Perancangan Sistem Home Automation Dengan Kendali Perintah Suara Menggunakan Deep Learning Convolutional Neural Network (DL-CNN)

Penerapan Algoritma Machine Learning

Sumber : Lery Sakti Ramba, Muhammad Aria Rajasa Pohan Program Studi Teknik Elektro, Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl. Dipati ukur No 12, Bandung

DAFTAR ISI

1. Tujuan

2. Teori

3. Cara Kerja

4. Contoh Program

5. Video

1. Tujuan

Memahami dan mengetahu perancangan sistem kendali dengan sistem Machine Learning yang berhubungan dengan bidag ilmu Teknik Elektro.

Tujuan dari penelitian ini adalah untuk merancang sebuah sistem pengenalan suara yang

akurat dan mampu berjalan secara stand-alone pada sebuah komputer komersial

2. Teori

Artificial intelligence merupakan bidang ilmu yang menekankan penciptaan sistem/mesin cerdas yang bekerja dan bereaksi sama seperti manusia. Machine learning merupakan salah satu

cabang pengembangan ilmu artificial intelligence yang memungkinkan sistem komputer untuk

belajar dari pengalaman sebelumnya dan meningkatkan perilaku/respon sistem untuk setiap tugas yang diberikan

Terdapat beberapa penelitian di bidang home automation yang memanfaatkan teknologi

automatic speech recognition untuk mengendalikan perangat elektronik yang diinginkan. Namun, aplikasi speech recognition tersebut mengharuskan kita untuk selalu terkoneksi internet. Hal ini dikarenakan proses mengkonversi sinyal audio ke dalam bentuk teks (speech to text) tidak dilakukan pada perangkat yang kita miliki, melainkan dilakukan pada komputer server penyedia layanan speech recognition tersebut. Sehingga dengan demikian, metode ini tidak memungkinkan kita untuk memasang sistem pengenalan suara yang data bekerja secara stand-alone pada komputer atau perangkat yang kita miliki.

3. Cara Kerja

Algoritma LSTM RNNs seperti yang terdapat pada automatic speech recognition dirancang untuk digunakan memproses sequential data. RNN LSTMs menggunakan memori internal untuk memproses setiap input sequential data

Skematik dari rangkaian yang akan dirancang:

Arduino Nano secara real-time akan berkomunikasi dengan komputer dimana program pengenalan suara dijalankan. Output dari sistem pengenalan suara akan dijadikan

sebagai acuan utama oleh mikrokontroler untuk mengirim trigger (low atau high) ke rangkaian

relay

Proses konversi sinyal audio dari speech waveform ke dalam bentuk speech spectrogram

merupakan proses yang sangat penting pada sistem ini. Hal ini dikarenakan representasi sinyal audio dalam bentuk spectrogram merupakan input untuk CNN pada sistem ini.

1. Analog to Digital Converter (ADC)

Sinyal yang dideteksi oleh mikrofon pada dasarnya adalah sinyal analog. Oleh karena

itu, sebelum sinyal suara tersebut dapat diproses oleh MATLAB, pertama-tama perlu

mengubah sinyal analog tersebut menjadi sinyal digital

2. Speech Waveform

Speech waveform merupakan sinyal hasil sampling dari sinyal analog yang dideteksi

oleh mikrofon. Pada tahap ini, speech waveform yang ada merupakan sinyal digital

yang memiliki frekuensi sampling 16 KHz, sesuai dengan inisialisasi yang ditentukan

sebelumnya pada program MATLAB

3. Mel Spectrogram

Mel Spectrogram merupakan algoritma yang digunakan untuk menghitung spectrogram dari suatu sinyal audio.

CNN (Convolution Neural Network)

Setiap perulangan tersebut terdiri dari convolutional layer, batch normalization layer, dan ReLU layer. Arsitektur CNN ini akan melakukan proses komputasi terhadap input data sampai menghasilkan klasifikasi terhadap suatu kelas tertentu.

flowchart proses klasifikasi pada arsitektur CNN yang telah dirancang. Penjelasannya adalah sebagai berikut.

1. Input pada arsitektur CNN ini, merupakan gambar yang berukuran [40 x 98]. Gambar

input tersebut adalah gambar yang diambil dari speech spectrogram dengan durasi satu

detik.

2. Pada convolution layer yang pertama, gambar input akan dikonvolusikan oleh filter

yang berukuran [3 x 3], stride berukuran [1 x 1], dan padding “same”. Dikarenakan

PaddingMode yang digunakan adalah “same”, maka sistem akan memberlakukan

aturan zero padding terhadap input matriks. Nilai dari zero padding dapat ditentukan

menggunakan persamaan (3) berikut ini.

4. Contoh

Pada sistem ini, nilai epoch yang digunakan adalah 25, yang berarti bahwa arsitektur CNN

akan mengulang siklus belajar dari data training sebanyak 25 kali. Setelah proses training

selesai, sistem akan mengevaluasi model CNN yang telah dilatih dengan menggunakan data

validasi yang sebelumnya telah dipisahkan dari data training. Proses ini bertujuan untuk

mengukur persentase keakuratan klasifikasi dari model CNN yang telah dilatih.

Pengujian ini dilakukan pada ruangan dengan intensitas background noise rata-rata 24dB. Masing-masing perintah suara yang telah dilatih pada model CNN diuji untuk mengetahui output klasifikasi dari model CNN tersebut

a. Perintah “Nyalakan Lampu”