Pengukuran Komponen Analisa Suara

FinalPrevocalic/r/

3.2 Pengukuran Komponen Analisa Suara

Setiap terapi wicara memiliki tujuan yang berbeda

-

^beda ^tergantung ^dari

hasil analisa patologi wicara (Speech Patology ) atau kelainan apa yang diderita oleh pasien. Masalah umum yang teijadi pada kemampuan bicara yaitu pada 3 komponen utama (respitory, loundness, dan articulation)^. Komponen analisa

suara

ini juga harus mempertimbangkan adaptasi penggunaannya dalam sebuah game,karena gameterapi wicara ini bukan juga berupa sebuah alat terapi klinis yang dapat dipergunakan untuk menganalisa dan mengukur kondisi kemampuan bicarasecaramenyeluruh dandetail.

3.2.1 Kekerasan Suara ( Loudness)

Tingkat kekerasan

suara

(loudness) digunakan untuk mengukur kekuatan pengucapandengan satuan decibel(dB)

.

Pada game terapi wicaradibuat sebuah skenario yang digunakan untuk ‘memaksa’ pengguna mengatur dan mengendalikan tingkat kekerasan suaranya dengan mengukur serta menampilkan pesan

suara

terlalu keras (berteriak) atau

suara

terlalu pelan (berbisik) sebagai umpan balik pada pemain. Adaptasi dalam skenio game bisa juga untuk melatih dan meningkatkan kekuatan bicara dengan menyuruh pemain berteriak sekeras

-kerasnya bentuk permainan tertentu.

Analisa

suara

yang harus dilakukan pada penggunaan Loudness sebagai komponen game terapi wicara yaitu denga mengukur nilai Max ⁽suara dengan

katagori keras seperti berteriak), Min (suara dengan karagori berbisik, Normal (atausuaradengan klasfikasi berbicara biasa).

Pengujian untuk mencari nilai Min dan Max suara tersebut dapat dilakukan dengan carasampling suara menggunakan microphonestandard game dengan jarak 3cmdari mulut.

PengukuranMax

1. Ambil Sampling Suara dengan

suara

berteriak. 2. Ukur amplitudo masing

-

^masing^sampling

3. HitungMax

=

Nilai rata

-

^rataamplitudo sampling

PengukuranMin

1. Ambil SamplingSuara suaraberbisik 2. Ukur amplitudo masing

-

masing sampling

3. HitungMin

=

Nilai rata

-

^rataamplitudo sampling 3.2.2 Respiratory

Kualitas

suara

ditentukan juga oleh sistem pemafasan. Panjangpendeknya suara yang dapat dihasilkan tergantung juga dari kapasitas dalam menghirup udara.Lama suaraini dapat digunakan sebagai salah satu komponen analisa.

Seorang pemain disuruh untuk berteriak selama mungkin dengan menyebutkan vokal tertentu. Pada tampilan visual game akan secara langsung memberikan umpan balik berupa tampilan animasi yang mengindikasikan progressdari lama teriakannya.Jika sempai batas‘Normal’ tertentu maka pemain akan mendapatkan reward berupa pesan kemenangan atau misi pada permainan tersebuttelah tercapai.

Pengujianyangharus dilakukan adalahmencari lamarata

-

^rata^{anak dapat}

mengeluarkanbunyi tertentuatau

suara

(vokal)

.

Berikut langkahnya:

.

AmbilSamplingSuara

2. Ukur lamamasing

-

masing sampling 3. HitungY

=

Nilai rata

-

^rata^lama^sampling

3.2.3 Pengukuran Articulation

Artikulasiatau tingkatketepatanpengucapan kataataukalimatmerupakan

menentukan dalam sebuah komunikasi verbal, apakah sebuah pesan dapat dibuat dandikirim dengan baik atau tidak.

Teknik yang digunakan untuk mengukur tingkat ketepatan pengucapan adalah dengan membandingkan suara normal dengan suara uji pada pengucapan kata tertentu. ASR (Automatic Speech Recognition) ini dapat digunakan untuk mengukur tingkat akurasi pengucapan dengan salah satu metode yang digunakan adalah Hidden Markov Model⁽HMM).

Pengujian awal dilakukan dengan menggunakan HTK (Hidden Markov Model Tool Kit) Versi 3.1 yang digunakan untuk mengukur akurasi pengenalan

suara

dengan menggunakan peralatan komputer untuk game standard dengan kondisi ruangan terbuka dan sensitifitas microphone standard pula. Pengujian dilakukan dengan menggunakan fungsi

-

^fungsi ^yang ada pada HTK dengan pembagian tahapan seperti yang ada pada gambarberikutini:

Speech input

i

Testinginput Traininginput

Preprocessing Preprocessing

I

Feature extraction Featureextraction

HMM evaluation HMMevaluation

^

Viterbi algorithm Database

Recognized speaker &word

Gambar 3.2Tahapan TrainingdanPengujian dengan HTK

Proses pengenalan

suara

dibagi menjadi 2 tahapan, yaitu training dan pengujian

.

Tahapan training digunakan untuk membuat sebuah ^database yang

berisi pola suara yang akan digunakan sebagai acuan atau cetakan (template ).

Proses training dilakukan dengan mengolah data

suara

^‘normal^’ beberapa kali sesuaidengantingkat akurasi yang diharapkan dengan proses Training Input, pre

-processing

,

Feature Extraction

,

HMM Evaluation, dan terakhir masuk ke Database.

Sedangkan tahap kedua yaitu proses pengujian atau pencocokan input suara yang akan diuji dengan dengan database

suara

yang telah dibuat. Langkah yang dilakukan pada proses pencocokan ini sebagian sama dengan proses yang ada pada training yaitu: proses Training Input

,

pre

-

^processing^, ^Feature

Extraction, dan HMM Evaluation. Setelah langkah tersebut terdapat langkah tambahan yaitu Viterbi Algorithm untuk prosespencocokanpada database. Proses terakhir akan didapat hasil pengenalansuaraataukata.

.

Creationof TheTrainingCorpus

Sebagai tahapan awal untuk pembuatan corpus, dilakukan proses perekaman

suara

yang akan dijadikan pola suara. Perekaman suara bisa dengan menggunakan tool apa saja, tetapi suara harus bisa diberi label untuk menandai setiap bagiansuara.

Training Corpus

(sig)

Training Label

HSLab

+

USER

*

(.lab) Gambar3.3 ProsesRecordingdanPemberian Label

Prosesrecording dan pemberianlabel dilakukandenga menggunakan toolHTK dengan perintah:

HSLab nama

_

suara

.

sig

Hasildai prosestersebut berupa 2jenis fileyaitu .sigyangmerupakanfile

suara

digital dan.lab yang merupakan file penanda atau label. Proses pemberian label dilakukan dengan menandai area

suara

(isolated word) yang akan digunakan,

contoh label “yes”.Sedangkan

suara

yangmengapit diberi label“sil”

.

b. Acoustical Analysis

Hasil perekamansuara padaprosespertamatersebuttidakbisa digunakans secara langsung. Sinyal

suara

dikelompokan kembali dalam dalam frame dengan panjang antara 20ms hingga 40ms. Setiap frame akan akan dilipatgandakan denganwindow function^.

Confi

-

^Script

File guration

File

Training Corpus (.mfcc) Training

Corpus ( sig)

*

_HCopy

Gambar 3.4KonversiData Training

Perintah HCopy padaHTK

Hcopy-A -D -Canalysis.conf -Sflletarget.txt

Pada proses tersebutditentukan terlebih dahulukoefisien framingyangdisimpan padafileanalysis.conf^.Sedangkanflletarget.txt berisi file

suara

sumber dan target yangakandibuatdaridatatraining^,

c

^. HMMDefinition

Sebelum dilakukan proses training, dilakukan proses pendefinisian topology penempatan dan hubunganStatedengantopology dasar sebagai berikut:

a₂₂ _a

33 a₄₄ a₅₅

ai

*^{ ^b²

$

a_!₃

a₅₆ a₂₄

Gambar3.5 TopologyDasar Network

Langkah utama dalam pendefinisian ini adalah jumlah state yang digunakan dan perpindahan state sebagai bentuk fungsi observasi yang diasosiasikan pada masing

-

masing state.Pada topologydasar diatas menggunakan 6 state untuk 3 HMM sehingga akan didapat 6x6 matrix atau 36 kemungkinan transisi.

d^. HMM Training

Prosestraining dilakukan dengan prosedur sebagai berikut:

/ HMM(N)

Prosesberbenti sctclah berulang HMM(i

-

ⁿ_>

^^/Convergence Training

Procedure

Prototype

^ Inisialisasi ^HMM⁽^O⁾ ^True

Test N x

False i=i+l

Gambar3.6 Prosedur Training HMM

Tahap pertama dari prosedur tersebut adalah inisialisasi training untuk menentukan data training dan inisialisasi dariprototypehmm

Training Corpus

(sig)

Training Corpus (.mfee⁾

Prototy pe hmm

inisialis

*

_HInit asi

NamadanLabel

Gambar3.7 InisialisasiTraining

Training Corpus (.mfcc) Training

Corpus ( sig) Hmm(i

-

^{l )}

Hmmi / deskripsi HRest

Variance Floor

Nama dan Label

Gambar 3.8 Re

-

Estimasi Iterasi Pada Training

Prosedur ini diulang beberapa kalisesuaidenganjumlah training yang dibutuhkan hingga kondisinya mencapaiconvergen.

e. TaskDefinition

Sebelum menggunakan model word, harus didefiniskan dahulu arsitektur dasar dari recognizer (task grammar).Berikut contohgrammardari isolated word Yes.

SWORD

=

^YES^;

({START

_

SIL} [SWORD]{END

_

SIL})

VariabelWORDdapatberisikata

-

^{kata yang}^menjadi^bahan^untukdikenab dengan sebelumnya dilakukan proses training pada kata tersebut^. Selain mendefiniskan grammarsebagai

acuan

prosespencocokan, didefiniskanjugatask network yang mengkombinasikanantaramodel hmmdengangrammar dandictionary (kamus).

Gambar 3.9 Recogniser

=

Network+ Dictionary +HMMs

f. Recognition

Untuk melakukan pengenalan suara, suara yangakan diuji diproses seperti pada awal membuat Corpus dengan data training (acoustical analysis step) sehingga didapat acoustical observation. Prosespencocokan dengan menggunakan metode viterbi.

g. Perfomance Test

Evaluasi perfomansi pengenalan

suara

harus dapat diukur dengan data yang berbeda padacorpus.Hasil dari pengujian akan didapat tingkat akurasi dari sistem yangtelah dibuat.

Teknologi SepuluhNopember

Teknologi SepuluhNopen Teknologi

SepuluhNopember Teknologi

SepuluhNopember eknologi

iepuluh Nopember

FT 5

Institut Teknoloj Sepuluh Institut

Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember

I

Ir Institut

Institut Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember

Teknologi

SepuluhNopember S

Institut Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember Institut

Teknologi Sepuluh Nopember Institut

Teknologi SepuluhNopember Institut

Teknologi Sepuluh Nopember er

Institut Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember Institut

Teknologi Sepuluh Nopember Institut

Teknologi SepuluhNopember opember

institut Teknologi Sepuluh Nopemtx Institut

Institut Teknologi SepuluhNopember Institut

Teknologi Sepuluh Nopember Institut

Teknologi SepuluhNopember

itut Teknologi

lologi

uluh Nopember SepuluhNopember

Institut Teknologi SepuluhNc Institut

Teknologi SepuluhNopember Institut

Teknologi Sepuluh Nopember Institut

Teknologi Sepuluh Nopember

B ^FT

_Insti

Institut Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember

Teknologi Tekn SepuluhNopember Sepi

H

Institut Teknologi

puk

^

^Nopember

Institut Institut

Institut Teknologi Institut

Teknologi SepuluhNopember

Teknologi Teknologi

Sep

P

Institut Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember Institut

Teknologi SepuluhNopember

;mber

>

Institut

Teknologi SepuluhNopember institut

Teknologi Sepuluh Nopember Institut

Teknologi SepuluhNopember

Institut Teknologi SepuluhNopember

institut Teknologi SepuluhNopember t

ogi ih Nopember

FT 5

BAB 4

Dalam dokumen Analisis Suara Untuk Menentukan Level Otomatis Game Terapi Wicara Pada Anak Autis (Halaman 50-59)

FinalPrevocalic/r/

3.2 Pengukuran Komponen Analisa Suara

-

suara

suara

.

suara

suara

suara

suara

-

=

-

-

=

-

suara

-

suara

.

.

-

=

-

suara

-

i

I

^

suara

.

suara

,

,

suara

,

-

.

suara

+

*

_

.

suara

suara

suara

.

suara

-

*

suara

c

ai

$

-

-

*

-

-

=

_

_

-

acuan

=

suara

FT 5

I

B FT

H

^

P

>

FT 5

B ^FT