RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA
DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002
PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO – ELEKTRONIKA INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA 2010
LATAR BELAKANG Penelitian hibah pasca Teknik Mesin, Mesin yang berjudul “Rancang Bangun Alat Keselamatan Untuk Pengendara Sepeda Motor B b i Information Berbasis I f ti Technology”. T h l Technology” ”.
Kurangnya
kenyamanan
dalam
berkomunikasi
antara
pengemudi dan penumpang selama perjalanan perjalanan..
Banyaknya orang menggunakan telepon seluler untuk berkomunikasi saat berkendara berkendara..
PENGEMBANGAN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM
Sistem komunikasi yang dikembangkan pada helm pengendara sepeda motor menggunakan modul HT.
Pada helm pengendara digunakan 2 modul HT HT, yaitu sebagai transmitter dan sebagai receiver receiver..
PENGEMBANGAN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM Modul HT dihubungkan secara langsung l d dengan portportt-portt pada d mikrokontroler ATmega128
hanya h di digunakan k 4 pin i d darii 7 pin i yang tersedia pada modul HT. meliputi: p Power,, Channel Power Channel up, up p, Channel down, dan PTT
PENGEMBANGAN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM
(a)
(b)
(c)
Setiap penumpang dan pengemudi dapat memilih lawan berkomunikasi melalui pengenalan wicara.
Sistem komunikasi diimplementasikan pada 3 helm pengendara sepeda motor dengan dilengkapi sistem pengenalan wicara.
PENGEMBANGAN SISTEM PENGENALAN
Proses pengenalan wicara antar pemakai helm dibagi menjadi dua langkah, yaitu: 1. 2.
Feature Extraction Extraction.. Pattern classification. classification.
Feature extraction sinyal y wicara menggunakan gg Discrete Wavelete Transform (DWT)
Pattern atte Classification C ass cat o ssinyal ya wicara ca a menggunakan e ggu a a Multi layer Perceptron Neural Network (Backpropagation) P Pengenalan l wicara i dil dilakukan k k secara otomatis t ti untuk t k
mengklasifikasi suara ucapan “alfa”, “beta”, “gama”
PENGEMBANGAN SISTEM PENGENALAN WICARA
(a) Fase trainning
(a) Fase testing
F k Frekuensi i sampling li sebesar b 10kH 10kHz Digunakan 20 sample training dari masingmasing-masing sinyal wicara “alfa” alfa ,”beta” beta ,”gama” gama . Perekaman satu sample training sinyal wicara dilakukan selama 1,5 detik
PENGUJIAN SISTEM PENGENALAN WICARA SEBELUM NORMALISASI
PENGUJIAN SISTEM PENGENALAN WICARA SETELAH NORMALISASI
Setelah dinormalisasi, jumlah error total lebih kecil dibandingkan dengan sinyal wicara yang belum dinormalisasi
Persentase keberhasilan pengenalan wicara setelah dinormalisasi lebih tinggi dibandingkan dengan sebelum dinormalisasi. dinormalisasi
Semakin banyak sample training yang dilatihkan, semakin tinggi persentase keberhasilan dalam pengenalan wicara
PENGEMBANGAN SISTEM KOMUNIKASI DAN PENGENALAN WICARA ANTAR PEMAKAI HELM Sistem k komunikasi ik i
Sistem pengenalan wicara
Sinyal suara dari mikrofon dikuatkan oleh rangkaian amplifier sebesar 120 kali Frekuensi cutoff dari rangkaian Band Pass Filter (BPF) adalah 20Hz--4kHz 20Hz Menggunakan memori eksternal 8 bit dengan kapasitas memori sebesar 32kByte
PENGEMBANGAN SISTEM KOMUNIKASI DAN PENGENALAN WICARA ANTAR PEMAKAI HELM
PENGUJIAN PROSES PEREKAMAN NOISE Di dalam ruangan
Di jalan raya
Pada kondisi lingkungan yang tenang digunakan referensi noise sebesar 10 Pada kondisi lingkungan di jalan raya digunakan referensi noise sebesar 30
PENGUJIAN PROSES SELEKSI PENGENALAN WICARA Di dalam ruangan
Di jalan raya
PENGUJIAN PROSES SELEKSI PENGENALAN WICARA
PENGUJIAN DURASI WAKTU PENGENALAN WICARA
TERIMA KASIH
Pre Processing Sinyal Wicara Front End Point Detection
Denoising
1. Melakukan dekomposisi wavelet pada sinyal 1. Melakukan dekomposisi wavelet pada sinyal wicara hingga level 3 menggunakan db10 wicara hingga level 7 menggunakan db10 2. Approximation coefficient dekomposisi ketiga untuk menentukan wavelet entropy 3. Menghitung nilai threshold: nilai threshold didapatkan dari Rata-Rata nilai-nilai wavelet entropy.
2. Memberikan soft threshold pada setiap detail coefficient dari level1 hingga level 7 3. Melakukan rekontruksi pada pada setiap detail coefficient dari level1 hingga level 7
Feature Extraction
Digunakan feature extraction menggunakan DWT dengan struktur dekomposisi hingga level 7 menggunakan Daubechies10 (db10) y high [k ] = ∑ x[n].g [2k − n] n
y low [k ] = ∑ x[n].h[2k − n] n
Setelah didapatkan koefisienkoefisien-koefien wavelet dari proses dekomposisi level 7 (cD1, cD2, cD3, cD4, cD5, cD6, cD7, cA7), selanjutnya dilakukan proses wavelet entropy. entropy.
∑ E ( s) =
i
Si
N
P
Classification
KARAKTERISTIK ALFA, BETA, GAMA Wavelet Entropy "beta"
Wavelet Entropy "alfa" 1 40E-01 1.40E 01
2 50E-01 2.50E 01
1.20E-01 2.00E-01 1.00E-01
sample alfa1
sample beta1 1.50E-01
sample alfa2
8.00E-02
sample beta2
sample alfa3 6.00E-02
sample beta3
sample alfa4
sample beta4
1 00E 01 1.00E-01
sample alfa5
4.00E-02
sample beta5 5.00E-02
2.00E-02 0.00E+00
0.00E+00 1
2
3
4
5
6
7
8
1
2
3
4
Wavelet Entropy "gama" 1.20E-01 1.00E-01 sample gama1
8.00E-02
sample gama2 6.00E-02
sample gama3 sample gama4
4.00E-02
sample gama5
2.00E-02 0.00E+00 1
2
3
4
5
6
7
8
5
6
7
8