RANTAI MARKOV PENGANTAR TEORI GAME PENDAHULUAN Menurut Ilyas

RANTAI MARKOV PENGANTAR TEORI GAME

PENDAHULUAN Menurut Ilyas et al 2007, sebuah sistem pengenalan suara terdiri atas dua fase yaitu fase pelatihan (training phase) dan fase verifikasi (verification phase). Pada fase pelatihan, suara pembicara akan direkam lalu diproses untuk menghasilkan sebuah bentuk model didalam basis data. Sedangkan pada fase verifikasi, template referensi yang sudah ada akan dibandingkan dengan input suara yang tidak dikenal. Salah satu metode yang digunakan untuk algoritma pelatihan atau pengenalan adalah Hidden Markov Model (HMM) atau Model Markov Tersembunyi.

Hidden Markov Model (HMM) HMM adalah probabilitas teknik pencocokan pola yang observasinya dianggap sebagai output dari proses stokastik dan didasari rantai markov. HMM terdiri dari dua komponen: • Rantai markov keadaan terbatas • Output distribusi keadaan yang terbatas (Jayadi, 2011)

Rantai Markov Algoritma HMM didasari oleh model matematik yang dikenal dengan rantai markov

Rantai Markov (Lanj. )

Rantai Markov (Lanj. ) Beberapa hal yang dapat dijelaskan tentang rantai markov yaitu: Transisi keadaan dari suatu keadaan tergantung keadaan sebelumnya. Transisi keadaan bebas terhadap waktu. P[qt = j| qt-1 = i, qt -2 = k…. . ] = P[qt = j| qt-1 = i] aij = P[qt = j| qt-1 = i]

Tipe HMM Menurut (Hidayatno dan Sumardi, 2006) HMM dibagi menjadi dua tipe dasar HMM ergodic HMM kiri-kanan

Tipe HMM - Ergodic Pada HMM model ergodic perpindahan keadaan yang lain semuanya memungkinkan

Tipe HMM – Kiri Kanan Pada HMM kiri-kanan perpindahan keadaan hanya dapat berpindah dari kiri ke kanan, perpindahan keadaan tidak dapat mundur ke belakang

Elemen HMM Elemen yang terdapat pada HMM yaitu: � N, jumlah keadaan (state) dalam model. � M, jumlah simbol observasi yang berbeda tiap keadaan. � Distribusi keadaan transisi A = {aij} dengan aij = P[qt+1 = j | qt = j ] , 1 ≤ i , j ≥ N � Distribusi probabilitas simbol observasi, B = {bj(k)} dengan bj(k) = P(ot = vk | qt = j) , untuk 1 ≤ j ≤ N , 1 ≤ k ≤ M � Distribusi keadaan awal π = {πi} πi = P[qt = i] 1 ≤ j ≤ N