Normalisasi Pemotongan sinyal Preprocessing

Gambar 2.10. Pola Tukey Window 128 Titik dengan Variasi Nilai Alfa α [7]

2.4.4 Zero padding

Zero padding merupakan proses akhir dari preprocessing yaitu proses pemberian deretan data bernilai 0 pada data sinyal. Efek dari pemotongan sinyal memungkinkan adanya dampak ketidaksamaan banyak data sinyal. Proses zero padding dilakukan agar panjang gelombang tiap data sinyal ucapan dapat disetarakan. Jumlah data 0 yang diberikan menyesuaikan ukuran banyak data yang diinginkan. Peletakan data sinyal suara dapat diatur paling kiri, tengah, atau paling kanan dengan mengatur posisi deretan data 0. Gambar 2.11 adalah gambaran hasil dari zero padding pada sisi kanan data sinyal Gambar 2.11. Hasil Zero Padding

2.5 Ekstraksi Ciri

Ekstraksi ciri digunakan untuk mendapatkan sederetan besaran dari sinyal masukan untuk menetapkan pola uji [2]. Didalam ekstrasi ciri terjadi proses downsampling dan transformasi data sinyal. Downsampling merupakan proses untuk mengurangi jumlah data ekstraksi ciri, dimana akan data direduksi sebesar nilai dari faktor downsampling. Hasil dari downsampling ditunjukkan pada Gambar 2.12, dengan nilai faktor downsampling sebesar 2 gambar atas dan 4 gambar bawah. Downsampling dilakukan agar diperoleh ekstrak data. Gambar 2.12. Hasil Proses Downsampling Proses transformasi data sinyal dapat dilakukan dalam banyak algoritma. Perbedaan setiap algoritma terlihat pada model perhitungan, tetapi mempunyai tujuan atau hasil yang sama. Konsep dari proses transformasi data sinyal ditunjukkan pada Gambar 2.13. Gambar 2.13. Proses Transformasi Data Sinyal Gambar A yang ditunjukkan pada Gambar 2.13 merupakan sinyal data yang akan ditransformasi. Sinyal data tersebut kemudian dihitung menggunakan persamaan transformasi. Hasil dari perhitungan tranformasi yang ditunjukkan Gambar B kemudian diabsolutkan nilainya sehingga menjadi seperti Gambar C. Setelah proses transformasi, maka dilakukan perhitungan logaritmiknya seperti pada Gambar D. Sinyal data hasil dari perhitungan logaritmik tersebut kemudian dicari nilai absolutnya sesuai pada Gambar E.

2.5.1 Discrete Cosine Transform DCT

Bentuk tranformasi Fourier menyatakan suatu sinyal merupakan kombinasi bilangan eksponensial kompleks yang terdiri dari bentuk gelombang sinus bagian imajiner dan gelombang kosinus bagian real [8]. Berdasarkan acuan pada fungsi dasar sinus dan kosinus, sinyal tersebut dapat diarahkan pada transformasi sinus dan transformasi kosinus. Berdasarkan hal tersebut, maka transformasi kosinus merupakan algoritma dasar dalam Discrete Cosine Tranform DCT. Transformasi kosinus tersebut mempunyai penaksiran yang baik untuk sinyal audio sebab mendekati kinerja Karhunen –Loève Transforms KLT. Transformasi kosinus banyak digunakan untuk kompresi suara, kompresi gambar dan ekstraksi ciri [8]. Pada dasarnya algoritma DCT mentransformasikan data domain ruang menjadi domain frekuensi. Algoritma ini mempunyai kemiripan dengan Discrete Fourier Transform DFT, tetapi pada DCT hanya menggunakan bilangan real. Persamaan DCT satu dimensi DCT-1D banyak digunakan untuk pemrosesan sinyal audio [8]. Hal tersebut dikarenakan sinyal audio merupakan deretan nilai dengan matriks satu dimensi. Speech recognition merupakan pengenalan sinyal suara sehingga menggunakan persamaan ekstraksi ciri DCT satu dimensi DCT-1D. Persamaan DCT yang digunakan dalam ekstraksi ciri ditulis sebagai berikut [9] : 2.3 dengan nilai hk sebagai berikut [9]: 2.4 serta keterangan sebagai berikut : k = 1,2,3,…,N N = banyak data xn = nilai pada data ke-n

2.6 Perbandingan Pola

Perbandingan pola merupakan salah satu bagian dari proses pengenalan ucapan. Perbandingan pola dibahas oleh Jain pada makalahnya dengan sebutan lainya template matching [10]. Template matching merupakan salah satu cara pendekatan dalam melakukan pengenalan pola. Proses matching merupakan operasi umum yang digunakan untuk menentukan kesamaan antara 2 entitas yang bertipe sama [10]. Dalam template matching , pola yang ingin dikenali akan dicocokan terhadap template atau bentuk pola yang sebelumnya sudah tersimpan atau tersedia. Salah satu fungsi pengenalan pola yang menggunakan pendekatan template matching yaitu dengan fungsi perhitungan similaritas. Semakin besar hasil perhitungan similaritas, maka pola yang dikenali semakin serupa.

2.6.1 Similaritas kosinus

Similaritas kosinus merupakan salah satu algoritma perhitungan similaritas yang dipakai dalam perbandingan pola dengan melihat kesamaan atau kemiripan pola input terhadap pola database. Penggunaan algoritma ini dengan memasukan nilai-nilai pada data input dan database dalam perhitungan. Hasil dari algoritma ini merupakan nilai pendekatan atau similaritas antara data input dan database Rumus dari similaritas kosinus dapat ditulis sebagai berikut [11]: 2.5 dengan keterangan sebagai berikut : d = jumlah variabel P = nilai data A Q = nilai data B i = indeks variabel

2.7 Robot

Kata Robot berasal dari bahasa Ceko yaitu robota yang memiliki arti bekerja. Umumnya tiap robot memiliki satu atau bermacam karakteristik. Macam-macam karakteristik robot yaitu [12]: 1. Mampu mengindra sensing, robot harus bisa mendeteksi lingkungan di sekitarnya, contohnya seperti halangan, panas, suara, dan citra.