BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Pra-Proses
Hasil akhir kegiatan pra-proses, adalah 6 jenis frame suara asli yang telah diboboti window hamming, dan 6 jenis frame suara Noise yang telah diboboti
window hamming. Penerapan kombinasi lebar waktu frame dengan lebar overlap dapat digunakan untuk membentuk blok frame suara. Jumlah frame suara dalam 1
blok, disajikan pada Tabel 4. Tabel 4 Jumlah frame suara untuk frekuensi suara 16000 Hz
Parameter No
Lebar waktu frame ms
Lebar Overlap ms
Jumlah frame dalam 1 blok
1. 16 6,4 103 2. 30
12 55 3. 40
16 41 4. 16
8 124 5. 30
15 66 6. 40
20 49
Untuk mengetahui jumlah sampel data pada setiap frame suara, dilakukan
dengan mengeksekusi persamaan fr1000 fs, dimana fr adalah lebar waktu frame, dan fs adalah frekuensi suara. Penerapan beberapa nilai parameter lebar
waktu frame 16 ms, 30 ms dan 40 ms dan frekuensi suara 16000 Hz, terhadap persamaan diatas, akan didapat jumlah sampel data untuk setiap frame suara
seperti disajikan pada Tabel 5. Tabel 5 Jumlah sampel data per satu frame
No Lebar waktu frame
ms Jumlah sampel data
1. 16 256
2. 30 480
3. 40 640
Frame suara yang terbentuk pada kegiatan pra-proses, merupakan frame suara yang telah diboboti dengan window hamming.
4.2 Hasil Ekstraksi Ciri
Hasil akhir proses ekstraksi ciri adalah arsip yang berisi data ciri suara. Penggunaan koefisien mel 16 dan 20 pada metode MFCC dalam mengekstraksi
setiap frame suara menjadi vektor ciri dengan ukuran 16, dan 20 ciri suara sesuai dengan koefisien mel yang digunakan.
Hasil penerapan metode MFCC adalah vektor dengan sejumlah nilai ciri
suara, disebut data ciri suara. Mengacu pada penggunaan parameter lebar waktu
frame, lebar overlap, dan koefisien mel, maka penerapan metode MFCC akan menghasilkan 12 kelompok data. Setiap kelompok data memiliki 100 vektor ciri.
Pemberian nama kelompok data menggunakan nilai parameter dengan susunan
“mel.frame.overlap”, lihat Tabel 6.
Tabel 6 Nama kelompok data
Parameter pembentuk data ciri No
Mel Frame ms
Overlap Nama kelompok
data ciri
1 16 16.16.40
2 30 16.30.40
3 40 40
16.40.40 4 16
16.16.50 5 30
16.30.50 6
16 40
50 16.40.50
7 16 20.16.40
8 30 20.30.40
9 40 40
20.40.40 10 16
20.16.50 11 30
20.30.50 12
20 40
50 20.40.50
Penerapan metode MFCC pada proses ekstraksi ciri dapat mereduksi dimensi vektor suara hingga 84, sedangkan penerapan kombinasi metode PCA
dengan MFCC dapat mereduksi dimensi vektor suara hingga 99. Rinci hasil proses ekstraksi ciri dapat dilihat pada Tabel 7 dan Tabel 8.
Penerapan metode PCA terhadap data pelatihan, akan menghasilkan matriks berisi nilai komponen utama dan vektor yang berisi nilai eigen. Menurut Johnson,
sebagian data hasil proses PCA dapat digunakan untuk menggantikan fungsi data hasil proses PCA sebagai data penelitian. Pemilihan sampel data pengganti
dilakukan melalui penghitungan rasio nilai eigen R, yaitu: membagi hasil penjumlahan sejumlah nilai eigen, dengan hasil penjumlahan seluruh nilai eigen,
secara matematis penghitungan rasio nilai eigen dituliskan dengan persamaan R =
∑ ∑
= =
n j
j m
i i
1 1
λ λ
, dimana
λ adalah nilai eigen. Persentasi rasio 80, 90 dan 95 dari total nilai eigen, akan memberikan sebanyak m data yang dapat digunakan untuk
membentuk data pelatihan dan data pengujian Johnson et. al 1998.
Penerapan proses ekstraksi ciri suara juga berlaku untuk data noise. Dimensi setiap vektor hasil ekstraksi suara, disajikan pada tabel 7 data asli dan tabel 8
data noise. Tabel 7 Dimensi data penelitian hasil ekstraksi ciri suara untuk data asli
Ukuran vektor ciri hasil pencuplikan
No Kelompok
data Ukuran
Vekt_mfcc Ukuran
Vekt_Pca Pca80
Pca90 Pca95
1 16.16.40 3120 99
8 19 36
2 16.30.40 1650 99
8 18 32
3 16.40.40 1230 99
8 17 31
4 16.16.50 3735 99
10 22 40
5 16.30.50 1980 99
9 20 36
6 16.40.50 1485 99
9 19 34
7 20.16.40 3952 99
9 21 39
8 20.30.40 2090 99
8 19 35
9 20.40.40 1558 99
8 18 33
10 20.16.50 4731 99
11 24 43
11 20.30.50 2508 99
10 22 39
12 20.40.50 1881 99
10 21 36
Tabel 8 Dimensi data penelitian hasil ekstraksi ciri suara untuk data noise
Ukuran vektor ciri hasil pencuplikan
No Kelompok
data Ukuran
Vekt_mfcc Ukuran
Vekt_Pca Pca80
Pca90 Pca95
1 16.16.40 3120 99
8 19 36
2 16.30.40 1650 99
8 18 32
3 16.40.40 1230 99
8 17 31
4 16.16.50 3735 99
10 22 41
5 16.30.50 1980 99
9 20 36
6 16.40.50 1485 99
9 19 34
7 20.16.40 3952 99
9 21 39
8 20.30.40 2090 99
8 19 35
9 20.40.40 1558 99
8 18 33
10 20.16.50 4731 99
11 25 44
11 20.30.50 2508 99
10 22 39
12 20.40.50 1881 99
10 21 36
4.3 Hasil Pengujian PNN70
Kategori