Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen

Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen

Oleh: Abd. Wahab 1208100064

Pembimbing: Drs. Nurul Hidayat, M.Kom 19630404 198903 1 002

BAB1 Pendahuluan

Latar Belakang

I

Kemajuan Ilmu Pengetahuan dan Teknologi

Bab 1 Pendahuluan

4

Rumusan Masalah

I

1

Bab 1 Pendahuluan

5

Rumusan Masalah

2

I

Bagaimana mengimplementasikan system menjadi perangkat lunak yang user friendly.

Bab 1 Pendahuluan

6

Batasan Masalah

I

1. Perintah berupa kata yang diucapkan oleh satu orang.

Bab 1 Pendahuluan

7

Batasan Masalah

2.

I

Perintah yang diucapkan hanya perintah dengan bahasa Indonesia yang telah dijadikan referensi.

Bab 1 Pendahuluan

8

Batasan Masalah

I

3.

Dokumen yang dibuka atau dicetak adalah dokumen yang berada pada folder C:/Document/Suara

4.

Dokumen bertipe : Word, Excel, dan PDF dengan nama yang berbeda Bab 1 Pendahuluan

9

Batasan Masalah

5.

I

Mencetak dilakukan sesuai pengaturan default pada PC.

Bab 1 Pendahuluan

10

Manfaat

1.

I

Proses mencetak dokumen dapat dilakukan oleh orang yang kurang terampil dalam mengoperasikan komputer. Bab 1 Pendahuluan

11

Manfaat

2.

I

Untuk dikembangkan sehingga aktifitas pada komputer dapat dilakukan melalui suara ucapan.

Bab 1 Pendahuluan

12

BABII Tinjauan Pustaka

II

Studi Penelitian Ramdani, R 2009 Jumadi, A 2008

Liu,Y dan Bao 2006

Kendali Gerak Interaktif Robot Mobil Berbasis Suara Ucapan

Perbandingan Antara Metode Klasterisasi Rls Dan Fuzzy Clustering Pada Sistem Pengenalan Individu Berbasis Suara Ucapan

A New Voice Activity Detection Algorithm Based On SOM & LVQ

Bab II Tinjauan Pustaka

14

Estimasi Trispektrum

II

Proses estimasi sinyal suara yang didasarkan pada korelasi tiga parameter frekuensi yaitu 𝑓1 , 𝑓2 , 𝑓3 .

Proses estimasi ini didasarkan pada persamaan berikut: 1 𝑀 𝑓1 , 𝑓2 , 𝑓3 = 𝑇 ((𝑋𝑟 (𝑓1 ) (𝑋𝑟 (𝑓2 )(𝑋𝑟 (𝑓3 ) (𝑋𝑟 (𝑓1 + 𝑓2 + 𝑓3 )) Bab II Tinjauan Pustaka

15

Proses Estimasi Trispektrum

II

Proses Chunk Sinyal Suara

Proses Windowing

Proses Fast Fourier Transform

Proses Trispektrum


16

Modified sa Randomized Local Search

II

Eksploitasi Struktur terpendam dalam vektor Mengkompresi data

Tinjauan Pustaka

17

Algoritma Modified sa Randomized Local Search

II

1. Inisialisasi klaster representatif: a. cari nilai maksimum dan minimum dari data objek max  max(X) , min  min(X) b. Hitung nilai kenaikan (Step) step (max min)/M c. Inisialisasi nilai awal klaster berdasarkan nilai kenaikan

ci  min ; i = 1 ci ci-1 + step ; i = 2 to M 2. Tentukan indeks klaster untuk setiap anggota data objek sehingga membentuk partisi optimal P OptimalPartition(C) Set Status iterasi dengan nilai false


18

Algoritma Modified sa Randomized Local Search

II

3. Ulangi langkah berikut jika status bernilai false a. Hitung nilai klaster swap dengan mengambil nilai centroid dari data objek berdasarkan indeks klasternya CNew  CalculateNewCluster(P,C) 𝑝𝑖 =𝑗 𝑥𝑖 ∀𝑗 ∈ [1, 𝑀] 𝐶𝑖 = 1 𝑝𝑖=𝑗 b. Repartisi ulang data objek berdasarkan nilai klaster swap yang telah terbentuk.

PNew  OptimalPartition(CNew) c. Hitung jumlah jarak kuadrat antara data objek dengan klaster representatif dan klaster swap. Jika jumlah jarak kuadrat klaster swap lebih kecil, maka set klaster representatif dengan klaster swap berikut indeks klasternya, tetapi jika jumlah jarak kuadrat klaster swap lebih besar maka set nilai status dengan true. Bab II Tinjauan Pustaka

19

Self Organizing Maps


II

20

Struktur Self Organizing Maps

II

X : vektor input pembelajaran. X = {𝑥1, 𝑥2 ,…𝑥𝑗 ,…, 𝑥𝑛 } α : learning rate R : radius neighborhood 𝑋𝐼 : neuron/node input. 𝑤𝑜𝑗 : bias pada neuron output ke-j 𝑌𝑗 : neuron/node output ke-j C : konstanta Bab II Tinjauan Pustaka

21

Algoritma JST-SOM

II

Langkah 0 : Inisialisasi pembobotan wij dengan nilai random. Menset parameter learning rate (α), dan radius tetangga (R) Langkah 1 : Apabila kondisi selesai belum terpenuhi, lakukan langkah 2-8 Langkah 2 : Untuk tiap vektor input 𝑥 𝑥𝑖, 𝑖 = 1, … 𝑛 , lakukan langkah 3-5 Langkah 3: Untuk tiap j 𝑗 = 1, … 𝑚 , hitung jarak Euclidean 𝐷 𝑗 = ( 𝑤𝑖𝑗 − 𝑥𝑖 )2 Langkah 4: Mencari indeks j dengan jarak 𝐷 𝑗 terdekat(minimum) Langkah 5: Melakukan perbaikan nilai 𝑤𝑖𝑗 dengan nilai tertentu.Yaitu : 𝑤𝑖𝑗 𝑛𝑒𝑤 = 𝑤𝑖𝑗 𝑜𝑙𝑑 + 𝛼[𝑥𝑖 − 𝑤𝑖𝑗 𝑜𝑙𝑑 ] (2) Langkah 6: Melakukan update learning rate. 𝛼𝑡+1 = 𝛼𝑡 (3) Langkah 7 : Mereduksi radius dari fungsi tetangga pada waktu tertentu (epoch). Langkah 8 : Menentukan kondisi STOP.


22

JST-Learning Vektor Quantization

II

Pembelajaran lapisan kompetitif terwarisi

Jarak antar vector input


23

Algoritma JST-LVQ

II

1. Tetapkan : bobot (W), maksimum epoch (MaxEpoch) error minimum yang diharapkan (eps), learning rate α) 2. Masukkan : - Input: x(m,n) - Target: T(1,n) 3. Tetapkan kondisi awal: - epoch = 0 -0 α 4. Kerjakan jika: (epoch < MaxEpoch) atau (α > eps) a. epoch = epoch +1 b. Kerjakan untuk i=1 sampai n Tentukan J sedemikian hingga ||x-wj|| minimum. Perbaiki wj dengan ketentuan: - Jika T = Cj maka: wj(baru)=wj(lama)+ α(x-wj(lama)) - Jika Cj maka: wj(baru)=wj(lama)- α(x-wj(lama)) c. Kurangi nilai α Bab II Tinjauan Pustaka

24

BAB III Metode Penelitian

III

Metode Penelitian

Analisi Sistem

Desain Sistem

Implementasi sistem Uji Coba

Bab III Metodologi Penelitian

26

BAB IV Analisis Sistem & Desain Perangkat Lunak

Spesifikasi Perangkat keras

IV

1. Philips SHM 1000 2. Notebook Toshiba Satelit L645 • Processor intel core i3 M370 2.4 GHz • RAM 2 GH

Bab IV Analisis Sistem dan Desain Perangkat Lunak

28

Spesifikasi Perangkat Lunak

IV

1. Windows 7 HP

2. NetBeans IDE 6.9.1


29

Skema Proses Perangkat Lunak


IV

30

Analisis Kebutuhan Perangkat Lunak

1

IV

Perangkat lunak mempunyai kemampuan untuk merekam suara dan menyimpannya dalam bentuk teks


31


2

1

Perangkat lunak dapat membaca file dalam bentuk teks dan selanjutnya melakukan proses estimasi Trispektrum


32


IV

3


33


4

IV

Perangkat lunak dapat • uji coba (testing) • membuka dan mencetak dokumen


34

Rancangan Sitem

IV

Training Estimasi Trispektrum

Klusterisasi MSA-RLS

Klasifikasi SOM+LVQ

Testing Estimasi Trispektrum

Testing LVQ


35

Desain Perangkat Lunak


IV

36

BAB V Implementasi & Uji Coba

Proses Akuisisi Sinyal Suara

V

20 Sinyal suara direkam    

5 suara ucapan 5 suara ucapan 5 suara ucapan 5 suara ucapan

“Artikel” “Buku” “Data” “Skripsi”

Hasil perekaman disimpan dalam file (*.rec)

Bab V Implementasi dan Uji Coba

38

Proses Akuisisi Sinyal Suara


V

39


V

Chunk 256 20 file dalam waktu 1,758 detik Hasil Estimasi disimpan dalam file (*.tmg)


40



V

41

Proses Klaster

V

20 file diklaster dalam waktu 1,617 detik Hasil Klasterisasi disimpan dalam file (*.kls)


42

Proses Klaster


V

43

Proses Klasifikasi

V

• Tiap 5 data memiliki satu target yang sama • 20 data diklasifikasi dalam waktu 1,740 detik • Hasil Klasifikasi disimpan dalam file (*.bkls) dan (*.rkls)


44

Proses Klasifikasi


V

45

Proses Membuka Dokumen

Implementasi dan Uji Coba

V

46

Proses Mencetak Dokumen


V

47

V

Hasil Uji Coba Toleransi : 10%

Ucapan

Akurasi

Artikel

97%

Buku

93%

Data

73%

Skripsi

87% Dapat mencapai : 87%


48

BAB VI Penutup

Kesimpulan 1.

VI

Rancangan sistem pengenalan suara ucapan 1. Proses training : proses estimasi trispektrum, klasterisasi MSA-RLS, dan klasikasi SOM+LVQ 2. Proses testing : estimasi trispektrum, testing JST-LVQ

Bab VI Penutup

50

Kesimpulan

2.

VI

Sistem dapat diimplementasikan menjadi perangkat lunak yang user friendly, dengan tingkat keberhasilan mencapai 87%

Bab VI Penutup

51

VI

Saran

1.

Menjadikan proses perekaman berjalan secara kontinue dan mengabaikan akuisisi mikrophone saat tidak ada suara pembicara.

Bab VI Penutup

52

VI

Saran

2.

Menggunakan lebih banyak jumlah data sinyal suara yang dijadikan referensi.

Bab VI Penutup

53

Saran

3.

VI

Sistem perangkat lunak dibuat tanpa adanya klik untuk memulai proses perekaman.

Bab VI Penutup

54

Terima Kasih

Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen

Recommend Documents