Gambar 4.12 Halaman Pengujian Speaker Verification untuk speaker Angga
Gambar 4.13 Halaman Pengujian Speech Recognition untuk speaker Yudhi
Gambar 4.14 Halaman Pengujian Speaker Verification untuk speaker Yudhi
Gambar 4.15 Halaman Pengujian Speech Recognition untuk speaker Detha
Gambar 4.16 Halaman Pengujian Speaker Verification untuk speaker Detha
Untuk speaker yang tidak terdaftar pada pemodelan sistem, sistem masih dapat memproses data yang masuk. Pada proses speaker recognition
suara yang masuk akan dicocokkan dengan pemodelan suara yang ada dan dicari data yang memiliki kedekatan yang paling tinggi. Untuk proses
speaker verification akan ditampilkan peringatan bahwa suara yang masuk tidak terdaftar.
Gambar 4.17 Halaman Pengujian Speaker Verification untuk speaker yang tidak terdaftar
4.2.8 Halaman Bantuan
Halaman Bantuan ini digunakan untuk membantu user menggunakan sistem. Halaman ini membantu user untuk mendapatkan
penjelasan langkah-langkah bagaimana sistem berjalan. Halaman ini dapat dilihat setelah user memilih sub-menu pada halaman depan. Tampilan
pada halaman ini dapat dilihat pada Gambar 4.15
Gambar 4.18 Halaman Bantuan
4.2.9 Halaman Tentang Programmer
Halaman Tentang Programmer ini berisi tentang penulis serta kontak yang dapat dihubungi apabila terdapat kritik, saran atau
pertanyaan.
Gambar 4.19 Halaman Tentang Programmer
76
BAB V KESIMPULAN DAN SARAN
Pada bab ini akan dijelaskan mengenai kesimpulan dari pengujian Hidden Markov Models serta hal-hal yang berkaitan dengan proses
identifikasi suara manusia. Pada bab ini juga akan diberikan beberapa saran untuk perbaikan program kedepannya.
5.1 Kesimpulan
1. Pada proses pengujian dan identifikasi dapat disimpulkan bahwa
metode Hidden Markov Models merupakan metode yang baik untuk pengenalan suara manusia. Hal ini dapat dilihat dari tingkat akurasi
yang dihasilkan dari proses identifikasi dan pengujian yang telah dibahas sebelumnya di bab 4.
2. Dari proses pengujian, diperoleh tingkat akurasi terbaik untuk proses
Speech Recognition yaitu 95 dengan windows size 6ms, jumlah state 25 dan jenis feature extraction MFCC_D. Sedangkan untuk proses
Speaker Verification diperoleh tingkat akurasi terbaik 93 dengan windows size 6ms, jumlah state 20 dan jenis feature extraction
MFCC_D.
3. Tingkat akurasi terbaik untuk masing-masing feature antara lain :
a. Speech Recognition
MFCC = 93 MFCC_D = 95
MFCC_D_A = 92 b.
Speaker Verification MFCC = 89
MFCC_D = 93 MFCC_D_A = 88
4. Metode Hidden Markov Models memerlukan jumlah data yang banyak
agar proses training dapat menghasilkan bentuk model yang baik.
5. Dalam pemilihan windows size, tipe feature extraction dan jumlah state
mempunyai pengaruh yang besar terhadap tingkat akurasi proses pengujian.
6. Waktu yang diperlukan untuk melakukan proses training dengan
menggunakan Hidden Markov Models termasuk lama. Setiap proses training memakan waktu antara 100 detik hingga paling lama memakan
waktu 700 detik. Hal ini juga dipengaruhi oleh berbagai faktor. Faktor yang paling utama adalah banyaknya jumlah state dan besarnya
windows size. Semakin besar jumlah state dan windows size maka
waktu yang diperlukan semakin lama. Faktor yang lain yang juga dapat mempengaruhi lamanya proses training adalah ada atau tidaknya
aplikasi lain yang berjalan selain Matlab. Contohnya adalah Windows Media Player, aplikasi games dan lain sebagainya.
5.2 Saran
1. Proses pengujian dan identifikasi suara manusia yang dilakukan oleh
penulis hanya meneliti ucapan ‘nol’, ‘satu’, ‘dua’, ‘tiga’, ‘empat’, ‘lima’, ‘enam’, ‘tujuh’, ‘delapan’ dan ‘sembilan’. Pengucapan lain yang
sering digunakan oleh manusia dalam kehidupan sehari-hari juga dapat digunakan untuk proses identifikasi suara manusia.
2. Penggunaan feature selain MFCC juga dapat digunakan untuk
menunjang tingkat akurasi 3.
Untuk future work dapat ditambahkan fasilitas untuk menambah speaker baru dan juga ucapan yang direkam tidak satu per satu
melainkan dalam satu kali proses rekam langsung mengucapkan beberapa angka.
