47
4 BAB IV
IMPLEMENTASI DAN ANALISIS HASIL
Bab ini berisi uraian dari implementasi sistem dan analisis hasil penelitian. Pada implementasi sistem berisi visualisasi proses ekstraksi ciri dan tampilan
antarmuka program untuk setiap prosesnya. Sedangkan pada analisis hasil penelitian berisi analisis pengujian variasi arsitektur jaringan dan analisis hasil
pengujian data tunggal.
4.1 Implementasi Sistem
Dalam subbab ini akan ditunjukkan visualisasi proses ekstraksi ciri dan tampilan antarmuka dari aplikasi yang telah dibuat. Aplikasi ini dibuat
menggunakan bahasa pemrograman Matlab.
4.1.1 Visualisasi Proses Ekstraksi Ciri
Berikut ini visualisasi dari setiap tahap dalam proses ekstraksi ciri sinyal suara, dengan contoh suara mesin sepeda motor normal:
1. Baca Data Suara
Dalam proses ini data suara yang bertipe “.wav” dengan panjang waktu 3 detik, dibaca oleh program dengan
menggunakan fungsi wavread. Berikut ini hasil pembacaan file suara menggunakan fungsi wavread:
Gambar 4.1 Hasil Baca File Suara .wav Pada gambar 4.1 dapat dilihat dalam sebuah file rekaman
suara dengan panjang suara 3 detik, diperoleh data sebanyak 133.397 data. Berikut ini grafik sinyal dari seluruh data tersebut:
Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread 2.
Proses Frame Blocking Data hasil proses pertama dimasukan kedalam proses
frame blocking dan menghasilkan data sebagai berikut:
Gambar 4.3 Data Hasil Proses Frame Blocking Pada gambar 4.3 dapat dilihat hasil proses ini yaitu
kumpulan data dalam matriks ukuran 149×1764. Berikut ini tampilan grafik sinyal dari hasil proses frame blocking:
Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking 3.
Proses Windowing Data hasil proses frame blocking kemudian dimasukkan
kedalam proses windowing dengan menggunakan metode hamming window. Berikut ini data hasil proses tersebut:
Gambar 4.5 Data Hasil Proses Windowing Dari gambar 4.5 dapat dilihat hasil dari proses windowing
berupa matriks data berukuran sama dengan hasil frame blocking sebelumnya yaitu 149×1764. Berikut ini tampilan
grafik sinyal dari data hasil proses windowing: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing 4.
Proses Analisis Autokorelasi Data hasil proses windowing selanjutnya dikonversi
menjadi data dengan matriks berukuran 1×262836. Berikut ini data hasil konversinya:
Gambar 4.7 Data Hasil Konversi Kemudian data hasil konversi tersebut dimasukan kedalam
proses analisis autokorelasi. Untuk contoh proses ini dipilih orde LPC yaitu 8. Berikut data hasil proses tersebut:
Gambar 4.8 Data Hasil Proses Analisis Autokorelasi Dari gambar 4.8 dapat dilihat bahwa diperoleh data
sebanyak p+1 yaitu orde LPC sebanyak 8 ditambah 1 data, dari hasil proses analisis autokorelasi. Berikut ini tampilan grafik
sinyal data hasil proses tersebut: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis Autokorelasi Orde 8
5. Proses Analisis LPC
Hasil dari proses analisis autokorelasi kemudian dimasukkan kedalam proses analisis LPC untuk mendapatkan
nilai koefisien LPC. Dalam proses ini digunakan metode Levinson Durbin. Orde LPC yang digunakan dalam contoh ini
yaitu 8. Berikut data hasil proses tersebut:
Gambar 4.10 Data Koefisien LPC Orde 8 Pada gambar 4.10 dapat dilihat data koefisien LPC
sebanyak 8 sesuai dengan orde LPC yang telah dipilih. Berikut ini grafik sinyal dari koefisien LPC tersebut:
Gambar 4.11 Grafik Sinyal Data Koefisien LPC Orde 8 6.
Proses Perhitungan Nilai Delta LPC Data koefisien LPC yang telah diperoleh, kemudian
dihitung nilai delta-nya. Perhitungan dilakukan sebanyak 2 kali untuk mendapatkan nilai delta LPC dan delta delta LPC.
Berikut ini hasil dari proses tersebut:
Gambar 4.12 Data Delta LPC Orde 8
Gambar 4.13 Data Delta Delta LPC Orde 8 Seluruh data mulai dari koefisien LPC, delta LPC dan
delta delta LPC, kemudian digabungkan menjadi sebuah vektor ciri dengan ukuran 1×24 data. Berikut ini hasil gabungan
tersebut beserta grafik sinyalnya: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8
Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8
Data hasil ekstraksi ciri menggunakan fitur LPC disimpan d
alam sebuah file bertipe “.mat”, diantaranya data.mat, norm_data.mat, dan dc.mat. Sedangkan label dari setiap data juga
disimpan dalam file bertipe “.mat” yaitu target_pelatihan.mat. Agar model jaringan terbaik yang telah diperoleh dari proses pelatihan dan
pengujian arsitektur JST dapat digunakan dalam proses pengujian data tunggal, maka disimpan dalam fil
e bertipe “.mat” yaitu net.mat. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4.1.2 Tampilan Antarmuka Aplikasi
Berikut ini tampilan antarmuka menu utama keseluruhan dari aplikasi dalam penelitian ini:
Gambar 4.16 Tampilan Menu Utama Aplikasi
Aplikasi ini dibagi kedalam 3 proses, yaitu ekstraksi ciri LPC, pelatihan - pengujian arsitektur JST, dan identifikasi data uji. Berikut
ini tampilan antarmuka untuk masing- masing proses: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1. Ekstraksi Ciri LPC
Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC Dari gambar 4.17, dapat dilihat nama-nama data dari 200
data pelatihan yang akan diekstraksi. Setelah menekan tombol Ekstraksi Data, berikut ini hasil data ekstraksinya:
Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Pelatihan dan Pengujian Arsitektur JST
Berikut ini tampilan dari proses pelatihan dan pengujian arsitektur JST:
Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian Arsitektur JST
Pada gambar 4.19, terdapat parameter-parameter yang dapat diubah-ubah untuk setiap percobaan pengujian agar
mendapatkan akurasi terbaik. Parameter tersebut diantaranya orde LPC dan kombinasi dengan nilai turunannya, hidden layer
satu dan 2, dan iterasiepoch. Ditampilkan juga tabel confusion matrix yang dapat digunakan untuk mendapatkan nilai akurasi
jaringan. Berikut ini tampilan proses pelatihan jaringan:
Gambar 4.20 Tampilan Pelatihan 2 Hidden Layer
Gambar 4.21 Tampilan Pelatihan 1 Hidden Layer
3. Identifikasi Data Uji
Setelah mengklik tombol ‘Identifikasi Suara’, terdapat 4 tampilan hasil klasifikasi data suara berdasarkan jenis suara
mesin sepeda motor. Berikut tampilannya:
Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak KatupKlep
Gambar 4.23 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Normal
Gambar 4.24 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Rantai Kamprat
Gambar 4.25 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Stang SeherBatang Piston
Untuk memasukkan data dilakukan dengan mengklik tombol ‘Cari File’, kemudian memilih file yang akan diproses.
4.2 Analisis Hasil Penelitian
