sebesar 32,87 . Terjadi error dikarenakan setiap motor memiliki karakteristik yang berbeda-beda sesuai dengan jenisnya menyebabkan nilai lebar pulsa berbeda.
4.4. Pengujian Untuk Tingkat Pengenalan Ucapan
Pengujian pengenalan ucapan dilakukan dengan dua cara yaitu secara real time dan secara tidak real time. Pengujian secara real time dilakukan dengan menggunakan suara
masukan yang direkam saat itu juga dan akan langsung dikenali secara langsung pada saat itu. Pengujian secara real time menggunakan parameter hasil pengenalan terbaik pada
pengenalan secara tidak real time. meskipun demikian pengguna bisa memvariasi nilai parameter sesuai yang diinginkan untuk menguji pengenalan secara real time. Pengujian
tidak real time dilakukan dengan memvariasi nilai parameter nilai k pada knn, dan segment averaging. Pengujian secara tidak real time menggunakan masukan dari suara uji yang
telah direkam sebelumnya dan dibandingkan dengan database yang telah dibuat sebelumnya. Hasil parameter pengujian terbaik secara tida real time akan digunakan
sebagai parameter untuk pengujian pengenakan ucapan secara real time.
4.4.1. Pengujian Pengenalan Ucapan Secara Tidak Real Time
Seperti yang telah dijelaskan sebelumnya, percobaan pengenalan secara tidak real time
ini dilakukan dengan merekam ucapan masukan yang kemudian disimpan dengan nama yang berbeda dan akan dibandingkan dengan database. Pembentukan database
dilakukan dengan memproses ucapan yang juga sebelumnya sudah direkam kedalam proses preprocessing dan framingdanwindowing. Setalah melalui tahap ini, kemudian
dilanjutkan dengan proses ekstraksi ciri, penulis menggunakan ektraksi ciri DFT dan segmentaveraging
. Setelah proses ektraksi ciri dan segmentaveraging, data hasil kemudian disimpan pada directory yang sama dengan program untuk melakukan pengenalan secara
tidak real time. Proses yang sama juga terjadi pada ucapan masukan. Selanjutnya adalah
membandingkan antara database dan hasil ektraksi ciri dari ucapan masukan menggunakan metode korelasi. Tujuan dari pengujian pengenalan secara tidak real time adalah untuk
mencari parameter nilai k pada knn,dan segmentaveraging terbaik. Data hasil pengenalan secara tidak real time kemudian ditampilkan dalam tabel dan grafik sehingga pengambilan
kesimpulan lebih mudah dilakukan. Berikut merupakan tabel dan grafik hasil pengujian pengenalan ucapan secara tidak real time. Pengujian menggunakan 3 jenis database, yaitu
database 1 suara, database 5 suara, dan database 10 suara.
Untuk user 1 Tabel 4.4. Tabel Pengenalan dengan Database 1 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 92
50 32
24 16
90 46
36 25
32 89
47 38
25 64
80 45
35 19
Tabel 4.5. Tabel Pengenalan dengan Database 5 Suara Secara Tidak Real Time
Tabel 4.6. Tabel Pengenalan dengan Database 10 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 95
93 94
94 16
95 92
93 91
32 94
93 92
92 64
89 88
86 83
Untuk user 2 Tabel 4.7. Tabel Pengenalan dengan Database 1 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 87
27 13
10 16
82 32
15 10
32 83
39 18
10 64
75 46
26 10
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 93
88 89
91 16
93 86
86 87
32 91
90 87
82 64
82 79
76 71
Tabel 4.8. Tabel Pengenalan dengan Database 5 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 90
81 79
71 16
90 81
78 77
32 90
82 83
80 64
84 73
71 71
Tabel 4.9. Tabel Pengenalan dengan Database 10 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 93
87 86
84 16
92 89
87 87
32 93
88 87
86 64
87 79
83 83
Untuk user 3 Gambar 4.10. Tabel Pengenalan dengan Database 1 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 87
32 21
12 16
82 32
14 11
32 75
31 14
11 64
69 29
18 10
Tabel 4.11. Tabel Pengenalan dengan Database 5 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 87
76 77
72 16
87 74
75 72
32 84
72 73
70 64
85 65
66 66
Tabel 4.12. Tabel Pengenalan dengan Database 10 Suara Secara Tidak Real Time
SegmentAveraging Nilai k pada KNN
1 3
5 7
8 94
92 90
89 16
94 92
89 89
32 92
84 84
84 64
90 82
83 80
Dari data-data di atas dapat dilihat bahwa pengenalan terbaik berada pada segment averaging
8 dan k-nn 1 dengan tingkat pengenalan rata-rata di atas 90 dari 100 percobaan penyebutan angka. Pengenalan terbaik terletak pada database 10.
Pada variasi terbaik ini pula diambil nilai batas bawah untuk setiap kata yang diucapkan. Tujuan pengambilan nilai batas bawah adalah untuk penggunaan metode
thresholding. Penulisan program untuk thresholding
menggunakan logika “if” dan “elseif”. Dimana jika syarat berinlai benar maka logika tersebut akan mengeksekusi
pernyataan di bawahnya dan jika tidak maka akan meneruskan ke logika di bawahnya. Program untuk thresholding dapat dilihat pada Lampiran L22. Tabel berikut
menunjukkan nilai batas bawah thresholding.
Tabel 4.13 Hasil Nilai batas bawah Yang Masih Dikenali Pada Setiap Ucapan Angka
No Ucapan
Nilai batas bawah user 1
Nilai batas bawah user 2
Nilai batas bawah user 3
1 Satu
0,7207 0,7351
0,6768 2
Dua 0,7539
0,7627 0,7212
3 Tiga
0,7030 0,6859
0,7053 4
Empat 0,7306
0,7197 0,6860
5 Lima
0,7760 0,7551
0,7928 6
Enam 0,6100
0,6721 0,6841
7 Tujuh
0,7492 0,7600
0,7794 8
Delapan 0,7414
0,7090 0,7556
9 Sembilan
0,8503 0,7298
0,7783 10
Nol 0,7340
0,6567 0,7721
4.4.2. Pengujian Pengenalan Secara Real Time