Hamming window mempunyai sidelobe yang paling kecil dan mainlobe yang paling besar sehingga Hamming window akan lebih halus dalam menghilangkan efek diskontunitas.
Persamaan Hamming window adalah :
w [k+1] = 0.54 – 0.46 cos 2�
−1
, k = 0, …, n – 1
2.1 dengan w[k+1] adalah windowing, dan n merupakan jumlah data dari sinyal. Hamming
window adalah sebuah vektor yang mempunyai jumlah elemen sebanyak N. Besarnya N akan disesuaikan dengan banyaknya elemen pada frame sehingga banyaknya elemen pada
Hamming window akan sama dengan banyaknya elemen pada frame. Variabel N ini mengacu pada sub bab 2.3 tentang data sampel yang ada pada proses frame blocking yang
berupa bilangan bulat 1,2,3,….
2.6. Discrete Fourier Transform DFT
Discrete Fourier Transform DFT adalah Algoritma yang digunakan untuk mengubah sampel data dari domain waktu ke domain frekuensi . DFT menstabilkan
hubungan antara sampel – sample signal domain waktu dan merepresentasikannya ke
domain frekuensi [8] . Untuk melakukan analisis frekuensi dari sinyal waktu diskrit Xk maka perlu mendapatkan representasi domain frekuensi dari sinyal yang biasanya
dinyatakan dalam domain waktu. DFT digunakan untuk melakukan analisa frekuensi dari sinyal waktu diskrit.
DFT dihitung menggunakan persamaan : Xk =
xj��
−1 −1 �
=1
Dengan: �� =
−2� �
Keterangan : 2.2
j= indeks dalam domain waktu k = indeks dalam domain frekuensi
2.7. Fungsi Jarak Squared Chord
Fungsi jarak squared chord adalah untuk membandingkan antara database dengan data hasil masukkan. Pembandingan data ini yang akan digunakan untuk
mengidentifikasi masukkan yang nantinya akan menghasilkan keluaran akhir dari sistem program. Fungsi jarak squared chord merupakan proses yang digunakan untuk penentuan
keluaran sebelum keluaran akhir benar-benar dihasilkan. Rumus untuk Fungsi jarak squared chord adalah sebagai berikut [9]
��
= − ²
=1
2.3 dan
merupakan nilai perbandingan dan nilai kemiripan antara data masukan dengan data yang sudah ada database dan
adalah banyak data.
2.8. Metode Template Matching
Metode Template Matcing merupakan metode yang sederhana untuk mencocokkan masing-masing data suara dari sebuah matriks dengan matriks lainnya.
Semakin besar simpangan dari matriks pembandingnya, maka tingkat kemiripan semakin rendah. Metode ini metode yang mudah diimplementasikan dan mempunyai persentasi
keberhasilan pencocokan karakter yang sangat tinggi[10]. Cara kerja metode template matching adalah melakukan pengenalan pada karakter
yang ingin dikenali dan membandingkan antara input suara dengan nada referensi yang disimpan.
Pada Sistem pengenalan nada barung pelog ini termasuk menggunakan metode template matching karena di subsistem pengenalan nada tersebut terdapat pembandingan
data. Subsistem tersebut diantaranya subsistem sampling dan subsistem pengenalan nada.
2.9. Sound Card