Gambar 4.17. Grafik Perubahan Nilai k pada kNN pada Tingkat Pengenalan Database 8 Dari semua data-data diatas dapat dilihat bahwa pengenalan terbaik berada pada
segment averaging 8 dan kNN 1 dengan tingkat pengenalan rata-rata diatas 95,8 .
Pengaruh variasi nilai kNN pada semua data dilihat pada persentase keberhasilan terbaik yang didapat pada nilai kNN 1. Perubahan semakin besar nilai kNN menyebabkan tingkat
pengenalan ucapan menurun. Demikian juga segment averaging semakin besar menyebabkan tingkat pengenalan menurun. Dari evaluasi database 1; 2; 4;dan 8 dilihat
bahwa pada tabel 4.5 database 1 didapatkan tingkat pengenalan sudah optimal sebesar 95,8 yang terdapat pada variasi segment averaging 8 dan nilai kNN 1. Sehingga
database 1 akan digunakan untuk pengujian secara real time. Pemilihan database 1
dikarenakan untuk melihat seberapa efektif program pengenalan jika database yang digunakan sedikit.
Pada variasi terbaik ini pula diambil nilai batas bawah untuk setiap kata yang diucapkan. Tujuan pengambilan nilai batas bawah adalah untuk penggunaan metode
thresholding . Metode thresholding
digunakan untuk mengetahui “error” jika yang diucapkan bukan ucapan sebenarnya. Penulisan program untuk thresholding menggunalan
log ika “if” dan “elseif”. Dimana jika syarat bernilai benar maka logika tersebut akan
mengeksekusi pernyataan dibawahnya dan jika tidak maka akan meneruskan ke logika selanjutnya . Program untuk thresholding dapat dilihat pada lampiran L36. Tabel 4.8.
menunjukan nilai batas bawa thresholding pada setiap ucapan.
50,0 60,0
70,0 80,0
90,0 100,0
110,0
1 3
5 7
T in
gk at
P en
ge n
alan
Nilai k pada kNN
Pengaruh Perubahan Nilai k pada kNN untuk Tingkat Pengenalan
Segment Averaging 8 Segment Averaging 16
Segment Averaging 32 Segment Averaging 64
Tabel 4.9. Batas Bawah Nilai Similaritas
Ucapan Kata Batas Bawah Nilai Similaritas
Balok 0,6550
Bola 0,7113
Kubus 0,6120
Tabung 0,6694
4.4.2 Pengujian Pengenalan Secara Real Time
Pada pengujian secara real time, pengujian dilakukan dengan merekam suara secara langsung dan akan dikenali oleh program secara real time. User harus memilih nilai variasi
nila k pada kNN, dan segment averaging. User yang digunakan sebanyak 3 yang terdiri dari 1 peneliti, dan 2 user sudah ditentukan. Setelah semuanya diisi dengan benar maka
program bisa dijalaknan dengenan menekan tombol “REKAM”. Pengujian dilakukan sebanyak 10 kali tiap ucapan katanya dengan anggapan bahwa pengujian sebanyak 10 kali
ditiap ucapan kata mampu mendefenisikan keberhasilan dari program. Pengujian juga dilakukan dengan menguji menggunakan suara orang lain. Pengujian secara real time ini
menggunakan database 1 dengan variasi nilai kNN 1 dan segment averaging 8 dengan mengacu pada pengujian secara tidak real time. Pengujian real time akan dilakukan
dengan 2 cara yaitu pengujian dengan nilai thresholding dan pengujian tanpa nilai thresholding
untuk semua user.
4.4.2.1. Pengujian Real Time tanpa Nilai Thresholding
Pada pengujian real time tanpa nilai threshoding dilakukan dengan menguji program tanpa dimasukan nilai batas bawah similaritas. Untuk pengujian menggunakan
suara user pertama dengan total pengujian sebanyak 40 kali dan jumlah ucapan yang dikenali sebanyak 36. Total dari tingkat pengenalan ucapan rata rata adalah 87,5 .
Kesimpulan yang didapat adalah sistem berjalan sesuai perancangan walaupun terdapat galat
sebesar 10 persen. Berikut data hasil pengujian secara real time dengan user pertama.
Tabel 4.10.Confusion Matrix Data Hasil Pengujian Secara Real Time dengan User Pertama
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
BALOK 10
100 BOLA
1 9
90 KUBUS
2 8
80 TABUNG
1 1
8 80
Rata-rata Persentase 87,5
Pengujian menggunakan user kedua dan ketiga dilakukan sama seperti pada percobaan menggunakan user pertama. Pengujian dilakukan dengan memilih terlebih
dahulu variasi pengenalan terbaik. Berikut adalah data hasil pengujian secara real time menggunakan user kedua dan ketiga.
Tabel 4.11. Confusion Matrix Data Hasil Pengujian Secara Real Time dengan User Kedua
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
BALOK 10
100 BOLA
1 8
1 80
KUBUS 1
1 8
80 TABUNG
1 1
8 80
Rata-rata Persentase 85
Tabel 4.12. Confusion Matrix Data Hasil Pengujian Secara Real Time dengan User ketiga
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
BALOK 10
100 BOLA
2 8
80 KUBUS
1 1
8 80
TABUNG 1
1 8
80 Rata-rata Persentase
85
Dari hasil rata-rata persentase pengenalan user satu, dua, dan tiga yakni 87,5; 85; dan85 didapatkan rata rata persentase pengenalan untuk semua user sebesar 85,8
.
4.4.2.2. Pengujian Real Time dengan Nilai Thresholding
Pada pengujian real time dengan nilai thresholding program pengenalan ucapan diberikan batas bawah similaritas yang mengacu pada tabel 4.8.Pengujian real time dengan
nilai thresholding diuji dengan 2 cara yakni dengan ucapan sebenarnya dan bukan ucapan sebenarnya.. Pengujian dilakukan untuk menguji thresholding yang telah dirancang dengan
mengucapkan balok, kubus, bola, dan tabung sebanyak 10. Berikut ini data pengucapan real
time dengan nilai thresholding setiap user. Tabel 4.13. Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai
Thresholding User Pertama
INPUT OUTPUT
Persentase Keberhasilan
BALOK BOLA
KUBUS TABUNG
ERROR BALOK
10 100
BOLA 8
1 1
80 KUBUS
8 2
80 TABUNG
1 9
90 Rata-rata Persentase
87,5
Tabel 4.14. Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai Thresholding
User Kedua
INPUT OUTPUT
Persentase Keberhasilan
BALOK BOLA
KUBUS TABUNG
ERROR BALOK
10 100
BOLA 8
1 1
80 KUBUS
1 8
1 80
TABUNG 9
1 90
Rata-rata Persentase 87,5
Tabel 4.15. Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai Thresholding
User Ketiga
INPUT OUTPUT
Persentase Keberhasilan
BALOK BOLA
KUBUS TABUNG
ERROR BALOK
10 100
BOLA 8
2 80
KUBUS 9
1 90
TABUNG 1
8 1
80 Rata-rata Persentase
87,5
Pada tabel 4.12, 4.13,dan 4.14 rata rata persentase pengenalan sebesar 87,5 ; 87,5; dan 87,5 didapatkan rata rata persentase pengenalan untuk semua user sebesar
85,8 . Dimana perhitungan didapatkan dari rata rata persentase pengenalan dari semua user yang dijumlahkan lalu dibagi sesuai banyak user.
. Pengujian ini dilakukan untuk memastikan bahwa sistem yang dibuat akan mengenali sebagai error jika memberikan masukan selain kata balok, kubus, bola, dan
tabung. Pengujian ini dilakukan untuk menguji thresholding telah dirancang pada program pengenalan ucapan. Pengujian dilakukan dengan mengucapkan kata satu, dua, tiga,dan
empat sebanyak sepuluh kali. Berikut adalah data pengujian pengucapan kata lain. Tabel 4.16 Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai
Thresholding Pengucapan Kata Lain User Pertama
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
ERROR SATU
1 1
8 80
DUA 1
9 90
TIGA 10
100 EMPAT
1 9
90 Rata-rata Persentase
90
Tabel 4.17 Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai Thresholding
Pengucapan Kata Lain User Kedua
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
ERROR SATU
1 1
8 80
DUA 1
9 90
TIGA 10
100 EMPAT
1 9
90 Rata-rata Persentase
90
Tabel 4.18 Confusion Matrix Data Hasil Pengujian Secara Real Time dengan Nilai Thresholding
Pengucapan Kata Lain User Ketiga
INPUT OUTPUT
Persentase Pengenalan
BALOK BOLA
KUBUS TABUNG
ERROR SATU
1 1
8 80
DUA 1
9 90
TIGA 10
100 EMPAT
1 9
90 Rata-rata Persentase
90
Dari hasil rata-rata persentase pengenalan user satu, dua, dan tiga yakni 90; 90; dan 90 didapatkan rata rata persentase pengenalan untuk semua user sebesar 90 . Dari
rata-rata semua user untuk kata lain dengan menggunakan thresholding dapat diambil kesimpulan bahwa penggunaan thresholding dengan kata lain bekerja sesuai dengan
perancangan.
107
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. Implementasi dari aplikasi pengenalan ucapan untuk lengan robot pengambil
benda sudah bekerja dengan baik sesuai perancangan. Sistem dapat mengenali ucapan balok, kubus, bola, dan tabung kemudian menggerakan lengan robot
sesuai perintah ucapannya. 2.
Pada pengujian pengenalan secara tidak real time persentase pengenalan terbaik terjadi pada kondisi segment averaging 8 dan nilai kNN 1, dimana
untuk semua evaluasi database 1;2;4;dan 8 memiliki persentase keberhasilan diatas 95.
3. Pada pengujian pengenalan secara real time menggunakan database 1 dengan
variasi segment averaging 8 dan nilai kNN 1 untuk semua user dengan nilai thresholding
dan tanpa nilai threshoding memiliki tingkat pengenalan 87,5 dan 85,8.
4. Penggunaan thresholding dalam pengujian pengenalan secara real time sudah
bekerja sesuai perancangan dengan ucapan satu, dua, tiga, dan empat yang memiliki tingkat pengenalan sebesar 87,5 .
5.2. Saran
1. Pengembangan sistem dengan menambah lebih banyak user sehingga
pengenalan ucapan bisa dilakukan oleh banyak orang. 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 secara otomatis agar tidak perlu menekan tombol.
