Pengendali Alat Rumah Tangga Berbasis Pengenalan Suara dengan Metode Mel Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN)

Abstract

Berbagai inovasi teknologi terus dilakukan dan dikembangkan sehingga saat ini banyak teknologi baru dengan tujuan untuk memudahkan pekerjaan manusia. Teknologi yang banyak dikembangkan saat ini adalah teknologi biometrik. Salah satu ukuran biometrik yang belum mendapat perhatian lebih dalam teknologi biometrik adalah suara. Sinyal suara dapat dimanfaatkan dalam sebuah inovasi teknologi, teknologi ini biasa disebut voice recognition. Salah satu penerapan voice recognition adalah mengendalikan peralatan rumah secara otomatis, fitur ini biasanya terdapat pada smart home. Penerapan voice recognition pada smart home diharapkan dapat membantu manusia yang memiliki kebutuhan khusus (disabilitas) atau manusia yang memiliki mobilitas tinggi. Berdasarkan hal tersebut maka dalam tugas akhir ini berfokus pada perancangan sistem pengendali alat rumah tangga berbasis pengenalan suara menggunakan algoritma kecerdasan buatan. Metode algoritma yang digunakan adalah Mel Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN). Tujuan dari tugas akhir ini adalah merancang alat pengendali nyala-mati lampu di lokasi tertentu dan buka-tutup pintu. Dua objek tersebut dipilih karena sangat sering dilakukan oleh pengguna dalam hal ini penghuni rumah. Perintah suara yang digunakan meliputi atas nyala, atas mati, bawah nyala, bawah mati, buka pintu, dan tutup pintu. Penggunaan Bahasa Indonesia sebagai masukan pada sistem ini dipilih dengan harapan Bahasa Indonesia mampu dilestarikan melalui bidang teknologi dan kecerdasan buatan, sehingga tidak kalah dengan Bahasa asing. Metode MFCC digunakan untuk ektraksi ciri suara, selanjutnya hasil ektraksi fitur tersebut digunakan untuk klasifikasi menggunakan metode CNN. Proses pengendalian dilakukan melalui aplikasi berbasis web yang terdiri dari sistem front-end dan back-end. Sistem fron-tend menggunakan HTML, CSS, dan Javascript, sedangkan sistem back-end menggunakan microframework flask python. Sistem diimplementasikan pada miniatur rumah 2 lantai sederhana dengan penerapan Internet of Things (IoT) menggunakan mikrokontroller node MCU ESP 32. Hasil training model menggunakan algoritma CNN menunjukan nilai akurasi sebesar 93%, sedangkan hasil pengujian terhadap 10 user dengan total 600 percobaan diperoleh hasil akurasi sebesar 69%. Hal ini dapat terjadi karena ketika proses pengujian terdapat beberapa user yang memiliki karakter suara serta intonasi yang berbeda dengan dataset. Selain itu faktor noise dan jarak user dengan microphone juga sangat mempengaruhi hasil pengujian sistem. Berdasarkan hal tersebut maka akurasi sistem dapat ditingkatkan dengan cara menambah dataset dengan berbagai intonasi dan karakteristik suara yang berbeda, serta melakukan proses perekaman dan pengujian diruangan yang kondusif. Pada hasil pengujian performa respon waktu sistem terhadap hasil prediksi oleh user secara real time menggunakan antar muka aplikasi berbasis web diperoleh ratarata respon time sebesar 28,39 ms.