Pengujian Pengenalan Ucapan Secara Tidak

Gambar 4.17. Pengaruh Pola Jendela Tukey dengan Nilai Alfa 0,6 Gambar 4.18. Pengaruh Pola Jendela Tukey dengan Nilai Alfa 0,8 Pengaruh variasi nilai alfa terhadap keberhasilan pengenalan dapat dilihat juga dari nilai data hasil perhitungan similaritasnya. Lembar lampiran halaman L24 menampilkan beberapa tabel nilai hasil perhitungan similaritas pada beberapa percobaan pengujian tidak real time . Data tersebut digunakan untuk mencari rata-rata nilai similaritas yang didapat pada tiap ucapan.Tabel 2.11 menunjukkan rata-rata nilai hasil perhitungan similaritas tiap ucapan berdasarkan variasi nilai alfa yang ditampilkan pada lembar lampiran halaman L24. Tujuan dari perhitungan similaritas untuk mencari pendekatan dengan nilai tertinggi, sehingga semakin besar hasil perhitungan similaritas maka data tersebut semakin baik. Pada Tabel 2.11 menunjukkan bahwa semakin besar nilai alfa maka rata-rata nilai perhitungan similaritas tiap ucapan akan semakin besar juga. Tabel 2.11. Pengaruh Nilai Alfa Terhadap Perhitungan Similaritas Nilai Alfa Nilai Rerata Hasil Perhitungan Similaritas maju Mundur kiri kanan Stop 0,4 0,9165 0,9259 0,9199 0,9087 0,9415 0,5 0,9186 0,9259 0,9193 0,9118 0,9427 0,6 0,9217 0,9293 0,9251 0,9159 0,9430 0,7 0,9218 0,9309 0,9262 0,9203 0,9423 0,8 0,9272 0,9334 0,9275 0,9244 0,9452

4.5 Pengujian Aplikasi Pengenalan Ucapan Untuk Pengatur Gerak

Robot Mobil Secara RealTime Pengujian ini dilakukan agar dapat mengetahui hasil dari kinerja seluruh sistem terhadap kondisi yang real time. Pada pengujian ini sistem akan diuji dari pengolahan data masukan hingga keluaran dalam bentuk pergerakan robot mobil. Pengujian ini mengunakan variasi nilai-nilai variabel yang telah ditentukan pada pembahasan pengujian pengenalan secara tidak real time. Kondisi nilai variabel yang dipakai yaitu nilai faktor downsampling 1 dimana nilai batas potongnya 0,1 dengan nilai alfa 0,7 dan 0,8 serta batas potong 0,2 dengan nilai alfa 0,8. Pengujian ini dilakukan dengan memberi masing-masing perintah sebanyak 30 kali percobaan secara real time. Hasil pengujian aplikasi pengenalan ucapan untuk pengatur gerak robot mobil secara real time ditunjukkan pada Tabel 4.12. Tabel 4.12. Hasil Pengujian Data Pengenalaan Secara Real Time Batas Potong Nilai Alfa Faktor Downsampling Keberhasilan Pengenalan Persentase Pengenalan Maju Mundur Kiri Kanan Stop 0,1 0,7 1 30 30 29 29 30 98,67 0,8 1 30 30 30 29 30 99,33 0,2 0,8 1 26 28 29 29 30 94,67 Dapat kita amati dari Tabel 4.12. bahwa persentase keberhasilan pengenalan yang terjadi saat real time memiliki nilai yang tinggi. Nilai persentase pengenalan pada kondisi batas potong 0,1 dengan nilai alfa 0,7 dan 0,8 dapat melebihi nilai persentase pengenalan saat tidak real time. Keadaan sebaliknya terjadi pada batas potong 0,2 dengan nilai alfa 0,8 sebab mendapat nilai persentase pengenalan lebih rendah dari pengenalan tidak real time. Secara keseluruhan aplikasi pengenalan ucapan untuk mengatur gerak robot mobil ini telah berjalan dengan baik walaupun tidak 100 berhasil mengenali. Kinerja setiap sistem telah berfungsi dengan baik dari perekaman data masukan hingga keluaran berupa aksi pergerakan robot mobil. Persentase kegagalan dalam pengenalan secara real time berkisar antar 0,67 hingga 5,33.

4.6 Pengembangan Ekstraksi Data Menggunakan

Segment Averaging Penggunaan nilai faktor downsampling 1 tidak terjadi pengurangan data ekstraksi ciri menyebabkan data hasil ekstraksi ciri berjumalah 2048. Oleh karena banyaknya data tersebut maka diperlukan suatu cara untuk melakukan pengurangan jumlah data ekstraksi ciri. Segment averaging merupakan metode untuk mengurangi jumlah data dengan cara mengelompokkannya dalam beberapa segment tertentu yang kemudian dicari rata-ratanya pada tiap segment tersebut [32]. Tujuan segment averaging ini sama dengan downsampling yaitu untuk mengurangi jumlah data ekstraksi ciri yang memiliki ukuran besar menjadi berukuran kecil. Segment averaging ini dilakukan karena pada proses downsampling kurang efektif untuk mengurangi jumkah data ekstraksi ciri, sehingga menyebabkan kecilnya keberhasilan pengenalan ucapan. Pengelompokan data dalam beberapa segment tunjukkan pada Gambar 4.19. Gambar 4.19. Pengelompokan Data Ekstraksi Ciri Lebarnya segment ditentukan dari banyak data berdasarkan pehitungan , sehingga jumlah segment yang terbentuk didapat dari pembagian seluruh data terhadap lebar segment. Pada Gambar 4.19 dicontohkan penggunaan segment averaging dengan lebar segment 256 data sehingga menghasilkan 8 segment pengelempokan data. Nilai-nilai data pada tiap segment tersebut kemudian dirata-rata sehingga menghasilkan jumlah data ekstraksi ciri yang lebih kecil. Hasil segment averaging dari Gambar 4.19 ditunjukkan pada Gambar 4.20. Gambar 4.20. Hasil Segment Averaging Pada percobaan pengenalan secara tidak real time telah didapatkan hasil persentase keberhasilan pengenalan tertinggi sebesar 96. Persentase pengenalan tertinggi tersebut terjadi pada kondisi faktor downsampling 1 pada batas potong 0,1 dengan nilai alfa 0,7 dan 0,8 serta batas potong 0,2 dengan nilai alfa 0,8. Pada pengujian selanjutnya akan digunakan segment averaging untuk ekstraksi data pada kondisi nilai-nilai variabel tersebut. Hal tersebut dilakukan untuk mengetahui pengaruh segment averaging dalam mengurangi jumlah data ekstraksi ciri terhadap peningkatan keberhasilan pengenalan. Program segment averaging dituliskan sebagai berikut : y=reshapex,n,[]; y=meany; Pembuatan program segment averaging dituliskan setelah program ekstraksi ciri dengan menggunakan fungsi pada matlab yaitu “reshapex,n,[]”. Nilai “x” merupakan data hasil ekstraksi ciri segment averaging , sedangkan nilai “n” merupakan lebar segment. Fungsi tersebut akan mengubah deretan data ekstraksi ciri menjadi matriks yang memiliki beberapa kolom dengan jumlah baris sesuai lebar segment. Tiap kolom akan dicari nilai rata-rata datanya sehingga hasilnya akan kembali menjadi deretan data dalam 1 baris dengan jumlah data yang lebih kecil. Banyaknya data yang dirata-rata pada tiap segment mempengaruhi tingkat keberhasilan pengenalan. Pada Tabel 4.13 ditunjukkan pengujian pengenalan ucapan secara tidak real time menggunaan segment averaging dalam beberapa variasi lebar segment . Hasil pengujian pada Tabel 4.13 tersebut menunjukkan bahwa pemilihan lebar segment data berpengaruh terhadap tingkat keberhasilan pengenalan. Terlihat rata-rata dari persentase hasil pengenalan terbaik terjadi pada lebar segment berjumlah 64 data. Penggunaan lebar segment tersebut menghasilkan data ekstraksi ciri sebanyak 32 data. Banyak data yang awalnya 2048 dapat dikurangi menjadi 32 data dan mendapat pengenalan yang lebih meningkat. Hal tersebut membuktikan bahwa penggunaan segment averaging dengan pemilihan lebar segment yang tepat lebih efektif dibandingkan dengan downsampling dalam mengurangi jumlah data ekstraksi ciri pada penelitian ini. Tabel 4.13. Hasil Pengujian Segment Averaging Berdasarkan Variasi Lebar Segment Batas Potong Nilai Alfa Lebar Segment 8 16 32 64 128 256 0,1 0,7 96 96 97 97 92 92 0,8 98 97 97 98 94 91 0,2 0,7 97 96 97 97 96 94 Rata-Rata Pengenalan 97 96,33 97 97,33 94 92,33 Pada hasil percobaan pengenalan secara real time juga menghasilkan persentase pengenalan ucapan yang tinggi walaupun belum 100 berhasil. Pada kondisi batas potong 0,2 dengan nilai alfa 0,8 terlihat adanya peningkatan persentase keberhasilan dari 94,67 menjadi 98,67. Persentase kesalahan pengenalan menjadi lebih kecil antara 0,67 hingga 1,33. Hasil pengujian pengenalan secara real time ditunjukkan pada Tabel 4.14. Tabel 4.14. Hasil Pengenalan Secara Real Time dengan Segment Averaging Batas Potong Nilai Alfa Lebar Segment Keberhasilan Pengenalan Persentase Pengenalan Maju Mundur Kiri Kanan Stop 0,1 0,7 64 29 29 30 30 30 98,67 0,8 64 29 30 30 30 30 99,33 0,2 0,8 64 28 30 30 30 30 98,67 Rata-Rata Pengenalan Ucapan 98,89 90

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil percobaan dan pengujian aplikasi pengenalan ucapan manusia untuk mengatur gerak robot mobil disimpulkan sebagai berikut: 1. Hasil pengujian secara tidak real time menunjukkan pengenalan ucapan dapat bekerja secara maksimal pada 3 kondisi yaitu nilai faktor downsampling 1 pada batas potong 0,1 dengan nilai alfa 0,7 dan 0,8 kemudian pada batas potong 0,2 dengan nilai alfa 0,8. Ketiga kondisi tersebut mendapat persentase keberhasilan pengenalan ucapan sebesar 96. 2. Hasil pengujian secara real time menunjukkan nilai persentase pengenalan ucapan terbaik dari 3 kondisi yang didapat pada pengujian tidak real time sebesar 99.33 . Nilai tersebut terjadi pada kondisi nilai faktor downsampling 1, nilai batas potong 0,1 dan nilai alfa 0,8. 3. Metode Segment Averaging digunakan sebagai proses pengurangan jumlah data ekstraksi ciri untuk menggantikan proses downsampling. Lebar Segment terbaik saat pengenalan ucapan menggunakan segment averaging yaitu berjumlah 64 data dimana nilai rata-rata keberhasilan pengenalan ucapannya saat tidak real time sebesar 97,33 dan saat real time sebesar 98,89

5.2 Saran

1. Robot mobil dapat dikembangkan dengan pemberian sensor jarak agar dapat berhenti secara otomatis bila akan terjadi tabrakan. Hal tersebut sebagai antisipasi respon pengguna yang lambat dalam mengendalikan. 2. Sistem pengenalan dapat dikembangkan dengan mikrokontroler yang lebih canggih agar tidak memerlukan media PCLaptop sebagai pengolahan pengenalan ucapan. 3. Proses perekaman ucapan masukan dapat dikembangkan agar tidak perlu menekan tombol. 4. Program dan metode dapat ditingkatkan agar dapat mengenali ucapan dari banyak pengguna lain. 5. Program dan metode pengenalan dapat lebih dikembangkan agar dapat melakukan pengenalan ucapan dalam kondisi ruangan yang memiliki noise.