emphasis merujuk pada
proses memaksimalkan
kualitas sinyal dengan
meminimalkan efek noise seperti distorsi selama perekaman dan transmisi data,
serta memperhalus bentuk spectral frekuensi [9].
Pre-emphasis didasari oleh hubungan input dan output dalam domain waktu yang dinyatakan dalam persamaan 2-16.
1
n ay
n x
n y
2-16 Keterangan :
yn = sinyal hasil pre-emphasis
xn = sinyal masukan
yn-1 = hasil pre-emphasis segmen suara sebelumnya
= konstanta filter pre-emphasis yang bernilai 0,9
2.12.2 Frame Blocking
Sinyal suara dibagi-bagi ke dalam frame dengan panjang segmen per-
frame adalah Z dan dipisahkan sejauh overlap Y dengan YZ [10]. Gambar di
bawah ini merupakan frame blocking.
Gambar 2.9 Frame Blocking
2.12.3 Hamming Window
Windowing diperlukan untuk mengurangi efek diskontinuitas dari potongan sinyal. Dimana jenis windowing ada beberapa macam, yaitu Hamming,
Hanning, Bartlet, Rectanguler, dan Blackman. Metode windowing yang dipakai untuk pemrosesan sinyal suara adalah hamming window, dimana hamming
window dinyatakan dalam persamaan 2-17 dan perkalian sinyal suara dengan
hamming window dinyatakan dalam persamaan 2-18 [11].
2-17
n w
n x
n y
2-18 Keterangan :
yn = hasil perkalian segmen sinyal suara dengan hamming window
xn = input segmen suara
wn = nilai hamming window
= 227 atau 3.14 n
= nomor segmen suara N
= panjang segmen suara – 1
2.12.4 Metode Autocorrelation
Autocorrelation adalah korelasi silang terhadap sinyal dengan dirinya sendiri. Nilai autokorelasi suatu sinyal wicara akan menunjukkan bagaimana
gelombang suara itu membentuk suatu korelasi kepada dirinya sendiri. Bentuk- bentuk yang sama pada setiap delay waktu tertentu menunjukkan perulangan
bentuk pola sinyal suara. Dengan demikian akan bisa dilakukan estimasi nilai
frekuensi fundamentalnya [2]. Autocorrelation dinyatakan dengan persamaan 2-
19 dan 2-20, dengan vector output pada persamaan 2-21, sementara untuk menghitung frekuensi pitch dinyatakan dengan persamaan 2-22.
1
,
m N
n
m m
n x
n x
m Rxx
2-19
,
m m
Rxx m
Rxx
2-20
Rxx m
Rxx m
c
2-21
1 T f
2-22 Keterangan :
Rxxm = nilai autokorelasi
cm =
vektor output m
= Maxlag
xn =
input sinyal suara N
= panjang sinyal suara
f =
frekuensi fundamental T
= periode frekuensi fundamental
2.12.5 Metode Linear Predictive Coding
Linear predictive coding merupakan salah satu metode pemodelan suara yang didasarkan pada teori bahwa sebuah sinyal suara manusia pada waktu n,
sn, dapat diperkirakan sebagai kombinasi linear dari p sinyal suara manusia sebelumnya. Tujuan dari metode lpc adalah untuk memisahkan efek formant
dengan pitch atau frekuensi dasar manusia. Hal ini direpresentasikan dengan
menggunakan persamaan 2-23 [10].
p i
i n
i n
s a
s
1
.
2-23 Langkah pertama dalam mencari koefisien lpc dengan menggunakan
metode linear predictive coding adalah melakukan autokorelasi sinyal suara dengan maxlag adalah p. Setelah nilai autokorelasi didapat, langkah selanjutnya
adalah melakukan perhitungan levinson durbin pada nilai autokorelasi yang didapat, seperti terlihat pada persamaan 2-24 untuk mendapatkan koefisien lpc
Az [9].
Levinson Durbin :
] [
] 2
[ ]
1 [
] [
] 2
[ ]
[ ]
1 [
] 2
[ ]
1 [
] 1
[ ]
[ ]
1 [
] [
] 2
[ ]
1 [
] [
R p
R p
R p
R p
R R
R R
p R
R R
R p
R R
R R
ap a
a a
3 2
1
=
3 2
1
p R
R R
R
2-24 Dengan solusi pemecahan terlihat pada persamaan 2-25 sampai dengan
persamaan 2-31.
R E
2-25
1 1
1 1
i i
j i
j i
E j
i R
a i
R k
2-26
i i
i
k a
2-27
j i
i i
j i
j
a k
a a
1
2-28
1
1
i i
i i
E k
E
2-29
p j
j
a a
2-30 2-31
Keterangan :
i R
= nilai autokorelasi
i
E =
error
i
k
= koefisien pantulan
j
a
= koefisien lpc
z A
= persamaan koefisien lpc
Setelah persamaan koefisien didapat, maka selanjutnya adalah mencari nilai
r
atau akar-akar persamaan koefisien Az dan kemudian dirubah ke dalam
θ
sering juga disebut sebagai perubahan sudut untuk kemudian dihitung nilai
formant dan bandwidth dengan persamaan 2-32 dan 2-33 [12].
2 θ
π fs
F
2-32 lnr
fs B
π
2-33
Keterangan :
F
= frekuensi formant
fs
= frekuensi pencuplikan
π
= konstanta 227 atau 3.14
θ
= perubahan sudut
B
= bandwith
r
= akar-akar persamaan
z A
101
BAB 5 KESIMPULAN DAN SARAN
Pada bab ini berisikan kesimpulan dari hasil penelitian yang telah dilakukan dan saran untuk perbaikan dan pengembangan penelitian lebih lanjut.
5.1 Kesimpulan
Dari hasil penelitian ini dapat ditarik kesimpulan mengenai aspek yang menjadi bahasan pada pengidentifikasi suara tinggi dan rendah, yaitu :
1. Simulator dapat mengidentifikasi suara tinggi dan rendah untuk pria dan wanita dengan menggunakan metode klasifikasi support vector machine,
dengan ketepatan pelatihan dan prediksi yang baik. 2. Suara tinggi dan rendah wanita lebih mudah diidentifikasi dibandingkan
dengan suara tinggi dan rendah pria, ini dibuktikan dengan pengujian sampel suara yang menghasilkan akurasi pengujian sebesar 100 wanita,
dan 70 pria dengan fitur suara yang paling dominan mempengaruhi hasil prediksi suara tinggi dan rendah pada pria dan wanita adalah pitch.
5.2 Saran
Berdasarkan masalah dalam penelitian ini, maka disarankan simulator pengidentifikasian suara ini dikembangkan menggunakan metode-metode atau
algoritma-algoritma lain dalam pencarian nilai fitur suara dan pengklasifikasian fitur suara tersebut agar suara yang dikenali akan menjadi lebih baik.
BIODATA PENULIS
1. DATA PRIBADI
Nama : Indra Tri Prabowo
Jenis Kelamin : Laki-Laki
Tempat Tanggal Lahir : Jakarta, 26 Februari 1991
Agama : Islam
Status Pernikahan : Belum Menikah
Alamat Rumah : Pondok Cipta Blok E no.86 RT.010 RW.008
Bintara, Bekasi Barat 17134 Alamat Email
: Indra3Pgmail.com Nomor Telepon
: 085721888099
2. RIWAYAT PENDIDIKAN 1997-2003
: SD Negeri Bintara V Bekasi
2003-2006 :
SMP Negeri 195 Jakarta 2006-2009
: SMA Negeri 59 Jakarta
2009-2016 :
S1 Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.
Bandung, 27 Februari 2016
Indra Tri Prabowo
PENGIDENTIFIKASIAN SUARA TINGGI DAN RENDAH PADA PRIA DAN WANITA DITINJAU DARI
PITCH DAN FORMANT MENGGUNAKAN METODE SUPPORT VECTOR
MACHINE
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
INDRA TRI PRABOWO 10109276
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA 2016
