Iwasawa, Takeru and Barlian Henryranu Prasetio, S.T., M.T., Ph.D. (2025) Implementasi Sistem Rumah Pintar Berbasis Raspberry Pi dengan Pengenalan Suara Menggunakan Keyword Spotting dan CNN. Sarjana thesis, Universitas Brawijaya.
Abstract
Sistem rumah pintar berbasis pengenalan suara menawarkan kemudahan dalam mengontrol perangkat rumah tangga melalui perintah suara. Penelitian ini bertujuan untuk mengembangkan sistem rumah pintar menggunakan Raspberry Pi 5 yang terintegrasi dengan teknologi Keyword Spotting (KWS) berbasis Convolutional Neural Networks (CNN). Sistem ini dirancang untuk mengenali perintah suara sederhana, seperti "nyalakan lampu" dan "buka pintu," serta mengontrol perangkat rumah tangga seperti lampu, kipas, dan kunci pintu pada miniatur rumah pintar. Dataset perintah suara dikumpulkan dari beberapa individu dengan variasi intonasi, volume, dan kondisi lingkungan, termasuk suara latar seperti kipas angin dan percakapan. Fitur suara diekstraksi menggunakan metode Mel-Frequency Cepstral Coefficients (MFCC), dan model CNN dilatih untuk mengenali perintah dengan akurasi tinggi. Sistem diuji berdasarkan parameter akurasi pengenalan suara, waktu respons, dan robustnes terhadap gangguan suara. Hasil penelitian menunjukkan bahwa sistem berhasil mengenali perintah suara dengan akurasi tinggi, bahkan dalam kondisi lingkungan dengan kebisingan. Sistem juga memberikan waktu respons yang cepat dan andal dalam mengontrol perangkat rumah tangga. Penelitian ini menunjukkan bahwa integrasi Raspberry Pi 5 dengan teknologi KWS berbasis CNN memberikan solusi yang efisien dan efektif untuk implementasi rumah pintar berbasis suara.
English Abstract
A voice recognition-based smart home system offers convenience in controlling household devices through voice commands. This research aims to develop a smart home system using Raspberry Pi 5 integrated with Keyword Spotting (KWS) technology based on Convolutional Neural Networks (CNN). The system is designed to recognize simple voice commands, such as "turn on the light" and "open the door," and control household devices like lights, fans, and door locks in a miniature smart home model. The voice command dataset was collected from multiple individuals with variations in intonation, volume, and environmental conditions, including background noise such as fan sounds and conversations. Voice features were extracted using the Mel-Frequency Cepstral Coefficients (MFCC) method, and a CNN model was trained to achieve high recognition accuracy. The system was tested based on parameters such as voice recognition accuracy, response time, and robustness to noise interference. The research results indicate that the system successfully recognizes voice commands with high accuracy, even in noisy environmental conditions. The system also provides a fast response time and reliable control of household devices. This study demonstrates that integrating Raspberry Pi 5 with KWS technology based on CNN offers an efficient and effective solution for implementing a voice-based smart home system.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052515 |
| Uncontrolled Keywords: | Rumah Pintar, Raspberry Pi, Pengenalan Suara, Keyword Spotting, CNN, MFCC. |
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer |
| Depositing User: | S Sucipto |
| Date Deposited: | 18 Feb 2025 07:32 |
| Last Modified: | 18 Feb 2025 07:32 |
| URI: | http://repository.ub.ac.id/id/eprint/237038 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Takeru Iwasawa.pdf Restricted to Registered users only Download (2MB) |
Actions (login required)
 |
View Item |