perkalian elemen dari data Hamming window dengan data sinyal hasil pemotongan sinyal. Gambar 3.9. menunjukan flowchart rancangan program segmentasi dan windowing
Gambar 3.9. Flowchart Rancangan Program Segmentasi dan Windowing
3.2.7. Ekstraksi Ciri
Setelah melalui segmentasi dan windowing, proses selanjutnya adalah ekstraksi ciri. Ekstraksi ciri yang digunakan dapam penelitian ini adalah ekstraksi ciri Discrete Fourier
Transform DFT. Gambar 3.10. menunjukan flowchart rancangan program ekstraksi ciri DFT.
Gambar 3.10. Flowchart Rancangan Program Ekstraksi Ciri DFT
Setelah proses ekstraksi ciri dilakukan, dilanjutkan proses segment averaging yang bertujuan untuk mengurangi jumlah data ekstraksi ciri dengan mengelompokannya dalam
rentang segmen yang kemudian dicari rata-ratanya pada setiap segmen.tujuan segment averaging sama dengan downsampling yang digunakan untuk mengurangi jumlah data
ekstraksi ciri agar menjadi lebih kecil. Proses segment averaging dibatasi dengan nilai dari variabel lebar segmen yang
ditentukan dari banyak data berdasarkan perhitungan 2
n
. nilai dari variabel lebar segmen merupakan nilai segment averaging untuk membagi tiap data. Nilai variabel segmen yang
digunakan pada segment averaging ditentukan sebesar 16, 32, 64, dan 128. Gambar 3.11. menunjukan flowchart rancangan program segment averaging.
Gambar 3.11. Flowchart Rancangan Program Segment Averaging
3.2.8. Perhitungan Similaritas
Selanjutnya akan dilakukan proses perhitungan similaritas. Proses perhitungan similaritas bertujuan membandingkan semua sinyal ucapan yang telah diproses dengan
database yang telah dirancang untuk mencari nilai similaritas terbesar. Pada penelitian ini akan digunakan persamaan similaritas Dice. Data sinyal ucapan yang masuk akan dihitung
bersamaan dengan seluruh database satu persatu menggunakan persamaan matematis yang ada pada dasar teori 2.6. Gambar 3.12. menunjukan flowchart rancangan program
perhitungan similaritas.
Gambar 3.12. Flowchart Rancangan Program Perhitungan Similaritas
3.2.9. Penentuan Hasil Pengenalan Ucapan k-Nearest Neighbor
Tahapan proses ini merupakan penentuan hasil pengenalan ucapan dengan menggunakan metode k-Nearest Neighbor k-NN. Hasil dari pengenalan ucapan didapat
dari masukan nilai perhitungan similaritas, variabel nilai k pada k-NN, dan jumlah sampel per-kelas.
Pada perhitungan similaritas, ucapan masuk dibandingkan dengan semua database, lalu diurutkan hasilnya dari yang terbesar sampai yang terkecil. Pengambilan kelas yang
paling banyak muncul dengan menggunakan nilai dari variabel k pada metode k-NN. Nilai dari variabel k pada penelitian ini ditentukan sebesar 3, 5, dan 7 [10]. Jumlah sample per-
kelas ditentukan berdasarkan banyaknya database disetiap kata. Setelah nilai k ditentukan, proses dilanjutkan dengan membandingkan dengan nilai
thresholding, dimana jika nilai similaritas lebih besar atau sama dengan nilai thresholding maka suara akan dikenali, sedangkan jika nilai similaritas lebih kecil dari nilai
thresholding maka suara tidak dikenali dan akan ditampilkan sebagai error tidak dikenali dalam keluaran berupa teks. Hasil dari pembandingan nilai similaritas dengan nilai
thresholding akan dilakukan untuk mencari indeks kelas terbesar dan selanjutnya memilih kelas yang paling sering muncul.
Nilai thresholding didapatkan dari hasil perhitungan similaritas, dimana setiap ucapan yang akan dikenali memiliki nilai similaritas terbesar dan terkecil. Nilai similaritas
terkecil yang masih dapat mengenali akan diambil sebagai nilai thresholding.
Hasil dari perhitungan dan nilai kelas yang paling banyak muncul tersebut merupakan hasil dari keluaran k-NN, yang juga merupakan hasil pengenalan ucapan. Hasil
dari proses ini akan dikeluarkan dalam bentuk teks. Gambar 3.13. menunjukan flowchart rancangan penentuan hasil pengenalan dengan metode k-Nearest Neighbor.
Gambar 3.13. Flowchart Rancangan Pengenalan Keluaran Dengan Metode k-NN
3.2.10. Pengiriman Data Serial
