BAB III PERANCANGAN
3.3 Perancangan Sistem Software
Dalam sistem pengenalan ucapan suara manusia untuk pengaturan nyala LED hias menggunakan beberapa subproses yang akan dilalui dalam melakukan pengenalan ucapan. Pada gambar 3.4. ini memperlihatkan alur proses yang dimulai dari perekaman sampai dengan output pengenalan Ucapan.
Ekstraksi Ciri Hasil Ekstraksi Ciri Ucapan Manusia Perekaman Pemotongan Sinyal Normalisasi Jendela Blackman Zero Padding
P rep ro cess in g
Gambar 3.4. Diagram blok keseluruhan proses
3.3.1 Proses Perekaman
Dalam proses rekam peneliti menentukan panjang frekuensi dan panjang durasi waktu rekam, kemudian baru memulai proses perekaman, kemudian melalui proses sampling. Panjang pencuplikan dalam proses ini sebesar 6000 Hz, nilai tersebut berasal dari perkalian antara frekuensi sampling dan waktu pencuplikan. Hasil output proses berupa *.wav . Pada gambar 3.5.menunjukan diagram alir proses perekaman.
Gambar 3.5. Diagram alir proses perekaman Ekstraksi Ciri
Jarak Clark k-Nearest Neighbor Output Pengenalan Ucapan
Database Ucapan Manusia Perekaman Pemotongan Sinyal Normalisasi Jendela Blackman Zero Padding
3.3.2 Pre-processing
Pada proses Pre-processing ini merupakan proses dimana hasil perekaman yang berupa data sinyal dan akan dikondisikan supaya sinyal lebih baik. Macam-macam subproses Pre-processing dapat dilihat pada gambar 3.6.
Gambar 3.6. Diagram alir proses pre-processing
a. Normalisasi
Proses normalisasi berfungsi untuk menyetarakan besarnya nilai ampitudo pada data ucapan supaya mempunyai skala yang sama atau pengesetan nilai maksimum pada setiap data menjadi bernilai 1. Pada subproses ini input yang berasal dari hasil sampling akan dinormalisasi dengan cara data hasil sampling dibagi dengan data tertinggi dari nilai absolut data hasil sampling. Keluaran hasil dari subproses ini berupa data ucapan yang sudah ternormalisasi. Pada gambar 3.7. menunjukandiagram alir proses normalisasi
Gambar 3.7. Diagram alir proses normalisasi
b. Pemotongan Sinyal
Pada proses ini masukan yang berupa data ucapan yang sudah ternormalisasi, data ucapan akan dipotongan dibagian awal dan akhir data, dan akan menghasilkan keluaran yang berupa data ucapan yang hanya menyisakan data yang berisi ucapan saja. Padagambar 3.8diagram alir proses pemotongan sinyal.
Pada proses ini, pemotongan sinyal tergantung nilai batas potong yang terdapat di M-file. Proses pemotongan pertama adalah data sinyal di bagian awal akan dipotong dan kemudian posisi data sinyal akan diputar dari kanan ke kiri kemudian dipotong lagi sesuai batas potong, kemudian data sinyal yang hanya menyisakan data sinyal yg berisi data ucapan dibalik seperti semula.
c. Jendela Blackman
Dalam proses windowing yang menggunakan jendela blackman. Proses ini menggunakan masukan yang berasal dari pemotongan sinyal. Gambar 3.9. dibawah ini merupakan diagram alir dari proses windowing. Pada gambar 3.9. diagram alir proses Jendela Blackman.
Gambar 3.9. Diagram alir proses jendela blackman
d. Zero Padding
Dalam proses zero padding ini mendapatkan masukan yang berasal dari proses windowing. Pada proses ini panjang sinyal antara setiap database akan berbeda, maka proses zero padding ini akan menyamakan panjang satiap database. Zero padding merupakan proses pengolahan sinyal digital untuk menyamakan panjang gelombang yang berisi data ucapan dengan menambahkan deretan nilai nol didepan setiap database, panjangnya data dapat menggunkan rumus 2n . Alur program zero padding terdapat di gambar 3.10.
3.3.3 Ekstraksi Ciri
Discrete Cosine Transform berfungsi sebagai proses ekstraksi ciri. Pada proses ini terdapat dua macam proses yaitu transformasi, absolut DCT dan log DCT. Dalam proses ini transformasi yang digunakan adalah transformasi Discrete Cosine Transform ( DCT ). Dalam proses ini terdapat proses segment averaging yang berfungsi untuk mendapatkan hasil yang lebih baik dan agar dalam pengecekkan hasil DCT dapat lebih mudah. Pada gambar 3.11.menunjukandiagram alir proses ekstraksi ciri.
Gambar 3.11. Diagram alir proses ekstraksi ciri
3.3.4 Perhitungan Jarak
Dalam proses pembanding jarak ini mendapat masukan dari hasil ekstrasi ciri dan dari database. Dalam proses ini membandingkan dua variabel antara nada referensi dan nada terekam kemudian daftar perhitungan dari perbandingan kedua variabel akan digunakan sebagai hasil keluaran dalam pengenalan ucapan. Gambar 3.12 berikut adalah alur program perhitungan fungsi jarak clark.
Mencari sejumlah k jarak terkecil INPUT:
Hasil Perhitungan Jarak MULAI
Pemilihan nilai k=1, 3, 5, dan 7
Sortir jarak dari yang paling kecil ke yang paling besar
Keluaran= kelas yang paling sering muncul
OUTPUT:
Hasil k-Nearest Neighbor (k-NN)
SELESAI
Mencari sejumlah kelas dari sejumlah k jarak terkecil tersebut
3.3.5 Proses k-Nearest Neighbor (k-NN)
Dalam proses ini hasil dari pembanding fungsi jarak kemudian k-Nearest Neighbor (k-NN) akan mengurutkan hasil perhitungan jarak dari nilai yang paling kecil sampai yang besar. Hasil nilai yang paling terkecil atau paling minimum akan diambil sesuai dengan banyaknya k seperti 1, 3, 5, dan 7. Hasil dari pemilihan k tersebut akan mengeluarkan urutan sampel yang sesuai dengan urutan hasil pembanding fungsi jarak yang sudah berurutan dari nilai terkecil sampai terbesar dan hasil dan hasil urutan nomor sampel. Setelah itu yang di ambil nilai kelas yang paling banyak muncul yang akan menjadi penentuan keluaran jenis ucapan yang dikenal.
Dalam penentuan keluaran merupakan proses terakhir dari sistem software pengenalan ucapan manusia untuk mengatur nyala LED hias. Penentuan keluaran ini mempunyai keluaran yang berupa data hasil pengenalan suara. Ditentukan berdasarkan kelas yang paing banyak muncul dengan menggunakan metode K-nearest neiber. Setelah itu hasil dari nilai kelas yang paling banyak muncul tersebut akan menjadi keluaran berupa teks yang berupa jenis ucapan suara (cepat, lambat, kanan, kiri dan stop).
3.3.6 Output Pengenalan Ucapan
Dalam proses ini hasil dari inisialisasi hasil keluaran kemudian akan dikirimkan ke mikrokontroler melalui modul K-125R secara serial. Setelah diterima oleh mikrokontroler kemudian diproses untuk menentukan aksi dalam mengatur nyala LED hias. Alur program pengenalan ucapan dapat dilihat pada gambar 3.14.
Gambar 3.14. Diagram alir proses output pengenalan ucapan
3.3.7 Tampilan Pengenalan Ucapan
Hasil akhir dari pembuatan sistem software pengenalan ucapan manusia untuk mengatur nyala LED hias, akan ditampilkan dalam computer dalam bentuk visual GUI Matlab. Pada gambar 3.15 menunjukan tampilan user.
Gambar 3.15. Tampilan user Tabel 3.2. Keterangan tampilan user
NO. NAMA BAGIAN KETERANGAN
1 PLOT HASIL
PEREKAMAN Tampilan grafik untuk suara hasil perekaman
2 PLOT HASIL EKSTRAKSI
CIRI DCT Tampilan grafik hasil ektraksi ciri DCT
3 NILAI kNN Untuk memilih nilai K-nearest neiber
4 NILAI BATAS POTONG Untuk memilih nilai batas potong 5 HASIL PENGENALAN Menunjukkan hasil pengenalan suara
6 NILAI SEGMENT
AVERAGING Untuk memilih nilai segment averaging
7 REKAM Tombol tekan untuk memulai perekaman
8 RESET Tombol tekan untuk mengulang proses dari awal
9 KELUAR Tombol tekan untuk mengakhiri aplikasi atau
keluar aplikasi
