Full

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
IDENTIFIKASI SUARA MANUSIA SEBAGAI KATA SANDI ATAU
PASSWORD MENGGUNAKAN METODE HIDDEN MARKOV MODELS
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
PETRA VALENTIN WAHYUNINGTIAS
NIM : 085314025
HALAMAN JUDUL BAHASA INDONESIA

PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
i
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
HUMAN VOICE IDENTIFICATION AS A PASSWORD
USING HIDDEN MARKOV MODELS
A THESIS
Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Komputer Degree
In Departement of Informatics Engineering
By :
PETRA VALENTIN WAHYUNINGTIAS
STUDENT ID : 085314025
HALAMAN JUDUL BAHASA INGGRIS

INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2013
ii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
HALAMAN PERSEMBAHAN
’’ DO WHAT YOU LOVE
AND
LOVE WHAT YOU DO..”
This thesis belongs to…
Jesus Christ, my Saviour, my Life, my Eternal Love and my Power..
Thank You for stay with me and for gave me wonderful world..
My parent, my spring, my joy, my life..
Thank you for give me a chance to feel the world..
My friends and Audrey..
Thank you guys for stay with me..
v
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRAK
Suara manusia dapat dijadikan salah satu cara untuk mengidentifikasi apa
yang diucapkan manusia dan siapa yang mengucapkannya. Pada tugas akhir ini
dikembangkan sebuah sistem yang dapat mengidentifikasi secara otomatis suara
manusia dengan menggunakan pendekatan Hidden Markov Models (HMM) dan
ekstraksi ciri Mel-frequency Cepstral Coefficients (MFCC). Secara umum HMM
digunakan untuk signal processing dan speech processing sedangkan MFCC
merupakan salah satu metode ektraksi ciri yang digunakan untuk pengenalan
suara manusia.
Penelitian ini menggunakan suara manusia yang terdiri dari 4 (empat)
speaker(pembicara) yang terdiri dari 2 laki-laki dan 2 perempuan. Pembagian data
untuk proses training dan testing menggunakan metode 5-fold cross validation.
Hasil pengujian yang didapatkan dari proses identifikasi dengan berbagai
kombinasi feature, windows state dan jumlah state diperoleh tingkat akurasi
paling tinggi untuk speech recognition 95% dan untuk speaker recognition 93%.
viii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRACT
Human voice can be one of many ways to identify what human said and
who has the voice. This research built a system for identifying automatically
human voice using Hidden Markov Models (HMM) and feature extraction with
Mel-frequency Cepstral Coefficients (MFCC). Generally HMM is use for signal
processing and speech processing and MFCC is use for feature extraction for
human voice.
This research employed four human as the object for the study. Data
including voices of two man and two woman. Data for testing and training were
separeted unsing 5-fold cross validation.
The highest result of identification using any combination of feature,
windows size and number of states are 95% for speech recognition and 93% for
speaker recognition.
ix
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yesus Kristus yang telah senantiasa
memberikan berkat dan rahmat yang tak berkesudahan serta kesempatan yang
sangat berharga sehingga penulis dapat menyelesaikan skripsi dengan judul
“Identifikasi Suara Manusia Sebagai Kata Sandi atau Password
Menggunakan Metode Hidden Markov Models“.
Dalam kesempatan ini, penulis juga ingin mengucapkan terima kasih
sebesar-besarnya terhadap semua pihak yang telah memberi dukungan dan
semangat sehingga skripsi ini dapat selesai :
1. Romo Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing
dan dosen pembimbing akademik Teknik Informatika kelas A angkatan
2008. Terima kasih atas semua bantuan , bimbingan, pengorbanan waktu,
kesabaran, ilmu serta semangat yang telah diberikan.
2. Ibu Paulina Heruningsih Prima Rosa, S.si., M.Sc. selaku Dekan Fakultas
Sains dan Teknologi. Terima kasih atas semua bantuan dan bimbingan
serta kesabarannya dalam menghadapi mahasiswa.
3. Bapak Eko Hari Parmadi , S.si., M.Kom. dan bapak Alb. Agung
Hadhiatma, S.T., M.T. selaku dosen penguji. Terima kasih atas saran dan
kritik yang telah diberikan.
4. Seluruh Dosen Teknik Informatika yang selama masa kuliah telah
membagikan ilmu dan pengetahuannya yang sangat berguna bagi penulis.
5. Laboran Laboratorium Komputer, Tinus dan Fidi. Terima kasih atas
bantuan dan dukungannya.

x
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI xi
6. Staff Sekretariat Fakultas Sains dan Teknologi, Bapak Tukija, Bu Rina dan
Bu Linda. Terima kasih atas bantuan dan kesabarannya menghadapi
penulis sehingga berbagai prosedur dapat diselesaikan dengan baik dan
lancar.
7. Kedua orang tua saya, Yohanes Sulistiono dan M.M Lusia. Terima kasih
untuk semua kasih sayang dan perhatian yang tak terhingga.
8. Kedua adikku, Bernadeta Listiani dan Felicia Ratriana Putri. Terima kasih
telah ada di dunia ini.
9. Tim Ceriwis. Pucha dan Itha. Teman suka dan duka. Terima kasih atas
segala dukungan dan semangat serta kesabaran yang telah diberikan
sehinggan skripsi kita selesai.
10. Untuk Angga, Endra, Surya, Devi, Ocha, Siska, Bebeth, Esy, Agnes dan
seluruh teman-teman Teknik Informatika angkatan 2008. Terima kasih
atas dukungannya.
11. Untuk Maleo, mbak Vero, mbak Lia dan Mbak Debby. Terima kasih atas
bantuannya untuk ‘break’ ke negri sebrang sehingga skripsi ini dapat
selesai dengan bahagia.
12. Semua pihak yang telah membantu penulis dalam menyelesaikan skripsi.
Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan

tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di
masa depan.
Yogyakarta, 22 Mei 2013
Penulis
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA ......................................................................... I
HALAMAN JUDUL BAHASA INGGRIS .............................................................................. II
HALAMAN PERSETUJUAN PEMBIMBING ...................................................................... III
HALAMAN PENGESAHAN .................................................................................................IV
HALAMAN PERSEMBAHAN ............................................................................................... V
PERNYATAAN KEASLIAN KARY .....................................................................................VI
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS ............................................................................................. VII
ABSTRAK ............................................................................................................................ VIII
ABSTRACT .............................................................................................................................IX
KATA PENGANTAR .............................................................................................................. X
DAFTAR ISI.......................................................................................................................... XII
DAFTAR GAMBAR ............................................................................................................ XVI
DAFTAR TABEL .............................................................................................................. XVIII
BAB I PENDAHULUAN .......................................................................................................... 1
1.1 LATAR BELAKANG MASALAH ........................................................................................ 1
1.2 RUMUSAN MASALAH ...................................................................................................... 3
1.3 TUJUAN ........................................................................................................................... 3
1.4 BATASAN MASALAH ....................................................................................................... 4
xii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI xiii
1.5 METOLOGI PENELITIAN................................................................................................... 6
1.6 SISTEMATIKA PENULISAN ............................................................................................... 7
BAB II LANDASAN TEORI .................................................................................................... 9
2.1 SPEECH PROCESSING ....................................................................................................... 9
2.2 SPEECH RECOGNITION .................................................................................................. 11
2.3 SPEAKER RECOGNITION ................................................................................................ 13
2.3.1 Struktur Dasar dari Sistem Speaker Recognition ................................................ 14
2.4 FEATURE EXTRACTION ................................................................................................. 16
2.5 MEL-FREQUENCY CEPSTRAL COEFFICIENTS (MFCC) .................................................. 18
2.5.1 Frame Blocking .................................................................................................... 20
2.5.2 Windowing ........................................................................................................... 21
2.5.3 Fast Fourier Transform (FFT) ............................................................................ 23
2.5.4 Mel-Frequency Wrapping .................................................................................... 24
2.5.5 Cepstrum .............................................................................................................. 26
2.6 METODE HIDDEN MARKOV MODELS ( HMM ) ............................................................. 27
2.7 ALGORITMA PEMODELAN HIDDEN MARKOV MODELS ................................................. 30
2.7.1 Algoritma Training dengan Baum-Welch ............................................................ 31
2.7.2 Algoritma Testing dengan Viterbi ........................................................................ 34
2.8 METODE EVALUASI 5-FOLD CROSS VALIDATION ......................................................... 34
BAB III ANALISA DAN PERANCANGAN SISTEM .......................................................... 37
3.1 PERANCANGAN SISTEM SECARA UMUM ....................................................................... 37
3.2 GAMBARAN SISTEM ...................................................................................................... 38
3.3 PROSES TRAINING ......................................................................................................... 39

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI xiv
3.4 PROSES TESTING ........................................................................................................... 40
3.5 PERANCANGAN ANTAR MUKA SISTEM ......................................................................... 41
3.5.1 Halaman Depan ................................................................................................... 42
3.5.2 Halaman Pengujian ............................................................................................. 43
3.5.3 Halaman Bantuan ................................................................................................ 46
3.6 SPESIFIKASI HARDWARE DAN SOFTWARE ..................................................................... 48
3.6.1 Hardware ............................................................................................................. 48
3.6.2 Software ............................................................................................................... 48
BAB IV .................................................................................................................................... 49
ANALISA HASIL DAN IMPLEMENTASI SISTEM............................................................ 49
4.1 ANALISA HASIL IDENTIFIKASI SUARA........................................................................... 49
4.2 IMPLEMENTASI ANTARMUKA SISTEM ....................................................................... 60
4.2.1 Halaman Depan ................................................................................................... 60
4.2.2 Halaman Pilihan Menu Pengujian ...................................................................... 61
4.2.3 Halaman Pengujian Hidden Markov Models untuk Speech Recognition ............ 62
4.2.4 Halaman Pengujian Hidden Markov Models untuk Speaker Verification .......... 64
4.2.5 Halaman Pengambilan Suara .............................................................................. 65
4.2.6 Halaman Pengujian Sistem untuk Speech Recognition ....................................... 67
4.2.7 Halaman Pengujian Sistem untuk Speaker Verification ...................................... 68
4.2.8 Halaman Bantuan ................................................................................................ 74
4.2.9 Halaman Tentang Programmer ........................................................................... 75
BAB V ..................................................................................................................................... 76
KESIMPULAN DAN SARAN................................................................................................ 76

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI xv
5.1 KESIMPULAN................................................................................................................. 76
5.2 SARAN .......................................................................................................................... 78
DAFTAR PUSTAKA .............................................................................................................. 79
LAMPIRAN I .......................................................................................................................... 82
LAMPIRAN II ......................................................................................................................... 84
SCRIPT DAN FILE PENDUKUNG ....................................................................................... 84
LAMPIRAN III...................................................................................................................... 161
HALAMAN BANTUAN....................................................................................................... 161

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR GAMBAR
Gambar Keterangan Halaman

2.1 Cakupan speech processing (Joseph P. Campbell, 1997) 10
2.2 Skema Speech Recognition (Melissa, 2008) 12
2.3 Struktur dari Speaker Identification (Furui, 1996) 15
2.4 Struktur dari Speaker Verification (Furui, 1996) 15
2.5 Diagram blok proses MFCC 19
2.6 Proses frame blocking 20
2.7 Sinyal dengan proses windowing 22
2.8 Sinyal tanpa proses windowing 22
2.9 Grafik hubungan skala mel dan frekuensi (IPB) 25
2.10 Contoh mel-spaced Filter-bank (IPB) 25
2.11 Contoh tiga tipe rantai HMM 31
2.12 Ilustrasi dari operasi Baum-Welch 33
3.1 Skema sistem pengenalan suara manusia 38
3.2 Gambaran sistem secara umum 38
3.3 Tahap training dan testing 39
3.4 Proses tahap testing 40
3.5 Proses tahap testing 41
3.6 Rancangan halaman depan 42
3.7 Rancangan halaman Pengujian sistem tahap pertama 43
3.8 Rancangan jendela peringatan apabila password salah 44
3.9 Rancangan jendela peringatan apabila password benar 44
3.10 Rancangan halaman pengujian HMM tahap pertama 45
3.11 Rancangan halaman pengujian HMM tahap kedua 46
3.12 Rancangan halaman bantuan untuk cara kerja program 47
3.13 Rancangan halaman bantuan tentang program 47
4.1 Grafik Tingkat Akurasi Identifikasi Suara Manusia dengan 54
Feature MFCC_D untuk Speech Recognition
4.2 Grafik Tingkat Akurasi Identifikasi Suara Manusia dengan 55
Feature MFCC_D untuk Speaker Verification
4.3 Halaman Depan 60
4.4 Halaman pilihan pengujian 61
4.5 Halaman Pengujian Hidden Markov Model untuk Speech 63
Recognition
4.6 Halaman Pengujian Hidden Markov Model untuk Speaker 65
Verification
4.7 Halaman Pengambilan Suara 66
4.8 Halaman Peringatan 66
4.9 Halaman Pengujian Speech Recognition 68
4.10 Halaman Pengujian Sistem Untuk Speaker Verification 69
4.11 Halaman Pengujian Speech Recognition untuk speaker Angga 70
4.12 Halaman Pengujian Speaker Verification untuk speaker Angga 71
4.13 Halaman Pengujian Speech Recognition untuk speaker Yudhi 71
4.14 Halaman Pengujian Speaker Verification untuk speaker Yudhi 72
xvi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI xvii
4.15 Halaman Pengujian Speech Recognition untuk speaker Deta 72

4.16 Halaman Pengujian Speaker Verification untuk speaker Deta 73
4.17 Halaman Pengujian Speaker Verification untuk speaker yang tidak 74
terdaftar
4.18 Halaman Bantuan 75
4.19 Halaman Tentang Programmer 75
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR TABEL
Tabel Keterangan Halaman

2.1 Tingkat akurasi berbagai metode feature extraction 17
(Universite Pierre&MarrieCurrie, LA Science A Paris,
2004)
2.2 Pembagian kelompok data menjadi 5 bagian 35
2.3 Gambaran metode 5-fold cross validation 35
2.4 Contoh confusion matrix 36
4.1 Hasil Akurasi Identifikasi Suara untuk Speech Recognition 50
4.2 Hasil Akurasi Identifikasi Suara untuk Speaker Verification 52
4.3 Hasil identifikasi suara berdasarkan tipe feature pada proses 56
Speech Recognition
4.4 Confusion Matrix MFCC_D untuk Speech Recognition 57
4.5 Hasil identifikasi suara berdasarkan tipe feature pada proses 58
Speaker Recognition
4.6 Confusion Matrix MFCC_D untuk Speaker Recognition 59
xviii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Meskipun teknologi sudah berkembang pesat tetapi keamanan
pengguna teknologi masih perlu diperhatikan lagi. Gangguan keamanan
yang diakibatkan perkembangan teknologi dapat menyebabkan privasi
seseorang terganggu. Hal ini dapat dilihat dari berbagai contoh seperti
password yang dicuri kemudian disalahgunakan, pembicaraan telepon
yang disadap dan lain sebagainnya. Maka dari itu, keamanan menjadi hal
yang patut diperhatikan seiring dengan perkembangan teknologi.
Saat ini teknologi juga menawarkan berbagai fasilitas untuk
meningkatkan keamanan masyarakat. Salah satunya adalah dengan kata
sandi atau password yang diaplikasikan dalam berbagai perangkat. Tentu
saja kata sandi yang ditawarkan bukan sandi konvensional seperti
memasukkan angka atau huruf melainkan dengan menggunakan suara,
deteksi retina, sidik jari serta pengenalan tulisan tangan. Dari sekian
banyak contoh tersebut pengenalan suara merupakan salah satu cara yang
dapat digunakan sebagai kata sandi yang memiliki variasi yang cukup unik
(Hidayanto dan Sumardi, 2006).
Suara adalah salah satu hal yang membedakan antara manusia satu
dengan yang lainnya. Tiap individu memiliki karakter vokal, timbre dan
1
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 2
aksen yang berbeda bahkan yang kembar identik sekalipun. Keunikan
suara inilah yang dapat dijadikan sebagai kata sandi untuk meningkatkan
keamanan pengguna dalam menggunakan suatu sistem (Setyabudi,
Purwanto dan Warsono, 2007).
Sudah banyak penelitian tentang pengenalan pola suara dengan
menggunakan berbagi metode serta implementasi yang berbeda-beda.
Salah satu metode yang cukup baik dan memiliki akurasi yang tinggi
dalam menangani variasi data dan keberagaman suara adalah Hidden
Markov Models (HMM) dan dengan menggunakan ekstraksi ciri Mel-
frequency Cepstral Coefficients (MFCC). Pada penelitian Pengenalan
Ucapan Kata Terisolasi dengan Metode Hidden Markov Models (HMM)
melalui Ekstraksi Ciri Linear Predictive Coding ( LPC ) (Hidayanto dan
Sumardi, 2006) dihasilkan akurasi yang berkisar pada angka 99,82% untuk
pengenalan ucapan kata yang berkorelasi tinggi pada pengujian dengan
data rekaman. Sedangkan pada pengujian online memberikan akurasi
berkisar pada angkan 87,58%. LPC sendiri adalah salah satu metode yang
digunakan untuk proses ekstrasi ciri.
Pada penelitian Identifikasi Pembicara Menggunakan Algoritme
VF15 dengan MFCC sebagai Pengekstraksi Ciri (Zilvan &
Muttaqien,2011) menghasilkan akurasi identifikasi suara tertinggi
mencapai 97%. VF15 merupakan salah satu algoritma yang digunakan
dalam pengklasifikasian.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 3
Dari hasil penelitian tersebut, metode Hidden Markov Models dan
ekstraksi ciri Mel-frequency Cepstral Coefficients akan digunakan penulis
untuk mengidentifikasi suara manusia yang akan digunakan sebagai kata
sandi atau password. Judul dari tugas akhir ini adalah “ Identifikasi
Suara Manusia Sebagai Kata Sandi atau Password Menggunakan
Pendekatan Hidden Markov Model “. Perbedaan tugas akhir ini dengan
penelitian sebelumnya adalah selain untuk mengetahui apa yang akan
diucapkan sebagai kata sandi, sistem juga akan mengidentifikasi pemilik
suara.
1.2 Rumusan Masalah
Dari latar belakang masalah diatas, rumusan masalah yang diambil
adalah Seberapa besar akurasi metode Hidden Markov Model mampu
mengenali suara manusia dan bagaimana mengimplementasinya ke dalam
sistem.
1.3 Tujuan
Merancang, menganalisa, mengimplementasi dan mengetahui
kelebihan serta kekurangan metode Hidden Markov Models dalam
menangani pengenalan suara sebagai kata sandi.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 4
1.4 Batasan Masalah
1. Pola suara yang diteliti adalah pola suara manusia yang mencakup
suara laki-laki dan perempuan dengan mengucapkan kata tertentu.
Kata yang diucapkan adalah kata ‘satu’, ‘dua’, ‘tiga’, ‘empat’, ‘lima’,
‘enam’, ‘tujuh’, ‘delapan’, ‘sembilan’, dan ‘nol’. Setiap kata yang
diucapkan akan diulang sebanyak lima kali dengan menggunakan
aksen atau cara pengucapan yang berbeda.
2. Ekstraksi ciri atau feature extraction menggunakan Mel-frequency
Cepstral Coefficients (MFCC)
3. Suara manusia yang diproses adalah suara berekstensi .wav dan
diambil dengan menggunakan microphone yang terhubung ke
komputer menggunakan program Sound Recorder yang merupakan
program bawaan dari Sistem Operasi Windows . Suara direkam dengan
menggunakan frekuensi sampling 44100Hz dengan karakteristik sound
yang digunakan adalah stereo sound dengan bit data sebesar 16 bit.
4. Pemodelan suara manusia menggunakan algoritma Baum-Welch.
5. Identifikasi suara manusia menggunakan algoritma Viterbi.
6. Terdapat 200 data yang akan digunakan untuk penelitian ini dengan
rincian 100 data dari suara perempuan dan 100 data dari suara laki-
laki.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 5
7. Speaker berjumlah 4 (empat) orang terdiri dari 2 (dua) orang
perempuan dan 2 (dua) orang laki-laki.
8. Suara akan mengalami proses ekstraksi ciri dan pemodelan dengan
menggunakan fungsi yang tersedia di MATLAB R2010a.
9. Kondisi speaker yang diambil data suaranya dalam keadaan sehat.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 6
1.5 Metologi Penelitian
Metode yang akan digunakan dalam penelitian meliputi :
1. Studi Pustaka
Tahap ini dilakukan dengan mempelajari buku-buku referensi dan
sumber-sumber dari internet yang berkaitan dengan Hidden Markov
Models, Speech Processing, feature extraction, algoritma Baum-
Welch, algoritma Viterbi dan tutorial pemrograman Matlab.
2. Tahap Pengambilan Data
Tahap ini dilakukan dengan cara mengambil data berupa ucapan dari 4
orang yang terdiri dari 2 laki-laki dan 2 perempuan. Tahap ini
dilakukan dengan menggunakan microphone yang terhubung ke
komputer.
3. Tahap Pembuatan Model
Model sendiri merupakan gambaran statistik dari ucapan yang telah
dimasukkan. Dalam tahap ini model akan dibangun dengan
menggunakan metode Hidden Markov Model.
4. Tahap Pembuatan Sistem Pengenal Ucapan
Pembuatan sistem akan dilakukan berdasarkan data yang telah
dimasukkan dan dengan mengintegrasikan aplikasi ke dalam GUI

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 7
(Graphical User Interface) dengan menggunakan bahasa
pemrograman Matlab.
5. Tahap Pengujian
Tahap pengujian dilakukan dengan uji coba program oleh pengguna.
Pada tahap ini juga akan dilakukan evaluasi terhadap sistem yang
dibangun. Apabila data yang dimasukkan adalah data yang belum
dimodelkan maka proses pengujian juga akan dibandingkan dengan
data yang telah dimodelkan terlebih dahulu tetapi dalam program akan
muncul pesan bahwa password atau kata sandi salah.
1.6 Sistematika Penulisan
BAB I PENDAHULUAN
Berisi latar belakang masalah, rumusan masalah, tujuan,
batasan masalah, metologi penelitian, dan sistematika
penulisan.
BAB II LANDASAN TEORI
Berisi landasan teori mengenai Speech Processing, Speech
Recognition, Speaker Recognition, teori Hidden Markov
Model, Mel-frequency cepstral coefficients (MFCC),
algoritma Baum-Welch dan algoritma Viterbi yang
digunakan dalam pembuatan dan penyusunan tugas akhir.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 8
BAB III ANALISA DAN PERANCANGAN SISTEM
Bab ini berisi analisa dan gambaran atau rancangan dari
sistem yang akan dibangun yaitu sebuah sistem yang dapat
mengenali suara manusia sebagai kata sandi atau password
serta menjelaskan alur dari proses training dan testing.
BAB IV IMPLEMENTASI SISTEM
Bab ini berisi implementasi sistem dengan menggunakan
pendekatan Hidden Markov Model
BAB V ANALISA HASIL DAN PEMBAHASAN
Bab ini berisi tentang hasil dari implementasi sistem yang
kemudian dianalisa dan diuji.
BAB VI KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang didapatkan dari
proses pembuatan tugas akhir ini, serta saran agar
pengembangan dari tugas akhir ini dapat lebih bermanfaat.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB II
LANDASAN TEORI
Pada bab ini akan dijelaskan mengenai teori-teori yang menjadi
landasan untuk mengembangkan penelitian beserta perangkatnya. Teori-
teori yang akan dibahas antara lain Speech Processing, Speech
Recognition, Speaker Recognition, Metode Hidden Markov Models ,
Feature Extraction, Mel-frequency Cepstral Coefficients (MFCC),
algoritma Baum-Welch dan algoritma Viterbi.
2.1 Speech Processing
Ucapan merupakan sinyal yang sangat kaya akan informasi yang di
dalamnya terkandung frekuensi, amplitudo dan waktu. Contohnya adalah
gerakan resonansi, harmonisasi, intonasi, dan lain sebagainya. Hal tersebut
digunakan untuk menyampaikan informasi tentang kata-kata dari identitas
pembicara yang dipengaruhi oleh aksen, ekspresi, serta kondisi kesehatan
dari si pembicara.
Sinyal ucapan yang digunakan oleh manusia sehari-hari dapat
dipelajari pada Speech Processing. Speech processing merupakan sebuah
studi yang mempelajari tentang sinyal dari sebuah ucapan dan juga metode
yang digunakan untuk memproses sinyal tersebut.
9
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 10
Speech Processing terbagi dalam beberapa cabang ilmu sesuai
dengan tujuan dari pengolahan suaranya. Hal tersebut dapat dilihat pada
Gambar 2.1
Gambar 2.1 Cakupan speech processing (Joseph P. Campbell, 1997)
Apabila dilihat dari Gambar 2.1 terdapat beberapa ilmu yang sudah
sering digunakan dalam aplikasi yang berkaitan dengan ucapan. Speech
recognition dan speaker recognition merupakan cabang ilmu dari specch
processing yang paling sering diaplikasikan untuk pengenalan suara.
Speech recognition sendiri merupakan proses identifikasi suara
yang akan dikonversikan dalam bentuk teks. Sedangkan speaker
recognition merupakan proses indentifikasi suara yang berdasarkan pada

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 11
asal suara atau pembicara. Dilihat dari perbedaan antara speech
recognition dan speaker recognition, kedua proses tersebut dapat
digunakan untuk melakukan proses identifikasi password berdasarkan
pada suara manusia adalah speaker recognition. Oleh karena itu, dalam
pembuatan tugas akhir ini penulis akan menggunakan prinsip speech
recognition dan speaker recognition dalam proses identifikasi suara.
2.2 Speech Recognition
Speech Recognition adalah suatu pengembangan dalam sebuah
sistem yang memungkinkan sebuah komputer untuk mengolah masukan
atau perintah yang berupa suara. Speech Recognition memungkinkan
sebuah sistem untuk dapat mengenali dan memahami perintah suara.
Terdapat 4 tahap dalam Speech Recognition (Mellisa, 2008) yaitu :
a. Penerimaan data input
b. Ekstraksi, yaitu penyimpanan data masukan sekaligus pembuatan
database untuk template
c. Pembandingan / pencocokan, yaitu tahap pencocokan data baru dengan
data suara pada template.
d. Validasi identitas pengguna

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 12
Gambar 2.2 Skema Speech Recognition (Melissa, 2008)
Speech Recognition juga dibagi menjadi beberapa jenis
berdasarkan kemampuannya dalam mengenali kata yang diucapkan.
a. Kata-kata yang terisolasi
Proses pengidentifikasian kata yang hanya dapat mengenal kata yang
diucapkan apabila kata tersebut memiliki jeda waktu dalam
pengucapannya.
b. Kata-kata yang berhubungan
Proses pengidentifikasian kata yang mirip dengan kata-kata terisolasi,
tetapi hanya membutuhkan jeda waktu pengucapan yang lebih singkat

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 13
c. Kata-kata yang berkelanjutan
Proses pengidentifikasian ini lebih maju karena dapat mengenali kata-
kata yang diucapkan secara berkesinambungan dengan jeda waktu
yang sangat sedikit. Proses ini sangat sulit karena membutuhkan
metode khusus untuk membedakan kata-kata yang diucapkan dalam
jeda waktu yang sangat sebentar.
d. Kata-kata spontan
Proses pengidentifikasian kata yang dapat mengenal kata-kata yang
diucapkan secara spontan tanpa jeda waktu antar kata.
e. Verifikasi atau identifikasi suara
Proses pengidentifikasian kata yang tidak hanya mampu mengenali
kata tapi juga mampu mengidentifikasi siapa yang berbicara.
2.3 Speaker Recognition
Speaker recognition merupakan salah satu metode yang dapat
digunakan secara otomatis untuk mengenali suara seseorang yang
mengucapkan sesuatu (Joseph P. Campbell, 1997). Speaker recognition
juga merupakan bagian dari Speech Proccesing yang mana terdiri dari
berbagai cabang yang berbeda-beda.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 14
Apabila dilihat dari gambar 2.1 sebelumnya, Speaker Recognition
mencakup Speaker Identification dan Speaker Verification. Speaker
Verification merujuk kepada bagaimana sebuah suara dapat menguji
seseorang apakah seseorang tersebut merupakan speaker atau bukan.
Sedangkan Speaker Identification hanya menitikberatkan terhadap
penentuan 1 (satu) speaker dari sekumpulan speaker yang ada.
Metode dari Speaker Recognition juga dapat dibedakan menjadi
text-dependent dan metode text-independent. Metode text-dependent
membutuhkan speaker untuk mengucapkan kata untuk pemodelan dan
pengujian sedangkan metode text-independent tidak bergantung terhadap
kata yang diucapkan speaker untuk pemodelan. Pada pembuatan tugas
akhir ini akan menggunakan metode Speaker Recognition yang bertipe
text-dependent.
2.3.1 Struktur Dasar dari Sistem Speaker Recognition
Speaker Identification dan Speaker Verification memiliki struktur
yang berbeda. Berikut adalah struktur dari Speaker Verification dan
Speaker Identification menurut Furui (1996).

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 15
Gambar 2.3 Struktur dari Speaker Identification (Furui,1996)
Berdasarkan Gambar 2.3 dapat dilihat bahwa dalam proses Speaker
Identification suara yang masuk akan melalui tahap ekstraksi. Kemudian
akan dicari kemiripan yang paling dekat dengan suara yang telah
dimodelkan sebelumnya untuk mengetahui identitas dari speaker.
Gambar 2.4 Struktur dari Speaker Verification (Furui,1996)

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 16
Pada Speaker Verification suara yang masuk akan di ekstraksi
kemudian akan dibandingkan dan dicari kemiripan dengan suara dari
speaker yang telah dimodelkan sebelumnya dan dari speaker id.
Perbandingan tersebut akan digunakan untuk menolak atau menerima
suara yang masuk.
2.4 Feature Extraction
Feature extraction merupakan metode untuk mengubah sinyal
menjadi beberapa parameter. Data yang akan digunakan merupakan data
dari suara manusia sehingga berupa data sinyal. Tetapi tidak semua data
sinyal tersebut dapat digunakan. Hal ini disebabkan karena berbagai faktor
seperti suara-suara yang berada di sekitar speaker pada saat pengambilan
data suara. Dengan tahap feature extraction diharapkan menghasilkan
feature yang memiliki kemampuan untuk membedakan kemiripan
pengucapan setiap model sehingga tidak memerlukan data training yang
banyak. Pada umumnya feature extraction memiliki tiga tahap (Reynold,
2002), yaitu:
1. Penggunaan program deteksi suara untuk menghilangkan noise dari
sinyal suara yang menjadi obyek.
2. Feature diekstrak untuk memperoleh informasi
3. Penerapan normalisasi.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 17
Terdapat beberapa metode yang digunakan untuk mengekstrak
feature yang berhubungan dengan sinyal. Metode tersebut antara lain LPC
(Linear Prediction Coding) , Mel-Frequency Cepstral
Coefficients (MFCC), Neural Predictive Coding (NPC), dan sebagainya.
Perbandingan tingkat akurasi berbagai metode feature extraction dapat
dilihat pada Tabel 2.1 (Chetouani, 2004)
Tabel 2.1 Tingkat akurasi berbagai metode feature extraction
(Sumber : Universite Pierre&MarrieCurrie, LA Science A Paris,
2004)
Dari Tabel 2.1 di atas dapat dilihat bahwa metode NPC memiliki
tingkat identifikasi yang paling tinggi dan sempurna kemudian diikuti oleh
metode MFCC. NPC merupakan salah satu algoritma ekstraksi ciri yang
merupakan perluasan dari LPC. Dalam kasus ini metode MFCC dirasa
paling tepat karena cara kerja metode MFCC sama dengan telinga manusia
sehingga untuk mengidentifikasi suara manusia lebih baik menggunakan
metode MFCC.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 18
2.5 Mel-Frequency Cepstral Coefficients (MFCC)
Mel-Frequency Cepstral Coefficients (MFCC) merupakan metode
pengolahan suara yang memiliki tujuan untuk mengidentifikasi asal dari
sumber suara. MFCC berdasarkan pada variasi bandwidth kritis terhadap
frekuensi pada telinga manusia sehingga cara kerja yang diterapkan pada
metode ini meniru karakteristik telinga manusia (Zilvan dan Muttaqien,
2011). Pada telinga manusia terdapat filter-filter yang berguna untuk
membedakan suara yang memililki frekuensi rendah dan suara yang
memiliki frekuensi tinggi. Pada metode MFCC, filter pada telinga manusia
digambarkan dalam skala mel-frekuensi yang berfungsi untuk menangkap
karakter penting pada suatu ucapan.
Beberapa keunggulan dari metode MFCC adalah ( Manunggal, 2005):
1. Mampu menangkap karakteristik suara yang sangat penting bagi
pengenalan suara atau dengan kata lain dapat menangkap informasi-
informasi penting yang terkandung dalam signal suara.
2. Menghasilkan data seminimal mungkin tanpa menghilangkan
informasi-informasi penting yang terkandung di dalamnya.
3. Mereplikasi organ pendengaran manusia dalam melakukan persepsi
terhadap signal suara.
Filter-filter yang terdapat dalam telinga manusia juga memiliki
jarak yang berbeda pada sumbu frekuensi. Berdasarkan cara kerja tersebut,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 19
MFCC juga memiliki filter yang berbeda, yaitu linearly spaced filters dan
logarithmically spaced filters (Hasan, Jamil, Rabbani, & Rahman, 2004).
Pada linearly spaced filters memiliki frekuensi yang berada di bawah
1000Hz sedangkan pada logarithmically spaced filters memiliki frekuensi
di atas 1000Hz.
Gelombang suara yang dihasilkan oleh speaker dapat memiliki
berbagai variasi tergantung dari kondisi fisik speaker tersebut. MFCC
memiliki struktur berupa blok diagram yang dapat dilihat pada Gambar 2.4
Continuous
Frame Blocking Windowing FFT
Speech
Mel Cepstrum
Cepstrum Mel-Frequency Wrapping
Gambar 2.5 Diagram blok proses MFCC (Do, 1994)
Apabila dilihat dari Gambar 2.5, terdapat beberapa proses feature
extraction dengan MFCC.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 20
2.5.1 Frame Blocking
Sinyal suara terus mengalami perubahan karena adanya pergeseran
artikulasi dari organ produksi vokal. Oleh karena itu, sinyal harus diproses
secara short segments ( short frame). Panjang frame yang biasanya
digunakan untuk pemrosesan sinyal adalah antara 10-30 ms. Panjang
frame yang digunakan sangat mempengaruhi keberhasilan dalam analisa
spektral. Di satu sisi, ukuran dari frame harus sepanjang mungkin untuk
dapat menunjukkan resolusi frekuensi yang baik. Tetapi, di sisi lain frame
juga harus cukur pendek untuk dapat menunjukkan waktu yang baik.
Proses frame blocking ditunjukkan pada Gambar 2.6.
Gambar 2.6 Proses frame blocking
Dengan Sn merupakan nilai sampel yang dihasilkan dan n
merupakan urutan sampel yang akan diproses
Sinyal ucapan yang terdiri dari S sampel (X(S)) dibagi menjadi
beberapa frame yang berisi N sampel, yang masing-masing sampel
dipisahkan oleh M (M<N). Frame pertama berisi sampel N pertama.
Frame kedua dimulai dari M sampel setelah frame pertama berjalan

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 21
sehingga frame kedua ini overlap terhdap frame pertama sebanyak N-M
sampel. Selanjutnya, frame ketiga dimulai M sampel setelah frame kedua (
juga overlap sebanyak N-M terhadap frame kedua ). Hasil dari proses ini
adalah matriks dengan N baris dan beberapa kolom sinyal X[N].
Proses frame ini dilakukan terus sampai seluruh sinyal dapat
diproses. Selain itu, proses ini umumnya dilakukan secara overlap yang
umum digunakan adalah kurang lebih 30% sampai 50% dari panjang
frame. Overlapping dilakukan untuk menghindari hilangnya ciri atau
karakteristik suara pada perbatasan perpotongan setiap frame.
2.5.2 Windowing
Proses framing dapat menyebabkan kebocoran spektral atau
aliasing. Aliasing merupakan sinyal baru yang memiliki frekuensi yang
berbeda dengan sinyal aslinya. Hal ini dapat terjadi karena rendahnya
jumlah sampling rate atau proses frame blocking yang menyebabkan
sinyal menjadi discontinue. Maka dari itu, tahap windowing diperlukan
agar menghidari kebocoran spektral.
Pada tahap windowing, sinyal suara yang telah mengalami frame
blocking telah dibagi menjadi beberapa frame. Setiap frame yang diperoleh
akan dijadikan window untuk memperkecil kemungkinan gangguan sinyal
yang terputus pada awal dan akhir setiap frame. Window dapat
didefinisikan sebagai berikut :
w(n) ; dimana 0 ≤ n ≤ ( N-1 ) (2-1)

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 22
N merupakan jumlah sample pada setiap frame. Hasil yang
didapatkan dari proses windowing adalah sinyal (y(n)) yang dapat
y(n) = x(n) w(n) ,dimana 0 ≤ n ≤ ( N-1 ) (2-2)
Terdapat banyak fungsi window, namun yang paling sering
digunakan untuk proses speaker recognition adalah hamming window.
Fungsi window ini menghasilkan sidelobe level yang tidak terlalu tinggi
(kurang lebih -43dB) selain itu noise yang dihasilkan juga tidak terlalu
besar. Fungsi hamming window adalah sebagai berikut :
w(n) = 0.54 – 0.46 cos [2 π n / (N – 1)], dimana 0 ≤ n ≤ ( N-1 ) (2-3)
Gambar berikut menunjukkan perbedaan antara sinyal yang
melalui proses windowing dan sinyal yang tanpa melalui proses
windowing.
Gambar 2.7 Sinyal dengan proses windowing
Gambar 2.8 Sinyal tanpa proses windowing

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 23
2.5.3 Fast Fourier Transform (FFT)
FFT adalah suatu algoritma untuk mengimplemetasikan algoritma
Discrete Fourier Transform (DFT) dengan lebih cepat. Komputasi dari
algoritma DFT memiliki waktu yang sangat lama dikarenakan
membutuhkan N2 perkalian bilangan kompleks sehingga dibutuhkan cara
lain untuk menghitung DFT dengan cepat dengan menggunakan algoritma
FFT dimana FFT menghilangkan proses perhitungan yang kembar dari
DFT.
Jumlah sinyal yang akan dimasukkan dalam algoritma ini harus
merupakan kelipatan dua (2M). Algoritma FFT dimulai dengan membagi
sinyal menjadi dua bagian. Bagian pertama merupakan sinyal yang
memiliki nilai suara pada indeks waktu genap sedangkan bagian kedua
merupakan sinyal yang memiliki nilai suara pada indeks waktu ganjil.
Fast Fourier Transform adalah himpunan dari N sample [Xn] yang
𝑁−1
𝑋𝑛 = 𝑘=0 𝑋 𝑒 −2𝜋𝑘𝑛 𝑁 , dimana n = 0,1,2,3,…..N-1 (2-4)
𝑘
FFT seringkali digunakan untuk mendapatkan besarnya reaksi
frekuensi dari setiap frame. Ketika FFT dijalankan pada sebuah frame,
dapat diasumsikan bahwa sinyal dalam sebuah frame adalah periodik dan
akan berkesinambungan ketika proses wrapping.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 24
Apabila dilihat dari rumusan diatas, dapat dilihat bahwa Xn
merupakan angka yang kompleks. Hasil dari Xn dapat dijabarkan sebagai
berikut:
1. Ketika n = 0 merupakan keadaaan frekuensi saat kosong.
2. Ketika 1 ≤ n ≤ (N/2 – 1) merupakan keadaan saat frekuensi bernilai
positif (0 < f < Fs/2).
3. Ketika N/2+1 ≤ n ≤ N-1 merupakan keadaaan saat frekuensi bernilai
negatif (Fs/2 < f < 0).
Fs sendiri merupakan frekuensi sample. Hasil yang diperoleh
berupa spektrum sinyal atau periodogram.
2.5.4 Mel-Frequency Wrapping
Sinyal suara terdiri dari nada-nada yang memiliki frekuensi yang
berbeda. Setiap nada dengan frekuensi yang sebenarnya, f, diukur dalam
Hz. Nada yang subyektif diukur dengan menggunakan skala Mel. Sebagai
acuan, nada dengan frekuensi 1kHz, 40dB diatas dari threshold
pendengaran, didefinisikan sebagai 1000 mels. Rumus yang digunakan
untuk menghitung mels dengan frekuensi dalam Hz adalah sebagai
berikut:
mel(f)= 2595*log10(1 + f/700) (2-5)

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 25
Salah satu pendekatan untuk menggambarkan spektrum yang
subyektif adalah dengan menggunakan filter. Setiap filter ditujukan untuk
komponen mel-frequency yang diinginkan. Filter yang dibentuk memiliki
jarak pusat filter adalah konstan pada ruang frekuensi mel. Skala mel
dibentuk untuk mengikuti persepsi sistem pendengaran manusia yang
bersifat linear untuk frekuensi rendah dan bersifat logaritmik untuk
frekuensi tinggi, dengan batas pada nilai frekuensi akustik sebesar
1000Hz. Hubungan skala mel dan frekuensi dapat digambarkan pada
Gambar 2.8.
Gambar 2.9 Grafik hubungan skala mel dengan frekuensi (IPB)
Gambar 2.10 Contoh mel-spaced Filter bank (IPB)

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 26
Dari M filter yang telah terbentuk, maka dilakukan wrapping
terhadap sinyal domain frekuensi dan menghasilkan satu komponen untuk
setiap filter dengan menggunakan rumus ( Buono, 2009) :
𝑁−1
𝑋𝑖 = log10 𝑘=0 𝑋 𝑘 𝐻𝑖 𝑘 (2-6)
Dengan i= 1,2,3….M dan Hi(k) adalah nilai filter segitiga ke-i
untuk frekuensi akustik sebesar k. Hasil dalam spektrum mel ini kemudian
akan dipilih cepstrum coefficients, nilai koefisien diperoleh dengan
menggunakan transformasi cosinus. Rumus yang digunakan adalah :
𝑀 𝜋
𝐶 𝑗 = 𝑖=1 𝑋𝑖 cos 𝑗 𝑖 − 1 /2 𝑀 (2-7)
Dengan j = 1,2,3…K yang merupakan jumlah cepstrum coefficients
dan M merupakan jumlah filter.
2.5.5 Cepstrum
Pada langkah terakhir, logaritma dari spektrum mel harus
dikonversikan kembali ke domain waktu. Hasil yang didapatkan bernama
mel-frequency cepstrum coefficients (MFCCs) (Hasan, Jamil, Rabbani dan
Rahman, 2004). Karena koefisien dari mel merupakan bilangan nyata,
dapat juga dikonversikan ke dalam domain berbasis waktu menggunakan
Discrete Cosine Transform (DCT).
MFCC sendiri dapat dihitung dengan rumus sebagai berikut :

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 27
𝐾 1 𝜋
𝐶𝑛 = 𝑘−1 𝑙𝑜𝑔𝑆𝑘 𝑛 𝑘−2 (2-8)
𝐾
dimana n = 1,2,…. K
Komponen pertama, C0 , tidak termasuk DCT karena
merepresentasikan nilai rata-rata sinyal yang membawa sedikit informasi
speaker yang spesifik. Dengan menerapkan prosedur yang telah
dijelaskan, untuk setiap frame sekitar 30 ms dengan overlap, koefisien-
koefisien dari mel cepstrum dapat dihitung.
2.6 Metode Hidden Markov Models ( HMM )
Hidden Markov Models merupakan sebuah pemodelan statistik dari
sebuah sistem yang diasumsikan sebagai ‘Rantai Markov‘ dengan
parameter yang tidak diketahui, dan tantangannya adalah menemukan
parameter yang tersembunyi (hidden) dari parameter yang diketahui
(observer) (Przytycka, 2000). Parameter yang telah digunakan kemudian
dapat digunakan untuk analisa yang lebih jauh, misalnya untuk Speaker
Recognition. HMM disebut statistik karena mencari means, varians, dan
probabilitas dari model yang digunakan.
Dalam jurnal yang berjudul “ Hidden Markov Models For Speech
Recognition “ yang ditulis oleh B. H. Juang dan L. R. Rabiner disebutkan
bahwa metode HMM sangat populer dikarenakan memiliki kerangka
statistik yang tidak dapat dipisahkan atau dapat dikatakan tepat secara
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 28
matematika. Hal ini karena kemudahan dan ketersediaan dari algoritma
training yang dimiliki HMM untuk memperkirakan parameter dari sebuah
model dengan data yang terbatas.
Dari Hidden Markov Models, suara dianggap sebagai sinyal yang
kemudian dimodelkan. Kemudian suara yang datang akan dibandingkan
dengan seluruh model yang ada dan akan melihat tingkat kecocokan yang
paling mendekati.
Hidden Markov Models didefinisikan sebagai kumpulan 5
parameter yaitu N, M, A, B, π. Dengan menganggap λ = { A, B, π } maka
Hidden Markov Models mempunyai parameter tertentu yaitu N dam M.
Maka dari itu, ciri-ciri dari HMM adalah :
1. Observasi diketahui tetapi urutan keadaan ( state ) tidak diketahui
sehingga disebut hidden.
2. Observasi adalah fungsi probabilitas keadaan
3. Perpindahan keadaan adalah bentuk probabilitas
Hidden Markov sendiri memiliki parameter distribusi sebagai berikut:
1. Probabilitas Transisi
A = { aij } , aij = P (qt+1 = Sj | qt = Si ) , 1 ≤ i , j ≤ N
Dengan syarat aij ≥ 0 dan
𝑁
𝐽 𝑖𝑗 = 1 dan aij = 1
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 29
2. Probabilitas Observasi
B = { bj (k) } , bj(k) = P ( Vk pada t | qt = Sj )
1≤ j ≤N, 1≤ k ≤M
Distribusi keadaan awal
π = { πi } , πi = P (qi = Sj )
Sedangkan terdapat dua parameter tertentu pada Hidden Markov
Models yaitu N dan M.
1. N merupakan jumlah keadaan model. Dinotasikan sebagai himpunan
terbatas untuk keadaan yang mungkin adalah S = { S1, S2……SN }
2. M adalah jumlah dari simbol observasi atau keadaan. Simbol observasi
berhubungan dengan keluaran fisik dari sistem yang dimodelkan.
Dinotasikan sebagai himpunan terbatas untuk observasi yang mungkin
adalah V = { V1, V2……VM }
Apabila diberi nilai yang tepat untuk variabel-variabel diatas maka
Hidden Markov Models dapat digunakan untuk memberikan sekuens
observasi.
O = O1 O2 O3 O4 O5……… Ot (2.9)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 30
Dimana untuk setiap observasi Ot adalah satu dari simbol yang ada
pada V, dan T adalah banyaknya observasi yang ada pada sekuens
tersebut.
Metode Hidden Markov Models memiliki beberapa algoritma
pemodelan yang akan dijelaskan dalam subbab selanjutnya.
2.7 Algoritma Pemodelan Hidden Markov Models
Algoritma dalam Hidden Markov Models digunakan untuk
pembuatan model yang mencakup proses training dan testing. Pemodelan
dapat berbentuk kontinu untuk data yang berlanjut sesuai dengan waktu
seperti data suara yang akan diterapkan pada penelitian ini dan pemodelan
diskret yang digunakan pada data citra.
Bentuk dari model Hidden Markov Models adalah berupa state-
state yang saling berhubungan, yang mana setiap state terhubung dari state
manapun.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 31
Gambar 2.11 Contoh tiga tipe rantai HMM
(a) Model 4-state (b) Model 4-state-kiri-kanan (c) Model parallel 6-state
2.7.1 Algoritma Training dengan Baum-Welch
Algortima Baum-Welch atau algoritma forward-backward
merupakan salah satu algoritma yang dapat memberikan model terbaik
berupa means dan varians karena dapat mengoptimalkan probabilitas
observasi sekuens O parameter-parameter model λ = { A, B, π }.
Perhitungan pada algoritma ini digunakan untuk mencari nilai maximum
likehood atau angka kemiripan maksimum yang merupakan sebuah model
yang mewakili sekelompok sampel data.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 32
Variabel forward didefinisikan sebagai observasi parsial dari
probabilitas state sekuen yang dilambangkan dengan O1, O2, …. Ot (
hingga waktu t ) dan state Si pada waktu t , dengan model λ, dan α sebagai
t(i) . Untuk variabel backward didefinisikan sebagai observasi parsial dari
probabilitas state sekuen dari t+1 ke state sebelumnya yang mana terdapat
state Si pada waktu t, dengan model λ dan α sebagai t(i). Observasi dari
probabilitas state sekuen ini dihitung dengan rumus:
𝑛 𝑁
𝑃 𝑂𝜆 = 𝑖=1 𝛼𝑡 𝑖 𝛽𝑡 𝑖 = 𝑖=1 𝛼𝑡 (𝑖) (2.10)
Probabilitas pada saat berada pada state Si pada waktu t , dan
diberikan sekuens observasi O , dan model λ adalah :
∝𝑡 𝑖 𝛽 𝑡 (𝑖)
𝛾𝑡 = (2.11)
𝑃(𝑂|𝜆)
(a) variabel forward

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 33
(b) variabel backward
Gambar 2.12 Ilustrasi dari operasi Baum-Welch
Pada saat menghitung model yang akan akan digunakan maka akan
membutuhkan banyak sampel data yang akan dimodelkan. Karakteristik
dari setiap contoh akan diekstrak dan disimpan dalam sebuah parameter
vektor sekuens xt. Parameter ini yang akan dipetakan sebagai ekuivalensi
dari Ot.
Metode Baum-Welch memiliki cara kerja sebagai berikut :
1. Estimasikan sebuah model HMM sebagai λ = { A, B, π }
2. Dengan nilai λ dari sekuens observasi O, hitung sebuah model baru
𝜆 = 𝐴, 𝐵 , 𝜋
Seperti
𝑃 𝑂 𝜆 > 𝑃(𝑂|𝜆)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 34
𝑃 𝑂 𝜆 −𝑃 𝑂 𝜆
3. Jika > threshold, maka hentikan langkah ini. Jika tidak,
𝑃 𝑂𝜆
maka letakkan nilai 𝜆 untuk menggantikan λ dan ulangi langkah 1.
2.7.2 Algoritma Testing dengan Viterbi
Algoritma Viterbi digunakan untuk menghitung sekuens state Q
yang paling dekat dengan kemungkinan atau probabilitasnya dari sekuens
Observasi O. Algoritma Viterbi dapat didefinisikan sebagai:
δt (i) = maxq1,q2…q3 P[q1,q2,…qt = i, O1O2….Ot | λ ] (2.12)
δt (i) merupakan nilai probabilitas terbaik pada waktu t, yang
dihitung pada observasi t pertama yang diakhiri pada state Si.
2.8 Metode Evaluasi 5-Fold Cross Validation
Metode 5-Fold Cross-Validation digunakan pada saat evaluasi
untuk mengukur tingkat akurasi sebuah sistem. Metode 5-Fold Cross
Validation membagi tiap kelompok data suara menjadi data yang
kemudian akan menjadi data untuk proses training dan testing
Dalam penelitian ini, terdapat 4 (lima) kelompok data yang mana
masing-masing kelompok mewakili setiap orang yang akan diambil
suaranya. Setiap kelompok memiliki data sebanyak 50 yang kemudian
dibagi menjadi 5 (lima) kelompok. Pada metode 5-Fold Cross Validation ,

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 35
4 (empat) kelompok data akan digunakan sebagai data training dan satu
kelompok data akan digunakan sebagai data testing.
Pembagian data untuk setiap kelompok data dapat dilihat di Tabel 2.2
Tabel 2.2 Pembagian kelompok data menjadi 5 bagian
Suara 1 Suara 2 Suara 3 Suara 4 Suara 5
1 1 1 1 1
2 2 2 2 2
3 3 3 3 3
4 4 4 4 4
5 5 5 5 5
Pada metode evaluasi 5-fold cross validation, iterasi yang
dilakukan akan melibatkan data yang berbeda setiap proses training
maupun testing.
Tabel 2.3 Gambaran metode 5-fold cross validation
Testing Training
Pengujian ke 1 5 4 3 2 1
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 36
Pengukuran tingkat akurasi dilakukan dengan menggunakan
confusion matrix seperti pada tabel berikut.
Tabel 2.4 Contoh confusion matrix
Suara 1 Suara 2 Suara 3 Suara 4 Suara 5
Suara 1
Suara 2
Suara 3
Suara 4
Suara 5
Evaluasi dari ketepatan confusion matrix dilakukan dengan cara
membandingkan output hasil dari identifikasi oleh sistem dengan label uji
yang tersedia untuk data tersebut. Perhitungan untuk mengukur tingkat
akurasinya adalah dengan rumus berikut:
Akurasi = S/T x 100% (2.13)
Keterangan :
S = jumlah sample yang dikenal secara benar oleh sistem ( jumlah
diagonal dari confusion matrix )
T = jumlah total dari sample untuk pengujian.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB III
ANALISA DAN PERANCANGAN SISTEM
Bab ini akan menjelaskan tentang rancangan dan cara kerja sistem
yang akan dibangun. Sistem ini berfungsi untuk menganalisa tingkat
akurasi metode Hidden Markov Models dalam mengenali suara manusia.
3.1 Perancangan Sistem Secara Umum
Sistem ini digunakan untuk mengenali suara manusia yang
ditampilkan dalam bentuk password untuk disimulasikan sebagai kata
kunci untuk masuk ke dalam suatu sistem dengan menggunakan metode
Hidden Markov Models. Data suara terdiri dari 4 orang yang mana
merupakan 2 laki-laki dan 2 perempuan. Suara akan diambil dengan
menggunakan microphone dan akan diekstraksi terlebih dahulu sebelum
dimasukkan ke dalam sistem. Sistem akan melakukan proses training dan
testing dan akhirnya sistem akan menampilkan hasil apakah suara yang
masuk diterima sebagai password atau tidak.
37
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 38
Training Estimasi mode Model
Data suara
Feature
berektensi
Extraction
.wav
Proses
Nilai
Testing perhitungan Evaluasi hasil
maksimum
probabilitas
Gambar 3.1 Skema sistem pengenalan suara manusia
Gambar 3.1 menjelaskan tahapan dari proses pengenalan suara.
Dimulai dari data masuk yang berupa file berekstensi .wav kemudian akan
memasuki proses feature extraction yang menggunakan MFCC. Hasil dari
feature extraction sendiri merupakan file berekstensi .mfc. Data suara
yang telah diproses kemudian menjadi input untuk proses training dan
testing dengan menggunakan pendekatan HMM. Setelah itu akan
dihasilkan suara yang dikenali sebagai hasil klasifikasi.
3.2 Gambaran Sistem
User memasukkan data

suara dengan microphone
Sistem Pengenalan
user Pola Suara Sebagai
Password
Sistem menampilkan hasil apakah
masukan diterima atau tidak
Gambar 3.2 Gambaran Sistem secara umum

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 39
training
Sistem Pengenalan
Pola Suara Sebagai
Password
testing
Gambar 3.3 Tahap training dan testing
3.3 Proses Training
Proses training akan menghasilkan model dari data yang telah
diambil sebelumnya. Proses training ini akan menggunakan algoritma
Baum-Welch yang telah dibahas dalam bab sebelumnya. Gambar 3.3
menunjukkan proses training data dan pembuatan model. Dalam proses
training terdapat proses feature extraction yang akan menggunakan
metode Mel-Frequency Cepstral Coefficients (MFCC). Untuk estimasi
model akan menggunakan pendekatan Hidden Markov Models (HMM).
Sesuai dengan metode 5 Fold Cross-Validation yang telah dibahas pada
bab sebelumnya maka pada proses training dalam membentuk sebuah
model membutuhkan sebanyak 80% dari jumlah data keseluruhan.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 40
Input suara
Feature extraction
Estimasi model
....
M1 M2 .... Mn
Gambar 3.4 Proses tahap training
3.4 Proses Testing
Pada tahap testing akan menggunakan algoritma Viterbi. Proses ini
menggunakan data yang baru. Untuk mengenali data baru yang masuk,
sistem akan menghitung probabilitas dari data baru dengan model yang
ada dilihat dari kemiripan atau kedekatannya. Data yang memiliki
probabilitas tertinggi akan menunjukkan bahwa data suara baru yang
masuk dapat diidentifikasi dan diterima oleh sistem. Gambar 3.4
menunjukkan proses dari testing.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 41
M1 M2 .. Mn
Memilih kedekatan
Data suara manusia Feature extraction
yang paling maksimum Data dikenali
Menghitung kemiripan
terhadap model
Gambar 3.5 Proses tahap testing
Untuk implementasi HMM dan identifikasi suara manusia maka
pada pembuatan tugas akhir ini penulis menggunakan HMM Toolkit (HTK).
HTK menyediakan tools termasuk algoritma Baum-Welch yang digunakan
pada proses training dan algoritma Viterbi untuk proses testing.
3.5 Perancangan Antar Muka Sistem
Pada perancangan antar muka untuk sistem pengenalan suara
manusia ini terdiri dari beberapa halaman yang mewakili proses
perhitungan dari Hidden Markov Models serta cara kerja dari sistem, yaitu:
1. Halaman depan
2. Halaman pengujian sistem
3. Halaman pengujian HMM dan cara kerja sistem
4. Halaman bantuan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 42
3.5.1 Halaman Depan
Halaman ini merupakan halaman pembuka yang berisi dua menu
utama yaitu MENU dan BANTUAN serta penjelasan mengenai tentang
nama sistem, logo Universitas Sanata Dharma, identitas pembuat program
dan nama Dosen pembimbing. Rancangan dari halaman depan sistem ini
dapat dilihat pada Gambar 3.6
Gambar 3.6 Rancangan Halaman depan

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 43
3.5.2 Halaman Pengujian
Halaman pengujian terdiri dari dua bagian yaitu pengujian sistem
dan pengujian dari Hidden Markov Models. Pada halaman pengujian
sistem, akan terdapat perintah yang meminta user untuk memasukkan
nama dan password. Password akan dimasukkan dengan menggunakan
suara. Sedangkan pada halaman pengujian HMM akan berisi tentang cara
kerja dari HMM dan cara kerja sistem. Rancangan halaman pengujian
dapat dilihat pada beberapa gambar berikut ini.
Gambar 3.7 Rancangan Halaman Pengujian sistem tahap pertama
Apabila dalam memasukkan password salah maka akan muncul
peringatan seperti pada Gambar 3.8.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 44
Gambar 3.8 Rancangan Jendela peringatan apabila password salah
Apabila password benar maka akan muncul peringatan seperti pada
Gambar 3.9
Gambar 3.9 Rancangan Jendela peringatan apabila password benar.
Selanjutnya, untuk rancangan halaman pengujian HMM terdapat
menu untuk mengambil contoh data suara dari direktori yang ada untuk
diuji dengan HMM. Untuk mendengarkan suara yang diambil dapat
menekan tombol DENGAR. Data suara yang telah diambil dapat
divisualisasikan menjadi spectogram dan signal. Kemudian untuk
memproses suara terdapat tombol PROSES yang akan melakukan proses
pengenalan suara yang hasilnya dapat dilihat pada label HASIL.
Rancangan dari pengujian HMM dapat dilihat pada Gambar 3.10.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 45
Gambar 3.10 Rancangan halaman pengujian HMM tahap pertama
Rancangan halaman berikutnya berisi tentang keterangan data yang
terdapat dalam sistem. Pengguna dapat memilih parameter yang
digunakan, windows size dan jumlah state yang digunakan. Dengan
menekan tombol PROSES maka data akan diproses dengan menggunakan
HMM. Apabila proses telah selesai maka akan muncul confusion matrix
dan hasil berupa tingkat akurasi.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 46
Gambar 3.11 Rancangan halaman pengujian HMM tahap kedua
3.5.3 Halaman Bantuan
Halaman bantuan berisi tentang bagaimana cara menggunakan
program serta sedikit keterangan mengenai program yang terdiri dari tujuan
serta manfaat dari program. Rancangan dari halaman bantuan dapat dilihat
pada Gambar 3.12 dan Gambar 3.13.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 47
Gambar 3.12 Rancangan halaman Bantuan untuk cara kerja program
Gambar 3.13 Rancangan halaman bantuan tentang program

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 48
3.6 Spesifikasi Hardware dan Software
Berikut adalah spesifikasi hardware dan software yang digunakan
pada pembuatan sistem ini.
3.6.1 Hardware
 Processor : AMD E-450 APU with Radeon(tm) HD Graphics
1.65GHz
 Memory (RAM) : 2.00 GB
 System-type : 32-bit operating system
3.6.2 Software
 Windows 7 Ultimate
 MATLAB R2010a.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB IV
ANALISA HASIL DAN IMPLEMENTASI SISTEM
Pada bab ini akan dijelaskan tentang implementasi antarmuka dari
sistem beserta penjelasan tentang penggunaan tombol dan keterangan dari
sistem. Hal yang utama dalam pembahasan bab ini adalah analisa hasil
dari identifikasi suara manusia dari berbagai pengujian yang telah
dilakukan yang meilbatkan jumlah feature, besarnya windows size serta
jenis parameter yang dipilih.
4.1 Analisa Hasil Identifikasi Suara
Dalam proses identifikasi suara manusia ini dilakukan dengan
menggunakan windows size, tipe feature dan dengan jumlah state yang
berbeda dan diharapkan menghasilkan akurasi yang tinggi. Ukuran
windows size yang digunakan pada sistem ini adalah 4ms sampai dengan
6ms, sedangkan tipe feature yang digunakan adalah MFCC, MFCC_D,
dan MFCC_D_A. Sedangkan jumlah state yang dapat digunakan yaitu 10,
15, 20 dan 25.
Pada setiap pengujian akan dihasilkan confusion matrix serta
akurasi data yang berupa persentase. Pada bagian ini akan ditampilkan
confusion matrix yang memiliki akurasi paling tinggi dari semua proses
49
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 50
pengujian. Tabel 4.1 dan Tabel 4.2 di bawah ini menunjukkan hasil setiap
pengujian dengan berbagai macam variasi feature, windows size dan
jumlah state. Tabel 4.1 merupakan hasil pengujian untuk Speech
Recognition dan Tabel 4.2 merupakan hasil pengujian untuk Speaker
Recognition
Tabel 4.1 Hasil Akurasi Identifikasi Suara untuk Speech
Recognititon
No Windows Size Feature Jumlah State Akurasi (%)
1 4 MFCC 10 81
2 4 MFCC 15 88
3 4 MFCC 20 89
4 4 MFCC 25 91
5 5 MFCC 10 82
6 5 MFCC 15 88
7 5 MFCC 20 88
8 5 MFCC 25 90
9 6 MFCC 10 83
10 6 MFCC 15 89
11 6 MFCC 20 90
12 6 MFCC 25 93
13 4 MFCC_D 10 80
14 4 MFCC_D 15 89
15 4 MFCC_D 20 88
16 4 MFCC_D 25 92
17 5 MFCC_D 10 82
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 51
18 5 MFCC_D 15 88
19 5 MFCC_D 20 91
20 5 MFCC_D 25 93
21 6 MFCC_D 10 82
22 6 MFCC_D 15 90
23 6 MFCC_D 20 92
24 6 MFCC_D 25 95
25 4 MFCC_D_A 10 79
26 4 MFCC_D_A 15 85
27 4 MFCC_D_A 20 85
28 4 MFCC_D_A 25 87
29 5 MFCC_D_A 10 82
30 5 MFCC_D_A 15 88
31 5 MFCC_D_A 20 89
32 5 MFCC_D_A 25 93
33 6 MFCC_D_A 10 75
34 6 MFCC_D_A 15 87
35 6 MFCC_D_A 20 88
36 6 MFCC_D_A 25 92
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 52
Tabel 4.2 Hasil Akurasi Identifikasi Suara untuk Speaker
Recognition
No Windows Size Feature Jumlah State Akurasi (%)
1 4 MFCC 10 85
2 4 MFCC 15 91
3 4 MFCC 20 88
4 4 MFCC 25 90
5 5 MFCC 10 87
6 5 MFCC 15 91
7 5 MFCC 20 91
8 5 MFCC 25 92
9 6 MFCC 10 85
10 6 MFCC 15 90
11 6 MFCC 20 89
12 6 MFCC 25 91
13 4 MFCC_D 10 86
14 4 MFCC_D 15 85
15 4 MFCC_D 20 87
16 4 MFCC_D 25 90
17 5 MFCC_D 10 86
18 5 MFCC_D 15 87
19 5 MFCC_D 20 91
20 5 MFCC_D 25 88
21 6 MFCC_D 10 80
22 6 MFCC_D 15 85
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 53
23 6 MFCC_D 20 93
24 6 MFCC_D 25 91
25 4 MFCC_D_A 10 80
26 4 MFCC_D_A 15 77
27 4 MFCC_D_A 20 82
28 4 MFCC_D_A 25 72
29 5 MFCC_D_A 10 82
30 5 MFCC_D_A 15 81
31 5 MFCC_D_A 20 88
32 5 MFCC_D_A 25 87
33 6 MFCC_D_A 10 78
34 6 MFCC_D_A 15 83
35 6 MFCC_D_A 20 88
36 6 MFCC_D_A 25 89
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 54
Pada Gambar 4.1 berikut merupakan grafik yang menunjukkan
tingkat akurasi identifikasi suara manusia dengan menggunakan feature
MFFC_D dan dengan kombinasi windows size dan jumlah state yang
berbeda. Grafik di bawah ini merupakan pengujian pada Speech
Recognition.
Hasil Pengujian
100
95
90
Jumlah state
Akurasi
10
85
15
80
20
75
25
70
4 5 6
Window Size
Gambar 4.1 Tingkat Akurasi Identifikasi Suara Manusia dengan Feature
MFCC_D untuk Speech Recognition

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 55
Pada Gambar 4.2 berikut merupakan grafik yang menunjukkan
tingkat akurasi identifikasi suara manusia dengan menggunakan feature
MFFC_D dan dengan kombinasi windows size dan jumlah state yang
berbeda. Grafik di bawah ini merupakan pengujian pada Speaker
Recognition.
Hasil Pengujian
95
90
Jumlah state
85
Akurasi
10
80 15
20
75 25
70
4 5 6
Windows Size
Gambar 4.2 Tingkat Akurasi Identifikasi Suara Manusia dengan Feature
MFCC_D untuk Speaker Recognition

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 56
Pada Tabel 4.3 dan Tabel 4.5 berikut ini menunjukkan tingkat akurasi dari
berbagai jenis tipe feature yang berbeda. Pada Tabel 4.3 jumlah state yang
digunakan adalah 25 dengan ukuran windows size adalah 6ms. Sedangkan
pada Tabel 4.5 jumlah state yang digunakan adalah 20 dengan ukuran
windows size adalah 6ms.
Tabel 4.3 Hasil identifikasi suara berdasarkan tipe feature pada proses
Speech Recognition
Feature Akurasi (%)
MFCC 93
MFCC_D 95
MFCC_D_A 92
Hasil dari pengujian tersebut menunjukkan bahwa tingkat akurasi
yang dihasilkan bervariasi mulai dari 92% sampai dengan 95%. Pengujian
Hidden Markov Models yang menggunakan tipe feature MFCC_D dengan
jumlah state 25 dan besar windows size 6ms memiliki akurasi yang paling
tinggi.
Tabel berikut ini merupakan confusion matrix untuk pengujian
yang memiliki tingkat akurasi yang paling tinggi. Confusion matrix di
bawah ini untuk proses pengujian dengan speech recognition.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 57
Tabel 4.4 Confusion Matrix MFCC_D untuk Speech Recognition
no sat du tig emp lim ena tuju delapa sembila

l u a a at a m h n n
nol 19 0 0 0 1 0 0 0 0 0
satu 0 20 0 0 0 0 0 0 0 0
dua 0 0 19 0 0 0 0 0 1 0
tiga 0 0 0 19 0 1 0 0 0 0
empat 0 0 0 0 19 0 0 0 1 0
lima 0 0 0 0 0 18 0 0 1 1
enam 0 0 0 0 0 0 18 0 0 2
tujuh 0 0 0 0 0 0 1 17 0 2
delapan 0 0 0 0 0 0 0 0 20 0
sembila 0 0 0 0 0 0 0 0 0 20
n
Pada confusion matrix di atas dapat dilihat bahwa sistem dapat
mengidentifikasi suara dengan baik. Pada pengucapan kata ‘satu’,
‘delapan’, dan ‘sembilan’ mampu dikenali dengan tepat dengan
menunjukkan hasil maksimal yaitu 20. Nilai terendah dari confusion matrix
tersebut adalah 17 yaitu pada pengucapan kata ‘tujuh’.
Dalam proses identifikasi speech recognition, suara yang masuk
tetapi bukan berasal dari speaker yang telah dimodelkan sebelumnya dapat
diproses dan terkadang hasil pengujian tepat. Hal ini dikarenakan pola kata
yang harus diucapkan telah tetap sehingga walaupun suara yang masuk
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 58
tidak berasal dari speaker yang telah dimodelkan masih dapat dikenali
dengan mencari kedekatan yang maksimum.
Tabel 4.5 Hasil identifikasi suara berdasarkan tipe feature pada proses
Speaker Recognition
Feature Akurasi (%)
MFCC 89
MFCC_D 93
MFCC_D_A 88
Hasil dari pengujian tersebut menunjukkan bahwa tingkat akurasi
yang dihasilkan bervariasi mulai dari 88% sampai dengan 93%. Pengujian
Hidden Markov Models yang menggunakan tipe feature MFCC_D dengan
jumlah state 20 dan besar windows size 6ms memiliki akurasi yang paling
tinggi.
Tabel berikut ini merupakan confusion matrix untuk pengujian yang
memiliki tingkat akurasi yang paling tinggi. Confusion matrix di bawah ini
untuk proses pengujian dengan speaker recognition.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 59
Tabel 4.6 Confusion Matrix MFCC_D untuk Speaker Verification
Angga Deta Petra Yudhi
Angga 45 0 0 5
Deta 0 44 6 0
Petra 0 3 47 0
Yudhi 1 0 0 49
Pada confusion matrix diatas hasil paling tinggi adalah 49 yaitu
pada speaker yang bernama Yudhi. Sedangkan jumlah paling kecil yaitu
44 yang merupakan speaker yang bernama Deta.
Pada proses speaker verification terdapat beberapa faktor yang
mempengaruhi tingkat akurasi proses identifikasi. Salah satu faktor
tersebut adalah speaker yang memiliki hubungan darah dapat membuat
sistem sedikit sulit untuk membedakan speaker tersebut. Dalam kasus ini
Petra dan Deta adalah speaker yang memiliki hubungan darah sehingga
terkadang suara Petra yang masuk tetapi teridentifikasi sebagai Deta.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 60
4.2 Implementasi Antarmuka Sistem
4.2.1 Halaman Depan
Halaman Depan merupakan halaman yang pertama kali dilihat oleh
user ketika menjalankan sistem ini. Halaman depan berisi judul dari sistem
beserta nama dari mahasiswa beserta nama dari dosen pembimbing. Pada
halaman depan terdapat dua menu utama yang terdapat di kiri atas. Setiap
menu utama memiliki sub-menu yang lain. Tampilan dari Halaman Depan
dapat dilihat pada Gambar 4.1 berikut.
Gambar 4.3 Halaman Depan

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 61
4.2.2 Halaman Pilihan Menu Pengujian
Halaman Pilihan Menu Pengujian merupakan halaman yang akan
digunakan user untuk memilih pengujian yang akan dilakukan, yaitu
pengujian untuk Speech Recognition atau Speaker Recognition. Halaman
ini dapa dilihat pada Gambar 4.2.
Gambar 4.4 Halaman Pilihan Pengujian

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 62
4.2.3 Halaman Pengujian Hidden Markov Models untuk Speech
Recognition
Halaman Pengujian Hidden Markov Models Speech Recognition
untuk adalah halaman yang berfungsi untuk menguji metode Hidden
Markov Models dengan jenis feature, windows size dan jumlah state yang
berbeda-beda. Pengujian ini dilakukan untuk mengetahui tingkat akurasi
dari hasil identifikasi suara. Dalam pengujian ini akan dihasilkan
confusion matrix, tingkat akurasi, lama jalannya program serta banyaknya
data yang cocok dan tidak cocok. Tampilan dari halaman ini dapat dilihat
pada Gambar 4.3.
Pada halaman ini terdapat beberapa kolom yang berisi tentang
berbagai keterangan. Pada kolom Keterangan Data berisi tentang
keterangan mengenai jumlah data yang akan diproses, jumlah data yang
akan melalui proses training dan jumlah data untuk testing. Pada kolom
Feature Extraction terdapat tiga jenis feature extraction yang harus dipilih
untuk melakukan proses pengujian. Pada pilihan Windows Size terdapat
tiga pilihan dan pada Jumlah State terdapat empat pilihan yang dapat
disesuaikan dengan kebutuhan pengguna.
Pada kolom Proses Hidden Markov Models berisi tentang langkah-
langkah dari proses Hidden Markov sendiri. Kolom Confusion Matrix
berisikan confusion matrix yang merupakan hasil dari proses pengujian
Hidden Markov Models. Kolom Hasil Pengujian berisi tentang keterangan
dari hasil pengujian yang di dalamnya terdapat jumlah data yang sesuai,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 63
jumlah data yang tidak sesuai, waktu keseluruhan dan tingkat akurasi yang
berupa persentase.
Gambar 4.5 Halaman Pengujian Hidden Markov Models untuk Speech
Recognition
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 64
4.2.4 Halaman Pengujian Hidden Markov Models untuk Speaker
Verification
Halaman Pengujian Hidden Markov Models untuk Speaker
Recognition adalah halaman yang berfungsi untuk menguji metode Hidden
Markov Models dengan jenis feature, windows size dan jumlah state yang
berbeda-beda. Pengujian ini dilakukan untuk mengetahui tingkat akurasi
dari hasil identifikasi suara. Dalam pengujian ini akan dihasilkan
confusion matrix, tingkat akurasi, lama jalannya program serta banyaknya
data yang cocok dan tidak cocok. Tampilan dari halaman ini dapat dilihat
pada Gambar 4.4.
Pada halaman ini terdapat beberapa kolom yang berisi tentang
berbagai keterangan. Pada kolom Keterangan Data berisi tentang
keterangan mengenai jumlah data yang akan diproses, jumlah data yang
akan melalui proses training dan jumlah data untuk testing. Pada kolom
Feature Extraction terdapat tiga jenis feature extraction yang harus dipilih
untuk melakukan proses pengujian. Pada pilihan Windows Size terdapat
tiga pilihan dan pada Jumlah State terdapat empat pilihan yang dapat
disesuaikan dengan kebutuhan pengguna.
Pada kolom Proses Hidden Markov Models berisi tentang langkah-
langkah dari proses Hidden Markov sendiri. Kolom Confusion Matrix
berisikan confusion matrix yang merupakan hasil dari proses pengujian
Hidden Markov Models. Kolom Hasil Pengujian berisi tentang keterangan
dari hasil pengujian yang di dalamnya terdapat jumlah data yang sesuai,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 65
jumlah data yang tidak sesuai, waktu keseluruhan dan tingkat akurasi yang
berupa persentase.
Gambar 4.6 Halaman Pengujian Hidden Markov Models untuk Speaker
Verification
4.2.5 Halaman Pengambilan Suara
Halaman Pengambilan Suara merupakan halaman dimana user
akan memasukkan data untuk pengujian dengan merekam suara dari user.
Pada halaman ini terdapat empat tombol rekam dimana masing-masing
tombol digunakan untuk merekam satu ucapan dari user. User memiliki
waktu sebanyak tiga detik pada setiap tombol untuk mengucapkan suara.
User akan mengucapkan angka seperti ‘satu’, ‘sembilan’ dan sebagainya
pada sistem ini. Tampilan pada halaman ini dapat dilihat pada Gambar 4.5
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 66
Setelah user telah selesai merekam suara pada satu tombol, maka
akan mucul pernyataan bahwa user telah selesai melakukan proses rekaman
dan dapat beralih ke tombol selanjutnya. Pada halaman ini juga terdapat
tombol Tahap Selanjutnya yang digunakan untuk melanjutkan ke proses
selanjutnya.
Gambar 4.7 Halaman Pengambilan Suara
Apabila speaker belum merekam data untuk password tetapi sudah
menekan tombol untuk proses selanjutnya maka akan muncul tampilan
seperti pada Gambar 4.6
Gambar 4.8 Halaman Peringatan

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 67
4.2.6 Halaman Pengujian Sistem untuk Speech Recognition
Halaman Pengujian Sistem untuk Speech Recognition ini
merupakan halaman pengujian sistem untuk mengidentifikasi suara hasil
dari proses rekam sebelumnya. Proses ini merupakan proses dimana suara
yang telah direkam akan diidentifikasi dan memberikan hasil berupa teks.
Tampilan pada halaman ini terdapat pada Gambar 4.6.
Pada halaman pengujian sistem ini terdapat beberapa kolom dan
tombol yang berisi tentang perintah dan keterangan serta proses yang
berjalan untuk melakukan identifikasi suara. Pada kolom Pilihan terdapat
empat tombol yang digunakan untuk mendengarkan hasil rekaman suara
yang telah dilakukan pada proses sebelumnya.
Apabila hasil rekaman tidak sesuai dengan keinginan user maka
proses rekaman dapat diulang lagi dengan menekan tombol Ulangi Hasil
Rekaman. Pada kolom Proses berisi tentang langkah-langkah dari
bagaimana sistem mengidentifikasi suara yang masuk. Pada kolom Hasil
Pengenalan meruapakan kolom yang akan menampilkan hasil dari
identifiksi suara yang berupa teks.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 68
Gambar 4.9 Halaman Pengujian Speech Recognition
4.2.7 Halaman Pengujian Sistem untuk Speaker Verification
Halaman Pengujian Sistem untuk Speaker Recognition ini
merupakan halaman pengujian sistem untuk mengidentifikasi suara hasil
dari proses rekam sebelumnya. Proses ini merupakan proses dimana suara
yang telah direkam akan diidentifikasi dan memberikan hasil berupa teks
yang berupa nama dari pemilik suara. Tampilan pada halaman ini terdapat
pada Gambar 4.7.
Pada halaman pengujian sistem ini terdapat beberapa kolom dan
tombol yang berisi tentang perintah dan keterangan serta proses yang
berjalan untuk melakukan identifikasi suara. Pada kolom Pilihan terdapat

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 69
empat tombol yang digunakan untuk mendengarkan hasil rekaman suara
yang telah dilakukan pada proses sebelumnya.
Apabila hasil rekaman tidak sesuai dengan keinginan user maka
proses rekaman dapat diulang lagi dengan menekan tombol Ulangi Hasil
Rekaman. Pada kolom Proses berisi tentang langkah-langkah dari
bagaimana sistem mengidentifikasi suara yang masuk. Pada kolom Hasil
Pengenalan merupakan kolom yang akan menampilkan hasil dari
identifiksi suara yang berupa teks yang berupa nama dari user.
Gambar 4.10 Halaman Pengujian Sistem Untuk Speaker Verification
Berikut adalah hasil pengujian untuk semua speaker yang suaranya
telah dimodelkan ke dalam sistem identifikasi ini. Gambar 4.8 dan Gambar
4.9 merupakan hasil pengujian untuk speaker Angga, Gambar 4.10 dan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 70
Gambar 4.11 merupakan hasil pengujian untuk speaker Yudhi, dan
Gambar 4.12 dan Gambar 4.13 merupakan hasil pengujian untuk speaker
Detha.
Gambar 4.11 Halaman Pengujian Speech Recognition untuk speaker Angga

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 71
Gambar 4.12 Halaman Pengujian Speaker Verification untuk speaker Angga
Gambar 4.13 Halaman Pengujian Speech Recognition untuk speaker Yudhi

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 72
Gambar 4.14 Halaman Pengujian Speaker Verification untuk speaker Yudhi
Gambar 4.15 Halaman Pengujian Speech Recognition untuk speaker Detha

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 73
Gambar 4.16 Halaman Pengujian Speaker Verification untuk speaker Detha
Untuk speaker yang tidak terdaftar pada pemodelan sistem, sistem
masih dapat memproses data yang masuk. Pada proses speaker recognition
suara yang masuk akan dicocokkan dengan pemodelan suara yang ada dan
dicari data yang memiliki kedekatan yang paling tinggi. Untuk proses
speaker verification akan ditampilkan peringatan bahwa suara yang masuk
tidak terdaftar.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 74
Gambar 4.17 Halaman Pengujian Speaker Verification untuk speaker yang tidak
terdaftar
4.2.8 Halaman Bantuan
Halaman Bantuan ini digunakan untuk membantu user
menggunakan sistem. Halaman ini membantu user untuk mendapatkan
penjelasan langkah-langkah bagaimana sistem berjalan. Halaman ini dapat
dilihat setelah user memilih sub-menu pada halaman depan. Tampilan
pada halaman ini dapat dilihat pada Gambar 4.15

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 75
Gambar 4.18 Halaman Bantuan
4.2.9 Halaman Tentang Programmer
Halaman Tentang Programmer ini berisi tentang penulis serta
kontak yang dapat dihubungi apabila terdapat kritik, saran atau
pertanyaan.
Gambar 4.19 Halaman Tentang Programmer

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB V
KESIMPULAN DAN SARAN
Pada bab ini akan dijelaskan mengenai kesimpulan dari pengujian
Hidden Markov Models serta hal-hal yang berkaitan dengan proses
identifikasi suara manusia. Pada bab ini juga akan diberikan beberapa
saran untuk perbaikan program kedepannya.
5.1 Kesimpulan
1. Pada proses pengujian dan identifikasi dapat disimpulkan bahwa
metode Hidden Markov Models merupakan metode yang baik untuk
pengenalan suara manusia. Hal ini dapat dilihat dari tingkat akurasi
yang dihasilkan dari proses identifikasi dan pengujian yang telah
dibahas sebelumnya di bab 4.
2. Dari proses pengujian, diperoleh tingkat akurasi terbaik untuk proses
Speech Recognition yaitu 95% dengan windows size 6ms, jumlah state
25 dan jenis feature extraction MFCC_D. Sedangkan untuk proses
Speaker Verification diperoleh tingkat akurasi terbaik 93% dengan
windows size 6ms, jumlah state 20 dan jenis feature extraction
MFCC_D.
76
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 77
3. Tingkat akurasi terbaik untuk masing-masing feature antara lain :
a. Speech Recognition
 MFCC = 93%
 MFCC_D = 95%
 MFCC_D_A = 92%
b. Speaker Verification
 MFCC = 89%
 MFCC_D = 93%
 MFCC_D_A = 88%
4. Metode Hidden Markov Models memerlukan jumlah data yang banyak
agar proses training dapat menghasilkan bentuk model yang baik.
5. Dalam pemilihan windows size, tipe feature extraction dan jumlah state
mempunyai pengaruh yang besar terhadap tingkat akurasi proses
pengujian.
6. Waktu yang diperlukan untuk melakukan proses training dengan
menggunakan Hidden Markov Models termasuk lama. Setiap proses
training memakan waktu antara 100 detik hingga paling lama memakan
waktu 700 detik. Hal ini juga dipengaruhi oleh berbagai faktor. Faktor
yang paling utama adalah banyaknya jumlah state dan besarnya
windows size. Semakin besar jumlah state dan windows size maka
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 78
waktu yang diperlukan semakin lama. Faktor yang lain yang juga dapat
mempengaruhi lamanya proses training adalah ada atau tidaknya
aplikasi lain yang berjalan selain Matlab. Contohnya adalah Windows
Media Player, aplikasi games dan lain sebagainya.
5.2 Saran
1. Proses pengujian dan identifikasi suara manusia yang dilakukan oleh
penulis hanya meneliti ucapan ‘nol’, ‘satu’, ‘dua’, ‘tiga’, ‘empat’,
‘lima’, ‘enam’, ‘tujuh’, ‘delapan’ dan ‘sembilan’. Pengucapan lain yang
sering digunakan oleh manusia dalam kehidupan sehari-hari juga dapat
digunakan untuk proses identifikasi suara manusia.
2. Penggunaan feature selain MFCC juga dapat digunakan untuk
menunjang tingkat akurasi
3. Untuk future work dapat ditambahkan fasilitas untuk menambah
speaker baru dan juga ucapan yang direkam tidak satu per satu
melainkan dalam satu kali proses rekam langsung mengucapkan
beberapa angka.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 79
DAFTAR PUSTAKA
Adi, C. Kuntoro, S.J., M.A., M.S. (2008), Hidden Markov Models Based
Animal Acoustic Cencusing; A Learning From Speech Technolgy.
Agustini, Ketut. (2007), Biometrik Suara dengan Transformasi Wavelet
Berbasis Orthogonal Daubenchies, 50 Gematek Jurnal Teknik Komputer, Volume
9 Nomor 2.
Furui, S. , (1981), Cepstral Anaysis Technique For Automatic Speaker
Verification, IEEE Trans. Acoust. Speech Signal Process.
Hasan, M. R., Jamil, M., Rabbani, M. G., & Rahman, M. S. (2004).
SPEAKER IDENTIFICATION USING MEL FREQUENCY CEPSTRAL
COEFFICIENTS. 3rd International Conference on Electrical & Computer
Engineering. Dhaka, Bangladesh.
Hidayanto, A., & Sumardi. (2006). Pengenalan Pengucapan Kata Terisolasi
dengan Metode Hidden Markov Models (HMM) melalui Ekstraksi Ciri Linear
Predictive Coding (LPC).

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 80
Irfani, Angela., Amelia, Ratih., dan Saptanti P, Diah. (2006). Algoritma
Viterbi dalam Metode Hidden Markov Models pada Teknologi Speech
Recognition.
Joseph P. Campbell, J. (1997). Speaker Recognition : A Tutorial.
Proceedings of The IEEE , 1437-1462.
Melissa, Gressia. (2008). Pencocokkan Pola Suara (Speech Recognition)
dengan Algoritma FFT dan Divide and Conquer. Makalah IF2251 Strategi
Algoritmik.
Przytycka, T. M. (2000). Encyclopedia of The Human Genome: Hidden
Markov Models. USA: Nature Publishing Group.
R. Rabiner, Lawrence, A Tutorial on Hidden Markov Models and Selected
Applications in Speech Recogniton , IEEE, Vol.77, No 2, Februari, 1989.
Reynold, D. (2002). An Overview of Automatic Speaker Recognition
Technology. IEEE International Conference on Accoustics, Speech, and Signal
Processing .
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 81
Setyabudi, Siwi., Purwanto, Agus., Warsono.(2007) Karakterisasi Suara
Vokal dan Aplikasinya pada Speaker Recognition. Seminar Nasional MIPA 2007.
UNY. Yogyakarta.
Zilvan, Vicky., Muttaqien, Furqon Hensan.(2011) Identifikasi Pembicara
Menggunakan Algoritme VF15 dengan MFCC Sebagai Pengekstraksi Ciri.
INKOM, Vol. V, No.1

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 82
LAMPIRAN I
 Perhitungan Akurasi untuk Pengujian Sistem
a. Speech Recognition
Windows size = 6ms
Feature Extraction = MFCC_D
Jumlah state = 25
nol satu dua tiga empat lima enam tujuh delapan sembilan
nol 19 0 0 0 1 0 0 0 0 0
satu 0 20 0 0 0 0 0 0 0 0
dua 0 0 19 0 0 0 0 0 1 0
tiga 0 0 0 19 0 1 0 0 0 0
empat 0 0 0 0 19 0 0 0 1 0
lima 0 0 0 0 0 18 0 0 1 1
enam 0 0 0 0 0 0 18 0 0 2
tujuh 0 0 0 0 0 0 1 17 0 2
delapan 0 0 0 0 0 0 0 0 20 0
sembilan 0 0 0 0 0 0 0 0 0 20
Jumlah suara yang dikenali = 189 suara
Jumlah suara yang tidak dikenali = 11 suara

19+20+19+19+19+18+18+17+20+20
Akurasi = 𝑥 100% = 95%
200
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 83
b. Speaker Recognition
Windows size = 6ms
Feature Extraction = MFCC_D
Jumlah state = 20
Angga Deta Petra Yudhi
Angga 45 0 0 5
Deta 0 44 6 0
Petra 0 3 47 0
Yudhi 1 0 0 49
Jumlah suara yang dikenali = 185 suara
Jumlah suara yang tidak dikenalai = 15 suara
45+44+47+49
Akurasi = 𝑥 100 % = 93%
200
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
LAMPIRAN II
Script dan File Pendukung
1. pengujianSistem2.m
function varargout = pengujianSistem2(varargin)
% PENGUJIANSISTEM2 M-file for pengujianSistem2.fig
% PENGUJIANSISTEM2, by itself, creates a new PENGUJIANSISTEM2 or
raises the existing
% singleton*.
%
% H = PENGUJIANSISTEM2 returns the handle to a new PENGUJIANSISTEM2
or the handle to
% the existing singleton*.
%
% PENGUJIANSISTEM2('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in PENGUJIANSISTEM2.M with the given
input arguments.
%
% PENGUJIANSISTEM2('Property','Value',...) creates a new
PENGUJIANSISTEM2 or raises the
% existing singleton*. Starting from the left, property value
pairs are
% applied to the GUI before pengujianSistem2_OpeningFcn gets
called. An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to pengujianSistem2_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only
one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help pengujianSistem2
% Last Modified by GUIDE v2.5 29-Apr-2013 22:28:07
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @pengujianSistem2_OpeningFcn, ...
'gui_OutputFcn', @pengujianSistem2_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
84
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 85
end
% --- Executes just before pengujianSistem2 is made visible.

function pengujianSistem2_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.

% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to pengujianSistem2 (see VARARGIN)
% Choose default command line output for pengujianSistem2

handles.output = hObject;
% Update handles structure

guidata(hObject, handles);
% UIWAIT makes pengujianSistem2 wait for user response (see UIRESUME)

% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = pengujianSistem2_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% Get default command line output from handles structure

varargout{1} = handles.output;
% --- Executes during object creation, after setting all properties.

function image_CreateFcn(hObject, eventdata, handles)
% hObject handle to image (see GCBO)
% handles empty - handles not created until after all CreateFcns
called
% Hint: place code in OpeningFcn to populate image
% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)
% modifikasi dari http://budirahmani.wordpress.com/2012/04/18/materi-

revisi-program-merekam
% -suara-dan-menyimpan-dalam-bentuk-file/
% option = 'n';
% option_rec = 'n';
record_len = 3; %waktu perekaman (record length) dalam detik
sample_freq = 44100; %Sampling frequency dalam Hertz (8KHz)
sample_time = sample_freq* record_len;
% name = input('Ketik nama file hasil rekaman yang akan disimpan:

','s');
file_name = sprintf('dataMasuk1.wav');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 86

% name = input('Ketik nama file hasil rekaman yang akan disimpan:

','s');
% option_rec = input('tekan y untuk mulai merekam: ','s');
% if option_rec=='y'
% while option=='n',
% input('Tekan Enter untuk mulai merekam –> ');
record = wavrecord(sample_time, sample_freq);
%Records the input through the sound card to the variable with
specified sampling frequency
% input('Tekan Enter untuk mendengar hasil rekamannya –> ');
% sound(record, sample_freq);
% option = input('tekan y untuk menyimpan atau n untuk merekam
kembali: ','s');
% end
wavwrite(record, sample_freq, file_name);
%Save the recorded data to a file with the specified file name in .wav
format
set(handles.teksRekam,'String','Proses rekam 1 selesai');
% hObject handle to pushbutton1 (see GCBO)

% --- Executes on button press in pushbuttonNext.

function pushbuttonNext_Callback(hObject, eventdata, handles)
% namafile=get(handles.txtEditNameFile,'String');
if exist('dataMasuk1.wav')==0 || exist('dataMasuk2.wav')==0 ||
exist('dataMasuk3.wav')==0 || exist('dataMasuk4.wav')==0
errordlg('Anda belum merekam password Anda','Peringatan');
% [nf,fs,nb]=wavread(file_name);
% nf=nf(:,1);
% wavplay(nf,fs);
else
close (pengujianSistem2);
fig2 = openfig('pengujianSistem3.fig');
handles = guihandles(fig2);
guidata(fig2,handles);
end
% hObject handle to pushbuttonNext (see GCBO)


set(handles.teksRekam2,'String','Proses rekam 2 selesai');

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 87




sample_time = sample_freq*record_len;


fig2 = openfig ('depan.fig');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 88
2. pengujianSistem3.m
function varargout = pengujianSistem3(varargin)

% PENGUJIANSISTEM3 M-file for pengujianSistem3.fig
% PENGUJIANSISTEM3, by itself, creates a new PENGUJIANSISTEM3 or
raises the existing
% singleton*.
%
% H = PENGUJIANSISTEM3 returns the handle to a new
PENGUJIANSISTEM3 or the handle to
%
% PENGUJIANSISTEM3('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in PENGUJIANSISTEM3.M with the given
input arguments.
%
% PENGUJIANSISTEM3('Property','Value',...) creates a new
PENGUJIANSISTEM3 or raises the
pairs are
% applied to the GUI before pengujianSistem3_OpeningFcn gets
called. An
application
% stop. All inputs are passed to pengujianSistem3_OpeningFcn via
varargin.
%
one
%
% Edit the above text to modify the response to help pengujianSistem3
% Last Modified by GUIDE v2.5 03-May-2013 19:47:16

gui_Singleton = 1;
'gui_OpeningFcn', @pengujianSistem3_OpeningFcn, ...
'gui_OutputFcn', @pengujianSistem3_OutputFcn, ...
end
if nargout
else
end

varargin)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 89

varargin)
% varargin command line arguments to pengujianSistem3 (see VARARGIN)
% Choose default command line output for pengujianSistem3


% UIWAIT makes pengujianSistem3 wait for user response (see UIRESUME)

function varargout = pengujianSistem3_OutputFcn(hObject, eventdata,
handles)


[y, fs, nbits] = wavread('dataMasuk1.wav'); %read in the wav file

sound(y,fs) %play back the wav file
% file_name = ('dataMasuk.wav');
% sample_freq = 8192;
% sound(file_name, sample_freq);


delete ('dataMasuk1.wav');
delete ('dataMasuk1.mfc');
delete ('hasilUji1.mlf');
delete ('dataTest1.scp');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 90


tic
% Pembuatan codeAllProses
fid1 = fopen('codeAllProses.scp','w');
srcDirectory = 'C:\Users\detha\Documents\MATLAB\Skripsi\';
targetDirectory = 'C:\Users\detha\Documents\MATLAB\Skripsi\';
fwrite(fid1,['"' srcDirectory 'dataMasuk1.wav " ' '"' targetDirectory
'dataMasuk1.mfc " ']);
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fclose(fid1);
% Extract feature dan pembuatan prototype

set(handles.teksProses1,'String','Sedang melakukan proses...');
a = 'Proses feature extraction .. ';
b = 'HCopy -A -C mfcc_D_Config_3 -S codeAllProses.scp';
dos (b);
step1 = {a;b};
set(handles.teksProses1,'String',step1);
c = 'Proses pembuatan proto .. ';
createProto('MFCC_D',24,25)
set(handles.teksProses2,'String',c);
% Training dan testing dataMasuk

d = 'Proses Training dan testing .. ';
e = 'HParse -A grammar wdnet';
dos (e);
step2 = {d;e};
% pembuatan file test

fid2=fopen('dataTest1.scp','w');
srcDirectory = 'C:\Users\detha\Documents\MATLAB\Skripsi';
fwrite(fid2,['"' srcDirectory '\' 'dataMasuk1.mfc"']);
fprintf(fid2,'\n');
fclose(fid2);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 91
fprintf(fid2,'\n');
fclose(fid2);
fprintf(fid3,'\n');
fclose(fid3);
fprintf(fid4,'\n');
fclose(fid4);
fprintf(fid5,'\n');
fclose(fid5);
% testing dengan algoritma viterbi
f = 'HVite -A -w wdnet -l . -o ST -i hasilUji1.mlf -S dataTest1.scp -H

hmm3/hmmdefs dict model.list';
g = 'HVite -A -w wdnet -l . -o ST -i hasilUji2.mlf -S dataTest2.scp -H
h = 'HVite -A -w wdnet -l . -o ST -i hasilUji3.mlf -S dataTest3.scp -H
i = 'HVite -A -w wdnet -l . -o ST -i hasilUji4.mlf -S dataTest4.scp -H
dos (f);
dos (g);
dos (h);
dos (i);
step3 = {f;g;h;i};
% Menampilkan hasil pengenalan
rec1 = textread('hasilUji1.mlf','%s');
if (strcmp(rec1(3),'nol') == 1)
set(handles.teksHasil,'String','0')
elseif (strcmp(rec1(3), 'satu') == 1)
elseif (strcmp(rec1(3),'dua') == 1)
elseif (strcmp(rec1(3), 'tiga') == 1)
elseif (strcmp(rec1(3),'empat') == 1)
elseif (strcmp(rec1(3), 'lima') == 1)
elseif (strcmp(rec1(3), 'enam') == 1)
elseif (strcmp(rec1(3),'tujuh') == 1)
elseif (strcmp(rec1(3), 'delapan') == 1)
elseif (strcmp(rec1(3),'sembilan') == 1)
else
set(handles.teksHasil,'String','x')
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 92
else
end
set(handles.teksHasil2,'String','0')
else
end
else
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 93
else
end
toc





fig2 = openfig('pengujianSistem3_Speaker.fig');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 94

fig2 = openfig('pengujianSistem3_Speaker.fig');

fig2 = openfig('depan.fig');
3. pengujianSistem3_Speaker.m
function varargout = pengujianSistem3_Speaker(varargin)

% PENGUJIANSISTEM3_SPEAKER M-file for pengujianSistem3_Speaker.fig
% PENGUJIANSISTEM3_SPEAKER, by itself, creates a new
PENGUJIANSISTEM3_SPEAKER or raises the existing
% singleton*.
%
% H = PENGUJIANSISTEM3_SPEAKER returns the handle to a new
PENGUJIANSISTEM3_SPEAKER or the handle to
%
%
PENGUJIANSISTEM3_SPEAKER('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in PENGUJIANSISTEM3_SPEAKER.M with the
given input arguments.
%
% PENGUJIANSISTEM3_SPEAKER('Property','Value',...) creates a new
PENGUJIANSISTEM3_SPEAKER or raises the
pairs are
% applied to the GUI before pengujianSistem3_Speaker_OpeningFcn
gets called. An
application
% stop. All inputs are passed to
pengujianSistem3_Speaker_OpeningFcn via varargin.
%
one
%
% Edit the above text to modify the response to help

pengujianSistem3_Speaker

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 95

pengujianSistem3_Speaker

gui_Singleton = 1;
'gui_OpeningFcn', @pengujianSistem3_Speaker_OpeningFcn, ...
'gui_OutputFcn', @pengujianSistem3_Speaker_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before pengujianSistem3_Speaker is made visible.

function pengujianSistem3_Speaker_OpeningFcn(hObject, eventdata,
handles, varargin)
% varargin command line arguments to pengujianSistem3_Speaker (see
VARARGIN)
% Choose default command line output for pengujianSistem3_Speaker


% UIWAIT makes pengujianSistem3_Speaker wait for user response (see

UIRESUME)
function varargout = pengujianSistem3_Speaker_OutputFcn(hObject,
eventdata, handles)

% --- Executes on button press in pushbuttonDengar.

function pushbuttonDengar_Callback(hObject, eventdata, handles)

sound(y,fs)
% hObject handle to pushbuttonDengar (see GCBO)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 96
% --- Executes on button press in pushbuttonDengar.

function pushbuttonDengar_Callback(hObject, eventdata, handles)

sound(y,fs)
% hObject handle to pushbuttonDengar (see GCBO)
% --- Executes on button press in pushbuttonUlang.

function pushbuttonUlang_Callback(hObject, eventdata, handles)
delete ('hasilUjiSpeaker1.mlf');
delete ('dataTestSpeaker1.scp');
close (pengujianSistem3_Speaker);
% hObject handle to pushbuttonUlang (see GCBO)

% --- Executes on button press in pushbuttonProses.

function pushbuttonProses_Callback(hObject, eventdata, handles)
tic
% Pembuatan codeAllProses
fid1 = fopen('codeAllProsesSpeaker.scp','w');
targetDirectory = 'C:\Users\detha\Documents\MATLAB\Skripsi\';
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fprintf(fid1,'\n');
fclose(fid1);

b = 'HCopy -A -C mfcc_D_Config_3 -S codeAllProsesSpeaker.scp';
dos (b);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 97

b = 'HCopy -A -C mfcc_D_Config_3 -S codeAllProsesSpeaker.scp';
dos (b);
step1 = {a;b};
c = 'Proses pembuatan proto .. ';
createProto('MFCC_D',24,20)
set(handles.teksProses2,'String',c);
% Training dan testing dataMasuk

d = 'Proses Training dan testing .. ';
e = 'HParse -A grammar2 wdnet2';
dos (e);
step2 = {d;e};
% pembuatan file test

fid2=fopen('dataTestSpeaker1.scp','w');
fprintf(fid2,'\n');
fclose(fid2);
fprintf(fid3,'\n');
fclose(fid3);
fprintf(fid4,'\n');
fclose(fid4);
fprintf(fid5,'\n');
fclose(fid5);
% testing dengan algoritma viterbi

f = 'HVite -A -w wdnet2 -l . -o ST -i hasilUjiSpeaker1.mlf -S
dataTestSpeaker1.scp -H hmm0/hmmdefs dict2 model.list2';
g = 'HVite -A -w wdnet2 -l . -o ST -i hasilUjiSpeaker2.mlf -S
h = 'HVite -A -w wdnet2 -l . -o ST -i hasilUjiSpeaker3.mlf -S
i = 'HVite -A -w wdnet2 -l . -o ST -i hasilUjiSpeaker4.mlf -S
dos (f);
dos (g);
dos (h);
dos (i);
step3 = {f;g;h;i};
set(handles.teksProses,'String','Anda dikenali sebagai ..');

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 98
set(handles.teksProses,'String','Anda dikenali sebagai ..');
rec1 = textread('hasilUjiSpeaker1.mlf','%s');
if (rec1{3}(1) == 'a' && rec2{3}(1) == 'a' && rec3{3}(1) == 'a')

set(handles.teksHasil,'String','Angga')
elseif (rec1{3}(1) == 'a' && rec2{3}(1) == 'a' && rec4{3}(1) == 'a')
elseif (rec1{3}(1) == 'd' && rec2{3}(1) == 'd' && rec3{3}(1) == 'd' )
set(handles.teksHasil,'String','Deta')
elseif (rec1{3}(1) == 'd' && rec2{3}(1) == 'd' && rec4{3}(1) == 'd' )
elseif (rec1{3}(1) == 'd' && rec3{3}(1) == 'd' && rec4{3}(1) == 'd')
elseif (rec2{3}(1) == 'd' && rec3{3}(1) == 'd' && rec4{3}(1) == 'd')
elseif (rec1{3}(1) == 'p' && rec2{3}(1) == 'p' && rec3{3}(1) == 'p' )
set(handles.teksHasil,'String','Petra')
elseif (rec1{3}(1) == 'p' && rec2{3}(1) == 'p' && rec4{3}(1) == 'p' )
elseif (rec1{3}(1) == 'p' && rec3{3}(1) == 'p' && rec4{3}(1) == 'p')
elseif (rec2{3}(1) == 'p' && rec3{3}(1) == 'p' && rec4{3}(1) == 'p')
elseif (rec1{3}(1) == 'y' && rec2{3}(1) == 'y' && rec3{3}(1) == 'y' )
set(handles.teksHasil,'String','Yudhi')
elseif (rec1{3}(1) == 'y' && rec2{3}(1) == 'y' && rec4{3}(1) == 'y' )
elseif (rec1{3}(1) == 'y' && rec3{3}(1) == 'y' && rec4{3}(1) == 'y')
elseif (rec2{3}(1) == 'y' && rec3{3}(1) == 'y' && rec4{3}(1) == 'y')
else
set(handles.teksHasil,'String','Maaf suara Anda tidak terdaftar')
end
% if (rec1{3}(1) == rec2{3}(1) == rec3{3}(1) == rec3{3}(1))

% set(handles.teksHasil,'String',rec1(3))
% else
% set(handles.teksHasil,'String','Anda tidak terdaftar')
% end
toc
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 99
4. File grammar
$kata = nol | satu | dua | tiga | empat | lima | enam | tujuh

| delapan | sembilan ;
(SENT-START ( $kata ) SENT-END)
5. File grammar2
$orang = angga | deta | petra | yudhi ;

(SENT-START ( $orang ) SENT-END)
6. File model.list
nol
satu
dua
tiga
empat
lima
enam
tujuh
delapan
sembilan
sil
7. File model.list2
angga
deta
petra
yudhi
sil
8. File dict
SENT-START [] sil
SENT-END [] sil
nol nol
satu satu
dua dua
tiga tiga
empat empat
lima lima
enam enam
tujuh tujuh
delapan delapan
sembilan sembilan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 100
9. File dict2
SENT-START [] sil
SENT-END [] sil
angga angga
deta deta
petra petra
yudhi yudhi
10. File mfccConfig_1
#Coding Parameter MFCC

SOURCEKIND = WAVEFROM
SOURCEFORMAT = WAV
TARGETKIND = MFCC
USEPOWER = F
TARGETRATE = 20000
SAVECOMPRESSED = F
SAVEWITHCRC = T
WINDOWSIZE = 40000
USEHAMMING = T
PREEMCOEF = 0.97
NUMCHANS = 24
CEPLIFTER = 22
NUMCEPS = 12
LPCORDER = 12
ENORMALISE = F
11. createSCP.m
% membuat file codeAll.scp
dirAsal = 'C:\Users\detha\Documents\MATLAB\Skripsi\'
dirAsal = {'data0';'data1'; 'data2'; 'data3';
'data4';'data5';'data6';'data7';'data8';'data9'};
files=[];
for i=1:length(dirAsal)
% masuk ke direktori baca wavfile
cd (dirAsal{i});
fileWav= dir ('*.wav');
% ambil nama file
filename={};
for j=1:length(fileWav)
filename{j}= fileWav(j).name(1:length(fileWav(j).name)-
4);
end
files{i}=filename;
cd ..;
end
% mencetak file codeAll.scp
fid1 = fopen ('codeAll.scp','w');

targetDirectory =
'C:\Users\detha\Documents\MATLAB\Skripsi\hasil';
for m=1:length(files)
fileBaru=files{m};
for n=1:length(fileBaru)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 101
fid1 = fopen ('codeAll.scp','w');

targetDirectory =
'C:\Users\detha\Documents\MATLAB\Skripsi\hasil';
fileBaru=files{m};
fwrite(fid1, ['"' srcDirectory dirAsal{m} '\'
fileBaru{n} '.wav" ' '"' targetDirectory '\' fileBaru{n}
'.mfc"']);
fprintf(fid1,'\n');
disp(fileBaru{n});
end
end
fclose(fid1);
12. createSCP2.m
files=[];
cd (dirAsal{i});
% ambil nama file
filename={};
filename{j}= fileWav(j).name(1:length(fileWav(j).name)-4);
end
files{i}=filename;
cd ..;
end
fid1 = fopen ('codeAll2.scp','w');

targetDirectory =
'C:\Users\detha\Documents\MATLAB\Skripsi\hasil2';
fileBaru=files{m};
fwrite(fid1, ['"' srcDirectory dirAsal{m} '\' fileBaru{n}
'.wav" ' '"' targetDirectory '\' fileBaru{n} '.mfc"']);
fprintf(fid1,'\n');
disp(fileBaru{n});
end
end
fclose(fid1);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 102
13. File codeAll.scp
"C:\Users\detha\Documents\MATLAB\Skripsi\data0\ANGGA0-1.wav"
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil\ANGGA0-1.mfc"
. . .
"C:\Users\detha\Documents\MATLAB\Skripsi\data9\YUDHI9-3.wav"
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil\YUDHI9-3.mfc"
14. File codeAll2.scp
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil2\ANGGA0-1.mfc"
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil2\PETRA2-4.mfc"
. . .
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil2\YUDHI9-2.mfc"
15. createMlf.m

kata =
{'nol','satu','dua','tiga','empat','lima','enam','tujuh','delapan'
,'sembilan'};
files=[];
for j=1:length(dirAsal);
%masuk direktori baca file.wav
cd (dirAsal{j});
fileMfc = dir ('*.wav');
%ambil nama filenya saja
filename={};
for i=1:length(fileMfc)
filename{i}=fileMfc(i).name(1:length(fileMfc(i).name)-4);
end
files{j}=filename;
cd ..;
end
fid1 = fopen('allKata.mlf','w');
fwrite(fid1,'#!MLF!#');
fprintf(fid1, '\n');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 103
fid1 = fopen('allKata.mlf','w');
fileBaru=files{m};
fwrite(fid1, ['"*/' fileBaru{n} '.lab"']);
fwrite(fid1, [kata{m}]);
fprintf(fid1, '.');
disp(fileBaru{n});
end
end
fclose(fid1);
16. createMlf2.m
dirAsal = {'angga';'deta';'petra';'yudhi'};
orang = {'angga','deta','petra','yudhi'};
files=[];
for j=1:length(dirAsal);
%masuk direktori baca file.wav
cd (dirAsal{j});
fileMfc = dir ('*.wav');
%ambil nama filenya saja
filename={};
for i=1:length(fileMfc)
filename{i}=fileMfc(i).name(1:length(fileMfc(i).name)-4);
end
files{j}=filename;
cd ..;
end
fid1 = fopen('allKata2.mlf','w');
fileBaru=files{m};
fwrite(fid1, ['"*/' fileBaru{n} '.lab"']);
fwrite(fid1, [orang{m}]);
fprintf(fid1, '.');
disp(fileBaru{n});
end
end
fclose(fid1);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 104
17. File allKata.mlf
#!MLF!#
"*/ANGGA0-1.lab"
nol
.
"*/ANGGA0-2.lab"
nol
.
"*/ANGGA0-3.lab"
nol
.
"*/ANGGA0-4.lab"
nol
.
"*/ANGGA0-5.lab"
nol
.
"*/DETA0-1.lab"
nol
.
"*/DETA0-2.lab"
nol
.
"*/DETA0-3.lab"
nol
.
"*/DETA0-4.lab"
nol
.
. . . . . .
"*/YUDHI9-2.lab"
sembilan
.
"*/YUDHI9-3.lab"
sembilan
.
"*/YUDHI9-4.lab"
sembilan
.
"*/YUDHI9-5.lab"
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 105
18. File allKata2.mlf
#!MLF!#
"*/ANGGA0-1.lab"
angga
.
"*/ANGGA0-2.lab"
angga
.
"*/ANGGA0-3.lab"
angga
.
. . . . .
"*/YUDHI8-5.lab"
yudhi
.
"*/YUDHI9-1.lab"
yudhi
.
"*/YUDHI9-2.lab"
yudhi
.
"*/YUDHI9-3.lab"
yudhi
.
"*/YUDHI9-4.lab"
yudhi
.
"*/YUDHI9-5.lab"
yudhi
.
19. File kata2phone.led
EX
IS sil sil
20. File katatypephone.mlf
#!MLF!#
"*/ANGGA0-1.lab"
sil
nol
sil
.
. . . . . .
"*/YUDHI9-4.lab"
sil
sembilan
sil
.
"*/YUDHI9-5.lab"
sil
sembilan
sil
.
.
"*/PETRA2-4.lab"
sil
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 106
21. createAllTrainData.m
% create file AllTrainData

% direktori asal 'C:\Users\petrav\Documents\MATLAB\Skripsi'

files=[];
cd (dirAsal{i});
fileMfc= dir ('*.wav');
% ambil nama file
filename={};
for j=1:length(fileMfc)
filename{j}= fileMfc(j).name(1:length(fileMfc(j).name)-4);
end
files{i}=filename;
cd ..;
end
% mencetak file data training
fid1=fopen('AllTrainData1.scp','w');
fid2=fopen('AllTestData1.scp','w');
srcDirecory = 'C:\Users\detha\Documents\MATLAB\Skripsi';
targetDirectory ='C:\Users\detha\Documents\MATLAB\Skripsi\hasil'; %
directory tujuan
fileBaru=files{m};
if n > 4
fwrite(fid1, ['"' targetDirectory '\' fileBaru{n}
'.mfc"']);
else
'.mfc"']);
end
end
end
fclose(fid1);
fclose(fid2);
directory tujuan
fileBaru=files{m};
if n < 5
'.mfc"']);
else if n > 8
'.mfc"']);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 107

'.mfc"']);
else if n > 8
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
directory tujuan
fileBaru=files{m};
if n < 9
'.mfc"']);
else if n > 12
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
directory tujuan
fileBaru=files{m};
if n < 13
'.mfc"']);
else if n > 16
'.mfc"']);
else
'.mfc"']);
end
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 108
else if n > 16
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
directory tujuan
fileBaru=files{m};
if n < 17
'.mfc"']);
else
'.mfc"']);
end
end
end
fclose(fid1);
fclose(fid2);
22. CreateAllTrainDataS.m
% create file AllTrainData

% direktori asal 'C:\Users\petrav\Documents\MATLAB\Skripsi'

files=[];
cd (dirAsal{i});
fileMfc= dir ('*.wav');
% ambil nama file
filename={};
for j=1:length(fileMfc)
filename{j}= fileMfc(j).name(1:length(fileMfc(j).name)-4);
end
files{i}=filename;
cd ..;
end
fid1=fopen('AllTrainDataS1.scp','w');
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 109
end
files{i}=filename;
cd ..;
end
fid2=fopen('AllTestDataS1.scp','w');
targetDirectory ='C:\Users\detha\Documents\MATLAB\Skripsi\hasil2';
% directory tujuan
fileBaru=files{m};
if n > 4
'.mfc"']);
else
'.mfc"']);
end
end
end
fclose(fid1);
fclose(fid2);
% directory tujuan
fileBaru=files{m};
if n < 5
'.mfc"']);
else if n > 8
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
% directory tujuan
fileBaru=files{m};
if n < 9
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 110
fileBaru=files{m};
if n < 9
'.mfc"']);
else if n > 12
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
% directory tujuan
fileBaru=files{m};
if n < 13
'.mfc"']);
else if n > 16
'.mfc"']);
else
'.mfc"']);
end
end
end
end
fclose(fid1);
fclose(fid2);
% directory tujuan
fileBaru=files{m};
if n < 17
'.mfc"']);
else
'.mfc"']);
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 111

'.mfc"']);
end
end
end
fclose(fid1);
fclose(fid2);
23. File AllTrainData1
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil\DETA0-1.mfc"
.....
.....
.....
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 112
.....
.....
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil\PETRA9-3.mfc"
28. File AllTestData1
.....
.....
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 113
.....
.....
.....
33. createProto.m
function createProto(feature,numparam,numstates)
% Function to create proto file

% Input
% feature : feature(MFCC, USER...)
% numparam : number of parameter used (MFCC 12, MFCCE 13...)
% numstates: number of states
% Output
% proto file
fid1=fopen('proto','w');
fwrite(fid1, ['~o <VecSize> ' num2str(numparam) ' <' feature '>']);
fwrite(fid1, ['~h "proto"']);
fwrite(fid1, '<BeginHMM>');
fwrite(fid1, [' <NumStates> ' num2str(numstates)]);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 114
fwrite(fid1, ['~h "proto"']);

fwrite(fid1, '<BeginHMM>');
fwrite(fid1, [' <NumStates> ' num2str(numstates)]);
M = zeros(numparam,1); % mean
V = ones(numparam,1); % variance
for i=2:numstates-1
fwrite(fid1,[' <State> ' num2str(i)]);
fprintf(fid1, '\t');
fwrite(fid1,[ '<Mean> ' num2str(numparam)]);
fprintf(fid1, '\t\t');
for j = 1:length(M)
fwrite(fid1, num2str(M(j)));
end
fwrite(fid1,[ '<Variance> ' num2str(numparam)]);
fprintf(fid1, '\t\t');
for j = 1:length(V)
fwrite(fid1, num2str(V(j)));
end
end
% Transition matrix
fwrite(fid1,[' <TransP> ' num2str(numstates)]);
TP = transmat(numstates); % calling transmat function
[m,n]=size(TP);
for i=1:m
fprintf(fid1,'\t');
for j=1:n
fwrite(fid1, num2str(TP(i,j)));
end
fprintf(fid1,'\n');
end
fwrite(fid1,'<EndHMM>');
fclose(fid1);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 115
35. transmat.m
function TransP=transmat(numOfStates)
%numOfStates = 20;
TransP=zeros(numOfStates);
TransP(1,2)=1;
for i=2:numOfStates-1
TransP(i,i+1)=0.4;
end
for j=2:2:numOfStates-1 %genap values

TransP(j,j)=0.6;
end
for k=3:2:numOfStates-1 %odd values

TransP(k,k-1)=0.1;
TransP(k,k)=0.5;
end
TransP(numOfStates,numOfStates)=1;
36. prosesHMM.m
% Pembentukan Model
a = 'Proses training data..';

b = 'HParse -A grammar wdnet';
c = 'HLEd -A -l * -d dict -i katatypephone.mlf kata2phone.led
allKata.mlf';
dos(b);
dos(c);
step1 = {a;b;c};
set(handles.teksPertama,'String',step1);
% Proses testing dan training pertama

c1 = 'Proses training dan testing pertama ...'
d = 'HCompV -A -f 0.01 -m -S AllTrainData1.scp -M hmm1 proto';
e = 'set CLASSPATH=';
f = 'java CloneHMM ./hmm1 model.list';
dos (d);
dos (e);
dos (f);
step2 = {d;e;f;c1};
% Pembuatan Model dengan Algoritma Baum - Welch

g = 'HERest -A -t 600.0 -I katatypephone.mlf -S AllTrainData1.scp -
H hmm1/hmmdefs -M hmm1 model.list';
for j=1:6
dos (g);
end
set(handles.teksProses2,'String',g);
% Pengenalan dengan Algoritma Viterbi

h = 'HVite -A -w wdnet -l . -i rec1.mlf -S AllTestData1.scp -H
i = 'HVite -A -w wdnet -l . -o ST -i rec1_1.mlf -S AllTestData1.scp
-H hmm1/hmmdefs dict model.list';
j = 'Proses training pertama selesai..';
dos (h);
dos (i);
step3 = {h;i;j;};
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 116

h = 'HVite -A -w wdnet -l . -i rec1.mlf -S AllTestData1.scp -H
i = 'HVite -A -w wdnet -l . -o ST -i rec1_1.mlf -S AllTestData1.scp
-H hmm1/hmmdefs dict model.list';
dos (h);
dos (i);
step3 = {h;i;j;};
% Proses testing dan training kedua

i1 = 'Proses training dan testing kedua ...';
set(handles.teksKedua,'String',i1);
dos ('HCompV -A -f 0.01 -m -S AllTrainData2.scp -M hmm2 proto');
dos ('set CLASSPATH=');
dos ('java CloneHMM ./hmm2 model.list');
for j=1:6
dos ('HERest -A -t 600.0 -I katatypephone.mlf -S
AllTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list');
end
dos ('HVite -A -w wdnet -l . -i rec2.mlf -S AllTestData2.scp -H
hmm2/hmmdefs dict model.list');
dos ('HVite -A -w wdnet -l . -o ST -i rec2_1.mlf -S
AllTestData2.scp -H hmm2/hmmdefs dict model.list');
% Proses testing dan training ketiga

k = 'Proses training dan testing ketiga ...';
set(handles.teksKetiga,'String',k);
for j=1:6
end
% Proses testing dan training keempat

l = 'Proses training dan testing keempat ...';
set(handles.teksKeempat,'String',l);
for j=1:6
end
% Proses training dan testing kelima

m = 'Proses training dan testing kelima ...';
set(handles.teksKelima,'String',m);
for j=1:6
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 117

for j=1:6
end
set(handles.teksKeenam,'String','Proses selesai');
CM_Speech;
37. ProsesHMM2.m
% Pembentukan Model
a = 'Proses training data..';

b = 'HParse -A grammar2 wdnet2';
c = 'HLEd -A -l * -d dict2 -i katatypephone2.mlf kata2phone.led
allKata2.mlf';
dos(b);
dos(c);
step1 = {a;b;c};
set(handles.teksPertama,'String',step1);
% Proses testing dan training pertama

c1 = 'Proses training dan testing pertama ...'
d = 'HCompV -A -f 0.01 -m -S AllTrainDataS1.scp -M hmm6 proto';
e = 'set CLASSPATH=';
f = 'java CloneHMM ./hmm6 model.list2';
dos (d);
dos (e);
dos (f);
step2 = {d;e;f;c1};
% Pembuatan Model dengan Algoritma Baum - Welch

g = 'HERest -A -t 600.0 -I katatypephone2.mlf -S AllTrainDataS1.scp
-H hmm6/hmmdefs -M hmm6 model.list2';
for j=1:6
dos (g);
end
set(handles.teksProses2,'String',g);

h = 'HVite -A -w wdnet2 -l . -i rec1s.mlf -S AllTestDataS1.scp -H
hmm6/hmmdefs dict2 model.list2';
i = 'HVite -A -w wdnet2 -l . -o ST -i rec1_1s.mlf -S
AllTestDataS1.scp -H hmm6/hmmdefs dict2 model.list2';
dos (h);
dos (i);
step3 = {h;i;j;};

dos ('HCompV -A -f 0.01 -m -S AllTrainDataS2.scp -M hmm7 proto');
dos ('java CloneHMM ./hmm7 model.list2');
for j=1:6
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 118

for j=1:6
dos ('HERest -A -t 600.0 -I katatypephone2.mlf -S
AllTrainDataS2.scp -H hmm7/hmmdefs -M hmm7 model.list2');
end
dos ('HVite -A -w wdnet2 -l . -i rec2s.mlf -S AllTestDataS2.scp -H
hmm7/hmmdefs dict2 model.list2');
dos ('HVite -A -w wdnet2 -l . -o ST -i rec2_1s.mlf -S
AllTestDataS2.scp -H hmm7/hmmdefs dict2 model.list2');
% Proses testing dan training ketiga

k = 'Proses training dan testing ketiga ...';
set(handles.teksKetiga,'String',k);
for j=1:6
end
% Proses testing dan training keempat

l = 'Proses training dan testing keempat ...';
set(handles.teksKeempat,'String',l);
for j=1:6
end
% Proses training dan testing kelima

m = 'Proses training dan testing kelima ...';
set(handles.teksKelima,'String',m);
for j=1:6
end
set(handles.teksKeenam,'String','Proses selesai');
CM_Speaker;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 119
38. File rec1_1.mlf
#!MLF!#
"./ANGGA0-1.rec"
nol
.
"./ANGGA0-2.rec"
nol
.
"./ANGGA0-3.rec"
nol
.
"./ANGGA0-4.rec"
nol
.
"./ANGGA1-1.rec"
satu
.
"./ANGGA1-2.rec"
satu
.
"./ANGGA1-3.rec"
satu
.
"./ANGGA1-4.rec"
satu
.
....
"./ANGGA8-3.rec"
delapan
.
"./ANGGA8-4.rec"
delapan
.
"./ANGGA9-1.rec"
sembilan
.
"./ANGGA9-2.rec"
sembilan
.
"./ANGGA9-3.rec"
sembilan
.
"./ANGGA9-4.rec"
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 120
39. File rec2_1.mlf
#!MLF!#
"./ANGGA0-5.rec"
nol
.
"./DETA0-1.rec"
nol
.
"./DETA0-2.rec"
nol
.
"./DETA0-3.rec"
nol
.
"./ANGGA1-5.rec"
satu
.
"./DETA1-1.rec"
satu
.
"./DETA1-2.rec"
satu
.
"./DETA1-3.rec"
satu
.
....
"./DETA8-2.rec"
delapan
.
"./DETA8-3.rec"
delapan
.
"./ANGGA9-5.rec"
sembilan
.
"./DETA9-1.rec"
sembilan
.
"./DETA9-2.rec"
sembilan
.
"./DETA9-3.rec"
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 121
40. File rec3_1.mlf
#!MLF!#
"./DETA0-4.rec"
nol
.
"./DETA0-5.rec"
nol
.
"./PETRA0-1.rec"
nol
.
"./PETRA0-2.rec"
nol
.
"./DETA1-4.rec"
satu
.
"./DETA1-5.rec"
satu
.
....
"./PETRA8-1.rec"
delapan
.
"./PETRA8-2.rec"
delapan
.
"./DETA9-4.rec"
sembilan
.
"./DETA9-5.rec"
sembilan
.
"./PETRA9-1.rec"
sembilan
.
"./PETRA9-2.rec"
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 122
41. File rec4_1.mlf
#!MLF!#
"./PETRA0-3.rec"
nol
.
"./PETRA0-4.rec"
nol
.
"./PETRA0-5.rec"
nol
.
"./YUDHI0-1.rec"
nol
.
"./PETRA1-3.rec"
satu
.
"./PETRA1-4.rec"
satu
.
"./PETRA1-5.rec"
satu
.
....
"./PETRA8-5.rec"
delapan
.
"./YUDHI8-1.rec"
delapan
.
"./PETRA9-3.rec"
sembilan
.
"./PETRA9-4.rec"
sembilan
.
"./PETRA9-5.rec"
sembilan
.
"./YUDHI9-1.rec"
sembilan
.
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 123
42. File rec5_1.mlf
#!MLF!#
"./YUDHI0-2.rec"
empat
.
"./YUDHI0-3.rec"
nol
.
"./YUDHI0-4.rec"
nol
.
"./YUDHI0-5.rec"
nol
.
"./YUDHI1-2.rec"
satu
.
"./YUDHI1-3.rec"
satu
.
....
"./YUDHI8-4.rec"
delapan
.
"./YUDHI8-5.rec"
delapan
.
"./YUDHI9-2.rec"
sembilan
.
"./YUDHI9-3.rec"
sembilan
.
"./YUDHI9-4.rec"
sembilan
.
"./YUDHI9-5.rec"
sembilan
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 124
43. File rec1_1s.mlf
#!MLF!#
"./ANGGA0-1.rec"
yudhi
.
"./ANGGA0-2.rec"
angga
.
"./ANGGA0-3.rec"
yudhi
.
"./ANGGA0-4.rec"
yudhi
.
"./ANGGA1-1.rec"
angga
.
"./ANGGA1-2.rec"
angga
.
....
"./ANGGA8-4.rec"
angga
.
"./ANGGA9-1.rec"
angga
.
"./ANGGA9-2.rec"
yudhi
.
"./ANGGA9-3.rec"
angga
.
"./ANGGA9-4.rec"
angga
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 125
#!MLF!#
"./ANGGA0-5.rec"
angga
.
"./DETA0-1.rec"
deta
.
"./DETA0-2.rec"
deta
.
"./DETA0-3.rec"
deta
.
"./ANGGA1-5.rec"
angga
.
....
"./DETA8-3.rec"
deta
.
"./ANGGA9-5.rec"
angga
.
"./DETA9-1.rec"
deta
.
"./DETA9-2.rec"
deta
.
"./DETA9-3.rec"
deta
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 126
#!MLF!#
"./DETA0-4.rec"
deta
.
"./DETA0-5.rec"
deta
.
"./PETRA0-1.rec"
petra
.
"./PETRA0-2.rec"
petra
.
"./DETA1-4.rec"
deta
.
....
"./PETRA8-2.rec"
petra
.
"./DETA9-4.rec"
deta
.
"./DETA9-5.rec"
petra
.
"./PETRA9-1.rec"
petra
.
"./PETRA9-2.rec"
petra
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 127
#!MLF!#
"./PETRA0-3.rec"
petra
.
"./PETRA0-4.rec"
petra
.
"./PETRA0-5.rec"
petra
.
"./YUDHI0-1.rec"
yudhi
.
"./PETRA1-3.rec"
petra
.
....
"./YUDHI8-1.rec"
yudhi
.
"./PETRA9-3.rec"
petra
.
"./PETRA9-4.rec"
petra
.
"./PETRA9-5.rec"
petra
.
"./YUDHI9-1.rec"
yudhi
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 128
#!MLF!#
"./YUDHI0-2.rec"
yudhi
.
"./YUDHI0-3.rec"
yudhi
.
"./YUDHI0-4.rec"
yudhi
.
"./YUDHI0-5.rec"
yudhi
.
"./YUDHI1-2.rec"
yudhi
.
"./YUDHI1-3.rec"
yudhi
.
....
"./YUDHI8-5.rec"
yudhi
.
"./YUDHI9-2.rec"
yudhi
.
"./YUDHI9-3.rec"
yudhi
.
"./YUDHI9-4.rec"
yudhi
.
"./YUDHI9-5.rec"
yudhi
.
yudhi
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 129
48. CM_Speech.m
[data] = textread('rec1_1.mlf','%s');
index=(length(data)-1)/3; % hitung panjang datanya
x=zeros(1,index); % array data X
y=zeros(1,index); % array data Y
% untuk ngecek di bagian labelnya
cacah =2; % mulai dari indek 2
for i=1:index
if (strfind(char(data(cacah)),'0-') > 0 )
y(i)=1;
elseif (strfind(char(data(cacah)),'1-') > 0)
y(i)=2;
y(i)=3;
y(i)=4;
y(i)=5;
y(i)=6;
y(i)=7;
y(i)=8;
y(i)=9;
else
y(i)=10;
end
cacah = cacah + 3; %lompat 3
end

for i=1:index
if (strcmp(data(cacah),'nol') == 1)
x(i)=1;
elseif (strcmp(data(cacah),'satu') == 1)
x(i)=2;
elseif (strcmp(data(cacah),'dua') == 1)
x(i)=3;
elseif (strcmp(data(cacah),'tiga') == 1)
x(i)=4;
elseif (strcmp(data(cacah),'empat') == 1)
x(i)=5;
elseif (strcmp(data(cacah),'lima') == 1)
x(i)=6;
elseif (strcmp(data(cacah),'enam') == 1)
x(i)=7;
elseif (strcmp(data(cacah),'tujuh') == 1)
x(i)=8;
elseif (strcmp(data(cacah),'delapan') == 1)
x(i)=9;
else
x(i)=10;
end
cacah = cacah +3; %lompat 3
end
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 130
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
c = zeros(maxx-minx);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
c(i-minx+1,j-minx+1) = length(find(z==j));
end
end
nilai = c';
disp('Matrix 1');
disp(c');
hitung = round((trace(c')/sum(sum(c')))*100);
disp(sprintf('Jumlah Data = %d ', sum(sum(c'))));
disp(sprintf('Jumlah Data yang sesuai = %d ', trace(c')));
disp(sprintf('Jumlah Data yang tidak sesuai = %d ', sum(sum(c'))-
trace(c')));
disp(sprintf('Akurasi Matrix 1 = %d \n\n',hitung));

for i=1:index
if (strfind(char(data(cacah)),'0-') > 0)
y(i)=1;
y(i)=2;
y(i)=3;
y(i)=4;
y(i)=5;
y(i)=6;
y(i)=7;
y(i)=8;
y(i)=9;
else
y(i)=10;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
x(i)=4;
x(i)=5;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 131
x(i)=3;
x(i)=4;
x(i)=5;
x(i)=6;
x(i)=7;
x(i)=8;
x(i)=9;
else
x(i)=10;
end
end
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 2');
disp(c');
trace(c')));
cacah =2;
for i=1:index
if (strfind(char(data(cacah)),'0-') > 0 )
y(i)=1;
y(i)=2;
y(i)=3;
y(i)=4;
y(i)=5;
y(i)=6;
y(i)=7;
y(i)=8;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 132

y(i)=7;
y(i)=8;
y(i)=9;
else
y(i)=10;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
x(i)=4;
x(i)=5;
x(i)=6;
x(i)=7;
x(i)=8;
x(i)=9;
else
x(i)=10;
end
end
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 3');
disp(c');
trace(c')));
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 133
for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
y(i)=4;
y(i)=5;
y(i)=6;
y(i)=7;
y(i)=8;
y(i)=9;
else
y(i)=10;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
x(i)=4;
x(i)=5;
x(i)=6;
x(i)=7;
x(i)=8;
x(i)=9;
else
x(i)=10;
end
end
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 134
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 4');
disp(c');
trace(c')));
for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
y(i)=4;
y(i)=5;
y(i)=6;
y(i)=7;
y(i)=8;
y(i)=9;
else
y(i)=10;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
x(i)=4;
x(i)=5;
x(i)=6;
x(i)=7;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 135
x(i)=4;
x(i)=5;
x(i)=6;
x(i)=7;
x(i)=8;
x(i)=9;
else
x(i)=10;
end
end
% minx = min(x);
minx=1;
maxx=10;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 5');
disp(c');
trace(c')));
disp('Confusion Matrix');
hitung = round(trace(nilai)/sum(sum(nilai))*100);
disp(nilai); % nilai adalah matrik konfusion
s = num2str(nilai);
set(handles.confusionMatrix,'String',s);
disp(sprintf('Jumlah Data = %d ', sum(sum(nilai))));
s1 = num2str(trace(nilai));
set(handles.teksSesuai,'String',s1);
a = 'data';
set(handles.teksData,'String',a);
disp(sprintf('Jumlah Data yang sesuai = %d ', trace(nilai)));
s2 = num2str((sum(sum(nilai))-trace(nilai)));
set(handles.teksTdkSesuai,'String',s2);
b = 'data';
set(handles.teksData,'String',b);
disp(sprintf('Jumlah Data yang tidak sesuai = %d ',
sum(sum(nilai))-trace(nilai)));
s3 = num2str(hitung);
set(handles.persenAkurasi,'String',s3);
c = '%';
set(handles.teksPersen,'String',c);
disp(sprintf('Total Akurasi = %d ',hitung));
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 136
49. CM_Speaker.m
[data] = textread('rec1_1s.mlf','%s');
for i=1:index
if (strfind(char(data(cacah)),'ANGGA') > 0 )
y(i)=1;
elseif (strfind(char(data(cacah)),'DETA') > 0)
y(i)=2;
elseif (strfind(char(data(cacah)),'PETRA') > 0)
y(i)=3;
else
y(i)=4;
end
end

for i=1:index
if (strcmp(data(cacah),'angga') == 1)
x(i)=1;
elseif (strcmp(data(cacah),'deta') == 1)
x(i)=2;
elseif (strcmp(data(cacah),'petra') == 1)
x(i)=3;
else
x(i)=4;
end
end
% minx = min(x);
minx=1;
maxx=4;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = c';
disp('Matrix 1');
disp(c');
trace(c')));
%%
for i=1:index
y(i)=1;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 137
for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
else
y(i)=4;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
else
x(i)=4;
end
end
% minx = min(x);
minx=1;
maxx=4;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 2');
disp(c');
trace(c')));
%%
for i=1:index
y(i)=1;
y(i)=2;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 138

for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
else
y(i)=4;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
else
x(i)=4;
end
end
% minx = min(x);
minx=1;
maxx=4;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 3');
disp(c');
trace(c')));
%%
for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
else
y(i)=4;
end
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 139
y(i)=2;
y(i)=3;
else
y(i)=4;
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
else
x(i)=4;
end
end
% minx = min(x);
minx=1;
maxx=4;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 4');
disp(c');
trace(c')));
%%
for i=1:index
y(i)=1;
y(i)=2;
y(i)=3;
else
y(i)=4;
end
end

for i=1:index
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 140
end
end

for i=1:index
x(i)=1;
x(i)=2;
x(i)=3;
else
x(i)=4;
end
end
% minx = min(x);
minx=1;
maxx=4;
% maxx = max(x);
for i=minx:maxx
idx = find(x==i);
for j = minx : maxx
z = y(idx);
end
end
nilai = nilai + c';
disp('Matrix 5');
disp(c');
trace(c')));
disp('Confusion Matrix');
hitung = round(trace(nilai)/sum(sum(nilai))*100);
disp(nilai); % nilai adalah matrik konfusion

s = num2str(nilai);
set(handles.listboxConfusionMatrix,'String',s);
disp(sprintf('Jumlah Data = %d ', sum(sum(nilai))));
s1 = num2str(trace(nilai));
set(handles.teksSesuai,'String',s1);
a = 'data';
set(handles.teksData,'String',a);
disp(sprintf('Jumlah Data yang sesuai = %d ', trace(nilai)));
s2 = num2str((sum(sum(nilai))-trace(nilai)));
set(handles.teksTdkSesuai,'String',s2);
b = 'data';
set(handles.teksData,'String',b);
disp(sprintf('Jumlah Data yang tidak sesuai = %d ',
sum(sum(nilai))-trace(nilai)));
s3 = num2str(hitung);
set(handles.persenAkurasi,'String',s3);
c = '%';
set(handles.teksPersen,'String',c);
disp(sprintf('Total Akurasi = %d ',hitung));
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 141
50. pengujianHMM.m
function varargout = pengujianHMM2(varargin)

% PENGUJIANHMM2 M-file for pengujianHMM2.fig
% PENGUJIANHMM2, by itself, creates a new PENGUJIANHMM2 or
raises the existing
% singleton*.
%
% H = PENGUJIANHMM2 returns the handle to a new PENGUJIANHMM2
or the handle to
%
% PENGUJIANHMM2('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in PENGUJIANHMM2.M with the given
input arguments.
%
% PENGUJIANHMM2('Property','Value',...) creates a new
PENGUJIANHMM2 or raises the
pairs are
% applied to the GUI before pengujianHMM2_OpeningFcn gets
called. An
application
% stop. All inputs are passed to pengujianHMM2_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
%
% Edit the above text to modify the response to help pengujianHMM2

gui_Singleton = 1;
'gui_OpeningFcn', @pengujianHMM2_OpeningFcn, ...
'gui_OutputFcn', @pengujianHMM2_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before pengujianHMM2 is made visible.

function pengujianHMM2_OpeningFcn(hObject, ~, handles, varargin)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 142
% --- Executes just before pengujianHMM2 is made visible.

function pengujianHMM2_OpeningFcn(hObject, ~, handles, varargin)
% varargin command line arguments to pengujianHMM2 (see VARARGIN)
% Choose default command line output for pengujianHMM2


% UIWAIT makes pengujianHMM2 wait for user response (see UIRESUME)

function varargout = pengujianHMM2_OutputFcn(~, ~, handles)


function pushbutton1_Callback(~, ~, handles)
tic
set(handles.teksPertama,'String',' ');
set(handles.teksProses1,'String',' ');
set(handles.teksKedua,'String',' ');
set(handles.teksKetiga,'String',' ');
set(handles.teksKeempat,'String',' ');
set(handles.teksKelima,'String',' ');
set(handles.teksKeenam,'String',' ');
% set(handles.teksKetujuh,'String',' ');
% Memilih window size dan pembuatan feature
temp1 = get(handles.poupmenuWS,'Value');
temp2 = get(handles.popupmenuState,'Value');
tipe = handles.tipe;
if temp1 == 1 && tipe == 1

dos ('HCopy -A -C mfccConfig_1 -S codeAll.scp');
elseif temp1 == 1 && tipe == 2

dos ('HCopy -A -C mfcc_D_Config_1 -S codeAll.scp');

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 143
if temp1 == 1 && tipe == 1



dos ('HCopy -A -C mfcc_D_A_Config_1 -S codeAll.scp');






end
switch tipe
case 1
if temp2 == 1
createProtoMFCC_1;
elseif temp2 == 2
createProtoMFCC_2;
elseif temp2 == 3
createProtoMFCC_3;
elseif temp2 == 4
createProtoMFCC_4;
end
case 2
if temp2 == 1
createProtoMFCC_D_1;
elseif temp2 == 2
elseif temp2 == 3
elseif temp2 == 4
end
case 3
if temp2 == 1
createProtoMFCC_D_A_1;
elseif temp2 == 2
elseif temp2 == 3
elseif temp2 == 4
end
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 144
elseif temp2 == 4
end
end
% Pembentukan Model
prosesHMM;
toc
waktu = toc;
step=[num2str(waktu) ' detik'];
set(handles.hasilAkurasi,'String',step);
% --- Executes on selection change in listbox3.

function listbox3_Callback(~, ~, ~)
% hObject handle to listbox3 (see GCBO)
% Hints: contents = cellstr(get(hObject,'String')) returns listbox3

contents as cell array
% contents{get(hObject,'Value')} returns selected item from
listbox3
% --- Executes during object creation, after setting all

properties.
function listbox3_CreateFcn(hObject, ~, ~)
called
% Hint: listbox controls usually have a white background on

Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on selection change in listbox4.

function listbox4_Callback(~, ~, ~)
% Hints: contents = cellstr(get(hObject,'String')) returns listbox4

contents as cell array
listbox4

properties.
function listbox4_CreateFcn(hObject, ~, ~)
called
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 145

called

Windows.
end
% --- Executes on button press in radiobutton1.

function radiobutton1_Callback(hObject, ~, handles)
% hObject handle to radiobutton1 (see GCBO)
% Hint: get(hObject,'Value') returns toggle state of radiobutton1

set(handles.radiobutton2,'Value',0);
tipe=1;
handles.tipe=tipe;
guidata(hObject,handles);


tipe=2;
handles.tipe=tipe;

tipe=3;
handles.tipe=tipe;
% --- Executes on selection change in popupmenu1.
function popupmenu1_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% Hints: contents = cellstr(get(hObject,'String')) returns

popupmenu1 contents as cell array
popupmenu1

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 146

popupmenu1

properties.
function popupmenu1_CreateFcn(hObject, ~, ~)
called
% Hint: popupmenu controls usually have a white background on

Windows.
end
% --- Executes on selection change in popupmenu3.

function popupmenu3_Callback(~, ~, ~)

popupmenu3 contents as cell array
popupmenu3

properties.
function popupmenu3_CreateFcn(hObject, ~, ~)
called

Windows.
end
% --- Executes on selection change in poupmenuWS.

function poupmenuWS_Callback(~, ~, ~)
% hObject handle to poupmenuWS (see GCBO)

poupmenuWS contents as cell array
poupmenuWS

properties.
function poupmenuWS_CreateFcn(hObject, ~, ~)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 147

properties.
function poupmenuWS_CreateFcn(hObject, ~, ~)
called

Windows.
if ispc
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColo
r'));
end
% --- Executes on selection change in popupmenuState.

function popupmenuState_Callback(~, ~, handles)
% hObject handle to popupmenuState (see GCBO)

popupmenuState contents as cell array
popupmenuState

properties.
function popupmenuState_CreateFcn(hObject, ~, ~)
called

Windows.
if ispc
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColo
r'));
end
% --- Executes on selection change in confusionMatrix.

function confusionMatrix_Callback(hObject, eventdata, handles)
% hObject handle to confusionMatrix (see GCBO)

confusionMatrix contents as cell array
confusionMatrix

properties.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 148
confusionMatrix
properties.
function confusionMatrix_CreateFcn(hObject, eventdata, handles)
% hObject handle to confusionMatrix (see GCBO)
called

Windows.
end

close (pengujianHMM2);
fig2 = openfig('pengujianHMM2_Speaker.fig');

close (pengujianHMM2);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 149
51. pengujianHMM2_Speaker.m
function varargout = pengujianHMM2_Speaker(varargin)

% PENGUJIANHMM2_SPEAKER M-file for pengujianHMM2_Speaker.fig
% PENGUJIANHMM2_SPEAKER, by itself, creates a new
PENGUJIANHMM2_SPEAKER or raises the existing
% singleton*.
%
% H = PENGUJIANHMM2_SPEAKER returns the handle to a new
PENGUJIANHMM2_SPEAKER or the handle to
%
%
PENGUJIANHMM2_SPEAKER('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in PENGUJIANHMM2_SPEAKER.M with the
given input arguments.
%
% PENGUJIANHMM2_SPEAKER('Property','Value',...) creates a new
PENGUJIANHMM2_SPEAKER or raises the
pairs are
% applied to the GUI before pengujianHMM2_Speaker_OpeningFcn
gets called. An
application
% stop. All inputs are passed to
pengujianHMM2_Speaker_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
%

pengujianHMM2_Speaker

gui_Singleton = 1;
'gui_OpeningFcn',
@pengujianHMM2_Speaker_OpeningFcn, ...
'gui_OutputFcn',
@pengujianHMM2_Speaker_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before pengujianHMM2_Speaker is made visible.

function pengujianHMM2_Speaker_OpeningFcn(hObject, ~, handles,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 150
end
% --- Executes just before pengujianHMM2_Speaker is made visible.

function pengujianHMM2_Speaker_OpeningFcn(hObject, ~, handles,
varargin)
% varargin command line arguments to pengujianHMM2_Speaker (see
VARARGIN)
% Choose default command line output for pengujianHMM2_Speaker


% UIWAIT makes pengujianHMM2_Speaker wait for user response (see

UIRESUME)
function varargout = pengujianHMM2_Speaker_OutputFcn(~, ~, handles)

% --- Executes on selection change in popupmenuWS.

function popupmenuWS_Callback(hObject, eventdata, handles)
% hObject handle to popupmenuWS (see GCBO)

popupmenuWS contents as cell array
popupmenuWS

properties.
function popupmenuWS_CreateFcn(hObject, eventdata, handles)
% hObject handle to popupmenuWS (see GCBO)
called

Windows.
end
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 151

Windows.
end
% --- Executes on selection change in popupmenuState.

function popupmenuState_Callback(hObject, eventdata, handles)

popupmenuState contents as cell array
popupmenuState

properties.
function popupmenuState_CreateFcn(hObject, eventdata, handles)
called

Windows.
end
% --- Executes on selection change in listboxConfusionMatrix.

function listboxConfusionMatrix_Callback(hObject, eventdata,
handles)
% hObject handle to listboxConfusionMatrix (see GCBO)

listboxConfusionMatrix contents as cell array
listboxConfusionMatrix

properties.
function listboxConfusionMatrix_CreateFcn(hObject, eventdata,
handles)
% hObject handle to listboxConfusionMatrix (see GCBO)
called

Windows.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 152

Windows.
end
% --- Executes on button press in pushbuttonProses.

function pushbuttonProses_Callback(hObject, eventdata, handles)
tic
set(handles.teksPertama,'String',' ');
set(handles.teksKedua,'String',' ');
set(handles.teksKetiga,'String',' ');
set(handles.teksKeempat,'String',' ');
set(handles.teksKelima,'String',' ');
set(handles.teksKeenam,'String',' ');
% Memilih window size dan pembuatan feature
temp1 = get(handles.popupmenuWS,'Value');
temp2 = get(handles.popupmenuState,'Value');
tipe = handles.tipe;
if temp1 == 1 && tipe == 1

dos ('HCopy -A -C mfccConfig_1 -S codeAll2.scp');

dos ('HCopy -A -C mfcc_D_Config_1 -S codeAll2.scp');

dos ('HCopy -A -C mfcc_D_A_Config_1 -S codeAll2.scp');






end
switch tipe
case 1
if temp2 == 1
createProtoMFCC_1;
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 153
switch tipe
case 1
if temp2 == 1
createProtoMFCC_1;
elseif temp2 == 2
createProtoMFCC_2;
elseif temp2 == 3
createProtoMFCC_3;
elseif temp2 == 4
createProtoMFCC_4;
end
case 2
if temp2 == 1
elseif temp2 == 2
elseif temp2 == 3
elseif temp2 == 4
end
case 3
if temp2 == 1
elseif temp2 == 2
elseif temp2 == 3
elseif temp2 == 4
end
end
% Pembentukan Model
ProsesHMM2;
toc
waktu = toc;
step=[num2str(waktu) ' detik'];
set(handles.hasilAkurasi,'String',step);
% hObject handle to pushbuttonProses (see GCBO)

% --- Executes on button press in radiobuttonMFCC.

function radiobuttonMFCC_Callback(hObject, eventdata, handles)
set(handles.radiobuttonMFCC_D,'Value',0);
set(handles.radiobuttonMFCC_D_A,'Value',0);
tipe=1;
handles.tipe=tipe;
% hObject handle to radiobuttonMFCC (see GCBO)
% Hint: get(hObject,'Value') returns toggle state of

radiobuttonMFCC
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 154

radiobuttonMFCC
% --- Executes on button press in radiobuttonMFCC_D.

function radiobuttonMFCC_D_Callback(hObject, eventdata, handles)
set(handles.radiobuttonMFCC,'Value',0);
set(handles.radiobuttonMFCC_D_A,'Value',0);
tipe=2;
handles.tipe=tipe;
% hObject handle to radiobuttonMFCC_D (see GCBO)

radiobuttonMFCC_D
% --- Executes on button press in radiobuttonMFCC_D_A.

function radiobuttonMFCC_D_A_Callback(hObject, eventdata, handles)
set(handles.radiobuttonMFCC,'Value',0);
set(handles.radiobuttonMFCC_D,'Value',0);
tipe=3;
handles.tipe=tipe;
% hObject handle to radiobuttonMFCC_D_A (see GCBO)

radiobuttonMFCC_D_A

close (pengujianHMM2_Speaker);
fig2 = openfig('pengujianHMM2.fig');

close (pengujianHMM2_Speaker);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 155
52. createCodeAllIdentifikasi.m
files=[];
cd (dirAsal{i});
% ambil nama file
filename={};
filename{j}= fileWav(j).name(1:length(fileWav(j).name)-4);
end
files{i}=filename;
cd ..;
end
fid1 = fopen ('codeAllIdentifikasi.scp','w');

targetDirectory =
'C:\Users\detha\Documents\MATLAB\Skripsi\hasil_identifikasi';
fileBaru=files{m};
fwrite(fid1, ['"' srcDirectory dirAsal{m} '\' fileBaru{n}
'.wav" ' '"' targetDirectory '\' fileBaru{n} '.mfc"']);
fprintf(fid1,'\n');
disp(fileBaru{n});
end
end
fclose(fid1);
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 156
53. File codeAllIdentifikasi.scp
"C:\Users\detha\Documents\MATLAB\Skripsi\angga\ANGGA0-1.wav"
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil_identifikasi\ANGGA0-
1.mfc"
2.mfc"
3.mfc"
4.mfc"
5.mfc"
1.mfc"
2.mfc"
3.mfc"
4.mfc"
....
"C:\Users\detha\Documents\MATLAB\Skripsi\yudhi\YUDHI8-3.wav"
"C:\Users\detha\Documents\MATLAB\Skripsi\hasil_identifikasi\YUDHI8-
3.mfc"
4.mfc"
5.mfc"
1.mfc"
2.mfc"
3.mfc"
4.mfc"
5.mfc"
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 157
54. createAllTrainIdentifikasi.m
dirAsal={'hasil'};
files=[];
for j=1:length(dirAsal)
% masuk ke suatu direktori,membaca wavfile
cd (dirAsal{j});
fileWav=dir ('*.mfc');
% ambil nama filenya
filename={};
for i=1:length(fileWav)
filename{i}=fileWav(i).name(1:length(fileWav(i).name)-4);
end
files{j}=filename;
cd ..;
end
fid1=fopen('AllTrainDataIdentifikasi.scp','w');
targetDirectory ='C:\Users\detha\Documents\MATLAB\Skripsi\'; %
directory tujuan
fileBaru=files{m};
fwrite(fid1, ['"' targetDirectory dirAsal{m} '\'
fileBaru{n} '.mfc"']);
end
end
fclose(fid1);
55. File AllTrainDataIdentifikasi
. . .
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 158
56. trainIdentifikasi.m
dos('HCompV -A -f 0.01 -m -S AllTrainDataIdentifikasi.scp -M hmm0

proto');
dos('set CLASSPATH=');
dos('java CloneHMM ./hmm0 model.list2');
dos('HERest -A -t 600.0 -I katatypephone2.mlf -S
AllTrainDataIdentifikasi.scp -H hmm0/hmmdefs -M hmm0 model.list2');
57. codeAllProses.scp
"C:\Users\detha\Documents\MATLAB\Skripsi\dataMasuk1.wav "
"C:\Users\detha\Documents\MATLAB\Skripsi\dataMasuk1.mfc "
58. codeAllProsesSpeaker.scp
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 159
59. File dataTest1.scp
"C:\Users\detha\Documents\MATLAB\Skripsi\dataMasuk1.mfc"


64. File dataTestSpeaker1.scp
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 160
69. File hasilUji1.mlf
#!MLF!#
"./dataMasuk1.rec"
satu
.

#!MLF!#
"./dataMasuk2.rec"
dua
.

#!MLF!#
"./dataMasuk3.rec"
tiga
.

#!MLF!#
"./dataMasuk4.rec"
empat
.
73. File hasilUjiSpeaker1.mlf
#!MLF!#
"./dataMasuk1.rec"
petra
.

#!MLF!#
"./dataMasuk2.rec"
petra
.

#!MLF!#
"./dataMasuk3.rec"
petra
.

#!MLF!#
"./dataMasuk4.rec"
deta
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
LAMPIRAN III
HALAMAN BANTUAN
161
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 162
Pengantar
Program Identifikasi Suara Manusia Sebagai Kata Sandi atau Password ini merupakan
program bantu untuk mengidentifikasi suara manusia yang digunakan sebagai password atau
kata sandi dengan menggunakan pendekatan Hidden Markov Models. Program ini terdiri dari 2
(dua) bagian antara lain :
1. Program untuk pengujian akurasi Hidden Markov Models (HMM). Pada pengujian ini,
jumlah speaker yang digunakan sebanyak 4 (empat) orang dengan masing-masing
speaker memiliki sample suara sebanyak 50 suara.
2. Program untuk identifikasi suara manusia. Bagian ini dapat menjadi contoh untuk
identifikasi suara manusia yang dapat digunakan oleh user. Jumlah speaker yang
digunakan sebagai pemodelan adalah 4(empat) orang. Bagian ini juga dapat digunakan
untuk menguji apakah hasil identifikasi yang dimasukkan user sesuai dengan suara yang
dimasukkan oleh user serta dapat mengidentifikasi speaker yang memasukkan suara
dengan catatan suara speaker terdapat di pemodelan.
Program ini grstis dan dapat digunakan siapa saja. Untuk penggunaan lain dapat
menghubungi penulis di bagian Tentang Penulis.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 163
Fungsi Program
Mengidentifikasi suara manusia dengan masukkan suara berekstensi .wav

Pengujian Hidden Markov Models.
Untuk mendapatkan akurasi terbaik, pada pengujian Hidden Markov Models dilakukan
variasi dari berbagai tipe feature extraction, besar window size dan banyaknya jumlah
state.
Menampilkan confusion matrix, jumlah data yang benar, jumlah data yang salah serta
lamanya waktu yang dibutuhkan untuk pengujian Hidden Markov Models.
Software yang diperlukan
Matlab R2010a
HTK Toolkit
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 164
Cara menggunakan program
Catatan :
Untuk menjalankan program ini, Anda harus menginstal Matlab R2010a pada
direktori C:\
Langkah-langkah menjalankan program :
1. Pastikan computer Anda sudah terinstal Matlab R2010a

2. Buka aplikasi Matlab Anda dan copy folder ‘TA085314025’ ke direktori kerja Matlab
Anda.
3. Jalankan Matlab kemudian run file Matlab ‘depan.fig’
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 165
4. Pada submenu ‘Menu’, Anda dapat memilih pengujian mana yang ingin dilakukan
terlebih dahulu.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 166
Antarmuka Program
Program ini terdiri dari 2 (dua) halaman utama.
1. Halaman Pengujian Sistem

Halaman untuk Pengujian Sistem sendiri terdiri dari tiga tahap.
a. Tahap pertama adalah halaman untuk user memasukkan suara.
b
c
b. Tahap kedua adalah pengujian speech recognition.
d
e h
f g
c. Tahap ketiga adalah pengujian speaker verification.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 167
d
e
f g k
Deskripsi halaman Pengujian Sistem :

a = tombol yang digunakan user untuk merekam suara
b = tombol yang digunakan untuk kembali ke halaman depan
c = tombol yang digunakan untuk melajutkan ke tahap selanjutnya
d = tombol yang digunakan untuk mendengar kembali suara yang telah direkam
e = tombol yang digunakan untuk mengulangi proses rekam apabila hasil rekam tidak
sesuai keinginan
f = tombol untuk memulai proses identifikasi apabila hasil rekam telah sesuai keinginan
g = teks yang menampilkan proses-proses untuk melakukan identifikasi
h = teks yang menampilkan hasil identifikasi suara apa yang diucapkan user
i = tombol untuk mencari tahu pemilik suara
j = tombol untuk kembali ke halaman utama
k = teks yang menampilkan hasil identifikasi pemilik suara
l = tombol untuk kembali ke menu utama atau langsung ke Pengujian HMM

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 168
Langkah-langkah untuk Pengujian Sistem :
Catatan : Karena antarmuka untuk pengujian sistem Speech Recognition dan Speaker
Verification hampir sama maka langkah-langkah dibawah ini dapat digunakan untuk
proses keduanya.
1. Rekam suara Anda sebanyak 4 (empat) kali dengan mengucapkan angka 0-9. Setiap
tombol hanya untuk 1 (satu) angka saja dan setiap user hanya memiliki waktu 3 (tiga)
detik pada setiap tombol.
2. Apabila sudah selesai merekam, Anda dapat melanjutkan ke tahap selanjutnya.
3. Untuk mendengarkan kembali suara yang telah direkam, Anda dapat menekan tombol
seperti pada gambar berikut.
4. Apabila suara yang telah direkam tidak sesuai dengan keinginan, maka Anda dapat
mengulangi proses rekam dengan menekan tombol seperti pada gambar di bawah ini.
5. Apabila suara yang direkam telah sesuai dengan keinginan maka Anda bisa melanjutkan
ke tombol proses.
6. Hasil dari proses identifikasi akan keluar pada kolom yang telah disediakan.
7. Anda dapat memilih tombol seperti pada gambar di bawah ini untuk melanjutkan proses.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 169
2. Halaman Pengujian HMM

Halaman Pengujian HMM terdiri dari 2 (dua) halaman utama.
a. Halaman Pengujian HMM untuk Speech Recognition
a b g
c
d
e
f
\
h
b. Halaman Pengujian HMM untuk Speaker Recognition
a b
c
d j
e f
h
i
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 170
Deskripsi Halaman Pengujian HMM

a = teks yang berisikan tentang keterangan data yang diproses
b = kolom yang berisi tipe feature extraction yang dapat dipilih user
c = pilihan untuk memilih besar window size
d = pilihan untuk memilih ukuran jumlah state
e = tombol untuk memulai proses pengujian Hidden Markov Models
f = teks yang menampilkan proses-proses untuk melakukan Pengujian HMM
g = confusion matrix untuk Pengujian HMM pada Speech Recognition
h = teks yang menampilkan hasil pengujian yang di dalamnya terdapat keterangan

jumlah data yang benar, jumlah data yang salah, waktu yang diperlukan untuk pengujian,
dan tingkat akurasi yang berupa persentase.
i = tombol-tombol yang digunakan untuk meneruskan ke pengujian atau kembali ke
halaman utama
j = confusion matrix untuk Pengujian HMM pada Speaker Recognition
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 171
Langkah-langkah untuk Pengujian HMM
Catatan : Karena antarmuka untuk pengujian HMM Speech Recognition dan Speaker
Verification hampir sama maka langkah-langkah dibawah ini dapat digunakan untuk
proses keduanya.
1. Pilih jenis feature extraction, besar window size, dan jumlah state sesuai dengan
kebutuhan pada kolom seperti pada gambar di bawah ini.
2. Apabila sudah memilih feature extraction, window size, dan jumlah state maka tekan
tombol proses
3. Setelah data selesai diproses maka akan muncul hasil data yang benar, hasil data yang
salah, lamanya waktu yang diperlukan untuk proses data serta persentase akurasi data
yang diproses,
4. Apabila proses telah selesai maka Anda dapat memilih langkah selanjutnya pada
tombol seperti pada gambar di bawah ini
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI 172
Kontak Penulis
Apabila ada pertanyaan atau saran demi kemajuan program ini, Anda dapat
mengirimkan pesan Anda ke kontak di bawah ini :
= @petrav69
= petrava69@yahoo.com atau petravandOwl@gmail.com

Full

Uploaded by

Copyright:

Available Formats

You might also like

Full

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Full

Uploaded by

Copyright:

Available Formats

PLAGIAT

IDENTIFIKASI SUARA MANUSIA SEBAGAI KATA SANDI ATAU

PASSWORD MENGGUNAKAN METODE HIDDEN MARKOV MODELS

Diajukan untuk Memenuhi Salah Satu Syarat

PETRA VALENTIN WAHYUNINGTIAS

HALAMAN JUDUL BAHASA INDONESIA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

HUMAN VOICE IDENTIFICATION AS A PASSWORD

USING HIDDEN MARKOV MODELS

Presented as Partial Fulfillment of the Requirements

PETRA VALENTIN WAHYUNINGTIAS

HALAMAN JUDUL BAHASA INGGRIS

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

’’ DO WHAT YOU LOVE

LOVE WHAT YOU DO..”

This thesis belongs to…

Jesus Christ, my Saviour, my Life, my Eternal Love and my Power..

My parent, my spring, my joy, my life..

Thank you for give me a chance to feel the world..

My friends and Audrey..

Thank you guys for stay with me..

dikembangkan sebuah sistem yang dapat mengidentifikasi secara otomatis suara

manusia dengan menggunakan pendekatan Hidden Markov Models (HMM) dan

ekstraksi ciri Mel-frequency Cepstral Coefficients (MFCC). Secara umum HMM

digunakan untuk signal processing dan speech processing sedangkan MFCC

Penelitian ini menggunakan suara manusia yang terdiri dari 4 (empat)

speaker(pembicara) yang terdiri dari 2 laki-laki dan 2 perempuan. Pembagian data

Hasil pengujian yang didapatkan dari proses identifikasi dengan berbagai

Mel-frequency Cepstral Coefficients (MFCC). Generally HMM is use for signal

separeted unsing 5-fold cross validation.

The highest result of identification using any combination of feature,

sangat berharga sehingga penulis dapat menyelesaikan skripsi dengan judul

“Identifikasi Suara Manusia Sebagai Kata Sandi atau Password

Menggunakan Metode Hidden Markov Models“.

Dalam kesempatan ini, penulis juga ingin mengucapkan terima kasih

sebesar-besarnya terhadap semua pihak yang telah memberi dukungan dan

semangat sehingga skripsi ini dapat selesai :

dan dosen pembimbing akademik Teknik Informatika kelas A angkatan

2008. Terima kasih atas semua bantuan , bimbingan, pengorbanan waktu,

kesabaran, ilmu serta semangat yang telah diberikan.

serta kesabarannya dalam menghadapi mahasiswa.

kritik yang telah diberikan.

4. Seluruh Dosen Teknik Informatika yang selama masa kuliah telah

membagikan ilmu dan pengetahuannya yang sangat berguna bagi penulis.

5. Laboran Laboratorium Komputer, Tinus dan Fidi. Terima kasih atas

bantuan dan dukungannya.

Bu Linda. Terima kasih atas bantuan dan kesabarannya menghadapi

penulis sehingga berbagai prosedur dapat diselesaikan dengan baik dan

untuk semua kasih sayang dan perhatian yang tak terhingga.

telah ada di dunia ini.

segala dukungan dan semangat serta kesabaran yang telah diberikan

sehinggan skripsi kita selesai.

seluruh teman-teman Teknik Informatika angkatan 2008. Terima kasih

bantuannya untuk ‘break’ ke negri sebrang sehingga skripsi ini dapat