2.5. Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sampel [6]. Pengambilan data sampel tersebut tergantung
dari tiap detik suara akan dicuplik dan berapa besar frekuensi sampling. Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem pengenalan. Contoh hasil
frame blocking yang ditunjukkan oleh Gambar 2.6. didapatkan dengan cara mereduksi atau memilih data dari data tercuplik 0 hingga data tercuplik 256 pada hasil pemotongan bagian
transisi sinyal pada Gambar 2.5.
Gambar 2.6. Contoh hasil frame blocking dari Gambar 2.5.
2.6. Row Mean DST Discrete Sine Transform
Gambar 2.7. Contoh proses row mean DST untuk panjang data 16 titik
50 100
150 200
250 300
-0.8 -0.6
-0.4 -0.2
0.2 0.4
0.6 0.8
Data Tercuplik
A m
p lit
u d
o
Row mean DST yang diinspirasi dari row mean DCT merupakan proses yang meliputi proses pembentukan matriks, kemudian matriks tersebut akan diubah menjadi
matriks kotak reshape [7]. Proses selanjutnya adalah proses transformasi matriks reshape ke dalam matriks reshape DST 2D. Pada proses DST 2D ini, setiap kolomnya akan dirata-
ratakan sehingga hasil keluarannya adalah row mean DST.
Gambar 2.8. Contoh sinyal pembentukan kolom matriks dari Gambar 2.6.
2.6.1. Discrete Sine Transform DST
Discrete Sine Transform DST adalah algoritma yang digunakan untuk mengubah sampel data dari domain waktu ke domain frekuensi. DST menstabilkan hubungan antara
sampel-sampel sinyal domain waktu dan mempresentasikannya ke domain DST. Analisis frekuensi
dari sinyal
waktu diskrit
yk perlu
memperoleh representasi domain frekuensi dari sinyal yang biasanya dinyatakan dalam domain waktu.
DST digunakan untuk melakukan analisis frekuensi dari sinyal waktu diskrit. DST dihitung menggunakan persamaan sebagai berikut:
�
=
∑ �
� �=
���
��� �+
2.3
dengan k adalah indeks dalam domain DST 1,…, N, n adalah indeks dalam domain
waktu 1,…, N, dan N adalah banyaknya data.
Contoh perhitungan DST: Misalnya, x = [1 2 3 4 5] N = 5
Penyelesaian:
5 10
15 20
5 10
15 20
-1.5 -1
-0.5 0.5
1
Kolom Baris
A m
pl itu
do
1. y1 = × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
= 11,1962 2.
y2 = × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
= -5,1962 3.
y3 = × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
= 3,0000 4.
y4 = × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
= -1,7321 5.
y5 = × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
+ × ���
, × × +
= 0,8038
Gambar 2.9. Contoh sinyal DST 2D dari Gambar 2.8.
5 10
15 20
5 10
15 20
10 20
30 40
50
Kolom Baris
A m
p lit
u d
o
2.6.2. Rerata Baris
Rerata baris adalah proses terakhir dari row mean DST. Hasil sinyal pada rerata baris berasal dari hasil sinyal yang diperoleh dari proses sebelumnya yaitu DST 2D sehingga
hasil sinyal didapatkan seperti yang ditunjukkan oleh Gambar 2.10.
Gambar 2.10. Contoh sinyal rerata baris dari Gambar 2.9.
2.7. Pengenalan Pola
Pola adalah deskripsi kuantitatif atau struktural pada sebuah obyek. Kelas pola merupakan sekumpulan pola yang terdiri atas beberapa ciri yang sama.
Pengenalan pola merupakan suatu aktivitas manusia secara alami. Manusia menerima informasi melalui sensor tubuh yang diproses seketika oleh otak dan dalam
sekejap manusia dapat mengenali sumber informasi secara alami. Keakuratan manusia untuk dapat melakukan tugas-tugas pengenalan dengan kondisi yang tidak ideal,
contohnya, ketika informasi yang diperlukan untuk memproses tersebut tidak jelas atau tidak lengkap. Sebenarnya, sebagian besar aktivitas kita berdasarkan pada berhasilnya kita
dalam melakukan tugas pengenalan pola. Misalnya, ketika membaca buku, kita mengenali angka, huruf, kata, dan akhirnya pemikiran dan konsep, sinyal visual kemudian diterima
oleh otak kita yang diproses secara alami tanpa kita sadari. Pengenalan pola pattern recognition adalah suatu proses untuk mengenali pola-pola
yang terdapat pada sekumpulan data dan menggolongkannya sehingga pola-pola yang
1 2
3 4
5 6
7 8
9 10
1 2
3 4
5 6
7 8
9
Nomor Koefisien A
m p
lit u
d o
berada dalam satu kelompok mempunyai kesamaan yang tinggi dan pola-pola yang berbeda mempunyai tingkat kemiripan yang rendah.
Pengenalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki pola tersebut. Dengan kata lain pengenalan pola dapat
membedakan suatu obyek dengan obyek yang lain [8]. Sistem pengenalan pola memiliki beberapa pendekatan yaitu:
Pendekatan template matching Pendekatan statistik
Pendekatan sintatik Pendekatan jaringan syaraf tiruan
2.8. Template Matching