TUGAS TEORI INFORMASI & PENGKODEAN

“DIGITAL FORENSIC VOICE”

Proposal ini diajukan untuk memenuhi salah satu tugas mata kuliah

Teori Informasi & Pengkodean

Disusun Oleh:

Irma Amelia Dewi

NIM: 23211310

Program Magister Teknik Komputer

SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA

INSTITUT TEKNOLOGI BANDUNG

2012

Digital Forensic

Forensic adalah proses penggunaan pengetahuan ilmiah dan teknologi dalam

melakukan investigasi ,seperti mengumpulkan dan menganalisa sebuah objek dan

kemudian menghasilkan fakta-fakta atau bukti-bukti untuk digunakan sebagai

pemeliharaan, dokumentasi atau sebagai barang bukti ke pengadilan. Forensik erat

hubungannya dengan analisa barang bukti laten/tiak terlihat. Barang bukti laten

berbentuk dalam banyak format salah satunya seperti sidik jari, DNA dari noda darah

dan juga file-file yang tersedia dalam media digital komputer.

Digital Forensic proses forensic yang dilakukan pada media yang berbentuk

digital yang dapat diambil dari perangkat komputer, PDA ,handphone smartphone dan

jenis perangkat digital lainnya yang digunakan sebagai media penyimpanan (seperti

flash disk, hard disk, atau CD-ROM), sebuah dokumen elektronik (misalnya sebuah

pesan email atau gambar JPEG, rekaman suara, rekaman video), atau bahkan sederetan

paket yang berpindah dalam jaringan komputer. Forensic dapat dilakukan meskipun

data sengaja dihapus atau tidak sengaja dihapus.

Bagian spesifik dari digital forensic pada ruang lingkup perangkat seperti

komputer disebut dengan Computer Forensic. Bentuk data digital pada Computer

Forensic dapat berupa file-file wordprocessor, spreadsheet, sourcode software,

database, image, sound, email, bookmark, cookies, registry dan lainnya. Computer

Forensic adalah aktifitas yang berhubungan dengan pemeliharaan, identifikasi,

pengambilan.penyaringan dan dokumentasi bukti komputer dalam kejahatan komputer

(Cybercrime/Computercrime).

Audio forensik memiliki sejarah panjang dengan militer Amerika Serikat dan

pemerintah. Dalam Perang Dunia II, teknologi ini digunakan untuk mengidentifikasi

suara-suara musuh yang ditargetkan yang terdengar di atas radio dan telepon.

Penggunaan sp

ektrograf suara, yang diplot pola frekuensi suara dan amplitudo, membantu analisis

mengidentifikasi orang-orang yang menarik. Dalam beberapa tahun terakhir, forensik

audio digunakan untuk menganalisis pesan yang dibuat oleh teroris untuk membantu

menentukan lokasi mereka, waktu pembuatan audio dan faktor-faktor yang berasal

lainnya.

Beberapa hal yang umumnya dievaluasi dalam klip audio untuk menentukan

keasliannya adalah latar belakang suara, perubahan frekuensi suara, suara yang berasal

dari rekaman peralatan dan berhenti, mulai dan jeda. Setiap sinyal diskontinuitas di

daerah ini akan dianalisa untuk membuktikan bahwa rekaman tersebut tidak otentik

atau telah dikompromikan.

Salah satu teknik yang paling populer digunakan selama analisis adalah

membandingkan satu suara yang tidak diketahui dengan suara yang dikenal untuk

mengidentifikasi. Hal ini dapat dilakukan dalam kasus yang melibatkan suara, di mana

satu pembicara telah diidentifikasi, tetapi yang lain tidak.

1. Teori Dasar Analisa Suara

Teori dasar untuk identifikasi suara bersandar pada premis bahwa setiap suara

individual karakteristik cukup untuk membedakannya dari orang lain melalui analisis

voiceprint. Ada dua faktor umum yang terlibat dalam proses suara manusia. Faktor

pertama dalam menentukan keunikan suara terletak pada ukuran rongga vokal, seperti

rongga tenggorokan, hidung dan mulut, dan bentuk, panjang dan ketegangan pita suara

individu yang terletak di laring. Rongga vokal yang resonator, seperti pipa organ, yang

memperkuat beberapa nada yang dihasilkan oleh pita suara, yang menghasilkan format

atau batang voiceprint. Kemungkinan bahwa dua orang akan memiliki semua rongga

vokal mereka ukuran yang sama dan konfigurasi dan digabungkan identik muncul

sangat terpencil.

Faktor kedua dalam menentukan keunikan suara terletak pada cara yang

artikulator-artikulator atau otot pidato dimanipulasi selama berbicara. Artikulator-

artikulator termasuk bibir, gigi, lidah, langit-langit lunak dan otot-otot rahang yang

saling dikendalikan menghasilkan pidato dimengerti. pidato dimengerti dikembangkan

oleh proses pembelajaran acak meniru orang lain yang berkomunikasi.

Untuk memfasilitasi perbandingan visual dari suara, spektrograf bunyi

digunakan untuk menganalisis bentuk gelombang pidato kompleks menjadi tampilan

bergambar pada apa yang disebut sebagai sebuah spektrogram. spektrogram

menampilkan sinyal suara dengan waktu sepanjang sumbu horisontal, frekuensi pada

sumbu vertikal, dan amplitudo relatif yang ditunjukkan oleh tingkat naungan abu-abu

pada layar. Resonansi suara pembicara ditampilkan dalam bentuk tayangan sinyal

vertikal atau tanda untuk suara konsonan, dan bar horisontal atau forman untuk suara

vokal. Konfigurasi yang ditampilkan terlihat karakteristik dari artikulasi terlibat untuk

speaker menghasilkan kata dan frase. Spektrogram berfungsi sebagai catatan permanen

dari kata-kata lisan dan memfasilitasi perbandingan visual dari kata-kata serupa yang

diucapkan oleh orang yang dikenal dengan suara pembicara yang belum diketahui

identitasnya.

1.1 Teori Suara

Suara dihasilkan melalui proses Generation dan Filtering. Pada proses

Generation, suara pertama kali diproduksi melalui bergetarnya pita suara (vocal cord

atau vocal fold) yang berada di larynx untuk menghasilkan bunyi periodik. Bunyi

periodik yang bersifat konstan tersebut kemudian di-filterisasi melalui vocal tract (juga

disebut dengan istilah resonator suara atau articulator) yang terdiri dari lidah (tongue),

gigi (teeth), bibir (lips), langit-langit (palate) dan lain-lain sehingga bunyi tersebut dapat

menjadi bunyi keluaran (output) berupa bunyi vokal (vowel) dan atau bunyi konsonan

(consonant) yang membentuk kata-kata yang memiliki arti yang nantinya dapat

dianalisa untuk voice recognition.

Gambar 1 Human vocal tract.(sumber: http://www.dukemagazine.duke.edu/issues/050608/images/050608-lg-

figure1purves.jpg)

Gambar 2 Suara Keluaran (output) setelah melalui filterisasi vocal tract.

1.2 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

Frekwensi 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. Frekwensi F0 ini berubah secara konstan dan memberikan

informasi linguistik seseorang seperti perbedaan intonasi dan emosi

Gambar 3 Diagram pitch terhadap waktu yang berubah secara konstan

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

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 (output) berupa

kata-kata yang memiliki makna. Secara umum, frekwensi-frekwensi 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).

Gambar 4 Diagram masing-masing Formant F1, F2, F3, F4 dan F5

c. Spectrogram

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. Dikarenakan spectrogram memuat hal-hal

yang bersifat detil, maka Spectrogram oleh beberapa ahli juga dikenal dengan

istilah sidik jari suara (voice fingerprint).

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).

Gambar 5 Spectrogram representasi spektral dengan tingkatan energinya

D. source Filter Model

Terdapat dua sumber akustik dalam suatu ucapan yakni, suatu ucapan dengan

suara dan ucapan tanpa suara. Ucapan bersuara dihasilkan oleh modulasi aliran udara

dari paru-paru yang menyebabkan getaran pada vocal fold. Ucapan tanpa suara

sumber suaranya bukan getaran biasa melainkan getaran yang disebabkan oleh aliran

udara turbulen akibat penyempitan di saluran vokal.Ucapan tanpa suara ini disebut

juga suara desah atau noise. Source filter model disini digunakan untuk penyaring

frekuensi tertentu ataupun menguatkan serta melemahkan. Source filter model, terdiri

dari komponen sumber yang berasal dari pita suara yang kemudian menuju filter

sehingga menghasilkan output ucapan yang telah disaring.

Gambar 6 Source filter model

2. Proses Pengolahan Sinyal Digital

Dibutuhkan pengolahan sinyal suara sehingga diperoleh koefisien karakteristik

suara manusia untuk sistem ini yang terdiri dari Sampling, Frame Blocking, Windowing,

Discrette Fourier Transform (DFT), Filter Nonlinear Power Spectral Subtraction (SS), Mel

Filter Bank dan Discrette Cosine Transform (DCT). Berikut adalah teori dasar dari proses

tersebut.

Sampling

Sinyal suara merupakan sinyal yang tidak terbatas dalam domain waktu

(infinite time interval). Suara manusia akan menghasilkan sinyal analog

yang terus kontinyu. Untuk melakukan ekstraksi koefisien karakteristik

suara maka sinyal wicara harus dibentuk dalam potongan±potongan

waktu yang terbatas (finite time interval). Karena itu sinyal yang ada

dipotong±potong dalam slot interval waktu tertentu. Deret diskrit

sampel x[n] diperoleh dari sinyal kontinu x(t) dengan hubungan sebagai

berikut,

x[n]= x(nT )

Dimana T adalah periode sampling dan 1/T=Fs merupakan frekuensi

sampling dalam satuan sampel/detik. Nilai n merupakan jumlah sampel.

Berdasarkan pada teori sampling Nyquist, maka syarat dari frekuensi

sampling adalah minimal dua kali frekuensi maksimal sinyal asli.

Penentuan frekuensi sampling yang sesuai hukum Nyquist ini untuk

mencegah adanya perubahan bentuk asli sinyal atau aliasing.

Frekuensi Sampling ≥ 2x Frekuensi Sinyal

Berikut adalah contoh sinyal sebelum dan sesudah sampling.

Gambar 7 Sinyal sebelum sampling

Gambar 8 Sinyal setelah sampling

Frame BlockingFrame Blocking merupakan pembagian suara menjadi beberapa frame

dan satu frame terdiri dari beberapa sampel. Proses ini diperlukan

untuk membentuk sinyal suara yang non stasioner menjadi sinyal suara

yang quasi-stasioner sehingga dapat diubah dari domain waktu ke

dalam domain frekuensi dengan Transformasi Fourier. Hal ini karena

sinyal suara manusia menunjukkan karakteristik quasi-stasioner pada

saat pada rentang waktu 20-40 milidetik. Sehingga pada rentang

tersebut transformasi Fourier dapat dilakukan karena Transformasi

Fourier tidak dapat melakukan pemrosesan apabila sinyal suara

manusia berada dalam keadaan non stasioner. Pengambilan jumlah

sampel untuk tiap frame tergantung dari tiap berapa detik suara akan

disampel dan berapa besar frekuensi samplingnya. Untuk

mengakomodasi hilangnya data saat proses frame blocking digunakan

overlapping sinyal untuk tiap frame. Pada umumnya overlapping berada

pada rentang waktu 10-20 ms pada tiap frame.

Gambar 9 Proses frame blocking pada sinyal

Windowing

Sinyal suara yang dipotong-potong menjadi beberapa frame akan

menyebabkan efek diskotinuitas pada awal dan akhir sinyal. Hal ini

akan menyebabkan kesalahan data pada proses Transformasi Fourier.

Windowing diperlukan untuk mengurangi efek diskontinuitas dari

potongan ± potongan sinyal tersebut. Jika didefinisikan w(n) sebagai

window dimana 0 ≤ n ≤ N-1, N adalah jumlah sampel dalam tiap frame

maka hasil proses windowing seperti pada persamaan berikut:

w(n) x(n)W (n), 0≤ n≤ N1

Jenis windowing ada beberapa macam yaitu Hamming, Hanning, Bartlet,

Rectanguler dan Blackman. Persamaan windowing sebagai berikut :

o Window Hamming

o Window hanning

o Window Barlet

o Window Blackman

Discretee Fourier Transform (DFT)

Transformasi Fourier adalah suatu metode yang sangat efisien untuk

menyelesaikantransformasi fourier diskrit yang banyak dipakai untuk

keperluan analisa sinyal seperti pemfilteran, analisa korelasi, dan

analisa spektrum. Transformasi Fourier ini dilakukan untuk

mentransformasikan sinyal dari domain waktu ke domain frekuensi.

DFT adalah bentuk khusus dari persamaan integral fourier :

Dengan mengubah variable-variabel, waktu (t), frekuensi ( ) kedalam

bentuk diskrit diperoleh transformasi Fourier diskrit (DFT) yang

persamaannya adalah :

DFT dilakukan dengan membagi N buah titik pada transformasi fourier

diskrit menjadi 2, masing-masing (N/2) titik transformasi. Proses

memecah menjadi 2 bagian ini diteruskan dengan membagi (N/2) titik

menjadi (N/4) dan seterusnya hingga diperoleh titik minimum.

Pemakaian DFT ini karena untuk perhitungan komputasi yang lebih

cepat dan mampu mereduksi jumlah perkalian dari N 2 menjadi NlogN

iterasi.

Nonlinear Power Spectral Subtraction (SS)

Filter Nonlinear Power Spectral Subtraction (SS) merupakan proses

pemfilteran noise sinyal dalam domain frekuensi. Filter ini terdiri atas

dua tahap pemrosesan yaitu Voice Activity Detection (VAD) dan Spectral

Subtracting.

o Voice Activity Detection (VAD)Tujuan dari tahapan proses VAD ini adalah untuk menentukan

frame sinyal suara apakah berisi sinyal wicara (voiced), tidak ada

sinyal bicara (unvoiced) atau tanpa suara/keadaan diam (silent).

Frame voiced cenderung memiliki energi lebih besar dari pada

frame unvoiced terlebih frame silent. Frame silent pada umumnya

merupakan representasi dari noise latar belakang lingkungan

suara. Proses VAD ini merupakan pondasi dasar dari algoritma

Nonlinear Power Spectral Subtraction karena keakurasian VAD

menentukan waktu kapan update noise dan besarnya filtering

pada sinyal suara.

Estimasi noise pada filter ini menggunakan hasil pada VAD untuk

menentukan kapan untuk melakukan komputasi ulang nilai noise

yang dijadikan sebagai referensi filter.Inisialisasi noise referensi

diasumsikan diambil dari sinyal suara dalam frame pertama

yang hanya berisi noise. Nilai treshold dari VAD dihitung untuk

menentukan suatu frame merupakan sinyal suara manusia atau

noise. Faktor komputasi ulang ( update) yaitu α N dan β N dapat

diatur secara ³trial and error´. Namun berdasarkan penelitian

sebelumnya [11] nilai optimal kedua factor tersebut adalah 0.95.

Tahap pertama VAD adalah melakukan Transformasi Fourier

(DFT atau FFT) untuk mengubah sinyal dalam frame dari domain

waktu ke domain frekuensi.

Selanjutnya spektrum, mean dan standar deviasi dari noise pada

frame pertama k=1 diinisialisasi sebagai noise

Jika VAD=0 maka spektrum, mean dan standar deviasi untuk

semua frame noise diperbaharui.

Treshold selanjutnya diperbaharui jika frame tidak berisi sinyal

suara berdasarkan mean dan standar deviasi dari estimasi noise.

Pengaturan threshold dilakukan menggunakan perkalian gain α

S dan α N yang dapat diatur secara eksperimental karena hingga

saat ini tidak ada rumusan umum untuk menentukan kedua nilai

tersebut.

Keputusan VAD dapat menggunakan treshold wicara dimana jika

energy sinyal lebih dari dua kali standar deviasi di atas mean

noise maka frame dikenali sebagai frame wicara. Jika energi

sinyal kurang dari beberapa bagian dari standar deviasi maka

frame dikenali sebagai noise. Jika baik wicara maupun noise

tidak dikenali keduanya maka frame dianggap sama dengan

kondisi frame sebelumnya.

Spectral Subtracting

Ada beberapa metode/algoritma untuk melakukan filter Nonlinear

Power Spectral Subtraction ini. Namun pada penelitian ini

menggunakan algoritma berdasarkan faktor oversubtraction dan

spectral floor berdasarkan kalkulasi SNR posteriori. Persamaan umum

dari metode ini adalah sebagai berikut,

Dimana adalah faktor oversubtraction untuk melakukan overestimate

spektrum noise dan adalah faktor spectral floor. Nilai dari factor

merupakan fungsi dari estimasi posteriori signal-to-noise ratio (SNR)

dan dirumuskan sebagai berikut,

Dimana SNR posteriori diperoleh malalui hubungan berikut,

Dengan α 0 merupakan nilai yang diinginkan dari pada saat sinyal

dalam keadaan 0 dB SNR. Secara umum semakin besar nilai tereduksi

secara signifikan. Namun apabila nilai maka noise sinyal akan yang

terlalu besar akan merubah pola sinyal dengan nilai yang cukup besar.

Sehingga nilai harus ditentukan secara tepat agar dapat mengurangi

noise secara optimal namun tetap menjaga bentuk pola sinyal asli.

Untuk power subtraction, range optimal dari α 0 adalah antara 3 sampai

dengan 6. Sedangkan parameter spectral floor digunakan untuk

mencegah adanya eliminasi terhadap sinyal suara di bawah batas

terendah yaitu . Nilai parameter paling optimal berada range 0.1β

sampai dengan 0.001. Namun untuk level noise rendah dapat

menggunakan nilai yang lebih kecil dari pada 0.01.

Mel Frequency Cepstrum Coefficient (MFCC)Informasi penting pada sinyal suara manusia berada pada frekuensi

tinggi Informasi penting ini yang menentukan karakteristik suara

manusia dan Mel scale digunakan untuk mengakomodasi karakteristik

tersebut. Setiap nada suara manusia dengan frekuensi actual ω yang

diukur dalam Hz nilai subjektif pitch dapat diukur dalam Mel Scale

merupakan ukuran atau skala persepsi manusia dari frekuensi suatu

suara. Hubungan antara Mel Scale dengan frekuensi tidak linear

seluruhnya. Pada frekuensi dibawah 1 kHz hubungannya adalah linear

tetapi untuk frekuensi lebih tinggi dari 1kHz hubungannya bersifat

logaritmik. Hubungan ini berdasarkan berbagai penelitian tentang

persepsi penangkapan suara oleh telinga manusia

Hubungan di atas menunjukkan hubungan antara frekuensi aktual

dengan frekuensi pada Mel scale. Pada implementasinya skala ini

menggunakan Filter Bank dimana setiap nilai magnitude frekuensi

difilter oleh deret filter segitiga. Dengan nilai frekuensi tengah yaitu

frekuensi Mel filter segitiga ini yang merepresentasikan proses Mel

scaling pada sinyal

Gambar 10 Konstruksi filter bank

Hasil dari DFT pada proses pengolahan sebelumnya akan lebih

informatif jika ditunjukkan dalam tiap band. Berdasarkan penelitian

sebelumnya, pendengaran manusia tidak sensitif untuk semua frekuensi

band. Sensitifitas tersebut berkurang pada frekuensi rendah dan

meningkat pada frekuensi di atas 1000 Hz. MFCC menggunakan

landasan ini sebagai ekstraksi koefisien identitas suara. Koefisien ini

telah memberikan hasil paling baik hingga saat ini khususnya dalam

aplikasi speaker recognition maupun speech recognition.

Mel Frequency Cepstral Coefficient MFCC didefinisikan sebagai Descretee

Fourier Transform dari amplitude sinyal dalam mel frequency. Sehingga

untuk mendapatkan sinyal pada skala mel dilakukan filtering dengan

frekuensi puncak adalah frekuensi mel.

Secara umum algoritma untuk menghitung MFCC adalah sebagai

berikut,

1. Komputasi sinyal dalam domain frekuensi dengan DFT

2. Melewatkan magnitud dari spektrum sinyal X[k] melalui Mel Filter

Bank. Hasil dari filtering magnitude spektrum ini adalah kumpulan M

yang merupakan representasi dari energi tiap band dimana M

merupakan jumlah filter pada filterbank.

3. Komputasi harga logaritmik dari energi dari tiap band output dari

tiap filter. Proses logaritmik sinyal digunakan untuk

mengadaptasikan sistem seperti telinga manusia,karena sinyal suara

yang berada dibawah frekuensi 1 Khz (Low order) akan terdengar

linear namun lebih dari 1 Khz (High Order) grafiknya akan menjadi

logaritmis, untuk menyamakan persepsi itu maka digunakan proses

logaritmis pada sinyal agar sinyal dapat di proses.

4. Mengubah logaritma dari energi ke MFCC dengan Discrette Cosine

Transform (DCT).

Gaussian Mixture Model (GMM)Konsep dasar dari pemodelan dengan menggunakan Gaussian Mixture

Modeladalah Classifier, Klasifikasi Bayessian, Distribusi Gaussian

Multivariate dan algoritma Expectation-Maximation (EM). Berikut

adalah penjelasan dari ketiga konsep dasar tersebut.

o Classifier

Classifer adalah salah satu algoritma dengan menggunakan

feature atau cirri sebagai input dan menerjemahkannya dengan

berdasarkan informasi yang diberikan pada algoritma sebagai

parameternya. Keluaran dari algoritma ini biasanya berupa

label/kategori atau dapat juga suatu nilai numerik.

Kemampuan klasifikasi dalam classifier untuk tiap kasus dapat

dikembangkan dengan menggunakan jenis yang sesuai.

Kemampuan ini juga membutuhkan model atau struktur yang

tepat dalam sebuah classifier, misalnya pada jaringan syaraf

tiruan yaitu berupa jumlah neuron dan lapisan. Untuk classifier

Bayesian, model distribusi probabilitas harus disesuaikan

dengan kasus yang akan diklasifikasi. Sebuah classifier dapat

memiliki banyak parameter yang harus disesuaikan dengan nilai

yang diharapkan. Proses penyesuaian ini biasa disebut dengan

pembelajaran atau pelatihan. Kompleksitas dari sebuah classifier

sangat mempengaruhi kemampuan dan fleksibilitas suatu proses

identifikasi. Classifier yang sederhana memiliki nilai

komputasional yang cukup kecil namun kemampuannya untuk

mempelajari suatu data sangat rendah. Sedangkan classifier yang

sangat kompleks akan dapat mempelajari suatu kasus dengan

klasifikasi dengan akurasi yang tinggi bahkan sampai dengan

100%. Namun dengan akurasi yang sangat tinggi ini jika

diberikan dengan kasus yang berbeda maka akan menghasilkan

nilai dengan akurasi yang rendah. Karena itu data pengujian

pada umumnya dibagi menjadi dua set yaitu data training dan

data tes sehingga analisa performansi system akan lebih akurat.

(a) (b)

Gambar 11 Hasil classifier dengan kompleksitas yang tinggi solid line) dapat melakukan klasifikasi dengan sedikit error a), Namun saat diberi

kasus yang berbeda akan memberikan hasil yang sebaliknya. b)

Sebuah classifier dapat menggunakan banyak parameter untuk

penyesuaian system dengan tugas yang diberikan. Proses

penyesuaian ini biasa disebut dengan pembelajaran atau

pelatihan. Dalam pembelajaran terawasi, data untu pembelajaran

sebelumnya telah diset dan ditentukan hasilnya atau biasa

disebut dengan target pembelajaran. Sedangkan dalam

pembelajaran tak terawasi, data pembelajaran tidak ditentukan

targetnya tetapi pada waktu pelatihan ditujukan untuk mencari

dan membentuk klasifikasi secara independen.

Klasifikasi Bayesian

Classifier Bayesian dalam menentukan keputusannya berdasarkan teori

probabilitas dan prinsip pemilihan nilai optimal. Jika diasumsikan

sebuah klasifikasi membagi suatu vektor feature/ciri menjadi K kelas

yang berbeda. Vektor ciri didefinisikan sebagai x=[ x1, x2 .......xd ] T

dimana D adalah dimensi vektor. Probabilitas bahwa ciri x masuk pada

kelas k adalah P(ωk|k) dan pada umunya digunakan sebagai referensi

dari probabilitas posteriori. Probabilitas posteriori dapat dihitung

berdasarkan Hukum Bayes denganpersamaan sebagai berikut,

dimana p( x | k ) adalah fungsi densitas peluang (pdf) dari kelas k

dalam suatu ciri x dan P( k) adalah priori probability yaitu probabilitas

awal dari kelas sebelum melakukan pemrosesan terhadap ciri atau

biasa disebut probabilitas inisialisasi. Apabila priori probability ini

belum diketahui maka dapat diestimasi berdasarkan ukuran dari data

pembelajaran. Dengan persamaan sebagai berikut,

Nilai ini digunakan sebagai faktor skala untuk menjamin bahwa jumlah

dari probabilitas posteriori adalah sama dengan satu sesuai dengan

hukum probabilitas. Permasalahan dalam klasifikasi Bayesian adalah

fungsi densitas peluang(pdf) dari p(x| k). Fungsi ini yang menentukan

distribuasi ciri dalam suatu kelas atau dengan kata lain yang

menentukan model kelas. Dalam aplikasi, pada umumnya tidak

diketahui kecuali beberapa classifier tertentu.

Distribusi Normal MultivariateFungsi densitas peluang (pdf) Gaussian adalah fungsi satu dimensi

dengan bentuk menyerupai lonceng yang didefinisikan oleh dua

parameter yaitu meanµ and varian atau kovarian . Dalam dimensi D

dapat dirumuskan sebagai berikut

dimana µ adalah mean vektor dan adalah matriks kovarian. Pada

gambar di bawah adalah salah satu contoh fungsi densitas peluang

Gaussian dimensi 2.

Gambar 12 Contoh permukaan fungsi densitas peluang Gaussian d-2

Gaussian Mixture Model

Finite Mi ture Model dan metode estimasi parameternya dapat didekati

dengan menggunakan pdf apapun kecuali dengan menggunakan

distribusi normal tunggal. Namun untuk implementasinya harus

didefinisikan salah satu pdf yang paling sesuai untuk tiap kasus. Secara

umum distribusi yang digunakan dapat distribusi apa saja tetapi

distribusi normal multi ariate atau distribusi Gaussian merupakan salah

satu distribusi yang paling terkenal dan banyak dipakai untuk berbagai

aplikasi statistik. Misalnya untuk analisis multi ariate yang pada

umumnya menggunakan asumsi memiliki distribusi normal, atau dalam

model linear dari vektor error yang sering diasumsikan memiliki

distribusi normal. Selain itu distribusi normal dapat digunakan untuk

melakukan perbandingan kompleks yaitu dalam analisis variabel

random yang saling berkaitan. Sehingga jika suatu kasus tidak diketahui

jenis distribusinya maka model yang paling umum dan fleksibel yang

paling sesuai untuk digunakan dan distribusi Gaussian merupakan salah

satu dari distribusi tersebut dengan kehandalan yang sangat tinggi.

Gambar 13 Contoh permukaan Gaussian mixture PDF dimensi-2 dengan 3 komponen

Gaussian mi ture model (GMM) adalah sebuah campuran (mi ing) dari

beberapa distribusi Gaussian atau jika dalam klasifikasi merupakan

representasi dari adanya subkelas pada suatu kelas. Fungsi densitas

peluangnya didefinisikan sebagaijumlah dari perkalian bobot dengan

probabilitas gaussian.

Dimana αc merupakan bobot dari komponen campuran c dimana 0 < c <

1 untuk semua komponen dan angkan paramter distribusi,

merupakan definisi dari parameter Gaussian mixture probability

density function. Estimasi parameter Gaussian Mixture untuk satu kelas

dapat dicari melalui pembelajaran tak terawasi dimana data sampel

tanpa adanya target klasifikasi. Pada umunya algoritma clustering

digunakan untuk melakukan identifikasi komponen secara eksak

khusunya dalam melakukan inisialisasi model.

Maximation LikelihoodDiasumsikan suatu set sampel feature X = {x1, . . . , xN} yang diambil dari

distribusi tunggal yang didefinisikan oleh pdf p(x; ) dimana adalah

parameter pdf. Maka fungsi likelihood dapat didefinisikan sebagai,

Dimana menunujukkan bahwa lekelihood dari data sampel feature X

berdasarkan parameter distribusi . Untuk mendapatkan nilaiÖ yang

merupakan nilai maksimum likelihood

Pada umumnya nilai maksimum ini tidak digunakan secara langsung

namun dengan mengkalkulasi nilai logaritmik likelihood nya.

Persamaan di atas biasa disebut sebagai fungsi log-likelihood dimana

secara analisis lebih mudah dimengerti dari pada secara langsung

karena nilainya yang cukup kecil. Berdasarkan p(x; ) sangatθ

dimungkinkan menemukan nilai maksimum secara analitik dengan

mendefinisikan turunan fungsi log-likelihood sama dengan nol. Untuk

Gaussian solusi analitik dapat dicari berdasarkan parameter mean dan

varian. Dalam implementasinya, untuk mencari nilai maksimum

tersebut menggunakan metode iterative misalnya algoritma

Expectation-Maximation. Dalam proses maksimasi nilai loglikelihood

ini seringkali menghasilkan hasil yang singular dan ini merupakan salah

satu permasalahan dalam Gaussian Mixture Model.

Likehood Ratio

Metode estimasi likelihood ratio yang digunakan dalam Forensic

Speaker Identification adalah membandingkan perbedaan antara

sampel suara yang didapat dari hasil penyadapan telepon dengan hasil

rekaman yang didapatkan secara langsung / wawancara. Likelihood

ratio dinyatakan dalam persamaan :

Atau suatu probabilitas dimana Efsi adalah barang bukti berupa sampel,

Hss adalah hipotesa bahwa sampel dari sampel suara yang didapat dari

hasil penyadapan telepon dengan hasil rekaman yang didapatkan secara

langsung / wawancara bersumber dari orang yang sama, Hds

menyatakan hipotesa bahwa sampel dari sampel suara yang didapat

dari hasil penyadapan telepon dengan hasil rekaman yang didapatkan

secara langsung /wawancara bukan bersumber dari orang yang sama.

Pada saat melakukan perhitungan Likelihood ratio perlu juga diketahui

referensi,latar belakang disamping rekaman telepon dan rekaman pada

saat wawancara secara langsung. Ini dikarenakan Likelihood ratio

adalah ratio dari similarity sampai dengan typicality. Ini akan mengukur

seberapa besar persamaan antara kedua sampel, kemudian

mengevaluasi kesamaan sampai ciri khasnya. Seberapa kemungkinan

akan melakukan pengambilan sampel secara acak pada pembicara yang

berbeda dari suatu populasi yang tidak berkaitan Perlu juga

mengumpulkan kata-kata yang bisa dibandingkan dengan suara di

telepon yang akan diperiksa. Basis pembandingnya adalah kutipan kata

yang sama. Misalnya, kata Halo tidak akan masuk data penelitian jika

hanya terucap sekali. Namun, jika misalnya terucap 10 kali, kata itu

menjadi calon untuk pembanding

3. Prosedur Audio Forensic

Untuk melakukan analisa suara seseorang dalam rangka mengidentifikasi suara

yang berasal dari rekaman barang bukti dan memverifikasinya dengan suara

pembanding, berikut adalah tahapan-tahapan yang digunakan

a. Acquisition

1) Catat spesifikasi teknis audio recorder seperti merk, model, ukuran dan

serial number, dilanjutkan dengan foto bagian depan dan belakan recorder.

Untuk pemotretan barang bukti, harus dilengkapi dengan label ‘Puslabfor’

dan skala ukur.

2) Sebelum melakukan langkah-langkah audio forensik lebih lanjut, pemeriksa

harus terlebih dahulu mendapatkan fakta kasus yang berkaitan dengan

barang bukti rekaman suara dari penyidik dengan melakukan gelar perkara

terhadap kasus tersebut.

3) Selain fakta kasus, pemeriksa juga harus sudah mendapatkan suara

pembanding (control sample) terhadap suara yang ada di dalam audio

recorder yang akan dianalisa dan dilengkapi dengan administrasi penyidikan

yang lengkap. Pengambilan contoh suara pembanding ini dapat dilakukan

oleh penyidik atau pemeriksa di dalam lingkungan yang bebas dari suara

noise. Pengambilan contoh suara pembanding ini juga harus dilengkapi

dengan Berita Acara Pengambilan Contoh Suara Pembanding yang disetujui

dan ditandatangani oleh subyek yang contoh suaranya akan dianalisa.

4) Pengambilan contoh suara pembanding juga dapat dilakukan dari rekaman

video asli yang menunjukkan subyek dalam berbicara. Rekaman video ini

harus berasal dari sumber yang jelas dan resmi.

5) Untuk proses akuisisi audio recorder yang menghasilkan file dd image

mengikuti langkah-langkah seperti yang dijelaskan pada point 3 s/d 11 SOP

1 tentang Akuisisi Harddisk, Flashdisk dan Memory Card.

6) Setelah mendapatkan file dd image yang IDENTIK dengan isi dari audio

recorder, file dd image tersebut dilakukan proses logical mounting untuk

melihat isi dari audio recorder tersebut.

7) Proses mounting bisa dilakukan di komputer analisis baik yang berbasis Ms.

Windows maupun Linux Ubuntu. Sebelum proses mounting, harus

dipastikan bahwa file dd image telah di-set read-only, dan dalam proses

mounting itu sendiri, harus dalam lingkungan yang forensically-sound write

protect. Untuk yang berbasis Ms. Windows dapat menggunakan aplikasi

digital forensik yang telah teruji untuk lingkungan tersebut, sedangkan

untuk yang berbasis Linux, dapat menggunakan perintah ‘mount –o ro,loop

File_Image.dd’.

8) Setelah di-mounting dalam lingkungan tersebut, pemeriksa dapat melakukan

proses keyword searching, file content checking atau file recovery untuk

dapat menemukan rekaman suara yang dicari.

9) File yang berisikan rekaman suara barang bukti kemudian di-ekspor dan

diekstraksi metadata-nya untuk dianalisa lebih lanjut untuk mendapatkan

histori teknis dari file rekaman tersebut termasuk keaslian file rekaman yang

juga dapat diperiksa melalui spectrum analysis.

b. Audio Enhancement

1) Rekaman suara barang bukti diperdengarkan (playback) untuk melihat

kualitas rekaman. Jika kualitasnya tidak bagus dikarenakan banyak suara

noise, maka terhadap rekaman suara tersebut harus dilakukan proses

enhancement untuk menaikkan kualitas rekaman sehingga pembicaraan

yang ada di dalam rekaman suara tersebut dapat didengar dengan jelas.

2) Proses enhancement ini dapat dilakukan di komputer analisis berbasis Ms.

Windows dan Linux dengan didukung aplikasi-aplikasi audio yang dapat

diandalkan untuk pemrosesan yang efisien dan efektif. Sebagian aplikasi ini

bahkan dapat menghilangkan suara noise yang kuat sehingga memunculkan

kembali suara pembicaraan yang ada.

3) Pelaksanaan proses enhancement ini mengikuti petunjuk (manual) dari

aplikasi-aplikasi tersebut.

c. Decoding

1) Setelah suara pembicaraan yang berasal dari rekaman barang bukti jelas,

dilanjutkan dengan pembuatan transkrip rekaman.

2) Pembuatan transkrip rekaman harus dilakukan oleh minimal 2 (dua) orang

pemeriksa. Ini dimaksudkan untuk mendapatkan nilai akurasi yang lebih

presisi terhadap hasil transkrip.

3) Transkrip rekaman harus mencantumkan label subyek (misalnya; subyek 1,

subyek 2 dan seterusnya) dan waktu (dalam jam:menit:detik) yang sesuai

dengan berjalannya rekaman. Interval penandaan waktu dapat disusun

setiap 30 detik atau 1 menit.

4) Jika suara pembicaraan di dalam rekaman tersebut tidak jelas, maka ditulis

‘tidak jelas’. Artinya hasil transkrip hanya memperlihatkan suara

pembicaraan yang jelas dan dapat dipahami pengucapan kata-katanya.

d. Voice Recognition

1) Proses ini untuk memastikan apakah suara yang ada di dalam rekaman

barang bukti adalah IDENTIK dengan contoh suara pembanding. Untuk itu

proses ini mengambil kata-kata yang pengucapannya sama antara suara

barang bukti dengan suara pembanding. Terhadap kata-kata tersebut

dilakukan analisa audio forensik yang berbasiskan analisa terhadap pitch,

formant, formant bandwidth dan spectrogram.

2) Disyaratkan minimal 20 (duapuluh) kata yang memiliki kesamaan antara

suara barang bukti dan suara pembanding dari hasil analisa pitch, formant,

bandwidth dan spectrogram, untuk menentukan apakah suara barang bukti

IDENTIK dengan suara pembanding. Ini merujuk pada ‘Spectrographic Voice

Identification: A Forensic Survey’ yang disusun oleh Koenig, B.E. dari Federal

Bureau of Investigation.

3) Jika jumlah kata yang diucapkan dalam rekaman barang bukti tidak

mencapai minimal 20 (duapuluh) kata, maka status rekaman suara barang

bukti adalah TIDAK MEMENUHI SYARAT AUDIO FORENSIK. Selanjutnya

tidak dapat dilakukan analisa voice recognition.

4) Analisa pitch didasarkan pada perhitungan statistik nilai pitch minimum,

maksimum dan rata-rata (mean) serta standard deviation yang dilengkapi

dengan grafiknya antara suara barang bukti dengan suara pembanding.

5) Analisa formant dan formant bandwidth didasarkan pada perhitungan

statistik One-Way Anova yang dilengkapi dengan bentuk graphical

distribution untuk melihat penyebaran nilai antara suara barang bukti

dengan suara pembanding. Analisa formant dan bandwidth ini meliputi

formant 1, formant 2, formant 3, bandwidth 1, bandwidth 2 dan bandwidth

3.

6) Analisa spectrogram didasarkan pada pola umum dan pola khusus yang

bersifat khas antara suara barang bukti dan suara pembanding. Pola-pola

yang khas ini meliputi formant 1, formant 2 dan formant 3 yang disertai level

energi (bandwidth) pada masing-masing formant. Dikarenakan spectrogram

dapat mem-visualisasikan secara lengkap masing-masing formant dan

bandwidth dari kata yang diucapkan secara konsisten, maka analisa

spectrogram sangat penting dalam penentuan akhir analisa voice

recognition.

4. Sampling Suara Pembanding

Untuk memastikan apakah suara yang ada pada rekaman suara barang bukti

adalah IDENTIK atau TIDAK IDENTIK dengan suara orang lain atau subyek, maka perlu

untuk dilakukan pengambilan (Sampling) contoh suara pembanding yang berasal dari

suara si subyek.

5. Analisa Statistik Pitch

Analisa ini didasarkan pada kalkulasi statistik nilai pitch dari masing-masing

suara unknown dan known. Karakteristik pitch dari masing-masing suara tersebut

dibandingkan pada minimum pitch, maximum pitch dan mean pitch.

Jika karakteristik pitch dari masing-masing suara tersebut menunjukkan tingkat

perbedaan yang besar, maka dapat disimpulkan bahwa pitch dari suara unknown dan

known adalah berbeda. Biasanya analisa ini juga didukung bentuk grafis pitch dari

masing-masing suara yang dianalisa

6. Analisa Statistik Formant dan Bandwidth

Analisa Anova

Analisa ini didasarkan pada analisa One-way Anova (Analysis of Variances) yang

mengkalkulasi secara statistik nilai-nilai Formant 1, Formant 2, Formant 3 dan Formant

4 dari suara unknown (SuaraBarangBukti) dan known (SuaraSubyek1). Anova akan

menunjukkan tingkat perbedaaan antara 2 (dua) kelompok data pada masing-masing

formant dari suara unknown dan known, yang ditandai dengan perbandingan ratio F dan

F critical, dan nilai probability P.

Jika nilai ratio F lebih kecil dari F critical, dan nilai probability P lebih besar dari

0.5 maka dapat disimpulkan bahwa kedua kelompok data dari nilai formant yang

dianalisa dari suara unknown dan known tidak memiliki perbedaan (accepted) yang

signifikan pada level 0.05. Kesimpulan ini memiliki tingkat konfidensi sebesar 95%.

Analisa Likelihood Ratio (LR)

Penelaahan lebih detil terhadap analisa statistic terhadap formant dan

bandwidth adalah dengan menggunakan Likelihood Ratio (LR) yang dalam contoh ini

merupakan lanjutan dari Analisa Anova yang telah dijelaskan di atas. Formula LR adalah

sebagai berikut :

LR =

di mana :

p (E | Hp) adalah hipotesis tuntutan (prosecution), yaitu known dan unknown

samples berasal dari orang yang sama.

p (E | Hd) adalah hipotesis perlawanan (defense), yaitu known dan unknown

samples berasal dari orang yang berbeda.

p (E | Hp) berasal dari p-value Anova, sedangkan p (E | Hd) = 1 - p (E | Hp)

Jika LR > 1, maka hal ini mendukung p (E | Hp), sebaliknya jika LR < 1, maka p (E

| Hd) yang didukung. Untuk itu, haruslah nilai p (E | Hp) > 0.5 untuk dapat

menyimpulkan bahwa suara barang bukti (unknown) dan suara pembanding (known)

berasal dari orang yang sama (IDENTIK).

7. Analisa Graphical Distribution

Analisa ditujukan untuk menggambarkan dalam bentuk grafis tingkat penyebaran

(distribusi) masing-masing nilai formant untuk melihat level perbedaan distribusi nilai

formant dari suara unknown dan known. Biasanya analisa ini dibuat dalam bentuk

perbandingan F1 vs F2 dan F2 vs F3.

Jika terdapat nilai yang menyimpang pada formant yang dianalisa yang mana

nilai menyimpang ini tidak terakomodasi dalam analisa statistik Anova, malah membuat

kesimpulan yang keliru, maka analisa graphical distribution ini dapat mengkoreksi

kesimpulan yang keliru tersebut.

Analisa graphical distribution F1 vs F2 dari masing-masing suara Test 1 (unknown) dan

Test 2 (known). Hasil dari analisa ini menunjukkan bahwa Formant 1 dan Formant 2

antara suara Test 1 dan Test 2 memiliki perbedaan pada tingkat penyebarannya.

Pada contoh SuaraBarangBukti dan SuaraSubyek1 yang telah didapat dan

dijelaskan sebelumnya untuk Analisa Statistik Formant, tabulasi data untuk kedua jenis

suara tersebut dapat digunakan untuk melanjutkan analisa ke analisa sebaran grafis

(Graphical Distribution).

8. Analisa Spectrogram

Analisa ini menunjukkan pola umum yang khas pada kata yang diucapkan dan

pola khusus yang khas pada masing-masing formant suku kata yang dianalisa. Pola-pola

khas tersebut juga termasuk dalam analisa tingkatan energi dari masing-masing

formant seperti yang ditunjukkan pada Gambar 5 di atas.

Jika pola-pola khas tersebut untuk pengucapan kata-kata tertentu dari suara

unknown (suara barang bukti) dan known (suara pembanding) tidak menunjukkan

perbedaan yang signifikan, maka dapat disimpulkan bahwa kedua suara tersebut untuk

pengucapan pada kata-kata tersebut adalah IDENTIK (memiliki kesamaan

spectrogram).

Oleh karena spectrogram mampu menampilkan pola-pola yang khas formant dan

bandwidth pada pengucapan kata-kata yang mana pola-pola ini tidak terpengaruh

dengan tinggi rendahnya frekwensi resonansi tiap-tiap formant ketika pengucapan

kata-kata dibuat, maka ada sebagian ahli menyatakan bahwa spectrogram merupakan

sidik jari suara (voice fingerprint). Walaupun begitu ada juga sebagian ahli yang tidak

sependapat dengan pernyataan tersebut. Mereka berargumentasi bahwa spectrogram

untuk pengucapan kata yang sama namun berasal dari 2 (dua) orang yang berbeda akan

memungkinkan menghasilkan pola khas spectrogram yang sama. Hal ini bisa

menyesatkan atau menghasilkan false positive. Artinya untuk voice recognition,

spectrogram bukanlah satu-satunya komponen suara yang dianalisa. Harus ada juga

analisa terhadap komponen suara yang lain seperti analisa statistic terhadap pitch dan

formant yang berbasis Anova dan Likelihood Ratio (LR).