Hybrid Jaringan Syaraf Tiruan dan Model Markov Tersembunyi Untuk Pengenalan Bilangan Berbahasa Indonesia Menggunakan CSLU Toolkit

HYBRID JARINGAN SYARAF TIRUAN DAN MODEL
MARKOV TERSEMBUNYI UNTUK PENGENALAN
BILANGAN BERBAHASA INDONESIA MENGGUNAKAN
CSLU TOOLKIT

Oleh
ELLYSA KURNIASARI
G64101043

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2005

HYBRID JARINGAN SYARAF TIRUAN DAN MODEL
MARKOV TERSEMBUNYI UNTUK PENGENALAN
BILANGAN BERBAHASA INDONESIA MENGGUNAKAN
CSLU TOOLKIT

Skripsi
sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer
pada
Departemen Ilmu Komputer

Oleh
ELLYSA KURNIASARI
G64101043

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2005

ABSTRAK
ELLYSA KURNIASARI. Hybrid Jaringan Syaraf Tiruan dan Model Markov Tersembunyi
untuk Pengenalan Bilangan Berbahasa Indonesia Menggunakan CSLU Toolkit. Dibimbing oleh
AGUS BUONO dan YENI HERDIYENI.
Sistem pengenal kata untuk bahasa Indonesia masih sangat minim dalam pengembangannya,
khususnya dalam penerapannya sebagai pengenal bilangan (Continuous Digit Recognizer CDR).
Penelitian ini membandingkan metode pengenalan kata menggunakan data hand-labeled, force

alignment, dan Forward Backward Neural Networks (FBNN) pada pengenalan bilangan berbahasa
Indonesia menggunakan CSLU toolkit. Penelitian dilakukan dengan bantuan CSLU toolkit, dengan
berfokus pada akurasi pengenalan pada tingkat kata dan kalimat. Kata-kata yang dapat dikenali
terbatas pada kata dasar bilangan sesuai dengan ejaan bahasa Indonesia yang disempurnakan.
Melalui penelitian ini telah dibuat basisdata suara kata dasar bilangan bahasa Indonesia berikut
dengan transkripsi tingkat kata dan fonemnya. Selain itu didefinisikan pula kamus kata dan
grammar yang dapat digunakan untuk pengembangan selanjutnya. Hasil penelitian menunjukkan
bahwa pengenalan terbaik diperoleh menggunakan data hand-labeled dengan variasi neuron lapis
tersembunyi sebanyak 400 unit yaitu sebesar 98,33% untuk pengenalan tingkat kata dan 92,50%
untuk pengenalan tingkat kalimat. Penggunaan force alignment dan FBNN untuk mengoptimalkan
akurasi sistem memberikan hasil yang tidak berbeda nyata dengan proses data hand-labeled. Hasil
pengenalan menggunakan force alignment mencapai 97,08% pada tingkat kata dan 87,50% pada
tingkat kalimat, sedangkan pengenalan menggunakan FBNN memberikan akurasi tingkat kata
sebesar 97,92% dan 90,00% untuk tingkat kalimat.

Kata Kunci: Jaringan Syaraf Tiruan, Model Markov Tersembunyi, CSLU toolkit, hand-labeled,
force alignment, FBNN.

Judul Skripsi

Nama
NRP

: Hybrid Jaringan Syaraf Tiruan dan Model Markov
Tersembunyi untuk Pengenalan Bilangan Berbahasa Indonesia
Menggunakan CSLU Toolkit
: Ellysa Kurniasari
: G64101043

Menyetujui
Pembimbing I

Pembimbing II

Ir. Agus Buono, M.Si, M.Kom
NIP. 132 045 532

Yeni Herdiyeni, S.Si, M.Kom
NIP. 132 282 665

Mengetahui
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Dr. Ir. Yonny Koesmaryono, M.S.
NIP. 131 473 999

Tanggal Lulus :

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 8 Agustus 1983 dari ayah Agus Hery Soekamto dan
ibu Titiek Wuryani. Penulis merupakan putri kedua dari empat bersaudara.
Tahun 2001 penulis lulus dari SMU Negeri 70 Jakarta dan pada tahun yang sama lulus seleksi
masuk IPB melalui Ujian Masuk Perguruan Tinggi Negeri (UMPTN). Penulis memilih Program
Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan
Alam.
Tahun 2004 penulis pernah menjadi relawan operator entri data pemilihan umum tahap
pertama dan kedua. Setahun kemudian penulis menjalankan praktik lapangan di PT Pasifik Satelit
Nusantara, divisi NOC selama kurang lebih tiga bulan.

PRAKATA

Alhamdulillah wa syukrulillah penulis panjatkan ke hadirat Allah Subhanahu wa ta’ala atas
segala rahmat, kasih sayang, hidayah dan cinta-Nya sehingga skripsi ini berhasil diselesaikan.
Shalawat serta salam selalu buat Nabi Muhammad Shallalahu ‘alaihi wasallam beserta seluruh
sahabat dan umatnya hingga akhir zaman. Tema yang dipilih pada penelitian ini adalah pengenalan
suara, dengan judul Hybrid Jaringan Syaraf Tiruan dan Model Markov Tersembunyi untuk
Pengenalan Bilangan Berbahasa Indonesia Menggunakan CSLU Toolkit.
Penulis sampaikan terima kasih yang tiada berhingga kepada semua pihak yang telah
membantu dan memberikan pengalaman yang menyenangkan selama melakukan penelitian ini.
Khususnya kepada Bapak Ir. Agus Buono, M.Si, M.Kom dan Ibu Yeni Herdiyeni, S.Si, M.Kom
serta Bapak Aziz Kustiyo, S.Si, M.Kom yang telah memberikan begitu banyak masukan,
bimbingan dan pelajaran berharga selama menjadi pembimbing dan penguji. Selanjutnya penulis
juga ingin mengucapkan terima kasih kepada:
1.

Keluargaku tercinta, khususnya kedua orangtuaku atas rasa cinta, kasih sayang,
kesabaran dan dukungannya kepadaku. Kepada kakakku dan kedua adik kecilku yang
sangat aku sayangi yang juga tiada hentinya memberikan semangat.

2.

Hendra Saputra, yang merelakan hati dan telinganya untuk mendengarkan keluh kesah
penulis.

3.

Sahabat-sahabat Ilkom angkatan 38, terimakasih atas persahabatan kita selama ini.

4.

Sahabat-sahabat
semangatnya.

5.

Departemen Ilmu Komputer, staf dan dosen yang telah begitu banyak membantu baik
selama pelaksanaan skripsi ini maupun sebelumnya.

‘serumah’

di

Cirahayu6,

terimakasih

atas

keceriaan

dan

Dan semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan
penelitian ini yang tidak dapat disebutkan satu-persatu, terima kasih.
Semoga penelitian ini dapat memberikan manfaat.

Bogor, 15 Oktober 2005

Ellysa Kurniasari

DAFTAR ISI

Halaman
DAFTAR TABEL ............................................................................................................

viii

DAFTAR GAMBAR ........................................................................................................

ix

DAFTAR LAMPIRAN ....................................................................................................

x

PENDAHULUAN ............................................................................................................

1

TINJAUAN PUSTAKA
Gelombang Suara .......................................................................................................

1

Spektral, Spektrogram, dan Formant .........................................................................

2

Fonem Bahasa Indonesia dan Karakteristik Formant-nya .........................................

2

Jaringan Syaraf Tiruan (JST)......................................................................................

3

Ekstraksi Ciri..............................................................................................................

4

Algoritma Viterbi .......................................................................................................

5

Algoritma Forward Backward ...................................................................................

6

METODOLOGI
Data...........................................................................................................................

6

Pendefinisian Kamus Kata dan Grammar.................................................................

8

Pelabelan Data ..........................................................................................................

8

Penentuan MFCC......................................................................................................

8

Klasifikasi Frame Berdasarkan Kategori..................................................................

9

Pencocokan Kategori dengan Target Kata................................................................

9

Rancangan Percobaan ...............................................................................................

9

Parameter Percobaan.................................................................................................

10

Lingkungan Pengembangan......................................................................................

10

HASIL DAN PEMBAHASAN
Pengaruh Jumlah Neuron Hidden dan Iterasi Terhadap Akurasi Sistem ..................

10

Perbandingan Akurasi Menggunakan Hand Labeled, Force Alignment, dan
FBNN........................................................................................................................

12

KESIMPULAN DAN SARAN
Kesimpulan ..............................................................................................................

13

Saran ........................................................................................................................

13

DAFTAR PUSTAKA .......................................................................................................

14

DAFTAR GAMBAR

Halaman
1.

Gelombang suara sebagai input sistem pengenal suara........................................................... 1

2.

Spektrogram skala keabuan dan berwarna dari suatu gelombang suara tertentu .................... 2

3.

Arsitektur JST dengan sebuah lapisan tersembunyi................................................................ 3

4.

Blok diagram MFCC............................................................................................................... 5

5.

Tahapan pengembangan CDR bahasa Indonesia .................................................................... 7

6.

Skema pembagian data untuk pelatihan dan pengujian........................................................... 7

7.

Gelombang suara yang sudah di hand label............................................................................ 9

8.

Arsitektur jaringan syaraf tiruan yang digunakan dalam proses pengenalan kata .................. 9

9.

Perbandingan akurasi tingkat kata dan kalimat pada data tes 1 .............................................. 11

10. Perbandingan akurasi tingkat kata dan kalimat pada data tes 2 .............................................. 12
11. Perbandingan akurasi dari proses hand-labeled, force alignment, dan FBNN........................ 13

DAFTAR TABEL

Halaman
1.

Struktur jaringan syaraf tiruan ............................................................................................... 9

2.

Hasil pengenalan terbaik untuk masing-masing variasi neuron hidden pada data tes 1.......... 11

3.

Hasil pengenalan terbaik untuk masing-masing variasi neuron hidden pada data tes 2.......... 12

4.

Hasil pengenalan kata menggunakan proses hand label, force alignment, dan FBNN........... 13

DAFTAR LAMPIRAN

Halaman
1.

Daftar file setiap speaker ....................................................................................................... 16

2.

Definisi kamus kata dan grammar yang digunakan................................................................ 17

3.

Hasil pengenalan kata pada data tes 1..................................................................................... 18

4.

Hasil pengenalan kata pada data tes 2..................................................................................... 34

5.

Hasil pengenalan kata menggunakan force alignment dan FBNN ......................................... 46

PENDAHULUAN
Latar Belakang
Berbicara merupakan metode komunikasi
yang paling alamiah. Begitu nyamannya orang
menggunakan
suara
sebagai
media
komunikasi sampai menginginkan dapat
berkomunikasi dengan komputer melalui
media ini dibandingkan menggunakan
antarmuka primitif seperti keyboard atau alat
penunjuk lainnya.
Teknologi Automatic Speech Recognizer
(ASR) merupakan cabang ilmu kecerdasan
buatan yang mencakup akuisisi pengetahuan,
pemodelan bahasa, pencocokan pola, dan
adaptasi. Seperti telah diketahui, Hidden
Markov Model telah banyak diaplikasikan
untuk masalah pengenalan suara beberapa
tahun belakangan ini. Jaringan syaraf tiruan
banyak digunakan untuk menyelesaikan
masalah pengenalan-pengenalan pola, yang
memetakan sejumlah input ke sejumlah
output. Salah satunya adalah masalah
pengenalan suara.
Teknologi ASR, khususnya dalam
penerapannya sebagai Continuous Digit
Recognizer (CDR), berkembang seiring
dengan kebutuhan akan interaksi manusia
dengan komputer yang semakin meningkat.
CDR banyak diaplikasikan dalam berbagai hal
contohnya pemasukan data otomatis, voice
dialing telephone, sistem perbankan otomatis,
dan sistem telephone-based lainnya.
Hingga saat ini ilmuwan dari berbagai
negara telah dan masih mengembangkan CDR
untuk bahasanya masing-masing. Penelitian
mengenai CDR sudah banyak berkembang
untuk bahasa Inggris. Salah satu contohnya
adalah penelitian yang dilakukan oleh Cosi et
al (1997). Penelitian ini menggunakan
basisdata suara yang cukup besar berisi ribuan
kalimat. Penelitian ini memberikan akurasi
tingkat kata sebesar 96,36% dan 86,82%
untuk akurasi tingkat kalimat. Duc et al
(2001) juga telah mengembangkan CDR
untuk bahasa Vietnam. CDR berbahasa
Vietnam ini memiliki akurasi sebesar 90,48%
pada tingkat kata dan 73,97% pada tingkat
kalimat. CDR juga telah dibuat untuk bahasa
Italia oleh Cosi (2000) dengan akurasi
mencapai 98,24% untuk akurasi tingkat kata
dan 87,89% untuk tingkat kalimat. Penelitian
yang disebut di atas dilakukan menggunakan
Centre
for
Speech
and
Language
Understanding (CSLU) toolkit dari Oregon
Graduate Institute of Science and Technology

(OGI), Amerika Serikat. CSLU toolkit ini
dapat
diperoleh
di
http://cslu.cse.ogi.edu/toolkit secara bebas
untuk penggunaan non komersil. Penelitian
mengenai ASR berbahasa Indonesia belum
banyak dilakukan dan sejauh pengamatan
penulis CDR berbahasa Indonesia belum
tersedia sehingga perlu dilakukan penelitian
lebih lanjut mengenai hal tersebut.
Tujuan
Penelitian
ini
bertujuan
untuk
membandingkan metode pengenalan kata
menggunakan data hand-labeled, force
alignment, dan Forward Backward Neural
Networks (FBNN) pada pengenalan bilangan
berbahasa Indonesia menggunakan CSLU
toolkit.
Ruang Lingkup
1

Kata yang dapat dikenali dibatasi pada
kata dasar bilangan sesuai dengan ejaan
bahasa Indonesia yang disempurnakan.

2

Pengenalan kata dilakukan berdasarkan
fonem. Setiap fonem hanya dibagi ke
dalam satu bagian saja (independent
part).

3

Analisis kinerja sistem dilakukan
berfokus pada akurasi pengenalan sistem
yang meliputi insertion, deletion, dan
substitution.

TINJAUAN PUSTAKA
Gelombang Suara
Input ke dalam suatu sistem pengenal
suara adalah gelombang suara yang
merupakan barisan perubahan udara yang
cukup kompleks. Perubahan udara ini
disebabkan oleh jalur spesifik yang dilewati
udara mulai dari celah suara (glottis) sampai
ke rongga mulut atau rongga hidung.
Gelombang
suara
direpresentasikan
dengan memetakan perubahan tekanan udara
terhadap waktu. Contoh gelombang suara
dapat dilihat pada Gambar 1.

Gambar 1 Gelombang suara sebagai input
sistem pengenal suara.

Dua karakteristik penting dari sebuah
gelombang suara adalah frekuensi dan
amplitudo. Frekuensi adalah banyaknya
gelombang tersebut berulang (cycles) dalam
satu detik. Banyaknya cycles per detik disebut
Hertz (Hz). Amplitudo suatu gelombang
merupakan jumlah variasi tekanan udara pada
suatu
titik.
Amplitudo
yang
besar
menunjukkan tekanan udara yang lebih besar
pada waktu tersebut, nilai nol menandakan
tekanan
udara
normal
(atmospheric),
sedangkan amplitudo dengan nilai negatif
menandakan tekanan udara di bawah normal.
Dua sifat yang berhubungan dengan frekuensi
dan amplitudo adalah pitch dan loudness.
Pitch berkorelasi positif dengan frekuensi,
sedangkan loudness berkorelasi positif dengan
power, yang merupakan nilai kuadrat dari
amplitudo (Jurafsky & Martin 2000).

puncak-puncak spektral disebut
(Jurafsky & Martin 2000).

formant

Selain ditampilkan dalam bentuk skala
keabuan, terdapat pula spektrogram yang
digambarkan
dengan
warna
untuk
menunjukkan fitur penting dari sebuah
spektrogram.
Sumbu
horizontal
dari
spektrogram menyatakan waktu sedangkan
sumbu horizontal menyatakan frekuensi
dalam satuan Hertz. Warna yang berbedabeda menandakan intensitas energi pada suatu
titik tertentu. Warna merah menggambarkan
peningkatan energi sepanjang sumbu vertikal,
warna biru menggambarkan penurunan energi,
warna kuning dan hijau menggambarkan
energi maksimum, sedangkan warna putih
berarti tidak terdapat energi yang cukup untuk
menjadi perhatian.

Spektral, Spektrogram, dan Formant
Jika hanya melalui gelombang suara saja,
klasifikasi fonem tidak dapat dilakukan secara
rinci. Untuk menghasilkan klasifikasi fonem
yang lebih terperinci dibutuhkan representasi
gelombang suara dalam bentuk fitur-fitur
spektral. Spektrum adalah representasi
komponen-komponen gelombang suara dalam
frekuensi yang berbeda-beda (Jurafsky &
Martin 2000). Spektrum dihasilkan dari proses
transformasi fourier yang dapat memisahkan
komponen frekuensi sebuah gelombang. Pada
gelombang suara, dengan representasi bentuk
spektrum terlihat jelas karakteristik yang
berbeda dari setiap fonem.
Jika sebuah spektrum menunjukkan
komponen frekuensi dari sebuah gelombang
pada suatu waktu tertentu, maka spektrogram
menggambarkan perubahan frekuensi ini
terhadap waktu (Jurafsky & Martin 2000).
Sumbu
horizontal
pada
spektrogram
menyatakan waktu, sama seperti pada
gelombang suara, sedangkan sumbu vertikal
menyatakan frekuensi. Contoh spektrogram
dapat dilihat pada Gambar 2.
Spektrogram biasanya dihitung dan
disimpan di dalam memori komputer dalam
bentuk array 2 dimensi. Untuk sebuah
spektrogram S, kekuatan energi dari sebuah
komponen
frekuensi
pada
waktu
t
direpresentasikan dengan warna pada titik
yang dimaksud S(t, f). Daerah dengan warna
yang lebih gelap pada spektrogram
menggambarkan amplitudo pada komponen
frekuensi tersebut. Bagian berwarna gelap
dalam
spektrogram
merepresentasikan

Gambar 2 Spektrogram skala keabuan dan
berwarna dari suatu gelombang
suara tertentu.
Representasi spektral dapat memberikan
petunjuk yang spesifik pada identifikasi
fonem. Hal ini disebabkan karena setiap
fonem memiliki formant yang unik.
Fonem Bahasa Indonesia dan Karakteristik
Formant-nya
Para ahli bahasa mengelompokkan bunyi
yang digunakan dalam sebuah bahasa ke
dalam sejumlah kategori abstrak yang disebut
fonem. Fonem juga dapat diartikan sebagai
unit bunyi terkecil yang membedakan arti. Di
dalam bahasa Indonesia dikenal 31 simbol
fonem yaitu [PPPBDEPDIKBUD 1996]:
ƒ Fonem vokal (6 buah): /a/, /i/, /u/, /e/, /ə/,
dan /o/
ƒ Fonem konsonan (18 buah): /p/, /t/, /c/, /k/,
/b/, /d/, /j/, /g/, /m/, /n/, /ñ/, /ŋ/, /s/, /h/, /r/,
/l/, /w/, /y/

ƒ Fonem serapan (4 buah): /f/, /z/, /ſ/, /x/
ƒ Fonem diftong (3 buah): /aw/, /ay/, /oy/.
Kata-kata yang akan dikenali pada
penelitian kali ini hanya terbatas pada kata
dasar bilangan saja, maka tidak semua fonem
di atas digunakan dalam penelitian ini,
beberapa yang digunakan adalah sebagai
berikut:
/a/, /i/, /u/, /e/, /o/, /p/, /t/, /k/, /b/, /d/, /j/, /g/,
/m/, /n/, /ŋ/, /s/, /h/, dan /l/.
Setiap fonem memiliki karakteristik
formant yang unik yang dapat membedakan
satu dengan lainnya. Untuk fonem vokal (/a/,
/i/, /u/, /e/, /o/), formant yang dihasilkan relatif
stabil, kuat, dan tidak berubah-ubah. Pada
spektrogram fonem dari kategori ini mudah
diidentifikasi.
Hal ini berbeda pada kategori huruf nasal
(/m/, /n/, /ŋ/). Kategori ini memiliki energi
yang jauh lebih sedikit dibandingkan dengan
kategori fonem vokal. Penyebabnya adalah
terhalangnya hampir seluruh rongga sehingga
suara keluar melalui rongga hidung.
Kategori berikutnya adalah plosive yang
terdiri dari fonem /p/, /t/, /k/, /b/, /d/, /g/.
Formant kategori plosive ditandai dengan
ledakan energi akustik yang diikuti oleh jeda
yang singkat. Selain itu kategori ini juga
ditandai oleh perubahan yang cepat dari
energi akustik yang kecil atau sama sekali
tidak ada sampai ledakan singkat berenergi
tinggi pada pita frekuensi yang luas.
Kategori fonem fricative juga merupakan
kategori fonem yang mudah dikenali. Fonem
/s/ termasuk dalam kategori ini. Keberadaan
fonem ini pada spektrogram ditandai pada
daerah dengan frekuensi tinggi dengan
distribusi energi yang bersifat random.
Fonem /l/ termasuk ke dalam kategori
approximant. Penanda kategori ini adalah
energi yang labih lemah dibandingkan dengan
kategori fonem. Hal ini disebabkan adanya
sedikit penghalang pada jalur vocal tract.
Kategori fonem lainnya adalah affricate,
contohnya adalah fonem /j/. Kategori ini
merupakan gabungan dari plosive dan
fricative (Carmell et al 1997).
Jaringan Syaraf Tiruan (JST)
Studi mengenai JST terinspirasi oleh
bidang ilmu neurobiologi. Menurut Fausett
(1994), JST adalah suatu pemrosesan

informasi yang memiliki karakteristik sebagai
berikut
1

Arsitektur jaringan, yaitu pola hubungan
antar neuron.

2

Algoritma pelatihan atau pembelajaran,
merupakan metode penentuan bobot pada
hubungan antar neuron.

3

Fungsi aktivasi yang dijalankan pada
masing-masing neuron pada input untuk
menentukan output.

JST mampu belajar membentuk asosiasi
antara input dan output, menyimpan data
pelatihan serta mempelajari polanya. Hal ini
penting pada proses pengenalan suara
mengingat pola akustik yang tidak pernah
sama. JST juga mampu menghitung fungsifungsi non-linear dan non-parametrik dari
input sehingga dapat mentransformasi data
secara lebih kompleks.
Arsitektur JST meliputi pengaturan
neuron dalam suatu lapisan dan pola
hubungan dalam lapisan dan di antara lapisan.
Dalam JST, neuron diatur dalam sebuah
lapisan (layer). Ada 3 tipe lapisan, yaitu
lapisan input, lapisan tersembunyi, dan lapisan
output.
Berdasarkan
lapisannya
JST
dikelompokkan sebagai jaringan lapis tunggal
(single layer), jaringan lapis banyak (multi
layer), dan jaringan lapis kompetitif
(competitive layer). Jaringan lapis tunggal
memiliki satu lapis hubungan bobot. Jaringan
lapis banyak memiliki satu atau lebih lapisan
tersembunyi antara lapisan input dan output.
Sedangkan jaringan dengan lapis kompetitif
membentuk suatu bagian dari sejumlah besar
jaringan-jaringan
syaraf.
Gambar
3
merupakan contoh sederhana dari sebuah JST.

X1

w1
y1

X2

w2

Y
y2

X3

Z1

Z2

w3

Unit input

Unit
tersembunyi

Unit output

Gambar 3 Arsitektur JST dengan sebuah
lapisan tersembunyi.
Berdasarkan skema interkoneksinya,
jaringan dapat dibagi menjadi jaringan feed

forward dan recurrent. Koneksinya dapat
dibagi ke dalam koneksi simetrik dan
asimetrik. Pada jaringan feed forward semua
koneksinya satu arah berasal dari lapisan input
menuju lapisan output. Sedangkan pada
jaringan recurrent terdapat loop atau koneksi
feedback. Sebuah jaringan dikatakan memiliki
koneksi yang simetrik apabila terdapat
koneksi dari node i ke node j, begitu juga
sebaliknya. Kedua koneksi itu memiliki bobot
yang sama. Jika koneksi antar node tidak
simetrik seperti disebutkan di atas, maka
koneksinya disebut koneksi asimetrik (Fu
1994).
Sebelum
JST
digunakan
untuk
mengklasifikasikan pola, terlebih dahulu
dilakukan
proses
pembelajaran
untuk
menentukan struktur jaringan, terutama dalam
penentuan nilai bobot. Ada dua tipe
pembelajaran, yaitu pembelajaran dengan
pengarahan (supervised learning) dan tanpa
pengarahan (unsupervised learning). Beberapa
metode pembelajaran yang digunakan antara
lain metode Hebb, Perceptron, Adaline,
Madaline, Backpropagation, Self Organizing
Map
(SOM), dan
Learning
Vector
Quantization (LVQ). Arsitektur jaringan yang
digunakan pada penelitian ini adalah multi
layer perceptron (MLP) karena MLP dapat
digunakan untuk menyelesaikan masalah
klasifikasi nonlinear karena dapat membentuk
daerah keputusan yang lebih kompleks (Fu
1994). MLP merupakan jaringan syaraf tiruan
feed forward dengan paling tidak satu lapis
tersembunyi layer. MLP biasa dilatih
menggunakan
algoritma
pembelajaran
backpropagation. Pelatihan menggunakan
algoritma backpropagation terdiri dari tiga
fase yaitu fase feed forward pola input
pembelajaran, fase kalkulasi dan propagasi
balik error yang didapat dan fase penyesuaian
bobot.
Fungsi aktivasi merupakan fungsi yang
menentukan level aktivasi, yaitu keadaan
internal sebuah neuron dalam JST. Keluaran
aktivasi ini biasanya dikirim sebagai sinyal ke
neuron lainnya. Fungsi aktivasi yang umum
digunakan adalah (Fausett 1994):
ƒ Fungsi identitas
f ( x ) = x untuk setiap x

ƒ Fungsi tangga biner
f (x ) =

⎧1 jika x ≥ θ
⎨0 jika x < θ
⎩

ƒ Fungsi sigmoid biner
f ( x) =

1
1 + exp( − x )

ƒ Fungsi sigmoid bipolar
f ( x) =

1 − exp( − x )
1 + exp( − x )

Ekstraksi Ciri
Ekstraksi ciri mempunyai input sinyal
suara analog dan sebagai outputnya adalah
feature vector untuk setiap frame (time slice).
Untuk dapat menghasilkan feature vector
terdapat beberapa langkah yang dilalui. Tahap
pertama adalah melakukan digitasi terhadap
sinyal suara analog. Proses ini terdiri dari
sampling dan kuantisasi (Jurafsky & Martin
2000).
Sampling artinya mengukur amplitudo
sinyal pada suatu indeks waktu tertentu.
Dalam hal ini dikenal istilah sampling rate,
yaitu banyaknya sampling yang dilakukan
setiap detik. Sampling rate yang umum
digunakan adalah 8000 Hz dan 16000 Hz.
Jumlah sample minimum untuk sebuah cycle
adalah sebanyak dua sample, satu sample
untuk mengukur bagian positif dan sisanya
mengukur bagian negatif gelombang. Jumlah
sample yang melebihi ketentuan di atas dapat
meningkatkan
akurasi
penghitungan
amplitudo, sedangkan sebaliknya, jika jumlah
sample tidak memenuhi akan mengakibatkan
hilangnya frekuensi gelombang suara.
Sehingga frekuensi maksimum yang dapat
diukur adalah setengah dari sampling rate.
Berikutnya adalah kuantisasi, yaitu
menyimpan nilai amplitudo ini ke dalam nilai
integer, yang dalam hal ini memakai
representasi 8 bit atau 16 bit.
Setelah sinyal didigitisasi, berikutnya
adalah menyekatnya dalam bagian-bagian
kecil penyusun sinyal suara dengan ukuran
waktu yang tetap, misalnya 10 ms. Bagianbagian kecil ini disebut frame. Langkah
berikutnya adalah merepresentasikannya
dalam domain spektral menjadi feature vector
yang merupakan input bagi tahap berikutnya.
Beberapa fitur yang sering digunakan adalah
linear predictive coding (LPC), koefisien
cepstral, atau perceptual linear prediction
(PLP).
Koefisien
cepstral
merupakan
representasi fitur yang paling populer saat ini.

Penelitian ini menggunakan fitur yang berasal
dari Mel Frequency Cepstral Coefficient
(MFCC) beserta turunannya yaitu MFCC
delta.
MFCC ditambah fitur energinya
menghasilkan 13 koefisien demikian pula
MFCC delta dengan fitur energinya juga
menghasilkan
13
koefisien.
Secara
keseluruhan dihasilkan 26 koefisien untuk
sebuah frame.
MFCC didasarkan pada variasi dari
frekuensi kritis telinga manusia. Filter
diletakkan secara linear pada frekuensi rendah
dan logaritmik pada frekuensi tinggi untuk
mendapatkan karakteristik suara yang penting
dari fonem. Gambar 4 merupakan blok
diagram yang menjelaskan secara umum
proses untuk mendapatkan mel cepstrum.

antara lain adalah rectangle, gaussian,
hamming, atau hanning window. Jika
didefinisikan window sebagai w(n)
dengan 0 ≤ n ≤ N − 1 , dimana N adalah
banyaknya sampel dalam tiap frame,
maka sinyal hasil proses windowing dapat
dinyatakan sebagai berikut:
y l ( n ) = x l ( n ) w( n ) 0 ≤ n ≤ N − 1
3

Gelombang
suara
Frame Blocking
frame
Windowing

4

Fast Fourier Transform (FFT)
spectrum
Mel frequency Wrapping
Mel spectrum
Cepstrum

Mel cepstrum

Gambar 4 Blok diagram MFCC.
Berikut adalah penjelasan dari blok diagram
di atas (Do 1994)
1 Frame Blocking. Pada tahap ini
gelombang suara dipecah ke dalam frame
yang terdiri dari N sampel. Penelitian ini
membagi gelombang suara menjadi
frame-frame berukuran 10 msec dengan
80 sampel.
2 Windowing. Proses windowing ini
dilakukan untuk setiap frame, dengan
tujuan
untuk
meminimalisasi
diskontinuitas sinyal pada awal dan akhir
frame. Konsepnya adalah memperhalus
distorsi spektral hingga mendekati nol
pada awal dan akhir setiap frame.
Beberapa window yang biasa digunakan

5

Fast Fourier Transform (FFT). Tahap ini
mengkonversi tiap frame dengan N
sampel dari domain waktu ke domain
frekuensi. FFT, algoritma implementasi
Discrete Fourier Transform (DFT),
didefinisikan pada himpunan N sampel
sebagai
berikut
{xn}
N−1 −2πjkn/ N
n=0, 1, 2,…, N-1.
X n = ∑ xk e
k=0
Nilai j pada persamaan di atas merupakan
unit imajiner yaitu j = − 1 . Secara
umum Xn merupakan bilangan kompleks.
Hasil dari langkah ini disebut spektrum
sinyal atau periodogram.
Mel frequency (MF) wrapping. Studi
psikofisik menunjukkan bahwa persepsi
manusia mengenai frekuensi sebuah
sinyal suara tidak berupa skala linear
sehingga untuk tiap suara dengan
frekuensi f, pitch subjektifnya diukur
dengan skala “mel”. Skala MF
merupakan selang frekuensi linear untuk
frekuensi dibawah 1000 Hz, dan selang
frekuensi logaritmik untuk frekuensi di
atas 1000 Hz. Persamaan berikut
digunakan untuk menghitung MF jika
diberikan suatu frekuensi f
mel ( f ) = 2595 * log10 (1 + 700)

Cepstrum. Pada langkah terakhir ini
dikonversikan kembali log mel spectrum
ke domain waktu, hasilnya disebut
MFCC. Representesi cepstral dari
spektrum suara memberikan representasi
yang baik tentang local spectral
properties dari sinyal yang diberikan.
Karena hasil dari mel spectrum coeffients
dan logaritmanya (dari hasil 4) adalah
bilangan real, maka dapat dikonversikan
ke domain waktu menggunakan Discrete
Cosine Transform (DCT).

Algoritma Viterbi

Algoritma ini ingin menemukan barisan
state yang optimum, Q={ q1, q2, q3, …, qT},
jika diberikan barisan observasi O={O1, O2,
O3, …, OT}. Pada algoritma ini didefinisikan

peubah baru, δt(i), sebagai skor terbaik
(peluang tertinggi) yang dihitung pada path
dari state periode pertama hingga state Si pada
periode t.
δt (i) =

max

q1,q2,...,qt−1

P(q1, q2 ,...,qt = i, O1, O2 ,...,Ot | λ)

Prosedur lengkap algoritma Viterbi adalah :
1. Inisialisasi, untuk 1≤i≤N :

δ1 (i ) = π i bi (O1 )
ψ 1 (i ) = 0

α t (i ) = PT (O1 , O2 ,K , Ot , S t = i | π )
= ∑ α t −1 (i )aij b j (Ot )
i

Peluang backward adalah

β t (i ) = PT (Ot +1 , Ot + 2 , K, OT | S t = i, π )
= ∑ α ji bi (Ot +1 ) β t +1 (i )
i

Jadi peluang posterior dari suatu transisi dari
state i ke state j, λij , diberikan peluang
observasi dan model Markov tersembunyinya
adalah sebagai berikut

ψt ( j) = argmax [δt−1(i)aij ]

λij (t ) = PT ( st = i, st +1 = j | O, π )
α t (i )aij b j (Ot +1 ) β t +1 ( j )
=
PT (O | π )
α t (i )aij b j (Ot +1 ) β t +1 ( j )
=
∑k∈S α T (k )

untuk 2≤t≤T dan 1≤j≤N

Peluang posterior berada pada state i pada
waktu t dapat dihitung dari persamaan berikut

2. Proses rekursi :

[

]

δt ( j) = max δt−1(i)aij ⋅ b j (Ot )
1≤i≤N
untuk 2≤t≤T dan 1≤j≤N
1≤i≤N

3. Terminasi :

P* = max δT (i) dan
1≤i≤N

qT* = argmax δT (i)
1≤i≤N

4. Backtracking :

qt* =ψt+1(qt*+1)
untuk t=T-1, T-2, …, 1.

λi (t ) = PT ( st = i | O, π )
α (i ) β t (i)
= t
∑k∈S α T (k )

Dan transisi antara state pada sebuah model
Markov tersembunyi dapat diestimasi
menggunakan persamaan berikut (Yan et al
1997).

∑ λ (t )
(t ) =
∑ ∑ λ (t )
∑ λ (t )
=
∑ λ (t )
T −1

a ij

t =1
T −1

t =1
T −1

Algoritma Forward Backward

Pada sebuah model Markov tersembunyi
peluang observasi barisan O didefinisikan
sebagai PT (O | S , π ) :

ij

k

ik

t =1 ij
T −1
t =1

i

PT (O | S , π ) = bs1 (O1 )bs 2 (O2 ) K bsT (OT )
METODOLOGI

Peluang dari barisan state didefinisikan
sebagai

Sistem CDR berbahasa Indonesia dalam
penelitian ini dikembangkan dengan langkahlangkah pada Gambar 5.

Sedangkan peluang PT (O | π ) adalah

Data

PT ( S | π ) = a s1s 2 a s 2 s 3 K a sT −1sT

PT (O | π ) =

∑ PT (O | S , π ) PT (S | π )

semua S

=

T

∑ ∏a

semua S t =1

st −1st

bst (Ot )

Peluang forward didefinisikan sebagai berikut

Data suara yang digunakan pada
percobaan ini dikumpulkan dari rekaman
suara 8 orang speaker dengan lingkungan
perekaman dan rentang umur yang sama.
Umur speaker berkisar antara 22-25 tahun.
Sampel suara yang digunakan berasal dari
suara 4 orang pria dan 4 orang wanita.
Proporsi data yang digunakan dibagi menjadi
tiga bagian, data untuk pelatihan, data untuk

pengujian yang suaranya juga dilatihkan ke
sistem (data tes 1), serta data pengujian lain
yang berasal dari sampel suara yang tidak
dilatihkan kesistem (data tes 2). Untuk lebih
jelasnya pembagian data dapat dilihat pada
Gambar 6.
Data yang digunakan untuk pelatihan
berasal dari sampel suara 4 orang, 2 orang pria
dan 2 orang wanita. Sisa suara yang berasal
dari 4 orang lain tidak diikutsertakan dalam
pelatihan tetapi digunakan untuk pengujian.

10 kalimat. Keseluruhan file yang diperoleh
berjumlah 120 file, secara lebih rincinya dapat
dilihat pada Lampiran 1.
Jumlah file gelombang suara yang
diperoleh untuk masing-masing bagian data
adalah sebagai berikut; 40 buah data
pengujian, 40 buah data tes 1, dan 40 buah
data tes 2.
Speaker 1, 10 file pelatihan
10 file pengujian
Speaker 2, 10 file pelatihan
10 file pengujian

Pengumpulan data

Speaker 3, 10 file pelatihan
10 file pengujian

Pendefinisian kamus kata dan grammar

Pelabelan data
manual (handlabeled)

Menentukan
MFCC

Pelabelan data
dengan pengenal
kata yang sudah
tersedia (force
alignment)

Menentukan
MFCC

Klasifikasi frame
berdasarkan kategori
fonem dengan JST

Reestimasi target
menggunakan
algoritma forward
backward

Pencocokan
kategori dengan
target kata
menggunakan
algoritma Viterbi

Data
suara

Speaker 4, 10 file pelatihan
10 file pengujian
Speaker 5,
10 file pengujian
Speaker 6,
10 file pengujian
Speaker 7,
10 file pengujian
Speaker 8,
10 file pengujian

Gambar 6 Skema pembagian data untuk
pelatihan dan pengujian.
Ketiga jenis file tadi disimpan terpisah
dan proses penamaannya mengikuti aturan
yang sudah diberikan CSLU. Ketiga file ini
diberi nama yang sama hanya ekstensinya saja
yang berbeda. Agar lebih mudah, penamaan
file dilakukan sesuai dengan format berikut
Format : {TLP-([0-9]+)-([0-9]+)}

CSLU toolkit

Gambar 5 Tahapan pengembangan aplikasi
CDR bahasa Indonesia.
Setiap
speaker
diminta
untuk
menyebutkan deretan 6 angka acak untuk
setiap filenya. Deretan angka acak ini
didapatkan dari basis data telepon. Speaker
yang suaranya akan digunakan untuk
pelatihan diminta untuk menyebutkan
sebanyak 20 kalimat, setengahnya akan
digunakan untuk pelatihan dan setengahnya
lagi untuk pengujian. Empat speaker lainnya,
yang datanya hanya digunakan pada tahap
pengujian saja, diminta untuk menyebutkan

Format di atas terdiri dari tiga bagian. Bagian
pertama adalah TLP, yang menunjukkan
bahwa kalimat yang disebutkan speaker
berasal dari basis data nomor telepon. Bagian
yang kedua, ([0-9]+), menunjukkan urutan
file. Bagian ini juga sangat berhubungan
dengan partisi file. Jika angka pada bagian ini
menghasilkan bilangan 0, 1, 2, 3, atau 4
setelah dimodulokan dengan 10 maka file
tersebut akan digunakan sebagai data
pelatihan. Sisanya, jika hasilnya adalah 5, 6,
7, atau 8, merupakan data tes 1. File pada data
tes 2 menghasilkan nilai 9 setelah
dimodulokan dengan 10. Bagian angka yang

terakhir merupakan representasi dari kalimat
yang diucapkan speaker.
Pendefinisian kamus kata dan grammar

Pendefinisian kamus kata merupakan hal
yang penting dalam membuat sistem pengenal
kata. CDR berbahasa Indonesia ini dibatasi
hanya mengenali 10 kata dasar bilangan.
Bahasa Indonesia memiliki banyak sekali
variasi penyebutan sebuah kata. Dari sekian
banyak variasi yang ada, kamus kata CDR
hanya mendefinisikan variasi penyebutan
bilangan 0 menjadi dua yaitu nol dan kosong.
Selain mendefinisikan kata-kata yang
dapat dikenali sistem, dilakukan juga
pendefinisian kategori yang menyusun sebuah
kata beserta separator yang menjadi pemisah
antar kata. Penentuan kategori yang dapat
dikenali bergantung pada jumlah fonem
pembentuk semua kata pada kamus kata.
Separator didefinisikan menjadi dua,
separator sil dan gar. Separator sil digunakan
untuk menandai bagian dari gelombang suara
yang tidak terdapat energi yang menjadi
perhatian sehingga tidak mencerminkan
kategori apapun, sedangkan separator gar
digunakan untuk menandai bunyi-bunyi di
luar bunyi kategori fonem yang telah
ditetapkan. Contoh penggunaan separator gar
antara lain untuk menandai bunyi yang
disebabkan oleh pergerakan microphone.
Bunyi ini tentunya tidak termasuk dalam
kategori fonem tertentu. Selain dua separator
tersebut terdapat separator lain yang hanya
digunakan pada kata ”satu”, ”empat”, dan
”delapan”. Hal ini disebabkan adanya jeda
waktu yang dihasilkan antar suku kata.
Separator ini disebut separator pau. Kamus
kata beserta grammar yang digunakan dapat
dilihat pada Lampiran 2. Berdasarkan
grammar yang didefinisikan, setiap kata dapat
dikuti dengan kata lain dengan nilai peluang
yang sama besarnya. Kategori dan separator
yang dapat dikenali berjumlah 24 kategori
yaitu sebagai berikut
s

a

t

u

d

i

g

em

p

tcl

l

m

en

j

h

e

n

b

o

k

ng

sil

gar

pau

Meskipun setiap huruf memiliki variasi
bunyi yang beragam bergantung pada huruf
disekitarnya, akan tetapi penelitian ini tidak
membagi kategori fonem ini menjadi beberapa
bagian (dependent part). Setiap kategori
hanya terdiri dari satu bagian saja
(independent part).

Pelabelan data

Setelah mendapatkan data berupa
gelombang suara dalam ekstensi .wav
diperlukan juga data lain dalam bentuk file
teks dan file kategori fonem. File kategori
fonem hanya diperlukan untuk data pelatihan
saja, sedangkan file teks dibuat untuk setiap
file gelombang suara input.
File teks berisi representasi bilangan yang
disebutkan speaker bentuk kalimat. Misalnya
barisan angka yang disebutkan speaker adalah
”05331”, maka file teks yang harus dibuat
berisi ”kosong lima tiga tiga satu satu”.
File kategori fonem didapatkan dengan
cara melakukan pelabelan secara manual
(hand-labeled). Proses ini dilakukan untuk
mendapatkan fonem yang terdapat di dalam
sebuah file gelombang suara. Contoh proses
pelabelan dapat dilihat pada Gambar 7. File
kategori fonem yang memiliki ekstensi .phn
ini terdiri dari tiga buah kolom. Kolom yang
pertama mendefinisikan waktu dimulainya
sebuah kategori fonem, kolom kedua
mendefinisikan waktu berakhirnya sebuah
kategori fonem, dan kolom terakhir adalah
kategori fonem yang terdapat dalam rentang
waktu yang disebutkan. Dapat dilihat pada
contoh file .phn di bawah ini bahwa waktu
berakhirnya
sebuah
kategori
fonem
merupakan waktu dimulainya kategori fonem
berikutnya.
0.000000
243.012375
390.264038
537.515747
725.583435
844.083557
898.216553
995.236450

243.012375
390.264038
537.515747
725.583435
844.083557
898.216553
995.236450
1153.056274

sil
en
a
m
sil
d
u
a

Penentuan MFCC

Sampel suara didigitasi dengan sampling
rate sebesar 8000 Hz dengan alasan bahwa
informasi yang terkandung dalam suara
manusia berada dibawah frekuensi 10000 Hz.
Langkah
berikutnya
adalah
membagi
gelombang suara ini menjadi frame berukuran
10 msec. Melalui proses MFCC ini didapatkan
13 koefisien mel cepstrum. Selain itu untuk
ciri lain juga dihitung menggunakan delta
MFCC. Koefisien delta MFCC ini
mengindikasikan tingkat perubahan spektral,
dapat dihitung dengan persamaan berikut
Δc[ n ] = c[ n + 1] − c[ n ]

Tabel 1 Struktur jaringan syaraf tiruan
Karakteristik

Spesifikasi

Arsitektur

feed forward network, 1
layer hidden

Neuron input

130 (26 fitur x 5 frame)

Neuron lapis
tersembunyi

50, 100, 200, 400, 700,
1000

Neuron output

24 (jumlah kategori)

Gambar 7 Gelombang suara yang sudah di
hand-label.
Klasifikasi frame berdasarkan kategori

JST digunakan untuk mengklasifikasikan
fitur-fitur untuk setiap frame ke dalam
kategori tertentu. Penentuan jumlah kategori
yang dapat diklasifikasikan oleh JST sesuai
dengan pendefinisian kategori sebelumnya
yaitu sebanyak 24 kategori.
JST yang digunakan dalam percobaan ini
merupakan jaringan feed-forward lapis
banyak yang terdiri dari satu lapisan lapis
tersembunyi dengan propagasi balik sebagai
algoritma pelatihannya. Input untuk jaringan
ini adalah 5 buah frame dengan frame yang
berada di tengah sebagai frame of interest
yang akan dihitung peluangnya untuk setiap
kategori. Ketika suatu frame dipetakan
kedalam suatu kategori tertentu maka
informasi yang diperlukan tidak hanya berasal
dari frame yang bersangkutan, akan tetapi
juga berasal dari frame-frame sesudah dan
sebelumnya. Frame-frame tersebut adalah
frame yang terletak -60, -30, 30, dan 60 msec
jauhnya dari frame yang menjadi perhatian.
Hal ini dilakukan dengan mempertimbangkan
sifat alamiah suara dimana identitas sebuah
fonem tidak hanya ditentukan oleh fitur-fitur
spektral pada saat itu saja tetapi juga
bergantung pada perubahannya terhadap
waktu. Arsitektur jaringan yang digunakan
dapat dilihat pada Gambar 8, sedangkan
ringkasan mengenai struktur jaringan yang
digunakan dapat dilihat pada Tabel 1.
Setelah jaringan terbentuk, jaringan akan
dilatih menggunakan data pelatihan yang telah
disebutkan di atas. Jaringan juga akan diujikan
menggunakan dua tipe data tes yaitu file data
tes yang suaranya sudah digunakan dalam
pelatihan (data tes 1) dan suara yang tidak
pernah dilatihkan sebelumnya (data tes 2).

Gambar 8 Arsitektur Jaringan Syaraf Tiruan
yang digunakan dalam proses
pengenalan kata.
Pencocokan kategori dengan target kata

Output jaringan syaraf tiruan adalah
matriks peluang suatu frame f berada dalam
suatu kategori c. Hasil pembelajaran semua
data pelatihan berupa matriks berukuran CxF,
dengan C adalah banyaknya kategori yang
dikenali dan F adalah banyaknya frame.
Matriks ini digunakan sebagai input untuk
algoritma Viterbi bersama dengan grammar
yang telah didefinisikan dalam kamus kata.
Algoritma ini dilakukan untuk menentukan
kata yang paling sesuai dari peluang-peluang
fonem yang ada.
Rancangan Percobaan

Penelitian
ini
dilakukan
dengan
memperhatikan faktor akurasi tingkat kata dan
kalimat. Akurasi ini akan diamati pada
beberapa variasi neuron lapis tersembunyi
mulai dari 50, 100, 200, 400, 700, sampai
1000 unit. Pelatihan akan dilakukan
menggunakan 50 iterasi (epoh).
Percobaan berikutnya dilakukan untuk
membandingkan
hasil
pengenalan

menggunakan data yang dilabel secara manual
(hand-labeled) dengan hasil pengenalan
menggunakan force alignment. Force
alignment adalah proses pengenalan kata
menggunakan pengenal kata yang tersedia.
Pengenal kata ini didapat dari proses
pengenalan
sebelumnya
yaitu
proses
pengenalan menggunakan data hand-labeled
dengan bobot terbaik. Jaringan dengan bobot
terbaik akan memberikan hasil pengenalan
yang baik pula. Hasil dari proses force
alignment ini adalah label fonem dengan
rentang waktu tertentu untuk suatu gelombang
suara tertentu. Pengenalan dengan force
alignment tidak lagi membutuhkan file
kategori fonem untuk data pelatihannya
(Hosom et al 1999).
Setelah dibandingkan dengan proses force
alignment, dilakukan juga pelatihan jaringan
menggunakan algoritma forward backward.
Algoritma forward backward ini biasa
digunakan untuk melatih sebuah Hidden
Markov Model (HMM). Untuk memulai suatu
pelatihan menggunakan Forward Backward
Neural Networks (FBNN) dibutuhkan jaringan
syaraf tiruan yang didapatkan dari proses
pelatihan menggunakan data hand-labeled.
Algoritma forward backward umumnya
digunakan untuk melatih sebuah HMM yang
menggunakan fungsi Gaussian sebagai
penentu peluang observasi. Pada pengenal
suara yang menggunakan JST untuk
menghitung peluang observasi, algoritma
forward
backward
digunakan
untuk
mengestimasi ulang nilai peluang observasi
dan peluang transisi yang didapatkan
sebelumnya. Target jaringan syaraf tiruan
yang dihasilkan adalah nilai peluang posterior
suatu frame merupakan kategori tertentu,
tidak seperti pada jaringan syaraf sebelumnya
yang targetnya berupa bilangan biner (Yan et
al 1997).
Parameter Percobaan

Analisis kinerja pada percobaan kali ini
hanya berfokus pada akurasi pengenalan kata.
Kesalahan-kesalahan dasar yang sering terjadi
adalah deletion, insertion, dan substitution.
Akurasi sistem dihitung pada dua tingkat
pengamatan, tingkat kata (word accuracy) dan
tingkat
kalimat
(sentence
accuracy).
Ketepatan sistem secara keseluruhan pada
tingkat kata dapat dirumuskan sebagai berikut
Word Accuracy=100% - (Sub+Ins+Del)
dengan Sub, Ins, dan, Del masing-masing
adalah persentase substitution, insertion, dan

deletion. Selain pada level kata, akurasi sistem
juga dihitung untuk tingkat kalimat. Ketepatan
pada level kalimat didapatkan dengan
menghitung banyaknya gelombang suara yang
dikenali dibagi dengan banyaknya gelombang
suara yang terdapat pada tahap pengujian.
Lingkungan Pengembangan

Semua percobaan yang disebutkan pada
rancangan percobaan sebelumnya dilakukan
dengan bantuan perangkat lunak pengenal
kata CSLU toolkit. Perangkat lunak ini dipilih
dengan mempertimbangkan kemudahan baik
pada praproses data maupun proses
pengolahan
data
selanjutnya.
Proses
pengenalan
kata
dilakukan
dengan
mengeksekusi barisan script CSLUsh dengan
menggunakan file lainnya yang telah
dideskripsikan sebelumnya seperti corpora,
kondisi pelatihan, dan arsitektur jaringan.
Script CSLUsh ini digunakan untuk prosesproses mulai dari pengumpulan data,
pemetaan kategori, pemilihan data, pelatihan
JST, sampai pengujian.
Sistem operasi yang dilakukan adalah
Windows XP Professional. Perangkat lunak
lain yang digunakan adalah Audacity sebagai
editor audio. Perangkat keras yang digunakan
ialah komputer dengan processor Pentium IV
1,8 GHz, RAM sebesar 256 Mb, serta
kapasitas harddisk sebesar 40 Gb.

HASIL DAN PEMBAHASAN
Pengaruh Jumlah Neuron pada Lapisan
Tersembunyi dan Iterasi Terhadap
Akurasi Sistem

Percobaan pertama bertujuan untuk
membandingkan kinerja sistem berdasarkan
jumlah neuron yang digunakan pada lapisan
tersembunyi. Percobaan ini juga akan melihat
seberapa besar pengaruh banyaknya unit pada
lapisan tersembunyi terhadap akurasi sistem.
Arsitektur JST yang digunakan pada
sistem pengenal kata ini adalah jaringan
perceptron lapis banyak (multi layer
perceptron). MLP dipilih karena dapat
membentuk daerah keputusan yang nonlinear,
tidak seperti jaringan lapis tunggal (single
layer perceptron) yang hanya dapat
menghasilkan daerah keputusan linear. Jumlah
lapisan tersembunyi yang digunakan juga
hanya dibatasi satu lapisan saja, karena
menurut Cybenko seperti diacu dalam
Tebelskies 1995 semua fungsi yang dapat

dihitung dengan MLP dengan lapisan
tersembunyi lebih dari satu juga dapat
diselesaikan oleh MLP dengan hanya satu
lapisan tersembunyi jika jumlah unit pada
lapisan tersembunyi telah mencukupi. Selain
itu waktu pelatihan untuk MLP dengan jumlah
lapisan tersembunyi yang banyak akan
meningkat secara signifikan.
Jumlah neuron lapis tersembunyi dalam
MLP sangat menentukan kinerja MLP dalam
proses pengenalan pola. Banyaknya neuron
lapis tersembunyi yang digunakan juga sangat
berpengaruh terhadap waktu pelatihan.
Apabila suatu jaringan terlalu lama dilatihkan
akan timbul keanehan yang akan mengurangi
kinerja pada data pelatihan (Tebelskies 1995).

tingkat kalimat. Demikian pula untuk variasi
neuron 200 unit, hasil terbaik terjadi pada
iterasi ke-3. Variasi neuron sebanyak 400 unit
memberikan hasil terbaik setelah melalui 9
kali iterasi. Pengenalan terbaik untuk data tes
1, yang didapatkan dari variasi neuron 700
unit, berasal dari iterasi ke-7 sama seperti
yang terjadi pada variasi neuron lapis
tersembunyi
1000
unit.
Gambar
9
menunjukkan
perbandingan
akurasi
pengenalan tingkat kata dan kalimat pada data
tes 1.
Tabel 2 Hasil pengenalan terbaik untuk
masing-masing variasi neuron
tersembunyi pada data tes 1

Tabel 2 menunjukkan bahwa akurasi
pengenalan kata telah mencapai hasil yang
maksimal yaitu 100% menggunakan neuron
lapis tersembunyi sebanyak 700 unit.
Meskipun jumlah iterasi yang digunakan
adalah 50 iterasi akan tetapi hasil pengenalan
terbaik pada masing-masing variasi neuron
belum tentu berasal dari iterasi terakhir. Hasil
terbaik ini biasanya terjadi lebih awal. Pada
variasi jumlah neuron 50 unit hasil terbaik
terjadi pada iterasi ke-5 yaitu 98,33% untuk
tingkat kata dan 92,50% untuk tingkat
kalimat. Iterasi ke-9 pada variasi neuron lapis
tersembunyi sebanyak 100 unit memberikan
hasil yang paling maksimum yaitu 99,17%
untuk akurasi tingkat kata dan 95,00% untuk

sentence
accuracy
(%)
92,50

100

99,17

95,00

200

99,17

95,00

400

99,58

97,50

700

100,00

100,00

1000

100,00

100,00

100
akurasi (%)

JST yang dibuat adalah jaringan lapis
banyak dengan variasi neuron lapis
tersembunyi sebanyak 50, 100, 200, 400, 700,
dan 1000 unit. Proses pelatihan dilakukan
dengan iterasi sebanyak 50 kali. Setiap iterasi
akan menghasilkan bobot jaringan yang
berbeda-beda. Setelah pelatihan selesai,
semua file pengujian yang ada pada data tes
diujikan ke dalam 50 bobot jaringan yang
berbeda-beda tadi. Bobot jaringan yang paling
baik akan memberikan akurasi pengenalan
yang baik pula. Persentase word accuracy
dan sentence accuracy terbaik dari masingmasing variasi neuron dari hasil pengujian
menggunakan data tes 1 dapat dilihat pada
Tabel 2. Sedangkan untuk hasil akurasi
dengan menggunakan data tes 2 tertera pada
Tabel 3.

50

word
accuracy
(%)
98,33

Jumlah
neuron

Fungsi aktivasi yang digunakan pada
penelitian ini adalah fungsi linear dan fungsi
sigmoid biner. Fungsi sigmoid biner dipilih
karena daerah hasil yang diinginkan terletak
pada interval 0 dan 1.

95
90
85
80
50

100

200

400

700

1000

jumlah neuron (unit)
word accuracy (%)

sentence accuracy (%)

Gambar 9 Perbandingan akurasi tingkat kata
dan kalimat pada data tes 1.
Akan tetapi jika dibandingkan dengan
hasil pengenalan kata pada data data yang
belum pernah dilatihkan sebelumnya (data tes
2), ketepatan pengenalan sistem menurun
untuk semua variasi neuron lapis tersembunyi.
Besar kemungkinan penyebabnya adalah pola
suara yang berbeda dengan data sebelumnya
yang digunakan dalam pelatihan. Seperti
dijelaskan sebelumnya, semua data yang
terdapat pada data tes 2 belum pernah
dilatihkan ke sistem.
Hasil pengenalan terbaik pada masingmasing variasi neuron lapisan tersembunyi

dapat dilihat pada Tabel 3. Seperti halnya data
tes 1, akurasi terbaik yang dihasilkan pada
data tes 2 juga belum tentu berasal dari iterasi
terakhir (iterasi ke-50). Variasi neuron lapis
tersembunyi 50 unit memberikan hasil terbaik
pada iterasi ke-3, demikian pula yang terjadi
pada variasi neuron lapis tersembunyi 100 dan
200 unit. Iterasi ke-29 pada penggunaan
neuron lapis tersembunyi sebanyak 400 unit
memberikan hasil yang paling baik untuk data
tes ini, yaitu 9