Pengenalan suara manusia menggunakan metode Linier Predictive Coding (LPC)

Anam, Khoirul (2013) Pengenalan suara manusia menggunakan metode Linier Predictive Coding (LPC). Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.

[img]
Preview
Text (Fulltext)
06550095.pdf - Accepted Version
Available under License Creative Commons Attribution Non-commercial No Derivatives.

Download (1MB) | Preview

Abstract

INDONESIA:

Pengenalan suara adalah teknologi masa depan yang menggantikan cara interaksi manusia dengan komputer dengan menggabungkan beberapa disiplin ilmu seperti pengenalan sinyal dan pengenalan pola. Dimana interaksi user dengan sistem dapat dilakukan dengan memberikan inputan suara.

Linier Predictive Coding (LPC) adalah salah satu metode parametrik yang digunakan untuk merepresentasikan sinyal. Umumnya LPC digunakan karena menyediakan pemodelan yang baik untuk sinyal suara, LPC dapat dengan mudah dan langsung diterapkan baik secara perangkat lunak maupun perangkat keras karena perhitungan matematis yang dilibatkan realtif lebih singkat dari metode-metode yang dikenal sebelumnya.

Fast Fourier transform (FFT) menjadi penting untuk bermacam–macam aplikasi, dari pengolahan sinyal digital dan memecahkan persamaan diferensial parsial menjadi algoritma-algoritma untuk penggandaan bilangan integer dalam jumlah yang banyak.

Secara garis besar, cara kerja sistem pengenalan suara ini ialah mula-mula sinyal suara manusia yang diterima dengan menggunakan microphone (sinyal analog) dicuplik sehingga menjadi sinyal digital dengan bantuan sound card pada komputer. Sinyal digital hasil cuplikan ini terlebih dulu dinormalisasi kemudian diproses awal menggunakan metode LPC sehingga didapat beberapa koefisien LPC yang merupakan feature (ciri) dari suara pembicaraan. Kemudian koefisien LPC tersebut diproses dengan Fast Fourier Transform (FFT) untuk mendapatkan sinyal pada domain frekuensi. Hal ini bertujuan agar perbedaan antar pola kata yang satu dengan yang lain terlihat lebih jelas sehingga ekstraksi parameter sinyal memberikan hasil yang lebih baik. Hasil keluaran FFT ini akan di compare sebagai fungsi utama dari sistem untuk proses pengenalan.

ENGLISH:

Recognition of voice is future technology which substitute the way of human interaction with computer by combine some knowledge discipline like introduction of signal and format. where user interaction with system can be done by giving voice input.

Linear Predictive Coding (LPC) is one of parametric method which is use for signal presentation. Generally, LPC used because provide good modeling for voice signal. LPC can be easily and directly be applied either by software or hardware because mathematical calculations which involved relative shorter than the previously methods known.

Fast Fourier transform (FFT) become important for any kind application, from digital signal process and solving partial differential equations into algorithms for integer multiplication in significant amounts.

In outline, the workings of the voice recognition system is first human voice signal which receive by microphone (analog signal) sampled so that become digital signal helped by sound card in computer. sample of digital signal normalized first then processed with LPC method in order to get some of the LPC coefficients which is feature from speech voice. Then that LPC coefficients processed with Fast Fourier Transform (FFT) in order to get signal in frequency domain. it is instead that the different between each pattern of word looks more clearly so that signal parameter extraction gives better results. The result from this FFT will compare as main function from system for recognize process.

Item Type: Thesis (Undergraduate)
Supervisor: Chamidy, Totok and Nurhayati, Hani
Keywords: Linier Predictive Coding; Fast Fourier Transform; Compare
Departement: Fakultas Sains dan Teknologi > Jurusan Teknik Informatika
Depositing User: Dellavia Azzahra Permata Putri
Date Deposited: 25 Jul 2017 03:27
Last Modified: 25 Jul 2017 03:27
URI: http://etheses.uin-malang.ac.id/id/eprint/7376

Actions (login required)

View Item View Item