Pengujian Parameter Pengenalan Ucapan Untuk Mengatur Kecapatan Kipas DC Secara Real Time

Gambar 4.13 Perbandingan Rata – Rata Hasil Ekstraksi Ciri Ucapan “hidup” Database Dengan Ucapan “hidup” Pada Pengenalan Gambar 4.12 Perbandingan Rata – Rata Hasil Ekstraksi Ciri Ucapan “mati” Database Dengan Ucapan “mati” Pada Pengenalan 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A m pl it udo Data tercuplik Perbandingan Rata - Rata Hasil Ekstraksi Ciri Ucapan hidup Database Dengan Ucapan hidup Pada Pengenalan Rata - rata hasil Esktraksi ciri database Ucapan hidup pengguna 1 Ucapan hidup pengguna 2 Ucapan hidup pengguna 3 1 2 3 4 5 6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A m pl it udo Data tercuplik Perbandingan Rata - Rata Hasil Ekstraksi Ciri ucapan mati Database Dengan Ucapan mati Pada Pengenalan Rata - rata hasil ekstraksi ciri database Ucapan mati pengguna 1 Ucapan mati pengguna 2 Ucapan mati pengguna 3 Gambar 4.13 Perbandingan Rata – Rata Hasil Ekstraksi Ciri Ucapan “cepat” Database Dengan Ucapan “cepat” Pada Pengenalan Gambar 4.14 Perbandingan Rata – Rata Hasil Ekstraksi Ciri Ucapan “lambat” Database Dengan Ucapan “lambat” Pada Pengenalan Hasil perbandingan rata – rata ekstraksi ciri pada ucapan yang telah disimpan dalam databse dengan setiap ucapan pengenalan menggunakan tiga 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A m pl it udo Data tercuplik Perbandingan Rata - Rata Hasil Ekstraksi Ciri ucapan cepat Database Dengan Ucapan cepat Pada Pengenalan Rata - rata hasik ekstraksi ciri database Ucapan cepat pengguna 1 Ucapan cepat pengguna 2 Ucapan cepat pengguna 3 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A m pl it udo Data tercuplik Perbandingan Rata - Rata Hasil Ekstraksi Ciri ucapan lambat Database Dengan Ucapan lambat Pada Pengenalan Rata - rata hasil ekstraksi ciri database Ucapan lambat pengguna 1 Ucapan lambat pengguna 2 Ucapan lambat pengguna 3 pengguna yang berbeda ditunjukan dalam bentuk numerik dengan ditunjukan dalam lampiran halaman L30. Pada lampiran halaman L30 hasil perhitungan jarak minimum sudah sesuai dengan ucapan yang dikenali. Tetapi pada hasil perhitungan jarak minimum ucapan “mati” nilai yang paling minimum adalah ucapan “cepat” pada pengguna pertama. Dapat dilihat pada gambar 4.11. Grafik pengguna pertama ham pir menyerupai grafik ucapan “cepat” sehingga ucapan “mati” terkadang dapat dikenali secara salah. Pada hasil perbandingan ucapan “hidup” nilai yang paling minimum adalah ucapan “mati”, Nilai yang paling minimum ucapan “mati” karena dilihat pada pada gambar 4.9 ucapan pengenalan “hidup” menyerupai gambar rata – rata hasil ekstraksi ciri database ucapan “mati” yang ditunjukan pada gambar 4.12, karena ucapan pengenalan “hidup” setiap pengguna memiliki pola yang jauh berbeda tiap ucapan pengguna sehingga ucapa n pengenalan “hidup” pada tiap pengguna berbeda jauh rata – rata nilai hasil ekstraksi ciri database ucapan “hidup” yang ditunjukkan pada gambar 4.11. 80

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil percobaan dan pengujian sistem pengenalan ucapan untuk mengatur kecepatan kipas DC dapat disimpulkan sebagai berikut : 1. Pada program pengenalan ucapan untuk mengatur kecepatan kipas DC sudah dapat mengenali ucapan dari tiga pengguna berbeda yang telah ditentukan dengan ucapan pengenalan “hidup”, “mati”, “cepat” dan lambat. 2. Program pengenalan ucapan untuk mengatur kecepatan kipas DC sudah dapat melakukan komunikasi serial antara laptop dengan mikrokontroler dan dapat mengatur kecepatan putar kipas DC yang telah ditentukan. 3. Pengujian secara tidak real time mendapatkan presentase tingkat pengenalan terbaik terdapat pada kombinasi parameter nilai batas potong 0,2 dan downsampling 2 dengan presentase tingkat pengenalan ucapan terbaik hingga 81,67 persen. 4. Pengujian secara tidak real time dengan penggunaan pengurangan jumlah elemen koefisien ekstraksi ciri dapat meningkatkan presentase tingkat pengenalan ucapan terbaik hingga 83,33 persen dengan membagi data sebanyak 1024 dengan menggunakan lebar segment 64 akan mengurangi data sebanyak 1024 data menjadi 16 data. 5. Pengujian secara real time dengan penggunaan pengurangan jumlah elemen koefisien ekstraksi dan kombinasi parameter nilai batas potong 0,2 dan downsampling 2 mendapatkan presentase tingkat pengenalan terbaik hingga 85 persen.

5.2 Saran

Saran untuk pengembangan sistem pengenalan ucapan angka adalah sebagai berikut : 1. Pengembangan sistem pengenalan ucapan untuk mengatur kecepatan kipas DC ini dengan menambah batas pengenalan ucapan sehingga program pengenalan ucapan ini sehingga dapat mengurangi ucapan pengenalan yang salah ketika melakukan percobaan pada saat real time . 2. Menambahkan pengenalan ucapan secara otomatis sistem pengenalan ucapan sehingga pada proses pengenalan ucapan tidak menggunakan tombol untuk merekam dan melakukan proses pengenalan ucapan. 81 DAFTAR PUSTAKA [1] Hidayatno, A., Saksono, M. W. T. 2008. Aplikasi Pengenalan Ucapan Sebagai Pengatur Mobil Dengan Pengendali Jarak Jauh. Transmisi, 101, 21-26. [2] Adler, J., Azhar, M., Supatmi, S. 2013. Identifikasi Suara dengan Matlab sebagai Aplikasi Jaringan Syaraf Tiruan. [3] Arman, A. A. 2008. Proses Pembentukan dan Karakteristik Sinyal Ucapan. Departemen Teknik Elektro ITB, http:indotts. melsa. net. id, access date: July, 7. [4] Wijayanto, I., Dwifebrianti, R. 2013. Jenis Tipe Jangkauan Suara Pada Pria dan Wanita Menggunakan Metode Mel-frequency Cepstral Coefficient dan Jaringan Syaraf Tiruan Backpropagation. [5] Aminudin, A., Wahyudi, W., Hidayatno, A. 2011. Analisis Eigen Sinyal Suara Doctoral dissertation, Jurusan Teknik Elektro Fakultas Teknik Undip. [6] http:www.produksielektronik.com201406pengertian-cara-kerja-mikrofon- microphone dilihat pada tanggal 1 Agustus 2014. [7] http:www.geniusnet.comgeniusOnlineuploadsupporteCatalogueaudioPA_ MIC - 01A . pdf dilihat pada tanggal 1 Agustus 2014. [8] http:www.realkarachi.comdownloadsbookshow-stuff-workshow-sound-cards- work28www.realkarachi.com29.pdf dilihat pada tanggal 1 Maret 2014. [9] Firmansyah, A. 2003. Dasar-dasar Pemrograman Matlab [10] Gunawan D., dan Hilman Juwono, F. 2012. Pengolahan Sinyal Digital Dengan Pemrograman Matlab, Graha Ilmu, Yogyakarta. [11] -----,2010, 8-bit Atmel with 8Kbytes In-System Progammable Flash, Atmel. [12] -----,2010, FT232R USB UART IC: Datasheet, FTDI Chip. [13] Pramono, A. J. B. 2013. Implementasi dan Analisis logika Fuzzy Pada Robot Pengikut Garis Doctoral dissertation, UAJY. [14] Khayam, S. A. 2003. The Discrete Cosine Transform DCT: Theory and Application . Michigan State University. [15] Hendarko, G., Hidayatno, A., Isnanto, R. R. 2011. Identifikasi Citra Sidikjari Menggunakan Alihragam Wavelet dan Jarak Euclidean Doctoral dissertation, Diponegoro University. [16] Resmiati, P., Susanto, B., Chrisantyo, L. 2013. Penentuan Not angka Lagu Dari Suara Menggunakan Discrete Fourier Transform. Jurnal Informatika. [17] Sutiknyo, P. H. P., Soelistijorini, R. Penggolongan Suara Berdasarkan Usia Dengan Menggunakan Metode K-means. EEPIS Final Project. [18] Isnarningsih, E. 2009. Pengaruh Intensitas Kebisingan Terhadap Kelelahan Tenaga Kerja di Bagian Welding 2b dan Bagian p2 Shipping CBU di PT X Plant II Jakarta Utara Doctoral dissertation, Universitas Negeri Sebelas Maret. [19] Zhao, J., Yu, Y. 2011. Brushless DC Motor Fundamentals Application Note. [20] Boylestad, R. L., Nashelsky, L., Monssen, F. 2006. Electronic devices and circuit theory . Pearson Prentice Hall. [21] Oppenheim, A.V., and R.W. Schafer, Discrete-Time Signal Processing, Prentice- Hall, 1989, pp. 447-448. [22] Jain, A. K., Duin, R. P. W., Mao, J. 2000. Statistical pattern recognition: A review. Pattern Analysis and Machine Intelligence, IEEE Transactions on,221, 4- 37 [23] Setiawan, R. 2014. Pengenalan Ucapan Angka Secara Real Time Menggunakan Ekstraksi Ciri FFT dan Fungsi Similaritas Kosinus. Jurusan Teknik Elektro-USD Yogyakarta. 83 LAMPIRAN PERCOBAAN MENCARI PANJANG WAKTU PEREKAMAN PENGENALAN UCAPAN DENGAN MATLAB 7.10 Tujuan : 1. Mendapatkan panjang waktu perekaman yang tepat pada proses pengenalan ucapan 2. Mengetahui pengaruh data sinyal pengenalan terhadap panjang waktu pengenalan ucapan Variabel : 1. Panjang waktu yang digunakan adalah 0.5 detik,1 detik, 1.5 detik dan 2 detik. 2. Frekuensi sampling yang digunakan adalah 6000 Hertz. Hasil Plotting  Percobaan pada lama waktu pencuplikan 0.5 detik  Percobaan pada lama waktu pencuplikan 1 detik  Percobaan pada lama waktu pencuplikan 1.5 detik  Percobaan pada lama waktu pencuplikan 2 detik Analisa Pada percobaan dengan lama waktu pencuplikan 0.5 detik data ucapan tidak tercuplik secara utuh. Pada proses perekaman dengan waktu pencuplikan ucapan tidak terekam secara utuh atau ucapan yang terekam terpotong. Pada percobaan dengan lama waktu pencuplikan 1 detik, 1.5 detik dan 2 detik. Pada percobaan dengan lama waktu tersebut data ucapan tercuplik secara utuh tetapi terlalu lama pada proses pencuplikan, sehingga data yang tercuplik terlalu banyak. Lamanya proses pencuplikan akan menimbulkan suara yang tidak diinginkan noise ikut terekam pada proses perekaman. Perocbaan dengan lama waktu 1 detik terlihat lebih efisien karena mendapatkan data ucapan secara utuh dan tidak terlalu banyak data yang tercuplik.