Data suara berektensi
.wav Feature
Extraction Training
Testing Estimasi mode
Model
Proses perhitungan
probabilitas Nilai
maksimum Evaluasi hasil
Gambar 3.1 Skema sistem pengenalan suara manusia Gambar 3.1 menjelaskan tahapan dari proses pengenalan suara.
Dimulai dari data masuk yang berupa file berekstensi .wav kemudian akan memasuki proses feature extraction yang menggunakan MFCC. Hasil dari
feature extraction sendiri merupakan file berekstensi .mfc. Data suara yang telah diproses kemudian menjadi input untuk proses training dan
testing dengan menggunakan pendekatan HMM. Setelah itu akan dihasilkan suara yang dikenali sebagai hasil klasifikasi.
3.2 Gambaran Sistem
user Sistem Pengenalan
Pola Suara Sebagai Password
User memasukkan data suara dengan microphone
Sistem menampilkan hasil apakah masukan diterima atau tidak
Gambar 3.2 Gambaran Sistem secara umum
Sistem Pengenalan Pola Suara Sebagai
Password training
testing
Gambar 3.3 Tahap training dan testing
3.3 Proses Training
Proses training akan menghasilkan model dari data yang telah diambil sebelumnya. Proses training ini akan menggunakan algoritma
Baum-Welch yang telah dibahas dalam bab sebelumnya. Gambar 3.3 menunjukkan proses training data dan pembuatan model. Dalam proses
training terdapat proses feature extraction yang akan menggunakan metode Mel-Frequency Cepstral Coefficients MFCC. Untuk estimasi
model akan menggunakan pendekatan Hidden Markov Models HMM. Sesuai dengan metode 5 Fold Cross-Validation yang telah dibahas pada
bab sebelumnya maka pada proses training dalam membentuk sebuah model membutuhkan sebanyak 80 dari jumlah data keseluruhan.
Input suara
Feature extraction
Estimasi model
M1 M2
Mn
.... ....
Gambar 3.4 Proses tahap training
3.4 Proses Testing
Pada tahap testing akan menggunakan algoritma Viterbi. Proses ini menggunakan data yang baru. Untuk mengenali data baru yang masuk,
sistem akan menghitung probabilitas dari data baru dengan model yang ada dilihat dari kemiripan atau kedekatannya. Data yang memiliki
probabilitas tertinggi akan menunjukkan bahwa data suara baru yang masuk dapat diidentifikasi dan diterima oleh sistem. Gambar 3.4
menunjukkan proses dari testing.
Data suara manusia Feature extraction
M1 M2
Mn ..
Memilih kedekatan yang paling maksimum
Data dikenali
Menghitung kemiripan terhadap model
Gambar 3.5 Proses tahap testing Untuk implementasi HMM dan identifikasi suara manusia maka
pada pembuatan tugas akhir ini penulis menggunakan HMM Toolkit HTK. HTK menyediakan tools termasuk algoritma Baum-Welch yang digunakan
pada proses training dan algoritma Viterbi untuk proses testing.
3.5 Perancangan Antar Muka Sistem
Pada perancangan antar muka untuk sistem pengenalan suara manusia ini terdiri dari beberapa halaman yang mewakili proses
perhitungan dari Hidden Markov Models serta cara kerja dari sistem, yaitu: 1.
Halaman depan 2.
Halaman pengujian sistem 3.
Halaman pengujian HMM dan cara kerja sistem 4.
Halaman bantuan
