Sistem Kendali Smarthome Menggunakan Speech recognition Dengan Spectrogram dan Convolutional neural network Berbasis Mikrokontroler

Adhianto Surya Putra, Ravelino and Barlian Henryranu Prasetio, S.T., M.T., Ph.D (2024) Sistem Kendali Smarthome Menggunakan Speech recognition Dengan Spectrogram dan Convolutional neural network Berbasis Mikrokontroler. Sarjana thesis, Universitas Brawijaya.

Abstract

Diera modern ini, perkembangan ilmu pengetahuan dan teknologi sudahlah sangat pesat, terutama perkembangan di bidang rekayasa perangkat cerdas. Dalam kehidupan sehari-hari didalam rumah tentunya kita selalu menggunakan perangkat rumah untuk melakukan beberapa hal untuk kebutuhan kita, contohnya menyalakan lampu untuk penerangan rumah, buka pintu otomatis, dsb. Pada kehidupan berumah tangga, sistem rumah pintar atau smarthome mempunyai konsep menggabungkan teknologi terkini dengan peralatan elektronik yang ada dirumah untuk meningkatkan kualitas hidup, kenyamanan hidup, dan efisiensi energi untuk penghuni rumah itu sendiri. Smarthome atau rumah pintar sendiri berfungsi sebagai sistem cerdas yang memungkinkan penghuni rumah untuk mengontrol alat elektronik yang terdapat dirumah. Sehingga, alat elektronik dengan adanya smarthome ini dapat dikontrol dengan satu pengontrol sebagai satu pusatnya. Salah satu metode yang dapat dipakai untuk merancang sebuah sistem rumah pintar atau smarthome adalah menggunakan speech recognition. Speech recognition merupakan sebuah proses yang mempunyai input dari bentuk suara yang akan dikonversikan kedalam bentuk teks untuk mempermudah suatu kegiatan yang dilakukan manusia terhadap komputer. Dengan itu, peneliti disini akan membuat sebuah sistem smarthome yang otomatis untuk kendali menyalakan mematikan lampu dan juga buka tutup pintu otomatis menggunakan mikrokontroler. Supaya sistem ini dapat berjalan disini penulis menggunakan beberapa metode untuk proses speech recognition. Dengan mikrokontroler yang sudah ditentukan maka penulis menggunakan metode spectrogram dan convolutional neural network (CNN). Dari penelitian ini didapatkan akurasi dari fase training model CNN sebesar 92% dan akurasi percobaan pada mikrokontroler adalah pada kelas pada jarak 50 cm mendapatkan rata-rata sebesar 82%, pada jarak 100 cm sebesar 85%, pada jarak 150 cm sebesar 84%, pada jarak 200 cm sebesar 85%, pada jarak 250 cm sebesar 77%, dan pada jarak 300 cm sebesar 73%. Jarak optimal yang didapatkan adalah pada jarak 100 cm dan 200 cm. Waktu sistem menjalankan proses ini didapatkan pada rata-rata 0.0625 detik.

English Abstract

In this modern era, the development of science and technology has been very rapid, especially developments in the field of intelligent device engineering. In everyday life at home, of course, we always use home devices to do several things for our needs, for example turning on lights to light the house, opening automatic doors, etc. In household life, a smart home system or smart home has the concept of combining the latest technology with existing electronic equipment at home to improve the quality of life, comfort of life and energy efficiency for the residents of the house themselves. The smart home or smart house itself functions as an intelligent system that allows home residents to control electronic devices in the home. So, electronic devices in this smart home can be controlled with one controller as a center. One method that can be used to design a smart home system is to use speech recognition. Speech recognition is a process that has input in the form of sound which will be converted into text to facilitate activities carried out by humans on computers. With that, researchers here will create an automatic smart home system to control turning on and off lights and also opening and closing doors automatically using a microcontroller. So that this system can run here the author uses several methods for the speech recognition process. With the microcontroller that has been determined, the author uses the spectrogram and convolutional neural network (CNN) method. From this research, it was found that the accuracy of the training phase of the CNN model was 92% and the accuracy of the experiments on the microcontroller was that in the class at a distance of 50 cm, the average was 82%, at a distance of 100 cm it was 85%, at a distance of 150 cm it was 84%, at a distance of 200 cm by 85%, at a distance of 250 cm by 77%, and a distance of 300 cm by 73%. The optimal distance obtained is 100 cm and 200 cm. The system time to carry out this process was found to be an average of 0.0625 seconds.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	Speech recognition, Spectrogram, Convolutional neural network, Suara, Speech
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Annisti Nurul F
Date Deposited:	07 Feb 2024 03:51
Last Modified:	07 Feb 2024 03:51
URI:	http://repository.ub.ac.id/id/eprint/215823

Text (DALAM MASA EMBARGO) Ratu Salma Al Khairiyah.pdf Restricted to Registered users only Download (2MB)

Actions (login required)

View Item