BUKU MANUAL

Alat Otomatisasi Pendeteksi Kebisingan Suara

Pada Perpustakaan Berbasis Internet Of Things

Oleh :
Dhiya Alfiyyah Ansar S.Kom., M.Kom
 DAFTAR ISI

Bab 1 : Pendahuluan .........................................................................................................................................3

1.1 Latar Belakang ......................................................................................................................................3
1.2 Informasi Produk ..................................................................................................................................3
1.3 Tujuan Pembuatan ...............................................................................................................................4
Bab 2 : Spesifikasi Alat ..........................................................................................................................................5
2.1 Daftar alat dan bahan ...........................................................................................................................5
2.1 Block Diagram .......................................................................................................................................7
2.2 Skematik Alat ........................................................................................................................................7
Bab 3 : Pembahasan dan Cara Penggunaan .........................................................................................................9
3.1 Tata cara penggunaan alat .............................................................................................................................9
 Bab 1 : Pendahuluan

1.1 Latar Belakang

Perpustakaan merupakan insfrastruktur sosial yang tidak dapat dipisahkan dari

masyarakat. Hal ini menjadikan Perpustakaan sebagai salah satu sumber layanan

informasi yang dapat menyatukan budaya membaca masyarakat[1]. Perpustakaan sebagai

salah satu sumber pencari informasi dan pembelajaran haruslah memiliki fasilitas yang

nyaman dan terhindar dari kebisingan.

Seiring perkembangan teknologi banyaknya kemudahan untuk mendapatkan

informasi yang bisa diakses melalui internet, telah banyak individu dan organisasi yang

memanfaatkannya termasuk adalah perpustakaan. Sebagai salah satu teknologi yang telah

berkembang ialah alat pendeteksi kebisingan suara .

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

media kontrol kenyamanan dalam ruang perpustakaan.

1.2 Informasi Produk

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

membutuhkan pendeteksian bukan hanya suara melainkan percakapan seperti home

automation(dimana user dapat mengontrol nyala lampu, kunci pintu, televisi, atau

perangkat lainnya) atau sebagai modul pelengkap sensor pendengaran pada robot.

Arduino nano 33 BLE sense ini merupakan suatu teknik yang memungkinkan sistem

komputer untuk menerima input berupa kata yang diucapkan.

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

ditampilkan pada aplikasi monitoring.

1.3 Tujuan Pembuatan

Tujuan pembuatan alat otomatisasi deteksi suara kebisingan perpustakaan ini

adalah untuk mengukur tingkat kebisingan yang ada di dalam perpustakaan serta

membantu mengontrol kenyamanan dari ruangan perpustakaan secara otomatis dengan

menggunakan aplikasi monitoring.

 Bab 2 : Spesifikasi Alat

2.1 Daftar alat dan bahan

No. Nama Gambar

1. Laptop: 1 buah

2. Arduino Nano BLE

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

2.2 Skematik Alat

 2.3 Tampilan Aplikasi Monitoring

Pada aplikasi monitoring diatas terdapat speedtest desibel yang berguna

untuk menampilkan berapa nilai dB(decibel) yang dideteksi. Pada bagian bawah
speedtest db terdapat ikon suara yang akan menunjukkan suara apa yang terdeteksi
pada alat. Kemudian ada ikon (i) yang berarti informasi mengenai nilai dalam suatu
suara. Ikon timer yang menampilkan waktu dari suara. Tombol hijau yang bisa
diubah menjadi aktif/tidak-aktif untuk mematikan atau menyalakan suara yang
keluar dari buzzer.
 Bab 3 : Pembahasan dan Cara
Penggunaan

3.1 Tata cara penggunaan alat

1. Persiapan Data

File rekaman suara masing-masing berdurasi 1 detik hingga 5 detik dengan

format .WAV dan mempunyai frekuensi suara 16000 Hz. Data tersebut juga dapat di

tambahkan dengan mengunggah file dengan ketentuan mengganti nama sesuai

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

dan pemotongan file dapat dilihat pada gambar 3.1.

 Gambar 3.1. Dataset dan Hasil rekaman file suara

2. Membuat Impuls

Setelah mengumpulkan dataset untuk penelitian ini, ditahap ini kita membuat

impulse untuk memproses data mentah / raw data menggunakan pemrosesan sinyal

untuk mengekstrak feature, kemudian menggunakan learning block untuk

mengklasifikasikan data baru. Pengertian Impulse adalah pembelajaran mesin yang

digunakan pada perangkat edge.

Gambar 3.2. Membuat impulse untuk klasifikasi suara

 Pada gambar 3.2 diatas di tampilkan bahwa dalam page tersebut yang perlu

dilakukan adalah mengisi inputan time series data yang terdiri window size dan

window increase. Setelah itu menambahkan processing blok dengan memilih

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.

Kemudian save impulse yang telah dibuat.

3. Processing Blocks (MFE)

Tahap selanjutnya yang dilakukan adalah processing blocks (MFE), MFE

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

audio jenis non-voice recognition.

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

parameters yang telah diatur.

 Gambar 3.3. Parameters Input Mel-filterbank energy features.

Setelah melakukan pengaturan dalam konfigurasi parameters seperti gambar 4.1.3

diatas kemudian pilih generate features seperti yang ditampilkan pada gambar 4.1.4

Gambar 3.4 Hasil Generate Feature dari Audio MFE

4. Mengatur Klasifikasi data

Dalam tahap ini, dibuatkan konfigurasi model dan proses pelatihan yang akan

digunakan sehingga nantinya kita dapa mendapatkan gambaran umum tentang

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.

Gambar 3.5 listing Neural Network Arsitektur

Gambar 3.6 Neural Network Settings

 Gambar 3.7 Neural Network Architectures

Setelah melakukan proses training, hasil yang akan muncul adalah gambaran

umum tentang kinerja model pelatihan yang dapat membantu mengevaluasi data

training, sehingga dapat membantu dalam menentukan apakah model tersebut

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

pun dengan cara melakukan deployment. Deployment adalah kegiatan yang

bertujuan untuk menerapkan aplikasi yang telah dikerjakan pada programmer. Model

yang akan diterapkan adalah pada Arduino Nano 33 Ble Sense. Kita akan

melakukan deployment dengan custom library Arduino.

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

menggunakn tombol on/off.

7. Hasil yang tampil pada lcd

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.

Gambar 3.8 Alat ketika tidak terdengar suara

Gambar 3.9 Alat ketika terdengar suara bicara lebih dari 10 detik

10.
11.
12.
13.

Gambar 4.0 Alat ketika terdengar suara kursi

14.

15.

16.

17.

Gambar 4.1 Alat ketika terdengar suara Hujan

 Ketika alat mendeteksi yang mucul pada layar LCD adalah label dari suara

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

terdengar oleh alat tersebut adalah suara hujan.

9. Mengontrol dengan aplikasi monitoring

Aplikasi monitoring dibuat untuk membantu penjaga perpustakaan dalam

menangani dan memonitoring ruangan perpustakaan. Pada aplikasi monitoring ini

penjaga perpustakaan bisa melihat tingkat desible suara yang dihasilkan dalam

ruangan, dapat melihat suara apa yang terdeteksi, durasi dari suara, hingga

menyalakan dan mematikan peringatan suara.

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

dikirim tersebut yang akan muncul ke monitoring aplikasi.

 Gambar 4.2 Tampilan aplikasi monitoring

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

frekuensi suara sebelum perekaman suara tersebut dilakukan.