LANGKAH LANGKAH PEGENALAN POLAANALISIS SUARA ALPHABET

OLEH : OLEH KEL : NAMA NIM NAMA NIM NAMA NIM NAMA NIM KELAS JURUSAN PRODI : MUHAMMAD ERIZKI : 0904120 : NURUL REZEKI PUTRI : 0904120 : PUTRI HAYATI : 090412031 : PUTRI HUSNA : 0904120 :H-3 : TEKNIK ELEKTRO : INFORMASI TEKNOLOGI

DOSEN PEMBIMBING : ZULAKHRI ST, MT

PRODI D4 TEKNOLOGI INFORMASI (TI) JURUSAN T.ELEKTRO POLITEKNIK NEGERI LHOKSEUMAWE TAHUN AJARAN 2012 2013

ANALISIS SUARA ALPHABETI. SENSOR SENSOR SUARA adalaha sebuah alat yang mampu mengubah gelombang Sinusiuda suara menjadi gelombang sinus energi listrik (Alternating Sinusioda ElectricCurret). Sensor suara bekerja berdasarkan besar/kecilnya kekuatan gelombang suara yang mengenai membran sensor yang menyebabkan bergeraknya membran sensor yang juga terdapat sebuah kumparan kecil dibalik membran tadi naik dan turun. Oleh karena kumparan tersebut sebenarnya adalah ibarat sebuah pisau berlubang-lubang, maka pada saat ia bergerak naik turun, ia juga telah membuat gelombang magnet yang mengalir melewatiya terpotong-potong. Kecepatan gerak kumparan menentukan kuatlemahnya gelombang listrik yang dihasilkannya. Pada analisis suara alphabet dalam speech recognition (pengenalan suara) adalah proses perekaman yang terjadi sering kali berbeda durasinya, biarpun kata atau kalimat yang diucapkan sama.

II.

FUTURE GENERATION Pengenalan suara akan menjadi dasar dalam pembuatan perangkat lunak kontrol suara

tersebut. Dasar dari pengenalan suara adalah pencocokan pola suara. Pengenalan pola dapat dilakukan dengan pendekatan Statistical Pattern Recognition Approach (SatPR) atau etimilasi distribusi, Syntatic Pattern Recognition Approach (SyntPR) atau parsing bahasa formal, dan Neural Pattern Recognition Approach (NeurPR) atau model parallel. Pada masalah ini bertujuan untuk membuat suatu sistim aplikasi pengujian suara huruf alphabet, dengan masukan data suara dalam bentuk biner yang sudah diolah melalui proses normalisasi. Dari hasil analisis suara alphabet ini bertujuan agar dapat digunakan sebagai bahan pembelajaran benar tidaknya huruf alphabet dalam sisi pengejaannya. Dan aplikasi yang dibuat ini juga dapat dijadikan pengembangan pendukung di bidang yang berkaitan. dengan penyesuaian tertentu aplikasi ini dapat digunakan bukan hanya untuk menganalisis huruf alphabet saja, bahkan bisa untuk bidang yang lainnya.

III.

FEATURE COLLECTION Mekanisme getaran suara sebenarnya sangat kompleks. Ketika celah suara menegang

dan tekanan udara meningkat dari paru-paru, periode membuka dan menutupnya menjadi pendek dan frekuensi (pitch) sumber suara menjadi tinggi. Periode membuka dan menutup ini disebut getaran celah suara. Sebaliknya, kondisi tekanan udara yang rendah menghasilkan suara frekuensi yang rendah. Sumber suara terdiri atas komponen fundamental dan harmonik yang dimodifikasi oleh jalur vocal untuk menghasilkan suara, seperti dalam menghasilkan bunyi vokal /a/ dan /o/. Pengolahan suara terdapat dua macam yaitu pengenalan ucapan dan sinlatihis ucapan. Pengenalan ucapan merupakan proses menganalisa suara kemudian mengubahnya menjadi suatu perintah atau suatu teks sedangkan sinlatihis ucapan adalah sebaliknya. Dalam tahap ini merupakan penentuan jumlah sampel dalam satu detik. Jika pencuplikan dilakukan dengan frekuensi cuplik 8000Hz, maka dalam satu detik terdapat 8000 sampel. Perlu diperhatikan komponen utama frekuensi sinyal suara berada pada kisaran 300 3400 Hz. Menurut Nyquist, frekuensi sampling dalam pencuplikan harus lebih besar 2 kali dari frekuensi sinyal aslinya. Sesuai dengan persamaan Nyquist, fs< 2fh dimana fh =fin. Semakin tinggi frekuensi sampling maka sinyal digital yang dihasilkan semakin bagus. Kemudian proses selanjutnya adalah kuantisasi, yaitu membatasi amplitude atau nilai aksis sinyal. Sinyal analog yang ada yang diproses secara langsung dengan menggunakan sistem pengolah sinyal analog khusus (semisal untuk penapis, penganalisis frekuensi atau pengali frekuensi). Digitalisasi merupakan proses konversi sinyal analog menjadi sinyal digital, yang terdiri dari pencuplikan, kuantisasi, dan pengkodean. Analisa specktrum suara dapat dilakukan dengan menggunakan transformasi fourier waktu diskrit (DFT), Linier Predictive Coding (LPC), Mel Scala dan sebagainya. Dari proses ini dapat dianalisa magnitude, energi, atau phase dari suatu sinyal.

IV.

CLASSIFIER DESIGN Dalam classifier design ini akan dibahas mengenai desain dan perancangan sistem

metode Neural Network dengan algoritma Backpropagation untuk pengenalan suara. Desain dan perancangan sistem ini meliputi analisis sistem, perancangan sistem, dan desain antarmuka. Sistem ini dibangun untuk menganalisis pengenalan suara huruf alphabet. Parameter yang digunakan dalam pembuatan perangkat lunak ini adalah pola suara hasil keluaran dari FFT yaitu pola suara orang yang sudah dianggap benar dilihat dari segi benar tidaknya dalam mengeja huruf.

Input

Training dengan JST Latih

Data Latih

Uji

Uji

Benar/ Dikendali Gambar 3.1 Diagram Blok Sistem Secara keseluruhan

Penjelasan dari blok diagram diatas, sebagai berikut: Input: masukkan yang diperlukan adalah pola suara yang telah dijadikan matrik yang akan dilatih. Yaitu pola suara huruf yang benar dan yang tidak benar meliputi huruf A sampai Z. Periode Training: pada periode ini ada 4 tahap, yaitu; pertama, penentuan maximum dan minimum pola inputan. Kedua, menentukan jumlah jaringan neuron, ketiga penentuan fungsi aktifasi jaringan. Tahap yang terakhir menentukan fungsi identitas untuk keluarannya. Periode Latihan dan Uji: proses latihan dilakukan pada tiap masing-masing pola suara, untuk data uji dilakukan tanpa pola suara dilatih terlebih dahulu sehingga

jaringan akan bisa menentukan data uji jika hasilnya sama dengan pola yang sudah dilatih maka ia akan menampilkan pesan dikenali atau tidak dikenali. Benar/ Dikenali: sistem melakukan pelatihan sehingga menghasilkan keputusan dikenali atau tidak dikenali.Input Data Latih Data Uji Training dengan JST Latih Uji Benar/ Dikenali

V.

SYSTEM EVALUATION

Proses Preprosesing Data Preprosesing data ini yang didalamnya ada beberapa tahapan yang harus dilalui seperti: Normalisasi, Linier Prediktif Coding (LPC), dan Fast Fourier Transform (FFT). Berikut ini gambar hasil dari pengucapan huruf A pada preprosesing: 1. Normalisasi

Gambar 4.1 Normalisasi Listing program untuk menampilkan gambar:subplot(121) imagesc(SM) colormap(1-gray) title('local score match') % Anda dapat melihat sebuh strip gelap (high similarity values)

mengarah %turun secara diagonal. % Gunakan dynamic programming untuk mendapatkan lowest-cost path antara %pojok cost matrix yang berhadapan % Catat bahwa kita menggunakan 1-SM karena dp akan menemukan *lowest* %total cost [p,q,C] = dp(1-SM); % Overlay lintasan pada local similarity matrix hold on; plot(q,p,'r'); hold off % Lintasan tampak mengikuti Path jalur dark % Plot minimum-cost-to-this point matrix subplot(122) imagesc(C) hold on; plot(q,p,'r'); hold off title('local score dynamic programming')

2. Estimasi Terhadap Sinyal Suara

Gambar 4.2 Estimasi Sinyal Suara Maksudnya adalah perkiraan dari inputan pengenalan suara sinyalnya lebih kurang seperti gambar diatas

Listing program untuk menampilkan gambar:% Display results figure(2) plot([wx; zeros(order,1)],'g'); title('Linear Predictive Analysis, Autocorrelation Method'); hold on; plot(estx,'black'); hold off; %xlim([0 length(er)]) legend('Speech Signal','Estimated Signal'); % The prediction error is estimated in the interval 0