2.7 Hidden Markov Model
Menurut Ilyas et al 2007, sebuah sistem pengenalan suara terdiri atas dua fase yaitu fase pelatihan training phase dan fase verifikasi verification phase. Pada fase
pelatihan, suara pembicara akan direkam lalu diproses untuk menghasilkan sebuah bentuk model didalam basis data. Sedangkan pada fase verifikasi, template referensi
yang sudah ada akan dibandingkan dengan input suara yang tidak dikenal. Salah satu metode yang digunakan untuk algoritma pelatihan atau pengenalan adalah Hidden
Markov Model HMM atau Model Markov Tersembunyi. HMM adalah probabilitas teknik pencocokan pola yang observasinya dianggap
sebagai output dari proses stokastik dan didasari rantai markov. HMM terdiri dari dua komponen: rantai markov keadaan terbatas dan output distribusi keadaan yang
terbatas Jayadi, 2011
2.7.1 Rantai Markov
Algoritma HMM didasari oleh model matematik yang dikenal dengan rantai markov. Rantai markov secara umum ditunjukkan pada Gambar :
Universitas Sumatera Utara
Gambar 2.4 : Rantai Markov Sumber : Jayadi, 2011
Beberapa hal yang dapat dijelaskan tentang rantai markov yaitu: Transisi keadaan dari suatu keadaan tergantung keadaan sebelumnya.
P[q
t
= j| q
t-1
= i, q
t-2
= k…..] = P[q
t
= j| q
t-1
= i] Transisi keadaan bebas terhadap waktu.
a
ij =
P[q
t
= j| q
t-1
= i]
2.7.2 Tipe HMM
HMM dibagi menjadi dua tipe dasar yaitu HMM ergodic dan HMM kiri-kanan Hidayatno dan Sumardi, 2006.
1. HMM ergodic
Pada HMM model ergodic perpindahan keadaan yang lain semuanya memungkinkan, hal itu ditunjukkan Gambar :
Universitas Sumatera Utara
Gambar 2.5 : HMM ergodic Sumber : Hidayatno dan Sumardi, 2006
2. HMM Kiri-Kanan
Pada HMM kiri-kanan perpindahan keadaan hanya dapat berpindah dari kiri ke kanan, perpindahan keadaan tidak dapat mundur ke belakang, hal ini
ditunjukkan pada Gambar:
Gambar 2.6 : HMM Kiri-Kanan Sumber : Hidayatno dan Sumardi, 2006
2.7.3 Elemen HMM
Elemen yang terdapat pada HMM yaitu: 1.
N, jumlah keadaan state dalam model. 2.
M, jumlah simbol observasi yang berbeda tiap keadaan. 3.
Distribusi keadaan transisi A = {a
ij
} dengan a
ij
= P[q
t+1
= j | q
t
= j ] , 1 ≤ i , j ≥ N
4. Distribusi probabilitas simbol observasi, B = {bjk} dengan
b
j
k = Po
t
= v
k
| q
t
= j , untuk 1 ≤ j ≤ N , 1 ≤ k ≤ M
5. Distribusi keadaan awal π = {π
i
} π
i
= P[q
t
= i] 1 ≤ j ≤ N
Universitas Sumatera Utara
2.8 Vector Quantization
Kategori