Identifikasi Pembicara pada Lingkungan yang Mengandung Noise Menggunakan Least Mean Square

IDENTIFIKASI PEMBICARA PADA LINGKUNGAN YANG
MENGANDUNG NOISE MENGGUNAKAN
LEAST MEAN SQUARE

INGGIH PERMANA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK
CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Identifikasi Pembicara
pada Lingkungan yang Mengandung Noise Menggunakan Least Mean Square
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir tesis ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juni 2014

Inggih Permana
NIM G651120011

RINGKASAN
INGGIH PERMANA. Identifikasi Pembicara pada Lingkungan yang
Mengandung Noise Menggunakan Least Mean Square. Dibimbing oleh AGUS
BUONO dan BIB PARUHUM SILALAHI.
Identifikasi pembicara merupakan bagian dari pengenalan pembicara yang
bertujuan untuk mengetahui siapa yang berbicara dari suara yang ada. Studi ini
berfokus pada identifikasi pembicara di lingkungan yang mengalami noise. Hal ini
menarik untuk dikaji karena sebagian besar penelitian identifikasi pembicara yang
ada sekarang berhasil mendapatkan hasil identifikasi yang bagus dalam
lingkungan yang sengaja dibuat baik tetapi belum tentu dalam lingkungan yang
dipenuhi noise.
Studi ini menambahkan metode LMS (Least Mean Square) dalam praproses
data agar bisa mengatasi masalah tersebut. LMS membuat proses identifikasi

pembicara menjadi lebih baik karena sinyal suara yang dihasilkan setelah proses
LMS adalah sinyal suara yang telah mengalami pengurangan noise.
Studi ini juga memodifikasi teknik pengukuran kemiripan pada identifikasi
pembicara. Modifikasi dilakukan dengan cara memilih pembicara yang memiliki
jumlah pasangan vektor terbanyak sebagai pembicara yang mewakili suara yang
diuji. Pasangan vektor disini adalah jarak terkecil vektor masukan dengan salah
satu vektor yang ada pada codebook (cetakan suara) pembicara.
Jumlah pembicara yang digunakan pada studi ini adalah 83 orang, yang
terbagi menjadi 35 pembicara perempuan dan 48 pembicara laki-laki. Setiap
pembicara memiliki 5 file suara dalam format wav. Panjang file suara adalah 1
sampai 39 detik. Perekaman dilakukan melalui telepon menggunakan sistem IVR
(Interactive Voice Response). Sampling rate yang digunakan adalah 8000 Hz.
Noise yang digunakan pada studi ini adalah white noise.
Hasil percobaan menunjukan bahwa LMS berhasil membuat identifikasi
pembicara menjadi lebih tahan terhadap noise. Akurasi identifikasi pembicara
yang menggunakan LMS pada praproses data 77% lebih tinggi dari akurasi
identifikasi pembicara yang tidak menggunakan LMS. Teknik pengukuran
kemiripan yang ditawarkan berhasil menambah akurasi identifikasi pembicara
diatas 15% pada suara yang mengandung noise.
Kata kunci: identifikasi pembicara, least mean square, lingkungan ber-noise

SUMMARY
INGGIH PERMANA. Speaker Identification in Noisy Environment using Least
Mean Square. Supervised by AGUS BUONO and BIB PARUHUM SILALAHI.
Speaker identification is part of the speaker recognition that aims to find out
who is speaking from an existing sound. This research focuses on speaker
identification in noisy environment. It is interesting to study because most of the
research on speaker identification has performed successfully and obtained good
accuracy on the environment that intentionally is made without noise, but not on
the environment that full of noise.
This study added Least Mean Square (LMS) on data preprocessing to reduce
noise in the voice. This study also modified the similarity measurement technique
on speaker identification. The technique was modified by choosing a speaker that
had the highest number of vector pair as speaker that representing tested voice.
Vector pair in this case is the smallest distance between the input vector and the
vector in the codebook.
This study used 83 speakers which consisted of 35 female speakers and 48
male speakers. Each speaker had 5 voice files in wav format. The durations of the
voice files were 1 to 39 seconds. Recording was done by phone using an
Interactive Voice Response (IVR) system. The voice sampling rate used in this

study was 8000 Hz. Noise used in this study was white noise.
The experimental results showed that the LMS made speaker identification
becoming more resistant to noise. The accuracy of the proposed method using
LMS on data preprocessing was 77% higher than the accuracy of speaker
identification without LMS. Moreover, the proposed similarity measurement
technique could increase the accuracy of speaker identification up to 15% in noisy
voice.
Keywords: least mean square, noisy environment, speaker identification

© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

IDENTIFIKASI PEMBICARA PADA LINGKUNGAN YANG

MENGANDUNG NOISE MENGGUNAKAN
LEAST MEAN SQUARE

INGGIH PERMANA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji Luar Komisi pada Ujian Tesis: Irman Hermadi, SKom, MSi, Phd

Judul Tesis : Identifikasi Pembicara pada Lingkungan yang Mengandung Noise
Menggunakan Least Mean Square

Nama
: Inggih Permana
NIM
: G651120011

Disetujui oleh
Komisi Pembimbing

Dr Ir Agus Buono, MSi, MKom
Ketua

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Eng Wisnu Ananta Kusuma, ST, MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 06 Juni 2014

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Desember 2012 adalah Identifikasi
Pembicara pada Lingkungan yang Mengandung Noise Menggunakan Least Mean
Square,
Terima kasih penulis ucapkan kepada Bapak Dr Ir Agus Buono, MSi
MKom dan Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, Bapak
Irman Hermadi, SKom MSi Phd selaku penguji, serta Bapak Dr Eng Wisnu
Ananta Kusuma, ST, MT selaku moderator dalam ujian tesis. Terima kasih juga
diucapkan kepada Bapak Toto Hartanto, MKom selaku dosen mata kuliah
kolokium yang telah banyak memberi saran untuk penelitian ini. Di samping itu,

penghargaan penulis sampaikan kepada Kementrian Agama atas beasiswa yang
telah diberikan.
Terima kasih juga disampaikan kepada Bapak, Ibu serta adik-adik penulis
Laska, Budi dan Rati atas segala doa dan kasih sayangnya. Semoga Allah SWT
selalu merahmati kalian.
Terima kasih kepada pengelola pasca sarjana, seluruh dosen dan staf
akademik Ilmu Komputer Institut Pertanian Bogor, teman-teman angkatan 13,5,
14 dan mahasiswa fast track. Terima kasih kepada Sdri. Fadhilah Syafria, Sdri.
Lailan Sahrina Hasibuan, Sdr. Sanusi dan Sdri. Dhieka Avrillia Lantana sebagai
teman diskusi penulis dalam menyelesaikan tesis ini. Program Studi Ilmu
Komputer atas kebersamaan dan bantuannya selama kuliah dan penyelesaian
penelitian ini.
Semoga karya ini dapat bermanfaat. Kritik dan saran sangat penulis
harapkan demi kesempurnaan karya ini di kemudian hari.

Bogor, Juni 2014
Inggih Permana

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

viii

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1

3
3
4
4

2 TINJAUAN PUSTAKA
Sinyal Suara
Digitasi Sinyal Suara
Identifikasi Pembicara
Noise
Self Organizing Map (SOM)
Mel Frequency Cepstral Coefficient (MFCC)
Least Means Square (LMS)

4
4
5
6
8
10

12
15

3 METODE PENELITIAN
Studi Pustaka
Data Suara
Perancangan Model Identifikasi Pembicara
Pengujian Identifikasi Pembicara

16
18
18
19
22

4 HASIL DAN PEMBAHASAN
Percobaan pada Data Uji yang Tidak Diberi Noise
Koefisien MFCC 13
Koefisien MFCC 15
Koefisien MFCC 20
Pengaruh Penambahan Jumlah Koefisien MFCC Terhadap
Peningkatan Akurasi Identifikasi Pembicara
Percobaan pada Data Uji yang Diberi Noise
Koefisien MFCC 13
Koefisien MFCC 15
Koefisien MFCC 20
Pengaruh Learning Rate LMS Terhadap Akurasi Identifikasi
Pembicara pada Teknik yang Ditawarkan
Pengaruh Learning Rate LMS Terhadap Akurasi Identifikasi
Pembicara pada Teknik Sebelumnya

24
24
25
25
26
27
28
28
29
30
31
32

Pengaruh Learning Rate LMS Terhadap Akurasi Identifikasi
Pembicara pada Teknik yang Ditawarkan dari Teknik Sebelumnya 34
Pengaruh Koefisien MFCC Terhadap Akurasi Identifikasi Pembicara
pada Teknik yang Ditawarkan
35
Pengaruh Learning Rate LMS Terhadap Akurasi Identifikasi
Pembicara pada Teknik Sebelumnya
36
Pengaruh Learning Rate LMS Terhadap Akurasi Identifikasi
Pembicara pada Teknik yang Ditawarkan dari Teknik Sebelumnya 37
5 SIMPULAN DAN SARAN
Simpulan
Saran

38
38
39

DAFTAR PUSTAKA

40

LAMPIRAN

43

RIWAYAT HIDUP

64

DAFTAR TABEL
1 Parameter-parameter
identifikasi

yang

akan

dilihat

pengaruhnya

terhadap

hasil
23

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

28

Sistem suara manusia
5
Ilustrasi sampel dan kuantisasi
6
Ilustrasi fokus penelitian
7
Tingkatan informasi untuk pengenalan pembicara
8
White noise
9
Ilustrasi model jaringan SOM
10
Ilustrasi berbagi radius tetangga dan topologi pada jaringan SOM
11
Blok diagram tahapan MFCC
12
Ilustrasi frame blocking dan windowing
13
Ilustrasi DFT
14
Mel filter bank
15
Ilustrasi cara kerja ANC
16
Diagram alir tahapan penelitian
17
Ilustrasi data suara
19
Ilustrasi model identifikasi pembicara
19
Ilustrasi pembuatan codebook
20
Ilustrasi pengukuran kemiripan
21
Ilustrasi teknik pengukuran kemiripan sebelumnya
21
Ilustrasi teknik pengukuran kemiripan yang ditawarkan
22
Grafik perbandingan akurasi identifikasi pembicara pada data uji tanpa
noise, koefisien MFCC 13
25
Grafik perbandingan akurasi identifikasi pembicara pada data uji tanpa
noise, koefisien MFCC 15
26
Grafik perbandingan akurasi identifikasi pembicara pada data uji tanpa
noise, koefisien MFCC 20
26
Pengaruh peningkatan MFCC terhadap akurasi identifikasi pembicara
27
Grafik perbandingan akurasi identifikasi pembicara, noise 20 dBkoefisien
MFCC 13, LR ANC 0.7
29
Grafik perbandingan akurasi identifikasi pembicara, noise 20 dBkoefisien
MFCC 20, LR ANC 0.7
30
Grafik perbandingan akurasi identifikasi pembicara, noise 20 dBkoefisien
MFCC 20, LR ANC 0.7
31
Grafik pengaruh learning rate ANC/LMS terhadap akurasi identifikasi
pembicara pada teknik yang ditawarkan, noise 20 dB, koefesien MFCC 20
32
Grafik pengaruh learning rate ANC/LMS terhadap akurasi identifikasi
pembicara pada teknik yang sebelumnya, noise 20 dB, koefesien MFCC 20
33

29 Grafik pengaruh learning rate ANC/LMS terhadap peningkatan akurasi
identifkasi pembicara teknik yang ditawarkan dari teknik sebelumnya
34
30 Grafik pengaruh koefesien MFCC terhadap akurasi identifikasi pembicara
pada teknik yang ditawarkan, noise 20 dB,learning rate ANC/LMS 0.7 35
31 Grafik pengaruh koefesien MFCC terhadap akurasi identifikasi pembicara
pada teknik sebelumnya, noise 20 dB, learning rate ANC/LMS 0.7
36
32 Grafik pengaruh koefesien MFCC terhadap peningkatan akurasi identifkasi
pembicara teknik yang ditawarkan dari teknik sebelumnya
37

DAFTAR LAMPIRAN
1
2
3
4
5
6
7

Perbandingan akurasi identifikasi pembicara antara yang menggunakan
ANC/LMC dengan yang tanpa ANC/LMS
43
Pengaruh learning rate terhadap akurasi identifikasi pembicara
49
Pengaruh learning rate LMS/ANC terhadap peningkatan akurasi identifikasi
pembicara teknik yang ditawarkan dari teknik sebelumnya
51
Pengaruh MFCC Koefesien terhadap akurasi identifikasi pembicara
53
Pengaruh koefesien MFCC terhadap peningkatan akurasi identifikasi
pembicara teknik yang ditawarkan dari teknik sebelumnya
57
Daftar data suara pembicara
61
Variasi cepstrum pada masing-masing koefisien
62

1 PENDAHULUAN
Latar Belakang
Pengenalan pembicara (speaker recognition) merupakan bagian dari
pengolahan suara (sound processing) yang bertujuan untuk mengetahui siapa yang
berbicara. Pengenalan pembicara sendiri terbagi menjadi dua, yaitu identifikasi
pembicara (speaker identification) dan verifikasi pembicara (speaker verification).
Identifikasi pembicara adalah cara untuk mengidentifikasi seseorang dari suara
yang ada, sedangkan verifikasi pembicara adalah cara untuk menverifikasi sebuah
klaim terhadap sebuah identitas melalui kata-kata tertentu (Togneri dan Pullella
2011). Suara manusia dapat dikenali karena tidak ada suara antara manusia yang
benar-benar sama persis. Hal ini dikarenakan bentuk saluran vokal, ukuran laring,
irama, intonasi, pola pengucapan, pilihan kosa kata dan lain sebagainya pada
manusia berbeda-beda (Kinnunen dan Li 2010).
Kemampuan manusia dalam mengenali suara manusia sangat terbatas,
terlebih dengan begitu banyaknya keragamanan antara suara manusia yang satu
dengan suara manusia yang lain. Oleh sebab itu, sistem identifikasi pembicara
banyak diaplikasikan dalam kehidupan nyata. Aplikasi terpenting dari identifikasi
pembicara adalah dalam bidang forensik (Kinnunen dan Li 2010), misalnya
mengidentifikasi siapa yang berbicara pada rekaman percakapan telepon yang
akan dijadikan bukti pada suatu kasus di persidangan. Dalam kehidupan seharihari pengenalan pembicara juga sangat penting, contohnya sebagai identitas dan
akses kontrol untuk telephonbanking, shopping banking, membuka komputer
pribadi dan lain sebagainya.
Penelitian ini akan berfokus pada identifikasi pembicara pada lingkungan
yang mengalami noise. Hal ini menarik diteliti karena kebanyakan teknik-teknik
identifikasi pembicara yang ada sekarang berhasil mendapat hasil identifikasi
yang baik pada lingkungan yang sengaja dibuat tidak mengalami noise, tetapi
belum tentu dalam keadaan yang dipenuhi noise (Kinnunen dan Li 2010).
Pengenalan pembicara berdasarkan kata-kata yang diucapkannya terbagi
menjadi dua, yaitu dependent-text dan independent-text. Dependent-textadalah
pengenalan pembicara dimana kata-kata yang diucapkan tetap (Furui 1996),
biasanya dependent-text digunakan pada kata sandi, karena kata sandi selain harus
bisa mengetahui siapa yang berbicara juga harus mampu mengenali kata yang
diucapkan. Independent-text adalah pengenalan pembicara yang tidak ditentukan
apa saja kata yang harus diucapkan. Pengenalan pembicara ini memiliki banyak
sekali aplikasi, misalnya pada speaker diarization (Furui 1996), yaitu suatu cara
untuk mengetehui siapa yang berbicara pada waktu tertentu. Contoh implementasi
dari speaker diarization adalah untuk mengetahui siapa yang berbicara pada
waktu tertentu pada suatu rapat. Mempertimbangkan banyaknya aplikasi dari
pengenalan pembicara pada independent-text, maka penelitian ini juga akan
berfokus pada hal tersebut.
Identifikasi pembicara memiliki dua bagian utama, yaitu ekstrasi ciri dan
pengukuran kemiripan. Ekstrasi ciri dibutuhkan agar bisa mengurangi informasiinformasi yang tidak dibutuhkan dari sinyal suara yang ditangkap oleh sensor dan
mengkonversi informasi-informasi yang penting dari sinyal suara tersebut menjadi

2

format yang lebih sederhana dan jelas untuk diproses lebih lanjut. Salah satu
metode ekstrasi ciri yang sering digunakan adalah metode MFCC (Mel Frequency
Cepstral Coefficient). Cara kerja MFCC didasarkan pada perbedaan frekuensi
yang dapat ditangkap oleh telinga manusia sehingga bisa merepresentasikan
bagaimana manusia menerima sinyal suara (Muda et al. 2010). MFCC sering
digunakan karena performanya dianggap lebih baik dari metode-metode lainnya,
seperti dalam hal pengurangan tingkaterror. Tetapi MFFC memiliki kekurangan
yaitu tidak terlalu tahan terhadap noise (Tyagi dan Wellekens 2005). Oleh sebab
itu pada penelitian ini akan ditambahkan sebuah metode yang dapat
menghilangkan noise untuk mengatasi masalah tersebut. Sehingga tujuan
penelitian ini untuk membuat sebuah model identifikasi pembicara pada
lingkungan yang mengalami noise bisa tercapai.
Data hasil ekstrasi ciri dengan menggunakan MFCC akan digunakan
sebagai data masukan untuk membuat codebook masing-masing suara individu.
Codebook merupakan cetakan suara yang dihasilkan dari pelatihan data latih
(Wisnudisastra dan Buono 2010). Pada penelitian ini algoritma yang akan
digunakan sebagai pelatihan adalah SOM (Self Organizing Map). SOM adalah
algoritmauntuk pengklusteran. SOM berhasil diterapkan pada data berdimensi
tinggi (Yan et al. 2013), yang mana metode tradisional tidak dapat melakukan hal
tersebut. Kemampuannya untuk menangani data berdimensi tinggi inilah yang
menjadi pertimbangan untuk memilih metode ini untuk menghasilkan codebook.
Data hasil dari MFCC mungkin saja menghasilkan dimensi yang tinggi,
tergantung berapa koefesien yang ditetapkan pada saat proses MFCC. Dilihat dari
penelitian sebelumnya (Wisnudisastra dan Buono 2010, Fruandta dan Buono
2011), semakin tinggi koefesien MFCC, yang berarti semakin tinggi juga dimensi
data yang akan dikluster, maka akan semakin tinggi akurasi sebuah pengenalan
suara. Hal ini semakin menguatkan alasan untuk memilih SOM sebagai teknik
untuk pembuat codebook, agar bisa menangani keluaran MFCC ketika koefesien
dibuat tinggi.
Penelitian ini akan menggunakan jarak Euclidean untuk pengukuran
kemiripan. Sinyal suara yang akan diidentifikasi juga akan di lakukan proses
ekstrasi ciri dengan MFCC. Data-data hasil MFCC tersebut akan diukur jaraknya
dengan data-data pada codebook menggunakan jarak Euclidean, yang mana setiap
individu mempunyai codebook masing-masing. Pada penelitian sebelumnya
(Wisnudisastra dan Buono 2010, Fruandta dan Buono 2011), hasil penjumlahan
jarak terkecil antara vektor-vektor masukan dengan vektor pada codebook tertentu
yang paling minimal akan menjadi pemenang. Pembicara yang codebook menjadi
pemenang tadi adalah pembicara yang mewakili suara yang dimasukan. Pada
penelitian ini, teknik tersebut akan dimodifikasi dengan cara memilih codebook
yang memiliki jarak terkecil terbanyak dengan vektor-vektor masukan. Masingmasing vektor masukan hasil MFCC tersebut diukur jaraknya dengan semua
vektor yang ada di kumpulan codebook, jarak terkecil akan dipilih sebagai
pasangan vektor masukan tersebut. Setelah setiap vektor masukan mendapat
pasangan vektor codebook, maka dihitung pembicara yang vektor pada codebook
memiliki pasangan terbanyak. Individu tersebut ditetapkan sebagai suara yang
mewakili suara yang diidentifikasi.
Penelitian sebelumnya telah ada yang menggunakan MFCC sebagai
ekstrasi ciri dan SOM sebagai pembuat codebook (Permana dan Negara 2011),

3

tetapi model yang dihasilkan oleh penelitian tersebut tidak dirancang untuk
identifikasi pembicara pada lingkungan yang mengalami noise. Sedangkan model
yang diusulkan pada penelitian ini dirancang untuk identifikasi pembicara pada
lingkungan yang mengalami noise. Sebagaimana yang telah dijelaskan
sebelumnya bahwa ekstrasi ciri dengan menggunakan MFCC tidak terlalu tahan
terhadap gangguan noise (Tyagi dan Wellekens 2005). Oleh sebab itu, pada
penelitian akan ditambahkan metode activenoise canceling (ANC) pada bagian
praproses data, agar dapat mengurangi noise pada suara sebelum dimasukan ke
dalam proses MFCC. Secara sederhana ANC bekerja dengan cara memproduksi
anti-noise untuk selanjutnya dikombinasikan dengan noise utama (Elliott 1999).
Metode ANC yang akan digunakan pada penelitian ini adalah Least
Mean Square (LMS). Metode ini pertama kali dicetuskan oleh Widrow dan Hoff
(1960). Metode LMS menjadi sangat populer karena kompleksitasnya yang
rendah dan kemampuannya yang menjanjikan. Gorriz et al. (2009) pernah
memodifikasi metode ini dengan mengkombinasikan dengan metode Lagrange.
Hasilnya adalah LMS hasil modifikasi ini memiliki performa lebih baik dari LMS
sebelumnya. Penelitian lainnya pernah dilakukan Takahashi (2010). Mereka
meneliti tentang Difussion LMS, penelitian ini menawarkan strategi kombinasi
adaptif pada permasalahan estimasi distribusi jaringan untuk meningkatkan
ketahanan terhadap variasi spasial dari sinyal. Konsep minimum varian untuk
estimasi digunakan untuk mendapatkan kombinasi yang adaptif. Hasil analisis
secara teoritis, teknik ini memberikan approksimasi yang baik pada kinerja praktis.

Perumusan Masalah
Penelitian tentang identifikasi pembicara yang ada sekarang berhasil
mendapatkan hasil yang akurat karena dilakukan pada lingkungan yang sengaja
dibuat tidak mengalami noise, tetapi belum tentu mendapatkan hasil yang akurat
jika dilakukan pada lingkungan yang dipenuhi noise. Oleh sebab itu, penelitian ini
merancang model identifikasi pembicara yang tahan terhadap gangguan noise
dengan menggunakan metode MFCC sebagai ekstrasi ciri, SOM sebagai pembuat
codebook, LMS sebagai ANC dan jarak euclidean sebagai penghitung kemiripan.
.
Tujuan Penelitian
Adapun tujuan penelitian ini sebagai berikut :
1. Merancang model identifikasi pembicara yang tahan terhadap
gangguan noise dengan menambahkan metode ANC pada praproses
data.
2. Membandingkan apakah model identifikasi pembicara yang
menggunakan ANC lebih baik atau tidak dengan model pembicara
yang tidak menggunakan ANC pada lingkungan yang mengalami noise.

4

Manfaat Penelitian
Adapun ruang lingkup penelitian ini sebagai berikut:
1. Penelitian ini diharapkan dapat memberikan informasi mengenai
pengaruh penggunaan ANC terhadap akurasi identifikasi pembicara
pada lingkungan yang mengalami noise.
2. Penelitian ini diharapkan dapat memberikan model identifikasi
pembicara yang tahan terhadap noise yang bisa diterapkan di dunia
nyata.

Ruang Lingkup Penelitian
Adapun ruang lingkup penelitian ini sebagai berikut:
1. Jenis teks yang digunakan pada penelitian ini bersifatindependent.
2. Metode ekstrasi ciri yang digunakan pada penelitian ini adalah MFCC.
3. Metode untuk membuat codebook yang digunakan untuk penelitian ini
adalah SOM.
4. Metode ANC yang digunakan pada penelitian ini adalah LMS.
5. Metode untuk pengukuran kemiripan yang digunakan pada penelitian
ini adalah jarak Euclidean.
6. Noise yang digunakan pada penelitian ini adalahwhite noisesebesar 20
dB.

2 TINJAUAN PUSTAKA
Sinyal Suara
Bentuk saluran suara merupakan faktor pembeda fisik penting dari
ucapan (Campbell 1997). Perbedaan dalam ukuran saluran suara antara individu
berkontribusi pada perubahan gelombang ucapan (Eide dan Gish 1996). Saluran
suara umumnya dianggap sebagai organ pembuat ucapan di atas pita suara.
Seperti ditunjukkan dalam Gambar 2 (Flanagan et al. 2009), bagian-bagian
saluran suara adalah faring laring (di bawah epiglotis), faring mulut (belakang
lidah, antara epiglotis dan velum), rongga mulut (didepan velum dan dibatasi oleh
bibir, lidah, dan langit-langit), faring hidung (di atas velum, bagian belakang
rongga hidung), rongga hidung (di atas langit-langit dan membentang dari faring
ke lubang hidung).
Pita suara atau vocal cord yang ditunjukkan pada Gambar 1 membentang
antara kartilago tiroid dan kartilago arytenoid. Daerah antara pita suara disebut
glotis. Sebuah teknik otomatis untuk memperkirakan dan pemodelan gelombang
turunan aliran glotal dari ucapan pernah diterapkan untuk identifikasi pembicara
(Plumpe et al. 1999). Gelombang akustik melewati saluran vokal, konten
frekuensi (spektrum) diubah oleh resonansi saluran vokal. Resonansi vokal
disebut forman. Pernapasan di area dada berperan dalam sifat resonansi dari
sistem suara. Trakea adalah pipa dengan panjang 12 cm dan diameter 2 cm, terdiri

5

dari cincin tulang rawan yang diikuti oleh jaringan ikat bergabung dengan paruparu dan laring. Ketika pita suara dalam getaran, ada resonansi di atas dan di
bawah pita. Resonansi subglotal (trakea dan paru-paru) sangat tergantung pada
sifat dari trakea (Pentz 1990). Karena ketergantungan fisiologis ini, resonansi
subglottal memiliki sifat yang tergantung pada pembicara. Sistem verifikasi suara
biasanya menggunakan fitur yang berasal dari saluran suara ini (Campbell 1997).

Soft palate (velum)

Nasal cavity
Hard palate

Tongue
Epiglottis
Hyoid bone
Cricoid
cartilage
Thyroid cartilage
Esophagus

Vocal cord
Trachea
Lung
Sternum

Gambar 1. Sistem suara manusia (Flanagan et al. 2009)

Digitasi Sinyal Suara
Proses merubah sinyal analog ke dijital (A/D) merupakan salah satu
bagian penting dari tesis ini. Hal ini dikarenakan sistem komputer menangkap,
menyimpan, mengirimkan, menganalisis, mengubah, mensintesis, dan memutar
sinyal suara dalam bentuk digital (Cook, 2002). Ada dua hal utama untuk
melakukan A/D, yaitu sampel dan kuantisasi.Perhatikan ilustrasi pada Gambar 2.

Amplitudo

6

Kuantisasi

Sampel

Waktu (t)

Gambar 2. Ilustrasi sampel dan kuantisasi
Jumlah sinyal suara yang diambil dalam satu detik disebut sampling rate
atau frekuensi sampling dan diukur dalam satuan Hertz atau disingkat Hz
(Miranda, 2002). Teorema Nyquist menyatakan bahwa sinyal kontinyu
dapatdiambil sampelnya dengan baikjika tidak mengandung frekuensi melebehi
setengah dari frekunesi sampling rate (Smith, 2003). Misalnya jika frekuensi
sampling 8000 Hz maka frekuensi sinyal tidak boleh melebihi 4000 Hz.
Amplitudo dari sinyal direpresentasikan sesuai dengan skala tertentu.
Skala tergantung pada jumlah bit yang digunakan. Misalnya untuk sistem 8 bit,
berarti mempunyai 256 variasi nilai dengan rentang 0 sampai 255. Semakin tinggi
ukuran bit maka semakin baik dijitasi suara. Hasil pengukuran sampel dibulatkan
sesuai dengan skala yang digunakan atau disebut dengan istilah kuantisasi. Hal ini
tentu saja akan mengakibatkan pengurangan kulitas suara. Perhitungan terhadap
pengurangan kualitas suara tersebut dinamakan kuantisasi noise(Miranda, 2002).

Identifikasi Pembicara
Identifikasi pembicara (speaker identification) merupakan bagian dari
pengolahan ucapan (speech processing). Pengolahan ucapan sendiri bisa
digunakan untuk mengambil informasi sebagai berikut (Faundez-Zanuy dan
Monte-Moreno 2005):
1. Pendeteksian ucapan (speech detection) : digunakan untuk
mendeteksi ada atau tidaknya orang yang berbicara
2. Identifikasi jenis kelamin (sex identification) : digunakan untuk
mengetahui jenis kelamin orang yang berbicara
3. Pengenalan bahasa (language recognition) : digunakan untuk
mengetahui bahasa yang digunakan orang yang berbicara
4. Pengenalan ucapan (speech recognition) : digunakan untuk
mengetahui kata apa yang diucapkan seorang pembicara
5. Pengenalan pembicara (speaker recognition) : digunakan untuk
mengetahui siapa yang berbicara.

7

Dari informasi-informasi yang bisa didapat dari pengolahan ucapan di
atas, identifikasi pembicara termasuk pada bagian pengenalan pembicara.
Pengenalan pembicara adalah mengetahui siapa yang berbicara dari suara yang
dikeluarkan (Tiwari 2010). Struktur anatomi saluran suara unik untuk setiap orang.
Oleh sebab itu informasi suara yang tersedia di sinyal suara dapat digunakan
untuk mengenali pembicara (Faundez-Zanuy dan Monte-Moreno 2005). Untuk
lebih mempermudah bagian pengenalan pembicara yang menjadi fokus penelitian
ini, perhatikan Gambar3 berikut ini.
Pengenalan pembicara
(speaker recognition)

Verifikasi pembicara
(speaker verification)

Identifikasi pembicara
(speaker identification)

Pembagian berdasarkan
ketergantungan dengan teks

Bergantung pada teks
(dependent text)

Tidak bergantung pada
teks (independent text)

Pembagian berdasarkan
keterbukaannya

Close-set
speaker

Open-set
speaker

Kotak merah adalah fokus dari penelitian ini

Gambar 2. Ilustrasi fokus penelitian
Ilustrasi pada Gambar 3 menunjukkan bahwa pengenalan pembicara
terbagi menjadi dua, yaitu verifikasi pembicara (speaker verification) dan
identifikasi pembicara. Verifikasi pembicara digunakan untuk autentifikasi dan
memonitor subjek manusia menggunakan sinyal ucapan (Fazel dan Chakrabartty
2011). Sedangkan identifikasi pembicara (speaker identification) bertujuan untuk
mencari pembicara paling cocok untuk suara yang tidak diketahui pemiliknya dari
database pembicara(Kinnunen et al. 2011). Penelitian ini berfokus pada bagian
identifikasi pembicara.
Berdasarkan ketergantungan pada teks, identifikasi pembicara terbagi
menjadi dua, yaitu bergantung pada teks (dependent text) dan tidak bergantung
pada teks (independent text). Pada identifikasi pembicara bergantung teks
pembicara diharuskan menentukan kata-kata yang diucapkan terlebih dahulu
(Singh 2003). Identifikasi pembicara dilakukan dengan kata-kata yang telah
ditentukan tersebut. Sedangkan identifikasi pembicara tidak bergantung teks,
pembicara tidak harus menetapkan kata-kata yang diucapkan terlebih dahulu
(Singh 2003). Pada saat proses identifikasi, pembicara bebas mengucapkan kata
apa saja. Penelitian ini akan menggunakan identifikasi pembicara tidak
bergantung teks.
Berdasarkan keterbukaannya terhadap pembicara baru identifikasi
pembicara terbagi menjadi dua, yaitu tertutup (close-set) dan terbuka (open-set).
Pada kasus identifikasi pada data terbuka, pembicara yang diuji memungkinkan
tidak merupakan bagian dari kelompok pembicara yang terdaftar (Krothapalli et al.

8

2012). Sedangkan identifikasi pembicara pada data tertutup hanya bisa
menentukan identitas pembicara yang diuji jika pembicara tersebut telah terdaftar
pada kelompok pembicara (Krothapalli et al. 2012). Penelitian ini akan lebih
berfokus pada identifikasi pembicara pada data pembicara tertutup.

Gambar 4. Tingkatan informasi untuk pengenalan pembicara (Faundez-Zanuy dan
Monte-Morento 2005)
Gambar 4 menunjukkan tingkatan informasi yang bisa digunakan untuk
pengenalan pembicara. Bagian paling bawah adalah bagian yang paling mudah
diekstrasi cirinya. Semakin atas, maka akan semakin sulit untuk mengektrasi
cirinya. Ciri spectral bisa digunakan karena setiap manusia mempunyai spektrum
yang berbeda untuk sebuah bunyi yang sama. Ciri prosodic adalah pengukuran
terhadap tekanan, aksen dan intonasi. Ciri ini bisa estimasi dengan rata-rata nada,
energi dan durasi suara. Ciri lain yang mungkin untuk diekstrasi adalah phonetic.
Mencirikan pola berbicara dan pengucapkan sebuah fonem adalah hal yang
memungkinkan. Sebuah fonem dapat diucapkan dengan cara yang berbeda oleh
beberapa pembicara tanpa merubah makna. Tiga ciri lainnya yaitu ciri idiolectal
(hal yang berhubungan dengan sintaksis), dialogic dan ciri semantik lebih sulit
diekstrasi. Tetapi ketiga ciri tersebut sangat berguna pada kasus-kasus tertentu.
Misalnya untuk mempermudah pengenalan pembicara dengan ciri idiolectal. Hal
ini dilakukan dengan menggunakan kata-kata yang sering pembicara gunakan
(Doddington 2001).
Pada penelitian ini akan menggunakan fitur yang dihasilkan oleh
spektrum ucapan. Fitur ini terbukti adalah cara yang paling efektif untuk
pengenalan pembicara. Ini disebabkan spektrum mencerminkan geometri sistem
yang membuat sinyal (Faundez-Zanuy dan Monte-Morento 2005). Oleh sebab itu
keragaman dalam saluran suara dicerminkan oleh keragaman spektrum diantara
para pembicara (Campbell et al. 2003).

Noise
Noise dapat didefinisikan sebagai sinyal yang tidak diinginkan yang
mengganggu komunikasi, pengukuran, persepsi atau pengolahan yang berkaitan
dengan informasi yang dibawa sinyal. Noise hadir dalam berbagai derajat di
hampir semua lingkungan. Noise dapat menyebabkan kesalahan dalam
pemrosesan sinyal suara, maka penanganan noise merupakan bagian penting dan
tidak terpisahkan dari identifikasi pembicara.

9

Berdasarkan pada spektrum frekuensi noise dapat diklasifikasikan
kategori sebagai berikut (Vaseghi, 2006):
1. White noise : noise yang secara murni diacak dan memiliki power
spektrum datar. Semua frekuensi dalam white noise secara teoritis
memiliki intensitas yang sama.
2. Band limited white noise : noise dengan spektrum datar dan
bandwidth yang terbatas, biasanya meliputi spektrum terbatas pada
perangkat atau sinyal.
3. Narrow band noise : noise yang terjadi pada bandwidth yang sempit,
contohnya 50-60 Hz.
4. Coloured noise: non white noise atau noise wideband yang
spektrumnya memiliki bentuk tidak datar, contohnya adalah pink
noise, brownnoise dan autoregressive noise.
5. Impulsive noise : terdiri dari durasi pendek sinyal dari amplitudo dan
durasi acak.
6. Transient noise pulse : terdiri dari sinyal noise yang berdurasi relatif
lama.
Penelitian ini akan menggunakan white noise yang dibuat dengan
menggunakan Matlab 2010b. Noise yang digunakan adalah sebesar 20 dB. Fungsi
yang digunakan adalah awgn. Cara kerja fungsi ini adalah dengan menambahkan
white noise dengan power sebesar power sinyal suara dikurangi dengan besar dB
noise yang diinginkan.Jika mode pada awgndibuat ‘measured’ makapower sinyal
dihitung sebagai berikut:
� _ � � _

=

log

( ∑( � � _
�
�=

�

))

N merupakan panjang sinyal suara. Tetapi jika mode awgn bukan
‘measured’ maka power sinyal suara dianggap 0. Penelitian ini menggunakan
mode awgn yang bukan ‘measured’, sehingga power sinyal suara semuanya
dianggap 0.Ilustrasi white noise dapat dilihat pada Gambar 5.

+
Sinyal suara asli

Sinyal suara asli + white noise
White noise

Gambar 5. White noise

10

ANC (Active noise cancelling) membutuhkan noise referensi. Fungsi
awgn pada Matlab hanya mengeluarkan output sinyal suara asli yang sudah
ditambah noise saja. Oleh sebab itu, pada penelitian inioutput darifungsi awgn
dimodifikasi agar bisa mengeluarkan noise. Noise tersebut digunakan sebagai
noise referensi ANC.

Self Organizing Map (SOM)
Self Organizing Map (SOM) pertama kali diusulkan oleh Teuvo Kohonen
(1982). SOM atau juga dikenal dengan nama Kohonen, merupakan salah satu
jenis dari jaringan syaraf tiruan (JST) atau artificial neural network (ANN) yang
sistem pembelajarannya tidak terbimbing (unsupervised learning). SOM sangat
efektif untuk menciptakan ruang representasi internal yang terorganisasi untuk
berbagai fitur sinyal input (Kohonen 1990). SOM mengasumsikan struktur
topologi diantara unit kluster, hal ini dijalankan oleh otak manusia tetapi tidak
terdapat pada beberapa JST lainnya. Ilustrasi model SOM dapat dilihat pada
Gambar 6.

Gambar 6. Ilustrasi model jaringan SOM (Haykin 1994)
Dalam pelatihan dengan menggunakan SOM harus ditentukan terlebih
dahulu berapa jumlah kluster yang akan dihasilkan. Setelah itu dibuat vektorvektor sejumlah kluster yang diinginkan. Vektor-vektor tersebut diberi bobot awal.
Untuk setiap vektor latih dicari jarak terkecil dengan vektor-vektor kluster (atau
vektor-vektor bobot). Vektor kluster yang jadi jarak terkecil tersebut merupakan
vektor pemenang yang artinya vektor data latih termasuk pada sebuah kluster
dimana vektor kluster terdapat. Setelah didapat jarak terkecil, perbaharui bobot
vektor kluster tersebut beserta vektor-vektor kluster yang masih tetangganya.
Lakukan hal-hal tersebut sampai kondisi berhenti terpenuhi. Kondisi berhenti
adalah disaat tidak ada lagi perubahan kluster pada vektor latih atau telah
mencapai iterasi maksimum. Untuk lebih jelasnya perhatikan Gambar 6.
Algoritma (Fausett 2006) :
1. Inisialisasi bobot (w)
Atur parameter topologi dan fungsi ketetanggaan
Atur percepatan pembelajaran (α)
2. Ketika kondisi berhenti false (salah), lakukan langkah 2-8
3. Untuk masing-masing vektor masukan x, lakukan langkah 3-5
4. Untuk masing-masing j, hitung :

11

D( j )   (wij  xi ) 2
i

5. Cari indeks ke J, sehingga D(J) minimum
6. Untuk semua unit j yang masih dalam fungsi
ketetanggaan dari J dan untuk semua i, ubah bobot
dengan formula di bawah ini :
wij (new)  wij (old )  [ xi  wij (old )]
7. Perbaharui laju pembelajaran
8. Perbaharui radius fungsi ketetanggaan (pada waktu tertentu)
9. Uji kondisi berhenti
Pada algoritma diatas vektor-vektor bobot diinisialisasi dengan nilai acak
kecil. Nilai laju pembelajaran tidak boleh terlalu besar karena jaringan SOM
kemungkinan tidak akan belajar sehingga tidak konvergen, tetapi tidak boleh juga
terkecil karena kemungkinan proses pembelajaran jaringan SOM akan lambat
(Hecht-Nielsen 1990). Biasanya nilai laju pembelajaran adalah 0.1 ≤ α ≤ 1.0.
Ketetanggaan pada jaringan SOM ditentukan oleh radius dan topologi.
Radius pada kasus jaringan SOM adalah berapa jumlah vektor setelah vektor
pemenang yang akan diperbaharui bobotnya. Topologi jaringan SOM adalah cara
penyusunan vektor-vektor kluster. Untuk lebih jelasnya perhatikan Gambar 6.
Pada Gambar 7 ada tiga buah topologi pada SOM, yaitu linear, persegi
panjang dan heksagonal. Disana terlihat topologi tertentu dapat mempengaruhi
jumlah tetangga vektor kluster pemenang yang diperbaharui nilainya meskipun
radiusnya sama. Sebagai contoh dengan radius 1, jumlah tetangga yang
diperbaharui pada topologi linear 2 buah, pada topologi persegi 8 buah dan pada
topologi heksagonal 6 buah.
Topologi linear

Topologi Persegi Panjang

Vektor pemenang

Topologi heksagonal

Radius = 0
Radius = 1
Radius = 2

Gambar 7. Ilustrasi berbagi radius tetangga dan topologi pada jaringan SOM

12

Hasil dari pelatihan adalah vektor-vektor yang bobotnya telah
disesuaikan dengan data latih. Jika ada data baru yang ingin diketahui klusternya,
maka dihitung jaraknya dengan semua vektor-vektor kluster. Setelah itu pilih
jarak terkecil sebagai kluster pemenang.

Mel Frequency Cepstral Coefficient (MFCC)
MFCC banyak digunakan sebagai ekstrasi ciri dalam berbagai bidang
pengolahan sinyal suara (Muda et al. 2010, Nakagawa et al. 2012, Alam et al.
2012, Chen dan Luo 2009). Hal ini dikarenakan cara kerja MFCC didasarkan pada
perbedaan frekuensi yang dapat ditangkap oleh telinga manusia sehingga bisa
merepresentasikan bagaimana manusia menerima sinyal suara (Muda et al. 2010).
MFCC sendiri terdiri dari beberapa macam jenis, yaitu MFCC-FB20
(Davis dan Mermelstein 1980), HTK MFCC-FB24 (Young 1995), MFCC-FB40
(Slaney 1998) dan HFCC-E FB-29 (Skowronski dan Harris 2004). Pada penelitian
ini akan menggunakan jenis MFCC-FB40 (selanjutnya akan ditulis MFCC saja)
karena memiliki Equal Error Rate (EER) and Decision Cost Function (DCFopt)
lebih rendah dari ketiga jenis MFCC lainnya (Ganchev et al. 2005). MFCC-FB40
adalah MFCC yang menerapkan 40 buah filter yang menangani frekuensi dara
133 Hz sampai 6854 Hz. Filter tersebut dibagi menjadi 2 bagian, 13 buah filter
untuk ruang linear (200-1000 Hz) dan 27 buah untuk ruang logaritmik (1071-6400
Hz). Ilustrasi tahapan MFCC dapat dilihat pada Gambar 8.
continuous
speech

Frame
Blocking

mel
cepstrum

frame

Cepstrum

Windowing

mel
spectrum

FFT

spectrum

Mel-frequency
Wrapping

Gambar 8. Blok diagram tahapan MFCC (Patel dan Prasad 2013)
Langkah ke 1 :Frame Blocking
Frame blocking adalah membagi sinyal yang masuk kedalam beberapa
frame. Pada tahap ini kita melakukan overlapping. Biasanya overlapping dimulai
dari ukuran frame dibagi dengan dua yang disebut dengan istilah hop size. Untuk
lebih jelasnya perhatikan Gambar 8. padaLangkah ke 2.
Langkah ke 2 :Windowing
Langkah selanjutnya adalah menghaluskan masing-masing frame untuk
meminimalkan sinyal yang tidak kontinu pada awal dan akhir masing-masing
frame. Hal ini dilakukan dengan teknik hamming window. Teknik ini dipilih
karena kesederhanaan formulanya (Buono 2009). Berikut rumus untuk hamming
window (Patel dan Prasad 2013).
 2n 
w(n)  0.54  0.46 cos
, 0  n  N  1
 N 1

13

y l (n)  xl (n)w(n), 0  n  N  1

Dimana :
w(n) = hamming window
yl (n) = sinyal keluaran
xl (n) = sinyal masukan
N = jumlah sample pada masing-masing frame
Gambar 9. memperlihatkan contoh frame blocking. Sumbu horizontal
menerangkan suara yang masuk berdasarkan satuan waktu tertentu
(ms/millisecond). Sedangkan sumbu vertikal menunjukan nilai amplitudo dari
suara yang masuk. Pada gambar tersebut terlihat frame size adalah 30 ms dan hop
size nya adalah 15 ms. Pada gambar tersebut juga terlihat garis melengkung yang
disebut Hamming Window.

Hop size

Frame size

Waktu (ms)

Gambar 9. Ilustrasi frame blocking dan windowing
Langkah ke 3 :Fast Fourier Transform
Langkah selanjutnya adalah Fast Fourier Transform (FFT). Hal ini
dilakukan untuk mengubah frame dari domain waktu ke domain frekuensi. FFT
adalah implementasi dari Discrete Fourier Transform (DFT). DFT sendiri adalah
bagian dari transformasi Fourier. Berikut rumus DFT(Patel dan Prasad 2013).
N 1

X k   X n e  j 2kn / N
n 0

Dimana :
Xk = Sinyal keluaran
N = jumlah sample pada masing-masing frame.
K = 0,1,2, ..., N-1
Analisis Fourier merupakan suatu teknik matematika untuk
mendekomposisi sinyal menjadi sinyal-sinyal sinusoidal, dan terdiri dari dua versi,
yaitu versi real dan versi imajiner (Buono 2014). Pada analisis fourier, dilakukan
pengambilan sampel sinyal sebanyak N. Anggap bahwa sampel ini sebagai satu
periode dan dapat diduplikasi terus-menerus. DFT mentransformasi N titik sinyal

14

sebagai input menjadi N/2+1 titik sinyal keluaran. Untuk lebih jelasnya perhatikan
ilustrasi pada Gambar 10.

Gambar 10. Ilustrasi DFT (Buono 2014)
Langkah 4 :Mel Frequency Wrapping
Peniruan cara kerja telinga manusia terjadi di bagian ini. Hal pertama
yang harus dilakukan untuk mel frequency wrapping (MFW)adalah
membuatmelfilter bank(MFB).Slaney (1998) menggunakan 40 buah MFB, yang
terdiri dari 13 filter linear dan 27 buah filter logaritmik.MFB ini menangani
frekuensi antara 133 Hz sampai 6854 Hz. Bobot segitiga dicari dengan cara
sebagai berikut:

��

=

−
�
{

�+

,

−

�−

−

�

�+

�−

�+

−

�+

<

−

−

�−
�−
�−

>

,
,

�+
�−
�

≤

≤

≤

≤

�
�+

Hasil MFW didapat dengan cara melakukan log10 dari hasil perkalian
magnitudeFFTdengan MFB. Untuk lebih jelasnya perhatikan persamaan berikut
ini:
�

�

=

∑ �� × ��

�=

,

�…�

Ilustrasi MFB dapat dilihat pada Gambar 11. Pada gambar tersebut
terlihat ada 40 buah filter berbentuk segitiga.

15

Gambar 11. Mel filter bank(Slaney 1998)
Terlihat pada Gambar 11mel filter bank merupakan segitiga tumpang
tindih. Pada gambar tersebut sumbu horizontal adalah mewakili frekuensi dan
sumbu vertikal mewakili db sinyal suara.
Langkah 5 : Cepstrum
Langkah terkahir dari proses ini adalah mengembalikan sinyal suara dari
domain frekuensi ke domain waktu. Hasil dari langkah ini disebut MFCC. Berikut
rumus untuk mencarinya (Patel dan Prasad 2013).
K
1 
~
 
c~n   (log S k ) cos n k   ,
k 1
2 K 
 

n  0,1,..., K-1

Least Means Square (LMS)
Pada penelitian ini akan digunakan NC jenis aktif atau yang lebih dikenal
dengan active noise canceling (ANC). NC sebenarnya dapat dilakukan secara
pasif maupun secara aktif. Secara pasif misalnya dengan menggunakan alat
peredam suara, isolasi dan lain sebagainya. Tetapi noise canceling secara pasif
tidak efektif pada frekuensi rendah (Kuo dan Morgan 1999, Eriksson et al. 1999)
dan membutuhkan perangkat tambahan. Hal inilah yang menyebabkan
penggunaan ANC lebih diminati. ANC adalah sebuah pendekatan untuk
mengurangi noise menggunakan sumber noise sekunder yang secara destruktif
menghilangkan suara yang tidak diinginkan (Oppenheim et al. 1994).Secara
sederhana, ANC bekerja dengan cara memproduksi anti-noise untuk selanjutnya
dikombinasikan dengan noise utama (Elliott 1999). Ilustrasi cara kerja ANC dapat
dilihat pada Gambar 12.

16

Noise
Noise sisa

Anti noise

Gambar 12. Ilustrasi cara kerja ANC
Metode ANC yang akan digunakan pada penelitian ini adalah Least
Mean Square (LMS). LMS adalah algoritma yang menerapkan gradient descent.
LMS menjadi popular karena kemudahannya untuk dimengerti, diprogram dan didebug (Widrow dan Stearns 1985). LMS memiliki kompleksitas yang rendah
tetapi dengan hasil yang menjanjikan. Metode ini pertama kali dicetuskan oleh
Widrow dan Hoff (1960). Steepest descent yang merupakan salah satu metode
yang menerapkan gradient descent sebenarnya sudah sangat baik untuk
menghasilkan bobot-bobot yang optimal, tetapi metode ini memerlukan gradien
yang sesungguhnya pada setiap langkah. LMS bisa mengatasi kekurangan tersebut
karena LMS secara instan bisa mengestimasi gradien pada setiap langkah
(Widrow and Hoff 1960). Secara ringkas algoritma LMS adalah sebagai berikut.
1. Buat filter sejumlah M dan inisialisasi bobot koefisien (w) setiap filter 0,
tentukan nilai learning rate (α) dan tentukan noise referensi (u).
2. Lakukan langkah 3 sampai 5 jika ada sinyal suara (d) masukan
M
3. Hitung anti noise dengan persamaan y (i )   w(n).u (n)
n 1
4. Hitung residual sinyal (sinyal suara hasil noise cancelling) dengan
persamaan e(i )  d (i )  y (i )
5. Ubah bobot dengan cara w(n)new  w(n)  2 .e(i).u(n)

3 METODE PENELITIAN
Bagian ini akan menjelaskan tahapan-tahapan yang ada di penelitian ini.
Ilustrasi tahapan-tahapan pada penelitian ini dapat dilihat pada Gambar 13.
Penelitian ini dimulai dengan studi pustaka. Studi pustaka dilakukan untuk
mencari teori-teori yang mendukung penelitian ini. Detail tentang tahap pertama
ini akan dibahas pada subbahasan studi pustaka. Setelah itu pada tahap kedua
dilakukan penentuan data suara. Data suara pada penelitian ini adalah data suara
yang telah digunakan pada penelitian Reda et. al (2011). Detail tentang data suara
yang digunakan akan dijelaskan pada subbahasan data suara.

17

Mulai
Studi pustaka
- Sinyal suara
- Identifikasi pembicara
- MFCC
- SOM
- Noise
- LMS
- Jarak Euclidean

Pengumpulan data
suara

Data latih

Data uji

Praproses

Penambahan Noise

-Penghilangan silent

Praproses
-Penghilangan noise

Ekstrasi ciri
- MFCC

-Penghilangan silent

Pembuatan codebook

Ekstrasi ciri

- SOM

- MFCC

Pengukuran kemiripan
-Jarak euclidean

Evaluasi
Dokumentasi dan laporan
Selesai

Gambar 13. Diagram alir tahapan penelitian
Tahap ketiga adalah membagi data suara menjadi data uji dan data latih.
Pada data latih akan dilakukan proses penghilangan waktu diam, MFCC dan SOM
sedangkan pada data uji akan dilakukan proses penambahan noise, penghilangan
noise, penghilangan waktu diam dan MFCC. Detail tentang proses-proses yang
dilakukan pada tahap ketiga ini akan dibahas pada subbahasan perancangan model
identifikasi pembicara. Tahap keempat adalah pengukuran kemiripan. Tahap
keempat ini juga akan dijelaskan secara detail pada subbahasan perancangan
model identifikasi pembicara. Tahap kelima adalah evaluasi terhadap teknik yang
dilakukan pada penelitian ini. Detail tentang bagaimana evaluasi dilakukan akan
dijelaskan pada subbahasan pengujian identifikasi pembicara. Tahapan terkahir
adalah dokemuntasi dan pembuatan laporan.

18

Studi Pustaka
Bagian studi pustaka merupakan bagian untuk mengumpulkan teori-teori
yang dibutuhkan untuk penelitian ini. Teori-teori dapat bersumber dari buku,
jurnal atau apapun media yang dapat dijamin kebenarannya. Pada penelitian ini
teori-teori yang diperlukan untuk dilakukan studi pustaka adalah teori tentang
sinyal suara, identifikasi pembicara, noise, MFCC, SOM, LMS dan jarak
Euclidean.

Data Suara
Data suara yang digunakan adalah data suara yang pernah digunakan oleh
Reda et. al (2011) dalam penelitian mereka tentang penelusuran seatu kehadiran.
Data suara yang dikumpulkan memang ditujuan untuk identifikasi pembicara.
Data suara terdiri dari 83 orang pembicara, yang terbagi menjadi 35 pembicara
perempuan dan 48 pembicara laki-laki. Kata-kata yang diucapkan pembicara
merupakan kombinasi dari angka-angka. Masing-masing pembicara memiliki 5
file data suara dalam bentuk wav. Panjang masing-masing file antara 1 detik
sampai 39 detik, untuk lebih rincinya dapat dilihat pada Lampiran 6.
Pengumpulan data dilakukan dengan bekerja sama dengan Microsoft
Research India. Perekaman dilakukan melalui telepon menggunakan sistem IVR
(Interactive Voice Response) pada bulan Maret tahun 2011 di India. Sampling rate
yang digunakan adalah 8000 Hz. Para peserta adalah warga negara India dari
berbagai latar belakang. Setiap peserta diberi beberapa deretan angka, dan diminta
untuk membaca angka dengan menggunakan bahasa Inggris. Karena setiap
pembicara memiliki 5 file suara, berarti ada 5 deretan angka yang masing-masing
pembicara harus ucapkan. Berikut adalah contoh deretan angka yang diberikan
kepada peserta.






File ke 1: 26503897147819045236217896345001376258948
File ke 2: 02154368
File ke 3: 6704352918719
File ke 4: 0635748219561047289
File ke 5: 7852934016275316948052843

Data-data suara yang digunakan dijadikan dalam bentuk format Matlab
2010b, ilustrasi dapat dilihat pada Gambar 14. Pada gambar tersebut terlihat
bahwa kolom pertama berisi kode unik pembicara, kolom kedua sampai kolom
kelima secara berturut adalah file suara pertama sampai kelima untuk masingmsing pembicara. Pada tersebut juga terlihat baris tertentu mewakili data
pembicara tertentu. Baris pertama sampai ke 35 adalah pembicara perempuan dan
baris 36 sampai 83 adalah pembicara laki-laki.

19

Kode unik pembicara

Data suara kedua

Data suara keempat

Setiap baris
mewakili
pembicara
tertentu

Data suara pertama

Data suara ketiga

Data suara kelima

Gambar 14. Ilustrasi data suara

Perancangan Model Identifikasi Pembicara
Secara garis besar model identifikasi pembicara yang dirancang oleh
penelitian ini memiliki dua bagian utama, yaitu bagian pembuatan codebook dan
bagian pengukuran kemiripan. Ilustrasi tentang model yang dibuat dapat dilihat
pada Gambar 15.
Model identifikasi pembicara yang dibuat dimulai dengan tahapan
pembuatan codebook. Codebook dibuat untuk masing-masing suara pembicara
yang ada. Suara pembicara yang digunakan untuk membuat codebook adalah
suara pembicara yang tanpa noise. Suara pembicara yang masuk dipraproses
terlebih dahulu untuk menghilangkan waktu diam (silent). Waktu diam adalah
waktu dimana tidak ada sinyal suara pembicara terdeteksi pada sinyal suara yang
masuk. Cara ini akan membantu MFCC untuk menghasilkan ekstraksi ciri sinyal
suara yang lebih baik. Hal ini disebabka