Penerapan mel-frequency cepstrum coefficients (mfcc) sebagai ekstraksi ciri pada transkripsi suara ke teks dengan self organizing maps (som)

PENERAPAN MEL-FREQUENCY CEPSTRUM COEFFICIENTS
(MFCC) SEBAGAI EKSTRAKSI CIRI PADA
TRANSKRIPSI SUARA KE TEKS DENGAN
SELF ORGANIZING MAPS (SOM)

TINO AKBAR

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan MelFrequency Cepstrum Coefficients (MFCC) sebagai Ekstraksi Ciri pada
Transkripsi Suara ke Teks dengan Self Organizing Maps (SOM) 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Februari 2014
Tino Akbar
NIM G64114024

ABSTRAK
TINO AKBAR. Penerapan Mel-Frequency Cepstrum Coefficients (MFCC)
sebagai Ekstraksi Ciri pada Transkripsi Suara ke Teks dengan Self Organizing
Maps (SOM). Dibimbing oleh AGUS BUONO.
Transkripsi suara ke teks adalah suatu teknik yang memungkinkan sebuah
komputer untuk menerima input berupa kata yang diucapkan dan ditranskripsikan
ke dalam sebuah teks. Tujuan penelitian ini adalah mengembangkan suatu sistem
transkripsi suara ke teks dengan ekstraksi ciri MFCC dan pemodelan jaringan
syaraf tiruan Self Organizing Maps (SOM). Data yang digunakan adalah data
suara yang telah direkam dari satu pembicara yang mengucapkan 15 kata untuk
data latih dan 5 kata untuk data uji. Masing-masing kata diulang hingga mencapai
240 data latih dan 50 data uji. Kemudian ciri data suara diekstraksi dengan
sampling rate 11000 Hz, time frame 23.27 ms, overlap 0.39 ms, dan koefisien

cepstral 13 untuk mendapatkan karakteristik dari sinyal suara dalam setiap frame.
Percobaan dilakukan dengan mengenali tiap suku kata yang ada pada data uji.
Hasil menunjukkan bahwa akurasi tertinggi yang diperoleh sebesar 95% pada
kombinasi parameter epoch 10, 30, 50, 70, 90 dan 110, learning rate sebesar 0.5,
penurunan learning rate 0.999, dan radius 0.
Kata kunci: ekstraksi fitur, Mel-Frequency Cepstrum Coefficients (MFCC), Self
Organizing Map, pembicara tunggal, transkripsi

ABSTRACT
TINO AKBAR. Application of Mel-Frequency Cepstrum Coefficients (MFCC)
for Extraction Feature in Voice Transcription to Text Using Self Organizing Map
(SOM). Supervised by AGUS BUONO.
Transcripting voice to the text is a technique that enables a computer to
receive spoken words as input. The purpose of this experiment is to develop a
voice to text transcription system by extracting the characteristics of MFCC and
artificial neural network of Self Organizing Maps (SOM). The data used are
recorded from one speaker who pronounced is words 15 for training data and 5
words for testing data. In total, training and testing data consisted of 240 and 50
data respectively. Then the voice data are extracted with a sampling rate of 11000
Hz, 23.27 ms, 0.39 ms and a cepstral coefficient of 13 to obtain the characteristics

of the speech signal in each frame. The experiment is conducted by identifying
every syllable found in the experiment data. The highest accuration is 95% at
epochs 10, 30, 50, 70, 90 and 110 with a learning rate of 0.5, a learning reduction
rate of 0.999, and a radius of 0.
Key word: feature extraction, Mel-Frequency Cepstrum Coefficients (MFCC),
Self Organizing Map (SOM), single speaker, transcription

PENERAPAN MEL-FREQUENCY CEPSTRUM COEFFICIENTS
(MFCC) SEBAGAI EKSTRAKSI CIRI PADA
TRANSKRIPSI SUARA KE TEKS DENGAN
SELF ORGANIZING MAPS (SOM)

TINO AKBAR

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
Penguji:
2014

Penguji:
1 Karlisa Priandana, ST MEng
2 Toto Haryanto, SKom MSi

Judul Skripsi : Penerapan Mel-Frequency Cepstrum Coefficients (MFCC) sebagai
Ekstraksi Ciri pada Transkripsi Suara ke Teks dengan Self
Organizing Maps (SOM)
Nama
: Tino Akbar
NIM
: G64114024

Disetujui oleh

Dr Ir Agus Buono, MSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang
berjudul Penerapan Mel-Frequency Cepstrum Coefficient (MFCC) sebagai
Ekstraksi Ciri pada Transkripsi Suara ke Teks dengan Self Organizing Maps
(SOM).
Terima kasih penulis ucapkan kepada:
1 Keluarga tercinta yaitu Almarhum Ayahanda Soewery Syukri, Ibunda
Wahyuningsih, Kakak Nadya Tamara, Hiko Rizky dan kekasih Nur Iqlima

atas doa dan dukungannya.
2 Dosen pembimbing, Bapak Dr Ir Agus Buono, MSi MKom atas saran dan
bimbingannya selama penelitian berlangsung.
3 Dosen penguji, Bapak Toto Haryanto, SKom MSi dan Ibu Karlisa
Priananda, ST MEng selaku penguji.
4 Teman-teman satu bimbingan, Aren atas bantuannya, Ima dan temanteman ILKOM 6 dan seluruh pihak yang membantu dalam penyelesaian
penelitian ini.
Semoga karya ilmiah ini bermanfaat bagi mahasiswa Ilmu Komputer dan
pembacanya.

Bogor, Februari 2014
Tino Akbar

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

2

Pengumpulan Data

3

Normalisasi

3

Segmentasi

3

Ekstraksi Ciri Menggunakan MFCC

5

Penentuan Data Latih dan Data Uji

6

Pemodelan Self Organizing Maps (SOM)

7

Pengujian

8

Perhitungan Nilai Akurasi

8

Sensitivity dan Specificity

8

Lingkungan Pengembangan

9

HASIL DAN PEMBAHASAN

9

Pengumpulan Data

9

Ekstraksi Ciri dengan MFCC

9

Pemodelan Self Organizing Maps (SOM)

10

Percobaan Menggunakan Kombinasi Parameter SOM

10

SIMPULAN DAN SARAN

13

Simpulan

13

Saran

13

DAFTAR PUSTAKA

14

RIWAYAT HIDUP

20

DAFTAR TABEL
1
2
3
4

Data latih dalam penelitian
Jumlah data latih dan bobot
Jumlah data uji
Hasil percobaan SOM dengan radius 0 dan penurunan learning rate
0.999
5 Hasil percobaan SOM dengan radius 1 dan penurunan learning rate
0.999

3
6
7
11
11

DAFTAR GAMBAR
1 Diagram alur penelitian proses transkripsi suara ke teks
2 Contoh segmentasi kata 'Hama'
3 Alur blok diagram MFCC
4 Kohonen Self Organizing Maps
5 Grafik hasil percobaan SOM
6 Grafik performance sensitivity dan specificity pada transkripsi suara
ke teks

4
4
5
7
12
12

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12

Pengulangan data uji
Hasil percobaan sistem transkripsi suara ke teks
Klusterisasi data uji pada suku pertama
Perhitungan awalan HA- pada kata HAMA
Perhitungan awalan MA- pada kata MAMA, MAHA dan MAMI
Perhitungan awalan MI pada kata MIMI
Perhitungan awalan ME pada kata MEMI
Klusterisasi data uji pada suku kedua
Perhitungan akhiran MA pada kata HAMA dan MAMA
Perhitungan akhiran HA pada kata MAHA
Perhitungan akhiran MI pada kata MIMI dan MAMI
Rata-rata pada suku kata dengan Sensitivity dan Specificity

15
15
16
17
17
17
17
18
18
18
18
19

PENDAHULUAN
Latar Belakang
Suara adalah alat komunikasi yang digunakan antar manusia yang dilakukan
saat bercakap-cakap. Perkembangan teknologi informasi semakin pesat dan dapat
mempermudah pekerjaan manusia dalam kehidupan sehari-hari. Salah satu sistem
otomatis adalah sistem yang membuat komputer dapat berkomunikasi dengan
manusia. Pengenalan sebuah kata atau kalimat bukanlah hal yang sulit dilakukan
oleh manusia karena kata atau kalimat yang digunakan sehari-hari sudah sering
digunakan dalam kehidupan nyata. Selain sebagai alat komunikasi antar manusia,
suara juga memiliki fungsi lain sebagai alat komunikasi dengan komputer (mesin).
Salah satu contoh penerapan aplikasi yang telah menerapkan suara pada konversi
suara digital sebagai alat komunikasi adalah menerapkan suara kepada mesin atau
robot dalam bentuk perintah.
Penelitian ini memfokuskan pada transkripsi suara ke teks dalam bahasa
Indonesia. Transkripsi suara ke teks adalah suatu teknik yang memungkinkan
sebuah komputer untuk menerima input berupa kata yang diucapkan dan
ditranskripsikan ke dalam sebuah teks. Untuk ekstraksi ciri dan pengenalan pola
digunakan Mel Frequency Cepstrum Coefficients (MFCC) sebagai ekstraksi ciri
dengan Self Organizing Maps (SOM).
Penelitian terkait sebelumnya menggunakan ekstraksi ciri Mel Frequency
Cepstrum Coefficients (MFCC) dan pengenalan pola dengan Self Organizing
Maps (SOM) pada penelitian berjudul Pengenalan Suara Nyanyian untuk Deteksi
Lagu, hasil yang dicapai sistem untuk dapat mengenali suara nyanyian dengan
tingkat akurasi yang didapatkan sebesar 99.6% (Pandu 2012). Pada penelitian
terkait lainnya dengan membandingkan Wavelet dan MFCC sebagai ekstraksi ciri
pada proses pengenalan fonem, penggunaan metode Wavelet Daubechies sebagai
ekstraksi ciri pada pengenalan pola tidak lebih baik dari metode MFCC. Untuk
Wavelet Daubechies mempunyai tingkat akurasi 36% sedangkan MFCC mencapai
tingkat akurasi 100% (Taufani 2011). MFCC merupakan ekstraksi fitur yang
umum digunakan pada pengolahan suara dan pengenalan pembicara (Buono et al
2011). Maka dari itu, penelitian ini akan mengimplementasikan MFCC sebagai
ekstraksi ciri dengan Self Organizing Maps (SOM) pada transkripsi suara ke teks.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Memodelkan jaringan syaraf tiruan yaitu Self Organizing Maps (SOM) untuk
transkripsi suara ke teks.
2 Mengetahui akurasi transkripsi suara ke teks dengan ekstraksi ciri MFCC dan
SOM sebagai metodenya.

2
Manfaat Penelitian
Penelitian ini dilakukan untuk memberikan informasi nilai akurasi dan
mengetahui kinerja dari pemodelan dengan metode menggunakan jaringan syaraf
tiruan Self Organizing Maps (SOM) dengan ekstraksi ciri MFCC dalam
transkripsi suara ke teks.

Ruang Lingkup Penelitian
1
2
3
4
5
6
7
8

Ruang lingkup penelitian ini adalah:
Kata-kata yang digunakan adalah kata dalam bahasa Indonesia
Jumlah pembicara dalam penelitian ini adalah satu
Kata acuan yang digunakan adalah MEMAHAMI
Kata yang dapat dikenali adalah potongan tiap suku kata pada kata acuan
MEMAHAMI
Jumlah suku kata acuan ada empat yaitu ME-, MA-, HA- dan MI-.
Kata yang diujikan adalah hama, mama, maha, mimi dan mami
Jumlah suku kata yang digunakan pada perulangan suku kata pada kata acuan
untuk penelitian ini adalah dua suku kata
Masing-masing 15 kata dari suku kata pada kata acuan ME-, MA-, HA- dan
MI- yang digunakan untuk data latih dan bobot adalah sebagai berikut :
• 15 kata berawalan me- adalah megah, mekar, mekah, melar, melas,
menang, menit, merak, mesin, mesir, melit, mecut, meluk, meram dan
metik
• 15 kata berawalan ma- adalah mabuk, mahar, malas, majas, makam,
makan, mama, mari, malang, main, marah, masuk, maling, malam dan
manis
• 15 kata berawalan ha- adalah hama, halo, haji, hadir, hadis, hakim, halus,
hati, hawa, hafal, hapus, harap, hadap, hari dan hasil
• 15 kata berawalan mi- adalah mika, mikir, milan, mili, mi lik,
mimik,
minat, minor, minum, minus, mirah, miring, mirip, misal dan mitos

METODE
Penelitian ini dilakukan dengan beberapa tahapan, yaitu pengumpulan data,
normalisasi, segmentasi, ekstraksi ciri dan pengenalan pola. Penelitian ini
dilakukan dengan mengambil data suara dari satu orang dengan mengucapkan 15
kata berbeda dengan pengulangan sebanyak 4 kali untuk data latih dan bobot dan
mengucapkan 5 kata dengan pengulangan sebanyak 10 kali untuk data uji. Bagian
silence pada data suara akan dihapus. Setelah itu data suara akan dinormalisasi
dan dilakukan segmentasi. Kemudian data akan diolah dengan proses MFCC.
Data suara dibagi menjadi 3 yaitu data latih, data uji dan bobot. Untuk lebih jelas
metode penelitian ini dapat dilihat pada Gambar 1.

3
Pengumpulan Data
Penelitian ini akan menggunakan data yang telah didigitalisasi dan direkam
dari satu orang pembicara yang mengucapkan 15 kata dengan pengulangan
sebanyak 4 kali dan mengucapkan 5 kata dengan pengulangan sebanyak 10 kali.
Setiap suara direkam dengan rentang waktu 5 detik dengan sampling rate 11000
Hz dalam bentuk berekstensi WAV sehingga data yang dikumpulkan sebanyak
290 data suara. Hasil rekaman sebanyak 236 data suara dijadikan data latih, 4 data
suara dijadikan data bobot dan 50 data suara dijadikan data uji. Kata yang
digunakan untuk data latih dalam penelitian ini dapat dilihat pada Tabel 1.
Tabel 1 Data latih dalam penelitian
Awalan MeMegah
Mekar
Mekah
Melar
Melas
Menang
Menit
Merak
Mesin
Mesir
Melit
Mecut
Meluk
Meram
Metik

Awalan MaMabuk
Mahar
Malas
Majas
Makam
Makan
Mama
Mari
Malang
Main
Marah
Masuk
Maling
Malam
Manis

Awalan HaHama
Halo
Haji
Hadir
Hadis
Hakim
Halus
Hati
Hawa
Hafal
Hapus
Harap
Hadap
Hari
Hasil

Awalan MiMika
Mikir
Milan
Mili
Milik
Mimik
Minat
Minor
Minum
Minus
Mirah
Miring
Mirip
Missal
Mitos

Normalisasi
Normalisasi dilakukan dengan membagi nilai setiap frekuensi sinyal dengan
absolute maksimum dari sebuah frekuensi sinyal suara. Tujuan normalisasi untuk
menghasilkan amplitude maksimum dan minimum yang normal yaitu satu dan
minus satu sehingga dapat menormalkan tingkat kekerasan suara.
Segmentasi
Tahapan ini membuat setiap suku kata dari kata yang direkam akan
dipisahkan secara otomatis menggunakan Matlab. Potongan suku kata dari kata
yang telah direkam hanya diambil suku kata pertama saja untuk data latih
sedangkan potongan suku kata pertama dan suku kata kedua digunakan untuk data
uji. Contoh hasil dari segmentasi yang dilakukan dapat dijelaskan pada Gambar 2.

4
Mulai

Pengumpulan Data
Suara (290 Data
Suara)

Normalisasi

Segmentasi

MFCC

Data
Latih

Data Uji

SOM

Hasil Pembobotan
Pengajuan Model
SOM

Analisis Akurasi

Selesai

Gambar 1 Diagram alur penelitian proses transkripsi suara ke teks

HAMA
Gambar 2 Contoh segmentasi kata 'Hama'

HA-MA

5
Ekstraksi Ciri Menggunakan MFCC
Tujuan ekstraksi ciri untuk mereduksi ukuran data suara tanpa mengubah
karakteristik dari sinyal suara dalam setiap frame yang dapat digunakan sebagai
penciri serta digunakan pada berbagai bidang pemrosesan suara, karena dianggap
cukup baik dalam merepresentasikan ciri sebuah sinyal (Buono 2009). Ciri yang
digunakan adalah koefisien Cepstral dengan mempertimbangkan pendengaran
manusia. Gambar 3 menampilkan tahapan MFCC sebagai berikut (Do 1994):
Frame

Windowing

Cepstrum

FFT

Mel-Frequency
Wrapping

Gambar 3 Alur blok diagram MFCC
1

Frame Blocking
Pada tahap ini dilakukan segmentasi frame dengan lebar tertentu yang saling
overlapping frame. Tiap hasil frame direpresentasikan dalam sebuah vektor. Agar
tidak kehilangan informasi (Do 1994).

2

Windowing
Merupakan salah satu jenis filtering frame dengan mengalikan frame dengan
window yang digunakan. Windowing dilakukan untuk meminimalkan
diskontinuitas (non-summary) sinyal pada bagian awal dan akhir sinyal suara.
Penelitian suara banyak menggunakan Window Hamming karena kesederhanaan
formulanya dan nilai kerja window. Persamaan Window Hamming dapat
dituliskan sebagai berikut (Do 1994):
2πn

w(n)=0.54-0.46 cos �N-1�

Keterangan :
n = 0,…,N-1

(1)

3

Fast Fourier Transform (FFT)
FFT merupakan algoritme yang mengimplementasikan discrete fouries
transform (DFT). DFT adalah mengubah tiap frame dari domain waktu ke domain
frekuensi yang didefinisikan pada persamaan berikut (Do 1994) :
N-1

Xk = ∑n=0 Xn e-j2πkn/N , k = 0, 1, 2,…,N-1

Keterangan :
Xk = magnitude frekuensi

(2)

6
Xn = nilai sampel yang akan diproses , k = N/2 + 1
N = jumlah data , j = bilangan imajiner
4

Mel-Frequency Wrapping
Persepsi sistem pendengaran manusia terhadap sinyal suara ternyata tidak
hanya bersifat linear (Buono 2009). Penerimaan sinyal suara untuk frekuensi
rendah di bawah 1000 bersifat linear, sedangkan frekuensi tinggi di atas 1000
bersifat logaritmik. Skala inilah yang disebut skala mel-frequency berupa filter.
Persamaan berikut dapat digunakan untuk perhitungan mel-frequency dalam
frekuensi Hz (Buono 2009):
FHz
2595* log10 �1+ 700
� jika FHz >1000
Fmel = �
(3)
FHz
jika FHz ≤1000
5

Cepstrum
Cepstrum merupakan hasil mel-frequency yang diubah menjadi domain waktu
menggunakan discrete cosine transform (DCT). Berikut persamaannya (Buono
2009) :
C j = ∑M
i=1 Xi cos �

j�i-1� π
2

M

�

(4)

Keterangan :
�� = nilai koefisien C ke �
� = 1, 2, 3,… sampai koefisien yang diharapkan
Xi = nilai X hasil mel-frequency wrapping pada frekuensi i=1, 2 sampai n
jumlah wrapping
� = jumlah filter
Penentuan Data Latih dan Data Uji

Pada tahap ini, dilakukan pembagian data latih dan data uji. Pembagian
masing-masing data tersebut adalah 236 untuk data latih, 50 untuk data uji dan 4
untuk bobot. Kemudian, data latih yang sudah dipilih akan dilakukan tahap
pemodelan Self Organizing Maps (SOM) sebagai vektor input dan data bobot
untuk bobot awal. Lebih detail banyaknya data latih dan data uji untuk masingmasing suku kata dapat dilihat pada Tabel 2 dan Tabel 3.
Tabel 2 Jumlah data latih dan bobot
Suku kata
MeMaHaMi-

Banyaknya kata
direkam
15 kata
15 kata
15 kata
15 kata

Suku kata yang
diambil
15 suku kata me15 suku kata ma15 suku kata ha15 suku kata mi-

Pengulangan

Jumlah

4 kali
4 kali
4 kali
4 kali

60
60
60
60

Tabel 2 menunjukkan jumlah data latih dan bobot yang digunakan pada
penelitian transkripsi suara ke teks. Total data latih yang digunakan sebanyak 236
dan bobot sebanyak 4 yang diambil dari data terakhir pada data latih.

7
Tabel 3 Jumlah data uji

Hama
Mama
Maha
Mimi
Mami

Banyaknya kata
direkam
1 kata
1 kata
1 kata
1 kata
1 Kata

Suku kata yang
diambil
ha- dan mama- dan mama- dan hami- dan mima- dan mi-

Memi

1 Kata

me dan mi-

Kata

Pengulangan

Jumlah

10 kali
10 kali
10 kali
10 kali
10 kali

10
10
10
10
10

10 kali

10

Tabel 3 menunjukkan jumlah data uji dan kata yang digunakan pada
penelitian transkripsi suara ke teks. Total data uji yang digunakan sebanyak 50,
dari banyaknya lima kata yang direkam dengan pengulangan 10 kali.

Pemodelan Self Organizing Maps (SOM)
Self Organizing Maps atau juga disebut topology preserving adalah topologi
antara unit kluster. Metode ini merupakan salah satu model jaringan syaraf tiruan.
Bobot vektor untuk tiap unit kluster berfungsi sebagai contoh dari input pola yang
terkait dengan unit kluster tersebut. Selama proses pengenalan pola Self
Organizing Maps, akan dipilih satu kluster sebagai winner dan kluster winner
serta kluster tetangganya akan memperbaharui bobot kluster. Kluster winner
ditentukan berdasarkan jarak minimal atau jarak terdekat dari bobotnya.
Arsitektur dan model SOM dapat dilihat pada Gambar 4 (Fausett 1994).

Gambar 4 Kohonen Self Organizing Maps
Jika:
��� = Bobot yang diambil dari data suara per suku kata

��� = Vektor input dari data suara

R = Mengatur jarak topologi sekitarnya pada transkripsi suara ke teks yaitu 0,1
dan 2

8
D(j) = Perhitungan vektor masukan dan bobot yang sudah ditentukan
J = Vektor input terdekat yang akan diambil (minimum)
��� (����) = Bobot pemenang yang diperoleh pada saat pelatihan akan
diperbaharui

Maka algoritme pengelompokkan pola jaringan SOM adalah sebagai berikut
(Fausett 1994):
0 Inisialisasi
• Bobot ��� (Acak)
• Laju pembelajaran awal dan faktor penurunannya.
• Bentuk dan jari-jari (=R) topologi sekitarnya.
1 Selama kondisi penghentian bernilai salah, lakukan langkah 2-7
2 Untuk setiap vektor masukan x, lakukan langkah 3-5
3 Hitung jarak Euclidean untuk semua j :
D(j) = ∑(��� − ��� )2
4 Tentukan indeks J sedemikian hingga D(J) minimum
5 Untuk setiap unit j di sekitar J modifikasi bobot :
��� (����) = ��� (����) + �(�� − ��� (����)
6 Modifikasi laju pembelajaran (learning rate)
7 Uji kondisi penghentian

(5)

(6)

Pengujian
Pengujian dilakukan pada data uji yang telah dinormalisasi dan
disegmentasi lalu diekstraksi ciri dengan MFCC kemudian di-cluster dengan
SOM menggunakan bobot dari data latih. Pengenalan kata untuk transkripsi suara
ke teks suara yang masuk akan dilihat masuk ke kluster yang sesuai. Output yang
akan dihasilkan berupa nilai akurasi yang didapat dan tulisan kata yang telah
diucapkan.
Perhitungan Nilai Akurasi
Pengujian dilakukan pada data uji yang sudah disiapkan. Perhitungan
dilakukan dengan membandingkan banyaknya hasil suku kata yang benar dengan
suku kata yang diuji. Presentase tingkat akurasi akan dihitung dengan fungsi
berikut :
∑ suku kata yang benar
Hasil= ∑ suku kata yang diuji x 100%
(7)
Sensitivity dan Specificity
Dari hasil pengujian yang dilakukan akan menghasilkan matriks konfusion
yang selanjutnya akan diproses untuk menentukan nilai sensitivity dan specificity.
Sensitivity mengukur presentase kejadian sebenarnya yang diidentifikasi sesuai
dengan kelasnya. Specificity mengukur presentase kejadian untuk membedakan
data yang bukan dari kelas x dari semua data selain kelas x. Berikut adalah rumus
untuk menghitung sensitivity dan specificity (Novianti dan Purnami 2012) :

9
Sensitivity=

Specificity=

Number of True Positive
Number of True Positive+Number of False Negative

Number of True Negative
Number of True Negative+Number of False Positive

(8)

(9)

Keterangan :
• True Positive = Correctly Identified (diidentifikasi dengan benar)
• False Positive = Incorrectly Identified (salah diidentifikasi)
• True Negative = Correctly Rejected (ditolak dengan benar )
• False Negative = Incorrectly Rejected (salah ditolak )

Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut :
1 Perangkat Keras
• Processor Intel(R) CoreTM 2 Duo CPU @1.83GHz.
• Memori 2.5GB.
• Harddisk 100GB.
• Keyboard dan Mouse Optic.
• Monitor.
2 Perangkat Lunak
• Sistem operasi Windows 7 Ultimate 64 bit
• Matlab 7.7.0 (R2008b).

HASIL DAN PEMBAHASAN
Pengumpulan Data
Data suara yang digunakan pada penelitian ini telah didigitalisasi dan
direkam dari satu pembicara dengan mengucapkan kata sebanyak 15 kata untuk
data latih dan 5 kata untuk data uji. Kata direkam dengan rentang waktu 5 detik
dengan sampling rate 11000 Hz dalam bentuk file berekstensi WAV. Jumlah data
suara untuk data latih dan bobot yang direkam adalah sebanyak 240 data suara
dari empat suku kata acuan masing-masing suara sebanyak 15 data suara.
Sebanyak 50 data suara yang direkam akan dijadikan data uji dari kata yang
diujikan yaitu hama, mama, maha, mimi, mami dan memi.
Ekstraksi Ciri dengan MFCC
Data suara yang telah direkam dinormalisasi dengan cara membagi nilai
setiap frekuensi sinyal dengan absolute maksimum dari sebuah frekuensi sinyal
suara untuk menghasilkan amplitudo maksimum dan minimum yaitu satu dan

10
minus satu, sehingga dapat menormalkan tingkat kekerasan suara. Data yang telah
dinormalisasi akan dilakukan tahap segmentasi yaitu memisahkan potongan suku
kata yang telah direkam. Potongan suku kata nya hanya diambil suku kata pertama
saja, suku kata terakhir tidak digunakan.
Kemudian data suara diekstraksi ciri menggunakan MFCC, time frame
yang digunakan sebesar 23.27, sampling rate 11000, overlap 0.39 serta koefisien
cepstral 13. Proses ekstraksi ciri ini dilakukan tehadap data latih, data uji dan
bobot. MFCC mengubah sinyal suara ke dalam sebuah matriks yang berukuran
jumlah koefisien yang digunakan dikali dengan banyaknya frame suara yang
terbentuk. Matriks yang dihasilkan menunjukkan ciri spectral dari sinyal suara.
Data suara yang dihasilkan dari proses MFCC memiliki jumlah frame yang
berbeda-beda.
Pemodelan Self Organizing Maps (SOM)
Tahap pemodelan SOM menentukan nilai parameter yang digunakan seperti
epoch, learning rate, penurunan learning rate dan radius. Vektor masukan x
diambil dari data latih dan bobot awal diambil dari data latih. Parameter awal dari
algoritme SOM yang digunakan adalah :
• Learning rate : 0.1, 0.3, 0.5, 0.7, dan 0.9
• Penurunan learning rate sebesar, 0.999
• Ukuran lingkungan (R) : 0,1, dan 2
Bobot awal yang diambil dari data latih digunakan untuk melatih dengan
pemodelan SOM. Selama proses pelatihan data latih maka bobot akan selalu
terupdate. Kriteria pemberhentian algoritme SOM dalam penelitian ini adalah
iterasi (epoch) dengan banyak iterasi: 10, 30, 50, 70, 90 dan 110. Dari berbagai
kombinasi parameter awal dan iterasi, akan dipilih kluster yang bobot vektornya
sesuai dengan pola masukan dipilih sebagai kluster pemenang sebagai kluster
terbaik dan kluster pemenang serta kluster tetanggannya akan memperbaharui
bobot kluster.

Percobaan Menggunakan Kombinasi Parameter SOM
Pada tahap pengujian ini dilakukan kombinasi parameter agar memperoleh
perbandingan akurasi yang terbaik mana yang akan diperoleh. Percobaan yang
sudah dilakukan yaitu pada percobaan SOM dengan radius 0 dan 1 dilakukan
kombinasi parameter dengan learning rate sebesar 0.1, 0.3, 0.5, 0.7, 0.9, 0.001,
0.003, 0.005, 0.007 dan 0.009, nilai epoch 10, 30, 50, 70 dan 90 dan penurunan
learning rate 0.999. Percobaan tersebut menghasilkan akurasi tertinggi sebesar
95% dengan nilai epoch 10, 30, 50, 70 dan 90, learning rate 0.5, penurunan
learning rate 0.999 dan radius 0. Hasil percobaan pengujian SOM dengan radius 0
dan radius 1 dapat dilihat di Tabel 4 dan Tabel 5.

11
Tabel 4 Hasil percobaan SOM dengan radius 0 dan penurunan learning rate 0.999
Epoch
10
30
50
70
90
Rata-rata

0.1
91%
91%
91%
87%
87%
89%

0.3
91%
42%
42%
42%
41%
52%

0.5
95%
95%
95%
95%
95%
95%

0.7
93%
93%
93%
94%
94%
93%

Learning Rate
0.9 0.001 0.003 0.005 0.007 0.009
91% 52% 55% 57% 57% 59%
92% 55% 58% 68% 72% 77%
91% 57% 66% 75% 83% 84%
91% 57% 72% 83% 84% 85%
91% 58% 76% 83% 85% 85%
91% 56% 65% 73% 76% 78%

Tabel 4 menunjukan hasil keluaran transkripsi suara ke teks dengan akurasi
terbaik yang didapatkan pada percobaan sebelumnya yang dilakukan yaitu sebesar
95% dengan epoch 10, 30, 50, 70 dan 90, learning rate 0.5, ralpha 0.999 dan
radius berjarak 0.
Tabel 5 Hasil percobaan SOM dengan radius 1 dan penurunan learning rate 0.999
Epoch
10
30
50
70
90
Rata-rata

0.1
31%
31%
31%
31%
30%
31%

0.3
18%
18%
17%
17%
15%
17%

0.5
19%
19%
19%
19%
19%
19%

0.7
12%
19%
15%
15%
16%
15%

Learning Rate
0.9 0.001 0.003 0.005 0.007 0.009
64% 48% 22%
8%
6%
4%
64% 22%
4%
2%
3%
4%
61% 8%
4%
2%
3%
4%
60% 6%
4%
2%
3%
6%
60% 3%
4%
1%
9%
27%
62% 17%
8%
3%
5%
9%

Tabel 5 menunjukkan akurasi terendah sebesar 1% dengan nilai epoch 90,
learning rate 0.005, penurunan learning rate 0.999 dan radius berjarak 1. Gambar
5 menunjukkan grafik hasil akurasi dari beberapa percobaan kombinasi parameter
dan Gambar 6 menunjukkan grafik performance sensitivity dan specificity pada
transkripsi suara ke teks.
Pada Gambar 5 menunjukkan rata-rata hasil akurasi, transkripsi suara ke
teks maksimum dan minimum memiliki akurasi yang paling baik yaitu 95% pada
kombinasi parameter SOM radius berjarak 0. Dengan jarak radius bernilai nol
menghasilkan akurasi terbaik tergantung dengan parameter yang dikombinasikan
sehingga didapatkan akurasi tertinggi.
Percobaan yang sudah dilakukan (Tabel 4 dan 5) menunjukkan tingkat
akurasi rata-rata pengenalan suara yang diucapkan dari 290 data suara. Dari
percobaan penelitian yang diujikan terdapat hasil berbeda dari tiap penggalan
suku kata yang didapatkan, karena adanya tingkat kemiripan tiap suku kata yang
diujikan. Sebagai contoh, terjadi kesalahan sistem mengenali suku kata ‘ha’ dan
‘ma’. Untuk suku kata ‘ma’, ‘me’ dan ‘mi’ dapat dikenali sistem mencapai 100%.
Akan tetapi untuk suku kata ‘ha’ sistem lebih sering mengenali ‘ma’ sehingga
hasil teks yang dihasilkan seperti ‘hama’ menjadi ‘mama’ dan’maha’ menjadi
‘mama’. Kesalahan sistem dalam mentranskripsi suara ke teks terjadi pada suara
hama5.wav, hama8.wav, hama9.wav dan maha1.wav. Hasil percobaan sistem
dapat dilihat pada Lampiran 2.

12
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
0,1

0,3

0,5

0,7

0,9

Parameter SOM Radius 0

0,001

0,003

0,005

0,007

0,009

Parameter SOM Radius 1

Gambar 5 Grafik hasil percobaan SOM
Pada Gambar 6 menunjukkan sensitivity dan specificity pada kombinasi
parameter SOM tertinggi yaitu epoch 10, 30, 50, 70,90 dan 110, learning rate 0.5,
penurunan learning rate 0.999 dan radius 0. Kelas Me menunjukkan specificity
dan sensitifity tertinggi yaitu 1, hal ini menunjukkan sensitifity data yang
diidentifikasi masuk ke kelas Me adalah benar dan specificity tinggi untuk
membedakan data yang bukan dari kelas Me dari semua data. Kelas Hamenunjukkan sensitivity tertinggi sebesar 1. Hal ini menunjukkan sensitivity data
yang diidentifikasi masuk ke kelas Ha adalah benar. Kemampuan kelas Ha kecil
untuk membedakan data yang bukan dari kelas Ha dari semua data sehingga
specificity yang didapat kelas HA sebesar 0.95.

1
0,98
0,96
0,94
0,92
0,9
0,88
HA

MI
Sensitivity

MA

ME

Specificity

Gambar 6 Grafik performance sensitivity dan specificity pada transkripsi suara ke
teks

13
Kelas Ma dan Mi menunjukkan sensitivity rendah yaitu sebesar 0.925 dan
0.98 ini menunjukkan kelas Ma- dan Mi- salah mengidentifikasi kelas lain sebagai
kelasnya. Kemampuan kelas Ma dan Mi tinggi untuk membedakan data yang
bukan dari kelas Ma dan Mi sehingga specificity yang didapatkan tinggi sebesar 1.
Rata-rata pada suku kata dengan sensitivity dan specificity dapat dilihat di
Lampiran 12.

SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil dalam menerapkan Mel Frequency Cepstrum
Coeffiicients (MFCC) dalam transkripsi suara ke teks dengan Self Oranizing Maps
(SOM). Dari kombinasi parameter yang dilakukan menghasilkan akurasi tertinggi
yaitu 95% pada kombinasi parameter dengan epoch 10, 30, 50, 70 dan 90,
learning rate 0.5, penurunan learning rate 0.999 dan radius berjarak 0. Dan
menghasilkan akurasi tertinggi sebesar 64% pada kombinasi parameter epoch 10
dan 30, learning rate 0.9, ralpha 0.999 dan radius berjarak 1.
Berdasarkan hasil percobaan yang dilakukan, nilai epoch semakin kecil
dengan kombinasi learning rate semakin besar dan radius berjarak nol akan
menghasilkan akurasi yang lebih tinggi dibandingkan dengan nilai epoch yang
semakin besar dengan kombinasi learning rate semakin kecil dan radius berjarak
satu dan dua akan menghasilkan akurasi lebih rendah. Ini menunjukkan bahwa
penentuan nilai parameter sangat berpengaruh dalam mendapatkan hasil akurasi
yang terbaik.
Saran
Penelitian ini memungkinkan untuk dikembangkan lebih lanjut Saran untuk
pengembangan selanjutnya ialah:
1 Jumlah kata yang lebih banyak agar memperoleh suku kata yang lebih variatif
2 Jumlah pembicara yang lebih banyak
3 Akurasi terbaik didapatkan pada penelitian transkripsi suara ke teks dengan
Self Organizing Maps (SOM) ini, akan tetapi dapat dicoba untuk suku kata
yang digunakan lebih dari dua.

14

DAFTAR PUSTAKA
Buono A. 2009. Representasi Nilai HOS dan Model MFCC Sebagai Ekstraksi Ciri
Pada Sistem Identifikasi Pembicara di Lingkungan Ber-Noise Menggunakan
HMM [Disertasi]. Depok (ID): Program Pascasarjana, Universitas Indonesia.
Buono A, Jatmiko W, Kusumoputro B. 2011. Mel-frequency cepstrum
coefficients as higher order statistics representation to characterize speech
signal for speaker identification system in noisy environment using hidden
Markov model. Di dalam: Mwasiagi JI, editor. Self Organizing Maps Applications and Novel Algorithm Design. Rijeka (HR): Intech. hlm 189-206.
doi: 10.5772/566.
Do MN. 1994. DSP Mini Project: An Automatic Recognition System. Audio
Visual Communication Laboratory. Swiss Federal Institute of Technology.
http://www.ifp.illinois.edu/~minhdo/teaching/speaker_recognition/
Fausett L. 1994. Fundamentals Of Neural Networks: Architectures, Algorithms,
and Applications. New Jersey (US): Prentice Hall.
Novianti FA, Purnami SW. 2012. Analisis Diagnosis Pasien Kanker Payudara
Menggunakan Regresi Logistik dan Support Vector Machine (SVM)
Berdasarkan Hasil Mamografi. Jurnal Sains dan Seni. 1(1):D-147-D-152.
Pandu RS. 2012. Pengenalan suara nyanyian deteksi lagu menggunakan jaringan
syaraf tiruan Self Organizing Map (SOM) [skripsi]. Bandung (ID): Jurusan
Teknik Telekomunikasi, Fakultas Elektro dan Komunikasi, Institut Teknologi
Telkom.
Taufani MF. 2011. Perbandingan pemodelan Wavelet dan MFCC sebagai
Ekstraksi Ciri pada Pengenalan Fonem dengan Teknik Jaringan Syaraf Tiruan
sebagai Classifier [skripsi]. Bogor (ID): Jurusan Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

15

Lampiran 1 Pengulangan data uji
Pengulangan

Hama

1
2
3
4
5
6
7
8
9
10

Hama1
Hama2
Hama3
Hama4
Hama5
Hama6
Hama7
Hama8
Hama9
Hama10

Mama

Maha

Mimi

Mami

Memi

Mama1 Maha1 Mimi1 Mami1 Memi1
Mama1 Maha2 Mimi2 Mami2 Memi2
Mama1 Maha3 Mimi3 Mami3 Memi3
Mama1 Maha4 Mimi4 Mami4 Memi4
Mama1 Maha5 Mimi5 Mami5 Memi5
Mama1 Maha6 Mimi6 Mami6 Memi6
Mama1 Maha7 Mimi7 Mami7 Memi7
Mama1 Maha8 Mimi8 Mami8 Memi8
Mama1 Maha9 Mimi9 Mami9 Memi9
Mama1 Maha10 Mimi10 Mami10 Memi10

Lampiran 2 Hasil percobaan sistem transkripsi suara ke teks
Nama File
hama1.wav
hama2.wav
hama4.wav
hama4.wav
hama5.wav
hama6.wav
hama7.wav
hama8.wav
hama9.wav
hama10.wav
mama1.wav
mama2.wav
mama3.wav
mama4.wav
mama5.wav
mama6.wav
mama7.wav
mama8.wav
mama9.wav
mama10.wav
maha1.wav
maha2.wav
maha3.wav
maha4.wav
maha5.wav
maha6.wav
maha7.wav

Hasil penggal kata
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ha-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ma
ma-ha
ma-ha
ma-ha
ma-ha
ma-ha
ma-ha
ma-ha

Hasil Pengujian
hama
hama
hama
hama
mama
hama
hama
mama
mama
hama
mama
mama
mama
mama
mama
mama
mama
mama
mama
mama
mama
maha
maha
maha
maha
maha
mami

16
maha8.wav
maha9.wav
maha10.wav
mimi1.wav
mimi2.wav
mimi3.wav
mimi4.wav
mimi5.wav
mimi6.wav
mimi7.wav
mimi8.wav
mimi9.wav
mimi10.wav
mami1.wav
mami2.wav
mami3.wav
mami4.wav
mami5.wav
mami6.wav
mami7.wav
mami8.wav
mami9.wav
mami10.wav
memi1.wav
memi2.wav
memi3.wav
memi4.wav
memi5.wav
memi6.wav
memi7.wav
memi8.wav
memi9.wav
memi10.wav

ma-ha
ma-ha
ma-ha
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
mi-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
ma-mi
me-mi
me-mi
me-mi
me-mi
me-mi
me-mi
me-mi
me-mi
me-mi
me-mi

maha
maha
maha
mimi
mimi
mimi
mimi
mimi
mimi
mimi
mimi
mimi
mimi
mami
mami
mami
mami
mami
mami
mami
mami
mami
mami
memi
memi
memi
memi
memi
memi
memi
memi
memi
memi

Lampiran 3 Klusterisasi data uji pada suku pertama
Suku Pertama
HAMA = HAMAMA =MAMAHA = MAMIMI = MIMAMI = MAMEMI = ME-

Cluster 1
(HA)
7

Cluster 2
(MI)

Cluster 3
(MA)
3
10
10

Cluster 4
(ME)

10
10
10

Total
10
10
10
10
10
10

17
Lampiran 4 Perhitungan awalan HA- pada kata HAMA

HA
BUKAN HA

HA

BUKAN HA

7
0
Sensitivity
= TP / (TP + FN)
= 7 / (7 + 0)
=1

3
50
Specificity
= TN / (FP + TN)
= 50 / (50 + 3)
= 0.94

Lampiran 5 Perhitungan awalan MA- pada kata MAMA, MAHA dan MAMI

MA
BUKAN MA

MA

BUKAN MA

30
3
Sensitivity
= TP / (TP + FN)
= 30 / (30 + 3)
= 0.90

0
27
Specificity
= TN / (FP + TN)
= 27 / (27 + 0)
=1

Lampiran 6 Perhitungan awalan MI pada kata MIMI

MI
BUKAN MI

MI

BUKAN MI

10
0
Sensitivity
= TP / (TP + FN)
= 10 / (10 + 0)
=1

0
50
Specificity
= TN / (FP + TN)
= 50 / (50 + 0)
=1

Lampiran 7 Perhitungan awalan ME pada kata MEMI

ME
BUKAN ME

ME

BUKAN ME

10
0
Sensitivity
= TP / (TP + FN)
= 10 / (10 + 0)
=1

0
50
Specificity
= TN / (FP + TN)
= 50 / (50 + 0)
=1

18
Lampiran 8 Klusterisasi data uji pada suku kedua
Suku Kedua
HAMA = MAMAMA = MAMAHA = HAMIMI = MIMAMI = MIMEMI = MI-

Cluster 1
(HA)

8

Cluster 2
(MI)

1
10
10
10

Cluster 3
(MA)
10
10
1

Cluster 4
(ME)

Lampiran 9 Perhitungan akhiran MA pada kata HAMA dan MAMA

MA
BUKAN MA

MA

BUKAN MA

20
1
Sensitivity
= TP / (TP + FN)
= 20 / (20 + 1)
= 0.95

0
39
Specificity
= TN / (FP + TN)
= 39 / (39 + 0)
=1

Lampiran 10 Perhitungan akhiran HA pada kata MAHA

HA
BUKAN HA

HA

BUKAN HA

8
0
Sensitivity
= TP / (TP + FN)
= 8 / (8 + 0)
=1

2
50
Specificity
= TN / (FP + TN)
= 50 / (50 + 2)
= 0.96

Lampiran 11 Perhitungan akhiran MI pada kata MIMI dan MAMI

MI
BUKAN MI

MI

BUKAN MI

30
1
Sensitivity
= TP / (TP + FN)
= 30 / (30 + 1)

0
29
Specificity
= TN / (FP + TN)
= 29 / (29 + 0)

Total
10
10
10
10
10
10

19
= 0.96

=1

Lampiran 12 Rata-rata pada suku kata dengan Sensitivity dan Specificity
Sensitifity

Specificity

HA

1

0.95

MA

0.925

1

MI

0.98

1

ME

1

1

20

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 17 Desember 1990 di Balikpapan. Penulis
merupakan anak ketiga dari tiga bersaudara.
Tahun 2002 penulis lulus dari SD Negeri 085 Balikpapan, kemudian
melanjutkan pendidikan di SMP PGRI 3 Bogor. Pada tahun 2005, penulis
melanjutkan pendidikan di SMA Taruna Andigha Bogor dan lulus pada tahun
2008. Pada tahun yang sama penulis lulus seleksi masuk IPB melalui jalur
Undangan Seleksi Masuk IPB. Pada tahun 2011 penulis lulus dari program
Diploma Manajemen Informatika Institut Pertanian Bogor, pada tahun yang sama
penulis melanjutkan pendidikan ke program studi Sarjana di Departemen Ilmu
Komputer, Institut Pertanian Bogor, dengan memilih program studi Ilmu
Komputer.