Wahana Fisika, 1(2), 2016

Wahana Fisika, 1(2), 2016 http://ejournal.upi.edu/index.php/wafi

Sistem Kontrol Robot Arm 5 DOF Berbasis Pengenalan Pola Suara Menggunakan Mel-Frequency Cepstrum Coefficients (MFCC) dan Adaptive Neuro-Fuzzy Inference System (ANFIS) W.S. Mada Sanjaya 12 *, Dyah Anggraeni 12 1

Program Studi Fisika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Gunung Djati Bandung, Jl. AH Nasution 105 Cibiru Bandung 40614, Indonesia

2

Bolabot Techno Robotic Institue, CV. Sanjaya Star Group, Komp. Permata Biru Blok AH No 75A Cibiru-Cinunuk Bandung 40624, Indonesia * E-mail: [email protected] (Mada Sanjaya), Telp: +62-81227759579 ABSTRAK

Telah dilakukan penelitian yang menggambarkan implementasi pengenalan pola suara untuk mengontrol gerak robot arm 5 DoF dalam mengambil dan menyimpan benda. Dalam penelitian ini metode yang digunakan adalah Mel-Frequency Cepstrum Coefficients (MFCC) dan Adaptive Neuro-Fuzzy Inferense System (ANFIS). Metode MFCC digunakan untuk ekstraksi ciri sinyal suara, sedangkan ANFIS digunakan sebagai metode pembelajaran untuk pengenalan pola suara. Pada proses pembelajaran ANFIS data latih yang digunakan sebanyak 6 ciri. Data suara terlatih dan data suara tak terlatih digunakan untuk pengujian sistem pengenalan pola suara. Hasil pengujian menunjukkan tingkat keberhasilan, untuk data suara terlatih sebesar 87,77% dan data

152 | Copyright © 2016, Wahana Fisika


tak terlatih sebesar 78,53%. Sistem pengenalan pola suara ini telah diaplikasikan dengan baik untuk mengerakan robot arm 5 DoF berbasis mikrokontroler Arduino. Kata Kunci

:

Pengenalan suara; ANFIS; robot arm Mel-Frequency

Cepstrum Coefficients

ABSTRACT

Have been implemented of sound pattern recognition to control 5 DoF of Arm Robot to pick and place an object. In this research used Mel-Frequency Cepstrum Coefficients (MFCC) and Adaptive Neuro-Fuzzy Interferense System (ANFIS) methods. MFCC method used for features extraction of sound signal, meanwhile ANFIS used to learn sound pattern recognition. On ANFIS method data learning use 6 features. Trained and not trained data used to examine the system of sound pattern identification. The result show the succesfull level, for trained data 87.77% and for not trained data 78.53%. Sound pattern identification system was appliedto controlled 5 DoF arm robot based Arduino microcontroller.

Keywords : Sound identification; ANFIS; arm robot; Mel-Frequency Cepstrum Coefficients Penerapan menggunakan

1. Pendahuluan Sistem

sistem

otomatisasi

pada

bidang

dilakukan

suara

oleh

kendali tidak

mesin,

mudah sehingga

robotika merupakan sistem yang dapat

dibutuhkan metode pembelajaran pada

memudahkan

manusia.

mesin untuk dapat mengekstraksi dan

Sistem kendali dengan menggunakan

mengenali ciri atau pola suara dengan

suara merupakan alternatif yang mudah

mempelajari ciri-ciri sebelumnya.

dan efektif khususnya untuk pengguna

Metode untuk mengekstrak ciri sinyal

yang

suara

memiliki

pekerjaaan

keterbatasan

fisik.

diantaranya

menggunakan



metode Linear Predictive Coding [1], [2]

dan

Mel-Frequency

Cepstrum 2. Landasan Teori

Coefficients [3] - [4] yang telah

2.1. Metode MFCC

diaplikasikan pada beberapa bidang

MFCC merupakan cara yang paling

diantaranya; pengenal pembicara [5] -

sering digunakan pada berbagai bidang

[6], mendiagnosis suatu penyakit [2],

area

[7] , kontrol robot [8], [9] , kontrol

dianggap

motor DC [10] , control robot arm [11]

merepresentasikan sinyal. Cara kerja

[12], smart home [13], biomatriks [14],

MFCC didasarkan pada perbedaan

kontrol otomatis kursi roda [15] dan

frekuensi yang dapat ditangkap oleh

lainnya

telinga

[16].

pembelajaran

Untuk

dan

metode

pengklasifikasian

pemrosesan

baik

dalam

manusia

sehingga

mampu

merepresentasikan

sinyal

suara

sebagaimana

menggunakan

merepresentasikannya.

Neuro-Fuzzy

karena

cukup

pola suara, telah banyak peneliti yang metode

suara,

manusia

[13], Artificial Neural Networks [17],

2.2 Preemphasis

[18] , dan metode soft computing

Dalam proses pengolahan sinyal wicara

lainnya [6], [19].

pre emphasis filter diperlukan setelah

Dalam penelitian ini dibahas pengujian

proses

sistem

pemfilteran

ekstraksi ciri

menggunakan

sinyal

suara

sampling. ini

Tujuan adalah

dari untuk

Mel-Frequency

mendapatkan bentuk spectral frekuensi

Cepstrum Coefficients (MFCC) dan

sinyal wicara yang lebih halus. Dimana

metode belajar serta klasifikasi pola

bentuk spectral yang relatif bernilai

suara menggunakan metode Adaptive

tinggi

Neuro-Fuzzy

System

cenderung turun secara tajam untuk

(ANFIS). Terakhir, dalam penelitian ini

daerah fekuensi diatas 2000 Hz. Filter

juga dilakukan implementasi sistem

pre-emphasis didasari oleh hubungan

pengenalan pola suara untuk sistem

input/output dalam domain waktu yang

Inferense

untuk

daerah

rendah

dan

kontrol robot arm pemindah barang menggunakan mikrokontroler Arduino. 154 | Copyright © 2016, Wahana Fisika


dinyatakan

dalam

persamaan

𝑦1 (𝑛) = 𝑥1 (𝑛)𝑤(𝑛), 0 ≤ 𝑛 ≤ 𝑁 −

berikut:𝑦(𝑛) = 𝑥(𝑛) − 𝑎𝑥 (𝑛 − 1) (1)

1

dimana a merupakan konstanta filter

dimana w(n) biasanya menggunakan

pre-emhasis, biasanya bernilai 0.9 < a

window

< 1.0.

bentuk:

2.3 Frame Blocking

𝑤(𝑛) = 0.54 − 0.46. 𝑐𝑜𝑠 (𝑁−1) , 0 ≤

Pada

proses

ini,

sinyal

suara

yang saling tumpang tindih (overlap). Hal ini dilakukan agar tidak ada sinyal

yang

hilang

(deletion). Proses ini akan berlanjut sampai seluruh sinyal sudah masuk ke dalam satu atau lebih frame.

Sinyal analog yang sudah diubah menjadi sinyal digital dibaca frame demi frame dan pada setiap frame-nya dilakukan windowing dengan fungsi window tertentu. Proses windowing untuk

yang

memiliki

𝑛≤𝑁−1

(3)

2.5 Fast Fourier Transform (FFT) FFT merupakan fast algorithm dari Discrete Fourier Transform (DFT) yang berguna untuk mengonversi setiap frame dengan N sampel dari domain waktu

menjadi

sebagaimana

2.4 Windowing

bertujuan

Hamming

2𝜋𝑛

disegmentasi menjadi beberapa frame

sedikitpun

(2)

meminimalisasi

domain

frekuensi,

didefinisikan

sebagai

−𝟐𝝅𝒋𝒌𝒏/𝑵 berikut 𝑿𝒏 = ∑𝑵−𝟏 𝒌=𝟎 𝒙𝒌 𝒆

(4) dimana

𝑛 = 0, 1, 2, … , 𝑁 − 1

dan

𝑗 = √−1. Hasil dari tahapan ini biasanya disebut dengan spectrum atau periodogram.

ketidakberlanjutan sinyal pada awal dan akhir setiap frame.

Jika kita

2.6 Mel-Frequency Wrapping

definisikan window sebagai w(n), 0 ≤ n

Persepsi sistem pendengaran manusia

≤ N – 1, dimana N adalah jumlah

terhadap frekuensi sinyal suara tidak

sampel pada setiap frame-nya, maka hasil dari windowing adalah sinyal:

dapat diukur dalam skala linear. Untuk setiap nada dengan frekuensi aktual, f, diukur dalam Hz, sebuah subjective pitch diukur dalam sebuah skala yang



disebut “mel”. Skala mel-frequency

spectrum ke dalam domain waktu

ialah sebuah frekuensi rendah yang

dengan menggunakan Discrete Cosine

bersifat linear di bawah 1000 Hz dan

Transform (DCT). Hasilnya disebut

sebuah frekuensi tinggi yang bersifat

dengan

logaritmik di atas 1000 Hz. Persamaan

coefficient (MFCC). Berikut adalah

berikut menunjukkan hubungan skala

persamaan

mel dengan frekuensi dalam Hz:

transformasi

𝐹𝑚𝑒𝑙 =

∑𝑀 𝑖=1 𝑋𝑖 𝑐𝑜𝑠 (𝑗 (𝑖 − 1)/2 𝑀)

mel-frequency

yang

digunakan cosinus: 𝜋

𝐹𝐻𝑍

cepstrum

dalam 𝐶𝑗 = (7)

2595 ∗ 𝑙𝑜𝑔10 (1 + 700 ), 𝐹𝐻𝑍 > 1000 dimana j = 1, 2, 3,…, K (K = jumlah 𝐹𝐻𝑍 , 𝐹𝐻𝑍 < 1000 koefisien yang diinginkan) dan M (5) adalah jumlah filter. Proses wrapping terhadap sinyal dalam 2.8 Adaptive Neuro Fuzzy Inferense domain frekuensi dilakukan System (ANFIS) menggunakan persamaan berikut: Neuro-fuzzy adalah gabungan dari dua 𝑁−1 𝑋𝑖 = 𝑙𝑜𝑔10(∑𝑘=0 |𝑋(𝑘 )| 𝐻𝑖 (𝑘)) (6) sistem yaitu sistem logika fuzzy dan dimana i = 1,2,3,…,M (M adalah jaringan syaraf tiruan. Sistem neurojumlah filter segitiga) dan Hi(k) adalah fuzzy berdasar pada sistem inferensi nilai filter segitiga ke-i untuk frekuensi fuzzy yang dilatih menggunakan akustik sebesar k. algoritma pembelajaran yang 2.7 Cepstrum diturunkan dari sistem jaringan syaraf Pada tahap ini akan dikonversi meltiruan. {

Gambar 5. Contoh struktur ANFIS Roger Jang [20]



Salah satu bentuk struktur yang sudah

𝑤1 = 𝜇𝐴1 (𝑥 ) 𝐴𝑁𝐷 𝜇𝐵1 (𝑦)

(11)

sangat dikenal adalah seperti terlihat

𝑤2 = 𝜇𝐴2 (𝑥 ) 𝐴𝑁𝐷 𝜇𝐵2 (𝑦)

(12)

pada Gambar 5

Output pada lapisan ini bertindak

yang merupakan

struktur ANFIS. Dalam struktur ini,

sebagai fungsi bobot.

sistem inferensi fuzzy yang diterapkan

Lapisan 3: Lapisan Normalisasi

adalah inferensi fuzzy model Takagi-

Dinotasikan dengan N. Setiap node

Sugeno-Kang.

pada lapisan ini bersifat non-adaptif

Lapisan 1: Proses Fuzzyfication

yang berfungsi hanya untuk

Output dari node i pada layer 1

menghitung rasio antara firing strength

dinotasikan

pada rule ke-i terhadap total firing

sebagai

O1,i

bersifat

adaptif:

strength dari semua rule:

𝑂1,𝑖 = 𝜇𝐴𝑖 (𝑥 ),

𝑖 = 1,2

(8)

𝑂1,𝑖 = 𝜇𝐵𝑖 (𝑦),

𝑖 = 1,2

(9)

𝑂3,𝑖 = 𝑤 ̅𝑖 = 𝑤

𝑤𝑖

1 +𝑤2

, 𝑖 = 1,2

(13)

Lapisan 4: Lapisan Defuzzyfication

dimana x dan y adalah nilai-nilai input

Setiap node pada lapisan ini bersifat

untuk node tersebut dan Ai dan Bi

adaptif dengan fungsi:

adalah himpunan fuzzy. Jadi, masing-

𝑂4,𝑖 = 𝑤 ̅𝑖 𝑓𝑖 = 𝑤 ̅𝑖 (𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 ) (14)

masing node pada layer 1 berfungsi

dimana 𝑤 ̅𝑖 adalah output pada layer 3

membangkitkan derajat keanggotaan.

dan {𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 } adalah himpunan

Lapisan 2: Lapisan Product

parameter pada fuzzy model Sugeno

Dinotasikan dengan π. Setiap node pada

layer

ini

berfungsi

untuk

menghitung kekuatan aktivasi (firing strength) pada setiap rule sebagai product dari semua input yang masuk atau

sebagai

(triangular

operator norm):

𝜇𝐴𝑖 (𝑥 )∆ 𝜇𝐵𝑖 (𝑦),

𝑖 = 1,2

t-norm

𝑂2,𝑖 = 𝑤𝑖 = (10)

orde pertama. Lapisan 5: Lapisan Total Output Satu node tunggal yang dilambangkan dengan Σ pada layer ini berfungsi mengagregasikan seluruh output pada layer 4 (penjumlahan dari semua sinyal yang masuk): 𝑂5,𝑖 = ∑𝑖 𝑤 ̅𝑖 𝑓𝑖 =

∑𝑖 𝑤𝑖 𝑓𝑖 ∑𝑖 𝑤𝑖

(15)



Sehingga secara keseluruhan, kelima

db dengan spesifikasi (impedansi 32

layer tersebut akan membangun suatu

ohm at 1 kHz sensitivitas 102db/mW),

adaptive-networks

secara

laptop, mikrokontroler arduino, relay,

fuzzy

lampu AC. Kabel USB dan komputer

fungsional

yang

ekivalen

dengan

model Sugeno orde pertama.

digunakan sebagai komunikasi data

3. Metodologi dan Perancangan Sistem Peralatan

yang

digunakan

pada

penelitian yaitu michrophone -54db+2

menggunakan

software

MATLAB

2012. Metode penelitian secara garis besar dapat dilihat :

Gambar 6. Skema umum kontrol robot arm menggunakan perintah suara Terdapat dua bagian proses dalam

komunikasi data secara serial antara

penelitian ini, proses pertama adalah

komputer

proses pembelajaran sistem yang

Arduino untuk menggerakan robot

didalamnya meliputi proses ekstraksi

arm dalam memindahkan barang

ciri menggunakan MFCC dan proses

menggnakan perintah suara manusia.

belajar

3.1. Perancangan Elektronik

menggunakan

ANFIS

dengan

mikrokontroler

sehingga terbentuk database berupa

Berikut ini adalah skema robot lengan

formulasi logika fuzzy. Proses kedua

yang

adalah proses pengujian sistem yang

penelitian. Robot arm ini terdiri dari

meliputi proses ekstraksi ciri MFCC,

lima komponen motor servo yang

proses pengklasifikasian data ANFIS,

terkoneksi

serta

implementasi

akan

digunakan

dengan

dalam

mikrokontroler

berupa 158 | Copyright © 2016, Wahana Fisika


Arduino

seperti

terlihat

pada

Gambar7.

Gambar 7 Skema robot lengan dengan 5 DoF dan realisasinya Susunan rangkaian robot terlihat seperti

terhubung pada pin 11 yang berfungsi

skema robot arm 5 DoF pada Gambar

seperti pergelangan tangan (bergerak

7, tiap servo harus diberi sumber

untuk

tegangan berupa baterai 5 volt dan

pergelangan/horizontal). Dan Servo 5

berarus 100 mA (sesuai datasheet tiap

terhubung pada pin 12, berfungsi

servo) agar dapat beroperasi dengan

sebagai pencapit atau jari tangan

baik. Ground tiap servo terkoneksi

sederhana

dengan ground pada mikrokontroler

memindahkan barang.

memutarkan

untuk

mengambil

dan

Arduino. Robot arm yang telah dibuat terdiri dari 5 bauh servo. Servo1 adalah

3.2 Perancangan Antarmuka

servo paling bawah yang terhubung

Antarmuka

dengan pin 8, berfungsi seperti leher

mempermudah penggunaan dari sistem

(berputar secara horizontal). Servo 2

yang dibuat. Pada penelitian ini telah

terhubung dengan pin 9 yang fungsinya

dibuat antarmuka menggunakan GUI

sama seperti tulang lengan bawah

MATLAB. Antarmuka yang dibuat

manusia

vertikal).

berisi setting komunikasi serial antara

Servo 3 terhubung pada pin 10, yang

mikrokontroler dan komputer, nilai

berfungsi seperti pergelangan tangan

koefisien ekstraksi ciri menggunakan

manusia (bergerak vertikal). Servo 4

metode MFCC, grafik time series

(bergrak

secara

diperlukan

untuk



sinyal suara, tombol record suara, serta

suara.

output ANFIS berupa pengenalan pola

Gambar 9. Rancangan antarmuka

seorang responden degan mengucapkan

4. Hasil dan Pembahasan 4.2 Pembuatan Database Ekstraksi

dua buah kata “ambil” dan “simpan”

Ciri Menggunakan MFCC

dengan

Telah dilakukan pembuatan database 6

pengulangan yang secara lengkap dapat

buah

dilihat pada tabel berikut:

ciri

/pola

sinyal

suara

masing-masing

10

kali

menggunakan metode MFCC terhadap Tabel 1. Hasil ekstraksi ciri MFCC dan target N

Ciri 1

Ciri 2

Ciri 3

Ciri 4

Ciri 5

Ciri 6

Targe

o 1

2

3

t 1.02576

0.43096

0.70954

-

-

-

4

8

3

1.16757

0.06185

0.16551

3.8107

1.84287

2.48224

0.71784

0.53090

-

7

2

6

0.22903

-

-

0.51325

0.43964

2.99013 1

4

5

1.32624

1.37000 7

-2.0106

1.00477

0.26855

0.43315

-

-

-

7

4

1

1.36025

0.33288

0.24274

3.64567

2.84625

2.53058

-

-

-

4

6

6

2.41073

0.95367

0.77988

1

1

1

1

1



11

12

13

14

15

3.26284

0.24001

0.26511

0.23590

1

6

2

9

4.70256

0.25053

7

9

5.07718

3.75179

7

0.06330

0.16143

0.24529

0.16729

0.06532

7

5

6

2.55767

-

-

2

1

3.76957

0.70939

2.31811

0.30361

0.57216

-

-

-

8

9

1

1.03665

0.00629

0.17874

0.27633

1.02744

2.55203

0.91949

8

-

-

1.39003

0.54355

0

2

0

-0.5631

0

0

-0.4275

0

Dari tabel di atas terlihat bahwa

Hasil pengujian pengenalan ucapan

kata”ambil” dan “simpan” memiliki

menunjukkan

pola ciri berbeda. Pola suara “ambil”

akurasi antara responden di dalam

akan di simbolkan dengan nilai target

database

sebesar

“1’ sedangkan pola suara “simpan”

responden

di

akan disimbolkan dengan nilai target

menghasilkan akurasi sebesar 78,53%.

”0”. Pola ini kemudian akan menjadi

Kesalahan-kesalahan pengenalan pola

input

suara

ANFIS

untuk

metode

yang

pembelajaran

kemudian

akan

dapat

aksen/intonasi

bahwa

total

tingkat

87,77% luar

database

dipengaruhi kata

(noise)

masukan dari

dan

oleh dan

menghasilkan database berupa logika

gangguan

lingkungan

Fuzzy.

mengingat waktu pengujian responden di dalam database dan responden di

4.3 Pengujian Sistem Pengenalan

luar database yang berbeda.

Pola Suara



Tabel 2. Hasil pengujian pengenalan ucapan responden di dalam database. Pengulangan

1

2

3

4

5

Kata

Output Pengenalan Database

Target

Output Pengenalan Luar Database

Ambil

1

1.05553

0.883592

Simpan

0

0.005402

0.188365

Ambil

1

0.904094

1.15296

Simpan

0

0.150967

0.0114219

Ambil

1

0.940149

1.23366

Simpan

0

0.16039

0.366108

Ambil

1

0.778915

1.51449

Simpan

0

0.210363

0.0297445

Ambil

1

1.24385

0.73461

Simpan

0

0.019448

-0.268652

saat

“simpan” direcord maka sistem akan

dilakukan pengujian terhadap kata”ambil”

mengenali dengan output sebesar 0.490851

dan “simpan”. Dari Gambar 11 terlihat,

yang

saat kata “ambil” direcord maka sistem

komputer akan mengirimkan data serial

akan mengenali dengan output 0.811674

berupa karakter “0” ke mikrokontroler

yang

sehingga

untuk menggerakan robot arm dalam posisi

komputer akan mengirimkan data serial

menyimpan benda. Sehingga secara umum

berupa karakter “1” ke mikrokontroler

alat berfungsi dengan baik 100% karena

untuk menggerakan robot arm dalam posisi

adanya pembulatan nilai pengenalan.

Berikut

adalah

mendekati

tampilan

nilai

“1’

GUI

mendekati

nilai

“0”

sehingga

mengambil benda. Sedangkan saat kata



(a)

(b)

Gambar 11. Tampilan GUI MATLAB kontrol robot arm menggunakan perintah suara

Dalam pengujian untuk mengontrol

5. Simpulan Berdasarkan hasil penelitian diatas

robot arm 5 DoF memindahkan barang,

dapat

pengujian

sistem dapat bekerja dengan baik 100%

gerak sistem menunjukan bahwa sistem

melalui pembulatan nilai output hasil

telah bekerja

pengenalan pola suara.

disimpulkan hasil

dengan baik sesuai

dengan perintah yang diberikan. Dari 6. Ucapan Terima Kasih hasil pengujian sistem pengenal ucapan

Penelitian ini didanai oleh DIPA-BLU

yang didapatkan penerapan metode

FST,

MFCC dan ANFIS memiliki tingkat

Bandung.

UIN

Sunan

Gunung

Djati

akurasi yang tinggi, yaitu 87,77% untuk responden yang terdapat dalam data latih (database) dan 78,53% untuk responden diluar data latih (database). 163 | Copyright © 2016, Wahana Fisika


6. Referensi

[1]

[2]

[3]

[4]

[5]

[6]

2010. [7] "Ekstrasi Ciri Suara Jantung menggunakan Metode Dekomposisi Thiang and S. Wijoyo, "Speech dan Korelasi Sinyal (Dekoriet) Recognition Using Linear Predictive Berbasis Jaringan Saraf Tiruan," Coding and Artificial Neural Jurnal Teori dan Aplikasi Fisika, vol. Network for Controlling Movement 3, no. 1, pp. 51-59, 2015. of Mobile Robot," International [8] Y.-m. Koo, G.-B. Kim, S.-C. Jang, Conference on Information and W.-S. Lee, H.-G. Kim and S.-H. Han, Electronics Engineering, vol. 6, pp. "A Study on Travelling Control of 179-183, 2011. Mobile Robot by Voice Commend," A. Rizal, L. Anggraeni and V. International Conference on Control, Suryani, "Pengenalan Suara ParuAutomation and Systems, vol. 15, pp. Paru Normal Menggunakan LPC dan 13-16, 2015. Jaringan Syaraf Tiruan Back- [9] A. Punchihewa and Z. M. Arshad, Propagation," Proceeding EECCIS, "Voice Command Interpretation for 2006. Robot Control," International B. Abinayaa, D. Arun, B. Darshini Conference on Automation, Robotics and C. Nataraj, "Voice Command and Applications, vol. 5, pp. 90-95, Based Computer Application," 2011. International Journal of Innovative [10] B. Kulji, S. János and S. Tibor, Research in Science, Engineering "Mobile robot controlled by voice," and Technology, vol. 4, no. 4, pp. 57International Symposium on 63, 2015. Intelligent Systems and Informatics, G. Chauhan and P. Chaudhari, vol. 5, pp. 189-192, 2007. "Robotic Control using Speech [11] M. Varalakshmi and N. N. Raju, Recognition and Android," "Design of Speech Controlled Pick International Journal of Engineering and Place Robot with Wireless Research and General Science, vol. Zigbee Technology," International 3, no. 1, 2015. Journal of Scientific Engineering and S. Tripathy, N. Baranwal and G. Technology Research, vol. 3, no. 20, Nandi, "A MFCC based Hindi pp. 4062-4066, 2014. Speech Recognition Technique using [12] K. S. Jadhav and S. M. Gaikwad, HTK Toolkit," IEEE Second "Writing Robotic Arm by Speech International Conference on Image Recognition," International Journal Information Processing, pp. 539-544, of Advanced Research in Electrical, 2013. Electronics and Instrumentation B. A. Q. Al-Qatab and R. N. Ainon, Engineering, vol. 4, no. 6, pp. 4983"Arabic Speech Recognition Using 4990, 2015. Hidden Markov Model [13] W. S. M. Sanjaya and Z. Salleh, Toolkit(HTK)," IEEE, pp. 557-562, "Implementasi Pengenalan Pola 164 | Copyright © 2016, Wahana Fisika


Suara Menggunakan Mel_Frequency Journal of Applied Control, Cepstrum Coefficients (MFCC) dan Electrical and Electronics Adaptive Neuro-Fuzzy Inferense Engineering (IJACEEE), vol. 2, no. System (ANFIS) sebagai Kontrol 4, pp. 13-22, 2014. Lampu Otomatis," Al-Hazen Journal [18] N. Srivastava, "Speech Recognition of Physics, vol. 1, no. 1, pp. 44-54, using Artificial Neural Network," 2014. International Journal of Engineering [14] D. Rudrapal, S. . D. Smita Das and Science and Innovative Technology, N. D. N. Kar, "Voice Recognition vol. 3, no. 3, pp. 406-412, 2014. and Authentication as a Proficient [19] I. M. M. El-emary, M. Fezari and Biometric Tool and its Application in Hamz, "Hidden Markov Online Exam for P.H People," model/Gaussian mixture International Journal of Computer models(HMM/GMM) based voice Applications, vol. 39, no. 12, pp. 6command system: A way to improve 12, 2012. the control of remotely operated [15] Srishti, P. Jain, Shalu and S. Singh, robot arm TR45," Scientific Research "Design and Development of Smart and Essays, vol. 6, no. 2, pp. 341Wheelchair using Voice Recognition 350, 2011. and Head Gesture Control System," [20] R. Jang, C.-T. Sun and E. Mizutani, International Journal of Advanced Neuro-Fuzzy and Soft Computing, Research in Electrical, Electronics Prentice-Hall, Inc., 1997. and Instrumentation Engineering, vol. 4, no. 5, pp. 4790-4798, 2015. [16] C.-Y. Liu, T.-H. Hung, K.-C. Cheng and T.-H. S. Li, "HMM and BPNN based Speech Recognition System for Home Service Robot," International Conference on Advanced Robotics and Intelligent Systems, 2013. [17] N. Rai and B. Rai, "An ANN Based Mobile Robot Control Through Voice Command Recognition Using Nepali Language," International


Wahana Fisika, 1(2), 2016

Recommend Documents