PENGENLAN WICARA UNTUK PERINTAH GERAK ROBOT HUMANOID

(1)

PENGENLAN WICARA UNTUK

PERINTAH GERAK ROBOT HUMANOID

Lukman Arif Kurniawan, Dr.Tri Arief Sardjono, ST.,MT., Dr. Ir. Djoko Purwanto, M.Eng.

Jurusan Teknik Elektro FTI - ITS

Abstrak—Pengenalan wicara adalah sebuah sistem untuk pengenalan suara yang digunakan dengan melatihkan suara pembicara tertentu terhadap sistem ini, untuk kemudian dilakukan penerjemahan terhadap suara tersebut. Dalam hal ini penerjemahan suara dapat diimplementasikan menjadi sebuah nilai tertentu atau berupa tulisan, gerakan dan sebagainya Pada Tugas Akhir ini penulis mencoba membuat sebuah sistem pengenalan wicara sederhana, dimana sistem ini mampu menerima perintah wicara terbatas dari suara manusia secara langsung, yang diterima oleh sebuah tranduser suara dengan menggunakan electret condenser microphone dan kemudian diproses oleh komputer utuk diambil data frekuensi suara. Dari hasil proses ini, maka akan didapat sebuah output berupa frekuensi karakter dominan suara yang diinginkan, sinyal input suara ini akan diterjemahkan oleh komputer menggunakan neural network untuk kemudian dipakai sebagai sinyal input mikrokontroller 1 sebagai master dan disampaikan ke mikrokontroller 2 sebagai slave dalam melakukan gerakan sederhana melalui sebuah robot humanoid sederhana yang telah dibuat sesuai perintah wicara yang telah diucapkan. Dalam melakukan pengaturan keseimbangan badan, robot humanoid ini dibantu oleh sebuah gyroscope.

Berdasarkan pengujian didapatkan bahwa kemampuan sistem pengenalan wicara untuk perintah gerak robot humanoid yang dibuat memiliki tingkat keberhasilan sekitar 73,33%.

Kata kunci: voice recognition, robot humanoid, neural network, gyroscope.

I. PENDAHULUAN

Salah satu bukti dari kemajuan teknologi pada masa ini adalah teknologi pengenalan wicara. Pengenalan wicara adalah sebuah sistem untuk pengenalan suara yang digunakan dengan melatihkan suara pembicara tertentu terhadap sistem ini, untuk kemudian dilakukan penerjemahan terhadap suara tersebut. Dalam hal ini penerjemahan suara dapat diimplementasikan menjadi sebuah nilai tertentu atau berupa tulisan, gerakan dan sebagainya[1].

Pada Tugas Akhir ini penulis mencoba membuat sebuah sistem pengenalan wicara sederhana, dimana sistem ini mampu menerima perintah wicara terbatas dari suara manusia secara langsung, yang diterima oleh sebuah tranduser suara dengan menggunakan electret condenser microphone dan kemudian diproses oleh komputer utuk diambil

data frekuensi suara. Dari hasil proses ini, maka akan didapat sebuah output berupa frekuensi karakter dominan suara yang diinginkan, sinyal input suara ini akan diterjemahkan oleh komputer menggunakan

neural network untuk kemudian dipakai sebagai

sinyal input mikrokontroller dalam melakukan gerakan sederhana melalui sebuah robot humanoid sederhana yang telah dibuat sesuai perintah wicara yang telah diucapkan.

II. TEORI PENUNJANG

Teori yang digunakan meliputii tranduser suara khususnya electret condenser microphone, gyroscope serta perhitungan menggunakan Neural Network menggunakan MLP (multilayer perceptron) dengan metode feedforward dan backpropagation.

A. T

randuser Suara (Electret Condenser Microphone)

. Electret adalah sebuah bahan dielektrik yang stabil dengan muatan listrik statis permanen yang tertanam (yang memiliki daya tahan tinggi dan stabilitas materi secara kimia, tidak akan rusak selama ratusan tahun seperti

Polytetrafluoroethylene).

Gambar 2.1 Bagian Utuh ECM [2]

Prinsip kerja tranduser, respon frekuensi yang naik masuk ke mikrofon kondensor timbul dari mekanisme pada gambar 2.2 [3].

(2)

Gambar 2.2 Prinsip kerja ECM

Prinsip kerja ECM yaitu sinyal suara

menggetarkan membrane ECM sehingga terjadi perubahan kapasitansi. Ketika terjadi perubahan posisi membran, terjadi perubahan muatan, memberikan arus listrik melalui resistor R. Besar muatan membran tergantung pada besar getaran dan jarak suara terhadap mikrofon. Struktur Kapasitansi membran plat sejajar sesuai oleh persamaan:

(2.1)

Dimana:

Q = muatan magnitudo yang disimpan di tiap plat (C)

V= tegangan yang diberikan pada pelat (V)

B. Gyroscope

Gyroscope adalah perangkat untuk mengukur atau

mempertahankan orientasi arah, berdasarkan prinsip-prinsip konservasi momentum sudut. Pada dasarnya, sebuah giroskop mekanik adalah roda yang berputar bebas untuk mengambil setiap orientasi perubahan arah. Orientasi perubahan arah ini jauh lebih sedikit mengalami perubahan sebagai respon terhadap torsi eksternal yang diberikan dibandingkan dengan tanpa besar momentum sudut yang terkait dengan rate perubahan putaran gyroscope. Berikut adalah gambar dari gyroscope [4].

Gambar 2.3 Konfigurasi pin Gyroscope Konfigurasi pin axis X dan pin axis Y:

1. ADC : Output kecepatan sudut yang diubah menjadi sinyal analog untuk axis X.

2. GND 3. VCC ( 5V ) 4. VCC ( 5V ) 5. GND

6. ADC : Output kecepatan sudut yang diubah menjadi sinyal analog untuk axis Y.

C. Algoritma Gerak Robot

Walking pattern dari sebuah robot humanoid

dibedakan menjadi dua, yaitu antara berjalan statis dan berjalan dinamis. Dan di sini akan dijelaskan mengenai berjalan statis. Pada saat ini, ZMP (Zero Moment Point) yang menunjukkan stabilitas dinamis yang digunakan dalam banyak robot, dan lintasan rencana berjalan telah banyak dipelajari. Selain itu,

di sisi lain, robot berjalan dengan teknik generasi gerak irama pola generator CPG (Central Pattern Generator) dan gerakan refleks dengan mengacu pada model makhluk hidup. Dalam kasus ini, pertama, hanya ZMP itu digunakan untuk mengontrol postur. Kemudian, stabilisasi dengan ZMP dan pola gaya yang dihasilkan dengan gerak refleks CPG dan digabungkan untuk mencapai sebuah gerakan untuk berjalan yang mantap.

Untuk tugas akhir ini penulis menggunakan Model CPG yang digunakan sebagai acuan cara simulasi berjalan dan diterapkan pada mesin yang nyata, dan percobaan berjalan dilakukan. Inisialisasi cara berjalan atau gait terhadap waktu untuk yang digunakan penulis adalah menggunakan robot KHR-2HV. Berikut adalah cara berjalan atau gait yang di ambi dalam beberapa periode waktu yang di pakai

sebagai acuan oleh penulis.

Gambar 2.4 Penampilan KHR-2HV berjalan dengan kontrol CPG dan postur tubuh dengan menggunakan

ZMP[5]

D. Proses Terjadinya Sinyal Wicara

Speech (wicara) dihasilkan dari sebuah

kerjasama antara lungs (paru-paru), glottis (dengan

vocal cords) dan articulation tract (mouth/mulut dan nose cavity/rongga hidung). Untuk menghasilkan

sebuah voiced sounds (suara ucapan), paru-paru menekan udara melalui epiglottis, vocal cords bergetar, menginterupt udara melalui aliran udara dan menghasilkan sebuah gelombang tekanan quasi periodic.

Gambar 2.5 menunjukkan penampang melintang dari organ wicara manusia. Impuls tekanan pada umumnya disebut sebagai pitch

impulses dan frekuensi sinyal tekanan adalah pitch frequency atau fundamental frequency.

Sederetan impuls (fungsi tekanan suara) dihasikan oleh vocal cords untuk sebuah suara. Hal ini merupakan bagian dari sinyal voice (suara) yang mendefinisikan speech melody (melodi wicara). Ketika berbicara dengan sebuah frekuensi pitch konstan, sinyal wicara terjadi secara monotonous, tetapi dalam kasus normal sebuah perubahan

(3)

permanen pada frekuensi dapat terjadi. Variasi frekuensi pitch dapat dilihat seperti pada Gambar 2.6.

Gambar 2.5 Organ Wicara Manusia[6]

Gambar 2.6 Variasi pada Frekuensi Pitch[6] Impuls pitch merangsang udara di dalam mulut, untuk suara tertentu juga merangsang nasal

cavity (rongga hidung). Ketika rongga

beresonansi, akan menimbulkan radiasi sebuah gelombang suara yang merupakan sinyal wicara. Kedua rongga beraksi sebagai resonators dengan karakteristik frekuensi resonansi masing-masing, yang disebut formant frequencies. Pada saat rongga mulut dapat mengalami perubahan besar, kita mampu untuk menghasilkan beragam pola ucapan suara yang berbeda.

Sinyal wicara merupakan sinyal yang bervariasi lambat sebagai fungsi waktu, dalam hal ini ketika diamati pada durasi yang sangat pendek (5 sampai 100 mili detik) karakteristiknya masih stasioner. Tetapi bilamana diamati dalam durasi yang lebih panjang (> 1/5 detik) karakteristik sinyalnya berubah untuk

merefleksikan wicara yang keluar dari pembicara. Gambar 2.7 menunjukkan tiga kondisi dasar sinyal wicara pada manusia.

Gambar 2.7 Tiga Kondisi Dasar Sinyal Wicara Manusia [6]

Salah satu cara dalam menyajikan sebuah sinyal wicara adalah dengan menampilkannya dalam tiga kondisi dasar, yaitu

silence (S) atau keadaan tenang dimana sinyal

wicara tidak diproduksi. Unvoice (U) dimana

vocal cord tidak berfibrasi, dan yang ketiga adalah voiced (V) dimana vocal cord bervibrasi secara

periodik sehingga dapat menggerakkan udara ke kerongkongan melalui mekanisme akustik sampai keluar mulut dan menghasilkan sinyal wicara.

E. Neural Network

Neural network adalah salah satu tipe metode

learning data dengan menggunakan filosofi jaringan

syaraf manusia yang sangat kompleks. ANN (artificial neural network) merupakan sebuah sistem konektifitas yang dikhususkan untuk pemodelan atau pengelompokan dengan prinsip sistem syaraf pusat, Berdasarkan ilmu biologi, ilmu tersebut memberikan sebuah ide bagaimana cara melakukan sebuah kemampuan komputasi dengan ANN untuk menyelesaikan persoalan sensorik dan diharapkan dapat dilakukan dengan cara yang mudah.

Multi Layer Perceptron (single-layer dengan

tambahan beberapa hidden layer) kemungkinan mempunyai pengaruh yang sangat penting pada neural network sebagaimana yang kita ketahui sekarang. Pada umumnya, perceptron proses pelatihannya bergantung pada aturan pelatihan pola (pattern) yang digunakan, walaupun perceptron merupakan proses pelatihan yang bersifat Self –

organizing.Proses dalam algoritma backpropagation

dapat dibagi dalam dua tahap yaitu: ¾ Umpan maju (feed forward)[7]

¾ Propagasi balik (backpropagation) dan Perubahan bobot (update bobot)[8].

Gambar 2.8 Jaringan Feed Forward dan

Backpropagation

Algoritma pelatihan neural network yang diuraikan sebagai berikut:

Forward :

1. Data input diperoleh dari sampling suara, dengan weight awal pelatihan random.

2. Kemudian dilakukan perhitungan di node layer1 3. Hasil masing – masing node layer1 di sebar menggunakan binary sigmoid function dan didapatkan pula hasil turunannya.

4. Kemudian dilakukan perhitungan yang sama terhadap node – node layer berikutnya.

(4)

Backward :

1. Didapatkan error pada node 3 2. Update Weight layer 3

3. Kemudian dapat hitung error pada node 2 4. Update Weight layer 2

5. Error pada node 1 dapat diperoleh 6. Update Weight layer 1

7. Gunakan Weight update pada input selanjutnya hingga semua input yang dimasukkan dapat terpenuhi

Main program :

1. Masukkan batas error yang dikehendaki terbatas pada jumlah array yang disediakan

2. Ulangi proses forward dan backward hingga terpenuhi batas error yang diinginkan.

3. Setelah terpenuhi batasan error yang digunakan, weight disimpan

4. Weight yang tersimpan dilakukan clustering terhadap input yang didapat saat pendeteksian secara real time, hanya proses forward hingga batas error dipenuhi.

III. PERANCANGAN ALAT

Pada tahap ini akan dibahas perancangan alat mulai dari desain mekanik, desain elektronik, serta desain software. Perancangan alat dibuat secara bertahap dimulai dari desain mekanik, setelah selesai maka dilanjutka dengan desain rangkaian elektronik atau hardware, dan tahap akhir adalah desain

software.

A. Perancangan mekanik

Perancangan mekanik meliputi perancangan peletakan komponen-komponen robot yang lain. Gambar 3.1 berikut adalah desain mekanik robot yang telah jadi.

Gambar 3.1 Desain Mekanik Robot

Tahap pertama dalam pembuatan robot adalah perancangan mekanik. Dengan perancangan mekanik yag didahulukan, maka tahap perancangan selanjutnya dapat disesuaikan. Pada tugas akhir ini, rancangan robot yang akan dibuat memiliki 14 buah servo pada kaki, 7 kaki masing-masing pada tiap kaki dan 4 buah servo pada tiap-tiap tangan serta 1 buah servo pada badan dan kepala, dengan total 24 servo

keseluruhan. Kedua peluh empat motor servo dipasang pada pada hardware mekanik robot.

B. Blok Diagram Sistem

Sebelum melakukan desain perlu dilakukan

survey mengenai keberadaan komponen di pasaran.

Hal ini bertujuan agar peletakan komponen dapat tepat pada desain, sehingga memudahkan dalam pembuatannya. Selain itu proses kalkulasi matematis dari tiap karakteristik komponen dapat dilakukan secara cermat.

Bagian elektrik dibagi menjadi 2 blok, yaitu bagian slave sebagai kendali motor servo bagian tangan dan kepala, dan bagian master sebagai kendali motor servo bagian kaki dan badan serta kendali ADC dan Gyro. Gambar 3.2 merupakan blok diagram blok diagram elektronik bagian slave. Pada bagian ini mikrokontroler digunakan untuk mengontrol 16 buah motor servo yang menggunakan fasilitas timer 16 bit yaitu timer 1 dan timer 3. Mikrokontroller slave akan mengeluarkan output untuk menggerakkan motor servo ketika mendapat perintah serial dengan mikrokontroller master.

Pada bagian master digunakan untuk menangani kendali motor servo bagian kaki, badan,

ADC dan Gyro serta menerima perintah serial dari

komputer. Gambar 3.3 merupakan blok diagram elektronik bagian master.

Gambar 3. 2 Blok diagram elektronik bagian slave

Gambar 3. 3 Blok diagram elektronik bagian master

C. Perekaman Sinyal Wicara

Perekaman sinyal wicara dilakukan untuk mendapatkan sample data training. Sample tersebut direkam dengan frekuensi sampling sebesar 8 kHz dan diubah dalam bentuk format file ”.DAT”. Perekaman satu sample sinyal wicara membutuhkan waktu selama 1,5 detik, sehingga

MICRO MASTER Motor Servo 10 TIMER 1 & TIMER 3 Motor Servo 1 Out 1 Motor Servo 11 Motor Servo 9 Motor Servo 2 Motor Servo 3 USART RX Serial dengan komputer Motor Servo 4 Motor Servo 5 Motor Servo 6 Out 2 Motor Servo 7 Motor Servo 8 Out 3 Out 4 Out 5 Out 6 Out 7 Out 8 Out 9 Out 10 Out 11 Out 12 Out 13 Out 14 Out 15 Out 16 Motor Servo 12 Motor Servo 13 Motor Servo 14 Motor Servo 15 Motor Servo 16 USART TX Serial dengan micro slave ADC channel 1 Gyro M IC R O SLAVE M otor Servo 10 TIM ER 1 & TIM ER 3 M otor Servo 1 O ut 1 M otor Servo 11 M otor Servo 9 M otor Servo 2 M otor Servo 3 U SAR T R X Serial dengan m icro m aster M otor Servo 4 M otor Servo 5 M otor Servo 6 O ut 2 M otor Servo 7 M otor Servo 8 O ut 3 O ut 4 O ut 5 O ut 6 O ut 7 O ut 8 O ut 9 O ut 10 O ut 11 O ut 12 O ut 13 O ut 14 O ut 15 O ut 16 M otor Servo 12 M otor Servo 13 M otor Servo 14 M otor Servo 15 M otor Servo 16

(5)

dengan frekuensi sampling sebesar 10kHz didapatkan 15000 data. Dari data sebanyak 15000 ini maka dilakukan proses voice detectiony yakni dengan memberikan nilai threshold atau batas agar dianggap sebagai sinyal suara dengan nilai magnitudo sebesar 0,2 dan dengan kerapatan >1700 kali.

Nilai ini diambil dengan melakukan pengukuran kerapatan dan nilai magnitudo yang bukan sinyal wicara yakni memiliki magnitudo kurang dari 0,2. Jadi setelah sinyal wicara melewati proses voice detection data yang disimpan adalah sebesar 8000 data. Berikut adalah sample sinyal suara ”maju” sebelum melalui voice detection dan sesuddah melalui voice detection pada gambar 3.4 dan gambar 3.5

Gambar 3. 4 Sample suara “maju” sebelum voice

detection.

Gambar 3. 5 Sample suara “maju” setelah voice

detection

D. Algoritma Neural Network

Secara umum pengertian neural network atau jaringan saraf tiruan (JST) adalah sebuah sistem pemroses informasi yang memiliki karakteristik menyerupai jaringan saraf manusia. Pada kebanyakan kasus, JST merupakan system yang adaptif yang dapat merubah strukturnya berdasarkan informasi yang diterima ke dalam jaringan. Pada tugas akhir ini digunakan Neural Network kategori

supervised atau terlatih dengan metode back-propagation.

Jaringan saraf tiruan dengan single layer memiliki keterbatasan dalam pengenalan pola sehingga perlu adanya tambahan satu/beberapa hidden layer diantara layer input dan layer output. Meskipun penggunaan lebih dari satu layer tersembunyi mempunyai manfaat untuk beberapa kasus namun tetapi pelatihannya memerlukan waktu yang lebih lama.

Maka umumnya orang mulai mencoba dengan sebuah layer tersembunyi dahulu. Pada dasarnya metode back-propagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan

selama pelatihan serta kemampuan jaringan untuk memberikan respons yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan. Fungsi aktifasi yang dipakai adalah

sigmoid biner yang memiliki nilai antara 0 dan 1.

Prinsip dari metode backpropagation ini adalah meliputi 3 fase yaitu fase maju, fase mundur dan modifikasi bobot. Kondisi batas perhentian yang biasa dipakai adalah jumlah iterasi atau jumlah kesalahan. Untuk perhitungan pelatihan algoritma backpropagation dan pengujian menggunakan pemrograman Delphi. Alur dari progam jaringan saraf tiruan ini adalah sebagai berikut:

Gambar 3. 6 Flow chart program.

IV. PENGUJIAN ALAT DAN PENGAMBILAN DATA

Setelah tahap perancangan alat selesai tahap berikutnya yaitu pengujian alat. Pada tahap ini semua bagian robot dan software akan diuji.

A. Pengujian Sensor Gyroscope

Pengujian yang dilakuan yaitu untuk output

gyroscope dengan tanpa input gerakkan terhadap

sumbu axis-x (stabil) akan ditampilkan pada gambar berikut.

(6)

Gambar 4. 1 Respon gyroscope dalam keadaan stabil

Gambar 4. 2 Respon gyroscope dengan pergerakkan normal

Dari percobaan yang telah dilakukan maka di dapatkan bahwa titik tengah sumbu-x untuk gyroscope dengan pembacaan ADC 10 bit adalah 250. Dari beberapa pengujian yang dilakukan dengan pergerakkan robot didapatkan range yang stabil yakni antara 230 sampai 270 dengan titik tengah 250.

B. Pengujian Algoritma Sistem Perekaman Wicara

Perekaman sinyal wicara dilakukan untuk mendapatkan sample data training. Sample tersebut direkam dengan frekuensi sampling sebesar 8 kHz dan diubah dalam bentuk format file ”.DAT”. Perekaman satu sample sinyal wicara membutuhkan waktu selama 1,5 detik, sehingga dengan frekuensi sampling sebesar 10kHz didapatkan 15000 data. Dari data sebanyak 15000 ini maka dilakukan proses voice detectiony yakni dengan memberikan nilai treshold atau batas agar dianggap sebagai sinyal suara dengan nilai magnitudo sebesar 0,2 dan dengan kerapatan >1700 kali. Nilai ini diambil dengan melakukan pengukuran kerapatan dan nilai magnitudo yang bukan sinyal wicara yakni memiliki magnitudo kurang dari 0,2. Jadi setelah sinyal wicara melewati proses voice

detection data yang disimpan adalah sebesar 8000

data. Berikut adalah sample sinyal suara ”maju” sebelum melalui voice detection dan sesudah melalui

voice detection pada gambar di bawah ini.

Gambar 4. 3 Grafik sinyal suara “kanan” sebelum dan sesudah voice detection

Pada tabel tersebut terjadi kondisi yang sesuai dengan target. Hal ini disebabkan proses pemilihan threshold dan kerapatan yang cukup tepat yakni dengan thresdhold 0,2 dan kerapatan 1700. Dari tabel diatas maka didapatkan nilai persentase error per lima kali percobaan yang dilakukan saat itu yaitu “maju” mempunyai error rata-rata sebesar 0%, “kanan” mempunyai error rata-rata sebesar 0%,

“kiri” mempunyai error rata-rata sebesar 0%, “stop” mempunyai error rata-rata sebesar 20%, “hand” mempunyai error rata-rata sebesar 0%. Dari percobaaan tersebut didapatkan bahwa voice detection ini cukup bagus digunakan karena memiliki error 4%.

Tabel 4. 1 Perbandingan hasil kesesuaian voice

detection

C. Pengujian Algoritma Neural Network

Dalam proses algoritma backpropagation neural

network ini akan dibagi menjadi dua bagian. Yaitu:

proses pelatihan data yang dilakukan pada komputer, yang kemudian diambil bobot atau weight dan

threshold yang didapatkan untuk disimpan dan

proses pengujian hasil pelatihan data pada secara

Pola Uji Target

Setelah Voice detection Keberhasilan 1 Uji 1 Maju Maju Sukses

Uji 2 Maju Sukses

2

Uji 1

Kanan

Kanan Sukses

Uji 2 Kanan Sukses

3

Uji 1

Kiri

Kiri Sukses

Uji 2 Kiri Sukses

Uji 4 Kiri a Sukses

4

Uji 1

Stop

- Gagal

Uji 2 Stop Sukses

5

Uji 1

Hand

Hand Sukses

Uji 2 Hand Sukses

(7)

feedforward menggunakan weight atau bobot dan

threshold yang telah disimpan tadi.

Tabel 4. 2 Tabel target data yang akan dilatihkan

No pola Jenis Kata Target

1 Maju 100000 2 Kanan 010000 3 Kiri 001000 4 Stop 000100 5 Hand 000010 6 Kosong 000001

Pada proses palatihan ini, didomain frekuensi dan domain waktu menggunakan sebuah hidden layer 1 yang terdiri dari 50 neuron dan 30 buah neuron hidden layer 2, serta output 6 neuron. Untuk layer input memiliki 8000 data input. Neuron pada layer output merupakan target yang diinginkan yaitu maju (100000), kanan (010000), kiri (001000), stop (000100), hand (000010) dan kosong (000001). Pada proses pelatihan data, didapatkan nilai MSE

(mean square error) seperti grafik pada gambar 4.6

Dari grafik nilai pada iterasi ke 16775 adalah 0,00252772540426484.

Gambar 4. 4 Tampilan proses learning pada iterasi ke 16775

D. Pengujian Hasil Pelatihan Data

Bobot yang telah didapatkan dari proses pelatihan data akan digunakan pada proses pengujian. Pengujian ini akan dilakukan dengan menggunakan metode feedforward.

Dari hasil pengujian dengan 5 sample untuk tiap pola data maka didapatkan nilai neuron tiap output dan hasil kesesuain pada target..

Pada tabel 4.3 tersebut ada beberapa kondisi yang tidak sesuai dengan target. Hal ini disebabkan karena data tersebut memiliki pola yang baru yang tidak dikenali oleh jaring saraf tiruan yang telah dirancang. Dengan adanya pola baru tersebut maka diperlukan pelatihan lagi untuk mendapatkan hasil yang lebih baik. Dari tabel diatas maka didapatkan nilai persentase error per lima kali percobaan yang dilakukan saat itu yaitu “maju” mempunyai error rata-rata sebesar 20%, “kanan” mempunyai error rata sebesar 40%, “kiri” mempunyai error rata-rata sebesar 40%, “stop” mempunyai error rata-rata-rata-rata sebesar 20%, “Hand” mempunyai error rata-rata

sebesar 20%, “Kosong” mempunyai error rata-rata sebesar 20%. Dari percobaaan tersebut didapatkan bahwa voice detection memiliki error rata-rata 26,67%.

Tabel 4. 3 Perbandingan hasil kesesuaian hasil

Pola Uji ke- Target Hasil identifikasi Keberhasilan 1 Uji 1 Maju 100000 Maju Sukses

Uji 4 Kanan Gagal

2

Uji 1

Kanan 010000

Kiri Gagal

Uji 4 Maju Gagal

3

Uji 1

Kiri 001000

Kanan Gagal

Uji 4 Maju Gagal

4

Uji 1

Stop 000100

Kiri Gagal

5

Uji 1

Hand 000010

Hand Sukses

Uji 3 Stop Gagal

6 Uji 1 Kosong 000001 (lainnya) Kosong Sukses

Uji 2 Kosong Sukses

Uji 3 Kosong Sukses

Uji 4 Stop Gagal

(8)

V. PENUTUP A. Kesimpulan

Setelah melakukan pengujian dari keseluruhan sistem pada tugas akhir ini, dan berdasarkan data yang telah didapat dapat diambil beberapa kesimpulan sebagai berikut :

1 Didapatkan range kestabilan gyroscope dengan

pembacaan ADC 10 bit pada 230 sampai 270 dengan titik tengah 250.

2 Didapatkan nilai persentase error per lima kali

percobaan yang dilakukan untuk algoritma

voice detection saat itu yaitu “maju”

mempunyai error rata-rata sebesar 0%, “kanan” mempunyai error rata-rata sebesar 0%, “kiri” mempunyai error rata-rata sebesar 0%, “stop” mempunyai error rata-rata sebesar 20%, “hand” mempunyai error rata-rata sebesar 0%. Dari percobaaan tersebut didapatkan bahwa voice detection ini cukup bagus digunakan karena memiliki error 4% dan keberhasilan 96%.

3 Didapatkan nilai persentase error per lima kali

percobaan yang dilakukan untuk algoritma pengenalan wicara saat itu yaitu “maju” mempunyai error rata-rata sebesar 20%, “kanan” mempunyai error rata-rata sebesar 40%, “kiri” mempunyai error rata-rata sebesar 40%, “stop” mempunyai error rata-rata sebesar 20%, “Hand” mempunyai error rata-rata sebesar 20%, “Kosong” mempunyai error rata-rata sebesar 20%. Dari percobaaan tersebut didapatkan bahwa voice detection ini memiliki error rata-rata 26,67% dan keberhasilan 73,33%.

B. Saran

Saran penulis untuk meningkatkan ketepatan proses voice detection, penulis juga di harapkan untuk menambah proses sample suara yang akan dibelajarkan sehingga pada waktu melakukan proses testing error yang didapat berkurang.

REVERENSI

[1].…, 2010, speech recognition, <URL: http://en.wikipedia.org/wiki/Speech_recognition > [2]…, 2010, Introduction of Electret Condenser Microphone,

<URL:http://www.buzzerspeaker.com/manufacturer/ introduction of microphone>

[3]…, 2009, Condenser Mirophone Signal, <URL: http://electronics.wups.lviv.ua/KREM_literatura/hyp erphysics/hbase/audio/ecm>.

[4] Robby C, 2006, Gyro Sensor <URL:

http://support.robotis.com/en/techsupport_eng.htm>. [5] Yogo Takada, Tomoki Tajiri, Kiyoshi Ogawa and Tomoyuki Wakisaka, 2011, Walking Pattern Generation and Stabilization of Walking for Small Humanoid Robots, Osaka City University, Japan.

[6]Yunus Wicaksono Sugiarso, 2010, Pengembangan Sistem Komunikasi Antar Pemakai Helm, Institut Teknologi Sepuluh Nopember, Surabaya.

[7]…, 2010, Feedforward neural network, <URL: http://en.wikipedia.org/wiki/Feedforward_neural_net work>

[8]…, 2010, Backpropagation, <URL: http://en.wikipedia.org/wiki/Backpropagation>

RIWAYAT HIDUP PENULIS

Penulis dilahirkan di Mojokerto pada tanggal 31 Januari 1989 bernama Lukman Arif Kurniawan. Putra kedua dari dua bersaudara. Selama menjadi mahasiswa penulis aktif sebagai anggota kegiatan komunitas robot di Jurusan Teknik Elektro dan ITS dari tahun 2007 sampai sekarang.

Riwayat Pendidikan :

o Teknik Elektro ITS Surabaya Jawa Timur, angkatan 2009,

o SMAN 1 Sooko, Mojokerto, Jawa Timur, lulus tahun 2006,

o SMPN 1 Mojosari, Mojokerto, Jawa Timur, lulus tahun 2003,

o SDN Kutorejo, Mojokerto, Jawa Timur, lulus tahun 2000.