NASKAH PUBLIKASI Sistem Pengenalan Suara Berdasarkan Formant Suara Manusia Dengan Metode Autocorelation.
NASKAH PUBLIKASI
SISTEM PENGENALAN SUARA BERDASARKAN FORMANT SUARA MANUSIA
DENGAN METODE AUTOCORELATION
Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I
Jurusan Teknik Elektro Fakultas Teknik
Universitas Muhammadiyah Surakarta
Diajukan Oleh:
ARIS WIJAYA
D 400 090 024
FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2014
SISTEM PENGENALAN SUARA BERDASARKAN FORMANT SUARA
MANUSIA DENGAN METODE AUTOCORELATION
ARIS WIJAYA
FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO
UNIVERSITAS MUHAMMADIYAH SURAKARTA
E-mail : nikho.rain@gmail.com
ABSTRAKSI
Suara manusia merupakan media berkomunikasi yang efektif dan paling sering
digunakan selain bahasa isyarat dan tulisan. Suara manusia pada dasarnya memiliki kekhasan
sendiri, sehingga dapat dikatakan suara manusia satu dengan yang lain berbeda. Ada
semacam karakteristik yang membentuk kekhasan suara manusia yaitu pitch, Formant dan
fomant bandwith.
Ada beberapa tahap yang dilakukan didalam penelitan pengenalan suara ini. Tahap
pertama adalah perekaman suara yang akan dijadikan data training dan data uji. Tahap kedua
hasil suara yang telah direkam kemudian diperbaiki kualitas suaranya dengan memotong
bagian yang tidak diperlukan dari rekaman suara, seperti noise, dan durasi yang terlalu
panjang. Tahap ketiga lebih kearah mendapatkan data vektor ciri suara yang akan dijadikan
data uji dan data training. Tahap keempat
Pengujian pengenalan suara manusia dengan menggunakan metode pencocokan
autocorelation dan euclidean distance memiliki hasil yang tidak begitu jauh berbeda. Akan
tetapi dalampenelitian ini metode autocorrelation menunjukkan hasil yang lebih baik
dibandingkan menggunakan Euclidean Distance. Perbedaan ini hanya terpaut beberapa
persen saja metode autocorrelation tingkat keakurasian mencapai diatas 35% dan metode
euclidean distance diatas 30% Pengenalan suara secara realtimemenunjukkan hasil yang
bagus. Tingkat keberhasilan pada rentang waktu pagi diatas 70%. Pengujian siang hari
keberhasilan diatas 70%. Pada pengujian sore hari tingkat keberhasilan diatas 80% namun
ada penurunan kualitas dari salah satu volunteer. Ketika diuji dengan masukan yang
disengaja salah, masih menunjukkan hasil yang diharapkan.Dengan tingkat keberhasilan
diatas 20%.
Kata Kunci : Suara, Voice Recognition,Pengenalan suara, Matlab.
I.
PENDAHULUAN
1.1. Latar Belakang Masalah
Suara
yang
dikeluarkan
manusia merupakan salah satu media
yang utama untuk berkomunikasi
dengan sesama manusia selain media
komunikasi yang lain seperti isyarat
dan tulisan. Suara yang dihasilkan
oleh setiap orang pada dasarnya
adalah unik yaitu khas untuk setiap
individu
walaupun
terkadang
seseorang dapat menirukan suara
orang lain relatif mendekati sama
walaupun tidak identik. Kekhasan
suara orang di antaranya terletak pada
keras atau lemahnya suara saat orang
berbicara pada keadaan normal, cara
pengucapan kata, intonasi, irama
bicara, logat dll. Dengan keadaan ini
suara dapat dijadikan pembeda yaitu
apabila orang sudah pernah mengenal
seseorang cukup lama dan hafal
dengan suaranya maka walaupun
matanya ditutup atau berkomunikasi
dari jarak jauh maka seseorang
tersebut akan bisa mengetahui dengan
siapa dia berbicara.
suara belum mendapatkan
perhatian yang cukup signifikan untuk
digunakan dalam keamanan atau
identifikasi. Masih sangat jarang atau
bahkan belum ada penggunaan sistem
absensi berbasis suara. Dengan
semakin berkembangnya teknologi,
maka suara dapat pula digunakan
menjadi salah satu alat untuk person
indentification (identifikasi seseorang)
karena suara manusia khas untuk tiaptiap orang. Sebagai alat identifikasi,
ciri suara perindividu harus dikenali
dengan baik. Pemanfaatan perangkat
lunak untuk voice recognition
(pengenalan suara) adalah suatu
aplikasi yang dapat digunakan untuk
mengenali ciri kekhasan suara
manusia dan sebagai alat untuk
berinteraksi dengan komputer tanpa
harus melakukan proses sentuhan pada
perangkat keras. Pemberian perintah
dan komunikasi dengan komputer
cukup dengan perintah wicara/suara.
Penelitian sebelumya yang
berhubungan
dengan
topic
pembahasan dan dijadikan bahan
untuk melakukan pengembangan
penelitian ini adalah sebagai berikut:
a) Jeri Riyanto (2011) mahasiswa
UNIKOM
Bandung.
Yang
melakukan penelitian yang berjudul
“Perangkat Lunak Pengenalan
Suara (Voice Recognition) Untuk
Absensi
Karyawan
Dengan
Menggunakan Metode Dynamic
Time Warping (DTW).” Pada
penelitian ini penulis meneliti
tentang proses dan langkah-langkah
ekstraksi ciri suara.
b) Pradifta J dan Anggy, mahasiswa
Pasca
sarjana
Universitas
Indonesia.
Dengan
penelitian
“Pembuatan Program Simulasi
Speech Recognition System ”. pada
penelitian penulis lebih berfokus
pada alur program yang digunakan
untuk pengenalan.
1.2. Rumusan Masalah
Masalah yang ingin penulis
pecahkan pada tugas akhir ini
adalah bagaimana merancang dan
membuat
sebuah
system
pengenalan suara yang mampu
mengidentifikasi
suara
orang
tertentu, serta membandingkan dua
buah metode pengenalan antara
Autocorrelation dan Euclidean
distance manakah yang paling bak
digunakan
untuk
proses
pengenalan.
1.3. Batasan Masalah
Batasan
masalah
pada
penelitian ini adalah sebagai
berikut :
a) Perangkat Simulasi hanya akan
mengenali sampel data suara
yang sudah disimpan di folder
penyimpanan sebelumnya.
b) Sistem secara keseluruhan
dibuat dalam bentuk prototype,
data-data suara orang diambil
dari volunteer (relawan)
c) Pengambilan sampel dibatasi
dengan usia dan jenis kelamin
dan sampel suara diambil
sebanyak 1 kali.
d) Sampel suara yang direkam
berupa nama, dengan durasi
sampai 1-33 detik, format
rekaman suara disimpan pada
format .wav.
e) Pada saat pengambilan sampel
suara, sampel suara harus
dalam keadaan sehat dan tidak
ada gangguan suara.
f) Perangkat
keras
untuk
pengambilan sampel berupa
satu
set
komputer
dan
microphone
g) Perancangan
simulasi
pengenalan
suara
menggunakan Matlab R2013A
h) Pengujian
secara
offline
bertujuan untuk mendapatkan
vector ciri suara manusia
i) Vektor ciri suara manusia
digunakan
sebagai
data
pengujian
offline
agar
didapatkan hasil perbandingan
nakan
menggunakan
dua
buah
metode yang paling relevan
digunakan untuk pengenalan
suara
1.4. Tujuan Penelitian
Tujuan dari penelitian ini
adalah untuk mencoba menggali
potensi tentang alat identifikasi
orang dengan konsep pengenalan
suara. Secara spesifik tujuan
penelitian adalah :
a) Merancang
dan
mengimplementasikan konsep
pengenalan suara ke dalam
sebuah sistem pengenalan
suara .
b) Mengetahui tingkat akurasi
pengenalan suara pada sistem
simulasi pengenalan suara
yang dibuat.
1.5. Manfaat Penelitian
Manfaat yang diharapkan
dari penelitian ini adalah:
a) Mencoba menggali potensi
suara manusia dalam bidang
teknologi
untuk
mempermudah
aktivitas
manusia.
b) Sistem pengenalan suara ini
mampu menjadi alternatif
untuk penelitian selanjutnya.
c) Setelah penelitian ini selesai
rapkan kedepannya akan
diharapkan
ada mahasiswa yang mampu
mengembangkan
simulasi
pengenalan suara ini m
menjadi
nyata.
bentuk aplikasi yang nyata
II.
Tinjauan Pustaka
Menurut Fadlisyah, Bustami,
dan M.Ikhwanus (2013) dalam buku
Pengolahan Suara
uara “suara yang keluar
dari mulut manusia akan memuat
berbagai informasi seperti identitas
pengucap, jenis gender, dialek,
ekspresi, dan lain
lain-lain”. Suara
manusia mempunyai karakteristik
yang berbeda-beda.
beda. Karakteristik
suara manusia dipengaruhi oleh pitch,
formant, dan formant bandwith
bandwith. Pitch
merupakan nada
dasar
suara
pitch
manusia. Tinggi rendahnya
dipengaruhi oleh pita suara, usia dan
jenis kelamin. Formant berpengaruh
pada pembentukan suara vokal pada
manusia.
Formant
bandwith
berpengaruh untuk sebagai pembeda
satu dengan yang
suara vokal manusia sa
lainnya apabila ada lebih dari satu
orang yang berbicara.
2.1. Landasan Teori
a) Pengenalan Suara
Pengenalan
suara
adalah suatu proses untuk
mengenali
dan
kemudian
mengidentifikasi
seseorang
melalui suaranya, jadi dalam
hal ini pengenalan suara
mengidentifikasi siapa yang
berbicara.
b) Diagram blok Ektraksi ciri
Gambar 1. Diagram Blok Ekstraksi Ciri
Suara
daerah frekuensi diatas 2000
Hz.
c)
Proses
perekaman
dan
sampling
Proses
perekaman
adalah
suatu
proses
mendapatkan
file
suara
manusia yang kemudian dapat
diputar dan disimpan kedalam
tipe file berkestensi *.wav .
Proses
perekaman
dapat
dilakukan
dengan
cara
perekaman suara manusia
secara langsung dengan media
Microphone pada PC dalam
hal ini berhubungan dengan
sound card. Suara yang
dikeluarkan oleh manusia
merupakan bentuk sinyak
sinyal waktu kontinyu (sinyal
analog) oleh karena itu harus
dikonversi menjadi sinyal
waktu diskrit (sinyal digital).
Dikarenakan
sinyal
suara yang dikeluarkan oleh
manusia merupakan sinyal
waktu kontinyu maka agar bisa
diproses secara komputasi
maka sinyal waktu kontiyu
harus dirubah kedalam bentuk
sinyal diskrit dan dilanjutkan
dengan
proses
digitalisasi(Proses Sampling).
Jadi proses sampling adalah
proses dimana mendapatkan
bentuk sinyal waktu diskrit
dengan menyampel sinyal
waktu kontinyu.
d) Pre-Emphasis
Tujuan dari pemfilteran
ini adalah untuk mendapatkan
bentuk spectral frekuensi
sinyal wicara yang lebih halus.
Dimana bentuk spectral yang
relatif bernilai tinggi untuk
daerah rendah dan cenderung
turun secara tajam untuk
y(n) = x(n) – ax(n−1)
dimana y(n) sinyal hasil
pre-emphasis, x(n) sinyal sebelum
pre-emphasis dan a merupakan
konstanta
filter
pre-emhasis,
biasanya bernilai 0.9 < a < 1.0.
e) Frame Blocking
Frame blocking merupakan
pembagian
sinyal
suara
menjadi beberapa frame dan
satu frame terdiri dari beberapa
sampel. Pengambilan sampel
tersebut tergantung dari tiap
detik suara akan disampel dan
berapa
besar
frekuensi
samplingnya.
Proses frame blocking, yaitu
melakukan blok terhadap
sinyal-sinyal menjadi frameframe N sampel dengan frameframe berdekatan dengan spasi
M (M < N). Berikut adalah
representasi fungsi-frame dari
Frame Blocking.
x(N) = y(M+N)
Dimana : x(N) = sinyal
sesudah diframe blocking, y =
sinyal
pre-emphasis,
M
=Overlapping frame dan N =
1,2,3…
f) Windowing
Proses frame blocking dapat
menyebabkan
terjadinya
kebocoran
spectral(spectral
leakage) atau aliasing. Efek ini
dapat terjadi karena rendahnya
jumlah sampling rate, ataupun
karena proses frame blocking
itu sendiri menyebabkan sinyal
menjadi discontinue. Efek
sinyal yang discontinue dapat
menyebabkan kesalahan data
pada proses fourier transform.
Untuk mengurangi kebocoran
spectral dan sinyal yang
discontinue
maka
di
perlukanlah proses windowing.
Window yang dipakai adalah
window Hamming
g) Formant
Menurut Fant (1960)
formant didefinisikan sebagai
daerah puncak-puncak dari
spektrum daya suara. Secara
fisis
formant
merupakan
frekuensi-frekuensi resonansi
dari filter, yaitu vocal tract
(articulator) yang meneruskan
dan memfilter bunyi keluaran
(output) berupa kata-kata yang
memiliki
makna.
Secara
umum,
frekuensi-frekuensi
formant bersifat tidak terbatas
namun, untuk mengidentifikasi
seseorang paling tidak ada 3
(tiga) formant yang dianalisa
yaitu, Formant 1 (F1),
Formant 2 dan Formant 3
(F3). Formant 1 (F1) dan
Formant 2 berkaitan dengan
posisi lidah ketika berbicara.
Perbedaan antara Formant 1
dengan Formant 2 adalah
posisi lidah terhadap langitlangit
rongga
mulut,
sedangkan Formant 2 posisi
lidah
berada
didepan/dibelakang
saat
berbicara. Formant 3 (F3)
berpengaruh
pada
warna
(Timbre)
suara
yang
dihasilkan.
Gambar 2. Formant dan Formant
Bandwitdh
III.
Metode Penelitian
Penelitian dan perancangan system
dilakukan
di
rumah
dan
dilaboratorium kampus.
3.1. Peralatan Utama dan Pendukung
a) Analisis Kebutuhan Software
Perangkat keras yang digunakan
untuk mebuat program ini yaitu
berupa :
Notebook Vaio Spesifikasinya
sebagai berikut :
Prosesor
Intel
(R)
Core(TM)
i5-4200U
@1.60GHz
Memory RAM 4 GB
Hard disk 320 GB
Microphone Philips
Sedangkan perangkat lunak
yang digunakan untuk membuat
program ini yaitu:
MATLAB
(R2013a)
8.10.604
Menggunakan
sistem
operasi Windows 8.1
Microsoft Office Word
2007
3.2. Perancangan Sistem
Perancangan sistem secara
umum dilakukan dengan maksud
untuk memberikan gambaran kepada
pengguna tentang sistem yang akan
diusulkan, yaitu program pengenalan
suara
menggunakan
formant
manusia dengan pengujian secara
realtime dan offline. Algoritma dari
program pengenalan suara ini adalah
sebagai berikut :
Simulasi ini bertujuan
untuk memberikan pembelajaran
yang terjadi saat proses ektraksi
ciri berlangsung.
Gambar 3 Algoritma pengenalan
suara
a) Fase Training adalah fase
perekaman suara sebagai data
uji pada penelitian ini
b) Uji Offline
Dari uji offline ini
desain visual system untuk uji
tidak ada tampilan khusus
karena berupa kode matlab.
Untuk mengetahui tingkat
kecocokan file uji dengan file
data training, dan untuk
menguji metode mana yang
paling baik digunakan untuk
proses pengenalan
Gambar 5 . Simulasi pengenalan
suara Realtime
Keterangan Gambar
a)
b)
c)
d)
e)
c) Uji Realtime
Uji realtime menggunakan
desain GUI yang didesain
atraktif dan mudah digunakan.
f)
3.3. Perancangan
Tampilan
Program Pengenalan Suara
g)
h)
Gambar 4. Uji simulasi ekstraksi
cirri
IV.
“A”Terdapat Static Text untuk
memberikan informasi nama
simulasi.
“B”Komponen Push Button /
tombol exit berfungsi Untuk
“B”Tombol REC berfungsi
untuk merekam sampel suara
“B”Tombol Hear berfungsi
untuk memutar kembali suara
yang telah disimpan
“B”Tombol
Get
Picture
merupakan tombol untuk
mengambil foto di dalam
folder yang telah disediakan.
“B”Tombol Masukkan Suara
adalah
tombol
untuk
pencocokan Suara
“B”Tombol Reset adalah
untuk
mereset
program
Komponen Axis dengan tag
axes . Untuk menampilkan
gambar yang sudah diambil
dari file computer.
“D”Komponen Axis untuk
menampilkan gambar logo
Universitas Muhammadiyah
Surakarta
HASIL DAN PEMBAHASAN
Terdapat dua pengujian
sistem pengenalan suara pada
penelitian
ini,
pengujian
dilakukan secara offline dan
online yang telah dirancang dan
dibuat. Uji coba dilakukan untuk
mengetahui
apakah
sistem
pengenalan suara dapat berjalan
sebagaimana mestinya dengan
lingkungan uji coba yang telah
ditentukan serta dilakukan sesuai
dengan skenario uji coba.
4.1. Hasil Pengujian Offline
dengan baik. Berbeda dengan
metode Euclidean distance yang
gagal mengenali 1(satu) file suara
AN dan NH dengan tingkat
kecocokan
75%
dan
30%.
Persamaan
nya
dengan
menggunakan
dua
metode
keseluruhan file mampu dikenali
dengan baik. File gagal dikenali bisa
disebabkan oleh kualitas rekaman,
kualitas file, maupun kualitas suara
yang direkam.
4.2. Hasil Pengujian Realtime
a) Pengujian sistem pengenalan
suara waktu pagi hari jam
08.00 – 10.00
Gambar 6 grafik keberhasilan
pengujian pengenalan suara dengan metode
Corelation
Gambar 8 Grafik
Pengujian sistem pengenalan suara
waktu pagi hari jam 08.00 – 10.00
Gambar 7 grafik keberhasilan
pengujian pengenalan suara dengan metode
Euclidean distance
Kesimpulan dari penggunaan
dua buah metode tersebut, metode
Autocorelation mampu mengenali
hampir keseluruhan file suara
Pada pengujian pagi
hari tingkat keberhasilan diatas
70%.
Pengujian
mampu
berjalan
dengan
lancar.
Perincian
keberhasilan
pengujian program untuk Aris
Wijaya 90%, Aulia Annassai
90%, Rahajeng 100%, Qoid
dan Rizky 80% serta Ridho
70%.
b) Pengujian sistem pengenalan
suara waktu pagi hari jam
12.00 – 14.00
kondisi peserta agak
lelah dikarenakan pengujian
sebelumnya
yang
cukup
memakan
waktu.
Hasil
pengujian pada waktu siang
hari
tingkat
keberhasilan
pengenalan suara diatas 70%
dengan perincian keberhasilan
pengujian program untuk Aris
Wijaya 85%, Aulia Annassai
100%, Rahajeng 80%, Qoid
70%, Rizky dan Ridho 90%.
Gambar 9 Grafik Pengujian
sistem pengenalan suara waktu
pagi hari jam 12.00 – 14.00
c) Pengujian sistem pengenalan
suara waktu pagi hari jam
16.00 – 17.00
Pengujian pada waktu
sore
hari
mengalami
penurunan tingkat keberhasilan
yaitu
dengan
minimal
keberhasilan 50% terjadi pada
saudara Ridho. Untuk yang
lainnya tingkat keberhasilan
diatas 80%. Dengan perincian
sebagai berikut Aris Wijaya
85%, Aulia Annasai 90%,
Rahajeng 85%, Qoid 80%,
Rizky 95%, dan Ridho 50%.
Gambar 10 Grafik
Pengujian sistem pengenalan suara
waktu pagi hari jam 16.00 – 17.00
d) Pengujian sistem pengenalan
suara waktu pagi hari jam
16.00 – 17.00
Uji coba pengenalan
suara dicoba dengan mencoba
masukan yang disengaja salah
untuk
mendapatkan
data
keakuratan program. Uji coba
dimulai dengan
mencoba
memasukkan
nama
yang
bukan miliknya sebanyak 20
kali. Hasil yang didapat walau
mengucapkan yang bukan
nama miliknya program tetap
mengenali
orang
yang
berbicara sesuai dengan nama
aslinya. Misal salah satu
volunter
bernama
Annas
mencoba
menginputkan
dengan
mencoba
inputan
dengan nama Aris, hasilnya
program
tetap
mengenali
Annas baik foto dan suaranya.
Kecuali dalam kondisi tertentu
beberapa kali program keluar
ouput yang berbeda kadang
foto yang keliru namun suara
benar maupun sebaliknya.
Pengujian dicoba pula
dengan orang yang tidak
direkam
suaranya
dan
kemudian
mencoba
menginputkan
namanya
ataupun
mencoba
menginputkan nama orang
yang berada di list rekaman
program, hasilnya program
mengenali
suara
dengan
random.
Dibawah
ini
merupakan
grafik
hasil
pengujian dengan mencoba
memasukkan data suara yang
disengaja salah.
b) Untuk memperbaiki kualitas suara
yang
diperlukan
untuk
pengenalan suara maka perlu
dihilangkan
bagian
yang
menggangu, seperti suara pra
rekaman, suara berisik setelah
rekaman dengan cara memotong
suara
dan
diambil
yang
diperlukan saja.
c) Setiap file suara mempunyai nilai
ciri yang berbeda-beda, nilai ciri
tersebut dinamakan vector ciri.
Vektor ciri suara manusia dapat
diekstrak dari bentuk PSD
gelombang suara.
Gambar 11 Grafik Pengujian
sistem pengenalan suara dengan
masukan yang disengaja salah
Hasil pengujian ini menunjukkan
bahwa ketika salah satu volunter
mengucapkan nama volunter yang lain
masih dikenali sebagai suaranya
sendiri.
Namun
beberapa
kali
mengalami
kesalahan
dalam
pengenalan
namun
prosentasi
kesalahan tidak lebih dari 20%. Untuk
volunter Qoid dan Ridho dalam uji
coba ini program tetap mampu
mengenali suara Qoid dan Ridho
walau masukan disengaja salah.
V.
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Setelah melakukan percobaan dan
menganalisa dari bab sebelumnya,
maka dapat disimpulkan antara lain :
a) Merekam
suara
dengan
microphone
mempengaruhi
tingkat pengenalan suara. Pada
microphone portable suara yang
direkam lebih halus disebabkan
oleh noise yang sedikit. Memakai
soundcard onboard laptop pun
juga demikian suara jelas, keras
namun noise sedikit lebih banyak.
d) Pada pengujian pengenalan suara
secara offline menggunakan dua
buah metode yang berbeda.
Dengan membandingkan vector
ciri data uji dengan vector ciri
data training. Dengan kesimpulan
metode autokorelasi menunjukkan
hasil maximal dalam pengenalan
suara.
e) Pegujian pengenalan suara secara
realtime
diperlukan
untuk
menguji program pengenalan
suara secara langsung. Berbeda
dengan pengujian secara offline
inputan suara masukan dilakukan
secara
spontan.
Disinilah
keakuratan program diuji. Hasil
yang didapat program mampu
mengenali suara inputan dengan
baik.
5.2. Saran
a) Pengembangan
metode
pengenalan suara lebih lanjut
untuk sistem ini masih bisa
dilakukan dengan menggunakan
penambahan ekstraksi ciri lain
selain menggunakan formant.
b) Riset
lebih
lanjut
tentang
pengenalan suara berupa dasardasar pengolahan sinyal harus
dipahami lebih dalam lagi, serta
pemahaman – pemahaman dasar
yang
mendukung
tentang
pengenalan suara dan pengolahan
sinyal.
c) Dilakukannya
penelitian
pengolahan
suara
dengan
merekam suara yang khas dengan
pengucapan yang lebih beragam
dan bervariatif.
d) Penggunaan data training dan data
uji
dengan
kalimat
yang
didalamnya terdapat beragam
bunyi dan aksen bicara yang
beragam, terdapat dengungan pada
kata yang digunakan untuk
pengenalan.
DAFTAR PUSTAKA
Riyanto, Jeri. 2011. Perangkat Lunak
Pengenalan
Suara
(Voice
Recognition)
Untuk
Absensi
Karyawan Dengan Menggunakan
Metode Dynamic Time Warping
(DTW). Fakultas Teknik dan Ilmu
Komputer, UNIKOM Bandung.
Gorasinatra, Edward. 2009. Perancangan
Program Aplikasi Pengenalan
Suara
Pada
Windows
Menggunakan Fourier Method,
Skripsi Program Ganda Teknik
Informatika-Matematika,
Binus
University
Pradifta J, Anggy. 2012. Pembuatan
Program
Simulasi
Speech
Recognition
System,
Laporan
Tugas Mata Kuliah Digital Signal
Processing, Program Pasca Sarjana
Departemen
Teknik
Elektro
Universitas Indonesia.
Ellis, E.Darren.2001. Design of a Speaker
Recognition Code Using MATLAB,
Project Design of a Speaker
Recognition
Code
Using
MATLAB,
Department
of
Computer
and
Electrical
Engineering
Tennessee.
University
of
SISTEM PENGENALAN SUARA BERDASARKAN FORMANT SUARA MANUSIA
DENGAN METODE AUTOCORELATION
Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I
Jurusan Teknik Elektro Fakultas Teknik
Universitas Muhammadiyah Surakarta
Diajukan Oleh:
ARIS WIJAYA
D 400 090 024
FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2014
SISTEM PENGENALAN SUARA BERDASARKAN FORMANT SUARA
MANUSIA DENGAN METODE AUTOCORELATION
ARIS WIJAYA
FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO
UNIVERSITAS MUHAMMADIYAH SURAKARTA
E-mail : nikho.rain@gmail.com
ABSTRAKSI
Suara manusia merupakan media berkomunikasi yang efektif dan paling sering
digunakan selain bahasa isyarat dan tulisan. Suara manusia pada dasarnya memiliki kekhasan
sendiri, sehingga dapat dikatakan suara manusia satu dengan yang lain berbeda. Ada
semacam karakteristik yang membentuk kekhasan suara manusia yaitu pitch, Formant dan
fomant bandwith.
Ada beberapa tahap yang dilakukan didalam penelitan pengenalan suara ini. Tahap
pertama adalah perekaman suara yang akan dijadikan data training dan data uji. Tahap kedua
hasil suara yang telah direkam kemudian diperbaiki kualitas suaranya dengan memotong
bagian yang tidak diperlukan dari rekaman suara, seperti noise, dan durasi yang terlalu
panjang. Tahap ketiga lebih kearah mendapatkan data vektor ciri suara yang akan dijadikan
data uji dan data training. Tahap keempat
Pengujian pengenalan suara manusia dengan menggunakan metode pencocokan
autocorelation dan euclidean distance memiliki hasil yang tidak begitu jauh berbeda. Akan
tetapi dalampenelitian ini metode autocorrelation menunjukkan hasil yang lebih baik
dibandingkan menggunakan Euclidean Distance. Perbedaan ini hanya terpaut beberapa
persen saja metode autocorrelation tingkat keakurasian mencapai diatas 35% dan metode
euclidean distance diatas 30% Pengenalan suara secara realtimemenunjukkan hasil yang
bagus. Tingkat keberhasilan pada rentang waktu pagi diatas 70%. Pengujian siang hari
keberhasilan diatas 70%. Pada pengujian sore hari tingkat keberhasilan diatas 80% namun
ada penurunan kualitas dari salah satu volunteer. Ketika diuji dengan masukan yang
disengaja salah, masih menunjukkan hasil yang diharapkan.Dengan tingkat keberhasilan
diatas 20%.
Kata Kunci : Suara, Voice Recognition,Pengenalan suara, Matlab.
I.
PENDAHULUAN
1.1. Latar Belakang Masalah
Suara
yang
dikeluarkan
manusia merupakan salah satu media
yang utama untuk berkomunikasi
dengan sesama manusia selain media
komunikasi yang lain seperti isyarat
dan tulisan. Suara yang dihasilkan
oleh setiap orang pada dasarnya
adalah unik yaitu khas untuk setiap
individu
walaupun
terkadang
seseorang dapat menirukan suara
orang lain relatif mendekati sama
walaupun tidak identik. Kekhasan
suara orang di antaranya terletak pada
keras atau lemahnya suara saat orang
berbicara pada keadaan normal, cara
pengucapan kata, intonasi, irama
bicara, logat dll. Dengan keadaan ini
suara dapat dijadikan pembeda yaitu
apabila orang sudah pernah mengenal
seseorang cukup lama dan hafal
dengan suaranya maka walaupun
matanya ditutup atau berkomunikasi
dari jarak jauh maka seseorang
tersebut akan bisa mengetahui dengan
siapa dia berbicara.
suara belum mendapatkan
perhatian yang cukup signifikan untuk
digunakan dalam keamanan atau
identifikasi. Masih sangat jarang atau
bahkan belum ada penggunaan sistem
absensi berbasis suara. Dengan
semakin berkembangnya teknologi,
maka suara dapat pula digunakan
menjadi salah satu alat untuk person
indentification (identifikasi seseorang)
karena suara manusia khas untuk tiaptiap orang. Sebagai alat identifikasi,
ciri suara perindividu harus dikenali
dengan baik. Pemanfaatan perangkat
lunak untuk voice recognition
(pengenalan suara) adalah suatu
aplikasi yang dapat digunakan untuk
mengenali ciri kekhasan suara
manusia dan sebagai alat untuk
berinteraksi dengan komputer tanpa
harus melakukan proses sentuhan pada
perangkat keras. Pemberian perintah
dan komunikasi dengan komputer
cukup dengan perintah wicara/suara.
Penelitian sebelumya yang
berhubungan
dengan
topic
pembahasan dan dijadikan bahan
untuk melakukan pengembangan
penelitian ini adalah sebagai berikut:
a) Jeri Riyanto (2011) mahasiswa
UNIKOM
Bandung.
Yang
melakukan penelitian yang berjudul
“Perangkat Lunak Pengenalan
Suara (Voice Recognition) Untuk
Absensi
Karyawan
Dengan
Menggunakan Metode Dynamic
Time Warping (DTW).” Pada
penelitian ini penulis meneliti
tentang proses dan langkah-langkah
ekstraksi ciri suara.
b) Pradifta J dan Anggy, mahasiswa
Pasca
sarjana
Universitas
Indonesia.
Dengan
penelitian
“Pembuatan Program Simulasi
Speech Recognition System ”. pada
penelitian penulis lebih berfokus
pada alur program yang digunakan
untuk pengenalan.
1.2. Rumusan Masalah
Masalah yang ingin penulis
pecahkan pada tugas akhir ini
adalah bagaimana merancang dan
membuat
sebuah
system
pengenalan suara yang mampu
mengidentifikasi
suara
orang
tertentu, serta membandingkan dua
buah metode pengenalan antara
Autocorrelation dan Euclidean
distance manakah yang paling bak
digunakan
untuk
proses
pengenalan.
1.3. Batasan Masalah
Batasan
masalah
pada
penelitian ini adalah sebagai
berikut :
a) Perangkat Simulasi hanya akan
mengenali sampel data suara
yang sudah disimpan di folder
penyimpanan sebelumnya.
b) Sistem secara keseluruhan
dibuat dalam bentuk prototype,
data-data suara orang diambil
dari volunteer (relawan)
c) Pengambilan sampel dibatasi
dengan usia dan jenis kelamin
dan sampel suara diambil
sebanyak 1 kali.
d) Sampel suara yang direkam
berupa nama, dengan durasi
sampai 1-33 detik, format
rekaman suara disimpan pada
format .wav.
e) Pada saat pengambilan sampel
suara, sampel suara harus
dalam keadaan sehat dan tidak
ada gangguan suara.
f) Perangkat
keras
untuk
pengambilan sampel berupa
satu
set
komputer
dan
microphone
g) Perancangan
simulasi
pengenalan
suara
menggunakan Matlab R2013A
h) Pengujian
secara
offline
bertujuan untuk mendapatkan
vector ciri suara manusia
i) Vektor ciri suara manusia
digunakan
sebagai
data
pengujian
offline
agar
didapatkan hasil perbandingan
nakan
menggunakan
dua
buah
metode yang paling relevan
digunakan untuk pengenalan
suara
1.4. Tujuan Penelitian
Tujuan dari penelitian ini
adalah untuk mencoba menggali
potensi tentang alat identifikasi
orang dengan konsep pengenalan
suara. Secara spesifik tujuan
penelitian adalah :
a) Merancang
dan
mengimplementasikan konsep
pengenalan suara ke dalam
sebuah sistem pengenalan
suara .
b) Mengetahui tingkat akurasi
pengenalan suara pada sistem
simulasi pengenalan suara
yang dibuat.
1.5. Manfaat Penelitian
Manfaat yang diharapkan
dari penelitian ini adalah:
a) Mencoba menggali potensi
suara manusia dalam bidang
teknologi
untuk
mempermudah
aktivitas
manusia.
b) Sistem pengenalan suara ini
mampu menjadi alternatif
untuk penelitian selanjutnya.
c) Setelah penelitian ini selesai
rapkan kedepannya akan
diharapkan
ada mahasiswa yang mampu
mengembangkan
simulasi
pengenalan suara ini m
menjadi
nyata.
bentuk aplikasi yang nyata
II.
Tinjauan Pustaka
Menurut Fadlisyah, Bustami,
dan M.Ikhwanus (2013) dalam buku
Pengolahan Suara
uara “suara yang keluar
dari mulut manusia akan memuat
berbagai informasi seperti identitas
pengucap, jenis gender, dialek,
ekspresi, dan lain
lain-lain”. Suara
manusia mempunyai karakteristik
yang berbeda-beda.
beda. Karakteristik
suara manusia dipengaruhi oleh pitch,
formant, dan formant bandwith
bandwith. Pitch
merupakan nada
dasar
suara
pitch
manusia. Tinggi rendahnya
dipengaruhi oleh pita suara, usia dan
jenis kelamin. Formant berpengaruh
pada pembentukan suara vokal pada
manusia.
Formant
bandwith
berpengaruh untuk sebagai pembeda
satu dengan yang
suara vokal manusia sa
lainnya apabila ada lebih dari satu
orang yang berbicara.
2.1. Landasan Teori
a) Pengenalan Suara
Pengenalan
suara
adalah suatu proses untuk
mengenali
dan
kemudian
mengidentifikasi
seseorang
melalui suaranya, jadi dalam
hal ini pengenalan suara
mengidentifikasi siapa yang
berbicara.
b) Diagram blok Ektraksi ciri
Gambar 1. Diagram Blok Ekstraksi Ciri
Suara
daerah frekuensi diatas 2000
Hz.
c)
Proses
perekaman
dan
sampling
Proses
perekaman
adalah
suatu
proses
mendapatkan
file
suara
manusia yang kemudian dapat
diputar dan disimpan kedalam
tipe file berkestensi *.wav .
Proses
perekaman
dapat
dilakukan
dengan
cara
perekaman suara manusia
secara langsung dengan media
Microphone pada PC dalam
hal ini berhubungan dengan
sound card. Suara yang
dikeluarkan oleh manusia
merupakan bentuk sinyak
sinyal waktu kontinyu (sinyal
analog) oleh karena itu harus
dikonversi menjadi sinyal
waktu diskrit (sinyal digital).
Dikarenakan
sinyal
suara yang dikeluarkan oleh
manusia merupakan sinyal
waktu kontinyu maka agar bisa
diproses secara komputasi
maka sinyal waktu kontiyu
harus dirubah kedalam bentuk
sinyal diskrit dan dilanjutkan
dengan
proses
digitalisasi(Proses Sampling).
Jadi proses sampling adalah
proses dimana mendapatkan
bentuk sinyal waktu diskrit
dengan menyampel sinyal
waktu kontinyu.
d) Pre-Emphasis
Tujuan dari pemfilteran
ini adalah untuk mendapatkan
bentuk spectral frekuensi
sinyal wicara yang lebih halus.
Dimana bentuk spectral yang
relatif bernilai tinggi untuk
daerah rendah dan cenderung
turun secara tajam untuk
y(n) = x(n) – ax(n−1)
dimana y(n) sinyal hasil
pre-emphasis, x(n) sinyal sebelum
pre-emphasis dan a merupakan
konstanta
filter
pre-emhasis,
biasanya bernilai 0.9 < a < 1.0.
e) Frame Blocking
Frame blocking merupakan
pembagian
sinyal
suara
menjadi beberapa frame dan
satu frame terdiri dari beberapa
sampel. Pengambilan sampel
tersebut tergantung dari tiap
detik suara akan disampel dan
berapa
besar
frekuensi
samplingnya.
Proses frame blocking, yaitu
melakukan blok terhadap
sinyal-sinyal menjadi frameframe N sampel dengan frameframe berdekatan dengan spasi
M (M < N). Berikut adalah
representasi fungsi-frame dari
Frame Blocking.
x(N) = y(M+N)
Dimana : x(N) = sinyal
sesudah diframe blocking, y =
sinyal
pre-emphasis,
M
=Overlapping frame dan N =
1,2,3…
f) Windowing
Proses frame blocking dapat
menyebabkan
terjadinya
kebocoran
spectral(spectral
leakage) atau aliasing. Efek ini
dapat terjadi karena rendahnya
jumlah sampling rate, ataupun
karena proses frame blocking
itu sendiri menyebabkan sinyal
menjadi discontinue. Efek
sinyal yang discontinue dapat
menyebabkan kesalahan data
pada proses fourier transform.
Untuk mengurangi kebocoran
spectral dan sinyal yang
discontinue
maka
di
perlukanlah proses windowing.
Window yang dipakai adalah
window Hamming
g) Formant
Menurut Fant (1960)
formant didefinisikan sebagai
daerah puncak-puncak dari
spektrum daya suara. Secara
fisis
formant
merupakan
frekuensi-frekuensi resonansi
dari filter, yaitu vocal tract
(articulator) yang meneruskan
dan memfilter bunyi keluaran
(output) berupa kata-kata yang
memiliki
makna.
Secara
umum,
frekuensi-frekuensi
formant bersifat tidak terbatas
namun, untuk mengidentifikasi
seseorang paling tidak ada 3
(tiga) formant yang dianalisa
yaitu, Formant 1 (F1),
Formant 2 dan Formant 3
(F3). Formant 1 (F1) dan
Formant 2 berkaitan dengan
posisi lidah ketika berbicara.
Perbedaan antara Formant 1
dengan Formant 2 adalah
posisi lidah terhadap langitlangit
rongga
mulut,
sedangkan Formant 2 posisi
lidah
berada
didepan/dibelakang
saat
berbicara. Formant 3 (F3)
berpengaruh
pada
warna
(Timbre)
suara
yang
dihasilkan.
Gambar 2. Formant dan Formant
Bandwitdh
III.
Metode Penelitian
Penelitian dan perancangan system
dilakukan
di
rumah
dan
dilaboratorium kampus.
3.1. Peralatan Utama dan Pendukung
a) Analisis Kebutuhan Software
Perangkat keras yang digunakan
untuk mebuat program ini yaitu
berupa :
Notebook Vaio Spesifikasinya
sebagai berikut :
Prosesor
Intel
(R)
Core(TM)
i5-4200U
@1.60GHz
Memory RAM 4 GB
Hard disk 320 GB
Microphone Philips
Sedangkan perangkat lunak
yang digunakan untuk membuat
program ini yaitu:
MATLAB
(R2013a)
8.10.604
Menggunakan
sistem
operasi Windows 8.1
Microsoft Office Word
2007
3.2. Perancangan Sistem
Perancangan sistem secara
umum dilakukan dengan maksud
untuk memberikan gambaran kepada
pengguna tentang sistem yang akan
diusulkan, yaitu program pengenalan
suara
menggunakan
formant
manusia dengan pengujian secara
realtime dan offline. Algoritma dari
program pengenalan suara ini adalah
sebagai berikut :
Simulasi ini bertujuan
untuk memberikan pembelajaran
yang terjadi saat proses ektraksi
ciri berlangsung.
Gambar 3 Algoritma pengenalan
suara
a) Fase Training adalah fase
perekaman suara sebagai data
uji pada penelitian ini
b) Uji Offline
Dari uji offline ini
desain visual system untuk uji
tidak ada tampilan khusus
karena berupa kode matlab.
Untuk mengetahui tingkat
kecocokan file uji dengan file
data training, dan untuk
menguji metode mana yang
paling baik digunakan untuk
proses pengenalan
Gambar 5 . Simulasi pengenalan
suara Realtime
Keterangan Gambar
a)
b)
c)
d)
e)
c) Uji Realtime
Uji realtime menggunakan
desain GUI yang didesain
atraktif dan mudah digunakan.
f)
3.3. Perancangan
Tampilan
Program Pengenalan Suara
g)
h)
Gambar 4. Uji simulasi ekstraksi
cirri
IV.
“A”Terdapat Static Text untuk
memberikan informasi nama
simulasi.
“B”Komponen Push Button /
tombol exit berfungsi Untuk
“B”Tombol REC berfungsi
untuk merekam sampel suara
“B”Tombol Hear berfungsi
untuk memutar kembali suara
yang telah disimpan
“B”Tombol
Get
Picture
merupakan tombol untuk
mengambil foto di dalam
folder yang telah disediakan.
“B”Tombol Masukkan Suara
adalah
tombol
untuk
pencocokan Suara
“B”Tombol Reset adalah
untuk
mereset
program
Komponen Axis dengan tag
axes . Untuk menampilkan
gambar yang sudah diambil
dari file computer.
“D”Komponen Axis untuk
menampilkan gambar logo
Universitas Muhammadiyah
Surakarta
HASIL DAN PEMBAHASAN
Terdapat dua pengujian
sistem pengenalan suara pada
penelitian
ini,
pengujian
dilakukan secara offline dan
online yang telah dirancang dan
dibuat. Uji coba dilakukan untuk
mengetahui
apakah
sistem
pengenalan suara dapat berjalan
sebagaimana mestinya dengan
lingkungan uji coba yang telah
ditentukan serta dilakukan sesuai
dengan skenario uji coba.
4.1. Hasil Pengujian Offline
dengan baik. Berbeda dengan
metode Euclidean distance yang
gagal mengenali 1(satu) file suara
AN dan NH dengan tingkat
kecocokan
75%
dan
30%.
Persamaan
nya
dengan
menggunakan
dua
metode
keseluruhan file mampu dikenali
dengan baik. File gagal dikenali bisa
disebabkan oleh kualitas rekaman,
kualitas file, maupun kualitas suara
yang direkam.
4.2. Hasil Pengujian Realtime
a) Pengujian sistem pengenalan
suara waktu pagi hari jam
08.00 – 10.00
Gambar 6 grafik keberhasilan
pengujian pengenalan suara dengan metode
Corelation
Gambar 8 Grafik
Pengujian sistem pengenalan suara
waktu pagi hari jam 08.00 – 10.00
Gambar 7 grafik keberhasilan
pengujian pengenalan suara dengan metode
Euclidean distance
Kesimpulan dari penggunaan
dua buah metode tersebut, metode
Autocorelation mampu mengenali
hampir keseluruhan file suara
Pada pengujian pagi
hari tingkat keberhasilan diatas
70%.
Pengujian
mampu
berjalan
dengan
lancar.
Perincian
keberhasilan
pengujian program untuk Aris
Wijaya 90%, Aulia Annassai
90%, Rahajeng 100%, Qoid
dan Rizky 80% serta Ridho
70%.
b) Pengujian sistem pengenalan
suara waktu pagi hari jam
12.00 – 14.00
kondisi peserta agak
lelah dikarenakan pengujian
sebelumnya
yang
cukup
memakan
waktu.
Hasil
pengujian pada waktu siang
hari
tingkat
keberhasilan
pengenalan suara diatas 70%
dengan perincian keberhasilan
pengujian program untuk Aris
Wijaya 85%, Aulia Annassai
100%, Rahajeng 80%, Qoid
70%, Rizky dan Ridho 90%.
Gambar 9 Grafik Pengujian
sistem pengenalan suara waktu
pagi hari jam 12.00 – 14.00
c) Pengujian sistem pengenalan
suara waktu pagi hari jam
16.00 – 17.00
Pengujian pada waktu
sore
hari
mengalami
penurunan tingkat keberhasilan
yaitu
dengan
minimal
keberhasilan 50% terjadi pada
saudara Ridho. Untuk yang
lainnya tingkat keberhasilan
diatas 80%. Dengan perincian
sebagai berikut Aris Wijaya
85%, Aulia Annasai 90%,
Rahajeng 85%, Qoid 80%,
Rizky 95%, dan Ridho 50%.
Gambar 10 Grafik
Pengujian sistem pengenalan suara
waktu pagi hari jam 16.00 – 17.00
d) Pengujian sistem pengenalan
suara waktu pagi hari jam
16.00 – 17.00
Uji coba pengenalan
suara dicoba dengan mencoba
masukan yang disengaja salah
untuk
mendapatkan
data
keakuratan program. Uji coba
dimulai dengan
mencoba
memasukkan
nama
yang
bukan miliknya sebanyak 20
kali. Hasil yang didapat walau
mengucapkan yang bukan
nama miliknya program tetap
mengenali
orang
yang
berbicara sesuai dengan nama
aslinya. Misal salah satu
volunter
bernama
Annas
mencoba
menginputkan
dengan
mencoba
inputan
dengan nama Aris, hasilnya
program
tetap
mengenali
Annas baik foto dan suaranya.
Kecuali dalam kondisi tertentu
beberapa kali program keluar
ouput yang berbeda kadang
foto yang keliru namun suara
benar maupun sebaliknya.
Pengujian dicoba pula
dengan orang yang tidak
direkam
suaranya
dan
kemudian
mencoba
menginputkan
namanya
ataupun
mencoba
menginputkan nama orang
yang berada di list rekaman
program, hasilnya program
mengenali
suara
dengan
random.
Dibawah
ini
merupakan
grafik
hasil
pengujian dengan mencoba
memasukkan data suara yang
disengaja salah.
b) Untuk memperbaiki kualitas suara
yang
diperlukan
untuk
pengenalan suara maka perlu
dihilangkan
bagian
yang
menggangu, seperti suara pra
rekaman, suara berisik setelah
rekaman dengan cara memotong
suara
dan
diambil
yang
diperlukan saja.
c) Setiap file suara mempunyai nilai
ciri yang berbeda-beda, nilai ciri
tersebut dinamakan vector ciri.
Vektor ciri suara manusia dapat
diekstrak dari bentuk PSD
gelombang suara.
Gambar 11 Grafik Pengujian
sistem pengenalan suara dengan
masukan yang disengaja salah
Hasil pengujian ini menunjukkan
bahwa ketika salah satu volunter
mengucapkan nama volunter yang lain
masih dikenali sebagai suaranya
sendiri.
Namun
beberapa
kali
mengalami
kesalahan
dalam
pengenalan
namun
prosentasi
kesalahan tidak lebih dari 20%. Untuk
volunter Qoid dan Ridho dalam uji
coba ini program tetap mampu
mengenali suara Qoid dan Ridho
walau masukan disengaja salah.
V.
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Setelah melakukan percobaan dan
menganalisa dari bab sebelumnya,
maka dapat disimpulkan antara lain :
a) Merekam
suara
dengan
microphone
mempengaruhi
tingkat pengenalan suara. Pada
microphone portable suara yang
direkam lebih halus disebabkan
oleh noise yang sedikit. Memakai
soundcard onboard laptop pun
juga demikian suara jelas, keras
namun noise sedikit lebih banyak.
d) Pada pengujian pengenalan suara
secara offline menggunakan dua
buah metode yang berbeda.
Dengan membandingkan vector
ciri data uji dengan vector ciri
data training. Dengan kesimpulan
metode autokorelasi menunjukkan
hasil maximal dalam pengenalan
suara.
e) Pegujian pengenalan suara secara
realtime
diperlukan
untuk
menguji program pengenalan
suara secara langsung. Berbeda
dengan pengujian secara offline
inputan suara masukan dilakukan
secara
spontan.
Disinilah
keakuratan program diuji. Hasil
yang didapat program mampu
mengenali suara inputan dengan
baik.
5.2. Saran
a) Pengembangan
metode
pengenalan suara lebih lanjut
untuk sistem ini masih bisa
dilakukan dengan menggunakan
penambahan ekstraksi ciri lain
selain menggunakan formant.
b) Riset
lebih
lanjut
tentang
pengenalan suara berupa dasardasar pengolahan sinyal harus
dipahami lebih dalam lagi, serta
pemahaman – pemahaman dasar
yang
mendukung
tentang
pengenalan suara dan pengolahan
sinyal.
c) Dilakukannya
penelitian
pengolahan
suara
dengan
merekam suara yang khas dengan
pengucapan yang lebih beragam
dan bervariatif.
d) Penggunaan data training dan data
uji
dengan
kalimat
yang
didalamnya terdapat beragam
bunyi dan aksen bicara yang
beragam, terdapat dengungan pada
kata yang digunakan untuk
pengenalan.
DAFTAR PUSTAKA
Riyanto, Jeri. 2011. Perangkat Lunak
Pengenalan
Suara
(Voice
Recognition)
Untuk
Absensi
Karyawan Dengan Menggunakan
Metode Dynamic Time Warping
(DTW). Fakultas Teknik dan Ilmu
Komputer, UNIKOM Bandung.
Gorasinatra, Edward. 2009. Perancangan
Program Aplikasi Pengenalan
Suara
Pada
Windows
Menggunakan Fourier Method,
Skripsi Program Ganda Teknik
Informatika-Matematika,
Binus
University
Pradifta J, Anggy. 2012. Pembuatan
Program
Simulasi
Speech
Recognition
System,
Laporan
Tugas Mata Kuliah Digital Signal
Processing, Program Pasca Sarjana
Departemen
Teknik
Elektro
Universitas Indonesia.
Ellis, E.Darren.2001. Design of a Speaker
Recognition Code Using MATLAB,
Project Design of a Speaker
Recognition
Code
Using
MATLAB,
Department
of
Computer
and
Electrical
Engineering
Tennessee.
University
of