Dari keenam grafik yang telah ditampilkan, dapat simpulkan bahwa nilai k-Nearest Neighbor
sebesar tiga dengan batas potong sebesar 0,2 dan variasi segment averaging bernilai 64 titik mempunyai pengenalan yang paling balik dengan tingkat pengenalan
sebesar 98 persen. Pengujian yang selanjutnya dengan mengambil salah satu variasi nilai pengenalan
terbaik dari kesimpulan keenam grafik diatas bahwa variasi terbaik adalah dengan nilai batas potong 0,2; lebar segment averaging 64 titik dan menggunakan nilai k-Nearest
Neighbor sebesar tiga yang dapat mengenali ucapan sebesar 98 persen.
Tabel 4.7. Confusion matrix pengujian secara tidak real-time
Output Input
CEPAT LAMBAT
KANAN KIRI
STOP CEPAT
10
LAMBAT 10
KANAN 10
KIRI
10
STOP 1
9
Dari tabel 4.7. dapat dilihat bawah pengenalan tidak mampu mengenali sampai
dengan 100 persen. Hal tersebut dikarenakan keterbatas metode yang digunakan peneliti untuk proses pengenalan suara ucapan dan suara ucapan yang keluar dari mulut tidak
selalu sama. Dari 100 persen yang dikenali sebesar 98 persen yang berarti ada 1 suara ucapan yang tidak dikenali dari 50 ucapan.
4.2.3 Pengujian Real-Time
a. Pengujian Software
D
alam pengujian ini menggunakan ucapan dari peneliti secara langsung sebagai masukannya. Pengujian real-time dilakukan dalam 10 kali pengujian untuk setiap jenis
ucapan tersebut.
Dalam pengujian menggunakan variasi parameter yang terbaik dalam pengenalan yaitu dengan nilai batas potong 0,2; lebar segment averaging 64 titik dan nilai k-Nearest
Neighbor sebesar 3. Dari percobaan yang telah dilakukan sistem pengenalan ini sudah
mampu untuk mengenali kesepuluh jenis ucapan yang diucapkan oleh peneliti. Dalam pengujian real-time ini sudah sama dengan pengujian secara tidak real-time. Tabel 4.8
memperlihatkan hasil pengujian secara real-time yang dilakukan 10 kali pengujian dengan variasi nilai batas potong 0,2; lebar segment averaging 64 titik dan nilai k-Nearest
Neighbor sebesar 3
Tabel 4.8. Hasil pengujian real-time
Jenis ucapan
Pengujian ke-
1 2
3 4
2 5
6 7
8 9
10 CEPAT
v v
v -
- v
v v
v v
v LAMBAT
v v
v v
v v
v -
- v
v KANAN
v v
v v
v v
v v
- v
v KIRI
v v
- -
- v
v v
v v
v STOP
v v
v v
v -
v v
- v
v Ket : v = dikenali; - = tidak dikenali
b. Perbedaan Hasil Ektraksi Ciri DCT Dalam Setiap Jenis Ucapan
Dalam proses ekstraksi ciri DCT mempunyai ciri masing-masing pada setiap jenis ucapan yang akan membedakan dalam setiap pengenalan jenis ucapan. Dari setiap jenis
ucapan mempunyai ciri ekstrasi ciri sendiri, maka dari itu dapat mengenali ucapan masukan yang berasal dari suara peneliti. Pada gambar 4.15. dapat dilihat bahwa dengan
menggunakan variasi pengenalan terbaik akan didapat untuk setiap jenis ucapan mempunyai ciri masing-masing.
a Hasil ekstrasi DCT “cepat”
b Hasil ekstrasi DCT “lambat”
c Hasil ekstrasi DCT “kanan”
d Hasil ekstrasi DCT “kiri”
e Hasil ekstrasi DCT “stop”
Gambar 4.15. Perbedaan ciri-ciri ekstraksi ciri DCT pada setiap jenis ucapan
c. Persamaan Hasil Ektraksi Ciri DCT Dalam Setiap Jenis Ucapan
Dalam setiap proses pengenalan ucapan akan mendapatkan hasil ekstraksi ciri dengan menggunakan variasi pengenalan terbaik. Dari proses tersebut pada setiap ucapan
yang berbeda akan mempunyai ciri yang berbeda, akan tetapi jika ucapan yang dilakukan oleh peneliti sama,maka akan menghasilkan ekstrasi ciri yang mempunyai ciri atau pola
hampir sama pula. Pada gambar 4.16. dapat dilihat bahwa hasil ekstraksi ciri pada jenis ucapan yang sama menghasilkan pola yang mempunyai ciri-ciri atau pola yang hampir
sama. Untuk melihat secara lengkap persamaan cirri ini dapat dilihat pada lampiran C.
Gambar 4.16. Persamaan ciri- ciri ekstraksi ciri DCT pada jenis ucapan “kiri”
d. Hasil Perhitungan Jarak Clark Pada Setiap Jenis Ucapan
