PENGENALAN KATA BERBASISKAN FONEM DENGAN PEMODELAN RESILIENT BACKPROPAGATION
PRAMESWARI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
PENGENALAN KATA BERBASISKAN FONEM DENGAN PEMODELAN RESILIENT BACKPROPAGATION
PRAMESWARI
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ABSTRACT PRAMESWARI. Words Recognition based on Phonemes with Resilient Backpropagation Models. Under the direction of AGUS BUONO. The aim of this research is to know the performance of Neural Network as a model for word recognition. The research uses Resilient Backpropagation for modeling and Mel-Frequency Cepstral Coefficient (MFCC) for feature extraction. The voice data used comes from one speaker. Total words used are 70 words that consist of 50 words as a dictionary of words and 20 words, that each word repeated 10 times. Dictionary words consist of 50 words from a combination of phonemes used in the research. Phonemes used in this research are 10 phonemes consist of 4 vowels and 6 consonants phonemes. From the 20 words, each word is repeated 10 times, 7 times used as training data and 3 times are used as test data. The output from testing process are word transcription. The convertion process from the word transcription into word is done manually by 5 person. This research produces two models. Average accuracy obtained from model with 100 hidden neuron is 75% for test data and 61% for the dictionary of words. The best average accuracy obtained is 93% for test data and 62 % for the dictionary of words generated by testing the model with 1000 hidden neurons. Overfitting occurs in the second model with 1000 hidden neurons. It causes the model can only produce good output for data that has been trained. Keywords: word recognition, phoneme, Neural Networks, Resilient Backpropagation, Mel-Frequency Cepstral Coefficient, overfitting.
Judul Nama NIM
: Pengenalan Kata Berbasiskan Fonem dengan Pemodelan Resilient Backpropagation : Prameswari : G64061471
Menyetujui : Pembimbing
Dr. Ir. Agus Buono, M.Si., M.Kom NIP 19660702 199302 1 001
Mengetahui : Ketua Departemen Ilmu Komputer
Dr. Ir. Sri Nurdiati, M.Sc NIP. 19601126 198601 2 001
Tanggal Lulus :
PRAKATA Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir ini. Terima kasih penulis ucapkan kepada pihak yang telah membantu penyelesaian tulisan akhir ini, antara lain kepada Bapak Dr. Ir. Agus Buono, M.Si., M.Kom., selaku pembimbing atas bimbingan dan arahannya selama pengerjaan tugas akhir ini, serta Ibu Dr. Ir. Sri Nurdiati, M.Sc., dan Bapak Mushthofa, S.Kom., M.Sc., selaku penguji tugas akhir ini. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga atas doa dan dukungannya. Terima kasih juga kepada Merlinda, Charisna, Karomatul, Utari, Indyastari serta teman-teman Ilkomerz 43 yang telah memberikan semangat dan dukungannya. Penulis menyadari bahwa masih terdapat kekurangan dalam penelitian ini. Semoga tulisan ini dapat bermanfaat.
Bogor, November 2010
Prameswari
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 14 Juli 1988 di Jakarta sebagai anak pertama dari tiga bersaudara dari pasangan Yadiono dan Rosmiati. Pada tahun 2006 penulis lulus dari SMA Negeri 2 Bekasi dan diterima sebagai mahasiswa Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) pada tahun yang sama. Pada tahun 2007, penulis diterima sebagai mahasiswa di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), IPB. Selama mengikuti kegiatan perkuliahan, penulis pernah menjadi asisten praktikum Penerapan Komputer. Penulis juga aktif dalam kegiatan HIMALKOM 2008/2009 sebagai sekretaris Divisi Kreatif HIMALKOM. Selain itu, penulis juga pernah menjadi bendahara Komisi II Internal Dewan Perwakilan Mahasiswa (DPM) FMIPA 2009/2010. Pada tahun 2009, penulis melaksanakan praktik kerja lapangan di Pusat Penelitian dan Pengembangan Ilmu Pengetahuan dan Teknologi Lembaga Ilmu Pengetahuan Indonesia (PAPPIPTEK LIPI).
DAFTAR ISI Halaman DAFTAR TABEL............................................................................................................................. v DAFTAR GAMBAR ........................................................................................................................ v DAFTAR LAMPIRAN ..................................................................................................................... v PENDAHULUAN ............................................................................................................................ 1 Latar Belakang ............................................................................................................................ 1 Tujuan Penelitian ......................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1 Manfaat ....................................................................................................................................... 1 TINJAUAN PUSTAKA .................................................................................................................... 2 Pengenalan Suara ........................................................................................................................ 2 Representasi Gelombang Sinyal ................................................................................................... 2 Fonem ......................................................................................................................................... 2 Pemrosesan Suara ........................................................................................................................ 3 Konversi Sinyal Analog ke Sinyal Digital .................................................................................... 3 Ekstrasi Ciri ................................................................................................................................ 4 Jaringan Syaraf Tiruan ................................................................................................................. 5 Inisialisasi Bobot dan Bias ........................................................................................................... 7 Resilient Backpropagation ........................................................................................................... 7 METODE PENELITIAN .................................................................................................................. 8 Studi Pustaka ............................................................................................................................... 8 Pengambilan Data Suara .............................................................................................................. 8 Praproses ..................................................................................................................................... 9 Arsitektur JST Resilient Backpropagation .................................................................................... 9 Pelatihan Sistem ........................................................................................................................ 10 Pengujian .................................................................................................................................. 10 Penghitungan Akurasi ................................................................................................................ 10 Lingkungan Pengembangan ....................................................................................................... 10 HASIL DAN PEMBAHASAN........................................................................................................ 10 Hasil Pengambilan Data ............................................................................................................. 10 Pelatihan dan Pengujian ............................................................................................................. 11 Akurasi Pengujian ..................................................................................................................... 11 KESIMPULAN DAN SARAN........................................................................................................ 13 Kesimpulan ............................................................................................................................... 13 Saran ......................................................................................................................................... 13 DAFTAR PUSTAKA ..................................................................................................................... 13 LAMPIRAN ................................................................................................................................... 15
iv
DAFTAR TABEL 1. 2. 3. 4.
Halaman Daftar 20 kata sebagai data latih ................................................................................................. 8 Daftar 50 kata di luar data latih................................................................................................... 9 Struktur JST RPROP .................................................................................................................. 9 Definisi target JST untuk 10 fonem........................................................................................... 10
DAFTAR GAMBAR 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Bentuk gelombang dari kata ‘test’ (Al-Kaidi 2007). .................................................................... 2 Empat suara dari kata ‘test’ : ‘t’, ‘e’, ‘s’, ‘t’ (Al-Kaidi 2007). ...................................................... 2 Proses transformasi sinyal analog menjadi informasi (Buono 2009)............................................. 3 Ilustrasi proses konversi sinyal analog menjadi sinyal waktu diskret. ......................................... 3 Diagram blok proses MFCC (Do 1994). ..................................................................................... 4 Arsitektur jaringan single layer (Kusumadewi 2003). .................................................................. 5 Arsitektur jaringan multi layer (Kusumadewi 2003). ................................................................... 6 Arsitektur jaringan competitive layer. ........................................................................................ 6 Metode penelitian....................................................................................................................... 8 Pemotongan data suara. .............................................................................................................. 9 Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang dilatih dengan Model Pertama. . 12 Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang dilatih dengan Model Kedua..... 12 Grafik perbandingan akurasi keseluruhan kata dari 2 model RPROP ......................................... 13
DAFTAR LAMPIRAN 1. 2. 3. 4. 5. 6. 7. 8. 9.
Algoritme Pelatihan JST RPROP (Sumber : Riedmiller dan Braun 1992, diacu dalam Engelbrecht 2007) ....................................................................................................................................... 16 Kuesioner model pertama dengan 100 hidden neuron............................................................... 17 Kuesioner model kedua dengan 1000 hidden neuron ................................................................. 19 Kuesioner untuk 50 kata di luar data latih dengan 100 hidden neuron ........................................ 21 Kuesioner untuk 50 kata di luar data latih dengan 1000 hidden neuron ...................................... 23 Hasil prediksi kata sinyal suara dari 20 kata yang dimodelkan dengan 100 hidden neuron ......... 25 Hasil prediksi kata sinyal suara dari 20 kata yang dimodelkan dengan 1000 hidden neuron ....... 26 Hasil prediksi 50 kata sinyal suara di luar data latih dengan 100 hidden neuron ........................ 27 Hasil prediksi 50 kata sinyal suara di luar data latih dengan 1000 hidden neuron ...................... 29
v
PENDAHULUAN Latar Belakang Perkembangan teknologi yang sudah semakin maju saat ini menyebabkan bentuk informasi yang dikirimkan bukan hanya dalam bentuk teks tetapi juga dalam bentuk suara. Hal ini menyebabkan banyaknya penelitian yang berhubungan dengan pengembangan sistem dalam bidang pemrosesan suara. Kemampuan untuk dapat bicara dengan komputer pribadi dan dapat membuat komputer tersebut mengenali serta mengerti apa yang dikatakan, akan menimbulkan kenyamanan dalam berkomunikasi (Peacock 1999). Untuk mengembangkan suatu sistem yang dapat mengenali kata atau suara tidaklah mudah, berbeda dengan manusia yang dapat dengan mudah menginterpretasikan kata ataupun suara yang didengar. Perkembangan teknologi pengenalan suara yang kontinu memungkinkan manusia untuk dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari. Beberapa penelitian mengenai pengenalan suara dalam bahasa Indonesia telah banyak dilakukan. Seperti penelitian yang dilakukan oleh Ruvinna (2008) tentang pengenalan kata berbahasa Indonesia dengan Hidden Markov Models atau HMM, Resmiwati (2009) tentang pengenalan kata berbahasa Indonesia dengan HMM berbasiskan fonem, dan Danuriati (2010) yang meneliti tentang konversi suara ke teks yang berbasiskan fonem dengan HMM. Dengan demikian, pada penelitian ini akan dikembangkan suatu pengenalan kata berbasiskan fonem dengan Jaringan Syaraf Tiruan (JST). JST merupakan salah satu metode yang dapat digunakan untuk mengenali pola (huruf, angka, suara atau tanda tangan) yang sudah sedikit berubah. JST dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya. Selain itu JST juga bersifat adaptif karena mampu belajar dari data sebelumnya dan dapat mengenal pola data yang selalu berubah. Terdapat banyak metode dalam JST, salah satunya adalah Backpropagation. Metode Backpropagation merupakan suatu teknik supervised learning yang banyak digunakan untuk pengenalan pola-pola yang kompleks. Backpropagation dapat melatih jaringan untuk memperoleh keseimbangan antara kemampuan jaringan dalam mengenali pola yang dipakai dalam pelatihan dan kemampuan jaringan dalam memberikan
respon yang benar untuk pola input yang serupa tapi tidak identik dengan pola yang digunakan selama pelatihan (Fausett 1994). Metode standar Backpropagation seringkali terlalu lambat untuk keperluan praktis sehingga beberapa modifikasi dilakukan pada Backpropagation dengan mengganti fungsi pelatihannya. Salah satu modifikasi yang dikembangkan adalah Resilient Backpropagation. Martin Riedmiller dan Heinrich Braun telah mengembangkan metode Resilient Backpropagation untuk menambah kecepatan pembelajaran (Susanto 2007). Tujuan Penelitian Penelitian ini bertujuan untuk mengetahui kinerja dari pemodelan dengan metode Resilient Backpropagation dalam mengenali kata berbasiskan fonem. Ruang Lingkup Ruang lingkup penelitian ini adalah : 1. Pengenalan kata bersifat isolated word. Kata yang dikenali adalah kata yang saling terpisah oleh jeda yang pendek. 2. Sistem yang dikembangkan termasuk dalam small vocabulary karena kata yang digunakan dalam pemodelan terdiri atas 20 kata. Suatu sistem dikatakan bersifat large vocabulary jika kata yang terdapat dalam kamus kata berjumlah lebih dari 1000 kata (Jurafsky 2007). 3. Pemodelan menggunakan 20 kata dalam bahasa Indonesia yang mengandung 10 fonem asli. Fonem yang digunakan terdiri atas 4 fonem vokal dan 6 fonem konsonan. 4. Sistem ini bersifat speaker dependent sehingga sistem hanya dapat mengenali suara orang yang telah dilatih sebelumnya (Jurafsky 2007). Dalam penelitian ini, suara yang dilatih berasal dari satu pembicara. 5. Sistem ini memberikan hasil berupa sinyal kata, sehingga perhitungan akurasinya diambil dari hasil kuesioner yang diberikan kepada 5 orang yang memprediksi kata yang diinginkan dari sinyal kata yang dihasilkan oleh sistem. Manfaat Diharapkan penelitian ini dapat dijadikan langkah awal dalam membangun sistem pengenalan kata berbasis fonem dalam bahasa Indonesia yang lebih sempurna dan menyeluruh. Selain itu, diharapkan pemodelan yang digunakan dapat memberikan informasi mengenai kinerja dari metode Resilient Backpropagation dalam pemodelan kata.
1
TINJAUAN PUSTAKA Pengenalan Suara Menurut Peacock (1990), pengenalan suara merupakan kemampuan untuk mengidentifikasi kata-kata yang diucapkan. Terdapat 5 faktor yang dapat mengontrol dan menyederhanakan sistem pengenalan suara, yaitu: Isolated Word. Suara yang memiliki unsur isolated word (jeda yang pendek di antara kata) akan lebih mudah untuk dikenali daripada continous speech karena sulit untuk menemukan batasan dari sebuah kata pada continous speech. Single speaker. Suara dari satu pembicara akan lebih mudah dikenali daripada suara dari banyak pembicara karena akan lebih banyak parameter untuk merepresentasikan suara dari pembicara tertentu. Vocabulary size. Ukuran kosakata dari suara yang ingin dikenali memiliki pengaruh yang sangat kuat dalam menentukan akurasi dari suatu sistem. Grammar. Urutan dari kata-kata yang diperbolehkan sistem bergantung pada grammar dari wilayah pengenalan. Banyaknya pembatasan pada pemilihan kata dimaksud untuk mengurangi kekacauan dari grammar. Lingkungan. Latar belakang noise, perubahan dalam karakteristik mikrofon dan kekerasan suara bisa memengaruhi akurasi dari sebuah sistem. Representasi Gelombang Sinyal Sinyal suara dapat direpresentasikan sebagai bentuk gelombang. Pada Gambar 1 ditunjukkan bentuk gelombang yang ditandai dengan beberapa fitur, yaitu sampling frequency sebesar 11025 Hz, resolusi 8 bit (256 level kuantisasi), panjang (L) dari file adalah 7000 sample. Dari Gambar 1, bentuk gelombang yang pertama memiliki garis horizontal yang menunjukkan banyaknya sample sedangkan gelombang yang kedua menunjukkan garis horizontal sebagai variabel waktu.
Gambar 1 Bentuk gelombang dari kata ‘test’ (Al-Kaidi 2007). Pada Gambar 1 telah ditunjukkan bentuk gelombang dari kata ‘test’. Kata ‘test’ ini terdiri atas 4 suara, yaitu ‘t’, ‘e’, ‘s’, ‘t’. Untuk mengenali sela kecil sebelum huruf ‘t’ yang terakhir dimungkinkan karena kata tersebut diucapkan dengan berbeda dan pelan. Jika diperhatikan, bentuk gelombang tersebut dapat dilihat perbedaannya secara visual. Dengan demikian, didapat 4 suara independent dari gelombang ini yang ditunjukkan Gambar 2.
Gambar 2 Empat suara dari kata ‘test’ : ‘t’, ‘e’, ‘s’, ‘t’ (Al-Kaidi 2007). Berdasarkan Gambar 2, dapat disimpulkan bahwa dengan memeriksa bentuk gelombang dapat diketahui bentuk-bentuk suara, yaitu (AlKaidi 2007) : 1. Huruf konsonan biasanya memiliki struktur noisy, sedangkan huruf vokal memiliki bentuk periodik yang alami. 2. Bentuk gelombang suara ‘t’ di awal dan di akhir adalah sama dan keduanya memiliki karakter yang explosive. 3. Huruf ‘s’ terlihat seperti white noise. Fonem Menurut Kamus Besar Bahasa Indonesia (KBBI) fonem merupakan satuan bunyi terkecil yang mampu menunjukkan kontras makna. Misal /h/ adalah fonem karena membedakan makna kata harus dan arus, sedangkan /b/ dan /p/ adalah dua fonem yg berbeda karena bara dan para memiliki makna yang berbeda.
2
Pemrosesan Suara Sinyal suara merupakan gelombang longitudinal yang tercipta dari tekanan udara yang berasal dari paru-paru yang berjalan melewati lintasan suara menuju mulut dan rongga hidung dengan bentuk artikulator yang senantiasa berubah (Al-Kaidi 2007, diacu dalam Buono 2009). Secara umum sinyal dapat diklasifikasikan dalam beberapa jenis yaitu : sinyal waktu kontinu, sinyal waktu diskret, sinyal nilai kontinu, sinyal nilai diskret, sinyal random dan sinyal non-random. Sinyal waktu kontinu atau sinyal analog merupakan sinyal yang belum melalui proses apapun sedangkan sinyal nilai diskret merupakan sinyal analog yang telah melalui proses sampling, kuantisasi, dan coding (Proakis & Manolakis 1996). Pemrosesan suara merupakan teknik menransformasi gelombang longitudinal menjadi informasi berarti yang diinginkan (Buono 2009). Proses transformasi terdiri atas beberapa tahap yaitu digitalisasi sinyal analog, ekstrasi ciri dan pengenalan pola untuk klasifikasi seperti diilustrasikan pada Gambar 3.
waktu kontinu (sinyal analog) sehingga didapat sinyal waktu diskret. Jumlah titik- titik yang diambil setiap detik disebut sampling rate. Misalkan sinyal analog di-sampling dengan sampling rate sebesar 11000Hz, ini berarti setiap detik di-sampling sebanyak 11000 kali. Dalam proses sampling, untuk menghindari aliasing maka perlu diperhatikan kriteria Nyquist rate yang menyatakan bahwa sebuah sinyal harus memiliki sampling rate yang lebih besar dari 2Fmax . Komponen frekuensi untuk kelompok sinyal suara berada di bawah 3000 Hz, sedangkan untuk kelompok sinyal radio frekuensinya mencapai 5MHz (Proakis & Manolakis 1996). Kuantitasi adalah proses memetakan nilainilai dari nilai sinyal kontinu menjadi nilainilai yang diskret sehingga didapatkan sinyal nilai diskret. Kuantisasi dilakukan dengan cara membulatkan nilai hasil sampling ke nilai terdekat (rounding) sehingga menghasilkan sinyal suara digital. Ekstrasi ciri merupakan proses untuk menentukan penciri dari sebuah objek. Pengenalan pola untuk klasifikasi dapat dilakukan dengan beberapa metode pengklasifikasian yang ada. Konversi Sinyal Analog ke Sinyal Digital Langkah- langkah proses konversi dari sinyal analog ke sinyal digital, yaitu (Proakis & Manolakis 1996) : 1. Sampling Sampling merupakan konversi dari sinyal waktu kontinu ke sinyal waktu diskret yang didapat dengan mengambil samples dari sinyal waktu kontinu pada waktu diskret seketika itu juga. Dengan demikian, jika xa (t) adalah input untuk sampler, maka output–nya adalah xa(nT) = x (n)
-∞
dengan x(n) adalah sinyal waktu yang diperoleh dengan mengambil dari sinyal analog setiap T sekon adalah sampling interval. Ilustrasi konversi ditunjukkan oleh Gambar 4. xa (t) Gambar 3 Proses transformasi sinyal analog menjadi informasi (Buono 2009). Di dalam proses digitalisasi sinyal analog terdapat dua teknik yaitu sampling dan kuantisasi. Sampling merupakan proses mengambil nilai-nilai sinyal pada titik- titik diskret sepanjang variabel waktu dari sinyal
Sinyal analog
diskret sample dan T proses
x (n)= xa(nT) Fs = 1/T sampler
Sinyal waktu diskret
Gambar 4 Ilustrasi proses konversi sinyal analog menjadi sinyal waktu diskret.
3
2. Kuantisasi Dalam kuantisasi terjadi proses konversi dari waktu diskret (sinyal nilai kontinu) ke waktu diskret (sinyal nilai diskret). Sinyal waktu diskret yang memiliki nilai bersifat diskret disebut sebagai sinyal digital. Nilai dari setiap sample sinyal oleh nilai yang diperoleh dari finite set dari nilai yang mungkin. Perbedaan antara sample yang tak terkuantisasi x(n) dengan output yang terkuantisasi xq (n) disebut dengan error kuantisasi. 3. Coding Dalam proses coding, setiap nilai diskret xq (n) direpresentasikan oleh rangkaian b- bit biner. Ekstrasi Ciri Ekstrasi ciri merupakan proses untuk menentukan suatu nilai atau vektor yang dapat digunakan sebagai penciri objek atau individu. Di dalam pemrosesan suara, ciri yang biasa dipergunakan adalah nilai koefisien cepstral dari sebuah frame. Salah satu teknik ekstrasi ciri sinyal suara dengan kinerja yang baik adalah Mel-Frequency Cepstral Coefficient (MFCC). MFCC didasarkan pada variasi frekuensi batas pendengaran manusia yaitu 20Hz sampai 20000Hz. Diagram blok proses MFCC dalam mengekstrak sinyal suara dapat dilihat pada Gambar 5 continous speech
Frame blocking
frame
Windowing
FFT spectrum
mel spectrum
Cepstrum
mel spectrum
Mel-frequency wrapping
Gambar 5 Diagram blok proses MFCC (Do 1994). Berikut ini adalah proses MFCC (Do 1994) : Frame blocking Setelah sinyal analog didigitalkan dengan sampling dan kuantisasi, dilakukan proses frame blocking pada sinyal digital. Dalam proses ini sinyal suara dibagi ke dalam beberapa frame dengan lebar tertentu yang saling tumpang tindih (overlap). Keadaan overlap antar frame ini ditujukan agar tidak ada sedikitpun sinyal yang hilang.
Windowing Pada setiap frame dari hasil frame blocking dilakukan windowing. Proses windowing dilakukan dengan mengalikan sinyal digital dengan fungsi window tertentu yang berukuran sama dengan ukuran frame. Tujuan proses ini adalah untuk meminimalisasi distorsi (ketidakberlanjutan sinyal) antar frame. Salah satu fungsi window yang memiliki formula yang sederhana adalah window Hamming. Window Hamming didefinisikan dalam persamaan berikut: , 0 ≤ n ≤ N-1 ,
W(n) = 0,54-0,46cos
dengan N adalah panjang window. Fast Fourier Transform (FFT) FFT merupakan salah algoritme Discrete Fourier Transform (DFT) yang berguna untuk mengonversi sinyal dari domain waktu menjadi domain frekuensi. Fungsi FFT didefinisikan sebagai berikut: xn = ∑
.
.. .
,
dengan n = 0,1,2…, N-1 Hasil akhir dari proses ini seringkali ditujukan sebagai spectrum atau periodogram. Mel-Frequency Wrapping, Setiap orang memiliki persepsi yang berbeda terhadap penerimaan suara sehingga tidak dapat diukur dalam skala linear pada frekuensi di atas 1000Hz. Penerimaan untuk frekuensi rendah, filter yang digunakan menggunakan skala linear, sedangkan untuk frekuensi tinggi (>1000Hz), filter dibentuk dengan skala logaritma. Persamaan berikut menunjukkan hubungan antara skala mel dengan frekuensi dalam Hz.
Fmel
=
Proses wrapping terhadap sinyal dalam domain frekuensi dilakukan menggunakan persamaan berikut:
, dengan i = 1, 2, 3,… M (jumlah filter segitiga) dan Hi(k) adalah nilai filter segitiga ke I untuk frekuensi akustik sebesar k.
4
Cepstrum Langkah terakhir adalah mengonversi mel spectrum kembali ke domain waktu. Hasilnya disebut mel frequency cepstrum coefficients (MFCC). Karena koefisien mel cepstrum adalah nilai real maka dapat dikonversi ke dalam domain waktu dengan Discrete Cosine Transform (DCT). Nilai koefisien MFCC dapat diperoleh menggunakan transformasi kosinus dengan persamaan sebagai berikut :
, dengan j= 1, 2, 3,…, K. K merupakan jumlah koefisien MFCC yang diinginkan dan M adalah jumlah filter. Jaringan Syaraf Tiruan Menurut Fausset (1994), jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis. Neural Network merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Pemodelan secara matematisnya didasarkan pada beberapa asumsi, yaitu (Fausset 1994) :
Sementara itu, jaringan kompetitif pada Gambar 5 merupakan contoh dari jaringan recurrent, dimana ada neuron output yang memberikan sinyal pada unit input. Berikut beberapa arsitektur jaringan yang sering digunakan dalam JST, antara lain : 1. Jaringan Single Layer Jaringan single layer terdiri atas satu lapisan input dan satu lapisan output dengan setiap neuron yang saling terhubung. Dalam jaringan ini, semua unit input dihubungkan dengan semua unit output dengan bobot yang berbedabeda. Tidak ada unit input yang dihubungkan dengan unit input lainnya. Demikian pula dengan unit output, tidak ada unit output yang terhubung dengan unit output yang lain (Fausett 1994). Selama proses pelatihan, bobot tersebut dimodifikasi untuk meningkatkan keakuratan hasil. Arsitektur jaringan single layer dapat dilihat pada Gambar 6. Nilai input X1
X2
X3
Lapisan input Matriks bobot
Y1
Y2
Lapisan output Nilai output
1. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron 2. Sinyal-sinyal dikirimkan di antara neuronneuron melalui penghubung.
Gambar 6 Arsitektur jaringan single layer (Kusumadewi 2003).
3. Setiap penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
2. Jaringan Multi Layer
4. Setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linear) ke jaringan input untuk menentukan sinyal output. JST ditentukan oleh 3 hal, yaitu pola hubungan antar neuron (disebut arsitektur jaringan), metode untuk menentukan bobot penghubung (disebut metode training/ learning) dan fungsi aktivasi (Siang 2005).
Jaringan multi layer merupakan perluasan dari jaringan single layer. Selain terdapat lapisan input dan output, pada jaringan ini juga terdapat hidden layer. Pada lapisan ini, dimungkinkan pula ada beberapa hidden layer (Siang 2005). Jaringan multi layer dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan jaringan single layer, tetapi proses pelatihan menjadi lebih sulit (Fausett 1994). Arsitektur jaringan multi layer dapat dilihat pada Gambar 7.
Arsitektur JST JST memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Jaringan single layer dan jaringan multi layer yang dapat dilihat pada Gambar 3 dan 4, merupakan contoh dari jaringan feedforward. Jaringan ini disebut sebagai jaringan feedforward karena sinyal mengalir dari unit input ke unit output dalam arah maju.
5
Metode Pelatihan Nilai input X1
X2
Lapisan input
X3
Matriks bobot
Z1
Z2
Lapisan tersembunyi Matriks bobot kedua
Y
Lapisan output Nilai output
Berdasarkan cara memodifikasi bobotnya, model jaringan dibagi menjadi 2, yaitu (Fausett 1994) : 1. Pelatihan dengan Supervisi Dalam pelatihan ini, terdapat sejumlah pasangan data yaitu input dan target output yang dipakai untuk melatih jaringan sampai diperoleh bobot yang diinginkan (Siang 2005). Contoh model yang masuk dalam kategori ini adalah model Hebbian, Perceptron, ADALINE, Boltzman, Hopfield, Backpropagation, dan lain- lain. 2. Pelatihan tanpa Supervisi
Gambar 7 Arsitektur jaringan multi layer (Kusumadewi 2003). 3. Jaringan Competitive Layer Jaringan ini merupakan salah satu model jaringan tanpa supervisi. Dalam model ini, neuron dipaksa untuk berkompetisi sehingga hanya satu di antaranya yang menjadi aktif (Siang 2005). Prinsip ini sering disebut winner takes all. Salah satu model yang menggunakan dasar kompetisi adalah MaxNet. Jaringan ini terdiri atasm titik yang semuanya saling berhubungan dengan bobot simetris. Bobot antar titik berbeda adalah -ɛ. Bobot suatu titik ke dirinya sendiri = 1 (Fausett 1994). Arsitektur jaringan competitive layer dapat dilihat pada Gambar 8.
Pada pelatihan ini, rangkaian dari vektor input disediakan, tetapi vektor target tidak ditentukan (Fausett 1994). Dengan kata lain, tidak ada guru yang mengarahkan dalam proses pelatihan. Jaringan memodifikasi bobot, sehingga vektor input yang paling serupa akan Dengan demikian, perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dilakukan berdasarkan parameter tertentu. Contoh model yang masuk dalam kategori ini adalah model Competitive, Hebbian, Kohonen, LVQ, dan lain- lain. Fungsi Aktivasi Dalam Backpropagation, fungsi aktivasi yang digunakan harus memenuhi beberapa syarat yaitu : kontinu, terdeferensiasi dengan mudah dan merupakan fungsi yang tidak turun. Fungsi aktivasi yang sering digunakan adalah fungsi sigmoid biner dan fungsi sigmoid bipolar. Fungsi sigmoid biner memiliki range (0,1) sedangkan fungsi sigmoid bipolar memiliki range (-1,1). Fungsi Sigmoid Biner f (x) =
(
)
dengan turunannya f ’ (x) = f (x)[1 - f (x)] Fungsi Sigmoid Bipolar Gambar 8 Arsitektur jaringan competitive layer.
f (x) =
(
)
(
)
dengan turunannya f ’ (x) = [1 + f (x)][1 - f (x)]
6
Inisialisasi Bobot dan Bias Bobot awal akan memengaruhi apakah jaringan mencapai titik minimum lokal atau global, dan seberapa cepat konvergensinya. Nilai bobot awal tidak boleh terlalu besar karena nilai turunan fungsi aktivasinya akan menjadi kecil. Nguyen dan Widrow mengusulkan cara membuat inisialisasi bobot dan bias ke unit tersembunyi sehingga menghasilkan iterasi yang lebih cepat. Algoritme inisialisasi adalah sebagai berikut : -
Nguyen-Widrow
Hitung harga faktor penskalaan
= 0.7 p1/n dengan:
= faktor skala n = jumlah neuron lapisan input p = jumlah neuron lapisan tersembunyi -
Inisialisasi semua bobot (v ji (lama) dengan bilangan acak dalam interval [-0.5, 0.5] Bobot yang dipakai sebagai inisialisasi v ji ( lama ) v ji ( baru ) v j ( lama )
-
Bias yang dipakai sebagai inisialisasi vj0 = bilangan acak antara - dan .
mempercepat laju pembelajaran. RPROP dengan melakukan adaptasi langsung terhadap nilai bobot berdasarkan informasi dari gradien lokalnya (Riedmiller & Brown 1992, diacu dalam Engelbrecht 2007). Penentuan bobot diimplementasikan dalam bentuk reward atau punishment, sebagai berikut : jika turunan parsial (atau ) dari bobot (atau ) berubah tanda, nilai update bobot Δ (Δ ) berkurang dengan faktor . Alasan untuk penalty ini karena update nilai bobot terakhir terlalu besar, sehingga menyebabkan algoritme melompat ke minimum lokal. Dengan kata lain, jika turunan dapat mempertahankan tanda, nilai update akan bertambah atau meningkat dengan faktor untuk mempercepat konvergensi. (Riedmiller dan Brown 1993, diacu dalam Engelbrecht 2007). Untuk lebih jelasnya algoritme pelatihan RPROP dapat dilihat pada Lampiran 1. Nilai dari ∆ menunjukkan bobot awal untuk itu dipilih nilai yang kecil, misal ∆ = 0,1. Kinerja dari RPROP tidak sensitif terhadap nilai ∆ (Riedmiller dan Brown, 1993 diacu dalam Engelbrecht 2007). Parameter ∆ dan ∆ berturut- turut menentukan batas atas dan batas bawah pada saat peng-update-an. Riedmiller dan Braun menyarankan nilai untuk faktor turun = 0.5, dan = 1.2 (Engelbrecht 2007).
Resilient Backpropagation Metode standar Backpropagation seringkali terlalu lambat untuk keperluan praktis, sehingga dilakukan beberapa modifikasi terhadap standar Backpropagation dengan cara mengganti fungsi pelatihannya. Secara umum, terdapat 2 kategori dalam modifikasi. Kategori pertama adalah metode dengan menggunakan teknik heuristik yang dikembangkan dari metode penurunan tercepat yang dipakai dalam standar Backpropagation. Beberapa modifikasi yang termasuk dalam kategori pertama adalah Backpropagation dengan momentum, variabel laju pemahaman, dan resilient Backpropagation. Kategori kedua adalah menggunakan metode optimasi numerik selain penurunan tercepat. Beberapa metode untuk modifikasi kategori kedua ini adalah metode gradien conjugate, quasi Newton, dan lain- lain (Siang 2005). Resilient Backpropagation atau biasa disebut RPROP merupakan salah satu modifikasi dalam Backpropagation untuk
7
METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut dapat dilihat pada Gambar 9. Mulai
atas 50 kata diambil dari kombinasi fonem yang digunakan dalam penelitian. Fonem yang digunakan ada 10 fonem yang terdiri atas 4 fonem vokal dan 6 fonem konsonan. Fonem vokal yang digunakan yaitu a, i, u, dan e. Fonem konsonan yang digunakan yaitu j, k, l, m, n, dan s. Tabel 1 Daftar 20 kata sebagai data latih
Studi Pustaka
Pengambilan Data
Cut silent
Daftar Kata
Data Uji
Praproses
Data Latih
Pemodelan JST
Pengujian
Hasil
RPROP
Transkripsi kata kata
Penghitungan Akurasi
Dokumentasi
Selesai
Gambar 9 Metode penelitian. Studi Pustaka Dalam tahap ini, kegiatan yang dilakukan adalah mengumpulkan informasi dan literatur yang terkait dengan penelitian. Informasi tersebut didapatkan dari jurnal, internet, buku, dan penelitian lain. Pengambilan Data Suara Pengambilan data suara dilakukan dengan frekuensi sample (Fs) 11 KHz selama 3 detik untuk setiap kata. Data berasal dari satu pembicara. Total kata yang digunakan ada 70 kata yang terdiri atas 50 kata sebagai daftar kata dan 20 kata yang masing-masing diulang sebanyak 10 ulangan. Kamus kata yang terdiri
No
Kata
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ALAM AMAL JANJI JENIS JINAK KAJI KAKI KAKU KENA LUSA MAKAN MILIK MINUM MUSIM NENEK NUSA SEMAK SENAM SUKA SULAM
Fonem Vokal /a/ /a/ /a/, /i/ /e/, /i/ /a/, /i/ /a/, /i/ /a/, /i/ /a/, /u/ /a/, /e/ /a/, /u/ /a/ /i/ /i/, /u/ /i/, /u/ /e/ /a/, /u/ /a/, /e/ /a/, /e/ /a/, /u/ /a/, /u/
Fonem Konsonan /l/, /m/ /l/, /m/ /j/, /n/ /j/, /n/, /s/ /j/, /k/, /n/ /j/, /k/ /k/ /k/ /k/, /n/ /l/, /s/ /k/, /m/, /n/ /k/, /l/, /m/ /m/, /n/ /m/, /s/ /k/, /n/ /n/, /s/ /k/, /m/, /s/ /m/, /n/, /s/ /k/, /s/ /l/, /m/, /s/
Berdasarkan Tabel 1 dapat dilihat bahwa fonem yang digunakan untuk pemodelan sebanyak 10 fonem asli yang terdiri atas 4 fonem vokal dan 6 fonem konsonan. Dari 20 kata pada Tabel 1 diperoleh 200 kata sinyal suara. Sebanyak 140 kata sinyal suara tersebut digunakan sebagai data latih sedangkan 60 kata sinyal suara yang lain digunakan sebagai data uji. Selain 20 kata yang digunakan untuk pemodelan, dibuat juga 50 kata lain di luar kata yang dimodelkan yang merupakan kombinasi dari fonem-fonem yang digunakan dalam pemodelan. Pada 50 kata lain di luar kata yang dimodelkan ini juga dilakukan pengujian untuk melihat kinerja dari RPROP dalam mengenali pola input yang serupa tapi tidak identik dengan pola yang digunakan selama pelatihan. Berikut daftar 50 kata di luar data latih dapat dilihat pada Tabel 2.
8
Tabel 2 Daftar 50 kata di luar data latih AKAN ANAK ASAM ENAK IKAN JAM JAMU JAS JASA JENAKA JIKA JUAL KAIN KAKAK KAMI KASA KAU KELAS KINA KUAS KUMAN LAJU LAKU LEMAS LIKU
Kata LUKA MAKA MALAM MALAS MANIS MASA MAU MEJA MIMIK MUSIK NAIK NAKAL SAJI SAKA SAKAU SAMA SAUS SEKSI SELAM SELUK SEMI SENI SUKMA SUSUK SUSUN
dibangkitkan dengan frekuensi pembangkitan berbeda. Parameter lain yaitu time frame 30 ms, dimana terjadi overlap 50%, koefisien cepstral yang digunakan adalah 13 sehingga masingmasing frame akan menghasilkan vektor ciri Ot yang terdiri atas 13 koefisien cepstral. Setelah didapatkan hasil ekstrasi, langkah berikutnya adalah melakukan segmentasi vektor ciri sesuai dengan fonem pada setiap kata kemudian menggabungkan vektor-vektor tersebut berdasarkan fonemnya. Arsitektur JST Resilient Backpropagation Tabel 3 Struktur JST RPROP Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Jumlah input neuron
Dimensi MFCC
Jumlah hidden neuron
100, 1000
Jumlah output neuron
10 (definisi target)
Inisialisasi bobot
Nguyen-Widrow
Fungsi pembelajaran
RPROP
Fungsi aktivasi
Sigmoid biner
Toleransi galat
0.0001
Praproses
Learning rate
0.01
Data suara yang diambil masih berupa data suara kotor karena terdapat jeda di awal dan akhir suara sehingga dilakukan proses pemotongan data suara (cutting silent) terlebih dahulu seperti diilustrasikan pada Gambar 10.
Maksimum epoch
5000
Gambar 10 Pemotongan data suara. Tahap praproses selanjutnya adalah mengubah data suara yang telah dibersihkan tersebut ke dalam bentuk vektor. Kemudian dilakukan ekstrasi ciri dengan metode MFCC untuk mendapatkan vektor penciri dari sinyal suara. Terdapat 5 parameter yang digunakan dalam proses ekstrasi ciri menggunakan metode MFCC yaitu input, sampling rate, time frame, overlap, dan koefisien cepstral. Pada penelitian ini digunakan sampling rate sebesar 11000Hz. Menurut Do (1994), input suara sebaiknya direkam dengan sampling rate di atas 10000 untuk meminimalkan efek aliasing saat proses konversi dari sinyal analog ke sinyal digital. Efek aliasing merupakan suatu efek yang menimbulkan bentuk suara yang sama apabila
hasil
Pada RPROP ada banyak parameter yang dapat diatur, tetapi sebagian besar dari parameter-parameter tersebut dapat digunakan dengan nilai yang diatur secara default. Berdasarkan hasil penelitian (Riedmiller & Braun 1993, diacu dalam Susanto 2007) bahwa parameter- parameter tersebut tidak memengaruhi waktu pelatihan, sehingga pada penelitian ini digunakan nilai default pada parameter-parameter yang diperlukan. Nilai ∆ yang digunakan adalah 0,1. Nilai ∆ dan ∆ masing-masing sebesar 50 dan 0,1. Untuk parameter dan digunakan nilai 1,2 dan 0,5. Target didefinisikan pada Tabel 4. Nilai 1 merepresentasikan fonem yang dikenali. Misal, untuk target dengan nilai elemen pertama 1 dan elemen yang lainnya 0 (1000000000) maka target tersebut menunjukkan fonem A.
9
Tabel 4 Definisi target JST untuk 10 fonem No 1 2 3 4 5 6 7 8 9 10
Target 1000000000 0100000000 0010000000 0001000000 0000100000 0000010000 0000001000 0000000100 0000000010 0000000001
Representasi Fonem Fonem A Fonem I Fonem U Fonem E Fonem J Fonem K Fonem L Fonem M Fonem N Fonem S
Pelatihan Sistem JST dimodelkan dengan menggunakan metode pelatihan Resilient Backpropagation dengan parameter yang telah dijelaskan sebelumnya. Pelatihan dilakukan dengan 2 model, model pertama dengan hidden neuron sebanyak 100 dan model kedua dengan hidden neuron sebanyak 1000. Banyaknya neuron pada output layer dibuat 10 untuk merepresentasikan fonem yang akan dimodelkan. Learning rate (laju pemahaman) dipilih 0.01 yang merupakan nilai default. Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi jika α terlalu besar, maka algoritme menjadi tidak stabil dan mencapai titik minimum lokal (Siang 2005). Toleransi galat yang digunakan adalah 0.0001. Jika besar kesalahan (error) yang dihitung dengan mean square error (mse) lebih kecil dari toleransi yang telah ditentukan maka iterasi dihentikan. Umumnya pelatihan dengan Backpropagation tidak akan menghasilkan mse = 0 apalagi jika data pelatihan yang digunakan sangat banyak. Pelatihan akan dihentikan jika besar mse lebih kecil dari toleransi yang telah ditentukan atau jika jumlah epoch pelatihan sudah mencapai epoch maksimum. Pengujian Setelah pelatihan selesai, kemudian dilakukan pengenalan pola. Dalam hal ini, hanya propagasi maju yang digunakan untuk menentukan keluaran jaringan. Pengujian dari model yang telah dibangun dilakukan dengan menggunakan data uji dan 50 kata di luar kata yang digunakan dalam pelatihan. Hasil dari pengujian berupa transkripsi kata. Dengan demikian, untuk mengubah transkripsi kata menjadi kata yang diinginkan dilakukan secara manual oleh 5 orang penguji.
Metode pengujian yang dilakukan dengan memberikan kuesioner hasil transkripsi kata kepada masing-masing penguji. Kemudian para penguji tersebut menentukan kata yang tepat untuk masing-masing transkripsi kata yang ada. Sebelumnya penguji diberikan kamus kata sebanyak 70 kata yang merupakan kata- kata yang diinginkan dari transkripsi kata yang diberikan kepada para penguji. Hasil dari pengujian manual ini yang akan diambil untuk menghitung akurasi dari masing- masing kata tersebut. Penghitungan Akurasi Akurasi dari masing-masing kata dari dua buah model yang dibangun, dihitung dari hasil prediksi kata dari 5 orang penguji melalui kuesioner. Lingkungan Pengembangan Sistem dibangun dan diuji menggunakan perangkat lunak dan perangkat keras dengan spesifikasi : 1. Perangkat keras Prosesor AMD Turion 1.8GHz RAM 2.5 GB Kapasitas Harddisk 80 GB Headset 2. Perangkat lunak Sistem operasi Windows 7 Microsoft Excel 2007 MATLAB versi 7.7.0 HASIL DAN PEMBAHASAN Hasil Pengambilan Data Data suara yang digunakan berjumlah 250 kata yang terdiri atas 70 kata yaitu 200 kata sinyal suara yang dilatih sebelumnya dan 50 kata sinyal suara yang tidak dilatih sebelumnya. Data tersebut disimpan dalam bentuk .wav. Pada data tersebut masih terdapat jeda sehingga dilakukan pemotongan data suara terlebih dahulu. Untuk 20 kata direkam dengan pengulangan 10 kali untuk masing-masing kata sehingga menghasilkan 200 kata sinyal suara. Kemudian 200 kata sinyal suara ini digunakan sebagai data latih dan data uji dengan perbandingan 70 % dan 30 %. Dengan demikian, 140 kata sinyal suara digunakan untuk pemodelan dan 60 kata sinyal suara yang lain digunakan untuk pengujian. Untuk 50 kata sinyal suara yang lain hanya direkam satu kali untuk masing-masing kata dan selanjutnya digunakan untuk menguji model lebih lanjut. Pengujian lebih lanjut dengan 50 kata sinyal
10
suara di luar dari kata yang sudah dilatih dimaksudkan untuk melihat kinerja dari model yang dihasilkan jika diberikan kata di luar dari data latih. Sebelum dilakukan pemodelan dengan Resilient Backpropagation, 140 kata sinyal suara tersebut diekstrasi dengan metode MFCC yang dimplementasikan menggunakan fungsi yang sudah tersedia yang dikembangkan oleh Slanley pada tahun 1998. Seperti yang telah dijelaskan sebelumnya, frame yang digunakan sebesar 30 ms dimana terjadi overlap antar frame sebesar 50 % dan koefisien cepstral yang digunakan adalah 13 untuk tiap frame.
Rangkaian fonem-fonem tersebut disebut transkripsi kata. Proses transformasi dari transkripsi kata menjadi sebuah kata dilakukan secara manual oleh 5 orang penguji yang terdiri atas 2 orang wanita dan 3 orang pria. Ilustrasi transformasi dari transkripsi kata menjadi kata sebagai berikut MMMAALLLAAAMMM
MALAM
Tidak semua transkripsi kata yang dihasilkan memiliki pola yang tepat seperti ilustrasi berikut :
Pelatihan dan Pengujian Data hasil praproses 140 kata sinyal suara berupa matriks dengan ukuran 13 x n karena koefisien cepstral yang digunakan dalam proses MFCC adalah 13. Sebelum data praproses tersebut digunakan untuk pelatihan, data tersebut disegmentasi terlebih dahulu kemudian dikelompokkan berdasarkan fonem yang digunakan. Dengan demikian, data menjadi 10 kelompok fonem. Hal ini dilakukan untuk memudahkan dalam proses memasangkan data pelatihan dengan target yang ingin dicapai. Pelatihan dilakukan dengan parameterparameter yang telah dijelaskan sebelumnya sehingga didapatkan 2 model JST RPROP. Data yang digunakan untuk pengujian adalah 60 kata sinyal suara yang merupakan 30% dari sinyal kata untuk pemodelan. Selain itu untuk melihat lebih jauh kinerja dari RPROP, pengujian juga dilakukan dengan 50 kata lain yang merupakan sinyal kata di luar kata yang dilatih. Pengujian dilakukan dengan 2 model yang telah didapat dari proses pelatihan Resilient Backpropagation. Output dari sistem berupa sequence dari nilai- nilai target yang merepresentasikan fonem. Ilustrasi dari output sistem sebagai berikut : 0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0 0
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
AAALLLLLLLLAAAAAEAAAAASMMM Oleh karena itu proses pengenalan kata dari transkripsi kata yang dihasilkan, masih dilakukan secara manual melalui kuesioner yang diberikan kepada 5 orang. Bentuk kuesioner yang diberikan kepada 5 penguji dapat dilihat pada Lampiran 2, 3, 4, dan Lampiran 5. Di dalam kuesioner terdapat 60 kata sinyal suara, kemudian kelima orang penguji memberikan prediksi kata yang sesuai dengan siyal kata yang dihasilkan. Prediksi kata yang dilakukan oleh 5 orang penguji tersebut dapat dilihat pada Lampiran 6, 7, dan 8. Perbandingan akurasi yang didapat dari dua model RPROP tersebut dapat memperlihatkan bagaimana kinerja RPROP dalam mengenali pola kata yang dipakai dalam pelatihan dan memberikan respon yang benar untuk pola input yang serupa tapi tidak identik dengan pola yang digunakan selama pelatihan. Dalam hal hal ini pola input serupa maksudnya adalah pola dari 50 kata lain di luar kata yang dilatih. Karena kata lain yang terdiri atas 50 kata ini merupakan kata- kata yang berasal dari kombinasi fonem yang ada pada kata- kata untuk pelatihan. Akurasi Pengujian
MMMMAA
Grafik akurasi yang didapat dari model pertama yaitu dengan 100 hidden neuron dapat dilihat pada Gambar 11.
11
Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang digunakan dalam pemodelan 120% 100% 80% 60% 40% 20% 0%
Gambar 11 Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang dilatih dengan Model Pertama.
Dari model RPROP dengan 100 hidden neuron didapat rata-rata akurasi seluruh kata untuk kata yang dilatih 75%.
Grafik akurasi rata-rata yang didapat dari model kedua yaitu dengan 1000 hidden neuron dapat dilihat pada Gambar 12.
Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang digunakan dalam pemodelan 120% 100% 80% 60% 40% 20% 0%
Gambar 12 Akurasi rata-rata setiap kata dari 5 penguji untuk 20 kata yang dilatih dengan Model Kedua. Dari model RPROP dengan 1000 hidden neuron didapat rata- rata akurasi seluruh kata untuk kata yang dilatih sebesar 93%. Akurasi rata-rata dari kata yang digunakan sebagai data latih dengan model RPROP 1000 hidden neuron lebih tinggi dibandingkan dengan model RPROP 100 hidden neuron.
Penghitungan akurasi rata-rata juga dilakukan terhadap 50 kata di luar kata yang dimodelkan. Hasil dari kuesioner untuk 50 kata di luar kata yang dilatih ini dapat dilihat pada Lampiran 7 dan 8. Masing-masing untuk model pertama dan model kedua. Dari hasil kuesioner tersebut, dihitung akurasi rata-rata dari 50 kata tersebut. Akurasi rata-rata dari 50 kata untuk
12
model 1 mencapai 61% dan untuk model kedua mencapai 62%. Akurasi antara dua model yang dibuat perbedaannya tidak signifikan untuk 50 kata di luar kata yang dilatih ini. Perbandingan akurasi rata-rata antara dua model RPROP tersebut dapat dilihat pada Gambar 13. 100% 93%
80% 60%
75% 61%
40%
62%
20%
Model 1 Model 2
0% kata yang dilatih
kata lain
Gambar 13 Grafik perbandingan akurasi keseluruhan kata dari 2 model RPROP Dari Gambar 13 dapat dilihat bahwa akurasi rata-rata keseluruhan kata yang dilatih dengan dua model RPROP tersebut memiliki perbedaan yang signifikan sebesar 18%. Sedangkan untuk kata lain di luar kata yang dilatih, selisih akurasi keseluruhan dari dua model hanya 1 %. Hal ini berarti telah terjadi overfitting pada model dengan 1000 hidden neuron. Pada model RPROP yang kedua ini, akurasi untuk kata yang dilatih sangat tinggi mencapai 93%, namun untuk kata lain di luar kata yang dilatih, hanya 62%. Kejadian overfitting ini menyebabkan model kedua ini terlalu ekslusif untuk data yang dilatih sehingga kemampuan generalisasi untuk data di luar data latih menjadi kurang baik.
KESIMPULAN DAN SARAN
Pada model kedua dengan JST RPROP 1000 hidden neuron, akurasi rata-rata keseluruhan kata yang digunakan untuk pelatihan sangat tinggi, yaitu 93%. Namun, kemampuan yang terlalu akurat untuk data yang dilatih menyebabkan model tersebut terlalu ekslusif sehingga akan menghasilkan output yang baik untuk data yang telah dilatih saja. Kejadian inilah yang disebut overfitting, yang merupakan suatu masalah dalam JST karena hal yang ingin dicapai dari JST bukan hanya dalam mengenali pola yang dilatih sebelumnya tetapi juga untuk mengenali pola yang serupa di luar pola yang sudah dilatih. Terjadinya overfitting pada model kedua disebabkan model terlalu besar (dengan 1000 hidden neuron). Penggunaan hidden neuron yang terlalu besar belum tentu akan memberikan hasil yang lebih baik dari hidden neuron yang lebih sedikit. Saran Penelitian ini masih perlu untuk dikembangkan karena terdapat keterbatasan yang membuat sistem yang dihasilkan belum memungkinkan untuk digunakan dalam kondisi nyata. Beberapa saran untuk penelitian selanjutnya adalah : 1.
2. 3.
Kesimpulan Dari penelitian ini, akurasi rata-rata keseluruhan kata yang telah dilatih mencapai lebih dari 70%. Untuk model pertama dengan 100 hidden neuron akurasi rata-rata keseluruhan kata adalah 75%, sedangkan model kedua dengan 1000 hidden neuron, akurasi rata-rata keseluruhan katanya mencapai 93%. Hal ini berarti kedua model JST yang dihasilkan memiliki kemampuan memorisasi yang tinggi. Untuk 50 kata lain di luar kata- kata yang digunakan dalam pelatihan, akurasi rata-rata dari model pertama dengan 100 hidden neuron adalah 61% dan untuk model kedua, akurasi rata-rata keseluruhan kata tersebut adalah 62%. Hal ini berarti, kemampuan generalisasi atau kemampuan untuk mengenali pola dari data di luar data yang dilatih dari kedua model tersebut tidak berbeda jauh.
4.
Pada penelitian ini, kata-kata yang digunakan masih terbatas pada kombinasi 10 fonem, sehingga dapat ditambahkan fonem-fonem bahasa Indonesia yang lain sehingga pengenalan kata menjadi lebih luas. Fonem yang digunakan bukan hanya fonem asli, tetapi juga fonem transisi. Untuk fonem yang memiliki lebih dari satu cara pengucapan, sebaiknya fonemnya dikelompokkan berbeda. Seperti fonem /e/, memiliki dua cara pengucapan yang terlihat dari kata ‘nenek’ dan ‘selam’. Agar pemodelan memberikan hasil yang lebih baik, sebaiknya jenis suara yang digunakan lebih banyak. Pengambilan suara dapat dilakukan dengan pembicara yang lebih banyak dan jenis kelamin yang berbeda sehingga pengenalan kata menjadi lebih variatif. DAFTAR PUSTAKA
Buono, A. 2009. Representasi Nilai HOS dan Model MFCC sebagai Ekstrasi Ciri pada Sistem Identifikasi Pembicara di Lingkungan Ber-noise Menggunakan HMM. [Disertasi]. Depok: Program Studi Ilmu Komputer Universitas Indonesia.
13
Do, MN. 1994. DSP Mini-Project: Automatic Speaker Recognition Sistem.
An
Engelbrecht, AP. 2007. Computational Intelligence : An Introduction. England: Wiley. Fausett, L. 1994. Fundamentals of Neural Networks. New Jersey: Prentice Hall Inc. Jurafsky, D. dan Martin JH. 2007. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistic, and Speech Recognition. New Jersey: Prentice Hall. Kusumadewi, Sri. 2003. Artificial Intellegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Al-Kaidi, M. 2007. Fractal Speech Processing. Cambridge University Press. Proakis, JG. dan Manolakis, DG. 1996. Digital Signal Processing : Principles, Algorithms, and Applications, New Jersey: PrenticeHall International, Inc. Resmiwati, NUE. 2009. Pengenalan Kata Berbahasa Indonesia dengan Menggunakan Hidden Markov Model Berbasiskan Fonem. [Skripsi]. Institut Pertanian Bogor, Fakultas Matematika dan Ilmu Pengetahuan Alam, Bogor. Riedmiller, M. dan Braun, H. 1992. RPROP – A Fast Adaptive Learning Algorithm. In Proceedings of the Seventh International Symposium on Computer and Information Sciences, pages 279-285. Riedmiller, M. dan Braun, H. 1993. A Direct Adaptive Methode for Easter Backpropagation Learning : The RPROP Algorithm. In Proceedings of the IEEE International Conference on Neural Networks, pages 586-591. Siang, JJ. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi. Susanto, N. 2007. Pengembangan Model Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Pembicara dengan Praproses MFCC. [Skripsi]. Institut Pertanian Bogor, Fakultas Matematika dan Ilmu Pengetahuan Alam, Bogor.
14
LAMPIRAN
Lampiran 1 Algoritme Pelatihan JST RPROP (Sumber : Riedmiller dan Braun 1992, diacu dalam Engelbrecht 2007)
Initialize NN weights to small random values Set ∆ = ∆
= ∆ , ∀ =1,…, I + 1, ∀ = 1,… J + 1, ∀ = 1,…, K;
Let t = 0; While stopping condition(s) not true do for each
, j = 1,…, J + 1, k = 1,…, K do
if
(t - 1)
(t) > 0 then
∆ (t) = min{∆ (t - 1) ∆
(t) = -sign
(
)
(t) ∆
(t) + ∆
(t + 1) = else if
,∆
(t - 1) )
(t) < 0 then ,∆
(t) - ∆
(t + 1) =
(t) ;
(t) ;
∆ (t) = max{∆ (t - 1) ∆
};
};
(t - 1);
= 0; else if ∆
(t - 1) ) (t) = -sign
(t + 1) =
(
(t) = 0 then
)
(t) ∆
(t) + ∆
(t) ;
(t) ;
end Repeat the above for each
weight, j = 1,…J, i = 1,…, I + 1;
end
16
Lampiran 2 Kuesioner model pertama dengan 100 hidden neuron Kata Sinyal Suara
Prediksi Kata
2
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLLLAAAAAAAAAAAAMMMMM MMMMMMMMMMIKN SMNMMMMNIIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNSUUUUUUUUUMMMNMMMMNMMMI N
3
SIJJJJEEEEEEEEEEEEEEEEEEEEEENNNNNNNIIIIIIIIIIIIISSSSSSSSSSSSSSSS
JENIS
4
SKEEAAAAAAAAAAAAAAAAAAEKKJINNNJMJJJJJJJJJJJJIIIIIIIIIIIIIININ
KAJI
5
NNNMUUUUUUUUUUUUUUUUUUNUJSSSSSKSSSSSSSSSSSAAAAAAAAAAAAAAA AAAAA
NUSA
6
JJIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNAAAAAAAAA
JINAK
7
AAAAAAAAAAAAAAAAAAAAAAAAAAAMMMMMMMULAAAAAAAAAAAALLLLL LLLLULLLL
AMAL
8
SIIIJEEEEEEEEEEEEEEEEEEEEEENNNNNNNIIIIIIIIIIISSSSSSSSSSI
JENIS
9
SJJIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNAAAAAAAAA
JINAK
10
AAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLLLLLAAAAAAAAAALAMMMMM MMMMMMNMJKKKKKKKKKKKKN
ALAM
11
SJIIIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNAAAAAAAAA
JINAK
1
ALAM MINUM
15
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLLLLLLAAAAAAAAAAEMMM MMMMMNMMMMMKKKKKM SUKAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAEEAAIINNNNJJSKSSSJJII IIIIIIIIIIIIIIIIIJIIIKKKKKN SLLLUUUUUUUUUUUUUUUUUUUASSSSSSSSSSSSSSSSSEAAAAAAAAAAAAAAAA AAAN MMUUAAAAAAAAAAAAAAAAAAMKKKKKKKKKKKKKKASEAAAAAAAAAAAAA ENNMMMMMMMMMMMMMMMM
16
SJJJJIJJEEEEEEEEEEEEEEEEEEEEEEEEJNNNNNNNMIIIIIIIIIIISSSSSSSSSSSJ
JENIS
17
SKKAAAAAAAAAAAAAAAAAAAASKAIINJJJJIKKJIIJJSJIIIIIIIIIIIKKIIIIKKK
KAJI
18
SKUEEEEEEEEEEEEEEEEEEEEEEEEEEEESNNNNNNNAAAAAAAAAAAA
KENA
19
NMMNSUUUUUUUUUUUUUUUUUUUUUSSSSSSSSSSSSSSSIIIIIIIIIKMMMMMMMM MMNN
MUSIM
20
SSSSSEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEUNNNMMMMMLAAAAAAAA
SEMAK
21
SNLEEEEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNAAAAAAAAAAAAA
KENA
22
NMMNNIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNSUUUUUUUUUUUMNNMMIMMMMM
MINUM
23
NNNNNEEEEEEEEEEEEEEEEEEEEEEEENNNNNNAEEEEEEEEE
NENEK
12 13 14
25
SSSSSSSSSSSSSSSUUUUUUUUUUUUUUUUUUUUNKKKKKKKKKKKKKSSSAAAAA AAAAAAAAAAAAAAM AAAAAAAAAAAAAAAAAAAAAAAAAAALMMMMMMMMLAAAAAAAAAALLLLLL LLLLLLLLLLLLN
26
SSSEEEEEEEEEEEEEEEEEEEEEEEEEEUUUMMMMMUAAAAAAAA
24
ALAM KAJI LUSA MAKAN
SUKA AMAL SEMAK
33
LLLIIULUUUUUUUUUUUUUUUUUUISSKSSSSSSSSSSSSSEAAAAAAAAAAAAAAAA MN MMULAAAAAAAAAAAAAAAAAAAAAAAAAAMKKKKKKKKKKASAAAAAAAAAA AINNNMNINNINIJII ULLLUUUUUUUUUUUUUUUUUUUUSSSSSSSSSSSSSSSSSEAAAAAAAAAAAAAAAA AA AAAAAAAAAAAAAAAAAAAAAAAAAAALMMMMMMMMAAAAAAAAAAALLLLLL LLLLLLLULLKM NMMMMNNIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNUUUUUUUUUUUMMMMMMMMMMMM MMM NMMMMUAAAAAAAAAAAAAAAAAAAAAAAAAAAAAANKKKKKKKKKKKKSSAA AAAAAAAASNNNNNMMNMNMMMNNA NMMMMMNUUUUUUUUUUUUUUUUUUUIUUSSSSSSSSSSSSSSSIIIIIIIIJMMMMMM MMMMMMM
34
SIEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNAAAAAAAAA
KENA
35
NNNNNAEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNEEEEEEEEEI
NENEK
27 28 29 30 31 32
LUSA MAKAN LUSA AMAL MINUM MAKAN MUSIM
17
Lampiran 2 Lanjutan Kata Sinyal Suara
Prediksi Kata
36
NNNNNNNNNUUUUUUUUUNJIASSSSSSSSSSSSSSSUAAAAAAAAAAAAAAAAAAAAAA M
NUSA
37
MMNNMMNNNMKKIIIIIIIIIKIKKKIKIIKIIIIIIIIUJKIUKUUKKIKIIIIN
MILIK
38
NNNNNNEEEEEEEEEEEEEEEEEEEEEEKNNNNNNNEEEEEEEEI
NENEK
39
SSSSSSSSEEEEEEEEEEEEEEEEEEEEEEEEEEEUUMMNMMMMUAAAAAAAAU
SEMAK
40
JIJJEJJEKKAAAAAAASSSSIINMNNNNNMNIKKJJIIIIIIIIIIIIIIN
JANJI
41
SEEEEEEEEEEEEEEEEEEEEENNNNNNNNAAAAAAAAAAAMMMMMMM
SENAM
42
NMNNIUUUUUUUUUUUUUUUUUUUUUEUUUSSSSSSSSSSSSSSSIIIIIIIIESMMMMMMM MMNMN
MUSIM
43
SSSSSSUUUUUUUUUUUUUUUUUUUUUUUUUULLLAAAAAAAAALMIMNMMA
SULAM
44 45 46 47 48
USEAAAAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKLKUUUUUUUUUUUUU UUUUUUMNKKKN SSSSAAAAAAAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKKKKKJSKKIIIIIIIIII IIIIIIIIIIIKKU SJKKEESAAAAAAAAAAAAAAEESINNNNNNNNNNMNNJJJJJIIIIIIIIIIIIIIIIIIIIIIIIMIIIKU SKSKSSSSSSSSSNUUUUUUUUUUUUUUUUKKKKKKKKKKKKKKSSAAAAAAAAAAAAA AAAAAAN SSSSSSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEENNNNNNNNAAAAAAAAAAAMMMMM MMU
KAKU KAKI JANJI SUKA SENAM
49
NMMNIKIIIIIKIIKIIKIIIIIIIIENKKKKKKKKIIIIII
MILIK
50
SSSSSSSSSSSSSSUUUUUSUUUUUUUUUUUUUUUUULULLAAAAAAAAAAMMMMM
SULAM
51
SSSSSSSSSSUUUUUUUUUUUUUUUUUUUKKKKKKKKKKKKKKSSAAAAAAAAAAAAA N
SUKA
52
SJJJJSAAAAAAAAAAAASSSSINNNNNNNNNNNMNNJNKJJJIIIIIIIIIIIIIIIIIIINMM
JANJI
53
KSKAAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKUUKUUUUUUUUUUUUUUUUU UUUUINMU
KAKU
54
NMMMNUUUUUUUUUUUUUUUUUIISSSSSSSSSSSSSSSKSAAAAAAAAAAAAAAAA
NUSA
55 56 57 58 59 60
SSSSSSSSSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEENNNNNNNNAAAAAAAAAAAAMM MMMN SSSSSASSSUUUUUUUUUUUUUUUUUUUUUUUULLLLLAAAAAAAAAMMMMMMMMM MN SSSAAAAAAAAAAAAAAAAAAAAAAAAAAAMKKKKKKKKKKKKKSKKKIIIIIIIIIIIIIIIIIII IIIIIIJKN NNMMMMNIIKKKIKKIKIKIIIIIIIIKEKKKKKKKJIIIII KKKAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKUUKUUUUUUUUUUUUUUUUU UUUMSSSKKKKKU SSSAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAANKKKKKKKKKKKKKK KSSKIIIIIIIIIIIIIIIIIIIIIMIIKMKK
SENAM SULAM KAKI MILIK KAKU KAKI
Keterangan : Pada kuesioner yang diberikan kepada penguji, kolom prediksi kata dikosongkan.
18
Lampiran 3 Kuesioner model kedua dengan 1000 hidden neuron Kata Sinyal Suara 1 2 3 4 5
AAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLLLLLAAAAAAAAAAASMMMM MMMMMMMMIJKKKKKKKKKKKKN KSKAAAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKKJKUUUUUUUUUU UUUUUUUUUNNKKKN MNNNNNEEEEEEEEEEEEEEEEEEEEEEENNNNNNNEEEEEEEKI NNNNNNNMMMMMMMMULNNANKSSSSSSSSSSSSSSNUAAAAAAAAAAAAAAAA AAAAAAA SSSSSSSSSSSSSSSUSUUUUUUUUUUUUUUUUUUUKKKKKKKKKKKKAKSSAAAA AAAAAAAAAAAAAAAA
Prediksi Kata ALAM KAKU NENEK NUSA SUKA
6
JIJJAJJJAAAAAAAAAASSANINMNMNNNMJIKKJJJIIIIIIIIIIIIIN
JANJI
7
AAAAAAAAAAAAAAAAAAAAAAAAAAAAMMMMMMMMAAAAAAAAAAAALLL ALLLLLLLLLLLKM
AMAL
8
SJIIIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNAAAAAAAAA
JINAK
9
SJJJJJJJEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNMIIIIIIAIIIISSSSSSSSSSSS
JENIS
10
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLAAAAAAAAAAASMMMM MMMMMMMMMMMJKN
ALAM
11
JJJJIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNAAAAAAAAA
JINAK
12
KSUEEEEEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNAAAAAAAAAAKA
KENA
13
AAAAAAAAAAAAAAAAAAAAAAAAAAALMMMMMMMMLAAAAAAAAAAALLL LLLLLLLLLLLLLLA
AMAL
14
AIKKAAAAAAAAAAAAAAAAAAAEAAANJJJJJJJJJKJJJJJJIIIIIIIIIIIIIIIIN
KAJI
15
JIJJJJJEEEEEEEEEEEEEEEEEEEEENNNNNNNIIIIIIIIIIIISSSSSSSSSSSSSSSSS
JENIS
16 17
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAALLLLLLLLLAAAAAAAAAAEMM MMMMMMNNMMNMJMLKKA LJLLLLLUUUUUUUUUUUUUUUUUSSSSSSSSSSSSSSSSSSAAAAAAAAAAAAAAAA AA
ALAM LUSA
18
KNUEEEEEESEEEEEEEEEEEEEEEEEEEEENNNNNNNAAAAAAAAAAAAA
KENA
19
JJIIIIIIIIIIIIIIIIIIIIKISNNNNNNNNEAAAAAAAA
JINAK
20
SJIIEEEEEEEEEEEEEEEEEEEEEEENNNNNNNIIIIIIIIIIISSSSSSSSSSI
JENIS
21
LLLLLLLUUUUUUUUUUUUUUUUUUUSKKSSSSSSSSSSSSSSAAAAAAAAAAAAAA AAMM
LUSA
22
NNNNNEEEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNEEEEEEEMKK
NENEK
23 24 25
AAAAAAAAAAAAAAAAAAAAAAAAAAAMMMMMMMUMAAAAAAAAAAAALLL LLLLLLLLLLU MMMNMMIIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNUUUUUUUUUUUMMMMMMMMMMMM MMM KKSKAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKAEAAJUNNNJJJJKJSSJJ IIIIIIIIIIIIIIIIIIIIIIIKKKKKN
AMAL MINUM KAJI
26
JJJJJJJAAAAAAAAAAASASSNNNNNNNNNNNNMNJJKKJJJIIIIIIIIIIIIIIIIINJNJK
JANJI
27
MMMMMUAAAAAAAAAAAAAAAAAAAAAAAAAAAAKNAKKKKKKKKKKKKSK KAAAAAAAAASNNNNNNNNMNMMNNNM
MAKAN
28
KKKKKAAAAAAAAAAAAAAAAAASAAIINJKJJIJNJIJJJJJIJIIIIIIIIIIKIIILUSK
KAJI
29 30 31
NMNNKUUUUUUUUUUUUUUUUUUUUUKUUUJSSSSSSSSSSSSSSIIIIIIIIIMMMMM MMMMMNMN LLLLLLULLUUUSUUUUUUUUUUUSSASSSSSSSSSSSSSSSLAAAAAAAAAAAAAAA AAAN KMNMMMMUIIIIIIIIIIIIIIIIIIIIIIIIINMNNNNNNEUUUUUUUUUMMMMMMMMNMM MIU
MUSIM LUSA MINUM
32
KUEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEMMNNNNNAAAAAAAAA
KENA
33
SSSNEEEEEEEEEEEEEEEEEEEEEEEEEEEUMMMMMUAAAAAAAA
SEMAK
34 35
NMMNUUUUUUUUUUUUUUUUUUUUUUISSSUSSSSSSSSSSIIIIIIIIIMMMMMMMM MMMNN MMULAAAAAAAAAAAAAAAAAAMLKKKKKKKKKKKKKKKKAAAAAAAAAAAA AENNMMMMMMNMMMMMJMMA
MUSIM MAKAN
19
Lampiran 3 Lanjutan Kata Sinyal Suara 36 37
MMMMNUUUUUUUUUUUUUUUUUUSSSSSSSSSSSSSSSSSSSAAAAAAAAAAAAAA A MMMMMMNUUUUUUUUUUUUUUUUUUUUUESSSSSSSSSSSSSSSNIIIIIIINMMMM MMMMMMMMM
Prediksi Kata NUSA MUSIM
38
NMMNNIIIIIIIIIIIIIIIIIIIIIIIINNNNNNNNSUUUUUUUUUUUMMNMMMMMMMM
MINUM
39
NNNNNEEEEEEEEEEEEEEEEEEEEEEEENNNNNNEEEEEEEEEE
NENEK
40 41 42
NNNMNUUUUUUUUUUUUUUUUUUUMSSSSSKSSSSSSSJSSSAAAAAAAAAAAAAA AAAMKA MMMAAAAAAAAAAAAAAAAAAAAAAAAAAANKKKKKKKKKKKKAAAAAAAAA AANNNMMNMMNIIIIII JJILKKKAAAAAAAAAAAAAAEEEANNANNNNNMNNNNJJJJJJJJIIIIIIIIIIIIIIIIIIIIMMI IIKM
NUSA MAKAN JANJI
43
SSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEEEEEUMMMMMMMAAAAAAAAAU
SEMAK
44
SSSSSSSSSSSSSUUUUUULUUUUUUUUULLLUUUUULLLLAAAAAAAAAEMMMMM
SULAM
45 46 47 48 49 50 51 52 53
SSSSSSSSSSUUUUUUUUUUUUUUUUUUUKKKKKKKKKKKJKKSKKAAAAAAAAA AAAN SSSSSSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEENNNNNNNNSAAAAAAAAAAMMM MMMMU MNJKMMNMMMNKIIKIIIIKIKKKKKIKKKKIKKKIIKJUULUNULLLLILIIIIN KSKKAAAAAAAAAAAAAAAAAAAAAAAAAAMKKKKKKKKKKKKKKKKKIIIIIIIIII IIIIIIIIIIIIIIIJJI SSSSSSSSSSSSESSUUUUUUUUUUUUUUUKKLKKKKKKKKKKKKKAAAAAAAAAA AAAAAAAAAN SSSSSSSSSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEENNNNNNNNAAAAAAAAAAAL MMMMMA SSSSSSSSSSUUUUUUUUUUUUUUUUUUUUUUUULLLAAAAAAAAAAMMMMMM MMMMK KKKAAAAAAAAAAAAAAAAAAAASAAKKKKKKKKKKKLKUUUUUUUUUUUUUU UUUUUUUIJKU KSKKAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKNKKKKKKKKKKK KKKKSKKIIKIIIIIIIIIIIIIIIIIIMIIMMKK
SUKA SENAM MILIK KAKI SUKA SENAM SULAM KAKU KAKI
54
MMMMMMNKKKKKKKKKKIKKKIIIIIKKEALKKKKLKIIIKI
MILIK
55
KKKSAAAAAAAAAAAAAAAAAAAAAKAKKKKKKKKKMKKUUUUUUUUUUUUU UUUUUUUUSJKKKKKKI
KAKU
56
SSSSSEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEUNNNMMMMMIAAAAAAAM
SEMAK
57
ELEEEEEEEEEEEEEEEEEEEENNNNNNNEAAAAAAAAAAAMMMMMMM
SENAM
58
MKMNIKIIKIKKKKKKIKIIIIIIIKNIKLLKKKKKIIIIII
MILIK
59
SSSKKKAAAAAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKKKKKJSKKII IIIIIIIIIIIIIIIIIIIKKI
KAKI
60
SSSSSSUUUUUUUUUUUUUUUUUUUUUUUULLLLLAAAAAAAAAEMKMMMMM
SULAM
Keterangan : Pada kuesioner yang diberikan kepada penguji, kolom prediksi kata dikosongkan.
20
Lampiran 4 Kuesioner untuk 50 kata di luar data latih dengan 100 hidden neuron Kata Sinyal Suara
Prediksi Kata
1
AAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKAAAAAAAAAAAANNNNNNNMMN NNMU
AKAN
2
AAAAAAAAAAAAAAAAAAAAAAAAAAAAANNNNNNNNAAAAAAAAK
ANAK
3
AAAAAAAAAAAAAAAAAAAAAAAAAASSSSSSSSSSSSSUAAAAAAAAAALUMMMMM
ASAM
4
EEEEEEEEEEEEEEEEEEEEEEEANNNNNNAAAAAAAAAAA
ENAK
5
IIIIIIIIIIIIIIIKKKKKKKKKKKAEEAAAAAAAAAAASNNNNNNNNNNNNNNN
IKAN
6
KIIIIIIIUSEEUEEUUUUUUUUUUUUUNMMMNNNNUUUUUUUUUUUUUUUJN
ILMU
7
SIIJJJJAAAAAAAAAAAAAAAAAAAAAALLLMMMMMMMNNNUUUUUUUUUUUUUUUUK KJN
JAMU
8
SIJJJJJAAAAAAAAASSSSSSSSSSSSSSSSSSSSSSSSSSSSSK
JAS
9 10 11
SJJJJJJJJSAAAAAAAAAAAAAAAAAAAAAAAAASSSSSSSSSSSSSSSUAAAAAAAAAAAAAA AAAAN MNNJJJIJIJJEEEEEEEEEEEEEEEEEEESNNNMUNNAAAAAAAAAAAAAAAAAAAKKKKKKK KKKKKASLAAAAAAAAAAAAM NNNNNNMJJJJJIIIIIIIIIIIIIIIIIIIIIKKKKKKKKKSSAKEEAAAAAAAAAAAAAAAAAAAN
JASA JENAKA JIKA
12
JIIIIINNNUMMMUUUUUUUUUUUUUUUUUULALAAAAAAALLLLLULLLL
JUAL
13
SKKSAAAAAAAAAAAAAAAAAAAAAAAAAAASSIIIIIIIIIINNMNMMMMMNMMMNJN
KAIN
14
SAAAAAAAAAAAAAAAAAAAAAAAANKKKKKKKKKKKKAAAAAAAAAAA
KAKAK
15 16
SKSSAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAANMMMMMMUMNIIIIIIIIIIIIIII MIJ SSAAAAAAAAAAAAAAAAAAAAAAAAAAAANNNNNNNNNAAAAAAAAAAALLLLLLLLL LUUUUKJM
KAMI KANAL
17
ASAAAAAAAAAAAAAAAAAAAAAASSSSSSSSSSSSSSSSSSLAAAAAAAAAAAAAM
KASA
18
ASSAAAAAAAAAAAAAAAUUUUUUUUUUUUN
KAU
19
KSEEEEEEEEEEEEEEEEEEEEEEEEELLLLLAAAAAAAAAAAASSSSSSSSSSSSSSSJ
KELAS
20
SKSIIKKKKKKKKKKKKKKKKKKKKKKKUUNMNMNNNNNAAAAAAAAAAAAAAN
KINA
21
LUUUUUUUUUUUUUUUUUUUUUUUUUUULLAAAAAAAASSS
KUAS
22
LKKUUUUUUUUUUUUUUUUUUUUUUNMNMMMNMMAAAAAAAAAAANMNMMMMMM M
KUMAN
23
AAUUUUUUUUUUUUUUUUUUUUUUUUSKUUNUUIIIIIIIIIIJIJJS
KUMIS
24
SLLLAAAAAAAAAAAAAAAAAAAAAAAASSIINMNMNNJJIJSSJSISSSSSSSSSSSSSSSSUN
LAJU
25
SLLULLAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKKKUUUUUUUUUUUUUU
LAKU
26
SSESUEEELEEEEEEEEEELEEELUUUMNMMMMMMUAAAAAAAAAAAJSSSSSSSSSSSSSSSS S
LEMAS
27
ULLLIJKIIIIIIIIIIIIIIIIKKKKKKKKKKKKUUUUUUUUUUUUUUUUUUUUU
LIKU
28
SLLKLULUUUUUUUUUUUUUUUKKKKKKKKKKKKKSKEAAAAAAAAAAAAAAAAAAAI
LUKA
29
NMMMMUUAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKSAAAAAAAAAAAAAAAAAA
MAKA
30
NNMMLAAAAAAAAAAAAAAAAAAAAAAAAALLLLLAAAAAAAALMMMMMMMMMNNN
MALAM
31
MMMLAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAJSSSSSSSSSSSSSSI
MALAS
32 33
NMMMUAAAAAAAAAAAAAAAAAAAAAAAAAANNNNNNIKKIIIIIIIJSSSSSSSSSSSSSSSSSS SS MMMMLAAAAAAAAAAAAAAAAAAAAAAAAANJSSSSSKSSSSSSSSULAAAAAAAAAAAA AAAA
MANIS MASA
34
NMMMUAAAAAAAAAAAAAAAAAAAAAAAAAAUUUUUUUUUUUUUUUUUUUUUNIN
MAU
35
MMMMSKKKKKKKIKKKKKKIIIIINNNNNMJJJJIJJAJKKLLAAAAAAAAAAAA
MEJA
21
Lampiran 4 Lanjutan Kata Sinyal Suara
Prediksi Kata
36
NMMMMMIKKKKKKKKKKIKKIIIIIIIINNMMMMMUNIIIII
MIMIK
37
NNMMMUUUUUUUUUUUUUUUUUUUEUUSSSSSSSSSSSSSJIIII
MUSIK
38
NNNNNAAAAAAAAAAAAAAAAAAAAAAAAAAEEEKKIIII
NAIK
39 40 41 42 43
NNNAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKAAAAAAAAAAALLLLLLLLLULLLU U SSSSSSSSSSSASSSUEAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKKAIMNNNNJJJJJIIIIII IIIIIIIIIIIIIIIIJJ SSSSEEAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKKAEAAAAAAAAAAAAAAAA AAN SSSSSSAAAAAAAAAAAAAAAAAAAKKKKKKKKKKAAAAAAAAAAAAAAUUUUUUUUUU UUUUU SSSSSSAAAAAAAAAAAAAAAAAAAAAALMMMMMMMMMAAAAAAAAAAAAAAAAAAA MA
NAKAL SAJI SAKA SAKAU SAMA
44
SSSSSSSSSSSSSEEKKEEEEKIIIKKKKKKUSSSSSSSSSSSSSIIIIIIIIIIIIIIIII
SEKSI
45
SSSSUEEEEEEEEEEEEEEEEEEEEEEUUUUUUULLAAAAAAAAAALMMMMMMN
SELAM
46
SSSSSSSSSSSSEEEEEEEEEEEEEEEEEEEEUUMMMNNNNNMKIIIIIIIIIIIIIIIIIIII
SEMI
47
SSSSSSSSSSEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNIIIIIIIIISIIINNUUUU
SENI
48
SSSSSSSSSSSSSSSSSUUUUUUUUKKKKKKKKKKKKKKKKKKMMMMNMAAAAAAAAAAA AAAAM
SUKMA
49
SSSSSSSUUUUUUUUUUUUUUUUUISSSSSSSSSSSSUUUUUUM
SUSUK
50
SJSSSSSSSSSLUUUUUUUUUUUUUUUSSSSSSSSSSSSSSSSSUUUUUUEENMNNNNNNNNNM NMNNN
SUSUN
Keterangan : Pada kuesioner yang diberikan kepada penguji, kolom prediksi kata dikosongkan.
22
Lampiran 5 Kuesioner untuk 50 kata di luar data latih dengan 1000 hidden neuron Kata Sinyal Suara
Prediksi Kata
1
SAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKAAAAAAAAAAAANNNNNNNM MMNMMU
AKAN
2
SAAAAAAAAAAAAAAAAAAAAAAAAAAAANNNNNNNNAAAAAAAAK
ANAK
3
AASAAASAAAAAAAAAAAAAAAAAAKSSSSSSSSSSSSSAAAAAAAAAAALSMMMMN
ASAM
4
LKKMKMMMEEMKEEEEEEEEEEEENNNNNNUAAUAAAAAAA
ENAK
5
IIIIIIIIIIIIIIJKKKKKKKKKKKKEAAAAAAAAAAAKUNNNNMINMNMNNMNI
IKAN
6
KIIIIIIIIUEEUEUUUUUUUUUUUUUUNMMMNNNKUUUUUUUUUUUUUUUUU
ILMU
7
SIIJJJAAAAAAAAAAAAAAAAAAAAAAALLAMMMMMMMNNNUUUUUUUAUAUUUU UNUJJN
JAMU
8
SIJJMKKJAAAAAAAJKAKSSSSSSSSSSSSSSSSSSSSSSSSSSK
JAS
9 10
SJJJJJJJJKAAAAAAAAAAAAAAAAAAAAAAAAASSSSSSSSSSSSSSSKAAAAAAAAAAA AAAAAAAM MNMJJJIIIJJJEEEEEEEEEEEEEEEEEEENMNMMMNAAAAAAAAAAAAAAAAAAAKKKK KKKKKKKKAKLAAAAAAAAAAAAMAAAAA
JASA JENAKA
11
MNNNNNNJJJJJIIIIIIIIIIIIIIIIIIIIJKKKKKKKKKKKALKAAAAAAAAAAAAAAAAAAAMN
JIKA
12
JJIIINNNLNMSUUUUUUUUUUUUUUUUUUIEALAAAAAAALLLLLLLLLL
JUAL
13
KJKKAAAAAAAAAAAAAAAAAAAAAAAAAAAESKUUIIIIIJJNNNMMMMMMNMMMJJ N
KAIN
14
SAAAAAAAAAAAAAAAAAAAAAAAAJKKKKKKKKKKEKAAAAAAAAAAA
KAKAK
15 16
KKSKAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMUMMMMMMMMNIIIIIII IIIIIIIIMJJ KSSAAAAAAAAAAAAAAAAAAAAAAAAAAUNNNNNNNNNAAAAAAAAAAAALLLLL LLLLLLULKNM
KAMI KANAL
17
ASAAAAAAAAAAAAAAAAAAAAAASSSSSSSSSSSSSSSSSSLAAAAAAAAAAAAAM
KASA
18
AKNAAAAAAAAAAAAAAAAEEUUUUUUUUUU
KAU
19
KSEEEEEEEEEEEEEEEEEEEEEEEEEELLLLAAAAAAAAAAAAASSSSSSSSSSSSSSS
KELAS
20
SSSIISKSSKKKKKKNKSNNKNNNNNKIUUNMNMMMMNMIIAAAAAAAAAASAN
KINA
21
AUULLLJLLMLLLLLJULJLJLULUULALLAAAAAAAASSS
KUAS
22
LKKUUUUUUUUUUUUUUUUUUUUUUNMUMMMMMMAAAAAAAAAAANAIMMMMM MM
KUMAN
23
AIUMUUUUUUUUUUUUUUUUUUUUUUUUMMNMMUIIIIIIIIJJJJES
KUMIS
24
LKULAAAAAAAAAAAAAAAAAAAAAAAASAINNJJMNJJJKKKJJKMIISUUSMSSSSSSSS MUU
LAJU
25
MEEULLAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKNUKUMUUUUUUUUUUUU
LAKU
26
ESSSSUEEEEEEEEEEEEEEEEELAUUMNMMMMMMEAAAAAAAAAAASSSSSSSSSSSSSS SSSS
LEMAS
27
UJJLIKIIIIIIIIIIIIIIIIIKKKKKKKKKKKKMMUUUUUUUUUMJMLUUUUUU
LIKU
28 29 30 31 32 33 34 35
SLLLLLLLUUUUUUUUUUUUUUKKKKKKKKKKKKKSEKAAAAAAAAAAAAAAAAAAA A MMMMMUAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKIIAAAAAAAAAAAAAAA AA NNMMEAAAAAAAAAAAAAAAAAAAAAAAAALLLLAAAAAAAAALMMMMMMMMM NMN MMMLAAAAAAAAAAAAAAAAAAAAAAAAAAAALAAAAAAAAAAJSSSSSSSSSSSSSS S MMMMMAAAAAAAAAAAAAAAAAAAAAAAAAANNNNNNKKKKIIIIIJJSSSSSSASSSSS SSSSSSSS MMMMSAAAAAAAAAAAAAAAAAAAAAAAAANJSSSSSSSSSSSSSSULAAAAAAAAAA AAAAAA MMMMMAAAAAAAAAAAAAAAAAAAAAAAAAAAUUUUUUUUULUMUUUUUUUNNI N MMMMESJEIIKKIKKKKKKIIKIINNNNNMJJJJIJJJJJJJSAAAAAAAAAAKA
LUKA MAKA MALAM MALAS MANIS MASA MAU MEJA
23
Lampiran 5 Lanjutan Kata Sinyal Suara
Prediksi Kata
36
MMMMMMIKKKKKKKKKKKKKKKKIKIIINMMMMMMMNIIIIK
MIMIK
37
MNMMNUUUUUUUUUUUUUUUUUUUUUNSSSSSSSSSSSSSEIIII
MUSIK
38
NNNNNAAAAAAAAAAAAAAAAEAAAAAAAAAEEEJIKIII
NAIK
39 40 41 42 43
NNMAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKIAAAAAAAAAAALLLLLALLLLLLL UU SSSKSSSSSSJSSSSISAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKKKANMJJJJJJJJJJJIIIII IIIIIIIIIIIIIINJI SSSSEAAAAAAAAAAAAAAAAAAAAAAKKKKKKKKKKKKKESEAAAAAAAAAAAAAAA AAAN SSSSSSAAAAAAAAAAAAAAAAAAAKKKKKKKKKKAAAAAAAAAAAAAAAEUUUUUU UUUUUUU SSSSSSAAASAAAAAAAAAAAAAAAAAAAMMMMMMMMMMAAAAAAAAAAAAAAAK AAAA
NAKAL SAJI SAKA SAKAU SAMA
44
SSSSSSSSSSSSSKKKKKKKEEEIAKKKKKKKSSSSSSSSSSSSSIIIIIIIIIIIIIIIII
SEKSI
45
SSSSSSEEEEEEEEEEEEEEEEEEEEEEUEUEEELLAAAAAAAAAALMMMMMMN
SELAM
46
SSSSSSSSSSSSLEEEEEEEEEEEEEEEEEEEUUMMMNNNNNMMINKIIIIIIINIIIIIIIII
SEMI
47
SSSSSSSSSMEEEEEEEEEEEEEEEEEEEEEEEENNNNNNNMIIIIIIIISIIINIANUU
SENI
48
SSESSSSSSSSSSSSSSUUUUUUUUKKKKKKKKKKKKKKKKKKMMMNNUAAAAAAAAAA AAAAAA
SUKMA
49
SSSSSSSUSUUUUUUUUUUUUUUUSSSSSSSSSSSSSKUKUUUU
SUSUK
50
SKJSSSSSSSSLSUUUUUUUUUUUUUUSSASSSSSSSSSSSSSSUUUUUUEESNNNNMNNNNN MMMNNN
SUSUN
Keterangan : Pada kuesioner yang diberikan kepada penguji, kolom prediksi kata dikosongkan.
24
Lampiran 6 Hasil prediksi kata sinyal suara dari 20 kata yang dimodelkan dengan 100 hidden neuron ALAM AMAL JANJI JENIS JINAK KAJI KAKI KAKU KENA LUSA MAKAN MILIK MINUM MUSIM NENEK NUSA SEMAK SENAM SUKA SULAM
Penguji 1 101 001 000
000 101 000 110 011 001 011
Penguji 2
Penguji 3
001 010
Penguji 4
011 011
Penguji 5
010
011 000
000
101 000
001
000
000
101 000 000 110 010
010 100
000
000
000
011
010
011 110
011
Keterangan :
Dari 3 kata sinyal suara yang diuji, semua berhasil dikenali dengan benar 101
Dari 3 kata sinyal suara yang di uji, kata untuk ulangan kedua tidak dapat dikenali dengan benar
25
Lampiran 7 Hasil prediksi kata sinyal suara dari 20 kata yang dimodelkan dengan 1000 hidden neuron Kata ALAM AMAL JANJI JENIS JINAK KAJI KAKI KAKU KENA LUSA MAKAN MILIK MINUM MUSIM NENEK NUSA SEMAK SENAM SUKA SULAM
Penguji 1
Penguji 2
011 010 011
Penguji 3
011
011 101
Penguji 4
Penguji 5
011
101
010
110
010
011 011 011
Keterangan :
011 011
110 110
Dari 3 kata sinyal suara yang diuji, semua berhasil dikenali dengan benar 101
Dari 3 kata sinyal suara yang di uji, kata untuk ulangan kedua tidak dapat dikenali dengan benar
26
Lampiran 8 Hasil prediksi 50 kata sinyal suara di luar data latih dengan 100 hidden neuron Kata
Penguji 1
AKAN
MAKAN
ANAK
MAKAN
ASAM
SULAM
Penguji 2
Penguji 3
Penguji 4
Penguji 5 -
ENAK IKAN ILMU JAMU
-
-
-
-
-
SULAM
JAS JASA
-
JENAKA
SUSUN
JIKA
JENAKA
JINAK
JUAL
-
-
-
KAIN
MANIS
-
-
KAKAK
KASA
KAMI
MUSIM
KANAL
-
KASA
ASAM
ASAM
KAU
NUSA
-
IKAN
SAKA
-
KELAS
-
-
-
SUKA
-
-
SAKA
-
-
ASAM
ASAM
MAU
-
-
SELAM
KINA
SUKMA
-
-
KUMAN
KUAS
LUSA
LUSA
-
LUSA
KUMAN
KUMAN LUSA
-
KUMIS
-
-
-
-
-
LAJU
-
-
-
-
-
-
SEMAK
LAKU LEMAS
-
LIKU
-
LUKA MAKA MALAM
ALAM
MALAS
MASA
MANIS MASA MAU MEJA
-
MIMIK
JIKA
MIMIK MUSIK
MAKA
KINA
MUSIM
NAIK
MUSIM
MUSIM
-
-
-
NAKAL SAJI SAKA
AKAN
SEMI
SAKAU
27
Lampiran 8 Lanjutan
Kata
Penguji 1
SAKAU
Penguji 2
Penguji 3
Penguji 4
Penguji 5
-
SAMA SEKSI SELAM SEMI
SULAM SENI
SENI
SENI
SUKA
SUKA
SUSUN
SUSUN
SENI SUKMA SUSUK SUSUN
Keterangan : Kata yang diuji berhasil dikenali dengan benar Kata yang diuji tidak dikenali dengan benar tetapi dikenali sebagai kata yang lain.
28
Lampiran 9 Hasil prediksi 50 kata sinyal suara di luar data latih dengan 1000 hidden neuron Kata AKAN
Penguji 1
Penguji 2
Penguji 3
SAKA
SAKA
SAKA
KENA
KENA
KENA
Penguji 4
Penguji 5
ANAK ASAM ENAK IKAN
KENA
KENA
KUMAN
KAKU
KAKI
ILMU
KINA
KUKU
JAMU
SULAM
ALAM
JAS
SUKA
-
JASA
KASA
SAKA
JASA KASA
JENAKA JIKA
MAKAN
JUAL
LUSA
KAIN
KAKU
KAKU
KAKAK
SAKA
SAKA
SULAM
SULAM KAKU
KAKU
SAKA
AKAN
SAKA
AMAL
SAKAU
ASAM
ASAM
ASAM
MAU
ANAK
AKAN
KAMI KANAL KASA
ALAM
ASAM
KAU KELAS
SELAM
KINA
KUMAN
KUAS
AMAL
KUMIS
KUAS
SUKMA
KUMAN
LUSA
ALAM
JAS
MUSIM
MAU
MUSIM
-
LAJU
KUAS
LAKU
LAKU
MAKA
LEMAS
SENAM
SELAM
-
LIKU
ILMU
KINA
-
LUKA
LUSA
KUMAN
KAKU
LAKU
SEMAK
MAKA MALAM
ALAM
ALAM
MALAS MANIS MASA MAU MEJA
KINA
MEJA
JIKA
MUSIM
MUSIM
MUSIM
MIMIK MUSIK
MUSIM
MUSIM
NAIK
29
Lampiran 9 Lanjutan Kata
Penguji 1
Penguji 2
Penguji 3
NAKAL SAJI
Penguji 4
Penguji 5
MAKA JANJI
SAKA SAKAU
SAKA
SAKA
SAMA SEKSI SELAM SEMI
SEMAK
SENI
SEMI
SUKMA
SUKA
SUKA
SUSUK SUSUN
SENI
SUKA
SUKA
SUKA
SUKA LUSA
LUSA
Keterangan : Kata yang diuji berhasil dikenali dengan benar Kata yang diuji tidak dikenali dengan benar, tetapi dikenali sebagai kata yang lain.
30
