ANALISIS SUARA ALPHABET

MENGGUNAKAN JARINGAN SYARAF TIRUAN

PROPAGASI BALIK






SKRIPSI







Oleh:

FADHLI ALMUIINI AHDA
NIM. 04550063











JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN)
MAULANA MALIK IBRAHIM MALANG
2010
ANALISIS SUARA ALPHABET
MENGGUNAKAN JARINGAN SYARAF TIRUAN
PROPAGASI BALIK







SKRIPSI







Diajukan Kepada:
Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim (UIN Maliki) Malang
untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Komputer (S.Kom)







Oleh:

FADHLI ALMUIINI AHDA
NIM. 04550063







JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN)
MAULANA MALIK IBRAHIM MALANG
2010
SURAT PERNYATAAN

Yang bertanda tangan di bawah ini :
Nama : Fadhli Almuiini Ahda
NIM : 04550063
Menyatakan bahwa skripsi yang saya buat untuk memenuhi persyaratan kelulusan pada
Fakultas Sains dan Teknologi, Jurusan Teknik Informatika Universitas Islam Negeri Malang
Dengan Judul ANALISIS SUARA ALPHABET MENGGUNAKAN JARINGAN SYARAF
TIRUAN PROPAGASI BALIK ini adalah hasil karya sendiri dan bukan duplikasi karya orang
lain baik sebagian ataupun keseluruhan, kecuali dalam bentuk kutipan yang telah disebutkan
sumbernya. Selanjutnya apabila di kemudian hari ada Klaim dari pihak lain, bukan menjadi
tanggung jawab dosen pembimbing dan atau pengelola Fakultas Sains dan Teknologi Jurusan
Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang tetapi menjadi
tanggung jawab saya sendiri.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya dan apabila pernyataan
ini tidak benar, saya bersedia mendapatkan sangsi akademis.

Malang, 28 April 2010
Yang membuat pernyataan


Fadhli Almuiini Ahda


ANALISIS SUARA ALPHABET
MENGGUNAKAN JARINGAN SYARAF TIRUAN
PROPAGASI BALIK





Oleh:

FADHLI ALMUIINI AHDA
NIM. 04550063




Telah Disetujui untuk Diuji
Malang, April 2010




Dosen Pembimbing I, Dosen Pembimbing II,





Syahiduzzaman, M.Kom M. Ainul Yaqin, M.Kom
NIP. 197005022005011005 NIP. 197610132006041004




Mengetahui,
Ketua Jurusan Teknik Informatika




Ririen Kusumawati, M.Kom
NIP. 197203092005012002
LEMBAR PENGESAHAN

ANALISIS SUARA ALPHABET
MENGGUNAKAN JARINGAN SYARAF TIRUAN
PROPAGASI BALIK

SKRIPSI


Oleh

FADHLI ALMUIINI AHDA
NIM. 04550063


Diajukan Kepada:
Dekan Fakultas Sains dan Teknologi
Universitas Islam Maulana Malik Ibrahim (UIN Maliki) Malang
untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Komputer (S.Kom)
Tanggal, 22 April 2010

Susunan Dewan Penguji: Tanda Tangan
1. Penguji Utama : Totok Chamidy, M.Kom ( )
NIP. 196912222006041001
2. Ketua : M. Amin Hariyadi, M.T ( )
NIP. 196701182005011001
3. Sekretaris : Syahiduzzaman, M.Kom ( )
NIP. 197005022005011005
4. Anggota : M. Ainul Yaqin, M.Kom ( )
NIP. 197610132006041004



Mengetahui dan Mengesahkan,
Ketua Jurusan Teknik Informatika




Ririen Kusumawati, M.Kom
NIP. 197203092005012002
MOTTO















Berlarilah selagi bisa berlari
Berjalanlah selagi bisa berjalan
Dan
Berdoalah selagi bisa berdoa


















KATA PENGANTAR

Alhamdulillahi rabbil alamin. Puji syukur penulis panjatkan kehadirat Allah SWT, karena
atas segala rahmat dan limpahan karunianya, Tugas Akhir yang berjudul Analisis File Suara
Alphabet Menggunakan Metode Neural Network Backpropagation ini dapat diselesaikan.
Semoga Allah melimpahkan rahmat atas Nabi Muhammad SAW yang senantiasa memberikan
cahaya petunjuknya, dan atas keluarganya yang baik dan suci dengan rahmat yang berkah-Nya
menyelamatkan kita pada hari akhirat.
Dalam penyelesaian tugas akhir ini, penulis telah mendapat begitu banyak bantuan baik
moral maupun materiil dari banyak pihak. Atas bantuan yang telah diberikan, penulis ingin
menyampaikan penghargaan dan ucapan terima kasih yang sedalam-dalamnya kepada:
1. Bapak Prof. DR. H. Imam Suprayogo, selaku Rektor Universitas Islam Negeri Malang
beserta seluruh staf. Darma Bakti Bapak dan Ibu sekalian terhadap Universitas Islam
Negeri Malang turut membesarkan dan mencerdaskan penulis.
2. Bapak Prof. Drs. Sutiman Bambang Sumitro, SU., DSc, selaku Dekan Fakults Sains dan
Teknologi Universitas Islam Negeri Malang beserta staf . Bapak dan ibu sekalian sangat
berjasa memupuk dan menumbuhkan semangat untuk maju kepada penulis.
3. Ibu Ririen Kusumawati, M.Kom selaku Ketua Jurusan Teknik Informatika yang telah
memotivasi, membantu dan memberikan penulis arahan yang baik dan benar dalam
menyelesaikan penulisan skripsi ini.
4. Bapak Syahiduzzaman, M.Kom dan M. Ainul Yaqin, M.Kom selaku pembimbing skripsi
penulis di jurusan Teknik Informatika UIN Malang yang telah banyak memberikan
bimbingan serta motifasi kepada penulis dalam menyelesaikan skripsi ini.
5. Seluruh Dosen Universitas Islam Maulana Malik Ibrahim Negeri (UIN Maliki) Malang,
khususnya Dosen Teknik Informatika dan staf yang telah memberikan ilmu kepada
penulis, dan dukungan untuk menyelesaikan penulisan skripsi ini.
6. Papa dan Mamaku tersayang, Adik-adikku dan seluruh keluarga besar nun jauh disana di
Pekanbaru yang telah banyak memberikan doa, motivasi dan dorongan dalam penyelesaian
skripsi ini.
7. Cantik ku Dilianti Pratama Putri Sari, yang selalu menguatkanku dan memberikan
semangat di saat menghadapi kesulitan dalam menyelesaikan skripsi ini, serta
mengingatkanku untuk selalu beribadah.
8. Semua sahabat yang telah membantu menulis hingga terselesaikanya skripsi ini, khususnya
kepada Dwy, Asih, Jacky, Memed, Dofar, Igif, Hadak, Andre, sahabat-sahabat IKPMR,
dan semua sahabat di TI-UIN Malang angakatan 2004 semoga Allah SWT memberikan
balasan yang setimpal atas jasa dan bantuan yang telah diberikan.
9. Dan kepada seluruh pihak yang mendukung penulisan skripsi yang tidak dapat disebutkan
satu persatu penulis ucapkan terimakasih yang sebesar-besarnya. Semoga penulisan
laporan tugas akhir ini bermanfaat bagi pembaca sekalian.
Penulis menyadari bahwa tugas akhir ini masih jauh dari kesempurnaan, dan mengandung
banyak kekurangan, sehingga dengan segala kerendahan hati penulis mengharapkan kritik dan
saran yang membangun dari pembaca.

Malang, 25 April 2010

Penulis

DAFTAR ISI

Halaman Judul ......................................................................................................................... i
Lembar Pengajuan................................................................................................................... ii
Lembar Persetujuan ................................................................................................................ iii
Halaman Pengesahan............................................................................................................... iv
Surat Pernyataan ..................................................................................................................... v
Motto ......................................................................................................................................... vi
Lembar Persembahan ............................................................................................................. vii
Kata Pengantar ........................................................................................................................ viii
Daftar Isi ................................................................................................................................... x
Daftar Gambar ......................................................................................................................... xii
Daftar Tabel ............................................................................................................................. xiv
Abstrak...................................................................................................................................... xv

Bab I Pendahuluan
1.1 Latar Belakang ............................................................................................................... 1
1.2 Rumusan Masalah .......................................................................................................... 5
1.3 Batasan Masalah ............................................................................................................ 5
1.4 Tujuan Penelitian ........................................................................................................... 5
1.5 Metodologi Penelitian .................................................................................................... 6
1. 6 Sistematika Penulisan Laporan ..................................................................................... 7

Bab II Dasar Teori
2.1 Alphabet........................................................................................................................ 8
2.1.1 Pengertian Alphabet ............................................................................................... 8
2.1.2 Sejarah Alphabet ................................................................................................... 9
2.2 Kecerdasan Buatan ....................................................................................................... 10
2.3 Pengenalan Pola ........................................................................................................... 12
2.4 Mekanisme Pembentukan Suara .................................................................................. 16
2.5 Pengenalan Suara ......................................................................................................... 19
2.6 Sistem Pengenalan Suara.............................................................................................. 24
2.6.1 Pencuplikan Sinyal Suara ....................................................................................... 25
2.6.2 Normalisasi ............................................................................................................ 26
2.6.3 Pemrosesan Sinyal Digital...................................................................................... 27
2.6.4 Linier Predictive Coding (LPC) ............................................................................. 28
2.6.5 Fast Faurier Transform (FFT) ............................................................................... 32
2.7 Neural Network (NN) ................................................................................................... 33
2.7.1 Pengertian Neural Network ................................................................................... 33
2.7.2 Inspirasi Biologis .................................................................................................... 33
2.7.3 Structure Recurrent (feedback) .............................................................................. 34
2.7.4 Supervised Learning (Belajar Dengan Pengawasan) ............................................. 35
2.7.5 Multi Layer Perceptron (MLP) .............................................................................. 36
2.8 Aplikasi Jaringan Syaraf Tiruan ................................................................................... 42
2.9 Matlab ........................................................................................................................... 44
2.10 Flowchart ..................................................................................................................... 44

Bab III Desain Dan Perancangan Sistem
3.1 Analisis Sistem .............................................................................................................. 47
3.1.1 Deskripsi Sistem ..................................................................................................... 47
3.1.2 Batasan Sistem ....................................................................................................... 49
3.1.3 Kebutuhan Perangkat Lunak .................................................................................. 49
3.2 Perancangan Sistem ....................................................................................................... 60
3.2.1 Arsitektur Neural Network (NN) ............................................................................ 60
3.2.2 Proses Pelatihan NN ............................................................................................... 61
3.2.3 Hasil Pelatihan NN ................................................................................................. 62
3.2.4 Keberhasilan Pelatihan NN .................................................................................... 68
3.3 Desain Antar Muka ........................................................................................................ 69

Bab IV Pembahasan
4.1 Peralatan Dan Uji Coba ................................................................................................. 71
4.2 Data Uji.......................................................................................................................... 72
4.3 Implementasi Program ................................................................................................... 72
4.3.1 Proses Preprosesing Data ...................................................................................... 73
4.3.2 Proses Pengenalan Suara ........................................................................................ 82
4.3.3 Proses Pengujian Suara .......................................................................................... 89

Bab V Kesimpulan dan Saran
5.1 Kesimpulan ................................................................................................................. .114
5.2 Saran ........................................................................................................................... .114
Daftar Pustaka ......................................................................................................................... .116
Lampiran-lampiran ................................................................................................................. .117




















DAFTAR TABEL


Tabel 2.1 Nilai Parameter Analisa LPC ........................................................................................ 31
Tabel 3.1 Pembagian Data Uji ...................................................................................................... 47
Tabel 3.2 Hasil Latih Untuk Data Uji 1 ........................................................................................ 64






































DAFTAR GAMBAR


Gambar 2.1: Foto Sinar X Penampang Alat-Alat Ucap Manusia ................................................. 17
Gambar 2.2: Sistem Produksi Ucapan Manusia ........................................................................... 19
Gambar 2.3: Diagram Blok sistem pengenalan suara ................................................................... 24
Gambar 2.4: Posisi Filter Pre-Emphasis pada sistem pengolah wicara ........................................ 29
Gambar 2.5: Diagram Blok pre-emphasis filter ........................................................................... 30
Gambar 2.6: Sebuah sel syaraf sederhana..................................................................................... 34
Gambar 2.7: Neural Network FeedBack ....................................................................................... 35
Gambar 2.8: Model MLP .............................................................................................................. 36
Gambar 2.9: Diagram Jaringan Saraf Tiruan Back Propagation .................................................. 40
Gambar 2.10: Langkah Pengaplikasian Jaringan Saraf Tiruan ..................................................... 42
Gambar 3.1: Diagram Blok Sistem Secara keseluruhan .................................................................. 48
Gambar 3.2: Diagram Alir Pengolahan Sinyal ............................................................................. 51
Gambar 3.3: Diagram Alir Proses Pembelajaran .......................................................................... 53
Gambar 3.4: Diagram Alir Proses Feedforward ........................................................................... 55
Gambar 3.5: Diagram Alir proses hitung error ............................................................................ 56
Gambar 3.6: Diagram Alir Propagasi Balik .................................................................................. 57
Gambar 3.7: Diagram Alir Proses Pengenalan ............................................................................. 60
Gambar 3.8: Pelatihan dengan 1 hidden 50 node ......................................................................... 63
Gambar 3.9: Hasil latih huruf A yang Dikenali ............................................................................ 64
Gambar 3.10: Desain Antar Muka Sistem .................................................................................... 69
Gambar 3.11: Sistem dalam posisi siap digunakan ...................................................................... 70
Gambar 4.1: Normalisasi .............................................................................................................. 73
Gambar 4.2: Estimasi Sinyal Suara .............................................................................................. 74
Gambar 4.3: Error Sinyal .............................................................................................................. 75
Gambar 4.4: Model Frekuensi Respon Spectrum ......................................................................... 76
Gambar 4.5: Prediksi Kesalahan ................................................................................................... 77
Gambar 4.6: Prediksi Kesalahan Pola ........................................................................................... 78
Gambar 4.7: Grafik Pengenalan Suara TRAINGDA .................................................................... 87
Gambar 4.8: Hasil Pengujian Huruf.............................................................................................. 88
Gambar 4.9: Hasil Pengujian Secara Jelas .................................................................................... 88
Gambar 4.10: Halaman GUIDE .................................................................................................... 89
Gambar 4.11: Membuka GUI Matlab ............................................................................................ 90
Gambar 4.12: Halama Antar Muka Program ................................................................................91
Gambar 4.13: Menampilkan Data Input .......................................................................................92
Gambar 4.14: Proses Pelatihan ....................................................................................................93
Gambar 4.15: Grafik menandakan pengenalan ............................................................................93
Gambar 4.16: Tahap Awal Pengujian .........................................................................................100
Gambar 4.17: Proses Pengujian ..................................................................................................108
Gambar 4.18: Hasil Uji Coba ......................................................................................................108





























ABSTRAK

NeurPR atau lebih dikenal dengan Jaringan Syaraf Tiruan merupakan sistem
pembelajaran yang pada dasarnya mengacu pada konsep dasar sistem kerja otak manusia. Tujuan
pembelajaran pasang input-output dilakukan untuk mencari konfigurasi bobot jaringan yang
paling baik yang nantinya digunakan untuk pengenalan pola. Ada tiga metode pendekatan
pengenalan pola yaitu Statistical Pattern Recognition (StatPR), Syntatic Pattern Recognition
(SyntPR) dan Neural Pattern Recognition (NeurPR).
Sistem ini dibangun untuk menganalisis pengenalan suara huruf alphabet. Parameter yang
digunakan dalam pembuatan perangkat lunak ini adalah pola suara hasil keluaran dari FFT .
Parameter yang kedua yaitu diambil dari pola suara orang yang dianggap kurang benar dalam
mengeja huruf. Sehingga diharapkan dengan adanya acuan dua parameter antara suara yang
benar dan tidak benar maka jika ada data baru yang akan diuji sistem bisa menentukan data uji
tersebut tergolong benar atau tidak.
Neural Network algoritma propagasi balik terdiri dari lapisan unit input, lapisan hidden
(tersembunyi), dan lapisan untuk unit output/ keluaran. Untuk unit input akan dimasukkan pola
suara masing-masing ucapan yang dijadikan sebuah matrik tiap-tiap jenis huruf, contohnya:
huruf A akan dijadikan satu variabel yaitu a1, terdiri dari sepuluh pola suara orang yang
dianggap benar dengan dijadikan satu matrik. Huruf A akan dijadikan satu variabel yaitu aa1,
terdiri dari sepuluh pola suara orang yang dianggap tidak benar dengan dijadikan satu matrik.
Begitu juga dengan huruf B sampai Z. Kemudian pada tahap kedua dilakukan penentuan target,
penentuan target ini dilakukan agar keluaran dari pola suara yang telah dilatih akan sesuai
dengan target yang telah ditentukan yang menandakan bahwa pola suara berhasil melakukan
pengenalan sehingga jaringan pada akhirnya dapat memutuskan suatu pola suara benar atau tidak
benar.

Kata Kunci: Statistical Pattern Recognition (StatPR), Syntatic Pattern Recognition (SyntPR),
Neural Pattern Recognition (NeurPR), FFT (Fast Fourier Transform), Neural
Network, hidden


BAB I
PENDAHULUAN

1.1 Latar Belakang
`.!, ,, _ _l> _l> _.. _. _ls _ ,, ` _ _ l.
l1l!, _ l. _.. !. `l ,-, _
Artinya:
Bacalah dengan (menyebut) nama Tuhanmu yang Menciptakan,. Dia Telah menciptakan
manusia dari segumpal darah. Bacalah, dan Tuhanmulah yang Maha pemurah, Yang
mengajar (manusia) dengan perantaran kalam. Dia mengajar kepada manusia apa yang
tidak diketahuinya. (Q.S Al-alaq : 1-5)

Dalam wahyu yang pertama surat Alalaq 1-5 dijelaskan bahwa Allah menyuruh manusia
untuk membaca, banyak penafsiran tentang perintah membaca dalam ayat tersebut diantaranya
belajar. Untuk mencapai proses belajar itu perlu adanya pengenalan huruf-huruf terlebih dahulu.
Ayat ini juga menjelaskan secara umum salah satu dari sifat Allah yaitu mencipta dan
memulai penciptaan. Kemudian diiringi dengan menyebut khusus tentang penciptaan dan asal
mula kejadian makhluk manusia. Yaitu dari titik darah beku yang melekat di dalam rahim dari
asal mula yang sangat kecil, kemudian dengan limpah kemurahan-Nya dan dengan qudrat kuasa-
Nya. Allah mengangkatkan segumpal darah itu kepada drajat manusia yang mengerti dan
mengetahui. Di samping menjelaskan hakikat penciptaan manusia, ayat itu juga menjelaskan
hakikat mengajar yaitu bagaimana Allah mengajar manusia dengan pena, kerana pena selama-
lamanya merupakan alat mengajar yang paling luas dan paling mendalam kesannya dalam
kehidupan manusia. Dalam surat Al-Baqoroh ayat 31-32 Allah berfirman:
l. :, ,!.- !l . .. _ls >.l.l _!1 _.:,. ,!.`.!, ,.> | ..
_,... _ l! ,..>,. l. !.l | !. !...ls ,.| . `,l-l `,>>' __
Dan dia mengajarkan kepada Adam nama-nama (benda-benda) seluruhnya, Kemudian
mengemukakannya kepada para malaikat lalu berfirman: "Sebutkanlah kepada-Ku nama benda-
benda itu jika kamu mamang benar orang-orang yang benar!, Mereka menjawab: "Maha Suci
Engkau, tidak ada yang kami ketahui selain dari apa yang Telah Engkau ajarkan kepada Kami;
Sesungguhnya Engkaulah yang Maha mengetahui lagi Maha Bijaksana." (Q.S Al-Baqarah 31-
32)

Dari Penjelasan ini ada dua kondisi yang perlu kita catat, yaitu Pertama, bahwa
manusia memiliki ilmu yang lebih luas dibandingkan dengan malaikat. Kedua, Adam,
sebagai manusia sedunia, benar-benar sudah mengetahui bentuk segala sesuatu (yang hidup
dan mati bersama dengan interaksi) pada waktu hidupnya sampai keturunan terakhir. Dari
penjelasan ini tidak diketahui dengan jelas bagaimana bentuk dan penggunaan ilmu yang
dimiliki oleh Adam. Dari ayat diatas sangat jelas bahwa Allah secara langsung ikut campur
tangan dalam pengembangan teknologi, kondisi yang tidak lazim terjadi dalam
pengembangan teknologi modern.
1

Begitu juga dengan perkembangan media komunikasi manusia pada saat ini bisa
dikatakan sudah sangat berkembang. Namun dalam perkembangan itu sendiri tidak lepas dari
tiga hal pokok seperti suara, penglihatan, dan sentuhan. Sehingga dalam mengembangkan
teknologi khusus nya kecerdasan buatan mengacu pada tiga hal tersebut.
Banyak kemudahan yang ditawarkan untuk kepentingan interaksi manusia dan

1
Mujizat Al-Quran dan As-Sunnah tetang iptek, Jilid 2, 1997,h.46-47.
komputer. Misalnya dalam pengenalan suara untuk huruf alphabet, bagi sebahagian manusia
dalam mengenal sebuah huruf mudah saja karena manusia mempunyai pengenalan pola yang
sangat baik. Tetapi bagaimana dengan komputer? Untuk itu dalam tugas akhir ini bagaimana
komputer dapat mengenali pola huruf melalui suara yang di input kan dengan menggunakan
metode Jaringan Syaraf Tiruan.
Pengenalan suara akan menjadi dasar dalam pembuatan perangkat lunak kontrol suara
tersebut. Dasar dari pengenalan suara adalah pencocokan pola suara. Pengenalan pola dapat
dilakukan dengan pendekatan Statistical Pattern Recognition Approach (SatPR) atau
etimilasi distribusi, Syntatic Pattern Recognition Approach (SyntPR) atau parsing bahasa
formal, dan Neural Pattern Recognition Approach (NeurPR) atau model paralel [Schalkoff,
1992].
NeurPR atau lebih dikenal dengan Jaringan Syaraf Tiruan merupakan sistem
pembelajaran yang pada dasarnya mengacu pada konsep dasar sistem kerja otak manusia.
Dimana syaraf akan dapat mengenali sesuatu karena telah mengetahui atau mempelajari
sebelumnya. Masukan berupa sinyal diskrit yang telah diolah sebelumnya akan dipasangkan
dengan keluaran yang sudah ditentukan. Tujuan pembelajaran pasang input-output dilakukan
untuk mencari konfigurasi bobot jaringan yang paling baik yang nantinya digunakan untuk
pengenalan pola.
Kemampuan Jaringan Syaraf Tiruan dipengaruhi oleh artsitektur atau model
jaringannya [Kristanto, 2004]. Misalnya jaringan lapis Tunggal MucCulloch-Pitts, jaringan
syaraf Hebb, seminimal mungkin, namun dapat mengenali pola suara yang dicobakan.
Pemilihan metode ini karena jaringan Syaraf Tiruan ini mempunyai kemiripan dengan
sistem kerja otak. Hal yang menarik adalah otak manusia mempunyai kemampuan belajar
yang luar biasa pada saat otak dalam kondisi konsentrasi atau aktif sehingga pada keadaan
demikian otak dapat bekerja dengan masalah yang komplek. Jaringan Syaraf Tiruan
dirancang menyerupai otak manusia dengan susunan neuron-neuron yang diaktifasi oleh
sebuah fungsi. Aktifasi yang secara otomatis dapat mengatur bobot koneksi hingga mencapai
target. Pemberian bisa selalu bernilai satu dianalogikan sebagai synapsis jaringan yang selalu
aktif, sehingga jaringan menjadi kuat. Pemilihan lapisan tersembunyi tunggal karena
memperhatikan efisiensi proses pengenalan khususnya pada tahap pembelajaran dan
pengenalan serta ukuran penyimpanan. Oleh karena itu penulis mencoba meneliti dan
menuangkan dalam bentuk skripsi dengan judul Analisis Suara Alphabet Menggunakan
Jaringan Syaraf Tiruan .
1.2 Rumusan Masalah
Melihat latar belakang masalah tersebut dapat dirumuskan suatu permasalahan:
Bagaimana merancang aplikasi pengenalan suara untuk pembelajaran Alphabet?
Bagaimana mendesain aplikasi dan implementasi pengenalan suara untuk pembelajaran
Alphabet dalam personal komputer?
1.3 Batasan Masalah
Untuk menghindari meluasnya permasalahan yang ada, serta keterbatasan ilmu dan
kemampuan yang dimiliki penulis maka:
1. Metode yang digunakan adalah Propagasi Balik.
2. Implementasi program hanya untuk menginputkan suara huruf alphabet.
3. Hanya dapat mengenali suara dalam format WAV.
4. Pengujian dilakukan secara offline.


1.4 Tujuan Dan Manfaat Penelitian
a. Tujuan Penelitian
Penelitian ini bertujuan untuk membuat suatu sistim aplikasi pengujian suara huruf
alphabet, dengan masukan data suara dalam bentuk biner yang sudah diolah melalui
proses normalisasi.
b. Manfaat Penelitian
Hasil penelitian ini diharapkan dapat digunakan sebagai bahan pembelajaran benar
tidaknya huruf alphabet dalam sisi pengejaannya. Dan aplikasi yang dibuat ini juga dapat
dijadikan pengembangan pendukung di bidang yang berkaitan. dengan penyesuaian
tertentu aplikasi ini dapat digunakan bukan hanya untuk menganalisis huruf alphabet saja,
bahkan bisa untuk bidang yang lainnya.
1.5 Metodologi Penelitian
1. Studi Literatur
Pada tahap ini dilakukan pencarian dan pemahaman literatur yang berhubungan dengan
permasalahan pencuplikan suara, pengolahan sinyal analog ke digital, pengkodean,
pembelajaran Neural Network, pengenalan pola suara, Literatur yang digunakan meliputi
buku referensi, buku Tugas Akhir mahasiswa jurusan ilmu komputer serta dokumentasi dari
internet.
2. Perumusan Masalah dan Penyesaiannya
Tahap ini meliputi perumusan masalah, batasan-batasan masalah dan penyelesaiannya serta
penentuan parameter untuk mengukur hasilnya.
3. Perancagan dan Desain Sistem
Pada tahap ini dilakukan perancangan perangkat lunak untuk menerapkan permasalahan dan
penyelesaiaan pada tahap sebelumnya.
4. Pembuatan Perangkat Lunak
Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan rancangan perangkat
lunak yang telah dilakukan.
5. Uji Coba dan Evaluasi Hasil
Tahap ini meliputi uji coba terhadap algoritma yang diterapkan pada pengenalan suara oleh
Neural Network. Dalam hal ini juga dilakukan evaluasi dari setiap percobaan. Proses uji coba
ini diperlukan untuk memastikan sistem yang telah dibuat sudah benar, sesuai dengan tujuan
yang hendak dicapai
1.6 Sistematika Penulisan Laporan
BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian dan sistematika penulisan.
BAB II DASAR TEORI
Bab ini menjelaskan tentang teori-teori yang terkait dengan permasalahan
yang diambil. Seperti pengenalan Jaringan Syaraf Tiruan, Jenis-jenis JST, dan
pengenalan suara menggunakan Fast Fourier Transform (FFT)
BAB III DESAIN DAN PERANCANGAN SISTEM
Bab ini menjelaskan mengenai analisis dan Perancangan Sistem pengenalan
suara untuk pembelajaran huruf alphabet secara keseluruhan.
BAB IV HASIL DAN PEMBAHASAN
Bab ini berisi pengujian dan analisis terhadap hasil pengujian dari aplikasi
yang telah dibangun.


BAB V PENUTUP
Bab ini berisi tentang kesimpulan dan saran yang berguna untuk
pengembangan sistem pengetahuan dari penulis.




















BAB II
DASAR TEORI

2.1 Alphabet
2.1.1 Pengertian Alphabet
Alphabet adalah set standar surat ditulis dasar simbol atau grafem - yang masing-
masing sekitar mewakili suatu fonem dalam bahasa lisan, baik seperti yang ada sekarang
atau seperti di masa lalu. Ada sistem-sistem lain, seperti logographies, di mana setiap
karakter mewakili sebuah kata, morfem, atau unit semantik, dan syllabaries, di mana
setiap karakter mewakili sebuah suku kata. Alfabet diklasifikasikan berdasarkan
bagaimana mereka menunjukkan huruf vocal, Cara yang sama seperti konsonan, seperti
dalam bahasa Yunani (true abjad). Singkatan dari konsonan, seperti dalam bahasa Hindi
(abugida), Tidak sama sekali, seperti di Phoenix (Abjad).
Kata alfabet datang ke Inggris, Abad Pertengahan dari Alphabetum Akhir kata
Latin, yang pada gilirannya berasal dari Yunani Kuno Alphabetos, dari alfa
dan beta, dua huruf pertama dari abjad Yunani. [1] Alpha dan beta pada gilirannya datang
dari dua huruf pertama dari abjad Fenisia, dan berarti sapi dan rumah masing-masing. Ada
puluhan abjad digunakan saat ini. Kebanyakan dari mereka adalah terdiri dari garis (linear
menulis); pengecualian adalah Braille, fingerspelling, dan kode morse.
(http://nukay81.blogspot.com/2009/10/asal-usul-alphabet.html) akses 7 februari 2010.
2.2.1 Sejarah Alphabet
Sama seperti yang dilakukan oleh bangsa Mesir Kuno yang kira-kira hidup pada
tahun 4000 Sebelum Masehi, serta bangsa Babylonia tidak lama setelahnya.
Bangsa Babylonia memulainya dengan abjad paku (Cuneiform). Kemudian
bangsa Phoenicia mengambil dan memadukan bentuk dan pengaruh dari Mesir serta
Babylonia tersebut menjadi sistem abjad pertama di dunia pada sekitar tahun 1300 SM.
Abjad Phoenicia ini terdiri atas 23 simbol sederhana yang merupakan nenek moyang bagi
huruf mati yang kita kenal saat ini serta terbatas hanya sebagai unsur bunyi. Abjad ini pun
harus dibaca dari kanan ke kiri. Bangsa Yunani kemudian meminjam dan merombak abjad
Phoenician tersebut ke dalam bentuk yang lebih teratur. Menyempurnakannya dengan
menambahkan huruf hidup seperti A/Alpha, E/Epsilon, I/Iota, O/Omicron dan Y/Upsilon.
Sekaligus memperkenalkan cara baca dari kiri ke kanan.
Maka, lahirlah standar sistem huruf/abjad yang dikenal dengan nama Alphabet
yang merupakan singkatan dari dua huruf pertama dalam sistem Alphabet Yunani, yaitu
Alpha dan Beta. Sistem Alphabet inilah yang kemudian disempurnakan lagi oleh Bangsa
Romawi untuk melahirkan Alphabet Latin yang merupakan dasar bagi sistem Alphabet
yang lazim digunakan di dunia saat ini.
(http://www.pikiran rakyat.com/prprint.php?mib=beritadetail&id=31998)
2.2 Kecerdasan Buatan
Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI)
didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem
seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke
dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat
dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan
antara lain system pakar, permainan komputer (games), logika fuzzy, jaringan syaraf
tiruan dan robotika.
Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk
Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan,
menyelesaikan persamaan integral, membuat permainan catur atau Backgammon. Di sisi
lain, hal yang bagi manusia kelihatannya menuntut sedikit kecerdasan, sampai sekarang
masih sulit untuk direalisasikan dalam Informatika. Seperti contoh: Pengenalan
Obyek/Muka, bermain sepak bola.
Walaupun AI memiliki konotasi fiksi ilmiah yang kuat, AI membentuk cabang
yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran
dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut
pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku
cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan,
kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan
tulisan tangan, suara dan wajah. Hal-hal seperti itu telah menjadi disiplin ilmu tersendiri,
yang memusatkan perhatian pada penyediaan solusi masalah kehidupan yang nyata.
Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan
militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer
rumah dan video game. Kecerdasan buatan ini bukan hanya ingin mengerti apa itu sistem
kecerdasan, tapi juga mengkonstruksinya. Tidak ada definisi yang memuaskan untuk
'kecerdasan':
1. Kecerdasan: kemampuan untuk memperoleh pengetahuan dan menggunakannya
2. Kecerdasan yaitu apa yang diukur oleh sebuah 'Latiht Kecerdasan'. (
ilmukomputer.org/category/kecerdasan-buatan/).
Kecerdasan buatan adalah salah satu bagian ilmu komputer yang mempunyai
pengetahuan dan motor inferensi untuk membuat komputer dapat melakukan pekerjaan
seperti layaknya manusia [Kusumadewi, 2000]. Bidangnya terbagi atas problem solving,
sistem pakar, pengolahan bahasa alami, computer vison, robotika, dan education
[Suparman, 1998].
2.3 Pengenalan Pola
:| _! `,>,| ,, , .>`.. !.!.. l, _.| , ,. _ _.l. _,,. __
l. _. ,>,| ,>l. ,...l _ >,l _. _,..l __ !.l _>
,ls `_,l , !, _! ..> _ !.l _ _! > _,l __ !.l , .1l
!s!, _! ..> _ !.l _ _! _l l _.. _ _ _. ,1l _!.l __
!.l , _.:l s!, _! ..> _ ..> !.l l _! ,1., _.| ",_, !..
: __
Artinya:
dan (ingatlah) di waktu Ibrahim berkata kepada bapaknya, Aazar
2
"Pantaskah kamu
menjadikan berhala-berhala sebagai tuhan-tuhan? Sesungguhnya aku melihat kamu dan
kaummu dalam kesesatan yang nyata. Dan demikianlah Kami perlihatkan kepada Ibrahim
tanda-tanda keagungan (kami yang terdapat) di langit dan bumi dan (kami
memperlihatkannya) agar Dia Termasuk orang yang yakin. Ketika malam telah gelap,
Dia melihat sebuah bintang (lalu) Dia berkata: "Inilah Tuhanku", tetapi tatkala bintang
itu tenggelam Dia berkata: "Saya tidak suka kepada yang tenggelam. kemudian tatkala
Dia melihat bulan terbit Dia berkata: "Inilah Tuhanku". tetapi setelah bulan itu terbenam,

2
Di antara mufassirin ada yang berpendapat bahwa yang dimaksud dengan Abiihi (bapaknya) ialah pamannya
Dia berkata: "Sesungguhnya jika Tuhanku tidak memberi petunjuk kepadaKu, pastilah
aku Termasuk orang yang sesat. kemudian tatkala ia melihat matahari terbit, Dia
berkata: "Inilah Tuhanku, ini yang lebih besar". Maka tatkala matahari itu terbenam, Dia
berkata: "Hai kaumku, Sesungguhnya aku berlepas diri dari apa yang kamu
persekutukan" (Q.S Al-Anam 74-78)

Ayah Nabi Ibrahim AS yang sebenarnya adalah Tarikh bukanlah Aazar
3
, dan
nama ibunya adalah Syani, istri Nabi Ibrahim ialah Sarah dan Ibunya Ismail adalah Hajar,
budak nabi Ibrahim.
Mujahid dan As-Saddi mengatakan bahwa Aazar adalah nama berhala.
Berdasarkan pendapat inilah dikenal dengan nama Azar, karena dialah yang menjadi
pelayan dan yang mengurus berhala itu. Sedangkan Ibnu Jarir mengatakan, ulama lainnya
berpendapat bahwa Azar menurut bahasa mereka artinya kata cacian dan keaiban,
maknanya ialah menyimpang (sesat). Akan tetapi, pendapat ini tidak disandarkan kepada
seorang perawi pun oleh Ibnu Jarir, tidak pernah pula diriwayatkan oleh seorang pun. Dan
Ibnu hatim mengatakan bahwa telah disebutkan dalam mutamir Ibnu Sulaiman bahwa ia
pernah mendengar ayahnya membacakan firman Allah Swt :


Dan (ingatlah) di waktu Ibrahim berkata kepada Azar bapaknya. (Al-Anam)
Lalu Ia mengatakan bahwa telah sampai kepadanya suatu riwayat yang mengatakan bahwa
Azar artinya bengkok (menyimpang), dan kata-kata ini merupakan kata-kata yang paling
keras yang pernah diucapkan oleh nabi Ibrahim a.s.
Nabi Ibrahim menasihati ayahnya yang menyembah berhala dan melarangnya serta
memperingatkannya agar meninggalkan berhala-berhala itu, tetapi si ayah tidak mau
menghentikan perbuatannya. Maka sejak itulah Nabi Ibrahim selalu berdoa kepada

3
Diriwayatkan oleh Ad-Dahhak dari Ibnu Abbas
Tuhannya, memohonkan ampun untuk ayahnya. Ketika ayahnya meninggal dunia tetap
dalam keadaan musyrik, dan hal itu sudah jelas bagi Nabi Ibrahim, maka Nabi Ibrahim
mencabut kembali permohonan ampun untuk ayahnya dan berlepas diri dari perbuatan
ayahnya.
Ibnu Abu Hatim telah meriwayatkan melalui jalur Al-Aufi, dari Ibnu Abbas
bahwa Allah Swt membukakan semua perkara bagi Nabi Ibrahim, baik yang rahasia
maupun yang terang-terangan, sehingga tidak ada sesuatu pun yang samar baginya dari
amal perbuatan makhluk. Ketika nabi Ibrahim melaknat orang-orang yang melakukan
perbuatan dosa, maka Allah swt befirman, Sesungguhnya engkau tidak mampu
melakukan hal ini. Lalu Allah Swt mengembalikan segala sesuatu seperti keadaan
semula.
Nabi Ibrahim mendebat kaumnya seraya menjelaskan kepada mereka kebatilan
dari apa yang selama ini mereka lakukan, yaitu menyembah berhala dan bangunan-
bangunan. Nabi Ibrahim juga pernah mendebat ayahnya seraya menjelaskan kekeliruan
mereka yang menyembah berhala-berhala yang ada di bumi dalam bentuk yang
menyerupai Malaikat Samawi. Mereka menyembahnya dengan anggapan bahwa berhala-
berhala itu adalah perantara mereka untuk sampai kepada Pencipta yang Mahabesar. Dan
sesungguhnya mereka memakai perantara kepada-Nya melalui penyembahan kepada
malaikat-malaikat-Nya hayanyalah agar mereka memintakan rezeki kepada-Nya,
kemenangan dan hal-hal lain yang mereka perlukan. Kemudian dalam keadaan ini Nabi
Ibrahim menjelaskan kekeliruan dan kesesatan mereka dalam menyembah bintang-bintang
yang semuanya ada tujuh, yaitu bulan, merkurius, venus, matahari, mars, yupiter dan
saturnus. Diantara kesemuanya yang memiliki cahaya paling kuat adalah matahari, bulan
dan venus.
Pada mulanya Nabi Ibrahim menjelaskan bahwa venus tidak layak dijadikan
sebagai Tuhan, karena ia telah ditundukkan dan ditakdirkan untuk beredar pada garis edar
tertentu tanpa dapat menyimpang darinya. Venus terbit dari timur dan beredar menuju ke
arah barat, hingga tidak kelihatan lagi oleh mata. Kemudian hal itu berulang-ulang terus
setiap harinya dan Nabi Irahim merasa tidak layak menjadikan ini sebagai sembahan.
Kemudian Nabi Ibrahim mengalihkan perhatiannya kepada bulan, ternyata ia
mempunyai karakter yang sama dengan venus, dan lalu Nabi Ibrahim mengalihkan
perhatiannya lagi kepada matahari dan ternyata ia pun menjumpai hal yang sama. Pada
intinya, Nabi Ibrahim hanya ingin menyembah pencipta dari semua benda-benda itu, yang
mengadakannya, yang menundukkannya, yang menjalankannya dan yang mengaturnya.
Di tangan kekuasaan-Nyalah kerajaan segala sesuatu, Dialah Tuhan, Pemilik dan
Penguasa kesemuanya.
Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat
diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi
data". Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran terawasi
(supervised learning). Salah satu aplikasinya adalah pengenalan suara, pengenalan tulisan
tangan, pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan
wajah manusia. ( id.wikipedia.org/wiki/Pengenalan_pola).
Diperlukan pengenalan pola untuk membarikan pengetahuan pada sistem
robotika. Menurut istilah, pengenalan pola adalah suatu model yang dapat disalin. Namun
dalam dunia fisik dan abstrak mengandung pengertian hubungan data kejadian atau
konsep yang dapat dibedakan. Yang termasuk pengenalan pola adalah pengenalan suara,
pengenalan wajah, diagnosa penyakit dan lain sebagainya [Suparman, 1998]. Terdapat tiga
metode pendekatan pengenalan pola. Tiga metode tersebut adalah Statistical Pattern
Recognition (StatPR), Syntatic Pattern Recognition (SyntPR) dan Neural Pattern
Recognition (NeurPR).
2.4 Mekanisme Pembentukan Suara
Mekanisme getaran suara sebenarnya sangat kompleks. Ketika celah suara
menegang dan tekanan udara meningkat dari paru-paru, periode membuka dan
menutupnya menjadi pendek dan frekuensi (pitch) sumber suara menjadi tinggi. Periode
membuka dan menutup ini disebut getaran celah suara. Sebaliknya, kondisi tekanan udara
yang rendah menghasilkan suara frekuensi yang rendah. Sumber suara terdiri atas
komponen fundamental dan harmonik yang dimodifikasi oleh jalur vocal untuk
menghasilkan suara, seperti dalam menghasilkan bunyi vokal /a/ dan /o/.(
Dessy55182@yahoo.com).
Ucapan manusia dihasilkan oleh suatu sistem produksi ucapan yang dibentuk oleh
alat-alat ucap manusia. Proses tersebut dimulai dengan formulasi pesan dalam otak
pembicara. Pesan tersebut akan diubah menjadi perintah-perintah yang diberikan kepada
alat-alat ucap manusia, sehingga akhirnya dihasilkan ucapan yang sesuai dengan pesan
yang ingin diucapkan.

Gambar 2.1 Foto Sinar X Penampang Alat-Alat Ucap
Manusia [Rab93]
Gambar 2.1 diatas memperlihatkan foto sinar X penampang alat-alat ucap
manusia. Vocal tract pada gambar tersebut ditandai oleh garis putus-putus, dimulai dari
vocal cords atau glottis, dan berakhir pada mulut. Vocal tract terdiri dari pharynx
(koneksi antara esophagus dengan mulut) dan mulut. Panjang vocal tract pria pada
umumnya sekitar 17cm. Daerah pertemuan vocal tract ditentukan oleh lidah, bibir,
rahang, dan bagian belakang langit-langit; luasnya berkisar antara 20 cm2 sampai dengan
mendekati nol. Nasal tract mulai dari bagian belakang langit-langit dan berakhir pada
nostrils. Pada keadaan tertentu, suara nasal akan dikeluarkan melalui rongga ini.
Sedangkan gambar 2.2 memperlihatkan model sistem produksi ucapan manusia
yang disederhanakan. Pembentukan ucapan dimulai dengan adanya hembusan udara yang
dihasilkan oleh paru-paru. Cara kerjanya mirip seperti piston atau pompa yang ditekan
untuk menghasilkan tekanan udara. Pada saat vocal cord berada dalam keadaan tegang,
aliran udara akan menyebabkan terjadinya vibrasi pada vocal cord dan menghasilkan
bunyi ucapan yang disebut voiced speech sound. Pada saat vocal cord berada dalam
keadaan lemas, aliran udara akan melalui daerah yang sempit pada vocal tract dan
menyebabkan terjadinya turbulensi, sehingga menghasilkan suara yang dikenal sebagai
unvoiced sound.

Gambar 2.2. Model Sistem Produksi Ucapan Manusia

Ucapan dihasilkan sebagai rangkaian atau urutan komponen komponen bunyi-
bunyi pembentuknya. Setiap komponen bunyi yang berbeda dibentuk oleh perbedaan
posisi, bentuk, serta ukuran dari alat-alat ucap manusia yang berubah-ubah selama
terjadinya proses produksi ucapan.
(indotts.melsa.net.id/Karakteristik%20Sinyal%20Ucapan.pdf).






2.5 Pengenalan Suara
_..-l l. ,1l _ l> _.. _ .ls !,,l _
Artinya:
(Tuhan) yang Maha pemurah. Yang Telah mengajarkan Al Quran. Dia
menciptakan manusia. Mengajarnya pandai berbicara. (Q.S : Ar-rahman 1-4)

Maksud dari ayat di atas adalah Allah mencurahkan rahmat kepada seluruh
makhluk dalam kehidupan dunia ini, baik manusia atau jin yang taat dan durhaka,
malaikat, binatang, maupun tumbuh-turnbuhan dan lain-lain.
Setelah menyebut rahmat-Nya secara umum, disebutkan rahmat dan nikmat-Nya
adalah yang teragung sekaligus menunjukkan kuasa-Nya melimpahkan sedikit dari sifat-
Nya kepada harnba-hamba-Nya agar mereka meneladani-Nya yakni dengan menyatakan:
ia lah yang telah mengajarkan aI-Quran kepada siapa saja yang Dia kehendaki.
Pengertian kata allama/mengajarkan memerlukan dua objek. Banyak ulama yang
menyebut objeknya adalah kata al-insan/manusia yang diisyaratkan oleh ayat berikut.
Thabthabi menambahkan bahwa jin juga termasuk, karena surah ini ditujukan kepada
manusia dan jin. Hemat penulis, bisa saja objeknya mencakup selain kedua jenis tersebut.
Malaikat Jibril yang menerima dari Allah wahyu-wahyu al-Quran untuk disampaikan
kepada Rasul saw., termasuk juga yang diajar-Nya, karena bagaimana mungkin malaikat
itu dapat menyampaikan, bahkan mengajarkannya kepada Nabi Muhammad saw.
sebagaimana dinyatakan dalam QS. an-Najm [53]: 5. Bagaimana mungkin malaikat Jibril
mampu mengajarkan firman Allah itu kepada Nabi Muhammad saw. kalau malaikat itu
sendiri tidak memperoleh pengajaran dan Allah swt. Di sisi lain, tidak disebutkannya
objek kedua dan kata tersebut, mengisyaratkan bahwa ia bersifat umum dan mencakup
segala sesuatu yang dapat dijangkau oleh pengajaran-Nya.
Al-Quran adalah firman-firman Allah yang disampaikan oleh malaikat Jibril
kepada Nabi Muhammad saw. dengan lafal dan maknanya yang beribadah siapa yang
membacanya, dan menjadi bukti kebenaran mukjizat Nabi Muhammad saw. Kata al-
Quran dapat dipahami sebagai keseluruhan ayat-ayatnya yang enam nibu lebih itu, dan
dapat juga digunakan untuk menunjuk walau satu ayat saja atau bagian dan satu ayat.
Kata al-bayan pada mulanya berarti jelas. Kata tersebut di sini dipahami oleh
Thabthabi dalam arti potensi mengungkap yakni kalam/ucapan yang dengannya
dapat terungkap apa yang terdapat dalam pikiran. Lebih jelasnya ulama ini menyatakan
bahwa kalam bukan sekadar mewujudkan suara dengan menggunakan rongga dada, tali
suara dan kerongkongan. Bukan juga hanya dalam jumah suara yang keluar dan
kerongkongan akibat pcrbedaan makharij al-huruf (tempat-tempat keluarnya huruf dan
mulut, tetapi juga Allah Yang Maha Esa menjadikan manusia dengan mengilhaminya
mampu memahami makna suara yang keluar itu, yang dengannya dia dapat
menghadirkan sesuatu dan alam nyata ini, betapapun besar atau kecilnya, yang wujud
atau tidak wujud, yang berkaitan dengan masa lampau atau datang, juga menghadirkan
dalam pikirannya hal-hal yang bersifat abstrak yang dapat dijangkau oleh manusia
dengan pikirannya walau tidak dapat dijangkau oleh indranya. Itu semua dihadirkan oleh
manusia kepada pendengar dan ditampilkan ke indranya seakan-akan pendengar itu
meihatnya dengan mata kepala.
Tidaklah terwujud kehidupan bermasyarakat, tidak juga makhluk ini dapat
mencapai kemajuan yang berarti dalam kehidupannya sebagaimana yang telah dicapai
dewasa ini, kecuali dengan kesadaran tentang al-kalam/pembicaraan itu, karena dengan
demikian dia telah membuka pintu untuk memperoleh dan memberi pemahaman. Tanpa
itu manusia akan sama saja dengan binatang dalam hal ketidak mampuannya mengubah
wajah kehidupan dunia ini.
Pengajaran al-bayan itu tidak hanya terbatas pada ucapan, tetapi mencakup segala
bentuk ekspresi, termasuk seni dan raut muka. Bahkan menunut al-Biqai, kata al-bayan
adalah potensi berpikir, yakni mengetahui persoalan kulli dan juzzi, menilai yang tampak
dan juga yang gaib dan menganalogikannya dengan yang tampak. Dengan tanda-tanda,
dengan perhitungan, dengan ramalan atau dengan memandang ke alam raya serta cara-
cara yang lain, sambil membedakan mana yang baik dan mana yang buruk atau
semacamnya. Itu semua disertai dengan potensi untuk mengunakan sesuatu yang
tersembunyi dalam pikiran serta menjelaskan dan mengajarkannya kepada pihak lain.
Bisa dengan kata-kata, dengan perbuatan dengan ucapan, tulisan isyarat dan lain-lain.
Dengan demikian manusia tadi mampu untuk menyempurnakan dirinya sekaligus
menyempurnakan selainnya.
Di sisi lain, kita tidak perlu menyatakan bahwa pengajaran Allah melalui ilham-
Nya itu adalah pengajaran bahasa. Ia adalah penciptaan potensi pada diri manusia dengan
jalan menjadikannya tidak dapat hidup sendiri, atau dengan kata lain menciptakannya
sebagai makhluk sosial. Itulah yang mendorong manusia untuk saling berhubungan, dan
ini pada gilirannya melahirkan aneka suara yang disepakati bersama maknanya oleh
kornunitas, dan aneka suara itulah yang merupakan bahasa mereka. Memang kata
allama/mengajar tidak selalu dalam bentuk mendiktekan sesuatu atau menyampaikan
suatu kata juga ide, tetapi dapat juga dalam arti mengasah potensi yang dimiliki peserta
didik sehingga pada akhirnya potensi itu dirasakan dan dapat melahirkan banyak
pengetahuan
4
.
Pengolahan suara terdapat dua macam yaitu pengenalan ucapan dan sinlatihis
ucapan. Pengenalan ucapan merupakan proses menganalisa suara kemudian
mengubahnya menjadi suatu perintah atau suatu teks sedangkan sinlatihis ucapan adalah
sebaliknya. Secara umum proses pengenalan ucapan merupakan urutan proses
pencuplikan suara atau disebut juga dengan konversi analog ke digital, mengekstraksi ciri
suara, kemudian pengenalan.
Bagian utama dengan pengenalan ucapan yaitu ekstraksi ciri suara dan proses
pengenalan. Untuk proses ekstraksi ciri dilakukan dengan pengolahan sinyal digital
(DSP). Sedangkan proses pengenalan dapat dilakukan dilakukan dengan jaringan syaraf
tiruan atau Neural Network (NN). (Menurut laporan tugas akhir pengenalan suara: 2006).
2.6 Sistem Pengenalan Suara
Sistem pengenalan suara yang dibuat digambarkan pada blok
diagramgambar1:

Gambar 2.3 Diagram blok sistem pengenalan suara


2
M.Quraish Shihab. Tafsir Al-Misbah Pesan, kesan dan keserasian Al-quran cet. VII 2007 Lentera hati, Jakarta.
Secara garis besar, cara kerja sistem pengenalan suara ini ialah mula-mula sinyal
suara manusia yang diterima dengan menggunakan microphone (sinyal analog) dicuplik
sehingga menjadi sinyal digital dengan bantuan sound card pada Personal Computer.
Sinyal digital hasil cuplikan ini terlebih dulu dinormalisasi (disamakan panjang sinyal
yang satu dengan yang lain) kemudian diproses awal menggunakan metode Linier
Predictive Coding (LPC) sehingga didapat beberapa koefisien LPC yang merupakan
feature (ciri) dari suara pembicaraan. Kemudian koefisien LPC tersebut diproses dengan
Fast Fourier Transform (FFT) untuk mendapatkan sinyal pada domain frekuensi. Hal ini
bertujuan agar perbedaan antar pola kata yang satu dengan yang lain terlihat lebih jelas
sehingga ekstraksi parameter sinyal memberikan hasil yang lebih baik. Hasil keluaran
FFT ini merupakan masukan bagi jaringan saraf tiruan Back Propagation dimana
jaringan saraf tiruan ini sebagai fungsi utama dari sistem untuk proses pengenalan suara.
2.6.1 Pencuplikan Sinyal Suara
Dalam tahap ini merupakan penentuan jumlah sampel dalam satu detik. Jika
pencuplikan dilakukan dengan frekuensi cuplik 8000Hz, maka dalam satu detik terdapat
8000 sampel. Perlu diperhatikan komponen utama frekuensi sinyal suara berada pada
kisaran 3003400 Hz. Menurut Nyquist, frekuensi sampling dalam pencuplikan harus
lebih besar 2 kali dari frekuensi sinyal aslinya. Sesuai dengan persamaan Nyquist, fs< 2fh
dimana fh =fin.
Semakin tinggi frekuensi sampling maka sinyal digital yang dihasilkan semakin
bagus. Kemudian proses selanjutnya adalah kuantisasi, yaitu membatasi amplitude atau
nilai aksis sinyal. Jika sinyal dicuplik dengan menggunakan resolusi 8 bit, maka terdapat
28 atau 256 nilai batas sinyal. Langkah terakhir adalah konversi analog ke digital adalah
tahap coding. Karena memori computer menyimpan data berupa tipe data biner, maka
nilai amplitude tiap sampel sinyal akan dikonversi kedalam bentuk biner. Jika sinyal
dicuplik dalam resolusi 8bit, maka nilai amplitude akan disimpan pada ukuran 8bit kode
biner atau 1 byte data.
2.6.2 Normalisasi
Satu masalah yang cukup rumit dalam speech recognition (pengenalan suara)
adalah proses perekaman yang terjadi sering kali berbeda durasinya, biarpun kata atau
kalimat yang diucapkan sama. Bahkan untuk satu suku kata atau vocal yang sama
seringkali proses perekaman terjadi dalam durasi yang berbeda. Sebagai akibatnya proses
matching antara sinyal uji dengan sinyal referansi (template) seringkali tidak
menghasilkan nilai yang optimal.
Sebuah teknik yang cukup popular di awal perkembangan teknologi pengolahan
sinyal suara adalah dengan cara memanfaatkan sebuah teknik dynamic-programing yang
juga lebih dikenal sebagai dynamic time warping (DTW). Teknik ini ditujukan untuk
mengakomodasi perbedaan waktu antara proses perekaman saat pengujian dengan yang
tersedia pada template sinyal referensi. Prinsip dasarnya adalah dengan memberikan
sebuah rentang step dalam ruang (dalam hal ini sebuah frame-frame waktu dalam
sampel, frame-frame waktu dalam (template) dan digunakan untuk mempertemukan
lintasan yang menunjukkan local match terbesar (kemiripan) antara time frame yang lerus.
Total similarity cost yang diperoleh dengan algoritma ini merupakan sebuah indikasi
seberapa bagus sampel dan template ini memiliki kesamaan, yang selanjutnya akan dipilih
best-matching template. (Tri Budi Santoso dan Miftahul Huda, modul pengolahan sinyal
wicara: hal 54)
2.6.3 Pemrosesan Sinyal Digital
Lazimnya sinyal yang dijumpai dalam bidang sains dan teknologi merupakan
sinyal analog, dengan demikian sinyal tersebut merupakan fungsi dari satu atau beberapa
pengubah continue. Sinyal analog yang ada yang diproses secara langsung dengan
menggunakan sistem pengolah sinyal analog khusus (semisal untuk penapis, penganalisis
frekuensi atau pengali frekuensi). Digitalisasi merupakan proses konversi sinyal analog
menjadi sinyal digital, yang terdiri dari pencuplikan, kuantisasi, dan pengkodean.
Pencuplikan adalah proses yang menggambarkan sinyal continue sebagai nilai runtun
periodis. Kuantisasi meliputi pendekatan representasi nilai gelombang oleh salah satu nilai
tak terhingga. Sedangkan pengkodean merupakan penandaan nilai aktual untuk suatu
nilai,pengkodean yang sering digunakan adalah pengkodean biner. Dalam proses ini sinyal
analog yang continue mampu diubah menjadi runtun kode yang terpilih dari sinyal
terhingga. (Dessy55128@yahoo.com), Untuk pengenalan suara terdapat tiga langkah yang
digunakan yaitu spectral analisis, filtering, dan auto correlation. Spektral analisis
merupakan proses analisa spektrum frekuensi suara yang sering terkait dengan
transformasi. Filtering berguna untuk membuang bagian yang tidak berguna dan untuk
memodifikasi frekuensi untuk mendapat informasi. Sedangkan auto correlation berguna
untuk mencari karateristik rongga suara manusia. ( www.lab.binus.ac.id/pk/forum/)
Analisa specktrum suara dapat dilakukan dengan menggunakan transformasi
fourier waktu diskrit (DFT), Linier Predictive Coding (LPC), Mel Scala dan sebagainya.
Dari proses ini dapat dianalisa magnitude, energi, atau phase dari suatu sinyal. (Menurut
hasil laporan tugas akhir pengolahan suara. Brawijaya: 2006).

2.6.4 Linier Predictive Coding (LPC)
Sebagai sebuah model speech alternative yang dikenal adalah transformasi short
time fourier pada linier predictive coding (LPC). LPC ini disediakan untuk keakuratan dan
menghemat parameter yang relevant, untuk dapat dikurangi perhitungannya pada speech
recognition dan menghasilkan suatu sinlatih speech yang efisien. Penggunaan LPC ini
untuk kecepatan transmisi dalam speech coding. Penggunaan adaptive pulse coding
digunakan kosa kata yang berbeda dan sebuah LP Coder. LPC sangat umum digunakan
utuk mengkode bit kecepatan rendah dan sangatlah penting untuk itu bila kita akan
menggunakan suatu tool analisa. LPC diturunkan dari gabungan presentasi yang mirip dari
pengucapan yang dihubungkan dengan suatu perhitungan yang sederhana. Dalam proses
LPC terdapat beberapa hal yang harus dilakukan, yaitu:
1. Preemphasis/ Penapisan
Dalam pengolahan sinyal suara preemphasis filter diperlukan setelah proses
sampling. Tujuan dari pemfilteran ini adalah untuk mendapatkan bentuk spectral
frekuensi sinyal suara yang lebih halus. Dimana bentuk spectral yang relativ bernilai
tinggi untuk daerah rendah dan cenderung turun secara tajam untuk daerah frekuensi
di atas 2000Hz.

Gambar 2.4 Posisi Filter Pre-Emphasis pada sistem pengolah wicara

Filter pre-emphasis didasari oleh hubungan input/output dalam domain waktu yang
dinyatakan dalam persamaan beda seperti
berikut: y(n) = x(n) ax(n1) (3)
dimana: a merupakan konstanta filter pre-emhasis, biasanya bernilai 0.9 < a < 1.0
Dalam bentuk dasar operator z sebagai unit filter, persamaan diatas akan memberikan
sebuah transfer function filter pre-emphasis seperti berikut:
H(z) = 1 az1 (4)

Bentuk ini kemudian akan memberikan dasar pembentukan diagram blok yang
menggambarkan hubungan input dan output seperti pada Gambar 2.4. (Tri budi
santoso dan Miftahul huda, hal:28)


Gambar 2.5 Diagram blok pre-emphasis filter

2. Frame Bloking
Pada tahap ini sinyal kata yang telah diratakan dibagi sebanyak T frame dengan
masing-masing frame memuat N cuplikan dan frame-frame yang berdekatan
dipisahkan sejauh M cuplikan. Ukuran sampel tiap frame dihitung dari rata-rata
cuplik tiap detik dengan waktu cuplik tiap detik dengan waktu cuplik tiap periode,
umumnya digunakan 30 ms. Jika rata-rata cuplik adalah 8000Hz, maka jumlah
sampel tiap frame adalah 3.10 3 detik * 8000 sampel/detik, sama dengan 240
sampel. Dengan menggunakan aturan N point DFT, bahwa jumlah sampel N harus
bernilai 2p , dimana 240 < 2p , sedangkan 240 < 28 , maka N=256 [Rabiner,1993].
Untuk malakukan pembagian blok ini dapat mengacu pada linier prediction (lihat
table 2.1). Parameterparameter yang biasanya digunakan antara lain; N adalah jumlah
sampel pada analisa frame blocking, dan M adalah jarak antara satu frame dengan
frame selanjutnya. Dibawah ini adalah contoh analisa sampling dengan 3 frekuensi
sampling yang berbeda Nilai parameter analisa LPC yang sering digunakan pada
pengolahan suara.
Table.2.1 pembagian blok pada linier prediction.
Parameter Fs=6.67 KHz Fs=8KHz Fs=10 KHz
N 300(45msec) 240(30msec) 300(30msec)
M 100(15msec) 80(10msec) 100(10msec)

3. Windowing
Untuk pengkuran nilai energi pada sinyal wicara kita harus melibatkan fungsi
window. Hal ini karena dalam pengukuran energi sinyal wicara kita harus
menyusunnya dalam frame-frame tertentu. Ini merupakan standar dalam teknologi
speech processing, sebab secara umum dalam pengolahan sinyal wicara kita terlibat
dengan sinyal dengan durasi yang terlalu panjang bila dihitung dalam total waktu
pengukuran. Fenomena ini juga dikenal sebagai short term speech signal energy.
Untuk menghitung energi sinyal wicara kita gunakan formulasi dasar seperti berikut:
E (5)
Dimana: w(m) = merupakan fungsi window seperti hamming, hanning, bartlett, dan
boxcarr. Panjang window dalam hal ini adalah m, untuk durasi dari t=0 sampai t=T
akan didapatkan window sebanyak n=T/m apabila tidak ada overlapping antara
window satu dengan yang lain. Jika terjadi overlapping antara window satu dengan
yang lain, misalnya sebesar m/2, maka jumlah window dalam satu durasi T adalah
sebanyak n = 1 + T/(m/2). Untuk suatu pengamatan 42nergy pada frame ke-k bentuk
menjadi:
E (6)
Dimana k akan menentukan posisi titik-titik window pada sinyal tersebut, ini juga
dikenal sebagai model sliding window. (Tri budi santoso dan Miftahul huda, hal:11).
2.6.5 Fast Faurier Transform (FFT)
FFT dikembangkan oleh Cooley dan Tukey pada tahun 1965. Algoritma FFT
merupakan penyederhanaan dari Diskrit Fourier Transform (DFT) yang memiliki
persyaratan jumlah data harus merupakan bilangan 2n untuk n=0,1,2,3,.. Waktu
komputasi DFT memiliki kompleksitas N2 sedangkan FFT memiliki kompleksitas Np/2
dengan p= 2logN, sehingga FFT lebih cepat daripada DFT dengan rasio kecepatan FFT
terhadap DFT adalah: (New York: McGraw- Hill,2004,hal: 554).

2.7 Neural Network (NN)
2.7.1 Pengertian Neural Network
Neural Network adalah paradigma pemrosesan suatu informasi yang terinspirasi
oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen
mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan
informasi. Neural Network, seperti manusia, belajar dari suatu contoh. Neural Network
dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau
klasifikasi karena proses pembelajaran. Neural Network berkembang secara pesat pada
beberapa tahun terakhir. Neural Network telah dikembangkan sebelum adanya suatu
komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami
masa vakum selama beberapa tahun.
2.7.2 Inspirasi Biologis
Neural Network keluar dari penelitian kecerdasan buatan, terutama percobaan
untuk menirukan fault-tolerence dan kemampuan untuk belajar dari system syaraf biologi
dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel
syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input
(dendrilatih), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel
terhubung dengan dendrit yang lain melalui sebuah sinapses. Ketika sebuah sel syaraf
aktif, kemudian menimbulkan suatu signal elektrochemical pada axon. Signal ini melewati
sinapsis menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal
jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (Threshold).







Gambar 2.6 Sebuah sel syaraf sederhana
http://blog.unsri.ac.id/destyrodiah/kecerdasan -buatan-artificial-intellegence-/

2.7.3 Structure recurrent (feedback)
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input)
akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat
kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Neural Network,
namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang
termasuk dalam stuktur recurrent (feedback):
1. Competitive networks
2. Self-organizing maps
3. Hopfield networks
4. Adabtive-resonanse theory models

Gambar 2.7 Neural Network FeedBack
(http://images.google.co.id/imglanding?q=neural network feedback&imgur)
Ketika sebuah Jaringan Syaraf (NN) digunakan. Input dari nilai suatu variable
ditempatkan dalam suatu input unit dan kemudian unit lapisan tersembunyi dan lapisan
output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan
mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah
dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.
2.7.4 Supervised Learning (Belajar Dengan Pengawasan)
Supervised atau aktif learning adalah proses belajar yang membutuhkan guru.
Yang dimaksud guru disini adalah sesuatu yang memiliki pengetahuan tentang
lingkungan. Guru bisa direpresentasikan sebagai sekumpulan contoh input output.
Pembangunan pengetahuan dilakukan oleh guru dengan memberikan respon yang
diinginkan oleh Neural Network. Perameter jaringan berubah-ubah berdasarkan vector
latih dan sinyal kesalahan (sinyal kesalahan adalah perbedaan antara keluaran Neural
Network dan respon yang diinginkan). Proses perubahan ini dilakukan secara berulang-
ulang, selangkah demi selangkah, dengan tujuan agar Neural Network bias memiliki
kemampuan yang mirip dengan gurunya. Dengan kata lain, Neural Network dilatih untuk
dapat memetakan sekumpulan contoh input output dengan akurasi yang tinggi.
2.7.5 Multi Layer Perceptron (MLP)
MLP adalah model Neural Network yang paling banyak digunakan dalam bidang
pendidikan dan aplikasi. Arsitektur dan proses belajar yang sederhana sangat
memudahkan untuk dipelajari. Arsitektur MLP dapat diilustrasikan seperti gambar
dibawah ini:

Gambar 2.8 Model MLP
http://images.google.co.id/imglanding?q=Model multi player preceptron&imgurl

Algoritma BackPropagation atau propagasi balik merupakan salah satu algoritma
yang dipakai untuk melatih MLP. Algoritma ini melakukan dua tahap perhitungan yaitu:
perhitungan maju yaitu untuk menghitung galat antara keluaran aktual target dan
perhitungan mundur yang mempropagasikan balik galat tersebut untuk memperbaiki
bobot-bobot sinaptik pada semua neuron yan ada. Langkah-langkah algoritma pelatihan
propagasi balik dapat diterangkan sebagai berikut :
1. Mendefinisikan masalah, misalkan matriks masukan (A) dan matriks target (B)
2. Inisialisasi masalah, menentukan arsitektur jaringan, nilai ambang MSE sebagai
kondisi berhenti, learning rate, serta menetapkan nilai-nilai bobot sinaptik melalui
pembangkitan nilai acak dengan interval nilai sembarang. Misalnya nilai acak dalam
interval [-1,+1] atau [-0.5,+0.5] ataupun lainnya. Tidak ada aturan yang baku
mengenai interval ini.
3 Pelatihan jaringan
a. Perhitungan maju
Dengan menggunakan bobot-bobot yang telah ditentukan pada inisialisasi awal
(W1), maka dapat menghitung keluaran dari hidden layer berdasarkan persamaan
berikut (misalnya kita gunakan fungsi aktifasi sigmoid seperti pada persamaan
5.1):
A1= (5.1)
Hasil keluaran hidden layer (A1) dipakai untuk mendapatkan keluaran dari output
layer, seperti pada persamaan berikut:
A2 =W2 * A1+ B2 (5.2)
Keluaran dari jaringan (A2) dibandingkan dengan target yang diinginkan. Selisih
antara nilai tersebut adalah galat (eror) dari jaringan, seperti pada persamaan
berikut:
E = T-A2 (5.3)
Sedangkan nilai galat keseluruhan dinyatakan oleh persamaan berikut:
SSE= E
2
(5.4)
b. Perhitungan Mundur
Nilai galat yang dapat dipakai sebagai parameter dalam pelatihan. Pelatihan akan
selesai jika galat yang diperoleh sudah dapat diterima. Galat yang dapat
dikembalikan lagi kelapis-lapis yang berada di depannya. Selanjutnya, neuron
pada lapis tersebut akan memperbaiki nilai-nilai bobotnya. Perhitungan perbaikan
bobot diberikan pada persamaan persamaan berikut:
D2= (1-A2
2
) *E (5.5)
D1= (1-A1
2
) * (W2*D2) (5.6)
dW1= dW1 + (Ir*D1*P) (5.7)
dB1= dB1 + (Ir*D1) (5.8)
dW2= dW2 + (Ir*D2*P) (5.9)
dB2= dB2 + (Ir*D2) (5.10)
c. Perbaikan Bobot Jaringan
Setelah neuron-neuron mendapatkan nilai yang sesuai dengan kontribusinya pada
galat keluaran, maka bobot-bobot jaringan akan diperbaiki agar galat dapat
diperkecil. Perbaikan bobot jaringan diberikan oleh persamaan-persamaan berikut:
TW1 = W1 + dW1 (5.11)
TB1= B1 + dB1 (5.12)
TW2= W2 + dW2 (5.13)
TB2= B2 + dB2 (5.14)
d. Presentasi Bobot Jaringan
Bobot-bobot yang baru, hasil perbaikan, dipakai kembali untuk mengertahui
apakah bobot-bobot tersebut sudah cukup baik bagi jaringan. Baik bagi jaringan
berarti bahwa dengan bobot-bobot tersebut, galat yang akan dihasilkan sudah
cukup kecil. Pemakian nilai-nilai bobot yang baru diperlihatkan pada persamaan-
persamaan berikut:
TA1= (5.15)
TA2= TW2*TA1+TB2 (5.16)
TE= T-TA2 (5.17)
TSSE= TE
2
(5.18)
Kemudian bobot-bobot sinapsis jaringan diubah menjadi bobotbobot baru:
W1=TW1; B1=TB1; W2=TW2; B2=TB2;
A1=TA1; A2=TA2; E= TE; SSE= TSSE;
4. Langkah-langkah diatas adalah untuk satu kali siklus pelatihan. Pelatihan harus
diulang-ulang lagi hingga jumlah siklus tertentu SSE (Sum Square Eror) yang
diinginkan.


Gambar 2.9 Blog Diagram Jaringan Saraf Tiruan
Back Propagation [ASIH09]

5. Hasil akhir dari pelatihan jaringan adalah bobot-bobot W1,W2, B1, dan B2.
Beberapa keunggulan dari Neural Network adalah :
a) Adabtive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang
didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman
sebelumnya.
b) Self-Organisation: Dapat membuat organisasi sendiri atau merepresentasikan
informasi yang didapat pada saat pembelajaran.
c) Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device
hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya
kemampuan tersebut.
d) Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian
tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa
jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.
e) Kelebihan Neural Network terletak pada kemampuan belajar yang dimilikinya.
Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau
fungsinya. Neural Network akan belajar mencari sendiri kaidah atau fungsi
tersebut. Dengan demikian Neural Network mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau
fungsi yang tidak diketahui.
f) Kemampuan Neural Network dalam menyelesaikan masalah yang rumit telah
dibuktikan dalam berbagai macam penelitian.


2.8 Aplikasi Jaringan Syaraf Tiruan
Jaringan saraf tiruan dapat diaplikasikan ke berbagai macam persoalan. Secara
umum, langkah pembuatan jaringan saraf tiruan untuk suatu aplikasi adalah seperti pada
Gambar (2.10) [HER06].













Gambar 2.10 Langkah Pengaplikasian Jaringan Saraf Tiruan [HER06]

Langkah pertama adalah pengumpulan data untuk pelatihan dan pengujian
jaringan saraf tiruan. Semakin banyak data dapat diperoleh, semakin baik jaringan dapat
menyelesaikan masalah. Data yang diperoleh dibagi menjadi 2 bagian pada langkah ke
dua, yaitu data pengujian dan data pelatihan. Selanjutnya, dilakukan pemilihan struktur
jaringan dan algoritma pelatihan. Banyaknya neuron masukan dan neuron keluaran pada
jaringan saraf tiruan disesuaikan dengan masalah yang akan diselesaikan. Langkah
berikutnya adalah untuk menentukan parameter jaringan saraf tiruan seperti learning rate
dan momentum. Selanjutnya dilakukanlah pelatihan dengan menggunakan data pelatihan
sampai menemukan titik konvergensinya.
Konvergensi ditandai dengan tercapainya galat yang diinginkan. Jika tidak dapat
mencapai konvergensi, maka dapat diulangi dari langkah 5. Setelah dilakukan pengujian
pada langkah ke-8, maka jaringan saraf tiruan dapat diimplementasikan sebagai sebuah
sistem untuk menyelesaikan masalah. Jika pengujian menghasilkan kesimpulan bahwa
jaringan saraf tiruan tidak memadai, proses dapat diulang dari langkah-langkah
sebelumnya:
1. Ulangi pelatihan (langkah 7)
2. Ganti parameter jaringan saraf tiruan dengan nilai lain (langkah 5)
3. Pilih algoritma pembelajaran yang lain (langkah 4)
4. Perbaharui struktur, misalnya dengan mengubah jumlah neuron tersembunyi (langkah
3)
5. Pisahkan ulang data (langkah 2)
6. Perbanyak data (langkah 1)
2.9 Matlab
Matlab (Matrix Laboratory) merupakan salah satu bahasa pemrograman yang
dikembangkan oleh MathWorks. Matlab sekaligus sebagai alat visualisasi, yaitu
berhubungan langsung dengan ilmu Matematika. Oleh karena itu, Matlab semakin
banyak digunakan oleh para programmer yang menghendaki kepastian dalam membuat
program.

2.10 Flowchart
Flowchart adalah suatu diagram alur yang menggambarkan logika atau urut-
urutan instruksi program dari suatu permasalahan. Pada diagram alur, dapat dilihat secara
jelas arus pengendalian algoritma, yakni bagaimana rangkaian pelaksanaan kegiatan
program tersebut. Suatu diagram alur akan memberi gambaran dua dimensi berupa
symbol-simbol yang masing-masing symbol tersebut telah ditetapkan lebih dahulu fungsi
dan artinya.
Berikut ini seperangkat symbol diagram alur beserta fungsi dan manfaatnya yang
digunakan dalam pembautan langkah algoritma pemrograman, yaitu:
Process/Proses, satu atau beberapa himpunan penugasan yang akan dilaksanakan
secara berurutan
Input, data yang akan dibaca dan dimasukkan ke dalam memori computer dari
suatu alat input atau data dan harus melewati memori untuk dikeluarkan dari alat-
alat output
Terminal, berfungsi sebagai awal (berisi Start) dan juga sebagai akhir (berisi
End) dari suatu proses alur
Decission, atau kotak keputusan berfungsi untuk memutuskan arah atau
percabangan yang diambil sesuai dengan kondisi yang dipenuhi, yakni benar atau
salah.
Output/Print, berfungsi untuk mencetak (dan/atau menyimpan) hasil
output/keluaran
Conector/penghubung, sebagai penghubung bila diagram alur terputus
disebabkan misalnya oleh pergantian halaman (misal diagram tidak cukup dalam
satu halaman).
Flowline, menunjukkan bagian arah instruksi dijalankan

Selain simbol-simbol di atas masih banyak lagi simbol-simbol lain yang
kesemuanya dapat dilihat atau tergambar pada template, yaitu alat penggaris khusus
untuk menggambarkan simbol dan kotak diagram alur.















BAB III
DESAIN DAN PERANCANGAN SISTEM

Dalam bab ini akan dibahas mengenai desain dan perancangan sistem metode Neural
Network dengan algoritma Backpropagation untuk pengenalan suara. Desain dan perancangan
sistem ini meliputi analisis sistem, perancangan sistem, dan desain antarmuka.
3.1 Analisis Sistem
Pada sub bab analisis ini akan dibahas berbagai hasil proses terhadap sistem dan elemen-
elemen yang terkait, seperti pengambilan data, metode yang digunakan untuk mengolah sinyal
analog menjadi sinyal diskrit, dan semua yang diperlukan dalam proses perancangan aplikasi
pengenalan suara untuk pembelajaran alphabet.
3.1.1 Deskripsi Sistem
Sistem ini dibangun untuk menganalisis pengenalan suara huruf alphabet. Parameter yang
digunakan dalam pembuatan perangkat lunak ini adalah pola suara hasil keluaran dari FFT yaitu
pola suara orang yang sudah dianggap benar dilihat dari segi benar tidaknya dalam mengeja
huruf. Parameter yang kedua yaitu diambil dari pola suara orang yang dianggap tidak benar
dalam mengeja huruf dalam hal ini data di ambil dari suara anak-anak. Sehingga diharapkan
dengan adanya acuan 2 parameter antara suara yang benar dan tidak benar maka jika ada data
baru yang akan diuji sistem bisa menentukan data uji tersebut tergolong benar atau tidak bahkan
data itu tidak dikenali.
Untuk memudahkan dalam pengolahan data nantinya data inputan dibagi menjadi 7 uji
yaitu uji 1 sampai uji 7 untuk lebih jelasnya lihat table dibawah ini:

Table 3.1 Pembagian Data Uji
Uji 1 Uji 2 Uji 3 Uji 4 Uji 5 Uji 6 Uji 7
A E I M Q U X
B F J N R V Y
C G K O S W Z
D H L P T

Neural Network algoritma propagasi balik terdiri dari lapisan unit input, lapisan hidden
(tersembunyi), dan lapisan untuk unit output/ keluaran. Untuk unit input akan dimasukkan pola
suara masing-masing ucapan yang dijadikan sebuah matrik tiap-tiap jenis huruf, contohnya:
huruf A akan dijadikan satu variabel yaitu a1, terdiri dari sepuluh pola suara orang yang
dianggap benar dengan dijadikan satu matrik. Huruf A akan dijadikan satu variabel yaitu aa1,
terdiri dari sepuluh pola suara orang yang dianggap tidak benar dengan dijadikan satu matrik.
Begitu juga dengan huruf B sampai Z. Kemudian pada tahap kedua dilakukan penetuan target,
penentuan target ini dilakukan agar keluaran dari pola suara yang telah dilatih akan sesuai
dengan target yang telah ditentukan yang menandakan bahwa pola suara berhasil melakukan
pengenalan sehingga jaringan pada akhirnya dapat memutuskan suatu pola suara benar atau tidak
benar.















Gambar 3.1 Diagram Blok Sistem Secara keseluruhan

Penjelasan dari blok diagram diatas, sebagai berikut:
a. Input: masukkan yang diperlukan adalah pola suara yang telah dijadikan matrik yang akan
dilatih. Yaitu pola suara huruf yang benar dan yang tidak benar meliputi huruf A sampai Z.
b. Periode Training: pada periode ini ada 4 tahap, yaitu; pertama, penentuan maximum dan
minimum pola inputan. Kedua, menentukan jumlah jaringan neuron, ketiga penentuan fungsi
aktifasi jaringan. Tahap yang terakhir menentukan fungsi identitas untuk keluarannya.
c. Periode Latihan dan Uji: proses latihan dilakukan pada tiap masing-masing pola suara, untuk
data uji dilakukan tanpa pola suara dilatih terlebih dahulu sehingga jaringan akan bisa
menentukan data uji jika hasilnya sama dengan pola yang sudah dilatih maka ia akan
menampilkan pesan dikenali atau tidak dikenali.
d. Benar/ Dikenali: sistem melakukan pelatihan sehingga menghasilkan keputusan dikenali atau
tidak dikenali.


Input
Data
Latih
Data Uji
Training dengan
JST
Latih
Uji
Benar/ Dikenali
3.1.2 Batasan Sistem
Batasan dari sistem yang akan dikembangkan adalah:
a. Perancangan dilakukan untuk pengukuran huruf alphabet secara tidak langsung (offline).
b. Pembicara memiliki ucapan normal
c. Data diambil hanya dari beberapa Orang
d. Perekaman suara dilakukan dengan cara dipenggal-penggal
e. Data yang diuji adalah huruf alphabet dari A sampai Z
f. File yang dapat dikenali adalah dalam bentuk .WAV
g. Data uji dibagi menjadi 7, dengan alasan untuk menghindari lamanya dalam proses
mengenalan suara.
3.1.3 Kebutuhan Perangkat Lunak
Kebutuhan perangkat lunak yang dibutuhkan dalam pembuatan sistem ini
adalah sebagai berikut:
a. Software yang digunakan mulai dari proses perekaman, pengenalan hingga pengukuran
suara semuanya merupakan program dari Matlab versi 7.0
b. Format file suara menggunakan format file.wav
c. Menggunakan laptop dengan sistem operasi Windows Xp professional versi 2002 SP 2.
Selanjutnya untuk proses pertama yaitu preprosesing dalam pengolahan sinyal, tahapan
prosesnya adalah sebagai berikut:
Langkah-langkah PSD:
1. Mulai
2. Masukkah nama file .wav yang telah terekam dan telah dipotong.
3. Tetapkan banyaknya N sample tiap frame, banyak T frame kesuluruhan, dan besar
overlab Q.
4. Data tiap frame diboboti dengan metode hamming window.
5. Order ditetapkan menggunakan nilai 12
6. Setelah itu akan dihitung estimasi sinyalnya dengan menggunakan metode autokorelasi.
7. Hasilnya berupa data yang telah di estimasi dan grafik error energi didapat dengan cara
menjumlahkan error estimasi yang telah dikuadratkan.
8. FFT menggunakan 512 point karena linier maka dengan 256 telah mewakili data.
9. Setelah itu data akan dicari rata-ratanya dan nilai tengahnya untuk kemudian dari vektor
akan dijadikan matrik dengan membagi 256 data menjadi 32 kolom yang terdiri dari 8
data setiap kolomnya.
10. Hasil FFT sebanyak 32 data ini yang nantinya akan menjadi masukkan bagi Neural
Network.
Mulai
Input File
N = 256
T = 32
Q = 80
Read File
For T=32 to
file size (f)
Pembobotan = w
w =
hamming(len_x)
Estimasi autocorelasi
order 12
erEn =
sum(er.^2)
FFT 512 Point
Hasil FFT
= 256/8
Input = 32 JST


Gambar 3.2 Diagram Alir Pengolahan Sinyal

Setelah didapatkan keluaran 32 data dari pengolahan sinyal, maka akan dilakukan proses
pembelajaran. Inputanya adalah 33 data, 32 data merupakan keluaran dari pengolahan sinyal dan
data ke 33 adalah bias. Algoritma pembelajaran digambarkan dalam diagram alir 3.3.
Langkah-langkah pembelajaran:
1. Mulai
2. Masukkan contoh huruf dan nama file.wav yang akan dilatih. Tetapkan kesalahan yang
ditargetkan dan iterasi maximal, nilai bias=1 untuk semua lapis input dan tersembunyi
(hidden) pada data akhir.
3. Tetapkan target pola output dengan memasukkan 10 nilai yang telah ditentukan (lihat table
target)
4. Inisialisasi bobot awal secara acak kecil, nilai acak di antara -0.5 dan 0.5 untuk efisiensi
dapat digunakan aturan pemilihan bobot awal Nguyen widrow. Yaitu bobot disesuaikan
dengan banyaknya neuron tersembunyi.
5. Setting parameter iterasi awal (epoch) sama dengan 1.
6. Selama epoch kurang dari maksimal iterasi lakukan langkah 7 jika tidak lompat kelangkah
15.
7. Setelah seluruh koneksi jaringan terisi bobot, lakukan feedforward.
8. Lakukan perhitungan kesalahan antara pola output Neural Network dan pola target.
9. Periksa apakah kesalahan output lebih besar daripada kesalahan yang ditergetkan? jika ya,
maka lakukan langkah 10, jika tidak, maka lakukan langkah 13 dan 15
10. Lakukan langkah mundur Backpropagation
11. Proses berhenti
12. Training sukses
13. Selesai
Nama file
.Huruf
maxEpoch,
error target
For i=1
to 32
target
i
random
Epoch = 1
fedfoward
Hitung
error
Training Sukses
E>E target
Epoch =
maxEpoch?
Hitung Faktor
Error
Nilai
perubahan
Bobot
Update bobot
Hasil
Pengenalan
Selesai
Yes
No
No

Gambar 3.3 Diagram Alir Proses Pembelajaran
Pada proses pembelajaran terdapat sub proses feedforward dan Backpropagation.
Langkah-langkah feedforward:
1. Mulai.
2. Kalikan seluruh data input pada array input dengan bobot pada masing masing bobot
koneksi array net, yang terhubung dengan neuron input. Kemudian jumlahkan seluruh
vekor bobot yang menuju neuron hidden yang sama.
3. Lakukan aktifasi hasil penjumlahan tersebut pada masing-masing neuron, sehingga
output pada lapisan ini berada pada kisaran 0 dan 1.
4. Kalikan seluruh hasil aktifasi masing-masing neuron lapis hidden pada array hidden
dengan bobot pada masing-masing koneksi array output yang terhubung dengan neuron
pada lapis hidden. Kemudian jumlahkan seluruh vector bobot yang menuju neuron output
yang sama.
5. Lakukan aktifasi hasil penjumlahan tersebut pada masing-masing neuron lapisan output,
sehingga output pada lapisan ini berada pada kisaran 0 dan 1
6. Selesai. Hasil pada lapis output akan digunakan pada proses hitung error.
For i-1 to n
hidden
For j-1 to n
input
Array hidden= array
hidden+array
input*array net
J
Array hidden=
sigmoid<array
hidden
I
For i: -1
to n output
For
Output: - output +
array hidden*array
net output
J
Output: -sigmoid
(output)
I

Gambar 3.4 Diagram Alir Proses Feedforward
Langkah-langkah proses hitung error:
1. Mulai
2. Hitung jarak masing-masing neuron target dengan output dari feedforward
3. Hitung rata-rata kesalahan seluruh neuron target dan output
4. Selesai. Nilai kesalahan akan dijadikan acuan untuk memnentukan proses propagasi balik
atau berhenti.
Error: -0,0001
For i-1 to
n output
Jarak: -power(target
output)
Error:-error+jarak
i
Error: -
0,5*error
Error
Selesai

Gambar 3.5 Diagram alir proses hitung error
Sedangkan untuk langkah mundur atau propagasi balik adalah perhitungan informasi
kesalahan pada tiap neuron pada masing-masing lapisan dimulai dari kesalahan pada lapis output
hingga lapis hidden terdekat dengan lapis input. Informasi kesalahan berguna untuk menghitung
faktor peubah bobot yang akan digunakan untuk perbaikan bobot lama. Algoritma propagasi
balik diperlihatkan pada gambar di bawah ini:

BP
For i=1 to
n_output
Faktor error pada
output= target-
output*sigmoid
i
For i=1 to
n_hidden
For j=1 to
n_output
Array faktor error=array
error+(array
output*array net output
j
Array faktor
error=faktor error
output*sigmoid(array
hidden
i
For j=1 to
n_hidden
For i=1 to
n_input
Array
delta=alpha*array f.
error*array input
j
i D
D
For i=1 to
n_input
For j=1 to
n_hidden
Array
net1=array1+array
delta hidden1
j
i
F1
B1 BP
For j=1 to
n_hidden
For i=1 to
n_input
j
i
For j=1 to
n_hidden
For i=1 to
n_input
j
i
F1


Gambar 3.6 Diagram Alir Propagasi balik

Langkah-langkah propagasi balik:
1. Mulai
2. Pada lapisan output. Pertama hitung selisih antar target pengenalan dengan output
pengenalan. Kalikan selisih ini dnegan output pengenalan yang telah diaktivasi dengan
fungsi turunan aktivasi. Hasil perkalian ini akan digunakan untuk menghitung faktor
kesalahan pada lapisan hidden dan untuk menghitung faktor peubah bobot pada vector
bobot menuju output
3. Hitung besar faktor peubah bobot baru pada tiap sinapsis lapisan output
4. Perbaiki bobot lama pada tiap sinapsis menuju output dengan menjumlahkan bobot lama
array net output dengan peubah bobot yang telah dihitung pada langkah sebelumnya
5. Pada lapisan hidden. Untuk menghitung faktor kesalahan masing-masing neuron lapisan
hidden dilakukan: masing-masing faktor kesalahan pada output dikalikan dengan bobot
lama yang terkoneksi dengan neuron lapisan output. Kemudian hasil perkalian pada
seluruh koneksi yang terhubung dengan maisng-masing neuron hidden dijumlahkan.
Faktor kesalahan pada neuron lapis hidden akan digunakan untuk menghitung peubah
bobot pada koneksi dari lapisan input menuju lapisan hidden
6. Hitung besar faktor peubah bobot baru pada tiap koneksi di lapisan hidden
7. Perbaiki bobot lama pada tiap koneksi dari lapisan input menuju lapisan hidden dengan
menjumlahkan bobot lama dengan peubah bobot yang telah dihitung sebelumnya.
8. Selesai. Bobot baru yang akan digunakan untuk proses feedforward kedua dan seterusnya
hingga bobot optimal di dapatkan.
Setelah pembelajaran selesai dilakukan, maka proses pengenalan dapat dilakukan.
Langkah-langkah pengenalan secara menyeluruh adalah sebagai berikut:
1. Mulai
2. Tetapkan kesalahan minimal dengan harga yang tinggi, dimana kemungkinan besar
tidak akan mungkin sebuah proses mempunyai kesalahan sebesar kesalahan tersebut
3. Inisialisasi bobot awal, target output, dan kata dengan mengambil data bobot
4. Lakukan feedforward untuk mendapatkan output pengenalan
5. Hitung kesalahan antara target dengan output pengenalan
6. Periksa apakah kesalahan pengenalan kurang dari error minimal? Jika ya, lakukan
langkah 7 dan jika tidak maka kembali ke langkah sebelumnya
7. Perbaharui nilai error minimal dengan kesalahan pengenalan setting kalimat
pengenalan dengan kata dari variable yang mewakili
8. Apakah pola dengan target sesuai, jika sesuai berarti kalimat dikenali tapi jika tidak
sesuai maka kalimat tidak dikenali
9. Selesai
Pengenalan
Error minimal
0.02
Inisialisasi
bobot
feedfoward
Hitung
Error
Error minimal
error variable huruf
T-Target
T < output Dikenali Tidak Dikenali Selesai
NN
No Yes

Gambar 3.7 Diagram Alir Proses Pengenalan
3.2 Perancangan Sistem
3.2.1 Arsitektur Neural Network (NN)
NN terdiri dari elemen-elemen pemroses yang tersusun dan terhubung dengan arsitektur
tertentu. Hubungan antar elemen tersebut mempuyai nilai tertentu yang dapat mengatur sinyal
yang melewati koneksi tersebut. Nilai yang dikenal dengan nilai bobot ini akan mengalami
perubahan dalam proses pelatihan. Arsitektur NN yang digunakan adalah NN umpan balik (back
forward).
NN yang digunakan terdiri dari satu lapisan masukan, satu lapisan tersembunyi dan satu
lapisan keluaran. Jumlah neuron pada lapisan masukkan tergantung pada jumlah vektor
masukkan yang diterapkan pada jaringan. Jumlah neuron pada lapisan tersembunyi dibuat
bervariasi yaitu satu hidden dengan jumlah node 50 serta jumlah momentumnya 0.1, 0.25, 0.5,
0.75, dan 09, dua hidden dengan jumlah 100 dan 50 node juga dengan jumlah momentum 0.1,
0.25, 0.5, 0.75, dan 09. Tujuan dibuat variasi ini adalah untuk menentukan waktu pelatihan
tercepat dan hasil terbaik dalam proses pelatihan. Penentuan jumlah neuron pada lapisan hidden
dilakukan secara eksperimen karena belum ada metode yang baku dalam menentukan jumlah
neuron pada lapisan hidden. NN ini tersusun atas 2 lapis, lapis pertama sebagai lapis tersembunyi
(hidden layer), lapis kedua sebagai keluaran (output layer). Fungsi transfer yang digunakan pada
lapisan hidden adalah sigmoid sedangkan fungsi
pelatihan yang digunakan adalah traingda untuk mempercepat proses pelatihan.
3.2.2 Proses Pelatihan NN
Sesuai dengan karekteristik NN secara umum, sistem pengenalan pola suara dalam
penelitian ini terdiri dari 2 tahap, yaitu tahap pelatihan dan tahap pengujian. Inti dari proses
belajar NN adalah tahap penyesuaian bobot-bobot jaringan. Pada tahap pelatihan ini
menggunakan metode pelatihan dengan pengawasan (supervised learning). Pemilihan metode ini
dengan alasan karena pola spectrum suara selalu berbeda pada suatu waktu meskipun kata yang
diucapakan sama dan adanya kemiripan pola spectrum pada kata-kata tertentu.
Pola spectrum data pelatihan ini dapat dilihat pada lampiran 2 sehingga bila diterapkan
pola pelatihan tanpa pengawasan menyebabkan jaringan akan memberikan respon keputusan
yang salah. Algoritma pelatihan/pembelajaran yang digunakan adalah algoritma
Backpropagation.
Pada NN Backpropagatiaon output dari jaringan dibandingkan dengan output yang
dikehendaki. Nilai bobot yang di terapkan dalam proses belajar diatur oleh jaringan sehingga
pada iterasi berikutnya dapat mendekati output yang diinginkan. Untuk pelatihan diperlukan data
input dan output yang disebut training set. Setiap nilai input bersesuaian dengan nilai input yang
dikehendaki. Pelatihan akan berhenti apabila jaringan menghasilkan output yang diperlukan
untuk suatu nilai input , dimana iterasi (epoch) diulangi sampai dicapai suatu nilai dibawah batas
nilai toleransi kesalahan atau batas maximum iterasi terlampaui dan fungsi performansi
mencapai harga lebih kecil dari goal (batas error yang diperbolehkan).
3.2.3 Hasil Pelatihan NN
Tujuan akhir dari proses belajar adalah minimalisasi kesalahan antara output jangan
syaraf dengan output yang dikehendaki dengan cara mengubah nilai momentum secara terus
menerus.
Nilai bobot yang terlalu besar dapat menyebabkan perubahan yang justru tidak konvergen
dengan kata lain dapat melompati titik minimal kesalahan. Sebaliknya konstanta pembelajaran
(learning rate) yang terlalu kecil akan menyebabkan lambatnya proses belajar sehingga kan
terjebak pada titik minimal kesalahan minimal (local minimal). Pelatihan dilakukan dengan data
hasil perekaman dengan data yang telah diberi noise dengan range 0.1. tujuan dari pelatihan
dengan noise adalah untuk mengetahui kepekaan NN dalam mengenali pola suara yang
diberikan. Kecepatan pelatihan untuk mencapai target yang diinginkan dipengaruhi oleh jumlah
neuron pada lapisan hidden, jumlah iterasi dan konstata pembelajaran. Dalam hal ini konstanta
pembelajaran memakai nilai sebesar 0.0001 dan iterasi diberikan sebesar 10000 iterasi artinya
NN akan berhenti menjalankan proses pelatihan jika melebihi iterasi tersebut. Pengaruh jumlah
neuron pada lapisan tersembunyi dalam proses pelatihan.

Gambar 3.8 Pelatihan dengan 1 hidden 50 node











Gambar 3.9 Hasil latih huruf A yang Dikenali
Dari hasil latih yang dilakukan untuk huruf A yang benar dapat Dikenali dengan
menggunakan jaringan satu hidden dengan 50 node, jumlah epoh maximum 10.000, learning rate 10
-
5
, momentum 0.1 ternyata jaringan mampu mengenali huruf yaitu ditandai dengan nilai 0.939891.
Untuk data latih yang lain dapat dilihat pada tabel dibawah ini:
Table 3.2 Hasil Latih Untuk Data Uji 1
NO HURUF NILAI STATUS EPOCH
MAX
LEARNING
RATE
MOMENTUM BATAS
ERROR
1 a1 0,7 Dikenali 10000 0.0001 0,1 10
-5
2 a2 0,3 Dikenali 10000 0.0001 0,1 10
-5

3 a3 0,9 Dikenali 10000 0.0001 0,1 10
-5

4 a4 0,9 Dikenali 10000 0.0001 0,1 10
-5

5 a5 1,6 Dikenali 10000 0.0001 0,1 10
-5

6 a6 0,9 Dikenali 10000 0.0001 0,1 10
-5

7 a7 1,4 Dikenali 10000 0.0001 0,1 10
-5

8 a8 1,3 Dikenali 10000 0.0001 0,1 10
-5

9 a9 1,6 Dikenali 10000 0.0001 0,1 10
-5

10 a10 1,5 Dikenali 10000 0.0001 0,1 10
-5

11 b1 2,0 Dikenali 10000 0.0001 0,1 10
-5

12 b2 6,3 Dikenali 10000 0.0001 0,1 10
-5

13 b3 1,7 Dikenali 10000 0.0001 0,1 10
-5

14 b4 3,1 Dikenali 10000 0.0001 0,1 10
-5

15 b5 1,5 Dikenali 10000 0.0001 0,1 10
-5

16 b6 5,0 Dikenali 10000 0.0001 0,1 10
-5

17 b7 4,9 Dikenali 10000 0.0001 0,1 10
-5

18 b8 2,5 Dikenali 10000 0.0001 0,1 10
-5

19 b9 5,1 Dikenali 10000 0.0001 0,1 10
-5

20 b10 1,8 Dikenali 10000 0.0001 0,1 10
-5

21 c1 2,6 Dikenali 10000 0.0001 0,1 10
-5

22 c2 2,2 Dikenali 10000 0.0001 0,1 10
-5

23 c3 4,9 Dikenali 10000 0.0001 0,1 10
-5

24 c4 2,7 Dikenali 10000 0.0001 0,1 10
-5

25 c5 5,0 Dikenali 10000 0.0001 0,1 10
-5

26 c6 5,6 Dikenali 10000 0.0001 0,1 10
-5

27 c7 5,4 Dikenali 10000 0.0001 0,1 10
-5

28 c8 3,5 Dikenali 10000 0.0001 0,1 10
-5

29 c9 5,2 Dikenali 10000 0.0001 0,1 10
-5

30 c10 2,9 Dikenali 10000 0.0001 0,1 10
-5

31 d1 4,2 Dikenali 10000 0.0001 0,1 10
-5

32 d2 4,2 Dikenali 10000 0.0001 0,1 10
-5

33 d3 4,9 Dikenali 10000 0.0001 0,1 10
-5

34 d4 2,8 Dikenali 10000 0.0001 0,1 10
-5

35 d5 4,1 Dikenali 10000 0.0001 0,1 10
-5

36 d6 6,5 Dikenali 10000 0.0001 0,1 10
-5

37 d7 5,6 Dikenali 10000 0.0001 0,1 10
-5

38 d8 2,9 Dikenali 10000 0.0001 0,1 10
-5

38 d9 10,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

40 d10 2,9 Dikenali 10000 0.0001 0,1 10
-5

41 aa1 11,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5

42 aa2 10,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5

43 aa3 10,8 Tidak
Dikenali
10000 0.0001 0,1 10
-5

44 aa4 10,7 Tidak
Dikenali
10000 0.0001 0,1 10
-5

45 aa5 11,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5

46 aa6 11,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

47 aa7 10,9 Tidak
Dikenali
10000 0.0001 0,1 10
-5

48 aa8 11,2 Tidak
Dikenali
10000 0.0001 0,1 10
-5

49 aa9 11,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

50 aa10 10,7 Tidak
Dikenali
10000 0.0001 0,1 10
-5

51 bb1 14,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

52 bb2 5,1 Dikenali 10000 0.0001 0,1 10
-5

53 bb3 13,5 Tidak
Dikenali
10000 0.0001 0,1 10
-5

54 bb4 5,4 Dikenali 10000 0.0001 0,1 10
-5

55 bb5 12,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5

56 bb6 11,6 Tidak
Dikenali
10000 0.0001 0,1 10
-5

57 bb7 12,5 Tidak
Dikenali
10000 0.0001 0,1 10
-5

58 bb8 12,6 Tidak
Dikenali
10000 0.0001 0,1 10
-5

59 bb9 13,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5

60 bb10 12,3 Tidak
Dikenali
10000 0.0001 0,1 10
-5

61 cc1 13,3 Tidak
Dikenali
10000 0.0001 0,1 10
-5

62 cc2 4,4 Dikenali 10000 0.0001 0,1 10
-5

63 cc3 13,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

64 cc4 4,5 Dikenali 10000 0.0001 0,1 10
-5

65 cc5 14,1 Tidak
Dikenali
10000 0.0001 0,1 10
-5

66 cc6 12,8 Tidak
Dikenali
10000 0.0001 0,1 10
-5

67 cc7 13,2 Tidak
Dikenali
10000 0.0001 0,1 10
-5

68 cc8 12,6 Tidak
Dikenali
10000 0.0001 0,1 10
-5

69 cc9 13,2 Tidak
Dikenali
10000 0.0001 0,1 10
-5

70 cc10 13,9 Tidak
Dikenali
10000 0.0001 0,1 10
-5

71 dd1 14,2 Tidak
Dikenali
10000 0.0001 0,1 10
-5

72 dd2 11,3 Tidak
Dikenali
10000 0.0001 0,1 10
-5

73 dd3 13,7 Tidak
Dikenali
10000 0.0001 0,1 10
-5

74 dd4 10,5 Tidak
Dikenali
10000 0.0001 0,1 10
-5

75 dd5 12,8 Tidak
Dikenali
10000 0.0001 0,1 10
-5

76 dd6 13,4 Tidak
Dikenali
10000 0.0001 0,1 10
-5

77 dd7 15,5 Tidak
Dikenali
10000 0.0001 0,1 10
-5

78 dd8 15,9 Tidak
Dikenali
10000 0.0001 0,1 10
-5

79 dd9 14,8 Tidak
Dikenali
10000 0.0001 0,1 10
-5

80 dd10 13,0 Tidak
Dikenali
10000 0.0001 0,1 10
-5


Dari table 3.2 hasil data uji 1 di atas dapat dilihat, bahwa pelatihan yang dilakukan pada
NN dengan satu hidden 50 node, dengan jumlah Epoch 10.000, momentum 0.1, learning rate
0.0001, dan batas error 10
-5
dapat mengenali pola suara dari masing-masing parameter baik
Dikenali dan Tidak Dikenali . Dari data di atas sebagai contoh dapat dilihat pada data a3 jaringan
mampu mengenali dengan baik. Sedangkan bobot yang digunakan adalah:
bobotAkhir_bias_input =

0.9671 0.9399 0.8520 0.9711 0.8806 0.9503 0.9210 0.9759 0.8919
0.9128 1.8003 5.2461 1.9566 2.8935 1.8842 5.2461 5.2461 1.9372
5.2461 1.9149 2.8146 2.9193 5.2461 2.9851 5.2461 5.2461 5.2461
2.9517 5.2461 2.8973 3.9780 5.2461 3.8847 2.8935 3.8776 5.2461
5.2461 3.9241 10.2875 4.0509 10.8750 10.9210 10.9501 10.9399
10.9222
10.8709 10.9266 10.9465 10.9221 10.8905 12.8509 5.2461 11.9558 5.2461
11.9487 11.8038 11.8612 11.9974 11.9078 11.8955 12.7919 5.2461 12.8869
5.2461 12.8526 12.9054 12.8750 10.2875 12.9375 12.8320 13.8698 13.8324
13.7785 10.2875 12.8509 13.9422 13.7815 13.8721 13.7957 13.7124

bobotAkhir_bias_lapisan = 0.939891

Dari bobot akhir lapisan, dan bobot akhir bias lapisan disesuaikan dengan jumlah layar
tersembunyinya yaitu 50 node.
3.2.4 Keberhasilan Pengujian NN
Tahap pengujian merupakan kemampuan jaringan dalam mengenali pola yang di
masukkan (input) yang masing-masing dijadikan variabel, NN yang telah dilatih akan
mengambil data masukkan tersebut dan memberikan keluaran berdasarkan bobot yang disimpan
pada proses pelatihan pengujian menghasilkan keputusan berdasarkan kedekatan dengan kelas
pola data latih. Pengujian dilakukan secara offline (tidak langsung), pengujian offline dilakukan
pada data asli dan data yang diberi noise. Hal ini bertujuan untuk mengetahui seberapa jauh
kepekaan jaringan dalam membedakan dan mengenali pola yang diberikan. Pengujian secara
offline dilakukan dengan memasukkan pola suara dari 10 orang data uji untuk diujikan, proses ini
dilakukan pada data yang telah diberi noise. Pengujian dilakukan dengan jumlah neuron pada
lapisan hidden yaitu 50. Perhitungan prosentase tingkat keberhasilan dalam mengenali pola suara
yang diucapkan dengan persamaan sebagai berikut:









3.3 Desain Antar Muka

Gambar 3.10 Desain Antar Muka Sistem
Halaman ini merupakan tampilan awal perangkat lunak yang dirancang yang memuat
keseluruhan dari sistem yang dibangun untuk mengenali pola suara huruf alphabet. Kemudian
setelah kita tampilkan desainnya maka kita tinggal menekan tombol run atau tekan tombol pada
keyboard (F5), maka akan tampil seperti gambar berikut:

Gambar 3.11 Sistem dalam posisi siap digunakan.












BAB IV
PEMBAHASAN

Dalam bab ini dibahas mengenai hasil uji coba sistem yang telah dirancang dan dibuat.
Uji coba dilakukan untuk mengetahui apakah sistem dapat berjalan sebagaimana mestinya
dengan lingkungan uji coba yang telah ditentukan serta dilakukan sesuai dengan skenario uji
coba.
Ada beberapa hasil uji coba yang telah dilakukan terhadap pola data suara yang telah
dimatrikkan,antara lain pola data suara dari parameter seseorang yang dianggap benar, dan pola
data suara parameter yang kurang benar. Kemudian untuk proses pengukuran kebenaran akan
dimasukkan satu pola data suara dari seseorang yang belum dilatihkan pada Neural Network.
Kebenaran bisa diukur dengan mengacu pada pola data parameter baik itu yang benar ataupun
yang kurang benar, jika data uji memiliki pola data yang sama atau hampir sama dengan
parameter yang benar maka program mengenalinya atau status dikenali, dan begitu pula
sebaliknya, tidak dikenali jika hasilnya tidak berada pada range target yang telah ditentukan.
Sebelumnya perlu diketahui software dan hardware uji coba yang digunakan dalam
melakukan uji coba skripsi ini.
4.1 Peralatan Uji Coba
Pada subbab ini dijelaskan mengenai peralatan yg digunakan untuk uji coba program
seperti:
a. Spesifikasi Perangkat Keras yang digunakan:
Processor : AMD Turion X2 Dual-Core 2.20 Ghz
Memory : 3 GB
Piranti Masukan : Head set merek somic
b. Spesifikasi Perangkat Lunak yang digunakan:
Sistem Operasi : Windows Xp Profesional versi 2002 SP.2
Perangkat Pengembang : Matlab 7.0
: Ms. Office Visio 2007
4.2 Data Uji
Pada uji coba yang akan diproses, menggunakan data dari sampel suara huruf yang benar
dalam pengucapan dan sampel suara yang kurang benar. Sebelum data diproses dalam NN data
di olah terlebih dahulu dengan menggunakan PSD (Pengolahan Sinyal Digital) untuk
mendapatkan pola suara. Setelah pola suara didapat maka data itulah yang digunakan sebagai
input jaringan saraf tiruan (NN) backpropagation.
4.3 Implementasi Program
Dalam implementasi program ini menjelaskan tentang alur membuatan dan kegunaan
program dilengkapi dengan antar muka program atau sering disebut dengan Interface.
4.3.1 Proses Preprosesing Data
Preprosesing data ini yang didalamnya ada beberapa tahapan yang harus dilalui seperti:
Normalisasi, Linier Prediktif Coding (LPC), dan Fast Fourier Transform (FFT).
Berikut ini gambar hasil dari pengucapan huruf A pada preprosesing:






1. Normalisasi

Gambar 4.1 Normalisasi

Listing program untuk menampilkan gambar:
subplot(121)
imagesc(SM)
colormap(1-gray)
title('local score match')

% Anda dapat melihat sebuh strip gelap (high similarity values)
mengarah
%turun secara diagonal.
% Gunakan dynamic programming untuk mendapatkan lowest-cost path antara
%pojok cost matrix yang berhadapan
% Catat bahwa kita menggunakan 1-SM karena dp akan menemukan *lowest*
%total cost
[p,q,C] = dp(1-SM);
% Overlay lintasan pada local similarity matrix
hold on;
plot(q,p,'r');
hold off
% Lintasan tampak mengikuti Path jalur dark
% Plot minimum-cost-to-this point matrix
subplot(122)
imagesc(C)
hold on;
plot(q,p,'r');
hold off
title('local score dynamic programming')

2. Estimasi Terhadap Sinyal Suara

Gambar 4.2 Estimasi Sinyal Suara
Maksudnya adalah perkiraan dari inputan pengenalan suara sinyalnya lebih kurang
seperti gambar diatas.
Listing program untuk menampilkan gambar:
% Display results
figure(2)
plot([wx; zeros(order,1)],'g');
title('Linear Predictive Analysis, Autocorrelation Method');
hold on;
plot(estx,'black');
hold off;
%xlim([0 length(er)])
legend('Speech Signal','Estimated Signal');
% The prediction error is estimated in the interval 0<=m<=N-1+p
er = [wx; zeros(order,1)] - estx;

3. Error Sinyal

Gambar 4.3 Error Sinyal
Grafik yang menggambarkan tentang error sinyal yang di inputkan.
Listing program untuk menampilkan gambar:
figure(3)
plot(abs(er));
legend('Error Signal');
%Prediction error energy in the same interva
erEn = sum(er.^2);











4. Model Frekuensi Respon Spectrum Suara

Gambar 4.4 Model Frekuensi Respon Spectrum
Listing program untuk menampilkan gambar:
figure(4)
plot(linspace(0,0.5,256), 20*log10(abs(H)),'black');
hold on;
plot(linspace(0,0.5,256), 20*log10(S(1:256)));
legend('Model Frequency Response','Speech Spectrum')
hold off;

% Autocorrelation of the prediction error
[acs,lags] = xcorr(er);








5. Prediksi Kesalahan

Gambar 4.5 Prediksi Kesalahan
Listing program untuk menampilkan gambar:
figure(5)
plot(lags, acs);
legend('Prediction Error Autocorrelation')
% Calculate the spectrum of the error signal
eS = abs(fft(er,512));













6. Prediksi Kesalahan Pola

Gambar 4.6 Prediksi Kesalahan Pola
Listing program untuk menampilkan gambar:
figure(6)
plot(linspace(0,0.5,256), 20*log10(eS(1:256)));
legend('Prediction Error Spectrum')

Dalam preprosesing ini dilakukan pemilihan data untuk huruf alphabet A-Z sebayak 320
pola data suara dengan perincian setiap satu suara orang terdiri 32 pola dan dan dilakukan
kepada orang sebanyak 10. Adapun listing program tersebut secara lengkap adalah sebagai
berikut:
%File Name: DTW_01.m
%mengambil SEPULUH file speech *.wav
%suara huruf a
fs=8000;
[d1,fs] = wavread('a1.wav');
[d2,fs] = wavread('a2.wav');
[d3,fs] = wavread('a3.wav');
[d4,fs] = wavread('a4.wav');
[d5,fs] = wavread('a5.wav');
[d6,fs] = wavread('a6.wav');
[d7,fs] = wavread('a7.wav');
[d8,fs] = wavread('a8.wav');
[d9,fs] = wavread('a9.wav');
[d10,fs] = wavread('a10.wav');

% Mendengarkan secara bersamaan huruf a
ml = min(length(d1),length(d2));
ml2 = min(length(d3),length(d4));
ml3 = min(length(d5),length(d6));
ml4 = min(length(d7),length(d8));
ml5 = min(length(d9),length(d10));

%wavplay(d1(1:ml)+d2(1:ml),fs)
% Dalam mode stereo
%wavplay ([d1(1:ml),d2(1:ml)],fs)
%wavplay ([d3(1:ml2),d4(1:ml2)],fs)
%wavplay ([d5(1:ml3),d6(1:ml3)],fs)
%wavplay ([d7(1:ml4),d8(1:ml4)],fs)
%wavplay ([d9(1:ml5),d10(1:ml5)],fs)

% Menghitung STFT (short time fourier transform) features untuk kedua
%sounds (dengan 25% window overlap)
D1 = specgram(d1,512,fs,512,384);
D2 = specgram(d2,512,fs,512,384);
D3 = specgram(d3,512,fs,512,384);
D4 = specgram(d4,512,fs,512,384);
D5 = specgram(d5,512,fs,512,384);
D6 = specgram(d6,512,fs,512,384);
D7 = specgram(d7,512,fs,512,384);
D8 = specgram(d8,512,fs,512,384);
D9 = specgram(d9,512,fs,512,384);
D10 = specgram(d10,512,fs,512,384);

% Menyusun 'local match' scores matrix sebagai cosine distance antar
%magnitudo STFT
SM =
simmx([abs(D1),abs(D2)],[abs(D3),abs(D4),abs(D5),abs(D6),abs(D7),abs(D8),abs(
D9),abs(D10)]);

% Lihat hasilnya:
subplot(121)
imagesc(SM)
colormap(1-gray)
title('local score match')
% Anda dapat melihat sebuh strip gelap (high similarity values) mengarah
%turun secara diagonal.
% Gunakan dynamic programming untuk mendapatkan lowest-cost path antara
%pojok cost matrix yang berhadapan
% Catat bahwa kita menggunakan 1-SM karena dp akan menemukan *lowest*
%total cost
[p,q,C] = dp(1-SM);
% Overlay lintasan pada local similarity matrix
hold on;
plot(q,p,'r');
hold off
% Lintasan tampak mengikuti Path jalur dark
% Plot minimum-cost-to-this point matrix
subplot(122)
imagesc(C)
hold on;
plot(q,p,'r');
hold off
title('local score dynamic programming')

% Pojok kanan pada C memberikan nilai minimum-cost alignment pada
C(size(C,1),size(C,2))
% Hitung frame di dalam D2 yang mengindikasikan match setiap frame
% di dalam D1, sehingga kita dapat me-resynthesize sebuah warped, versi
% yang diluruskan
D2i1 = zeros(1, size(D1,10));
for i = 1:length(D2i1)
D2i1(i) = q(min(find(p >= i)));
end
% Interpolasi Phase-vocoder D2's STFT di bawah kondisi time warp
D2x = pvsample(D2, D2i1-1, 128);
% Invert kembali ke dalam time domain
d2x = istft(D2x, 512, 512, 128);
% Dengarkan hasilnya sebuah versi warped version sendiri
wavplay(d2x,fs)
% Versi warped ditambahkan ke target asli (untuk mendapatkan fine-tune
%length)
d2x = resize(d2x', length(d1),1);
wavplay(d1+d2x,fs)
% Anda dapat juga mlihat hasilnya pada mode stereo
wavplay([d1,d2x],fs)
% Bandingkan dengan pasangan unwarped:
wavplay([d1(1:ml),d2(1:ml)],fs)
x=[d1];
%[x,fs] = wavread('a.wav');
%wavplay(x,fs)
len_x = length(x);
% The signal is windowed
w = hamming(len_x);
wx = w.*x;
% LPC autocorrelation method
order = 12;
% LPC function of MATLAB is used
[lpcoefs, errorPow] = lpc(x, order);
% The estimated signal is calculated as the output of linearly filtering
% the speech signal with the coefficients estimated above
estx = filter([0 -lpcoefs(2:end)], 1, [wx; zeros(order,1)]);

% Display results
figure(2)
plot([wx; zeros(order,1)],'g');
title('Linear Predictive Analysis, Autocorrelation Method');
hold on;
plot(estx,'black');
hold off;
%xlim([0 length(er)])
legend('Speech Signal','Estimated Signal');
% The prediction error is estimated in the interval 0<=m<=N-1+p
er = [wx; zeros(order,1)] - estx;
figure(3)
plot(abs(er));
legend('Error Signal');
%Prediction error energy in the same interva
erEn = sum(er.^2);
% Calculate the frequency response of the linear prediction model
[H, W] = freqz(sqrt(erEn), lpcoefs(1:end), 256);
% Calculate the spectrum of the windowed signal
S = abs(fft(estx,512));
%inputan fft ke jst(matrik 8*32)
s5 = S(1:256);
s2 = reshape(s5, 256, []);
rr = reshape(s2,8,32)
%mencari rata-rata dan median
r1 = mean(rr);
r2 = median(r1);
%i=length(r,[]);
Ai=r1<r2
if (r1 < r2)
ai=0;
else
ai=1;
end

figure(4)
plot(linspace(0,0.5,256), 20*log10(abs(H)),'black');
hold on;
plot(linspace(0,0.5,256), 20*log10(S(1:256)));
legend('Model Frequency Response','Speech Spectrum')
hold off;
% Autocorrelation of the prediction error
[acs,lags] = xcorr(er);
figure(5)
plot(lags, acs);
legend('Prediction Error Autocorrelation')
% Calculate the spectrum of the error signal
eS = abs(fft(er,512));
figure(6)
plot(linspace(0,0.5,256), 20*log10(eS(1:256)));
legend('Prediction Error Spectrum')


4.3.2 Proses Pengenalan Suara
Setelah di dapatkan pola data masukkan untuk Neural Network sebanyak 32 data, maka
proses pelatihan pada Neural Network dapat dilakukan.
1. Data Input
Data input untuk Neural Network dari 26 huruf alphabet A-Z terdiri dari parameter
suara orang benar maupun suara orang yang kurang benar. Palatihan dilakukan dengan
cara menjadikan inputan data suara tadi menjadi matrik yang akan mewakili sebuah
huruf.
Untuk a akan mewakili pola data masukkan huruf A yang dianggap benar, begitu
selanjutnya sampai huruf Z. Kemudian aa akan mewakili pola data masukkan huruf A
yang dianggap kurang benar, begitu selanjutnya sampai huruf Z. Jadi total input
keseluruhan data yaitu 52, yang terdiri dari 26 input data yang dianggap benar, dan 26
untuk input data yang kurang benar.
Listing untuk contoh input pola suara benar yang dijadikan sebagai parameternya:

a =
[ 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1
1 1 0 0 0 0 0 1 1 1 1 1 ;
0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1
1 1 1 1 0 0 0 0 0 0 1 ;
0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 1 0 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1
1 1 1 1 1 1 1 1 1 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1
1 1 1 1 1 1 1 0 1 0 0 ;
0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 ;
0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1
1 0 0 0 0 0 1 1 1 1 1 ;
0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 1
1 1 0 1 1 1 1 1 1 1 1 ;
0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1
0 0 0 0 0 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1
1 1 1 0 0 1 1 1 1 1 1 ]

b =
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 0 1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 0 0 1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1
0 1 1 0 0 1 1 1 0 1 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 0 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1 0 0 ]

c =
[ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 0 0 1 1 1 1 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1
1 1 1 1 1 1 1 1 0 0 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 0 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 1
1 1 1 0 1 1 1 1 1 1 1 ]

d =
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 0 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1
1 0 0 1 1 1 1 0 0 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1
1 1 0 0 1 0 0 0 0 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 0 0 0 1 1 1 1 1 0 ]

Dalam hal ini penulis hanya menampilkan pola suara huruf a-d saja sebagai
contoh parameternya, untuk lebih jelasnya penulis akan memaparkannya dilapiran
laporan.
2. Penetuan Target
Dalam penelitian ini target yang digunakan adalah berupa angka. Mulai dari huruf
a suara yang benar, nilai target 1 sebanyak data masukan, huruf b suara yang benar nilai
target 2 sebanyak data masukkan, huruf c suara yang benar nilai target 3 sebanyak data
masukan, huruf d suara yang benar nilai target 4 sebanyak data masukan, begitu
seterusnya untuk huruf e-z. sedangkan untuk data yang kurang benar mulai dari aa suara
yang kurang benar nilai target 11 sebanyak data masukan, bb suara yang kurang benar
nilai target 12 sebanyak data masukkan, cc suara yang kurang benar nilai target 13
sebanyak data masukan, dd suara yang kurang benar nilai target 14 sebanyak data
masukan, begitu juga seterusnya untuk ee-zz. Untuk lebih jelasnya bisa dilihat pada
listing program di bawah ini:
T = [1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 11 11 11
11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13 13 14 14
14 14 14 14 14 14 14 14];
Untuk penentuan jumlah nilai pada listing diatas tidak terpaku hanya pada nilai
tersebut, bisa menggunakan nilai yang lain. Maksud dari penberian target adalah untuk
membedakan hasil nilai uji suara antara masing-masing huruf bisa terlihat perbedaanya.
Dan dari hasil pengujian penulis memang terlihat perbedaanya, jika jarak antara target di
perbesar, maka nilai hasil uji dari masing-masing huruf yang telah di beri target terlihat
jelas perbedaan nilainya.
3. Proses Pembelajaran atau Training
Untuk proses inisialisasi jaringan NN Backpropagation di matlab mempunyai aturan
sebagai berikut:
Net= newff (PR,[S1 S2SN],{TF1 TF2TFN}, BTF,BLF,PF)
Dengan net adalah jaringan backpropagation yang terdiri dari n layer.
PR adalah matrik ordo R*2 yang berisi nilai minimum dan maximum R buah elemen
masukkannya.
Si (i=1,2,.,n) adalah jumlah layer pada unit ke i
TFi (i=1,1..,n) adalah fungsi aktifasi yang dipakai pada layer ke i.
defaultnya = tansig (sigmoid bipolar)
BTF = fungsi pelatihan jaringan. Defaultnya = traingdx
BLF = fungsi perubahan bobot/bias. Defaultnya = learngdm
PF = fungsi perhitungan error. Defaultnya = mse
Dalam penelitian ini listing program yang digunakan untuk pelatihan adalah
sebagai berikut:
net = newff
(minmax(ptot),[50,1],{'logsig','purelin'},'traingda');
sedangkan untuk simulasi jaringan dengan menuliskan listing program:
[y,Pf,Af,e,perf] = sim (net,ptot,[],[],T)

Parameter keluaran ditambah dengan variable (e) untuk menyimpan error dan variable
(perf) untuk unjuk kerja
net.trainParam.epochs = 10000;
net.trainParam.show=500;
net = init(net);
net.trainParam.Ir=0.1;
net.trainParam.goal=1e-5;
net.trainParam.mc= 0.0001;
net = train(net,ptot,T)
datalatiht1=[0 0 1 1 0 0 0 1 1 1
1 1 1 0 0 0 0 0 0 1 1 1
0 0 0 0 0 1 1 1 1 1];

latiht1=sim(net,datalatiht1');









4. Proses Pengenalan Suara

Gambar 4.7 Grafik Pengenalan Suara TRAINGDA

Gambar 4.8 Hasil Pengujian Huruf




Gambar 4.9 Hasil Pengujian Secara Jelas
Dari hasil pengujian huruf A diatas didapat nilai 0,93796 dengan status Dikenali. jadi
hasil uji suara diatas sudah mendekati target yang di berikan yaitu 1 dengan epoch 10000.
4.3.3 Proses Pengujian Suara
Pada sub bab ini akan dijelaskan tentang alur pembuatan program yang dibuat beserta
tampilan desainnya. Berikut ini tampilan halaman yang ada dalam program aplikasi yang dibuat:








a. Proses Menampilkan Halaman Antar Muka
Untuk menampilkan Halaman antar muka dalam matlab 7.0 pertama-tama adalah
dengan mengklik menu File kemudian New pilih GUI. Seteleh itu akan muncul halaman
seperti gambar di bawah ini:










Gambar 4.10 Halaman GUIDE
Setelah itu pilih Open Existing GUI, kemudian pilih Browse terakhir cari folder dengan
nama Interface pilih file GUI dengan ekstensi (.fig). untuk lebih jelasnya lihat gambar:


















Gambar 4.11 Membuka GUI Matlab
b. Halaman Antar Muka
Halaman ini memuat seluruh hasil dari pelatihan sampai pengenalan pola hingga
proses pengujian dan menjelaskan bagaimana jalannya alur program hingga didapat hasil
dari proses pengenalan huruf oleh Neural Network. Dibawah ini adalah tampilan dari
Antar Muka yang telah dibuat:

















Gambar 4.12 Halama Antar Muka Program
Pada halaman ini terdapat dua data yaitu data benar dijadikan parameternya kemudian ada data
kurang benar yang dijadikan pembanding dari parameter. Disini user dapat menginputkan data
sesuai keinginan dengan catatan user harus mengetahui tetang penggunaan data uji di masing-
masing huruf yang sudah ditetukan misalkan: huruf A termasuk pada UJI 1, atau huruf N
termasuk pada UJI 4 dan seterusnya.
Untuk lebih jelasnya lihat gambar berikut:

Gambar 4.13 Menampilkan Data Input
c. Proses Data Latih
Pada data latih ini pemrosesan dilakukan dengan menekan tombol botton Uji, maka
proses data latih akan dijalankan oleh program. Hasil dari data latih ini selanjutnya masuk
pada tempat yang telah disediakan oleh GUI yang ada pada matlab. Pengenalan
dinyatakan berhasil hanya dengan melihat nilai pada kolom hasil. Proses pelatihan
jaringan dari hasil pelatihan contohnya dapat dilihat pada gambar dibawah ini:

Gambar 4.14 Proses Pelatihan

Gambar.4.15 Grafik menandakan pengenalan
Dalam program ini pengenalan huruf diukur dari target masing-masing parameter.
Misalkan huruf a dianggap dikenali jika nilai targetnya berada pada range 0.2 sampai 1.7,
dan untuk huruf a dianggap tidak dikenali jika nilai targetnya berada pada range 10.0
sampai 11.3. huruf b dianggap dikenali jika nilai targetnya berada pada range 1.5 sampai
6.3, dan untuk huruf b dianggap tidak dikenali jika nilai targetnya berada pada range 11.6
sampai 14.1. huruf c dianggap dikenali jika nilai targetnya berada pada range 1.2 sampai
5.6, dan untuk huruf c dianggap tidak dikenali jika nilai targetnya berada pada range 11.6
sampai 14.1. huruf d dianggap dikenali jika nilai targetnya berada pada range 2.8 sampai
6.5, dan untuk huruf d dianggap tidak dikenali jika nilai targetnya berada pada range 13.3
samapi 15.7.
Ini masih untuk uji satu, sebab dalam program ini terdapat 7 uji pengenalan huruf
alphabet. untuk keterangan lebih jelasnya penulis akan menjelaskannya listing
programnya secara lengkap dilampiran.
Listing program dari proses pelatihan data latih diatas adalah sebagai berikut:
fs =str2num(get(handles.txt_fs,'string'));
a = [ 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0
0 0 1 1 1 1 1 ;
0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1
0 0 0 0 0 0 1 ;
0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 0 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1 1 1 1 1
1 1 1 1 1 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 1 1 1 1
1 1 1 0 1 0 0 ;
0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 ;
0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0
0 0 1 1 1 1 1 ;
0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0 0 0 0 1 1 1 0 1
1 1 1 1 1 1 1 ;
0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0
0 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0
0 1 1 1 1 1 1 ]
aa = [ 0 0 0 0 1 1 1 1 1 1 0 1 0 0 0 0 0 0 1 1 1 1 0 0
0 0 0 1 1 1 1 1 ;
0 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 1
1 1 1 1 0 1 0 ;
0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 0 0 0 1 0 1 1 1
1 1 1 1 1 1 0 ;
0 0 0 1 1 1 1 0 1 1 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 1 1 0 1 1 1 1 0 1 0 0 0 0 0 0 1 1 1 1 1 1 0
0 0 0 0 1 1 1 ;
0 0 0 0 1 1 1 1 1 1 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 0 1 1 1 1 1 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 ;
0 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 0 1 0 0 1 0 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0 0 0
0 1 1 1 1 0 0 ]

b = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0
1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0
1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 0
0 1 1 1 0 1 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
0 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0
1 1 1 1 1 0 0 ]
bb =[ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0
0 0 1 1 1 1 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 1
1 1 1 1 0 1 1 ;
0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 0 0 1 1
1 1 1 1 1 1 1 ]
c = [ 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0
0 1 1 1 1 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1
1 1 1 1 0 0 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 1 1 1 1 0
1 1 1 1 1 1 1 ]
cc =[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 1 1 1 1 1
1 1 1 1 0 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 0
0 1 0 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 ]
d = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1
1 1 1 0 0 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0
1 0 0 0 0 0 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
1 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0
0 1 1 1 1 1 0 ]
dd =[ 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1
0 0 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
0 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0
0 0 1 1 1 1 0 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0
0 1 1 1 1 1 1 ;
0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 ]

ptotal= [a;b;c;d;aa;bb;cc;dd];
ptot=ptotal'
T = [1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4
4 4 4 4 4 11 11 11 11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12 12 13
13 13 13 13 13 13 13 13 13 14 14 14 14 14 14 14 14 14 14];
%T2 = [3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3]
%net1 = newff(minmax [P1 P2],[3 1],{'tansig''logsig','purelin'});
%net = newff([0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1;0 1;0 1;0 1;0
1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0
1],[3 1],{'logsig' 'purelin'});
net = newff (minmax (ptot), [50,1], {'logsig','purelin'},'traingda');
%net2 = newff([0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1]...
%[0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1]...
%[0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1; 0 1; 0 1;0 1],[3
1],{'logsig' 'purelin'});
%[y,Pf,Af,e,perf] = sim (net,ptot,[],[],T)
[net,Y,e]=adapt(net,ptot,T);

%Y1 = sim(net,ptot);
%plot(ptot,T,ptot,Y1,'o')
t_epochs=str2num(get(handles.txt_epochs,'string'));
t_show=str2num(get(handles.txt_show,'string'));
t_ir=str2double(get(handles.txt_ir,'string'));
t_mc=str2double(get(handles.txt_mc,'string'));

net.trainParam.epochs =t_epochs ;
net.trainParam.show=t_show;
net = init(net);
net.trainParam.Ir=t_ir;
net.trainParam.goal=1e-506;
net.trainParam.mc=t_mc;
net = train(net,ptot,T)
%Y2 = sim(net,ptot);
%plot(ptot,T,ptot,Y2,'o')

datatestawal=str2num(get(handles.txt_DataUji,'string'));
hasiltest=sim(net,datatestawal');
y = sim(net,ptot)
%get(handles.txt_DataUji,'string');
%set(handles.txt_DataTest,'string',datatest3);
%test2=sim(net,datatest3');
%test3=sim(net,value');
bobotAkhir_input = net.IW{1,1};
bobotAkhir_bias_input = net.b{1,1};
bobotAkhir_lapisan = net.LW{2,1};
bobotAkhir_bias_lapisan = net.b{2,1};
%subplot(211)
axes(handles.hasil_Grafik);
plot(ptot(1,:),T,'bo',ptot(1,:),y,'r*');
title('perbandingan antara terget (o) dan output jaringan (*)');
xlabel('input pertama');
ylabel('target atau output');
grid;

d. Proses Data Uji
Pada tahap pengujian, pertama-tama yang harus dilakukan adalah memilih data
uji yang telah disediakan pada popup menu, contohnya: sampel_A, sampel_B, sampel_C,
dan seterusnya. Setelah itu pilih salah satu radio button sesuai dengan data yang di uji
maka akan ditampilkan target dari huruf. Untuk lebih jelasnya biasa dilihat pada gambar
dibawah ini:

Gambar 4.16 Tahap Awal Pengujian
Listing Program dari proses diatas:
%=========================================================================
%=========================================================================
%
% Contoh Data Pembacaan Abdjad yang Benar
%
%=========================================================================
%=========================================================================
function popupmenu7_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu7 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: contents = get(hObject,'String') returns popupmenu7 contents as
cell array
% contents{get(hObject,'Value')} returns selected item from
popupmenu7
indeks=get(handles.popupmenu7,'value');
switch indeks
case 1
ket='[0 0 0 1 1 1 1 1 1 1
1 0 0 0 0 0 0 0 1 1 1 1 1
1 1 0 0 0 0 0 0 1]';
set(handles.txt_DataUji,'enable','off');
case 2
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 3
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 0 0 1]';
set(handles.txt_DataUji,'enable','off');
case 4
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 5
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 6
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 1 1]';
set(handles.txt_DataUji,'enable','off');
case 7
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 0 0 1 1 1 1
1 1 1 1 1 1 0 1 0]';
set(handles.txt_DataUji,'enable','off');
case 8
ket='[0 0 0 0 0 0 1 0 1 1
1 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0]';
set(handles.txt_DataUji,'enable','off');
case 9
ket='[0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 10
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1
0 0 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 11
ket='[0 0 1 1 1 0 1 1 1 1
1 1 0 0 0 1 0 1 1 1 0 0 0
0 0 1 1 1 0 0 0 0]';
set(handles.txt_DataUji,'enable','off');
case 12
ket='[0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 0 1 0 1 1 1 1 0
0 0 0 0 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 13
ket='[0 0 0 0 0 0 0 0 0 0
1 1 1 1 0 1 1 1 1 1 0 0 0
0 0 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 14
ket='[0 0 0 1 0 0 0 0 0 0
0 0 0 1 1 1 0 1 0 1 1 1 1
0 0 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 15
ket='[0 0 0 0 0 0 1 1 0 1
0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 16
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1
0 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','on');
case 17
ket='[0 0 0 0 0 0 0 0 0 0
0 1 0 1 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 18
ket='[0 0 0 0 1 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 0 1 0
0 0 0 0 1 1 1 1 0]';
set(handles.txt_DataUji,'enable','off');
case 19
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 0 0 1 1
1 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 20
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 1
0 0 0 1 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 21
ket='[0 0 0 1 1 0 1 1 0 0
0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 22
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 0 0 0
0 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 23
ket='[0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 0 0 0
0 0 1 1 1 1 1 0 0]';
set(handles.txt_DataUji,'enable','off');
case 24
ket='[0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 25
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 26
ket='[0 0 0 0 0 0 0 0 0 0
1 1 1 0 0 0 0 0 1 1 1 1 1
1 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 27
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0]';
set(handles.txt_DataUji,'enable','off');
end
set(handles.txt_DataUji,'string',ket);
%set(handles.txt_DataUji,'enable','on');


%=========================================================================
%=========================================================================
%
% Contoh Data Pembacaan Abdjad yang Kurang Benar
%
%=========================================================================
%=========================================================================

% --- Executes on selection change in popupmenu6.
function popupmenu6_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu6 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: contents = get(hObject,'String') returns popupmenu6 contents as
cell array
% contents{get(hObject,'Value')} returns selected item from
popupmenu6
indeks=get(handles.popupmenu6,'value');

switch indeks
case 1
ket='[0 0 0 0 0 0 1 0 0 1
1 1 1 0 0 0 0 0 1 1 1 1 0
1 1 1 1 1 1 0 1 0]';
set(handles.txt_DataUji,'enable','off');
case 2
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 3
ket='[0 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 1 0 0 1 1 1
1 1 1 1 1 1 0 0 0]';
set(handles.txt_DataUji,'enable','off');
case 4
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 5
ket='[0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 0 1 0 1
0 0 1 1 1 1 1 0 0]';
set(handles.txt_DataUji,'enable','off');
case 6
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 1 1]';
set(handles.txt_DataUji,'enable','off');
case 7
ket='[0 0 0 0 1 0 0 0 0 0
0 0 1 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 8
ket='[0 0 0 0 0 0 0 0 0 1
1 1 1 1 0 0 0 0 0 1 1 1 1
1 0 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 9
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 0 0 1
0 0 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 10
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 11
ket='[0 0 0 0 0 0 0 0 0 1
1 1 0 1 1 1 1 1 0 0 0 0 0
0 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 12
ket='[0 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 1 1 1 1 0 0
0 0 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 13
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 1
0 1 0 0 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 14
ket='[0 0 0 1 0 0 0 0 0 0
0 1 1 1 1 1 1 1 1 1 1 1 0
0 0 0 0 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 15
ket='[0 0 0 0 0 0 1 1 1 1
1 0 0 0 0 0 0 0 0 0 1 1 1
1 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 16
ket='[0 0 0 0 1 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','on');
case 17
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 18
ket='[0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 0
0 0 0 0 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 19
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 1
1 0 0 1 0 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 20
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1
1 0 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 21
ket='[0 0 0 0 1 0 1 1 1 1
0 0 0 0 0 0 0 0 1 1 1 1 0
0 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 22
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 0
0 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 23
ket='[0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 0
0 0 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 24
ket='[0 0 0 0 0 0 0 0 0 1
0 0 1 1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 25
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 26
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 0
1 1 0 1 1 1 1 1 1]';
set(handles.txt_DataUji,'enable','off');
case 27
ket='[0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0]';
set(handles.txt_DataUji,'enable','on');
end
set(handles.txt_DataUji,'string',ket);
set(handles.txt_DataUji,'enable','on');

Setelah itu baru masuk pada proses uji coba. Setelah data uji dipilih dan jenis huruf serta
targetnya diketahui, selanjutnya kita perlu menseting epochs-nya, learning rate (laju pemahaman)
nya, serta momentumnya, dan jika diperlukan jumlah hiddennya juga diubah-ubah agar dapat
diketahui hasil yang optimal dari proses uji coba pengenalan suara huruf alphabet. Prosesnya
bisa dilihat pada gambar di bawah ini:

Gambar 4.17 Proses Pengujian

Gambar 4.18 Hasil Uji Coba

Listing Program penentuan range nilai target:
Untuk Uji 1
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));
if ((dapatData == 1) & (hasiltest >= 0.2) & (hasiltest <= 1.7))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=10.0) & (hasiltest <= 11.3))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 1.5) & (hasiltest <= 6.3))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 14.1))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 1.2) & (hasiltest <= 5.6))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=11.6) & (hasiltest <= 14.1))
status='TIDAK DIKENALI';
elseif ((dapatData == 4) & (hasiltest >= 2.8) & (hasiltest <= 6.5))
status='DIKENALI';
elseif ((dapatData == 4) & (hasiltest >=11.3) & (hasiltest <= 15.7))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';
end;
set(handles.txt_status,'string',status);

Untuk Uji 2
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));
if ((dapatData == 1) & (hasiltest >= 1.1) & (hasiltest <= 5.7))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=9.1) & (hasiltest <= 11.3))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 0.7) & (hasiltest <= 5.2))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=10.8) & (hasiltest <= 13.1))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 2.3) & (hasiltest <= 6.3))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=8.2) & (hasiltest <= 13.7))
status='TIDAK DIKENALI';
elseif ((dapatData == 4) & (hasiltest >= 3.1) & (hasiltest <= 4.8))
status='DIKENALI';
elseif ((dapatData == 4) & (hasiltest >=12.3) & (hasiltest <= 15.1))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';
end;
set(handles.txt_status,'string',status);

Untuk Uji 3
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));
if ((dapatData == 1) & (hasiltest >= 0.7) & (hasiltest <= 5.7))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >= 7.2) & (hasiltest <= 12.6))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 1.0) & (hasiltest <= 5.8))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 11.4) & (hasiltest <= 13.1))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 1.6) & (hasiltest <= 3.4))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=12.4) & (hasiltest <= 14.5))
status='TIDAK DIKENALI';
elseif ((dapatData == 4) & (hasiltest >= 2.4) & (hasiltest <= 4.7))
status='DIKENALI';
elseif ((dapatData == 4) & (hasiltest >=11.6) & (hasiltest <= 15.2))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';
end;
set(handles.txt_status,'string',status);

Untuk Uji 4
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));
if ((dapatData == 1) & (hasiltest >= 0.9) & (hasiltest <= 3.0))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=10.4) & (hasiltest <= 11.6))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 0.9) & (hasiltest <= 6.4))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=10.7) & (hasiltest <= 13.3))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 4.5))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=12.0) & (hasiltest <= 13.6))
status='TIDAK DIKENALI';
elseif ((dapatData == 4) & (hasiltest >= 2.3) & (hasiltest <= 6.0))
status='DIKENALI';
elseif ((dapatData == 4) & (hasiltest >=10.0) & (hasiltest <= 14.5))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';
end;
set(handles.txt_status,'string',status);

Untuk Uji 5
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));
if ((dapatData == 1) & (hasiltest >= 0.5) & (hasiltest <= 4.9))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=10.4) & (hasiltest <= 11.4))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 1.0) & (hasiltest <= 2.9))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=10.9) & (hasiltest <= 13.2))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 2.8) & (hasiltest <= 4.4))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=11.4) & (hasiltest <= 13.8))
status='TIDAK DIKENALI';
elseif ((dapatData == 4) & (hasiltest >= 2.3) & (hasiltest <= 4.4))
status='DIKENALI';
elseif ((dapatData == 4) & (hasiltest >=12.9) & (hasiltest <= 14.6))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';
end;
set(handles.txt_status,'string',status);

Untuk Uji 6
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));

if ((dapatData == 1) & (hasiltest >= 0.6) & (hasiltest <= 1.5))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=10.6) & (hasiltest <= 11.5))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 1.6) & (hasiltest <= 2.5))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 12.5))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 3.5))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=12.6) & (hasiltest <= 13.5))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';

end;
set(handles.txt_status,'string',status);

Untuk Uji 7
set(handles.txt_hasil,'string',hasiltest);
dapatData=str2num(get(handles.txt_statusData,'string'));

if ((dapatData == 1) & (hasiltest >= 0.6) & (hasiltest <= 1.5))
status='DIKENALI';
elseif ((dapatData == 1) & (hasiltest >=10.6) & (hasiltest <= 11.5))
status='TIDAK DIKENALI';
elseif ((dapatData == 2) & (hasiltest >= 1.6) & (hasiltest <= 2.5))
status='DIKENALI';
elseif ((dapatData == 2) & (hasiltest >=11.6) & (hasiltest <= 12.5))
status='TIDAK DIKENALI';
elseif ((dapatData == 3) & (hasiltest >= 2.6) & (hasiltest <= 3.5))
status='DIKENALI';
elseif ((dapatData == 3) & (hasiltest >=12.6) & (hasiltest <= 13.5))
status='TIDAK DIKENALI';
else
status='TIDAK DIKENALI';

end;
set(handles.txt_status,'string',status);





BAB V
PENUTUP

5.1 Kesimpulan
Dari hasil uji coba yang dilakukan dapat disimpulkan bahwa:
1. Secara keseluruhan sistem mampu mengenali suara dengan inputan huruf alphabet dari
A-Z .
2. Uji coba data uji dengan satu hidden 50 node dengan jumlah nilai momentum 0.1,
karena faktor banyaknya pola suara yang diolah jadi hanya fokus pada satu momentum
saja. Sebenarnya bisa dengan menggunakan beberapa momentum seperti 0.25, 0.5, 0.75,
dan 0.9 untuk melihat perbedaannya. Namun dengan pengujian yang telah dilakukan
menghasilkan prediksi 55,4% dari 520 jumlah data uji, dengan 288 data suara yang
dikenali.
3. Pada hasil uji coba masih banyak data uji yang belum sesuai dengan target yang berarti
pengenalan masih sangat kurang hal ini disebabkan karena data input training masih
kurang banyak. Dan juga karena data yang di ujikan terlalu banyak, sehingga jaringan
belum terlalu pintar untuk menentukan dikenali atau tidaknya data uji yang memang
tidak pernah dilatih.
5.2 Saran
1. Untuk pengembangan aplikasi selanjutnya diharapkan dilakukan uji coba dengan data
yang lebih banyak dan dengan data masukkan yang lebih banyak sehingga pengenalan
maupun pengujian pola huruf dapat diukur dengan akurat.
2. Untuk menguji data maka diperlukan lebih banyak kombinasi hidden serta nodenya
sehingga jaringan akan lebih variatif dan lebih detail dalam menguji data.
3. Untuk nilai target lebih diberi jarak antara nilai satu dan yang lainnya, supaya nilai hasil
dari pengujian pengenalan huruf akan lebih terlihat perbedaan nilainya.
4. Untuk lebih mengembangkan sistem ini, terbuka kesempatan untuk pengembangan
penelitian yang lain dengan menggunakan metode yang sama atau metode baru yang
lebih baik lagi.


















DAFTAR PUSTAKA


Majid, Abdul bin aziz al-zindani. Dkk . 1997. Mujizat Al-Quran dan Sunnah Tetang Iptek.
Jilid 2, Penerbit Gema Insani Press: Jakarta.
Shihab, Quraish.M. 1992. Membumikan Al-Quran Penerbit Mizan: Bandung.
Pulus, Erick. 2007. GUI Matlab. Penerbit Andi: Yogyakarta.
Jek Siang, Jong. 2004. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan
MATLAB. Penerbit Andi : Yogyakarta.
Kusumadewi, Sri. 2003. Artificial Intelligence. Penerbit Graha Ilmu: Yogyakarta.
Pranata, Antony. 2002. Algoritma dan Pemrograman. J&J Learning : Yogyakarta.
Sutanta, Edhy. 2004. Algoritma Teknik Penyelesaian Masalah Untuk Komputasi. Penerbit
Graha Ilmu: Yogyakarta.
Tanudjaja, Harlianto. 2007. Pengolahan Sinyal Digital & Sistem Pemrosesan Sinyal.
Penerbit Andi : Yogyakarta.
Suyanto. 2007. Artificial Intelligence. Informatika: Bandung
Dessy55182@yahoo.com
http://nukay81.blogspot.com/2009/10/asal-usul-alphabet.html.
http://www.pikiran rakyat.com/prprint.php?mib=beritadetail&id=31998.
www.lab.binus.ac.id/pk/forum/
Santoso, Tri budi. Modul pengolahan sinyal suara menggunakan Matlab.hal:28



LAMPIRAN
Data suara diolah menjadi parameter dalam bentuk biner


1 a1
0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0
0 0 1 1 1 0 0 0 0 0 1 1 1 1 1
2 a2
0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0
0 1 1 1 1 1 1 1 0 0 0 0 0 0 1
3 a3
0 0 0 0 1 0 1 1 1 1 1 1 0 0 0 0 0
0 0 0 0 0 1 1 1 1 1 1 1 0 1 1
4 a4
0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1
1 0 0 1 1 1 1 1 1 1 1 1 1 0 0
5 a5
0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0
1 1 1 1 1 1 1 1 1 1 1 0 1 0 0
6 a6
0 0 0 0 0 1 0 1 1 0 0 0 1 1 1 1 0
0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
7 a7
0 0 0 1 1 0 1 0 1 1 1 1 1 0 0 0 0
0 0 1 1 1 0 0 0 0 0 1 1 1 1 1
8 a8
0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0
0 0 0 1 1 1 0 1 1 1 1 1 1 1 1
9 a9
0 0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0
0 1 1 1 0 0 0 0 0 0 1 1 1 1 1
10 a10
0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0
0 0 1 1 1 1 1 0 0 1 1 1 1 1 1
11 b1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 1 0 1 0 1 1 1 1 1
12 b2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
13 b3
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 0 1 0 1 1 1 1 1
14 b4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
15 b5
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 0 1 0 1 1 0 0 1 1 1 0 1 0
16 b6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
17 b7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
18 b8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 1 1 0 0 1 1 1 1 1
19 b9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
20 b10
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 0 1 1 1 1 1 0 0
21 c1
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 0 0 1 1 1 1 0 0
22 c2
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1
1 1 1 1 1 1 1 1 1 1 1 1 0 0 1
23 c3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
24 c4
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
25 c5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
26 c6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
27 c7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
28 c8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 0 1 1 1 1 1 1 1
29 c9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
30 c10
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
0 0 1 1 1 1 1 0 1 1 1 1 1 1 1
31 d1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 0 1 1 1 1 1 1 1 1
32 d2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
33 d3
0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1
1 1 1 1 1 0 0 1 1 1 1 0 0 0 0
34 d4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
35 d5
0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 1 1
1 1 1 1 1 1 0 0 1 0 0 0 0 0 0
36 d6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
37 d7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
38 d8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
39 d9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
40 d10
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 0 0 1 1 1 1 1 0
41 e1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
42 e2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
43 e3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
44 e4
0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
45 e5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
46 e6
0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0
1 1 0 1 1 1 1 1 1 1 1 1 1 1 1
47 e7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
48 e8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 0 1 1 1 1 1 1
49 e9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
50 e10
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 0 1 1 1 1 0 1 0
51 f1
0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 0 0 0
52 f2
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0
0 1 1 1 1 1 1 1 1 1 1 1 0 1 1
53 f3
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 0 1 1 0 0 0 0 0
54 f4
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 0 1 1 1 0 0 0 0 0 1 1
55 f5
0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 0 0 0 0 0 0 1
56 f6
0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
57 f7
0 0 0 1 0 0 0 0 1 1 1 1 1 0 0 1 1
1 1 1 1 0 1 0 0 0 0 0 0 1 1 1
58 f8
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 0 0 0 0 1 1 1 1 1 1
59 f9
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 1 0 1 1 1
60 f10
0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1
1 1 1 0 0 0 0 0 1 1 1 0 0 0 0
61 g1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
62 g2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
0 0 1 1 1 1 1 1 1 1 1 1 0 1 0
63 g3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
64 g4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
65 g5
0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1
1 1 1 1 1 1 1 0 0 0 0 0 1 1 1
66 g6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
67 g7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
68 g8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1


0 0 0 0 0 0 0 0 0 0 0 0
69 g9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
70 g10
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 0 0 0 0 1 1 1 1 1 1 0
71 h1
0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0
0 0 0 1 1 1 1 0 0 0 1 1 0 0 1
72 h2
0 0 0 0 0 0 1 0 1 1 1 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
73 h3
0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 1 0 0
74 h4
0 0 1 0 1 0 0 0 0 0 1 1 1 0 1 0 0
1 0 0 0 0 0 1 1 1 1 1 1 1 1 1
75 h5
0 0 1 1 1 0 1 1 1 1 1 1 1 1 0 0 0
0 0 1 1 1 1 1 0 0 0 0 0 0 0 0
76 h6
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0
0 1 1 0 1 1 1 1 1 1 1 0 0 0 0
77 h7
0 0 1 1 1 0 1 1 1 1 1 1 0 0 0 0 0
0 1 1 1 0 0 0 0 0 0 0 1 1 1 1
78 h8
0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 0
0 0 0 1 1 1 0 1 1 1 1 1 1 1 1
79 h9
0 0 0 0 0 1 0 0 0 1 1 1 1 0 0 0 0
0 1 1 1 1 1 0 0 0 1 1 1 1 1 1
80 h10
0 0 0 0 0 1 0 1 0 1 1 1 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
81 i1
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
82 i2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
83 i3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
84 i4
0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 0 0 0 1 1 1 1 1 1 1 1 1 1 1
85 i5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
86 i6
0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0
0 1 0 1 1 1 1 1 1 1 1 1 1 1 1
87 i7
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
88 i8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
89 i9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
90 i10
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
91 j1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
92 j2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 0 0 1 1 1 1 1 1 1
93 j3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
94 j4
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
95 j5
0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 0 0
1 1 1 1 1 1 0 1 1 0 0 0 0 1 1
96 j6
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
97 j7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
98 j8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
99 j9
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 0 0 0 1 1 1 1 1
100 j10
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 0 1 1 1 1 1 1 0
101 k1
0 0 1 1 1 0 0 1 0 1 1 1 1 0 0 0 0
0 1 1 0 0 0 0 0 0 1 1 1 1 1 1
102 k2
0 0 1 1 1 0 1 1 1 1 1 1 0 0 0 1 0
1 1 1 0 0 0 0 0 1 1 1 0 0 0 0
103 k3
0 0 0 0 0 0 1 0 0 1 1 1 1 1 0 1 0
0 1 1 1 1 1 1 1 1 1 0 0 0 0 0
104 k4
0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0
0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
105 k5
0 0 1 1 1 0 0 1 0 1 1 1 1 0 1 0 0
0 0 1 1 1 1 1 1 1 0 0 0 0 0 0
106 k6
0 0 0 1 1 0 1 0 1 0 0 1 1 1 1 0 0
0 0 0 0 1 1 1 1 1 1 1 1 0 0 0
107 k7
0 1 1 1 1 0 0 1 1 1 1 1 0 0 0 0 1
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
108 k8
0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 0
1 1 1 0 0 0 0 0 1 1 1 1 1 1 1
109 k9
0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 0
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
110 k10
0 0 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 1 1 1 1 1 0 0 1 1 1 0 0
111 l1
0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 0 0 0 1 1
112 l2
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1
0 1 1 1 1 0 0 0 0 0 0 1 1 1 1
113 l3
0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 0
1 1 1 1 1 1 1 1 1 1 1 0 0 0 0
114 l4
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
0 1 0 0 0 1 1 1 1 1 1 1 1 1 1
115 l5
0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1
1 1 0 1 1 1 1 0 0 0 0 0 0 0 0
116 l6
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 0 1 1 0 0 1 1 1 1 1 1 1 1 1
117 l7
0 0 0 1 0 1 0 1 1 1 1 1 1 1 0 0 0
0 0 1 1 1 0 0 0 0 0 0 1 1 1 1
118 l8
0 0 0 0 1 1 0 1 1 1 1 1 1 0 0 0 0
0 0 1 1 1 1 0 0 0 0 0 1 1 1 1
119 l9
0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0
1 0 1 1 1 1 1 1 1 0 1 1 1 1 1
120 l10
0 0 0 0 0 0 1 1 0 1 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 1 1 0 0 0
121 m1
0 0 0 1 1 0 0 1 0 1 1 1 1 1 1 1 1
1 1 1 1 1 0 0 0 0 0 0 0 0 0 0
122 m2
0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1
1 1 1 0 0 0 0 0 1 1 1 1 1 1 1
123 m3
0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1
0 1 1 1 1 1 1 1 1 1 1 0 0 0 0
124 m4
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1
0 1 0 1 1 1 1 1 1 1 0 1 1 1 1
125 m5 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1
0 0 1 0 1 1 1 1 1 0 1 0 0 0 1
126 m6
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 0 0 1 1 1 1 0 1 1 1 0
127 m7
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 0 0 0 0 0 1 1 1 1 1 1 1
128 m8
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
129 m9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
130 m10
0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 0 0 0 1 0 1 1 1 0 0 0 0
131 n1
0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 0 0 0 0 0 0 1 1
132 n2
0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0
1 0 1 1 1 1 0 0 1 1 1 1 1 1 1
133 n3
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
134 n4
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 0 1 1 1 1 1 1 1 1 1 0 0 0
135 n5
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
0 0 0 0 1 1 1 1 0 0 1 0 1 1 1
136 n6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 0 0 1
137 n7
0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 0 1 1 1
138 n8
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 1 0 0 1 1 1 1 1
139 n9
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
0 1 1 1 1 1 1 0 1 0 1 1 1 1 1
140 n10
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 0 1 1 1 1 0 0 0 0 0
141 o1
0 0 0 1 1 0 1 1 1 0 1 1 1 1 1 0 0
0 0 0 0 1 1 1 0 0 0 1 1 1 0 0
142 o2
0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
143 o3
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 0 0 1
144 o4
0 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0
0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
145 o5
0 0 1 0 0 1 0 0 1 1 1 1 1 0 0 0 0
0 0 0 0 1 1 1 1 1 0 1 0 1 1 1
146 o6
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0
0 0 1 0 0 1 1 1 1 1 1 1 1 1 1
147 o7
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
148 o8
0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0
1 1 1 1 0 1 1 1 1 1 1 1 1 1 1
149 o9
0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0
0 1 1 1 1 1 0 1 1 1 1 1 1 1 1
150 o10
0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 1 1 1 0
151 p1
0 0 0 0 0 0 1 0 0 0 0 1 0 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 1 1 1
152 p2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 0 1 0 1 1 1 1 1 1
153 p3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
154 p4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
155 p5
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
156 p6
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
157 p7
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 0 0 1 0 1 1 1 1
158 p8
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 0 0 1 1 1 1 1 1
159 p9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
160 p10
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 1 1 1 1 0 1 0
161 q1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
162 q2
0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
163 q3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
164 q4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
165 q5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
166 q6
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1
1 1 1 0 1 1 1 1 1 1 1 1 1 1 1
167 q7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
168 q8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
169 q9
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
170 q10
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
171 r1
0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 0 0 0 1 1
172 r2
0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 0 1 0 0 0 0 0 1 1 1 1 0
173 r3
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
174 r4
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
175 r5
0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 0 0
0 0 0 1 1 1 1 1 1 1 1 1 0 0 0
176 r6
0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 0 0 0 0
177 r7
0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1
0 1 1 1 1 0 0 0 0 0 0 0 0 1 1
178 r8
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 0 0 0 0 0 0 1 1 1 1
179 r9
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 0 0 1 1
180 r10
0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1
1 1 0 0 0 0 0 1 1 1 0 0 0 1 0
181 s1
0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 0 0 0
182 s2
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 0 0 1 1 1 1 0 1 1 1 1 1 1
183 s3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
184 s4
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 0 0 0 0
185 s5
0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1
1 0 1 1 1 1 1 0 0 0 0 0 0 0 0
186 s6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 0 1 1 1 1 1 1 1 1 1 1
187 s7
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
0 1 1 1 1 1 1 0 0 0 0 0 1 1 1
188 s8
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
0 1 1 1 1 1 0 0 0 0 1 0 1 1 1
189 s9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
190 s10
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 0 1 1 1 1 1 1
191 t1
0 0 0 0 0 0 1 1 1 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 0 1 1 1
192 t2
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 0 0 1 0 1 1 1 1
193 t3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
194 t4
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
195 t5
0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
1 1 1 1 1 1 0 1 1 1 1 1 1 1 1
196 t6
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
197 t7
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 0 0 0 1 1 1 1 1
198 t8
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 1 1 1
199 t9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
200 t10
0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 1 1
1 1 1 0 0 0 0 0 0 1 1 1 1 1 0
201 u1
0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 1 0 0
202 u2
0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 1 1 1
203 u3
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0
1 1 1 1 1 1 1 0 1 1 1 1 0 0 1
204 u4
0 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1
0 0 0 0 1 0 1 1 1 1 1 1 1 1 1
205 u5
0 1 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
206 u6
0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0
1 1 1 0 1 1 1 1 1 1 1 1 1 1 1
207 u7
0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
208 u8
0 0 0 1 0 1 1 0 1 0 0 0 0 0 0 0 1
1 1 1 1 1 0 0 0 0 1 1 1 1 1 1
209 u9
0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 0 1 1 1 1 1 1 1
210 u10
0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0
0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
211 v1 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 1 1 1 1 1
212 v2
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 0 0 0 0 1 1 1 1 1 1 1 1
213 v3
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 0 0 0 1 0 1 1 1 1 1
214 v4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
215 v5
0 0 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 1 0 0 1 0 0 0 0 0 0 0
216 v6
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 0 0 0 0 1 0
217 v7
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 0 0 0 0 1 1 1 1
218 v8
0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 1 1 1
219 v9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
220 v10
0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
1 1 0 1 0 0 0 0 0 1 1 0 0 0 0
221 w1
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
222 w2
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 0 0 0 0 0 1 1 1 1 1 0 0
223 w3
0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
224 w4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
225 w5
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 0 0 0 0 0 1 0
226 w6
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 0 1 1
227 w7
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 1 1 1 1 1
228 w8
0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1
1 1 1 1 1 1 0 1 0 0 1 1 1 1 1
229 w9
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1
0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
230 w10
0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 1 1 1 0 0
231 x1
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 1 1 1 0 0 0 1 0 1 1 1
232 x2
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 0 0 1 1 1 1 1
233 x3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
234 x4
0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
235 x5
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
1 1 1 1 0 1 0 0 1 0 0 0 0 1 1
236 x6
0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 1 1 0 1 0 0 0
237 x7
0 0 0 0 0 1 0 0 0 1 1 1 1 1 1 1 0
1 1 1 1 1 0 0 0 0 0 0 0 1 1 1
238 x8
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 0 0 0 1 1 1 1 1 1
239 x9
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
240 x10
0 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1
1 1 0 0 0 0 0 0 0 1 1 0 0 0 0
241 y1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
242 y2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
243 y3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
244 y4
0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1
0 1 0 1 1 1 1 1 1 1 1 1 1 1 1
245 y5
0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1
1 1 1 1 1 1 1 1 1 0 0 0 0 0 1
246 y6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
247 y7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
248 y8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
249 y9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
250 y10
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 0 1 0 1 1 1 1 1 0 0 0
251 z1
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 0 1 0 0 1 1 1
252 z2
0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0
0 1 1 1 1 1 1 1 0 1 1 1 1 1 1
253 z3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
254 z4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
255 z5
0 0 1 1 0 0 0 1 1 0 1 1 1 1 1 1 1
1 1 0 0 0 0 0 0 0 1 1 0 1 0 0
256 z6
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1
257 z7
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1
1 1 1 1 1 1 0 0 0 0 0 1 1 1 1
258 z8
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
1 1 1 1 1 0 0 0 0 0 0 1 1 1 1
259 z9
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1
0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
260 z10
0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1
0 1 1 1 1 0 0 0 0 0 1 1 0 0 0
















LAMPIRAN II
Hasil Pengujian Suara Huruf Alphabet


No Huruf Nilai Status
Epoch
Max
Learning
Rate
Momentu
m
Batas
Eror
1 a1 0.7 Dikenali 10000 0.0001 0.1 10
2 a2 0.3 Dikenali 10000 0.0001 0.1 10
3 a3 0.8 Dikenali 10000 0.0001 0.1 10
4 a4 0.9 Dikenali 10000 0.0001 0.1 10
5 a5 1.6 Dikenali 10000 0.0001 0.1 10
6 a6 0.9 Dikenali 10000 0.0001 0.1 10
7 a7 1.4 Dikenali 10000 0.0001 0.1 10
8 a8 1.3 Dikenali 10000 0.0001 0.1 10
9 a9 1.7 Dikenali 10000 0.0001 0.1 10
10 a10 1.5 Dikenali 10000 0.0001 0.1 10
11 b1 2.1 Dikenali 10000 0.0001 0.1 10
12 b2 6.4 Dikenali 10000 0.0001 0.1 10
13 b3 1.2 Dikenali 10000 0.0001 0.1 10
14 b4 3.1 Dikenali 10000 0.0001 0.1 10
15 b5 1.6 Dikenali 10000 0.0001 0.1 10
16 b6 5.1 Dikenali 10000 0.0001 0.1 10
17 b7 4.5 Dikenali 10000 0.0001 0.1 10
18 b8 2.5 Dikenali 10000 0.0001 0.1 10
19 b9 5.2 Dikenali 10000 0.0001 0.1 10
20 b10 1.9 Dikenali 10000 0.0001 0.1 10
21 c1 2.7 Dikenali 10000 0.0001 0.1 10
22 c2 2.3 Dikenali 10000 0.0001 0.1 10
23 c3 4.9 Dikenali 10000 0.0001 0.1 10
24 c4 2.8 Dikenali 10000 0.0001 0.1 10
25 c5 5.1 Dikenali 10000 0.0001 0.1 10
26 c6 5.7 Dikenali 10000 0.0001 0.1 10
27 c7 5.4 Dikenali 10000 0.0001 0.1 10
28 c8 3.6 Dikenali 10000 0.0001 0.1 10
29 c9 5.2 Dikenali 10000 0.0001 0.1 10
30 c10 2.9 Dikenali 10000 0.0001 0.1 10
31 d1 4.2 Dikenali 10000 0.0001 0.1 10
32 d2 4.3 Dikenali 10000 0.0001 0.1 10
33 d3 4.9 Dikenali 10000 0.0001 0.1 10
34 d4 2.9 Dikenali 10000 0.0001 0.1 10
35 d5 4.1 Dikenali 10000 0.0001 0.1 10
36 d6 6.5 Dikenali 10000 0.0001 0.1 10
37 d7 5.7 Dikenali 10000 0.0001 0.1 10
38 d8 2.9 Dikenali 10000 0.0001 0.1 10
39 d9 10.1 Tidak Dikenali 10000 0.0001 0.1 10
40 d10 2.9 Dikenali 10000 0.0001 0.1 10
41 e1 5.6 Dikenali 10000 0.0001 0.1 10
42 e2 5.8 Dikenali 10000 0.0001 0.1 10
43 e3 1.9 Dikenali 10000 0.0001 0.1 10
44 e4 1.5 Dikenali 10000 0.0001 0.1 10
45 e5 5.5 Dikenali 10000 0.0001 0.1 10
46 e6 1.1 Dikenali 10000 0.0001 0.1 10
47 e7 5.6 Dikenali 10000 0.0001 0.1 10
48 e8 1.9 Dikenali 10000 0.0001 0.1 10
49 e9 5.6 Dikenali 10000 0.0001 0.1 10
50 e10 1.3 Dikenali 10000 0.0001 0.1 10
51 f1 2.4 Dikenali 10000 0.0001 0.1 10
52 f2 5.4 Dikenali 10000 0.0001 0.1 10
53 f3 11.2 Dikenali 10000 0.0001 0.1 10
54 f4 5.4 Dikenali 10000 0.0001 0.1 10
55 f5 9.2 Dikenali 10000 0.0001 0.1 10
56 f6 11.2 Dikenali 10000 0.0001 0.1 10
57 f7 10.6 Dikenali 10000 0.0001 0.1 10
58 f8 11.2 Dikenali 10000 0.0001 0.1 10
59 f9 11.1 Dikenali 10000 0.0001 0.1 10
60 f10 11.2 Dikenali 10000 0.0001 0.1 10
61 g1 4.5 Dikenali 10000 0.0001 0.1 10
62 g2 2.5 Dikenali 10000 0.0001 0.1 10
63 g3 4.4 Dikenali 10000 0.0001 0.1 10
64 g4 6.4 Dikenali 10000 0.0001 0.1 10
65 g5 3.1 Dikenali 10000 0.0001 0.1 10
66 g6 8.2 Dikenali 10000 0.0001 0.1 10
67 g7 5.6 Dikenali 10000 0.0001 0.1 10
68 g8 6.1 Dikenali 10000 0.0001 0.1 10
69 g9 5.2 Dikenali 10000 0.0001 0.1 10
70 g10 4.8 Dikenali 10000 0.0001 0.1 10
71 h1 3.9 Dikenali 10000 0.0001 0.1 10
72 h2 4.8 Dikenali 10000 0.0001 0.1 10
73 h3 4.1 Dikenali 10000 0.0001 0.1 10
74 h4 4.2 Dikenali 10000 0.0001 0.1 10
75 h5 4.8 Dikenali 10000 0.0001 0.1 10
76 h6 4.5 Dikenali 10000 0.0001 0.1 10
77 h7 4.2 Dikenali 10000 0.0001 0.1 10
78 h8 4.3 Dikenali 10000 0.0001 0.1 10
79 h9 3.2 Dikenali 10000 0.0001 0.1 10
80 h10 4.4 Dikenali 10000 0.0001 0.1 10
81 i1 1.2 Dikenali 10000 0.0001 0.1 10
82 i2 4.1 Dikenali 10000 0.0001 0.1 10
83 i3 4.9 Dikenali 10000 0.0001 0.1 10
84 i4 1.2 Dikenali 10000 0.0001 0.1 10
85 i5 0.9 Dikenali 10000 0.0001 0.1 10
86 i6 0.7 Dikenali 10000 0.0001 0.1 10
87 i7 2.5 Dikenali 10000 0.0001 0.1 10
88 i8 5.6 Dikenali 10000 0.0001 0.1 10
89 i9 5.7 Dikenali 10000 0.0001 0.1 10
90 i10 6.4 Dikenali 10000 0.0001 0.1 10
91 j1 4.1 Dikenali 10000 0.0001 0.1 10
92 j2 2.1 Dikenali 10000 0.0001 0.1 10
93 j3 7.7 Dikenali 10000 0.0001 0.1 10
94 j4 1.1 Dikenali 10000 0.0001 0.1 10
95 j5 1.9 Dikenali 10000 0.0001 0.1 10
96 j6 2.4 Dikenali 10000 0.0001 0.1 10
97 j7 6.2 Dikenali 10000 0.0001 0.1 10
98 j8 5.9 Dikenali 10000 0.0001 0.1 10
99 j9 3.2 Dikenali 10000 0.0001 0.1 10
100 j10 2.2 Dikenali 10000 0.0001 0.1 10
101 k1 3.3 Dikenali 10000 0.0001 0.1 10
102 k2 2.5 Dikenali 10000 0.0001 0.1 10
103 k3 1.6 Dikenali 10000 0.0001 0.1 10
104 k4 3.2 Dikenali 10000 0.0001 0.1 10
105 k5 2.7 Dikenali 10000 0.0001 0.1 10
106 k6 2.7 Dikenali 10000 0.0001 0.1 10
107 k7 2.5 Dikenali 10000 0.0001 0.1 10
108 k8 2.5 Dikenali 10000 0.0001 0.1 10
109 k9 2.9 Dikenali 10000 0.0001 0.1 10
110 k10 2.6 Dikenali 10000 0.0001 0.1 10
111 l1 3.8 Dikenali 10000 0.0001 0.1 10
112 l2 4.2 Dikenali 10000 0.0001 0.1 10
113 l3 3.9 Dikenali 10000 0.0001 0.1 10
114 l4 3.9 Dikenali 10000 0.0001 0.1 10
115 l5 4.4 Dikenali 10000 0.0001 0.1 10
116 l6 3.9 Dikenali 10000 0.0001 0.1 10
117 l7 2.5 Dikenali 10000 0.0001 0.1 10
118 l8 4.1 Dikenali 10000 0.0001 0.1 10
119 l9 4.8 Dikenali 10000 0.0001 0.1 10
120 l10 3.8 Dikenali 10000 0.0001 0.1 10
121 m1 1.4 Dikenali 10000 0.0001 0.1 10
122 m2 1.1 Dikenali 10000 0.0001 0.1 10
123 m3 1.3 Dikenali 10000 0.0001 0.1 10
124 m4 1.3 Dikenali 10000 0.0001 0.1 10
125 m5 0.9 Dikenali 10000 0.0001 0.1 10
126 m6 0.9 Dikenali 10000 0.0001 0.1 10
127 m7 1.1 Dikenali 10000 0.0001 0.1 10
128 m8 0.9 Dikenali 10000 0.0001 0.1 10
129 m9 3.1 Dikenali 10000 0.0001 0.1 10
130 m10 2.3 Dikenali 10000 0.0001 0.1 10
131 n1 1.9 Dikenali 10000 0.0001 0.1 10
132 n2 1.2 Dikenali 10000 0.0001 0.1 10
133 n3 0.9 Dikenali 10000 0.0001 0.1 10
134 n4 2.1 Dikenali 10000 0.0001 0.1 10
135 n5 2.1 Dikenali 10000 0.0001 0.1 10
136 n6 2.1 Dikenali 10000 0.0001 0.1 10
137 n7 1.6 Dikenali 10000 0.0001 0.1 10
138 n8 6.4 Dikenali 10000 0.0001 0.1 10
139 n9 2.2 Dikenali 10000 0.0001 0.1 10
140 n10 1.5 Dikenali 10000 0.0001 0.1 10
141 o1 3.3 Dikenali 10000 0.0001 0.1 10
142 o2 3.7 Dikenali 10000 0.0001 0.1 10
143 o3 3.2 Dikenali 10000 0.0001 0.1 10
144 o4 3.1 Dikenali 10000 0.0001 0.1 10
145 o5 2.7 Dikenali 10000 0.0001 0.1 10
146 o6 3.3 Dikenali 10000 0.0001 0.1 10
147 o7 4.5 Dikenali 10000 0.0001 0.1 10
148 o8 3.4 Dikenali 10000 0.0001 0.1 10
149 o9 2.9 Dikenali 10000 0.0001 0.1 10
150 o10 2.5 Dikenali 10000 0.0001 0.1 10
151 p1 3.9 Dikenali 10000 0.0001 0.1 10
152 p2 4.2 Dikenali 10000 0.0001 0.1 10
153 p3 3.2 Dikenali 10000 0.0001 0.1 10
154 p4 3.4 Dikenali 10000 0.0001 0.1 10
155 p5 4.1 Dikenali 10000 0.0001 0.1 10
156 p6 8.8 Dikenali 10000 0.0001 0.1 10
157 p7 2.3 Dikenali 10000 0.0001 0.1 10
158 p8 3.7 Dikenali 10000 0.0001 0.1 10
159 p9 3.3 Dikenali 10000 0.0001 0.1 10
160 p10 4.1 Dikenali 10000 0.0001 0.1 10
161 q1 4.3 Dikenali 10000 0.0001 0.1 10
162 q2 0.6 Dikenali 10000 0.0001 0.1 10
163 q3 4.8 Dikenali 10000 0.0001 0.1 10
164 q4 0.9 Dikenali 10000 0.0001 0.1 10
165 q5 4.1 Dikenali 10000 0.0001 0.1 10
166 q6 0.9 Dikenali 10000 0.0001 0.1 10
167 q7 0.9 Dikenali 10000 0.0001 0.1 10
168 q8 4.9 Dikenali 10000 0.0001 0.1 10
169 q9 2.6 Dikenali 10000 0.0001 0.1 10
170 q10 1.6 Dikenali 10000 0.0001 0.1 10
171 r1 1.2 Dikenali 10000 0.0001 0.1 10
172 r2 2.3 Dikenali 10000 0.0001 0.1 10
173 r3 1.1 Dikenali 10000 0.0001 0.1 10
174 r4 2.9 Dikenali 10000 0.0001 0.1 10
175 r5 1.9 Dikenali 10000 0.0001 0.1 10
176 r6 2.3 Dikenali 10000 0.0001 0.1 10
177 r7 1.4 Dikenali 10000 0.0001 0.1 10
178 r8 6.5 Dikenali 10000 0.0001 0.1 10
179 r9 1.9 Dikenali 10000 0.0001 0.1 10
180 r10 1.9 Dikenali 10000 0.0001 0.1 10
181 s1 2.9 Dikenali 10000 0.0001 0.1 10
182 s2 3.3 Dikenali 10000 0.0001 0.1 10
183 s3 4.5 Dikenali 10000 0.0001 0.1 10
184 s4 2.9 Dikenali 10000 0.0001 0.1 10
185 s5 3.2 Dikenali 10000 0.0001 0.1 10
186 s6 2.9 Dikenali 10000 0.0001 0.1 10
187 s7 2.9 Dikenali 10000 0.0001 0.1 10
188 s8 3.1 Dikenali 10000 0.0001 0.1 10
189 s9 3.1 Dikenali 10000 0.0001 0.1 10
190 s10 3.2 Dikenali 10000 0.0001 0.1 10
191 t1 3.9 Dikenali 10000 0.0001 0.1 10
192 t2 4.1 Dikenali 10000 0.0001 0.1 10
193 t3 4.4 Dikenali 10000 0.0001 0.1 10
194 t4 3.2 Dikenali 10000 0.0001 0.1 10
195 t5 4.2 Dikenali 10000 0.0001 0.1 10
196 t6 2.8 Dikenali 10000 0.0001 0.1 10
197 t7 2.3 Dikenali 10000 0.0001 0.1 10
198 t8 3.4 Dikenali 10000 0.0001 0.1 10
199 t9 4.3 Dikenali 10000 0.0001 0.1 10
200 t10 3.9 Dikenali 10000 0.0001 0.1 10
201 u1 1.2 Dikenali 10000 0.0001 0.1 10
202 u2 1.3 Dikenali 10000 0.0001 0.1 10
203 u3 1.1 Dikenali 10000 0.0001 0.1 10
204 u4 0.9 Dikenali 10000 0.0001 0.1 10
205 u5 0.7 Dikenali 10000 0.0001 0.1 10
206 u6 1.2 Dikenali 10000 0.0001 0.1 10
207 u7 2.8 Dikenali 10000 0.0001 0.1 10
208 u8 1.1 Dikenali 10000 0.0001 0.1 10
209 u9 0.7 Dikenali 10000 0.0001 0.1 10
210 u10 1.2 Dikenali 10000 0.0001 0.1 10
211 v1 2.1 Dikenali 10000 0.0001 0.1 10
212 v2 1.6 Dikenali 10000 0.0001 0.1 10
213 v3 1.5 Dikenali 10000 0.0001 0.1 10
214 v4 6.6 Dikenali 10000 0.0001 0.1 10
215 v5 1.9 Dikenali 10000 0.0001 0.1 10
216 v6 2.1 Dikenali 10000 0.0001 0.1 10
217 v7 2.1 Dikenali 10000 0.0001 0.1 10
218 v8 2.3 Dikenali 10000 0.0001 0.1 10
219 v9 6.9 Dikenali 10000 0.0001 0.1 10
220 v10 2.3 Dikenali 10000 0.0001 0.1 10
221 w1 7.6 Dikenali 10000 0.0001 0.1 10
222 w2 3.5 Dikenali 10000 0.0001 0.1 10
223 w3 3.2 Dikenali 10000 0.0001 0.1 10
224 w4 5.5 Dikenali 10000 0.0001 0.1 10
225 w5 3.1 Dikenali 10000 0.0001 0.1 10
226 w6 2.8 Dikenali 10000 0.0001 0.1 10
227 w7 7.9 Dikenali 10000 0.0001 0.1 10
228 w8 3.4 Dikenali 10000 0.0001 0.1 10
229 w9 3.1 Dikenali 10000 0.0001 0.1 10
230 w10 2.2 Dikenali 10000 0.0001 0.1 10
231 x1 1.5 Dikenali 10000 0.0001 0.1 10
232 x2 1.3 Dikenali 10000 0.0001 0.1 10
233 x3 1.6 Dikenali 10000 0.0001 0.1 10
234 x4 0.9 Dikenali 10000 0.0001 0.1 10
235 x5 1.4 Dikenali 10000 0.0001 0.1 10
236 x6 1.3 Dikenali 10000 0.0001 0.1 10
237 x7 1.8 Dikenali 10000 0.0001 0.1 10
238 x8 1.2 Dikenali 10000 0.0001 0.1 10
239 x9 1.3 Dikenali 10000 0.0001 0.1 10
240 x10 2.6 Dikenali 10000 0.0001 0.1 10
241 y1 6.4 Dikenali 10000 0.0001 0.1 10
242 y2 6.8 Dikenali 10000 0.0001 0.1 10
243 y3 7.1 Dikenali 10000 0.0001 0.1 10
244 y4 6.9 Dikenali 10000 0.0001 0.1 10
245 y5 1.6 Dikenali 10000 0.0001 0.1 10
246 y6 6.9 Dikenali 10000 0.0001 0.1 10
247 y7 6.9 Dikenali 10000 0.0001 0.1 10
248 y8 6.6 Dikenali 10000 0.0001 0.1 10
249 y9 7.1 Dikenali 10000 0.0001 0.1 10
250 y10 1.4 Dikenali 10000 0.0001 0.1 10
251 z1 3.2 Dikenali 10000 0.0001 0.1 10
252 z2 2.8 Dikenali 10000 0.0001 0.1 10
253 z3 3.6 Dikenali 10000 0.0001 0.1 10
254 z4 6.5 Dikenali 10000 0.0001 0.1 10
255 z5 1.8 Dikenali 10000 0.0001 0.1 10
256 z6 2.8 Dikenali 10000 0.0001 0.1 10
257 z7 2.8 Dikenali 10000 0.0001 0.1 10
258 z8 3.6 Dikenali 10000 0.0001 0.1 10
259 z9 3.4 Dikenali 10000 0.0001 0.1 10
260 z10 3.3 Dikenali 10000 0.0001 0.1 10
261 aa1 10.1 Tidak Dikenali 10000 0.0001 0.1 10
262 aa2 10.1 Tidak Dikenali 10000 0.0001 0.1 10
263 aa3 10.8 Tidak Dikenali 10000 0.0001 0.1 10
264 aa4 10.7 Tidak Dikenali 10000 0.0001 0.1 10
265 aa5 11 Tidak Dikenali 10000 0.0001 0.1 10
266 aa6 11.1 Tidak Dikenali 10000 0.0001 0.1 10
267 aa7 10.9 Tidak Dikenali 10000 0.0001 0.1 10
268 aa8 11.2 Tidak Dikenali 10000 0.0001 0.1 10
269 aa9 11.1 Tidak Dikenali 10000 0.0001 0.1 10
270 aa10 10.8 Tidak Dikenali 10000 0.0001 0.1 10
271 bb1 14.1 Tidak Dikenali 10000 0.0001 0.1 10
272 bb2 5.1 Dikenali 10000 0.0001 0.1 10
273 bb3 13.6 Tidak Dikenali 10000 0.0001 0.1 10
274 bb4 5.4 Dikenali 10000 0.0001 0.1 10
275 bb5 12 Tidak Dikenali 10000 0.0001 0.1 10
276 bb6 11.6 Tidak Dikenali 10000 0.0001 0.1 10
277 bb7 12.5 Tidak Dikenali 10000 0.0001 0.1 10
278 bb8 12.6 Tidak Dikenali 10000 0.0001 0.1 10
279 bb9 13 Tidak Dikenali 10000 0.0001 0.1 10
280 bb10 12.3 Tidak Dikenali 10000 0.0001 0.1 10
281 cc1 13.3 Tidak Dikenali 10000 0.0001 0.1 10
282 cc2 4.4 Dikenali 10000 0.0001 0.1 10
283 cc3 13.1 Tidak Dikenali 10000 0.0001 0.1 10
284 cc4 4.5 Dikenali 10000 0.0001 0.1 10
285 cc5 14.2 Tidak Dikenali 10000 0.0001 0.1 10
286 cc6 12.8 Tidak Dikenali 10000 0.0001 0.1 10
287 cc7 13.2 Tidak Dikenali 10000 0.0001 0.1 10
288 cc8 11.6 Tidak Dikenali 10000 0.0001 0.1 10
289 cc9 13.2 Tidak Dikenali 10000 0.0001 0.1 10
290 cc10 13.9 Tidak Dikenali 10000 0.0001 0.1 10
291 dd1 14.2 Tidak Dikenali 10000 0.0001 0.1 10
292 dd2 11.4 Tidak Dikenali 10000 0.0001 0.1 10
293 dd3 13.7 Tidak Dikenali 10000 0.0001 0.1 10
294 dd4 10.5 Tidak Dikenali 10000 0.0001 0.1 10
295 dd5 12.8 Tidak Dikenali 10000 0.0001 0.1 10
296 dd6 13.4 Tidak Dikenali 10000 0.0001 0.1 10
297 dd7 15.5 Tidak Dikenali 10000 0.0001 0.1 10
298 dd8 15.8 Tidak Dikenali 10000 0.0001 0.1 10
299 dd9 14.8 Tidak Dikenali 10000 0.0001 0.1 10
300 dd10 13 Tidak Dikenali 10000 0.0001 0.1 10
301 ee1 11.2 Tidak Dikenali 10000 0.0001 0.1 10
302 ee2 5.4 Dikenali 10000 0.0001 0.1 10
303 ee3 11.2 Tidak Dikenali 10000 0.0001 0.1 10
304 ee4 5.5 Dikenali 10000 0.0001 0.1 10
305 ee5 9.1 Tidak Dikenali 10000 0.0001 0.1 10
306 ee6 11.2 Tidak Dikenali 10000 0.0001 0.1 10
307 ee7 10.6 Tidak Dikenali 10000 0.0001 0.1 10
308 ee8 11.2 Tidak Dikenali 10000 0.0001 0.1 10
309 ee9 11.1 Tidak Dikenali 10000 0.0001 0.1 10
310 ee10 11.1 Tidak Dikenali 10000 0.0001 0.1 10
311 ff1 11.1 Tidak Dikenali 10000 0.0001 0.1 10
312 ff2 11.5 Tidak Dikenali 10000 0.0001 0.1 10
313 ff3 12.1 Tidak Dikenali 10000 0.0001 0.1 10
314 ff4 12.2 Tidak Dikenali 10000 0.0001 0.1 10
315 ff5 10.9 Tidak Dikenali 10000 0.0001 0.1 10
316 ff6 13.1 Tidak Dikenali 10000 0.0001 0.1 10
317 ff7 12.3 Tidak Dikenali 10000 0.0001 0.1 10
318 ff8 12.4 Tidak Dikenali 10000 0.0001 0.1 10
319 ff9 5.8 Dikenali 10000 0.0001 0.1 10
320 ff10 6.4 Dikenali 10000 0.0001 0.1 10
321 gg1 13.8 Tidak Dikenali 10000 0.0001 0.1 10
322 gg2 5.9 Dikenali 10000 0.0001 0.1 10
323 gg3 11.3 Tidak Dikenali 10000 0.0001 0.1 10
324 gg4 5.5 Dikenali 10000 0.0001 0.1 10
325 gg5 13.1 Tidak Dikenali 10000 0.0001 0.1 10
326 gg6 8.2 Tidak Dikenali 10000 0.0001 0.1 10
327 gg7 13.5 Tidak Dikenali 10000 0.0001 0.1 10
328 gg8 13.5 Tidak Dikenali 10000 0.0001 0.1 10
329 gg9 11.6 Tidak Dikenali 10000 0.0001 0.1 10
330 gg10 12 Tidak Dikenali 10000 0.0001 0.1 10
331 hh1 14.6 Tidak Dikenali 10000 0.0001 0.1 10
332 hh2 13.6 Tidak Dikenali 10000 0.0001 0.1 10
333 hh3 13.3 Tidak Dikenali 10000 0.0001 0.1 10
334 hh4 13.3 Tidak Dikenali 10000 0.0001 0.1 10
335 hh5 12.3 Tidak Dikenali 10000 0.0001 0.1 10
336 hh6 13.9 Tidak Dikenali 10000 0.0001 0.1 10
337 hh7 14.2 Tidak Dikenali 10000 0.0001 0.1 10
338 hh8 14.2 Tidak Dikenali 10000 0.0001 0.1 10
339 hh9 12.9 Tidak Dikenali 10000 0.0001 0.1 10
340 hh10 15 Tidak Dikenali 10000 0.0001 0.1 10
341 ii1 7.2 Dikenali 10000 0.0001 0.1 10
342 ii2 7.2 Dikenali 10000 0.0001 0.1 10
343 ii3 10.3 Tidak Dikenali 10000 0.0001 0.1 10
344 ii4 7.9 Dikenali 10000 0.0001 0.1 10
345 ii5 6.7 Dikenali 10000 0.0001 0.1 10
346 ii6 11.1 Tidak Dikenali 10000 0.0001 0.1 10
347 ii7 10.8 Tidak Dikenali 10000 0.0001 0.1 10
348 ii8 10.8 Tidak Dikenali 10000 0.0001 0.1 10
349 ii9 12.6 Tidak Dikenali 10000 0.0001 0.1 10
350 ii10 11.4 Tidak Dikenali 10000 0.0001 0.1 10
351 jj1 11.8 Tidak Dikenali 10000 0.0001 0.1 10
352 jj2 5.8 Dikenali 10000 0.0001 0.1 10
353 jj3 12.2 Tidak Dikenali 10000 0.0001 0.1 10
354 jj4 6.2 Dikenali 10000 0.0001 0.1 10
355 jj5 6.8 Dikenali 10000 0.0001 0.1 10
356 jj6 11.4 Tidak Dikenali 10000 0.0001 0.1 10
357 jj7 11.4 Tidak Dikenali 10000 0.0001 0.1 10
358 jj8 11.5 Tidak Dikenali 10000 0.0001 0.1 10
359 jj9 13.1 Tidak Dikenali 10000 0.0001 0.1 10
360 jj10 12.6 Tidak Dikenali 10000 0.0001 0.1 10
361 kk1 13.3 Tidak Dikenali 10000 0.0001 0.1 10
362 kk2 14.1 Tidak Dikenali 10000 0.0001 0.1 10
363 kk3 13.2 Tidak Dikenali 10000 0.0001 0.1 10
364 kk4 14.3 Tidak Dikenali 10000 0.0001 0.1 10
365 kk5 13.5 Tidak Dikenali 10000 0.0001 0.1 10
366 kk6 14.4 Tidak Dikenali 10000 0.0001 0.1 10
367 kk7 12.4 Tidak Dikenali 10000 0.0001 0.1 10
368 kk8 12.6 Tidak Dikenali 10000 0.0001 0.1 10
369 kk9 14.5 Tidak Dikenali 10000 0.0001 0.1 10
370 kk10 13.6 Tidak Dikenali 10000 0.0001 0.1 10
371 ll1 13.7 Tidak Dikenali 10000 0.0001 0.1 10
372 ll2 14.2 Tidak Dikenali 10000 0.0001 0.1 10
373 ll3 15.1 Tidak Dikenali 10000 0.0001 0.1 10
374 ll4 13.9 Tidak Dikenali 10000 0.0001 0.1 10
375 ll5 14 Tidak Dikenali 10000 0.0001 0.1 10
376 ll6 13.8 Tidak Dikenali 10000 0.0001 0.1 10
377 ll7 15.2 Tidak Dikenali 10000 0.0001 0.1 10
378 ll8 14 Tidak Dikenali 10000 0.0001 0.1 10
379 ll9 13.9 Tidak Dikenali 10000 0.0001 0.1 10
380 ll10 11.7 Tidak Dikenali 10000 0.0001 0.1 10
381 mm1 11.1 Tidak Dikenali 10000 0.0001 0.1 10
382 mm2 6.4 Dikenali 10000 0.0001 0.1 10
383 mm3 11.9 Tidak Dikenali 10000 0.0001 0.1 10
384 mm4 10.5 Tidak Dikenali 10000 0.0001 0.1 10
385 mm5 10.9 Tidak Dikenali 10000 0.0001 0.1 10
386 mm6 10.9 Tidak Dikenali 10000 0.0001 0.1 10
387 mm7 11.6 Tidak Dikenali 10000 0.0001 0.1 10
388 mm8 11.6 Tidak Dikenali 10000 0.0001 0.1 10
389 mm9 10.6 Tidak Dikenali 10000 0.0001 0.1 10
390 mm10 11.3 Tidak Dikenali 10000 0.0001 0.1 10
391 nn1 11.3 Tidak Dikenali 10000 0.0001 0.1 10
392 nn2 11.9 Tidak Dikenali 10000 0.0001 0.1 10
393 nn3 12.1 Tidak Dikenali 10000 0.0001 0.1 10
394 nn4 13.3 Tidak Dikenali 10000 0.0001 0.1 10
395 nn5 13.3 Tidak Dikenali 10000 0.0001 0.1 10
396 nn6 11.8 Tidak Dikenali 10000 0.0001 0.1 10
397 nn7 11.6 Tidak Dikenali 10000 0.0001 0.1 10
398 nn8 11.7 Tidak Dikenali 10000 0.0001 0.1 10
399 nn9 10.8 Tidak Dikenali 10000 0.0001 0.1 10
400 nn10 10.8 Tidak Dikenali 10000 0.0001 0.1 10
401 oo1 12.9 Tidak Dikenali 10000 0.0001 0.1 10
402 oo2 12.9 Tidak Dikenali 10000 0.0001 0.1 10
403 oo3 12.1 Tidak Dikenali 10000 0.0001 0.1 10
404 oo4 12.5 Tidak Dikenali 10000 0.0001 0.1 10
405 oo5 12.8 Tidak Dikenali 10000 0.0001 0.1 10
406 oo6 13.4 Tidak Dikenali 10000 0.0001 0.1 10
407 oo7 12.7 Tidak Dikenali 10000 0.0001 0.1 10
408 oo8 12.9 Tidak Dikenali 10000 0.0001 0.1 10
409 oo9 13.4 Tidak Dikenali 10000 0.0001 0.1 10
410 oo10 13.6 Tidak Dikenali 10000 0.0001 0.1 10
411 pp1 12.8 Tidak Dikenali 10000 0.0001 0.1 10
412 pp2 13.6 Tidak Dikenali 10000 0.0001 0.1 10
413 pp3 14.4 Tidak Dikenali 10000 0.0001 0.1 10
414 pp4 13.8 Tidak Dikenali 10000 0.0001 0.1 10
415 pp5 12.9 Tidak Dikenali 10000 0.0001 0.1 10
416 pp6 14.4 Tidak Dikenali 10000 0.0001 0.1 10
417 pp7 8.9 Tidak Dikenali 10000 0.0001 0.1 10
418 pp8 13.9 Tidak Dikenali 10000 0.0001 0.1 10
419 pp9 13.8 Tidak Dikenali 10000 0.0001 0.1 10
420 pp10 14 Tidak Dikenali 10000 0.0001 0.1 10
421 qq1 10.8 Tidak Dikenali 10000 0.0001 0.1 10
422 qq2 5.9 Dikenali 10000 0.0001 0.1 10
423 qq3 11.4 Tidak Dikenali 10000 0.0001 0.1 10
424 qq4 10.5 Tidak Dikenali 10000 0.0001 0.1 10
425 qq5 4.5 Dikenali 10000 0.0001 0.1 10
426 qq6 10.5 Tidak Dikenali 10000 0.0001 0.1 10
427 qq7 10.8 Tidak Dikenali 10000 0.0001 0.1 10
428 qq8 11.2 Tidak Dikenali 10000 0.0001 0.1 10
429 qq9 11.1 Tidak Dikenali 10000 0.0001 0.1 10
430 qq10 4.8 Dikenali 10000 0.0001 0.1 10
431 rr1 10.9 Tidak Dikenali 10000 0.0001 0.1 10
432 rr2 7.1 Dikenali 10000 0.0001 0.1 10
433 rr3 12.9 Tidak Dikenali 10000 0.0001 0.1 10
434 rr4 12.2 Tidak Dikenali 10000 0.0001 0.1 10
435 rr5 12.1 Tidak Dikenali 10000 0.0001 0.1 10
436 rr6 11.7 Tidak Dikenali 10000 0.0001 0.1 10
437 rr7 12.2 Tidak Dikenali 10000 0.0001 0.1 10
438 rr8 11.9 Tidak Dikenali 10000 0.0001 0.1 10
439 rr9 11.7 Tidak Dikenali 10000 0.0001 0.1 10
440 rr10 13.3 Tidak Dikenali 10000 0.0001 0.1 10
441 ss1 11.4 Tidak Dikenali 10000 0.0001 0.1 10
442 ss2 13.8 Tidak Dikenali 10000 0.0001 0.1 10
443 ss3 12.9 Tidak Dikenali 10000 0.0001 0.1 10
444 ss4 12.9 Tidak Dikenali 10000 0.0001 0.1 10
445 ss5 12.8 Tidak Dikenali 10000 0.0001 0.1 10
446 ss6 12.3 Tidak Dikenali 10000 0.0001 0.1 10
447 ss7 12.9 Tidak Dikenali 10000 0.0001 0.1 10
448 ss8 13.1 Tidak Dikenali 10000 0.0001 0.1 10
449 ss9 13.9 Tidak Dikenali 10000 0.0001 0.1 10
450 ss10 11.6 Tidak Dikenali 10000 0.0001 0.1 10
451 tt1 14.1 Tidak Dikenali 10000 0.0001 0.1 10
452 tt2 14.4 Tidak Dikenali 10000 0.0001 0.1 10
453 tt3 14.2 Tidak Dikenali 10000 0.0001 0.1 10
454 tt4 14.7 Tidak Dikenali 10000 0.0001 0.1 10
455 tt5 14.4 Tidak Dikenali 10000 0.0001 0.1 10
456 tt6 13.2 Tidak Dikenali 10000 0.0001 0.1 10
457 tt7 14.4 Tidak Dikenali 10000 0.0001 0.1 10
458 tt8 12.9 Tidak Dikenali 10000 0.0001 0.1 10
459 tt9 13.4 Tidak Dikenali 10000 0.0001 0.1 10
460 tt10 14 Tidak Dikenali 10000 0.0001 0.1 10
461 uu1 10.9 Tidak Dikenali 10000 0.0001 0.1 10
462 uu2 10.9 Tidak Dikenali 10000 0.0001 0.1 10
463 uu3 10.1 Tidak Dikenali 10000 0.0001 0.1 10
464 uu4 11.1 Tidak Dikenali 10000 0.0001 0.1 10
465 uu5 10.9 Tidak Dikenali 10000 0.0001 0.1 10
466 uu6 11.3 Tidak Dikenali 10000 0.0001 0.1 10
467 uu7 12.1 Tidak Dikenali 10000 0.0001 0.1 10
468 uu8 10.7 Tidak Dikenali 10000 0.0001 0.1 10
469 uu9 11.1 Tidak Dikenali 10000 0.0001 0.1 10
470 uu10 11.1 Tidak Dikenali 10000 0.0001 0.1 10
471 vv1 11.5 Tidak Dikenali 10000 0.0001 0.1 10
472 vv2 12.9 Tidak Dikenali 10000 0.0001 0.1 10
473 vv3 12.1 Tidak Dikenali 10000 0.0001 0.1 10
474 vv4 7.7 Dikenali 10000 0.0001 0.1 10
475 vv5 12.3 Tidak Dikenali 10000 0.0001 0.1 10
476 vv6 8.5 Tidak Dikenali 10000 0.0001 0.1 10
477 vv7 11.6 Tidak Dikenali 10000 0.0001 0.1 10
478 vv8 7.4 Dikenali 10000 0.0001 0.1 10
479 vv9 12.2 Tidak Dikenali 10000 0.0001 0.1 10
480 vv10 6.3 Dikenali 10000 0.0001 0.1 10
481 ww1 12.9 Tidak Dikenali 10000 0.0001 0.1 10
482 ww2 12.8 Tidak Dikenali 10000 0.0001 0.1 10
483 ww3 12.9 Tidak Dikenali 10000 0.0001 0.1 10
484 ww4 13.2 Tidak Dikenali 10000 0.0001 0.1 10
485 ww5 14.8 Tidak Dikenali 10000 0.0001 0.1 10
486 ww6 12.6 Tidak Dikenali 10000 0.0001 0.1 10
487 ww7 13.1 Tidak Dikenali 10000 0.0001 0.1 10
488 ww8 13.3 Tidak Dikenali 10000 0.0001 0.1 10
489 ww9 13.5 Tidak Dikenali 10000 0.0001 0.1 10
490 ww10 13.1 Tidak Dikenali 10000 0.0001 0.1 10
491 xx1 11.9 Tidak Dikenali 10000 0.0001 0.1 10
492 xx2 10.8 Tidak Dikenali 10000 0.0001 0.1 10
493 xx3 10.6 Tidak Dikenali 10000 0.0001 0.1 10
494 xx4 10.9 Tidak Dikenali 10000 0.0001 0.1 10
495 xx5 10.2 Tidak Dikenali 10000 0.0001 0.1 10
496 xx6 12.9 Tidak Dikenali 10000 0.0001 0.1 10
497 xx7 8.2 Tidak Dikenali 10000 0.0001 0.1 10
498 xx8 9.9 Tidak Dikenali 10000 0.0001 0.1 10
499 xx9 11.1 Tidak Dikenali 10000 0.0001 0.1 10
500 xx10 7.2 Dikenali 10000 0.0001 0.1 10
501 yy1 12.1 Tidak Dikenali 10000 0.0001 0.1 10
502 yy2 8.4 Tidak Dikenali 10000 0.0001 0.1 10
503 yy3 11.6 Tidak Dikenali 10000 0.0001 0.1 10
504 yy4 8.5 Tidak Dikenali 10000 0.0001 0.1 10
505 yy5 7.1 Dikenali 10000 0.0001 0.1 10
506 yy6 11.9 Tidak Dikenali 10000 0.0001 0.1 10
507 yy7 13.6 Tidak Dikenali 10000 0.0001 0.1 10
508 yy8 12.1 Tidak Dikenali 10000 0.0001 0.1 10
509 yy9 11.8 Tidak Dikenali 10000 0.0001 0.1 10
510 yy10 12.9 Tidak Dikenali 10000 0.0001 0.1 10
511 zz1 12.7 Tidak Dikenali 10000 0.0001 0.1 10
512 zz1 15.5 Tidak Dikenali 10000 0.0001 0.1 10
513 zz1 12.1 Tidak Dikenali 10000 0.0001 0.1 10
514 zz1 14.6 Tidak Dikenali 10000 0.0001 0.1 10
515 zz1 11.1 Tidak Dikenali 10000 0.0001 0.1 10
516 zz1 12.6 Tidak Dikenali 10000 0.0001 0.1 10
517 zz1 7.7 Dikenali 10000 0.0001 0.1 10
518 zz1 12.8 Tidak Dikenali 10000 0.0001 0.1 10
519 zz1 11.8 Tidak Dikenali 10000 0.0001 0.1 10
520 zz1 6.7 Dikenali 10000 0.0001 0.1 10


Hasil Pengujian



Dikenali 288


Tidak Dikenali 232



Rata- rata




Prediksi 55,4%