sebelumnya. Hasil parameter pengujian terbaik secara tidak real time akan digunakan sebagai parameter untuk pengujian pengenakan ucapan secara real time.
4.3.1 Pengujian Pengenalan Ucapan Secara Tidak Real Time
Pengujian pengenalan secara tidak real time dilakukan dengan menggunakan rekaman ucapan yang telah disimpan dengan nama yang berbeda dan akan dibandingkan
dengan database. Pembentukan database dilakukan dengan memproses ucapan yang juga sebelumnya sudah direkam ke dalam proses preprocessing dan framing windowing. Seperti
yang dijelaskan pada flowchart gambar 3.4. sebelum proses ekstraksi ciri. Proses selanjutnya adalah ekstraksi ciri DFT dan segment averaging. Kemudian data hasil
pengolahan disimpan pada directory yang sama dengan program untuk dilakukan pengenalan. Program pembentukan database dapat dilihat pada lampiran L9. Proses yang
sama juga dilaksanakan pada ucapan masukan. Proses selanjutnya adalah membandingkan antara database dan hasil ektraksi ciri dari ucapan masukan menggunakan metode
similaritas. Pengujian dilakukan dengan 3 pengguna yang berbeda. Tujuan dari pengujian pengenalan ini adalah untuk mengevaluasi variasi jumlah
data rekaman ucapan dalam database serta mencari parameter nilai k pada kNN dan nilai segment averaging dengan hasil pengenalan terbaik, lalu nilai-nilai tersebut akan
digunakan untuk pengujian program secara real time. Variasi jumlah data rekaman ucapan dalam database yang digunakan adalah 1, 2, 4, dan 8 data setiap ucapan untuk masing-
masing pengguna. Jika database yang berisi 1 data rekaman ucapan telah memiliki tingkat pengenalan di atas 90, maka database tersebut akan digunakan untuk percobaan real
time. Masukan data pengenalan secara tidak real time menggunakan sampel sebanyak 120 ucapan dari semua pengguna. Data hasil pengenalan secara tidak real time ditampilkan
dalam tabel untuk pengambilan kesimpulan. Program pengujian secara tidak real time dapat dilihat pada lampiran L11. Berikut merupakan tabel tingkat pengenalan ucapan
secara tidak real time. Tabel 4.2. Tingkat Pengenalan Secara Tidak Real Time dengan Database
Berisi 8 Data Rekaman Ucapan
USER 1
3 5
7 1
3 5
7 1
3 5
7 8
97,5 97,5
95,0 95,0
97,5 97,5
97,5 97,5
97,5 97,5
92,5 92,5
16 97,5
95,0 95,0
95,0 97,5
97,5 97,5
97,5 97,5
97,5 97,5
97,5 32
97,5 92,5
92,5 90,0
97,5 97,5
97,5 97,5
97,5 97,5
97,5 97,5
64 97,5
90,0 90,0
85,0 97,5
97,5 97,5
97,5 97,5
97,5 97,5
97,5 segment
averaging nilai k pada knn
nilai k pada knn nilai k pada knn
EVAN FIAN
KRIS
Tabel 4.3. Tingkat Pengenalan Secara Tidak Real Time dengan Database Berisi 4 Data Rekaman Ucapan
Tabel 4.4. Tingkat Pengenalan Secara Tidak Real Time dengan Database Berisi 2 Data Rekaman Ucapan
Tabel 4.5. Tingkat Pengenalan Secara Tidak Real Time dengan Database Berisi 1 Data Rekaman Ucapan
Berdasarkan data-data di atas, dapat diketahui bahwa rata-rata pengenalan ucapan untuk masing-masing pengguna serta kombinasi nilai kNN dan segment averaging sangat
tinggi. Berdasarkan pengujian, akan diambil kombinasi nilai kNN dan segment averaging terkecil dengan hasil pengenalan yang tertinggi, karena semakin besar kombinasi nilai
kNN dan segment averaging ternyata dapat mengurangi tingkat pengenalan ucapan. Hasil pengenalan ucapan dengan variasi database yang berisi 1, 2, 4, dan 8 data rekaman ucapan
telah menunjukan hasil yang optimal. Akan diambil database dengan jumlah data rekaman ucapan yang paling sedikit tetapi berhasil mengenali ucapan dengan baik, karena jumlah
data dalam database yang semakin kecil juga berarti semakin efisien program yang digunakan, karena pemrosesan data yang lebih sedikit.
Untuk pengujian real time, akan diambil kombinasi nilai segment averaging 8 dan nilai kNN 1 pada database yang berisi 1 data rekaman ucapan untuk pengujian real time,
karena dengan kombinasi tersebut program telah dapat mengenali ucapan degan galat terbesar tidak lebih dari 5. Tingkat pengenalan yang tinggi pada pengujian tidak real
USER 1
3 5
7 1
3 5
7 1
3 5
7 8
97,5 95,0
95,0 80,0
97,5 97,5
97,5 95,0
97,5 97,5
97,5 97,5
16 95,0
92,5 90,0
77,5 97,5
97,5 97,5
87,5 97,5
97,5 97,5
97,5 32
90,0 90,0
80,0 75,0
95,0 97,5
92,5 85,0
97,5 97,5
97,5 95,0
64 90,0
82,5 75,0
67,5 95,0
92,5 62,5
57,5 97,5
97,5 92,5
92,5 FIAN
KRIS segment
averaging nilai k pada knn
nilai k pada knn nilai k pada knn
EVAN
USER 1
3 5
7 1
3 5
7 1
3 5
7 8
95,0 77,5
70,0 27,5
97,5 97,5
50,0 25,0
92,5 95,0
37,5 25,0
16 95,0
77,5 67,5
27,5 97,5
95,0 52,5
25,0 97,5
97,5 35,0
25,0 32
92,5 72,5
42,5 37,5
95,0 97,5
52,5 25,0
97,5 97,5
35,0 25,0
64 90,0
67,5 47,5
27,5 90,0
72,5 52,5
25,0 97,5
97,5 27,5
25,0 EVAN
FIAN KRIS
segment averaging
nilai k pada knn nilai k pada knn
nilai k pada knn
USER 1
3 5
7 1
3 5
7 1
3 5
7 8
95,0 60,0
50,0 20,0
95,0 57,5
42,5 25,0
95,0 60,0
50,0 25,0
16 95,0
60,0 47,5
20,0 92,5
55,0 42,5
25,0 95,0
60,0 47,5
20,0 32
92,5 55,0
25,0 10,0
87,5 50,0
40,0 20,0
95,0 55,0
25,0 20,0
64 87,5
50,0 25,0
10,0 65,0
50,0 40,0
10,0 95,0
50,0 25,0
20,0 EVAN
FIAN KRIS
segment averaging
nilai k pada knn nilai k pada knn
nilai k pada knn
time dikarenakan data ucapan yang digunakan sebagai masukan dan database telah direkam terlebih dulu, sehingga pola sinyalnya mirip dan tidak berubah-ubah karena telah
direkam. Hal ini juga memperkecil kemungkinan gangguan yang tidak diinginkan seperti derau pada saat sampling ucapan masukan untuk pengolahan data.
Untuk pengujian real time yang menggunakan variasi yang tersebut akan diambil batas bawah dari nilai similariasnya untuk setiap kata yang diucapkan. Tujuan
pengambilan nilai batas bawah adalah untuk penggunaan metode thresholding. Metode thresholding digunakan untuk
mengetahui “error” jika kata yang diucapkan bukan ucapan yang akan dikenali. Penulisan program untuk thresholding menggunak
an logika “if” dan “elseif”, yaitu jika syarat terpenuhi, maka program tersebut akan mengeksekusi pernyataan
di bawahnya, dan jika tidak, maka akan diteruskan ke perintah selanjutnya. Percobaan untuk menentukan nilai thresholding dapat dilihat pada lampiran L30. Nilai batas bawah
thresholding pada setiap ucapan ditunjukan pada tabel 4.6. Tabel 4.6. Batas Bawah Nilai Similaritas
4.3.2 Pengujian Pengenalan Ucapan Secara Real Time