7

BAB 2

LANDASAN TEORI

2.1 Suara

2.1.1 Sinyal

Menurut Proakis dan Manolakis (1992, p2), sinyal didefinisikan sebagai

jumlah fisik (physical quantity) yang bervariasi terhadap waktu, ruang, atau

variabel independen lainnya. Sebuah sinyal x(t) adalah sebuah nilai real atau

nilai skalar, fungsi dari waktu (t) (Kamen, 1997, p7). Definisi lain menurut Mitra

(1998, p1) adalah sebuah fungsi dari variabel independen seperti waktu, jarak,

posisi, suhu, dan tekanan. Sebagai contoh, sinyal suara dan musik

merepresentasikan tekanan udara sebagai fungsi terhadap waktu pada satu titik

dalam ruang koordinat dan gambar hitam putih yang merepresentasikan tingkat

intensitas cahaya sebagai fungsi terhadap dua titik dalam ruang koordinat.

Sebuah sinyal membawa informasi dan tujuan dari pemprosesan sinyal

adalah untuk mendapatkan atau mengekstrak informasi yang dibawa oleh sinyal.

Metode esktraksi informasi ini bergantung pada jenis sinyal dan sifat alami dari

informasi yang dibawa oleh sinyal tersebut. Oleh sebab itu, pemprosesan sinyal

terkait dengan representasi matematis dari sinyal tersebut dan operasi algoritmik

untuk mendapatkan informasi yang dilakukan terhadap sinyal tersebut.

Menurut Mitra (1998, pp2-4), sebuah sinyal dapat dihasilkan oleh satu

sumber atau banyak sumber. Sinyal satu dimensi (1-D) adalah fungsi dari satu

variabel independen. Sinyal dua dimensi (2-D) adalah fungsi dari dua variabel

8

independen. Sinyal multidimensi (M-D) adalah fungsi dari dua atau lebih

variabel independen. Sinyal suara adalah sinyal satu dimensi di mana variabel

independennya adalah waktu.

Nilai dari sinyal pada nilai variabel independen tertentu disebut dengan

amplitudo. Variasi dari amplitudo sebagai fungsi dari variabel independen

disebut sebagai waveform.

Pada umumnya variabel independen untuk sinyal satu dimensi adalah

waktu. Jika variabel independennya kontinu, maka sinyal tersebut disebut

sebagai sinyal waktu kontinu (continuous-time signal). Jika variabel

independennya diskrit, maka sinyal tersebut disebut sebagai sinyal waktu diskrit

(discrete-time signal). Sinyal waktu kontinu didefinisikan setiap waktu t dalam

sebuah interval yang biasanya tidak terbatas, sedangkan sinyal waktu diskrit

didefinisikan pada waktu diskrit, dan biasanya berupa urutan angka.

Gambar 2.1 (a) Sinyal Waktu Kontinu dan (b) Sinyal Waktu Diskrit

Sinyal waktu kontinu dengan amplitudo kontinu biasanya disebut sebagai

sinyal analog. Contoh sinyal analog adalah sinyal suara. Sinyal waktu diskrit

dengan amplitudo bernilai diskrit yang direpresentasikan oleh digit angka yang

terbatas (finite), biasanya disebut sebagai sinyal digital.

9

Berdasarkan jenis frekuensinya, sinyal terbagi menjadi sinyal stationary

dan sinyal non-stationary. Frekuensi dalam sinyal stationary tidak berubah dan

selalu berulang dalam waktu, sedangkan frekuensi dalam sinyal non-stationary

berubah-ubah dalam waktu.

Gambar 2.2 (a) Sinyal Stationary dan (b) Non-stationary.

2.1.2 Sinyal Suara

Menurut Rabiner dan Juang (1993, p17), sinyal suara adalah sebuah

sinyal yang bervariasi terhadap waktu yang jika diperiksa dalam periode waktu

yang singkat (antara 5 sampai 100 milidetik), karakteristiknya tergolong

stationary. Frekuensi dapat yang didengar oleh indra pendengaran manusia

adalah antara 20 - 20000 Hz (Dede, 1998, p1).

Suara adalah sinyal yang bergantung pada waktu (time-dependent). Oleh

sebab itu, pengucapan kata yang sama dapat memiliki durasi yang berbeda.

10

Pengucapan kata yang sama dengan durasi yang sama juga dapat memiliki

perbedaan di bagian tengah, dikarenakan adanya perbedaan bagian dari kata yang

diucapkan dengan kecepatan yang berbeda.

(a)

(b)

Gambar 2.3 (a) Sistem Vokal Manusia

(b) Diagram Blok Untuk Sistem Vokal Manusia

Sinyal suara dibentuk dengan cara menstimulasi rongga suara. Sinyal

suara terdiri dari dua buah tipe bunyi : bersuara (voiced) dan tidak bersuara

(unvoiced) (Mitra, 1998, p19). Bunyi voiced, termasuk di dalamnya bunyi vokal

11

dan beberapa konsonsan seperti B, D, L, M, N, dan R, distimulasi oleh aliran

udara pulsatile yang berasal dari getaran vocal folds. Bunyi unvoiced dihasilkan

downstream di bagian depan dari mulut, dengan pita suara dalam kondisi

istirahat, termasuk di dalamnya bunyi seperti F, S, dan SH. Menurut Rabiner dan

Juang (1993, p18), terdapat tiga kondisi representasi suara yang dihasilkan yaitu

silence (tidak ada suara yang dihasilkan), unvoiced (pita suara tidak bergetar dan

waveform suara hasil aperiodik atau random), dan voiced (pita suara menegang

dan bergetar secara periodik dan hasil waveform suara quasi-periodik).

Bentuk gelombang bunyi voiced berupa quasi-periodik dan dapat dibuat

modelnya berdasarkan total jumlah dari nilai pasti sinusoid. Frekuensi terendah

dari fluktuasi dalam representasi ini disebut sebagai frekuensi fundamental atau

pitch frequency. Bentuk gelombang bunyi unvoiced tidak mempunyai struktur

umum yang baik dan lebih menyerupai noise.

Ketika suara yang berupa sinyal analog hendak direkam dengan

mikrofon, sinyal tersebut harus diubah menjadi sinyal digital terlebih dahulu

karena komputer hanya mengenali sinyal dalam bentuk digital. Alat yang

digunakan untuk mengubah sinyal analog menjadi digital disebut analog-to-

digital converter (ADC). Kebalikan dari ADC adalah digital-to-analog converter

(DAC) yang berfungsi untuk mereproduksi suara dari komputer dengan

mengubah sinyal digital menjadi analog yang dikeluarkan melalui speaker

komputer. ADC dan DAC pada komputer terletak pada sound card. Dalam

komputer yang memiliki sound card yang terpasang secara on-board pada

motherboard, ADC dan DAC terletak pada chip yang terpisah yang disebut

codec (coder/decoder) (Mitra ,1998, p283).

12

2.1.3 Bit Rate

Bit rate menyatakan jumlah bit yang digunakan setiap unit waktu dalam

file suara. Sebuah suara digital terdiri dari word yang berisi 0 atau 1. Pada word 2

bit, terdapat 4 kemungkinan nilai, yaitu 00, 01, 10, dan 11. Pada word 3 bit,

terdapat 8 kemungkinan nilai, yaitu 000, 111, 001, 010, 011, 100, 101, dan 110.

Pada word n bit, terdapat 2n kemungkinan nilai. Jika word 8 bit digunakan untuk

menyatakan volume, maka terdapat 256 kemungkinan nilai volume, berkisar dari

0 sampai dengan 255. Semakin tinggi bit rate, semakin akurat resolusi dari

volume file suara tersebut.

2.1.4 Sampling Rate

Sampling rate (biasa disebut juga sampling frequency) menyatakan

jumlah sample per detik yang diambil dari sinyal kontinu untuk membuat sinyal

diskrit. Untuk sinyal time-domain, sampling rate dapat diukur dalam hertz (Hz).

Kebalikan dari sampling rate adalah sampling period yang menyatakan selang

waktu di antara setiap sample (Schiel dan Draxler, 2004).

Gambar 2.4 Gelombang Suara yang Di-sampling

13

Jika waktu pada gambar 2.4 adalah satu detik, berarti terdapat enam buah

sample dari suara tersebut dalam setiap detiknya atau dengan kata lain memiliki

sampling rate sebesar enam (sample terakhir tidak diikutsertakan karena

merupakan sample pertama untuk detik berikutnya). Semakin tinggi sampling

rate, semakin akurat resolusi file suara tersebut. Sebagai contoh, suara 16 bit dan

44,1 Khz bermakna suara tersebut di-sampling 44.100 kali per detik dan diukur

dengan akurasi 16 bit.

Sinyal suara yang hanya berisi suara manusia (speech signal) dapat di-

sampling pada nilai yang jauh lebih rendah. Menurut Allen (1994, pp567-577),

dalam kebanyakan kasus, hampir semua energi dalam suara tersimpan dalam

rentang 0-4000 Hz sehingga sampling cukup dilakukan pada 8000 Hz. Hal ini

didasarkan pada teori Nyquist-Shannon yang menyebutkan bahwa untuk

mencegah hilangnya informasi dalam sebuah konversi sinyal kontinu ke diskrit,

sampling minimal harus dua kali lebih besar dari sinyal asli (Shannon, 1949).

Tabel 2.1 Tabel Rentang Sampling Rate dan Penggunaannya

Sampling rate (dalam Hz) Penggunaan

8000 Telepon, speech signal 11025 dan 22050 Audio PCM dan MPEG kualitas rendah 32000 Perekam miniDV digital video 44056 Adaptor PCM yang menggunakan video tape NTSC 44100 CD audio, VCD, SVCD, MP3

47250 Perekam suara PCM komersial pertama di dunia oleh Denon

48000 Suara digital pada miniDV, TV digital, DVD

50000 Perekam digital audio komersial pertama oleh 3M dan Soundstream

50400 Perekam digital audio pada Mitsubishi X-80 96000 dan 192000 DVD Audio, audio pada Blu-ray dan HD-DVD

14

2.1.5 Format File

2.1.5.1 Resource Interchange File Format

Menurut Murray dan vanRyper (1996), Resource Interchange File

Format (RIFF) adalah format file generik untuk menyimpan data dalam chunk

yang berlabel (tagged chuncks). RIFF diciptakan pada tahun 1991 oleh Microsoft

dan IBM. RIFF kemudian dijadikan format standar untuk file multimedia pada

sistem operasi Windows 3.1. RIFF dibuat berdasarkan Interchange File Format

(IFF) milik Electronic Arts. Perbedaan antara keduanya adalah :

• Tipe data integer pada RIFF menggunakan little-endian di mana byte terkecil

(least significant byte) disimpan pada alamat memori terkecil, sedangkan tipe

data integer pada IFF menggunakan big-endian di mana byte terbesar (most

significant byte) disimpan pada alamat memori terkecil.

• RIFF digunakan pada prosesor seri 80x86 untuk PC IBM, sedangkan IFF

digunakan pada prosesor seri 68k untuk Amiga dan Apple Macintosh.

• Contoh format file yang menggunakan RIFF : AVI, ANI, dan WAV. Contoh

format file yang menggunakan IFF : AIFF, PICS, dan ACBM.

Sebuah file RIFF terdiri dari kumpulan chunk. Chunk adalah unit logikal

dari data multimedia. Setiap chunk memiliki field sebagai berikut :

• 4 karakter yang menjadi pengenal chunk

• Nilai doubleword yang menyatakan besarnya data dalam chunk

• Field data

15

Gambar 2.5 Sebuah Chunk RIFF yang Memiliki Dua Subchunk

Sebuah chunk yang terdapat dalam chunk lainnya disebut subchunk.

Chunk pertama dalam sebuah file RIFF haruslah memiliki pengenal “RIFF”.

Chunk lainnya merupakan subchunk dari chunk “RIFF”. Chunk “RIFF” dapat

mengandung field lain dalam field data, biasanya menyatakan format data yang

disimpan dalam file.

2.1.5.2 Waveform Audio Format

Waveform Audio Format (WAV atau WAVE) adalah format file standar

dari Microsoft dan IBM untuk menyimpan audio dalam sebuah computer. WAV

merupakan bagian dari RIFF sebagai media penyimpan file multimedia.

Sebuah file WAV dapat menyimpan audio dengan kompresi, namun pada

umumnya format WAV berisi audio tanpa kompresi dalam format PCM (pulse-

code modulation).

16

Gambar 2.6 Format File WAV Standar (Kanonikal)

Menurut Wilson (2003), sebuah file WAV yang standar, disebut juga

dengan bentuk kanonikal, merupakan file RIFF tunggal dengan chunk ”WAV”

yang terdiri dari dua buah subchunk :

• Subchunk “fmt” yang menjelaskan format data

• Subchunk ”data” yang berisi data sample yang sebenarnya

Tabel 2.2 Tabel Deskripsi Bagian Format File WAV Menurut Gambar 2.6

Offset Ukuran (dalam byte)

Nama Deskripsi

chunk “WAVE” 0 4 ChunkID Berisi huruf “RIFF” 4 4 ChunkSize Berisi ukuran total file dalam byte setelah

dikurangi 8 byte untuk menyimpan field ChunkID dan ChunkSize. Rumusnya adalah 4 + (8 + SubChunk1Size) + (8 + SubChunk2Size)

17

8 4 Format Berisi huruf “WAVE” subchunk “fmt”

12 4 Subchunk1ID Berisi huruf “fmt” 16 4 Subchunk1Size Berisi ukuran dari total subchunk “fmt”

setelah dikurangi 8 byte untuk menyimpan field Subchunk1ID dan Subchunk1Size

20 2 AudioFormat Berisi 1 apabila merupakan file audio tanpa kompresi (PCM). Angka lain menandakan adanya kompresi.

22 2 NumChannels Berisi jumlah channel, 1 untuk mono, 2 untuk stereo.

24 4 SampleRate Berisi jumlah frame sample per detik di mana file suara akan diputar.

28 4 ByteRate Berisi jumlah rata-rata byte per detik. Rumusnya adalah SampleRate * BlockAlign

32 2 BlockAlign Berisi jumlah byte untuk satu sample untuk semua channel. Rumusnya adalah NumChannels * BitsPerSample/8

34 2 BitsPerSample Berisi jumlah bit per sample subchunk ”data”

36 4 Subchunk2ID Berisi huruf ”data” 40 4 Subchunk2Size Berisi jumlah byte dalam data.

44 * Data Berisi data suara yang sebenarnya Gambar 2.7 memberikan contoh isi dan penjelasan nilai-nilai dalam

sebuah file WAV.

(a)

18

(b)

Gambar 2.7 (a) 72 Byte Pertama dari Sebuah File WAV Dalam Format

Heksadesimal dan (b) Penjelasannya

2.1.6 Silence-Frame

Silence-frame merupakan sample pada suara yang tidak memiliki bunyi,

biasanya merupakan jeda antar kata yang diucapkan ataupun kekosongan pada

awal dan akhir dari sebuah pengucapan (Olsson, 2002, p27). Dalam sebuah file

suara dengan bit rate sebesar n bit, nilai sample yang dihasilkan berkisar dari 0

sampai dengan 2n-1 dengan nilai tengah terletak pada ½ * 2n. Nilai tengah inilah

yang disebut silence-frame.

2.1.7 Penguatan Suara

Menurut Mitra (1998, p4), penguatan suara atau amplifikasi suara adalah

proses pengolahan suara meningkatkan nilai amplitudo dengan faktor pengali

tertentu sehingga amplitudo yang dihasilkan menjadi sejumlah kali lipat nilai

semula. Penguatan suara dilakukan dengan persamaan :

19

2

22

2 nn

xx CON +×⎟⎟⎠

⎞⎜⎜⎝

⎛−= .................................................................(2.1)

Di mana :

• Nx adalah nilai sample pada file suara output.

• Ox adalah nilai sample pada file suara asli.

• n adalah nilai bit rate dari file suara.

• C adalah koefisien faktor pengali.

2.1.8 Normalisasi Audio

Normalisasi audio adalah proses pengolahan suara menaikkan atau

menurunkan amplitudo atau volume dari sebuah file suara agar semua nilai

sample di dalamnya berada pada rentang tertentu. Normalisasi audio dilakukan

dengan persamaan :

( ) minminminmax

minmax NOOOONN

N xx +−×−−

= ..............................................(2.2)

Di mana :

• Nx adalah nilai sample pada file suara output.

• Ox adalah nilai sample pada file suara asli.

• Omin adalah nilai sample terendah pada file suara asli.

• Omax adalah nilai sample tertinggi pada file suara asli.

2.1.9 Konvolusi

Konvolusi adalah sebuah operasi matematika sederhana yang umum

digunakan pada pemprosesan sinyal suara. Konvolusi menyediakan sebuah cara

20

untuk mengalikan dua buah array angka (biasanya berdimensi sama tapi dengan

ukuran berbeda) untuk menghasilkan array ketiga dengan dimensi yang serupa.

Teknik ini dapat digunakan dalam pemprosesan sinyal suara untuk

mengimplementasikan operator-operator di mana nilai sample output-nya adalah

kombinasi linear sederhana dari sample input.

Dalam konteks pemprosesan sinyal suara, array input biasanya adalah

nilai sample dari file suara asli, sedangkan array kedua yang biasanya berukuran

lebih kecil dan harus berdimensi sama (satu dimensi) disebut sebagai kernel

(mask).

Konvolusi dilakukan dengan menggeser kernel di atas file suara

(masking) hingga kernel tersebut melewati segala posisi sedemikian sehingga

kernel muat semuanya di dalam batasan file. Setiap posisi kernel

berkorespondensi dengan sebuah nilai sample keluaran yang didapat dari

akumulasi perkalian antara nilai kernel dengan nilai sample yang dilewatinya.

Secara matematis, operasi konvolusi dari file audio y(k) dan kernel x(i) dapat

dituliskan dalam persamaan :

∑ −=

=

iikyix

kyxkz)()(

))(*()( ........................................................................(2.3)

Di mana z(k) adalah sample output hasil proses konvolusi (Gonzales, 1993,

p100).

21

Gambar 2.8 Contoh Konvolusi di mana z(i) = x(i)*y(i)

2.2 Pengenalan Pola

Gambar 2.9 Diagram Proses dari Sebuah Sistem Pengenalan Pola

Pengenalan pola (pattern recognition) dapat diartikan sebagai proses

pengumpulan data atau pola dan pengambilan tindakan atau keputusan

berdasarkan kategori dari data atau pola tersebut (Theodoridis dan Koutroumbas,

2006). Tujuan dari pengenalan pola adalah mengklasifikasikan pola berdasarkan

22

knowledge yang sudah dianggap benar atau informasi statistik yang didapat dari

pola-pola tersebut.

Sebuah sistem pengenalan pola terdiri dari sensor yang mengumpulkan

pola yang akan diproses dan mengukur variabel dari setiap pola, pre-processing

yang menghilangkan noise dalam data, mekanisme ekstraksi fitur untuk

mendapatkan informasi numerik atau simbolik dari pola-pola tersebut, model

pembelajaran yang mempelajari pemetaan antara fitur dan kelompok pola,

metode klasifikasi yang memisah-misahkan pola-pola tersebut ke dalam kategori

berdasarkan fitur dan model pembelajaran, dan post-processing yang

mengevaluasi benar tidaknya hasil yang didapat.

Metode klasifikasi yang digunakan pada sistem pengenalan pola memiliki

dua jenis pendekatan : statistik dan struktural (atau sintaktik). Pengenalan pola

statistik berdasar pada karakteristik statistikal dari pola-pola yang ada dengan

asumsi bahwa pola-pola tersebut dihasilkan oleh sebuah sistem probabilistik.

Pengenalan pola struktural berdasar pada hubungan struktural dari fitur dari

setiap pola.

Tabel 2.3 Tabel Contoh Aplikasi Sistem Pengenalan Pola

Domain masalah Aplikasi Pola input Kelas pola Analisa citra dokumen

Pengenalan karakter optikal

Citra dokumen Karakter, kata

Klasifikasi dokumen Pencarian internet Dokumen teks Kategori semantik

Klasifikasi dokumen Spam filter pada surat elektronik

Surat elektronik Spam/bukan spam

Pembuatan sistem basis data multimedia

Pencarian internet Klip video Jenis/genre video

Speech recognition Telephone directory assistance

Gelombang suara Kata yang diucapkan

23

Pemprosesan bahasa natural

Ekstraksi informasi

Kalimat Bagian dari kata

Pengenalan biometrik

Identitas personal Wajah, retina, sidik jari

Pengguna yang berwenang

Medis Diagnosa Citra mikroskop Sel kanker/bukan kanker

Militer Pengenalan target otomatis

Gambar infra merah

Jenis target

Otomatisasi industri Pemilahan buah Citra yang diambil pada conveyor belt

Tingkat kualitas

Seperti yang disebutkan dalam tabel 2.3, salah satu domain masalah

dalam pengenalan pola adalah biometrik. Biometrik adalah bidang ilmu yang

mempelajari metode untuk mengenali manusia secara unik berdasarkan satu atau

lebih bagian fisik atau perilaku dalam dirinya. Jain et al (2002, p16) membuat

tabel perbandingan teknologi biometrik seperti pada tabel 2.4. Nilai tinggi

menunjukkan hasil yang baik dan sebaliknya.

Tabel 2.4 Tabel Perbandingan Teknologi Biometrik

Biometrik Universality Uniqueness Permanence Collectability Performance Acceptability Circumvention

Wajah Tinggi Rendah Sedang Tinggi Rendah Tinggi Rendah Sidik jari Sedang Tinggi Tinggi Sedang Tinggi Sedang Tinggi Bentuk tangan Sedang Sedang Sedang tinggi Sedang Sedang Sedang Urat nadi Sedang Sedang Sedang Sedang Sedang Sedang Tinggi Iris Tinggi Tinggi Tinggi Sedang Tinggi Rendah Tinggi Pemindai retina Tinggi Tinggi Sedang Rendah Tinggi Rendah Tinggi Tanda tangan Rendah Rendah Rendah Tinggi Rendah Tinggi Rendah Suara Sedang Rendah Rendah Sedang Rendah Tinggi Rendah Suhu tubuh (termogram) Tinggi Tinggi Rendah Tinggi Sedang Tinggi Tinggi

Bau badan Tinggi Tinggi Tinggi Rendah Rendah Sedang Rendah DNA Tinggi Tinggi Tinggi Rendah Tinggi Rendah Rendah Telinga Sedang Sedang Tinggi Sedang Sedang Tinggi Sedang

Penjelasan istilah yang digunakan dalam tabel 2.4 :

• Universality menyatakan seberapa umum biometrik dapat ditemukan dalam

setiap orang.

24

• Uniqueness menyatakan seberapa baik biometrik membedakan seseorang

dari yang lainnya.

• Permanence mengukur seberapa besar ketahanan biometrik terhadap umur.

• Collectability menyatakan seberapa mudah mendapatkan biometrik untuk

pengukuran.

• Performance menyatakan tingkat akurasi dan kecepatan sistem dalam

mendapatkan data biometrik.

• Acceptability menyatakan tingkat penerimaan teknologi oleh masyarakat

dalam kehidupan sehari-hari.

• Circumvention menyatakan seberapa mudah sistem dapat dikelabui.

2.3 Speaker Recognition

Speaker recognition atau yang juga dikenal dengan voice recognition

adalah sistem yang dapat mengenali seseorang dari suaranya (Sigmund, 2003,

pp7-18). Sistem ini mengekstrak fitur dari suara, memodelkannya, dan

menggunakan model tersebut untuk membedakan seseorang berdasarkan

suaranya. Speaker recognition sering disamakan dengan speech recognition,

padahal keduanya memiliki definisi yang berbeda. Speaker recognition

mengenali siapa yang berbicara sementara speech recognition mengenali apa

yang diucapkan.

Speaker recognition terdiri dari dua tahap : pelatihan dan pengenalan

(evaluasi). Pada tahap pelatihan, suara pembicara akan direkam dan fitur di

dalamnya akan diekstrak untuk mendapatkan voice print, template, atau model

25

suara. Pada tahap evaluasi, suara pembicara dicocokkan dengan template atau

model.

Menurut Reynolds dan Heck (2000), terdapat beberapa faktor yang harus

diperhatikan dalam evaluasi sistem speaker recognition :

• Kualitas suara (jumlah channel dan karakteristik mikrofon, tingkat noise,

variasi suara pada tahap pelatihan dan evaluasi)

• Metode input (text-dependent atau text-independent)

• Lama suara (durasi dan jumlah sesi suara pada tahap pelatihan dan evaluasi)

• Jumlah subjek dalam tahap pelatihan

Gambar 2.10 Rentang Performansi Beragam Sistem Speaker Recognition

Riset mengenai speaker recognition telah dilakukan di berbagai

laboratorium di berbagai negara. Secara kronologis, perkembangan speaker

recognition dapat diurutkan seperti tabel 2.5.

26

Tabel 2.5 Tabel Perkembangan Penelitian Speaker Recognition Secara Kronologis

Sumber referensi Org Metode ekstraksi fitur Teknik klasifikasi Teks Pop Tingkat

kesalahan Atal 1974 AT&T Cepstrum Pattern match Dependent 10 i: 2%@0,5s

v: 2%@1s Markel dan Davis 1979

STI LP Long term statistics Independent 17 i: 2%@39s

Furui 1981 AT&T Cepstrum ternormalisasi

Pattern match Dependent 10 v: 0,2%@3s

Schwartz, et al. 1982 BBN LAR Nonparametric pdf Independent 21 i: 2,5%@2s Li dan Wrench 1983 ITT LP, Cepstrum Pattern match Independent 11 i: 21%@3s

i: 4%@10s Doddington 1985 TI Filter-bank DTW Dependent 200 v: 0,8%@6s Soong, et al. 1985 AT&T LP VQ likelihood ratio

distortion 10 digit 100 i: 5%@1,5s

i: 1,5%3,5s Higgins dan Wohlford 1986

ITT Cepstrum DTW likelihood scoring

Independent 11 v: 10%@2,5s v: 4,5%@10s

Attili, et al. 1988 RPI Cepstrum, LP, Autocorr

Projected long term statistics

Dependent 90 v: 1%@3s

Higgins, et al. 1991 ITT LAR, LP-Cepstrum

DTW likelihood scoring

Dependent 186 v: 1,7%@10s

Tishby 1991 AT&T LP HMM (AR mix) 10 digit 100 v: 2,8%@1,5s v: 0,8%@3,5s

Reynolds 1995 MIT-LL

Mel-Cepstrum HMM (GMM) Dependent 138 i: 0,8%@10s v:0,12%@10s

Che dan Lin 1995 Rutgers Cepstrum HMM Dependent 138 i:0,56%@2,5s i: 0,14%@10s v: 0,62@2,5s

Colombi, et al. 1996 AFIT Cepstrum, Eng dCepstrum, ddCepstrum

HMM monofon Dependent 138 i: 0,22%@10s v:0,28%@10s

Reynolds 1996 MIT-LL

Mel-Cepstrum, Mel-dCepstrum

HMM (GMM) Independent 416 v: 11%@3s v: 6%@10s v: 3%@30s

Penjelasan istilah yang digunakan pada tabel 2.5 :

• Org (organisasi) mengacu pada badan, perusahaan, atau universitas yang

mengadakan penelitian.

• Teks mengacu pada metode speaker recognition.

• Pop (populasi) mengacu pada jumlah subjek yang digunakan pada penelitian.

• Tingkat kesalahan mengacu pada nilai persentase kesalahan yang muncul

saat penelitian, di mana i menyatakan speaker identification, v menyatakan

speaker verification, dan @ns menyatakan rentang waktu selama n detik

setiap kali sampel suara diambil.

27

• LP berarti Linear Predictive, LAR berarti Log Area Ratio, DTW berarti

Dynamic Time Warping, VQ berarti Vector Quantization, HMM berarti

Hidden Markov Model, dan GMM berarti Gaussian Mixture Model.

2.3.1 Berdasarkan Fungsi

Menurut Reynolds dan Heck (2000), berdasarkan fungsinya, speaker

recognition terbagi menjadi speaker verification (atau voice authentication) dan

speaker identification. Perbedaan antara keduanya terletak pada ada tidaknya

klaim atas identitas tertentu yang dilakukan oleh pengguna ketika memasukkan

suara untuk dikenali.

Gambar 2.11 Bagan Sistem Speaker Verification

Sebuah sistem speaker verification bertujuan untuk mengesahkan

identitas seseorang berdasarkan suaranya. Ketika pengguna memberikan input

suaranya, ia juga memasukkan identitas yang diklaimnya. Dalam speaker

verification, suara pengguna hanya dicocokkan dengan 1 template yang diklaim

ketika proses pemasukan (1:1). Speaker verification biasa digunakan dalam

aplikasi yang membutuhkan akses keamanan seperti aplikasi sekuritas yang

menggunakan input suara sebagai pengganti password dan PIN (Personal

Identification Number).

28

Dalam speaker verification dikenal dua jenis kesalahan yaitu false

rejection di mana pengguna yang mengklaim sebagai dirinya sendiri ditolak dan

false acceptance di mana peniru yang mengklaim sebagai pengguna lain

diterima.

Gambar 2.12 Bagan Sistem Speaker Identification

Sebuah sistem speaker identification bertujuan untuk mengidentifikasi

siapa yang sedang berbicara dari sekumpulan set suara yang telah dikenali dan

tidak terdapat klaim identitas dari pengguna. Dalam speaker identification, suara

pengguna dicocokkan dengan semua template yang ada (1:N). Ruang lingkup

speaker identification terbagi dua yaitu membedakan setiap speaker dalam

sebuah percakapan dan mengidentifikasi suara seseorang berdasarkan data yang

telah dimasukkan sebelumnya di mana suara orang tersebut termasuk di

dalamnya. Speaker identification dapat digunakan dalam investigasi polisi seperti

pencarian suara seorang tersangka pada database pelaku kriminal untuk

mengenali identitas tersangka.

29

2.3.2 Berdasarkan Metode

Menurut Olsson (2002, pp8-9), berdasarkan metodenya, speaker

recognition dibagi menjadi text-dependent dan text-independent.

Dalam text-dependent, kata yang digunakan dalam pelatihan dan evaluasi

harus sama. Dengan kata lain, sistem mengenali kata yang diucapkan oleh

pengguna ketika evaluasi. Text-dependent terbagi dalam 3 jenis kasus :

• Fixed phrase, di mana sistem yang menentukan frasa apa yang harus

diucapkan. Metode ini dapat menghasilkan tingkat akurasi yang tinggi,

namun tidak user friendly dan rentan terhadap peniru (impostor) karena frasa

yang diucapkan selalu sama.

• Text prompted, di mana pengguna diminta untuk mengucapkan frasa yang

ditampilkan oleh sistem. Dalam prinsipnya, frasa yang ditampilkan dapat

berupa apa saja. Hal ini menimbulkan kesulitan di mana sistem mengetahui

frasa apa yang akan diucapkan, tapi sistem juga harus mengenali bagaimana

bunyi frasa tersebut jika diucapkan oleh pengguna tertentu. Dalam

penerapannya, metode ini menggunakan angka di mana pengguna diminta

mengucapkan urutan angka yang diacak.

• Pass phrase, di mana pengguna bebas menentukan frasa yang hendak

digunakan, tapi frasa yang sama harus digunakan pada tahap pelatihan dan

evaluasi.

Dalam text-independent, kata yang digunakan dalam pelatihan dan

evaluasi tidak harus sama. Hal ini berarti sistem tidak mengenali kata yang

diucapkan oleh pengguna ketika evaluasi.

30

2.4 Ekstraksi Fitur

Tujuan dari ekstraksi fitur adalah untuk mengurangi jumlah data dengan

mempertahankan fitur atau properti tertentu yang membedakan pola input

(Kulkarni, 2001, p54). Keuntungan dari penggunaan tahap ekstraksi fitur adalah

mempermudah pemprosesan tingkat selanjutnya dengan mengkuantisasi energi

atau fitur yang biasanya jumlahnya lebih sedikit dibandingkan data aslinya.

Menurut Campbell (1997), fitur dari sebuah sistem pengenalan pola yang baik

harus bersifat alamiah, dapat diukur dengan mudah, tidak berubah dari waktu ke

waktu atau terpengaruh oleh kondisi kesehatan pengguna, tidak terpengaruh oleh

noise, dan tidak dapat ditiru oleh orang lain.

Beberapa metode yang dapat digunakan untuk ekstraksi fitur antara lain :

Fast Fourier Transform (FFT), Short Term Fourier Transform (STFT), dan

Transformasi Wavelet Diskrit (Discrete Wavelet Transform / DWT).

Tabel 2.6 Tabel Perbandingan FFT, STFT, dan DWT

FFT STFT DWT Jenis sinyal yang dapat

diproses dengan baik

stationary stationary dan non-stationary

stationary dan non-stationary

Transformasi Ke dalam domain frekuensi

Ke dalam domain frekuensi dan

waktu

Ke dalam frekuensi dan waktu dalam tingkat

resolusi yang berbeda

Resolusi yang dihasilkan

Frekuensi digambarkan dengan tepat

dalam domain frekuensi

Sama untuk keseluruhan

sinyal, tergantung fungsi window

yang digunakan

Bervariasi untuk keseluruhan sinyal,

frekuensi tinggi digambarkan lebih baik

dalam domain waktu dan frekuensi rendah

digambarkan lebih baik dalam domain frekuensi

31

Dari tabel 2.6 di atas, DWT memiliki kelebihan dibandingkan FFT dan

STFT. DWT tidak hanya dapat bekerja pada sinyal stationary, tetapi juga pada

sinyal non-stationary yang lebih sering ditemukan dalam sinyal suara. Selain itu

jika dibandingkan dengan STFT yang menghasilkan resolusi yang selalu sama

untuk keseluruhan sinyal, DWT menghasilkan resolusi yang beragam dalam satu

sinyal dengan frekuensi tinggi lebih baik dalam domain waktu dan frekuensi

rendah lebih baik dalam domain frekuensi. Hal ini memungkinkan proses analisa

sinyal yang lebih baik.

2.4.1 Fast Fourier Transform

Fast Fourier Transform (FFT) yang ditemukan tahun 1965 merupakan

pengembangan dari Fourier Transform (FT). Penemu FT adalah J. Fourier pada

tahun 1822. FT membagi sebuah sinyal menjadi frekuensi yang berbeda-beda

dalam fungsi eksponensial yang kompleks.

∫∞

∞−

−•= dtetxfX ftjπ2)()( .....................................................................(2.4)

Di mana t menyatakan waktu, f menyatakan frekuensi, X(t) menyatakan sinyal

dalam domain frekuensi, dan x(t) menyatakan sinyal dalam domain waktu.

Untuk pemprosesan sinyal diskrit, sebuah algoritma baru yang disebut

Discrete Fourier Transform (DFT) diciptakan. DFT memiliki rumus sebagai

berikut :

∑−

=

−=

1

0

2N

n

nkN

i

nk exXπ

...............................................................................(2.5)

32

Di mana N menyatakan jumlah sampel. Persamaan (2.5) memiliki kompleksitas

algoritma O(N2). FFT membagi sampel N menjadi dua buah N1 dan N2 secara

rekursif bersama perkalian dengan nk

Ni

eπ2

−. Hal ini membuat FFT hanya memiliki

kompleksitas O(N log N).

Dalam pemprosesan sinyal suara, FFT akan mengubah sinyal suara dalam

domain waktu menjadi domain frekuensi. FFT tidak dapat menampilkan

informasi waktu kapan frekuensi tersebut terjadi. Hal ini akan menimbulkan

masalah dalam kasus sinyal non-stationary yang memiliki frekuensi berbeda

dalam setiap waktu.

Gambar 2.13 (a) Sinyal Stationary dan (b) Sinyal Non-stationary.

(c) merupakan hasil FFT dari (a). (d) merupakan hasil FFT dari (b). Tampak

bahwa (c) dan (d) memiliki bentuk serupa.

33

2.4.2 Short Term Fourier Transform

Short Term Fourier Transform (STFT) mengasumsikan setiap bagian dari

sinyal non-stationary adalah sinyal stationary. Dengan demikian, STFT

menutupi kelemahan FFT yang tidak dapat bekerja dengan baik pada sinyal non-

stationary. Perbedaan STFT dan FFT adalah STFT membagi sinyal menjadi

bagian-bagian kecil di mana setiap bagian dari sinyal dapat dianggap sebagai

sinyal stationary. Untuk itu, STFT membutuhkan sebuah fungsi window w yang

lebarnya sama dengan bagian dari sinyal yang dapat dianggap sebagai sinyal

stationary.

[ ]∫ −•−•=t

tfjX dtetttxftSTFT πω ω 2*)( )'()(),( ..................................(2.6)

Karena STFT merupakan fungsi waktu dan frekuensi, transformasi yang

dihasilkan memiliki dua dimensi (atau tiga dimensi, jika amplitudo juga

dihitung).

(a)

34

(b)

Gambar 2.14 (a) Sinyal Non-stationary dan (b) Hasil STFT-nya

Meskipun dapat menampilkan informasi waktu dan frekuensi secara

bersamaan, STFT juga memiliki kelemahan. Kelemahan STFT terletak pada

fungsi window yang digunakan dan prinsip ketidakpastian Heisenberg yang

menyatakan bahwa momentum dan posisi dari sebuah partikel bergerak tidak

dapat diketahui secara bersamaan, yang dapat diketahui hanyalah rentang

frekuensi berapa yang muncul dalam interval waktu tertentu. (Heisenberg, 1927,

pp172-198). Semakin lebar window yang digunakan, semakin mirip STFT

dengan FFT yang menghasilkan resolusi frekuensi yang baik tetapi resolusi

waktu yang buruk. Semakin sempit window yang digunakan, hasil yang didapat

adalah resolusi waktu yang baik tetapi resolusi frekuensi yang buruk.

(a)

35

(b)

(c)

Gambar 2.15 (b) merupakan hasil STFT dari fungsi window 0,01 pada (a). (c)

merupakan hasil STFT dari fungsi window 0,00001 pada (a).

Dari gambar 2.15(b) terlihat bahwa untuk fungsi window yang sempit,

puncak-puncak yang terbentuk terpisah dengan jelas dalam domain waktu, tetapi

setiap puncaknya mencakup rentang frekuensi yang cukup besar. Sedangkan

pada gambar 2.15(c) terlihat bahwa untuk fungsi window yang lebar, puncak-

puncak yang terbentuk mencakup rentang waktu yang besar, tetapi setiap

puncaknya memiliki nilai frekuensi yang akurat.

2.4.3 Transformasi Wavelet

2.4.3.1 Transformasi Wavelet Kontinu

Wavelet adalah fungsi matematika yang memilah data menjadi berbagai

komponen frekuensi dan kemudian mempelajari tiap-tiap komponen dengan

resolusi yang sesuai dengan faktor skalanya (Graps, 1995). Dalam analisa

wavelet, fungsi window digeser sepanjang sinyal dan nilai spektrum dihitung

pada setiap posisi tersebut. Proses ini dilakukan berulang kali dengan fungsi

window yang sedikit lebih kecil atau lebih besar setiap siklusnya. Hasil akhirnya

adalah kumpulan representasi waktu-frekuensi dari sinyal, masing-masing

dengan resolusi yang berbeda. Dengan pendekatan skala fungsi window yang

36

berubah-ubah, pada frekuensi tinggi wavelet menghasilkan resolusi waktu yang

baik dan resolusi frekuensi yang buruk, sementara pada frekuensi rendah resolusi

waktu yang buruk dan resolusi frekuensi yang baik. Hal ini cocok untuk

diterapkan pada kebanyakan sinyal seperti pada gambar 2.16.

Gambar 2.16 Sinyal Dengan Frekuensi Tinggi Untuk Waktu Singkat

dan Frekuensi Rendah Untuk Waktu yang Lama.

Analisa wavelet yang dideskripsikan di atas disebut juga dengan

transformasi wavelet kontinu (Continuous Wavelet Transform / CWT) yang

ditulis dengan :

..........................................................(2.7)

sedangkan fungsi kebalikannya (inverse) adalah :

..................................................(2.8)

Tanda * merupakan operasi konvolusi. Persamaan (2.7) di atas menunjukkan

bagaimana fungsi sinyal input )(tf didekomposisikan ke dalam beberapa fungsi

basis yang disebut fungsi wavelet.

37

Fungsi wavelet dihasilkan melalui sebuah fungsi wavelet dasar )(tψ

yang disebut dengan fungsi wavelet induk (mother wavelet) dengan mengubah

faktor skala dan translasinya. Fungsi wavelet induk didefinisikan sebagai :

.....................................................................(2.9)

Pada persamaan (2.9) di atas, τ adalah faktor translasi dan faktor s1

adalah

untuk normalisasi energi pada skala berbeda-beda.

(a)

(b)

(c)

Gambar 2.17 (a) Sinyal Non-Stationary yang Dibentuk oleh Frekuensi 30 Hz,

20 Hz, 10 Hz, dan 5 Hz. (b) dan (c) merupakan hasil transformasi wavelet

kontinu dari sinyal (a) yang dilihat dari sudut yang berbeda.

Gambar 2.17 menunjukkan contoh transformasi wavelet kontinu. Sumbu

translation pada gambar (b) dan (c) dapat dianggap mewakili waktu, sedangkan

38

sumbu scale menyatakan kebalikan dari frekuensi. Scale rendah menandakan

frekuensi tinggi dan sebaliknya. Pada gambar 2.17(b), resolusi waktu (sumbu

translation) menunjukkan perbedaan yang jelas. Frekuensi tertinggi (30 Hz)

tampak pada nilai translation 0-30 dengan puncak yang sejajar, namun makin

rendah frekuensinya, puncak yang terbentuk makin beragam. Pada gambar

2.17(c), resolusi frekuensi (sumbu scale) menunjukkan perbedaan yang jelas.

Rentang frekuensi untuk frekuensi tertinggi (30 Hz) memang kecil dengan nilai

scale 0-25, namun tidak menunjukkan perbedaan dalam resolusi waktu.

Sementara rentang frekuensi untuk frekuensi terendah (5 Hz) memang besar

dengan nilai scale 0-150, namun menunjukkan perbedaan dalam resolusi waktu.

Hal ini sesuai dengan hasil wavelet yang memiliki resolusi waktu yang baik dan

resolusi frekuensi yang buruk untuk frekuensi tinggi dan resolusi waktu yang

buruk dan resolusi frekuensi yang baik untuk frekuensi rendah.

2.4.3.2 Transformasi Wavelet Diskrit

Transformasi wavelet kontinu bekerja dengan menggunakan input sinyal

analog yang tidak memiliki batasan nilai (infinite), sedangkan pengolahan data

oleh komputer harus menggunakan data diskrit yang memiliki batasan nilai

(finite). Agar transformasi wavelet dapat dikomputasi oleh komputer, maka

transformasi wavelet harus dibuat dalam bentuk diskritnya yaitu Transformasi

Wavelet Diskrit (Discrete Wavelet Transform / DWT).

Prisip dasar pada transformasi wavelet diskrit adalah sama dengan

transformasi wavelet kontinu. Komputasi pada transformasi wavelet kontinu

dilakukan dengan mengubah faktor skala window, menggeser window sepanjang

39

waktu, mengalikannya dengan sinyal input, dan mengintegralkannya terhadap

semua waktu. Dalam permasalahan diskrit, filter dari potongan frekuensi yang

berbeda-beda digunakan untuk menganalisis sinyal pada skala yang berbeda.

Sinyal input dilewatkan melalui sekelompok high-pass filter untuk menganalisa

frekuensi tinggi dan dilewatkan melalui sekolompok low-pass filter untuk

menganalisa frekuensi rendah (Polikar, 1996).

Trasformasi wavelet diskrit menganalisis sinyal pada rentang frekuensi

dan resolusi yang berbeda-beda dengan mendekomposisikan sinyal ke informasi

pendekatan secara kasar dan informasi detil. Transformasi wavelet diskrit

menggunakan dua set fungsi, yaitu fungsi skala dan fungsi wavelet, yang

berhubungan dengan low-pass filter dan high-pas filter. Secara matematik, satu

level dekomposisi dapat diekspresikan ke dalam bentuk :

.............................................................(2.10)

Dimana [ ]kyhigh dan [ ]kylow adalah output dari high-pass filter dan low-pass

filter setelah di-subsampling dengan faktor 2.

40

Gambar 2.18 Ilustrasi Algoritma Dekomposisi Wavelet

Pada gambar 2.18 di atas, g[n] adalah high-pass filter dan h[n] adalah low-pass

filter. Pada setiap level, proses filtering dan subsampling akan membagi dua

jumlah data atau sampel dan membagi dua batas rentang frekuensi.

Salah satu fungsi skala (mother wavelet) yang dapat digunakan untuk

menghasilkan koefisien low-pass filter dan high-pass filter adalah fungsi skala

dari Daubechies-2. Persamaan fungsi skala Daubechies-2 dapat ditulis dengan :

2431,

2433,

2433,

2431

4321 ⋅−

=⋅−

=⋅+

=⋅+

= HHHH .................(2.11)

Di mana Hn adalah koefisien low-pass filter, dengan 41 ≤≤ n .

High-pass filter dan low-pass filter tidak saling bebas antara satu dengan

yang lainnya. Kedua filter tersebut dihubungkan dengan :

............................................................(2.12)

Di mana g[n] adalah high-pass filter, h[n] adalah low-pass filter, dan L adalah

panjang filter (dalam jumlah titik).

41

2.4.3.3 Transformasi Wavelet Dalam Speaker Identification

Transformasi wavelet mampu mendekomposisi sinyal menjadi sinyal-

sinyal frekuensi tinggi dan sinyal-sinyal frekuensi rendah. Sinyal frekuensi

rendah identik dengan sinyal bebas noise dan mengandung informasi global yang

terdapat pada sinyal input yang menjadi karakteristik suara tersebut, sedangkan

sinyal frekuensi tinggi identik dengan noise dan informasi detil dari sinyal input.

Sinyal frekuensi rendah ini dapat dimanfaatkan untuk mengenali pola umum

pada sinyal input. Sinyal global hasil dekomposisi wavelet kemudian digunakan

sebagai pola umum yang membedakan satu suara dengan suara lainnya.

(a)

(b)

Gambar 2.19 (a) Transformasi Wavelet pada Sinyal Satu Dimensi dan

(B) pada Sinyal Suara

Dengan menggunakan transformasi wavelet, pola-pola dalam satu

kelas/subjek tidak memiliki hubungan dengan pola-pola dari kelas/subjek lainnya

(independen) sehingga rekompilasi database tidak perlu dilakukan setiap kali ada

42

subjek baru yang ditambahkan. Fitur yang nantinya disimpan di dalam database

adalah koefisien DWT hasil dekomposisi.

2.5 Jaringan Saraf Tiruan

2.5.1 Definisi Jaringan Saraf Tiruan

Jaringan saraf tiruan adalah suatu sistem pemprosesan informasi yang

memetakan vektor data input ke dalam vektor data output (Kulkarni, 2001,

p106). Menurut Forsyth (2003), jaringan saraf tiruan menghubungkan fungsi

vektor f dengan beberapa input x dengan menggunakan serangkaian layer.

Definisi lain dari jaringan saraf tiruan menurut Azcarraga (1999) adalah

sekumpulan data set yang besar dari interkoneksi unit sederhana yang dieksekusi

secara paralel untuk melakukan tugasnya.

2.5.2 Sejarah Jaringan Saraf Tiruan

Jaringan saraf tiruan memiliki sejarah yang cukup unik dalam

perkembangan teknologi. Jaringan saraf tiruan sempat populer selama beberapa

saat, selama dua puluh tahun berikutnya mengalami stagnasi, dan baru pada

akhir-akhir ini menjadi populer kembali.

Secara kronologis, perkembangan jaringan saraf tiruan dapat dijabarkan

sebagai berikut (Fausett, 1994):

• 1943, seorang neurophysiologist Warren McCulloch dan seorang ahli

matematika Walter Pitts menulis makalah mengenai cara kerja sel saraf

(neuron). Untuk menggambarkannya, mereka memodelkan sebuah jaringan

saraf tiruan sederhana yang menggunakan sirkuit elektrik.

43

• 1949, Donald Hebb menulis The Organization of Behavior – sebuah karya

yang menunjukkan kenyataan bahwa otak manusia belajar berdasarkan

pengalaman.

• 1950-an, komputer semakin berkembang sehingga memungkinkan untuk

mensimulasikan jaringan saraf tiruan seperti yang telah dicetuskan

sebelumnya. Usaha pertama untuk mensimulasikan jaringan saraf tiruan ini

dilakukan oleh Nathanial Rochester dari laboratorium penelitian IBM, namun

sayangnya usaha ini gagal.

• 1959, Bernard Widrow dan Marcian Hoff dari Stanford mengembangkan

model yang disebut ADALINE (Adaptive Linear Neuron) dan MADALINE

(Many Adaptive Linear Neurons).

• 1962, Frank Rosenblatt menciptakan perceptron pertama dan

mengkombinasikan penggunaannya dengan ADALINE.

• 1963 ke atas, perkembangan jaringan saraf tiruan mengalami stagnasi,

terutama setelah berkembangnya arsitektur Von Neumann dalam dunia

komputer yang menarik semua perhatian ke mesin baru tersebut, sehingga

penelitian mengenai jaringan saraf tiruan dihentikan.

• 1972, dua peneliti yaitu Kohonen dan Anderson mengembangkan jaringan

independen yang serupa walaupun dasar pengembangannya berbeda. Namun

terdapat kesamaan dari model-model ini yakni keduanya menggunakan

matriks matematika untuk menggambarkan proses kerja sel saraf tiruan.

• 1975, terinspirasi oleh kemampuan otak untuk mengorganisasikan dirinya

sendiri, Kunihiko Fukushima dari Jepang memperkenalkan jaringan

44

cognitron sebagai pengembangan dari konsep perceptron. Cognitron yang

merupakan jaringan multilayer pertama yang mampu mempelajari pola-pola

baru tanpa harus diajari terlebih dahulu. Kelebihan cognitron dari perceptron

adalah kemampuannya untuk menangani masalah sumber dari suatu pola

yang umumnya juga terdapat di pola lain yang sejenis, serta kemampuannya

untuk membedakan pola analog dengan pola biner yang biasa diterima oleh

lapisan pertama dari jaringan saraf tiruan.

• 1982, ketertarikan di bidang jaringan saraf tiruan mulai bangkit kembali

seiring dengan dipresentasikannya tulisan John Hopfield kepada National

Academy of Sciences. Dalam tulisan ini, John Hopfield menggunakan

pendekatan dua arah (bidirectional lines) dalam hubungan antar sel saraf

tiruan untuk menciptakan mesin baru yang lebih efisien daripada mesin

sebelumnya yang hanya menggunakan hubungan satu arah dalam komunikasi

antarsel saraf tiruan.

• 1982, Doug Reilly dan Leon Cooper mengembangkan sebuah jaringan dua

layer di mana setiap layer menggunakan strategi yang berbeda untuk

mencapai hasil yang diinginkan. Layer pertama bertanggung jawab atas

proses generalisasi, sedangkan layer kedua bertanggung jawab atas proses

spesifikasi. Jaringan ini disebut jaringan hybrid dan merupakan jaringan

gabungan pertama yang dibuat.

• 1986, tiga orang peneliti independen Rumelhart, Hinton, dan Wiliams

memiliki ide yang sama untuk menerapkan konsep jaringan saraf tiruan lapis

banyak (multiple layer neural networks) yang saat itu sedang hangat

45

dibicarakan. Idenya adalah mengembangkan jaringan back-propagation

untuk mendistribusikan kesalahan (error) yang didapat dari pengenalan pola

ke seluruh jaringan. Jaringan back-propagation menggunakan banyak layer

dan akibatnya menjadi lambat dalam pembelajaran karena banyaknya iterasi

yang harus dilakukan dalam proses tersebut.

• 1987, berkembang generasi pertama pengenalan keseragaman pola untuk

proses unsupervised learning. Proses pengenalan dilakukan dengan

menerapkan ART (Adaptive Resonance Theory) pada jaringan saraf tiruan.

• 1990, dibuat sebuah jaringan saraf tiruan multivalued logic yang merupakan

jaringan adaptif sederhana yang merepresentasikan susunan otak. Penelitian

mengenai jaringan saraf tiruan multivalued logic masih terus dikembangkan

sampai sekarang.

2.5.3 Komponen Jaringan Saraf Tiruan

Jaringan saraf tiruan disusun oleh node-node atau unit (neuron) yang

terhubung dengan sambungan langsung. Sebuah sambungan dari unit j ke unit i

membantu untuk mempropagasikan aktivasi aj dari j ke i. Setiap sambungan juga

memiliki nilai numerik weight Wj,i yang menentukan kekuatan dan tanda (sign)

dari hubungan tersebut (Russell, 2003, p737).

Mula-mula, setiap unit i dikomputasikan sebagai akumulasi weight dari

inputnya. Proses ini dapat ditulis dengan :

∑=

=n

jjiji aWin

0, .....………………………………………………...(2.13)

46

Kemudian sebuah fungsi aktivasi digunakan pada nilai akumulasi

tersebut untuk menghasilkan output :

⎟⎟⎠

⎞⎜⎜⎝

⎛== ∑

=

n

jjijii aWginga

0, )( ………………………………………(2.14)

Gambar 2.20 Model Neuron

2.5.4 Fungsi Aktivasi

Fungsi aktivasi didisain guna memenuhi dua kondisi data. Sebuah unit

menjadi aktif (mendekati +1) jika input yang benar diberikan, dan tidak aktif

(mendekati 0) jika input yang salah diberikan (Russel, 2003, p737). Beberapa

fungsi aktivasi yang dapat digunakan antara lain :

• Fungsi identitas (identity function)

Fungsi identitas disebut juga sebagai fungsi linear. Fungsi ini membatasi

output yang dihasilkannya pada rentang 0 hingga 1 atau -1 hingga +1.

Fungsi identitas didefinisikan sebagai :

xxxF ∀=)( ..........................................................................(2.15)

Gambar 2.21 Fungsi Identitas

47

• Fungsi tangga (step function)

Pada fungsi ini, output yang dihasilkan adalah biner (hanya dua

kemungkinan) dan nilaiya dapat berupa 0 dan 1, atau -1 dan +1.

F(x) = 1 jika x > 0

F(x) = 0 jika x ≤ 0 .................................................................(2.16)

Gambar 2.22 Fungsi Tangga

• Fungsi sigmoid (sigmoid function)

Fungsi sigmoid atau disebut juga fungsi logistik direpresentasikan dengan :

xexF −+=

11)( .....................................................................(2.17)

Turunan dari fungsi F(x) di atas adalah :

))(1)(()( xFxFxxF

−=∂

∂ ......................................................(2.18)

Fungsi sigmoid sering digunakan karena fungsi ini menghasilkan output yang

halus dan mudah diturunkan. Fungsi ini digunakan jika output yang

diinginkan berada pada rentang 0 dan 1.

Gambar 2.23 Fungsi Sigmoid

48

• Fungsi hypertangent (hypertangent function)

Fungsi hypertangent hampir serupa dengan fungsi sigmoid. Fungsi ini

didefinisikan sebagai :

xx

xx

eeeexF −

−

+−

=)( ...................................................................(2.19)

Turunan dari fungsi F(x) pada persamaan di atas adalah :

))(1))((1()( xFxFxxF

−+=∂

∂ ..............................................(2.20)

Fungsi ini digunakan jika rentang output yang diinginkan berada pada

jangkauan -1 dan +1.

Gambar 2.24 Fungsi Hypertangent

Sebuah fungsi aktivasi yang baik untuk jaringan saraf tiruan harus

memiliki ciri-ciri sebagai berikut : kontinu, dapat dibedakan, dan tidak menurun

secara monoton. Untuk efisiensi perhitungan, turunan dari fungsi ini harus dapat

dikomputasi dengan mudah (Fausett, 1994, p292).

2.5.5 Arsitektur Jaringan Saraf Tiruan

Secara umum, terdapat dua jenis arsitektur jaringan saraf tiruan dilihat

dari banyaknya lapisan dan weight yang digunakan yaitu :

49

• Jaringan saraf tiruan lapis tunggal (single layer neural network)

Jaringan saraf tiruan lapis tunggal hanya memiliki satu lapis weight antar

koneksi sehingga semua input terkoneksi secara langsung dengan output-nya.

Arsitektur jaringan seperti ini disebut juga dengan perceptron network.

w11

X1

Ym

Yj

Y1

Xn

Xi

w1j

wi1

wn1

wnm

wimw1m

wnj

wij

InputLayer

OutputLayer

One Layerof Weights

Gambar 2.25 Jaringan Saraf Tiruan Lapis Tunggal

• Jaringan saraf tiruan lapis banyak (multiple layer neural network)

Jaringan saraf tiruan lapis banyak adalah sebuah jaringan dengan satu atau

lebih lapisan di antara unit masukan (input layer) dan unit keluaran (output

layer). Lapisan yang terdapat di antara unit masukan dan unit keluaran

disebut dengan hidden layer. Keuntungan dari penambahan hidden layer

adalah semakin besarnya lingkup hipotesa yang dapat direpresentasikan oleh

jaringan tersebut (Russell, 2003, p748).

X1

Ym

Yk

Y1

Xn

Xi

InputLayer

OutputLayer

Zp

Zj

Z1v11

wpm

wjm

w1mv1p

wpk

wjk

w1k

wp1

w11

wj1

vnj

vij

v1j

vn1

vi1

vip

vnp

HiddenUnits

Gambar 2.26 Jaringan Saraf Tiruan Lapis Banyak

50

2.5.6 Metode Pembelajaran

Tujuan dari pelatihan jaringan saraf tiruan adalah mencapai titik

seimbang antara kemampuan untuk merespon pola input yang digunakan dalam

pelatihan dengan tepat (kemampuan mengingat) dan kemampuan untuk

merespon pola input yang mirip dengan yang digunakan dalam pelatihan secara

baik (kemampuan menggeneralisasi) (Fausett, 1994, p289).

Di samping arsitektur jaringan, metode untuk menentukan weight juga

merupakan karakteristik yang penting yang membedakan jaringan saraf tiruan.

Jaringan saraf tiruan dapat dikelompokkan ke dalam dua jenis berdasarkan

metode pembelajarannya, yaitu :

• Supervised learning

Pada metode supervised learning, sejumlah data pelatihan tersedia untuk

setiap kelas dan digunakan pada proses pelatihan. Proses pembelajaran

dilakukan dengan penyesuaian nilai weight terhadap vektor input yang

diasosiasikan dengan vektor output. Contoh dari kategori ini antara lain :

perceptron back-propagation, Hamming network, dan Hopfield nets. Dalam

supervised learning, terdapat dua buah metode untuk meng-update weight,

sequential dan batch (Haykin, 1999, p172). Dalam metode sequential (atau

mode on-line atau mode stochastic), update weight dilakukan setiap sebuah

pola dimasukkan, sementara dalam metode batch, update weight dilakukan

setelah semua pola dimasukkan.

51

• Unsupervised learning

Pada metode unsupervised learning, data pelatihan tidak tersedia, sehingga

metode ini berhubungan dengan proses pembelajaran sendiri (self learning).

Pada metode ini terdapat serangkaian vektor input, tetapi tidak ada target

vektor yang diasosiasikan. Jaringan memodifikasi nilai weight sehingga nilai

input yang serupa diasosiasikan dengan unit output yang sama. Contoh dari

kategori ini antara lain : Adaptive Resonance Theory (ART), competitive

learning, dan Kohonen’s Self Organizing Maps (SOM).

2.5.7 Back-Propagation

Back-propagation merupakan suatu teknik untuk meminimalisasi gradien

pada dimensi weight dalam jaringan saraf tiruan lapis banyak (Haykin, 1999,

p202). Kelebihan back-propagation menurut Haykin (1999, pp156-157) adalah

merupakan metode yang paling populer untuk supervised learning, memiliki

perhitungan yang sederhana, dan sudah terbukti dapat memecahkan masalah sulit

dengan pelatihan. Sementara itu, Rumelhart dan McClelland (1989)

menyebutkan kekurangan back-propagation yakni bentuk terdistribusi yang non-

linear dan konektivitasnya yang tinggi yang membuat analisa secara teori sulit

untuk dilakukan, penggunaan hidden layer yang mempersulit visualisasi, dan

membutuhkan pencarian yang besar karena proses pembelajaran harus dapat

menentukan fitur dari input yang direpresentasikan di hidden layer.

Algoritma pembelajaran back-propagation secara umum adalah sebagai

berikut :

52

• Langkah 1 : Inisialisasi nilai weight.

Pada langkah ini, nilai weight pada tiap-tiap layer diinisialisasikan ke dalam

sembarang nilai yang kecil.

• Langkah 2 : Hitung nilai output pada output layer.

Untuk mendapatkan nilai output layer, kalkulasi dilakukan dari layer ke

layer. Tahap ini disebut juga dengan tahap komputasi forward. Input untuk

jaringan pada setiap layer selanjutnya dihitung dengan :

∑=

=n

jjiji wxnet

1 .....................................................................(2.21)

Komponen vektor output dihitung dengan :

)( ii netgo = ..........................................................................(2.22)

Di mana g(neti) merupakan fungsi aktivasi.

• Langkah 3 : Hitung perubahan pada weight.

Untuk menghitung perubahan weight, vektor output pada tiap-tiap layer

dibandingkan dengan nilai output yang diharapkan atau vektor target. Tahap

ini disebut juga dengan tahap komputasi backward. Perhitungan perubahan

weight dilakukan dengan persamaan :

jiij oW . . δα=Δ ...................................................................(2.23)

Di mana pada output layer :

)1( . . )( iiiii oood −−=δ .....................................................(2.24)

Dan pada hidden layer :

∑=

−=m

kikkiiHi Woo

1 . )1( . δδ ..................................................(2.25)

53

• Langkah 4 : Update nilai weight.

Proses update weight dilakukan dengan persamaan :

ijijij wkwkw Δ+=+ )()1( ......................................................(2.26)

Di mana wij(k+1) merepresentasikan nilai dari weight pada iterasi ke-(n+1)

dan wij(k) merepresentasikan nilai dari weight pada iterasi ke-k.

• Langkah 5 : Hitung tingkat error.

i

N

ii do

NE −= ∑

=1

1 ..................................................................(2.27)

Jika E lebih besar dari nilai εmin tertentu, ulangi langkah 2-4. Jika tidak,

proses pelatihan dihentikan.