Perbandingan kinerja algoritma least mean square (LMS) dan algoritma genetik untuk filter adaptif penghilang noise

PERBANDINGAN KINERJA ALGORITMA LMS DAN ALGORITMA GENETIK UNTUK FILTER ADAPTIF PENGHILANG NOISE. Filter adaptif merupakan sebuah filter dengan pengatur koefisien. Pada penghilang noise parameter filter diatur sehingga dapat mengoptimalkan sinyal dari distorsi (cacat) seminimal mungkin.

Algoritma LMS digunakan sebagai algoritma pada filter adaptif FIR, yang kinerjanya bisa menghilangkan noise dari sinyal yang telah terkena noise, tapi tidak cukup baik untuk menghilangkan sebagian besar noise pada sinyal yang terkena noise. Untuk mengatasi permasalahan ini maka digunakan algoritma genetik. Algoritma genetik merupakan suatu algoritma yang berbasiskan pendekatan evolusi, yang melakukan seleksi berdasarkan kemampuan bertahan hidup suatu individu. Pembanding kedua algoritma ini (algoritma LMS dan algoritma genetik) adalah MSE (mean square error) yang minimum, MSE semakin minimum maka sinyal yang dihasilkan semakin mirip dengan sinyal yang diinginkan.

Penggunaan algoritma LMS pada filter adaptif FIR menghasilkan MSE sebesar 0.0080476, sedangkan hasil yang lebih baik didapat saat penggunaan algoritma genetik dengan MSE sebesar 3.04x10^-6

Kata Kunci: Algoritma LMS, Algoritma genetik, minimum MSE.

I. PENDAHULUAN

Penyelesaian masalah terdistorsinya sinyal dengan noise ini bisa diselesaikan dengan filter adaptif. Komponen kunci dari filter adaptif adalah pengesetan aturan, atau algoritma yang berfungsi untuk mengkoreksi pada proses adaptasi. Koreksi yang dihasilkan harus mengurangi MSE (mean square error). Algoritma sering digunakan yaitu algoritma least mean square (LMS). Algoritma ini bisa menghasilkan

Pengenalan vokal bahasa indonesia dengan jaringan syaraf tiruan melalui transformasi wavelet diskret

PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET. Transformasi dikenakan pada sinyal untuk memperoleh informasi lebih lanjut yang tidak terdapat pada data mentah (data pada kawasan waktu). Transformasi Wavelet adalah salah satu alat dalam pemrosesan/analisa sinyal. Transformasi Wavelet mampu memberikan informasi waktu dan frekuensi secara bersamaan yang artinya memberikan representasi waktu-frekuensi sebuah sinyal. Jaringan Syaraf Tiruan (JST) banyak diaplikasikan di berbagai bidang seperti pemrosesan sinyal, pengenalan pola, kecerdasan buatan dan lain sebagainya. Fitur kunci JST adalah kemampuan untuk generalisasi dari data pelatihan ke data “baru” yang lain. Pada aplikasi pengenalan vokal bahasa Indonesia (a, i, u, e, dan o) rekaman suara manusia yang melafalkan hanya satu jenis suara vokal ( a saja, i saja dst) dalam format wav ditransformasikan ke kawasan waktu-frekuensi menggunakan Transformasi Wavelet Diskret untuk mendapatkan fitur sinyal. Sinyal tertransformasi tersebut dilatihkan ke JST. Algoritma Learning Vector Quantization (LVQ) diaplikasikan ke jaringan untuk memperbaharui bobot. Hasil pelatihan adalah jaringan dengan nilai bobot yang berbeda dengan nilai bobot awal. Jaringan dievaluasi dengan mensimulasikannya jika masukan berupa data latihan dan data baru (blind data). Hasilnya menunjukkan bahwa persentase pengenalan terhadap data baru lebih rendah dibanding terhadap data latihan. Jaringan dengan persentase pengenalan tertinggi terhadap data latihan didapat dengan kombinasi variabel wavelet Sym2, level dekomposisi 10, dan epoch 500 sebesar 75,4%. Sementara itu jaringan dengan kombinasi variabel wavelet db4, level dekomposisi 10, dan epoch 2000 memberikan tingkat pengenalan tertinggi untuk masukan berupa data baru sebesar 51,9%.

Kata Kunci : Transformasi Wavelet Diskret, Jaringan Syaraf Tiruan, Algoritma LVQ, Wavelet Induk, Epoch

I. PENDAHULUAN

Bidang pengenalan pola (pattern recognition) semakin maju seiring dengan berkembangnya ilmu tentang Jaringan Syaraf Tiruan. Fitur utama yang menjadi alasan digunakannya JST adalah kemampuan untuk belajar dari data pelatihan dan generalisasi ke situasi/kondisi yang baru. Kemampuan belajar bisa dianalogikan

Teknik Watermarking dalam kawasan alihragam Wavelet

TEKNIK WATERMARKING DALAM KAWASAN ALIHRAGAM WAVELET. Penyebaran data digital yang berkembang saat ini memiliki dua pokok persoalan: pertama, hasil dan mutu reproduksi yang sama persis dengan aslinya, sehingga dimungkinkan sekali penggandaan dalam skala besar. Kedua, pengguna yang tidak sah dapat menggandakan dan menyebarkan sendiri untuk keuntungan pribadi, tanpa dapat dicegah atau dilacak.

Sehingga diperlukan metode agar penyebaran data masih dapat memberikan data pemilik yang sah yang nantinya bila terjadi delik pengaduan, data digital yang digandakan dapat digunakan sebagai bukti kepemilikan yang sah.

Teknik watermarking adalah bentuk proteksi copyright dengan menambahkan ‘mark’ berupa data bit atau data citra yang disisipkan dalam data digital. Bila terjadi penggandaan, mark ikut masuk pula dalam data penggandaan tersebut.

Simulasi Matlab untuk teknik watermarking dalam kawasan alihragam wavelet (khususnya stationary wavelet transform), dengan mark berbentuk citra, akan menghasilkan citra watermarking yang nyaris sama dengan data asli (nilai korelasi = 0,9999) yang tahan terhadap gangguan yang ada (penskalaan, rotasi, pemotongan, kompresi, dan pemfilteran).

Katakunci: Alihragam, wavelet, watermarking, mark

Latar Belakang

Dengan perkembangan Internet dan adanya sumber berbagai proses computing di mana-mana, perlu adanya pengakuan hak cipta atas karya di bidang digital, seperti penyebaran citra, MP3, dan Video. Dalam bentuk digital, penyebaran karena pengkopian sangat sulit dihentikan ataupun dibawa ke pengadilan, karena hasil pengkopian sama persis dengan masternya. Untuk itu, perlu teknik tertentu agar pengkopian dapat dilacak atau pengkopian illegal itu dicegah.

Maka diinginkan suatu cara penyebaran informasi (data) secara mudah seperti lewat Internet, karena setiap orang dapat mengakses dan mengkopi informasi tersebut, tetapi

Pengenalan tutur kata terisolasi menggunakan model Markov tersembunyi

PENGENALAN TUTUR KATA TERISOLASI MENGGUNAKAN MODEL MARKOV TERSEMBUNYI. Sistem pengenalan tutur mempunyai peluang aplikasi yang banyak, seperti pada dialing telepon selular, pengoperasian komputer, pengoperasian mesin-mesin perkakas, sistem keamanan gedung, dan sistem basis data. Penelitian ini bertujuan untuk membuat sistem pengenalan tutur kata-terisolasi bahasa Indonesia menggunakan model Markov tersembunyi (Hidden Markov Model, HMM). Ada 14 kata yang akan dikenali yang masing-masing dimodelkan dengan HMM kiri-kanan. Penelitian dimulai dengan perekaman 200 isyarat tutur dari banyak orang laki-laki maupun perempuan dengan berbagai kelompok umur. Kemudian dilakukan memprosesan ujung depan atau ekstraksi ciri menggunakan analisis penyandian prediksi linear (Linear Prediction Coding, LPC), sehingga diperoleh runtun vektor observasi yang merupakan ciri-ciri isyarat tutur. Dilakukan pelatihan HMM untuk setiap kata, menggunakan runtun observasi masing-masing kata dari 100 tutur pelatihan yang telah direkam. Selanjutnya dilakukan pengujian HMM yang terbentuk, terhadap runtun observasi yang diperoleh dari operasi ekstraksi ciri pada 100 tutur pelatihan, dan 100 tutur pengujian yang telah direkam sebelumnya. Hasil penelitian memperlihatkan bahwa sistem pengenalan tutur menggunakan HMM mampu mengenali isyarat tutur, dengan tingkat keberhasilan yang cukup tinggi. Pengujian terhadap runtun vektor observasi pelatihan untuk HMM dengan cacah keadaan 6 dan 7 memberikan hasil pengenalan yang paling tinggi, yaitu 100%. Pengujian terhadap tutur pengujian memberikan hasil tertinggi untuk HMM dengan cacah keadaan 8, yaitu rata-rata untuk seluruh kata 99,2%.

Kata kunci: pengenalan tutur, kata-terisolasi, HMM, LPC.

PENDAHULUAN

Dengan semakin majunya teknologi, keinginan manusia untuk mendapatkan kemudahan-kemudahan dalam aspek kehidupan semakin meningkat. Salah satu kemudahan yang diinginkan adalah pengoperasian atau pengendalian piranti melalui perintah dengan tutur (lisan) yang memanfaatkan sistem pengenalan tutur. Teknik pemberian perintah melalui tutur ini sudah diaplikasikan dalam dialing telepon selular. Manfaat yang sangat nyata teknik dialing melalui suara ini adalah waktu yang dibutuhkan lebih singkat dan terbebas dari kerja tangan.

Peluang aplikasi lain sistem pengenalan tutur adalah untuk pengoperasian komputer, khususnya untuk operasi-operasi yang sederhana seperti mencari, membuka, menyimpan, menyalin, mengganti, dan menghapus berkas (file). Aplikasi semacam ini

Pengaruh tingkat oktaf transformasi wavelet pada pengenalan suara vokal Bahasa Indonesia

PENGARUH TINGKAT OKTAF TRANSFORMASI WAVELET PADA PENGENALAN SUARA VOKAL BAHASA INDONESIA. Transformasi wavelet merupakan sarana yang baru dan populer untuk pemrosesan sinyal, seperti citra dan suara, tetapi transformasi ini belum banyak diaplikasikan untuk pengenalan suara. Dalam praktek, transformasi wavelet digunakan untuk ekstraksi ciri pada pengolah ujung-depan dalam sistem pengenalan suara. Transformasi wavelet sinyal suara menghasilkan resolusi waktu yang baik pada frekuensi tinggi, dan resolusi frekuensi yang bagus pada frekuensi rendah.

Tulisan ini mengungkapkan hasil penelitian terhadap transformasi wavelet ortogonal bentang-terbatas: daubechies, symlets, coiflets dan meyer diskret yang digunakan untuk mengenali vokal bahasa Indonesia (a, e, i, o, dan u). Analisis dilakukan untuk mengetahui pengaruh tingkat oktaf transformasi wavelet untuk pengenalan vokal bahasa Indonesia. Selain itu juga untuk mengetahui wavelet yang memberikan hasil pengenalan vokal yang baik.

Penelitian menunjukkan bahwa tingkat oktaf transformasi wavelet tidak memberikan perbedaan yang berarti pada hasil pengenalan vokal. Wavelet yang memberikan hasil pengenalan vokal baik adalah wavelet berorde rendah.

Kata kunci: wavelet – panjang segmen – pengenalan suara

A. PENGANTAR

Perkembangan teknologi memungkinkan dilakukan pemrosesan suara menggunakan komputer, baik untuk analisis suara (speech analysis) maupun sintesis suara (speech synthesis). Untuk keperluan analisis, sinyal suara analog mula-mula diubah menjadi sinyal digital, sehingga dapat diproses menggunakan komputer. Pengubahan dilakukan dengan cara mencuplik dan menguantisasi contoh (sample) sinyal suara dengan panjang segmen tertentu menggunakan ADC (analog-to-digital converter). Sesuai dengan aturan Nyquist, pencuplikan dapat dilakukan dengan