Arsitektur Basis Data

b. Arsitektur Basis Data

Kesimpulan

Berdasarkan hasil analisis dan perancangan diatas maka dapat diambil kesimpulan sebagai berikut:

1) Berdasarkan visi dan misinya Institut Perguruan Tinggi Madiun menetapkan tujuan dan rencana strategis. Tujuan dan rencana strategis ini dijabarkan

bentuk Sistem informasi/Teknologi Informasi yang diharapkan mampu menjadi alat bantu bersaing dengan kompetitor.

dalam

2) Mengoptimalkan sumber daya internal adalah standar yang harus dipenuhi dalam perancangan sistem informasi berbasis ERP sebagai indikator aktivitas Institut Perguruan Tinggi dapat berjalan dengan baik.

3) Sistem informasi berbasis terminology ERP dapat diadopsi dalam perancangan sistem informasi perguruan tinggi.

Daftar Pustaka

[1] R. Choldun Ibnu Muh, (2006). Perancangan

Sistem Informasi Akademik dengan

Mengimplementasikan ERP. Prosiding Konferensi

Nasional Teknologi Informasi & Komunikasi

untuk Indonesia.

[2] Fachrurrozi. M,

Peningkatan

Fungsionalitas Perangkat Lunak Melalui

Restrukturisasi Data: Sistem Informasi Akademik

Fakultas Ilmu Komputer Universitas Sriwijaya. Teknik Industri, Jurnal Ilmiah Generic.

[3] Hendric Leslie Harco Warnars Spits, (2008).

Analisa Dampak Investasi Teknologi Informasi

Proyek Data Warehouse Pada Perguruan Tinggi

Swasta Dengan Metode Simple ROI , Jurnal

Informatika

[4] Samaranayake Premaratne., (2009). Business

Process Integration, Automation And Optimization

in ERP Integrated Approach Using Enhanced

Process Models . Business Process Management

Journal.

[5] Pudjadi Tri, Kristianto, Tommy Andre, (2007).

Analisis untuk Perencanaan Strategi Sistem dan

Teknologi Informasi Pada PT. RITRANS CARGO .

Seminar Nasional Aplikasi Teknologi Informasi

(SNATI), Yogyakarta.

[6] Rumapea Sri Agustina dan Surendro Kridanto,

(2007). Perencanaan Arsitektur Enterprise

Penyelenggaraan Pelayanan Terpadu Satu Pintu

(Usulan:Dinas Perijinan). Seminar Nasional

Aplikasi Teknologi Informasi (SNATI),

Yogyakarta.

[7] Pressman S Roger, (2010). Software Engineering.

McGraw-Hill, New York.

[8] Nor Fazlida Mohd Sani, Abdullah Mohd. Zin,

Sufian Idris, (2009). Analysis and Design of

Object-oriented Program Understanding System .

International Journal of Computer Science and

Network Security.

[9] Weli, (2006). Tinjauan Teoritis Tentang Migrasi

sistem Informasi Akuntasi Pendekatan Relasional

ke pendekatan Objek. Seminar Nasional Aplikasi

Teknologi Informasi (SNATI), Yogyakarta.

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

C-91

Aplikasi Pengenalan Suara Manusia

Susetyo Bagas Bhaskoro

bgsko2@yahoo.com

Abstrak

Beberapa informasi yang sering didapatkan oleh manusia biasanya melalui sebuah percakapan komunikasi. Perilaku manusia dalam berkomunikasi akan menghasilkan beberapa dasar kemampuan diantaranya: (1) proses tatap muka, mampu menganalisa sesuatu dengan sangat cepat dalam mengingat jenis suara dan identitas dari lawan bicaranya; dan (2) proses tanpa tatap muka, mampu mendengar, mengingat serta memberikan keputusan yang baik dari identitas jenis suara lawan bicaranya. Pada penelitian ini, membuat proses pengenalan dan peng-identifikasi-an yang sebelumnya dilakukan oleh manusia melalui proses pelatihan yang cepat, tepat dan mudah dengan cara berkomunikasi. Untuk saat ini prosesnya tersebut dilakukan melalui komputer, dimulai dengan proses mendapatkan ciri suara pembicara dan selanjutnya menyimpulkan hasil yang sesuai dengan data pelatihannya. Ciri yang didapatkan dari setiap pembicara tersebut adalah cepstrum, nilai dari cepstrum tersebut yang akan disimpan dan dijadikan referensi untuk setiap pembicara pada fase pelatihan dan fase pengujian. Pengujian dilakukan kepada 12 pembicara dengan jenis kelamin berbeda, dengan setiap pembicara memberikan sample suara sebanyak 20 kali. Hasil pengujian proses pengenalan suara menunjukkan keberhasilan sebesar 70% untuk pengujian Offline dan 74.167% untuk pengujian Realtime dengan banyak pengujian data masing-masing sebanyak 10 kali kepada pada setiap pembicara.

Kata kunci: Sinyal suara, framming, windowing, frontend detection, cepstrum, Fitur Ekstraksi, Fitur Referensi.

Pendahuluan

Suara yang dimiliki oleh manusia memiliki keragaman bentuk yang berbeda-beda tetapi memiliki tujuan yang sama yaitu untuk menyampaikan sebuah informasi berupa bahasa dari hasil proses penerjemahan suatu pesan yang dipikirkan secara abstrak dalam otak untuk disampaikan kepada pendengar dengan media bantu melalui suara. Sehingga, informasinya dapat dipahami dengan baik. Proses untuk pengenalan warna dan frekuensi suara dari berbagai macam suara manusia yang didengar akan direkam dan dikelompokkan melalui ingatan yang dimiliki oleh manusia. Maka, kemampuan pendengaran manusia untuk mengenali dari keberagaman macam bentuk suara sangat baik dan sedikit memiliki kesalahan untuk mengenali siapa yang memiliki warna suara tersebut. Melalui perkembangan teknologi informasi saat ini, proses

pengenalan

identifikasi

seseorang sudah dikembangkan melalui komputasi komputer, suara manusia merupakan salah satu bentuk bagian diri sendiri (biometric) yang dapat dijadikan sebagai identifikasi. Sehingga suara yang sebelumnya dapat dikenali dengan

mudah oleh manusia melalui pendengarannya, untuk saat ini proses pengenalannya itu akan dilakukan oleh komputer. Dengan penambahan kebutuhan hardware yang cukup sederhana, yaitu dengan microphone dan sound card standar. Proses pengenalan suara manusia secara umum memiliki dua buah fase, diantaranya: (i) training phase (fase Pelatihan), pada fase ini menentukan beberapa penutur yang memiliki tugas untuk memberikan sampel suaranya, sehingga sistem dapat menyimpan referensi data pelatihan suara untuk model pembicara. (ii) recognition phase (fase pengenalan), pada fase ini mencoba mencocokkan sebuah suara yang akan diuji dengan model dari penyimpanan referensi sebelumnya dan selanjutnya membuat keputusan pengenalan terhadap suara yang diujikan. Jika digambarkan dalam blok diagram seperti gambar berikut :

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

suara Fase Pelatihan

Speech

Phase Testing

Data Comparison Extraction

Model suara

Data

suara

Fase Pengenalan

hasil

Input Reference

get / set

data Gambar 1. Blok Diagram Pengenalan Suara

Data

Reference

Sinyal suara adalah sinyal yang dihasilkan oleh suara

System Decision

manusia dan mempunyai nilai besaran frekuensi untuk setiap sinyal suara. Sinyal suara inilah yang akan

dijadikan fitur suara, dan akan diambil nilainya untuk

Speaker dijadikan parameter dasar pada codebook. recognition

Sinyal suara satu orang dalam fase pelatihan dan fase Gambar 2. Desain Sistem pengenalan dapat menjadi sebuah beban yang besar dalam mencocokkannya, karena dapat terjadi perbedaan

Data Extraction, pada blok diagram ini berfungsi untuk yang besar terhadap suara ketika waktu pelatihan dan

mencari nilai-nilai fitur dari suara yang dapat dijadikan pengenalan. Terdapat sebuah fakta, bahwa suara manusia

nilai pembanding untuk suara satu dengan suara lainnya. berubah sesuai dengan waktu, kondisi kesehatan (sakit

Data Reference, pada blok diagram ini berfungsi untuk demam), keadaan sekitar (noise) dan media perekaman

media penyimpanan fitur-fitur suara yang sudah di- yang digunakan. Hal-hal seperti itulah yang memberikan

training .

tantangan dalam teknologi pengenalan penutur, agar Data Comparison, pada blok diagram ini berfungsi dapat mengurangi kesalahan dalam

sebagai proses matching (pencocokan) terhadap fitur keputusan pengenalan terhadap suara manusia.

memberikan

suara yang sudah disimpan dengan fitur suara yang akan Dalam proses penyelesaian pengenalan suara dapat

diuji-cobakan.

diterangkan ke dalam langkah berikut: System Decision, pada blok diagram ini berfungsi sebagai

1. Perekaman suara atau ucapan; pengambil keputusan terhadap data suara yang sudah di

2. Preprocessing; cocokkan pada blok diagram sebelumnya, sehingga dapat

3. Blocking windowing (membagi-bagi sinyal kedalam mengidentifikasi bahwa fitur suara cocok dengan suara frame dan mengurangi diskontinuitas);

yang di uji-cobakan.

4. Menyaring (masing-masing frame, window, Blok diagram secara keseluruhan dari proses pengerjaan frequency );

sistem, yang merupakan penjabaran proses dari blok

5. Perbandingan dan

diagram diatas adalah seperti berikut: ucapan);

Mencocokkan

(mengenali

6. Keputusan (mengambil kesimpulan)

Blok Diagram Systems

Pada perancangan dan pembuatan, pengerjaannya mengikuti sebuah alur blok diagram yang dibangun dan dijadikan bahan acuan secara keseluruhan untuk menyelesaikan permasalahan pada proyek akhir ini. Alur blok diagram sebagai berikut:

Gambar 3. Desain Sistem Keseluruhan

C-92

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

Preprocessing

Sebelum masuk kedalam pengambilan ciri terdapat sebuah proses sebelumnya yaitu preprocessing, proses ini digunakan untuk menghasilkan sebuah sinyal keluaran suara yang memiliki nilai merata dalam jumlah sinyal yang sama. Pada preprocessing ini terdapat beberapa proses didalamnya, yaitu: (i) recording, (ii) sampling, (iii) frontend detection, (iv) normalisasi. (1) Recording , Perekaman suara dilakukan pada kecepatan 8000Hz dengan resolusi (tingkat kuantisasi) 8

Gambar 4. Blok diagram MFCC bit (1 byte) artinya dalam waktu satu detik didapatkan

data sebanyak 8000 byte, channel Stereo, lama merekam

pengerjaannya terdapat beberapa suara adalah 1 second dan disimpan dengan ekstensi

Proses

dalam

penjabaran dari blok diagram aslinya, yaitu sedikit .wav; (2) Sampling, mengikuti penghitungan maka

perbedaan pada proses blok diagram didalamnya, namun dihasilkan

hasil yang diperoleh tetap sama yaitu ciri nilai berupa cepstrum.

Cepstrum fs ≥ tersebut dalam Pengertian menurut Alan V. 2 × f max ≈ 8000Hz ≥ 2 × 3400Hz ( ) (1)

Oppenheim dibukunya Digital Signal Processing berasal Dimana:

f dari paper yang diterbitkan oleh boger et al. yang

= 8000Hz melakukan observasi tentang logaritma pada power

f max = 3400Hz (2 x 3400Hz = 6800Hz) ; spectrum sinyal mengandung suatu gema yang mempunyai suatu nilai komponen tambahan secara

(3) Frontend Detection , digunakan untuk mengambil berkala dalam kaitan dengan gema, dan dengan begitu data sinyal suara yang berisi voiced dari sinyal ucapan.

transformasi fourier pada logaritma power spectrum Sehingga penggunaan frontend detection ini untuk

memperlihatkan suatu puncak di penundaan gema. memisahkan sinyal noise dengan sinyal yang berisi data

Fungsi ini mereka istilahkan sebagai cepstrum, yang penting berupa ucapan tersebut. Biasanya dalam

merupakan bentuk kata penafsiran dari spectrum, karena pengucapan terdapat sinyal silent (noise), pada awal dan

secara umum, kita temukan sinyal beroperasi pada sisi akhir dari ucapan, untuk menghilangkan sinyal yang

frekuensi dalam cara-cara yang biasa pada sisi waktunya silent (noise) tersebut, maka penggunaan proses frontend

dan sebaliknya [2] .

detection sangat membantu; (4) Normalisasi, yang

merupakan suatu bentuk dilakukan disini dibagi menjadi dua buah bagian,

proses perhitungan, contoh diantaranya (i) normalisasi panjang data, normalisasi ini

penyerdehanaan dari

pemrosesan sinyal untuk bertujuan untuk menambahkan jumlah data hingga

penerapannya

adalah

mendapatkan nilai ciri suara, maka suara tersebut harus mencapai jumlah yang sudah ditentukan. (ii) normalisasi

melalui proses pemfilteran, FFT adalah salah satu filter amplitudo, normalisasi ini bertujuan untuk menyamakan

yang dapat digunakan untuk mendapatkan nilai ciri suara jarak dekat atau jauhnya mulut dengan microphone pada

tersebut. Tetapi hasil dari FFT tersebut adalah nilai saat pengucapan.

dalam bentuk non-linear, penjelasan istilah diatas adalah penyerdehanaan dari bentuk non-linear menjadi bentuk

Ekstraksi Ciri

dalam linear.

Pada penelitian ini, proses ekstraksi ciri sinyal suara Penerapan cepstrum dapat dilihat melalui gambar dilakukan dengan menggunakan metode mel-frequency

dibawah ini:

cepstrum coefficients (mfcc) yang akan menghasilkan

X R (e jw ) metode yang digunakan dalam bidang pengolahan suara

nilai ciri berupa cepstrum. MFCC merupakan salah satu

X(e jw )

x(n)

C(n

baik itu pada pengenalan suara maupun pengenalan

Invers pembicara. Metode ini memiliki tujuan utama yaitu untuk

Fourier

Log |

e menirukan perilaku pendengaran manusia dan digunakan

transfo

untuk melakukan ekstraksi ciri, sebuah proses yang

mengkonversikan dari sinyal suara menjadi beberapa

parameter [1] . Blok diagram dari ekstraksi ciri suara

X R (e jw ) = log | menggunakan metode mfcc adalah sebagai berikut: jw

Gambar 5. Penerapan Cepstrum [2]

C-93

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

Berkaitan dengan pengerjaan yang berbeda dari bentuk hal ini sangatlah menguntungkan karena data pada blok diagram mfcc tersebut, hal ini didalam digital signal

domain frekuensi dapat diproses dengan lebih processing (DSP) disebut dengan proses homomorphic,

mudah dibandingkan data pada domain waktu, yang berarti struktur yang sama. ”Dalam sains dan teknik

karena pada domain frekuensi, keras lemahnya itu biasa digunakan untuk menemukan sinyal yang sulit

untuk dipahami atau dianalisa. Strategi homomorphic suara tidak seberapa berpengaruh. Persamaan

proses ini adalah untuk mengkonversi situasi yang sulit matematika yang digunakan adalah:

untuk dikendalikan menjadi linear sistem konvensional,

kn

kn

dimana teknik analisis yang lebih baik dipahami ”.

(2) Blok diagramnya untuk melakukan ekstraksi ciri sinyal

suara seperti:

Cepstrum

Speech S(.) Cepstral Coefficients (cepstrum) merupakan hasil utama signal

dari proses pengambilan ekstraksi ciri sinyal wicara ini. Frame

FF Proses mendapatkan nilai cepstrum ini harus melewati blocking

windowin

beberapa urutan blok diagram sebelumnya yaitu dari

spectru

proses FFT yang menghasilkan spectrum harus di-invers dahulu untuk mengubah sinyal suara dari domain

C(.) frekuensi menjadi domain waktu, dan nilai cepstrum itu cepstru

dihasilkan dari nilai invers proses spectrum. Pada m

IFF

|log

pengujian analisa ini mengambil 8 buah data yang dapat mewakili seluruh data. Banyak nilai 8 buah data inilah

Gambar 6. Blok Diagram Ekstraksi Ciri Sinyal yang nantinya dipakai sebagai fitur yang dapat mempresentasikan masing–masing frame. Setelah itu

Frame Blocking

data dari nilai cepstrum yang berupa numerik ini proses pembagian suara menjadi beberapa frame yang

disimpan dalam codebook untuk dijadikan penghitungan nantinya dapat memudahkan dalam perhitungan dan

panjang jarak suara.

analisa suara, satu frame terdiri dari beberapa sampel tergantung tiap berapa detik suara akan disampel dan

Vector Quantization

berapa besar frekuensi samplingnya. Hasil dari frame Setelah mendapatkan ciri fitur suara yang melewati blocking merupakan sinyal terpotong yang discontinue.

proses pelatihan, maka langkah selanjutnya adalah Pengambilan sampel pada proyek akhir ini dilakukan

melakukan pembandingan suara yang sudah dimiliki setiap 20ms, dan frekuensi sampling yang digunakan

nilainya dengan suara baru yang akan diujikan, hingga sebesar 8000Hz, sedangkan lama rekam selama 1 detik.

dapat disimpulkan bahwa suara ini adalah cocok untuk Jumlah frame yang dihasilkan sebanyak 98 buah, dengan

nilai yang disimpan.

jumlah data setiap frame sebanyak 160 data. Vector Quantization (kuantisasi vektor) adalah proses untuk memetakan vektor dari ruang vektor yang sangat

Windowing

luas, menjadi jumlah terbatas didaerah ruang vektor. Windowing digunakan untuk menghilangkan

Masing-masing daerah disebut dengan kluster dan dapat discontinue, s direpresentasikan oleh pusatnya yang disebut codeword. alah satu cara untuk menghindari Kumpulan dari codeword adalah codebook.

discontinue adalah dengan cara sinyal yang Kuantisasi vektor merupakan strategi pelatihan tanpa terpotong discontinue tersebut dikalikan dengan supervised (tidak ada “guru” yang mengarahkan proses

fungsi window agar menjadi sinyal yang continue. pelatihan), hal ini tepat digunakan dalam pengenalan Fungsi windowing yang digunakan dalam penelitian

pola. Dalam fase pengenalan ini, membandingkan ini adalah window hamming karena fungsi hamming

penghitungan nilai jarak distorsi masukan suara dari dapat membuat data pada awal frame dan akhir

pembicara yang tidak dikenal dengan menggunakan frame mendekati nilai 0 dengan baik.

masing-masing codebook yang dilatih. Pembicara dengan nilai distorsi terkecil dari nilai codebook maka akan di

FFT

identifikasi sebagai pembicaranya. Pada umumnya sebuah sinyal suara diperlihatkan

pada domain waktu untuk itu kita memerlukan

Euclidean Distance

algoritma Fast Fourier Transform (FFT) untuk Untuk proses identifikasinya yaitu dengan pengukuran jarak distorsi dari dua buah kumpulan vektor yang

mengubah sinyal suara dari domain waktu menjadi berdasarkan jarak minimum pengukuran jarak. Jarak domain frekuensi. Untuk pemrosesan sinyal suara,

C-94

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

euclidean adalah jarak antar dua titik yang akan diukur /bagas/, data referensi yang dimiliki adalah beberapa pola dengan suatu aturan, yang dapat dibuktikan oleh aplikasi

kata dan beberapa pengucap, maka nilainya tersebut akan teorema phythagorean. Persamaan yang digunakan untuk

dibandingkan setiap data.

menghitung jarak euclidean dapat didefinisikan dengan Setelah semua fitur suara didapatkan, maka langkah jarak

antara dua titik:

A =(a 1 ,a 2 ,a 3 ,...,a n )

dan

selanjutnya adalah membandingkan dengan nilai suara

B =(b 1 ,b 2 ,b 3 ,...,b n ). baru sebagai masukan untuk mengenali bahwa suara

2 2 2 2 ( yang dimasukkan tersebut apakah ada didalam nilai fitur

a 1 − b 1 ) + ( a 2 − b 2 ) + ( a 3 − b 3 ) + ... + ( a n − b n ) suara yang tersimpan, pengujiannya akan memiliki dua

buah perbedaan. Seperti: (i) Pengujian terhadap file suara

i − b i ) yang telah direkam sebelumnya dan (ii) File suara yang (3)

diujikan secara Realtime oleh pengucap yang terdaftar .

Fitur Ekstraksi

Pengenalan Suara

Setelah melewati beberapa langkah blok diagram diatas Pada proses ini melakukan pengujian masukan suara baru pada proses ekstraksi ciri suara, maka akan menghasilkan

dengan membandingkannya dengan fitur suara yang beberapa fitur atau yang dinamakan dengan feature

sudah tersimpan sebelumnya. Proses membandingkannya vector . Langkah selanjutnya adalah menyimpan nilai ciri

adalah sama seperti proses ekstraksi ciri yaitu tersebut kedalam database. Database yang digunakan

mendapatkan nilai cepstrum yang dijadikan fitur untuk pada tugas akhir ini adalah penyimpanan pada aplikasi

suara baru tetapi fitur ini tidak disimpan kedalam notepad. Sehinga semua nilai fitur disimpan pada

database . Selanjutnya fitur suara yang baru tersebut aplikasi yang memiliki ekstensi *.txt tersebut.

dibandingkan dengan masing-masing fitur suara yang Setelah ditentukan mengambil 20 buah file suara, maka

sudah tersimpan.

setiap file suara tersebut akan melewati proses ekstraksi Tahap-tahap untuk proses pengenalan suara dapat terlihat ciri dan menghasilkan sebuah ciri fitur. Karena file suara

pada blok diagram dibawah ini:

yang diambil berjumlah 20, maka akan menghasilkan 20

buah file ciri fitur pula. Hasil ekstraksi file fitur ciri tersebut langsung disimpan kedalam database dan nilai tersebut dijadikan feature vector untuk jenis suara dengan pola kata yang ditentukan. Jumlah pola kata yang digunakan sebanyak 1 buah, dan jumlah pengucap adalah sebanyak 12 orang dengan pembagian jenis kelamin menjadi 6 untuk jenis kelamin pria dan 6 lainnya untuk jenis kelamin wanita. Sehingga jumlah keseluruhan file yang dijadikan feature vector sebanyak 20*(6+6)=240 buah file Susunan pada setiap file akan berisi didalamnya seperti: identitas dari pembicara, yang dimasukkan secara otomatis menggunakan fungsi, bersamaan dengan nilai fitur cepstrum tersebut. Jumlah nilai cepstrum yang diambil adalah sebanyak 8 sedangkan banyak frame yang digunakan adalah sebanyak 98 frame, sehingga banyak keseluruhan fitur dari sebuah pola kata suara adalah 98 x

8 = 784 data fitur yang tersimpan pada sebuah file fitur

suara.

Keseluruhan pola kata yang direkam akan mendapatkan Gambar 7. Blok Diagram Ekstraksi Ciri Suara data nilai sama seperti hasil diatas, jumlah datanya

sebanyak 784 data untuk setiap pola katanya. Data-data Cara kerja dari proses ini adalah sebagai berikut, sinyal nilai yang dihasilkan tersebut akan dibandingkan dengan

suara yang baru saja dimasukkan atau suara yang ingin nilai data lainnya untuk didapatkan sebuah keputusan

diuji akan melewati proses sama seperti pada waktu bahwa data nilai tersebut sama dengan data yang sudah

mendapatkan fitur ciri dari suara, setelah didapatkan hasil tersimpan di media penyimpanan tersebut.

nilai fitur cepstrum, nilai tersebut tidak disimpan menjadi Sebagai contoh gambaran, sebuah suara yang diuji

feature vector tetapi langsung dibandingkan dengan nilai cobakan dengan beberapa referensi data suara yang

fitur yang sudah tersimpan.

dimiliki adalah sebagai berikut: pola kata yang akan

diujicobakan adalah /quran/ dengan pengucap bernama

C-95

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

Tabel dibawah ini adalah data terhadap keseluruhan pembicara yang diujikan suaranya secara Offline, hasil pengenalannya dan kegagalannya serta jarak nilai

diketahui dengan

1 2 … … 9 atu 9 Fitur jelas.Pengujiannya dengan cara setiap pembicara akan

Data suara

diujikan file suaranya yang sudah tersimpan sebanyak 10 file . Data pengujian tersebut, hasilnya seperti berikut:

Index

Data Ke

94 95 96 97 98 Tabel. 1 Pengujian Offline

b Nama

Dikenali

Tidak Persentase

c Dikenali

d Pria 1

e Pria 2

f Pria 3

8 2 80% Gambar 8. Feature Vector

7 3 70% Cara kerjanya adalah pada kolom pengujian, nilai yang

Pria 6

6 4 60% dimiliki tersebut akan dibandingkan satu demi satu

Wanita 1

6 4 60% kedalam kolom referensi data suara yang sudah dimiliki.

Wanita 2

6 4 60% Jika sudah dibandingkan semua data, maka setiap kolom

Wanita 3

5 5 50% pada referensi data suara tersebut akan menghasilkan

Wanita 4

9 1 90% sebuah nilai yang menggambarkan nilai jarak antara

Wanita 5

7 3 70% kedua buah suara yang diujikan.

Wanita 6

Proses ini akan digunakan pada keseluruhan pengujian,

Hasil

yaitu pengujian secara Offline dan pengujian secara Realtime , hanya saja

pengujian secara Offline

Hasil nilai data yang didapatkan secara keseluruhan pada sebelumnya harus memasukkan file suara yang sudah tabel diatas, maka akan menghasilkan nilai prosentase direkam dan disimpan untuk digunakan pada kolom keberhasilan dari pengujian suara pembicara secara pengujian file. Sedangkan pengujian Realtime adalah

masukkan suaranya belum dimiliki atau belum Offline. Jumlah file suara yang diujikan sebanyak 120 mempunyai

buah, dari 12 pembicara dan setiap pembicara diujikan dimasukkan pada file pengujian tersebut adalah nilai dari

file suara

sebelumnya,

nilai yang

sebanyak 10 file. Maka, nilai yang didapatkan adalah: suara yang melakukan perekaman pada saat aplikasi

tersebut digunakan.

Nilai-nilai yang tersimpan di dalam database tersebut

akan dipanggil kembali dan dimasukkan kedalam vektor

ciri. Jumlah vektor ciri tersebut tergantung dari jumlah

Data Pengujian Realtime

fitur yang tersimpan didalam database, dan proses Pada pengujian Realtime ini, proses pengujiannya yaitu membandingkannya adalah fitur sinyal masukan baru

dengan mengisikan suara pembicara secara langsung akan dibandingkan satu-persatu dengan fitur yang

kedalam aplikasi pengenalan suara ini, suara yang tersimpan didalam database. Sehingga jika digambarkan diujikan tersebut disesuaikan dengan intonasi dari setiap

secara visual, maka feature vector tersebut akan seperti pembicara. Hasilnya tersebut akan menampilkan identitas kumpulan nilai-nilai dalam bentuk matriks yang memiliki

dari pembicara yang melakukan pengujian data tersebut. panjang data sama. Setelah semua data terbentuk seperti

Tabel dibawah ini adalah data terhadap keseluruhan gambar

pembicara yang diujikan suaranya secara Realtime, data membandingkan

diatas, langkah

selanjutnya

adalah

nilai menggunakan penghitungan pengujian tersebut, hasilnya seperti berikut: Euclidean distance yaitu mencari nilai minimum dari

proses perhitungan,

menggunakan

teorema

phythagorean. Hasil pengujian akan tampak seperti pada tabel dibawah ini:

Data Pengujian Offline

C-96

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

pengujian, hasil jarak minimal akan menunjukkan identitas pembicara;

4. Proses pengerjaan pengenalan suara secara garis Tabel. 2 Pengujian Realtime

besar terbagi menjadi tiga buah bagian, diantaranya: (i) Perekaman suara, (ii) Ekstraksi ciri suara,

Nama Dikenali

Tidak

Persentase

ekstraksi ciri suara ini menggunakan metode MFCC

yang akan menghasilkan nilai keluaran berupa Pria 1

Dikenali

cepstrum, nilai tersebut yang akan dijadikan data Pria 2

referensi dari sebuah file suara; dan (iii) Pengenalan Pria 3

suara, setelah memiliki beberapa data fitur dari hasil Pria 4

proses selanjutnya akan Pria 5

data tersebut menjadi Pria 6

mengelompokkan ciri

kumpulan data pada kelompoknya masing-masing Wanita 1

(proses VQ). Data yang dikelompokkan tersebut Wanita 2

pembandingan jaraknya Wanita 3

akan dihitung

nilai

menggunakan algoritma euclidean distance, hasil Wanita 4

akhirnya adalah nilai terpendek dari proses Wanita 5

pembandingan diasumsikan sebagai file suara Wanita 6

5. Kondisi lingkungan disekitar microphone pembicara, akan berpengaruh pada hasil pengambilan sampel

Hasil

suara. Karena akan menghasilkan sinyal-sinyal noise yang dapat mengganggu dalam pengolahan sinyal

Hasil nilai data yang didapatkan secara keseluruhan pada

suara tersebut;

tabel diatas, maka akan menghasilkan nilai prosentase

dalam perekaman perlu keberhasilan dari pengujian suara pembicara secara

6. Jumlah

pembicara

dipertimbangkan, semakin banyak orang yang akan Realtime. Jumlah file suara yang diujikan sebanyak 120

diuji-cobakan, maka akan dibutuhkan sampel suara buah, dari 12 pembicara dan setiap pembicara diujikan

yang banyak pula untuk satu orang. Waktu yang sebanyak 10 suara. Maka, nilai yang didapatkan adalah :

dihasilkan juga cukup lama jika jumlah sampel diperbanyak, untuk menghasilkan keluaran berupa

keputusan pembicara; × 100 % = 74.167 % 7. Pengucapan dalam perekaman suara sebaiknya

diucapkan dengan nada yang datar atau netral, sehingga tidak mempersulit peng-ekstraksi-an ciri

Kesimpulan suara tersebut. Pengucapan dengan intonasi yang

memperkecil tingkat bab-bab sebelumnya seperti latar belakang, teori

Berdasarkan beberapa hal yang telah dijelaskan pada

berbeda-beda,

akan

keberhasilan pengenalan suara, meskipun diucapkan penunjang, perancangan pembuatan sistem dan analisa

oleh pembicara yang sama;

pengujian sistem, maka dapat diberikan beberapa

8. Tingkat keberhasilan pada saat pengenalan suara kesimpulan sebagai berikut:

secara offline adalah sebesar 70% untuk pengujian

1. Cara membuat model suara yaitu dengan cara sebanyak 10 kali dan pengenalan suara secara merekam suara dari setiap pembicara yang akan

realtime adalah sebesat 74.167% untuk pengujian dijadikan bahan sampel masukan suara dan dalam

sebanyak 10 kali.

perekamannya akan

pengulangan untuk menambah fitur yang dibutuhkan. Karena suara pada setiap orang pasti memiliki ciri atau

Daftar Pustaka

fitur tersendiri, perbedaan suara tersebut dibedakan

dengan nilai frekuensi dari suaranya; http://www.ifp.uiuc.edu/~minhdo/teaching/speaker_re

2. Cara mendapatkan nilai ciri suara dari manusia

cognition

dapat menggunakan nilai cepstrum. Nilai tersebut [2] Oppenheim, Alan V. dan Ronald W. Schafer. 1994. dihasilkan dari beberapa jumlah frame dan nilai cepstrum

Digital Signal Processing . Prentice-Hall. Englewood yang digunakan;

Cliffs, New Jersey.

3. Cara mengidentifikasi suara manusia yang [3] http://www.dspguide.com/ . The scientific and sudah

engineer’s guide to digital signal processing by penghitungan jarak, antara referensi suara yang sudah

direkam sebelumnya

dengan

melakukan

Steven W. Smith, Ph.D.

dimiliki dengan suara baru yang akan dijadikan suara

C-97

Seminar Nasional Teknoin 2011 ISBN 978-979-96964-8-9

http://www.telecom.tuc.gr/~ntsourak/tutorial_sr.htm [5] _____,.(2008). http://www.willamette.edu/~gorr/classes/competitive. html

[6] _____,.(2008). http://svr-www.eng.cam.ac.uk/comp.speech/ [7] _____, 2009. http://www.mathworks.com/ [8] Buono, Agus dan Benyamin Kusumoputro.

Pengembangan Model HMM Berbasis maksimum lokal menggunakan jarak Euclid untuk Sistem Identifikasi Pembicara. Prosiding Of Seminar Conference On Computer Science And Information Technology Universitas Indonesia, 29-30 2007.

[9] Basuki, Ahmad, Miftahul Huda, Tria Silvie Amalia.

Paper Aplikasi Pengolahan Suara Untuk Request

Lagu. Teknologi Informasi - Teknik Telekomunikasi: PENS-ITS. [10] Hanselman, Duane dan Bruce Littlefield. 1997. Matlab

Teknis. Andi: Yogyakarta. [11] Huda, Miftahul dan Tri Budi Santoso. Praktikum

Bahasa

Komputasi

Sinyal dan Sistem . Diktat Kuliah Sinyal Sistem. Surabaya: PENS-ITS. 2008.

[12] Mustofa, Ali. Paper Sistem Pengenalan Penutur

dengan Metode Mel-Frequency Wrapping. Teknik Elektro: Universitas Brawijaya.

[13] Paulus, Erick, S.Si, M.Kom. dan Yessica Nataliani,

S.Si., M.Kom. 2007. GUI Matlab. Andi:Yogyakarta. [14] Proakis, John G. dan Dimitris G. Manolakis. 1992.

Digital Signal Processing Principles, Algorithms, and Applications. Macmillan, New York.

[15] Sugiharto, Aris. 2006. Pemrograman GUI dengan Matlab. Andi: Yogyakarta.

C-98

Manajemen Risiko Teknologi Informasi Menggunakan Framework ISO 31000:2009

Tati Ernawati

Program Magister Teknologi Informasi, Program Studi Informatika Sekolah Teknik Elektro dan Informatika (STEI), Institut Teknologi Bandung Jalan Ganesha 10 Bandung E-mail: tatiernawati@yahoo.com

Abstrak

Pemanfaatan Teknologi Informasi (TI) pada suatu perusahaan, dalam implementasinya selain mendapatkan manfaat dari TI tentu akan diimbangi dengan berbagai risiko (Information Technology Risk) yang dapat mempengaruhi pencapaian sasaran perusahaan. Mengingat bahwa TI merupakan aset penting maka harus dikelola secara efektif guna memaksimalkan efektivitas penggunaannya dan agar risiko terkait dari teknologi yang diimplementasikan dapat dimitigasi. Manajemen risiko dapat memberikan pertimbangan secara terstruktur dengan memperhatikan segala bentuk ketidakpastian dalam pengambilan keputusan dan tindakan yang harus diambil guna menangani berbagai risiko tersebut. Prinsip Enterprise Risk Management (ERM) adalah sebagai tool untuk membantu perusahaan dalam mengelola dan memitigasi risiko. Paper ini menyajikan sebuah studi kasus tentang permasalahan terkait TI yang terjadi pada perusahaan di sektor industri layanan telekomunikasi, analisis dilakukan dengan menggunakan framework ISO 31000:2009. Framework ini mempertimbangkan risiko TI sebagai bagian integral dari kerangka risiko perusahaan. Penelitian ini menggunakan data sekunder dari laporan tahunan dan situs perusahaan yang akan diteliti.

Kata Kunci : Teknologi Informasi, Information Technology Risk, Enterprise Risk Management (ERM), framework, ISO 31000:2009

dan diadaptasi diberbagai jenis perusahaan, grup atau

individu. ISO 31000:2009 menyediakan panduan Pemanfaatan Teknologi Informasi (TI) pada suatu

Pendahuluan

dalam mendesain, implementasi dan memelihara perusahaan, dalam implementasinya selain mendapatkan

proses pengelolaan risiko didalam sebuah organisasi. manfaat dari TI tentu akan diimbangi dengan berbagai

risiko (Information Technology Risk) yang dapat TI memberikan kontribusi terhadap pengelolaan mempengaruhi

elemen penting dalam ERM (risiko keuangan, risiko Mengingat bahwa TI merupakan aset penting maka harus

operasional dan risiko strategis). Sebagaimana ISO dikelola secara efektif guna memaksimalkan efektivitas

31000:2009 ini biasa diterapkan pada berbagai level penggunaannya dan agar risiko terkait dari teknologi

maka ISO ini pun dapat diterapkan pada bidang TI. yang diimplementasikan dapat dimitigasi.

Paper ini menyajikan sebuah studi kasus tentang Manajemen risiko dapat memberikan pertimbangan

permasalahan manajemen risiko terkait TI yang secara terstruktur dengan memperhatikan segala bentuk

terjadi pada perusahaan disektor industri layanan ketidakpastian dalam pengambilan keputusan dan

telekomunikasi. Dalam studi kasus ini dipilih PT. tindakan yang harus diambil guna menangani berbagai

Indosat, Tbk sebagai perusahaan yang dianalisis. risiko tersebut. Prinsip Enterprise Risk Management

Tool analisis dilakukan dengan menggunakan (ERM) adalah sebagai tool untuk membantu perusahaan

framework ISO 31000:2009. Penelitian ini dalam mengelola dan memitigasi risiko.

menggunakan data sekunder dari laporan tahunan, situs perusahaan dan situs lainnya yang terkait.

Pada bulan November tahun 2009,

organisasi

standarisasi internasional (ISO) yang berpusat di Jenewa

Enterprise Risk Management (ERM)

telah mengeluarkan framework standar untuk mengelola

a. Konsep ERM

risiko (ISO 31000:2009) berjudul “Risk Management- ERM adalah suatu proses, dipengaruhi oleh entitas Principles and Guidelines on Implementation ”. Standar

dewan direksi, manajemen dan personel lain, diaplikasikan dalam penetapan strategi di dalam dewan direksi, manajemen dan personel lain, diaplikasikan dalam penetapan strategi di dalam

praktik yang merupakan cara pandang secara realitas yang diharapkan, memberikan jaminan yang masuk akal

terhadap pencapaian tujuan dari entitas [2]. Dalam mendefinisikan manajemen terdapat berbagai Manajemen risiko enterprise mencakup [2]:

pendapat, dilihat dari literatur yang ada definisi •

Menyelaraskan risiko keinginan dan strategi manajemen dapat dilihat dari tiga definisi yaitu (a) •

Mengubah keputusan respon adanya risiko Manajemen sebagai suatu proses; (b) Manajemen •

Mengurangi operasional dan kerugian tak terduga sebagai suatu kolektivitas manuasia; dan (c) •

Identifikasi dan mengelola risiko perusahaan Manajemen sebagai ilmu dan seni [5]. •

Menyediakan respon yang terintegrasi terhadap

berbagai jenis risiko

Risiko

sebagai pengaruh dari ketidakpastian terhadap sasaran/tujuan (objectives)

didefinisikan

• Meraih peluang •

Meningkatkan penempatan modal [6]. Sedangkan Deloitte mendefinisikan risiko sebagai potensi kerugian yang disebabkan oleh suatu

Empat jenis risiko yang dijabarkan dalam ERM [3]: peristiwa (atau serangkaian peristiwa) yang dapat

Risiko bahaya (Hazard Risks): mempengaruhi pencapaian tujuan perusahaan [7].

a. Kebakaran dan kerusakan harta benda lainnya

b. Bencana alam Risiko TI adalah risiko bisnis yang berkaitan erat

c.

kepemilikan, Pencurian dan kejahatan lainnya serta cedera operasional, pada seseorang

dengan penggunaan,

keterlibatan, pengaruh dan adopsi TI didalam

perusahaan [8]. Interupsi bisnis

d.

e. Penyakit dan kecacatan

f. Kewajiban klaim Manajemen risiko (risk management) adalah upaya

2. Risiko keuangan (Financial Risks) terkoordinasi untuk mengarahkan dan mengendalikan

a. Harga (misalnya nilai aset, suku bunga, valuta kegiatan-kegiatan organisasi terkait risiko. Dalam asing, komoditas)

operasional perusahaan untuk mengurangi berbagai

b. Likuiditas (misalnya arus kas, risiko panggilan, kerugian yang diakibatkan oleh kesalahan prosedur biaya oportunitas)

dalam yang tidak disengaja, dan untuk menetapkan

c. Kredit sebuah standar operasional dalam sebuah perusahaan

d. Inflasi/daya beli diperlukan sebuah kerangka kerja manajemen risiko

3. Risiko operasional (Operational Risks) [6]. Manajemen risiko juga didefinisikan sebagai

a. Operasi bisnis (misalnya sumber daya manusia, proses mengidentifikasi risiko, menganalisis dan pengembangan produk, kapasitas, efisiensi,

menilai risiko, dan mengambil langkah-langkah kegagalan produk/jasa, channel management,

untuk mengurangi risiko ke tingkat yang dapat manajemen rantai suplai)

diterima [9].

b. Pemberdayaan

(misalnya

kepemimpinan,

kesiapan terhadap perubahan) Manajemen risiko TI adalah penerapan manajemen

c. Teknologi informasi (misalnya relevansi, risiko dengan konteks teknologi informasi untuk availability )

mengelola risiko TI. Manajemen risiko TI dapat

d. Informasi/bisnis dianggap sebagai komponen dari suatu sistem pelaporan (misalnya penganggaran dan perencanaan, informasi

manajemen risiko yang lebih luas Enterprise [8]. akuntansi, dana pensiun, evaluasi investasi,

perpajakan) Berdasarkan definisi yang telah dijabarkan di atas dapat

diambil kesimpulan bahwa framework

4. Risiko strategis (Strategic Risks) manajemen risiko merupakan seperangkat komponen

a. Merusak reputasi (misalnya penurunan merek yang memberikan landasan dan kerangka kerja untuk dagang/merek, penipuan,

merencanakan, menerapkan, memonitor, review dan menguntungkan)

publisitas

tidak

secara berkelanjutan memperbaiki proses manajemen

b. Persaingan risiko pada seluruh bagian organisasi [6]. Yang

c. Keinginan pelanggan dimaksudkan sebagai landasan adalah kebijakan,

d. Demografi dan kecenderungan sosial/ budaya sasaran, mandat dan komitmen manajemen risiko.

e. Inovasi teknologi Kerangka kerja manajemen risiko menyatu dalam

f. Ketersediaan modal kebijakan strategis, operasional dan praktik-praktik

g. Peraturan dan tren politik organisasi.

b.

risiko TI Konsep Framework Manajemen Risiko TI merupakan

Framework manajemen

Menurut The American Heritage Dictionary of the kerangka kerja yang didasarkan pada seperangkat prinsip-prinsip penuntun untuk manajemen risiko TI Menurut The American Heritage Dictionary of the kerangka kerja yang didasarkan pada seperangkat prinsip-prinsip penuntun untuk manajemen risiko TI

mengelola risiko TI [8]. Mandat dan Komitmen