Analisa Hasil Identifikasi Suara

23 6 MFCC_D 20 93 24 6 MFCC_D 25 91 25 4 MFCC_D_A 10 80 26 4 MFCC_D_A 15 77 27 4 MFCC_D_A 20 82 28 4 MFCC_D_A 25 72 29 5 MFCC_D_A 10 82 30 5 MFCC_D_A 15 81 31 5 MFCC_D_A 20 88 32 5 MFCC_D_A 25 87 33 6 MFCC_D_A 10 78 34 6 MFCC_D_A 15 83 35 6 MFCC_D_A 20 88 36 6 MFCC_D_A 25 89 Pada Gambar 4.1 berikut merupakan grafik yang menunjukkan tingkat akurasi identifikasi suara manusia dengan menggunakan feature MFFC_D dan dengan kombinasi windows size dan jumlah state yang berbeda. Grafik di bawah ini merupakan pengujian pada Speech Recognition. Gambar 4.1 Tingkat Akurasi Identifikasi Suara Manusia dengan Feature MFCC_D untuk Speech Recognition 70 75 80 85 90 95 100 4 5 6 A ku rasi Window Size Hasil Pengujian 10 15 20 25 Jumlah state Pada Gambar 4.2 berikut merupakan grafik yang menunjukkan tingkat akurasi identifikasi suara manusia dengan menggunakan feature MFFC_D dan dengan kombinasi windows size dan jumlah state yang berbeda. Grafik di bawah ini merupakan pengujian pada Speaker Recognition. Gambar 4.2 Tingkat Akurasi Identifikasi Suara Manusia dengan Feature MFCC_D untuk Speaker Recognition 70 75 80 85 90 95 4 5 6 A ku rasi Windows Size Hasil Pengujian 10 15 20 25 Jumlah state Pada Tabel 4.3 dan Tabel 4.5 berikut ini menunjukkan tingkat akurasi dari berbagai jenis tipe feature yang berbeda. Pada Tabel 4.3 jumlah state yang digunakan adalah 25 dengan ukuran windows size adalah 6ms. Sedangkan pada Tabel 4.5 jumlah state yang digunakan adalah 20 dengan ukuran windows size adalah 6ms. Tabel 4.3 Hasil identifikasi suara berdasarkan tipe feature pada proses Speech Recognition Feature Akurasi MFCC 93 MFCC_D 95 MFCC_D_A 92 Hasil dari pengujian tersebut menunjukkan bahwa tingkat akurasi yang dihasilkan bervariasi mulai dari 92 sampai dengan 95. Pengujian Hidden Markov Models yang menggunakan tipe feature MFCC_D dengan jumlah state 25 dan besar windows size 6ms memiliki akurasi yang paling tinggi. Tabel berikut ini merupakan confusion matrix untuk pengujian yang memiliki tingkat akurasi yang paling tinggi. Confusion matrix di bawah ini untuk proses pengujian dengan speech recognition. Tabel 4.4 Confusion Matrix MFCC_D untuk Speech Recognition no l sat u du a tig a emp at lim a ena m tuju h delapa n sembila n nol 19 0 1 satu 20 dua 19 1 tiga 19 1 empat 19 1 lima 18 1 1 enam 18 2 tujuh 1 17 2 delapan 20 sembila n 20 Pada confusion matrix di atas dapat dilihat bahwa sistem dapat mengidentifikasi suara dengan baik. Pada pengucapan kata ‘satu’, ‘delapan’, dan ‘sembilan’ mampu dikenali dengan tepat dengan menunjukkan hasil maksimal yaitu 20. Nilai terendah dari confusion matrix tersebut adalah 17 yaitu pada penguca pan kata ‘tujuh’. Dalam proses identifikasi speech recognition, suara yang masuk tetapi bukan berasal dari speaker yang telah dimodelkan sebelumnya dapat diproses dan terkadang hasil pengujian tepat. Hal ini dikarenakan pola kata yang harus diucapkan telah tetap sehingga walaupun suara yang masuk tidak berasal dari speaker yang telah dimodelkan masih dapat dikenali dengan mencari kedekatan yang maksimum. Tabel 4.5 Hasil identifikasi suara berdasarkan tipe feature pada proses Speaker Recognition Feature Akurasi MFCC 89 MFCC_D 93 MFCC_D_A 88 Hasil dari pengujian tersebut menunjukkan bahwa tingkat akurasi yang dihasilkan bervariasi mulai dari 88 sampai dengan 93. Pengujian Hidden Markov Models yang menggunakan tipe feature MFCC_D dengan jumlah state 20 dan besar windows size 6ms memiliki akurasi yang paling tinggi. Tabel berikut ini merupakan confusion matrix untuk pengujian yang memiliki tingkat akurasi yang paling tinggi. Confusion matrix di bawah ini untuk proses pengujian dengan speaker recognition. Tabel 4.6 Confusion Matrix MFCC_D untuk Speaker Verification Angga Deta Petra Yudhi Angga 45 5 Deta 44 6 Petra 3 47 Yudhi 1 49 Pada confusion matrix diatas hasil paling tinggi adalah 49 yaitu pada speaker yang bernama Yudhi. Sedangkan jumlah paling kecil yaitu 44 yang merupakan speaker yang bernama Deta. Pada proses speaker verification terdapat beberapa faktor yang mempengaruhi tingkat akurasi proses identifikasi. Salah satu faktor tersebut adalah speaker yang memiliki hubungan darah dapat membuat sistem sedikit sulit untuk membedakan speaker tersebut. Dalam kasus ini Petra dan Deta adalah speaker yang memiliki hubungan darah sehingga terkadang suara Petra yang masuk tetapi teridentifikasi sebagai Deta.

4.2 Implementasi Antarmuka Sistem

4.2.1 Halaman Depan

Halaman Depan merupakan halaman yang pertama kali dilihat oleh user ketika menjalankan sistem ini. Halaman depan berisi judul dari sistem beserta nama dari mahasiswa beserta nama dari dosen pembimbing. Pada halaman depan terdapat dua menu utama yang terdapat di kiri atas. Setiap menu utama memiliki sub-menu yang lain. Tampilan dari Halaman Depan dapat dilihat pada Gambar 4.1 berikut. Gambar 4.3 Halaman Depan

4.2.2 Halaman Pilihan Menu Pengujian

Halaman Pilihan Menu Pengujian merupakan halaman yang akan digunakan user untuk memilih pengujian yang akan dilakukan, yaitu pengujian untuk Speech Recognition atau Speaker Recognition. Halaman ini dapa dilihat pada Gambar 4.2. Gambar 4.4 Halaman Pilihan Pengujian

4.2.3 Halaman Pengujian Hidden Markov Models untuk Speech

Recognition Halaman Pengujian Hidden Markov Models Speech Recognition untuk adalah halaman yang berfungsi untuk menguji metode Hidden Markov Models dengan jenis feature, windows size dan jumlah state yang berbeda-beda. Pengujian ini dilakukan untuk mengetahui tingkat akurasi dari hasil identifikasi suara. Dalam pengujian ini akan dihasilkan confusion matrix, tingkat akurasi, lama jalannya program serta banyaknya data yang cocok dan tidak cocok. Tampilan dari halaman ini dapat dilihat pada Gambar 4.3. Pada halaman ini terdapat beberapa kolom yang berisi tentang berbagai keterangan. Pada kolom Keterangan Data berisi tentang keterangan mengenai jumlah data yang akan diproses, jumlah data yang akan melalui proses training dan jumlah data untuk testing. Pada kolom Feature Extraction terdapat tiga jenis feature extraction yang harus dipilih untuk melakukan proses pengujian. Pada pilihan Windows Size terdapat tiga pilihan dan pada Jumlah State terdapat empat pilihan yang dapat disesuaikan dengan kebutuhan pengguna. Pada kolom Proses Hidden Markov Models berisi tentang langkah- langkah dari proses Hidden Markov sendiri. Kolom Confusion Matrix berisikan confusion matrix yang merupakan hasil dari proses pengujian Hidden Markov Models. Kolom Hasil Pengujian berisi tentang keterangan dari hasil pengujian yang di dalamnya terdapat jumlah data yang sesuai, jumlah data yang tidak sesuai, waktu keseluruhan dan tingkat akurasi yang berupa persentase. Gambar 4.5 Halaman Pengujian Hidden Markov Models untuk Speech Recognition

4.2.4 Halaman Pengujian Hidden Markov Models untuk Speaker

Verification Halaman Pengujian Hidden Markov Models untuk Speaker Recognition adalah halaman yang berfungsi untuk menguji metode Hidden Markov Models dengan jenis feature, windows size dan jumlah state yang berbeda-beda. Pengujian ini dilakukan untuk mengetahui tingkat akurasi dari hasil identifikasi suara. Dalam pengujian ini akan dihasilkan confusion matrix, tingkat akurasi, lama jalannya program serta banyaknya data yang cocok dan tidak cocok. Tampilan dari halaman ini dapat dilihat pada Gambar 4.4. Pada halaman ini terdapat beberapa kolom yang berisi tentang berbagai keterangan. Pada kolom Keterangan Data berisi tentang keterangan mengenai jumlah data yang akan diproses, jumlah data yang akan melalui proses training dan jumlah data untuk testing. Pada kolom Feature Extraction terdapat tiga jenis feature extraction yang harus dipilih untuk melakukan proses pengujian. Pada pilihan Windows Size terdapat tiga pilihan dan pada Jumlah State terdapat empat pilihan yang dapat disesuaikan dengan kebutuhan pengguna. Pada kolom Proses Hidden Markov Models berisi tentang langkah- langkah dari proses Hidden Markov sendiri. Kolom Confusion Matrix berisikan confusion matrix yang merupakan hasil dari proses pengujian Hidden Markov Models. Kolom Hasil Pengujian berisi tentang keterangan dari hasil pengujian yang di dalamnya terdapat jumlah data yang sesuai,