LAMPIRAN 2

CONTOH PERHITUNGAN EKSTRAKSI FITUR DAN ALGORITMA

JARINGAN SARAF TIRUAN PADA PENELITIAN INI

A. ANALISIS SINYAL DENGAN METODE LPC

Misalkan

suatu

sinyal

yang

panjangnya

16

point

memiliki nilai: S = [10 15 20 25 30 35 30 25 10 15 20 25 30 35 30 25].

Maka langkah-langkah analisis LPC untuk sinyal tersebut
adalah sebagai berikut.

1. Pre-emphasis
~
s (0) = s (0) =10
~
~s (0) =15 (0.9378 )(10 ) = 5.731
s (1) = s (1) a
~
s =[10 5.7 5.9 6.2 6.6 6.9 2.8 3.1 13 .5 5.7 5.9 6.2 6.6 6.9 2.8
3.1 13 .5]

2. Frame Blocking
Jika ~
s dibagi menjadi frame-frame yang memuat N
buah

sampel

dan

dipisahkan

sejauh

buah

dimana N = 16 dan M = 5 maka:

Frame ke-1 terdiri dari s (0) sampai s (15 )

Frame ke-2 terdiri dari s (5) sampai s ( 20 )

Dan seterusnya.

sampel,

3. Windowing
2.0
w(0) = 0.54 0.46 cos
= 0.09
16 1
w =[0.08 0.12 0.16 0.40 0.59 0.77 0.91 0.99 0.08 0.12 0.16 0.40 0.59 0.77
0.91 0.99 ]

Sinyal hasil pre-emphasis lalu dikalikan dengan fungsi

window-nya masing-masing.
~
x l (0) = ~
s (0) w(0) = (10 )( 0.08 ) = 0.8
~
x l =[0.8 0.69 0.92 2.48 3.86 5.29 2.58 3.10 13 .31 5.23 4.57 3.67 2.61 1.06
0.34 0.25 ]

4. Analisis autokorelasi
Misalkan

orde

LPC

yang

digunakan

autokorelasi

untuk

adalah

maka

perhitungan

frame

yang telah melalui windowing adalah:

p =4,

masing-masing

15

rl (0) = ~
xl ( n) ~
xl ( n + m) = ~
xl (0) ~
x l ( 0) + ~
xl (1) ~
xl (1) + ... + ~
xl (15 ) ~
xl (15 ) =314 .120
n =0

14

rl (1) = ~
xl ( n) ~
x l ( n + m) = ~
x l ( 0) ~
xl (1) + ~
xl (1) ~
xl (2) + ... + ~
xl (14 ) ~
xl (15 ) =52 .248
n =0

demikian

seterusnya

sehingga

didapatkan

hasil autokorelasi yaitu:

rl =[314 .120 52 .248 16 .107 139 .181 81 .832 ]

5. Analisis LPC

p +1

buah

Pada analisis LPC, pengulangan yang akan dilakukan

untuk i berjumlah sebanyak harga orde LPC.
i =1
E ( 0 ) = rl (0) = 314 .120
k1 =

1(1)

rl (1) 0 52.248 0
=
= 0.166
314 .120
E (0)
= k1 = 0.166
2

E (1) = (1 k1 ) E ( 0 ) = 305 .464

i =2
k2 =

2( 2 )

r (2) 1(1) r (1) 16 .107 (0.166 )(52 .248 )

=
= 0.08
305 .464
E (1)
= k 2 = 0.08

1( 2 ) = 1(1) k 21(1) = 0.166 ( 0.08 )( 0.166 ) = 0.179

2

E ( 2 ) = (1 k 2 ) E (1) = 303 .509

demikian seterusnya sampai i = 4 sehingga didapatkan:

a1 = 1( 4 ) = 0.075
a 2 = 2( 4 ) = 0.002
a 3 = 3( 4) = 0.412
a 4 = 4( 4 ) = 0.159

6. Mengubah ke koefisien cepstral

c1 = a1 + 0 = 0.075
1
c 2 = a 2 + c1 a1 = 0.0008125
2
1

2
c3 = a3 + c1 a 2 + c 2 a1 = 0.412
3
3

2
1
c 4 = a 4 + c1 a 3 + c 2 a 2 + c3 a1 = 0.159
4
4
4

B. TRANSFORMASI DENGAN METODE FFT

x = [0.075

0.0008125

- 0.412

- 0.159]

N 1

X (1) = x( n)e j 2n / N = -0.6452

n =0

N 1

X (2) = x (n)e j 4n / N = 0.3370 - 0.1598i

n =0

N 1

X (3) = x ( n)e j 6n / N = - 0.3288

n =0

N 1

X (4) = x( n)e j 8n / N = 0.3370 + 0.1598i

n =0

C. ALGORITMA BACK PROPAGATION

1. Inisialisasi bobot keterhubungan

v 01 = 0.1; v11 = 0.2; v 21 = 0.1 v31 = 0.5 v 41 = 0.1 w 01 = 0.1 w 11 = 0.2

2. Selama

kondisi

berhenti

tidak

dipenuhi

kerjakan

langkah 3-10.
3.

Untuk setiap pasangan pelatihan lakukan langkah 49.

4.

x1 = 0.6452 ; x 2 = 0.3370 ; x3 = 0.3288 ; x 4 = 0.3370 ;

5.

z _ in 1 =v 01

x v
i

z1 = f ( z _ in1) =

6.

i1

=v 01 +x1 v11 +x 2 v 21 +x 3 v 31 +x 4 v 41 =0.1934

i=
1

y _ in 1 =w01

2
1 = 0.0964
1 + exp( (0.1934 ))

zw

j=
1

y1 = f ( y _ in1) =

j1

=w01 +z1 w11 =0.0807

2
1 = 0.0403
1 + exp( 0.0807 )

7. 1 = (t1 y1) f ' ( y _ in1) = (1 + 0.0403 )(

1
[1 + 0.0807 ][1 0.0807 ]) = 0.5168
2

w11 = 1 z1 = (0.1)( 0.5193 )( 0.0964 ) = 0.0050

w01 = 1 = (0.1)( 0.5193 ) = 0.0519
m

8. _ in1 = kwj1 = 1w11 = (0.5193 )( 0.2) = 0.1039

k =1

1
1 = _ in1 f ' ( z _ in1) = 0.1039 ( [1 0.1934 ][1 + 0.1934 ]) = 0.0500
2
v11 =1 x1 = (0.1)( 0.0500 )( 0.6452 ) = 0.0032

v 21 = 0.0017 ; v31 = 0.0016 ; v 41 = 0.0017

v 01 = 1 = (0.1)( 0.0500 ) = 0.0050

9.

w11 (t + 1) = w11 (t ) + 1 z1 + [ w11 (t ) w11 (t 1)] = 0.2 + (0.0050 ) + 0.8(0.2 0) = 0.355

v11 (t + 1) = v11 (t ) + 1 x1 + [ v11 (t ) v11 (t 1)] = 0.2 + (0.0032 ) + 0.8(0.2 0) = 0.3568

w01 (t +1) = 0.2319

v 01 (t +1) = 0.154 ; v 21 (t +1) = 0.1817 ; v31 (t +1) = 0.9016 ; v 41 (t +1) = 0.1783

10. Uji kondisi berhenti.

D. ALGORITMA SELF ORGANIZING MAPS

1. Insialisasi bobot keterhubungan dan alpha = 0.6
0.2 0.8
0.6 0.4

0.5 0.7

0.9 0.3

2. Lakukan langkah 3-7 selama kondisi berhenti tidak

dipenuhi
3. Untuk setiap vektor input lakukan langkah 4-6
4. Vektor input: [-0.6452 0.3370 -0.3288 0.3370]
D(1) = (0.2 + 0.6452)2 + (0.6 - 0.3370)2
+(0.5 + 0.3288)2 +(0.9 - 0.3370)2 = 1.7874
D(2) = (0.8 + 0.6452)2 + (0.4 - 0.3370)2
+(0.7 + 0.3288)2 +(0.3 - 0.3370)2 = 3.152
5. D(1) bernilai minimum sehingga J = 1
6. Bobot untuk unit pemenang diperbarui:

wij ( new ) = wij (old ) + xi wij (old ) = 0.4 wij (old ) + 0.6 xi

sehingga matriks bobot menjadi :

0.4671
0.0378

0.3973

0.1578

0.8
0.4

0.7

0.3

7. Update bobot pembelajaran

= 0.5(0.6) = 0.3

8. Kurangi radius pada kondisi yang telah ditentukan.

9. Uji kondisi berhenti.