PENGENLAN WICARA UNTUK PERINTAH GERAK ROBOT HUMANOID

Transkripsi

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%. 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 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 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 prinsipprinsip 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]. 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] Gambar 2.3 Konfigurasi pin Gyroscope Konfigurasi pin axis X dan pin axis Y: 1. ADC : put kecepatan sudut yang diubah menjadi sinyal analog untuk axis X. 2. GND 3. VCC ( 5V ) 4. VCC ( 5V ) 5. GND 6. ADC : put 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, 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 2

3 permanen pada frekuensi dapat terjadi. Variasi frekuensi pitch dapat dilihat seperti pada Gambar 2.6. 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. 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. 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: Umpan maju (feed forward)[7] 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: 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 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. 5. Dihitung pula error pada input pertama 3

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. 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. Servo 1 Servo 2 Servo 3 Servo 4 Servo 5 Servo 6 Servo 7 Servo MICRO SLAVE TIMER 1 & TIMER 3 Servo 10 Servo 11 Gambar 3. 2 Blok diagram elektronik bagian slave USART RX Servo 9 Servo 12 Servo 13 Servo 14 Servo 15 Servo 16 Serial dengan micro master Servo 1 1 MICRO MASTER 9 Servo 9 Servo 2 2 TIMER 1 & TIMER 3 10 Servo 10 Servo Servo 11 Servo Servo 12 Servo Servo 13 Servo Servo 14 Servo Servo 15 Servo Servo 16 Gyro Serial dengan micro slave USART TX ADC channel 1 USART RX Serial dengan komputer 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 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 4

5 dengan frekuensi sampling sebesar 10kHz didapatkan data. Dari data sebanyak 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 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. 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 backpropagation. 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 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. 5

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 data. Dari data sebanyak 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 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 Pola Uji Target Setelah Voice Keberhasilan detection Maju Sukses Uji 2 Maju Maju Sukses Uji 3 Maju Sukses 1 Uji 4 Maju Sukses Uji 5 Maju Sukses Kanan Sukses Uji 2 Kanan Kanan Sukses 2 Uji 3 Kanan Sukses Uji 4 Kanan Sukses Uji 5 Kanan Sukses Kiri Sukses Uji 2 Kiri Kiri Sukses 3 Uji 3 Kiri Sukses Uji 4 Kiri a Sukses Uji 5 Kiri Sukses - Gagal Uji 2 Stop Stop Sukses 4 Uji 3 Stop Sukses Uji 4 Stop Sukses Uji 5 Stop Sukses Hand Sukses Uji 2 Hand Sukses Hand 5 Uji 3 Hand Sukses Uji 4 Hand Sukses Uji 5 Hand Sukses 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 6

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 Kanan Kiri Stop Hand Kosong 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 adalah 0, Gambar 4. 4 Tampilan proses learning pada iterasi ke 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-rata sebesar 40%, kiri mempunyai error ratarata 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 memiliki error rata-rata 26,67%. Tabel 4. 3 Perbandingan hasil kesesuaian hasil Pola Uji Hasil Target ke- identifikasi Keberhasilan Maju Sukses Maju Uji 2 Maju Sukses Uji 3 Maju Sukses Uji 4 Kanan Gagal Uji 5 Maju Sukses Kiri Gagal Kanan Uji 2 Kanan Sukses Uji 3 Kanan Sukses Uji 4 Maju Gagal Uji 5 Kanan Sukses Kanan Gagal Kiri Uji 2 Kiri Sukses Uji 3 Kiri Sukses Uji 4 Maju Gagal Uji 5 Kiri Sukses Kiri Gagal Stop Uji 2 Stop Sukses Uji 3 Stop Sukses Uji 4 Stop Sukses Uji 5 Stop Sukses Hand Sukses Uji 2 Hand Hand Sukses Uji Stop Gagal Uji 4 Hand Sukses Uji 5 Hand Sukses Kosong Sukses Uji 2 Kosong Kosong Sukses Uji Kosong Sukses Uji 4 (lainnya) Stop Gagal Uji 5 Kosong Sukses 7

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 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 ratarata sebesar 20%. Dari percobaaan tersebut didapatkan bahwa voice detection ini memiliki error rata-rata 26,67% dan keberhasilan 73,33%. [6]Yunus Wicaksono Sugiarso, 2010, Pengembangan Sistem Komunikasi Antar Pemakai Helm, Institut Teknologi Sepuluh Nopember, Surabaya. [7], 2010, Feedforward neural network, <URL: work> [8], 2010, Backpropagation, <URL: 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 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: > [2], 2010, Introduction of Electret Condenser Microphone, <URL: introduction of microphone> [3], 2009, Condenser Mirophone Signal, <URL: erphysics/hbase/audio/ecm>. [4] Robby C, 2006, Gyro Sensor <URL: [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. 8