Contoh DST secara matematis: xk = 2; xn = 1, 1, 2; N = 3; n = 0, 1, 2;
X0 =
��1 ���
� �+�
� + �� + �� + �1 ���
� �+�
� + �� + �� + �2 ���
� �+�
� + �� + ���
X0 = [ �, ��� + � + �, ���]
X0 = 3,121
X1 =
��1 ���
� �+�
� + �� + �� + �1 ���
� �+�
� + �� + �� + �2 ���
� �+�
� + �� + ���
X1 = [
� + � + −�] X1 = -1
X2 = ��1 ���
� �+�
� + �� + �� + �1 ���
� �+�
� + �� + �� + �2 ���
� �+�
� + �� + ���
X2 = [ �, ��� + −� + �, ���]
X2 = 1,121
DST digunakan untuk melakukan analisa frekuensi dari simyal waktu diskrit. Untuk contoh hasil proses DST secara grafis dapat dilihat pada Gambar 2.12.
a Belira b Recorder
c Pianika Gambar 2.12. Contoh sinyal hasil DST dari Gambar 2.11
2.8. Windowing Koefisien
Pada tahap Windowing Koefisien ini, menggunakan sinyal suara yang telah melalui proses sampling dan yang telah ditengahkan. Kemudian pada user interface, user akan
200 400
600 20
40 60
80
X = 108 Y = 78.2
Data Koefisien A
m pl
itudo
200 400
600 20
40 60
X = 110 Y = 52.7
Data Koefisien A
m pl
itudo
200 400
600 10
20 30
40
X = 216 Y = 35.3
Data Koefisien A
m pl
itudo
menentukan nilai persen Windowing Koefisien untuk mengolah data sinyal untuk proses pengenalan suara alat musik belira, pianika, dan recorder.
a Belira b Recorder
c Pianika Gambar 2.13. Contoh sinyal yang telah melalui proses Windowing Koefisien 10 dari
Gambar 2.12 yang telah dinormalisasi
a Belira b Recorder
c Pianika Gambar 2.14. Contoh sinyal yang telah melalui proses Windowing Koefisien 50 dari
Gambar 2.12 yang telah dinormalisasi
a Belira b Recorder
c Pianika Gambar 2.15. Contoh sinyal yang telah melalui proses Windowing Koefisien 100 dari
Gambar 2.12 yang telah dinormalisasi Untuk contoh sinyal secara grafis yang telah melalui proses Windowing Koefisien 10
dapat dilihat pada Gambar 2.14, contoh sinyal secara grafis yang telah melalui proses Windowing Koefisien 50 dapat dilihat pada Gambar 2.15, dan contoh sinyal secara grafis
yang telah melalui proses Windowing Koefisien 100 dapat dilihat pada Gambar 2.16 ketiganya menggunakan frame = 512.
20 40
60 0.5
1
Data Koefisien A
m pl
itudo
20 40
60 0.5
1
Data Koefisien A
m pl
itudo
20 40
60 0.5
1
Data Koefisien
A m
pl itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
2.9. Centering
Centering adalah proses pemilihan sinyal suara yang memiliki amplitudo maksimmal atau tertinggi kemudian ditengahkan. Setelah itu, sinyal yang telah ditempatkan di tengah
dilakukan proses zero padding ke bagian sebelah kanan dan ke bagian sebelah kiri.
2.9.1. Proses Sisi Kiri dan Sisi Kanan
Proses ini bagian dari proses centering. Sinyal akan diproses pada bagian kiri dan bagian kanan. Pada proses sebelah kiri sinyal, sinyal yang berada disebelah kanan dipotong
kemudian sinyal tersebut di zero padding. Begitu juga sebaliknya, proses sebelah kanan sinyal yang berada disebelah kiri dipotong kemudian sinyal tersebut dilakukan proses zero
padding. Untuk contoh secara grafis untuk hasil proses sisi kiri dan proses sisi kanan dapat dilihat pada Gambar 2.16 dan 2.17.
a Belira b Recorder
c Pianika Gambar 2.16. Contoh sinyal hasil proses sisi kiri dari Gambar 2.15
a Belira b Recorder
c Pianika Gambar 2.17. Contoh sinyal hasil proses sisi kanan dari Gambar 2.15
2.9.2. Penggabungan Sisi Kiri dan Sisi Kanan
pada proses penggabungan sisi kiri dan sisi kanan ini adalah proses terakhir dari centering. Masukan pada proses ini adalah hasil dari proses sisi kiri dan sisi kanan. Contoh
secara grafis hasil penggabungan sisi kiri dan sisi kanan dapat dilihat pada Gambar 2.18.
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
100 200
300 0.5
1
Data Koefisien A
m pl
itudo
a Belira b Recorder
c Pianika Gambar 2.18. Contoh sinyal hasil penggabungan proses sisi kiri dan sisi kanan dari
Gambar 2.16 dan 2.17
2.10. Penyekalaan Logaritmis
Pada proses ini, sinyal suara yang masuk ditingkatkan harmonisasinya. Fungsi dari proses ini yaitu untuk meningkatkan amplitudo yang memiliki amplitudo sinyal yang kecil
dan amplitudo sinyal yang besar. Semakin tinggi nilai penyekalaannya ∝, maka akan
semaikin tinggi amplitudonya. Supaya sinyal yang memiliki amplitudo terlalu kecil semakin tinggi sehingga memudahkan pada saat proses pengenalan. Namun untuk sinyal yang telah
memiliki amplitudo tinggi, tinggi amplitudo tersebut tidak akan meningkat terlalu signifikan. Dengan persamaan:
�
�����������
= log10 ∝
�
�������
+1 2.6
dengan �
�������
adalah data masukan dan �
�����������
adalah hasil dari penyekalaan logaritmis.
Contoh penyekalaan secara matematis: ∝ = 10
�
�������
= 0.3
�
�����������
= log10 ∝�
�������
+1
�
�����������
= log10100,3+1
= 0,602
Untuk contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan
∝ =
10 dapat dilihat pada Gambar 2.19, contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan
∝ =
100 dapat dilihat pada Gambar 2.20, dan contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan
∝ =
1000 dapat dilihat pada
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
200 400
600 0.5
1
Data Koefisien A
m pl
itudo
Gambar 2.21 ketiganya menggunakan Frame Blocking = 512 dan Windowing Koefisien 100.
a Belira b Rekorder
c Pianika Gambar 2.19. Contoh sinyal yang telah melalui proses Penyekalaan Logaritmis dengan
∝ = 10 dari Gambar 2.18
a Belira b Rekorder
c Pianika Gambar 2.20. Contoh sinyal yang telah melalui proses Penyekalaan Logaritmis dengan
∝ = 100 dari Gambar 2.18
a Belira b Rekorder
c Pianika Gambar 2.21. Contoh sinyal yang telah melalui proses Penyekalaan Logaritmis dengan
∝ = 1000 dari Gambar 2.18
2.11. Template Matching
