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.
Gambar 3.14. Flowchart Program Perhitungan Similaritas
3.2.9. Penentuan hasil pengenalan suara k-Nearest Neigbor
Proses terakhir dari keseluruhan program pengenalan ucapan adalah penentuan suara hasil pengenalan dengan metode K-NN. Dalam proses ini terjadi penentuan hasil
pengenalan suara hasil rekaman real time dengan suara referensi. Hasil perbandingan yang mempunyai nilai hasil perhitungan secara similaritas kosinus mempunyai nilai similaritas
terbesar, maka akan dapat ditentukan sebagai hasil keluaran. Hasil penentuan akan ditampilkan di tampilan GUI berupa tulisan text. Flowchart penentuan suara hasil
pengenalan, dijabarkan pada gambar dibawah Berawal dari mencari nilai similaritas kosinus dari ucapan masuk dengan semua
database. Lalu urutkan hasil perhitungan similaritas kosinus dari terbesar sampai terkecil. Pilih nilai k pada variasi nilai k untuk mengambil hasil similaritas kosinus terbesar. Lalu
menentukan nilai kelas yang sudah terpilih, selanjutnya mencari kelas yang sering muncul . Mencari indeks kelas yang sering muncul dan mencari nilai nilai similaritas kosinus pada
kelas yang sering muncul. Balik hasil nilai similaritas kosinus dari kanan ke kiri dan ambil similaritas kosinus yang paling depan untuk dibandingan dengan nilai thesholding.
Keterangan variabel dari nilai TH adalah sebagai nilai batas maksimal dari similaritas yang digunakan. Setiap ucapan benda yang akan dikenali mempunyai batasan
nilai maksimal dan minimal. Selanjutnya apabila nilai similaritas yang didapat kurang dari
