ANN - BASED SIGNAL PROCESSING

ANN - BASED SIGNAL PROCESSINGENDANG WAHYUNIArtificial Neural Network (Jaringan Saraf Tiruan)ANN merupakan sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Artificial Neural Network(Jaringan Syaraf Tiruan) merupakan model yang meniru cara kerja jaringan neural biologis. Jaringan saraf tiruan dapat menyelesaikan yang rumit atau yang tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional.Dengan melakukan proses belajar jaringan saraf dapat memodifikasi tingkah laku sesuai dengan keadaan lingkungannya. Jaringan saraf dapat mengatur dirinya untuk menghasilkan suatu respon yang konsisten terhadap rangkaian masukan/input. Jaringan syaraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki manusia. Otak sebagai pengolah sistem informasi.Arsitektur ANNLapisan 1 : Lapisan Inputlapisan input berfungsi sebagai penghubung jaringan ke dunia luar/ sumber data.Lapisan 2 : Lapisan Tersembunyibisa memiliki lebih dari satu bisa juga tidak memiliki sama sekali.Lapisan 3 : Lapisan OutputStruktur annProses ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap2 input yang ada. Nilai input akan dijumlahkan. Kemudian hasil penjumlahan akan diproses oleh fungsi aktivasi. Setelah aktif neuron akan mengirimkan nilai output.

Identifikasi pembicara dengan jaringan syaraf tiruan dan transformasi wavelet diskret sebagai praprosesAnalisis suara sangat penting dalam pengenalan ucapan (speech recognition) atau pemahaman ucapan dan identifikasi pembicara atau speaker verification.Speaker identification : menekankan pada analisis suara yang diucapkan oleh tiap pembicara sehingga dapat dibedakan karakteristik unik suara dari tiap pembicara tersebut.

Proses identifikasi dengan suara yang merupakan bagian dari sistem pengenalan pembicara memiliki keuntungan secara ekonomis dibandingkan dengan identifikasi secara biometrik lainnya seperti identifikasi pada wajah, sidik jari, tanda tangan, retina dan lainnya. Identifikasi dengan suara hanya memerlukan alat tambahan berupa mikrofon dan kartu suara.Sinyal suara manusia mempunyai variabilitas yang sangat tinggi. Suatu sinyal suara yang dikeluarkan oleh pembicara yang berbeda akan menghasilkan pola yang berbeda pula. Salah satu cara yang paling andal dalam pengenalan pola adalah ANN/JST. Faktor yang mempengaruhi kesalahan aplikasi identifikasi pembicaraKesalahan membaca atau pengucapan frase yang telah ditetapkanTekanan emosional (stress) pengucapanInkonsistensi ruang akustik adanya noiseKesalahan channel transmisiKondisi pembicaraUsia pembicaraMimicry (peniruan suara)Prinsip dasar identifikasi pembicaraPengenalan pembicara dapat diklasifikasikan ke dalam tiga tahap :IdentifikasiDeteksiVerifikasi

Tahapan sistem identifikasi pembicaraAkuisisi data suara digital : yaitu proses untuk mengakuisisi ucapan pembicara (dalam sinyal analog) dan mengubahnya menjadi sinyal digital.Frame blocking dan windowing : yaitu proses segmentasi sinyal suara digital yang telah diakuisisi ke dalam durasi tertentu.Ekstraksi ciri : Mengekstrak data hasil akuisisi sehingga dihasilkan data yang berdimensi lebih kecil tanpa merubah karakteristik suara.Pembentukan model referensi pembicara Pencocokan polaPembuat keputusan

Tahapan identifikasi pembicara

Akuisisi data suara digitalFrame blocking & WindowingPattern MatchingPembuatan KeputusanFeature extractionPembentukan model Akuisisi data suara digital

Frame blocking & windowing

Ekstraksi ciriTujuan utamanya adalah untuk mereduksi ukuran data tanpa merubah karakteristik dari sinyal suara dalam setiap framenya. Transformasi Wavelet Diskret memberikan informasi mengenai sinyal secara bersamaan dalam domain waktu dan frekuensi.

Transformasi wavelet diskretTransformasi adalah proses merepresentasikan suatu sinyal ke dalam domain. Tujuan dari transformasi adalah untuk lebih menonjolkan sifat atau karakteristik sinyal tersebut. Definisi wavelet (secara harfiah berarti gelombang kecil) adalah himpunan fungsi dalam ruang vektor L2I, yang mempunyai sifat-sifat sebagai berikut[1]: berenergi terbatas merupakan fungsi band-pass pada domain frekuensi merupakan hasil penggeseran (translasi) dan penskala (dilatasi) dari sebuah fungsi tunggal (induk), yaitu

ANN (Jaringan syaraf tiruan )Pada speaker identifikasi, pembentukan model referensi pembicara dan pencocokan pola adalah dua tahap yang saling berkaitan.ANN adalah teknik yang digunakan untuk pencocokan pola. ANN akan melakukan pembelajaran untuk membentuk suatu model referensi kemudian ANN yang telah melakukan pembelajaran tersebut dapat digunakan untuk pencocokan pola.

Pembuatan keputusanPembuatan keputusan di dalam sistem speaker recognition mencakup sistem identifikasi yang terkait erat dengan teknik pencocokan pola yang digunakan. Pembuatan keputusan dengan sistem identifikasi dapat dianalogikan dengan klasifikasi pola, dengan tiap kelas merepresentasikan tiap pembicara. Pembuatan keputusan dapat dilakukan dengan metode nilai maksimum. Jika neuron output ke-n merupakan neuron dengan nilai maksimum maka data yang masuk dikenali sebagai pembicara ke-n. referensi