telinga manusia bergetar, yang kemudian oleh otak dianggap sebagai suara Sutara, 2014.
2.4 Ekstraksi Ciri Sinyal Suara
Untuk mengekstraksi sinyal dari suara mesin sepeda motor, dalam penelitian ini digunakan fitur Linear Predictive Coding LPC. Proses ini
merupakan tahapan penting dalam klasifikasi suara mesin sepeda motor. Dari proses ini akan diperoleh ciri sinyal suara untuk membedakan tiap jenis
suara mesin berdasarkan orde yang ditentukan. Berikut ini teori mengenai fitur LPC.
2.4.1 Linear Predictive Coding LPC
Linear Predictive Coding LPC merupakan salah satu teori dalam digital signal processing. Linear Predictive Coding LPC
secara sederhana adalah suatu sistem pengkodean coding untuk mengkodekan sinyal menjadi suatu sistem kode tertentu. Sistem
kode ini adalah pemodelan dari sinyal suara tersebut dalam bentuk yang lain. Jadi, dari sinyal suara yang mula-mula berupa amplitudo
berbasis time domain, diubah menjadi model tertentu. Model yang dihasilkan ini adalah berupa koefisien-koefisien filter synthesizer
setelah melalui tahapan-tahapan pada proses LPC. Prinsip dasar dari ekstraksi ciri sinyal dengan menggunakan
LPC adalah bahwa contoh sinyal ucapan sn pada waktu ke-n dapat diperkirakan sebagai kombinasi linear p sampel sinyal ucapan
sebelumnya yaitu : s n ≈ s n −
+ s n − + ⋯ + s n − p
2.1 dimana, koefisien
, , … , diasumsikan konstan untuk satu frame analisa sinyal suara Khrisnadi, 2005.
Langkah-langkah proses analisis LPC untuk mendapatkan koefisien LPC pada proses ekstraksi ciri sinyal suara, yang
digunakan dalam penelitian ini adalah sebagai berikut : PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1. Frame Blocking
Sinyal suara yang telah dimasukkan diblok atau dibagi ke dalam beberapa frame yang terdiri dari N-sampel suara, dengan
jarak antara frame yang berdekatan dipisahkan oleh M-sampel. Jika M
≤ N, maka beberapa frame yang berdekatan akan saling overlap dan hasil estimasi spektral LPC akan berkorelasi dari
frame ke frame. Sebaliknya, jika M N, maka tidak akan ada overlap antara frame yang berdekatan sehingga beberapa isyarat
sinyal suara akan hilang total. Sebagai contoh, setiap frame 30 ms dengan overlap pada 20 ms.
Gambar 2.6 frame blocking Khrisnadi, 2005 2.
Windowing Windowing digunakan untuk mengurangi discontinuitas
sinyal pada awal dan akhir frame. Windowing dilakukan pada setiap frame yang didapat dari frame blocking. Teknik
windowing yang biasa digunakan adalah “Hamming Window”
dengan persamaan : = , − ,
� −
, ≤ ≤ � − 2.2
Jika window didefinisikan sebagai wn, maka hasil dari penjendelaan sinyal adalah :
̃ = ̃
, ≤ ≤ � − … … …. 2.3
3. Analisis Autokorelasi
Setiap frame dari sinyal setelah melalui proses windowing, kemudian dikonversi menjadi sebuah matriks 1 x panjang 1
frame. Lalu dilakukan analisis autokorelasi dengan rumus sebagai berikut :
= ∑ ̃
̃ +
− − =
, = , , … 2.4
Dengan nilai autokorelasi tertinggi p adalah orde LPC. Nilai p biasanya antara 8 sampai 16.
4. Analisis LPC
Proses selanjutnya adalah analisis LPC, yang mengubah hasil dari analisis autokorelasi p+1 ke dalam bentuk parameter-
parameter LPC atau yang biasa disebut dengan koefisien LPC. Metode yang biasa digunakan dalam analisis LPC ini adalah
metode Levinson-Durbin yang mempunyai algoritma sebagai berikut Rohman dkk, 2012 :
� =
2.5
=
{ −∑
−1
| − |
�−1 −1
}
−1
, ≤ ≤
2.6
=
2.7
=
−
−
− −
, ≤ ≤ −
2.8
� = −
�
−
2.9 Dengan menyelesaikan persamaan 2.5 sampai 2.9 secara
rekursif untuk i = 1,2,….,p , koefisien LPC diperoleh sebagai
berikut :
= , ≤
≤
2.10 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5. Nilai delta
dari Koefisien LPC Hasil dari koefisien LPC kemudian dicari nilai delta-nya
dengan menghitung nilai turunannya. Untuk menghitung nilai delta-nya digunakan persamaan berikut ini Ellis, 2003:
∆ =
+
−
−
2.11 Dimana D mewakili jumlah dari frame untuk menutup
kedua sisi frame saat ini dan dengan demikian dapat mengontrol window Y dengan pembedaan operasi. D diset bernilai 1 atau 2.
ΔYt adalah koefisien delta yang dihitung dari frame t untuk vektor fitur LPC. Nilai dari delta diatas akan diturunkan lagi
menjadi nilai delta delta. Berikut ini adalah persamaannya :
∆∆ = ∆
+
− ∆
−
2.12 Hasil dari perhitungan delta dan delta delta akan
ditambahkan ke vector ciri yang sudah berisi koefisien LPC tadi, sehingga menghasilkan vector ciri yang lebih besar.
2.5 Jaringan Syaraf Tiruan
Kategori