konversi suara ke teks menggunakan metode hidden...

i

KONVERSI SUARA KE TEKS

MENGGUNAKAN

METODE HIDDEN MARKOV MODEL

Skripsi

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

Oleh:

Martinus Budi Gunawan

NIM : 055314070

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2010

ii

VOICE TO TEXT CONVERTION

USING

HIDDEN MARKOV MODEL METHOD

A Thesis

Presented as partial fulfillment of the requirement to obtain

The Sarjana Teknik Degree in Informatics Engineering

Created by:


ID : 055314070

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2010

vi

MOTTO DAN PERSEMBAHAN

MOTTO

Masa duka yang lalu bukanlah untuk dilupakan

Tetapi menjadi pelajaran untuk masa yang akan dating.

Segala sesuatu yang berlebih tidaklah baik.

PERSEMBAHAN

Skripsi ini kupersembahkan untuk :

Keluarga yang telah mendukung dan memberi semangat.

Sahabat-sahabat yang telah memotivasi dan menjadi lingkungan belajar.

viii

ABSTRAKSI

Mobile phone merupakan salah satu hasil kemajuan teknologi yang banyak

digunakan. Feature yang banyak digunakan dalam mobile phone adalah SMS.

Kendati demikian, bagi pengguna SMS yang berkesibukan tinggi, penggunaan

feature ini tidak efisien dari sisi waktu. Bagi kelompok orang gaptek, menuliskan

SMS merupakan sesuatu yang sulit untuk dilakukan. Sementara bagi orang yang

tengah mengemudi, SMS merupakan aktifitas yang dapat membahayakan nyawa

orang lain dan diri sendiri.

Berdasarkan permasalahan di atas, peneliti akan membuat alat bantu menulis

SMS. Alat bantu ini bekerja dengan mengubah suara ke teks, sehingga

memudahkan penggunanya dalam menuliskan pesan. Dalam proses

pengubahannya, alat bantu ini menggunakan metode Hidden Markov Model

dimana algoritma Baum Welch akan digunakan untuk pemodelan, dan dalam

pengenalan menggunakan algoritma Viterbi.

Setelah melakukan serangkaian pengujian, metode Hidden Markov Model mampu

menghasilkan akurasi cukup baik yaitu 89,058% dengan feature extraction

MFCC, window size 3ms dan jumlah state 17.

ix

ABSTRACT

Mobile phone is one of the modern technologies used by many. One of the best

feature that mobile phone can offer is Short Message Service (SMS). This feature,

however, is not very efficient for those who don't have enough time to learn. As

an example, those who don’t have knowledge about technology, especially about

mobile phone, texting can be a very difficult thing to do. Texting can also be

dangerous for people who are driving.

Based on those facts above, the writer is going to develop a tool for texting. This

tool works by converting voice to text which will help people in texting. This tool

uses Hidden Markov Model method in which Baum Welch algorithm is used for

modeling and Viterbi algorithm is used for recognizing.

After doing several tests, Hidden Markov Model method is accurate enough; it is

about 89.058%, with MFCC feature extraction, 3ms for window size, and 17 for

the states.

x

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Kuasa, karna dengan rahmat-Nya

penulis dapat menyelesaikan Laporan Tugas Akhir ini dengan baik. Penulisan

tugas akhir ini ditujukan untuk memenuhi salah satu syarat memperoleh gelar

Sarjana Teknik Jurusan Teknik Informatika.

Penulis juga mengucapkan terima kasih kepada pihak-pihak yang telah membantu

dalam menyelesaikan penulisan tugas akhir ini baik dalam memberikan

bimbingan antara lain:

1. Keluarga tercinta terutama papa dan mama, Herlina Cendrawati dan Budia Arto

sebagai kakak yang telah memberikan dukungan, dan Agustinus Budi Riyanto

sebagai adik yang telah turut serta membantu menyusun tugas akhir ini.

2. Yosef Agung Cahyanta, S.T.,M.T., selaku Dekan Fakultas Sains dan Teknologi

Universitas Sanata Dharma.

3. Puspaningtyas Sanjaya Adi, S.T.,M.T., selaku ketua program studi Teknik

Informatika.

4. Dr.Cyprianus Kuntoro Adi, S.J.,M.A.,M.Sc., selaku dosen pembimbing tugas

akhir yang telah banyak membantu dan memberikan bimbingan kepada penulis.

5. Ibu Anastasia Rita Widiarti, S.Si.,M.Kom. dan bapak D.S. Bambang

Soelistijanto,S.T.,M.Sc. selaku dosen penguji tugas akhir.

6. Seluruh dosen Universitas Sanata Dharma, khususnya dosen Teknik Informatika

yang telah mengajarkan banyak ilmu kepada penulis.

xi

7. Sekretariat Fakultas Sains dan Teknologi yang telah membantu dalam mengurus

administrasi perkuliahan.

8. Teman-teman yang telah banyak membantu, Agung, Albet, Anzo, Arif, Beni,

Bela, Deni, Dendy, Linda, Lita, Maman, Ony, Pungkas, Silvi, Tua, Toa, Tomi,

Veda, Wili, Winarto, Yafet terimakasih atas dukungan moril dan bantuannya.

9. Rekan-rekan Teknik Informatika, khususnya angkatan 2005 yang selama ini

membantu, mendukung, dan mendorong penulis dalam menyelesaikan studi.

10. Pihak-pihak yang tidak dapat disebutkan satu persatu, yang telah membantu

penulis.

Penulis menyadari bahwa skripsi ini masih ada kekurangannya, oleh karena itu

saran dan kritik yang membangun sangat diharapkan dan semoga hasil ini dapat

bermanfaat bagi sesama.

Yogyakarta, 15 Agustus 2010

Penulis,


xii

DAFTAR ISI

HALAMAN JUDUL .............................................................................................. ii

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN PERNYATAAN KEASLIAN ............................................................ v

HALAMAN MOTTO DAN PERSEMBAHAN .................................................... vi

HALAMAN PERSETUJUAN PUBLIKASI ........................................................ vii

ABSTRAKSI ....................................................................................................... viii

KATA PENGANTAR ............................................................................................. x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ............................................................................................ xvi

DAFTAR TABEL ............................................................................................... xvii

BAB I PENDAHULUAN ........................................................................................ 1

1.1. Latar Belakang Masalah ................................................................................ 1

1.2. Rumusan Masalah ......................................................................................... 3

1.3. Batasan Masalah ............................................................................................ 4

1.4. Tujuan dan Manfaat Penelitian ...................................................................... 4

1.4.1 Tujuan Penelitian ............................................................................................... 4

xiii

1.4.2 Manfaat Penelitian ............................................................................................ 5

1.5 Metode Penelitian ........................................................................................... 5

1.6 Sistematika Penulisan ..................................................................................... 6

BAB II LANDASAN TEORI .................................................................................. 8

2.1. Speech Recognition (Pengenalan Suara) ....................................................... 8

2.1.1. Produksi Suara .................................................................................................. 8

2.1.2. Definisi Speech Recognition .............................................................................. 9

2.1.3. Jenis Speech Recognition ................................................................................ 10

2.2. Feature Extraction (Analisis Ciri) .............................................................. 11

2.2.1. Mel Frequency Cepstral Coefficient (MFCC) ................................................... 12

2.2.2. Windowing ...................................................................................................... 12

2.2.3. Fast Fourier Transform ................................................................................... 13

2.2.4. Mel Frequency Warping ................................................................................. 14

2.2.5. Delta (MFCC_D) dan Delta Acceleration(MFCC_D_A) .................................... 15

2.3. Hidden Markov Model ............................................................................... 16

2.3.1. Markov Model ................................................................................................ 16

2.3.2. Hidden Markov Model .................................................................................... 17

2.3.3. Pengenalan Suara dengan Hidden Markov Model ......................................... 18

2.3.4. Algoritma Baum Welch ................................................................................... 18

2.3.5. Algoritma Viterbi............................................................................................. 21

xiv

BAB III METODOLOGI DAN DESAIN ............................................................. 24

3.1. Data Suara ................................................................................................... 24

3.2. Gambaran Umum Sistem ............................................................................ 25

3.3. Feature Extraction ...................................................................................... 25

3.4. Feature Extraction ...................................................................................... 26

3.5. Proses Pengenalan (Recognition Process) .................................................. 27

3.6. Proses Evaluasi Hasil .................................................................................. 28

3.7. Desain Utama Antar Muka Aplikasi ........................................................... 28

3.7.1. Desain Utama Antar Muka Aplikasi ................................................................ 28

3.7.2. Tampilan Pengambilan Suara ......................................................................... 29

3.7.3. Tampilan Pengujian Data ................................................................................ 30

3.7.4. Tampilan Tentang Program ............................................................................ 30

BAB IV IMPLEMENTASI DAN ANALISIS HASIL .......................................... 24

4.1. Hasil Pengujian ............................................................................................ 32

4.1.1. Pengujian Feature Extraction MFCC, Window Size dan Jumlah State yang

Bervariasi ........................................................................................................ 32

4.1.2. Pengujian Feature Extraction Bervariasi, Window Size 3ms dan State 17 ..... 33

4.2. Analisa Hasil Pengujian .............................................................................. 34

4.2.1. Feature Extraction – Window ........................................................................ 34

4.2.2. Analisa Pengujian ........................................................................................... 35

xv

4.2.3. Analisa Tipe Feature Extraction ...................................................................... 35

4.2.4. Pembahasan Hasil Pengenalan MFCC, Jumlah State 17 Dan Window 3ms... 36

4.3. Antar Muka ................................................................................................. 39

4.3.1. Tampilan Utama Aplikasi ............................................................................... 39

4.3.2. Tampilan Pengambilan Suara .............................................................. 40

4.3.3. Tampilan Pengujian Data .................................................................... 40

4.3.4. Tampilan Pengujian Data .................................................................... 41

BAB V PENTUP ................................................................................................... 42

5.1. Kesimpulan .................................................................................................. 42

5.2. Kekurangan dan Kelebihan Sistem ............................................................ 42

5.2.1. Kelebihan Sistem ................................................................................. 42

5.2.2. Kekurangan Sistem .............................................................................. 42

5.3. Saran ............................................................................................................ 42

DAFTAR PUSTAKA ............................................................................................ 44

LAMPIRAN ........................................................................................................... 45

xvi

DAFTAR GAMBAR

Gambar 2.1. Organ vokal di dalam tubuh manusia.................................................. 8

Gambar 2.2. Block diagram of call-type recognition clasification ........................ 10

Gambar 2.3. Skema ilustrasi feature extraction ..................................................... 12

Gambar 3.1. Blok diagram pemodelan suara ......................................................... 27

Gambar 3.2. Ilustrasi workflow pengenalan suara ................................................. 27

Gambar 3.3. Tampilan utama ................................................................................. 29

Gambar 3.4. Tampilan saat perekaman suara ........................................................ 30

Gambar 3.5. Tampilan pengujian ........................................................................... 30

Gambar 3.6. Tampilan tentang program ................................................................ 31

Gambar 3.7. Tampilan bantuan program ............................................................... 31

Gambar 4.1. Grafik akurasi pengujian ................................................................... 33

Gambar 4.2. Grafik akurasi pengujian feature extraction ..................................... 34

Gambar 4.3. Tampilan utama ................................................................................. 39

Gambar 4.4. Tampilan perekaman suara ............................................................... 40

Gambar 4.5. Tampilan pengujian ........................................................................... 40

Gambar 4.6. Tampilan tentang program ................................................................ 41

Gambar 4.7. tampilan bantuan program................................................................. 41

xviii

DAFTAR TABEL

Tabel 3.1. Kata yang digunakan ............................................................................ 24

Tabel 3.2. Ilustrasi confusion matrix ...................................................................... 28

Tabel 4.1. Hasil pengujian ..................................................................................... 33

Tabel 4.2. Hasil pengujian feature extraction ........................................................ 34

Tabel 4.3. Rata-rata akurasi pengujian................................................................... 35

Tabel 4.4. Confusion matrix dengan jumlah state 17, window size 3ms, dan MFCC

feature extraction ................................................................................. 36

Tabel 4.5. Klasifikasi pengenalan .......................................................................... 37

Tabel 4.6. Rincian hasil pengenalan ...................................................................... 38

1

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Saat ini teknologi mengalami kemajuan yang pesat dan berbagai macam

teknologi dibuat untuk membantu masyarakat. Beberapa contoh teknologi

tersebut adalah komputer, kalkulator, kendaraan bermotor dan mobile

phone (telepon genggam). Saat ini bila diamati mobile phone merupakan

teknologi yang memasyarakat. Alat ini digunakan untuk mempermudah

komunikasi, sehingga seseorang dapat dengan mudah dihubungi saat

berpergian.

Berbagai macam fasilitaspun tersedia dalam mobile phone. Fasilitas-

fasilitas tersebut antara lain Short Message Service (SMS), telepon,

General Packet Radio Service (GPRS), Multimedia Messaging Service

(MMS), 3G, dan 3.5G. SMS dan telepon merupakan fasilitas yang selalu

tersedia dalam mobile phone, sementara fasilitas lainnya merupakan

fasilitas pelengkap yang ada pada variasi mobile phone.

Komunikasi menggunakan SMS sangat sering dilakukan oleh masyarakat.

Berdasarkan informasi yang disediakan operator telekomunikasi yaitu

Telkomsel, pada hari normal trafik SMS mencapai 64 juta SMS per

harinya

2

(http://www.telkomsel.com/web/corporate_news/?page=1%27qces&cnid=

MjU4 diakses pada 15 Februari 2009). Sementara pada operator Indosat

trafiknya mencapai 25 juta (Trafik SMS Indosat Melonjak artikel tersedia

di www.surya.co.id, diakses pada 15 Februari 2009). Angka yang cukup

besar untuk suatu komunikasi menggunakan SMS.

Berdasar informasi yang telah dipaparkan sebelumnya, angka tersebut

tidak menjamin fasilitas SMS digunakan pengguna mobile phone.

Pengguna mobile phone yang mungkin kurang memanfaatkan fasilitas

SMS adalah orang berkesibukan tinggi, gagap teknologi (gaptek) dan

tengah mengemudikan kendaraan. Orang berkesibukan tinggi seperti orang

yang bekerja di lapangan terkadang merasa terganggu bila di tengah

pekerjaan mereka menggunakan SMS. Hal itu terjadi karena mereka harus

menuliskan SMS dengan cara mengetikan huruf per huruf.

Kalangan masyarakat gaptek adalah kalangan masyarakat yang memiliki

kendala dalam menggunakan teknologi. Sesuai dengan artinya, kalangan

masyarakat ini memiliki kendala dalam menggunakan fasilitas mobile

phone dengan optimal. Contoh masyarakat kalangan ini adalah beberapa

orang tua pada daerah pedesaan.

Faktor keamanan pengemudi selama berkendara merupakan pokok

permasalahan dalam menggunakan fasilitas SMS. Sekarang ini bila

http://www.telkomsel.com/web/corporate_news/?page=1%27qces&cnid=MjU4�



http://www.surya.co.id/�

3

diamati banyak orang yang mengetikan SMS di tengah kegiatannya

mengemudikan kendaraan. Hal ini tentu saja membahayakan nyawa orang

lain dan pengemudi sendiri. Kecelakan karena pengemudi menggunakan

mobile phone sudah kerap kali terjadi. Kepolisian menghimbau pengemudi

supaya tidak menggunakan mobile phone selama mengemudikan.

Bermula dari permasalahan SMS yang telah dipaparkan, maka peneliti

akan membuat alat bantu guna menuliskan SMS. Alat bantu tersebut akan

bekerja dengan mengubah suara ke dalam bentuk teks, Sehingga

memudahkan penggunanya dalam menuliskan pesan. Dalam proses

pengubahan suara menjadi teks, aplikasi ini akan menggunakan metode

Hidden Markov Model (HMM) dimana algoritma Baum Welch akan

digunakan untuk membangun model, dan dalam pengenalan suara akan

menggunakan algoritma Viterbi.

1.2. Rumusan Masalah

Bagaimana membangun aplikasi desktop yang mampu mengubah input

suara menjadi teks?

Bagaimana keakuratan dari metode HMM (Hidden Markov Model) dengan

menggunakan fitur ekstraksi Mel Frequency Cepstral Coefficient

(MFCC)?

4

1.3. Batasan Masalah

• Aplikasi dibangun dengan menggunakan Java berbasis desktop sebagai

antarmuka.

• Aplikasi dibangun dengan menggunakan MatLab 6.5 untuk proses fitur

ekstraksi, traning dan testing.

• Aplikasi dibangun dengan menggunakan Cool Edit Pro 2.0 untuk

merekam data suara pertama kali.

• Aplikasi memiliki input file suara bertipe wav (*.wav).

• Aplikasi mampu mengenal karakter kata per kata.

• Aplikasi menggunakan 23 kata yang telah direkam terlebih dahulu sebagai

model.

• Aplikasi hanya dapat digunakan oleh orang yang memasukkan data

suaranya.

• Aplikasi hanya dapat digunakan bila keadaan pengguna sama dengan

keadaan saat pengguna memasukkan data (misal pengguna memasukkan

data saat keadaan suaranya serak maka aplikasi akan bekerja optimal

ketika suaranya serak).

1.4. Tujuan dan Manfaat Penelitian

1.4.1. Tujuan Penelitian

• Membangun aplikasi desktop yang mampu mengubah suara menjadi teks

dan dalam proses tersebut menggunakan metode HMM.

5

• Mengetahui akurasi yang dapat diperoleh oleh aplikasi dengan

menggunakan metode Hidden Markov Model.

1.4.2. Manfaat Penelitian

• Bahan studi bagi peneliti lain dalam membangun aplikasi yang serupa.

• Peneliti memperoleh pengetahuan baru mengenai penggunaan matlab

untuk menerapkan metode HMM (Hidden Markov Model).

1.5. Metode Penelitian

Metode yang digunakan dalam penelitian ini adalah sebagai berikut:

• Analisis Kebutuhan

Pada tahap ini peneliti mengambil contoh suara yang akan dijadikan

sebagai model dari suara itu sendiri. Peneliti juga akan mengumpulkan

serta meninjau berbagai bahan atau referensi yang terkait dengan metode

HMM, baik secara teoritis maupun praktis. Hasil dari proses ini adalah

contoh suara beserta bahan-bahan mengenai algoritma HMM.

• Desain

Pada tahap ini peneliti mempelajari dan menuliskan tentang speech

recognition, metode HMM yang memuat algoritma Baum Welch dan

algoritma Viterbi, feature extraction, dan block diagram pengubahan

suara ke teks. Hasil dari dari proses ini adalah bagian dari laporan ilmiah

tertulis atau skripsi Bab II dan Bab III.

6

• Implementasi (Coding)

Pada tahap ini peneliti menerapkan metode HMM ke dalam bahasa

komputer sesuai dengan desain yang telah disusun. Hasil dari proses ini

adalah sebuah aplikasi yang dapat mengubah suara menjadi teks.

• Evaluasi dan Analisa Hasil

Peneliti menguji aplikasi yang telah dibangun untuk melihat kemungkinan

terjadinya kesalahan. Proses perbaikan dilakukan hingga aplikasi yang

dibuat relatif tidak memuat kesalahan (kesalahan yang mungkin muncul

adalah kesalahan yang memang merupakan kelemahan dari metode

HMM). Hasil dari proses ini adalah sebuah aplikasi konversi suara ke teks

yang lebih akurat.

1.6. Sistematika Penulisan

Berikut adalah garis besar dari isi karya ilmiah yang akan disusun:

• Bab I Pendahuluan, memaparkan latar belakang masalah, rumusan

masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode

penelitian, serta sistematika penulisan.

• Bab II Landasan Teori, memaparkan teori Speech Recognition, HMM dan

feature extraction yang dipakai dalam implementasi.

• Bab III Metodologi dan Desain, memaparkan rancangan dari aplikasi yang

akan dibangun, misalnya adalah gambaran sistem secara umum , desain

proses serta desain antar muka sistem.

7

• Bab IV Implementasi dan Analisa Hasil, memaparkan implementasi

metode HMM serta hasil analisa penggunaan metode tersebut.

• Bab V Penutup, memaparkan kesimpulan dan saran.

8

BAB II

LANDASAN TEORI

Bab ini memaparkan mengenai bagaimana suara diproduksi oleh manusia. Selain

itu juga dijelaskan mengenai proses feature extraction, Markov Model dan Hidden

Markov Model yang memuat proses pemodelan menggunakan algoritma Baum

Welch serta proses pengenalan menggunakan algoritma Viterbi.

2.1. Speech Recognition (Pengenalan Suara)

2.1.1. Produksi Suara

Suara diproduksi oleh organ vokal, sumber utama suara adalah yaitu paru-

paru dan diafragma. Ketika bersuara, udara dilewatkan glottis yang berada

di antara pita suara dan laring menuju tiga rongga utama sistem vokal yaitu

: pharynx, mulut dan rongga nasal, yang kemudian keluar melalui mulut

dan hidung.

Gambar 2.1. Organ vokal di dalam tubuh manusia.

9

Bentuk “V” yang terbuka diantara glottis merupakan sumber suara yang

terpenting. Pita suara dapat bekerja dengan berbagai cara saat bersuara.

Fungsi utama pita suara adalah modulasi aliran udara yang dengan sangat

cepat membuka dan menutup rongga, sehingga suara dapat dihasilkan.

Faktor lain yang mempengaruhi proses produksi suara adalah hidung dan

mulut yang merupakan tempat filtrasi suara. Gambar 2.1. merupakan

gambar organ vokal pada manusia.

2.1.2. Definisi Speech Recognition

Speech recognition atau voice recognition adalah kemampuan sebuah

mesin atau program untuk mengenali dan menjalankan perintah suara.

Secara umum speech recognition melibatkan kemampuan untuk

mencocokkan pola suara dengan kosakata yang disediakan. Pada umumnya

beberapa kosakata telah disediakan dalam suatu produk, dan penggunanya

bisa menambahkan rekaman tambahan. Perangkat lunak yang lebih canggih

memiliki kemampuan untuk menerima bahasa natural atau dialek (berbicara

menggunakan cara bicara masing-masing orang berdasarkan daerah

tinggalnya).

Gambar 2.2. memaparkan struktur dasar Sistem Pengenalan Suara.

Masukkan untuk sistem adalah suara. Proses selanjutnya sistem akan

melakukan feature extraction dan dilanjutkan dengan pembentukan model.

Setelah model dihasilkan, akan ada masukkan suara yang diproses dengan

10

feature extraction yang sama sehingga sistem dapat memutuskan kata yang

sesuai.

Gambar 2.2. Block diagram of call-type recognition, classification

(Rabiner di dalam Adi, C.K., 2008)

2.1.3. Jenis Speech Recognition

Speech Recognition memiliki tiga jenis (http://www.pcmag.com/

encyclopedia_term/0,2542,t=voice+recognition&i=54077,00.asp diakses

pada bulan februasri 2009), yaitu :

• Command Recognition

Pengenalan jenis ini memuat sedikit kosakata dan menghilangkan

penggunaan mouse dan keyboard untuk perintah-perintah yang telah

direpresentasikan.

• Discrete Voice Recognition

Pengenalan jenis ini digunakan untuk pendiktean, tetapi memerlukan jeda

antar katanya.

• Continuous Voice Recognition

Pengenalan jnis ini mampu menangani pindiktean bahasa natural tanpa jeda

dan merupakan proses yang sangat intensif.

Input Speech Recognized Sentence Feature

Analysis Word Match Sentence Match

Acoustic Word Model Language Model

http://www.pcmag.com/encyclopedia_term/0,2542,t=voice+recognition&i=54077,00.asp�


11

2.2. Feature Extraction (Analisis Ciri)

Feature Extraction adalah penggambaran suara secara singkat supaya

informasi yang relevan dan penting untuk subsekuen pengenalan tetap

terjaga. Tujuan akhir dari proses feature extraction adalah pemberian

parameter suara ke dalam deretan feature vector yang berupa ringkasan dan

informasi yang relevan dari suara tersebut. Feature yang diekstrak

diharapkan mampu membedakan suara yang serupa, sehingga model dapat

dibuat tanpa memerlukan data training yang besar. (Rabiner et al di dalam

Adi, C.Kuntoro, 2008).

Feature extraction dalam speech recognition umumnya terdiri dari tiga

proses (Reynold di dalam Adi, C.K., 2008), yaitu :

• Penggunaan program deteksi suara untuk menghilangkan noise dari sinyal

suara yang menjadi obyek.

• Feature diekstrak untuk memperoleh informasi.

• Penerapan normalisasi.

Telah diketahui bahwa alat input yang berbeda akan menentukan perbedaan

spektrum karakteristik suara. Penggantian channel seperti cepstral mean

subtraction dan normalisasi varian sering digunakan untuk menghilangkan

efek channel dan memperoleh feature utamanya (Furui; Viiki, Laurila di

dalam Adi, C.K., 2008).

12

2.2.1. Mel Frequency Cepstral Coefficient (MFCC)

MFCC adalah suatu istilah singkatan ciri spektral, di mana langkah-langkah

yang harus dilalui tertera pada gambar 2.3 yaitu skema dasar dari langkah

kerja feature extraction. Proses dimulai dari masukkan sinyal suara yang

telah mengalamai preprocessing. Dilanjutkan dengan windowing dan Fast

Fourier Transform (FFT), kemudian diubah menjadi mel frequency dan

diproses dengan Discrete Cosine Tranform (DCT).

Gambar 2.3. Skema ilustrasi feature extraction.

2.2.2. Windowing (http://www.ias.ac.in/sadhana/Pdf2006Jun/277.pdf diakses

pada bulan April 2009)

Sinyal suara dibagi menjadi beberapa frame, dimana masing-masing frame

yang diperoleh dijadikan window untuk meminimalisir gangguan spektral

sinyal yang terputus pada awal dan akhir dari setiap frame. Window

didefinisikan sebagai berikut :

w(n) ; dimana 0 ≤ n ≤ (N-1) (2.1)

N merupakan jumlah sampel pada setiap frame-nya. Hasil dari window

adalah sinyal (y(n)) dan didefinisikan sebagai berikut :

,dimana 0 ≤ n ≤ (N-1) (2.2)

Mel Frequency cepstral coefficient

Input speech signal

PreProcessing Windowing

Fast Fourier Transform

Mel frequency warping

Discrete Cosine Tansfor

http://www.ias.ac.in/sadhana/Pdf2006Jun/277.pdf�

13

Hamming window, w(n), yang digunakan dalam pengerjaan dihasilkan dari

:

,dimana 0 ≤ n ≤ (N-1) (2.3)

Tujuan dari window adalah mempermudah sample agar berada di tengah

window. Karakteristik ini berpasangan dengan overlap-nya guna

memperhalus perubahan parameter. Fast Fourier Transform diterapkan

untuk membagi sample mejadi beberapa window, yang akan mengubah

setiap sample frame N dari domain waktu menjadi domain frekuensi.

2.2.3. Fast Fourier Transform(http://www.ias.ac.in/sadhana/Pdf2006Jun/277.pdf

diakses pada bulan April 2009)

FFT pada himpunan N sample [Xn

,dimana n = 0,1,2,3,… N-1 (2.4)

] didefinisikan sebagai berikut :

Pada umumnya Xns merupakan angka yang komplek. Rangkaian hasil dari

Xn

• Ketika n = 0, keadaan frekuensi saat kosong.

s diinterpretasikan sebagai berikut :

• Ketika 1 ≤ n ≤ (N/2 - 1), keadaan saat frekuensi bernilai positif (0 < f <

Fs

• Ketika N/2+1 ≤ n ≤ N-1, keadaan saat frekuensi bernilai negatife (F

/2).

s/2 < f <

0).

14

Fs merupakan frekuensi sample. Hasil yang diperoleh merupakan spektrum

atau periodogram. Seperti yang telah diketahui, frekuensi sinyal suara tidak

menggunakan skala linear, sehingga untuk setiap tone diukur dengan

menggunakan Hz.

2.2.4. Mel Frequency Warping(http://www.ias.ac.in/sadhana/Pdf2006Jun/277.pdf

diakses pada bulan April 2009)

Skala Mel frequency merupakan frekuensi linier yang berada di bawah

1000Hz dan logaritma di atas 1000Hz. Berikut ini adalah hubungan antara

Mel frequency (disebut juga Mel’s) dan frekuensi yang dinyatakan dalam

Hz (G Hemantha Kumar dkk, 2006):

Mel(f) = 2595 x log(1+f/700) (2.5)

Selanjutnya spektrum log Mel frequency dikonversi kembali menjadi basis

waktu menggunakan DCT (Discrete Cosine Transform). Hasilnya adalah

MFCC dan dihitung dengan cara sebagai berikut :

(2.6)

Fungsi filter adalah triangular dalam bentuk skala linier frekuensi. Fungsi

filter bergantung pada tiga parameter, yaitu frekuensi paling bawah fl,

frekuensi tengah fc, dan frekuensi atas fh. Dalam skala mel, jarak antara fc-


15

fl dan fh-fc adalah sama untuk setiap filter dan sama dengan jarak antara

fc

H(f) = 0 untuk f ≤ f

's dari filter suksesif. Fungsi filternya sebagai berikut:

l dan f ≥ fh

H(f) = (f-f

(2.7)

l)/(fc-fl) untuk fl ≤ f ≤ fc.

H(f) = (f

(2.8)

h-f)/(fh-fc) untuk fc ≤ f ≤ fh.

(2.9)

Hasil dari filter triangular oleh mel bank filter akan disintesis dengan

menerapkan invers cosinus transform.

Pj = 2/N(c0/2+Σj = fromt o ci

cos(jπ/N(i-0.5)))) (2.10)

di mana: N adalah jumlah filter dan ci

(di mana i adalah cepstral

coefficient).

2.2.5. Delta (MFCC_D) dan Delta Acceleration(MFCC_D_A)

Feature vector yang dihitung dari fungsi MFCC menghasilkan perkiraan

RASTA (Relative Spectra) yang baik. Meskipun demikian, karakteristik

penting dari data suara adalah dinamisnya. Performa sistem suara dapat

ditingkatkan lebih baik lagi dengan menambahkan turunan waktu dalam

parameter statistik dasar. Delta cepstrum (Furui, di dalam Adi, C.K., 2008)

merupakan salah satu bentuk umumnya. Delta cepstrum diimplementasi

sebagai kuadrat perkiraan kemiringan lokal atau sebagai urutan pertama

regression coefficients. Turunan waktu diekspresikan sebagai berikut :

(2.11)

16

Dimana dt adalah delta coefficients saat t dihitung dari koefisien statis ct-k

ke ct+k

.

Turunan kedua (delta acceleration) menyerupai delta, yang diterapkan pada

delta coefficients.

2.3. Hidden Markov Model

2.3.1. Markov Model

Misalkan sebuah sistem dideskripsikan pada setiap waktu sebagai salah

satu dari N status {1, 2, ..., N}. Sistem mungkin mengalami perubahan state

dalam satuan waktu diskrit (mungkin kembali ke state semula) tergantung

kepada aturan probabilitas setiap state. Misalkan waktu disimbolkan

sebagai t, state pada setiap waktu disimbolkan sebagai qt

P[q

. Deskripsi

keseluruhan probabilitas dari sistem secara umum membutuhkan spesifikasi

state saat ini dan state-state sebelumnya. Untuk kasus khusus dengan

spesifikasi waktu diskrit, first order, dan Markov chain, didapatkan rumus

ketergantungan probabilitas suatu state terhadap state-state sebelumnya

disederhanakan hanya tergantung pada tepat satu state sebelumnya, yaitu:

t = j|qt-1 = i, qt-2 = k, …] = P[qt = j|qt

-1 = i] (2.12)

17

Penyederhanaan lebih lanjut dengan hanya memperhitungkan proses di

bagian kanan, bebas terhadap waktu, maka pendekatan aturan probabilitas

transisi state:

aij = P[qt = j|qt

-1 = i] (2.13)

dengan sifat : aij

Σ a

≥ 0, untuk setiap j, i.

ij

karena mematuhi batasan stochastic standar.

= 1, untuk setiap i, i = 1 sampai N.

2.3.2. Hidden Markov Model

Berdasarkan hal yang telah dipaparkan sebelumnya, Markov Model

diimplementasikan pada kejadian yang bisa diobservasi dan keluaran dari

setiap state tidak acak. Model tersebut terlalu terbatas untuk diaplikasikan

pada permasalahan yang lebih beragam. Oleh karena itu, konsep Markov

Model diperluas menjadi Hidden Markov Model dimana obeservasi

merupakan fungsi probabilitas dari state. Model ini dapat diaplikasikan

pada kasus yang prosesnya tidak dapat diobservasi secara langsung

(tersembunyi) tetapi bisa diobservasi hanya melalui kumpulan proses

stokastik yang lain yang menghasilkan tahapan observasi, misalnya pada

persoalan coint-toss (pelemparan koin) dan speech recognition (pengenalan

suara).

18

2.3.3. Pengenalan Suara dengan Hidden Markov Model

Sistem pengenalan suara modern secara umum berdasarkan pada Hidden

Markov Models (HMMs). Hidden Markov Models merupakan model

statistik di mana mempunyai keluaran rangkaian simbol dan kuantitas.

Dengan memiliki sebuah model yang memberikan kemungkinan dari

rangkaian akustik data yang telah diobservasi dari sebuah atau banyak kata

(rangkaian kata) akan dapat menyebabkan sistem bekerja dengan rangkaian

kata tersebut sesuai dengan aplikasi aturan Bayes.

(2.14)

Dari rangkaian data akustik yang ada, Pr

(acoustics) adalah konstan dan

tidak dapat diabaikan. Pr(word) adalah merupakan kemungkinan terbesar

dari suatu kata. Pr(acoustics|word) massa yang paling terlibat di dalam

persamaan dan diperoleh dari Hidden Markov Models.

2.3.4. Algoritma Baum Welch

Learning problem melibatkan optimalisasi dari parameter model Φ = (A,

B,π) untuk memperoleh model terbaik sebagai representasi kumpulan

pengamatan tertentu. Learning problem sebagai pendekatan menggunakan

algoritma Baum Welch dimana algoritma tersebut merupakan suatu

prosedur iterative.

19

Kunci perhitungan parameter pada model adalah perhitungan probabilitas

state occupancy. Definisi γt(i) adalah probabilitas state Si pada waktu t,

menghasilkan deretan X dan model Φ. Dituliskan sebagai berikut :

γt(i) = P(s = S | X ,Φ) (2.15)

Persamaan di atas dapat dituliskan dalam forward backward variable

sebagai berikut :

(2.16)

Fungsi probabilitas yang lainnya ξt(I,j), dimana probabilitas tersebut

merupakan probabilitas pada state Si saat t dan akan menuju ke state Sj

ξt(I,j) = P(st = Si, s

saat t+1, yang menghasilkan Φ dan rangkaian observasi X sebagai berikut :

t+1 = Sj

| X, Φ) (2.17)

Berdasarkan definisi forward backward variable, persamaan di atas dapat

dituliskan sebagai berikut :

(2.18)

Hubungan antara γτ(i) dan ξt(i,j) terlihat pada saat penjumlahan j,

menghasilkan

20

(2.19)

Penjumlahan seluruh bagian dari γτ(i), kecuali t = T, menghasilkan angka

berupa kemungkinan state Si dikunjungi. Penjumlahan seluruh bagian dari

ξt(i,j), menghasilkan angka berupa kemungkinan transisi dari state Si ke Sj

π

.

Estimasi ulang dari parameter model menghasilkan sebagai berikut :

ι = angka kemungkinan pada state Si saat (t = 1) = γτ

(i) (2.20)

(2.21)

(2.22)

Setelah mengestimasi ulang parameter model, model baru dari Φ tersebut

akan tersebut akan lebih menyerupai deretan observasi X dari pada Φ yang

telah diperoleh. Hal ini berarti P(X |Φˆ ) > P(X | Φ). Proses estimasi akan di

ulang hingga diperoleh mean(rata-rata) dan variance hasil yang konvergen.

21

Algoritma Baum Welch yang telah dipaparkan di atas merupakan

implementasi dari algoritma EM(Expectation Maximization). Di awali

dengan inisialisasi perkiraan parameter HMM Φ = (A, B, π), langkah

Expectation dan Maximization dijalankan bergantian. Langkah Expectation

menghitung expected state occupancy count γ dan state transition count ξ

dari probabilitas A dan B sebelumnya yang menggunakan algortima

forward-backward. Pada langkah Maximization γ dan ξ digunakan untuk

memperoleh probabilitas A, B, dan π baru. A, B, dan π yang baru tersebut

dapat diperoleh dengan menggunakan persamaan 2.20, 2.21 dan 2.22.

2.3.5. Algoritma Viterbi

Algoritma Viterbi adalah algoritma dynamic programming untuk

menemukan kemungkinan rangkaian status yang tersembunyi (biasa

disebut Viterbi path) yang dihasilkan pada rangkaian pengamatan kejadian,

terutama dalam lingkup HMM.

Untuk menemukan sebuah rangkaian state terbaik, q = (q1 q2 … qґ), untuk

rangkaian observasi O = (o1 o2 … oґ), perlu didefinisikan kuantitas:

δt(i) = max P[q1 q2 … qt - 1, qt

q1, q2 … q

= i, o1 o2 … ot|λ] (2.23)

t

δt(i) adalah rangkaian terbaik, yaitu dengan kemungkinan terbesar, pada

waktu t di mana perhitungan untuk pengamatan t pertama dan berakhir

pada state i. Dengan menginduksi, didapat:

-1.

22

δt+1(j) = [max δt(i)ij].bj

i

(o1+1) (2.24)

Untuk mendapatkan kembali rangkaian state, perlu adanya penyimpanan

hasil yang memaksimalkan persamaan (2.24). Prosedur lengkap untuk

menemukan kumpulan state-state terbaik bisa dirumuskan sebagai:

1. Inisialisasi

δ1(i) = Πibi

Aґ(1) = 0

(2.26)

(o1), 1 ≤ i ≥ N

(2.25)

2. Rekursif

δt(i) = max[δt-1(i)aij]bj

di mana: 1 ≤ i ≤ N.

(ot)

(2.27)

2 ≤ t ≤ T.

1 ≤ j ≤ N.

Ar(j) = arg max[δt-1(i)aij


]

(2.28)

2 ≤ t ≤ T.

1 ≤ j ≤ N.

23

3. Terminasi

P* = max[δT(i)]

(2.29)


qT* = arg max[δT(i)]

(2.30)


4. Lintasan status

qt* = Ar(t+1)(q*t+1)

(2.31)

di mana: t = T-1, T-2, …, 1.

24

METODOLOGI DAN DESAIN

BAB III

Bab ini menjelaskan mengenai bagaimana data suara diperoleh. Setelah

memperoleh data suara, data diekstrak dan dilanjutkan dengan pembentukan

model (training) dengan menggunakan algoritma Baum Welch. Setelah sistem

memiliki model, sistem diuji untuk mengenal masukan suara. Hasil dari

pengenalan akan dievaluasi.

3.1. Data Suara

Penelitian menggunakan suara peneliti sebagai data. Data suara direkam

dengan Cool Edit Pro 2.0. Perekaman suara menggunakan sampling

44100Hz. Karakteristik sound yang akan digunakan adalah stereo sound

dengan bit datanya sebesar 32.

Proses perekaman data suara yang dilakukan adalah merekam setiap kata

yang digunakan sebanyak 60 kali. Setiap kali merekam data suara, peniliti

memotong bagian awal dan akhir dari sinyal suara yang tidak terisi. Hal ini

dilakukan dengan tujuan memperkecil ukuran data suara. Suara yang

direkam merupakan kata-kata yang sering penulis gunakan dalam SMS,

yaitu :

Tabel 3.1. Kata yang digunakan

No. Kata

25

1 Ato 2 Banget 3 Baru 4 Bisa 5 Ga 6 Gimana 7 Iya 8 Jadi 9 Kamu 10 Kau 11 Kenapa 12 Koe 13 Lagi 14 Nda 15 Nuwun 16 Paling 17 Piye 18 Saja 19 Sama 20 Sebentar 21 Siapa 22 Sori 23 Thanks

3.2. Gambaran Umum Sistem

Aplikasi yang dibangun ini merupakan aplikasi yang mengkonversi suara

menjadi teks. Proses pengkonversian suara menjadi teks dilakukan dengan

menggunakan metode HMM (Hidden Markov Model). Sedangkan bahasa

program yang digunakan adalah matlab dan java.

3.3. Feature Extraction

Berdasarkan data suara yang akan digunakan yaitu data suara orang, maka

proses ini menggunakan MFCC (Mel Frequency Cepstral Coefficient),

MFCC_D dan MFCC_D_A. Penggunaan metode ini akan menghasilkan

26

12, 24 dan 36 buah koefisien cepstral. Jumlah state yang akan digunakan

pada penelitian ini adalah 10, 13, 15 , 17, 18 dan 20. Besaran ini dihasilkan

dari pengambilan nilai yang diambil secara acak antara 10 sampai 20.

Ukuran window 2ms, 3ms, 5ms dan 6ms digunakan dalam penilitan.

3.4. Proses Pemodelan (Modeling Process)

Berdasarkan hal yang telah dipaparkan pada bab sebelumnya, agar suatu

sistem dapat mengenali suara, dalam kasus ini sistem dapat menuliskan

kata yang diucapkan maka sistem terlebih dahulu memiliki model suara

dari kata yang telah diberi label. Mekanisme pembuatan model dilakukan

pada Personal Computer dengan menggunakan matlab 6.5.

Gambar 3.1 menjelaskan mengenai proses pembentukan model yang

berjalan pada proses pemodelan. Dimulai dari data suara yang telah

disiapkan, diproses untuk menghasilkan MFCC yang kemudian akan

dibentuk model dengan menggunakan algoritma Baum Welch. Setelah

model dibentuk, model akan digunakan pada aplikasi desktop yang

berbasis java.

27

Gambar 3.1. Blok diagram pemodelan suara.

3.5. Proses Pengenalan (Recognition Process)

Pengenalan suara pada sistem akan menggunakan algoritma Viterbi.

Algoritma ini memiliki skema kerja seperti pada gambar 3.2. Feature

extraction yang digunakan untuk membuat model juga digunakan dalam

pengenalan. Proses selanjutnya adalah membandingkan feature testing

dengan feature modelnya, kemudian hasil pengenalan akan ditentukan

dengan mencari nilai maksimalnya.

Gambar 3.2. Ilustrasi workflow pengenalan suara.

Suara Feature Extraction Perhitungan Probalititas Maximal Dikenal

Model1 Model2

…… Model N

Feature Extaction

Algortima Baum Welch

Data Suara Data yang

terekstraksi

Model 1 Model 2 ...... Model N

28

3.6. Proses Evaluasi Hasil

Penelitian ini akan menggunakan confusion matrix untuk penghitungan

akurasi dari hasil pengujian sistem yang dibuat nantinya. Confusion matrix

merupakan matrix berbentuk bujur sangkar. Banyaknya kolom dan baris

adalah sama yaitu sebanyak N, dimana N adalah banyaknya model yang

suara yang ada. Gambar 3.2 merupakan ilustrasi dari confusion matrix.

Tabel 3.2. Ilustrasi confusion matrix.

Model1 Model2 Model3 …… Model N

Model1 X 11

Model2 X 22

Model3 X 33

…… ……

Model N Xnn

Diagonal dari tabel 3.2 yang diblok merupakan gambaran dari jumlah data

yang benar dalam pengenalannya. Persamaan yang digunakan untuk

menghitung akurasi yaitu :

(3.7)

3.7. Desain Antar Muka

3.7.1. Desain Utama Antar Muka Aplikasi

Gambar 3.3 merupakan tampilan utama pada aplikasi. Tombol yang

tersedia pada aplikasi ini adalah “Kirim” dan “rekam suara”. Tombol

“Kirim” digunakan untuk mengirimkan pesan sedangkan tombol “Rekam

Suara” digunakan untuk masuk ke tampilan perekaman suara. Selain kedua

29

tombol yang telah disebutkan terdapat pula dua buah masukkan pengguna

yaitu nomer tujuan dan teks pesan.

Tab-pane digunakan untuk berpindah tampilan dari pengiriman pesan ke

pengujian atau bantuan program. Dua buah tombol yang ada guna

memasukkan data suara serta pengiriman pesan teks.

Gambar 3.3. Tampilan utama.

3.7.2. Tampilan Pengambilan Suara

Gambar 3.4 merupakan tampilan yang akan muncul bila pengguna memilih

menu “Rekam Suara”. Pada bagiam ini pengguna memasukkan pesan suara

(memulai merekam suara). Dan bila pengguna telah selesai merekan pesan

dalam bentuk suara, pengguna hanya perlu menekan tombol konversi untuk

memperoleh pesan teks berdasar rekaman.

30

Gambar 3.4. Tampilan saat perekaman suara.

3.7.3. Tampilan Pengujian Data

Tampilan pengujian data merupakan sarana interaksi sistem dengan

pengguna untuk melihat hasil dari jalannya proses pengujian yang

dilakukan dalam menyusun karya ilmiah ini.

Gambar 3.5. Tampilan pengujian.

3.7.4. Tampilan Tentang Program

Tampilan tentang program berisikan penjelasan program serta identitas

pembuat termasuk contact pembuat. Selain itu terdapat sebuah tombol yang

31

digunakan untuk menampilkan bantuan penggunaan dari program. Gambar

3.6. merupakan tampilan dari tentang program, sedangkan gambar 3.7.

merupakan tampilan bantuan program.

Gambar 3.6. Tampilan tentang program.

Gambar 3.7. Tampilan bantuan program.

32

BAB IV

IMPLEMENTASI DAN ANALISA HASIL

Bab berikut memaparkan implementasi dari perancangan “Konversi Suara ke

Teks Menggunakan Metode Hidden Markov Model” yang telah dibuat pada bab

sebelumnya. Pembahasan dalam bab ini difokuskan pada analisa pengenalan

suara.

4.1. Hasil Pengujian

Pengujian Hidden Markov Model dilakukan dengan menggunakan feature

extraction MFCC. Sedangkan window size yang digunakan dalam penelitian

diujikan dengan masing-masing state. Setelah memperoleh hasil dari setiap

pengujian, hasil tersebut dikomparasikan guna mengetahui kondisi mana yang

akurasinya paling baik. Kondisi tersebut diuji lebih lanjut dengan mengubah tipe

feature extraction menjadi MFCC_D dan MFCC_D_A. Pada umumnya

pengubahan tipe feature extraction akan meningkatkan akurasi yang diperoleh

dalam pengenalan suara.

4.1.1. Pengujian Feature Extraction MFCC, Window Size dan Jumlah State

yang Bervariasi

Tahapan ini merupakan tahap pengujian data yang diperoleh dengan feature

extraction tipe MFCC, window size yang dipilih akan diujikan dengan

33

setiap state yang juga telah ditentukan sebelumnya. Hasil uji dapat dilihat

pada tabel 4.1 dan gambar grafik 4.1.

Tabel 4.1. Hasil pengujian.

Window State

10 13 15 17 18 20 2ms 82.899 70.58 76.522 77.754 78.261 70.29 3ms 81.667 80.58 82.536 89.058 83.768 82.174 5ms 82.319 81.667 82.899 82.319 82.609 81.449 6ms 80.217 79.13 78.986 79.565 80 78.768

Gambar 4.1. Grafik akurasi pengujian.

4.1.2. Pengujian Feature Extraction Bervariasi, Window Size 3ms dan State

17

Berdasarkan dua sub bab yang telah dipaparkan sebelumnya, telah

diperoleh bahwa state 17 dengan window size 3ms merupakan kondisi yang

menghasilkan akurasi terbaik. Uji selanjutnya adalah mengubah tipe feature

extraction menjadi MFCC_D (MFCC Delta) dan MFCC _D_A (MFCC

70

72

74

76

78

80

82

84

86

88

90

10 13 15 17 18 20

Akura

s

i

Jumlah State

2ms

3ms

5ms

6ms

34

Delta Acceleration). Hasil uji dapat dilihat pada tabel 4.2 dan gambar grafik

4.2.

Tabel 4.2. Hasil pengujian feature extraction.

Tipe Feature Extraction State

17 MFCC_D 87.246 MFCC_D_A 84.638

Gambar 4.2. Grafik akurasi pengujian feature extraction.

4.2. Analisa Hasil Pengujian

4.2.1. Feature Extraction – Window

Pada umumnya ukuran window yang digunakan dalam mengolah suara

manusia mencapai puluhan milisecond(ms) seperti 10ms, 20ms atau 30ms.

Tetapi pada data yang diuji kali ini ukuran window tidak dapat mencapai

batas tersebut.

83

83.5

84

84.5

85

85.5

86

86.5

87

87.5

MFCC_D MFCC_D_A

Akura

s

i

Tipe Feature Extraction

17

35

Pengujian menghasilkan ukuran window yang hanya mampu mencapai

6ms. Bila ukuran tersebut dicoba untuk ditingkatkan menjadi 7ms, maka

data yang ada akan mengalami korupsi data yang berakibat pada jumlah

data yang tidak lagi sesuai dengan jumlah awal.

4.2.2. Analisa Pengujian

Berdasarkan rangkain uji yang telah dilakukan, window berukuran 3ms

merupakan window yang menghasilkan rata-rata akurasi terbaik yaitu

83,297%. Sedangkan jumlah state yang menghasilkan rata-rata akurasi

terbaik ada pada state 17 sebesar 82,174%. Hal ini dapat dilihat pada tabel

4.3.

Tabel 4.3. Rata-rata akurasi pengujian.

Window State

Rata-rata 10 13 15 17 18 20

2ms 82.899 70.58 76.522 77.754 78.261 70.29 76.051 3ms 81.667 80.58 82.536 89.058 83.768 82.174 83.29717 5ms 82.319 81.667 82.899 82.319 82.609 81.449 82.21033 6ms 80.217 79.13 78.986 79.565 80 78.768 79.44433 Rata-rata 81.7755 77.98925 80.23575 82.174 81.1595 78.17025

4.2.3. Tipe Feature Extraction

MFCC_D dan MFCC_D_A merupakan suatu turunan waktu dari MFCC.

Hasil dari turunan tersebut berpengaruh terhadap dimensi dari data yang

terekstrak. MFCC_D menghasilkan data terekstrak berdimensi 24 kolom

sedangkan MFCC_D_A menghasilkan data berdimensi 36 kolom dengan

jumlah baris bergantung pada panjangnya data suara.

36

Bertambahnya nilai dalam hasil ekstraksi diharapkan mampu meningkatkan

akurasi pengenalan suara. Namun penelitian ini menghasilkan angka

akurasi yang semakin menurun seiring dengan semakin banyaknya nilai

dalam hasil ekstraksi.

4.2.4. Pembahasan Hasil Pengenalan MFCC, Jumlah State 17 dan Window

3ms

Berdasarkan hasil yang telah dipaparkan pada sub bab 4.1, maka dapat

diputuskan bahwa sistem menggunakan jumlah state 17, window 3ms dan

tipe feature extraction-nya adalah MFCC. Penggunaan jumlah state 17,

window 3ms dan tipe feature extraction MFCC menghasilkan akurasi

89,058%. Berikut ini merupakan confusion matrix total yang akan dibahas

lebih lanjut.

Tabel 4.4. Confusion matrix dengan jumlah state 17, window size 3ms dan

MFCC feature extraction. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 58 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 11 17 1 0 5 0 0 0 11 7 1 2 1 0 0 0 0 0 4 0 0 0 0

3 1 2 44 0 0 0 0 0 1 12 0 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

5 1 0 1 0 55 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 56 0 0 0 0 1 0 0 1 0 0 0 0 1 0 1 0 0

7 0 0 0 0 0 0 58 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0

8 0 0 0 0 0 0 0 58 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 2 0 0 0 0 0 1 0 0 0 0 0 0 0

10 4 0 0 0 0 0 0 0 0 51 0 5 0 0 0 0 0 0 0 0 0 0 0

11 0 0 0 0 11 0 0 0 0 0 45 0 0 2 0 0 0 0 2 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

37

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 3 0 0 0 0 0 0 0 0 57 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 2 3 0 0 54 0 0 0 0 0 1 0

17 0 0 1 1 0 0 31 0 0 0 0 0 0 0 0 0 27 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 57 1 1 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 59 0 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60

Hasil yang diperoleh sebatas tersebut karena terdapat data yang dapat

dikenali dengan sangat baik, baik, kurang baik, dan buruk. Pengelompokan

23 kata yang masing-masing memliki data sebanyak 60 buah dilakukan

dengan asumsi sebagai berikut :

Tabel 4.5. Klasifikasi pengenalan. No. Kategori Jumlah data yang dikenal

dengan benar 1. Sangat baik Data = 60 2. Baik 45 ≤ Data < 60 3. Kurang baik 30 ≤ Data < 45 4. Buruk Data < 30

Dengan menggunakan asumsi tersebut maka dapat diperoleh perbandingan

antara data yang sangat baik : baik : kurang baik : buruk adalah 5 : 15 : 1 :

2.

Data yang dapat dikenal dengan sangat baik adalah data dengan label

nomer 12 (koe), 15 (nuwun), 18 (saja), 22 (sori) dan 23 (thanks). Selain

38

data yang dapat dikenal dengan sangat baik, terdapat juga data yang buruk

untuk dikenal yaitu data dengan label nomer 2 (banget) dan 17 (piye).

Hasil pengenalan untuk data label nomer 2 (banget) sebanyak 17 dari 60

sampel dapat dikenal dengan benar. Sedangkan pada data dengan label

nomer 17 (piye) data yang mampu dikenal sebanyak 27 dari 60 sampel.

Rincian pengenalan untuk data berlabel nomer 2 dan 17 dapat dilihat pada

tabel 4.6.

Tabel 4.6. Rincian hasil pengenalan.

No. Data Diuji Dikenal Sebagai Label Data Kosakata Label Data Kosakata Jumlah

1. 2 banget 1 ato 11 2. 2 banget 3 baru 1 3. 2 banget 5 ga 5 4. 2 banget 9 kamu 11 5. 2 banget 10 kau 7 6. 2 banget 11 kenapa 7 7. 2 banget 12 koe 2 8. 2 banget 13 lagi 1 9. 2 banget 19 sama 4

10. 17 piye 3 baru 1 11. 17 piye 4 bisa 1 12. 17 piye 7 iya 31

Pada data berlabel 17 (piye) terdapat hasil yang menarik yaitu separuh dari

jumlah data (60) dikenal sebagai data berlabel 7 (iya). Hal ini bisa

disebabkan oleh pelafalan kosakata yang hampir sama. Selain pelafalan

kosakata hal lain yang yang mungkin mempengaruhi akurasi ketepatan

dalam pengenalan adalah media yang digunakan dalam merekam data.

39

4.3. Antar Muka

4.3.1. Tampilan Utama Aplikasi

Tampilan utama aplikasi merupakan tampilan yang pertama kali dihasilkan

saat program pertama kali dijalankan. Tampilan ini memiliki sebuah tab-

pane, dua buah inputan teks dan dua buah tombol.

Tab-pane digunakan untuk berpindah tampilan dari pengiriman pesan ke

pengujian atau bantuan program. Dua buah tombol yang ada guna

memasukkan data suara serta pengiriman pesan teks.

Gambar 4.3. Tampilan utama.

4.3.2. Tampilan Pengambilan Suara

Tampilan pengambilan suara merupakan tampilan guna merekam suara

yang akan diubah ke teks. Selama tampilan ini masih ada, maka selama itu

sistem dalam kondisi merekam suara.

40

Gambar 4.4. Tampilan perekaman suara.

4.3.3. Tampilan Pengujian Data

Tampilan pengujian data merupakan sarana interaksi sistem dengan

pengguna untuk melihat hasil dari jalannya proses pengujian yang

dilakukan dalam menyusun karya ilmiah ini.

Gambar 4.5. Tampilan pengujian.

4.3.4. Tampilan Tentang Program

Tampilan tentang program berisikan penjelasan program serta identitas

pembuat termasuk contact pembuat. Selain itu terdapat sebuah tombol yang

digunakan untuk menampilkan bantuan penggunaan dari program. Gambar

4.6. merupakan tampilan dari tentang program, sedangkan gambar 4.7.

merupakan tampilan bantuan program.

41

Gambar 4.6. Tampilan tentang program.

Gambar 4.7. Tampilan bantuan program.

42

BAB V

PENUTUP

5.1. Kesimpulan

Setelah melakukan serangkaian pengujian, metode Hidden Markov Model

mampu menghasilkan akurasi cukup baik yaitu 89,058% dengan feature

extraction MFCC, window size 3ms dan jumlah state 17.

5.2. Kekurangan dan Kelebihan Sistem

5.2.1. Kelebihan Sistem

Kelebihan yang ada pada sistem yang berjalan yaitu :

• Telah mampu mengkonversi suara ke teks.

• Mampu bekerja dengan dua bahasa pemrograman.

5.2.2. Kekurangan Sistem

Kekurangan yang ada pada sistem hingga saat ini yaitu :

• Belum mampu mengirimkan pesan melalui jaringan internet.

• Kinerja sistem yang masih memerlukan aplikasi lain untuk berjalan.

• Pengenalan suara masih sebatas perkata.

5.3. Saran

Saran untuk pemembangan sistem lebih lanjut yaitu :

• Metode Hidden Markov Model diterapkan di pemrograman java.

43

• Konsistensi kerja dengan menggunakan alat yang sama dalam perekaman

suara.

• Penelitian selanjutnya mampu menghasilkan sistem yang bekerja pada hand

phone dan mampu mengirimkan pesan teks.

44

DAFTAR PUSTAKA

Adi, C. Kuntoro, S.J., M.A., M.S. (2008), “Hidden Markov Model Based Animal

Acoustic Censusing: A Learning From Speech Recognition Technology.”

http://searchcrm.techtarget.com/sDefinition/0,,sid11_gci213318,00.html diakses pada

bulan Februari 2009.

http://searchcrm.techtarget.com/sDefinition/0,,sid11_gci213033,00.html diakses pada

bulan Februari 2009.

http://www.informatika.org/~rinaldi/Stmik/2005-

2006/Makalah2006/MakalahStmik2006-10.pdf diakses pada bulan September

2008.

http://www.pcmag.com/encyclopedia_term/0,2542,t=voice+recognition&i=54077,00.

asp diakses pada bulan Ferbruari 2009.

http://www.ias.ac.in/sadhana/Pdf2006Jun/277.pdf diakses pada bulan April 2009.

http://www.developershome.com/sms/howToSendSMSFromPC.asp diakses pada

bulan April 2010.

http://mrdaniels.wordpress.com/2009/02/10/tutorial-bikin-help-chm-di-visual-studio-

2005/ diakses pada bulan Juni 2010.

http://www.dsplab.uni-mb.si/Pdf_files/3e882c47b55afKotnik_ICSLP02.pdf diakses

pada juli 2010.

http://forums.sun.com/thread.jspa?threadID=5388480 diakses pada juli 2010.

http://searchcrm.techtarget.com/sDefinition/0,,sid11_gci213318,00.html�

http://searchcrm.techtarget.com/sDefinition/0,,sid11_gci213033,00.html�

http://www.informatika.org/~rinaldi/Stmik/2005-2006/Makalah2006/MakalahStmik2006-10.pdf�

http://www.informatika.org/~rinaldi/Stmik/2005-2006/Makalah2006/MakalahStmik2006-10.pdf�




http://www.developershome.com/sms/howToSendSMSFromPC.asp�

http://www.dsplab.uni-mb.si/Pdf_files/3e882c47b55afKotnik_ICSLP02.pdf%20diakses%20pada%20juli%202010�

http://www.dsplab.uni-mb.si/Pdf_files/3e882c47b55afKotnik_ICSLP02.pdf%20diakses%20pada%20juli%202010�

http://forums.sun.com/thread.jspa?threadID=5388480�

LAMPIRAN CONFUSION MATRIX

Tabel 1. Lampiran Confusion Matrix Uji Satu. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 57 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0

2 19 6 2 0 8 1 0 0 2 6 7 3 0 0 1 0 0 0 3 0 0 0 2

3 2 0 48 0 0 0 0 0 0 7 2 1 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 55 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0

5 2 0 1 0 46 0 0 0 0 4 0 7 0 0 0 0 0 0 0 0 0 0 0

6 0 1 0 0 0 53 1 0 0 0 2 0 0 1 0 0 0 0 0 1 1 0 0

7 0 0 0 0 0 1 54 0 0 0 0 0 0 1 0 0 3 0 0 0 1 0 0

8 0 0 0 0 0 0 0 58 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0

9 0 0 2 0 0 0 0 0 43 12 0 0 0 1 2 0 0 0 0 0 0 0 0

10 1 0 0 0 1 0 0 0 1 43 0 14 0 0 0 0 0 0 0 0 0 0 0

11 3 0 1 0 8 2 1 0 0 0 41 0 0 3 0 0 0 0 1 0 0 0 0

12 0 0 0 0 0 0 0 0 0 3 0 56 0 0 0 0 0 0 0 0 0 1 0

13 0 1 0 0 0 0 0 0 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 2 0 8 0 0 0 0 1 0 0 0 49 0 0 0 0 0 0 0 0 0

15 0 0 1 0 0 0 0 0 4 1 0 2 0 0 51 1 0 0 0 0 0 0 0

16 0 0 0 1 0 0 0 0 0 1 3 5 3 0 0 47 0 0 0 0 0 0 0

17 0 0 0 0 1 1 21 2 0 0 2 0 1 0 0 0 32 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 50 2 5 2 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 59 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 57 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60

Akurasi yang diperoleh dari pengujian dengan feature extraction MFCC, jumlah state

10 dan window size 2ms adalah 82,889%.

Tabel 2. Lampiran Confusion Matrix Uji Dua. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 57 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0

2 10 9 5 0 4 0 0 0 19 2 4 1 0 0 2 1 1 0 1 0 0 0 1

3 1 2 44 1 1 0 0 0 4 6 0 0 0 0 0 0 1 0 0 0 0 0 0

4 0 0 0 52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 2 0 0

5 2 0 0 0 44 0 0 0 0 2 2 1 1 8 0 0 0 0 0 0 0 0 0

6 0 2 0 0 0 42 4 1 1 0 0 0 0 9 0 1 0 0 0 0 0 0 0

7 1 0 0 1 2 1 54 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 1 0 0 0 0 0 55 0 0 0 0 0 1 0 2 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 56 1 0 1 1 0 1 0 0 0 0 0 0 0 0

10 17 0 0 0 0 0 0 0 3 23 0 17 0 0 0 0 0 0 0 0 0 0 0

11 1 0 0 0 0 1 1 0 0 3 41 0 0 10 0 0 0 0 1 2 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 1 0 0 1 0 0 0 0 57 0 0 0 1 0 0 0 0 0 0

14 0 0 0 0 0 0 0 0 0 0 1 0 0 59 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 1 0 0 59 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 1 0 0 2 0 5 7 0 0 45 0 0 0 0 0 0 0

17 0 0 1 0 0 0 35 0 0 0 0 0 1 0 0 0 23 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 54 1 4 0 0

20 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 2 55 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 3. Lampiran Confusion Matrix Uji Tiga. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 58 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0

2 9 17 3 0 5 0 0 0 17 3 0 4 0 0 1 0 1 0 0 0 0 0 0

3 1 1 44 0 0 0 0 0 1 11 2 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 53 1 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 2 0 0

5 1 0 0 0 53 0 0 0 0 0 1 0 1 4 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 42 4 0 1 0 0 0 0 11 0 0 0 0 0 1 1 0 0

7 0 0 0 1 2 0 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 1 0 0 0 0 0 57 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 2 0 0 1 0 0 0 0 0 0 0 0 0 0

10 13 0 1 0 0 0 0 0 0 26 0 20 0 0 0 0 0 0 0 0 0 0 0

11 4 0 1 0 20 0 0 0 0 1 28 1 0 5 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 58 0 0 0 1 0 0 0 0 0 0

14 0 0 0 0 8 0 0 0 0 0 0 0 0 52 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 1 0 0 1 0 3 6 0 0 49 0 0 0 0 0 0 0

17 0 1 1 1 0 0 39 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 57 2 1 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 56 3 0 0

21 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 55 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 4. Lampiran Confusion Matrix Uji Empat. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 59 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

2 10 10 2 0 4 0 0 0 21 5 0 5 0 0 1 2 0 0 0 0 0 0 0

3 0 0 46 0 2 0 0 0 1 10 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 45 11 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 1 0 0

5 1 0 0 0 53 0 0 0 0 2 1 0 0 3 0 0 0 0 0 0 0 0 0

6 0 0 0 0 2 38 3 0 0 0 0 0 0 15 0 0 0 0 0 1 1 0 0

7 0 0 0 1 3 0 55 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 1 0 0 0 0 0 56 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 58 2 0 0 0 0 0 0 0 0 0 0 0 0 0

10 17 0 0 0 0 0 0 0 0 33 0 10 0 0 0 0 0 0 0 0 0 0 0

11 2 0 0 0 31 0 0 0 0 1 23 0 0 3 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 58 0 0 0 1 0 0 0 0 0 0

14 0 0 0 0 11 0 0 0 0 0 0 0 0 49 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 1 0 4 6 0 0 49 0 0 0 0 0 0 0

17 0 1 1 0 1 0 41 0 0 0 0 0 0 0 0 0 16 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 57 2 0 0 0

20 0 0 0 0 4 0 0 0 0 0 0 0 0 1 0 0 0 1 1 50 3 0 0

21 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 53 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 5. Lampiran Confusion Matrix Uji Lima. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 49 0 1 0 2 0 0 0 1 1 1 3 1 0 0 1 0 0 0 0 0 0 0

2 4 8 6 0 6 0 0 0 14 5 3 5 0 3 3 2 0 0 1 0 0 0 0

3 6 0 31 0 0 0 1 0 4 11 3 1 0 0 0 1 1 0 0 0 1 0 0

4 0 0 0 44 0 0 0 1 0 0 0 0 0 0 0 0 0 0 11 1 2 0 1

5 3 0 1 0 38 0 0 0 0 8 2 8 0 0 0 0 0 0 0 0 0 0 0

6 0 1 0 0 0 43 4 0 1 1 2 0 0 0 1 1 0 0 1 1 3 1 0

7 0 0 0 0 0 0 56 0 0 0 0 0 0 0 0 0 2 0 0 0 2 0 0

8 0 0 0 0 0 0 2 52 0 0 0 0 3 0 0 0 1 0 0 0 0 2 0

9 0 0 4 0 0 0 0 0 45 8 0 0 0 0 3 0 0 0 0 0 0 0 0

10 4 0 2 0 3 0 0 0 2 22 0 24 2 0 0 0 0 0 0 0 0 1 0

11 0 0 4 0 3 0 0 0 1 4 39 1 0 0 1 1 0 0 0 1 4 0 1

12 2 0 2 0 10 1 0 0 2 9 0 33 0 0 0 0 0 0 0 0 0 1 0

13 4 0 0 0 1 0 0 2 0 0 0 0 48 0 0 0 5 0 0 0 0 0 0

14 0 1 1 0 6 0 0 0 0 3 0 4 1 42 1 0 0 0 0 0 0 0 1

15 1 0 0 0 0 0 0 0 2 0 0 2 0 2 52 1 0 0 0 0 0 0 0

16 0 1 0 0 0 0 1 0 1 0 6 0 4 0 2 43 2 0 0 0 0 0 0

17 0 2 1 0 0 0 45 0 0 0 0 0 0 0 0 1 11 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 59 1 0 0 0 0

19 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 36 12 8 3 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 57 3 0 0

21 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 2 55 0 0

22 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 5 52 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 59



Tabel 6. Lampiran Confusion Matrix Uji Enam. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 58 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0

2 7 10 8 0 3 0 0 0 15 3 5 3 1 0 2 2 0 0 0 1 0 0 0

3 1 0 47 0 1 0 0 0 1 9 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0 4 0 0

5 1 0 0 0 44 0 0 1 0 2 0 0 1 11 0 0 0 0 0 0 0 0 0

6 0 0 3 0 2 44 2 0 1 0 2 0 0 5 0 0 0 0 0 1 0 0 0

7 0 0 0 0 4 0 53 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0

8 0 0 0 0 1 0 0 48 0 0 0 0 9 1 0 0 0 0 0 0 1 0 0

9 0 0 0 0 0 0 0 0 56 2 0 1 0 0 0 1 0 0 0 0 0 0 0

10 7 0 2 0 0 0 0 0 0 38 0 13 0 0 0 0 0 0 0 0 0 0 0

11 6 0 1 0 1 0 0 0 0 1 50 0 0 1 0 0 0 0 0 0 0 0 0

12 1 0 0 0 0 0 0 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 7 0 0 2 0 0 0 0 48 0 0 1 2 0 0 0 0 0 0

14 0 0 0 0 4 0 0 0 0 0 0 0 0 56 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 1 1 0 0 0 0 0 1 1 2 0 1 15 0 0 38 0 0 0 0 0 0 0

17 0 0 1 0 0 1 51 0 0 0 0 0 0 0 0 0 7 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 53 2 4 1 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 59 0 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0

22 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 7. Lampiran Confusion Matrix Uji Tujuh. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 7 12 4 0 6 0 0 0 22 1 1 5 0 0 1 1 0 0 0 0 0 0 0

3 1 1 45 1 0 0 0 0 1 10 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 49 3 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 2 0 0

5 2 0 0 0 47 0 0 0 0 1 2 0 0 8 0 0 0 0 0 0 0 0 0

6 0 1 1 1 0 43 2 0 1 0 0 0 0 10 0 1 0 0 0 0 0 0 0

7 0 0 0 1 0 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 0 0 0 55 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 1 0 1 1 0 0 0 0 0 0 0 0 0 0

10 6 0 0 0 0 0 0 0 0 36 0 18 0 0 0 0 0 0 0 0 0 0 0

11 7 0 0 0 9 0 0 0 0 7 28 3 0 6 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 9 0 0 0 0 0 0 0 0 51 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 1 0 1 10 0 0 48 0 0 0 0 0 0 0

17 0 2 1 1 0 0 44 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 57 2 0 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 2 3 54 0 0 0

21 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 56 0 0

22 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 8. Lampiran Confusion Matrix Uji Delapan. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 6 12 2 0 8 0 0 0 21 5 0 2 1 1 1 1 0 0 0 0 0 0 0

3 1 1 45 1 1 0 0 0 0 10 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 43 10 0 0 0 0 0 0 0 0 1 0 0 0 0 5 0 1 0 0

5 1 0 0 0 51 0 0 0 0 0 2 0 0 6 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 36 3 0 2 0 2 0 0 17 0 0 0 0 0 0 0 0 0

7 0 0 0 0 1 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 1 0 0 54 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 2 0 0 1 0 0 0 0 0 0 0 0 0 0

10 7 0 0 0 0 0 0 0 0 38 0 15 0 0 0 0 0 0 0 0 0 0 0

11 8 0 0 0 19 0 0 0 0 8 20 3 0 2 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 1 0 0 59 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 11 0 0 0 0 0 0 0 0 49 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 1 10 0 0 49 0 0 0 0 0 0 0

17 0 1 1 0 1 0 45 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 59 1 0 0 0

20 0 0 0 0 5 0 0 0 0 0 0 0 0 2 0 0 0 2 6 41 4 0 0

21 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 51 0 0

22 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 9. Lampiran Confusion Matrix Uji Sembilan. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 47 0 4 0 1 0 0 0 0 4 1 2 0 0 0 0 1 0 0 0 0 0 0

2 9 6 6 0 8 0 0 0 9 5 1 14 0 0 1 0 0 0 0 0 0 0 1

3 2 0 43 0 0 0 0 0 0 11 1 2 1 0 0 0 0 0 0 0 0 0 0

4 0 0 0 52 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 3 1 1

5 1 0 2 0 42 0 0 0 0 4 0 11 0 0 0 0 0 0 0 0 0 0 0

6 0 1 0 0 0 46 3 0 0 0 2 1 2 0 0 0 1 0 1 1 2 0 0

7 0 1 0 0 0 0 58 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

8 0 0 0 0 0 0 0 55 0 0 0 0 0 0 0 0 4 0 0 0 0 1 0

9 0 0 2 0 0 0 0 0 45 7 0 0 1 0 1 4 0 0 0 0 0 0 0

10 2 0 5 0 1 0 0 0 0 25 1 26 0 0 0 0 0 0 0 0 0 0 0

11 1 1 3 0 3 0 0 0 0 4 34 5 0 2 0 1 1 1 1 1 0 0 2

12 1 0 2 0 1 0 0 0 0 4 0 51 0 0 0 0 0 0 0 0 0 1 0

13 0 1 0 0 0 0 0 0 0 0 0 0 56 0 0 0 3 0 0 0 0 0 0

14 0 0 0 0 7 1 0 0 0 3 0 2 0 47 0 0 0 0 0 0 0 0 0

15 0 0 1 0 0 0 0 0 2 1 0 2 0 1 53 0 0 0 0 0 0 0 0

16 0 1 2 0 0 0 3 0 0 1 3 6 4 0 0 39 1 0 0 0 0 0 0

17 0 0 0 0 0 0 38 0 0 0 0 1 0 0 0 0 20 0 0 1 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 47 5 4 4 0

20 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2 1 53 3 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60


15 dan window size 2ms adalah 76.522%.

Tabel 10. Lampiran Confusion Matrix Uji Sepuluh. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 59 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

2 11 19 2 0 8 0 0 0 6 5 2 4 0 0 1 1 0 0 1 0 0 0 0

3 1 1 46 0 0 0 0 0 2 7 2 0 1 0 0 0 0 0 0 0 0 0 0

4 0 0 0 52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 1 0 1

5 2 0 1 0 45 0 0 0 0 0 2 1 1 8 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 47 2 0 1 0 1 0 0 2 0 1 0 0 0 1 4 0 1

7 0 0 1 1 1 0 55 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0

8 0 0 0 0 0 0 0 53 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 50 6 0 3 0 0 1 0 0 0 0 0 0 0 0

10 18 0 1 0 0 0 0 0 1 25 0 14 0 0 0 1 0 0 0 0 0 0 0

11 10 3 0 0 1 0 0 0 0 0 41 1 0 3 0 0 0 0 0 1 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 58 0 0 1 1 0 0 0 0 0 0

14 1 0 0 0 2 0 0 0 0 0 0 0 0 57 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 1 0 0 0 0 0 0 0 0 1 0 3 6 0 0 49 0 0 0 0 0 0 0

17 0 0 0 0 1 0 44 0 0 0 0 1 1 0 0 0 13 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 55 1 3 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 56 1 0 1

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 59 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 11. Lampiran Confusion Matrix Uji Sebelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 6 13 1 0 8 0 0 0 16 7 1 6 0 0 1 0 1 0 0 0 0 0 0

3 1 0 48 0 0 0 0 0 0 9 1 0 0 0 0 0 0 0 0 0 1 0 0

4 0 0 0 52 3 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 1 0 0

5 0 0 0 0 55 0 0 0 0 0 1 0 1 3 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 45 1 0 1 0 0 0 0 10 0 1 0 0 0 1 1 0 0

7 0 1 0 1 1 0 56 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 0 0 0 0 0 0 57 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 53 5 0 0 1 0 1 0 0 0 0 0 0 0 0

10 13 0 0 0 0 0 0 0 0 29 0 18 0 0 0 0 0 0 0 0 0 0 0

11 4 0 0 0 19 0 0 0 0 0 28 0 0 9 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 6 0 0 0 0 0 0 0 0 54 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 3 3 0 0 54 0 0 0 0 0 0 0

17 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 57 1 0 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 2 3 52 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 12. Lampiran Confusion Matrix Uji Duabelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 8 11 0 0 6 0 0 0 19 5 1 5 1 1 1 1 1 0 0 0 0 0 0

3 0 1 48 0 1 0 0 0 0 9 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 45 10 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 1 0 0

5 0 0 0 0 56 0 0 0 0 1 0 0 0 3 0 0 0 0 0 0 0 0 0

6 0 0 0 0 1 39 1 0 0 0 0 0 0 17 0 0 0 0 0 0 2 0 0

7 0 0 0 0 2 0 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 0 0 0 56 0 0 0 0 3 0 0 0 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 55 4 0 0 1 0 0 0 0 0 0 0 0 0 0

10 22 0 0 0 0 0 0 0 0 24 0 14 0 0 0 0 0 0 0 0 0 0 0

11 5 1 0 0 30 0 0 0 0 0 18 0 0 6 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 11 0 0 0 0 0 0 0 0 49 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 2 0 1 5 0 0 52 0 0 0 0 0 0 0

17 0 0 0 0 1 0 44 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 57 1 0 0 0

20 0 0 0 0 6 0 0 0 0 0 0 0 0 6 0 0 0 1 6 37 4 0 0

21 0 0 0 0 4 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 53 0 0

22 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 13. Lampiran Confusion Matrix Uji Tigabelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 34 4 16 0 2 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 0 0

2 4 12 8 0 11 0 0 0 6 2 6 4 0 0 2 0 1 0 2 0 0 0 2

3 5 1 42 0 0 0 0 0 2 8 1 0 0 0 0 0 0 0 0 0 1 0 0

4 0 0 0 53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 2 0 2

5 1 0 0 0 51 0 0 0 0 3 0 3 0 0 0 0 0 0 0 0 0 0 2

6 0 0 0 0 0 54 2 0 0 0 2 0 0 0 0 0 0 0 0 0 2 0 0

7 0 0 0 0 1 0 58 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 0 0 0 0 0 0 49 0 0 0 0 10 0 0 0 1 0 0 0 0 0 0

9 0 0 1 0 1 0 0 0 54 0 0 0 0 0 3 1 0 0 0 0 0 0 0

10 6 0 14 0 1 0 0 0 1 29 0 9 0 0 0 0 0 0 0 0 0 0 0

11 0 3 0 0 0 0 0 0 0 0 52 0 0 3 0 1 0 0 0 0 1 0 0

12 4 0 0 0 2 0 0 0 0 5 0 46 0 0 0 0 0 0 0 0 0 0 3

13 0 0 0 0 0 0 0 0 0 0 0 0 56 0 0 0 4 0 0 0 0 0 0

14 0 0 1 0 8 0 0 0 0 0 5 0 0 46 0 0 0 0 0 0 0 0 0

15 0 0 1 0 0 0 0 0 5 0 0 6 2 4 42 0 0 0 0 0 0 0 0

16 0 1 0 0 0 0 0 0 1 0 0 3 2 0 0 48 5 0 0 0 0 0 0

17 1 0 0 0 0 0 41 0 0 0 0 0 4 1 0 0 13 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 50 3 5 2 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 57 2 0 0

21 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 2 0 57 0 0

22 4 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 3 0 0 50 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 14. Lampiran Confusion Matrix Uji Empatbelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 58 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 11 17 1 0 5 0 0 0 11 7 1 2 1 0 0 0 0 0 4 0 0 0 0

3 1 2 44 0 0 0 0 0 1 12 0 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

5 1 0 1 0 55 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 56 0 0 0 0 1 0 0 1 0 0 0 0 1 0 1 0 0

7 0 0 0 0 0 0 58 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0

8 0 0 0 0 0 0 0 58 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 2 0 0 0 0 0 1 0 0 0 0 0 0 0

10 4 0 0 0 0 0 0 0 0 51 0 5 0 0 0 0 0 0 0 0 0 0 0

11 0 0 0 0 11 0 0 0 0 0 45 0 0 2 0 0 0 0 2 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 3 0 0 0 0 0 0 0 0 57 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 2 3 0 0 54 0 0 0 0 0 1 0

17 0 0 1 1 0 0 31 0 0 0 0 0 0 0 0 0 27 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 57 1 1 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 59 0 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 15. Lampiran Confusion Matrix Uji Limabelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 11 18 0 0 8 0 0 0 14 2 0 4 0 0 1 0 2 0 0 0 0 0 0

3 1 0 45 0 0 0 0 0 0 11 2 0 1 0 0 0 0 0 0 0 0 0 0

4 0 0 0 52 3 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0

5 1 0 1 0 48 0 0 0 0 0 1 1 1 7 0 0 0 0 0 0 0 0 0

6 0 0 0 0 1 43 1 0 0 0 0 0 0 14 0 0 0 0 0 0 1 0 0

7 0 0 0 0 1 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 0 0 0 58 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 55 2 0 2 1 0 0 0 0 0 0 0 0 0 0

10 6 0 0 0 0 0 0 0 0 38 0 16 0 0 0 0 0 0 0 0 0 0 0

11 2 1 0 0 32 0 0 0 0 0 20 0 0 5 0 0 0 0 0 0 0 0 0

12 1 0 0 0 0 0 0 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 7 0 0 0 0 0 0 0 0 53 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 1 0 4 6 0 0 48 1 0 0 0 0 0 0

17 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 58 1 0 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 3 55 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 6 0 53 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 16. Lampiran Confusion Matrix Uji Enambelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 13 18 0 0 7 0 0 0 14 4 1 1 0 0 1 0 1 0 0 0 0 0 0

3 0 0 48 0 1 0 0 0 0 10 0 0 1 0 0 0 0 0 0 0 0 0 0

4 0 0 0 44 11 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0

5 4 0 0 0 46 0 0 0 0 1 1 1 0 7 0 0 0 0 0 0 0 0 0

6 0 0 1 0 2 36 1 0 0 0 0 0 0 19 0 0 0 0 0 0 1 0 0

7 0 0 0 0 2 0 58 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 1 1 0 0 54 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 56 2 0 1 1 0 0 0 0 0 0 0 0 0 0

10 11 0 0 0 0 0 0 0 0 37 0 12 0 0 0 0 0 0 0 0 0 0 0

11 2 1 0 0 38 0 0 0 0 1 14 0 0 4 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 13 0 0 0 0 0 0 0 0 47 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 1 0 6 5 0 0 47 1 0 0 0 0 0 0

17 0 0 0 0 1 0 36 0 0 0 0 0 0 0 0 0 23 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 58 0 0 0 0

20 0 0 0 0 6 0 0 0 0 0 0 0 0 3 0 0 0 0 4 46 1 0 0

21 0 0 0 0 6 0 0 0 0 0 0 0 0 1 0 0 0 0 5 0 48 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 17. Lampiran Confusion Matrix Uji Tujuhbelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 51 0 1 0 0 0 0 0 0 2 0 6 0 0 0 0 0 0 0 0 0 0 0

2 6 5 5 0 12 0 0 0 2 5 7 6 2 0 2 0 3 0 4 0 0 0 1

3 1 0 45 0 0 0 0 0 0 5 1 2 0 0 0 1 1 0 0 1 2 1 0

4 0 0 0 55 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 2 0 0

5 0 0 0 0 42 0 0 0 0 7 1 8 0 0 0 0 0 0 0 0 0 0 2

6 0 0 2 0 0 47 0 0 0 0 0 0 0 0 0 0 2 0 0 1 8 0 0

7 0 0 0 0 0 0 55 0 0 0 0 0 1 0 0 0 4 0 0 0 0 0 0

8 0 0 0 0 1 0 0 51 0 0 0 0 1 0 0 0 6 0 0 0 1 0 0

9 0 0 2 0 0 0 0 0 51 3 0 1 0 1 2 0 0 0 0 0 0 0 0

10 1 0 0 0 0 0 0 0 0 40 0 19 0 0 0 0 0 0 0 0 0 0 0

11 1 2 0 0 1 0 0 0 0 4 49 1 1 0 0 0 0 0 0 0 1 0 0

12 1 0 0 0 1 0 0 0 2 5 1 50 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 5 0 0 0 0 47 0 0 0 8 0 0 0 0 0 0

14 0 2 0 0 5 0 0 0 0 1 0 3 0 49 0 0 0 0 0 0 0 0 0

15 0 0 2 0 0 0 0 0 2 0 0 3 0 3 50 0 0 0 0 0 0 0 0

16 0 0 0 0 0 1 0 0 0 0 3 4 3 1 1 45 2 0 0 0 0 0 0

17 0 0 0 0 0 0 43 0 0 0 0 0 1 0 0 0 16 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 56 0 0 4 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 47 5 6 2 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 55 5 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 56 0 0

22 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 59



Tabel 18. Lampiran Confusion Matrix Uji Delapanbelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 56 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0

2 14 12 3 0 5 0 0 0 9 7 1 3 0 0 4 1 1 0 0 0 0 0 0

3 2 1 47 0 0 0 0 0 0 8 1 1 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 2 0 0

5 1 0 0 0 54 0 0 0 0 0 3 0 0 2 0 0 0 0 0 0 0 0 0

6 0 0 2 0 0 51 0 0 0 0 1 0 0 2 0 2 0 0 0 1 1 0 0

7 0 0 0 1 3 0 56 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 2 0 1 52 0 0 0 0 4 0 0 0 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 45 9 0 6 0 0 0 0 0 0 0 0 0 0 0

10 6 0 0 0 0 0 0 0 0 34 0 20 0 0 0 0 0 0 0 0 0 0 0

11 8 2 0 0 0 0 0 0 0 1 47 1 0 1 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 1 0 0 0 0 0 0 0 0 0 0 0 58 0 0 0 1 0 0 0 0 0 0

14 1 0 0 0 3 0 0 0 0 0 1 0 0 55 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 2 0 0 0 0 0 0 0 2 2 2 5 0 1 46 0 0 0 0 0 0 0

17 0 0 0 0 0 0 43 0 0 0 0 1 0 0 0 0 16 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 53 3 3 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 58 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 59 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 19. Lampiran Confusion Matrix Uji Sembilanbelas. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 10 16 1 0 9 0 0 0 13 5 0 3 0 2 1 0 0 0 0 0 0 0 0

3 1 1 47 0 0 0 1 0 1 9 0 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 52 2 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 2 0 0

5 2 0 0 0 54 0 0 0 0 1 0 0 0 3 0 0 0 0 0 0 0 0 0

6 1 0 1 0 0 44 2 0 0 0 2 0 0 10 0 0 0 0 0 0 0 0 0

7 0 0 0 0 1 0 58 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 0 0 0 2 0 0 55 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 56 4 0 0 0 0 0 0 0 0 0 0 0 0 0

10 10 0 0 0 0 0 0 0 0 28 0 22 0 0 0 0 0 0 0 0 0 0 0

11 11 0 0 0 19 0 0 0 0 0 25 0 0 5 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 1 0 59 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 7 0 0 0 0 0 0 0 0 53 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 1 0 3 5 0 0 51 0 0 0 0 0 0 0

17 0 0 0 0 0 0 39 1 0 0 0 1 0 0 0 0 19 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 58 1 0 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 4 52 2 0 0

21 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 55 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 20. Lampiran Confusion Matrix Uji Duapuluh. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 8 18 0 0 9 0 0 0 10 9 0 2 0 3 1 0 0 0 0 0 0 0 0

3 0 1 41 0 1 0 1 0 1 14 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 45 9 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 2 0 0

5 1 0 0 0 54 0 0 0 0 2 1 0 0 2 0 0 0 0 0 0 0 0 0

6 1 0 1 0 0 40 2 0 0 0 1 0 0 14 0 0 0 0 0 0 1 0 0

7 0 0 0 1 2 0 57 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 2 0 0 52 0 0 0 0 5 0 0 0 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 58 2 0 0 0 0 0 0 0 0 0 0 0 0 0

10 10 0 0 0 0 0 0 0 0 37 0 13 0 0 0 0 0 0 0 0 0 0 0

11 4 0 0 0 32 0 0 0 0 0 21 0 0 3 0 0 0 0 0 0 0 0 0

12 0 0 0 0 1 0 0 0 0 1 0 58 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 10 0 0 0 0 0 0 0 0 50 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 2 0 2 9 0 0 47 0 0 0 0 0 0 0

17 0 0 0 0 1 0 38 0 0 0 0 0 2 0 0 0 19 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 58 1 0 0 0

20 0 0 0 0 6 0 0 0 0 0 0 0 0 1 0 0 0 0 5 43 5 0 0

21 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 50 0 0

22 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 57 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60


18 dan window size 6ms adalah 80%.

Tabel 21. Lampiran Confusion Matrix Uji Duapuluh Satu. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 46 0 0 0 0 0 0 0 0 10 0 3 0 0 0 1 0 0 0 0 0 0 0

2 19 6 3 0 5 0 0 0 6 1 2 9 0 0 2 2 1 0 1 0 1 0 2

3 7 1 38 0 1 0 0 0 4 5 2 2 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 3

5 6 0 1 0 40 0 0 0 0 5 1 4 0 1 0 0 0 0 0 0 0 0 2

6 3 4 2 0 1 40 3 0 0 0 0 0 2 0 1 0 0 0 0 3 1 0 0

7 0 0 0 0 3 0 49 0 0 0 0 0 2 0 0 0 6 0 0 0 0 0 0

8 0 0 0 0 1 0 5 44 0 0 1 0 7 0 0 1 1 0 0 0 0 0 0

9 1 0 3 0 0 0 0 0 38 8 1 0 0 0 8 0 0 0 0 0 0 0 1

10 8 0 1 0 0 0 0 0 1 23 0 27 0 0 0 0 0 0 0 0 0 0 0

11 13 4 3 0 2 0 0 0 1 2 29 4 0 1 0 0 0 0 0 1 0 0 0

12 5 1 0 0 6 0 0 0 0 10 1 37 0 0 0 0 0 0 0 0 0 0 0

13 1 0 0 0 0 0 0 1 0 0 1 0 55 0 0 0 2 0 0 0 0 0 0

14 1 0 0 0 6 0 0 0 0 2 1 0 0 49 1 0 0 0 0 0 0 0 0

15 0 0 1 0 0 0 0 0 3 0 0 3 0 2 51 0 0 0 0 0 0 0 0

16 0 0 0 0 1 1 0 0 0 0 2 3 3 0 0 49 1 0 0 0 0 0 0

17 1 0 0 0 0 0 52 1 0 0 0 0 0 0 0 1 5 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 39 13 4 2 2

20 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 53 1 0 2

21 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 6 2 50 1 0

22 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 1 0 0 0 0 0 55 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 22. Lampiran Confusion Matrix Uji Duapuluh Dua. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 56 0 1 0 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0 0 0 0 0

2 9 15 1 0 7 0 0 0 15 3 2 0 1 1 5 0 1 0 0 0 0 0 0

3 1 0 52 0 0 0 0 0 2 3 1 0 0 0 0 0 0 0 0 1 0 0 0

4 0 0 0 56 0 0 1 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0

5 2 1 1 0 46 0 0 0 0 0 0 0 2 8 0 0 0 0 0 0 0 0 0

6 0 2 2 0 0 47 3 1 0 0 1 1 0 1 0 0 0 0 0 1 1 0 0

7 0 0 0 0 4 0 54 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0

8 0 0 0 0 1 0 4 49 0 0 0 0 2 0 0 4 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 54 4 0 1 0 0 0 0 0 0 0 0 0 0 1

10 7 0 0 0 0 0 0 0 0 33 0 20 0 0 0 0 0 0 0 0 0 0 0

11 11 1 0 0 3 0 0 0 0 2 36 4 0 3 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 53 0 0 7 0 0 0 0 0 0 0

14 1 0 1 0 4 0 0 0 0 0 0 0 0 54 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 1 1 1 12 3 0 0 42 0 0 0 0 0 0 0

17 0 0 0 0 0 0 42 0 0 0 0 1 0 0 0 0 17 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 56 2 0 0 0

20 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 57 2 0 0

21 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 59 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 23. Lampiran Confusion Matrix Uji Duapuluh Tiga. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 8 17 2 0 5 0 0 0 18 4 0 5 0 1 0 0 0 0 0 0 0 0 0

3 1 0 47 0 0 1 0 0 1 9 1 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 48 3 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 1 0 0

5 2 0 0 0 54 0 0 0 0 0 0 1 0 3 0 0 0 0 0 0 0 0 0

6 1 1 0 0 2 40 2 0 1 0 0 0 0 11 0 0 0 0 0 0 2 0 0

7 0 0 0 0 1 1 57 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

8 0 0 0 0 0 0 0 52 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 56 2 0 1 0 0 0 1 0 0 0 0 0 0 0

10 4 0 0 0 0 0 0 0 0 40 0 16 0 0 0 0 0 0 0 0 0 0 0

11 6 1 1 0 20 0 0 0 0 1 22 1 0 8 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0

14 0 0 1 0 7 0 0 0 0 0 0 0 0 52 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 3 0 5 3 0 0 49 0 0 0 0 0 0 0

17 0 0 0 0 0 0 47 0 0 0 0 0 1 0 0 0 12 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 57 1 0 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 11 47 1 0 0

21 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 3 0 55 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 59 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 24. Lampiran Confusion Matrix Uji Duapuluh Empat. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 8 17 1 0 8 0 0 0 15 7 0 3 0 1 0 0 0 0 0 0 0 0 0

3 0 0 47 0 1 0 0 0 0 10 1 0 1 0 0 0 0 0 0 0 0 0 0

4 0 0 0 43 11 0 0 0 0 0 0 0 0 1 0 0 0 0 5 0 0 0 0

5 2 0 0 0 53 0 0 0 0 0 1 0 1 3 0 0 0 0 0 0 0 0 0

6 0 1 2 0 3 32 1 0 1 0 1 0 0 17 0 0 0 0 0 0 2 0 0

7 0 0 0 0 2 0 57 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

8 0 0 0 0 0 0 0 52 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 57 2 0 0 1 0 0 0 0 0 0 0 0 0 0

10 8 0 0 0 0 0 0 0 0 37 0 15 0 0 0 0 0 0 0 0 0 0 0

11 5 0 1 0 34 0 0 0 0 0 14 0 0 6 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 12 0 0 0 0 0 0 0 0 48 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 1 0 0 59 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 3 0 6 5 0 0 46 0 0 0 0 0 0 0

17 0 0 0 0 1 0 39 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 57 1 0 0 0

20 0 0 0 0 4 0 0 0 0 0 0 0 0 4 0 0 0 2 7 41 2 0 0

21 0 0 0 0 7 0 0 0 0 0 0 0 0 1 0 0 0 0 3 0 49 0 0

22 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 58 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60



Tabel 25. Lampiran Confusion Matrix Uji Duapuluh Lima. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 60 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 10 15 1 0 7 0 0 0 14 7 0 1 0 0 1 1 0 0 3 0 0 0 0

3 1 1 45 0 0 0 0 0 1 12 0 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 59 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

5 1 0 1 0 52 0 0 0 0 2 3 0 0 0 0 0 0 0 0 1 0 0 0

6 0 0 0 0 0 56 0 0 0 0 1 0 0 1 0 0 0 0 2 0 0 0 0

7 0 0 0 0 0 0 58 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0

8 0 0 0 0 0 0 0 58 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 58 2 0 0 0 0 0 0 0 0 0 0 0 0 0

10 4 0 0 0 0 0 0 0 0 47 0 9 0 0 0 0 0 0 0 0 0 0 0

11 0 0 0 0 15 0 0 0 0 0 43 0 0 1 0 0 0 0 1 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 1 0 5 0 0 0 0 0 0 0 0 54 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 1 0 0 0 0 0 0 1 0 1 7 0 0 50 0 0 0 0 0 0 0

17 0 0 1 0 0 0 44 0 0 0 0 0 1 0 0 0 14 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 58 0 1 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 58 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60

Akurasi yang diperoleh dari pengujian dengan feature extraction MFCC_D, jumlah

state 17 dan window size 3ms adalah 87,246%.

Tabel 26. Lampiran Confusion Matrix Uji Duapuluh Lima. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 58 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0

2 12 16 0 0 10 0 0 0 10 2 0 0 0 0 2 0 0 0 7 0 0 0 1

3 1 1 45 0 0 0 0 0 2 11 0 0 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 58 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

5 1 0 0 0 54 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 1

6 0 0 0 0 0 53 1 0 0 0 0 1 0 3 0 0 0 0 2 0 0 0 0

7 0 0 0 2 0 0 57 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

8 0 0 0 0 0 0 0 56 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 55 2 0 1 0 0 1 0 0 0 1 0 0 0 0

10 8 0 0 0 0 0 0 0 0 36 0 16 0 0 0 0 0 0 0 0 0 0 0

11 0 1 1 0 6 0 0 0 0 7 38 1 0 5 0 0 0 0 0 0 0 0 1

12 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 1 0 0 0 0 59 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 7 0 0 0 0 0 0 0 0 53 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0 0 0 0

16 0 0 0 1 0 0 0 0 0 0 0 3 13 0 0 43 0 0 0 0 0 0 0

17 0 0 1 1 0 0 41 0 0 0 0 0 1 0 0 0 15 0 0 1 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0 0 0 0

19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 56 0 1 0 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 56 1 0 0

21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0 0

22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60 0

23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60

Akurasi yang diperoleh dari pengujian dengan feature extraction MFCC_D_A,

jumlah state 17 dan window size 3ms adalah 84,638%.

LAMPIRAN SOURCE CODE

kendaliMatlab.java package matlabControl; import GUI.frameSMScreator; import java.util.Arrays; import jmatlink.JMatLink; /** * @author Martinus **/ public class kendaliMatlab { private JMatLink engine = new JMatLink(); frameSMScreator FSMSC; String teks; public kendaliMatlab() { this.engine.engOpen(); this.engine.engEvalString("cd C:/MATLAB6p5/work/Script"); } public void closeMatlab() { this.engine.engClose(); } public void getThisObject(frameSMScreator FSMSC){ this.FSMSC = FSMSC; } public void recordSuara() { this.engine.engEvalString("r = audiorecorder(44100,16,1);"); this.engine.engEvalString("record(r);"); } public void stopRecord() { this.engine.engEvalString("stop(r);"); this.engine.engEvalString("play(r);"); } public String konversiSuara(int counter) { this.engine.engEvalString("stop(r);"); this.engine.engEvalString("message = getaudiodata(r);"); this.engine.engEvalString("cd C:/MATLAB6p5/work/Script/pesan"); this.engine.engEvalString("wavwrite(message,44100,'pesan" + counter + ".wav');"); // engine.engEvalString("dos('erase codeData.scp')"); this.engine.engEvalString("cd C:/MATLAB6p5/work/Script"); this.engine.engEvalString("fid1 = fopen('codeData.scp', 'w')"); this.engine.engEvalString("fwrite(fid1,['\"C:/MATLAB6p5/work/Script/pesan/pesan" + counter + ".wav\" \"C:/MATLAB6p5/work/Script/ekstraksiPesan/pesan" + counter + ".mfc\"'])"); this.engine.engEvalString("fclose(fid1)"); System.out.println("mau ekstraksi");

this.engine.engEvalString("dos('HCopy -A -C mfccConfigSys -S codeData.scp');"); System.out.println("uda ekstraksi"); // engine.engEvalString("dos('erase kalimat.scp')"); this.engine.engEvalString("fid2 = fopen('kalimat.scp', 'w')"); this.engine.engEvalString("fwrite(fid2,['\"C:/MATLAB6p5/work/Script/ekstraksiPesan/pesan" + counter + ".mfc\"'])"); this.engine.engEvalString("fclose(fid2)"); this.engine.engEvalString("dos('HVite -A -w wordnet -l . -i rec0_1.mlf -S kalimat.scp -H hmm0/hmmdefs dict model.list');"); this.engine.engEvalString("dos('HVite -A -w wordnet -l . -o ST -i rec0.mlf -S kalimat.scp -H hmm0/hmmdefs dict model.list');"); this.engine.engEvalString("getTeks('rec0.mlf')"); teks = Arrays.toString(engine.engGetCharArray("ans")); return teks; } public void fungsiTrainTest(String jmlState, String window, String featureEx) { double CM = 0; this.engine.engEvalString("createMfccConfig('" + featureEx + "', " + window + ");"); System.out.println("ekstraksi"); FSMSC.pemodelan("Ekstraksi Ciri...!"); // jTextArea3.setText(jTextArea3.getText() + "Feature Extraction... \n"); this.engine.engEvalString("dos('HCopy -A -C mfccConfig -S codeAll.scp');"); FSMSC.pemodelan("Pembuatan Proto...!"); if (featureEx.equalsIgnoreCase("MFCC")) { this.engine.engEvalString("createProto('" + featureEx + "',12," + jmlState + ");"); } else if (featureEx.equalsIgnoreCase("MFCC_D")) { this.engine.engEvalString("createProto('" + featureEx + "',24," + jmlState + ");"); } else { this.engine.engEvalString("createProto('" + featureEx + "',36," + jmlState + ");"); } System.out.println("model"); FSMSC.pemodelan("Pembuatan Model dan Pengenalan...!"); // jTextArea3.setText(jTextArea3.getText() + "Pemodelan dan Pengenalan Suara... \n"); this.engine.engEvalString("trainDataOnJava();"); // jTextArea3.setText("Selesai... \n"); // engine.engEvalString(jTextArea3.getText() + "JumlahTotalAkurasi"); FSMSC.pemodelan("Penghitungan Akurasi...!"); this.engine.engEvalString("JumlahTotalAkurasi"); CM = this.engine.engGetScalar("M"); FSMSC.pemodelan("Akurasi : " + CM); FSMSC.pemodelan("Selesai... \n"); // jTextArea3.setText(jTextArea3.getText() + "Akurasi yang diperoleh : " + CM + "\n\n");

} }

frameSound.java package GUI; import javax.swing.JButton; import javax.swing.JTextArea; import matlabControl.*; /** * @author Aisile **/ public class frameSound extends javax.swing.JFrame { JButton jbut; int counter = 0; String teks; JTextArea jta; kendaliMatlab kndlmtlb; /** Creates new form frameSound */ public frameSound() { initComponents(); } public void getButton(JButton but) { jbut = but; } public void setTeks(JTextArea jta2) { this.jta = jta2; } public void setCountre() { this.counter++; } public void getObjekKendaliMatlab(kendaliMatlab kndlmtlb){ this.kndlmtlb = kndlmtlb; } /** This method is called from within the constructor to * initialize the form. * WARNING: Do NOT modify this code. The content of this method is * always regenerated by the Form Editor. */ // <editor-fold defaultstate="collapsed" desc="Generated Code">//GEN-BEGIN:initComponents private void initComponents() { jPanel1 = new javax.swing.JPanel(); batalBtn = new javax.swing.JButton(); konversiBtn = new javax.swing.JButton(); jSeparator1 = new javax.swing.JSeparator(); jLabel1 = new javax.swing.JLabel(); jLabel2 = new javax.swing.JLabel();

setDefaultCloseOperation(javax.swing.WindowConstants.DISPOSE_ON_CLOSE); setTitle("Recording"); addWindowListener(new java.awt.event.WindowAdapter() { public void windowClosed(java.awt.event.WindowEvent evt) { formWindowClosed(evt); } }); jPanel1.setBackground(new java.awt.Color(204, 255, 204)); batalBtn.setText("BATAL"); batalBtn.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { batalBtnActionPerformed(evt); } }); konversiBtn.setText("Konversi"); konversiBtn.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { konversiBtnActionPerformed(evt); } }); jLabel1.setFont(new java.awt.Font("Lucida Calligraphy", 1, 12)); jLabel1.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel1.setText("Mulai merekam suara !"); jLabel2.setText("Tekan tombol \"KONVERSI\" untuk memperoleh pesan teks."); javax.swing.GroupLayout jPanel1Layout = new javax.swing.GroupLayout(jPanel1); jPanel1.setLayout(jPanel1Layout); jPanel1Layout.setHorizontalGroup( jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel1Layout.createSequentialGroup() .addContainerGap() .addComponent(konversiBtn, javax.swing.GroupLayout.PREFERRED_SIZE, 179, javax.swing.GroupLayout.PREFERRED_SIZE) .addGap(18, 18, 18) .addComponent(batalBtn, javax.swing.GroupLayout.PREFERRED_SIZE, 179, javax.swing.GroupLayout.PREFERRED_SIZE) .addContainerGap(javax.swing.GroupLayout.DEFAULT_SIZE, Short.MAX_VALUE)) .addComponent(jSeparator1, javax.swing.GroupLayout.DEFAULT_SIZE, 396, Short.MAX_VALUE) .addGroup(javax.swing.GroupLayout.Alignment.TRAILING, jPanel1Layout.createSequentialGroup() .addContainerGap() .addComponent(jLabel2, javax.swing.GroupLayout.DEFAULT_SIZE, 376, Short.MAX_VALUE) .addContainerGap()) .addGroup(jPanel1Layout.createSequentialGroup() .addContainerGap() .addComponent(jLabel1,

javax.swing.GroupLayout.DEFAULT_SIZE, 376, Short.MAX_VALUE) .addContainerGap()) ); jPanel1Layout.setVerticalGroup( jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(javax.swing.GroupLayout.Alignment.TRAILING, jPanel1Layout.createSequentialGroup() .addContainerGap() .addComponent(jLabel1, javax.swing.GroupLayout.DEFAULT_SIZE, 64, Short.MAX_VALUE) .addGap(60, 60, 60) .addComponent(jLabel2) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.UNRELATED) .addComponent(jSeparator1, javax.swing.GroupLayout.PREFERRED_SIZE, 10, javax.swing.GroupLayout.PREFERRED_SIZE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BASELINE) .addComponent(batalBtn) .addComponent(konversiBtn)) .addContainerGap()) ); javax.swing.GroupLayout layout = new javax.swing.GroupLayout(getContentPane()); getContentPane().setLayout(layout); layout.setHorizontalGroup( layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(layout.createSequentialGroup() .addComponent(jPanel1, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, Short.MAX_VALUE) .addContainerGap()) ); layout.setVerticalGroup( layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jPanel1, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, Short.MAX_VALUE) ); java.awt.Dimension screenSize = java.awt.Toolkit.getDefaultToolkit().getScreenSize(); setBounds((screenSize.width-404)/2, (screenSize.height-244)/2, 404, 244); }// </editor-fold>//GEN-END:initComponents private void formWindowClosed(java.awt.event.WindowEvent evt) {//GEN-FIRST:event_formWindowClosed // TODO add your handling code here: kndlmtlb.stopRecord(); jbut.setEnabled(true); }//GEN-LAST:event_formWindowClosed private void batalBtnActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_batalBtnActionPerformed

// TODO add your handling code here: kndlmtlb.stopRecord(); jbut.setEnabled(true); this.dispose(); }//GEN-LAST:event_batalBtnActionPerformed private void konversiBtnActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_konversiBtnActionPerformed // TODO add your handling code here: this.teks = kndlmtlb.konversiSuara(this.counter); System.out.println(this.counter); jta.setText(jta.getText() + teks + " "); jbut.setEnabled(true); this.dispose(); }//GEN-LAST:event_konversiBtnActionPerformed // Variables declaration - do not modify//GEN-BEGIN:variables private javax.swing.JButton batalBtn; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JPanel jPanel1; private javax.swing.JSeparator jSeparator1; private javax.swing.JButton konversiBtn; // End of variables declaration//GEN-END:variables }

frameSMScreator package GUI; import java.io.File; import java.io.IOException; import java.util.Properties; import matlabControl.*; import sendFunction.*; import java.lang.System; /** * @author Aisile **/ public class frameSMScreator extends javax.swing.JFrame { public final static int SYNCHRONOUS = 0; public final static int ASYNCHRONOUS = 1; private int mode = -1; private Thread myThread = null; public long messageNo = -1; public int status = -1; frameSound fSound = new frameSound(); kendaliMatlab kndlmtlb = new kendaliMatlab(); Sender aSender; /** Creates new form frameSMScreator */ public frameSMScreator(int mode) { this.mode = mode; } public frameSMScreator() { initComponents(); } public void pemodelan(String status) {

textAreaPemodelanTrain.setText(textAreaPemodelanTrain.getText() + "\n" + status); } public void callHelpOnNetbean() { Properties systemProp = System.getProperties(); // Ambil current dir String currentDir = systemProp.getProperty("user.dir"); System.out.println("Direktori : " + currentDir); File dir = new File(currentDir); String helpName = "helpSMS.chm"; // String reportDirName = "dist"; File fileRpt; String fullPath = ""; if (dir.isDirectory()) { System.out.println("masuk jika direktori"); String[] isiDir = dir.list(); for (int i = 0; i < isiDir.length; i++) { System.out.println("jml isi dir : " + i); fileRpt = new File(currentDir + File.separatorChar + isiDir[i] + File.separatorChar + helpName); System.out.println("ngeliat : "+fileRpt.toString()); if (fileRpt.isFile()) { // Cek apakah file helpSMS.chm ada System.out.println("masuk jika itu help"); fullPath = fileRpt.toString(); System.out.println("Found Help File at : " + fullPath); } // end if } // end for i } // end if // Ambil Direktori tempat file RptMaster.jrxml berada String[] subRptDir = fullPath.split(helpName); String helpDir = subRptDir[0]; helpDir = helpDir + helpName; System.out.println("Help Directory at : " + helpDir); try { Runtime.getRuntime().exec("cmd.exe /c " + helpDir); } catch (IOException ex) { ex.printStackTrace(); } } public void callHelpOnJar() { Properties systemProp = System.getProperties(); // Ambil current dir String currentDir = systemProp.getProperty("user.dir"); System.out.println("Help Directory at : " + currentDir); // File dir = new File(currentDir); String helpName = "helpSMS.chm"; // Ambil Direktori tempat file helpSMS.chm berada String fullPath = "../dist/helpSMS.chm"; String[] subHelpDir = fullPath.split(helpName);

String helpDir = subHelpDir[0]; helpDir = helpDir + helpName; System.out.println("Help Directory at : " + helpDir); //jalankan file chm try { Runtime.getRuntime().exec("cmd.exe /c " + helpDir); } catch (IOException ex) { ex.printStackTrace(); } } /** This method is called from within the constructor to * initialize the form. * WARNING: Do NOT modify this code. The content of this method is * always regenerated by the Form Editor. */ // <editor-fold defaultstate="collapsed" desc="Generated Code">//GEN-BEGIN:initComponents private void initComponents() { jTabbedPane1 = new javax.swing.JTabbedPane(); jPanel1 = new javax.swing.JPanel(); phoneNumberTxt = new javax.swing.JTextField(); jLabel1 = new javax.swing.JLabel(); jSeparator1 = new javax.swing.JSeparator(); jLabel2 = new javax.swing.JLabel(); jScrollPane1 = new javax.swing.JScrollPane(); textAreaRecordPesan = new javax.swing.JTextArea(); sendBtn = new javax.swing.JButton(); recordBtn = new javax.swing.JButton(); jLabel3 = new javax.swing.JLabel(); jLabel4 = new javax.swing.JLabel(); jLabel5 = new javax.swing.JLabel(); jScrollPane2 = new javax.swing.JScrollPane(); textAreaMessage = new javax.swing.JTextArea(); jPanel3 = new javax.swing.JPanel(); jScrollPane3 = new javax.swing.JScrollPane(); textAreaPemodelanTrain = new javax.swing.JTextArea(); buttonTrainTest = new javax.swing.JButton(); jLabel18 = new javax.swing.JLabel(); comboJumlaState = new javax.swing.JComboBox(); jLabel19 = new javax.swing.JLabel(); comboWindow = new javax.swing.JComboBox(); jLabel20 = new javax.swing.JLabel(); comboTipeFeature = new javax.swing.JComboBox(); jLabel21 = new javax.swing.JLabel(); jSeparator3 = new javax.swing.JSeparator(); jPanel2 = new javax.swing.JPanel(); jPanel4 = new javax.swing.JPanel(); jLabel6 = new javax.swing.JLabel(); jLabel7 = new javax.swing.JLabel(); jLabel8 = new javax.swing.JLabel(); jLabel9 = new javax.swing.JLabel(); jSeparator2 = new javax.swing.JSeparator(); jLabel10 = new javax.swing.JLabel(); jLabel11 = new javax.swing.JLabel(); jLabel12 = new javax.swing.JLabel(); jLabel13 = new javax.swing.JLabel(); jLabel14 = new javax.swing.JLabel(); jLabel15 = new javax.swing.JLabel();

jLabel16 = new javax.swing.JLabel(); jLabel17 = new javax.swing.JLabel(); buttonHelp = new javax.swing.JButton(); setDefaultCloseOperation(javax.swing.WindowConstants.EXIT_ON_CLOSE); setTitle("SMS via I-NET"); addWindowListener(new java.awt.event.WindowAdapter() { public void windowClosed(java.awt.event.WindowEvent evt) { formWindowClosed(evt); } }); jTabbedPane1.setBackground(new java.awt.Color(204, 255, 204)); jTabbedPane1.setForeground(new java.awt.Color(153, 153, 153)); jPanel1.setBackground(new java.awt.Color(204, 255, 204)); jLabel1.setFont(new java.awt.Font("Palatino Linotype", 3, 14)); jLabel1.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel1.setText("Net SMS"); jLabel2.setText("Number :"); textAreaRecordPesan.setColumns(20); textAreaRecordPesan.setEditable(false); textAreaRecordPesan.setRows(5); jScrollPane1.setViewportView(textAreaRecordPesan); sendBtn.setText("KIRIM"); sendBtn.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { sendBtnActionPerformed(evt); } }); recordBtn.setText("Rekam Suara"); recordBtn.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { recordBtnActionPerformed(evt); } }); jLabel3.setText("Note :"); jLabel4.setText("Untuk menuliskan pesan melalui suara tekan"); jLabel5.setText("tombol \"REKAM SUARA\" di bawah."); textAreaMessage.setColumns(20); textAreaMessage.setRows(5); jScrollPane2.setViewportView(textAreaMessage); javax.swing.GroupLayout jPanel1Layout = new javax.swing.GroupLayout(jPanel1); jPanel1.setLayout(jPanel1Layout); jPanel1Layout.setHorizontalGroup( jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jSeparator1,

javax.swing.GroupLayout.DEFAULT_SIZE, 689, Short.MAX_VALUE) .addGroup(jPanel1Layout.createSequentialGroup() .addContainerGap() .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel1Layout.createSequentialGroup() .addComponent(jLabel2) .addGap(18, 18, 18) .addComponent(phoneNumberTxt, javax.swing.GroupLayout.PREFERRED_SIZE, 160, javax.swing.GroupLayout.PREFERRED_SIZE)) .addComponent(jLabel5) .addComponent(jLabel4) .addComponent(jLabel3) .addComponent(recordBtn, javax.swing.GroupLayout.PREFERRED_SIZE, 222, javax.swing.GroupLayout.PREFERRED_SIZE)) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(javax.swing.GroupLayout.Alignment.TRAILING, jPanel1Layout.createSequentialGroup() .addComponent(jScrollPane2, javax.swing.GroupLayout.DEFAULT_SIZE, 374, Short.MAX_VALUE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(sendBtn)) .addComponent(jScrollPane1, javax.swing.GroupLayout.DEFAULT_SIZE, 441, Short.MAX_VALUE)) .addContainerGap()) .addGroup(jPanel1Layout.createSequentialGroup() .addContainerGap() .addComponent(jLabel1, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addContainerGap()) ); jPanel1Layout.setVerticalGroup( jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel1Layout.createSequentialGroup() .addGap(11, 11, 11) .addComponent(jLabel1) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.UNRELATED) .addComponent(jSeparator1, javax.swing.GroupLayout.PREFERRED_SIZE, 10, javax.swing.GroupLayout.PREFERRED_SIZE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel1Layout.createSequentialGroup() .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BASELINE) .addComponent(jLabel2) .addComponent(phoneNumberTxt,

javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE)) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED, 270, Short.MAX_VALUE) .addComponent(jLabel3) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel4) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel5)) .addComponent(jScrollPane1, javax.swing.GroupLayout.Alignment.TRAILING, javax.swing.GroupLayout.DEFAULT_SIZE, 344, Short.MAX_VALUE)) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel1Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BASELINE) .addComponent(sendBtn, javax.swing.GroupLayout.PREFERRED_SIZE, 53, javax.swing.GroupLayout.PREFERRED_SIZE) .addComponent(recordBtn, javax.swing.GroupLayout.PREFERRED_SIZE, 52, javax.swing.GroupLayout.PREFERRED_SIZE)) .addComponent(jScrollPane2, javax.swing.GroupLayout.PREFERRED_SIZE, 52, javax.swing.GroupLayout.PREFERRED_SIZE)) .addContainerGap()) ); jTabbedPane1.addTab("SMS Client", jPanel1); jPanel3.setBackground(new java.awt.Color(204, 255, 204)); textAreaPemodelanTrain.setColumns(20); textAreaPemodelanTrain.setEditable(false); textAreaPemodelanTrain.setRows(5); jScrollPane3.setViewportView(textAreaPemodelanTrain); buttonTrainTest.setText("Hitung"); buttonTrainTest.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { buttonTrainTestActionPerformed(evt); } }); jLabel18.setText("Jumlah State : "); comboJumlaState.setModel(new javax.swing.DefaultComboBoxModel(new String[] { "10", "13", "15", "17", "18", "20" })); jLabel19.setText("Window Size :"); comboWindow.setModel(new javax.swing.DefaultComboBoxModel(new String[] { "20000", "30000", "50000", "60000" }));

jLabel20.setText("Feature Extraction :"); comboTipeFeature.setModel(new javax.swing.DefaultComboBoxModel(new String[] { "MFCC", "MFCC_D", "MFCC_D_A" })); jLabel21.setFont(new java.awt.Font("Arial Black", 2, 18)); jLabel21.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel21.setText("Pengujian"); javax.swing.GroupLayout jPanel3Layout = new javax.swing.GroupLayout(jPanel3); jPanel3.setLayout(jPanel3Layout); jPanel3Layout.setHorizontalGroup( jPanel3Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(javax.swing.GroupLayout.Alignment.TRAILING, jPanel3Layout.createSequentialGroup() .addContainerGap() .addGroup(jPanel3Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jLabel18) .addComponent(comboJumlaState, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addComponent(jLabel19) .addComponent(comboWindow, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addComponent(jLabel20) .addComponent(comboTipeFeature, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addComponent(buttonTrainTest)) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED, 27, Short.MAX_VALUE) .addComponent(jScrollPane3, javax.swing.GroupLayout.PREFERRED_SIZE, 545, javax.swing.GroupLayout.PREFERRED_SIZE) .addContainerGap()) .addComponent(jLabel21, javax.swing.GroupLayout.Alignment.TRAILING, javax.swing.GroupLayout.DEFAULT_SIZE, 689, Short.MAX_VALUE) .addComponent(jSeparator3, javax.swing.GroupLayout.DEFAULT_SIZE, 689, Short.MAX_VALUE) ); jPanel3Layout.setVerticalGroup( jPanel3Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel3Layout.createSequentialGroup() .addComponent(jLabel21, javax.swing.GroupLayout.PREFERRED_SIZE, 54, javax.swing.GroupLayout.PREFERRED_SIZE)

.addGap(18, 18, 18) .addComponent(jSeparator3, javax.swing.GroupLayout.PREFERRED_SIZE, 10, javax.swing.GroupLayout.PREFERRED_SIZE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel3Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jScrollPane3, javax.swing.GroupLayout.DEFAULT_SIZE, 373, Short.MAX_VALUE) .addGroup(jPanel3Layout.createSequentialGroup() .addComponent(jLabel18) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(comboJumlaState, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addGap(18, 18, 18) .addComponent(jLabel19) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(comboWindow, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addGap(18, 18, 18) .addComponent(jLabel20) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(comboTipeFeature, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addGap(18, 18, 18) .addComponent(buttonTrainTest))) .addContainerGap()) ); jTabbedPane1.addTab("Pengujian", jPanel3); jPanel2.setBackground(new java.awt.Color(204, 255, 204)); jPanel4.setBackground(new java.awt.Color(153, 255, 153)); jPanel4.setBorder(new javax.swing.border.SoftBevelBorder(javax.swing.border.BevelBorder.RAISED)); jLabel6.setFont(new java.awt.Font("Palatino Linotype", 1, 14)); jLabel6.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel6.setText("TENTANG PROGRAM"); javax.swing.GroupLayout jPanel4Layout = new javax.swing.GroupLayout(jPanel4); jPanel4.setLayout(jPanel4Layout); jPanel4Layout.setHorizontalGroup( jPanel4Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel4Layout.createSequentialGroup()

.addContainerGap() .addComponent(jLabel6, javax.swing.GroupLayout.DEFAULT_SIZE, 643, Short.MAX_VALUE) .addContainerGap()) ); jPanel4Layout.setVerticalGroup( jPanel4Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel4Layout.createSequentialGroup() .addContainerGap() .addComponent(jLabel6, javax.swing.GroupLayout.DEFAULT_SIZE, 48, Short.MAX_VALUE) .addContainerGap()) ); jLabel7.setFont(new java.awt.Font("Times New Roman", 0, 12)); jLabel7.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel7.setText("Konversi Suara ke Teks"); jLabel8.setFont(new java.awt.Font("Times New Roman", 0, 12)); jLabel8.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel8.setText("Menggunakan"); jLabel9.setFont(new java.awt.Font("Times New Roman", 0, 12)); jLabel9.setHorizontalAlignment(javax.swing.SwingConstants.CENTER); jLabel9.setText("Metode Hidden Markov Model"); jLabel10.setText("Freeware (c) 2010-2011 by Martinus Budi Gunawan"); jLabel11.setText("Email :"); jLabel12.setText("Program ini digunakan untuk mengubah suara menjadi teks yang kemudian dikirmkan ke nomer telepon genggam menggunakan jaringan"); jLabel13.setText("internet. Dalam proses pengubahan suara, program ini menggunakan metode "); jLabel14.setFont(new java.awt.Font("Tahoma", 2, 11)); jLabel14.setText("Hidden Markov Model."); jLabel15.setText("Program ini dikembangkan"); jLabel16.setText("dengan menggunakan java dan matlab."); jLabel17.setFont(new java.awt.Font("Tahoma", 2, 11)); jLabel17.setText("[email protected]"); buttonHelp.setText("Bantuan"); buttonHelp.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { buttonHelpActionPerformed(evt); } }); javax.swing.GroupLayout jPanel2Layout = new

javax.swing.GroupLayout(jPanel2); jPanel2.setLayout(jPanel2Layout); jPanel2Layout.setHorizontalGroup( jPanel2Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel2Layout.createSequentialGroup() .addContainerGap() .addGroup(jPanel2Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jLabel16, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addComponent(jLabel7, javax.swing.GroupLayout.Alignment.TRAILING, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addComponent(jPanel4, javax.swing.GroupLayout.Alignment.TRAILING, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, Short.MAX_VALUE) .addComponent(jLabel8, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addComponent(jLabel9, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addComponent(jSeparator2, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addComponent(jLabel10) .addGroup(jPanel2Layout.createSequentialGroup() .addComponent(jLabel11) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel17)) .addComponent(jLabel12, javax.swing.GroupLayout.DEFAULT_SIZE, 669, Short.MAX_VALUE) .addGroup(jPanel2Layout.createSequentialGroup() .addComponent(jLabel13) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel14) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel15, javax.swing.GroupLayout.DEFAULT_SIZE, 177, Short.MAX_VALUE)) .addComponent(buttonHelp, javax.swing.GroupLayout.Alignment.TRAILING)) .addContainerGap()) ); jPanel2Layout.setVerticalGroup( jPanel2Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addGroup(jPanel2Layout.createSequentialGroup() .addContainerGap() .addComponent(jPanel4, javax.swing.GroupLayout.PREFERRED_SIZE, javax.swing.GroupLayout.DEFAULT_SIZE, javax.swing.GroupLayout.PREFERRED_SIZE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel7) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED)

.addComponent(jLabel8) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel9) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.UNRELATED) .addComponent(jSeparator2, javax.swing.GroupLayout.PREFERRED_SIZE, 10, javax.swing.GroupLayout.PREFERRED_SIZE) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel10) .addGap(18, 18, 18) .addGroup(jPanel2Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BASELINE) .addComponent(jLabel11) .addComponent(jLabel17)) .addGap(18, 18, 18) .addComponent(jLabel12) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addGroup(jPanel2Layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BASELINE) .addComponent(jLabel13) .addComponent(jLabel14) .addComponent(jLabel15)) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED) .addComponent(jLabel16) .addPreferredGap(javax.swing.LayoutStyle.ComponentPlacement.RELATED, 146, Short.MAX_VALUE) .addComponent(buttonHelp) .addContainerGap()) ); jTabbedPane1.addTab("Tentang Program", jPanel2); javax.swing.GroupLayout layout = new javax.swing.GroupLayout(getContentPane()); getContentPane().setLayout(layout); layout.setHorizontalGroup( layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jTabbedPane1, javax.swing.GroupLayout.DEFAULT_SIZE, 694, Short.MAX_VALUE) ); layout.setVerticalGroup( layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LEADING) .addComponent(jTabbedPane1, javax.swing.GroupLayout.DEFAULT_SIZE, 500, Short.MAX_VALUE) ); pack(); java.awt.Dimension screenSize = java.awt.Toolkit.getDefaultToolkit().getScreenSize(); java.awt.Dimension dialogSize = getSize(); setLocation((screenSize.width-dialogSize.width)/2,(screenSize.height-dialogSize.height)/2);

}// </editor-fold>//GEN-END:initComponents private void sendBtnActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_sendBtnActionPerformed // TODO add your handling code here: aSender = new Sender(phoneNumberTxt.getText(), textAreaMessage.getText()); try { //send message aSender.send(); //in SYNCHRONOUS mode wait for return : 0 for OK, -2 for timeout, -1 for other errors if (mode == SYNCHRONOUS) { while (aSender.status == -1) { myThread.sleep(1000); } } if (aSender.status == 0) { messageNo = aSender.messageNo; } } catch (Exception e) { e.printStackTrace(); } this.status = aSender.status; aSender = null; }//GEN-LAST:event_sendBtnActionPerformed private void recordBtnActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_recordBtnActionPerformed // TODO add your handling code here: fSound.setVisible(true); fSound.getButton(recordBtn); fSound.setCountre(); fSound.getObjekKendaliMatlab(this.kndlmtlb); fSound.setTeks(textAreaMessage); kndlmtlb.recordSuara(); recordBtn.setEnabled(false); }//GEN-LAST:event_recordBtnActionPerformed private void buttonTrainTestActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_buttonTrainTestActionPerformed // TODO add your handling code here: kndlmtlb.getThisObject(this); this.buttonTrainTest.setEnabled(false); kndlmtlb.fungsiTrainTest((String) comboJumlaState.getSelectedItem(), (String) comboWindow.getSelectedItem(), (String) comboTipeFeature.getSelectedItem()); this.buttonTrainTest.setEnabled(true); }//GEN-LAST:event_buttonTrainTestActionPerformed private void formWindowClosed(java.awt.event.WindowEvent evt) {//GEN-FIRST:event_formWindowClosed // TODO add your handling code here: kndlmtlb.closeMatlab(); }//GEN-LAST:event_formWindowClosed private void buttonHelpActionPerformed(java.awt.event.ActionEvent evt) {//GEN-FIRST:event_buttonHelpActionPerformed

// TODO add your handling code here: callHelpOnNetbean(); }//GEN-LAST:event_buttonHelpActionPerformed /** * @param args the command line arguments */ public static void main(String args[]) { java.awt.EventQueue.invokeLater(new Runnable() { public void run() { new frameSMScreator().setVisible(true); } }); } // Variables declaration - do not modify//GEN-BEGIN:variables private javax.swing.JButton buttonHelp; private javax.swing.JButton buttonTrainTest; private javax.swing.JComboBox comboJumlaState; private javax.swing.JComboBox comboTipeFeature; private javax.swing.JComboBox comboWindow; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel10; private javax.swing.JLabel jLabel11; private javax.swing.JLabel jLabel12; private javax.swing.JLabel jLabel13; private javax.swing.JLabel jLabel14; private javax.swing.JLabel jLabel15; private javax.swing.JLabel jLabel16; private javax.swing.JLabel jLabel17; private javax.swing.JLabel jLabel18; private javax.swing.JLabel jLabel19; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel20; private javax.swing.JLabel jLabel21; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JLabel jLabel6; private javax.swing.JLabel jLabel7; private javax.swing.JLabel jLabel8; private javax.swing.JLabel jLabel9; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JPanel jPanel4; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JScrollPane jScrollPane3; private javax.swing.JSeparator jSeparator1; private javax.swing.JSeparator jSeparator2; private javax.swing.JSeparator jSeparator3; private javax.swing.JTabbedPane jTabbedPane1; private javax.swing.JTextField phoneNumberTxt; private javax.swing.JButton recordBtn; private javax.swing.JButton sendBtn; private javax.swing.JTextArea textAreaMessage; private javax.swing.JTextArea textAreaPemodelanTrain; private javax.swing.JTextArea textAreaRecordPesan; // End of variables declaration//GEN-END:variables }

mfccConfig # Coding Parameters MFCC SOURCEKIND = WAVEFORM SOURCEFORMAT = WAV TARGETKIND = MFCC USEPOWER = F TARGETRATE = 15000 SAVECOMPRESSED = F SAVEWITHCRC = T WINDOWSIZE = 30000 USEHAMMING = T PREEMCOEF = 0.97 NUMCHANS = 26 CEPLIFTER = 22 NUMCEPS = 12 LPCORDER = 12 ENORMALISE = F

grammerKata $kata = <a> <t> <o> | <a> <n> <g> <e> <t> | <a> <r> | <s> <a> | <g> <a> | <g> <m> <a> <n> <a> | <y> <a> | <j> <a> <d> | <k> <a> <m> | <k> <a> | <k> <e> <n> <a> <a> | <k> <o> <e> | <l> <a> <g> | <n> <d> <a> | <n> <w> <n> | <a> <l> <n> <g> | <y> <e> | <s> <a> <j> <a> | <s> <a> <m> <a> | <s> <e> <e> <n> <t> <a> <r> | <s> <a> <a> | <s> <o> <r> | <t> <h> <a> <n> <k> <s> ; ( SENT-START ( $kata ) SENT-END )

model.list a b d e g h i j k l m n o p r s t u w y sil

dict SENT-START [] sil SENT-END [] sil

a a b b d d e e g g h h i i j j k k l l m m n n o o p p r r s s t t u u w w y y

createCodeAll.m % File :createMLFBaru.m % Goal : membuat mlf file dari direktori berbeda-beda % 1. Directori asal ("C:\MATLAB6p5\work\Script") dirAsal={'ato'; 'banget'; 'baru'; 'bisa'; 'ga'; 'gimana'; 'iya' ; 'jadi'; 'kamu'; 'kau'; 'kenapa'; 'koe'; 'lagi'; 'nda'; 'nuwun'; 'paling'; 'piye'; 'saja' ; 'sama'; 'sebentar'; 'siapa'; 'sori'; 'thanks' }; % 2. Membaca mfc file di masing-masing directory % 1. Membaca mfc file dari suatu directory files=[]; for j=1:length(dirAsal) % masuk ke suatu direktori,membaca wavfile cd (dirAsal{j}); fileMfc=dir ('*.wav'); % ambil nama filenya saje filename={}; for i=1:length(fileMfc) filename{i}= [dirAsal{j} '\' fileMfc(i).name(1:length(fileMfc(i).name)-4)]; end files{j}=filename; cd ..; end % 2. mencetak file codeAll.scp (direktori "C:\MATLAB6p5\work\Script") fid1=fopen('codeAll.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) fwrite(fid1, ['"' srcDirectory '\' fileBaru{n} '.wav" ' '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n');

disp(fileBaru{n}); end end fclose(fid1);

createProto.m function createProto(feature,numparam,numstates) % Function to create proto file % Input % feature : feature(MFCC, USER...) % numparam : number of parameter used (MFCC 12, MFCCE 13...) % numstates: number of states % Output % proto file fid1=fopen('proto','w'); fwrite(fid1, ['~o <VecSize> ' num2str(numparam) ' <' feature '>']); fprintf(fid1, '\n'); fwrite(fid1, ['~h "proto"']); fprintf(fid1, '\n'); fwrite(fid1, '<BeginHMM>'); fprintf(fid1, '\n'); fwrite(fid1, [' <NumStates> ' num2str(numstates)]); fprintf(fid1, '\n'); M = zeros(numparam,1); % mean V = ones(numparam,1); % variance for i=2:numstates-1 fwrite(fid1,[' <State> ' num2str(i)]); fprintf(fid1, '\n'); fprintf(fid1, '\t'); fwrite(fid1,[ '<Mean> ' num2str(numparam)]); fprintf(fid1, '\n'); fprintf(fid1, '\t\t'); for j = 1:length(M) fwrite(fid1, num2str(M(j))); fprintf(fid1, '\t'); end fprintf(fid1, '\n'); fprintf(fid1, '\t'); fwrite(fid1,[ '<Variance> ' num2str(numparam)]); fprintf(fid1, '\n'); fprintf(fid1, '\t\t'); for j = 1:length(V) fwrite(fid1, num2str(V(j))); fprintf(fid1, '\t'); end fprintf(fid1, '\n'); end % Transition matrix fwrite(fid1,[' <TransP> ' num2str(numstates)]); fprintf(fid1, '\n'); TP = transmat(numstates); % calling transmat function [m,n]=size(TP); for i=1:m fprintf(fid1,'\t'); for j=1:n fwrite(fid1, num2str(TP(i,j)));

fprintf(fid1, '\t'); end fprintf(fid1,'\n'); end fwrite(fid1,'<EndHMM>'); fclose(fid1);

createAllTrainTestData_SCP.m % File :createMLFBaru.m % Goal : membuat mlf file dari direktori berbeda-beda % 1. Directori asal ("C:\MATLAB6p5\work\Script") dirAsal={'ato'; 'banget'; 'baru'; 'bisa'; 'ga'; 'gimana'; 'iya' ; 'jadi'; 'kamu'; 'kau'; 'kenapa'; 'koe'; 'lagi'; 'nda'; 'nuwun'; 'paling'; 'piye'; 'saja' ; 'sama'; 'sebentar'; 'siapa'; 'sori'; 'thanks' }; % 2. Membaca mfc file di masing-masing directory % 1. Membaca mfc file dari suatu directory files=[]; for j=1:length(dirAsal) % masuk ke suatu direktori,membaca wavfile cd (dirAsal{j}); fileMfc=dir ('*.wav'); % ambil nama filenya saje filename={}; for i=1:length(fileMfc) filename{i}= [dirAsal{j} '\' fileMfc(i).name(1:length(fileMfc(i).name)-4)]; end files{j}=filename; cd ..; end % 2. mencetak file createAllTrainTestData.scp (direktori "C:\MATLAB6p5\work\Script") fid1=fopen('AllTrainData1.scp','w'); fid2=fopen('AllTestData1.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) if n < 49 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); else fwrite(fid2, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid2, '\n'); end end end fclose(fid1); fclose(fid2); fid1=fopen('AllTrainData2.scp','w');

fid2=fopen('AllTestData2.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) if n < 37 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); elseif n > 48 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); else fwrite(fid2, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid2, '\n'); end end end fclose(fid1); fclose(fid2); fid1=fopen('AllTrainData3.scp','w'); fid2=fopen('AllTestData3.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) if n < 25 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); elseif n > 36 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); else fwrite(fid2, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid2, '\n'); end end end fclose(fid1); fclose(fid2); fid1=fopen('AllTrainData4.scp','w'); fid2=fopen('AllTestData4.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) if n < 13 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); elseif n > 24 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']);

fprintf(fid1, '\n'); disp(fileBaru{n}); else fwrite(fid2, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid2, '\n'); end end end fclose(fid1); fclose(fid2); fid1=fopen('AllTrainData5.scp','w'); fid2=fopen('AllTestData5.scp','w'); srcDirectory ='C:\MATLAB6p5\work\Script'; % directory asal targetDirectory ='C:\MATLAB6p5\work\Script\hasil'; % directory tujuan for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) if n > 12 fwrite(fid1, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid1, '\n'); disp(fileBaru{n}); else fwrite(fid2, [ '"' targetDirectory '' fileBaru{n} '.mfc"']); fprintf(fid2, '\n'); end end end fclose(fid1); fclose(fid2);

createAllKata.m % File :createMLFBaru.m % Goal : membuat mlf file dari direktori berbeda-beda % 1. Directori asal (direktori "C:\MATLAB6p5\work\Script") dirAsal={'hasilato'; 'hasilbanget'; 'hasilbaru'; 'hasilbisa'; 'hasilga'; 'hasilgimana'; 'hasiliya' ; 'hasiljadi'; 'hasilkamu'; 'hasilkau'; 'hasilkenapa'; 'hasilkoe'; 'hasillagi'; 'hasilnda'; 'hasilnuwun'; 'hasilpaling'; 'hasilpiye'; 'hasilsaja' ; 'hasilsama'; 'hasilsebentar'; 'hasilsiapa'; 'hasilsori'; 'hasilthanks'}; % 2. Membaca mfc file di masing-masing directory % 1. Membaca mfc file dari suatu directory files=[]; for j=1:length(dirAsal) % masuk ke suatu direktori,membaca wavfile cd (dirAsal{j}); fileMfc=dir ('*.mfc'); % ambil nama filenya saje filename={}; for i=1:length(fileMfc) filename{i}=fileMfc(i).name(1:length(fileMfc(i).name)-4); end files{j}=filename; cd ..; end

%1. Mengambil Kata yang akan digunakan dirNama = {'ato'; 'banget'; 'baru'; 'bisa'; 'ga'; 'gimana'; 'iya' ; 'jadi'; 'kamu'; 'kau'; 'kenapa'; 'koe'; 'lagi'; 'nda'; 'nuwun'; 'paling'; 'piye'; 'saja' ; 'sama'; 'sebentar'; 'siapa'; 'sori'; 'thanks' }; namaNama=[]; for job=1;length(dirNama) namaNama[i] = dirNama; end % (direktori "C:\MATLAB6p5\work\Script") % 2. mencetak file allManusia.mlf fid1=fopen('allKata.mlf','w'); fwrite(fid1,'#!MLF!#'); fprintf(fid1, '\n'); for m=1:length(files) fileBaru=files{m}; for n=1:length(fileBaru) fwrite(fid1, ['"*/' fileBaru{n} '.lab"']); fprintf(fid1, '\n'); fwrite(fid1, ['org' num2str(m)]); fprintf(fid1, '\n'); fprintf(fid1, '.'); fprintf(fid1, '\n'); disp(fileBaru{n}); end end fclose(fid1);

transmat.m function TransP=transmat(numOfStates) %numOfStates = 20; TransP=zeros(numOfStates); TransP(1,2)=1; for i=2:numOfStates-1 TransP(i,i+1)=0.4; end for j=2:2:numOfStates-1 %genap values TransP(j,j)=0.6; end for k=3:2:numOfStates-1 %odd values TransP(k,k-1)=0.1; TransP(k,k)=0.5; end TransP(numOfStates,numOfStates)=1;

confMatrix.m function c = confMatrix(recfile) % Fungsi untuk menampilkan confusion matrik % Input : recfile (recognition file)

% Output: c (confusion matrik) A = textread(recfile, '%s'); A = A(2:end); BB = []; for i = 1:length(A) if ( A{i}(1) == '"' ) a=1; else a=0; end BB = [BB a]; end aa = find(BB); fname = A(aa); for i = 1:length(fname) fname{i} = fname{i}(4:end-5); end CC = []; for i = 1:length(A) if ( A{i}(1) == '"' ) bb=0; else bb=1; end CC = [CC bb]; end cc = find(CC); fname2 = A(cc); simpan = ''; fid1 = fopen('bantuan.hl','w') for i = 1 : length(fname2) if ( fname2{i}(1) == '.') fwrite(fid1, [simpan]); fprintf(fid1, '\n'); simpan = ''; else if(fname2{i}(1)==fname2{i+1}(1)) else simpan = cat(2, simpan, fname2 {i} (1)); end end end fclose(fid1); fname3 = textread('bantuan.hl', '%s'); z = 1; akurasi = zeros(23,23); liat = zeros(1,length(fname)); for i = 1 : 23

for j = 1 : 12 if(strmatch(fname3{z}, fname{z}) == 1) akurasi(i,i) = akurasi(i,i) + 1; else for k = 1 : 23 if(strmatch(fname3{z}, fname{k*12}) == 1) akurasi(i,k) = akurasi(i,k) + 1; liat(z) = k; break; end end end z = z+1; end end jumlah = 0; for i = 1 : 23 jumlah = jumlah + akurasi(i,i) end c = jumlah/276*100;

getTeks.m function c = confMatrix(recfile) A = textread(recfile, '%s'); A = A(3:end); simpan = ''; for i = 1 : length(A) if( A{i}(1) == '.' ) c = simpan; else if( A{i}(1) == A{i+1}(1) ) else simpan = cat( 2, simpan, A{i}(1) ); end end end

jalanin.m dos('HCopy -A -C mfccConfig -S codeAll.scp'); createProto('MFCC',12,17); dos('HParse -A grammerKata wordnet'); dos ('HLED -A -l * -d dict -i katatypephone.mlf kata2phone.led allKata2.mlf'); dos('HCompV -A -f 0.01 -m -S allTrainData1.scp -M hmm1 proto'); dos('HCompV -A -f 0.01 -m -S allTrainData2.scp -M hmm2 proto'); dos('HCompV -A -f 0.01 -m -S allTrainData3.scp -M hmm3 proto'); dos('HCompV -A -f 0.01 -m -S allTrainData4.scp -M hmm4 proto'); dos('HCompV -A -f 0.01 -m -S allTrainData5.scp -M hmm5 proto'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm1 model.list');

dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData1.scp -H hmm1/hmmdefs -M hmm1 model.list'); dos ('HVite -A -w wordnet -l . -i rec1_1.mlf -S AllTestData1.scp -H hmm1/hmmdefs dict model.list'); dos ('HVite -A -w wordnet -l . -o ST -i rec1.mlf -S AllTestData1.scp -H hmm1/hmmdefs dict model.list'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData2.scp -H hmm2/hmmdefs -M hmm2 model.list'); dos ('HVite -A -w wordnet -l . -i rec1_2.mlf -S AllTestData2.scp -H hmm2/hmmdefs dict model.list'); dos ('HVite -A -w wordnet -l . -o ST -i rec2.mlf -S AllTestData2.scp -H hmm2/hmmdefs dict model.list'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData3.scp -H hmm3/hmmdefs -M hmm3 model.list'); dos ('HVite -A -w wordnet -l . -i rec1_3.mlf -S AllTestData3.scp -H hmm3/hmmdefs dict model.list'); dos ('HVite -A -w wordnet -l . -o ST -i rec3.mlf -S AllTestData3.scp -H hmm3/hmmdefs dict model.list'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H hmm4/hmmdefs -M hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H hmm4/hmmdefs -M hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H

hmm4/hmmdefs -M hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H hmm4/hmmdefs -M hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H hmm4/hmmdefs -M hmm4 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData4.scp -H hmm4/hmmdefs -M hmm4 model.list'); dos ('HVite -A -w wordnet -l . -i rec1_4.mlf -S AllTestData4.scp -H hmm4/hmmdefs dict model.list'); dos ('HVite -A -w wordnet -l . -o ST -i rec4.mlf -S AllTestData4.scp -H hmm4/hmmdefs dict model.list'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData5.scp -H hmm5/hmmdefs -M hmm5 model.list'); dos ('HVite -A -w wordnet -l . -i rec1_5.mlf -S AllTestData5.scp -H hmm5/hmmdefs dict model.list'); dos ('HVite -A -w wordnet -l . -o ST -i rec5.mlf -S AllTestData5.scp -H hmm5/hmmdefs dict model.list');

createModel.m dos('HCopy -A -C mfccConfig -S codeAll.scp'); createProto('MFCC',12,17); dos('HParse -A grammerKata wordnet'); dos ('HLED -A -l * -d dict -i katatypephone.mlf kata2phone.led allKata2.mlf'); dos('HCompV -A -f 0.01 -m -S allTrainData.scp -M hmm0 proto'); dos('set CLASSPATH='); dos('java CloneHMM ./hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list'); dos('HERest -A -t 600.0 -I katatypephone.mlf -S allTrainData.scp -H hmm0/hmmdefs -M hmm0 model.list');

jumlahTotalAkurasi.m M1=confMatrix('rec1.mlf'); M2=confMatrix('rec2.mlf'); M3=confMatrix('rec3.mlf'); M4=confMatrix('rec4.mlf');

M5=confMatrix('rec5.mlf'); M=(M1 + M2 + M3 + M4 + M5)/5;

konversi suara ke teks menggunakan metode hidden...

Documents