pengujian pengurangan jumlah elemen koefisien ekstraksi ciri dengan presentase tingkat pengenalan terbaik.
Ketidaakmampuan pengenalan ucapan untuk mengenali ucapan 100 persen adalah karena adanya pengenalan ucapan yang salah. Selisih untuk
mencapai hasil 100 persen adalah sebesar 18,33 persen. Selisih sebesar 18,33 persen ini dapat disebabkan oleh keterbatasan metode yang digunakan oleh
penulis.
B. Pengujian Dengan Menggunakan Segment Averaging
Presentase pengenalan ucapan terbaik terdapat pada variasi nilai batas potong 0.2 dan variasi nilai downsampling 2. Variasi nilai terbaik tersebut
memiliki tingkat pengenalan ucapan hingga 81,67 persen setelah dilakukan pengujian secara tidak real time. Dalam pengujian secara tidak real time masih
terdapat 18,33 persen dari 100 persen kebenaran. Kesalahan 81,33 persen tersebut dapat diperkecil presentase kesalahan dengan cara menggunakan
segment averaging . Pengujian ini dilakukan dengan membagi jumlah data dalam
beberapa segment dengan mengurangi koefisien ekstraksi ciri. Perbaikan tingkat pengenalan ini dilakukan agar kinerja program pengenalan antarmuka dapat
lebih baik dengan meminimalkan jumlah presentase kesalahan. Ukuran sinyal yang digunakan pada pengenalan adalah 1024 data oleh
karena itu dalam membagi dengan kelipatan 2
n
dimulai dari n=3. Faktor pembagi data awal disebut dengan segment dan hasil pembagian data awal
dengan segment menjadi hasil akhir koefisien ekstraksi ciri yang akan dipakai dalam perhitungan berikutnya. Pembagian jumlah data dalam beberapa segment
kemudian dilakukan perhitungan rata – rata agar membuat yang jumlahnya
banyak menjadi lebih sedikit ukurannya. Gambar 4.8 menunjukan proses pembagian data awal dengan beberapa segment dan menghasilkan pengurangan
jumlah elemen koefisien ekstraksi ciri[23].
Gambar 4.8 Proses Pembagian Data Awal Dengan Beberapa Segment 2
n
[23] Dalam pengujian pengurangan jumlah elemen koefisien ekstraksi ciri tidak
semua pembagian data dalam beberapa segment mampu menghasilkan tingkat pengenalan dari sebelumnya, sehingga penulis menggunakan pembagi lebar
segment 64 dengan jumlah elemen ekstraksi 16 dari jumlah data awal sebesar
1024 data yang memiliki tingkat pengenalan 83,33 persen. Pengunaan pembagi lebar segment 64 ini berdasarkan pengujian dengan presentase tingkat
pengenalan yang terbaik. Hasil pengujian tingkat pengenalan menggunakan segment averaging
ditunjukan pada tabel 4.4.
Tabel 4.4 Hasil Tingkat Pengenalan Menggunakan Segment Averaging
No Lebar segment
Jumlah Elemen Ekstraksi
Tingkat Pengenalan
1 8
128 81,7
2 16
64 80,0
3 32
32 82,5
4 64
16 83,3
5 128
8 78,3
Perbaikan tingkat pengenalan yang terjadi adalah sebesar 1,66 persen dari 81,67 persen menjadi 83,33 persen. Hal ini menunjukan dengan membagi data
dalam beberapa segment dan mencari nilai rata – rata pada tiap segment sebagai
2
N
data
nilai yang
mewakili nilai
lain, dapat memperbaiki tingkat pengenalan sebelumnya dengan mengurangi presentase kesalahan sebesar 1,66 persen.
4.3.2 Pengujian Parameter Pengenalan Ucapan Untuk Mengatur Kecapatan Kipas DC Secara Real Time
A. Pengujian Pengenalan Ucapan dan Kecepatan Kipas DC
Pengujian secara real time dilakukan dengan menggunakan masukan secara langsung dari ucapan pengenalan oleh pengguna yang direkam dan
langsung tertampil keluaran. Pengguna yang melakukan pengujian sebanyak tiga orang sesuai dengan database yang telah disimpan. Pengujian secara real time
mempunyai tujuan agar mengetahui kinerja program pengenalan ucapan yang telah dibuat. Kesalahan pada pengenalan yang terjadi merupakan pengenalan
yang dikenali secara salah. Pengujian secara real time dilakukan dengan menggunakan nilai variasi batas potong dan downsampling terbaik dari
pengujian secara tidak real time pada pengujian sebelumnya. Nilai variasi terbaik yang digunakan untuk pengujian secara real time adalah nilai batas
potong 0,2 dan nilai downsampling 2. Ucapan pengenalan yang digunakan sebagai masukan pada saat push button
“Rekam” ditekan oleh pengguna. Pengujian secara real time ini dilakukan sebanyak lima kali pengujian pada tiap
ucapan pengenalan. Dengan pengujian sebanyak lima kali pengujian pada tiap pengucapan diperoleh presentase keberhasilan program pengenalan ucapan
dapat berjalan dengan baik. Hasil pengujian ditunjukan dalam tabel 4.5 dengan pengujian sebanyak 60 pengujian.
Tabel 4.5 Hasil Pengujian Secara Real Time
Batas potong = 0.2 Downsampling = 2
Ucapan Ucapan yang
dikenali Ucapan yang
dikenali Ucapan yang
dikenali Pengguna 1
Pengguna 2 Pengguna 3
Hidup V V V V V V V V V V V V V V V
Mati V V V X V V X V X X X X V X X
Cepat V V V V V V V V V V V V V V V
Lambat V V V V V V V V V V V V V V X
Keterangan : V = Dikenali Secara Benar; X = Dikenali Secara Salah Hasil pengujian pengenalan ucapan secara real time dengan pengujian
sebanyak 60 pengujian dapat memperoleh presentase tingkat pengenalan hingga
85 persen. Kesalahan pengenalan ucapan sebesar 15 persen masih masuk dalam batas toleransi keberhasilan program yang ditentukan oleh penulis yaitu dengan
presentase tingkat pengenalan ucapan minimal sebesar 80 persen. Kesimpulan yang didapat adalah sistem pengenalan ucapan untuk mengatur keccepatan kipas
DC secara real time sudah berjalan dengan baik sesuai dengan perancangan.
Tabel 4.6 Hasil Kecepatan Putar Kipas DC Pada Pengujian Secara Real Time
No Keadaan
sekarang RPM
Input Ucapan
Ucapan Dikenali
Keadaan selanjutnya
RPM
1 Level 0
Hidup Hidup
Level 4 681,8
2 Level 4
681,8 Mati
Hidup Level 4
670,7 2
Level 4 670,7
Mati Mati
Level 0 3
Level 0 Cepat
Cepat Level 1
90,4 4
Level 1 90,4
Cepat Cepat
Level 2 332,7
5 Level 2
332,7 Cepat
Cepat Level 3
543,1 6
Level 3 543,1
Cepat Cepat
Level 4 686,6
7 Level 4
686,6 Lambat
Hidup Level 4
688,1 8
Level 4 688,1
Lambat Lambat
Level 3 540
9 Level 3
540 Lambat
Lambat Level 2
314,5 10
Level 2 314,5
Lambat Lambat
Level 1 105,9
11 Level 1
105,9 Lambat
Lambat Level 0
Pada pengujian secara real time sudah dapat melakukan komunikasi serial dan mengatur kecepatan putar kipas DC sudah berjalan dengan baik sesuai
dengan perancangan. Hasil data komunikasi secara serial pada pengujian secara real time
ditunjukan dalam tabel 4.2 dan hasil kecepatan putar kipas DC pada pengujian secara real time ditunjukan dalam tabel 4.6.
B. Pengujian Ekstraksi Ciri Pengenalan Ucapan Pada Masing – Masing
Ucapan
Proses ekstraksi ciri pengujian secara real time memiliki ciri masing –
masing yang membedakan pada setiap pola hasil ekstraksi dalam proses pengenalan ucapan. Pada pengujian secara real time menggunakan variasi batas
potong dan downsampling terbaik akan mendapatkan pola ucapan yang mempunyai ciri yang berbeda. Pola ucapan hasil esktraksi ciri
kata “hidup”, “mati”, “cepat” dan “lambat” dalam proses pengenalan ucapan ditunjukan dalam
bentuk grafik dan numerik dengan ditunjukan pada gambar 4.9, gambar 4.10, gambar 4.11 dan gambar 4.12.
