Sin θ = 0,707 udara
PENDETEKSI FASE
3.4 Proses Pengenalan dengan Metode HMM
Untuk menampilkan nama jenis ikan yang akan didentifikasikan atau dikenal (recognized) dilakukan dengan menggunakan metode Hidden Markov
Model (HMM) yang diproses dengan menggunakan perangkat lunak MATLAB
ver 7. Diagram blok proses pengenalan dapat dilihat pada tinjauan pustaka pada Gambar 18. Selama ini untuk membandingkan perbedaan gelombang perubahan fase dari setiap jenis kawanan ikan dilakukan dengan menampilkan spektrum frekuensi dari masing-masing jenis ikan. Metode ini tidak dapat menampilkan nama jenis ikan yang dikenal secara langsung. Untuk mengatasi hal tersebut digunakan metode Hidden Markov Model, salah satu metode Kecerdasan Tiruan
(Artificial Intellegent).
Sebelum proses pengenalan dilakukan, terlebih dahulu dibangun basis data untuk menyimpan data codeword dan parameter HMM dari beberapa jenis kawanan ikan untuk 20 (dua puluh) bentuk gelombang. Parameter-parameter di dalam basis data selanjutnya digunakan sebagai pembanding dalam proses pengenalan. Proses ekstraksi adalah proses pemenggalan gelombang sedemikian rupa agar diperoleh pengenalan yang akurat. Dalam penelitian ini uji coba dilakukan untuk memperoleh parameter ekstraksi dan parameter HMM yang optimum (hasil pengenalan yang paling akurat dengan waktu proses yang paling cepat).
Dalam penelitian ini proses pembelajaran untuk setiap jenis kawanan ikan dilakukan sebanyak 5 (lima) kali. Untuk memperoleh hasil yang optimal dalam penelitian ini dilakukan pengamatan pada beberapa nilai atau ukuran parameter HMM yang diterapkan yaitu :
1. Waktu durasi pencuplikan dari gelombang yang diamati yaitu untuk 2 (dua) proses waktu periode yaitu proses dengan waktu periode pendek (short periode of time) dan proses dengan waktu periode panjang (long
periode of time)
2. Penerapan waktu periode : aplikasi hanya dengan waktu periode pendek, aplikasi hanya dengan waktu periode panjang dan gabungan kedua waktu periode
4. Ukuran Codebook misalnya 32 bit, 64 bit, 128 bit dan seterusnya.
3.4.1 Pembentukan basis data
Gambar 33 memperlihatkan diagram alir pembentukan basis data.
Gambar 33. Diagram alir proses pembentukan basis data. MULAI Menangkap gelombang perubahan fase Sampling Ekstraksi (matriks sample point) Trainning HMM Data Base Pembentukan HMM Vector quantization (Codebook) SELESAI
Dari Gambar 33 di atas dapat dijelaskan sebagai berikut :
(1) Tahap pertama gelombang perubahan fase setiap gerakan jenis kawanan ikan yang diperoleh dari keluaran perangkat pendeteksi gerakan jenis kawanan ikan di rekam di komputer dengan menggunakan perangkat lunak Cool Edit Pro ke file dengan nama *.wav, contoh : bandeng1.wav. Setiap jenis kawanan ikan trainning dilakukan sebanyak 5 kali percobaan.
(2) Selanjutnya gelombang yang direkam tersebut dipenggal dengan panjang waktu 0.1 ms yang dilakukan dengan bantuan Cool Edit Pro. (3) Kemudian penggalan gelombang perubahan fase tersebut di sampling
sebanyak 800 samples. (8000 Hz * 0.1 detik).
(4) Selanjutnya sample penggalan gelombang perubahan fase tersebut di blocking atau di dibagi-bagi dalam beberapa frame di mana satu frame terdiri dari N frame yang dalam penelitian ini terdiri dari 256 sample. (5) Proses windowing dilakukan dengan menggunakan Hamming
windowing
(6) Selanjutnya setelah dilakukan windowing, sample tersebut dikonversi ke domain frekuensi dengan menggunakan Fast Fourier Transform (FFT) sehingga diperoleh spektrum frekuensinya. Dalam proses FFT hasilnya dibagi 1000 agar spektrum yang dihasilkan tidak terlalu besar dan dibatasi pada spektrum dari frekuensi 20 Hz sampai 500 Hz.
(7) Komponen spektrum yang diperoleh merupakan nilai vector real dan
imaginer dari semua jenis ikan.
(8) Selanjutnya nilai vektor tersebut diplot dalam suatu bidang datar yang disebut dengan nama titik sample. atau codeword
(9) Selanjutnya beberapa titik-titik sample yang terdekat dikuantisasikan ke satu titik vektor yang dinamakan centroid sehingga diperoleh beberapa titik centroid. Proses tersebut dinamakan vector quantization (VQ). (10) Pada penelitian ini algoritma VQ yang digunakan adalah algoritma LBG. (11) Nilai titik sample setiap jenis kawanan ikan untuk 5 (lima) kali
data dengan nama label tertentu, misalnya bandeng1, bandeng2, kerong1 dan seterusnya.
(12) Berdasarkan nilai centroid dari setiap label dihitung jumlahnya untuk menentukan jumlah state dari HMM chain
(13) Berdasarkan jumlah state tersebut dan urutan penggalan sampling yang diwakili oleh masing-masing centroid, dari gelombang perubahan fase untuk semua jenis ikan berikut beberapa hasil percobaan diperoleh nilai-nilai. parameter HMM yang kemudian direkam dalan sebuah basis data.
3.4.2 Proses pengenalan
Diagram alir proses pengenalan dapat dilihat pada Gambar 34. Pada gambar dapat dilihat prosesnya mirip dengan proses pembentukan basis data hanya pada proses pengenalan tidak dilakukan proses pembelajaran. Pada proses pengenalan gelombang jenis ikan yang diamati (yang akan dikenal) dipenggal menjadi sample-sample yang selanjutnya di blok menjadi 256
samples. Kemudian sample-sample tersebut diubah ke domain frekuensi
dengan FFT. Hasilnya membentuk titik-titik sample dan dicari nilai
centroidnya dalam basis data. Berdasarkan nilai centroid tersebut dihitung besar log of probability (LoP) untuk semua nilai parameter HMM yang diperoleh.
Demikian pula dengan nilai parameter HMM dari semua jenis ikan yang terdapat dalam basis data dihitung LoP-nya . Dari nilai LoP untuk semua ikan dalam basis data dan LoP jenis ikan yang diamati dicari nilai yang terbesar. Bila nama ikan dalam basis data mempunyai nilai LoP nya yang sama dengan nama ikan yang diamati maka nilai untuk jenis ikan yang diamati mempunyai nilai LoP terbesar. Bila ternyata nilai LoP nya yang paling besar adalah untuk jenis ikan lainnya berarti proses pengenalan mengalami galat (error).
Gambar 34. Diagram alir proses pengenalan.
3.4.3 Proses ekstraksi
Proses ekstraksi adalah proses dimana gelombang yang diterima dipenggal dengan waktu durasi tertentu yang besarnya perlu dilakukan uji coba.yang selanjutnya ditentukan codebooknya dari nilai sample point yang diperoleh. Gambar 35 memperlihatkan contoh proses pemenggalan gelombang. Panjang waktu penggalan (duration time) ditentukan untuk beberapa durasi yang setiap durasi dilakukan uji coba pengenalan (recognition) dengan HMM Data base (code book) Menentukan urutan observasi Tentukan nilai parameter dari HMM Hitung Log of Probability (LoP) Data Base (HMM) MULAI Inisialisasi Menangkap gelombang perubahan fase Sampling Ekstraksi Hitung distorsi berdasarkan data base D = min Dapatkan nilai centroidnya
Cari nilai LoP yang terbesar
Tentukan nama jenis ikannya
sehingga akan diperoleh durasi yang optimum atau tingkat akurasi pengenalan yang paling tinggi.
3.4.4 Pembentukan state dari Markov chain
Setiap penggalan gelombang dari satu jenis kawanan ikan pada contoh Gambar 35, dikonversi ke domain frekuensi dengan menggunakan metode FFT yang selanjutnya besaran vektor spektrum yang dihasilkan dari masing-masing penggalan gelombang dikuantisasi untuk memperoleh nilai centroid-nya . dalam hal ini kemungkinan beberapa bentuk penggalan gelombang yang mirip mempunyai nilai centroid yang sama. Hal ini disebabkan sample point yang diperoleh dari beberapa penggalan gelombang yamg mirip berada dalam satu
cluster.
Gambar 35. Penggalan gelombang dari gelombang satu jenis kawanan ikan.
Contoh dari Gambar 35 di atas diperoleh nilai centroid sebagai berikut : Penggalan gelombang W1 Æ centroid 1
Penggalan gelombang W2 Æ centroid 2 Penggalan gelombang W3 Æ centroid 3 Penggalan gelombang W4 Æ centroid 4 Penggalan gelombang W5 Æ centroid 5
Waktu pengamatan amplitude
Demikian pula untuk bentuk gelombang jenis kawanan ikan lainnya akan diperoleh penggalan-penggalan gelombang lainnya atau sama dengan salah satu penggalan gelombang jenis kawanan ikan sebelumnya.
Secara langsung penggalan-penggalan gelombang tersebut menyatakan
state dari Markov chain, tetapi secara perhitungan tidak dapat dilakukan
sehingga penggalan gelombang tersebut diwakili dari nilai centroid nya dalam menentukan state dari Markov chain.
3.4.5 Log of probability (LoP)
Pada proses pengenalan titik sample dari kawanan ikan yang akan dikenal dicari nilai codeword nya pada basis data yang kemudian diperoleh jenis kawanan ikannya sesuai yang terdapat dalam basis data. Dari data jenis kawanan ikan tersebut ditentukan parameter HMM nya dan selanjutnya dihitung nilai LoP seperti contoh di bawah ini
ikan 1 Æ (w1, w2, w2, w1, w1) = a12* b1* a22 *b2* a21*b2* a11*b1
ikan 2 Æ (w1, w2, w1, w3, w1) = a12* b1* a21 *b2* a13*b1* a31*b3
ikan x Æ (w4, w5, w4, w5, w4) = a45* b4* a54 *b5* a45*b4* a54*b5
dimana w1, w2, w2 dan seterusnya yang diwakili oleh nilai centroidnya menyatakan keadaan (state) dari Markov chain yang diambil berdasarkan jumlah centroid yang ada dalam basis data atau perpindahan suatu penggalan gelombang yang satu ke penggalan gelombang kedua dan selanjutnya perpindahan penggalan gelombang kedua ke penggalan gelombang yang sama. Adapun nilai
a
ij pada contoha
12 adalah peluang transaksi (probability oftransaction) yang dapat dijelaskan pada contoh di atas. Nilai bi adalah peluang munculnya state ke i. Proses ini diulang untuk semua jenis ikan dan selanjutnya dicari nilai LoP yang paling besar. Bila nama jenis kawanan ikan untuk nilai
LoP yang besar namanya sama dengan jenis kawanan ikan yang akan dikenal
berarti pengenalannya tepat dan sebaliknya bila tidak sama berarti proses pengenalannya salah