Transkripsi Suara ke Teks Bahasa Indonesia Berbasis Suku Kata Menggunakan Codebook dan 2-level Dynamic Programming
TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS
SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL
DYNAMIC PROGRAMMING
SINTYA ROSDWIANTY
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Transkripsi Suara ke
Teks Bahasa Indonesia Berbasis Suku Kata Menggunakan Codebook dan 2-level
Dynamic Programming adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Sintya Rosdwianty
NIM G64100085
ABSTRAK
SINTYA ROSDWIANTY. Transkripsi Suara ke Teks Bahasa Indonesia Berbasis
Suku Kata Menggunakan Codebook dan 2-level Dynamic Programming.
Dibimbing oleh AGUS BUONO dan MUHAMMAD ASYHAR AGMALARO.
Transkripsi suara ke teks sangat berguna karena memudahkan manusia
berinteraksi dengan sistem secara lebih cepat. Akan tetapi, sistem sulit mengenali
suara berupa rangkaian kata. Penelitian ini mengembangkan sistem yang dapat
mengenali rangkaian kata dengan menggunakan metode MFCC sebagai teknik
ekstraksi ciri, codebook sebagai metode pengenalan pola, dan 2-level dynamic
programming sebagai metode pengenalan rangkaian kata. Teknik cluster yang
digunakan pada penelitian ini adalah K-means. Parameter yang digunakan pada
teknik MFCC adalah overlap, time frame, dan jumlah koefisien cepstral. Adapun
parameter pada teknik K-means adalah jumlah cluster. Penelitian ini menggunakan
900 data suara suku kata yang terdiri atas 18 kelas dan 120 data suara berisi
rangkaian kata yang terdiri atas 60 data uji hasil gabungan data latih dan 60 data uji
sebenarnya. Hasil penelitian menunjukkan bahwa nilai K optimum adalah 15, dan
nilai word error rate terendah yang diperoleh adalah 0.1, diperoleh pada rangkaian
kata kelas ‘Ide Anda’ hasil gabungan suku kata data latih, saat overlap 0.25, time
frame 25 ms, koefisien cepstral 13, dan jumlah cluster 20.
Kata kunci: codebook, connected word, dynamic programming, K-means, MFCC
ABSTRACT
SINTYA ROSDWIANTY. Voice to Text Transcription based on Indonesian
Syllable using Codebook and 2-level Dynamic Programming. Supervised by AGUS
BUONO and MUHAMMAD ASYHAR AGMALARO.
Voice to text transcription is very useful because it allows people to interact
with a system more quickly. However, it is hard for a system to recognize a speech
which contains of connected words. This research aims to develop a system that
recognize a connected word speech. The proposed approach uses MFCC as a
feature extraction, codebook as pattern recognition method, and 2-level dynamic
programming as connected words recognition method. The parameters used in
feature extraction using MFCC are overlap, time frame, and number of cepstral
coefficients. Moreover the parameter used in K-means clustering is the number of
clusters. This research uses 900 syllable’s speech data from 18 classes, and 120
connected word’s speech data which consist of 60 testing data joined from training
data and 60 real testing data. The results showed that the optimum value of K was 15,
with the minimum word error rate of 0.1 for the ‘Ide Anda’ words resulted from joining
words of training data with the overlap value of 0.25, the time frame value of 25 ms,
the number of cepstral coefficients of 13, and the number of clusters of 20.
Keywords: codebook, connected word, dynamic programming, K-means, MFCC
TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS
SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL
DYNAMIC PROGRAMMING
SINTYA ROSDWIANTY
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji: Auzi Asfarian, SKomp, MKom
Judul Skripsi : Transkripsi Suara ke Teks Bahasa Indonesia Berbasis Suku Kata
Menggunakan Codebook dan 2-level Dynamic Programming
Nama
: Sintya Rosdwianty
NIM
: G64100085
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing I
Muhammad Asyhar Agmalaro, SSi MKom
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
pemrosesan bahasa alami, dengan judul Transkripsi Suara ke Teks Bahasa
Indonesia Berbasis Suku Kata Menggunakan Codebook dan 2-level Dynamic
Programming.
Penulis menyadari bahwa penelitian ini masih memiliki kekurangan. Adapun
penulis mengucapkan terima kasih kepada:
1
Kedua orangtua dan kakak yang telah memberikan perhatian, doa, dan
dukungan sehingga penulis dapat menyelesaikan penelitian ini.
2
Bapak Dr Ir Agus Buono, MSi MKom dan Bapak Muhammad Ashyar
Agmalaro, SSi MKom, selaku pembimbing yang telah memberikan arahan
dan saran kepada penulis.
3
Bapak Auzi Asfarian, SKom MKom, selaku penguji yang telah banyak
memberi saran dan masukan kepada penulis.
4
Teman-teman Ilmu Komputer 47 atas segala dukungan, ilmu, perhatian dan
kasih sayangnya.
5
Teman-teman UKM MAX!! IPB dan kelas TPB A01 2010 atas segala
pengalaman yang diberikan selama kuliah.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Sintya Rosdwianty
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Pengambilan Suara
3
Praproses
4
Ekstraksi Ciri MFCC
4
Perangkaian Kata
5
Codebook
5
Time Alignment
6
2-level Dynamic Programming
6
Lingkungan Pengembangan
7
Pengujian
7
HASIL DAN PEMBAHASAN
8
Pengambilan Suara
8
Praproses
8
Ekstraksi Ciri MFCC
8
Perangkaian Kata
8
Codebook
8
Time Alignment
9
2-level Dynamic Programming
9
Pengujian
9
Implementasi Sistem
SIMPULAN DAN SARAN
12
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
RIWAYAT HIDUP
17
DAFTAR TABEL
1
2
3
4
Daftar suku kata sebagai data latih
Daftar rangkaian kata sebagai data uji
Word error rate untuk kelas data uji sebenarnya
Word error rate untuk kelas data uji hasil gabungan data latih
3
4
9
10
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
Diagram alur penelitian
3
Blok diagram MFCC
4
Perbedaan data suara asli, setelah pemotongan silent, setelah dinormalisasi 8
Rata-rata WER setiap kelas data uji untuk semua nilai K
10
Pengaruh nilai K terhadap rata-rata WER untuk semua kelas data uji
11
Tingkat akurasi suku kata pada kelas data uji gabungan data latih
12
Tingkat akurasi suku kata pada kelas data uji sebenarnya
12
Antarmuka program transkripsi suara ke teks berbasis suku kata
13
DAFTAR LAMPIRAN
1 Matriks konfusi tingkat akurasi suku kata pada data uji gabungan data latih 15
2 Matriks konfusi tingkat akurasi suku kata pada data uji sebenarnya
16
PENDAHULUAN
Latar Belakang
Perkembangan penelitian tentang pemrosesan suara dan bahasa alami saat ini
telah meningkat pesat. Hal tersebut disebabkan karena penelitian di bidang ini dapat
diimplementasikan untuk kemudahan berbagai aktivitas manusia. Salah satu
contohnya ialah penelitian tentang transkripsi suara ke teks (speech to text
recognition), yang memungkinkan suatu sistem komputer berinteraksi dengan
manusia selayaknya interaksi antarmanusia.
Proses penting dalam transkripsi suara ke teks adalah proses pengenalan suara
yang mengambil suatu gelombang sebagai data input dan menghasilkan sebuah
deretan string kata sebagai data output (Jurafsky dan Martin 2007). Sistem
transkripsi suara ke teks sangat berguna karena memudahkan manusia untuk
berinteraksi dengan sistem secara lebih cepat. Contoh aplikasi terapan yang banyak
ditemui sehari-hari adalah fungsi voice dial pada telepon genggam.
Penelitian tentang transkripsi suara ke teks pun sudah banyak dilakukan,
misalnya penelitian yang dilakukan oleh Luthfi (2013). Penelitian tersebut
mendeteksi kata dengan MFCC sebagai ekstraksi ciri dan codebook sebagai
pengenalan pola. Pada penelitian tersebut, Luthfi berhasil membangun codebook
yang terdiri atas hasil klustering K-means untuk data latih berupa kata, dengan nilai
codeword pada codebook 16 dan 32, dan parameter MFCC yang digunakan ialah
time frame 23.7 ms, overlap 0.5, dan koefisien cepstral 13. Penelitian tersebut
mendapatkan akurasi rata-rata 98%, dan berhasil mengenali input rangkaian kata
yang diproses secara isolated words, atau pemrosesan tiap unit kata.
Atas dasar tersebut, penelitian ini membangun sistem transkripsi suara
menggunakan model codebook, yang dapat mengenali rangkaian kata berbasis suku
kata, dan diproses secara connected words. Suku kata dipilih sebagai unit
transkripsi karena suatu suku kata dapat divariasikan menjadi banyak kata sehingga
sistem dapat mentranskripsi lebih banyak kemungkinan kata dibandingkan dengan
transkripsi dengan unit berupa kata. Penelitian ini akan dikombinasikan dengan
metode 2-level dynamic programming (DP), yaitu salah satu metode yang dapat
mengatasi transkripsi suara untuk rangkaian kata/connected words (Juang dan
Rabiner 1993).
Perumusan Masalah
Transkripsi sinyal suara ke teks membutuhkan proses yang tidak mudah,
karena membutuhkan suatu metode tertentu agar dapat mengenali struktur suara
dengan tepat. Atas dasar tersebut, muncul pertanyaan penelitian sebagai berikut:
1
Bagaimana proses membangun metode codebook untuk sistem transkripsi
rangkaian kata berbasis suku kata?
2
Bagaimana proses transkripsi suku kata untuk data input yang terdiri atas
rangkaian beberapa kata dengan metode 2-level DP?
3
Bagaimana tingkat akurasi yang dihasilkan dari sistem tersebut?
2
Tujuan Penelitian
1
2
3
Tujuan dari penelitian ini, yaitu:
Membangun codebook suku kata yang akan digunakan sebagai model
referensi untuk sistem transkripsi.
Menerapkan metode 2-level DP untuk transkripsi rangkaian kata berbasis
suku kata.
Mengetahui tingkat akurasi transkripsi suara ke teks dengan metode codebook
dan 2-level DP.
Manfaat Penelitian
Penelitian ini diharapkan mampu memberikan informasi tentang pengolahan
suara untuk rangkaian kata/connected words dan tingkat akurasi transkripsi suara
ke teks bahasa Indonesia berbasis suku kata. Selain itu, hasil penelitian ini
diharapkan dapat dikembangkan untuk pengenalan semua suku kata dalam bahasa
Indonesia dan dikembangkan menjadi sistem yang bersifat speaker independent
sehingga sistem yang dikembangkan dapat dimanfaatkan oleh masyarakat umum.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Jumlah suku kata yang mampu dikenali dalam sistem berjumlah 18 suku kata.
Daftar suku kata tersebut mengacu pada 18 suku kata yang memiliki frekuensi
kemunculan terbanyak pada teks penelitian Buono dan Kusumoputro (2007)
berjudul Pengembangan Model HMM Berbasis Maksimum Lokal
Menggunakan Jarak Euclid Untuk Sistem Identifikasi Pembicara pada
halaman 1 sampai 3.
Sistem yang dikembangkan bersifat speaker dependent karena sistem hanya
dapat mengenali suara yang menjadi data latih (Jurafsky dan Martin 2007)
yaitu suara penulis berjenis kelamin wanita.
Parameter MFCC yang digunakan pada penelitian ini adalah time frame 25
ms, overlap 0.25, dan koefisien cepstral sebesar 13.
Rangkaian kata yang mampu dikenali hanya rangkaian kata yang terdiri atas
deretan 4 suku kata.
METODE
Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap,
seperti disajikan pada Gambar 1.
3
Pengambilan Suara
Mulai
Pengambilan suara
18 suku kata x 50 = 900 suara suku kata
6 rangkaian kata x 10 = 60 suara rangkaian kata
Praproses
Ekstraksi Ciri MFCC
Data Uji
Data Latih
Perangkaian Kata
Codebook
Time Alignment
2-Level Dynamic Programming
Pengujian
Selesai
Gambar 1 Diagram alur penelitian
Data suara yang digunakan dalam penelitian ini berasal dari satu pembicara
yaitu suara penulis, dengan rincian 18 kelas suku kata dan 6 kelas rangkaian kata.
Masing-masing data suku kata direkam selama 1 detik dengan pengulangan tiap
kelas sebanyak 50 kali sehingga total data suku kata berjumlah 900 data. Suku kata
tersebut digunakan sebagai data latih untuk pembangunan codebook seperti
disajikan pada Tabel 1, yang diurutkan berdasarkan jumlah kemunculan suku kata
terbanyak pada teks yang diacu.
Tabel 1 Daftar suku kata sebagai data latih
Suku Kata
Si A Da Di An Se I Kan Ra De Ma Ni Ti Ter Pe Lah Ka Ta
Data suara berupa rangkaian kata disusun berdasarkan kombinasi suku kata
dari data latih yang tersedia, dan direkam selama 3 detik dengan pengulangan tiap
kelas 10 kali. Total data yang direkam sebanyak 60 data dan akan digunakan untuk
data uji sebenarnya. Data tersebut berjumlah 6 kelas karena keenam kelas kata
4
tersebut sudah mewakili setiap suku kata yang terdapat pada data latih, seperti
disajikan pada Tabel 2.
Tabel 2 Daftar rangkaian kata sebagai data uji
Rangkaian Kata
Suku Kata
Ide anda
i, de, an, da
Peti tani
pe, ti, ta, ni
Sesi makan
se, si, ma, kan
Dia kalah
di, a, ka, lah
Terka ini
ter, ka, i, ni
Ada rasi
a, da, ra, si
Praproses
Setiap data suara memiliki silent pada awal dan akhir kata. Pada tahap ini
dilakukan penghapusan silent agar data suara murni hanya terdiri atas data yang
akan diproses. Selain itu, suara memiliki range amplitudo yang berbeda-beda. Oleh
karena itu proses normalisasi amplitudo dilakukan agar setiap suara memiliki range
amplitudo yang sama.
Ekstraksi Ciri MFCC
Ekstraksi ciri merupakan proses untuk mencari suatu nilai atau vektor yang
menjadi ciri khusus dari suatu variabel atau objek. Salah satu teknik ekstraksi ciri
yang banyak digunakan dan sesuai dengan persepsi sistem pendengaran manusia
adalah Mel Frequency Cepstrum Coefficient (MFCC). Tahapan MFCC disajikan
pada Gambar 2.
Continuous Speech
Mel Spectrum
Cepstrum
Frame Blocking
Mel-frequency Wrapping
Frame
Windowing
Spectrum
FFT
Mel Cepstrum
Gambar 2 Blok diagram MFCC
Tahap pertama MFCC adalah frame blocking yaitu teknik pembagian sinyal
menjadi blok-blok (frame) dengan ukuran/lebar tertentu, dan di antara kedua blok
yang berdekatan terdapat overlap. Overlap adalah keadaan suatu sinyal yang saling
tumpang tindih untuk mencegah adanya informasi yang hilang. Tahap selanjutnya
adalah windowing, yaitu proses mengalikan sinyal digital dengan suatu fungsi
window tertentu. Tujuan windowing adalah untuk mengurangi distorsi antar frame
yang berdekatan. Formula windowing yang digunakan pada penelitian ini adalah
Hamming window karena formula ini memiliki kinerja yang baik dan perhitungan
sederhana (Buono et al. 2009), seperti disajikan pada Persamaan 1.
5
2πn
� n = 0.54 - 0.46 cos - 1 , 0 ≤ n ≤ N-1
(1)
N
Tahap selanjutnya adalah Fast Fourier Transform (FFT), yaitu salah satu
algoritme untuk mengimplementasikan Discrete Fourier Transform (DFT) untuk
mentransformasi frame dari domain waktu ke domain frekuensi. Hasil dari tahap
ini dinamakan spektrum. Fungsi FFT disajikan pada Persamaan 2.
xk = ∑ Nn =- 10 xn e-
j2πkn
N
(2)
dengan k = 0, 1, 2, ..., N-1
Xk = nilai-nilai sampel yang akan diproses ke dalam domain frekuensi
Xn = magnitudo frekuensi
N = jumlah data pada domain frekuensi
j = bilangan imajiner
Secara umum, Xk adalah bilangan kompleks dan hanya dilihat bilangan absolutnya.
Setelah itu, dilakukan mel-frequency wrapping, yaitu proses pemfilteran
spektrum setiap frame menggunakan sejumlah M filter segitiga dengan tinggi satu.
Filter ini dibuat berdasarkan persepsi manusia terhadap suatu suara. Hubungan
skala mel dengan frekuensi (Hz) dinyatakan pada Persamaan 3.
F
(3)
Fmel = 2595 log10 1+ Hz
700
Cepstrum adalah tahap terakhir yang berfungsi mengubah log mel hasil proses
sebelumnya kembali menjadi domain waktu. Hasil dari tahap ini disebut MFCC
dengan jumlah koefisien MFCC tertentu yang diinginkan. Pada penelitian ini proses
MFCC menggunakan auditary toolbox Matlab yang dikembangkan oleh Slaney
(1998).
Perangkaian Kata
Perangkaian kata dilakukan dengan cara merangkaikan data latih berupa suku
kata menjadi rangkaian kata seperti data uji. Hal ini dilakukan untuk
membandingkan kinerja sistem terhadap data yang terdiri atas gabungan data latih
dan data uji sebenarnya.
Codebook
Codebook adalah barisan simbol yang merepresentasikan suatu objek tertentu
(Jurafsky dan Martin 2007). Codebook merupakan salah satu metode pengenalan
pola yang menghasilkan sebuah cetakan suara. Setiap titik pada codebook
dinamakan codeword. Nilai pada codeword diambil dari hasil
pengelompokkan/clustering semua data latih berupa vektor ciri masing-masing
suara. Algoritme clustering yang digunakan pada penelitian ini adalah K-means,
karena algoritme ini memiliki kinerja cepat dan perhitungan sederhana.
Ide dasar K-means adalah membuat kluster untuk data yang memiliki
karakteristik mirip, dan memisahkan data yang memiliki karakteristik berbeda.
Langkah pertama dalam K-means adalah menentukan nilai K, yaitu initial centroid
yang merepresentasikan jumlah kluster yang diinginkan. Setelah itu, semua data
pada data latih akan dimasukkan pada kluster yang memiliki jarak terdekat dengan
data tersebut.
6
Time Alignment
Time alignment merupakan metode untuk mengatasi pencarian jarak antara
sinyal suara input dan sinyal suara pada model referensi dengan panjang vektor
berbeda. Time alignment bekerja dengan cara mencari pasangan frame untuk
sebuah sinyal suara input, dan mencari jarak totalnya dengan frame-frame pada
sebuah kelas referensi. Karena kemampuannya dalam mengatasi perbedaan panjang
vektor frame, time alignment cocok untuk diterapkan pada pengenalan rangkaian
kata/connected words, dengan cara diterapkan untuk pencarian jarak di setiap
kemungkinan lebar frame. Pencarian jarak pada time alignment dilakukan dengan
fungsi squared euclidian distance, seperti disajikan pada Persamaan 4.
dist(p,q) = √∑ ni = 1 (Qi-Pi)2
(4)
2-level Dynamic Programming
Sebuah sistem transkripsi suara yang menggunakan metode dynamic
programming (DP), harus bisa mendeteksi jumlah kata pada sebuah kalimat, ending
point sebuah kata, dan klasifikasi setiap kata (Morgan dan Silverman 1990). Salah
satu metode DP adalah 2-level DP. Metode ini dipilih karena 2-level DP merupakan
metode pengenalan rangkaian kata yang sederhana, dan dapat dikembangkan lebih
lanjut dengan menambahkan metode lainnya. Ide dasar dari 2-level DP adalah
mencari jarak dan jalur/path terbaik dari sebuah matriks data.
Level pertama adalah pencarian jarak minimum dari sebuah barisan vektor
input dengan semua vektor pada model referensi (Juang dan Rabiner 1993).
Pencarian tersebut direpresentasikan dengan matriks jarak berukuran NxN, N
menunjukkan jumlah frame hasil ekstraksi ciri. Nilai jarak ini dicari untuk setiap
kemungkinan barisan frame tertentu dengan tiap kelas suku kata pada codebook,
dengan asumsi tidak ada suku kata yang direpresentasikan dalam panjang 1 frame.
Oleh karena itu, jarak sepanjang 1 frame tidak disertakan dalam penelitian ini.
Setelah itu, perbandingan nilai antara satu kelas suku kata dan kelas lainnya
dilakukan dan hasil yang memiliki nilai paling kecil diambil.
Level kedua adalah mencari jarak total dan melakukan backtrack terhadap
jarak total tersebut. Jarak total dicari dengan perhitungan rekursif sebanyak jumlah
suku kata yang akan dikenali. Langkah-langkah pencarian jarak total dan backtrack
jalur terbaik disajikan pada persamaan berikut.
1
Inisialisasi
D 0 =0, Dc 0 = ∞,
1≤ c ≤ Cmax
(5)
2
Loop pada e untuk c=1
D1 e =D 1,e ,
2≤e≤M
(6)
3
Rekursi pada e untuk c=2, 3, ..., Cmax
D2 e = min[D b,e +D1 b-1 ] ,
1 ≤ b ≤ e, 3 ≤ e ≤ M
(7)
D3 e = min[D b,e +D2 b-1 ],
1 ≤ b ≤ e, 4 ≤ e ≤ M
(8)
Dc e = min[D b,e +Dc-1 b-1 ],
1 ≤ b ≤ e, c+1 ≤ e ≤ M (9)
4
Solusi akhir
D* = min [Dc (M)],
1 ≤ c ≤ Cmax
(10)
dengan D = matriks jarak yang diperoleh dari level 1
7
b = awal frame pada data uji
e = akhir frame pada data uji
c = jumlah suku kata yang ada pada suatu rangkaian kata
M = jumlah frame pada data uji.
Algoritme backtrack pada penelitian ini diterapkan dengan langkah awal
menyimpan semua indeks kelas pada matriks jarak yang memiliki nilai paling kecil.
Setelah itu, pencarian path diselesaikan dengan menyusuri hasil indeks dari indeks
suku kata terakhir, dan berlanjut mundur untuk mencari jarak terkecil berikutnya
untuk pencarian suku kata lainnya. Kompleksitas algoritme 2-level DP menurut
Juang dan Rabiner (1993) disajikan pada Persamaan 11.
Kompleksitas total = VMN (2R+1),
(11)
dengan V = jumlah data referensi
M = jumlah starting frame data referensi
N = range frame data uji
R = rata-rata banyaknya jumlah frame data uji.
Lingkungan Pengembangan
Pada penelitian ini lingkungan pengembangan yang digunakan ialah
perangkat keras CPU Intel-Core i5, 4 GB RAM, dan microphone frekuensi 2020000 Hz, dengan sensitivitas 103 dB, sedangkan untuk perangkat lunak
menggunakan Windows 7 Professional, Microsoft Excel 2013, dan Matlab R2010a
64 bit.
Pengujian
Pengujian dilakukan dengan cara mencocokan hasil output sistem dengan
hasil transkripsi seharusnya. Setelah itu, tingkat akurasi dihitung dengan
menggunakan word error rate (WER). WER adalah salah satu metode untuk
menghitung jarak antara barisan kata pada model referensi dengan keluaran/output
sistem transkripsi (Bourlard et al. 2005). Semakin kecil nilai WER, semakin baik
kinerja sistem transkripsi. WER didefinisikan pada Persamaan 12.
S+D+I
(12)
Word Error Rate =
N
dengan S = banyaknya terjadi output substitution
D = banyaknya terjadi output deletion
I = banyaknya terjadi output insertion
N = jumlah kata yang diuji.
8
HASIL DAN PEMBAHASAN
Pengambilan Suara
Semua data direkam langsung pada perangkat lunak Matlab dengan sampling
rate 11000 Hz dan disimpan dalam format *.wav. Perekaman data dilakukan di
tempat yang hening untuk meminimumkan noise dari lingkungan sekitar.
Praproses
Penghapusan silent dilakukan secara manual untuk 900 data latih dengan cara
menghapus langsung data yang terdiri atas data suara silent, dan untuk data uji
dilakukan dengan cara menetapkan nilai ambang batas/threshold untuk setiap kelas.
Selanjutnya, dilakukan normalisasi amplitudo, yaitu pembagian setiap nilai
amplitudo dengan nilai maksimumnya sehingga diperoleh data suara yang lebih
seragam. Contoh plot data uji ‘Ide Anda’ sebelum dan sesudah dinormalisasi
disajikan pada Gambar 3.
Gambar 3 Perbedaan data suara asli, setelah pemotongan silent, setelah
dinormalisasi
Ekstraksi Ciri MFCC
Parameter-parameter MFCC yang digunakan dalam penelitian ini di
antaranya: time frame 25 ms, sampling rate 11000 Hz, overlap 0.25, dan jumlah
koefisien yang digunakan pada setiap frame ialah 13. Nilai-nilai ini dipilih agar
jumlah frame data yang dihasilkan tidak terlalu besar.
Perangkaian Kata
Perangkaian kata dilakukan dengan cara menyatukan vektor suku kata yang
diinginkan sebanyak 10 kali untuk masing-masing kelas data uji sehingga total
rangkaian kata yang diperoleh ialah 60 data untuk semua kelas data uji.
Codebook
Pembangunan codebook dilakukan dengan menggabungkan setiap vektor
data latih dari tahapan sebelumnya untuk setiap kelas, lalu dilakukan clustering
9
dengan algoritme K-means. K yang digunakan sebagai intitial centroid pada
penelitian ini adalah 5, 10, 15, 20, 25, dan 30. Nilai-nilai ini dipilih karena nilai K
yang biasa digunakan pada penelitian pengenalan suara berkisar antara 5 sampai 32.
Hasil klustering inilah yang dijadikan sebagai nilai-nilai codeword pada codebook.
Time Alignment
Time alignment dilakukan dengan perhitungan euclid untuk setiap
kemungkinan lebar frame antara data uji dengan data referensi pada codebook.
Hasil time alignment direpresentasikan dalam bentuk matriks jarak.
2-level Dynamic Programming
Level pertama DP adalah matriks jarak minimum untuk setiap kemungkinan
panjang frame data uji dengan semua suku kata pada codebook. Level kedua yaitu
pencarian rekursif jarak total menghasilkan matriks berukuran 4xN yang berarti
pencarian jarak terbaik untuk 4 suku kata dari N jumlah frame data uji. Tahap
terakhir yaitu backtrack jalur terbaik untuk setiap data uji akan menghasilkan path
dengan total jarak paling minimum.
Pengujian
Pada hasil pengujian dilakukan percobaan dengan nilai K 5, 10, 15, 20, 25,
dan 30 untuk setiap kelas data uji. Parameter MFCC yang digunakan pada pengujian
ini sama dengan parameter pada data latih. Data uji sendiri terbagi menjadi data uji
sebenarnya berjumlah 60 data, dan data uji hasil gabungan data latih berjumlah 60
data, sehingga total data uji untuk semua kelas adalah 120 data. Word error rate
berdasarkan nilai K untuk setiap kelas data uji pada data uji sebenarnya dan data uji
hasil gabungan data latih, disajikan pada Tabel 3 dan 4.
Tabel 3 Word error rate untuk kelas data uji sebenarnya
K
5
10
15
20
25
30
Ide Anda
0.98
0.48
0.23
0.70
0.78
0.88
Peti Tani
0.25
0.50
0.65
0.55
0.73
0.88
Sesi Makan Dia Kalah Terka Ini
0.75
1.00
0.75
0.90
0.88
0.78
0.78
0.98
0.75
0.85
1.00
0.50
0.75
0.60
0.73
0.38
0.33
0.83
Ada Rasi
0.88
0.73
0.50
0.83
0.90
0.88
Dari Tabel 3 terlihat bahwa kelas data uji ‘Ide Anda’ mendapatkan WER
terendah yaitu 0.23 saat nilai K 15, sedangkan WER tertinggi didapatkan kelas data
uji ‘Dia Kalah’ pada saat K 5 dan 20 yaitu 1. Di sisi lain, pada kelas data uji hasil
gabungan data latih, nilai WER terendah didapatkan kelas ‘Ide Anda’ saat K 20
yaitu 0.1, sedangkan nilai WER tertinggi didapatkan kelas ‘Dia Kalah’ saat K 10
yaitu 0.98. Hal ini dapat disebabkan oleh pengucapan suatu kata. Pada kelas data
uji sebenarnya, pengucapan kata seperti intonasi yang digunakan dan rentang waktu
10
pengucapan suatu suku kata memiliki variasi lebih tinggi dibandingkan dengan
kelas data uji hasil gabungan data latih. Oleh karena itu, sistem lebih sulit mengenali
suku kata pada kelas data uji sebenarnya.
Tabel 4 Word error rate untuk kelas data uji hasil gabungan data latih
K
5
10
15
20
25
30
Ide Anda
0.60
0.40
0.15
0.10
0.33
0.43
Peti Tani
0.75
0.48
0.25
0.43
0.28
0.50
Sesi Makan
0.70
0.55
0.65
0.43
0.40
0.40
Dia Kalah
0.95
0.98
0.80
0.83
0.73
0.55
Terka Ini
0.90
0.73
0.75
0.75
0.68
0.73
Ada Rasi
0.60
0.75
0.60
0.55
0.65
0.48
Gambar 4 menunjukkan nilai rata-rata WER setiap kelas data uji hasil
gabungan data latih dan data uji sebenarnya untuk semua nilai K. Dari gambar
tersebut dapat disimpulkan bahwa pada penelitian ini, kelas data uji ‘Ide Anda’
merupakan kelas yang paling mudah dikenali, dengan nilai rata-rata WER sebesar
0.51 untuk semua kelas data dan nilai K. Sementara itu, kelas data uji ‘Dia Kalah’
merupakan kelas yang paling sulit dikenali, dengan nilai rata-rata WER sebesar
0.805 untuk semua kelas data dan nilai K. Hal ini dapat disebabkan karena ada
beberapa pengucapan suku kata yang tidak mirip dengan data latih, seperti suku
kata ‘a’ pada kelas data uji ‘Dia Kalah’ cenderung terdengar seperti ‘ya’, sehingga
tidak mirip dengan suku kata ‘a’ pada data latih.
Word Error Rate
1.00
0.80
0.7
0.7
0.6
0.60
0.40
0.5
0.8 0.8
0.8
0.8 0.7
0.6
0.5
0.3
0.20
0.00
Ide Anda
Peti Tani
Sesi Makan Dia Kalah
Kelas Data Uji
Gabungan Data Latih
Terka Ini
Ada Rasi
Data Uji Sebenarnya
Gambar 4 Rata-rata WER setiap kelas data uji untuk semua nilai K
Selain itu, kelas data uji hasil gabungan data latih mendapatkan rata-rata
WER sebesar 0.58, sedangkan kelas data uji sebenarnya mendapatkan rata-rata
WER sebesar 0.72 untuk semua kelas data dan nilai K. Hal ini menunjukkan bahwa
kelas data uji hasil gabungan data latih lebih mudah dikenali oleh sistem
dibandingkan dengan kelas data uji sebenarnya.
Gambar 5 menggambarkan pengaruh nilai K terhadap nilai rata-rata WER
untuk semua kelas data. Dari grafik tersebut, kurva nilai WER cenderung menurun
pada nilai K 5 sampai 15, sedangkan pada nilai K 15 sampai 30 nilai WER
cenderung stabil dan memiliki nilai yang berdekatan. Oleh karena itu, pada
11
penelitian ini dapat disimpulkan bahwa semakin besar nilai K nilai rata-rata WER
akan semakin kecil dan mengartikan bahwa kinerja sistem semakin baik. Nilai K
terbaik pada penelitian ini adalah 15, dengan rata-rata nilai WER sebesar 0.59,
sedangkan nilai K dengan rata-rata WER tertinggi adalah 5 ialah sebesar 0.76.
Word Error Rate
Gabungan Data Latih
Data Uji Sebenarnya
1
0.8
0.6
0.4
0.2
0
5
10
15
20
25
30
Nilai K
Gambar 5 Pengaruh nilai K terhadap rata-rata WER untuk semua kelas data uji
Gambar 6 dan 7 menunjukkan tingkat akurasi suku kata yang berhasil
dikenali sistem pada kelas data uji hasil gabungan data latih dan kelas data uji
sebenarnya. Tingkat akurasi dihitung berdasarkan jumlah kemunculan suku kata
hasil transkripsi dan dibagi dengan kemunculan suku kata tersebut seharusnya. Pada
kelas data uji hasil gabungan data latih, rata-rata akurasi untuk semua kelas suku
kata adalah 43.24%, lebih baik dibandingkan dengan rata-rata akurasi pada kelas
data uji sebenarnya yaitu 27.31%. Akan tetapi, terdapat perbedaan signifikan antara
nilai akurasi tiap suku kata pada kedua kelas data uji tersebut. Hal ini menunjukkan
bahwa tingkat akurasi sangat bergantung kepada data suara itu sendiri. Suku kata
yang berhasil dikenali paling baik dari semua kelas data uji adalah ‘ta’ dengan ratarata akurasi sebesar 65.83% dan paling sulit dikenali adalah suku kata ‘ter’ dengan
rata-rata akurasi sebesar 8.33%.
Nilai WER dan tingkat akurasi suku kata sangat bergantung kepada hasil
backtracking path pada algoritme DP. Berdasarkan hasil penelitian ini, sistem
masih memiliki kekurangan dalam menentukan path terbaik untuk suatu rangkaian
kata/connected words. Hal ini menyebabkan output sistem belum sepenuhnya tepat
dalam transkripsi suara tersebut dan menghasilkan error yang cukup tinggi,
misalnya terjadi substitusi suatu suku kata dengan suku kata lainnya.
Kesalahan backtracking tersebut dapat disebabkan oleh beberapa faktor,
seperti penetapan threshold untuk pemotongan silent yang dilakukan terhadap kelas
data uji sebenarnya. Apabila silent dapat dihilangkan dengan baik, output sistem
yang dihasilkan juga akan lebih baik karena mendekati data pada model codebook
yang tidak memiliki model silent. Faktor lainnya ialah pengucapan kata itu sendiri,
seperti intonasi yang digunakan dan lamanya pengucapan kata tersebut.
Pengucapan yang semakin mirip dengan data pada model codebook akan
menghasilkan nilai WER yang semakin rendah dan akurasi suku kata semakin
tinggi. Penggunaan parameter-parameter lain seperti time frame, overlap, koefisien
12
Tingkat Akurasi (%)
cepstral, dan pemilihan nilai K juga dapat berpengaruh terhadap nilai error rate
sistem secara keseluruhan pada penelitian ini.
100
90 81.7
78.3 76.7
80
70.0
70
61.7 58.3 58.3
53.3 51.7
60
50
40.8 38.3 37.5
40
31.7
30
19.2
20
10.0
5.0 4.2 1.7
10
0
i pe ta an ti kan de da ma si se a di ka ra lah ni ter
Suku Kata
Tingkat Akurasi (%)
Gambar 6 Tingkat akurasi suku kata pada kelas data uji gabungan data latih
100 91.7
90
80
63.3
70
55 52.5
60
50
40
31.7031.7
26.7
30
21.7 20.8 18.3
16.7 15.8 15
20
11.7 8.3 8.3
10
1.7 0.8
0
ni de ta si ma lah ra an a se pe i ter di da kan ti ka
Suku Kata
Gambar 7 Tingkat akurasi suku kata pada kelas data uji sebenarnya
Implementasi Sistem
Gambar 8 menunjukkan tampilan antarmuka program pada penelitian ini.
Terdapat tombol cari untuk memilih data uji yang akan ditranskripsi, tombol
mainkan untuk mendengarkan data uji yang dipilih, dan tombol transkripsi yang
disertai dengan radio button 5, 10, 15, 20, 25, dan 30 untuk memilih nilai K pada
initial centroid K-means. Tombol reset digunakan untuk menghapus hasil
transkripsi sebelumnya. Grafik di kiri bawah berfungsi untuk menunjukkan plot
suara data uji, jarak total menunjukkan jumlah jarak untuk satu data uji dengan
semua kemungkinan lebar frame yang tidak lain merupakan hasil rekursif level 2
13
DP, sedangkan hasil transkripsi akan menunjukkan hasil backtrack jalur terbaik
yang merupakan hasil akhir dari DP.
Gambar 8 Antarmuka program transkripsi suara ke teks berbasis suku kata
SIMPULAN DAN SARAN
Simpulan
Penelitian ini sudah berhasil diselesaikan dengan menerapkan codebook
sebagai pengenalan pola dan 2-level DP sebagai metode pengenalan rangkaian kata.
Penelitian ini menunjukkan bahwa data uji hasil gabungan data latih lebih mudah
dikenali dibandingkan dengan data uji sebenarnya karena memiliki tingkat
kemiripan pengucapan kata yang lebih tinggi. Penggunaan nilai K pada clustering
K-means juga memiliki pengaruh tinggi terhadap nilai WER. Selain itu, pemilihan
nilai parameter lainnya seperti time frame, overlap, koefisien cepstral, dan
threshold untuk pemotongan silent juga penting untuk diperhatikan. Nilai K paling
optimum pada penelitian ini didapatkan saat K 15. Nilai WER terendah berhasil
didapatkan kelas data uji hasil gabungan data latih pada kelas ‘Ide Anda’ dengan
nilai K 20 ialah sebesar 0.1.
Saran
Penelitian ini memungkinkan untuk dikembangkan lebih baik lagi. Saran
untuk pengembangan selanjutnya adalah:
1
Menggunakan parameter time frame, overlap, koefisien cepstral, threshold
untuk pemotongan silent, dan K initial centroid yang berbeda untuk
membandingkan nilai WER yang dihasilkan.
2
Menambahkan suku kata lain agar kamus kata menjadi lebih lengkap.
3
Melakukan percobaan dengan panjang suku kata berbeda untuk mengetahui
tingkat keberhasilan algoritme dynamic programming.
14
4
5
Menambahkan metode pemrosesan bahasa alami dalam bidang linguistik agar
hasil transkripsi sesuai dengan kaidah tata bahasa Indonesia.
Menggunakan metode pengenalan connected words lainnya seperti level
building atau one stage DP untuk mengetahui kinerja metode tersebut.
DAFTAR PUSTAKA
Buono A, Jatmiko W, Kusumo P. 2009. Perluasan Metode MFCC 1D ke 2D sebagai
ekstraksi ciri pada sistem identifikasi pembicara menggunakan hidden markov
model (HMM). Jurnal Makara Sains 13(1):87-93.
Buono A, Kusumoputro B. 2007. Pengembangan Model HMM Berbasis
Maksimum Lokal Menggunakan Jarak Euclid Untuk Sistem Identifikasi
Pembicara. Di dalam: Proceeding of National Conference on Computer Science
& Information Technology; 2007 Januari 29-30; Depok, Indonesia.
Bourlard H, Dines J, Flynn M, McCowan I, Moore D, Perez D, Wellner P. 2005.
On the Use of Information Retrieval Measures for Speech Recognition
Evaluation. Switzerland: IDIAP Research Institute.
Juang BH, Rabiner L. 1993. Fundamentals of Speech Recognition. New Jersey
(US): Prentice Hall.
Jurafsky D, Martin JH. 2007. Speech and Language Processing An Introduction to
Natural Language Processing, Computational Linguistic, and Speech
Recognition. Ed ke-2. New Jersey (US): Prentice Hall.
Luthfi MS. 2013. Pendeteksian Kata dengan MFCC sebagai Ekstraksi Ciri dan
Codebook sebagai Pengenalan Pola [skripsi]. Bogor (ID): Institut Pertanian
Bogor.
Morgan DP, Silverman HF. 1990. The Application of Dynamic Programming to
Connected Speech Recognition. Di dalam: IEEE ASSP Magazine; 1990 Juli.
Slaney Malcolm. 1998. Auditory Toolbox [Internet]. [Diakses pada 2014 Maret 1].
Tersedia pada https://engineering.purdue.edu/~malcolm/interval/1998-010/.
Lampiran 1 Matriks konfusi tingkat akurasi suku kata pada data uji gabungan data latih
Suku Kata
Si
A
Da
Di
An
Se
I
Kan
Ra
De
Ma
Ni
Ti
Ter
Pe
Lah
Ka
Ta
Si
A
Da
Di
An
Se
I
Kan Ra
De Ma Ni Ti Ter
40.8
0
0
10.8
0
0
15.0
0
0
0
0
0.8 30.8 0
0
37.5
0
9.2 9.2
0
28.3 1.7
0
0
13.3 0
0
0
0.8 8.3 53.3
0
5.8
0
0
0
4.2
0
25.8 0
0
0
0
0
0
31.7
0
13.3 50.0
0
0
0
0
5.0
0
0
0
0
5.0
0
70.0
0
0
0
5.0 16.7 3.3
0
0
0
18.3
0
0
5.0 3.3 38.3
0
1.7 3.3 5.0
0
0 16.7 0
0
0
0
18.3
0
0
81.7
0
0
0
0
0
0
0
0
3.3
0
0
16.7
0
0
58.3 1.7
0
18.3 0
0
0
0
0
1.7
0
33.3
0
0
25.0 10.0
0
1.7
0 18.3 1.7
0
0
0
1.7 1.7
0
38.3
0
0
58.3
0
0
0
0
10.0 5.0
0
0
3.3 3.3
0
3.3 15.0
0
51.7 0
1.7
0
10.8
0
0
15.0
0
2.5 66.7
0
0
0
0
4.2 0.8
0
0
0
0
1.7
0
0
6.7 1.7
0
0
0
0 61.7 0
0
0
1.7
0
0
0
0
8.3 5.0
0
3.3
0
0
1.7
0
0
0
0
0
0
0
0
1.7
0
3.3
0
5.0
0
0
6.7
0
0
5.0
0
0
16.7 10.0
0
1.7
0
0
0
0
16.7
0
4.2 7.5
0
27.5 3.3 0.8
0
4.2
0
0.8 0.8
0
3.3
0
1.7
0
0
5.0 11.7
0
0
0
0
0
0
Pe Lah Ka
Ta
0
1.7
0
0
0
0
0
0.8
0
0.8
0
0.8
0
0
0
0
0
0
0
0
5.0 1.7
0
1.7
0
0
0
0
0
0
1.7
0
0
5.0 1.7 1.7
0
0
0
0
0
6.7
0
0
0
0
0
0
1.7
0
0
26.7
1.7
0
33.3 45.0
78.3
0
0
11.7
0
5.0 36.7 18.3
0
0
19.2 15.0
0
0
1.7 76.7
15
16
16
Lampiran 2 Matriks konfusi tingkat akurasi suku kata pada data uji sebenarnya
Suku Kata
Si
A
Da
Di
An
Se
I
Kan
Ra
De
Ma
Ni
Ti
Ter
Pe
Lah
Ka
Ta
Si
52.5
0.8
0
11.7
0
1.7
20.0
0
0
0
20.0
8.3
31.7
0
5.0
8.3
0
0
A
Da
Di
An
Se
I
Kan Ra
De Ma Ni
Ti
Ter Pe Lah Ka
0.8
0
1.7 0.8 2.5
0
8.3 5.0
0
0
10.0 14.2 1.7 0.8
0
0.8
20.8 5.0 1.7 5.8 0.8 1.7 20.8 8.3
0
12.5
0
0
0.8 1.7
0
3.3
0.8 8.3
0
0
1.7
0
12.5 30.8 5.0 5.0
0
0
0.8 10.8
0
0.8
0
3.3 11.7
0
26.7 16.7
0
11.7 5.0
0
11.7 1.7
0
0
0
0
30.0
0
0
21.7 10.0 1.7 3.3
0
15.0 15.0
0
0
0
0
0
0
0
6.7 1.7
0
18.3 6.7
0
15.0
0
0
20.0 11.7
0
6.7
0
3.3
0
0
1.7
0
10.8 15.8 13.3 1.7 29.2
0
1.7
0
0
0
1.7
0
18.3 5.0
0
20.0
0
0
8.3
0
0
3.3 36.7
0
3.3
0
0
0
11.7
0
0
5.0
0
0
11.7 26.7
0
13.3
0
0
0
10.0 1.7
0
11.7
0
0
1.7 3.3
0
5.0 5.0 63.3 8.3
0
0
0
0
0
0
23.3 3.3
0
6.7
0
0
0
8.3
0
31.7
0
0
0
0
3.3 1.7
0
0
0
0
0
0
0
0
0
0
91.7
0
0
0
0
0
1.7
0
0
0
0
0
1.7
0
0
0
41.7 1.7
0
6.7
0
8.3
0
31.7
0
0
0
0
1.7 25.0
0
6.7 3.3
0
15.0 16.7
0
0
0
10.0 8.3
0
5.0 8.3 1.7 6.7
0
0
16.7 10.0 5.0 16.7 3.3
0
10.0
0
0
15.0
0
0
0
0
0
0
35.0
0
0
0
31.7
0
31.7
0
0
21.7
0
0
10.0 14.2
0
5.8
0
0
1.7 0.8 1.7 0.8
3.3
0
0
1.7 1.7
0
1.7 5.0
0
0
1.7
0
0
11.7
0
18.3
Ta
0.8
15.8
23.3
0
3.3
8.3
4.2
5.0
20.0
1.7
1.7
0
6.7
0
3.3
0
11.7
55.0
17
RIWAYAT HIDUP
Penulis dilahirkan di Bandung pada tanggal 1 Januari 1992 dari pasangan
Asep Roswanda dan Asih Setiawaty. Penulis adalah putri kedua dari dua
bersaudara. Tahun 2010 penulis lulus dari SMA Negeri 1 Bogor dan pada tahun
yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui
Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis pernah melaksanakan Praktik Kerja
Lapang (PKL) di Kementerian Pekerjaan Umum Indonesia selama 35 hari. Penulis
juga pernah menjadi asisten praktikum mata kuliah struktur data dan metode
kuantitatif. Dalam bidang organisasi, penulis menjadi anggota Himpunan Profesi
Ilmu Komputer tahun 2011-2013. Penulis juga aktif menjadi pengurus UKM
MAX!! IPB tahun 2010-2013, dan anggota komunitas Public Relation Community
IPB tahun 2014. Kegiatan lain penulis adalah mengikuti pelatihan-pelatihan
nonformal yang ada, seperti pelatihan jurnalistik, pelatihan desain menggunakan
Adobe Flash dan Adobe Indesign, pelatihan web developing dengan framework YII,
dan pertemuan komunitas UI/UX Indonesia.
SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL
DYNAMIC PROGRAMMING
SINTYA ROSDWIANTY
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Transkripsi Suara ke
Teks Bahasa Indonesia Berbasis Suku Kata Menggunakan Codebook dan 2-level
Dynamic Programming adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Sintya Rosdwianty
NIM G64100085
ABSTRAK
SINTYA ROSDWIANTY. Transkripsi Suara ke Teks Bahasa Indonesia Berbasis
Suku Kata Menggunakan Codebook dan 2-level Dynamic Programming.
Dibimbing oleh AGUS BUONO dan MUHAMMAD ASYHAR AGMALARO.
Transkripsi suara ke teks sangat berguna karena memudahkan manusia
berinteraksi dengan sistem secara lebih cepat. Akan tetapi, sistem sulit mengenali
suara berupa rangkaian kata. Penelitian ini mengembangkan sistem yang dapat
mengenali rangkaian kata dengan menggunakan metode MFCC sebagai teknik
ekstraksi ciri, codebook sebagai metode pengenalan pola, dan 2-level dynamic
programming sebagai metode pengenalan rangkaian kata. Teknik cluster yang
digunakan pada penelitian ini adalah K-means. Parameter yang digunakan pada
teknik MFCC adalah overlap, time frame, dan jumlah koefisien cepstral. Adapun
parameter pada teknik K-means adalah jumlah cluster. Penelitian ini menggunakan
900 data suara suku kata yang terdiri atas 18 kelas dan 120 data suara berisi
rangkaian kata yang terdiri atas 60 data uji hasil gabungan data latih dan 60 data uji
sebenarnya. Hasil penelitian menunjukkan bahwa nilai K optimum adalah 15, dan
nilai word error rate terendah yang diperoleh adalah 0.1, diperoleh pada rangkaian
kata kelas ‘Ide Anda’ hasil gabungan suku kata data latih, saat overlap 0.25, time
frame 25 ms, koefisien cepstral 13, dan jumlah cluster 20.
Kata kunci: codebook, connected word, dynamic programming, K-means, MFCC
ABSTRACT
SINTYA ROSDWIANTY. Voice to Text Transcription based on Indonesian
Syllable using Codebook and 2-level Dynamic Programming. Supervised by AGUS
BUONO and MUHAMMAD ASYHAR AGMALARO.
Voice to text transcription is very useful because it allows people to interact
with a system more quickly. However, it is hard for a system to recognize a speech
which contains of connected words. This research aims to develop a system that
recognize a connected word speech. The proposed approach uses MFCC as a
feature extraction, codebook as pattern recognition method, and 2-level dynamic
programming as connected words recognition method. The parameters used in
feature extraction using MFCC are overlap, time frame, and number of cepstral
coefficients. Moreover the parameter used in K-means clustering is the number of
clusters. This research uses 900 syllable’s speech data from 18 classes, and 120
connected word’s speech data which consist of 60 testing data joined from training
data and 60 real testing data. The results showed that the optimum value of K was 15,
with the minimum word error rate of 0.1 for the ‘Ide Anda’ words resulted from joining
words of training data with the overlap value of 0.25, the time frame value of 25 ms,
the number of cepstral coefficients of 13, and the number of clusters of 20.
Keywords: codebook, connected word, dynamic programming, K-means, MFCC
TRANSKRIPSI SUARA KE TEKS BAHASA INDONESIA BERBASIS
SUKU KATA MENGGUNAKAN CODEBOOK DAN 2-LEVEL
DYNAMIC PROGRAMMING
SINTYA ROSDWIANTY
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji: Auzi Asfarian, SKomp, MKom
Judul Skripsi : Transkripsi Suara ke Teks Bahasa Indonesia Berbasis Suku Kata
Menggunakan Codebook dan 2-level Dynamic Programming
Nama
: Sintya Rosdwianty
NIM
: G64100085
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing I
Muhammad Asyhar Agmalaro, SSi MKom
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
pemrosesan bahasa alami, dengan judul Transkripsi Suara ke Teks Bahasa
Indonesia Berbasis Suku Kata Menggunakan Codebook dan 2-level Dynamic
Programming.
Penulis menyadari bahwa penelitian ini masih memiliki kekurangan. Adapun
penulis mengucapkan terima kasih kepada:
1
Kedua orangtua dan kakak yang telah memberikan perhatian, doa, dan
dukungan sehingga penulis dapat menyelesaikan penelitian ini.
2
Bapak Dr Ir Agus Buono, MSi MKom dan Bapak Muhammad Ashyar
Agmalaro, SSi MKom, selaku pembimbing yang telah memberikan arahan
dan saran kepada penulis.
3
Bapak Auzi Asfarian, SKom MKom, selaku penguji yang telah banyak
memberi saran dan masukan kepada penulis.
4
Teman-teman Ilmu Komputer 47 atas segala dukungan, ilmu, perhatian dan
kasih sayangnya.
5
Teman-teman UKM MAX!! IPB dan kelas TPB A01 2010 atas segala
pengalaman yang diberikan selama kuliah.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Sintya Rosdwianty
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Pengambilan Suara
3
Praproses
4
Ekstraksi Ciri MFCC
4
Perangkaian Kata
5
Codebook
5
Time Alignment
6
2-level Dynamic Programming
6
Lingkungan Pengembangan
7
Pengujian
7
HASIL DAN PEMBAHASAN
8
Pengambilan Suara
8
Praproses
8
Ekstraksi Ciri MFCC
8
Perangkaian Kata
8
Codebook
8
Time Alignment
9
2-level Dynamic Programming
9
Pengujian
9
Implementasi Sistem
SIMPULAN DAN SARAN
12
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
RIWAYAT HIDUP
17
DAFTAR TABEL
1
2
3
4
Daftar suku kata sebagai data latih
Daftar rangkaian kata sebagai data uji
Word error rate untuk kelas data uji sebenarnya
Word error rate untuk kelas data uji hasil gabungan data latih
3
4
9
10
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
Diagram alur penelitian
3
Blok diagram MFCC
4
Perbedaan data suara asli, setelah pemotongan silent, setelah dinormalisasi 8
Rata-rata WER setiap kelas data uji untuk semua nilai K
10
Pengaruh nilai K terhadap rata-rata WER untuk semua kelas data uji
11
Tingkat akurasi suku kata pada kelas data uji gabungan data latih
12
Tingkat akurasi suku kata pada kelas data uji sebenarnya
12
Antarmuka program transkripsi suara ke teks berbasis suku kata
13
DAFTAR LAMPIRAN
1 Matriks konfusi tingkat akurasi suku kata pada data uji gabungan data latih 15
2 Matriks konfusi tingkat akurasi suku kata pada data uji sebenarnya
16
PENDAHULUAN
Latar Belakang
Perkembangan penelitian tentang pemrosesan suara dan bahasa alami saat ini
telah meningkat pesat. Hal tersebut disebabkan karena penelitian di bidang ini dapat
diimplementasikan untuk kemudahan berbagai aktivitas manusia. Salah satu
contohnya ialah penelitian tentang transkripsi suara ke teks (speech to text
recognition), yang memungkinkan suatu sistem komputer berinteraksi dengan
manusia selayaknya interaksi antarmanusia.
Proses penting dalam transkripsi suara ke teks adalah proses pengenalan suara
yang mengambil suatu gelombang sebagai data input dan menghasilkan sebuah
deretan string kata sebagai data output (Jurafsky dan Martin 2007). Sistem
transkripsi suara ke teks sangat berguna karena memudahkan manusia untuk
berinteraksi dengan sistem secara lebih cepat. Contoh aplikasi terapan yang banyak
ditemui sehari-hari adalah fungsi voice dial pada telepon genggam.
Penelitian tentang transkripsi suara ke teks pun sudah banyak dilakukan,
misalnya penelitian yang dilakukan oleh Luthfi (2013). Penelitian tersebut
mendeteksi kata dengan MFCC sebagai ekstraksi ciri dan codebook sebagai
pengenalan pola. Pada penelitian tersebut, Luthfi berhasil membangun codebook
yang terdiri atas hasil klustering K-means untuk data latih berupa kata, dengan nilai
codeword pada codebook 16 dan 32, dan parameter MFCC yang digunakan ialah
time frame 23.7 ms, overlap 0.5, dan koefisien cepstral 13. Penelitian tersebut
mendapatkan akurasi rata-rata 98%, dan berhasil mengenali input rangkaian kata
yang diproses secara isolated words, atau pemrosesan tiap unit kata.
Atas dasar tersebut, penelitian ini membangun sistem transkripsi suara
menggunakan model codebook, yang dapat mengenali rangkaian kata berbasis suku
kata, dan diproses secara connected words. Suku kata dipilih sebagai unit
transkripsi karena suatu suku kata dapat divariasikan menjadi banyak kata sehingga
sistem dapat mentranskripsi lebih banyak kemungkinan kata dibandingkan dengan
transkripsi dengan unit berupa kata. Penelitian ini akan dikombinasikan dengan
metode 2-level dynamic programming (DP), yaitu salah satu metode yang dapat
mengatasi transkripsi suara untuk rangkaian kata/connected words (Juang dan
Rabiner 1993).
Perumusan Masalah
Transkripsi sinyal suara ke teks membutuhkan proses yang tidak mudah,
karena membutuhkan suatu metode tertentu agar dapat mengenali struktur suara
dengan tepat. Atas dasar tersebut, muncul pertanyaan penelitian sebagai berikut:
1
Bagaimana proses membangun metode codebook untuk sistem transkripsi
rangkaian kata berbasis suku kata?
2
Bagaimana proses transkripsi suku kata untuk data input yang terdiri atas
rangkaian beberapa kata dengan metode 2-level DP?
3
Bagaimana tingkat akurasi yang dihasilkan dari sistem tersebut?
2
Tujuan Penelitian
1
2
3
Tujuan dari penelitian ini, yaitu:
Membangun codebook suku kata yang akan digunakan sebagai model
referensi untuk sistem transkripsi.
Menerapkan metode 2-level DP untuk transkripsi rangkaian kata berbasis
suku kata.
Mengetahui tingkat akurasi transkripsi suara ke teks dengan metode codebook
dan 2-level DP.
Manfaat Penelitian
Penelitian ini diharapkan mampu memberikan informasi tentang pengolahan
suara untuk rangkaian kata/connected words dan tingkat akurasi transkripsi suara
ke teks bahasa Indonesia berbasis suku kata. Selain itu, hasil penelitian ini
diharapkan dapat dikembangkan untuk pengenalan semua suku kata dalam bahasa
Indonesia dan dikembangkan menjadi sistem yang bersifat speaker independent
sehingga sistem yang dikembangkan dapat dimanfaatkan oleh masyarakat umum.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Jumlah suku kata yang mampu dikenali dalam sistem berjumlah 18 suku kata.
Daftar suku kata tersebut mengacu pada 18 suku kata yang memiliki frekuensi
kemunculan terbanyak pada teks penelitian Buono dan Kusumoputro (2007)
berjudul Pengembangan Model HMM Berbasis Maksimum Lokal
Menggunakan Jarak Euclid Untuk Sistem Identifikasi Pembicara pada
halaman 1 sampai 3.
Sistem yang dikembangkan bersifat speaker dependent karena sistem hanya
dapat mengenali suara yang menjadi data latih (Jurafsky dan Martin 2007)
yaitu suara penulis berjenis kelamin wanita.
Parameter MFCC yang digunakan pada penelitian ini adalah time frame 25
ms, overlap 0.25, dan koefisien cepstral sebesar 13.
Rangkaian kata yang mampu dikenali hanya rangkaian kata yang terdiri atas
deretan 4 suku kata.
METODE
Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap,
seperti disajikan pada Gambar 1.
3
Pengambilan Suara
Mulai
Pengambilan suara
18 suku kata x 50 = 900 suara suku kata
6 rangkaian kata x 10 = 60 suara rangkaian kata
Praproses
Ekstraksi Ciri MFCC
Data Uji
Data Latih
Perangkaian Kata
Codebook
Time Alignment
2-Level Dynamic Programming
Pengujian
Selesai
Gambar 1 Diagram alur penelitian
Data suara yang digunakan dalam penelitian ini berasal dari satu pembicara
yaitu suara penulis, dengan rincian 18 kelas suku kata dan 6 kelas rangkaian kata.
Masing-masing data suku kata direkam selama 1 detik dengan pengulangan tiap
kelas sebanyak 50 kali sehingga total data suku kata berjumlah 900 data. Suku kata
tersebut digunakan sebagai data latih untuk pembangunan codebook seperti
disajikan pada Tabel 1, yang diurutkan berdasarkan jumlah kemunculan suku kata
terbanyak pada teks yang diacu.
Tabel 1 Daftar suku kata sebagai data latih
Suku Kata
Si A Da Di An Se I Kan Ra De Ma Ni Ti Ter Pe Lah Ka Ta
Data suara berupa rangkaian kata disusun berdasarkan kombinasi suku kata
dari data latih yang tersedia, dan direkam selama 3 detik dengan pengulangan tiap
kelas 10 kali. Total data yang direkam sebanyak 60 data dan akan digunakan untuk
data uji sebenarnya. Data tersebut berjumlah 6 kelas karena keenam kelas kata
4
tersebut sudah mewakili setiap suku kata yang terdapat pada data latih, seperti
disajikan pada Tabel 2.
Tabel 2 Daftar rangkaian kata sebagai data uji
Rangkaian Kata
Suku Kata
Ide anda
i, de, an, da
Peti tani
pe, ti, ta, ni
Sesi makan
se, si, ma, kan
Dia kalah
di, a, ka, lah
Terka ini
ter, ka, i, ni
Ada rasi
a, da, ra, si
Praproses
Setiap data suara memiliki silent pada awal dan akhir kata. Pada tahap ini
dilakukan penghapusan silent agar data suara murni hanya terdiri atas data yang
akan diproses. Selain itu, suara memiliki range amplitudo yang berbeda-beda. Oleh
karena itu proses normalisasi amplitudo dilakukan agar setiap suara memiliki range
amplitudo yang sama.
Ekstraksi Ciri MFCC
Ekstraksi ciri merupakan proses untuk mencari suatu nilai atau vektor yang
menjadi ciri khusus dari suatu variabel atau objek. Salah satu teknik ekstraksi ciri
yang banyak digunakan dan sesuai dengan persepsi sistem pendengaran manusia
adalah Mel Frequency Cepstrum Coefficient (MFCC). Tahapan MFCC disajikan
pada Gambar 2.
Continuous Speech
Mel Spectrum
Cepstrum
Frame Blocking
Mel-frequency Wrapping
Frame
Windowing
Spectrum
FFT
Mel Cepstrum
Gambar 2 Blok diagram MFCC
Tahap pertama MFCC adalah frame blocking yaitu teknik pembagian sinyal
menjadi blok-blok (frame) dengan ukuran/lebar tertentu, dan di antara kedua blok
yang berdekatan terdapat overlap. Overlap adalah keadaan suatu sinyal yang saling
tumpang tindih untuk mencegah adanya informasi yang hilang. Tahap selanjutnya
adalah windowing, yaitu proses mengalikan sinyal digital dengan suatu fungsi
window tertentu. Tujuan windowing adalah untuk mengurangi distorsi antar frame
yang berdekatan. Formula windowing yang digunakan pada penelitian ini adalah
Hamming window karena formula ini memiliki kinerja yang baik dan perhitungan
sederhana (Buono et al. 2009), seperti disajikan pada Persamaan 1.
5
2πn
� n = 0.54 - 0.46 cos - 1 , 0 ≤ n ≤ N-1
(1)
N
Tahap selanjutnya adalah Fast Fourier Transform (FFT), yaitu salah satu
algoritme untuk mengimplementasikan Discrete Fourier Transform (DFT) untuk
mentransformasi frame dari domain waktu ke domain frekuensi. Hasil dari tahap
ini dinamakan spektrum. Fungsi FFT disajikan pada Persamaan 2.
xk = ∑ Nn =- 10 xn e-
j2πkn
N
(2)
dengan k = 0, 1, 2, ..., N-1
Xk = nilai-nilai sampel yang akan diproses ke dalam domain frekuensi
Xn = magnitudo frekuensi
N = jumlah data pada domain frekuensi
j = bilangan imajiner
Secara umum, Xk adalah bilangan kompleks dan hanya dilihat bilangan absolutnya.
Setelah itu, dilakukan mel-frequency wrapping, yaitu proses pemfilteran
spektrum setiap frame menggunakan sejumlah M filter segitiga dengan tinggi satu.
Filter ini dibuat berdasarkan persepsi manusia terhadap suatu suara. Hubungan
skala mel dengan frekuensi (Hz) dinyatakan pada Persamaan 3.
F
(3)
Fmel = 2595 log10 1+ Hz
700
Cepstrum adalah tahap terakhir yang berfungsi mengubah log mel hasil proses
sebelumnya kembali menjadi domain waktu. Hasil dari tahap ini disebut MFCC
dengan jumlah koefisien MFCC tertentu yang diinginkan. Pada penelitian ini proses
MFCC menggunakan auditary toolbox Matlab yang dikembangkan oleh Slaney
(1998).
Perangkaian Kata
Perangkaian kata dilakukan dengan cara merangkaikan data latih berupa suku
kata menjadi rangkaian kata seperti data uji. Hal ini dilakukan untuk
membandingkan kinerja sistem terhadap data yang terdiri atas gabungan data latih
dan data uji sebenarnya.
Codebook
Codebook adalah barisan simbol yang merepresentasikan suatu objek tertentu
(Jurafsky dan Martin 2007). Codebook merupakan salah satu metode pengenalan
pola yang menghasilkan sebuah cetakan suara. Setiap titik pada codebook
dinamakan codeword. Nilai pada codeword diambil dari hasil
pengelompokkan/clustering semua data latih berupa vektor ciri masing-masing
suara. Algoritme clustering yang digunakan pada penelitian ini adalah K-means,
karena algoritme ini memiliki kinerja cepat dan perhitungan sederhana.
Ide dasar K-means adalah membuat kluster untuk data yang memiliki
karakteristik mirip, dan memisahkan data yang memiliki karakteristik berbeda.
Langkah pertama dalam K-means adalah menentukan nilai K, yaitu initial centroid
yang merepresentasikan jumlah kluster yang diinginkan. Setelah itu, semua data
pada data latih akan dimasukkan pada kluster yang memiliki jarak terdekat dengan
data tersebut.
6
Time Alignment
Time alignment merupakan metode untuk mengatasi pencarian jarak antara
sinyal suara input dan sinyal suara pada model referensi dengan panjang vektor
berbeda. Time alignment bekerja dengan cara mencari pasangan frame untuk
sebuah sinyal suara input, dan mencari jarak totalnya dengan frame-frame pada
sebuah kelas referensi. Karena kemampuannya dalam mengatasi perbedaan panjang
vektor frame, time alignment cocok untuk diterapkan pada pengenalan rangkaian
kata/connected words, dengan cara diterapkan untuk pencarian jarak di setiap
kemungkinan lebar frame. Pencarian jarak pada time alignment dilakukan dengan
fungsi squared euclidian distance, seperti disajikan pada Persamaan 4.
dist(p,q) = √∑ ni = 1 (Qi-Pi)2
(4)
2-level Dynamic Programming
Sebuah sistem transkripsi suara yang menggunakan metode dynamic
programming (DP), harus bisa mendeteksi jumlah kata pada sebuah kalimat, ending
point sebuah kata, dan klasifikasi setiap kata (Morgan dan Silverman 1990). Salah
satu metode DP adalah 2-level DP. Metode ini dipilih karena 2-level DP merupakan
metode pengenalan rangkaian kata yang sederhana, dan dapat dikembangkan lebih
lanjut dengan menambahkan metode lainnya. Ide dasar dari 2-level DP adalah
mencari jarak dan jalur/path terbaik dari sebuah matriks data.
Level pertama adalah pencarian jarak minimum dari sebuah barisan vektor
input dengan semua vektor pada model referensi (Juang dan Rabiner 1993).
Pencarian tersebut direpresentasikan dengan matriks jarak berukuran NxN, N
menunjukkan jumlah frame hasil ekstraksi ciri. Nilai jarak ini dicari untuk setiap
kemungkinan barisan frame tertentu dengan tiap kelas suku kata pada codebook,
dengan asumsi tidak ada suku kata yang direpresentasikan dalam panjang 1 frame.
Oleh karena itu, jarak sepanjang 1 frame tidak disertakan dalam penelitian ini.
Setelah itu, perbandingan nilai antara satu kelas suku kata dan kelas lainnya
dilakukan dan hasil yang memiliki nilai paling kecil diambil.
Level kedua adalah mencari jarak total dan melakukan backtrack terhadap
jarak total tersebut. Jarak total dicari dengan perhitungan rekursif sebanyak jumlah
suku kata yang akan dikenali. Langkah-langkah pencarian jarak total dan backtrack
jalur terbaik disajikan pada persamaan berikut.
1
Inisialisasi
D 0 =0, Dc 0 = ∞,
1≤ c ≤ Cmax
(5)
2
Loop pada e untuk c=1
D1 e =D 1,e ,
2≤e≤M
(6)
3
Rekursi pada e untuk c=2, 3, ..., Cmax
D2 e = min[D b,e +D1 b-1 ] ,
1 ≤ b ≤ e, 3 ≤ e ≤ M
(7)
D3 e = min[D b,e +D2 b-1 ],
1 ≤ b ≤ e, 4 ≤ e ≤ M
(8)
Dc e = min[D b,e +Dc-1 b-1 ],
1 ≤ b ≤ e, c+1 ≤ e ≤ M (9)
4
Solusi akhir
D* = min [Dc (M)],
1 ≤ c ≤ Cmax
(10)
dengan D = matriks jarak yang diperoleh dari level 1
7
b = awal frame pada data uji
e = akhir frame pada data uji
c = jumlah suku kata yang ada pada suatu rangkaian kata
M = jumlah frame pada data uji.
Algoritme backtrack pada penelitian ini diterapkan dengan langkah awal
menyimpan semua indeks kelas pada matriks jarak yang memiliki nilai paling kecil.
Setelah itu, pencarian path diselesaikan dengan menyusuri hasil indeks dari indeks
suku kata terakhir, dan berlanjut mundur untuk mencari jarak terkecil berikutnya
untuk pencarian suku kata lainnya. Kompleksitas algoritme 2-level DP menurut
Juang dan Rabiner (1993) disajikan pada Persamaan 11.
Kompleksitas total = VMN (2R+1),
(11)
dengan V = jumlah data referensi
M = jumlah starting frame data referensi
N = range frame data uji
R = rata-rata banyaknya jumlah frame data uji.
Lingkungan Pengembangan
Pada penelitian ini lingkungan pengembangan yang digunakan ialah
perangkat keras CPU Intel-Core i5, 4 GB RAM, dan microphone frekuensi 2020000 Hz, dengan sensitivitas 103 dB, sedangkan untuk perangkat lunak
menggunakan Windows 7 Professional, Microsoft Excel 2013, dan Matlab R2010a
64 bit.
Pengujian
Pengujian dilakukan dengan cara mencocokan hasil output sistem dengan
hasil transkripsi seharusnya. Setelah itu, tingkat akurasi dihitung dengan
menggunakan word error rate (WER). WER adalah salah satu metode untuk
menghitung jarak antara barisan kata pada model referensi dengan keluaran/output
sistem transkripsi (Bourlard et al. 2005). Semakin kecil nilai WER, semakin baik
kinerja sistem transkripsi. WER didefinisikan pada Persamaan 12.
S+D+I
(12)
Word Error Rate =
N
dengan S = banyaknya terjadi output substitution
D = banyaknya terjadi output deletion
I = banyaknya terjadi output insertion
N = jumlah kata yang diuji.
8
HASIL DAN PEMBAHASAN
Pengambilan Suara
Semua data direkam langsung pada perangkat lunak Matlab dengan sampling
rate 11000 Hz dan disimpan dalam format *.wav. Perekaman data dilakukan di
tempat yang hening untuk meminimumkan noise dari lingkungan sekitar.
Praproses
Penghapusan silent dilakukan secara manual untuk 900 data latih dengan cara
menghapus langsung data yang terdiri atas data suara silent, dan untuk data uji
dilakukan dengan cara menetapkan nilai ambang batas/threshold untuk setiap kelas.
Selanjutnya, dilakukan normalisasi amplitudo, yaitu pembagian setiap nilai
amplitudo dengan nilai maksimumnya sehingga diperoleh data suara yang lebih
seragam. Contoh plot data uji ‘Ide Anda’ sebelum dan sesudah dinormalisasi
disajikan pada Gambar 3.
Gambar 3 Perbedaan data suara asli, setelah pemotongan silent, setelah
dinormalisasi
Ekstraksi Ciri MFCC
Parameter-parameter MFCC yang digunakan dalam penelitian ini di
antaranya: time frame 25 ms, sampling rate 11000 Hz, overlap 0.25, dan jumlah
koefisien yang digunakan pada setiap frame ialah 13. Nilai-nilai ini dipilih agar
jumlah frame data yang dihasilkan tidak terlalu besar.
Perangkaian Kata
Perangkaian kata dilakukan dengan cara menyatukan vektor suku kata yang
diinginkan sebanyak 10 kali untuk masing-masing kelas data uji sehingga total
rangkaian kata yang diperoleh ialah 60 data untuk semua kelas data uji.
Codebook
Pembangunan codebook dilakukan dengan menggabungkan setiap vektor
data latih dari tahapan sebelumnya untuk setiap kelas, lalu dilakukan clustering
9
dengan algoritme K-means. K yang digunakan sebagai intitial centroid pada
penelitian ini adalah 5, 10, 15, 20, 25, dan 30. Nilai-nilai ini dipilih karena nilai K
yang biasa digunakan pada penelitian pengenalan suara berkisar antara 5 sampai 32.
Hasil klustering inilah yang dijadikan sebagai nilai-nilai codeword pada codebook.
Time Alignment
Time alignment dilakukan dengan perhitungan euclid untuk setiap
kemungkinan lebar frame antara data uji dengan data referensi pada codebook.
Hasil time alignment direpresentasikan dalam bentuk matriks jarak.
2-level Dynamic Programming
Level pertama DP adalah matriks jarak minimum untuk setiap kemungkinan
panjang frame data uji dengan semua suku kata pada codebook. Level kedua yaitu
pencarian rekursif jarak total menghasilkan matriks berukuran 4xN yang berarti
pencarian jarak terbaik untuk 4 suku kata dari N jumlah frame data uji. Tahap
terakhir yaitu backtrack jalur terbaik untuk setiap data uji akan menghasilkan path
dengan total jarak paling minimum.
Pengujian
Pada hasil pengujian dilakukan percobaan dengan nilai K 5, 10, 15, 20, 25,
dan 30 untuk setiap kelas data uji. Parameter MFCC yang digunakan pada pengujian
ini sama dengan parameter pada data latih. Data uji sendiri terbagi menjadi data uji
sebenarnya berjumlah 60 data, dan data uji hasil gabungan data latih berjumlah 60
data, sehingga total data uji untuk semua kelas adalah 120 data. Word error rate
berdasarkan nilai K untuk setiap kelas data uji pada data uji sebenarnya dan data uji
hasil gabungan data latih, disajikan pada Tabel 3 dan 4.
Tabel 3 Word error rate untuk kelas data uji sebenarnya
K
5
10
15
20
25
30
Ide Anda
0.98
0.48
0.23
0.70
0.78
0.88
Peti Tani
0.25
0.50
0.65
0.55
0.73
0.88
Sesi Makan Dia Kalah Terka Ini
0.75
1.00
0.75
0.90
0.88
0.78
0.78
0.98
0.75
0.85
1.00
0.50
0.75
0.60
0.73
0.38
0.33
0.83
Ada Rasi
0.88
0.73
0.50
0.83
0.90
0.88
Dari Tabel 3 terlihat bahwa kelas data uji ‘Ide Anda’ mendapatkan WER
terendah yaitu 0.23 saat nilai K 15, sedangkan WER tertinggi didapatkan kelas data
uji ‘Dia Kalah’ pada saat K 5 dan 20 yaitu 1. Di sisi lain, pada kelas data uji hasil
gabungan data latih, nilai WER terendah didapatkan kelas ‘Ide Anda’ saat K 20
yaitu 0.1, sedangkan nilai WER tertinggi didapatkan kelas ‘Dia Kalah’ saat K 10
yaitu 0.98. Hal ini dapat disebabkan oleh pengucapan suatu kata. Pada kelas data
uji sebenarnya, pengucapan kata seperti intonasi yang digunakan dan rentang waktu
10
pengucapan suatu suku kata memiliki variasi lebih tinggi dibandingkan dengan
kelas data uji hasil gabungan data latih. Oleh karena itu, sistem lebih sulit mengenali
suku kata pada kelas data uji sebenarnya.
Tabel 4 Word error rate untuk kelas data uji hasil gabungan data latih
K
5
10
15
20
25
30
Ide Anda
0.60
0.40
0.15
0.10
0.33
0.43
Peti Tani
0.75
0.48
0.25
0.43
0.28
0.50
Sesi Makan
0.70
0.55
0.65
0.43
0.40
0.40
Dia Kalah
0.95
0.98
0.80
0.83
0.73
0.55
Terka Ini
0.90
0.73
0.75
0.75
0.68
0.73
Ada Rasi
0.60
0.75
0.60
0.55
0.65
0.48
Gambar 4 menunjukkan nilai rata-rata WER setiap kelas data uji hasil
gabungan data latih dan data uji sebenarnya untuk semua nilai K. Dari gambar
tersebut dapat disimpulkan bahwa pada penelitian ini, kelas data uji ‘Ide Anda’
merupakan kelas yang paling mudah dikenali, dengan nilai rata-rata WER sebesar
0.51 untuk semua kelas data dan nilai K. Sementara itu, kelas data uji ‘Dia Kalah’
merupakan kelas yang paling sulit dikenali, dengan nilai rata-rata WER sebesar
0.805 untuk semua kelas data dan nilai K. Hal ini dapat disebabkan karena ada
beberapa pengucapan suku kata yang tidak mirip dengan data latih, seperti suku
kata ‘a’ pada kelas data uji ‘Dia Kalah’ cenderung terdengar seperti ‘ya’, sehingga
tidak mirip dengan suku kata ‘a’ pada data latih.
Word Error Rate
1.00
0.80
0.7
0.7
0.6
0.60
0.40
0.5
0.8 0.8
0.8
0.8 0.7
0.6
0.5
0.3
0.20
0.00
Ide Anda
Peti Tani
Sesi Makan Dia Kalah
Kelas Data Uji
Gabungan Data Latih
Terka Ini
Ada Rasi
Data Uji Sebenarnya
Gambar 4 Rata-rata WER setiap kelas data uji untuk semua nilai K
Selain itu, kelas data uji hasil gabungan data latih mendapatkan rata-rata
WER sebesar 0.58, sedangkan kelas data uji sebenarnya mendapatkan rata-rata
WER sebesar 0.72 untuk semua kelas data dan nilai K. Hal ini menunjukkan bahwa
kelas data uji hasil gabungan data latih lebih mudah dikenali oleh sistem
dibandingkan dengan kelas data uji sebenarnya.
Gambar 5 menggambarkan pengaruh nilai K terhadap nilai rata-rata WER
untuk semua kelas data. Dari grafik tersebut, kurva nilai WER cenderung menurun
pada nilai K 5 sampai 15, sedangkan pada nilai K 15 sampai 30 nilai WER
cenderung stabil dan memiliki nilai yang berdekatan. Oleh karena itu, pada
11
penelitian ini dapat disimpulkan bahwa semakin besar nilai K nilai rata-rata WER
akan semakin kecil dan mengartikan bahwa kinerja sistem semakin baik. Nilai K
terbaik pada penelitian ini adalah 15, dengan rata-rata nilai WER sebesar 0.59,
sedangkan nilai K dengan rata-rata WER tertinggi adalah 5 ialah sebesar 0.76.
Word Error Rate
Gabungan Data Latih
Data Uji Sebenarnya
1
0.8
0.6
0.4
0.2
0
5
10
15
20
25
30
Nilai K
Gambar 5 Pengaruh nilai K terhadap rata-rata WER untuk semua kelas data uji
Gambar 6 dan 7 menunjukkan tingkat akurasi suku kata yang berhasil
dikenali sistem pada kelas data uji hasil gabungan data latih dan kelas data uji
sebenarnya. Tingkat akurasi dihitung berdasarkan jumlah kemunculan suku kata
hasil transkripsi dan dibagi dengan kemunculan suku kata tersebut seharusnya. Pada
kelas data uji hasil gabungan data latih, rata-rata akurasi untuk semua kelas suku
kata adalah 43.24%, lebih baik dibandingkan dengan rata-rata akurasi pada kelas
data uji sebenarnya yaitu 27.31%. Akan tetapi, terdapat perbedaan signifikan antara
nilai akurasi tiap suku kata pada kedua kelas data uji tersebut. Hal ini menunjukkan
bahwa tingkat akurasi sangat bergantung kepada data suara itu sendiri. Suku kata
yang berhasil dikenali paling baik dari semua kelas data uji adalah ‘ta’ dengan ratarata akurasi sebesar 65.83% dan paling sulit dikenali adalah suku kata ‘ter’ dengan
rata-rata akurasi sebesar 8.33%.
Nilai WER dan tingkat akurasi suku kata sangat bergantung kepada hasil
backtracking path pada algoritme DP. Berdasarkan hasil penelitian ini, sistem
masih memiliki kekurangan dalam menentukan path terbaik untuk suatu rangkaian
kata/connected words. Hal ini menyebabkan output sistem belum sepenuhnya tepat
dalam transkripsi suara tersebut dan menghasilkan error yang cukup tinggi,
misalnya terjadi substitusi suatu suku kata dengan suku kata lainnya.
Kesalahan backtracking tersebut dapat disebabkan oleh beberapa faktor,
seperti penetapan threshold untuk pemotongan silent yang dilakukan terhadap kelas
data uji sebenarnya. Apabila silent dapat dihilangkan dengan baik, output sistem
yang dihasilkan juga akan lebih baik karena mendekati data pada model codebook
yang tidak memiliki model silent. Faktor lainnya ialah pengucapan kata itu sendiri,
seperti intonasi yang digunakan dan lamanya pengucapan kata tersebut.
Pengucapan yang semakin mirip dengan data pada model codebook akan
menghasilkan nilai WER yang semakin rendah dan akurasi suku kata semakin
tinggi. Penggunaan parameter-parameter lain seperti time frame, overlap, koefisien
12
Tingkat Akurasi (%)
cepstral, dan pemilihan nilai K juga dapat berpengaruh terhadap nilai error rate
sistem secara keseluruhan pada penelitian ini.
100
90 81.7
78.3 76.7
80
70.0
70
61.7 58.3 58.3
53.3 51.7
60
50
40.8 38.3 37.5
40
31.7
30
19.2
20
10.0
5.0 4.2 1.7
10
0
i pe ta an ti kan de da ma si se a di ka ra lah ni ter
Suku Kata
Tingkat Akurasi (%)
Gambar 6 Tingkat akurasi suku kata pada kelas data uji gabungan data latih
100 91.7
90
80
63.3
70
55 52.5
60
50
40
31.7031.7
26.7
30
21.7 20.8 18.3
16.7 15.8 15
20
11.7 8.3 8.3
10
1.7 0.8
0
ni de ta si ma lah ra an a se pe i ter di da kan ti ka
Suku Kata
Gambar 7 Tingkat akurasi suku kata pada kelas data uji sebenarnya
Implementasi Sistem
Gambar 8 menunjukkan tampilan antarmuka program pada penelitian ini.
Terdapat tombol cari untuk memilih data uji yang akan ditranskripsi, tombol
mainkan untuk mendengarkan data uji yang dipilih, dan tombol transkripsi yang
disertai dengan radio button 5, 10, 15, 20, 25, dan 30 untuk memilih nilai K pada
initial centroid K-means. Tombol reset digunakan untuk menghapus hasil
transkripsi sebelumnya. Grafik di kiri bawah berfungsi untuk menunjukkan plot
suara data uji, jarak total menunjukkan jumlah jarak untuk satu data uji dengan
semua kemungkinan lebar frame yang tidak lain merupakan hasil rekursif level 2
13
DP, sedangkan hasil transkripsi akan menunjukkan hasil backtrack jalur terbaik
yang merupakan hasil akhir dari DP.
Gambar 8 Antarmuka program transkripsi suara ke teks berbasis suku kata
SIMPULAN DAN SARAN
Simpulan
Penelitian ini sudah berhasil diselesaikan dengan menerapkan codebook
sebagai pengenalan pola dan 2-level DP sebagai metode pengenalan rangkaian kata.
Penelitian ini menunjukkan bahwa data uji hasil gabungan data latih lebih mudah
dikenali dibandingkan dengan data uji sebenarnya karena memiliki tingkat
kemiripan pengucapan kata yang lebih tinggi. Penggunaan nilai K pada clustering
K-means juga memiliki pengaruh tinggi terhadap nilai WER. Selain itu, pemilihan
nilai parameter lainnya seperti time frame, overlap, koefisien cepstral, dan
threshold untuk pemotongan silent juga penting untuk diperhatikan. Nilai K paling
optimum pada penelitian ini didapatkan saat K 15. Nilai WER terendah berhasil
didapatkan kelas data uji hasil gabungan data latih pada kelas ‘Ide Anda’ dengan
nilai K 20 ialah sebesar 0.1.
Saran
Penelitian ini memungkinkan untuk dikembangkan lebih baik lagi. Saran
untuk pengembangan selanjutnya adalah:
1
Menggunakan parameter time frame, overlap, koefisien cepstral, threshold
untuk pemotongan silent, dan K initial centroid yang berbeda untuk
membandingkan nilai WER yang dihasilkan.
2
Menambahkan suku kata lain agar kamus kata menjadi lebih lengkap.
3
Melakukan percobaan dengan panjang suku kata berbeda untuk mengetahui
tingkat keberhasilan algoritme dynamic programming.
14
4
5
Menambahkan metode pemrosesan bahasa alami dalam bidang linguistik agar
hasil transkripsi sesuai dengan kaidah tata bahasa Indonesia.
Menggunakan metode pengenalan connected words lainnya seperti level
building atau one stage DP untuk mengetahui kinerja metode tersebut.
DAFTAR PUSTAKA
Buono A, Jatmiko W, Kusumo P. 2009. Perluasan Metode MFCC 1D ke 2D sebagai
ekstraksi ciri pada sistem identifikasi pembicara menggunakan hidden markov
model (HMM). Jurnal Makara Sains 13(1):87-93.
Buono A, Kusumoputro B. 2007. Pengembangan Model HMM Berbasis
Maksimum Lokal Menggunakan Jarak Euclid Untuk Sistem Identifikasi
Pembicara. Di dalam: Proceeding of National Conference on Computer Science
& Information Technology; 2007 Januari 29-30; Depok, Indonesia.
Bourlard H, Dines J, Flynn M, McCowan I, Moore D, Perez D, Wellner P. 2005.
On the Use of Information Retrieval Measures for Speech Recognition
Evaluation. Switzerland: IDIAP Research Institute.
Juang BH, Rabiner L. 1993. Fundamentals of Speech Recognition. New Jersey
(US): Prentice Hall.
Jurafsky D, Martin JH. 2007. Speech and Language Processing An Introduction to
Natural Language Processing, Computational Linguistic, and Speech
Recognition. Ed ke-2. New Jersey (US): Prentice Hall.
Luthfi MS. 2013. Pendeteksian Kata dengan MFCC sebagai Ekstraksi Ciri dan
Codebook sebagai Pengenalan Pola [skripsi]. Bogor (ID): Institut Pertanian
Bogor.
Morgan DP, Silverman HF. 1990. The Application of Dynamic Programming to
Connected Speech Recognition. Di dalam: IEEE ASSP Magazine; 1990 Juli.
Slaney Malcolm. 1998. Auditory Toolbox [Internet]. [Diakses pada 2014 Maret 1].
Tersedia pada https://engineering.purdue.edu/~malcolm/interval/1998-010/.
Lampiran 1 Matriks konfusi tingkat akurasi suku kata pada data uji gabungan data latih
Suku Kata
Si
A
Da
Di
An
Se
I
Kan
Ra
De
Ma
Ni
Ti
Ter
Pe
Lah
Ka
Ta
Si
A
Da
Di
An
Se
I
Kan Ra
De Ma Ni Ti Ter
40.8
0
0
10.8
0
0
15.0
0
0
0
0
0.8 30.8 0
0
37.5
0
9.2 9.2
0
28.3 1.7
0
0
13.3 0
0
0
0.8 8.3 53.3
0
5.8
0
0
0
4.2
0
25.8 0
0
0
0
0
0
31.7
0
13.3 50.0
0
0
0
0
5.0
0
0
0
0
5.0
0
70.0
0
0
0
5.0 16.7 3.3
0
0
0
18.3
0
0
5.0 3.3 38.3
0
1.7 3.3 5.0
0
0 16.7 0
0
0
0
18.3
0
0
81.7
0
0
0
0
0
0
0
0
3.3
0
0
16.7
0
0
58.3 1.7
0
18.3 0
0
0
0
0
1.7
0
33.3
0
0
25.0 10.0
0
1.7
0 18.3 1.7
0
0
0
1.7 1.7
0
38.3
0
0
58.3
0
0
0
0
10.0 5.0
0
0
3.3 3.3
0
3.3 15.0
0
51.7 0
1.7
0
10.8
0
0
15.0
0
2.5 66.7
0
0
0
0
4.2 0.8
0
0
0
0
1.7
0
0
6.7 1.7
0
0
0
0 61.7 0
0
0
1.7
0
0
0
0
8.3 5.0
0
3.3
0
0
1.7
0
0
0
0
0
0
0
0
1.7
0
3.3
0
5.0
0
0
6.7
0
0
5.0
0
0
16.7 10.0
0
1.7
0
0
0
0
16.7
0
4.2 7.5
0
27.5 3.3 0.8
0
4.2
0
0.8 0.8
0
3.3
0
1.7
0
0
5.0 11.7
0
0
0
0
0
0
Pe Lah Ka
Ta
0
1.7
0
0
0
0
0
0.8
0
0.8
0
0.8
0
0
0
0
0
0
0
0
5.0 1.7
0
1.7
0
0
0
0
0
0
1.7
0
0
5.0 1.7 1.7
0
0
0
0
0
6.7
0
0
0
0
0
0
1.7
0
0
26.7
1.7
0
33.3 45.0
78.3
0
0
11.7
0
5.0 36.7 18.3
0
0
19.2 15.0
0
0
1.7 76.7
15
16
16
Lampiran 2 Matriks konfusi tingkat akurasi suku kata pada data uji sebenarnya
Suku Kata
Si
A
Da
Di
An
Se
I
Kan
Ra
De
Ma
Ni
Ti
Ter
Pe
Lah
Ka
Ta
Si
52.5
0.8
0
11.7
0
1.7
20.0
0
0
0
20.0
8.3
31.7
0
5.0
8.3
0
0
A
Da
Di
An
Se
I
Kan Ra
De Ma Ni
Ti
Ter Pe Lah Ka
0.8
0
1.7 0.8 2.5
0
8.3 5.0
0
0
10.0 14.2 1.7 0.8
0
0.8
20.8 5.0 1.7 5.8 0.8 1.7 20.8 8.3
0
12.5
0
0
0.8 1.7
0
3.3
0.8 8.3
0
0
1.7
0
12.5 30.8 5.0 5.0
0
0
0.8 10.8
0
0.8
0
3.3 11.7
0
26.7 16.7
0
11.7 5.0
0
11.7 1.7
0
0
0
0
30.0
0
0
21.7 10.0 1.7 3.3
0
15.0 15.0
0
0
0
0
0
0
0
6.7 1.7
0
18.3 6.7
0
15.0
0
0
20.0 11.7
0
6.7
0
3.3
0
0
1.7
0
10.8 15.8 13.3 1.7 29.2
0
1.7
0
0
0
1.7
0
18.3 5.0
0
20.0
0
0
8.3
0
0
3.3 36.7
0
3.3
0
0
0
11.7
0
0
5.0
0
0
11.7 26.7
0
13.3
0
0
0
10.0 1.7
0
11.7
0
0
1.7 3.3
0
5.0 5.0 63.3 8.3
0
0
0
0
0
0
23.3 3.3
0
6.7
0
0
0
8.3
0
31.7
0
0
0
0
3.3 1.7
0
0
0
0
0
0
0
0
0
0
91.7
0
0
0
0
0
1.7
0
0
0
0
0
1.7
0
0
0
41.7 1.7
0
6.7
0
8.3
0
31.7
0
0
0
0
1.7 25.0
0
6.7 3.3
0
15.0 16.7
0
0
0
10.0 8.3
0
5.0 8.3 1.7 6.7
0
0
16.7 10.0 5.0 16.7 3.3
0
10.0
0
0
15.0
0
0
0
0
0
0
35.0
0
0
0
31.7
0
31.7
0
0
21.7
0
0
10.0 14.2
0
5.8
0
0
1.7 0.8 1.7 0.8
3.3
0
0
1.7 1.7
0
1.7 5.0
0
0
1.7
0
0
11.7
0
18.3
Ta
0.8
15.8
23.3
0
3.3
8.3
4.2
5.0
20.0
1.7
1.7
0
6.7
0
3.3
0
11.7
55.0
17
RIWAYAT HIDUP
Penulis dilahirkan di Bandung pada tanggal 1 Januari 1992 dari pasangan
Asep Roswanda dan Asih Setiawaty. Penulis adalah putri kedua dari dua
bersaudara. Tahun 2010 penulis lulus dari SMA Negeri 1 Bogor dan pada tahun
yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui
Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis pernah melaksanakan Praktik Kerja
Lapang (PKL) di Kementerian Pekerjaan Umum Indonesia selama 35 hari. Penulis
juga pernah menjadi asisten praktikum mata kuliah struktur data dan metode
kuantitatif. Dalam bidang organisasi, penulis menjadi anggota Himpunan Profesi
Ilmu Komputer tahun 2011-2013. Penulis juga aktif menjadi pengurus UKM
MAX!! IPB tahun 2010-2013, dan anggota komunitas Public Relation Community
IPB tahun 2014. Kegiatan lain penulis adalah mengikuti pelatihan-pelatihan
nonformal yang ada, seperti pelatihan jurnalistik, pelatihan desain menggunakan
Adobe Flash dan Adobe Indesign, pelatihan web developing dengan framework YII,
dan pertemuan komunitas UI/UX Indonesia.