Mel-Frequency Wrapping Mel-Frequency Cepstral Coefficients MFCC
matematika. Hal ini karena kemudahan dan ketersediaan dari algoritma training yang dimiliki HMM untuk memperkirakan parameter dari sebuah
model dengan data yang terbatas. Dari Hidden Markov Models, suara dianggap sebagai sinyal yang
kemudian dimodelkan. Kemudian suara yang datang akan dibandingkan dengan seluruh model yang ada dan akan melihat tingkat kecocokan yang
paling mendekati. Hidden Markov Models didefinisikan sebagai kumpulan 5
parameter yaitu N, M, A, B, π. Dengan menganggap λ = { A, B, π } maka
Hidden Markov Models mempunyai parameter tertentu yaitu N dam M. Maka dari itu, ciri-ciri dari HMM adalah :
1. Observasi diketahui tetapi urutan keadaan state tidak diketahui
sehingga disebut hidden. 2.
Observasi adalah fungsi probabilitas keadaan 3.
Perpindahan keadaan adalah bentuk probabilitas Hidden Markov sendiri memiliki parameter distribusi sebagai berikut:
1. Probabilitas Transisi
A = { a
ij
} , a
ij
= P q
t+1
= S
j
| q
t
= S
i
, 1 ≤ i , j ≤ N
Dengan syarat a
ij
≥ 0 dan
= 1 dan a
ij
= 1
2. Probabilitas Observasi
B = { b
j
k }
, b
j
k = P V
k
pada t | q
t
= S
j
1 ≤ j ≤ N , 1 ≤ k ≤ M
Distribusi keadaan awal π = { π
i
} , π
i
= P q
i
= S
j
Sedangkan terdapat dua parameter tertentu pada Hidden Markov Models yaitu N dan M.
1. N merupakan jumlah keadaan model. Dinotasikan sebagai himpunan
terbatas untuk keadaan yang mungkin adalah S = { S
1
, S
2
……S
N
} 2.
M adalah jumlah dari simbol observasi atau keadaan. Simbol observasi berhubungan dengan keluaran fisik dari sistem yang dimodelkan.
Dinotasikan sebagai himpunan terbatas untuk observasi yang mungkin adalah V = { V
1
, V
2
……V
M
} Apabila diberi nilai yang tepat untuk variabel-variabel diatas maka
Hidden Markov Models dapat digunakan untuk memberikan sekuens observasi.
O = O
1
O
2
O
3
O
4
O
5………
O
t
2.9
Dimana untuk setiap observasi O
t
adalah satu dari simbol yang ada pada V, dan T
adalah banyaknya observasi yang ada pada sekuens tersebut.
Metode Hidden Markov Models memiliki beberapa algoritma pemodelan yang akan dijelaskan dalam subbab selanjutnya.