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