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.