Oleh :
Dhiya Alfiyyah Ansar S.Kom., M.Kom
DAFTAR ISI
masyarakat. Hal ini menjadikan Perpustakaan sebagai salah satu sumber layanan
salah satu sumber pencari informasi dan pembelajaran haruslah memiliki fasilitas yang
informasi yang bisa diakses melalui internet, telah banyak individu dan organisasi yang
memanfaatkannya termasuk adalah perpustakaan. Sebagai salah satu teknologi yang telah
Berangkat dari hal itu penulis ingin membuat sebuah rancangan alat pendeteksi
kebisingan suara yang ada di dalam perpustakaan berbasis IoT. Alat ini akan mendeteksi
tingkat kebisingan suara dengan standar perpustakaan berkisar 45-55 dB[4] Dimana
dengan alat dan sistem deteksi kebisingan tersebut diharapkan dapat dijadikan sebagai
Arduino nano 33 BLE sense atau pengenal ucapan / suara adalah suatu sistem yang
dapat mengidentifikasi seseorang melalui suaranya. Modul pengenal suara atau Arduino
nano 33 BLE senseini dapat digunakan pada banyak aplikasi pengontrolan yang
perangkat lainnya) atau sebagai modul pelengkap sensor pendengaran pada robot.
Arduino nano 33 BLE sense ini merupakan suatu teknik yang memungkinkan sistem
Tahapan sederhana alat pendeteksi kebisingan suara pada perpustakaan, pada saat
alat diaktifkan maka alat melakukan proses inisialisasi input/output yang akan digunakan,
kemudian arduino nano 33 BLE sense akan dalam keadaan stand by dan mendeteksi
suara disekitarnya. Ketika alat menerima suara keras atau bunyi dengan volume tinggi
maka arduino nano 33 BLE sense juga akan menghasilkan sebuah peringatan berupa
suara rekaman peringatan dan tampilan peringatan berupa teks di LCD serta mengirimkan
data dari arduino nano 33 BLE sense melalui WIFI module ESP8266 yang akan
adalah untuk mengukur tingkat kebisingan yang ada di dalam perpustakaan serta
1. Laptop: 1 buah
sense : 1 buah
3. Modul ESP 32
4. I2C
5. LCD Display 16 x 2
6. Jumper
7. Buzzer
8. Deteksi suara
2.1 Block Diagram
1. Persiapan Data
format .WAV dan mempunyai frekuensi suara 16000 Hz. Data tersebut juga dapat di
label yang telah ditentukan, misalnya “bicara.01, bicara.02, dll”, file sudah dalam
keadaan format .WAV dan berfrekuensi 16000Hz sehingga data suara rekaman dan
file yang diunggah mempunyai format yang sama dan mudah untuk diklasifikasi
pada Aplikasi Edge Impulse. Data suara hasil rekaman yang telah diperoleh
kemudian diunggah lalu dapat dibagi kedalam training dan testing. Data training
merupakan data yang digunakan untuk pelatihan model yang akan digunakan,
sedangkan data testing merupakan data yang digunakan untuk menguji akurasi
model setelah dilakukannya pelatihan. Pada pemisahan data training maupun data
testing direkomendasikan dengan rasio 80/20 untuk setiap label dalam dataset.
Berikut contoh dari data suara yang telah dilakukan perekaman, pelabelan
2. Membuat Impuls
Setelah mengumpulkan dataset untuk penelitian ini, ditahap ini kita membuat
impulse untuk memproses data mentah / raw data menggunakan pemrosesan sinyal
dilakukan adalah mengisi inputan time series data yang terdiri window size dan
metode yang sesuai dengan jenis data yang digunakan, dalam kasus ini metode
yang digunakan audio MFE (Mel-Filterbank energy). Setelah itu mengisi bagian
klasifikasi dengan memilih metode klafikasi yang digunakan yaitu Neural Network
Classification. Metode CNN digunakan untuk mempelajari pola dari dataset yang di
input dan menerapkannya pada data yang baru sehingga dapat memudahkan dalam
mengenali audio atau file suara saat melakukan pelatihan dan pengujian data.
adalah salah satu metode yang banyak digunakan dalam mengenali suara. Audio
MFE mengekstrak feature waktu dan frekuensi dari sebuah sinyal. Audio MFE ini
menggunakan skala non-linier dalam domain frekuensi yang disebut Mel-scale yang
dapat digunakan untuk melakukan klasifikasi pada data audio dan juga merupakan
Dalam tahap ini, dilakukan penginputan parameter yang terdiri dari beberapa
bagian yaitu frame length, frame stride, filter number, FFT length, low frequency,
high frequency, dan noise floor untuk normalisasi data suara kemudian simpan
diatas kemudian pilih generate features seperti yang ditampilkan pada gambar 4.1.4
Dalam tahap ini, dibuatkan konfigurasi model dan proses pelatihan yang akan
performa model yang kita sudah tentukan sebelumnya. Pada learning blocks
Clasiffication terdapat dua konfigurasi yaitu Neural Network Setting dan Neural
Network Architecture seperti yang ditunjukkan pada gambar 4.4 dan gambar 4.5
dibawah ini.
Setelah melakukan proses training, hasil yang akan muncul adalah gambaran
umum tentang kinerja model pelatihan yang dapat membantu mengevaluasi data
mampu memenuhi kebutuhan dan apakah perlu dilakukan pengujian data kembali
atau perlu perbaikan dataset kembali. Dari proses tersebut, kita dapat melihat
performa dari model pelatihan dan menunjukkan nilai accuracy dan loss dari
validation set.
5. Melakukan Deployment
Setelah melatih dan memvalidasi model, kini dapat diterapkan ke perangkat apa
bertujuan untuk menerapkan aplikasi yang telah dikerjakan pada programmer. Model
yang akan diterapkan adalah pada Arduino Nano 33 Ble Sense. Kita akan
6. Kemudian nyalakan alat arduino nano BLE sense dan modul ESP 32.
Nyalakan arduino nano BLE sense dengan menekan satu kali tombol power
on/off pada arduino nano BLE sense , begitu juga dengan modul ESP 32 nyalakan
Pada gambar dibawah ini terdapat alat deteksi suara pengunjung perpustakaan
yang alatnya meliputi: papan board, jumper, arduino nano ble sense 33, esp 32,
resistor, sensor suara LM393, LCD, dan kabel data. Berikut merupakan hasil yang
tampil di LCD ketika tidak terdengar suara yang ditunjukkan pada gambar 3.7
dibawah ini.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
tesebut dan durasi dari suara dengan satuan perdetik. Pada gambar 3.8 dapat dilihat
bahwa yang muncul adalah suara senyap dengan durasi 2 detik maka suara yang
terdengar merupakan senyap atau tidak ada suara. Kemudian pada gambar 3.9
terdapat gambar yang memiliki keterangan bicara dengan durasi waktu 12 detik,
maka ketika suara bicara yang terdeteksi lebih dari 10 detik akan melakukan
perintah dengan teks “Harap Diam” pada layar LCD. Pada gambar 4.0 dapat dilihat
bahwa yang muncul adalah suara kursi dengan durasi waktu 3 detik maka suara
yang terdengar merupakan suara kursi. Kemudian pada gambar 4.1 terdapat
gambar yang memiliki keterangan hujan dengan durasi waktu 13 detik, maka yang di
penjaga perpustakaan bisa melihat tingkat desible suara yang dihasilkan dalam
ruangan, dapat melihat suara apa yang terdeteksi, durasi dari suara, hingga
Data-data suara tersebut diperoleh dari arduino nano ble sense yang
menampung data suara kemudian dikirim ke esp 32 yang terhubung wifi internet
dan data yang telah diterima esp32 dikirim ke database (firebase), data yang telah
Yang akan terdeteksi ribut ketika suara tertinggi bicara yang valuenya melebihi dari 0.6
dan durasi dari suara bicara lebih dari 10 detik maka akan menampilkan peringatan “Harap
Diam”, juga mengeluarkan peringatan berupa suara melalui buzzer. Peringatan suara
tersebut dapat di monitoring untuk nyala dan matinya buzzer di aplikasi. Sehingga ketika
penjaga perpustakaan ingin mematikan suara buzzer bisa dengan klik button turn off
speaker sebaliknya jika buzzer ingin tetap dinyalakan maka klik button turn on speaker.
ketika alat membaca suara yang data trainingnya diperoleh dari sumber lain, misalnya dari
mobile phone dari laptop hasilnya tidak terlalu akurat, dengan mengubah tipe file suara
menjadi .WAV, dan mengubah frekuensi file suara menjadi 16.000 Hz. Hasil yang
didapatkan saat suara kursi dibunyikan suara hujan yang akan terdengar, begitu juga
dengan saat kondisi diam suara yang terdengar oleh alat adalah suara kursi. Sedangkan
ketika alat membaca suara yang data trainingnya langsung diperoleh dari rekaman arduino
nano ble sense 33 hasilnya cukup akurat, karena tipe file suara yang terekam akan secara
otomatis tersimpan sebagai file .WAV, sehingga yang perlu dilakukan hanya mengatur