BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES

Agustini, Biometrik Suara Dengan Transformasi Wavelet 49

BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini(1)

Abstract: Biometric as one of identification or recognition person techniques that based on uniquely part of human body. Voice one of uniquely human has. Voice signal that come out from different speakers give different voice pattern. Because of high variations used neural network (NNW)for matching the patterns. Before voice data is processed using NNW it’s processed using digital processed through feature extraction phase using discrit wavelet orthogonal base 4 orders with 10 and 15 decomposition rate. The result of NNW is processed by model decision maker that determine speaker identification. The result of experiment shows system biometric built can identify as high as 86% Keywords: Voice Biometric, Wavelet Transformation, Orthogonal Daubenchies, NNW, Decomposition Rate .

Biometrik merupakan studi tentang metode otomatis untuk mengenali atau mengidentifikasi

suatu alat identifikasi seperti pada teknik konvensional.

manusia berdasarkan satu atau lebih bagian tubuh

Proses biometrik (selanjutnya menggunakan

manusia atau kelakuan dari manusia itu sendiri.

kata “identifikasi”) dengan suara memiliki

Dalam dunia teknologi informasi, biometrik relevan

keunggulan secara ekonomis dibandingkan dengan

dengan teknologi yang digunakan untuk mengana-

karakteristik yang lain. Identifikasi dengan suara

lisa fisik dan kelakuan manusia untuk autentifi-

hanya membutuhkan alat tambahan berupa mikrofon

kasi. Contohnya dalam pengenalan fisik manusia

dan kartu suara, sedangkan karakteristik-karakteristik

yaitu dengan pengenalan sidik jari, retina, iris,

yang lain misalnya sidik jari atau wajah mem-

pola dari wajah (facial patterns), tanda tangan

butuhkan alat tambahan seperti scanner. Hal ini

dan cara mengetik (typing patterns) serta suara.

sedikit banyak dapat menekan biaya pengembangan

Beberapa hal yang mendorong penggunaan iden-

sistem.

tifikasi secara biometrik adalah biometrik bersifat

Identifikasi melalui suara termasuk dalam

universal (terdapat pada setiap orang), unik (tiap

masalah nonalgorithmic (Fu, 1994). Walaupun sirkuit

orang mempunyai ciri khas tersendiri), dan tidak

digital (komputer) mempunyai kecepatan yang jauh

mudah dipalsukan (Xafopoulos, 2001). Dengan

lebih tinggi daripada otak manusia tetapi dalam

teknik biometrik seseorang tidak harus membawa

memproses masalah-masalah nonalgorithmic otak

(1)

Ketut Agustini,Manajemen Informatika Fakultas PTK Undiksha Singaraja, Kampus Tengah Jl. Udayana Singaraja, Email: [email protected]

50 GEMATEK JURNAL TEKNIK KOMPUTER, VOLUME 9 NOMOR 2, SEPTEMBER 2007

manusia lebih unggul. Suatu teknik yang dibuat

memberikan informasi sinyal dalam domain waktu

dengan memodelkan otak manusia adalah Jaringan

dan frekuensi secara bersamaan dan mengana-

Syaraf Tiruan (JST) atau artificial neural network.

lisis sinyal yang tidak stationer, untuk itu ingin

Seperti pada otak manusia, JST terdiri atas neuron-

dikembangkan suatu konsep atau pendekatan lain

neuron yang saling berhubungan yang dapat bekerja

dalam pemrosesan sinyal tanpa berbasiskan trans-

sama satu dengan yang lainnya untuk membentuk

formasi fourier yaitu dengan transformasi wavelet.

suatu sistem. Jaringan syaraf tiruan dapat belajar

Transformasi Wavelet merupakan sarana yang

untuk mengenali suatu pola melalui pembelajaran

mulai populer untuk pemrosesan sinyal, seperti citra

dan diharapkan dapat memecahkan masalah-masalah

dan suara, dan transformasi ini belum banyak

yang bersifat nonalgorithmic.

diaplikasikan untuk analisis suara, khususnya untuk

Penelitian mengenai identifikasi pembicara

identifikasi pembicara menggunakan teks berba-

telah banyak dilakukan dengan berbagai metode

hasa Indonesia. Dalam praktek, Transformasi

pem-rosesan sinyal, seperti Linier Prediction Coding

Wavelet digunakan untuk ekstraksi ciri dalam

(LPC), Mel Frequency Cepstrum Coefficients

sistem pengenalan suara karena mempunyai ka-

(MFCC), Neural Predictive Coding (NPC), dan

rakter khusus yang sesuai untuk analisis sinyal,

sebagainya, yang mana keseluruhan metode diatas

termasuk sinyal suara. Transformasi wavelet

berbasiskan Transformasi Fourier, dan tingkat

sinyal suara menghasilkan resolusi waktu yang

identifikasinya telah mencapai 100%, berikut ada-

baik pada frekuensi tinggi dalam menentukan

lah metode-metode yang telah diterapkan de-

lokasi awal suara dan parameterisasi ciri suara du-

ngan tingkat identifikasi yang telah dicapainya,

rasi pendek serta mampu menganalisis sinyal dis-

dituangkan dalam bentuk Tabel 1 (Chetouani,

kontinu (non stationary) secara akurat (Krisnan,

2004).

1994). Pengenalan pembicara dapat diklasifikasikan ke

Tabel 1 Metode-metode yang Digunakan Penelitian Sebelumnya

Metode pemrosesan sinyal suara LPC (Linier Predictive Coding) LPCC MFCC (Mel Frequency Cepstrum Coefficient) PLP NPC (random initialization) NPC (linier initialization)

Tingkat identifikasi (%) 90.61 96.73 97.55 86.12 61.63 100

Sumber: Universite Pierre&MarieCurie, LA Science A Paris, 2004

dalam tiga tahap yaitu identifikasi, deteksi dan verifikasi. Identifikasi pembicara merupakan proses untuk menentukan identitas pembicara melalui suara yang telah diucapkan, sedangkan deteksi pembicara merupakan proses penemuan suara pembicara dari sekumpulan suara, dan verifikasi pembicara merupakan proses untuk memverifikasi kesesuaian suara pembicara dengan identitas yang diklaim oleh pembicara. Pengenalan pembicara lebih menitikberatkan pada pengenalan suara pembicara dan tidak pada pengenalan ucapan pembicara (Ho,

Namun, masih banyak kelemahan yang dimiliki transformasi fourier diantaranya, kurang mampu

1998) .


Metode identifikasi pembicara yang merupakan

sesi pendaftaran (enrollment sessions) atau fase

bagian dari pengenalan pembicara (Gambar 1), dapat

training, sedangkan yang kedua menunjukkan sesi

dibagi ke dalam metode text-independent dan text-

operasi atau fase testing. Di dalam fase training, tiap

dependent. Pada sistem text-independent, model

pembicara yang telah terdaftar memasukkan contoh

pembicara meng-capture karakteristik ucapan

(sampel) suaranya sehingga sistem dapat mulai

seseorang melalui sinyal ucapan dengan menga-

dibangun atau dilatih berdasarkan reference model

baikan apa yang diucapkannya, dalam artian kata-

pembicara tadi.

kata yang diucapkan sembarang (bebas). Sebaliknya

Secara umum sistem identifikasi pembicara

pada sistem text-dependent, pengenalan identitas

mempunyai tahapan sebagai berikut dengan dia-

pembicaranya didasarkan pada ucapan seseorang

gram bloknya diilustrasikan pada Gambar 2

dengan kata-kata yang spesifik atau telah disepakati,

(Campbell,1997), (a) akuisisi data suara digital, yaitu

seperti password, card numbers, kode PIN dan

proses untuk mengakuisisi ucapan pembicara (dalam

sebagainya (Mudry,1997) .

sinyal analog) dan mengubahnya menjadi sinyal digital. Sinyal digital yang terbentuk berupa suatu vektor yang merepresentasikan suara pembicara, (b)

Text to Speech

frame blocking dan windowing, yaitu frame blocking

Pengenalan Ucapan (Speech Recognition) Speech to Text Pengenalan Bahasa (Language Recognition) Sinyal ucapan Pengenalan Pembicara (Speaker Recognition)

Identifikasi Pembicara (Speaker Identification) Deteksi Pembicara (Speaker Detection)

Teks tertentu (Text-Dependent) Teks Bebas (Text-Independent )

Verifikasi Pembicara (Speaker Verification)

Gambar 1 Klasifikasi Sistem Pengolahan Sinyal Suara

merupakan proses segmentasi sinyal suara digital yang telah diakuisisi ke dalam durasi tertentu, sedangkan frame windowing adalah proses yang bertujuan untuk meminimalkan diskontinuitas (nonstationary) sinyal pada bagian awal dan akhir sinyal suara, (c) ekstraksi ciri (feature extraction), yaitu mengekstrak data hasil akuisisi sehingga dihasilkan

Semua sistem identifikasi pembicara melalui

data yang berdimensi lebih kecil tanpa merubah

dua proses penting yaitu feature extraction dan

karakteristik sinyal suara, (d) pembentukan model

feature matching. Feature extraction merupakan

referensi pembicara, merupakan tahapan pembe-

proses mengekstraksi data hasil akuisisi sehingga

lajaran dan akan membentuk suatu model referensi

dihasilkan data yang berdimensi lebih kecil, yang

agar sistem dapat mengenali pembicara. Tahap ini

nantinya digunakan untuk merepresentasikan tiap-

memerlukan data berupa vektor-vektor ciri hasil dari

tiap pembicara. Feature matching menyangkut

ekstraksi ciri yang mencakup seluruh pembicara,

prosedur aktual yang mengidentifikasi pembicara

model referensi yang terbentuk akan digunakan dalam

yang tidak dikenal dan membandingkan fitur

pencocokan pola, pembentukan model referensi

ekstraksi suara yang dimasukan dengan salah satu

pembicara merupakan tahapan khusus yang dila-

dari himpunan pembicara yang telah dikenal.

kukan pada waktu awal sebelum sistem siap

Sistem Identifikasi pembicara juga menyajikan

digunakan, tahap ini hanya dilakukan sekali dan

dua sesi yang berbeda, yang pertama menunjukkan

setelah dilakukan maka sistem siap untuk digunakan,


(e) pencocokan pola (pattern matching), yaitu proses

dibangun menggunakan transformasi wavelet

pencocokan pola dengan menerima data yang telah

berbasis orthogonal daubenchies, (2) diimple-

diolah oleh ekstrasi ciri sebagai data input, proses

mentasikannya model prototipe sistem biometrik

tersebut akan mencocokan pola data masukan (input)

suara yang dibangun menggunakan transformasi

dengan model referensi dan akan memberikan hasil

wavelet berbasis orthogonal daubenchies serta 3).

berupa besarnya skor kesesuaian data input dengan

Diperolehnya tingkat identifikasi (generlisasi)

pola-pola referensi yang ada, (f) Pembuatan kepu-

tertinggi yang dicapai dari sistem biometrik suara

tusan yaitu yang akan menerima skor hasil penco-

yang dibangun menggunakan transformasi wavelet

cokan pola. Pada sistem identifikasi, pembuatan

berbasis orthogonal daubenchies.

keputusan akan menentukan identitas pembicara. Seperti terlihat pada Gambar 2.

Penelitian ini diharapkan dapat digunakan untuk melakukan identifikasi seseorang melalui katakata yang diucapkan orang tersebut. Hasil yang diberikan pada identifikasi berupa identitas pengguna

Pembicara Blocking dan windowing

suara digital

Ekstraksi ciri

vektor feature

Pendaftaran (enrollment)

Pencocokan pola

Model referensi pembelajaran

skor

Pembuatan Keputusan

Identitas pembicara

pembelajaran

Gambar 2 Tahapan Identifikasi Pembicara

Berdasarkan latar belakang diatas, maka

sistem. Sistem ini antara lain bermanfaat untuk melakukan identifikasi semacam aplikasi absensi, kontrol akses untuk fasilitas tertentu, remote akses untuk jaringan komputer, forensik, dan lain-lain, serta untuk pengembangan ilmu pengetahuan khususnya dalam pengolahan sinyal suara.

rumusan pertanyaan pada penelitian ini adalah “Bagaimanakah rancangan model prototipe sistem

Metode Penelitian

biometrik suara yang dibangun menggunakan

Perancangan model sistem dibangun untuk

transformasi wavelet berbasis orthogonal

memudahkan pengguna di dalam pengolahan data

daubenchies?”, “bagaimanakah implementasi model

dan melihat hasil yang diperoleh dari model sistem

prototype sistem biometrik suara yang dibangun

tersebut. Sistem yang akan dikembangkan disajikan

menggunakan transformasi wavelet berbasis

pada Gambar 3. Sistem tersebut terbagi ke dalam

orthogonal daubenchies?”, dan “Berapakah tingkat

tiga modul yaitu modul perekaman, modul training

identifikasi (generalisasi) tertinggi yang dicapai dari

(pelatihan), dan modul testing (pengujian)

sistem biometrik suara yang dibangun menggunakan transformasi wavelet berbasis orthogonal

M odul Perekaman

Pengguna

daubenchies?”. Pada dasarnya tujuan dari penelitian ini adalah untuk mendapatkan jawaban dari pertanyaan penelitian yang telah dirumuskan diatas. Sehingga tujuan penelitian ini adalah (1) diperolehnya rancangan model prototipe sistem biometrik suara yang

Antar m uka

D ata hasil perekam an (100 data)

50 data

T raining

50 data

Gambar 3 Perancangan Model Sistem

T esting identifikasi


identifikasi. Modul training dan modul testing

perekaman yang dilakukan selama 3 detik meng-

identifikasi dalam satu interface atau satu submenu,

hasilkan 195 frame. Proses ektraksi ciri pada

sedangkan modul perekaman terdapat dalam

penelitian ini, adalah data yang telah terbagi ke dalam

submenu yang berbeda (Gambar 4). Pada modul

frame-frame dan telah dikalikan dengan Hamming

perekaman didalamnya terdapat suatu tahapan

window. Masing-masing dari proses ekstraksi ciri

praproses (preprocessing) dan data hasil perekaman

diatas akan menghasilkan koefisien-koefisien

yang dihasilkan seluruhnya adalah 100 data suara.

(koefisien detail dan perkiraan) yang diperoleh dari hasil dekomposisi pada level 10 dan 15. Pada penelitian ini koefisien yang diambil sebagai masukan ke proses selanjutnya adalah koefisien yang dihasilkan dari frekuensi rendah yaitu koefisien perkiraan (approximation) karena bagian penting dari suatu sinyal terletak pada frekuensi tersebut, yang mampu memberikan identitas dari suatu sinyal.

Gambar 4 Interface dari Modul Perekaman Suara

Koefisien yang dihasilkan akan membentuk suatu vektor. Algoritma berikut adalah untuk mencari

Pengguna sistem akan mengucapkan kata yang

koefisien detail dan perkiraan pada proses multiple

telah ditentukan sebelumnya yaitu “Ilmu Komputer”.

dekom-posisi:

Data audio yang diperoleh akan diubah menjadi ben-

-

Sinyal yang masuk difilter ke dalam sinyal

tuk digital (vektor) menggunakan proses sampling

frekuensi rendah (low-pass filter) dan sinyal

dengan perangkat lunak MATLAB 7.0.1. Perekaman

frekuensi tinggi (high-pass filter)

dilakukan selama 3 detik (1 detik sama dengan 1000

-

ms) dengan frekuensi sampling 20kHz (dalam 1 detik diperoleh data sebanyak 22.050 data). Akuisisi data

Lakukan downsampling pada ke dua sinyal tersebut

-

Low-pass frekuensi hasil downsampling

dilakukan pada beberapa tahap. Pada tahap pertama

selanjutnya melalui proses seperti pada tahap

dilakukan akuisisi data untuk pembelajaran sistem.

pertama

Pada tahap kedua akuisisi data dilakukan untuk menguji sistem identifikasi.

-

Lakukan ulang sampai pada level yang diinginkan

Dalam penelitian ini menggunakan frame (n)

Pembentukan model referensi pembicara dan

dengan lebar waktu 30 ms di mana tiap frame

pencocokan pola dilakukan menggunakan JST

menyimpan data sebanyak 661 (hasil pembulatan

Propagasi Balik. Arsitektur yang digunakan untuk

dari 661,5) sampel dengan overlap (m) 50%,

JST Propagasi Balik adalah Multi Layer Perceptron,

sehingga diperoleh jumlah frame dengan waktu

dengan satu lapisan tersembunyi. JST terlebih dahulu

perekaman selama 1 detik sebesar 65 frame (dengan

dilatih untuk membentuk model referensi pembicara.

tiap frame mengandung data sebanyak 22050 data).

Setelah tahap pembelajaran selesai dilakukan, JST

Dengan diperolehnya dalam 1 detik 65 frame maka

dapat digunakan untuk melakukan pencocokan pola.


Pada proses identifikasi, pembuatan keputusan

menghasilkan pengidentifikasian yang lebih akurat,

dilakukan dengan metode nilai maksimum. Jika

mengingat sinyal suara sangat terpengaruh (sen-

neuron output ke-n merupakan neuron dengan nilai

sitive) terhadap waktu.

maksimum, maka data yang masuk dikenali sebagai

Proses Ekstraksi ciri dari Daubenchies orde 4

pembicara ke-n. Sebagai contoh jika neuron pertama

(daub4) pada level 10 memberikan hasil tiap satu

pada lapisan output bernilai 1 dan yang lainnya 0,

data file (satu file *.wav) pembicara (dari 10 data

maka input diidentifikasi sebagai pembicara pertama.

file setiap pembicara) menghasilkan koefisien

Fungsi yang digunakan untuk metode nilai

sebanyak 134 elemen dengan elapsed time pra-

maksimum didalam syntax matlab adalah

prosesnya rata-rata sebesar 1,061 detik, dan pada saat

Competitive Transfer Function (COMPET). Syntax

50 data suara yang digunakan untuk training

matlab dari penggunaan fungsi tersebut, di mana

diproses, membutuhkan waktu 96,479 detik. Dari 50

testing merupakan hasil simulasi dengan jaringan,

data suara tersebut akan membentuk suatu matriks

numkenal_test adalah jumlah pola yang dikenal, dan

dengan dimensi 134 x 50, yang digunakan sebagai

jum_pola adalah jumlah pola keseluruhan, adalah

input untuk proses pembentukan referensi pembicara

sebagai berikut,

dan pencocokan pola. Sedangkan pada level 15, satu

hasil_test=compet(ytesting);

numkenal_test=recognize(hasil_test); generalisasi_test=numkenal_test/ jum_pola*100

file pembicara (dari 10 file setiap pembicara) menghasilkan koefisien sebanyak 10 elemen dengan elapsed time praprosesnya sebesar 1,092 detik, sedangkan untuk 50 data yang digunakan untuk training menghabiskan waktu sebesar 71,933 detik.

HASIL DAN PEMBAHASAN

Pengujian selanjutnya adalah (2) tahap referensi

Pengujian yang telah dilakukan merupakan (1)

pembicara dan pencocokan pola dengan

tahap praproses meliputi proses akuisisi data suara

menggunakan laju pembelajaran 0.01 dan 0.3 serta

digital, proses frame blocking dan windowing, serta

toleransi galat sebesar 0.00001, mencapai

proses ekstraksi ciri dengan wavelet tipe orthogonal

kekonvergenan pada epoch ke-555 dengan waktu

yaitu Daubenchies dengan orde 4 pada level 10 dan

8.07 detik dan mean square error-nya sebesar

15. Pada proses akuisisi data suara digital dan proses

9.99238 X 10-6, (Gambar 5).

frame blocking serta windowing, kombinasi suara yang digunakan dengan lamanya durasi perekaman, memberikan hasil untuk tiap data suara berupa vektor, dengan dimensi 66.150 (22.050 x 3). Jumlah pembicara yang diambil sebagai data training adalah 50 (lima puluh) data suara yang dipilih dengan index ganjil dari 100 (seratus) data hasil perekaman, kemudian sisanya dengan index genap digunakan untuk data test identifikasi. Hal ini dilakukan agar

Gambar 5 Proses Pembelajaran Daubenchies Orde 4 Level 10


Generalisasi yang dihasilkan terhadap data

setelah disimulasikan. Hasil keseluruhan pengujian

testing sebesar 86% (43 pembicara dari 50 data

identifikasi ditunjukkan dalam Tabel 2. Dari

pembicara dikenali). Hal ini terlihat pada Gambar

keseluruhan hasil, terlihat bahwa laju pembelajaran

6, yang menunjukkan perbandingan antara target JST

0.3 memberikan tingkat generalisasi yang lebih baik

dengan output yang dihasilkan dari data testing

dibandingkan dengan laju pembelajaran 0.01. Dengan metode trial and error dalam menentukan besarnya neuron tersembunyi, maka diperoleh hasil terbaik pada banyaknya neuron tersembunyi 10 dan waktu proses tersingkat yaitu 6,98 detik dengan tingkat generalisasi tertinggi 86%. Pada percobaan yang dilakukan terhadap wavelet tipe Daub4 level 15, dengan laju pembelajaran 0.3 dan neuron tersembunyi 80 memberikan tingkat pengenalan yang paling baik, namun proses pembelajarannya berjalan sangat lambat dan

Gambar 6 Hasil Simulasi Data Pengujian Pada Epoch ke555

kinerja tujuannya (10-5) secara keseluruhan belum tercapai. Generalisasi terbaik yang dicapai yaitu

Tabel 2 Hasil Pengujian Identifikasi db4 Level 10 dengan err = 0.00001

Neuron tersembunyi 10 20 30 40 50 60 70 80 90 100 Sumber: Hasil Percobaan

Pembelajaran Lr

epoch

0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01 0.3 0.01

555 935 598 633 603 635 660 575 688 833 642 860 800 915 777 810 764 810 888 986

Mse x 10-6 9.992 9.922 9.989 9.818 9.879 9.938 9.980 9.860 9.915 9.654 9.882 9.893 9.954 9.953 9.731 9.977 9.878 9.813 9.900 9.714

Pengujian Di-indentifikasi dg Generalisasi benar (%) 43/50 86 41/50 82 42/50 84 42/50 84 41/50 82 40/50 80 41/50 82 40/50 80 42/50 84 41/50 82 41/50 82 42/50 84 41/50 82 42/50 84 41/50 82 41/50 82 41/50 82 42/50 84 42/50 84 42/50 84

Wkt proses (dt) 6.98 16.424 8.022 8.582 8.722 9.063 10.065 8.793 11.366 13.380 11.336 14.851 14.611 16.574 15.012 16.173 15.612 16.694 19.107 20.850


84%, menurun dibandingkan dengan Daub4 level 10 yang memiliki koefisien lebih banyak. Hal ini menunjukkan bahwa untuk proses ekstraksi ciri menggunakan metode Transformasi Wavelet, teori yang menyatakan “semakin besar jumlah input yang diterima maka semakin besar pula waktu pembelajaran yang dibutuhkan JST “, kurang berkenaan terhadap kasus ini, karena semakin tinggi tingkat (level) dekomposisi, yang berimplikasi terhadap jumlah koefisiennya (koefisien yang dihasilkan semakin tereduksi) maka proses pembelajaran JST berjalan sangat lambat dan menurunkan tingkat pengenalan jaringannya (dapat ditunjukkan pada hasil generalisasi). SIMPULAN

Transformasi Wavelet berbasis orthogonal daubenchies dapat digunakan dalam proses identifikasi pembicara pada bagian pemrosesan awal (praproses) sinyal untuk mendapatkan informasi (ciri) sinyal tersebut. Sistem identifikasi pada tahap praproses Daub4 level 10 menghasilkan tingkat generalisasi tertinggi sebesar 86%. Pada transformasi wavelet, tingkat (level) dekomposisi mempengaruhi tingkat pengenalan jaringan yaitu makin tinggi tingkat dekomposisi maka tingkat pengenalan jaringan semakin menurun. Jaringan syaraf tiruan propagasi balik baik digunakan untuk pembentukan referensi pembicara dan pencocokan pola.

RUJUKAN Burrus, CS, Gopinath, RA, and Guo, H. 1998. Introduction to Wavelets and Wavelet Transforms A Primer. International Edition. New Jersey: Prentice-Hall International, Inc. Campbell, JPJR. 1997. Speaker Recognition: A Tutorial. Proc. IEEE, vol.85, no 9, pp1437-1462. Fausett, L. 1994. Fundamentals of Neural Network. Englewood Cliffs. New Jersey: Prentice Hall. Fu, L. 1994. Neural Network in Computer Intelligence, Singapore: McGraw-Hill. Gonzalez RC, and Wood, RE. 2002. Digital Image Processing, Second Edition, New Jersey: Prentice Hall, Inc. Ho, CE. 1998. Speaker Recognition System, Project Report. California: California Institut of Technology. Jang, JSR, Sun, CT, and Mizutani, E. 1997. Neuro Fuzzy and Soft Computing, A Computational Approach to Learning and Machine Intelligence. International Edition. New Jersey: Prentice-Hall International Inc. Krishnan, M, Neophytou, CP, and Prescott, G. 1994. Wavelet Transform Speech Recognition Using Vector Quantization, Dynamic Time Warping and Artificial Neural Networks, Lawrence, KS 66045:Center of excellence in computer aided systems engineering and Telecominication & Information Sciences Laboratory 2291 Irving Hill Drive. Mallat, S. 1999. A Wavelet Tour Of Signal Processing, Second Edition, Academic Press 24-28 Oval Road, London NW1 7DX UK, http://www.hbuk.co.uk/ap/ Mudry, AH. 1997. Speaker Identification using Wavelet Transform, Tesis Master of Engineering, Ontario: Ottawa-Carleton Institut of Electrical Engineering. Proakis, JG, dan Manolakis, DG. 1997. Pemrosesan Sinyal Digital, edisi Bahasa Indonesia jilid 1, Jakarta: Prenhallindo. Rabiner, LR, Juang BH. 1993. Fundamentals of Speech Recognition. New Jersey: Prentice Hall. ISBN 013-015157-2. Xafopoulos, A. 2001. Speaker Verification (an overview), TUT-TICSP presentation, TICSP (Tampere International Center for Signal Processing), Tempere: TUT (Tampere Univ).

BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES

Recommend Documents