4 empat kelompok data akan digunakan sebagai data training dan satu kelompok data akan digunakan sebagai data testing.
Pembagian data untuk setiap kelompok data dapat dilihat di Tabel 2.2 Tabel 2.2 Pembagian kelompok data menjadi 5 bagian
Suara 1 Suara 2
Suara 3 Suara 4
Suara 5 1
2 3
4 5
1 2
3 4
5 1
2 3
4 5
1 2
3 4
5 1
2 3
4 5
Pada metode evaluasi 5-fold cross validation, iterasi yang dilakukan akan melibatkan data yang berbeda setiap proses training
maupun testing. Tabel 2.3 Gambaran metode 5-fold cross validation
Testing Pengujian ke 1
Pengujian ke 2 Pengujian ke 3
Pengujian ke 4 Pengujian ke 5
5 4
3 2
1 4
5 5
5 5
3 3
4 4
4 2
2 2
3 3
1 1
1 1
2 Training
Pengukuran tingkat akurasi dilakukan dengan menggunakan confusion matrix seperti pada tabel berikut.
Tabel 2.4 Contoh confusion matrix
Suara 1 Suara 2
Suara 3 Suara 4
Suara 1 Suara 2
Suara 3 Suara 4
Suara 5 Suara 5
Evaluasi dari ketepatan confusion matrix dilakukan dengan cara membandingkan output hasil dari identifikasi oleh sistem dengan label uji
yang tersedia untuk data tersebut. Perhitungan untuk mengukur tingkat akurasinya adalah dengan rumus berikut:
Akurasi = ST x 100 2.13
Keterangan : S = jumlah sample yang dikenal secara benar oleh sistem jumlah
diagonal dari confusion matrix T = jumlah total dari sample untuk pengujian.
37
BAB III ANALISA DAN PERANCANGAN SISTEM
Bab ini akan menjelaskan tentang rancangan dan cara kerja sistem yang akan dibangun. Sistem ini berfungsi untuk menganalisa tingkat
akurasi metode Hidden Markov Models dalam mengenali suara manusia.
3.1 Perancangan Sistem Secara Umum
Sistem ini digunakan untuk mengenali suara manusia yang ditampilkan dalam bentuk password untuk disimulasikan sebagai kata
kunci untuk masuk ke dalam suatu sistem dengan menggunakan metode Hidden Markov Models. Data suara terdiri dari 4 orang yang mana
merupakan 2 laki-laki dan 2 perempuan. Suara akan diambil dengan menggunakan microphone dan akan diekstraksi terlebih dahulu sebelum
dimasukkan ke dalam sistem. Sistem akan melakukan proses training dan testing dan akhirnya sistem akan menampilkan hasil apakah suara yang
masuk diterima sebagai password atau tidak.
Data suara berektensi
.wav Feature
Extraction Training
Testing Estimasi mode
Model
Proses perhitungan
probabilitas Nilai
maksimum Evaluasi hasil
Gambar 3.1 Skema sistem pengenalan suara manusia Gambar 3.1 menjelaskan tahapan dari proses pengenalan suara.
Dimulai dari data masuk yang berupa file berekstensi .wav kemudian akan memasuki proses feature extraction yang menggunakan MFCC. Hasil dari
feature extraction sendiri merupakan file berekstensi .mfc. Data suara yang telah diproses kemudian menjadi input untuk proses training dan
testing dengan menggunakan pendekatan HMM. Setelah itu akan dihasilkan suara yang dikenali sebagai hasil klasifikasi.
3.2 Gambaran Sistem
user Sistem Pengenalan
Pola Suara Sebagai Password
User memasukkan data suara dengan microphone
Sistem menampilkan hasil apakah masukan diterima atau tidak
Gambar 3.2 Gambaran Sistem secara umum
