Академический Документы
Профессиональный Документы
Культура Документы
KERANGKA TEORITIK
A. Deskripsi Konsep
tingkat pengenalan.
12
M. J. Roberts, Signals and Systems Analysis Using Transform
Methods and Matlab, (New York: McGraw-Hill, 2004), h. 1.
12
13
encoding.
disebuah sinyal.14
13
Ibid., h. 2.
14
Ibid., h. 503.
14
15
Mark Csele, WAV File Format Descriptions, http://rti7020.etf.bg
ac.yu/rti/ir1pp2/domaci/WavFileFormat.html, 25 Maret 2005.
15
vocal tract.
persamaan preemphasizer:
~
s (n) = s( n)− a~s (n − 1) (1)
16
Wil Howitt, Op. Cit.
17
Resmana dan Rudy Adipranata, “Pengenalan Suara Manusia Dengan
Metode Jaringan Saraf Tiruan Back Propagation Berbasis PC”,
Dimensi Teknik Elektro, Vol 34, (Februari, 1999), h. 31.
17
frame.
2πn
w(n) = 0.54 − 0.46 cos , 0 ≤ n ≤ N −1 (2)
N −1
Hasil yang didapatkan lalu dikalikan dengan sampel.
windowing ~
xl (n) dengan persamaan:
N −1− m
rl (m) = ∑ ~x (n) ~x (n + m)
n =0
l l (3)
E ( 0) = r (0) (4)
m −1
r ( m ) − ∑ α (j m−1) r ( m − j )
km =
j =1 , 1≤ m ≤ p (5)
E ( m−1)
α m( m ) = k m (6)
α (m)
j =α ( m −1)
j − k mα ( m −1)
m− j , 1 ≤ j ≤ m −1 (7)
E (m)
(
= 1− k E 2
m ) ( m −1)
(8)
dengan r (0) adalah hasil autokorelasi, E (m ) adalah
m −1
k
c m = a m + ∑ c k a m − k , 1 ≤ m ≤ p (9)
k =1 m
m −1
k
c m = ∑ c k a m − k , m > p (10)
k =1 m
dan lain-lainnya.
A.3.a. DFT
N −1
X (k ) = ∑ x(n)e − j 2πnk / N , j = − 1 (11)
n =0
DFT menghasilkan serangkaian N buah nilai yang
18
Chris Rowden, Speech Processing, (Berkshire: McGraw-Hill, 1992),
h. 48.
19
Ibid.
20
berikut.20
N −1
1
x ( n) =
N
∑ X ( k )e
k =0
j 2πnk / N
, j = −1 (12)
A.3.b. FFT
N2 2N
= (13)
Np / 2 p
seperti yang terhitung pada tabel 1.
20
Ibid., h. 49.
21
M. J. Roberts, Op. Cit., h. 553.
21
22
Laurene Fausett, Op.Cit., h. 3.
22
menyelesaikan masalah.
23
Ibid., h. 3.
24
Ibid., h. 12.
23
w 11
X1 w i1
Y1
w n1
w 1j
Xi w ij Yj
w nj
w 1m
w im
Xn Ym
wnm
v11 w 11
X1 vi1 Z1 w i1 Y1
vn1 w p1
v 1j w1k
Xi v ij Zi wjk Yk
v ij wpk
v 1p w1m
Xn v ip Zp wjm Ym
vnp wpm
keluaran.25
B. Kerangka Teori
B.1. MBPNN
yang diharapkan).
26
Y1 Yk Ym
w01 w 0k w
w11 w j1 wp1 1k wjk w pk
w pm
w0m w 1m
w jm
1 Z1 Zj Zp
v i1 v 0j v1j
v01 v11 v n1 vnj vnp
vij
v 0p v 1p v ip
1 X1 Xi Xn
27
Ibid., h. 305.
27
mundur.
yang kecil.
langkah 3-10.
4-9.
28
Ibid., h. 294.
28
tersembunyi.
n
z _ inj = v 0 j + ∑ xivij (14)
i =1
memakai fungsi aktivasi untuk menghitung sinyal
keluarannya,
zj = f ( z _ inj ) (15)
dan mengirimnya ke semua unit di lapisan di atasnya
(unit keluaran).
p
y _ ink = w0 k + ∑ zjwjk (16)
j =1
memakai fungsi aktivasi untuk menghitung sinyal
keluaran.
yk = f ( y _ ink ) (17)
(Tahap alur mundur)
m
δ _ inj = ∑ δkwjk (21)
k =1
menghitung informasi kesalahan,
∆v 0 j = αδj (24)
(tahap penyesuaian bobot)
bias,
[ ]
w jk (t + 1) = w jk (t ) + αδ k z j + µ w jk (t ) − w jk (t − 1) (25)
Masing-masing unit tersembunyi mengganti bobot dan
bias29
[ ]
vij (t + 1) = vij (t ) + αδ j xi + µ vij (t ) − vij (t − 1) (26)
dengan μ adalah parameter momentum yang bernilai di
antara 0 dan 1.
referensi.
29
Ibid., h. 305.
30
Ibid., h. 299.
30
n
z _ inj = v 0 j + ∑ xivij (27)
i =1
memakai fungsi aktivasi untuk menghitung sinyal
keluarannya ,
zj = f ( z _ inj ) (28)
dan mengirimnya ke semua unit di lapisan di atasnya
(unit keluaran).
p
y _ ink = w0 k + ∑ zjwjk (29)
j =1
aktivasi,
yk = f ( y _ ink ) (30)
difenisikan sebagai
2
f ( x) = −1 (31)
1 + exp(− x)
dengan
1
f ' ( x) = [1 + f ( x)][1 − f ( x)] (32)
2
B.2. SOM
target pembelajaran.
31
Ibid., h. 292.
32
Y1 Yj Ym
w 1j w ij w nj w 1m
w n1
w i1 w im w nm
w 11
X1 Xi Xn
langkah 3-7.
32
Ibid., h. 170.
33
n
D( j ) = ∑ (Wij − xi ) 2 (33)
i =1
5. Tentukan J sehingga D(J) bernilai minimum.
[
wij (new) = wij (old ) + α xi − wij (old ) ] (34)
7. Ganti laju pembelajaran.
pembelajaran.
n
D( j ) = ∑ (Wij − xi ) 2 (35)
i =1
3. Cari unit pemenang yaitu unit yang memiliki nilai
D( j ) minimum.
pemenang.
C. Kerangka Berpikir
33
Sri Kusumadewi, Artificial Inteligence, (Yogyakarta: Graha
Ilmu, 2003), h. 276.
34
dalam pengenalan.
maksimum.
D. Rumusan Hipotesis