BAB IV IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI 4.1 Spesifikasi Sarana yang dibutuhkan Sarana yang dibutuhkan untuk mengoperasikan program aplikasi absensi suara ini dapat dibagi menjadi 2 kelompok. 4.1.1 Spesifikasi kebutuhan piranti keras Spesifikasi minimum piranti keras untuk server SQL adalah sebagai berikut: Processor minimum pentium III, AMD Athlon Memory dengan kapasitas 256 MB Monitor SVGA Mouse dan Keyboard Harddisk dengan free space 200 MB Video Card 1 MB Sound Card dilengkapi dengan speaker Lan Card Ti 10/100 Spesifikasi minimum piranti keras untuk client SQL dan absensi adalah sebagai berikut: Processor minimum pentium III, AMD Athlon Memory dengan kapasitas 256 MB Monitor SVGA Mouse dan Keyboard 40
Harddisk dengan free space 400 MB Video Card 1 MB Sound Card Lan Card Ti 10/100 Microphone 4.1.2 Spesifikasi kebutuhan piranti lunak Untuk mengoperasikan aplikasi pengenal suara dan pemisah noise yang telah dibuat diperlukan piranti lunak yang mendukung agar aplikasi ini berjalan dengan optimal. Spesifikasi minimum piranti lunak yang dibutuhkan untuk aplikasi ini adalah sebagai berikut: Piranti lunak pada server: Sistem operasi Microsoft Windows 9x, XP atau NT Server. SQL Server 2000. Piranti lunak program aplikasi pemisah noise dan absensi dengan ukuran 60 MB diutamakan modul database. Piranti lunak pada client dan absensi: Sistem operasi Microsoft Windows 9x, XP atau NT Server. SQL Server 2000. Piranti lunak program aplikasi pemisah noise dan absensi dengan ukuran 60 MB. Matlab Runtime v.13. 41
4.2 Evaluasi Program Apikasi Evaluasi program aplikasi ini dilakukan dengan dua cara, yaitu run and trial proses kalkulasi probabilitas pengenalan suara setelah pemisahan noise dengan Matlab, dan percobaan penggunaan program aplikasi secara keseluruhan pada perusahaan Mentari Ranjut. 4.2.1 Evaluasi Proses Kalkulasi Pada evaluasi proses kalkulasi, maka dilakukan experimen dengan file m pada matlab yang telah dibuat, untuk mengetahui berapa besar persentase dari hasil pengenalan suara yang tepat, dan berapa besar tingkat intensitas pengenalannya. Untuk itu dilakukan pengumpulan sampel suara pada file wave dengan format 16 bit stereo 44.1 KBps. Dengan 4 sumber objek yang masingmasing direkam sebanyak tiga kali sehingga didapatkan file wave sejumlah 12 file dengan rata-rata durasi sampling yang diambil berkisar antara 2.75 detik sampai 3 detik. Kemudian data sampling tersebut diklasifikasikan menurut sumber sampel sebanyak 4 klasifikasi yang diberi nama A,B,C, dan D. Sehingga didapatkan 12 sampel yaitu {A1, A2, A3, B1, B2, B3, C1, C2, C3, D1, D2, D3}. Setelah data sampel tersedia, dilakukan sampling dengan metode MABC. 42
Gambar 4.1 Algoritma MABC Setelah proses MABC, maka setiap data menjadi 50 array yang berisi tingkat intensitas frekuensi dan nilai yang dibutuhkan untuk per satu gelombang yang disebut power frekuensi. Dipilih setiap class dengan nomor 1 sebagai master file wave, dengan GMM matlab unit gmmbcreate.m untuk mencari komponen bobot dari array dan fungsi GMM nya. 43
Gambar 4.2 Algoritma GMM Nilai gmmclass digunakan untuk menentukan tingkat ketepatan probabilitas perlayer dari sampel suara yang ada dengan nomor 2 dan 3 dengan gmmb_classify.m. Algoritma GMM ini mampu menentukan derajat dan posisi dari data yang tidak sesuai dengan data master wave. Data yang tidak sesuai dihapus dengan cara mengembalikan array pada nilai awal yang berarti nol. Pada tahap inilah jika ingin dilakukan pengembalian data wave ke file suara, maka posisi yang kosong harus digantikan dengan posisi dari file master sehingga tidak ada jedah suara senyap pada file suara. 44
Gambar 4.3 Plot wave A1 Gambar 4.4 Plot wave A2 45
Gambar 4.5 Plot penyebaran data (yang dilingkar adalah yang tidak sesuai) Data Array yang telah dipisahkan noisenya, dicocokkan dengan file master untuk mengetahui besarnya tingkat pengenalan suara, hasilnya dapat dilihat pada tabel di bawah. Tabel 4. Hasil evaluasi pengenalan suara A2 A3 B2 B3 C2 C3 D2 D3 A1 0.5149 0.5576 0.3314 0.4384 0.2901 0.2295 0.3517 0.2951 B1 0.3845 0.3167 0.4602 0.5133 0.3115 0.2861 0.3820 0.3945 C1 0.2901 0.2261 0.2107 0.2189 0.4885 0.6133 0.3122 0.3512 D1 0.3360 0.3127 0.4401 0.4868 0.3819 0.3946 0.7354 0.7819 46
Dari Tabel 4 di atas dapat dilihat hasil proses pengenalan suara yang dilakukan dengan menggunakan 4 jenis objek dan 3 sampel perobjek. Setelah dilakukan 16 kali proses pengenalan dapat dilihat untuk pengenalan suara dengan objek yang sama rata-rata sebesar 58.31% dan akurasi dari pengenalan suara ini mencapai lebih dari 90% dengan jumlah 15 tepat dari 16. 4.2.2 Evaluasi kasus Program aplikasi Absensi Suara Mentari Rajut dijalankan, layar pertama adalah menu utama Program Aplikasi Absensi Suara Mentari Rajut. Gambar 4.6. Tampilan menu utama 4.2.2.1 Database Pada menu database sebagai pengakses database dari karyawan mentari rajut dan juga untuk mengedit, menambah maupun menghapus data record yang ada. Untuk masuk ke menu database dengan menekan Tombol Database pada menu utama sehingga muncul window database data karyawan 47
yang ada dapat dilihat pada tabel database, pada kolom Id berisikan nomor induk karyawan yang digunakan sebagai identitas pengenal perusahaan Mentari Rajut dan digunakan sebagai kode pengenalan suara, kolom Nama, Alamat, dan Tanggal Lahir merupakan data dari karyawan. Untuk mengeditnya menekan button edit. Gambar 4.7. Tampilan database Pada menu edit, default record nya pada record pertama, tersedia button navigasi database, sehingga untuk mengubah field dengan mengetik ulang isi field lama, kemudian menekan tanda ok atau cancel untuk membatalkan, untuk menambah record dengan tombol + dan untuk menghapus tombol, exit untuk kembali. 48
Gambar 4.8. Tampilan database editor 4.2.2.2 Sound Gambar 4.9. tampilan sound 49
Pada form sound untuk memilih id dari data sound karyawan dengan combobox yang berisi data id yang tersedia, kemudian field nama akan terisi sesuai id yang dipilih(lihat contoh gambar 4.12). Gambar 4.10. Tampilan sound isi Tombol add digunakan untuk menambah file wave karyawan dengan jumlah maksimum 3, tombol delete untuk menghapus file wave yang dipilih dan play untuk memutar file suara yang dipilih. Setiap perubahan yang dilakukan bila tidak sesuai dengan data yang ada akan muncul dialogbox warning untuk mencegah aplikasi error (seperti pada gambar 4.11). Untuk menambah file wave dengan add akan muncul form baru untuk merekam suara dengan tombol record dengan durasi 3 detik. ok untuk menambah rekaman, dan cancel untuk membatalkannya (seperti pada gambar 4.12). 50
Gambar 4.11. Tampilan sound penuh Gambar 4.12. Tampilan add wave 4.2.2.3 Absensi Pada form absensi, tombol absensi untuk melakukan perekaman berdurasi 3 detik yang digunakan untuk pengenalan suara. 51
Gambar 4.13. Tampilan absensi Gambar 4.14. tampilan absensi masuk Suara yang dikenali akan muncul di memo dengan tulisan status absen. Dan suara yang tidak dikenali dengan pesan Suara tidak dikenal, ulangi lagi proses absensi. 52