Infotekmesin Vol.
No.
Juli 2024 p-ISSN: 2087-1627, e-ISSN: 2685-9858 DOI: 10.
35970/infotekmesin.
2304, pp.
Alat Deteksi Suara Gergaji Mesin Sebagai Indikasi Awal Terjadinya Penebangan Menggunakan Metode Convolutional Neural Network Ana Surya Ningrum1.
Adianto2.
Rini Indarti3.
Edy Setiawan4.
Afif Zuhri Arfianto5.
Zindhu Maulana Ahmad Putra6 1,2,4,5Program Studi Teknik Otomasi.
Politeknik Perkapalan Negeri Surabaya 3,6Program Studi Teknik Kelistrikan Kapal.
Politeknik Perkapalan Negeri Surabaya 1,2,3,4,5,6Jln.
Teknik Kimia.
Kampus ITS.
Keputih Sukolilo.
Surabaya 60111 E-mail: anasurya@student.
id1, adianto@ppns.
id2, riniindarti@ppns.
id3 , edy_setiawan@ppns.
afif@ppns.
id, zindhu@ppns.
Abstrak Info Naskah:
Naskah masuk: 14 Mei 2024 Direvisi: 25 Juni 2024 Diterima: 11 Juli 2024 Kasus penebangan liar di Indonesia bukanlah masalah kecil, penebangan liar mengakibatkan kerusakan sumber daya hutan dalam hal jumlah, kualitas, dan Sudah banyak upaya yang telah ditempuh oleh pemerintah Indonesia, namun hal tersebut belum efektif dalam menangani permasalahan ini, karena keterbatasan pengawasan.
Dari masalah tersebut, dirancang sistem pendeteksi suara gergaji mesin sebagai indikasi awal terjadinya aktivitas penebangan.
Sistem ini dilengkapi dengan empat sensor suara MAX4466 dengan menggunakan metode Convolutional Neural Network.
Pada sistem ini juga menggunakan pengolahan data sehingga suara gergaji mesin dapat dikenali oleh sistem secara spesifik dan dapat berkomunikasi jarak jauh dengan penggunaan LoRa RFM95.
Dengan demikian, sistem dapat mengidentifikasi suara gergaji mesin dengan jarak maksimum 50 m, akurasi keberhasil model CNN yang dibuat mencapai 97,5%, dan dapat diintegrasikan dengan WhatsApp secara realtime.
Abstract Keywords:
convolutional neural network.
data processing.
LoRa RFM95.
MAX4466 sound sensor.
sound classification.
Illegal logging in Indonesia is no small problem, with illegal logging causing damage to forest resources in terms of quantity, quality and ecosystem.
Many efforts have been taken by the Indonesian government, but it has not been effective in dealing with this problem, due to limited supervision.
From this problem, a chainsaw sound detection system was designed as an early indication of logging activity.
This system is equipped with four MAX4466 sound sensors using the Convolutional Neural Network method.
This system also uses data processing so that the chainsaw sound can be recognized by the system specifically and can communicate remotely with the use of LoRa RFM95.
Thus, the system can identify the sound of the chainsaw with a maximum distance of 50 m, the success accuracy of the CNN model created reaches 97.
5%, and can be integrated with WhatsApp in realtime.
*Penulis korespondensi:
Ana Surya Ningrum E-mail: anasurya@student.
p-ISSN: 2087-1627, e-ISSN: 2685-9858 Pendahuluan Negara Indonesia merupakan salah satu negara yang memiliki luas hutan terbesar di dunia, berdasarkan dari Data Kementrian Lingkungan Hidup dan Kehutanan (KLHK) hutan di Indonesia meliputi daratan seluas 125,76 hektar atau setara dengan 62,97% dari total luas daratan Indonesia.
Sehingga tidak heran Indonesia memiliki julukan sebagai paru Ae paru dunia karena Indonesia merupakan salah satu negara dengan pemasok oksigen terbesar di dunia.
Tidak hanya sebagai pemasok oksigen, terdapat banyak sekali manfaat hutan diantaranya hutan dapat berperan dalam pengendalian air, sebagai sumber kehidupan bagi ekosistem lain, menahan tanah longsor dan mencegah terjadinya erosi, serta sebagai kawasan resapan air dan penyedia sumber daya air.
Namun, saat ini luas hutan di Indonesia mulai terkikis karena adanya eksploitasi besar Aebesaran oleh manusia mulai dari pembangunan infrastruktur negara yang melibatkan lahan hutan hingga penebangan dalam skala besar untuk dijadikan kayu.
Pada kasus ini, akan difokuskan pada permasalahan penebangan yang terjadi di Indonesia.
Kasus penebangan liar atau illegal logging bukan sebuah permasalahan baru di Indonesia, bahkan sudah sejak zaman orde lama kasus penebangan liar di Indonesia mulai marak.
Dan sudah berbagai cara yang ditempuh oleh pemerintah Indonesia untuk menanggulangi permasalahan tersebut, salah satunya membuatkan undang Ae undang mengenai pelestarian lingkungan hidup dan hukuman bagi pelaku illegal logging.
Berdasarkan Pasal 1 Undang-Undang No.
41/1999, hutan lindung didefinisikan sebagai kawasan hutan yang memiliki tujuan utama untuk melindungi sistem penyangga kehidupan dengan mengatur tata air, mencegah banjir, mengontrol erosi, mencegah intrusi laut, dan menjaga kesuburan tanah .
Dampak yang disebabkan oleh penebangan yang terjadi secara terus menerus dalam jangka panjang tidak hanya akan dirasakan oleh masyarakat saja, namun dapat membawa dampak yang buruk secara global.
Perubahan iklim ekstrim global dapat terjadi akibat dari deforestasi yang dilakukan, mengingat Indonesia merupakan salah satu paru Ae paru dunia.
Ekosistem didalamnya akan rusak, flora dan fauna langka dapat punah karena kegiatan deforestasi yang dilakukan oleh oknum yang tidak bertanggungjawab.
Berdasarkan dari permasalahan diatas, perlu adanya inovasi teknologi yang dapat membantu proses pemantauan wilayah hutan dari aktivitas penebangan.
Salah satunya menggunakan sensor suara untuk mendeteksi tingkat kebisingan atau amplitudo dan frekuensi dari suara yang dihasilkan gergaji mesin.
Peneliti telah menggunakan sensor suara untuk mengidentifikasi aktivitas penebangan .
Penelitian yang dihasilkan oleh peneliti .
dapat mengidentifikasi suara gergaji mesin, namun dalam penelitian tidak dijelaskan metode yang diterapkan pada sistem dan sensor mendeteksi amplitudo suara bukan frekuensi suara.
Peneliti .
dengan menggunakan sensor suara FC-04, yang memiliki sensitifitas yang rendah, dapat mengidentifikasi suara gergaji mesin.
Selain itu, sistem hanya dapat bekerja di area yang memiliki jaringan internet, sehingga data dapat dikirim ke website pemantauan.
Penelitian ini melakukan pengembangan dari alat pendeteksi suara gergaji mesin menggunakan sensor MAX4466 dan dihubungkan oleh ESP32 DevkitV1.
Sistem ini terdiri dari dua rangkaian yaitu rangkaian Node dan rangkaian gateway.
Rangkaian Node berfungsi sebagai pendeteksi suara dan selanjutnya data tersebut akan dikirimkan pada rangkaian gateway melalui LoRa.
Pada gateway, data tersebut diterima oleh mikrokontroler berupa ESP32 DEVKIT V1 dan selanjutnya akan ditransfer menuju laptop atau PC, data selanjutnya akan diolah pada PC.
Metode yang digunakan dalam penelitian ini yaitu CNN (Convolutional Neural Networ.
Metode CNN digunakan untuk mengklasifikasi suara berdasarkan kelasnya sehingga dapat diputuskan bahwa suara yang terdeteksi merupakan suara gergaji mesin.
CNN memiliki kemampuan mengklasifikasi kelas suara dengan tingkat akurasi yang tinggi.
Output sistem ini berupa peringatan chat bot WhatsApp yang telah dikoneksikan dengan rangkaian Gateway.
Metode Metode penelitian yang dilakukan berfokus pada tujuan, desain penelitian, objek penelitian, pengumpulan data, implementasi sistem, dan analisis data.
1 Alur Kerja Sistem Sistem ini dirancang untuk melakukan deteksi suara gergaji mesin sebagai indikasi awal dari terjadinya kegiatan Sistem ini diintegrasikan dengan berbagai komponen seperti sensor suara, mikrokotroller ESP32, database, dan aplikasi kontrol.
Gambar 1.
Alur Kerja Sistem p-ISSN: 2087-1627, e-ISSN: 2685-9858 Alur kerja sistem dimulai dari pengambilan data dari sensor suara.
Jika terdapat kendala dalam pembacaan data sensor, sistem akan memberikan indikasi untuk memeriksa koneksi pada sensor.
Apabila data sensor dapat terbaca oleh ESP32, langkah selanjutnya yaitu data akan dikirimkan menggunakan lora menuju lora yang berada pada rangkaian lora di rangkaian gateway.
Pada rangkaian gateway pengolahan data diterima oleh ESP32 kemudian pengolahan data dilakukan oleh PC/laptop menggunakan metode MFCC (Mel Frequency Cepstral Coefficien.
untuk mengekstraksi suara sehingga menghasilkan matriks suara dengan bentuk matriks satu dimensi yang kemudian akan diolah dan diklasifikasi menggunakan metode CNN (Convolutional Neural Networ.
Gambar 1 merupakan flowchart dari alur kerja sistem pendeteksi suara gergaji 2 Sistem Pengolahan Data Alur sistem pengolahan data dimulai dari input suara yang ditangkap oleh sensor.
Data yang ditangkap oleh sensor merupakan data sinyal analog yang kemudian dikonversi menjadi data sinyal digital agar dapat diolah pada PC, kemudian dilanjutkan dengan proses pra pengolahan, ektraksi suara menggunakan metode MFCC, dan klasifikasi suara menggunakan CNN.
Diagram blok alur pengolahan data audio dapat diamati pada gambar 2 Dengan ycu E .
adalah sinyal hasil normalisasi dari sinyal x.
Filtering Tahapan filtering suara atau pre-emphasis merupakan suatu proses dimana sinyal suara atau audio yang diolah melalui proses penyaringan dan penguatan magnitude dari sinyal suara sehingga mendapatkan nilai magnitude suara yang stabil.
Persamaan pre-emphasis ditunjukkan pada persamaan .
= yc.
Oe yca.
cu Oe .
, 0.
9 O yca O 1 Dimana:
= nilai sampel ke Ae n = konstanta pre-emphasis, 0.
9 O yca O 1.
2 Ekstraksi Suara Ekstraksi suara merupakan proses ekstraksi ciri dari sinyal audio yang nantinya akan menghasilkan nilai matriks audio satu dimensi.
Hasil dari ekstraksi ciri ini akan diolah pada CNN untuk diklasifikasi.
Tahapan Ae tahapan dari proses ekstraksi suara digambarkan pada gambar 4.
Gambar 2.
Diagram Blok Pengolahan Data 1 Pra Pengolahan Pra pengolahan merupakan tahapan pertama yang bertujuan untuk memperkuat sinyal yang ditangkap oleh sensor dan mempertahankan karakteristik sinyal suara dari gergaji mesin.
Terdapat dua tahapan pada proses pra pengolahan ini, dua proses tersebut adalah normalisasi dan Gambar 3 adalah gambaran dari proses pra Gambar 3.
Proses Pra Pengolahan Suara .
Normalisasi Normalisasi merupakan tahapan awal dalam subsistem pra pengolahan, terdapat proses normalisasi sinyal, dengan variasi nilai amplitudo sinyal yang dibatasi dalam rentang tertentu.
Sinyal suara gergaji mesin yang terdapat pada dataset yang telah disiapkan sebelumnya.
Persamaan normalisasi suara dapat didefinisikan pada persamaan .
ycuE .
= ycu.
/ycoycaycu(.
|) Gambar 4.
Proses Ekstraksi Suara .
Frame Blocking Setelah sinyal melalui proses pre-emphasis untuk menguatkan nilai amplitudo pada sinyal audio, tahap selanjutnya adalah frame blocking.
Proses membagi sinyal suara menjadi beberapa frame dikenal sebagai frame blocking atau bingkai, yang masing-masing memuat N sampel sinyal dan dipisahkan dari satu sama lain sejauh M .
Windowing Windowing .
adalah proses pembobotan terhadap setiap jendela atau frame yang telah dibentuk dalam proses framing.
Proses windowing ini berfungsi untuk mengurangi atau mengeliminasi sinyal diskontinyu yang berada pada ujung awal dan ujung akhir setiap frame sinyal audio, sehingga hasil gelombang menjadi lebih halus dan noise semakin berkurang.
Fungsi windowing telah dijabarkan di bawah ini:
, 0 O ycu O ycA Ae 1, dimana N adalah jumlah sampel dari setiap frame, maka hasil dari windowing adalah sinyal:
= ycu1.
, 0OycuOycAAe 1 p-ISSN: 2087-1627, e-ISSN: 2685-9858 Pada penelitian ini proses windowing menggunakan hamming window sehingga persamaan windowing yc .
= 0.
54 Oe 0.
ycaycuyc ( 0OycuOycAAe 1 Dimana:
= ukuran frame X1.
= nilai sampel frame sinyal 1 = fungsi windowing y1.
= nilai sampel sinyal .
2yuUycu ycA Oe 1 FFT (Fast Fourier Transfor.
FFT (Fast Fourier Transfor.
merupakan suatu algoritma matematis dari analisis fourier hasil perkembangan dari persamaan sebelumnya yaitu DFT (Discrete Fourier Transfor.
Metode FFT dapat melakukan perubahan sinyal dari domain waktu menjadi domain frekuensi lebih cepat daripada metode DFT.
Hal ini dikarenakan keras lemah suara tidak terlalu berpengaruh pada sinyal dalam domain frekuensi daripada dalam domain waktu .
Pada proses FFT inilah dapat diketahui frekuensi dari sinyal suara gergaji mesin.
Berikut adalah persamaan dari FFT .
DCT (Discrete Cosine Transfor.
Proses terakhir pada MFCC yaitu proses DCT (Discrete Cosine Transfor.
, proses ini mengkonversi nilai hasil dari mel frequency wrapping menjadi nilai yang berdomain waktu.
Kegunaan dari DCT adalah mendapatkan nilai yang sesuai dari dimensi vektor yang dihasilkan dari proses sebelumnya.
Hasil yang didapatkan dari konversi tersebut adalah berupa mel frekuensi cepstrum koefisien.
Dari proses DCT inilah akan dihasilkan matriks audio satu dimensi yang kemudian diolah pada proses klasifikasi menggunakan model CNN.
3 Klasifikasi Suara Klasifikasi suara menggunakan metode CNN, yang terdiri dari tiga lapisan utama: lapisan convolutional, lapisan pooling, dan lapisan terhubung sepenuhnya.
CNN biasanya membutuhkan banyak data untuk melatih modelnya dengan Ini terutama berlaku untuk dataset yang berjumlah ribuan atau bahkan puluhan ribu gambar.
Akurasi model yang dihasilkan ditentukan oleh jumlah data yang diolah.
Memindahkan pembelajaran dari model yang telah dilatih sebelumnya, oleh karena itu, adalah pendekatan yang dipilih untuk mengatasi masalah ini.
Proses transfer learning CNN digambarkan pada Gambar 5.
( )Oe1 ycu.
co ycA/.
co ycA/.
= Oc ycu.
ycOycA ycu=0 .
co ycA/.
ycOycA ( )Oe1 ycu.
co ycA/.
Oc ycu.
ycOycA ycu=0 ycA ( )Oe1 = Ocycu2= 0 ycu.
ycOycAycuyco Oe ycOycAyco ( )Oe1 Ocycu = 0 ycu.
ycOycAycuyco Mel Frequency Wrapping Mel Frequency Wrapping merupakan suatu proses untuk melakukan filter pada sinyal audio atau suara pada setiap frame menggunakan mel filter bank.
Melalui penggunaan filter ini dapat diketahui besar energi yang terdapat pada frekuensi dalam suatu gelombang sinyal suara atau audio.
Untuk memfilter sinyal, filter bank menggunakan representasi konvolusi.
Ini dapat dicapai dengan memultiplikasi spektrum sinyal dengan koefisien filter bank.
Persamaan berikut digunakan untuk menghitung filter bank.
= OcycA yc= 1 ycN.
Dimana:
N = jumlah magnitud spektrum T.
= spektrum magnitude pada frekuensi H.
= koefisien filter bank pada frekuensi j .
O ycn O ycA ) M = jumlah channel dalam filter bank .
Gambar 5.
diagram Proses Transfer Learning Setelah melalui proses ekstraksi suara, maka data keluar dalam bentuk array 1 dimensi.
Matriks tersebut kemudian akan masuk dalam layer fully connected layer .
dimana terdapat jaringan syaraf tiruan yang telah dibuat sebelumnya menggunakan data latih berupa dataset beberapa sampel suara tenpa noise dan dengan noise.
Setelah proses tersebut akan mendapatkan suatu keputusan bahwa suara tersebut merupakan suara gergaji mesin atau bukan.
3 MFCC
Proses MFCC memiliki tujuan utama yaitu meniru perilaku dari pendengaran manusia.
Selain itu MFCC telah terbukti dapat menyebutkan variasi dari gelombang manusia.
Sebelum sinyal suara atau audio dapat diklasifikasikan, akan dilakukan proses ekstraksi suara menggunakan metode MFCC.
Proses ini terdiri dari beberapa tahapan, termasuk frame blocking, windowing.
FFT, mel frequency wrapping, dan DFT, dan diakhiri dengan matriks satu dimensi.
MFCC dibentuk berdasarkan variasi yang telah diketahui antara frekuensi dan jangkauan telinga p-ISSN: 2087-1627, e-ISSN: 2685-9858 Filter berfungsi secara linear pada frekuensi rendah dan berfungsi secara logaritmik pada frekuensi tinggi.
Ini dilakukan untuk mendapatkan sinyal suara atau audio yang bersifat penting.
Data audio diambil dari pengukuran frekuensi sensor MAX4466.
Sinyal akan dikirim dan diekstraksi menggunakan MFCC jika frekuensi melebihi batas ambang.
Gambar 6 di bawah ini menunjukkan diagram blok proses MFCC.
Gambar 6.
Diagram Proses MFCC 4 CNN (Convolutional neural networ.
Convolutional neural network merupakan sebuah matriks yang memiliki sebuah fungsi yaitu melakukan sebuah penyaringan atau filterisasi pada sebuah gambar.
Pada CNN mempunyai beberapa lapisan yang diguunakan sebagai penyaringan terhadap setiap mekanismenya yang disebut sebagai training.
Tidak hanya pada gambar, metode ini juga cocok untuk proses klasifikasi suara untuk proses pengenalan suara pada gergaji mesin dengan mengenali pola suara dari gergaji mesin.
Seperti namanya.
CNN menggunakan proses konvolusi.
Dengan kata lain, sebuah gambar, seperti mesin, memiliki tiga parameter:
tinggi, lebar, dan tebal atau jumlah kanal.
Proses filtrasi terjadi selama proses konvolusi ini.
Seperti layaknya gambar, filter ini memiliki dimensi tinggi, lebar, dan tebal yang dapat ditentukan.
Nilai filter diaktifkan, dan nilai ini berfungsi sebagai parameter atau tolak ukur yang akan diperbarui dalam proses pembelajaran atau pembelajaran Hasil dan Pembahasan Pada bagian hasil dan pembahasan ini berisi mengenai hasil dan data yang didapatkan setelah melalui perancangan Ekstraksi suara menggunakan metode MFCC, hasil perancangan hardware, skenario pengujian, hasil pengujian, dan klasifikasi suara menggunakan metode CNN.
Hasil ini didapat setelah melakukan pengujian sistem pada area terbuka menggunakan suara gergaji mesin.
Tabel 1 Data Sampel Audio
Jumlah Jenis Suara
Sampel
Gergaji Mesin
STIHL MS180
Helikopter Percikan Api Anjing Aliran Sungai Gergaji Tangan Gergaji Elektrik Langkah kaki Hujan Serangga Harimau Kapak Orang Berbicara Pohon Roboh Mesin Kendaraan Siulan Angin Potongan Kayu Katak Burung Durasi 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik 5 detik Dari dataset audio diatas, data tersebut kemudian diolah menggunakan metode MFCC dan diklasifikasi dengan CNN.
Pertama, dilakukan pembacaan letak file audio agar file dapat diload dan dikenali oleh program, kemudian data yang telah terbaca diproses agar menghasilkan gelombang audio.
Gelombang audio yang dihasilkan merupakan grafik gelombang amplitudo dari audio terhadap waktu, sehingga belum dapat diidentifikasi frekuensinya.
Gambar 7 merupakan sintaks program yang digunakan untuk menghasilkan gelombang audio atau suara dari file yang telah diload sebelumnya.
1 Hasil Ekstraksi Suara Berikut adalah dataset yang digunakan untuk proses klasifikasi data menggunakan CNN.
Data audio berupa file wav yang telah disamakan formatnya yaitu terdapat 20 kelas suara yang berbeda dengan jumlah setiap kelas suara terdapat 75 suara dengan durasi 5 detik.
Di bawah ini merupakan tabel dataset suara yang digunakan dalam Gambar 7 Proses Pengolahan Audio Program tersebut merupakan implementasi dari beberapa fungsi yang berkaitan dengan pemrosesan audio menggunakan library librosa untuk menghasilkan spektogram mel pada audio.
Sintaks program untuk penerapan metode MFCC ditunjukkan pada gambar 8.
Pada Gambar 8 merupakan program yang digunakan dalam penerapan metode MFCC.
Output dari program tersebut berupa grafik gelombang hasil mel spektogram pada sinyal audio sehingga dapat menunjukkan nilai frekuensi dari Gambar 9, 10, dan 11 merupakan hasil dari grafik audio yang dihasilkan pada setelah melalui ekstraksi suara menggunakan MFCC.
Semakin gelap warna pada grafik semakin tinggi frekuensi audio yang dihasilkan.
p-ISSN: 2087-1627, e-ISSN: 2685-9858 Gambar 8 Program Penerapan Metode MFCC Gambar 9.
Hasil MFCC dari Suara Anjing Tabel 2.
Deskripsi Komponen PCB Node Komponen Komponen ESP32 Devkit V1 Resistor Sensor MAX4466 AMS 3.
Step Down 5V
Panel Surya 10Wp
LoRa RFM95
10 SCC 10 Ampere
LED
11 Baterai Kapasitor Hasil perancangan sistem pendeteksi suara gergaji dapat diamati pada gambar 13.
dimana dalam box berukuran 22cm x 15cm x 7cm telah dirangkai komponen pengisinya yaitu terdapat PCB board, baterai, dan solar charge Alat akan aktif apabila terdapat input berupa suara dengan frekuensi diatas 1500 hertz dan memfilter suara yang ditangkap.
Sistem pengisian daya dilakukan pada saat siang hari sehingga board PCB akan selalu mendapat supply daya dari baterai yang telah terisi ketika siang hari.
Tampak dalam rangkaian node dapat dilihat pada gambar 13.
Gambar 10.
Hasil Mel Spektogram dari Suara Gergaji Mesin Gambar 11.
Hasil Mel Spektogram dari Suara Helikopter 2 Hasil Perancangan Hardware Dari komponen yang telah dirancang sesuai desain maka dapat dirangkai pada box.
Perancangan hardware terdiri dari dua rangkaian yaitu rangkaian node .
dan rangkaian pada IoT gateway .
, rangkaian IoT gateway akan dihubungkan langsung dengan WhatsApp petugas yang nantinya bisa mengirimkan pesan berupa Rangkaian Node terdiri dari rangkaian sensor, rangkaian mikrokontroller, rangkaian high pass filter, dan rangkaian LoRa RFM95.
Gambar 12.
PCB Rangkaian Node Gambar 13.
Tampak Dalam Hardware Berikut ini merupakan hasil perancangan hardware dari rangkaian gateway atau IoT gateway.
Rangkaian gateway berfungsi sebagai penerima dan menyalurkan data yang diterima dari rangkaian node menuju laptop atau PC, kemudian data tersebut akan diolah menggunakan metode Ae metode yang telah dijelaskan sebelumnya.
Desain PCB gateway dapat dilihat pada gambar 14.
Perancangan PCB board pada gambar 15 sesuai dengan alur sistem yang telah dibahas sebelumnya.
PCB board terdiri dari mikrokontroller ESP32, buzzer.
LED, resistor, dan LoRa.
Tampak dalam dari rangkaian gateway dapat dilihat pada gambar 15.
Perancangan PCB board pada gambar 12 sesuai dengan alur sistem yang telah dibahas.
PCB board ini diintegrasikan dengan PCB IoT gateway.
PCB board diatas memperlihatkan desain wiring PCB kontrol mulai dari sensor, mikrokotroller, rangkaian filter, dan konverter tegangan.
Berikut ini adalaah komponen Ae komponen yang digunakan untuk merangkai rangkaian Node, dapat diamati pada tabel 2.
p-ISSN: 2087-1627, e-ISSN: 2685-9858 Gambar 16.
Skenario Pengujian Gambar 14.
Desain PCB Gateway Gambar 15.
Tampak Dalam Rangkaian Gateway 3 Skenario Pengujian Skenario pengujian alat ini yaitu pengujian dilakukan di luar ruangan dengan prediksi noise suara yang telah diberikan sebelumnya, dapat dilihat pada proses akuisisi Rangkaian node dipasang pada salah satu pohon kemudian rangkaian gateway akan diletakkan sejauh 1km dari posisi dipasangnya rangkaian node.
Kemudian akan diberikan sound gergaji mesin, sumber suara maksimal berjarak 50 meter dari rangkaian Node, karena jangkauan dari sensor MAX4466 berkisar 50 meter.
Kemudian data dari kebisingan tersebut dikirimkan menuju rangkaian Gateway menggunakan komunikasi LoRa.
Pendeteksian bunyi suara yang telah terbaca oleh sensor suara MAX4466 yang berupa tegangan analog, tegangan analog tersebut akan disesuaikan dengan spesifikasi analog to digital converter (ADC) pada ESP32 dan mengonversikannya menjadi kode digital, hal ini ditujukan agar sinyal dapat diterima oleh PC karena PC hanya dapat mengolah sinyal digital.
Gambar 16 adalah gambaran skenario dari pengujian sistem.
4 Hasil Pengujian Pengujian sistem dilakukan dengan cara memberikan sumber suara gergaji mesin pada setiap arah sensor.
Pengujian dilakukan sebanyak 5 kali uji coba dengan range jarak yang berbeda Ae beda yaitu 10m, 20m, 30m, 40m, dan nilai threshold frekuensi yang ditetapkan yaitu 1500Hz, sehingga apabila sistem mendeteksi besar frekuensi suara di atas 1500Hz maka sistem akan meneruskan sinyal pada rangkaian gateway.
Hasil pengujian sistem pada sensor 1 telah dimuat pada tabel 3.
Pada pengujian yang kedua, sumber suara gergaji mesin diberikan pada arah peletakan sensor kedua.
Sehingga frekuensi yang ditangkap oleh sensor kedua lebih besar daripada frekuensi yang ditangkap oleh sensor lainnya.
Frekuensi terbesar yang ditangkap oleh sensor ke 2 adalah 2047 Hz pada jarak 10m dimana frekuensi tersebut tentunya tidak murni dihasilkan oleh suara gergaji mesin, melainkan terdapat frekuensi Ae frekuensi noise.
Hasil pengujian pada sensor 2 dapat diamati pada tabel 4.
Tabel 3.
Pengujian Suara Pada Arah Sensor 1 Sensor Sensor Sensor Sensor Jarak Status .
(Hert.
(Hert.
(Hert.
(Hert.
Bahaya Bahaya Bahaya Bahaya Bahaya Tabel 4.
Pengujian Sensor Pada Arah Sensor 2 Sensor Sensor Sensor Sensor Jarak Status .
(Hert.
(Hert.
(Hert.
(Hert.
Bahaya Bahaya Bahaya Bahaya Bahaya Tabel 5.
Pengujian Sensor Pada Arah Sensor 3 Sensor Sensor Sensor Sensor Jarak Status .
(Hert.
(Hert.
(Hert.
(Hert.
Bahaya Bahaya Bahaya Bahaya Bahaya p-ISSN: 2087-1627, e-ISSN: 2685-9858 Pada pengujian yang ketiga, sumber suara gergaji mesin diberikan pada arah peletakan sensor ketiga.
Frekuensi terbesar yang ditangkap oleh sensor ketiga adalah 2245 Hz.
Pada tabel lima dapat dilihat bahwa rata Ae rata sensor menangkap frekuensi di atas 1500 Hz, sehingga sinyal frekuensi tersebut diloloskan oleh filter dan memberikan sinyal AuBahayaAy.
Data pengujian pada sensor 3 dapat diamati pada tabel 5.
Pada pengujian yang ketiga, sumber suara gergaji mesin diberikan pada arah peletakan sensor keempat.
Frekuensi terbesar yang ditangkap oleh sensor keempat adalah 1992 Hz.
Pada tabel enam dapat dilihat bahwa rata Ae rata sensor menangkap frekuensi di atas 1500 Hz, sehingga sinyal frekuensi tersebut diloloskan oleh filter dan memberikan sinyal AuBahayaAy.
Tentunya frekuensi yang ditangkap oleh sensor pada setiap percobaan memiliki nilai Ae nilai yang berbeda meskipun sumber suara memiliki jarak yang sama.
Faktor utamanya yaitu noise yang ditangkap oleh sensor sehingga dapat sangat mempengaruhi nilai frekuensi yang ditangkap oleh sensor.
Hasil pengujian dapat diamati pada tabel enam.
Tabel 6.
Pengujian Sensor Pada Arah Sensor 4 Sensor Sensor Sensor Sensor Jarak Status .
(Hert.
(Hert.
(Hert.
(Hert.
Bahaya Bahaya Bahaya Bahaya Pada hasil training data dapat dilihat bahwa hasil akurasi sebesar 1,82 dan lossnya sebesar 0,64.
Proses training data dilakukan sebanyak 5 kali fold dan 30 epoch.
Proses training data tersebut dapat diamati pada gambar 18.
Gambar 19 merupakan confusion matriks yang dihasilkan oleh model CNN yang telah dibuat.
Dari hasil tersebut dapat ditentukan nilai weighed average akurasi melalui perhitungan, dan mendapatkan nilai akurasi sebesar 97,5%.
Gambar 18.
Proses Training Data Aman 5 Hasil Klasifikasi Suara Klasifikasi suara merupakan tahap terakhir dari keseluruhan proses.
Klasifikasi suara menggunakan metode CNN atau Convolutional Neural Network yang terdiri dari 3 lapisan utama.
Input yang dimasukkan pada model CNN berupa matriks audio hasil dari ekstraksi suara menggunakan metode MFCC dan matriks yang dihasilkan berupa matriks satu dimensi.
Gambar 17 merupakan permodelan CNN yang telah dibuat.
Gambar 19.
Confusion Matriks Setelah melalui berbagai proses pengolahan sinyal audio, data tersebut akan disimpan pada database yang terhubung pada WhatsApp secara realtime.
Kemudian dari database dapat mengirimkan chatbot peringatan yang terkirim secara otomatis seperti pada gambar 20.
Gambar 17.
Permodelan CNN p-ISSN: 2087-1627, e-ISSN: 2685-9858 Gambar 20.
Chatbot WhatsApp Kesimpulan Setelah melakukan pengujian terhadap sistem dan medapatkan data hasil uji coba, maka dapat disimpulkan bahwa penelitian ini dapat merancang dan membuat alat pendeteksi suara gergaji mesin menggunakan empat sensor suara MAX4466.
Dalam pengujian ini, sensor keempat tidak dapat mendeteksi suara gergaji mesin pada jarak 50 meter, yang berarti sensor keempat tidak dapat mendeteksi suara gergaji mesin.
Terdapat beberapa faktor yang mempengaruhi ketidak efektifan hasil penangkapan frekuensi suara salah satunya yaitu terdapat noise.
Hal ini disebabkan oleh tempat uji coba berada di luar ruangan sehingga terdapat banyak sekali noise suara sehingga mempengaruhi nilai frekuensi yang ditangkap oleh sensor.
akurasi keberhasil model CNN yang dibuat mencapai 97,5%, dan dapat diintegrasikan dengan WhatsApp secara realtime.
Ucapan Terimakasih Disampikan kepada Allah SWT yang selalu senantiasa memberikan rasa sehat, umur, dan kesempatan sehingga bisa sampai bertahan pada titik ini, dan juga pihak Ae pihak yang terlibat pada proses pembuatan sistem.
Daftar Pustaka