Pengenalan Pola Sinyal Suara Manusia

Menggunakan Metode Back Propagation Neural Network

Faradiba*

Prodi Pendidikan Fisika, Universitas Kristen Indonesia

Jln. Mayjend Sutoyo, No.2, Cawang, jakarta Timur, 13630
*e-mail: faradibaruslan@gmail.com

Abstract
This research have been designed a structure of artificial neural network (ANN) with using
backpropagation to recognize signal pattern of human voice. The signal should first be processed with
Linear Predictive Coding (LPC). Linear Predictive Coding (LPC) used for extraction characteristic.
Producing matrix with 24 x50 orde which is then becoming input data for Artificial Neural Network
Backpropagation (ANN-BP). There nets consist of 4 layers. Those 4 layers are : 1 input layers with 24
neuron, 2 hidden layers which are devided as 15 neuron at the first hidden layer and 10 neuron at the
second, The last output with 5 neuron.For 5 training data, parameter characteristic value of net such
us: Learning rate value (alpha) = 0,05 and mu value (μ) = 10-3with using by sigmoid bipolar
activation function. The result of the research shows that the nets can recognize as 100 % of 25
trainning data, 74 % of 25 testing data.

Keywords : Artificial Neural Network, Back propagation, voice recognation

PENDAHULUAN
Suara merupakan salah satu sarana Sistem keamanan berbasis suara dapat
untuk mengenali karakter seseorang. diaplikasikan diberbagai bidang kehidupan
Manusia bisa mengenali kondisi seseorang baik untuk kebutuhan industri maupun
dengan mendengar suaranya, sebagai rumah tangga seperti sistem pengecekan
contoh jenis kelamin, identitas pembicara, kehadiran karyawan, sistem keamanan
aksen, gaya bicara, emosi, dan kondisi rumah berbasis suara, password berangkas
kesehatan dari si pembicara (Putra, 2009). menggunakan suara serta masih banyak
Seiring dengan perkembangan teknologi contoh-contoh yang lainnya. Teknologi
muncul fenomena kebutuhan model yang menggunakan komputer berkembang
komputasi untuk pengenalan suara yang dengan pesat, hampir setiap individu di
tidak hanya bermanfaat untuk ilmu dunia memerlukan komputer sebagai alat
pengetahuan tetapi juga untuk aplikasi bantu untuk menyelesaikan masalahnya.
praktis, misalnya pada sistem keamanan Hampir semua sistem analog digantikan
berbasis suara. dengan sistem komputerisasi.
Keunggulannya adalah sistem
komputerisasi lebih mudah dalam
1
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

pengontrolan. Dalam hal ini misalnya pengidentifikasian pola gambar, termasuk

pengontrolan didalam mengenali suatu gambar sinyal suara dalam bentuk grafik.
objek. Komputer diusahakan untuk dapat Penelitian ini menggunakan jaringan
bekerja mendekati proses kerja otak syaraf tiruan jaringan untuk mengenali pola
manusia. sinyal suara. Dalam penelitian ini, cakupan
Jaringan Syaraf Tiruan (terjemahan masalah pada tahapan pengenalan pola
dari Artifisial Neural Network selanjutnya sinyal suara, pembuatan listing program
disingkat JST) merupakan alternatif sistem untuk jaringan pengenalan pola, dan
komputasi baru berupa pemodelan sistem pengujian keakuratan jaringan. Tujuan dari
saraf biologis sehingga sistem komputasi penelitian ini adalah merancang program
baru ini mampu beroperasi dan mempunyai pelatihan dan pengujian jaringan syaraf
sifat-sifat seperti jaringan syaraf aslinya. tiruan untuk pengenalan pola sinyal suara
Aplikasi JST sudah sangat beragam baik dan menguji keakuratan jaringan.
dalam bidang teknologi maupun bidang-
bidang lain seperti perdagangan, pertahanan, TINJAUAN PUSTAKA
medis, asuransi, dan perbankan. Salah satu 1. Sistem Pengenalan Suara
aplikasi dalam bidang teknologi adalah Teknik jaringan syaraf tiruan telah
dalam bidang pengenalan pola yang lebih banyak dimanfaatkan pada berbagai bidang
jauh berkaitan dengan bidang Visi utamanya pada sistem pengenalan pola:
Komputer (Machine/Computer Vision) citra, suara, time series prediction, dan lain-
yang mencoba meniru kapabilitas mata lain. Pada penelitian ini dibuat suatu sistem
manusia dan sistem otak untuk membentuk memanfaatkan jaringan syaraf tiruan
dan menginterpretasikan citra (Siang J, metode propagasi balik (back propagation)
2005). Karena fitur pola jenis suara yang untuk pengenalan suara. Sistem ini
begitu kompleks, maka proses diharapkan dapat dimanfaatkan pada
pengidentifikasian sinyal suara dibantu pemberian perintah komputer, voice
dengan metode-metode komputasi yang dialling, dan lain-lain. Model jaringan
mampu mengekstraksi ciri khusus dari syaraf back propagation digunakan di sini
sinyal suara. Untuk memenuhi syarat ini bersama-sama dengan metode Linear
digunakan metode jaringan syaraf tiruan Predictive Coding (LPC) dan Fast Fourier
yang telah terbukti handal dalam proses Transform (FFT) yang dipakai sebagai
pemroses awal. Di sini dilakukan variasi

2

Gambar 1. Blok diagram sistem pengenalan suara (Rudi A, 1999)
struktur dan parameter jaringan (jumlah
node hidden layer, besarnya step size serta
momentum) untuk mendapatkan
performance jaringan yang optimum.
Pencarian struktur dan parameter ini
bertujuan agar jaringan dapat secara cepat
belajar dan dapat mengenali suara dengan
error sekecil mungkin (Rudi A, 1999).
Sistem pengenalan suara yang
digambarkan pada blok diagram gambar 1.
Sinyal dapat didefinisikan sebagai kuantitas
fisik yang bervariasi seiring waktu atau
variabel bebas lainnya yang menyimpan
suatu informasi. Contoh sinyal adalah:
suara manusia, kode morse, tegangan listrik
di kabel telepon, variasi intensitas cahaya
pada sebuah serat optik yang digunakan
pada telepon atau jaringan komputer, dan
lain-lainnya (Roberts M, 2004).
Sinyal dapat diklasifikasikan menjadi
beberapa jenis yaitu: sinyal waktu kontinyu,
sinyal waktu diskrit, sinyal nilai kontinyu,
sinyal nilai diskrit, sinyal random, dan
sinyal non random. Sinyal waktu kontinyu
3
Pengenalan Pola Sinyal Suara Manusia
dengan nama lain sinyal analog adalah
sinyal yang belum melalui proses apapun.
Sedangkan sinyal nilai diskrit atau sinyal
digital adalah sinyal analog yang telah
melalui proses sampling, quantization, dan
encoding (Tumanan, 2008).
Sampling adalah proses mengambil
nilai-nilai sinyal pada titik-titik diskrit
sepanjang variabel waktu dari sinyal waktu
kontinyu, sehingga didapatkan sinyal waktu
diskrit. Jumlah titik-titik yang diambil
setiap detik dinamakan sebagai sampling
rate. Dalam melakukan sampling, perlu
diperhatikan kriteria nyquist yang
menyatakan bahwa sebuah sinyal harus
memiliki sampling rate yang lebih besar
dari 2 fm, dengan fm adalah frekuensi
paling tinggi yang muncul disebuah sinyal.
fs ≥ 2 fm ; fs > 2 fm (1)
Quantization adalah proses
memetakan nilai-nilai dari sinyal nilai
kontinyu menjadi nilai-nilai yang diskrit,
sehingga didapatkan sinyal nilai diskrit.
Encoding adalah proses mengubah nilai-
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

nilai sinyal menjadi bilangan biner (Roberts mudah daripada sinyal domain waktu. Di
M, 2004). domain frekuensi, sinyal direpresentasikan
2. Linear Predictive Coding (LPC) sebagai serangkaian nilai yang
Analisis sinyal adalah kegiatan menunjukkan banyaknya satuan sinyal yang
melakukan ekstraksi terhadap informasi berada di frekuensi tertentu. Transformasi
yang terdapat disuatu sinyal. Linear Fourier banyak digunakan untuk aplikasi
Predictive Coding (LPC) merupakan salah sains, misalnya: fisika, teori numerik,
satu teknik analisis sinyal percakapan yang pemrosesan sinyal, statistik, akustik, optik,
paling powerful dan menyediakan ekstraksi geometri, dan lain-lainnya (Brigham E,
fitur yang berkualitas baik dan efisien untuk 1988).
digunakan dalam perhitungan. LPC pertama 4. Jaringan Syaraf Tiruan (JST)
kali digunakan pada tahun 1978 untuk Jaringan syaraf tiruan (JST) adalah
membuat alat sintesis sinyal percakapan. sistem pemroses informasi yang
LPC melakukan analisis dengan cara mempunyai karakteristik mirip dengan
memperkirakan formant, memisahkan jaringan syaraf biologi. JST dibentuk
formant dari sinyal, yang dinamakan proses sebagai generalisasi model matematika dari
inverse filtering, lalu mengestimasi jaringan saraf biologi, dengan asumsi
intensitas dan frekuensi dari sinyal bahwa:
percakapan yang tersisa, yang disebut - Pemrosesan informasi terjadi pada banyak
residue. Karena sinyal percakapan elemen sederhana (neuron).
bervariasi seiring waktu, estimasi tersebut - Sinyal dikirimkan di antara neuron-neuron
dilakukan untuk setiap potongan kecil dari melalui penghubung-penghubung.
sinyal, yang dinamakan frame (Mark C. - Penghubung antar neuron memiliki bobot
2005). yang akan memperkuat atau memperlemah
3. Fast Fourier Transform (FFT) sinyal.
Transformasi Fourier merupakan - Untuk menentukan output, setiap neuron
metode untuk mentransformasikan sinyal menggunakan fungsi aktivasi yang
domain waktu menjadi sinyal domain dikenakan pada jumlahan input yang
frekuensi. Transformasi ini penting dalam diterima. Besarnya output ini selanjutnya
analisis sinyal karena karakteristik sinyal dibandingkan dengan suatu batas ambang.
domain frekuensi dapat diamati dengan Jaringan syaraf tiruan ditentukan oleh
lebih jelas dan dimanipulasi dengan lebih 3 hal, yaitu:

4
 Pengenalan Pola Sinyal Suara Manusia

1. Pola hubungan antar neuron (disebut dalam pengenalan pola. Kelemahan ini bisa
arsitektur jaringan). ditanggulangi dengan menambahkan satu
2. Metode untuk menentukan bobot atau beberapa lapis tersembunyi diantara
penghubung (disebut metode training/ masukan dan keluaran. Meskipun
learning/ algoritma). penggunaan lebih dari satu lapis
3. Fungsi aktivasi (Siang J. 2005). tersembunyi memiliki kelebihan manfaat
Jaringan Syaraf Tiruan (JST) untuk beberapa kasus, tapi pelatihannya
memiliki kemampuan untuk belajar dan memerlukan waktu yang lama. Maka
beradaptasi terhadap masukan-masukannya. umumnya orang memulai mencoba dengan
Berdasarkan algoritma pelatihannya, JST sebuah lapis tersembunyi lebih dahulu
dapat dibedakan menjadi dua jenis, yaitu: (Siang J, 2005)
pelatihan terbimbing (supervised learning) 6. Back Propagation Neural Network
dan pelatihan tidak terbimbing (BPNN)
(unsupervised learning). Ada beberapa Jaringan Back Propagation Neural
metode yang biasa digunakan pada jaringan Network (BPNN) biasanya digunakan untuk
syaraf tiruan. Salah satunya adalah metode melakukan pengenalan pola, klasifikasi,
backpropagation. Jaringan Syaraf Tiruan pengolahan citra, dan pengambilan
adalah paradigma pemrosesan suatu keputusan. BPNN merupakan JST dengan
informasi yang terinspirasi oleh sistem sel pembelajaran yang supervised, artinya data
syaraf biologi, sama seperti otak yang pembelajaran terdiri dari vektor pasangan
memproses suatu informasi. input dan target (output yang diharapkan).
5. Tingkat Pengenalan Pelatihan suatu jaringan dengan algoritma
Kelemahan JST yang terdiri dari lapis backpropagation pada gambar 2 meliputi
tunggal membuat perkembangan JST dua tahap yaitu perambatan maju dan
menjadi terhenti pada sekitar tahun 1970-an. perambatan mundur. Selama perambatan
Penemuan metode backpropagation yang maju, tiap unit masukan (Xi) menerima
terdiri dari beberapa lapis membuka sebuah masukan sinyal ini ke tiap-tiap
kembali cakrawala. Terlebih setelah lapisan tersembunyi Z1,…..,Zp. Tiap unit
ditemukan berbagai aplikasi yang dapat tersembunyi ini kemudian menghitung
diselesaikan dengan Backpropagation aktivasinya dan mengirimkan sinyalnya (Zj)
membuat JST semakin diminati orang. JST ke tiap unit keluaran.
dengan lapis tunggal memiliki keterbatasan

5
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

Gambar 2 Arsitektur Jaringan Lapis Jamak dengan Satu Lapis Unit Tersembunyi
(Laurene F, 1994)

METODE PENELITIAN
1. Perancangan Sistem dimaksud dengan akuisisi suara. Kemudian
Sistem yang dirancang adalah sebuah dirasakan ada perbedaan suara orang yang
sistem yang dapat mengenali suara baru dikenal dengan suara orang lain,
masukan dengan berbagai macam jenis dan proses inilah yang dinamakan ekstraksi ciri.
variasi masukan suara sesuai dengan Dalam kehidupan sehari-hari jika bertemu
rumusan masalah. Sistem hanya dapat seseorang terkadang lupa siapa orang yang
mengenali suara dari orang yang telah dimaksud, oleh karena itu perlu adanya
dilatih, sehingga jika diberikan suara proses mengingat, proses ini yang
masukan yang tidak tersimpan di dalam dinamakan klasifikasi dengan JST.
database maka tidak dapat dikenali. Namun 2. Suara
diharapkan variasi masukan sinyal suara Masukan suara yang digunakan pada
tidak akan mempengaruhi tingkat penelitian ini diperoleh dari pengambilan
keberhasilan sistem sehingga hasil yang sample suara wanita dewasa, pria dewasa
didapat valid. Sistem yang dirancang akan dan anak-anak dengan pengucapan kata
mengenali suara seseorang setelah melalui “HALO” untuk 5 data latih tiap orangnya.
beberapa proses. Hal ini dapat dianalogikan Suara yang direkam adalah suara dalam
jika pertama kali bertemu seseorang format WAV.
suaranya mulai dikenali, kondisi itulah yang

6

Gambar 3. Sinyal Suara Terpotong
3. Akuisisi Suara
Pada bagian sinyal suara hasil
rekaman yang dianggap tidak diperlukan
dilakukan pemotongan. Proses ini berguna
untuk menyeragamkan format masukan,
sehingga diperoleh sinyal dengan maksimal
waktu perekaman yang ditentukan. Sinyal
suara terpotong selanjutnya akan melalui
tahap pemrosesan awal (preprocessing) .
a) Preprocessing
a) Filtering
Sinyal suara masukan akan di-filter
menggunakan Band Pass Filter (BPF).
Tujuan dari filtering suara masukan adalah
untuk melewatkan bagian sinyal suara pada
band passnya saja, menghilangkan noise-
noise pada masukan sinyal suara yang ada
pada daerah frekuensi < fco1 dan > fco2, serta
membatasi besarnya amplitudo sinyal suara
7
Pengenalan Pola Sinyal Suara Manusia
masukan, sehingga amplitudo sinyal suara
melebihi batas yang diharapkan.
b) Sampling
Sinyal suara yang telah difilter, akan
disampling dengan syarat nyquist sehingga
didapat bentuk sinyal suara diskrit yang
akan memudahkan pengambilan
karakteristik cirinya. Proses sampling
bertujuan untuk mendapatkan sinyal diskrit
untuk mengetahui ciri yang akurat dari
sinyal dan memudahkan proses desimasi
(pengurangan jumlah sampling).
c) Desimasi
Desimasi adalah pengurangan sample
pada hasil sampling. Proses desimasi ini
bertujuan untuk mengurangi jumlah sample
sinyal suara yang terlalu banyak, namun
hasil desimasi yang diperoleh masih bisa
mewakili sample-sample yang dihilangkan.
Parameter n merupakan parameter yang
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

menentukan berapa kali atau berapa jumlah 5. Fast Fourier Transform (FFT)
sample yang diinginkan. Fast Fourier Transrorm ini dilakukan
4. Linear Predictive Coding (LPC) untuk meningkatkan unjuk kerja sistem,
1. Preemphasis karena dengan adanya FFT maka perbedaan
Proses preemphasis dilakukan antara pola sinyal suara dengan pola sinyal
terhadap sinyal masukan untuk suara yang lain makin terlihat jelas. dimana
memperkecil daerah perubahan sinyal. data yang dihasilkan FFT merupakan
Sinyal suara dilewatkan pada suatu filter masukan bagi Jaringan Syaraf Tiruan (JST).
digital yang berfungsi untuk meratakan 6. Pelatihan dan Identifikasi dengan JST
spektral sinyal. Dalam proses pengolahan Backpropagation
sinyal wicara preemphasis filter diperlukan Pada tahap ini dilakukan pelatihan
setelah proses sampling. Tujuan dari dan identifikasi suara menggunakan JST
pemfilteran ini adalah untuk mendapatkan Backpropagation. Output dari sistem adalah
bentuk spektral frekuensi sinyal wicara suara yang terdeteksi baik dikenali sebagai
yang lebih halus. Dimana bentuk spektral target maupun tidak dikenali. Proses
yang relatif bernilai tinggi untuk daerah pelatihan dilakukan sampai jaringan
rendah dan cenderung turun secara tajam memperoleh nilai error target sekecil
untuk daerah fekuensi diatas. mungkin. Setelah syarat tersebut tercapai,
2. Reshapes maka dilakukan penyimpanan bobot dari
Proses ini digunakan untuk merubah setiap ruas pada jaringan. Bobot-bobot
ukuran matriks sesuai masukan yang tersebut nantinya akan digunakan pada
diharapkan. proses pengujian. Pelatihan JST
3. Windowing backpropagation melalui 3 fase yaitu fase
Pada langkah ini dilakukan fungsi maju, fase mundur, dan perubahan bobot.
weighting pada setiap frame yang telah Dalam konsep pelatihannya digunakan juga
dibentuk pada langkah sebelumnya. syarat agar pelatihan yang dilakukan
4. Analisis Autokorelasi berjalan dengan benar dan lancar sehingga
Pada tahap ini masing-masing frame mendapatkan keluaran seperti yang
yang telah di windowing diautokorelasikan diinginkan.
dengan nilai autokorelasi yang tertinggi 7. Pengujian Sistem
yaitu orde dari analisa LPC. Pada proses pengujian ini digunakan
beberapa suara uji untuk suara yang sudah

8
 Pengenalan Pola Sinyal Suara Manusia

dilatih dan untuk menguji suara yang belum oleh sistem sehingga sistem diharapkan
dilatih sama sekali. Setiap suara yang diuji dapat mengenali dengan baik data yang di
untuk mengetahui apakah suara dapat masukan walaupun sebelumnya belum
dikenali dengan benar ke dalam klasifikasi pernah dilakukan pembelajaran tentang pola
yang sebenarnya, dikenali sebagai orang data masukan. Dari sistem tersebut dapat
lain, atau tidak dikenali sama sekali. dirumuskan sebagai berikut
Keakurasian akan dihitung dalam skala 𝑗𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑠𝑢𝑘𝑠𝑒𝑠
𝑅𝑅𝐷 = (3)
𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎
persentase.
Dimana data sukses adalah jumlah data uji
8. Persentase Keberhasilan Sistem/Grade
yang berhasil dikenali, dan jumlah data
Success Sistem (GSS)
adalah data uji keseluruhan yang di ujikan
Grade Success Sistem(GSS) adalah
(Inayah N, 2008).
Presentase keberhasilan sistem (Grade
Success System). Dengan GSS dapat
HASIL DAN PEMBAHASAN
diketahui tingkat keberhasilan sistem yang
1. Penentuan Parameter Jaringan untuk
telah dibuat, hasil tersebut dapat
Proses Pelatihan
dirumuskan sebagai berikut:
Sinyal suara latih diperoleh dari 5
𝑅𝑇𝐷+𝑅𝑅𝐷
𝐺𝑆𝑆 = 𝑥100 (2) orang responden yang masing-masing
2

1. Result Training Data (RTD) responden terdiri dari 5 sinyal suara. Sinyal
Result Trainning Data (RTD) adalah suara uji diperoleh dari 5 orang responden
hasil dari uji data yang telah di latih yang masing-masing responden terdiri dari
sebelumnya, apakah sistem tersebut dapat 5 pola sinyal suara. Sinyal suara disimpan
mengenali dengan benar, tidak mengenali dalam bentuk format Waveform Audio
dengan benar, atau tidak mengenali sama (WAV). Pada proses selanjutnya
sekali. Dari sistem tersebut dapat Implementasi sistem dengan memanfaatkan
dirumuskan sebagai berikut toolbox Linear Predictive Coding (LPC)
𝑗𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑠𝑢𝑘𝑠𝑒𝑠
𝑅𝑇𝐷 = (3) dan Artificial Neural Network (ANN)
𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎
dalam pemograman Matlab versi 7.1.
Dimana sukses adalah jumlah data masukan
Pengenalan pola suara dengan
yang berhasil dikenali, dan jumlah data
backpropagation adalah suatu proses agar
adalah data keseluruhan yang di ujikan.
jaringan dapat mengenali suara masukan
2. Result Random Data (RRD)
dengan benar. Namun, sebelum mengenali
Result Random Data adalah hasil dari
pola suatu masukan tentunya harus
uji data yang sama sekali belum dikenali
9
 dilakukan pelatihan dengan nilai
parameter yang benar sehingga jaringan
dapat mengenali suara dengan baik. Proses
pelatihan pada tugas akhir ini menggunakan
fungsi aktivasi sigmoid bipolar.
2. Fungsi Aktivasi Sigmoid Bipolar
Penelitian ini dilakukan menggunakan
parameter - parameter yang di-set pada nilai
yang tetap adalah ; Error target = 0,
Learning rate (Alpha) = 0.05, mu (μ) = 10-3.
Tabel 1. Hasil Pelatihan Jaringan untuk 5 data latih dengan Fungsi Aktivasi Sigmoid Bipolar
Parameter
Percobaan
Hidden Ke-
Neuron
Layer
1 137
2 15,10 2 844
3 112
Dari hasil Tabel 1 tersebut parameter
sistem memberikan waktu pelatihan paling
optimal dengan hidden layer = 2 dan
neuron tiap hidden layer = 15, 10. Rata-rata
waktu pelatihan yang diperoleh untuk
mendekati error target 0 adalah 1,7850 x
10-6 dan waktu pelatihan diperoleh yakni
37,266 detik dengan 112 iterasi. Neuron
hidden layer I = 15 dan Neuron hidden
layer II = 10.
3. Proses Pengujian Jaringan
Proses pengujian backpropagation
bertujuan untuk mengukur seberapa besar
keberhasilan jaringan berdasarkan
parameter-parameter yang telah diperoleh
10
Sedangkan nilai parameter sistem yang
diubah-ubah adalah Hidden layer = 1, 2, 3,
dan 4, jumlah neuron tiap hidden layer = 25,
20, 15, 10 dan jumlah data latih = 5.
Pengubahan nilai-nilai parameter ini
bertujuan untuk mengetahui kombinasi
sistem yang memberikan waktu pelatihan
yang paling optimal. Proses pelatihan
dilakukan sebanyak tiga kali untuk masing-
masing kombinasi parameter sistem.
Pelatihan
Mean Square
waktu Error (MSE)
Iterasi
(detik)
45,844 9,127 x 10-6
405,58 9,453 x 10-6
37,27 1,785 x 10-6
sebelumnya. Berikut hasil yang diperoleh
dari beberapa uji pengenalan jaringan
4. Pengujian Suara Uji Latih
Pengujian dengan suara latih ini
merupakan pengujian pertama jaringan
yang dilakukan pada suara masukan yang
telah dilatih sebelumnya. Pengujian ini
bertujuan untuk mengetahui apakah sistem
dapat mengenali dengan baik atau tidak
dapat mengenali suara yang telah dilatih
tersebut. Hasil pengujian jaringan untuk
fungsi aktivasi sigmoid bipolar dapat dilihat
pada Tabel 2.
 Tabel 2. Pengenalan pola suara latih Latih untuk 5 data latih dengan
Fungsi Aktivasi Sigmoid Bipolar
Dikenali sebagai
No Input Latih
Darman Imel Farah Yusuf Januar
Darman1 √
Darman2 √
1 Darman3 √
Darman4 √
Darman5 √
Imel1 √
Imel2 √
2 Imel3 √
Imel4 √
Imel5 √
Farah1 √
Farah2 √
3 Farah3 √
Farah4 √
Farah5 √
Yusuf1 √
Yusuf2 √
4 Yusuf3 √
Yusuf4 √
Yusuf5 √
Januar1 √
Januar2 √
5 Januar3 √
Januar4 √
Januar5 √

Ketengangan : MSE = 1,785 x 10-6

Iterasi = 112
Waktu = 37,266 detik
Jumlah sample = 25
Sukses = 25
Gagal = 0
Tingkat keberhasilan = 100%

5. Pengujian Identifikasi Backpropagation dilanjutkan pada proses pengujian. Proses

Setelah dilakukan pelatihan jaringan
dengan parameter yang telah diset tiap
jaringannya, maka jaringan yang tingkat
pengenalannya diatas 98% maka akan
11
pengujian ini menggunakan 5 input data
sinyal suara yang belum dilatih sama sekali.
Proses pengujian ini bertujuan sebagai
proses pembelajaran jaringan.
 Tabel 3 Pengenalan Pola suara uji Latih untuk 5 data latih dengan
Fungsi Aktivasi Sigmoid Bipolar
Dikenali sebagai
No Input Latih
Darman Imel Farah Yusuf Januar
Darman1 √
Darman2 √
1 Darman3 √
Darman4 √
Darman5 √
Imel1 √
Imel2 √
2 Imel3 √
Imel4 √
Imel5 √
Farah1 √
Farah2 √
3 Farah3 √
Farah4 √
Farah5 √
Yusuf1 √
Yusuf2 0
4 Yusuf3 √
Yusuf4 √
Yusuf5 √
Januar1 √
Januar2 √
5 Januar3 √
Januar4 0
Januar5 √

Keterangan : Jumlah sample = 25

Sukses = 12
Gagal = 13

Tingkat Keberhasilan pada proses tiap jaringan yang telah diuji yang
pengujian suara latih untuk 5 data latih mempunyai tingkat persentase tertinggi.
sebesar 100%. Sedangkan Tingkat Untuk 5 data latih Dengan perbandingan
keberhasilan pada proses pengujian suara kurva di atas maka jaringan yang memiliki
yang belum dilatih untuk 5 data latih 2 hidden layer lebih efektif digunakan
sebesar 48%. Tingkat keberhasilan ini dibandingkan dengan jaringan yang
diperoleh dari pemilihan masing-masing memiliki 1 atau 3 hidden layer.
12
 Pengenalan Pola Sinyal Suara Manusia

Gambar 4. Kurva 2 Hidden Layer untuk 5 data uji

6. Analisa Performansi Sistem selanjutnya sistem juga diuji dengan data

Analisa performansi sistem yang belum diuji sama sekali. Hal ini
merupakan parameter utama untuk bertujuan untuk mengetahui apakah sistem
mengetahui tingkat keberhasilan dari masih dapat mengenali suara random sebaik
perancangan sistem. Parameter tersebut sistem mengenali suara latih. Persamaan
yaitu RTD, RRD, dan GSS. diperoleh hasil sebagai berikut :
1. Result Trainning Data(RTD) hasil uji 𝑗𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑠𝑢𝑘𝑠𝑒𝑠 12
𝑅𝑅𝐷 = = = 0,48
data latih 𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎 25

RTD adalah parameter sukses dari 3. Grade Success System(GSS) tingkat

identifikasi dengan suara uji adalah suara keberhasilan Sistem

yang telah dilatih sebelumnya. Proses Keberhasilan sistem dihitung dari

pengujian RTD dilakukan untuk fungsi GSS berdasarkan persamaan sebelumnya.

aktivasi sigmoid bipolar : Karena nilai RTD dan RRD telah

𝑗𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑠𝑢𝑘𝑠𝑒𝑠 25 didapatkan maka tingkat keberhasilan

𝑅𝑇𝐷 = = = 1,00
𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎 25 sistem dapat dihitung. Berdasarkan dari
2. Result Random Data(RRD) hasil uji perhitungan RTD dan RRD diperoleh GSS
data random sebagai berikut.
Selain RTD, RRD juga menjadi 𝑅𝑇𝐷 + 𝑅𝑅𝐷 1.00 + 0.48
𝐺𝑆𝑆 = = 𝑥100
parameter yang menentukan tingkat 2 2
= 74
keberhasilan sistem. Setelah hasil untuk
data uji yang telah dilatih didapat, maka
13
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

KESIMPULAN Inayah N, Fattah F. 2008. Identifikasi

Dari hasil analisis pengujian sistem Suara Untuk Sistem Keamanan
pengenalan suara menggunakan Linear Menggunakan Jaringan Syaraf Tiruan
Predictive Coding (LPC) dan Jaringan Dengan Metode Backpropagation.
Saraf Tiruan Backpropagation untuk Skripsi. Universitas Hasanuddin.
identifikasi pola sinyal suara ini, maka Makassar
dapat diambil kesimpulan sebagai berikut : Laurene F. 1994. Fundamentals of Neural
Jaringan dengan 4 lapisan yang terdiri dari Networks. Prentice-Hall 1994. New
1 lapisan masukan (input), 2 lapisan Jersey.
tersembunyi (hidden layer) dan 1 lapisan Mark C. 2005. WAV File Format
keluran (output). Jumlah neuron pada tiap Descriptions.
lapisannya berturut-turut yaitu 24, 15, 10, 5. http://rti7020.etf.bgac.yu/rti/ir1pp2/do
Nilai karakteristik yang dimiliki jaringan maci/WavFileFormat.html. Di akses
yaitu nilai learning rate = 0,05, nilai mu (μ) 25 desember 2016.
= 10-3 dan menggunakan fungsi aktivasi Roberts M. 2004. Signals and Systems
sigmoid bipolar. Tingkat keberhasilan Analysis Using Transform Methods
jaringan untuk pengujian suara untuk 5 data and Matlab. McGraw-Hill. New York.
latih yang telah dilatih dengan fungsi Rudy A. 1999. Pengenalan Suara Manusia
aktivasi sigmoid bipolar mencapai 100% Dengan Metode LPC dan Jaringan
dan tingkat keberhasilan jaringan untuk Saraf Tiruan Propagasi Balik,
pengujian suara yang belum dilatih Surabaya.
mencapai 74%.Semakin banyak data latih Siang, J. 2005. Jaringan Syaraf Tiruan dan
yang diproses dalam jaringan maka Pemrogramannya Menggunakan
semakin tinggi tingkat keberhasilan yang Matlab. Andi Yogyakarta.
diperoleh (sinyal suara dapat dikenali). Yogyakarta.
Tumanan O. 2008. Pengenalan Pola Sidik
DAFTAR PUSTAKA Jari Menggunakan Jaringan Saraf
Brigham E 1988. The Fast Fourier Tiruan Dengan Metode Pembelajaran
Transform and Its Application. Backpropagation.Skripsi. Universitas
Prentice-Hall Inc. New Jersey. Hasanuddin.Makassar.

14
 Pengenalan Pola Sinyal Suara Manusia

Putra. Darma. 2009. Sistem Biometrika.

Andi Yogyakarta. Yogyakarta.

15
Faradiba Jurnal EduMatSains, Juli 2017 | Vol.2| No.1

16