Implementasi Metode Mel-Frequency Cepstrum Coefficients (MFCC) Dalam IDentifikasi jenis Suara Burung Berkicau

BAB I
PENDAHULUAN
Latar Belakang Masalah
Burung adalah anggota kelompok hewan bertulang (vertebrata) yang memiliki
bulu dan sayap. Jenis-jenis burung begitu bervariasi, mulai dari burung kolibri yang
kecil hingga burung unta yang tingginya melebihi orang. Diperkirakan jenis burung
yang terdapat didunia yaitu sekitar 8.800 hingga 10.200 spesies, dan sekitar 1650
jenis burung diantaranya ditemukan di Indonesia. Burung dapat dibagi dua macam
yaitu diantaranya burung hias dan burung berkicau. Di Indonesia burung berkicau
merupakan salah satu jenis burung yang paling diminati, hal tersebut dapat dilihat
semakin banyaknya masyarakat yang memulai hobinya dalam memelihara burung
dan juga lomba-lomba suara kicauan burung yang sering dan rutin diselenggarakan
pada setiap kota. Oleh karena itu dibutuhkannya suatu kemudahan bagi para
penghobi burung dalam mengidentifikasikan jenis suara burung berkicau terutama
pada jenis burung yang memiliki karakteristik bentuk dan warna yang hampir sama.
Suara merupakan salah satu bidang biometrik yang saat ini semakin
berkembang. Pada penelitian sebelumnya yang dilakukan oleh Risha Annisa,
Bambang Hidayat, dan Inung Wijayanto klasifikasi jenis suara burung
menggunakan metode Wavelet Packet Decomposition dan Jaringan Syaraf Tiruan
Self Organizing Maps dengan jumlah sample sebanyak 4 jenis burung didapatkan
akurasi dalam identifikasi sebesar 83,13% [1] dikarenakan masih memiliki

kekurangan dalam proses identifikasi jenis suara burung salah satunya yaitu belum
dapat membedakan ciri suara pada 2 macam jenis burung diantaranya suara burung
cucak ijo dan cucak rawa. Oleh karena itu maka dibutuhkannya perbandingan antar
metode pemrosesan agar dapat memilih metode yang tepat untuk proses ekstraksi
dan identifikasi jenis suara burung berkicau. Sementara penelitian lain dibidang
biometrik suara yaitu dilakukan oleh Angga Setiawan, Achmad Hidayatno dan R.
Rizal Isnanto dengan judul pengenalan pengucap tak bergantung teks menggunakan
metode Linear Predictive Coding (LPC) dan Vector Quantization didapatkan rata-

1

2

rata persentase pengenalan tertinggi terhadap pengujian dengan data rekam hanya
mencapai 68,5% dan pengenalan tertinggi terhadap pengujian secara real time
mencapai 58% [2].
Dalam penelitian ini metode yang akan digunakan untuk membangun sistem
identifikasi jenis burung yaitu menggunakan metode Mel Frequency Cepstrum
Coefficients (MFCC) untuk ekstraksi sinyal suara dan untuk identifikasi dibantu
dengan menggunakan metode klasifikasi Jaringan Syaraf Tiruan Self Organizing

Maps. Metode Mel Frequency Cepstrum Coefficients digunakan karena memiliki
beberapa kelebihan diantaranya mampu menangkap informasi penting dalam sinyal
suara, menghasilkan data seminimal mungkin tanpa menghilangkan informasiinformasi yang ada dan mereplikasikan organ pendengaran manusia dalam
melakukan persepsi terhadap sinyal suara [3]. Hal ini dibuktikan pada penelitian
sebelumnya untuk verifikasi suara orang dengan menggunakan metode MFCC
didapatkan akurasi paling tinggi yaitu sekitar 93,254% [4].
Berdasarkan uraian diatas maka pada penelitian yang dilakukan ini, dengan
mengimplementasikan metode Mel-Frequency Cepstrum Coefficients (MFCC) dan
metode Jaringan Syaraf Tiruan Self Organizing Maps diharapkan dapat
menghasilkan keakuratan yang lebih optimal dan waktu yang lebih cepat pada
pengolahan suara digital terhadap identifikasi jenis suara burung, yang mana dapat
membantu para masyarakat yang memulai hobinya dalam memelihara burung
untuk mengidentifikasi jenis burung berdasarkan suaranya dengan lebih akurat dan
cepat.
Identifikasi Masalah
Berdasarkan latar belakang masalah dan apa yang telah diuraikan di atas, maka
dapat diidentifikasikan suatu masalah yaitu:
1. Diperlukannya perbandingan akurasi antar metode untuk memilih
pemrosesan ekstraksi ciri dan klasifikasi yang tepat pada identifikasi jenis
suara burung berkicau.

Maksud dan Tujuan
Maksud dari penelitian yang dilakukan adalah untuk mengimplementasikan
metode Mel-Frequency Cepstrum Coefficients dalam ekstrasi ciri sinyal suara

3

burung berkicau dan Jaringan Syaraf Tiruan Self Organizing Maps dalam
identifikasi jenis burung.
Adapun tujuan yang ingin dicapai dalam penelitian ini, yaitu:
1. Mengimplementasikan dan mengukur tingkat akurasi metode MelFrequency Cepstrum Coefficients dan Jaringan Syaraf Tiruan Self
Organizing Maps dalam identifikasi jenis suara burung berkicau.
Batasan Masalah
Terdapat beberapa batasan permasalahan yang dapat dirumuskan agar
pembahasan masalah dapat lebih terarah dan terperinci sesuai dengan tujuan yang
diharapkan dari penelitian ini. Adapun batasan-batasan masalah tersebut
diantaranya adalah:
1. Sample suara kicau burung yang direkam dan disimpan dalam file berformat
wave (*.wav).
2. Jenis suara burung yang dianalisa berjumlah 7 jenis burung berkicau yang
memiliki sub jenisnya diantaranya termasuk jenis burung Perkutut, Murai

Batu, Kenari, Kacer, Kolibri, Jalak dan Glatik.
3. Jumlah sample suara yang akan dianalisis adalah 30 sample suara per
subjenis sehingga jumlah sample suara keseluruhan yaitu 510 sample.
4. Sinyal suara memiliki frekuensi sampling 44100 Hz dan beresolusi 16 bit.
5. Proses ekstraksi ciri pada suara burung menggunakan metode Mel
Frequency Cepstral Coefficient (MFCC).
6. Proses identifikasi jenis burung menggunakan metode Jaringan Syaraf
Tiruan Self Organizing Maps.
Metodologi Penelitian
Metodologi penelitian merupakan suatu proses yang digunakan untuk
memecahkan suatu masalah yang logis, dimana memerlukan data-data untuk
mendukung terlaksananya suatu penelitian. Metodologi penelitian yang digunakan
adalah metode analisis deskriptif. Metode analisis deskriptif merupakan metode
yang menggambarkan fakta-fakta dan informasi dalam situasi atau kejadian
sekarang secara sistematis, faktual dan akurat. Metode penelitian ini memiliki dua
tahapan, yaitu tahap pengumpulan data dan tahap pengumpulan perangkat lunak.

4

Metode Pengumpulan Data

Metode pengumpulan data diperoleh secara langsung dari objek penelitian.
Tahapan pengumpulan data yang digunakan yaitu:
a. Studi Literatur
Studi literatur yang dilakukan adalah dengan mempelajari berbagai literatur
seperti buku, artikel, e-book, website, jurnal, dan sumber-sumber yang
berkaitan dengan burung, metode MFCC dan Jaringan Syaraf Tiruan Self
Organizing Maps untuk membantu dalam penelitian yang dilakukan. Studi
literatur juga diperlukan untuk mendapatkan informasi penelitian-penelitian
sebelumnya tentang metode dan sistem yang telah diterapkan.
b. Studi Lapangan
Studi ini dilakukan dengan mengunjungi tempat yang memiliki data yang
dibutuhkan yaitu pada tempat perlombaan kicau burung dan pasar burung
Sukahaji dengan pengumpulan data dilakukan secara langsung.
Metode Pembangunan Perangkat Lunak
Metode yang digunakan untuk pembangunan perangkat lunak dalam
penelitian ini yaitu menggunakan linear sequential model atau sering disebut juga
dengan waterfall model. Model ini adalah model klasik yang melakukan
pendekatan secara sistematis, berurutan dalam membangun software karena melalui
turunan dari satu fase ke fase yang lainnya. Tahap-tahap utama dari model ini yaitu
[5]:

1. Requirements Analysis and Definition
Tahap ini berisi perencanaan, batasan dan tujuan sistem ditentukan melalui
konsultasi dengan user sistem. Persyaratan ini kemudian didefinisikan
secara rinci dan berfungsi sebagai spesifikasi sistem. Dan tahap
perencanaan yang dilakukan adalah dengan memodelkan pemrograman
terstruktur menggunakan (DFD) Data Flow Diagram, dan menerapkan
metode Mel-Frequency Cepstrum Coefficient dan Jaringan Syaraf Tiruan
Self Organizing Maps pada aplikasi identifikasi pada suara burung.

5

2. System and Software Design
Tahap design merupakan tahap perancangan dan menentukan arsitektur
desain program dari pembangunan aplikasi identifikasi jenis suara burung.
3. Implementation and Unit Testing
Setelah tahap perancangan sistem selanjutnya dilakukan konversi
rancangan sistem ke dalam kode-kode bahasa pemrograman Matlab.
4. Integration and System Testing
Unit program atau program individual diintegrasikan dan pengujian aplikasi
dilakukan untuk memastikan keakuratan dan performansi dalam

pengidentifikasian suara jenis burung sesuai dengan persyaratan dan
desainnya. Setelah pengujian sistem, perangkat lunak dikirim kepada target
user.
5. Operation and Maintenance
Biasanya (walaupun tidak seharusnya), ini merupakan fase siklus hidup
yang paling lama. Sistem diinstall dan dipakai. Pemeliharaan mencakup
koreksi dari berbagai error yang tidak ditemukan pada tahap-tahap
terdahulu, perbaikan atas implementasi unit sistem dan pengembangan
pelayanan sistem, sementara persyaratan-persyaratan baru ditambahkan.
Requirements
Definition

System and Software
design

Implementation
and unit testing

Integration and
system testing

Operation and
Maintenance

Gambar 1.1 Model Waterfall [5]

6

Sistematika Penulisan
Sistematika penulisan laporan skripsi penelitian ini disusun untuk memberikan
gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan laporan
skripsi ini adalah sebagai berikut :
BAB I PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang masalah, identifikasi
masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta
sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini berisi tentang pembahasan mengenai landasan teori yang digunakan
dalam pembangunan aplikasi identifikasi jenis burung melalui suara kicauan
burung, yaitu menyangkut Voice Recognition, metode Mel Frequency Cepstrum

Coefficient (MFCC), metode Jaringan Syaraf Tiruan Self Organizing Maps, teori
pemodelan perangkat lunak terstruktur.
BAB III ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi tentang pembahasan mengenai analisis dan kebutuhan
algoritma pada aplikasi identifikasi jenis burung melalui suara burung berkicau,
analisis masalah, analisis bagaimana penerapan algoritma Mel Frequency Cepstrum
Coefficients dan Jaringan Syaraf Tiruan Self Organizing Maps pada perangkat
lunak yang dibangun, analisis studi kasus, analisis kebutuhan non fungsional,
analisis kebutuhan fungsional, perancangan sistem dan analisis jaringan semantik.
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
Menjelaskan mengenai implementasi dari hasil analisis dan perancangan
perangkat lunak aplikasi identifikasi jenis suara burung yang telah dibangun dan
disertai dengan kasus dan hasil pengujian aplikasi.
BAB V KESIMPULAN DAN SARAN
Menjelaskan tentang kesimpulan yang diperoleh dari hasil implementasi dan
pengujian aplikasi identifikasi jenis suara burung berkicau yang telah dibangun,
serta saran-saran untuk pengembangan perangkat lunak ini selanjutnya.

BAB II
LANDASAN TEORI

Kecerdasan Buatan
Kecerdasan Buatan (Artificial Intelligence atau AI) didefinisikan sebagai
kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya
dianggap komputer. Kecerdasan diciptakan dan dimasukkan kedalam suatu mesin
(komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia
[6].
Definisi Kecerdasan Buatan
Kecerdasan buatan merupakan salah satu bagian ilmu komputer yang
membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik
yang dilakukan oleh manusia. Pada awal diciptakannya, komputer hanya
difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman,
maka peranan komputer semakin mendominasi kehidupan umat manusia.
Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu komputer
diharapkan dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa
dikerjakan manusia.
Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di
dunia ini karena manusia mempunyai pengetahuan dan pengalaman. Pengetahuan
diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki seseorang
tentu saja diharapkan akan lebih mampu dalam menyelesaikan permasalahan.
Namun bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk

melakukan penalaran, mengambil kesimpulan berdasarkan pengetahuan dan
pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk menalar
dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak akan
dapat menyelesaikan masalah dengan baik. Demikian pula, dengan kemampuan
menalar yang sangat baik, namun tanpa bekal pengetahuan dan pengalaman yang
memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik.

7

8

Agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer
juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar.
Untuk itu pada Artificial Intelligence (AI) akan mencoba untuk memberikan
beberapa metoda untuk membekali komputer dengan kedua komponen tersebut
agar komputer bisa menjadi mesin yang pintar.
Pengertian kecerdasan buatan dapat dipandang dari berbagai sudut pandang,
antara lain :
a. Sudut pandang kecerdasan
Kecerdasan buatan akan membuat mesin menjadi „cerdas‟ (mampu berbuat
seperti apa yang dilakukan oleh manusia).
b. Sudut pandang penelitian
Kecerdasan buatan adalah suatu studi bagaimana membuat agar komputer
dapat melakukan sesuatu sebaik yang dikerjakan oleh manusia.
c. Sudut pandang bisnis
Kecerdasan buatan adalah kumpulan peralatan yang sangat powerful dan
metodologis dalam menyelesaikan masalah-masalah bisnis.
d. Sudut pandang pemrograman
Kecerdasan buatan meliputi studi tentang pemrograman simbolik,
penyelesaian masalah (problem solving) dan pencarian (searching).
Untuk membuat aplikasi kecerdasan buatan ada 2 bagian utama yang sangat
dibutuhkan, yaitu :
1. Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran
dan hubungan antara satu dengan lainnya.
2. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.

Gambar 2.1 Penerapan Konsep Kecerdasan Buatan Pada Komputer

9

Kecerdasan Buatan dan Kecerdasan Ilmiah
Kecerdasan alamiah adalah kecerdasan yang dimiliki oleh manusia. Jika
dibandingkan dengan kecerdasan buatan, ada beberapa keuntungan kecerdasan
buatan dibanding kecerdasan alamiah, yaitu [6]:
1. Lebih permanen
Kecerdasan alamiah akan cepat mengalami perubahan. Hal ini
dimungkinkan karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan
berubah sepanjang sistem komputer dan program tidak diubah.
2. Memberikan kemudahan dalam duplikasi dan penyebaran
Mentransfer pengetahuan manusia dari satu orang ke orang lain
membutuhkan proses yang sangat lama dan keahlian itu juga tidak akan pernah
dapat diduplikasi dengan lengkap. Oleh karena itu, jika pengetahuan terletak
pada suatu sistem komputer, pengetahuan tersebut dapat disalin dari komputer
tersebut dan dapat dipindahkan dengan mudah ke komputer yang lain.
3. Relatif lebih murah dari kecerdasan alamiah
Menyediakan layanan komputer akan lebih mudah dan lebih murah
dibandingkan dengan harus mendatangkan seseorang untuk mengerjakan
sejumlah pekerjaan dalam jangka watu yang sangat lama.
4. Konsisten dan teliti
Hal ini disebabkan karena kecerdasan buatan adalah bagian dari teknologi
komputer. Sedangkan kecerdasan alami akan senantiasa berubah-ubah.
5. Dapat didokumentasi
Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah
dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami
sangat sulit untuk direproduksi.
6. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik dibanding
manusia.

10

Sedangkan keuntungan kecerdasan alamiah dibanding kecerdasan buatan,
yaitu:
1) Bersifat lebih kreatif.
Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat
melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah
pengetahuan harus dilakukan melalui sistem yang dibangun.
2) Dapat melakukan proses pembelajaran secara langsung, sementara AI harus
mendapatkan masukan berupa simbol dan representasi.
3) Fokus yang luas sebagai referensi untuk pengambilan keputusan, sebaiknya
AI menggunakan fokus yang sempit.
Komputer dapat digunakan untuk mengumpulkan informasi tentang objek,
kegiatan (events), proses dan dapat memproses sejumlah besar informasi dengan
lebih efisien dari yang dapat dikerjakan manusia. Namun disisi lain, manusia
dengan menggunakan insting dapat melakukan hal yang sulit diprogram pada
komputer, yaitu kemampuan mengenali (recognize) hubungan antara hal-hal
tersebut, menilai kualitas dan menemukan pola yang menjelaskan hubungan
tersebut.
Hubungan Kecerdasan Buatan Dengan Pengenalan Suara
Pemahaman Ucapan/Suara (Speech/Voice Understanding), adalah teknik agar
komputer dapat mengenali dan memahami bahasa ucapan. Proses ini mengijinkan
seseorang berkomunikasi dengan komputer dengan cara berbicara kepadanya.
Istilah “pengenalan suara” mengandung arti bahwa tujuan utamanya adalah
mengenai kata yang diucapkan tanpa harus tahu artinya, di mana bagian itu
merupakan tugas “pemahaman suara”.
MFCC (Mel Frequency Cepstrum Coefficient)
MFCC (Mel Frequency Cepstrum Coefficients) merupakan salah satu metode
yang banyak digunakan dalam bidang speech technology, baik speaker recognation
maupun speech recognation. Metode ini digunakan untuk melakukan feature
extraction, sebuah proses yang mengkonversikan sinyal suara menjadi beberapa
parameter. Keunggulan dari metode ini adalah:

11

1

Mampu untuk menangkap karakteristik suara yang sangat penting bagi
pengenalan suara. Atau dengan kata lain, mampu menangkap informasiinformasi penting yang terkandung dalam sinyal suara.

2

Menghasilkan data seminimal mungkin tanpa menghilangkan informasiinformasi penting yang ada.

3

Mengadaptasi organ pendengaran manusia dalam melakukan persepsi terhadap
sinyal suara.
Perhitungan yang dilakukan MFCC menggunakan dasar dari perhitungan short-

term analysis. Hal ini dilakukan mengingat sinyal suara yang bersifat
quasistationary. Pengujian yang dilakukan untuk periode waktu yang cukup pendek
(sekitar 0 sampai 10 milidetik) akan menunjukan karakteristik sinyal suara yang
stationary. Tetapi bila dilakukan dalam periode waktu yang lebih panjang
karakteristik sinyal suara akan terus berubah sesuai dengan kata yang diucapkan.
MFCC feature extraction sebenarnya merupakan adaptasi dari sistem
pendengaran manusia dimana sinyal suara akan di-filter secara linear untuk
frekuensi rendah (dibawah 1000 Hz) dan secara logaritmik untuk frekuensi tinggi
[3]. Berikut ini blok diagram untuk proses yang dilakukan pada metode MFCC:
Sinyal Suara

Pre Emphasize

Discrete Cosine
Transform

Frame Blocking

Mel Spectrums

Mel Frequency
Warping

Frame

Spectrums

Windowing

Fast Fourier
Transform

Mel Cepstrum

Cepstral Liftering

Feature Extraction

Pola Suara
(Template
Matching)

Gambar 2.2 Blok Diagram Alur Proses MFCC

Konversi Analog Menjadi Digital
Sinyal–sinyal yang natural pada umumnya, seperti sinyal suara merupakan
sinyal continue dimana memiliki nilai yang tidak terbatas. Sedangkan pada

12

komputer, semua sinyal yang dapat diproses oleh komputer hanyalah sinyal discrete
atau sering dikenal dengan istilah digital signal. Agar sinyal natural dapat diproses
oleh komputer kita harus dapat mengubah data sinyal continue menjadi discrete.
Hal itu dapat melalui tiga proses, diantaranya adalah proses sampling data, proses
kuantisasi, dan proses pengkodean.
Proses sampling adalah suatu proses untuk mengambil data sinyal continue
untuk setiap periode tertentu. Dalam melakukan proses sampling data, berlaku
aturan Nquist, yaitu bahwa frekuensi sampling (sampling rate) minimal harus dua
kali lebih tinggi dari frekuensi maksimum yang akan disamplingkan. Jika sinyal
sampling kurang dari dua kali frekuensi maksimum sinyal yang akan disampling,
maka akan timbul efek aliasing. Aliasing adalah suatu efek dimana sinyal yang
dihasilkan memiliki frekuensi yang berbeda dengan sinyal aslinya,
Proses kuantisasi adalah proses untuk membulatkan nilai data kedalam
bilangan-bilangan tertentu yang telah ditentukan terlebih dahulu. Semakin banyak
level yang dipakai maka semakin akurat pula data sinyal yang disimpan tetapi akan
menghasilkan ukuran data yang besar dan proses lama.
Proses pengkodean adalah proses pemberian kode untuk tiap tiap data sinyal
yang telah terkuantisasi berdasarkan level yang ditempati.

Gambar 2.3 Sinyal Sinus

Gambar 2.4 Sinyal Sinus Setelah Tersampling

13

Pre-Empasis
Pre-emphasis dilakukan untuk memperbaiki signal dari gangguan noise,
sehingga dapat meningkatkan tingkat akurasi dari proses feature extraction. Default
dari nilai alpha yang digunakan dalam proses pre-emphasis filtering adalah 0,9.
Bentuk yang paling umum digunakan dalam pre-emphasis filter adalah
sebagai berikut:
=

−�

−

(2.1)

Dimana 0.9 ≤ α ≤ 1.0 dan α € R, formula diatas dapat diimplementasikan
sebagai filter order differentiator, sebagai berikut

Keterangan:

[ ]= [ ]−� [ − ]

(2.2)

y[n] = signal hasil pre-emphasis filter
s[n] = signal sebelum pre-emphasis filter
Frame Blocking
Hasil perekaman suara merupakan sinyal analog yang berada dalam domain
waktu yang bersifat variant time, yaitu suatu fungsi yang bergantung waktu. Oleh
karena itu sinyal tersebut harus dipotong-potong dalam slot-slot waktu tertentu agar
dapat dianggap invariant. Setiap potongan sinyal suara tersebut disebut frame.
Untuk menghitung jumlah frame digunakan rumus:

Keterangan:

�

�ℎ � �

=

−

/

+

I = Sample rate
N = Sample point (Sample rate * waktu framing (s))
M = N/2
Potongan frame digambarkan seperti gambar dibawah ini:

(2.3)

14

Gambar 2.5 Framing

Windowing
Fungsi window yang paling sering digunakan dalam aplikasi speaker
recognation adalah Hamming Window. Fungsi ini menghasilkan sidelobe level
yang tidak terlalu tinggi (kurang lebih -43dB) selain itu noise yang dihasilkan pun
tidak terlalu besar (kurang lebih 1.36 BINS).
Window Hamming:
= .

�ℎ�

Keterangan:

�

− .

cos [ �− ] ≤

≤

−

(2.4)

Wham(n) = Window Hamming
n = Sinyal ke [1 ... n]
N = Sample Point

Gambar 2.6 Window Hamming

Fast Fourier Transform
FFT (Fast Fourier Transform) adalah teknik perhitungan cepat dari DFT.
FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan sifat
periodikal dari transformasi fourier. Perhatikan definisi dari FFT:
�

= ∑�=

−

�

�/�

(2.5)

15

Atau dapat dituliskan dengan:
�
|

= ∑�=
� |=[

cos

�

�

�

− ∑�=

sin �

/

(2.6)

Untuk melihat nilai hasil FFT digunakan rumus:
+

]

/

(2.7)

Mel Frequency Warping (FilterBank)

Mel Frequency Warping umumnya dilakukan dengan menggunakan
filterbank. Filterbank menggunakan representasi konvolusi dalam melakukan filter
terhadap sinyal. Konvolusi dapat dilakukan dengan melakukan multiplikasi antara
spektrum sinyal dengan koeffisien filterbank.
Berikut ini adalah rumus yang digunakan dalam perhitungan filterbank.
�[ ] = ∑�=

Keterangan:

[]

[]

(2.8)

N = jumlah magnitude spectrum
S[j] = magnitude spectrum pada frekuensi j
Hi[j] = koefisien filterbank pada frekuensi j (1 ≤ i ≤ M)
M = jumlah channel dalam filterbank
Dimana Hi =

��
⁄

Discrete Cosine Transform
Proses ini merupakan langkah akhir dari feature extraction. Hasil dari DCT
ini adalah fitur-fitur yang dibutuhkan untuk melakukan proses analisa terhadap
pengenalan suara tersebut. Menggunakan rumus:
= ∑

=

Keterangan:

cos[

−

�

]

(2.9)

Sk = keluaran dari proses filterbank pada indeks k
K = jumlah koefisien yang diharapkan
Koefisien ke-nol dari DCT pada umumnya akan dihilangkan, walaupun
sebenarnya mengindikasikan energi dari frame sinyal tersebut. Hal ini dilakukan
karena, berdasarkan penelitian-penelitian yang pernah dilakukan, koefisien ke nol
ini tidak reliable terhadap speaker recognation. Tetapi koefisien ke nol dari DCT

16

sangatlah berguna dalam menentukan end point dari suatu suku kata maupun kata.
Hal ini disebabkan karena pada end point dari suatu suku kata maupun kata
mempunyai energi yang lebih rendah daripada point-point.
Cepstral Liftering
Cepstral, hasil dari proses utama MFCC feature extraction, memiliki
beberapa kelemahan. Low-order dari cepstral coefficients sangat sensitif terhadap
spectral slope, sedangkan bagian high order-nya sangat sensitif terhadap noise.
Oleh karena itu, maka cepstral liftering menjadi salah satu standar teknik yang
diterapkan untuk meminimalisasi sensitifitas tersebut.
Cepstral liftering dapat dilakukan dengan mengimplementasikan fungsi
window terhadap cepstral features.
�[ ] = { + sin

Keterangan:

�

}

(2.10)

L = jumlah cepstral coefficients
n= index dari cepstral coefficients
Cepstral liftering menghaluskan spektrum hasil dari main processor sehingga dapat
digunakan lebih baik untuk pattern matching.

Gambar 2.7 Perbandingan Spectrum dengan dan Tanpa Cepstral liftering

Berdasarkan gambar diatas dapat dilihat bahwa pola spektrum setelah
dilakukannya cepstral liftering lebih halus daripada spektrum yang tidak melalui
tahap cepstral liftering. Dalam beberapa jurnal dikatakan bahwa cepstral liftering
dapat meningkatkan akurasi dari aplikasi pengenalan suara, baik speaker
recognation, maupun speech recognation.

17

Jaringan Syaraf Tiruan
Jaringan saraf tiruan (JST) adalah sistem pemrosesan informasi yang
memiliki karakteristik mirip dengan jaringan saraf biologi. Hal ini menyerupai kerja
otak dalam dua hal yaitu [7]:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar,
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis
digunakan untuk menyimpan pengetahuan.
JST merupakan sebuah model komputasi dari otak manusia yang mampu
melakukan perhitungan, pengenalan, pengamatan serta pengambilan keputusan.
Jaringan syaraf tiruan memanfaatkan struktur pengolahan paralel atas sejumlah
pengolah sederhana dan hubungan antar pengolah tersebut. Dalam jaringan syaraf
tiruan, terdapat elemen pengolah yang merupakan model dari neuron. Setiap
hubungan elemen pengolah menentukan kemampuan JST. Seperti halnya jaringan
saraf biologis, JST juga memiliki kemampuan untuk belajar dan beradaptasi
terhadap masukan-masukannya. JST tidak perlu diprogram secara eksplisit, karena
JST dapat belajar dari beberapa contoh pelatihan. Secara umum proses
pembelajaran pada jaringan syaraf tiruan dibagi menjadi dua macam, yaitu:
1. Belajar dengan pengawasan (Supervised Learning)
Pada metode supervised learning jaringan diberikan vektor target yang
harus dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau
bobot pada jaringan. Contoh jaringan yang belajar dengan pengawasan
adalah Backpropagation dan Perceptron.
2. Belajar Tanpa Pengawasan (Unsupervised Learning)
Berbeda

dengan

supervised

learning

yang

masih

membutuhkan

pengawasan dan sangat tergantung pada knowledge yang diberikan pada
pembangunan jaringan, metode unsupervised learning ini melatih jaringan
terhadap suatu inputan tanpa adanya pengawasan, dimana vektor target
tidak ditentukan. Vektor masukan dimasukkan ke dalam jaringan, kemudian
sistem akan mengatur dirinya sendiri sedemikian rupa sehingga dihasilkan
keluaran yang konsisten bilamana pola yang menyerupai vektor masukan
tersebut diberikan. Contoh jaringan yang belajar tanpa pengawasan adalah

18

Adaptive Resonance Theory 2 (ART 2), Self Organizing Map (SOM), dan
Learning Vektor Quantization (LVQ).
Jaringan Syaraf Tiruan Self Organizing Maps (SOM)
JST Kohonen - SOM merupakan salah satu model JST yang menggunakan
metode unsupervised learning, yaitu mempelajari distribusi himpunan pola-pola
tanpa informasi kelas. Jaringan ini terdiri dari dua lapisan (layer), yaitu lapisan
input dan lapisan output. Setiap neuron dalam lapisan input terhubung dengan
setiap neuron pada lapisan output. Setiap neuron dalam lapisan output
merepresentasikan kelas (cluster) dari input yang diberikan.
Prinsip kerja dari algoritma SOM adalah pengurangan node-node
tetangganya (neighbor), sehingga pada akhirnya hanya ada satu node output yang
terpilih (winner node). Pertama kali yang dilakukan adalah melakukan inisialisasi
bobot untuk tiap-tiap node dengan nilai random. Setelah diberikan bobot random,
maka jaringan diberi input sejumlah dimensi node/neuron input (10x10). Setelah
input diterima jaringan, maka jaringan mulai melakukan perhitung jarak vektor
yang didapatkan dengan menjumlah selisih/jarak antara vektor input dengan vektor
bobot.
Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun
dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal
dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vector
bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan
terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron
tetangganya akan memperbaiki bobot-bobotnya. Berikut ilustrasi arsitektur JST
SOM:

Gambar 2.8 Arsitektur JST-SOM

19

Bobot vektor-vektor contoh berfungsi sebagai penentu kedekatan antara
vektor tersebut dengan masukan yang diberikan. Selama proses pengaturan, vektor
contoh pada saat itu paling dekat dengan masukan akan muncul sebagai pemenang,
kemudian vektor pemenang dan vektor-vektor sekitarnya akan dimodifikasi
bobotnya.
Dalam JST SOM, neuron target tidak diletakkan dalam sebuah baris seperti
layaknya model jaringan syaraf tiruan yang lain. Neuron target diletakkan dalam
dua dimensi yang bentuk/topologinya dapat diatur.
Ada tiga macam topologi yang dapat dibentuk yaitu [7]:
1. Gridtop
Dalam gridtop neuron disusun dalam array dua dimensi dengan bentuk
persegi.

Gambar 2.9 Topologi Gridtop

2. Hextop
Dalam hextop neuron disusun dalam array dua dimensi dengan bentuk
heksagonal.

Gambar 2.10 Topologi Hextop

20

3. Randtop
Dalam randtop neuron disusun dalam array dua dimensi dengan susunan
acak.

Gambar 2.11 Topologi Randtop

Jarak antara Neuron (Fungsi Jarak)
Dalam SOM, perubahan bobot tidak hanya dilakukan pada bobot garis yang
terhubung ke neuron pemenang saja, tetapi juga pada bobot garis ke neuron-neuron
di sekitarnya. neuron di sekitar neuron pemenang ditentukan berdasarkan jaraknya
dari neuron pemenang. Ada 4 macam definisi jarak antara 2 neuron yaitu [7]:
1. Jarak Euclidean distance (Euclidist)
Jarak Euclidean distance adalah jarak antara 2 titik dalam posisi berbeda
yang biasa kita kenal. Misal (x1,y1) dan (x2,y2) adalah koordinat 2 neuron,
maka jarak kedua neuron tersebut didefinisikan sebagai:
=√

−

+

−

(2.11)

21

2. Jarak Persegi (Boxdist)

Gambar 2.12 Boxdist pada topologi Gridtop

Jarak persegi adalah jarak langsung antara neuron pemenang dengan
neuron tetangganya secara langsung. Sebagai contoh apabila topologi
neuron adalah gridtop, maka paling banyak terdapat 8 buah neuron tetangga
dengan boxdist=1, dan terdapat paling banyak 16 tetangga jika boxdist=2.
Jika neuron pemenang terletak di pinggir maka hanya ada 5 neuron tetangga
dengan boxdist=1.
3. Jarak Link (Linkdist)
Jarak link adalah jumlah langkah yang dibutuhkan untuk menuju
neuron tersebut. Jika dalam jaringan SOM menggunakan topologi gridtop
dengan linkdist=1, berarti hanya neuron-neuron yang berhubungan
langsung dengan neuron pemenang saja yang diubah bobotnya (jumlah
neuron tetangga=4). Jika linkdist=2 maka jumlah neuron tetangga=12.

Gambar 2.13 LinkDist pada topologi gridtop

22

4. Jarak Manhattan (mandist)
Jarak Manhattan antara vector

x (x1,x2,...,xn) dan vector

y

(y1,y2,...,yn) didefinisikan sebagai:
� (�

)=∑= |

−

|

−

(2.12)

Jika x=(x1,x2) dan y=(y1,y2) menyatakan koordinat neuron yang dibentuk
melalui topologi tertentu, maka jarak Manhattan antara neuron x dan y
adalah

Basis Data

�=|

−

|+|

−

|

(2.13)

Sistem basis data adalah sistem terkomputerisasi yang tujuan utamanya adalah
memelihara data yang sudah diolah atau informasi dan membuat informasi tersedia
saat dibutuhkan . Pada intinya basis data adalah media untuk menyimpan data agar
dapat diakses dengan mudah dan cepat [8]. Untuk basis data yang digunakan dalam
Matlab yaitu berformat *.mat.
Analisis Terstruktur
Pengertian Analisis Terstruktur
Pemrograman terstruktur adalah konsep atau paradigma atau sudut pandang
pemrograman yang membagi-bagi program berdasarkan fungsi-fungsi atau
prosedur-prosedur yang dibutuhkan program komputer. Modul-modul biasanya
dibuat dengan mengelompokan fungsi-fungsi dan prosedur-prosedur yang
diperlukan sebuah proses tertentu.
Fungsi dan prosedur ditulis secara sekuensial atau terurut dari atas kebawah
sesuai dengan kebergantungan antar fungsi atau prosedur. Pemodelan pada
pemrograman terstruktur dibagi berdasarkan fungsi-fungsi dan prosedur-prosedur.
Oleh karena itu, pemodelan pada pemrograman terstruktur lebih fokus tentang
bagaimana memodelkan data dan fungsi-fungsi dan prosedur-prosedur yang harus
dibuat. Jenis paradigma pemrograman yang digunakan dapat dideteksi dari bahasa
pemrograman yang digunakan [8].

23

Perangkat Pemodelan Analisis Terstruktur
Perangkat Pemodelan Analisis Terstruktur adalah alat bantu pemodelan
yang digunakan untuk menggambarkan hasil pelaksanaan Analisis Terstruktur.
Perangkat Analisis Terstruktur antara lain adalah [8]:
1) Diagram Konteks
Diagram konteks adalah diagram yang terdiri dari suatu proses dan
menggambarkan ruang lingkup suatu sistem. Diagram konteks merupakan level
tertinggi dari DFD yang menggambarkan seluruh input ke sistem atau output
dari sistem. Ia akan memberi gambaran tentang keseluruhan sistem. Dalam
diagram konteks hanya ada satu proses. Tidak boleh ada store dalam diagram
konteks. Diagram konteks berisi gambaran umum (secara garis besar) sistem
yang akan dibuat. Secara kalimat, dapat dikatakan bahwa diagram konteks ini
berisi siapa saja yang memberi data (dan data apa saja) ke sistem, serta kepada
siapa saja informasi (dan informasi apa saja) yang harus dihasilkan sistem.
2) Diagram Aliran Data atau Data Flow Diagram (DFD)
Diagram untuk menggambarkan aliran data dalam sistem, sumber dan tujuan
data, proses yang mengolah data tersebut, dan tempat penyimpanan datanya.
Keuntungan dari diagram arus data adalah memungkinkan pengembangan
sistem dari level yang paling tinggi dan memecah menjadi level yang lebih
rendah. Beberapa simbol yang digunakan DFD adalah sebagai berikut :
a) Entitas Luar (External Entity)
Suatu yang berada diluar sistem, tetapi ia memberikan data ke dalam sistem
atau memberikan data dari sistem, disimbolkan dengan suatu kotak notasi.
External Entity tidak termasuk bagian dari sistem. Bila sistem informasi
dirancang untuk suatu bagian lain yang masih terkait menjadi external entity.
b) Proses (Process)
Proses merupakan apa yang dikerjakan oleh sistem. Proses dapat mengolah
data atau aliran data masuk menjadi aliran data keluar. Proses berfungsi
mentransformasikan suatu atau beberapa data keluaran sesuai dengan
spesifikasi yang diinginkan. Setiap proses memiliki satu atau beberapa

24

masukan serta menghasilkan satu atau beberapa data kelurahan. Proses sering
juga disebut bubble.
c) Arus Data (Data Flow)
Arus data merupakan tempat mengalirnya informasi dan digambarkan dengan
garis yang menghubungkan komponen dari sistem. Arus data ditunjukan
dengan arah panah dan garis diberi nama atas arus data yang mengalir. Arus
data ini mengalir diantara proses, data store dan menunjukan arus data dari
data yang berupa masukan untuk sistem atau hasil proses sistem.
d) Simpanan Data (Data Store)
Simpanan data merupakan tempat penyimpanaan data yang ada dalam sistem.
Data store dapat disimbolkan dengan dua garis sejajar atau dua garis dengan
salah satu sisi samping terbuka. Proses dapat mengambil data dari atau
memberikan data ke simpanan data (database).
3) Kamus Data (Data Dictionary)
Merupakan suatu tempat penyimpanan (gudang) dari data dan informasi
yang dibutuhkan oleh suatu sistem informasi. Kamus data digunakan untuk
mendeskripsikan rincian dari aliran data atau informasi yang mengalir dalam
sistem, elemen-elemen data, file maupun basis data (tempat penyimpanan)
dalam DFD.
Rekayasa Perangkat Lunak
Rekayasa perangkat lunak (software engineering) merupakan pembangunan
dengan menggunakan prinsip atau konsep rekayasa dengan tujuan menghasilkan
perangkat lunak yang bernilai ekonomi, dipercaya dan bekerja secara efisien
menggunakan mesin. Rekayasa perangkat lunak lebih fokus pada praktik
pengembangan perangkat lunak dan mengirimkan perangkat lunak yang
bermanfaat bagi pengguna. Rekayasa perangkat lunak fokus pada bagaimana
membangun perangkat lunak yang memenuhi kriteria berikut:
1. Dapat terus dipelihara setelah perangkat lunak selesai dibuat seiring
berkembangnya teknologi dan lingkungan.
2. Dapat diandalkan dengan proses bisnis yang dijalankan dan perubahan yang
terjadi.

25

3. Efisien dari segi sumber daya dan penggunaan.
4. Kemampuan untuk dipakai sesuai dengan kebutuhan.
Pekerjaan yang terkait dengan rekayasa perangkat lunak dapat dikategorikan
menjadi tiga buah kategori umum tanpa melihat area dari aplikasi, ukuran proyek
atau kompleksitas perangkat lunak yang akan dibangun, yaitu:
1. Fase Pendefinisian (Definition Phase)
Fase pendefinisian fokus pada “what” yang artinya harus mencari tahu atau
mengidentifikasi informasi apa yang harus diproses, seperti apa fungsi dan
performansi yang diinginkan, seperti apa prilaku sistem yang diinginkan, apa
kriteria validasi yang dibutuhkan untuk mendefinisikan sistem.
2. Fase Pengembangan (Development Phase)
Fase pengembangan fokus pada “how” yang artinya selama tahap
pengembangan perangkat lunak seorang perekayasa perangkat lunak (software
engineer) berusaha untuk mendefinisikan bagaimana data diinstrukturkan dan
bagaimana fungsi-fungsi yang dibutuhkan diimplementasikan, bagaimana
tampilan karakter antarmuka, bagaimana desain ditranslasikan ke dalam bahasa
pemrograman dan bagaimana pengujian dijalankan.
3. Fase Pendukung (Support Phase)
Fase pendukung fokus pada perubahan yang terasosiasi pada perbaikan
kesalahan (error), adaptasi yang dibutuhkan pada lingkungan perangkat lunak
yang terlibat dan perbaikan yang terjadi akibat perubahan kebutuhan pengguna.
Fase pendukung terdiri dari empat tipe perubahan antara lain:
a. Koreksi (Correction), yaitu pemeliharaan dengan melakukan perbaikan
terhadap kecacatan perangkat lunak.
b. Adaptasi (Adaptation), yaitu merupakan tahap untuk memodifikasi
perangkat lunak guna mengakomodasi perubahan lingkungan luar dimana
perangkat lunak dijalankan.
c. Perbaikan (Enchancement), pemeliharaan perfektif atau penyempurnaan
melakukan eksekusi atau penambahan pada kebutuhan fungsional
sebelumnya.

26

d. Pencegahan (Prevention), pencegahan atau sering disebut juga dengan
rekayasa ulang sistem (software reengineering) harus dikondisikan untuk
mempu melayani kebutuhan yang diinginkan pemakainya.
Perangkat Lunak Pendukung
Adapun perangkat lunak pendukung yang digunakan dalam implementasi
metode di aplikasi pengenalan dan identifikasi suara burung berkicau sebagai
berikut :
MATLAB
Matlab dikembangkan sebagai bahasa pemograman sekaligus alat
visualisasi, yang menawarkan banyak kemampuan untuk menyelesaikan berbagai
kasus yang berhubungan langsung dengan disiplin ilmu matematika. Matlab
dibangun dari bahasa induknya yaitu bahasa C, namun tidak dapat dikatakan
sebagai varian dari bahasa C, karena dalam sintak maupun cara kerjanya sama
sekali berbeda dari bahasa C. Namun dengan hubungan langsungnya dengan bahasa
C, Matlab memiliki kelebihan-kelebihan dari bahasa C bahkan mampu berjalan
pada semua platform Sistem Operasi tanpa mengalami perubahan sintak sama
sekali. Bahasa ini mengintegrasikan kemampuan komputasi, visualisasi dan
pemograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. Matlab
memberikan sistem interaktif yang menggunakan konsep array/matrik sebagai
standar variabel elemennya tanpa membutuhkan pendeklarasian array seperti pada
bahasa lainnya.
Matlab dikembangkan oleh MathWorks, yang pada awalnya dibuat untuk
memberikan kemudahan mengakses data matrik pada proyek LINPACK dan
EISPACK. Selanjutnya menjadi sebuah aplikasi untuk komputasi matrik. Dari sejak
awal dipergunakan, matlab memperoleh masukan ribuan pemakai. Dalam
lingkungan pendidikan ilmiah menjadi alat pemrograman standar bidang
matematika, rekayasa dan keilmuan terkait. Dan dalam lingkungan industri dapat
menjadi pilihan paling produktif untuk riset, pengembangan dan analisa [9].
Pengujian Perangkat Lunak
Pengujian perangkat lunak merupakan suatu investigasi yang dilakukan
untuk mendapatkan informasi mengenai kualitas dari produk atau layanan yang

27

sedang diuji. Pengujian perangkat lunak juga memberikan pandangan mengenai
perangkat lunak secara obyektif dan independen, yang bermanfaat dalam
operasional bisnis untuk memahami tingkat risiko pada implementasinya. Teknikteknik pengujian mencakup, namun tidak terbatas pada, proses mengeksekusi suatu
bagian program atau keseluruhan aplikasi dengan tujuan untuk menemukan “bug”
perangkat lunak. Bug merupakan suatu kesalahan desain pada suatu perangkat keras
komputer atau perangkat lunak komputer yang menyebabkan peralatan atau
program itu tidak berfungsi semestinya. Bug umumnya lebih umum dalam dunia
perangkat lunak dibandingkan dengan perangkat keras [10].
Pengujian perangkat lunak merupakan suatu tahapan penting dalam
pembangunan perangkat lunak. Pengujian dilakukan dengan cara mengevaluasi
konfigurasi perangkat lunak yang terdiri dari spesifikasi kebutuhan, deskripsi
perancangan, dan program yang dihasilkan. Hasil evaluasi kemudian dibandingkan
dengan hasil uji yang diharapkan. Jika ditemukan kesalahan, maka perbaikan
perangkat lunak harus dilakukan untuk kemudian diuji kembali.
Pengujian perangkat lunak adalah proses menjalankan dan mengevaluasi
sebuah perangkat lunak secara manual maupun otomatis untuk menguji apakah
perangkat lunak sudah memenuhi persyaratan atau belum, atau untuk menentukan
perbedaan antara hasil yang diharapkan dengan hasil sebenarnya. Peksanaan
pengujian perangkat lunak biasanya disesuaikan dengan metodologi pembangunan
perangkat lunak yang digunakan.
Pengujian dikatakan berhasil apabila pengujian yang dilakukan memiliki
probabilitas tinggi untuk menemukan kesalahan yang belum pernah ditemukan
sebelumnya.
Teknik Pengujian
Teknik pengujian yang dapat digunakan dalam menguji perangkat lunak
sebagai berikut :
a.

Pengujian White Box
Pengujian white box adalah pengujian yang didasarkan pada pengecekan

terhadap detail perancangan, menggunakan struktur kontrol dari desain program
secara procedural untuk membagi pengujian ke dalam beberapa kasus pengujian.

28

Secara sekilas dapat diambil kesimpulan white box testing merupakan petunjuk
untuk mendapatkan program yang benar secara 100%.
Penggunaan metode pengujian white box dilakukan untuk :
1) Memberikan jaminan bahwa semua jalur independen suatu modul
digunakan minimal satu kali
2) Menggunakan semua keputusan logis untuk semua kondisi true atau false
3) Mengeksekusi semua perulangan pada batasan nilai dan operasional pada
setiap kondisi.
4) Menggunakan struktur data internal untuk menjamin validitas jalur
keputusan.
Persyaratan dalam menjalankan strategi White Box Testing sebagai berikut:
1) Mendefinisikan semua alur logika
2) Membangun kasus untuk digunakan dalam pengujian
3) Mengevaluasi semua hasil pengujian
4) Melakukan pengujian secara menyeluruh
b. Pengujian Black Box :
Pengujian black box digunakan untuk menguji fungsi-fungsi khusus dari
perangkat lunak yang dirancang. Pada teknik ini, kebenaran perangkat lunak yang
diuji hanya dilihat berdasarkan keluaran yang dihasilkan dari data atau kondisi
masukan yang diberikan untuk fungsi yang ada tanpa melihat bagaimana proses
untuk mendapatkan keluaran tersebut. Dari keluaran yang dihasilkan, kemampuan
program dalam memenuhi kebutuhan pemakai dapat diukur sekaligus dapat
diiketahui kesalahan-kesalahannya.
Beberapa jenis kesalahan yang dapat diidentifikasi :
1) Fungsi tidak benar atau hilang
2) Kesalahan antar muka
3) Kesalahan pada struktur data (pengaksesan basis data)
4) Kesalahan inisialisasi dan akhir program
5) Kesalahan performasi

29

Walaupun sulit untuk menelusuri kesalahan yang mungkin didapat, teknik
pengujian black box lebih sering dipilih untuk menguji perangkat lunak karena
kemudahan dalam pelaksanaannya.

30

BAB V
KESIMPULAN DAN SARAN
Berdasarkan pembahasan analisis, perancangan, implementasi hingga tahap
pengujian maka dapat ditarik kesimpulan serta saran untuk implementasi metode
MFCC (Mel-Frequency Cepstrum Coefficients) dalam identifikasi jenis suara
burung berkicau.
Kesimpulan
Berdasarkan hasil implementasi dan pengujian yang didapat dalam
penelitian serta telah disesuaikan dengan tujuan penelitian, maka dipeloreh
kesimpulan sebagai berikut:
1. Penerapan metode MFCC (Mel-Frequency Cepstrum Coefficients) dan
klasifikasi JST SOM berhasil diimplementasikan dalam identifikasi jenis suara
burung berkicau dan didapatkan hasil akurasi sebesar 85,625% untuk kasus jenis
burung yang sama sedangkan untuk kasus jenis burung yang masing-masing
memiliki subjenis dengan karakteristik yang hampir sama dapat mendeteksi
suara dengan tingkat akurasi sebesar 48,824% sehingga dapat disimpulkan
sistem dengan menggunakan metode MFCC sebagai ekstraksi ciri dapat
mengidentifikasi jenis burung lebih baik untuk kasus jenis burung dan sample
yang sama dengan penelitian yang dilakukan sebelumnya yaitu burung perkutut,
burung kenari, burung cucak ijo dan burung cucak rawa.
Saran
Berikut adalah saran yang dapat dilakukan untuk pengembangan dari
penelitian yang telah dilakukan:
1. Mengembangkan aplikasi identifikasi jenis suara burung secara real time.
2. Menambah jumlah sample suara pelatihan dan pengujian lebih banyak agar
didapatkan hasil akurasi yang lebih optimal.
3. Menggunakan pendukung perangkat keras yang memiliki spesifikasi lebih
baik agar mendapatkan hasil yang maksimal dalam menggunakan metode

101

102

MFCC (Mel-Frequency Cepstrum Coefficients) dan Jaringan Syaraf Tiruan
Self Organizing Maps.
4. Untuk penelitian lebih lanjut dapat menggunakan metode ekstraksi ciri dan
metode klasifikasi lainnya yang dapat membedakan suara pada masingmasing sub jenis burung.

DAFTAR RIWAYAT HIDUP

A. Data Pribadi


Nama

: Fakhrizal Ahadiat



Tempat / tanggal lahir

: Bandung / 07 Januari 1993



Jenis Kelamin

: Laki-laki



Status

: Belum Menikah



Agama

: Islam



Alamat

: Jln. Muararajeun Lama No 133A/144E,
Bandung



Tlp Genggam (HP)

: +628561178932



Email

: isal_ada@yahoo.co.id

B. Pendidikan Formal


1998 – 2004

: SD Negeri 1 Ciluncat, Bandung



2004 – 2007

: SMPN 1 Soreang, Bandung



2007 – 2010

: SMKN 1 Katapang, Bandung



2010 – 2016

: Universitas Komputer Indonesia Bandung

C. Pendidikan Non-Formal


2009 – 2010

: Ganesha Operation



2014

: Android Mobile Development BeLogix

D. Pengalaman Berorganisasi


2012 – 2013

: Pengurus divisi PWTI (Pengembangan
Wawasan Teknologi Informasi) HIMA IF
UNIKOM BANDUNG



2011 – 2012

: Anggota FUNCO (Comic Community)
UNIKOM BANDUNG



2008 – 2009

: Anggota Karate Indonesia SMKN 1
Katapang

E. Kemampuan


Mampu bekerja sendiri dan berkerjasama secara tim.



Menguasai Office; Ms.Word, Ms.Excel, Ms.Power Point, Ms.Access,
Ms.Visio, Ms.Project.



Menguasai Pemograman; Bahasa C#, PHP, Java, MySQL.



PSD (Photoshop Design), CDR (Corel Draw), AI (Adobe Ilustrator).

F. Pengalaman Kerja




Bekerja di PT. Telkom Bandung
Periode

: 2009

Status

: Magang

Posisi

: Divisi IT

Bekerja di PT. Padjadjaran Mitra
Periode

: Juli 2013 – November 2013

Status

: Magang

Posisi

: Divisi IT

Demikian Riwayat Hidup ini saya buat dengan sebenar-benarnya.

Bandung, 24 Februari 2016

Fakhrizal Ahadiat

IMPLEMENTASI METODE MEL-FREQUENCY CEPSTRUM
COEFFICIENTS (MFCC) DALAM IDENTIFIKASI JENIS
SUARA BURUNG BERKICAU

SKRIPSI

Diajukan Untuk Menempuh Ujian Akhir Sarjana

FAKHRIZAL AHADIAT
10110655

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2016

DAFTAR ISI

ABSTRAK ............................................................................................................... i
ABSTRACT ............................................................................................................ ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI ........................................................................................................... v
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR TABEL ................................................................................................... x
DAFTAR SIMBOL............................................................................................... xii
DAFTAR LAMPIRAN ........................................................................................ xiv
BAB I PENDAHULUAN ...................................................................................... 1
Latar Belakang Masalah .......................................................................... 1
Identifikasi Masalah ................................................................................ 2
Maksud dan Tujuan ................................................................................. 2
Batasan Masalah...................................................................................... 3
Metodologi Penelitian ............................................................................. 3
Metode Pengumpulan Data ............................................................... 4
Metode Pembangunan Perangkat Lunak ........................................... 4
Sistematika Penulisan ............................................................................. 6
BAB II LANDASAN TEORI ................................................................................ 7
Kecerdasan Buatan .................................................................................. 7
Definisi Kecerdasan Buatan .............................................................. 7
Kecerdasan Buatan dan Kecerdasan Ilmiah ...................................... 9
Hubungan Kecerdasan Buatan Dengan Pengenalan Suara ............. 10
MFCC (Mel Frequency