Oleh :
Vicky Zilvan
G64103043
Pembimbing :
Ir. Agus Buono, M.Si., M.Kom.
Dr. Ir. Sri Nurdiati, M.Sc.
Materi Presentasi
Pendahuluan
Tinjauan Pustaka
Metode Penelitian
Hasil dan Pembahasan
Kesimpulan dan Saran
Daftar Pustaka
Demo
PENDAHULUAN
Latar Belakang
2. Verifikasi pembicara
Proses memeriksa identitas yang diklaimkan
seseorang berdasarkan suaranya.
Jenis Pengenalan Pembicara (lanjutan)
u
i 1
ij 1, j 1,..., n
di mana:
uij adalah elemen matriks U yang bernilai antara 0 dan 1,
dij = ||ci - xj|| adalah jarak antara pusat cluster ke-i dan titik data ke-j,
ci adalah pusat cluster ke-i,
m [1,~ ] adalah parameter fuzzifikasi.
d kj
k 1
Probabilistic Neural Network
Input layer
vektor masukan.
Pattern layer
d x j xij
f ( x) k
j 1 hj , dengan
k z e 0.5*z .
2
Summation layer
n d
p ( x)
1
k x j xij
2 d / 2 h1h2 ...hd n i 1 j 1 h j
Decision layer
max(px)
METODE PENELITIAN
Blok Diagram Identifikasi Pembicara
Data Suara
20 30
30 20 Data asli
40 10
20 30
30 20 Data dengan SNR 30 dB
40 10
20 30
30 20 Data dengan SNR 20 dB
40 10
Data Suara (lanjutan)
20 20
30 20 Data asli
40 20
20 20
30 20 Data dengan SNR 30 dB
40 20
20 20
30 20 Data dengan SNR 20 dB
40 20
Ekstraksi Ciri Sinyal Suara Dengan MFCC
Perangkat keras
Prosesor AMD Duron 850 MHz, memori DDR 256 MB,
harddisk 40 GB, keyboard dan mouse, monitor,
backphone with mic.
Perangkat Lunak
Sistem operasi Windows XP Profesional dan Matlab 6.5
HASIL DAN PEMBAHASAN
Data Suara
Data asli
Pemilihan Nilai Smoothing Parameter
Data asli
20 data pelatihan
dipilih nilai a sebesar 8.3
30 data pelatihan
dipilih nilai a yang berada pada selang [7.8,8.1] atau
atau pada selang [10.5,11]
40 data pelatihan
dipilih nilai a yang berada pada selang [7.5,13.5]
Pemilihan Nilai Smoothing Parameter
20 30 70
30 20 82 Data asli
40 10 96
20 30 76.67
Data dengan SNR 30
30 20 80.5 dB
40 10 89
20 30 58.33
Data dengan SNR 20
30 20 60 dB
40 10 59
Tingkat akurasi setiap model dengan jumlah data
yang sama
Hasil Identifikasi dengan Menggunakan Nilai
SmootihngParameter yang Telah Dipilih
Hasil identifikasi 40 data pelatihan untuk 10 data pengujian pada data asli
dengan menggunakan threshold
Perbandingan tingkat akurasi model dengan
menggunakan threshold dan dengan model yang
tidak menggunakan threshold
Hasil Identifikasi Menggunakan Threshold
(lanjutan)