImu Komputer-Sekretaris,rr: ... Judul Makalah :Penggunaan Hidden Markov Model (HMM) untuk Mengidentifikasi RNA Family 2.

BAB II LANDASAN TEORI A. Hidden Curriculum

PENGEMBANGAN MODEL INTEGRASI DELPHIAHP MARKOV …

PROPOSAL TUGAS AKHIR ANALISIS MODEL MARKOV … · 1. Membentuk model Markov waktu diskrit untuk penyebaran penyakit menular. 2. Membentuk probabilitas transisi model Markov untuk

P-2 Rantai Markov