10 20
30 40
50 60
70 80
90
4 8
16 32
64 128
256
Pr e
sen tase
Pe n
g e
n al
an
Segment Averaging
Pengaruh segment averaging
batas potong 0,2 batas potong 0,3
batas potong 0,4 batas potong 0,5
Gambar 4.25. Pengaruh perubahan segment averaging menggunakan k-nearest neighbor K=5 terhadap ucapan
Akibat pengaruh dari nilai-nilai tersebut, didapat hasil pengenalan ucapan terbaik yang akan digunakan untuk pengujian secara real time. Pengenalan terbaik berada pada
batas potong 0,3 dan segment averaging 128 yaitu dengan hasil pengenalan 81,6 dan hasil pengenalan ucapan terkecil yaitu 66,6 .
d. Pengujian Tidak Real Time Nilai Batas Potong dan Segment Averaging Dengan
Menggunakan Nilai K-Nearest Neighbor K=7
Tabel 4.7. Tingkat Pengenalan untuk Hasil Nilai Batas Potong dan Segment Averaging Menggunakan K-Nearest Neighbor K=7
Nilai Batas Potong
Segment Averaging
4 8
16 32
64 128
256
0,2
70 70
69,1 73,3
80,8 81,6
80
0,3
65 64,1
64,1 67,5
77,5 80,8
79,6
0,4
65 66,6
67,5 71,6
75 80
79,6
0,5
68,3 69,1
68,3 70
74,1 77,5
75,8
10 20
30 40
50 60
70 80
90
0,2 0,3
0,4 0,5
Pr e
sen tase
Pe n
g e
n al
an
Batas Potong
Pengaruh Batas Potong
Segment everaging 4 Segment everaging 8
Segment everaging 16 Segment everaging 32
Segment everaging 64 Segment everaging 128
Segment everaging 256
Gambar 4.26. Pengaruh perubahan nilai batas potong menggunakan k-nearest neighbor K=7 terhadap ucapan
Gambar 4.27. Pengaruh perubahan nilai segment averaging menggunakan k-nearest neighbor
K=7 terhadap ucapan
10 20
30 40
50 60
70 80
90
4 8
16 32
64 128
256
Pr e
sen tase
Pe n
g e
n al
an
Segment Averaging
Pengaruh Segment Averaging
Batas potong 0,2 Batas potong 0,3
Batas potong 0,4 Batas potong 0,5
Pada gambar 4.26 dan gambar 4.27 memperlihatkan presentase pengujian nilai batas potong dan segment averaging tanpa menggunakan nilai k-nearest neighbor untuk
pengenalan ucapan secara tidak real time dengan menggunakan KNN 7. Data yang dapat digunakan untuk pengenalan ucapan terbaik berada pada nilai batas potong 0,2 dengan
segment averaging 128 yang mampu mengenali ucapan hingga 81,6 sedangkan
pengenalan ucapan yang terkecil ada di batas potong 0,3 dan segment averaging 8 dan segment averaging
16 yang hanya mengenali ucapan 64,1 . Dari beberapa grafik pengaruh batas potong, segment averaging dengan variabel
KNN 1, 3, 5, 7 terhadap ucapan pada gambar di atas didapat hasil hasil pengenalan terbaik. Bila dilihat dari tabel dan grafik dapat disimpulkan bahwa pengenalan terbaik berada pada
nilai batas potong 0,2 ; 0,3 ; 0,4 ; 0,5 dan segment averaging 128 dengan variasi nilai KNN 1, 3, 5, 7. Dari variasi nilai terbaik tersebut diambil pengenalan terbaik yang paling
tertinggi dan digunakan untuk pengambilan data secara real time. Pengenalan ucapan terbaik tersebut dengan menggunakan batas potong 0,2, segment averaging 128, dan KNN
7 dengan total pengenalan ucapan sebesar 98 atau presentasenya sekitar 81,6 .
4.2.3 Pengujian Real Time
Pengujian real time merupakan pengujian dengan langsung menggunakan ucapan user
sebagai masukan. Pengujiannya dilakukan oleh tiga user dengan cara user langsung mengucapkan ucapan ke arah mikrofon dan ucapan yang dikenali akan ditampilkan jenis
ucapan pada GUI. Setiap ucapan user yang diuji yaitu ucapan yang sudah ditentukan sebelumnya dan tersimpan di database hidup, lambat, cepat dan mati.
Pada pengujian secara real time menggunakan pengenalan ucapan terbaik yang sudah dipilih pada pengujian tidak real time. Pada pengujian real time dilakukan sebanyak
10 kali pada setiap ucapan user dengan memilih batas potong 0,2, segment averaging 128 dan KNN 7 yang mempunyai total pengenalan ucapan lebih baik. Proses pengujian secara
real time bertujuan untuk mengetahui keberhasilan program dalam mengenali ucapan dari
masing-masing user. Tabel 4.8, 4,9, 4.10 dan 4.11 memperlihatkan data hasil percobaan secara real time dari masing-masing user.
