Pada data gambar 4.18 dan gambar 4.19 di atas merupakan presentase pengenalan ucapan secara tidak real time terhadap batas potong dan k-nearest neighbor tanpa
menggunakan segment averaging dengan menggunakan data ucapan tiga user secara tidak real time
. Presentase yang didapat mengalami penurunan seperti diperlihatkan pada gambar 4.18 dan gambar 4.19 yang menunjukan presentase pengenalan hanya sekitar
67,5 - 74,1 . Hal disebabkan oleh pengurangan jumlah elemen koefisien ekstraksi ciri sehingga pada pengenalan dibutuhkan segment averaging agar hasil pengenalan ucapan
lebih baik atau presentase pengenalan bisa meningkat.
4.2.2 Pengujian Tidak Real Time
Pengujian secara tidak real time bertujuan untuk mengetahui atau mencari tingkat pengenalan terbaik dari setiap nilai variabel yang telah ditentukan yaitu pada batas potong,
segment averaging , dan k-nearest neighbor. Hasil pengenalan terbaik digunakan untuk
pengambilan data pengenalan ucapan secara real time. Pengujian ini menggunakan 3 user, setiap ucapan dari masing-masing user disimpan dengan nama file yang berbeda. Pada
perekaman ucapan, terdapat empat macam ucapan user yang direkam yaitu hidup, lambat, cepat dan mati. Ucapan yang direkam sebanyak 20 data ucapan yang terbagi dalam 10 data
ucapan pembentukan database dan 10 data percobaan pengenalan. Dengan demikian terdapat 20 data ucapan dari masing-masing user, maka total ucapan yang direkam untuk
tiga user sebanyak 120 data ucapan. Pada pengujian tidak real time ini diperoleh data hasil tingkat pengenalan ucapan
dari tiga user. Pengujian tidak real time dilakukan dengan cara mengubah nilai batas potong, segment averaging dan KNN pada M-file program ekstraksi ciri DCT setelah
mengubah variabel dengan nilai yang pilih, program di Run sehinggga pada command window
matlab didapat data hasil pengenalan ucapan. Data hasil pengenalan tidak real time
yang sudah didapat diperlihatkan presentasenya dalam bentuk grafik.
a. Pengujian Tidak Real Time, Nilai Batas Potong dan segment averaging Tanpa
Menggunakan Nilai K-Nearest Neighbor K=1
Pada tabel 4.4 memperlihatkan data hasil pengujian nilai batas potong dan segment averaging
tanpa menggunakan nilai k-nearest neighbor secara tidak real time. Saat pengujian nilai dari batas potong 0,2, 0,3, 0,4, 0,5 dan segment averaging 4, 8, 16, 32,
64, 128, 256 dijalankan satu persatu untuk mendapatkan data hasil pengenalan ucapan.
66 68
70 72
74 76
78 80
82
4 8
16 32
64 128
256
Pr e
sen tase
Pe n
g e
n al
an
Segment Averaging
Pengaruh Segment averaging tanpa menggunakan k-nearest neighbor
Batas Potong 0,2 Batas Potong 0,3
Batas Potong 0,4 Batas Potong 0,5
Data hasil pengenalan ucapan dengan menggunakan segment averaging pada tabel 4.4 bila dibandingkan dengan data tabel 4.3. Pengaruh nilai k-nearest neighbor tanpa segment
averaging terhadap pengenalan ucapan menunjukan bahwa tingkat pengenalan pada tiga
user terhadap ucapan meningkat. Hal ini cukup membantu untuk pengenalan ucapan secara
real time . Tabel 4.4. memperlihat tingkat pengenalan tanpa KNN atau K=1.
Tabel 4.4. Tingkat Pengenalan untuk Hasil Nilai Batas Potong dan segment averaging Tanpa Menggunakan K-Nearest Neighbor
Gambar 4.20. Pengaruh perubahan segment averaging lebar frame tanpa menggunakan k-nearest neighoar
K=1 terhadap ucapan Nilai
Batas Potong Segment Averaging
4 8
16 32
64 128
256 0,2
75,8 74.1
74,1 75
78,3 78,3
76,6
0,3
71,6 71,6
73,3 75
78,3 80
79,1
0,4
71,6 70,8
72,5 73,3
75 76,6
75,8
0,5
73,3 74,1
75 75,8
78,3 78,3
78,3