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 .