BAB II

TINJAUAN PUSTAKA

2.1 State Of The Art

Suara dapat menjadi ciri khas dari setiap individu yang dapat membedakan

antara individu satu dengan yang lainnya. Perbedaan tersebut terletak pada

karakteristik suara yang dihasilkan oleh masing – masing individu tersebut. Tapitidak

semua pendengaran manusia mampu membedakan suara dari masing-masing individu

yang dikenalnya. Kepekaan telinga juga memiliki berbagai keterbatasan dan sensitif

terhadap suara. Oleh karena itu dibutuhkan suatu sistem untuk mengenali suara

manusia tersebut sehingga dapat hasilnya akan tertuju tepat kepada individu yang

dimaksud. Sistem untuk mengenali suara manusia tersebut biasa dikenal dengan nama

identifikasi suara, sistem ini bisa membedakan antara suara individu yang satu dengan

individu yang lainnya berdasarkan perbedaan karakteristik suara dari masing – masing

indivdu yang bisa dicari dengan beberapa metode ekstraksi ciri.

Darshan Mandalia (2011) pernah membuat suatu sistem jaringan saraf tiruan

untuk identifikasi suara dengan metode ekstraksi ciri MFCC menggunakan perangkat

lunak MATLAB. Sistem ini juga menggunakan metode Vector Quantization untuk

clustering suara yang sudah direkam sebelumnya. Secara garis besar cara kerja sistem

identifikasi suara ini adalah pertama – tama sistem akan merekam suara yang akan

diidentifikasi, lalu suara hasil rekama tersebut akan mengalami proses Silence

Detection dan Windowing, setelahnya suara hasil rekaman tersebut dikonversikan ke

dalam domain frekuensi dilanjukan dengan mengkonversinya ke dalam domain Mel

Frequency Cepstrum. Setelah melalui proses tersebut, suara rekaman akan

digambarkan dalam Overlapping Triangle Window yang nantinya akan mendapatkan

nilai energy dari setiap window, selanjutnya akan mendapatkan nilai DCT (Discrete

Cosine Transform) dari Spectrum Energy, dan didapatkan nilai MSE (Mean Square

Error) dari suara rekaman yang pertama. Untuk mencocokkanya, diperlukan suara

rekaman kedua yang mengalami proses sama dengan rekaman suara pertama dan nilai

MSE dari kedua suara ini akan dicocokkan, apabila nilai MSEnya kurang dari 1,5

makan kedua rekaman suara tersebut berasal dari orang yang sama, sebaliknya apabila

nilai MSE dari kedua rekaman suara ini melebihi 1,5 maka kemungkinan kedua

rekaman suara itu bukan berasal dari suara orang yang sama. Faktor – faktor yang bisa

mempengaruhi proses identifikasi suara menggunakan sistem jaringan saraf tiruan ini

antara lain yaitu kondisi kesehatan individu yang suaranya dijadikan sampel, kondisi

lingkungan tempat pengambilan sampel, dan kondisi perangkat keras yang digunakan

dalam pengambilan sampel suara.

Pada penelitian oleh Ghulam M. tahun 2009, yang mengambil kasus

pengenalan digit terisolasi yang menggunakan kombinasi metode MFCC dan HMM

dalam bahasa Bangia, sistem mampu mengenali digit bilangan yang digunakan dengan

tingkat keberhasilan mencapai 90%. Sedangkan, untuk studi kasus yang sama pada

penelitian oleh M. Chandrasekar yang mengdopsi metode MFCC dalam mengekstrak

fitur suara, kemudian dikenali dengan Back Propagation Network diperoleh nilai

akurasi yang lebih kecil yaitu 80,95%. Dalam pengenalan kata berkelanjutan

(continuous) dengan kosa kata berukuran besar oleh Corneliu O. dan Inger Gavat,

digunakan Hidden Markov Model sebagai recognizer dan 3 macam metode algoritma

ekstraksi fitur yaitu MFCC, LPC, dan PLP. Dari ketiga metode ekstraksi fitur tersebut,

MFCC menghasilkan tingkat akurasi tertinggi dengan persentase 90,41%. Sedangkan

metode LPC memiliki persentase keberhasilan 63,55% sementara PLP sebesar 75,78%.

Pada penelitian ini akan membahas dan membuat suatu aplikasi identifikasi

suara yang bisa mengidentifikasi, menyocokkan suara dari individu yang berbeda –

beda. Untuk membuat aplikasi identifikasi suara ini menggunakan metode MFCC (Mel

Frequency Cepstral Coefficients) sebagai metode esktraksi cirinya dan 2 metode

pengenalan (recognition) yaitu Hidden Markov Model dan Vector Quantization.

Jaringan saraf tiruan untuk identifikasi suara ini akan dibuat dengan menggunakan

perangkat lunak MATLAB.

2.2 Suara

Menurut Muhammad Nuh Al-Azhar (2011) suara dihasilkan melalui proses

Generation dan Filtering. Pada proses Generation, suara pertama kali diproduksi

melalui bergetarnya pita suara yang berada di larynx untuk menghasilkan bunyi

periodik. Bunyi periodik yang bersifat konstan tersebut kemudian difilterisasi melalui

vocal tract (juga disebut dengan istilah resonator suara atau articulator) yang terdiri

dari lidah, gigi, bibir, langit-langit mulut dan lain-lain sehingga bunyi tersebut dapat

menjadi bunyi keluaran berupa bunyi vokal dan atau bunyi konsonan yang membentuk

kata-kata yang memiliki arti yang nantinya dapat dianalisa untuk identifikasi suara.

Untuk dapat diidentifikasi, ada beberapa karakteristik suara yang dapat

dijadikan parameter untuk membedakan antara orang yang satu dengan yang lainnya.

Menurut Nilsson dan Ejnarsson (2002), sinyal suara dan karakteristiknya dapat

direpresentasikan ke dalam dua domain yang berbeda, yaitu domain waktu dan domain

frekuensi. Sinyal suara merupakan sinyal yang bervariasi lambat sebagai fungsi waktu,

dalam hal ini ketika diamati pada durasi yang sangat pendek (5 sampai 100 m)

karakteristiknya masih stasioner. Tetapi apabila diamati dalam durasi yang lebih

panjang (> 1/5 detik) karakteristik sinyalnya berubah untuk merefleksikan suara yang

keluar dari pembicara.

Gambar 2.1 Human Vocal Tract

Sumber: http://www.dukemagazine.duke.edu/issues/050608/images/050608-lg-figure1purves.jpg

2.2.1 Komponen Suara

Suara terdiri dari beberapa komponen, yaitu pitch, formant dan spectrogram

yang dapat digunakan untuk mengidentifikasi karakteristik suara seseorang untuk

kepentingan voice recognition.

a. Pitch

Frekuensi getar dari pita suara yang juga disebut dengan istilah frekwensi

fundamental (dasar) dengan notasi F0. Masing-masing orang memiliki

pitch yang khas (habitual pitch) yang sangat dipengaruhi oleh aspek

fisiologis larynx manusia. Pada kondisi pembicaraan normal, level habitual

pitch berkisar pada 50 s/d 250 Hz untuk laki-laki dan 120 s/d 500 Hz untuk

perempuan. Frekuensi F0 ini berubah secara konstan dan memberikan

informasi linguistik seseorang seperti perbedaan intonasi dan emosi.

Analisa pitch dapat digunakan untuk melakukan voice recognition terhadap

suara seseorang, yaitu melalui analisa statistik terhadap minimum pitch,

maximum pitch dan mean pitch.

b. Formant adalah frekwensi-frekwensi resonansi dari filter, yaitu vocal tract

(articulator) yang meneruskan dan memfilter bunyi periodik dari getarnya

pita suara (vocal cord) menjadi bunyi keluaran berupa kata-kata yang

memiliki makna. Secara umum, frekuensi-frekuensi formant bersifat tidak

terbatas, namun untuk identifikasi suara seseorang, paling tidak ada 3 (tiga)

formant yang dianalisa, yaitu Formant 1 (F1), Formant 2 (F2) dan Formant

3 (F3)

c. Spectogram

Spectrogram merupakan representasi spectral yang bervariasi terhadap

waktu yang menunjukkan tingkat density (intensitas energi) spektral.

Dengan kata lain spectrogram adalah bentuk visualisasi dari masing-

masing nilai formant yang dilengkapi dengan level energi yang bervariasi

terhadap waktu. Level energy ini dikenal dengan istilah formant bandwidth.

Nantinya pada kasus-kasus yang bersifat pemalsuan suara dengan teknik

pitch shift atau si subyek berusaha untuk menghilangkan karakter suara

aslinya, maka formant bandiwidth dapat digunakan untuk memetakan atau

mengidentifikasi suara aslinya. Spectrogram membentuk pola umum yang

khas dalam pengucapan kata dan pola khusus masing-masing formant

dalam pengucapan suku kata, sehingga spectrogram juga digunakan untuk

melakukan analisa identifkasi suara seseorang. Jika durasi rekaman suara

unknown lumayan panjang, maka analisa spectrogram juga dapat

digunakan untuk mempercepat pemilihan pengucapan kata-kata yang akan

dianalisa dalam rangka untuk mendapatkan jumlah minimal 20 kata untuk

dapat menunjukkan ke-identik-an suara unknown dengan known

(pembanding).

2.3 Pengenalan Ucapan

Pengenalan ucapan dalam istilah bahasa Inggrisnya Automatic Speech

Recognition (ASR) adalah suatu pengembangan teknik dan sistem yang

memungkinkan komputer untuk menerima masukan berupa kata yang diucapkan.

Teknologi ini memungkinkan suatu perangkat untuk mengenali dan memahami kata

yang diucapkan dengan cara digitalisasi kata dan mencocokkan sinyal digital tersebut

dengan suatu pola tertentu yang tersimpan dalam suatu perangkat. Kata-kata yang

diucapkan diubah bentuknya menjadi sinyal digital dengan cara mengubah gelombang

suara menjadi sekumpulan angka yang kemudian disesuaikan dengan kode-kode

tertentu untuk mengidentifikasikan kata-kata tersebut. Hasil dari identifikasi kata yang

diucapkan dapat ditampilkan dalam bentuk tulisan atau dapat dibaca oleh perangkat

teknologi sebagai sebuah komando untuk melakukan suatu pekerjaan, misalnya

penekanan tombol pada telepon genggam yang dilakukan secara otomatis dengan

komando suara alat pengenal ucapan, yang sering disebut dengan speech recognizer,

membutuhkan sampel kata sebenarnya yang diucapkan dari pengguna. Sampel kata

akan didigitalisasi, disimpan dalam komputer dan kemudian digunakan sebagai basis

data dalam mencocokkan kata yang diucapkan selanjutnya.

2.4 Digitalisasi Suara

Digitalisasi adalah suatu proses mengubah bentuk informasi analogberupa teks,

suara (audio) , gambar, dan video menjadi informasi digital berupa kode biner tunggal

0 dan 1. Informasi digital dalam bentuk 0 atau 1 disebut bit dan rangkaian dari banyak

0 dan 1 disebut byte yang membentuk suatu informasi informasi. Tujuan Digitalisasi

adalah untuk mendapatkan efisiensi dan optimalisasi dalam banyak hal antara lain

efisiensi dan optimalisasi tempat penyimpanan, keamanan dari berbagai bentuk

bencana, untuk meningkatkan resolusi, gambar dan suara lebih stabil.

Proses Digitalisasi informasi analog terbagi menjadi 3 bagian yaitu :

a. Sampling

Pada dasarnya semua suara audio baik vocal atau bunyi tertentu merupakan

suatu bentuk dari getaran. Ini menandakan semua audio memiliki bentuk

gelombangnya masing-masing. Umumnya bentuk dari gelombang dari

suara tersebut disebut sinyal analog. Teknik sampling memungkinkan

sinyal analog ini diubah menjadi bit-bit sinyal digital. Pada proses

sampling, dilakukan suatu pencuplikan dari bentuk sinyal analog tersebut,

pencuplikan dilakukan pada bagian-bagian sinyal analog dengan sinyal-

sinyal sampling. Teori Shannon menyatakan frekuensi sinyal sampling

paling kecil adalah 2 kali frekuensi sinyal analog yang akan disampling.

Setelah dilakukannya proses sampling maka akan didapatkan sinyal analog-

diskrit yang menyerupai sinyal aslinya namun hanya diambil diskrit-

diskritnya saja.

b. Kuantisasi

Kuantisasi adalah proses perbandingan level-level tiap diskrit sinyal hasil

sampling dengan tetapan level tertentu. Level-level ini adalah tetapan

angka-angka yang dijadikan menjadi bilangan biner. Sinyal-sinyal diskrit

yang ada akan disesuaikan levelnya dengan tetapan yang ada. Jika lebih

kecil akan dinaikkan dan jika lebih besar akan diturunkan. Tetapan level

yang ada tergantung pada resolusi dari alat karena tetapan level merupakan

kombinasi bilangan biner, oleh karena itu apabila bitnya lebih besar maka

kombinasinya akan lebih banyak dan tetapannya juga akan lebih banyak.

Level kuantisasi yang dapat dirumuskan :

𝑀 = 2𝑁……………………………………………………...…. (2.1)

Dimana : M = level kuantisasi dan N = Jumlah bit pengkodean

Gambar 2.2 Gambaran Proses Kuantisasi

c. Kompresi

Kompresi adalah proses pengubahan sekumpulan data menjadi suatu

bentuk kode untuk menghemat kebutuhan tempat penyimpanan dan waktu

untuk transmisi data. Saat ini terdapat berbagai tipe algoritma kompresi,

antara lain: Huffman, LIFO, ZHUF, LZ77 dan variannya (LZ78, LZW,

GZIP), Dynamic Markov Compression (DMC), Block-Sorting

Lossless, Run- Length, Shannon-Fano, Arithmetic, PPM (Prediction by

Partial Matching), Burrows-Wheeler Block Sorting, dan Half Byte.

Berdasarkan tipe peta kode yang digunakan untuk mengubah pesan awal

menjadi sekumpulan codeword, metode kompresi terbagi menjadi dua

kelompok, yaitu Metode Statik, metode ini menggunakan peta kode yang

selalu sama. Metode ini membutuhkan dua fase. Fase

pertama untuk menghitung probabilitas kemunculan tiap simbol/karakter

dan menentukan peta kodenya, dan fase kedua untuk mengubah pesan

menjadi kumpulan kode yang akan ditransmisikan. Sedangkan Metode

Dinamik menggunakan peta kode yang dapat berubah dari waktu ke waktu.

Metode ini disebut adaptif karena peta kode mampu beradaptasi terhadap

perubahan karakteristik isi file selama proses kompresi berlangsung.

Metode ini bersifat onepass, karena hanya diperlukan satu kali pembacaan

terhadap isi file.

2.5 Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) dalam Bahasa Inggris disebut Artificial Neural

Network (ANN), atau juga disebut Simulated Neural Network (SNN), atau umumnya

hanya disebut Neural Network (NN), adalah jaringan dari sekelompok unit pemroses

kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem

adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan

informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Saat ini

bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum

mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-

tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi.

Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk

disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal

berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan.

Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru.

Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada

makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah

tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak.

Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu

langkah maju dalam industri komputer.

Menurut Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai

suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang

terdiri atas elemen pemroses yang memiliki memori lokal dan beroperasi dengan

informasi lokal yang diinterkoneksi bersama dengan alur sinyal searah yang disebut

koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang

(fan out) ke sejumlah koneksi kolateral yang diinginkan. Setiap koneksi membawa

sinyal yang sama dari keluaran elemen pemroses tersebut. Keluaran dari elemen

pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang

diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus

benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam

memori lokal.

Aplikasi Identifikasi Suara adalah salah satu contoh dari JST. Aplikasi

Identifikasi Suara berfungsi untuk mengenali suara atau bunyi seperti halnya

fingerprint recognition (identifikasi pola sidik jari pada setiap orang), retinal scan

(identifikasi berdasarkan pola pembuluh darah pada retina mata), face recognition

(pengenalan seseorang berdasarkan raut dan ekspresi seseorang dengan kunci utama

pada letak mata dan mulut). Suatu Aplikasi Identifikasi Suara mempunyai keakuratan

yang berbeda-beda dalam mengenali atau mengidentifikasi suara tergantung dari

beberapa faktor seperti metode ekstraksi ciri, metode recognition, noise, dan lain-lain.

Keakuratan unjuk kerja Aplikasi Identifikasi Suara dapat dicari dengan menggunakan

persamaan sederhana, yaitu

% 𝑃𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖

𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙 𝑝𝑎𝑑𝑎 𝑑𝑎𝑡𝑎𝑏𝑎𝑠𝑒 𝑥 100% …………………….…. (2.2)

2.6 Mel Frequency Cepstrum Coefficient (MFCC)

Ekstraksi fitur pada ASR (Automatic Speech Recognition) merupakan proses

perhitungan urutan dari fitur vektor yang mampu merepresentasikan sinyal wicara yang

ada secara optimal (Dave, 2013). Fitur yang biasa digunakan adalah cepstral

coefficient. MFCC merupakan metode ekstraksi fitur yang menghitung koefisien

cepstral yang didasarkan pada variasi dari frekuensi kritis pada telinga manusia. Filter

dipetakan secara linear pada frekuensi rendah (< 1 kHz) dan logaritmik pada frekuensi

tinggi (> 1kHz) untuk mendapatkan karakteristik suara yang penting (Vibha, 2009).

Adapun tahapan-tahapan dalam MFCC adalah sebagai berikut.

a. Frame Blocking

Tahap ini sinyal suara analog dibagi menjadi beberapa frame yang terdiri

dari N sample, masing-masing frame dipisahkan oleh M, dengan M adalah

banyaknya pergeseran antar frame (M<N). Frame pertama berisi sampel N

pertama. Frame kedua dimulai M sampel setelah permulaan frame pertama,

sehingga frame kedua ini overlap terhadap frame pertama sebanyak N-M

sample. Selanjutnya, frame ketiga akan dimulai M sampel setelah frame

kedua. Proses ini berlanjut sampai seluruh suara tercakup dalam frame.

Hasil dari proses ini adalah matriks dengan N baris dan beberapa kolom

sinyal X[N]. Proses ini ditunjukkan pada dibawah, Sn adalah nilai sampel

yang dihasilkan dan n adalah urutan sampel yang akan diproses

Gambar 2.3 Frame Blocking

Sumber :Aria (2013)

b. Windowing

Proses framing dapat menyebabkan terjadinya kebocoran spektral yaitu

sinyal yang baru 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 ini maka hasil dari proses framing harus melewati proses

windowing. Konsep windowing adalah meruncingkan sinyal ke angka nol

pada permulaan dan akhir setiap frame. Proses ini dilakukan dengan

mengalikan antar frame dengan jenis window yang digunakan. Jika window

didefinisikan sebagai ( ), , dengan adalah jumlah sampel dalam tiap frame,

maka proses windowing ini dapat dituliskan dalam persamaan berikut.:

𝑦(𝑛) = 𝑥(𝑛)𝑤(𝑛), 0 ≤ 𝑛 ≤ 𝑁 − 1 ………………………..……. (2.3)

dengan

𝑦(𝑛) = sinyal hasil windowing sampel ke-𝑛

𝑥(𝑛) = nilai sampel ke-𝑛

𝑤(𝑛) = nilai window ke-𝑛

𝑁 = jumlah sampel dalam frame

Penelitian suara banyak menggunakan window hamming karena

kesederhanaan formulanya dan nilai kerja window. Dengan pertimbangan

tersebut, maka penggunaan window Hamming cukup beralasan.

Persamaan window Hamming adalah :

𝑤(𝑛) = 0.54 − 0.46 𝑐𝑜𝑠2𝜋𝑛

𝑁−1 …………………………….....…. (2.4)

dengan

𝑛 = 0,1,…,N-1

c. Fast Fourier Transform

Tahapan selanjutnya ialah mengubah setiap frame yang terdiri dari N

samples dari domain waktu ke dalam domain frekuensi. Output dari proses

ini disebut dengan nama spektrum atau periodogram. Sinyal dalam domain

frekuensi dapat diproses dengan lebih mudah dibandingkan data pada

domain waktu, karena pada domain frekuensi, amplitudo suara tidak terlalu

berpengaruh. Fast Fourier Transform (FFT) adalah algoritma yang

mengimplementasikan Discrete Fourier Transform (DFT) yang

dioperasikan pada sebuah sinyal waktu diskrit yang terdiri dari sampel

menggunakan persamaan berikut.

𝑅𝑒𝑎𝑙𝑋[𝑘] = ∑ 𝑥[𝑖]. cos (2𝜋𝑘𝑖

𝑁)𝑁−1

𝑖=0 ……………………….…. (2.5)

𝐼𝑚𝑎𝑗𝑖𝑛𝑒𝑟𝑋[𝑘] = − ∑ 𝑥[𝑖]. sin (2𝜋𝑘𝑖

𝑁)𝑁−1

𝑖=0 …………………...... (2.6)

dengan

𝑁 = jumlah data

𝑘 = 0,1,2, … ,𝑁

2

𝑥(𝑖) = data pada titik ke-𝑖

Proses selanjutnya adalah menghitung nilai magnitude dari FFT.

Persamaan yang digunakan adalah persamaan berikut :

|𝑋[𝑘]| = √(𝑅𝑒𝑎𝑙𝑋[𝑘])2 + (𝐼𝑚𝑎𝑗𝑖𝑛𝑒𝑟𝑋[𝑘])2 …................….. (2.7)

d. Mel-Frequency Wrapping

Persepsi sistem pendengaran manusia terhadap frekuensi sinyal suara

ternyata tidak hanya bersifat linear. Penerimaan sinyal suara untuk

frekuensi rendah (<1k Hz) bersifat linear, dan untuk frekuensi tinggi (>1k

Hz) bersifat logaritmik. Jadi, untuk setiap nada dengan frekuensi

sesungguhnya , sebuah pola diukur dalam sebuah skala yang disebut “mel”

(berasal dari Melody). Skala ini didefinisikan oleh Stanley Smith, John

Volkman dan Edwin Newman sebagai :𝐹𝑚𝑒𝑙 =

{2595 × 𝑙𝑜𝑔10 (1 +

𝐹𝐻𝑧

700) , 𝐹𝐻𝑧 > 1000

𝐹𝐻𝑧, 𝐹𝐻𝑧 < 1000 …………………….…. (2.8)

Sebuah pendekatan untuk simulasi spektrum dalam skala mel adalah

dengan menggunakan filter bank yang diletakkan secara seragam dalam

skala mel seperti yang ditunjukkan pada gambar di bawah ini dimana setiap

frame yang diperoleh dari tahapan sebelumnya difilter menggunakan M

filter segitiga sama tinggi dengan tinggi satu.

Gambar 2.4 Mel-spaced Filter Blank

Sumber:http://izanami.tl.fukuokau.ac.jp/SLPL/HMM/HTKBook/img159.gif

Bila spektrum F[N] adalah masukan proses ini, maka keluarannya adalah

spektrum M[N[ yaitu spektrum F[N] termodifikasi yang berisi power output

dari filter-filter ini. Koefisien spektrum mel dinyatakan dengan K. Dalam

mel-frequency wrapping, sinyal hasil FFT dikelompokkan ke dalam berkas

filter triangular ini. Proses pengelompokan tersebut adalah setiap nilai FFT

dikalikan terhadap gain filter yang bersesuaian dan hasilnya dijumlahkan.

Maka setiap kelompok mengandung sejumlah bobot energi sinyal

sebagaimana dinyatakan sebagai seperti ditunjukkan pada gambar diatas.

Proses wrapping terhadap sinyal dalam domain frekuensi dilakukan

menggunakan persamaan berikut.

𝑋𝑖 = 𝑙𝑜𝑔10(∑ 𝑋(𝑘). 𝐻𝑖(𝑘)𝑁−1𝑘=0 ) …......................……………… .. (2.9)

dengan

𝑋𝑖 = nilai frequency wrapping pada filter𝑖 = 1, 2, … , 𝑛(jumlah filter)

𝑋𝑛 = nilai magnitude frekuensi pada 𝑘 frekuensi

𝑋𝑖(𝑘) = nilai tinggi filter𝑖 segitiga dan 𝑘 frekuensi, dengan 𝑘 =

0,1, … , 𝑁 − 1 (jumlah magnitude frekuensi)

e. Cepstrum

Cepstrum adalah sebutan kebalikan untuk spectrum. Cepstrum biasa

digunakan untuk mendapatkan informasi dari suatu sinyal suara yang

diucapkan oleh manusia. Pada tahap terakhir pada MFCC ini, spektrum log

mel akan dikonversi menjadi domain waktu menggunakan DCT

menggunakan persamaan berikut.

𝑐𝑗 = ∑ 𝑋𝑖𝑀𝑖=1 . cos (

𝑗(𝑖−1)

2.

𝜋

𝑀) …......................…………….. .. (2.10)

dengan

𝐶𝑖 = nilai koefisien 𝐶𝑘𝑒𝑗

𝑗 = 1,2,… jumlah koefisien yang diharapkan

𝑋𝑖 = nilai 𝑋 hasil mel-frequeny wrapping pada frekuensi 𝑖 =

1,2, … , 𝑛(jumlah wrapping)

𝑀= jumlah filter

Hasil dari proses ini dinamakan Mel-Frequency Cepstrum Coefficients

(MFCC).

2.7 Hidden Markov Model

Hidden Markov Model (HMM) merupakan model stokastik dimana suatu

sistem yang dimodelkan diasumsikan sebagai markov proses dengan kondisi yang

tidak terobservasi. Suatu HMM dapat dianggap sebagai jaringan Bayesian dinamis

yang sederhana (Simplest Dynamic Bayesian Network) (Prasetyo, 2010).

HMM adalah sebuah model statistik dari sebuah sistem yang diasumsikan

sebuah proses Markov dengan parameter yang tak diketahui, dan tantangannya adalah

menentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter

yang dapat diamati (Lestary, 2010). Setiap kondisi memiliki distribusi kemungkinan

disetiap output yang berbeda. Oleh karena itu urutan langkah yang dibuat oleh HMM

memberikan suatu informasi tentang urutan dari keadaan. Sifat hidden atau

tersembunyi berarti bahwa kondisi langkah yang dilewati model tersebut. Walaupun

parameter model diketahui, model tersebut tetap tersembunyi. HMM dapat digunakan

untuk aplikasi dibidang temporal pattern recognition seperti pengenalan suara, tulisan,

gesture, bioinformatika, kompresi kalimat, computer vision, ekonomi, finansial, dan

pengenalan not balok.

HMM adalah finite state machine stokastik yang akan menghasilkan barisan

simbol-simbol observasi. Setiap state yang ada memiliki fungsi probabilitas yang

berfungsi untuk mengenerate simbol observasi. Dalam HMM, hanya urutan observasi

saja yang dapat teramati, sedangan urutan statenya tersembunyi. Secara umum (Adami,

2010), HMM terdiri atas elemen-elemen berikut :

1. Himpunan nilai output observasi𝑂 = {𝑜1, 𝑜2, … , 𝑜𝑀}, dimana 𝑀adalah

jumlah simbol observasi.

2. Himpunanstate𝛺 = {1,2, … , 𝑁}. Dimana 𝑁 menyatakan jumlah state yang

terdapat pada HMM.

3. Himpunan probabilitas transisi antar state. Pada dasarnya, diasumsikan

bahwa state berikutnya tergantung pada state pada saat ini. Asumsi ini

menyebabkan proses perhitungan menjadi lebih mudah dan efisien untuk

dilakukan.Probabilitas transaksi dapat dinyatakan dengan sebuah matriks

A= {𝑎𝑖𝑗} , dimana 𝑎𝑖𝑗adalah probabilitas transaksi dari state 𝑖ke state 𝑗.

Sebagai contoh :

𝑎𝑖𝑗 = 𝑃(𝑠𝑡 = 𝑗|𝑠𝑡−1 = 𝑖), 1 ≤ 𝑖, 𝑗 ≤ 𝑁 …....…………….. .. (2.11)

dimana𝑠𝑡 merupakan state pada waktu ke-𝑡.

4. Himpunan probabilitas output 𝐵 = {𝑏𝑖(𝑘)}pada setiap state. Yang juga

disebut probabilitas emisi, 𝑏𝑖(𝑘)adalahprobabilitas dari simbol output 𝑜𝑘

pada state 𝑖 yang didefinisikan sebagai

𝑏𝑖(𝑘) = 𝑃(𝑣𝑡 = 𝑜𝑘|𝑠𝑡 = 𝑖) …....……………………………... (2.12)

dimana 𝑣𝑡adalah simbol observasi pada waktu ke-𝑡.

5. Himpunan state awal𝜋 = {𝜋𝑖}, dimana 𝜋𝑖adalah probabilitas state 𝑖

menjadi state awal pada urutan state HMM.

Gambar 2.5 Parameter Probabilistik pada Hidden Markov Model

Sumber:http://www.google.com/imgres?imgurl=http://en.academic.ru/pictures/enwiki/72/Hidden

MarkovModel.png

Penjelasan :

x = kondisi

y = observasi yang mungkin

a = kemungkinan keadaan transisi

b = kemungkinan output

2.8 Vector Quantization

Menurut Kusumadewi (2003), Vector Quantization adalah suatu metode untuk

melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan

kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input.

Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung

pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka

lapisan kompetitif akan meletakkan kedua vektor input tersebut kedalam kelas yang

sama.

Teknik VQ terdiri dari mengekstraksi sebagian kecil vektor corak sebagai

contoh untuk menandai karakter spesifik pembicara agar lebih efisien. Dengan

penggunaan corak data suara pelatihan yang diklustering untuk membentuk suatu

codebook untuk masing-masing pembicara. Dalam langkah pengenalan, data dari

pembicara yang diuji dibandingkan kepada codebook dari tiap pembicaradan

mengukurperbedaannya. Perbedaan ini kemudian digunakan untuk membuat

keputusan pengenalan suara dari pembicara tersebut.

Gambar 2.6 Vektor Sebelum Mengalami Proses Vector Quantization

Gambar 2.7 Vektor Setelah Proses Vector Quantization

2.8.1 Arsitektur Vector Quantization

Menurut Putro (2011), arsitektur VQ sama halnya dengan SOM (Self

Organizing Map), VQ juga terdiri dari 2 lapisan, input (x) dan output (y), dimana antara

lapisannya dihubungkan oleh bobot tertentu yang sering disebut sebagai vektor

pewakil. Informasi yang diberikan ke jaringan pada saat pembelajaran bukan hanya

vektor data saja melainkan informasi kelas dari data juga ikut dimasukkan.

Gambar 2.8 Arsitektur Vector Quantization

Sumber: (Azizi, 2013)

Ketika hasil pemrosesan jaringan memberikan hasil klasifikasi yang sama

dengan informasi kelas yang diberikan di awal, maka vektor pewakil akan disesuaikan

agar lebih dekat dengan vektor masukan. Sebaliknya ketika hasil klasifikasi tidak sama

dengan informasi kelas yang diberikan di awal, maka vektor pewakil akan disesuaikan

agar menjauhi vektor masukan.