3.1.7 Identifikasi Suara
Penelitian ini menerapkan 2 model identifikasi. Pertama, adalah model identifikasi suara yang menggunakan data ciri vektor ciri hasil proses
ekstraksi ciri dengan metode MFCC. Kedua, adalah model identifikasi suara yang menggunakan data ciri vektor ciri yang dihasilkan melalui proses
ekstraksi ciri yang menerapkan kombinasi metode MFCC dan Metode PCA. Kedua model identifikasi akan divalidasi dengan metode holdout dan
metode leave-one out. Dalam melakukan proses validasi digunakan data pelatihan dan data pengujian sesuai hasil proses penyebaran data ciri lihat
Tabel 1 dan Tabel 2. Blok diagram model identifikasi yang pertama disajikan pada Gambar
17, pada model ini data ciri pelatihan langsung digunakan sebagai data pelatihan untuk merekonstruksi dan melatih model JST Probabilistik,
sedangkan data ciri pengujian digunakan sebagai data untuk menguji model JST Probabilistik PNN.
Gambar 17 Diagram alir proses model identifikasi pertama Sedangkan model yang kedua adalah model identifikasi pembicara
yang memanfaatkan data ciri yang dihasilkan proses ekstraksi ciri yang menerapkan kombinasi metode MFCC dan PCA, diagram alir model kedua
disajikan pada Gambar 18.
Gambar 18 Diagram alir proses model identifikasi kedua Data pelatihan untuk model kedua didapat dengan memasukan data
ciri yang dihasilkan proses MFCC kedalam proses tranformasi PCA untuk mendapatkan nilai eigen dan nilai komponen utama PC. Penerapan PCA
terhadap data ciri pelatihan dengan ukuran i x j akan menghasilkan matriks komponen utama dengan ukuran j x j dan vektor eigen
λ.
Dari proses PCA, dihitung rasio nilai eigen untuk mendapatkan posisi komponen utama yang akan digunakan menghitung data pelatihan dan data
pengujian. Penghitungan data pelatihan dan data pengujian, merupakan kegiatan yang membedakan model identifikasi kedua dari model identifikasi
pertama. Alir pembentukan data pelatihan untuk model kedua dituangkan dalam blok diagram yang disajikan pada Gambar 19, sedangkan alir proses
pembentukan data pengujian dituangkan dalam blok diagram yang disajikan pada Gambar 20.
Gambar 19 Diagram pembentukan data pelatihan
Gambar 20 Diagram pembentukan data pengujian Kedua model identifikasi tersebut diatas juga diterapkan pada data
yang telah ditambahkan noise sebesar 20, 30 dan 40 desibel. Proses rekonstruksi dan pelatihan model PNN dilakukan mengunakan data
pelatihan yang tidak diambahkan noise, sedangkan pengujian model PNN dilakukan dengan data pengujian yang telah ditambahkan noise.
Dari hasil penerapan proses PCA, dilakukan penghitungan rasio nilai eigen menggunakan persamaan
∑ ∑
= =
q i
i r
i i
1 1
λ λ
, dimana
λ merupakan nilai eigen dan r
≠ q. Berdasarkan hasil perhitungan rasio nilai eigen, didapat m
kolom matriks komponen utama yang akan membentuk matriks pengali dengan ukuran j x m.
Pembentukan data pelatihan Gambar 19 dilakukan dengan mengalikan matriks data ciri pelatihan berukuran i x j dengan matriks
pengali j x m, hingga didapat matriks data pelatihan berukuran i x m, sedangkan pembentukan data pengujian Gambar 20 dilakukan dengan
mengalikan matriks data ciri pengujian berukuran u x j dengan matriks pengali j x m, hingga didapat matriks data pengujian berukuran u x m.
Pada proses model identifikasi kedua data pelatihan yang dihasilkan melalui proses pembentukan data pelatihan digunakan untuk merekonstruksi
dan melatih model PNN, sedangkan data pengujian digunakan untuk menguji model PNN.
Hasil proses penghitungan data pelatihan dan data pengujian disebut
Pca80 untuk persentasi rasio nilai eigen 80, Pca90 untuk persentasi rasio nilai eigen 90, dan Pca95 untuk persentasi rasio nilai eigen 95. Sedangkan
untuk data pelatihan dan data pengujian yang dihasilkan metode MFCC
disebut vekt_mfcc.
Mengacu pada metode validasi yang digunakan, yaitu: metode holdout dan metode leave-one out, maka proses rekonstruksi akan menghasikan 2
model PNN, model pertama diberi nama PNN70, dan model kedua diberi nama PNN90.
Untuk mengetahui tingkat akurasi sistem, maka rekonstruksi dan pengujian model PNN yang divalidasi dengan metode holdout PNN70,
dilakukan sebanyak 6 kali, sedangkan pengujian model PNN yang divalidasi
menggunakan metode leave-one out PNN90, dilakukan sebanyak n kali, dimana n adalah jumlah populasi data penelitian
3.1.8 Rancang Bangun Aplikasi
Kategori