y : data masukan z : data keluaran

Hasil pengujian tidak real-time adalah data tingkat pengenalan suara dari pengujian yang sudah dilakukan. Presentase tingkat pengenalan sistem dapat dilakukan dengan menggunakan program. Data tingkat pengenalan untuk setiap nilai database 1, 2, 4 dan 8 dari setiap suara tersebut di presentasikan dengan presentase yang menunjukkan tingkat pengenalan suara berdasarkan variasi nilai frame blocking dan k pada k-NN seperti pada table 4.1, 4.2, 4.3 Dan 4.4 lampiran Tabel 4.1. Menggunakan nilai frame blocking 64 dengan database per nada 8 Frame Blocking Database nada K-NN Tingkat Pengenalan 64 8 1 100 64 8 3 88,42 64 8 5 84,25 64 8 7 80,55 88 Tabel 4.2. Menggunakan nilai frame blocking 256 dengan database per nada 8 Frame Blocking Database nada K-NN Tingkat Pengenalan 256 8 1 100 256 8 3 96,29 256 8 5 95,83 256 8 7 93,05 96 Tabel 4.3. Menggunakan nilai frame blocking 1024 dengan database per nada 8 Frame Blocking Database nada K-NN Tingkat Pengenalan 1024 8 1 100 1024 8 3 97,68 1024 8 5 94,90 1024 8 7 93,98 97 Tabel 4.4. Menggunakan nilai frame blocking 4096 dengan database per nada 8 Hasil pengenalan diatas berdasarkan dari tabel lampiran merupakan hasil pengenalan suara dari program yang menggunakan nilai dari database per nada 1, 2, 4 dan 8. Data tingkat pengenalan untuk database 1, 2, 4 dan 8 dari setiap suara akan dipresentasikan dengan presentasi yang menunjukkan tingkat pengenalan suara berdasarkan variasi nilai frame blocking, database per nada dan nilai k pada k-NN. Dari keempat pilihan variasi nilai database pernada, database per nada yang ke 8 yang mampu untuk mengenali suara instrumen musik dengan tingkat pengenalan kurang lebih 90 persen. Berdasarkan tabel di atas menunjukkan kenaikan dan penurunan kinerja sistem dari hasil pengenalan suara dikarenakan oleh pengaruh variasi nilai dari frame blocking, database per nada dan nilai k pada k-NN. Database per nada yang digunakan adalah 1, 2, 4 dan 8. Berdasarkan data dari tingkat keberhasilan mengenali suara instrument musik, dengan Database pernada yang ke 8 sudah mampu mengenali suara instrument musik dengan baik. Kelas yang digunakan k-Nearest Neighbour k-NN adalah bilangan ganjil yaitu 1, 3, 5 dan 7. Berdasarkan data dari tingkat persentase keberhasilan mengenali suara instrumen musik, dengan menggunakan k-nn satu disetiap nada dan alat musik sudah mampu untuk mengenali suara-suara pada alat musik. Sehingga pada peneltian ini k-NN tidak diperlukan pada proses pengenalan suara instrumen musik, dikarenakan untuk kelas k=1 sama dengan tidak menggunakan k-Nearest Neighbor k-NN karena nilai minimumnya hanya mencari satu nilai sampel dari database dan juga kelasnya hanya ada satu.k=1 tidak bisa mencari nilai yang paling minimum dari nada lain, sedangkan kelas k=3, 5, 7 menggunakan k-Nearest Neighbor k-NN karena mencari nilai minimum dari sampel database disetiap variasi nada sesuai dengan nilai k. Frame Blocking Database nada K-NN Tingkat Pengenalan 4096 8 1 100 4096 8 3 96,29 4096 8 5 91,20 4096 8 7 89,81 94