Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah1, Mursyidah2, Jamilah3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan Banda Aceh-Medan Km. 280,3 Buketrata, Lhokseumawe, 24301 PO.BOX 90 Telpon (0645) 42670, 42785 Fax 42785, Indonesia Email:
[email protected],
[email protected],
[email protected]
Abstrak Ekpsresi emosi marah merupakan perubahan dalam diri atau emosi yang dibawa oleh kekuatan dan situasi yang merangsang termasuk ancaman, kekecewaan, frustasi. Proses penyampaian informasi biasa dilakukan dengan pengucapan. Informasi pengucapan susah dipahami oleh pendengar contohnya pengucapan ekspresi emosi marah. Setiap individu mulai dari anak-anak, remaja bahkan orang dewasa sulit mengungkapkan secara lisan emosi marah yang dirasakan. Oleh karena itu, dibutuhkan sebuah program aplikasi yang dapat mengetahui tingkat emosi seseorang. Program aplikasi ini menggunakan algoritma perceptron. Berdasarkan hasil analisis data, tingkat keberhasilan aplikasi yang menggunakan algoritma perceptron untuk menentukan tingkat emosi marah mencapai 75.6 %. Kata Kunci : Pengenalan Ucapan, Ekspresi Emosi Marah, algoritma perceptron.
1.
Pendahuluan
Suara merupakan salah satu sinyal yang sangat dipengaruhi frekuensi. Proses penyampaian informasi ini biasa dilakukan dengan pengucapan. Namun, terkadang informasi pengucapan susah dipahami oleh pendengar contohnya pengucapan ekspresi emosi marah [1]. Ekpsresi emosi marah merupakan perubahan dalam diri atau emosi yang dibawa oleh kekuatan dan situasi yang merangsang termasuk ancaman, kekecewaan, frustasi dan dicirikan oleh reaksi kuat pada sistem syaraf. Emosi erat sekali hubungannya dengan nada suara. Biasanya nada suara seseorang akan berubah mengiringi emosi yang dialami. jika nada suaranya tinggi atau terlalu tinggi menunjukkan seseorang sedang sangat marah [2]. Dalam kehidupan sehari-hari tiap individu memiliki permasalahan yang sulit dihadapi dan tidak dapat dihindari ,tetapi harus dihadapi dan disikapi dengan baik dan bijaksana. Setiap individu mulai dari anak-anak, remaja, bahkan orang dewasa sulit mengungkapkan secara lisan tentang marah yang dirasakan disebabkan perilaku yang kurang dapat diterima secara social.Berkat perkembangan teknologi saat ini, dapat digunakan media teknologi pengolahan suara digital untuk mengetahui ekspresi emosi marah seseorang melalui suara yang diucapkan. Oleh karena itu, penelitian ini diberikan judul Ekspresi Emosi Marah Bahasa Aceh menggunakan Algoritma Perceptron.
22
Pada Penelitian ini mengklasifikasikan ekspresi emosi marah seseorang melalui suara yang diucapkan menggunakan algoritma perceptron. Algoritma perceptron adalah suatu metode yang digunakan untuk mengklasifikasikan masing-masing pola input dan pola output baik yang bernilai +1 maupun yang bernilai -1 sehingga pemodelan suara yang maksimum dapat dikenali [3]. Dalam proses pengenalan suara dilakukan beberapa tahap yaitu merekam suara. Suara yang telah direkam dihilangkan noise, dinormalisasikan kembali dan dicari nilai FFT. Nilai tersebut dimasukkan ke dalam persamaan algoritma perceptron untuk dicari nilai bobot yang akurat sehingga dapat dikenali dan ditampilkan dalam bentuk ekspresi emosi marah karakter 3D.
2. Metode Penelitian Untuk gambaran proses data training sistem klasifikasi ekspresi emosi marah ditunjukkan pada gambar 1 berikut ini.
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
Mulai Pada umumnya nilai α yang paling sering digunakan adalah antara 0.9 sampai 1.0.
Data Suara Asli
2.3
DC Removal
Fast Fourier Transform (FFT)
FFT (Fast Fourier Transform) adalah teknik perhitungan yang cepat dengan memanfaatkan sifat periodikal dari transformasi fourier. FFT berfungsi untuk merubah domain waktu ke domain frekuensi.
Pre-Emphasize
...3
Ekstraksi Ciri Menggunakan FFT
Untuk Mendapatkan nilai j menggunakan persamaan berikut ini.
Hasil Ekstraksi ciri
|f(u)| =[R2 + I2]1/2...........................................................
4
Ket: N = jumlah sampel yang akan diproses. f(n) = nilai sampel signal k = variable frekuensi discrete π = 3,14 derajat n = indeks data nilai sampling
Selesai
Gambar 1. Flowchart data training 2.4 Algoritma Perceptron 2.1
DC Removal Mulai
DC Removal digunakan untuk menghitung rata-rata dari data sampel suara, dan mengurangkan nilai setiap sampel suara dengan nilai rata-rata tersebut. Tujuannya adalah mendapat normalisasi dari data suara input [4].
Inisialisasi bobot, bias, a, ?
y[n] = x[n] - 𝒙 , 0 ≤ n ≤ N-1........................................... 1
Rekam Suara
Ket : y[n] = sampel signal hasil proses DC removal x[n]= sampel signal asli 𝒙 = nilai rata-rata sampel signal asli. N = Jumlah signal 2.2
Hitung output y_in
Pre-Emphasize Fungsi aktifasi = target epoch
Tujuan dari Pre – emphasize adalah untuk mengurangi noise pada signal, sehingga dapat meningkatkan kualitas signal.
TIDAK
Perubahan Bobot dan Bias
YA
y[n] = s[n] – α s[n - 1]................................................. 2
Hasil=Target
Ket : y[n] = signal hasil pre-emphasize filter s[n] = signal sebelum pre-emphasize filter
Selesai
Gambar 2 Flowchart data Uji
23
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
Perceptron merupakan jaringan syaraf yg memiliki pengaruh yang paling luas dibandingkan model jaringan syaraf sebelumnya. Tujuan algoritma perceptron mengklasifikasikan setiap masukan, apakah menjadi anggota atau bukan dari suatu kelas.
Aceh diucapkan tiga kali pengulangan sehingga jumlah sampel suara yang diuji adalah 15 x 3 = 45 data sampel. 3.2
Transformasi Fourier merupakan suatu model transformasi yang memindahkan domain spasial atau domain waktu menjadi domain frekuensi. Dengan menggunakan transformasi fourier, sinyal suara atau citra dapat dilihat sebagai suatu obyek dalam domain frekuensi. Pengolahan suara dapat dilakukan beberapa tahap antara lain tahap dc removal kemudian melakukan tahap pre-emphasize dan tahap terakhir yang dilakukan menggunakan FFT. Contoh sinyal asli dapat dilihat pada gambar 3 berikut.
Untuk gambaran proses data pencocokan pada pengujian sistem klasifikasi ekspresi emosi marah ditunjukkan pada gambar 2 berikut ini. Algoritma Pelatihan Perceptron : 1.
Inisialisasi smua bobot dan bias (biasanya = 0) Set Learning rate α (0 < α ≤ 1). Untuk penyederhanaan set sama dengan 1. Set nilai treshold (θ) untuk fungsi aktivasi.
2.
Untuk setiap mengerjakan :
pasangan
pembelajaran
Pengolahan Suara
s-t,
a. Set aktivasi unit input Xi = Si; b. Hitung respons untuk unit output : y_in = b + ....................................... 5 c. Memasukkan kedalam fungsi aktivasi : 1, jika y_in > θ 0, jika –θ ≤ y_in ≤ θ ................ 6 -1, jika y_in < -θ d. Membandingkan nilai output jaringan y dengan target t jika y ≠ t, melakukan perubahan bobot dan bias dengan cara berikut. y=
Gambar 3 Sinyal Asli
wi(baru) = wi (lama) + α*t*Xi ............... 7 b(baru) = b(lama) + α*t Jika y = t, tidak ada perubahan bobot dan bias. wi(baru) = w(lama) b(baru) = b(lama) 3.
Pada tugas akhir ini FFT berfungsi untuk mendapatkan ciri atau parameter dari sinyal suara dan untuk merubah domain waktu ke domain frekuensi. Setelah melakukan perekaman data suara selanjutnya melakukan proses dc removal yang berfungsi untuk menormalisasikan suara. Grafik sinyal dc removal dapat dilihap pada gambar 4 berikut ini.
Melakukan iterasi terus-menerus hingga semua pola memiliki output jaringan yang sama dengan targetnya. Artinya bila semua output jaringan sama dengan target maka jaringan telah mengenali pola dengan baik dan iterasi dihentikan [5].
3. Hasil dan Pembahasan 3.1 Pengumpulan Data Pengumpulan data dilakukan dengan menggunakan data sampel dari 5 kalimat marah bahasa Aceh dengan tiga pengucapan nada frekuensi suara yang berbeda yaitu pengucapan nada rendah, pengucapan nada sedang dan pengucapan nada tinggi. Masing-masing pengucapan nada suara marah bahasa Aceh dilakukan 15 pengujian data suara. Untuk masing-masing kalimat marah bahasa Gambar 4 Sinyal DC Removal
24
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
marah bahasa Aceh diucapkan tiga kali pengulangan sehingga jumlah sampel suara yang diuji adalah 15 x 3 = 45 data sampel.
Setelah itu melakukan proses pre-emphasize untuk mengurangi noise. Grafik sinyal pre-emphasize dapat dilihat pada gambar 5 berikut ini.
Penggolongan nilai frekuensi berdasarkan tinggi rendahnya frekuensi atau batas nilai frekuensi dan ekspresi emosi marah 3D dapat dilihat pada tabel 1 berikut ini. Tabel 1 Batas nilai frekuensi dan ekspresi berdasarkan tinggi rendahnya suara. N O
Jenis Emosi
Nilai Amplitudo FFT
1
Rendah
0 < R ≤ 100
2
Sedang
100<S ≤350
3
Tinggi
T > 350
Ekspresi Emosi 3D
Gambar 5 Sinyal Pre-Emphasize Selanjutnya melakukan proses FFT untuk merubah domain waktu ke domain frekuensi dan disimpan ke dalam database sebagai data sampel. Grafik sinyal FFT dapat dilihat pada gambar 6.
Pengujian yang dilakukan dalam penelitian ini, diantaranya adalah srbagai berikut : Gambar 6 Sinyal FFT
-
Pengujian dengan nada rendah Hasil pengujian sistem aplikasi ekspresi emosi marah bahasa Aceh dengan pengucapan nada rendah dapat dilihat dalam bentuk grafik pada gambar 7.
Setiap hasil pengujian akan ditampilkan grafik sinyal. Hasil pengujian untuk masing-masing nada akan disajikan dalam bentuk tabel dan grafik untuk mempermudah analisa dan penarikan kesimpulan. Pada penelitian ini, dilakukan 3 tahap pengujian menggunakan data sampel dari 5 kalimat marah bahasa Aceh dengan tiga nada frekuensi suara yang berbeda yaitu nada rendah, nada sedang dan nada tinggi. Masingmasing nada suara marah bahasa Aceh dilakukan 15 pengujian data suara. Untuk masing-masing kalimat
Hasil pengujian data yang terdiri dari 5 kalimat marah bahasa Aceh masing-masing kalimat dilakukan 3 kali pengulangan ucapan. Pada gambar grafik 7 menunjukkan hasil keberhasilan pengujian kalimat bek hai dengan 3 kali pengucapan yang sesuai dengan data training dan 0 data yang tidak sama dengan data training sedangkan hasil untuk pengujian kalimat tubit 2 kali
25
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
pengucapan yang sesuai dengan data training dan 1 kali pengucapan yang tidak sesuai. Untuk hasil pengujian pengucapan kalimat minah inan, jakwo dan that batat sama dengan kalimat tubit. Pada pengujian nada rendah amplitudo tertinggi adalah 100. Adapun hasil keberhasilan yang didapatkan 73.3 %.
-
Pengujian terhadap nada tinggi Hasil pengujian sistem aplikasi ekspresi emosi marah terhadap nada tinggi dapat dilihat dalam bentuk grafik berikut ini.
Gambar 9 Grafik hasil pengujian nada tinggi Hasil pengujian data 5 kalimat marah bahasa Aceh masing-masing kalimat 3 kali pengulangan ucapan didapatkan nilai akurasi 80 %.
Gambar 7 Grafik hasil pengujian nada rendah -
Pengujian terhadap nada sedang Hasil pengujian sistem aplikasi ekspresi emosi marah terhadap nada sedang dapat dilihat dalam bentuk grafik berikut ini.
Dari 3 pengujian yang dilakukan yaitu pengujian dengan nada rendah, sedang dan nada tinggi, hasil akurasi pengujian sistem aplikasi ekspresi emosi marah bahasa Aceh menggunakan algoritma perceptron dapat dilihat pada gambar berikut ini. Persentasi Keberhasilan
Gambar 8 Grafik hasil pengujian nada sedang
Gambar 12 Grafik hasil pengujian nada sedang
Hasil pengujian data yang terdiri dari 5 kalimat marah bahasa Aceh masing-masing kalimat dilakukan 3 kali pengulangan ucapan. Pada gambar grafik 8 menunjukkan hasil keberhasilan pengujian kalimat bek hai dengan 3 kali pengucapan yang sesuai dengan data training dan 0 data yang tidak sama dengan data training sedangkan hasil untuk pengujian kalimat tubit 2 kali pengucapan yang sesuai dengan data training dan 1 kali pengucapan yang tidak sesuai. Pada pengujian nada rendah amplitudo tertinggi adalah 350. Adapun hasil keberhasilan yang didapatkan 73.3 %.
Hasil akurasi pengujian sistem aplikasi ekspresi emosi marah bahasa Aceh sebesar 75.6 %. 4.
Simpulan
Berdasarkan pembahasan yang telah diuraikan pada bab-bab sebelumnya, maka dapat disimpulkan beberapa hal sebagai berikut. 1. Hasil yang diperoleh untuk pengujian secara real time kurang akurat dan susah dikenali disebabkan tempat yang tidak sesuai dengan data training dan banyak noise.
26
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
2.
3.
4.
Semakin banyak training yang dilakukan, semakin baik pula kemampuan sistem dalam melakukan pengenalan. Untuk mendapatkan nilai hasil yang lebih akurat, data rekaman suara dihilangan noise terlebih dahulu. Tingkat akurasi pengujian secara real time sebesar 75.6 %.
5.
Daftar Acuan
[1]
Hanggarsari, P.N. 2012. “Simulasi Sistem Pengacakan Sinyal Suara Secara Realtime Berbasis Fast Fourier Transform (FFT)”. Jurnal Rekayasa dan Teknik Elektro. Volume 6. No 3. Hal 192.
[2] Chaniago, I. 2014. "Simulasi dan Analisis Deteksi Emosi Manusia Dari Suara Percakapan Berbasis Discrete Wavelet Transform dan Linear Predictive Coding.” [3]
Hafizah. 2015. “Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perceptron untuk Mendeteksi Karakteristik Sidik Jari “. Jurnal Saintikom. Vol.14, No.2.Hal.83-84.
[4] Resmawan, I Wayan Adi. 2010. “Verifikasi Suara Menggunakan Metode MFCC dan DTW”. (Tugas Akhir. Mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana Jimbaran-Bali). [5]
Sutojo, T., dkk.2011. Kecerdasan Buatan. Semarang: Andi.
27