Filterbank ini dapat diterapkan dalam domain frekuensi, sehingga hanya sebesar yang diterapkan dijendela segitiga, bentuk seperti pada gambar diatas
sampai spectrum. Sebuah cara yang digunakan tentang Filter bank mel frequency ini adalah untuk melihat setiap filter sebagai histogram bin dimana bins memiliki
kemampuan dalam domain frekuensi [2]. Skala ini didefenisikan oleh Stanley Smith, John Volkman dan Edwin
Newman sebagai : ���� = 2595
∗
log
10
1 +
� 700
2.4
Dalam mel frequency wrapping, sinyal hasil FFT dikelompokkan kedalam berkas filter triangular ini. Maksud pengelompokan disini adalah setiap nilai FFT
dikalikan terhadap gain filter yang bersesuaian dan hasilnya dijumlahkan.
2.8 Cepsturm
Cepstrum adalah sebutan kabalikan untuk spectrum. Cepstrum biasa digunakan untuk mendapatkan informasi dari suatu sinyal suara yang diucapkan
oleh manusia. Pada langkah terakhir ini, spectrum log mel dikonversikan menjadi cepstrum menggunakan Discrete Cosine Transform DCT. Oleh karena itu jika
kita menunjukkan tersebut koefisien spectrum daya mel yang merupakan hasil dari langkah terakhir
1 ,...,
2 ,
, ~
− =
K k
S
,
kita dapat menghitung MFCC seperti :
K-1 2.5
n K
k n
S c
K k
k n
,..., 1
, ,
2 1
cos ~
log ~
1
=
−
=
∑
=
π
Perhatikan bahwa kita mengecualikan komponen pertama, dari DCT karena merupakan nilai rata-rata dari sinyal input, yang dilakukan speaker
informasi spesifik [2].
1.1 Latar Belakang
Perkembangan teknologi pengolahan sinyal suara manusia pada akhir- akhir ini banyak digemari dan dikembangkan. Salah satu contoh pengolahan
sinyal suara manusia yang sedang dikembangkan adalah sistem pengenalan pembicara speaker recognitionsystem. Manusia mampu membedakan identitas
dari orang yang mereka kenal hanya melalui suara saja. Hal ini dikarenakan setiap orang memiliki karakteristik suara tersendiri. Proses pengidentifikasian seseorang
melalui karakteristik suaranya disebut speaker recognition. Pengenalan pembicara Speaker recognition memungkinkan untuk
menggunakan suara untuk mengontrol atau memverifikasi identitas sumber suara, Sistem tersebut mampu mengontrol keamanan untuk daerah informasi rahasia,
dan remote akses layanan informasi. Sinyal suara memiliki banyak parameter yang sangat rumit. Hal ini menjadi alasan penulis menggunakan teknik ekstraksi
sinyal suara yang sangat kompleks. Metode ekstraksi suara MFCC Mel Frequency Cepstrurm Coefficient dapat menjadi alternatif untuk menyelesaikan
masalah yang diakibatkan karena terjadinya kebocoran spektral atau aliasing pada sinyal suara.
1.2 Perumusan Masalah
Untuk memfokuskan pembahasan tugas akhir ini, maka pembahasan masalah dirumuskan pada hal - hal sebagai berikut:
1. Bagaimana MFCC Mel Frequency Cepstrum Coefficients mampu
mengolah data suara dengan baik. 2.
Bagaimana MFCC ditujukan untuk meminimalkan kebocoran yang terjadi pada sinyal suara yang diakibatkan oleh frame blocking.
3. Bagaimana menggunakan MFCC dapat mengurangi noise pada
pengolahan sinyal suara. 4.
Bagaimana menentukan N frame blocking pada algoritma MFCC untuk memaksimalkan kinerja algoritma tersebut.
5. Bagaimana MFCC untuk pengolahan data suara yang efektif pada
rentang frekuensi pendengaran manusia.
1.3 Tujuan Penelitian
Adapun tujuan dari penulisan Tugas Akhir ini adalah : Untuk menganalisa algoritma MFCC mel frequency cepstrum
coefficients dalam mengekstraksi ciri dari suara masukan sehingga suara dapat diidentifikasikan.
1.4 Batasan Masalah
