Sedangkan hasil yang didapatkan dalam bentuk domain frekuensi adalah seperti berikut.
Gambar 21. Sinyal input dan output dari pre-emphasis filter dalam domain
frekuensi
4. Analisa sinyal suara
4.1. Auto Korelasi Sinyal Wicara
Tujuan melakukan estimasi dalam domain waktu adalah untuk mendapatkan nilai autokorelasi sinyal wicara. Nilai autokorelasi suatu
sinyal wicara akan menunjukkan bagaimana bentuk gelombang itu membentuk suatu korelasi pada dirinya sendiri sebagai fungsi perubahan
waktu ke waktu. Bentuk-bentuk yang sama atau mirip pada setiap delay waktu tertentu menunjukkan perulangan bentuk atau periodisitas pola
sinyal wicara. Dengan demikian akan dapat dilakukan estimasi nilai frekuensi fundamentalnya [3].
Gambar 22 . Sinyal wicara dalam bentuk gelombang, dan fungsi auto korelasi
4.2. Analisa Spectral Sinyal Wicara
Proses ekstraksi ciri sinyal wicara didasarkan pada sebuah diagram blok yang cukup popular seperti berikut.
Gambar 23. Diagram blok extraksi ciri sinyal wicara.
Dengan mengikuti diagram blok diatas, akan didapatkan langkah-demi langkah ekstraksi ciri. Kemudian pada proses melihat short time fourier
analisys dari sinyal wicara, atau yang juga kita kenal sebagai power spectral density PSD sebuah sinyal wicara pada durasi atau frame
tertentu. Dengan mengetahui bentuk PSD sinyal wicara kita akan mampu melakukan ekstraksi ciri sinyal wicara tersebut.
Sebelum proses pada gambar diatas dilakukan sebelumnya melihat gambaran sebuah sinyal wicara yang telah disimpan dalam bentuk file
“a.wav”. Setelah didapatkan bentuknya dalam domain waktu seperti pada gambar 24, selanjutnya melihatnya sebagai fungsi dari sampling. Dalam
hal ini bentuk sinyal wicara akan sesuai dengan urutan sampel yang ada. Seperti kita lihat bahwa untuk nilai sampel ke-700 sampai dengan sampel
ke-8200, menunjukkan nilai magnitudo sinyal yang relatif stabil.
Selanjutkan dengan melakukan pembentukan frame sebuah sinyal wicara seperti pada gambar 25. Dengan melakukan windowing akan didapatkan
bentuk frame sinyal wicara terwindow seperti pada Gambar 25. Sebelumnya harus sudah dipahami proses windowing yang dilakukan.
Dengan dapat diambil satu frame sinyal dari sampel ke-2000 sampai dengan sampel ke 2480. Karena dalam satu frame terbentuk dari:
Sampelframe = sampledetikdetikframe = 8000 0,02= 160 sampelframe
Hal ini dilakukan dengan menetapkan bahwa satu frame sinyal wicara sepanjang 20 ms.
Gambar 24.
Sinyal wicara dalam domain waktu dan sebagai fungsi sample ke-n
Gambar 25. Satu frame sinyal wicara dalam domain waktu
Proses dilanjutkan dengan melakukan transformasi sinyal ke dalam domain frekuensi. Dengan menggunakan FFT dan proses logaritmik akan
didapatkan nilai power spectral density PSD sinyal wicara seperti pada gambar 26.
Gambar 26. Power spectral density sinyal wicara
4.3. Cepstrum Sinyal Wicara
