BAB I

PENDAHULUAN1.1. Latar Belakang

Kendaraan bermotor khususnya kendaraan roda dua kini sudah sangat berkembang pesat di Indonesia. Berdasar data di Dishub Kota Malang, jumlah motor di Kota Malang pada 2005 lalu mencapai 173.000 unit. Saat ini diperkirakan jumlah motor mencapai 230.000 unit lebih, dan mobil sudah mencapai 70.000 unit lebih. Dengan asumsi jumlah penduduk Kota Malang sekitar 800.000 orang, berarti setiap dua orang memiliki satu kendaraan. Jumlah kendaraan di Kota Malang dipastikan meningkat pada siang hari karena banyak pengendara dari Kabupaten Malang atau Kota Batu yang melintas didalam kota.

Namun, dengan semakin banyaknya pengguna motor yang ada masih sangat minim sekali lahan parkir yang ada di wilayah Indonesia. Meskipun dalam beberapa tempat umum seperti kampus, super market, pasar dan masih banyak lainnya sudah menyediakan lahan parkir bagi pengguna masyarakat atau layanan tersebut. Namun, meskipun sudah memiliki lahan parkir banyak masyarakat masih mengeluhkan karena tidak tertata dengan rapi lahan parkir yang ada. Seringkali pengguna jasa parkir masih kesulitan untuk mendapatkan ruang parkir yang kosong karena penataan parkir yang kurang rapi dan terkesan masih acak-acakan. Seperti yang sudah diketahui, cara kerja para penyedia jasa parkir hanya memberikan lahan kosong dan masih terkesan memaksakan sehingga seringkali kita dapatkan kendaraan kita lecet atau tergores karean berhimpitan dengan kendaraan yang lain. Selain itu penyedia jasa pelayanan parkir masih mencampurkan semua kendaraan tanpa memberikan pemetaan atau penggolongan dari jenis maupun merk kendaraan motor tersebut. Sehingga seringkali kita kesulitan mencari letak motor kita. Meskipun kita seringkali mencoba mengingat-ingat dimana letak awal kita menaruh motor tersebut kita tetap saja merasa kesulitan mencarinya karena dalam lahan parkir tersebut terdapat ber-ratus bahkan beribu-ribu kendaraan motor.

Terkait dengan permasalahan bagaimana mengatasi permasalahan parkir perlu dilakukannya pemetaan atau pengklasifikasian jenis ataupun merek motor yang menggunakan jasa parkir tersebut. Sehingga dapat dilakukan pemetaan lahan parkir sesuai dengan berdasarkan klasifikasi jenis atau merk kendaraan bermotor tersebut. Maka lahan parkir yang ada bisa lebih tertata dan terorganisir dengan lebih baik dan juga pengguna layanan jasa tersebut bisa mendapatkan kenyamanan dan kemudahan untuk menggunakan jasa tersebut. Selain itu akan lebih memudahkan pengguna jasa parker tersebut untuk menemukan lokasi ataupun tempat kendaraan/motor yang ia miliki.

Dalam pembuatan aplikasi ini, penulis menggunakan metode LPC (Linear Predictive Coding) dan HMM (Hidden Markov Model). LPC memberikan parameter model yang tepat untuk sinyal suara yaitu menyatakan ciri-ciri penting dari sinyal suara dalam bentuk koefisien-koefisien LPC. [Rabiner 1993]. Selanjutnya Hidden Markov Model (HMM) merupakan salah satu bentuk pemodelan suara dimana sinyal suara dianalisis dan dicari nilai probabilitas yang maksimum sehingga bisa dikenali, dari hasil pemodelan tersebut akan didapatkan parameter yang selanjutnya digunakan dalam proses pengenalan kata. [Rabiner 1989].1.2. Identifikasi Masalah

1. Apakah metode LPC dapat digunakan untuk mengekstraksi ciri suara knalpot sepeda motor?

2. Apakah metode HMM dapat digunakan untuk pencocokan pengenalan suara knalpot sepeda motor? 3. Berapa tingkat akurasi metode HMM dalam menentukan benar salah suatu knalpot sepeda motor?1.3. Tujuan Penelitian

1. Dapat mengetahui bahwa metode LPC dapat digunakan untuk mengekstraksi ciri suara makhorijul huruf

2. Dapat mengetahui metode HMM dapat digunakan untuk mencocokan keakurasian makhorijul huruf3. Untuk mengukur tingkat akurasi metode metode HMM dalam menentukan benar salah suatu makhorijul huruf1.4. Batasan Masalah

1. Penelitian ini berfokus pada pengklasifikasian sepeda motor berdasarkan suara knalpot.

2. Pengambilan sample dilakukan pada 4 sepeda motor yang berbeda.

3. Pengambilan sampel dilakukan pada sepeda motor dengan knalpot standart pabrikan.

4. Aplikasi berbasis pada desktop/PC.1.5. Manfaat1. Mempermudah mengklasifikasikan sepeda motor yang memiliki suara berbeda-beda.2. Hasil proses pengklasifikasian dapat dijadikan inputan untuk pengclusteran tempat parkir berdasarkan jenis sepeda motor.

BAB II

STUDI PUSTAKA2.1. Pengenalan Suara(Speech Recognition) Speech recognition 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-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.2.2. Linear Predictive Code (LPC) LPC didefinisikan sebagai metode digital untuk encoding sinyal analog di mana nilai tertentu diperkirakan oleh fungsi linier dari nilai-nilai masa lalu sinyal. Ini pertama kali diusulkan sebagai metode untuk pengkodean suara manusia oleh Amerika Serikat Departemen Pertahanan di standar federal 1015, yang diterbitkan pada tahun 1984. Suara manusia diproduksi dalam saluran vokal yang dapat diperkirakan sebagai variabel diameter tabung. LPC model didasarkan pada pendekatan matematika dari saluran vokal diwakili oleh tabung dengan diameter yang bervariasi. Pada waktu tertentu, t sampel suara s(t) direpresentasikan sebagai penjumlahan linear dari p sampel sebelumnya. Aspek yang paling penting dari LPC adalah linear predictive filter yang memungkinkan nilai sampel berikutnya akan ditentukan oleh kombinasi linear dari sampel sebelumnya.Teori LPC yang dipakai dalam analisa suara, telah dipahami dengan baik dalam beberapa tahun yang lalu. Ada beberapa alasan yang menjadikan teori LPC telah banyakdigunakan dalam sistem pengenalan suara, antara lain: [Rabiner 1993]

1. LPC membuktikan suatu model yang baik untuk pengenalan suara, yaitu memberikan parameter model yang tepat untuk sinyal suara, dapat dilihat pada spektrum koefisien peramalan yang mirip dengan spektrum sinyal aslinya. 2. Perhitungan yang dibutuhkan untuk mencari parameter sinyal suara relatif lebih singkat dibandingkan dengan metode lainnya. 3. Metode untuk mendapat parameter-parameter sinyal ucapan, seperti jalur forman (Saluran vokal (tenggorokan dan mulut) membentuk tabung, yang dicirikan oleh resonansi, yang disebut forman.) dan amplitudo.Prinsip Dasar LPCLPC dimulai dengan asumsi bahwa sinyal suara diproduksi oleh dengungan pada akhir sebuah pita suara. The glotis (ruang antara pita suara) menghasilkan dengungan, yang dicirikan oleh intensitas (kerasnya suara) dan frekuensi (pitch). Saluran vokal (tenggorokan dan mulut) bentuk pipa, yang dicirikan oleh resonansi, yang disebut forman.

LPC menganalisis sinyal suara dengan memperkirakan forman, menghapus pengaruhnya dari sinyal suara, dan memperkirakan intensitas dan frekuensi dari dengungan tersisa. Proses menghapus forman disebut invers penyaringan, dan sinyal sisa disebut residu.LPC mensintesis sinyal suara dengan membalik proses : menggunakan residu untuk menciptakan sumber sinyal, menggunakan forman untuk membuat penyaring, dan menjalankan sumber sinyal melalui filter, sehingga menghasilkan pengaruh pada suara. Karena sinyal suara yang bervariasi dengan waktu, proses ini dilakukan pada potongan pendek dari sinyal suara, yang disebut frame. Biasanya 30-50 frame per detik memperlihatkan suara yang jelas dengan kompresi yang baik.Proses LPC

LPC membuktikan suatu model yang baik untuk pengenalan suara, yaitu memberikan parameter model yang tepat untuk sinyal suara. Blok diagram dari LPC seperti Gambar 1.Gambar 1. Blok Diagram Analisis LPC

Langkah-langkah dari pemrosesan sinyal dengan LPC sebagai berikut :a. Pemilihan Bingkai

Pada tahap ini sinyal ucapan dikelompokkan ke dalam bingkai-bingkai dengan ukuran masing-masing bingkai sebesar N data. Bingkai ini berurutan dengan pemisahan antara kedua bingkai sebesar M data. Biasanya M = 1/3 N. Blok pemilihan bingkai dari sinyal suara dapat dilihat pada Gambar 2.

Gambar 2. Blok pemilihan bingkai dari sinyal suara

b. Penjedelaan

Setiap frame kemudian dijendelakan (proses windowing) untuk meminimalkan diskontinuitas sinyal pada awal dan akhir bingkai. Jendela yang biasa digunakan untuk metode autokorelasi LPC adalah jendela Hamming dengan bentuk:

c. Analisis Autokolerasi

Pada tahap ini masing-masing frame yang telah di windowing diautokorelasikan dengan nilai autokorelasi yang tertinggi adalah orde dari analisa LPC, biasanya orde LPC tersebut 8 sampai 16.

2.3. Hidden Markov Model (HMM)Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuahProses Markov dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (state) dari parameter-parameter yang dapat diamati (observer). Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recognition. Sebuah HMM dapat dianggap sebagai sebuah Bayesian Network dinamis yang paling sederhana.

Pada model Markov umum (Vanilla/Visible Markov Model), state-nya langsung dapat diamati, oleh karena itu probabilitas transisi state menjadi satu-satunya parameter. Di dalam Model Markov yang tersembunyi, state-nya tidak dapat diamati secara langsung, akan tetapi yang dapat diamati adalah variabel-variabel yang terpengaruh oleh state. Setiap state memiliki distribusi probabilitas atas token-token output yang mungkin muncul. Oleh karena itu rangkaian token yang dihasilkan oleh HMM memberikan sebagian informasi tentang sekuens state-state. 2.4. Suara Knalpot Sepeda MotorDalam kehidupan kita sangatlah dekat dengan sepeda motor, dalam sepeda motor terdapat sistem pembuangan atau yang lebih sering di kenal knalpot merupakan alat pembuangan hasil pembakaran dari bahan bakar yang terdapat dalam sepeda motor. Didalam knalpot dikenal dengan beberapa tipe knalpot diantaranya adalah knalpot standart dan juga knalpot racing.Knalpot sepeda motor memiliki beberapa hasil pembuangan, diantaranya adalah asap dan juga suara. Suara yang dihasilkan oleh knalpot sangat beragam tergantung dari jenis sepeda motor dan juga tipe knalpot tersebut. Misalkan perbedaan antara knalpot standart pabrikan sepeda motor tersebut dengan knalpot yang dirancang untuk balap. Kedua knalpot tersebut dirancang berbeda karena disesuaikan dengan kondisi pemakaian atau event yang dijalani. Biasanya knalpot racing lebih sering digunakan pada sepeda motor bertipe balap.2.5. Penelitian Terkait

Widyanto (2009), mengatakan bahwa Pengenalan suara dapat digunakan untuk mengendalikan pergerakan Mobil Dengan Pengendali Jarak Jauh. Mobil Dengan Pengendali Jarak Jauh tersebut dapat bergerak sesuai dengan perintah ucapan kita. Dalam penelitian tugas akhir ini dibangun sebuah sistem yang berkaitan erat dengan pengenalan ucapan. Metode yang akan digunakan dalam pengenalan ucapan ialah LPC (Linear Predictive Coding) untuk pengekstraksian suara masukan dan HMM (Hidden Markov Model) untuk pemodelan suara. Pengenalan suara dilakukan dengan membandingkan model yang dihasilkan dari ekstraksi ciri dengan model HMM yang telah tersedia. Model yang memiliki tingkat kecocokan paling tinggi akan digunakan dalam proses pengenalan ucapan. Pengujian dilakukan dalam dua kondisi yaitu pada kondisi ideal yaitu pada ruangan yang memiliki derau rendah dan kondisi tidak ideal yaitu pada ruangan yang memiliki derau. Hasil pengujian basisdata perintah pada kondisi ideal adalah 92% untuk responden yang sudah memasukkan basisdata dan 88,3% untuk responden yng belum memasukkan basisdata. Hasil pengujian sistem secara keseluruhan pada kondisi ideal adalah 90%. Hasil pengujian basisdata perintah pada kondisi tidak ideal dengan ruangan berderau adalah 73,33% untuk pengucapan kata di luar basisdata dan 55% untuk pengucapan kata masukan pada lingkungan berderau. Hasil pengujian kinerja sistem pada kondisi tidak ideal adalah 76,66% untuk pengucapan kata di luar basisdata dan 60% untuk pengucapan masukan pada kondisi lingkungan berderau. Amplitude derau yang melebihi ambang tetap terproses dan memberikan sebuah keluaran, tetapi hasil dari pemrosesan derau akan memberikan keluaran yang tidak dapat diprediksi. Lafal pengucapan kata masukan harus jelas dan sesuai dengan pemenggalan kata.Thiang (2011), menjelaskan bawasannya pelaksanaan sistem pengolahan suara pada mobile robot untuk mengontrol gerakan robot. Metode yang digunakan untuk sistem recognition speech adalah Linear Prediktif Coding (LPC) dan Artificial Neural Network (ANN). LPC digunakan untuk mengekstrak fitur sinyal suara dan ANN digunakan sebagai metode pengenalan. Backpropagation digunakan untuk melatih suara sempel ANN. sinyal sampel langsung dari mikrofon dan kemudian diproses menggunakan metode LPC untuk mengekstrak fitur sinyal suara. Untuk masing-masing sinyal suara, metode LPC menghasilkan 576 data. Kemudian, data ini menjadi masukan dari ANN. ANN dilatih dengan menggunakan 210 pelatihan data. Pelatihan data ini termasuk pengucapan kata tujuh digunakan sebagai perintah, yang diciptakan dari 30 orang yang berbeda. Hasil penelitian menunjukkan bahwa tingkat pengenalan tertinggi yang dapat dicapai dengan sistem ini adalah 91.4%. Hasil ini diperoleh dengan menggunakan sampel 25 per kata, lapisan tersembunyi 1, neuron 5 untuk setiap lapisan tersembunyi, dan belajar tingkat 0.1. LPC dan ANN dapat mengenali sinyal suara dengan baik. Tingkat akurasi tertinggi yang dapat dicapai adalah 91.4%. Hasil ini dicapai dengan menggunakan LPC dan ANN dengan lapisan tersembunyi 1, 5 neuron per lapisan, belajar tingkat pelatihan proses 0.1 dan ANN dilatih menggunakan 25 sample setiap perintah. Bandingkan dengan sebelumnya bekerja, ANN telah terbukti bahwa hal itu memberi tingkat pengenalan yang lebih baik. Untuk pekerjaan lebih lanjut, untuk mendapatkan tingkat pengenalan yang lebih baik, metode pengenalan lain seperti neuro fuzzy, fuzzy tipe 2 metode dapat diterapkan dalam sistem ini.Menurut Uday Mithapelli , Suraj P. Patil (2014), Linear prediktif Coding (LPC) adalah salah satu metode kompresi yang model proses produksi ujaran. Secara khusus, LPC model proses ini sebagai linier jumlah sampel sebelumnya menggunakan suatu filter digital yang memasukkan sebuah sinyal kegembiraan. Penjelasan alternatif lainnya adalah prediksi linier filter mencoba untuk memprediksi masa depan nilai dari sinyal input berdasarkan sinyal masa lalu. LPC "models suara sebagai proses autoregressive, dan mengirimkan parameter proses dibandingkan dengan mengirim ucapan itu sendiri". Ini pertama kali diusulkan sebagai metode untuk pengkodean manusia suara oleh Amerika Serikat Departemen Pertahanan di federal standar 1015, diterbitkan pada tahun 1984. Nama lain untuk federal standar 1015 adalah LPC-10 yang merupakan metode pengkodean prediktif Linear yang akan dijelaskan dalam makalah ini. Suara coding atau kompresi biasanya dilakukan dengan menggunakan suara coders atau vocoders. Ada dua jenis suara coders: mengikuti gelombang coders dan coders model-dasar. Gelombang berikut coders persis akan mereproduksi sinyal suara asli jika tidak ada kesalahan kuantisasi terjadi. Coders berbasis model akan pernah tepat mereproduksi sinyal suara asli, terlepas dari kehadiran kuantisasi kesalahan, karena mereka menggunakan model parametrik produksi ujaran yang melibatkan encoding dan transmisi parameter tidak sinyal. LPC coders dianggap coders berbasis model, yang berarti bahwa LPC pengkodean adalah kehilangan bahkan jika tidak ada kesalahan kuantisasi terjadi. Proyek ini, kami menggunakan kode komposer Studio untuk mengimplementasikan coder LPC yang kemudian dibandingkan dengan hasil pelaksanaan Mat Lab di core prosesor Intel i-5. Hal ini mengamati bahwa kecepatan eksekusi di TI320C6713 DSP prosesor sangat cepat dibandingkan dengan kecepatan eksekusi Matlab pada prosesor I5 Intel. Juga karena floating point operasi pada akurasi DSP meningkatkan dan intangibility suara sinyal dipertahankan. Sementara terhadap akurasi MATLAB kurang dan suara sinyal kurang dimengerti. Karena kualitas DSP prosesor jauh lebih baik. Untuk memastikan kualitas dari pelaksanaan suara, tersegmentasi SNR digunakan untuk menentukan kualitas coder ini. Ini menyimpulkan LPC coder implementasi. Meningkatkan dan dimengerti suara sinyal dipertahankan. Sementara terhadap akurasi MATLAB kurang dan suara sinyal kurang dimengerti. Karena kualitas DSP prosesor jauh lebih baik. Untuk memastikan kualitas dari pelaksanaan suara, tersegmentasi SNR digunakan untuk menentukan kualitas coder ini. Ini menyimpulkan LPC coder implementasi.BAB III

METODE PENELITIAN

3.1. Desain Penelitian3.1.1. Sumber Data

Sumber data yang akan digunakan dalam penilitan ini adalah data rekaman suara knalpot yang diambil sebagai data trining dari suara knalpot sepeda motor yang memiliki tipe knalpot standart pabrikan. Data tersebut diambil dari sampel sepeda motor 2 merek pabrikan terkenal di Indonesia dengan mengambil 4 sampel produk sepeda motor dari masing-masing merek pabrikan sepeda motor tersebut.3.1.2. Lokasi Penelitian

Lokasi penelitian untuk tes sumber data dalam penelitian ini adalah Parkiran Bawah Perpustakaan UIN Maliki Malang. Saya memilih lokasi tersebut karena lokasi tersebut adalah study kasus dalam penelitian tersebut, dan juga lokasi tersebut sangat memungkinkan untuk digunakan sebagai lokasi uji coba sumber data karena lokasinya yang mudah dijangkau.3.1.3. Prosedur Penelitian

Untuk menghasilkan sebuah penelitian yang baik diperlukan langkah-langkah kerja atau prosedur penelitian yang baik sehingga penelitian dapat dikerjakan sesuai dengan tujuan penelitian dan tidak keluar dari kerangka penelitian. Langkah-langkah dalam penelitian ini dapat dilihat pada Gambar 3.1 berikut ini.

Gambar 1. Diagram Alur Penelitian 3.1.4. Metode Analisa DataAnalisis sinyal adalah kegiatan melakukan ekstraksi terhadap informasi yang terdapat di suatu sinyal. Linear Predictive Coding (LPC) merupakan salah satu teknik analisis sinyal percakapan yang paling powerful dan menyediakan ekstraksi fitur yang berkualitas baik dan efisien untuk digunakan dalam perhitungan. LPC pertama kali digunakan pada tahun 1978 untuk membuat alat sintesis sinyal percakapan. LPC melakukan analisis dengan cara memperkirakan formant, memisahkan formant dari sinyal, yang dinamakan proses inverse filtering, lalu mengestimasi intensitas dan frekuensi dari sinyal percakapan yang tersisa, yang disebut residue.16 Karena sinyal percakapan bervariasi seiring waktu, estimasi tersebut dilakukan untuk setiap potongan kecil dari sinyal, yang dinamakan frame. Prosedur untuk mendapatkan koefisien LPC diperlihatkan pada gambar dibawah.

Gambar diatas menunujukan block diagram LPC yang biasa digunakan dalam sistem pengenalan suara manusia. Langkah-langkah dasar yamg harus dilakukan mengenai blok diagram tersebut adalah :

1. Preemphasis.

Preemphasis adalah suatu proses produksi suara manusia, radiasi pada bibir dan lidah ketika proses phonation mengakibatkan komponen frekuensi tingginya. Hal ini dapat berpengaruh pada proses spectrum frekuensi sinyal menjadi merata antara frekuensi tinggi dilakukan pemfilteran dengan menggunakan high pass filter. Dimana High pass filter adalah jenis filter yang melewatkan frekuensi tinggi, tetapi mengurangi amplitudo frekuensi yang lebih rendah daripada frekuensi cutoff.Nilai-nilai pengurangan untuk frekuensi berbeda-beda untuk tiap-tiap filter ini .Terkadang filter ini disebut low cut filter, bass cut filter atau rumble filter yang juga sering digunakan dalam aplikasi audio.

Preemphasis terhadap cuplikan sinyal dengan persamaan preemphasizer:s (n) = s(n)- as(n -1)

dimana harga untuk yang paling sering digunakan ialah 0,95. Sedangkan untuk implementasi fixed point, harga ialah 15/16 atau sama dengan 0.9375.

2. Frame Blocking.

Suatu proses pada tahapan sinyal yang telah di preemphasis, diblok menjadi beberapa bagian dengan jumlah sample N, dan tiap bagian dipisahkan dengan sejumlah M sample. Membagi hasil preemphasis s (n) ke dalam frame-frame yang masing-masing memuat N buah sampel yang dipisahkan sejauh M buah sample. Semakin semakin baik perkiraan spektral LPC dari frame ke frame.

s(n)=M < N3. Windowing.

Pada langkah ini dilakukan fungsi weighting pada setiap frame yang telah dibentuk pada langkah sebelumnya dengan tujuan untuk meminimalkan discontinuities pada ujung awal dan ujung akhir setiap frame yaitu dengan men-taper sinyal menuju nol pada ujung-ujungnya.Tipikal window yang digunakan pada metode autokorelasi LPC adalah Hamming window yang memiliki bentuk :

definisikan sebuah window w(n) dan sinyal tiap bagian adalah x(n) maka sinyal hasil proses windowing4. Analisa Auto Korelasi.

Pada tahap ini masing-masing frame yang telah di windowing diautokorelasikan untuk mendapatkan :

dimana nilai autokorelasi yang tertinggi pada m=p adalah orde dari analisa LPC, biasanya orde LPC tersebut 8 sampai 16. Autokorelasi ke-0 melambangkan energi dari frame yang bersangkutan dan ini merupakan salah satu keuntungan dari metode autokorelasi.5. Analisa LPC

Langkah selanjutnya adalah analisa LPC, dimana pada tahap ini p+1 autokorelasi pada setiap frame diubah menjadi satu set LPC parameter yaitu koefisien LPC, koefisien pantulan (reflection coefficient), koefisien perbandingan daerah logaritmis (log area ratio coefficient) Salah satu metode untuk melakukan hal ini ialah metode Durbin yang dinyatakan dalam algoritma dibawah ini

Persamaan diatas direkursi untuk i=1,2,,p dan penyelesaian akhirnya berupa:

6. Pengubahan parameter LPC menjadi koefisien

Pengubahan parameter LPC menjadi koefisien cepstral adalah suatu proses pengubahan parameter LPC yang sangat penting yang bisa diturunkan dari koefisien LPC adalah koefisien cepstral LPC, c(m).Mengubah parameter LPC am ke koefisien cepstral cm untuk mendapatkan kinerja yang lebih baik dan tahan terhadap noise, yaitu dengan persamaan:

Dari nilai koefisien inilah akan dilanjutkan pada pemrosesan menggunakan metode HMM. Adapun alur diagram proses HMM adalah sebagai berikut :

Gambar 3. Diagram Alur Penelitian

Parameter HMM didapatkan melalui lima tahap, yaitu memasukkan runtun observasi hasil dari proses ekstraksi ciri, memilih state, inisialisasi parameter HMM, pelatihan HMM, pelatihan HMM digunakan untuk mendapatkan parameter yang lebih baik, dan penyimpanan parameter.

Untuk mendapatkan parameter HMM melalui lima tahap, yaitu :

a. Memasukan Runtun Observasi hasil dari proses ekstraksi ciri.

b. Memilih State, proses pemilihan satate berfungsi untuk pemodelan parameter HMM. c. Inisialisasi Parameter HMM, nilai awal dari parameter-parameter model HMM diinisialisasi dengan nilai acak (random).

d. Pelatihan HMM, proses pelatihan model HMM merupakan proses reestimasi nilai parameter HMM. Proses tersebut berjalan berulang sampai selisih nilai elemen-elemen parameter HMM hasil estimasi saat ini dengan nilai elemen-elemen parameter HMM

Penyimpanan Parameter HMM dengan tujuan untuk mendapatkan parameter yang lebih baik dan penyimpanan.3.1.5. Desain SistemDesain sistem adalah tahapan berupa penggambaran, perencanaan dan pembuatan dengan menyatukan beberapa elemen terpisah ke dalam satu kesatuan yang utuh untuk memperjelas bentuk sebuah sistem dan menentukan bagaimana suatu sistem akan menyelesaikan masalah yang menjadi kajian pada objek penelitian ini. Secara umum desain sistem yang akan dibangun dapat dilihat pada Gambar 4 berikut ini.

Gambar 3. Gambaran Umum SistemSistem dimulai dengan menginputkan suara. Setelah suara testing dimasukkan, maka akan di ekstraksi ciri dengan LPC. Melalui enam tahapan, yaitu : preempasis, frame blocking, windowing, auto korelasi, analisis LPC dan terakhir adalah menjadikan koefisien dari parameter LPC. Setelah melalui tahapan LPC, selanjutnya adalah pemrosesan HMM. Parameter diproses di inisiasi, di jadikan parameter HMM, selanjutnya hasilnya akan di cocokan dengan database yang telah ada.3.2. Theotrical Framework

LPC adalah Algoritma yang biasa digunakan untuk menganalisis suatu suara. Metode ini sangat sering digunakan karena memiliki akurasi dan efisiensi yang sangat baik. LPC adalah metode khusus untuk speech recognition, yang merupakan turunan dari natural language processing dan merupakan anak dari artificial intelligence.

Gambar 4. Theoritical Framework LPC dan HMM3.4. Operational Framework

Pada bagian ini akan dijelaskan sejumlah istilah yang akan digunakan pada penelitian ini. Terdapat banyak istilah yang digunakan dalam penelitian ini. Namun hanya beberapa istilah saja yang sering digunakan dalam penelitian ini. Diantaranya adalah sebagai berikut. Preemphasis adalah suatu proses produksi suara manusia, radiasi pada bibir dan lidah ketika proses phonation mengakibatkan komponen frekuensi tingginya

Frame blocking adalah suatu proses pada tahapan sinyal yang telah di preemphasis, diblok menjadi beberapa bagian dengan jumlah sample N, dan tiap bagian dipisahkan dengan sejumlah M sample.

Frekwensi adalah jumlah getaran yang terjadi dalam waktu satu detik atau banyaknya gelombang/getaran listrik yang dihasilkan tiap detik

Derau adalah atau yang biasa disebut noise adalah suatu sinyal gangguan yang bersifat akustik (suara)

Amplitudo dapat didefinisikan sebagai jarak/simpangan terjauh Auto Korelasi disebut sebagai korelasi diri adalah salah satu pelanggaran asumsi dalam regresi linier berganda REFERENSIOctarina Elly, 2007, ESTABLISHMENT OF DATABASE OF ENGLISH AND SPEECH CODING BASED ON LINEAR PREDICTIVE CODING (LPC), International Journal of Computer science & Information Technology (IJCSIT)

Widyatmoko, 2009, APPLICATION OF SPEECH RECOGNITION AS THE REGULATOR OF A CAR WITH REMOTE CONTROL, ELSEVIER international journal of refrigration

Thiang, 2011, Speech Recognition Using Linear Predictive Coding and Artificial Neural Network for Controlling Movement of Mobile Robot, International Conference on Information and Electronics Engineering (ICIEE 2011)

Suraj P Patil, 2014, Implementation of Speech Compression Using Linear Predictive Coding (LPC) with Tms320c6713dsk and Comparison with Other Platforms, International Journal of Emerging Engineering Research and Technology(IJEERT)

Divakar Vinay, 2013, Design and Implementation of Microcontroller Based Temperature Data Logging System, International Journal of Engineering and Advanced Technology (IJEAT)

LAMPIRAN1. Estimasi Biaya Pengeluaran

NoJenis AnggaranBiaya (Rp)Keterangan

1.Belanja Bahan

a. Kertas HVS4 Rim150.000

b. Bolpoint5 Buah25.000

c. Tinta Printer3 Buah120.000

d. Flashdisk1 Buah130.000

e. Penjilidan2 Paket125.000

Jumlah550.000

2.Biaya Perjalanan

a. Transportasi7 Kali525.000

b. Perjalanan Membeli Alat2 Kali100.000

Jumlah625.000

3.Lain-Lain

a. Biaya Komunikasi Telepon4 Bulan100.000

b. Copy Data Hasil Survey1 Paket100.000

c. Koneksi Internet4 Bulan400.000

Jumlah600.000

Jumlah Total1.775.000

2. Jadwal Rencana PenelitianNo.KegiatanMeiJuniJuliAgustusSeptember

12341234123412341234

1Observasi, Studi Literature, dan Dokumentasi

2Mengidentifikasi Permasalahan

3Analisa dan Perancangan Model Sistem

4Pembuatan Aplikasi

5Testing dan Uji Coba

ARTIFICIAL INTELLIGENCE

Natural Language Processing

Speech recognition and synthesis

HMM

LPC

ARTIFICIAL INTELLIGENCE

Natural Language Processing

Speech recognition and synthesis

LPC

HMM