Classification Vocals With Cepstrum
Classification Vocals With Cepstrum
Cepstrum
Abstrak: Bagi telinga manusia akan sangat mudah untuk Metode transformasi yang umum digunakan untuk
mengenali suara, tetapi tidak mudah bagi sistem elektronik mentransformasikan domain waktu menjadi domain
agar dapat mengenali suara. Sistem elektronik dalam hal ini frekuensi adalah Fourier. Salah satu keuntungan dari domain
komputer memerlukan pola untuk dapat mengenali suara frekuensi adalah dapat memberikan gambaran jumlah
manusia. Cepstrum merupakan metode transformasi untuk frekuensi yang terdapat dalam suatu sinyal (modulasi).
mempermudah dalam menemukan ciri atau pola dari sebuah Dalam kehidupan sehari-hari banyak ditemukan aplikasinya
sinyal. Tingkat kemiripan setiap data pola dan uji dapat dalam sistem penyiaran radio, dimana pendengar dapat
dihitung dengan metode klasifikasi, salah satunya yang memilih sendiri frekuensi yang ingin fokus didengar
umum digunakan adalah Euclidean. Pada akhirnya akan meskipun perangkat Radio yang dimiliki menangkap sinyal
didapatkan data uji dianggap sama dengan pola dengan yang telah termodulasi dari banyak frekuensi.
memilih nilai euclidean yang paling rendah.
Kata kunci: pengenalan pola suara, cepstrum.
METODE CEPSTRUM
Metode Cepstrum memiliki keunggulan dalam
PENDAHULUAN menemukan sinyal periodik atau tidak periodik. Selain itu
metode cepstrum juga banyak digunakan untuk membantu
Dalam pengolahan sinyal, terdapat domain (kawasan) menentukan nada dalam suatu data sinyal. Secara teknis
yang akan menjadi basis dari data sinyal tersebut. Domain mengembalikan data sinyal yang sebelumnya telah
yang banyak digunakaan saat ini adalah domain waktu dan ditransformasi menggunakan Fourier [1].
domain frekuensi.
Domain waktu merepresentasikan tingkat aplitudo dari
data sinyal, dalam watuan waktu. Dalam definisi lain domain
waktu menyatakan bagaimana sinyal berubah-ubah sesuai
dengan perubahan waktu. Nilai kuadrat dari absolut DFT (Discrete Fourier
Transform) disebut sebagai Power Spectrum.
AKUISISI DATA
Dalam penelitian ini suara sampel diambil melalui
program Matlab dengan spsifikasi:
KLASIFIKASI
Untuk menentukan kemiripan dua buah sinyal yang
dibandingkan digunakan metode Euclidean untuk
menghitung jarak (selisih) antar nilai amplitudo frekuensi.
KESIMPULAN
Kombinasi metode Cepstrum dan Euclidean, serta
tambahan normalisasi sebagaimana telah dijelaskan dalam
bagian sebalumnya tidak cukup baik dalam mengenali suara
vokal, baik suara laki-laki maupun perempuan.
Tabel 3: Hasil pengujuan sumber 1 dan sumber 2 Penelitian selanjutnya dapat menggunakan metode
klasifikasi lain severti Support Vector Machine (SVM),
Pada tabel 3 diatas ditunjukkan hasil pengujian antara Neural Network, dan metode lainnya untuk membantu
sumber 1 dan sumber 2, dimana tingkat pengenalan yang meningkatkan akurasi pengenalan suara.
didapat turun menjadi 40%. Sumber 1 dan sumber 2
merupakan suara vokal dari laki-laki.
REFERENSI
1. Theodoridis, S. and K. Koutroumbas, Pattern Recognition
4th Edition. 2009.