Tabel 4.4. Menggunakan nilai frame blocking 4096 dengan database per nada 8
Hasil pengenalan diatas berdasarkan dari tabel lampiran merupakan hasil pengenalan suara dari program yang menggunakan nilai dari database per nada 1, 2, 4 dan 8. Data tingkat
pengenalan untuk database 1, 2, 4 dan 8 dari setiap suara akan dipresentasikan dengan presentasi yang menunjukkan tingkat pengenalan suara berdasarkan variasi nilai frame blocking, database
per nada dan nilai k pada k-NN. Dari keempat pilihan variasi nilai database pernada, database per nada yang ke 8 yang mampu untuk mengenali suara instrumen musik dengan tingkat
pengenalan kurang lebih 90 persen. Berdasarkan tabel di atas menunjukkan kenaikan dan penurunan kinerja sistem dari hasil
pengenalan suara dikarenakan oleh pengaruh variasi nilai dari frame blocking, database per nada dan nilai k pada k-NN.
Database per nada yang digunakan adalah 1, 2, 4 dan 8. Berdasarkan data dari tingkat keberhasilan mengenali suara instrument musik, dengan Database pernada yang ke 8 sudah
mampu mengenali suara instrument musik dengan baik. Kelas yang digunakan
k-Nearest Neighbour k-NN adalah bilangan ganjil yaitu 1, 3, 5 dan 7. Berdasarkan data dari tingkat persentase keberhasilan mengenali suara instrumen musik,
dengan menggunakan k-nn satu disetiap nada dan alat musik sudah mampu untuk mengenali suara-suara pada alat musik. Sehingga pada peneltian ini k-NN tidak diperlukan pada proses
pengenalan suara instrumen musik, dikarenakan untuk kelas k=1 sama dengan tidak menggunakan k-Nearest Neighbor k-NN karena nilai minimumnya hanya mencari satu nilai
sampel dari database dan juga kelasnya hanya ada satu.k=1 tidak bisa mencari nilai yang paling minimum dari nada lain, sedangkan kelas k=3, 5, 7 menggunakan k-Nearest Neighbor k-NN
karena mencari nilai minimum dari sampel database disetiap variasi nada sesuai dengan nilai k. Frame
Blocking Database
nada K-NN
Tingkat Pengenalan
4096 8
1 100
4096 8
3 96,29
4096 8
5 91,20
4096 8
7 89,81
94
Syarat dari k-Nearest Neighbor k-NN yang diambil sebagai keluaran adalah kelas yang paling banyak muncul.
4.2.1.2 Pengujian Real Time
Pada program pengenalan suara instrument musik, user memilih variasi frame blocking, database per nada dan nilai k pada k-NN. Setelah user selesai memilih variasi- variasi yang ada,
maka user dapat menjalankan program pengenalan suara instrument musik. Pengujian real time dilakukan dengan menggunakan masukan suara instrument musik
secara langsung. Jumlah data yang diambil untuk pengujian ini adalah sebanyak lima kali untuk setiap nada dari suara instrument musiknya. Parameter yang digunakan dalam pengujian real
time adalah parameter terbaik yang telah di dapat pada pengujian tidak real time sebelumnya atau pengujian secara offline. Parameter yang didapat secara tidak real time yaitu dengan variasi
frame blocking, database per nada dan nilai k pada k-NN yang terbaik adalah 1024, nilai k=1 pada k-NN dan database per nada dengan menggunakan database 4 dan 8.
Berdasarkan percobaan yang telah dilakukan, sistem pengenalan suara dapat mengenali suara instrument dengan baik. Hasil pengujian secara real time sesuai dengan hasil pengujian
tidak real time yaitu mendapatkan nilai variasi parameter terbaik. Pada sistem pengenalan suara instrument musik tersebut menggunakan variasi terbaik dari frame blocking 64, 256, 1024 dan
4096, database per nada 4 dan 8 dan nilai k = 1 pada k-NN. Tabel 4.5 dan 4.12 memperlihatkan hasil pengujian secara real time yang dilakukan sebanyak 5 kali pengujian seperti pada tabel
berikut : Tabel 4.5. Hasil Pengujian secara real time dengan variasi frame blocking 64 database per nada
4 dan nilai k=1 pada k-NN. Confusion
Matrix Belira
Pianika Rekorder
Tingkat Pengenalan Belira
36 4
5 80
Pianika 1
37 7
82,22 Rekorder
2 43
95,55 Rata-rata tingkat pengenalan
86 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian.
Tabel 4.6. Hasil Pengujian secara real time dengan variasi frame blocking 64 database per nada 8 dan nilai k=1 pada k-NN.
Confusion Matrix
Belira Pianika
Rekorder Tingkat Pengenalan
Belira 35
9 1
77,77 Pianika
1 41
3 91,11
Rekorder 2
8 35
77,77 Rata-rata tingkat pengenalan
82,22 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian. Tabel 4.7. Hasil Pengujian secara real time dengan variasi frame blocking 256 database per nada
4 dan nilai k=1 pada k-NN. Confusion
Matrix Belira
Pianika Rekorder
Tingkat Pengenalan Belira
41 4
91,11 Pianika
2 40
3 88,88
Rekorder 4
6 33
73,33 Rata-rata tingkat pengenalan
84,44 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian. Tabel 4.8. Hasil Pengujian secara real time dengan variasi frame blocking 256 database per nada
8 dan nilai k=1 pada k-NN. Confusion
Matrix Belira
Pianika Rekorder
Tingkat Pengenalan Belira
35 5
5 77,77
Pianika 5
36 4
80 Rekorder
15 30
66,66 Rata-rata tingkat pengenalan
74,81 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian.
Tabel 4.9. Hasil Pengujian secara real time dengan variasi frame blocking 1024 database per nada 4 dan nilai k=1 pada k-NN.
Confusion Matrix
Belira Pianika
Rekorder Tingkat Pengenalan
Belira 35
5 5
77,77 Pianika
2 42
1 93,33
Rekorder 1
9 35
77,77 Rata-rata tingkat pengenalan
82,96 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian. Tabel 4.10. Hasil Pengujian secara real time dengan variasi frame blocking 1024 database per
nada 8 dan nilai k=1 pada k-NN.
Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5 kali pengujian.
Tabel 4.11. Hasil Pengujian secara real time dengan variasi frame blocking 4096 database per nada 4 dan nilai k=1 pada k-NN.
Confusion Matrix
Belira Pianika
Rekorder Tingkat Pengenalan
Belira 41
4 91,11
Pianika 3
38 3
84,44 Rekorder
10 35
77,77 Rata-rata tingkat pengenalan
84,44 Ket : Masukan berupa nada do, re, mi, fa, sol, la, si, do tinggi, re tinggi dengan masing-masing 5
kali pengujian. Confusion
Matrix Belira
Pianika Rekorder
Tingkat Pengenalan Belira
35 5
5 77,77
Pianika 2
42 1
93,33 Rekorder
10 35
77,77 Rata-rata tingkat pengenalan
82,96
