Sampling Perancangan Sistem Pengenalan Ucapan

3.2.6. Framing dan Windowing

Setelah data melewati proses zero padding, selanjutnya data ucapan akan melewati proses framing . Pada proses framing berfungsi untuk membagi tiap data ke beberepa bagian sebelum dilakukannya proses ekstraksi ciri. Proses framing dibatasi dengan nilai dari overlap. Nilai dari overlap merupakan nilai framing untuk membagi tiap data . Nilai overlap digunakan pada framing ditentukan sebesar 25 [26] dari panjang frame. Panjang segment yang digunakan sebesar 512 [9]. Didalam proses framing terdapat proses windowing . Windowing merupakan perancangan untuk membuat pola dalam masukan data ucapan sebelum masuk dalam proses selanjutnya. Proses windowing dilakukan dikarenakan sinyal yang telah melewati proses pemotongan sinyal yang membuat data menjadi discontinue, hal ini mengakibatkan kesalahan data proses fourier transform. Agar tidak terjadi kesalahan data pada proses maka data suara yang sudah mengalami pemotongan sinyal perlu dijadikan data kontinu dengan cara mengalihkan bagian sinyal dengan window tertentu. Pada perancangan windowing ini peneliti menggunakan jenis windowing hamming karena window hamming memiliki main lobe paling besar dan side lobe paling kecil. Program windowing akan diproses ketika fungsi windowing dipanggil. Data masukan untuk program windowing yaitu data sinyal hasil pemotongan sinyal . Sinyal hasil windowing didapat dari perkalian dari perkalian elemen dari data windowing hamming dengan data sinyal hasil pemotongan sinyal. Gambaar 3.11. menunjukan flowchart program framing dan windowing Gambar 3.11. Flowchart program framing dan windowing

3.2.7. Ekstraksi Ciri

Proses selanjutnya adalah proses ekstraksi ciri. Ekstraksi ciri yang digunakan dalam perancangan ini adalah ekstraksi ciri DFT dimana untuk mencari nilai ekstraksi ciri dft maka yang pertama dicari adalah nilai absolute perhitungan DFT. Gambar 3.12. menunjukan flowchart Ekstraksi Ciri DFT. Gambar 3.12. Flowchart Ekstraksi Ciri DFT Setelah proses ekstraksi ciri dilakukan proses segment averaging yang berfungsi untuk melakukan pengurangan jumlah data ekstraksi ciri. Segment averaging merupakan metode untuk mengurangi jumlah data dengan cara mengelompokannya dalam rentang segment kemudian dicari rata-ratanya pada tiap tiap segment. Tujuan segment averaging sama dengan downsampling dimana digunakan untuk mengurangi jumlah data ekstraksi ciri yang memiliki ukuran besar menjadi ukuran kecil. Proses segment averaging dibatasi dengan nilai dari variabel lebar segment. Lebar segment ditentukan dari banyak data berdasarkan perhitungan 2 n . Nilai dari variabel lebar segment merupakan nilai segment averaging untuk membagi tiap data . Nilai variabel lebar segment digunakan pada segment averaging ditentukan sebesar 16; 32 dan 64. Gambar 3.13. menunjukan Flowchart segment averaging . Gambar 3.13. Flowchart segment averaging.

3.2.8. Perhitungan Similaritas

Pada perancangan perhitungan similaritas ini merupakan hasil akhir dimana semua sinyal suara yang sudah melewati proses akan masuk kedalam perhitungan similaritas untuk mencari nilai similaritas terbesar setiap masukan dengan database yang sudah dirancang. Nilai similaritas terbersar dari hasil perbandingan dapat dikenali dengan menggunalan perhitungan similaritas. Perhitungan similaritas pada perancangan ini digunakan similaritas kosinus. Perhitungan perbandingan antara masukan dan database tersebut mengacu pada persamaan 2.5. Gambar 3.14. menunjukan flowchart perhitungan similaritas.