Pengurangan Jumlah Elemen Koefisien Ekstraksi Ciri

66 68 70 72 74 76 78 80 82 4 8 16 32 64 128 256 Pr e sen tase Pe n g e n al an Segment Averaging Pengaruh Segment averaging tanpa menggunakan k-nearest neighbor Batas Potong 0,2 Batas Potong 0,3 Batas Potong 0,4 Batas Potong 0,5 Data hasil pengenalan ucapan dengan menggunakan segment averaging pada tabel 4.4 bila dibandingkan dengan data tabel 4.3. Pengaruh nilai k-nearest neighbor tanpa segment averaging terhadap pengenalan ucapan menunjukan bahwa tingkat pengenalan pada tiga user terhadap ucapan meningkat. Hal ini cukup membantu untuk pengenalan ucapan secara real time . Tabel 4.4. memperlihat tingkat pengenalan tanpa KNN atau K=1. Tabel 4.4. Tingkat Pengenalan untuk Hasil Nilai Batas Potong dan segment averaging Tanpa Menggunakan K-Nearest Neighbor Gambar 4.20. Pengaruh perubahan segment averaging lebar frame tanpa menggunakan k-nearest neighoar K=1 terhadap ucapan Nilai Batas Potong Segment Averaging 4 8 16 32 64 128 256 0,2 75,8 74.1 74,1 75 78,3 78,3 76,6 0,3 71,6 71,6 73,3 75 78,3 80 79,1 0,4 71,6 70,8 72,5 73,3 75 76,6 75,8 0,5 73,3 74,1 75 75,8 78,3 78,3 78,3 66 68 70 72 74 76 78 80 82 0,2 0,3 0,4 0,5 Pr e sen tase Pe n g e n al an Batas Potong Pengaruh batas potong tanpa menggunakan k-nearest neighbor Segment averaging 4 Segment averaging 82 Segment averaging 16 Segment averaging 32 Segment averaging 64 Segment averaging 128 Segment averaging 256 Gambar 4.21. Pengaruh perubahan nilai batas potong tanpa menggunakan k-nearest neighbor K=1 terhadap ucapan Pada gambar 4.20 dan gambar 4.21 memperlihatkan presentase pengujian nilai batas potong dan segment averaging tanpa menggunakan nilai k-nearest neighbor untuk pengenalan ucapan secara tidak real time. Data yang didapat yaitu untuk pengenalan ucapan terbaik berada pada nilai batas potong 0,3 dengan segment averaging 128 yang mampu mengenali ucapan hingga 80 sedangkan pengenalan ucapan yang paling rendah berada di batas potong 0,4 dan segment averaging 8 yang hanya mengenali ucapan 70,8 .

b. Pengujian Tidak Real Time Nilai Batas Potong dan Segment Averaging Dengan

Menggunakan Nilai K-Nearest Neighbor K=3 Tabel 4.5 merupakan pengenalan ucapan dengan menggunakan batas potong, segment averaging dan k-nearest neighbor k=3. Data tersebut dibuat dalam bentuk grafik seperti di perlihatkan pada gambar 4.22 dan gambar 4.23. 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 averaging 4 Segment averaging 82 Segment averaging 16 Segment averaging 32 Segment averaging 64 Segment averaging 128 Segment averaging 256 Tabel 4.5. Tingkat Pengenalan untuk Hasil Nilai Batas Potong Dan Segment Averaging Menggunakan K-Nearest Neighbor K=3 Nilai Batas Potong Segment Averaging 4 8 16 32 64 128 256 0,2 73,3 70,8 70 70 79,1 79,1 79,1 0,3 67,5 67,5 68,3 70 79,1 81,6 76,6 0,4 70 70 70,8 73,3 80,8 78,3 79,1 0,5 70 70 70,8 71,6 80,8 78,3 79,1 Gambar 4.22. Pengaruh perubahan nilai batas potong menggunakan k-nearest neighbor k=3 terhadap ucapan 10 20 30 40 50 60 70 80 90 100 4 8 16 32 64 Pr e sen tase p e 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 4.23. Pengaruh perubahan segment averaging menggunakan K-Nearest Neighbor K=3 terhadap ucapan Tabel 4.5, gambar 4.22 dan gambar 4.23 memperlihatkan hasil dari pengaruh perubahan nilai batas potong tanpa menggunakan k-nearest neighbor terhadap penganalan ucapan secara tidak real time. Pengaruh perubahan tersebut memperlihatkan hasil pengenalan ucapan terbaik sampai 81,6 dengan mengunakan batas potong 0,3 dan segment averaging 128. Sedangkan pengenalan terendah pada 70 . Dengan pengenalan ucapan terbaik tersebut dapat digunakan untuk pengujian secara real time.

c. Pengujian Tidak Real Time Nilai Batas Potong dan Segment Averaging Dengan