BAB IV HASIL DAN PEMBAHASAN
4.3. Pengujian Tingkat Pengenalan Ucapan
lcd_clear(); lcd_gotoxy(0,1);lcd_putsf("Membuat Coklat");delay_ms(2500); PORTB.3=1;delay_ms(5750); PORTB.3=0; lcd_clear(); lcd_gotoxy(0,0);lcd_putsf("Selesai..Selamat"); lcd_gotoxy(7,1);lcd_putsf("Menikmati");delay_ms(2000); lcd_clear(); } else if (b=='5') { lcd_clear(); lcd_gotoxy(0,0);lcd_putsf("ERROR..."); lcd_gotoxy(0,1);lcd_putsf("Coba Lagi");delay_ms(3000); lcd_clear(); } }; }
Program di atas adalah program pengendalian waktu aktif untuk masing-masing motor pompa berdasarkan masukan yang diterima komunikasi USART. Pada saat kondisi siaga, mikrokontroler memerintahkan LCD untuk menampilkan indikasi siaga. Logika if-else digunakan untuk memindai data yang diterima, lalu masing-masing data akan direpresentasikan sebagai perintah sesuai perancangan pada tabel 3.1. Saat data komunikasi diterima, motor pompa akan aktif sesuai waktu aktif yang telah ditentukan mengggunakan delay untuk menunda eksekusi perintah selanjutnya. Apabila pada saat dilakukan pemindaian tidak ditemukan adanya komunikasi, maka mikrokontroler akan terus menampilkan indikasi siaga.
4.3 Pengujian Tingkat Pengenalan Ucapan
Pengujian pengenalan ucapan dilakukan dengan dua cara yaitu secara real time dan secara tidak real time. Pengujian secara real time dilakukan dengan menggunakan suara masukan yang direkam saat itu juga dan akan langsung dikenali secara langsung pada saat itu. Pengujian secara real time menggunakan parameter hasil pengenalan terbaik pada pengenalan secara tidak real time. Meskipun demikian pengguna bisa memberi variasi nilai parameter sesuai yang diinginkan untuk menguji pengenalan secara real time. Pengujian tidak real time dilakukan dengan memberikan variasi nilai parameter nilai k pada kNN, dan segment averaging. Pengujian secara tidak real time menggunakan masukan dari suara uji yang telah direkam sebelumnya dan dibandingkan dengan database yang telah dibuat
sebelumnya. Hasil parameter pengujian terbaik secara tidak real time akan digunakan sebagai parameter untuk pengujian pengenakan ucapan secara real time.
4.3.1 Pengujian Pengenalan Ucapan Secara Tidak Real Time
Pengujian pengenalan secara tidak real time dilakukan dengan menggunakan rekaman ucapan yang telah disimpan dengan nama yang berbeda dan akan dibandingkan dengan database. Pembentukan database dilakukan dengan memproses ucapan yang juga sebelumnya sudah direkam ke dalam proses preprocessing dan framing windowing. Seperti yang dijelaskan pada flowchart gambar 3.4. sebelum proses ekstraksi ciri. Proses selanjutnya adalah ekstraksi ciri DFT dan segment averaging. Kemudian data hasil pengolahan disimpan pada directory yang sama dengan program untuk dilakukan pengenalan. Program pembentukan database dapat dilihat pada lampiran (L9). Proses yang sama juga dilaksanakan pada ucapan masukan. Proses selanjutnya adalah membandingkan antara database dan hasil ektraksi ciri dari ucapan masukan menggunakan metode similaritas. Pengujian dilakukan dengan 3 pengguna yang berbeda.
Tujuan dari pengujian pengenalan ini adalah untuk mengevaluasi variasi jumlah data rekaman ucapan dalam database serta mencari parameter nilai k pada kNN dan nilai segment averaging dengan hasil pengenalan terbaik, lalu nilai-nilai tersebut akan digunakan untuk pengujian program secara real time. Variasi jumlah data rekaman ucapan dalam database yang digunakan adalah 1, 2, 4, dan 8 data setiap ucapan untuk masing-masing pengguna. Jika database yang berisi 1 data rekaman ucapan telah memiliki tingkat pengenalan di atas 90%, maka database tersebut akan digunakan untuk percobaan real time. Masukan data pengenalan secara tidak real time menggunakan sampel sebanyak 120 ucapan dari semua pengguna. Data hasil pengenalan secara tidak real time ditampilkan dalam tabel untuk pengambilan kesimpulan. Program pengujian secara tidak real time dapat dilihat pada lampiran (L11). Berikut merupakan tabel tingkat pengenalan ucapan secara tidak real time.
Tabel 4.2. Tingkat Pengenalan (%) Secara Tidak Real Time dengan Database Berisi 8 Data Rekaman Ucapan
USER 1 3 5 7 1 3 5 7 1 3 5 7 8 97,5% 97,5% 95,0% 95,0% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 92,5% 92,5% 16 97,5% 95,0% 95,0% 95,0% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 32 97,5% 92,5% 92,5% 90,0% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 64 97,5% 90,0% 90,0% 85,0% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% 97,5% segment averaging
nilai k pada knn nilai k pada knn nilai k pada knn
Tabel 4.3. Tingkat Pengenalan (%) Secara Tidak Real Time dengan Database Berisi 4 Data Rekaman Ucapan
Tabel 4.4. Tingkat Pengenalan (%) Secara Tidak Real Time dengan Database Berisi 2 Data Rekaman Ucapan
Tabel 4.5. Tingkat Pengenalan (%) Secara Tidak Real Time dengan Database Berisi 1 Data Rekaman Ucapan
Berdasarkan data-data di atas, dapat diketahui bahwa rata-rata pengenalan ucapan untuk masing-masing pengguna serta kombinasi nilai kNN dan segment averaging sangat tinggi. Berdasarkan pengujian, akan diambil kombinasi nilai kNN dan segment averaging terkecil dengan hasil pengenalan yang tertinggi, karena semakin besar kombinasi nilai kNN dan segment averaging ternyata dapat mengurangi tingkat pengenalan ucapan. Hasil pengenalan ucapan dengan variasi database yang berisi 1, 2, 4, dan 8 data rekaman ucapan telah menunjukan hasil yang optimal. Akan diambil database dengan jumlah data rekaman ucapan yang paling sedikit tetapi berhasil mengenali ucapan dengan baik, karena jumlah data dalam database yang semakin kecil juga berarti semakin efisien program yang digunakan, karena pemrosesan data yang lebih sedikit.
Untuk pengujian real time, akan diambil kombinasi nilai segment averaging 8 dan nilai kNN 1 pada database yang berisi 1 data rekaman ucapan untuk pengujian real time, karena dengan kombinasi tersebut program telah dapat mengenali ucapan degan galat terbesar tidak lebih dari 5%. Tingkat pengenalan yang tinggi pada pengujian tidak real
USER 1 3 5 7 1 3 5 7 1 3 5 7 8 97,5% 95,0% 95,0% 80,0% 97,5% 97,5% 97,5% 95,0% 97,5% 97,5% 97,5% 97,5% 16 95,0% 92,5% 90,0% 77,5% 97,5% 97,5% 97,5% 87,5% 97,5% 97,5% 97,5% 97,5% 32 90,0% 90,0% 80,0% 75,0% 95,0% 97,5% 92,5% 85,0% 97,5% 97,5% 97,5% 95,0% 64 90,0% 82,5% 75,0% 67,5% 95,0% 92,5% 62,5% 57,5% 97,5% 97,5% 92,5% 92,5% FIAN KRIS segment averaging
nilai k pada knn nilai k pada knn nilai k pada knn EVAN USER 1 3 5 7 1 3 5 7 1 3 5 7 8 95,0% 77,5% 70,0% 27,5% 97,5% 97,5% 50,0% 25,0% 92,5% 95,0% 37,5% 25,0% 16 95,0% 77,5% 67,5% 27,5% 97,5% 95,0% 52,5% 25,0% 97,5% 97,5% 35,0% 25,0% 32 92,5% 72,5% 42,5% 37,5% 95,0% 97,5% 52,5% 25,0% 97,5% 97,5% 35,0% 25,0% 64 90,0% 67,5% 47,5% 27,5% 90,0% 72,5% 52,5% 25,0% 97,5% 97,5% 27,5% 25,0%
EVAN FIAN KRIS
segment averaging
nilai k pada knn nilai k pada knn nilai k pada knn
USER 1 3 5 7 1 3 5 7 1 3 5 7 8 95,0% 60,0% 50,0% 20,0% 95,0% 57,5% 42,5% 25,0% 95,0% 60,0% 50,0% 25,0% 16 95,0% 60,0% 47,5% 20,0% 92,5% 55,0% 42,5% 25,0% 95,0% 60,0% 47,5% 20,0% 32 92,5% 55,0% 25,0% 10,0% 87,5% 50,0% 40,0% 20,0% 95,0% 55,0% 25,0% 20,0% 64 87,5% 50,0% 25,0% 10,0% 65,0% 50,0% 40,0% 10,0% 95,0% 50,0% 25,0% 20,0%
EVAN FIAN KRIS
segment averaging
time dikarenakan data ucapan yang digunakan sebagai masukan dan database telah direkam terlebih dulu, sehingga pola sinyalnya mirip dan tidak berubah-ubah karena telah direkam. Hal ini juga memperkecil kemungkinan gangguan yang tidak diinginkan seperti derau pada saat sampling ucapan masukan untuk pengolahan data.
Untuk pengujian real time yang menggunakan variasi yang tersebut akan diambil batas bawah dari nilai similariasnya untuk setiap kata yang diucapkan. Tujuan pengambilan nilai batas bawah adalah untuk penggunaan metode thresholding. Metode thresholding digunakan untuk mengetahui “error” jika kata yang diucapkan bukan ucapan yang akan dikenali. Penulisan program untuk thresholding menggunakan logika “if” dan “elseif”, yaitu jika syarat terpenuhi, maka program tersebut akan mengeksekusi pernyataan di bawahnya, dan jika tidak, maka akan diteruskan ke perintah selanjutnya. Percobaan untuk menentukan nilai thresholding dapat dilihat pada lampiran (L30). Nilai batas bawah thresholding pada setiap ucapan ditunjukan pada tabel 4.6.
Tabel 4.6. Batas Bawah Nilai Similaritas
4.3.2 Pengujian Pengenalan Ucapan Secara Real Time
Pengujian pengenalan ucapan secara real time dilakukan dengan mengambil sampel ucapan secara langsung dan akan diproses untuk dikenali oleh program saat itu juga. Pengujian dilakukan oleh Penulis dan 2 orang pengguna lainnya yang telah ditentukan. Pengujian dilakukan dengan kombinasi nilai variabel kNN adalah 1 dan segment averaging adalah 8, mengacu pada hasil pengujian tidak real time. Lalu pengguna juga harus memilih COM PORT yang akan digunakan untuk komunikasi. Program dapat
dijalankan dengan menekan tombol “UCAP”. Pengujian dilakukan sebanyak 20 kali untuk
masing-masing ucapan setiap penggunanya. Pengujian ini dilakukan dengan nilai thresholding dan tanpa nilai thresholding.
4.3.2.1 Pengujian Secara Real Time Tanpa Nilai Thresholding
Pada pengujian ini, program dijalankan tanpa memberikan nilai batas bawah similaritas sebagai thresholding. Pengujian dilakukan sebanyak 80 kali percobaan dengan
KOPI SUSU KOPSUS COKELAT EVAN 0,6654 0,5727 0,5577 0,5512
KRIS 0,6063 0,5637 0,8766 0,5994 FIAN 0,6310 0,5328 0,6466 0,6078 USER NILAI MINIMAL SIMILARITAS UCAPAN
masing-masing ucapan 20 kali untuk setiap pengguna. Hasil pengujian ditunjukan oleh tabel 4.7.
Tabel 4.7. Confusion Matrik Hasil Pengujian Secara Real Time Tanpa Nilai Thresholding
Berdasarkan hasil pengujian, rata-rata persentase keberhasilan untuk setiap pengguna termasuk tinggi, dengan rata-rata keseluruhan sebesar 90%. Tingkat pengenalan pada pengujian real time mengalami penurunan dibandingkan saat tidak real time, dikarenakan sampling ucapan masukan dilakukan secara langsung bersamaan dengan eksekusi program sehingga akan terdapat pengaruh dari derau, gaung ruangan, serta cara pengucapan yang berubah.
4.3.2.2 Pengujian Secara Real Time Dengan Nilai Thresholding
Pada pengujian secara real time dengan nilai thresholding, program dijalankan dengan memberikan nilai batas bawah similaritas yang mengacu pada tabel 4.6 sebagai nilai thresholding. Pengujian ini dilakukan 2 kali, untuk melihat kemampuan program
mengenal ucapan dan kemampuan program menentukan ”error”. Pengujian untuk melihat
PENGGUNA
KOPI SUSU KOPSUS COKELAT
KOPI 19 - 1 - 95,00% SUSU 1 17 2 - 85,00% KOPSUS - 1 19 - 95,00% COKELAT - 1 - 19 95,00% 92,50% PENGGUNA
KOPI SUSU KOPSUS COKELAT
KOPI 17 - 3 - 85,00% SUSU - 18 - 2 90,00% KOPSUS 2 - 18 - 90,00% COKELAT - 2 - 18 90,00% 88,75% PENGGUNA
KOPI SUSU KOPSUS COKELAT
KOPI 18 - 2 - 90,00%
SUSU - 17 2 1 85,00%
KOPSUS - 1 18 1 90,00%
COKELAT - 2 - 18 90,00%
88,75% RATA-RATA PERSENTASE PENGENALAN
EVAN MASUKAN
UCAPAN
PENGENALAN PERSENTASE
PENGENALAN
RATA-RATA PERSENTASE PENGENALAN KRIS MASUKAN UCAPAN PENGENALAN PERSENTASE PENGENALAN FIAN MASUKAN UCAPAN PENGENALAN PERSENTASE PENGENALAN
RATA-RATA PERSENTASE PENGENALAN RATA-RATA PERSENTASE PENGENALAN SELURUH
kemampuan program mengenali ucapan dilakukan sebanyak total 240 kali percobaan dengan masing-masing ucapan kopi, susu, kopsus, dan cokelat 20 kali untuk setiap pengguna. Tabel 4.8. menunjukan hasil pengujian untuk masing-masing pengguna.
Tabel 4.8. Confusion Matrik Hasil Pengujian Pengenalan Ucapan Secara Real Time Dengan Nilai Thresholding
Pengujian selanjutnya untuk melihat kemampuan program mengenali error, yang dilakukan sebanyak 240 kali percobaan, dengan ucapan balok, kubus, bola, dan tabung sebanyak 20 kali untuk tiap ucapan pada setiap pengguna. Hasil pengujian ditunjukan oleh tabel 4.9.
PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
KOPI 17 - 1 - 2 85,00% SUSU - 17 - - 3 85,00% KOPSUS 1 - 19 - - 95,00% COKELAT - - - 19 1 95,00% 90,00% PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
KOPI 18 - - - 2 90,00% SUSU - 18 - - 2 90,00% KOPSUS 1 - 18 - 1 90,00% COKELAT - - 1 18 1 90,00% 90,00% PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
KOPI 18 - - - 2 90,00% SUSU - 18 - 1 1 90,00% KOPSUS - - 18 - 2 90,00% COKELAT - - 1 17 2 85,00% 88,75% KRIS EVAN MASUKAN UCAPAN PENGENALAN PERSENTASE PENGENALAN
RATA-RATA PERSENTASE PENGENALAN
PENGENALAN PERSENTASE
PENGENALAN
RATA-RATA PERSENTASE PENGENALAN FIAN
PENGENALAN PERSENTASE
PENGENALAN
RATA-RATA PERSENTASE PENGENALAN
RATA-RATA PERSENTASE PENGENALAN SELURUH PENGGUNA 89,58%
MASUKAN UCAPAN MASUKAN
Tabel 4.9. Confusion Matrik Hasil Pengujian Secara Real Time Dengan Nilai Thresholding Untuk Mengenali Error
Berdasarkan tabel 4.8. dan tabel 4.9. dapat diketahui bahwa pengenalan ucapan memiliki tinggkat keberhasilan yang tinggi, dengan rata-rata keseluruhan untuk pengenalan ucapan sebesar 89,58% dan untuk mengenali error sebesar 89,58% yang menandakan program dapat bekerja dengan baik. Terjadi penurunan tingkat pengenalan dibandingkan dengan pengujian saat tidak real time, dikarenakan sampling ucapan masukan dilakukan secara langsung bersamaan dengan eksekusi program sehingga akan terdapat pengaruh dari derau, gaung ruangan, serta cara pengucapan yang berubah. Serta terjadi penurunan keberhasilan pengenalan jika dibandingkan dengan pengujian tanpa nilai thresholding, hal ini dapat disebabkan oleh pemberian batas error yang mampu membatasi kelas pengenalan ucapan agar ucapan yang diuji tidak dikenali sebagai ucapan lain, tetapi berakibat ucapan dengan similaritas rendah dikenali sebagai error, sehingga tingkat keberhasilan pengenalan menurun. Tingkat pengenalan untuk setiap pengguna berbeda, hal ini dikarenakan kemampuan pengguna dalam melakukan pengucapan secara konsisten berbeda pula.
PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
BALOK 2 - - - 18 90,00% KUBUS - 2 - - 18 90,00% TABUNG 1 - 2 - 17 85,00% BOLA - - 2 - 18 90,00% 88,75% PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
BALOK 2 - 1 - 17 85,00% KUBUS - 3 - - 17 85,00% TABUNG - - - 1 19 95,00% BOLA - - - 1 19 95,00% 90,00% PENGGUNA
KOPI SUSU KOPSUS COKELAT ERROR
BALOK - - - 2 18 90,00% KUBUS - - 3 - 17 85,00% TABUNG - - - 2 18 90,00% BOLA - - - 1 19 95,00% 90,00% EVAN PENGENALAN PERSENTASE PENGENALAN
RATA-RATA PERSENTASE PENGENALAN KRIS
PENGENALAN PERSENTASE
PENGENALAN
RATA-RATA PERSENTASE PENGENALAN FIAN
PENGENALAN PERSENTASE
PENGENALAN
RATA-RATA PERSENTASE PENGENALAN
RATA-RATA PERSENTASE PENGENALAN SELURUH PENGGUNA 89,58%
MASUKAN UCAPAN MASUKAN UCAPAN MASUKAN UCAPAN
4.4 Pengujian Mesin Pembuat Minuman
Untuk pengujian mesin pembuat minuman, cairan kopi, kopi susu, dan cokelat yang digunakan adalah minuman serbuk kemasan yang disajikan sesuai saran penyajian agar rasa dan kekentalan minuman tidak berubah-ubah dan memiliki standar yang sama seperti yang telah ditetapkan produsen minuman tersebut. Sementara cairan susu menggunakan minuman susu cair yang siap saji.
Pengujian ini dilakukan untuk mengetahui keberhasilan mesin mengenali perintah dan keberhasilan mesin membuat minuman sebanyak 150 ml. Pengujian untuk masing-masing ucapan dilakukan sebanyak 5 kali. Pengujian ini menggunakan gelas ukur dengan resolusi pengukuran 10 ml, yang akan dianggap sebagai galat pengukuran dan akan dijumlahkan dengan rata-rata galat pengujian untuk mendapatkan persentase keberhasilan. Batas maksimum pengukuran adalah 150 ml, sehingga didapatkan galat pengukuran dari resolusi pengukuran dibagi batas maksimum pengukuran sebesar 6,67%. Hasil pengujian ditunjukan pada tabel 4.10. dan tabel 4.11.
Tabel 4.10. Pengujian Pengenalan Komunikasi
Berdasarkan hasil pengujian, mesin pembuat minuman dapat mengenali dan mengeksekusi seluruh perintah berdasarkan karakter yang dikirim melalui komunikasi serial. Hal ini menandakan program komunikasi telah berjalan dengan baik sesuai
1 1 1 Membuat kopi 2 1 1 Membuat kopi 3 1 1 Membuat kopi 4 1 1 Membuat kopi 5 1 1 Membuat kopi 6 2 2 Membuat susu 7 2 2 Membuat susu 8 2 2 Membuat susu 9 2 2 Membuat susu 10 2 2 Membuat susu
11 3 3 Membuat kopi susu 12 3 3 Membuat kopi susu 13 3 3 Membuat kopi susu 14 3 3 Membuat kopi susu 15 3 3 Membuat kopi susu 16 4 4 Membuat cokelat 17 4 4 Membuat cokelat 18 4 4 Membuat cokelat 19 4 4 Membuat cokelat 20 4 4 Membuat cokelat 21 5 5 Menampilkan Error 22 5 5 Menampilkan Error 23 5 5 Menampilkan Error 24 5 5 Menampilkan Error 25 5 5 Menampilkan Error Percobaan Karakter Yang Dikirim Karakter
perancangan. Selanjutnya pengujian keberhasilan mesin membuat minuman ditunjukan pada tabel 4.11.
Tabel 4.11. Pengujian Keberhasilan Mesin Membuat Minuman
Berdasarkan hasil pengujian didapatkan rata-rata galat untuk keluaran cairan sebesar 1,40% yang dikarenakan pada saat memulai pengisian yang pertama kali, cairan belum sepenuhnya mengisi selang dan terdapat gelembung udara pada kran wadah cairan yang menyebabkan ketidaktepatan pengisian cairan. Perbedaaan level pada wadah cairan yang semakin berkurang setiap dilakukan percobaan, juga mempengaruhi ketepatan pengisian cairan.
Tingkat keberhasilan pengisian cairan keluaran sebanyak 150 ml didapatkan dengan menjumlahkan rata-rata galat pengisian cairan sebesar 1,40% dengan galat pengukuran sebesar 6,67% sehingga total galat adalah 8,07% dan tingkat keberhasilannya adalah 91,93%. Dengan tingkat keberhasilan tersebut, diketahui bahwa mesin pembuat minuman telah bekerja dengan baik.
1 Membuat kopi 148 1,33% 2 Membuat kopi 154 2,67% 3 Membuat kopi 152 1,33% 4 Membuat kopi 150 0,00% 5 Membuat kopi 148 1,33% 6 Membuat susu 142 5,33% 7 Membuat susu 150 0,00% 8 Membuat susu 152 1,33% 9 Membuat susu 150 0,00% 10 Membuat susu 148 1,33% 11 Membuat kopi susu 150 0,00% 12 Membuat kopi susu 152 1,33% 13 Membuat kopi susu 154 2,67% 14 Membuat kopi susu 154 2,67% 15 Membuat kopi susu 150 0,00% 16 Membuat cokelat 148 1,33% 17 Membuat cokelat 154 2,67% 18 Membuat cokelat 152 1,33% 19 Membuat cokelat 150 0,00% 20 Membuat cokelat 148 1,33% 1,40% 6,67% 8,07% 91,93% Galat (%) Perintah Keluaran Minuman (ml) Percobaan
TINGKAT KEBERHASILAN PENGISIAN CAIRAN RATA-RATA GALAT KELUARAN CAIRAN
GALAT PENGUKURAN TOTAL GALAT
76
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari hasil percobaan dan pengujian Aplikasi Pengenalan Ucapan Untuk Mesin Pembuat Minuman disimpulkan sebagai berikut:
1. Implementasi dari aplikasi pengenalan ucapan untuk mesin pembuat minuman bekerja dengan baik sesuai perancangan. Sistem dapat mengenali ucapan kopi, susu, kopsus, dan cokelat, kemudian menggerakan motor pompa untuk mengalirkan cairan sebanyak 150 ml sesuai perintah ucapannya.
2. Pada pengujian pengenalan secara tidak real time, persentase pengenalan terbaik terdapat pada variasi nilai segment averaging 8, nilai kNN 1.
3. Pada evaluasi penggunaan jumlah data ucapan sebanyak 1, 2, 4, dan 8 untuk database, pengenalan secara tidak real time yang paling baik terdapat pada database yang berisi 1 data sinyal ucapan, dengan persentase keberhasilan sebesar 95%.
4. Pada pengujian pengenalan secara real time, digunakan database yang berisi 1 data sinyal ucapan, dengan variasi segment averaging 8 dan nilai kNN 1 untuk pengujian menggunakan nilai thresholding dan tanpa nilai threshoding, pengenalan telah bekerja sesuai perancangan dengan tingkat keberhasilan 90% dan 89,58%, serta pengujian pengenalan error dengan menggunakan thresholding sebesar 89,58%.
5. Mesin pembuat minuman telah bekerja sesuai perancangan untuk mengenali perintah melalui komunikasi serial dan menyajikan minuman kopi, susu, kopi susu, dan cokelat ke dalam gelas saji sebanyak 150 ml untuk masing-masing cairan dengan tingkat keberhasilan sebesar 91,93%.
5.2. Saran
1. Pengembangan sistem dengan menambah lebih banyak pengguna sehingga pengenalan ucapan bisa dilakukan oleh banyak orang.
2. Sistem pengenalan dapat dikembangkan dengan mikrokontroler yang lebih canggih agar tidak memerlukan media PC/Laptop sebagai pengolahan pengenalan ucapan.
3. Proses perekaman ucapan masukan dapat dikembangkan secara otomatis agar tidak perlu menekan tombol.
4. Program dan metode pengenalan dapat lebih dikembangkan agar dapat melakukan pengenalan ucapan dalam kondisi ruangan yang memiliki noise tingi.
5. Mesin pembuat minuman dapat dikembangkan lagi dengan fitur pemanas otomatis dan sensor level untuk mengisi cairan ke dalam gelas dengan lebih baik.
6. Komunikasi antara komputer dengan mikrokontroler dapat dikembangkan dengan metode wireless.
78
Daftar Pustaka
[1] Suryana, D., 2012, Mengenal Teknologi, Andi, Yogyakarta.
[2] Juang, B. H., & Rabiner, L., 1993, Fundamentals Of Speech Recognition. Signal Processing Series, Prentice Hall, Englewood Cliffs, New Jersey.
[3] Bayhaki, A., 2011, Penekanan Derau secara Adaptif pada Pengenalan Ucapan Kata, Tugas Akhir Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Semarang.
[4] Koosarosa, Mario, W., 2015, Aplikasi Pengenalan Ucapan Untuk Pengatur Gerak Robot Mobil Menggunakan Ekstraksi Ciri DCT Dan Similaritas Kosinus, Tugas Akhir Teknik Elektro, Fakultas Sains dan Teknologi Universitas Sanata Dharma, Yogyakarta.
[5] McLoughlin, Ian., 2009, Apllied Speech And Signal Processing With Matlab Examples, Cambidge University Press, New York.
[6] Wijayanto, Inung., & Reni, Dwifebrianti., 2009, Jenis Tipe Jangkauan Suara Pada Pria Dan Wanita Menggunakan Metoda Mel-Frequency Cepstral Coefficient Dan Jaringan Syaraf Tiruan Backpropagation, Fakultas Elektro dan Komunikasi, Insitut Teknologi Telkom, Bandung.
[7] Ronando, Elsen., & Irawan, Isa, M., 2012, Pengenalan Ucapan Kata Sebagai Pengendali Gerakan Robot Lengan Secara Real-Time dengan Metode Linear Predictive Coding – Neuro Fuzzy, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember, Surabaya.
[8] Hakim, L., 2012, Analisa Suara Serak Berbasis Transformasi Wavelet dan Algoritma Jaringan Syaraf Tiruan, Tugas Akhir Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya.
[9] Setiawan, A., Hidayatno, A., & Isnanto, R. R., 2011. Aplikasi Pengenalan Ucapan dengan Ekstraksi Mel-Frequency Cepstrum Coefficients (MFCC) Melalui Jaringan Syaraf Tiruan (JST) Learning Vector Quantization (LVQ) untuk Mengoperasikan Kursor Komputer. Artikel Penelitian, TRANSMISI, 13(3), hal 82-86.
[10] Theodoridis, Sergios. And Konstantinos Koutroumbas., 2009, Pattern Recognition, 4th ed, Elsevier Inc, Massachusetts 01803, USA.
[11] Aditya, R., Prototipe Pengenalan Suara Sebagai Penggerak Dinamo Stator Pada Mobil, Fakultas Teknologi Industri, Jurusan Teknik Mesin, Universitas Gunadarma, Depok.
[12] Cha, S. H., 2007, Comprehensive Survey On Distance/ Similarity Measures Between Probability Density Functions, City, 1(2), 1
[13] Jain, A. K., Duin, R. P. W., & Mao, J. 2000, Statistical Pattern Recognition: A Review. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 22(1), 4-37.
[14] Heryanto, M Ary, ST dan Ir. Wisnu Adi P., 2008, Pemograman Bahasa C untuk Mikrokontroler ATMEGA 8535, ANDI Offset, Yogyakarta.
[15] ----, 2011, Data Sheet Microkontroler ATmega8535, Atmel
[16] Agus Bejo, 2008, C dan AVR Rahasia Kemudahan Bahasa C dalam Mikrokonroler ATMEGA8535, 1st ed, GRAHA ILMU, Yogyakarta.
[17] Adityarama, R., 2007, Analisis dan Perancangan Sistem Streaming MIDI pada Jaringan pada Titans Creative Learning Center, Doctoral dissertation, BINUS, Jakarta
[18] Paul A. Tipler., 1998, FISIKA Untuk Sains dan Teknik, edisi 3 jilid 1, Erlangga, Bandung.
[19] Budiharto, W., 2014, Robotika Modern – Teori dan Implementasi, edisi revisi, Andi, Yogyakarta.
[20] ----, 2010, BOSCH Premium Washer Pumps For Passenger Cars and Light Trucks, Robert Bosch Inc., USA
[21] Setiawan, A., 2011, 20 Aplikasi Mikrokontroler ATmega8535 dan ATmega16, Andi, Yogyakarta.
[22] Sharul., 2012, MIKROKONTROLER AVR Atmega8535 Menjelajahi : Prinsip-prinsip,Antarmuka, dan Aplikasi Mikrokontroler dengan Assembler (Bahasa Rakitan), Informatika Bandung, Bandung.
[23] Boylestad, R. and Nashelsky. L., Electronic Devices and Circuit Theory, 7th edition, Prentice Hall, New Jersey Columbus, Ohio.
[24] Fathoni, Oktober 2010, Unjuk Kerja Catu Daya 12 Volt 2A dengan Pass Element Transistor NPN dan PNP, Jurnal Neutrino, Vol.3, No.1.
[25] ----, Spesifikasi Headset Sades X-Power SA 711
http://www.klikmitra.com/detail/headset-gaming-sades-chopper-sa-711-460.html diakses 20 Otober 2015.
[26] ----, 2002, Data Sheet Transistor 2N3904, KEC.
[27] ----, 1999, Data Sheet Transistor 2N3055, STMicroelectronics.
[28] ----, 2001, Signal Processing Toolbok For Use with MATLAB, The MathWorks, Inc. [29] Hendra, Ilvi, 2010, Vending Machine
http://www.kopimesin.com/2010/07/vending-machinemesin-vending-sekarang.html diakses 18 November 2015.
LAMPIRAN A
PERCOBAAN VARIASI WAKTU SAMPLING
Tujuan Percobaan
Menentukan lama waktu yang efektif untuk proses sampling, agar kata yang diucapkan dapat tercuplik secara utuh dengan baik.
Variabel Percobaan
1. Kata yang diucapkan adalah “kopi”, “susu”, “kopsus”, dan “cokelat”. 2. Frekuensi sampling yang digunakan sebesar 6000Hz.
3. Variasi lama waktu pencuplikan adalah 0,5 detik, 1 detik, dan 1,5 detik. Hasil Percobaan
Analisa Percobaan
Berdasarkan hasil percobaan, sinyal masukan pada saat menggunakan waktu pencuplikan 0,5 detik tidak dapat tercuplik secara sempurna karena waktu pencuplikan terlalu singkat. Pada percobaan waktu pencuplikan 1 detik, keseluruhan sinyal masukan dapat tercuplik dengan baik. Pada percobaan waktu pencuplikan 1,5 detik, keseluruhan sinyal masukan dapat tercuplik, tetapi noise yang tidak diinginkan ikut tercuplik karena waktu pencuplikan terlalu lama.
Kesimpulan
Penggunaan waktu pencuplikan 1 detik efektif pada proses sampling untuk pengucapan kata “kopi”, “susu”, “kopsus”, dan “cokelat”. Sinyal masukan ucapan dapat tercuplik secara utuh dan baik tanpa noise yang berlebihan.
LAMPIRAN B
RANGKAIAN KENDALI MESIN PEMBUAT MINUMAN
Rangkaian Minimum Sistem Atmega8535
Rangkaian Regulator IC 7805 dan Penguat Arus
LAMPIRAN C
DATASHEET TRANSISTOR
Datasheet Transistor 2N3904 [26]
LAMPIRAN D
PERCOBAAN MENENTUKAN WAKTU AKTIF MOTOR
POMPA
Tujuan Percobaan
Menentukan lama waktu aktif untuk motor pompa yang sesuai untuk mengisi gelas sebanyak 150ml.
Variabel Percobaan
1. Durasi wakti aktif diatur melalui mikrokontroler melalui fungsi delay_ms 2. Cairan yang digunakan dibuat sesuai petunjuk pembuatan.
3. Percobaan dilakukan dengan kelipatan 500 ms.
4. Kelipatan waktu aktif akan diperkecil menjadi 250 ms jika volume keluaran telah mendekati 150 ml.
Hasil Percobaan
Kesimpulan
Waktu aktif yang akan digunakan adalah:
Cairan kopi selama 6000ms, cairan susu selama 6250 ms, cairan kopi susu selama 6000