ANALISIS APLIKASI SISTEM PENGOLAHAN SUARA SEBAGAI PENGAMAN RUMAH BERBASIS MIKROKONTROLER

The development of digital signal processing methods such as human voice signals is widely used for sound signals identification in security systems for example a home security system. In this study an experiment of home security system was carried out by identifying a test sound compared with the voice in the database. If the identification process was successful, then the microcontroller could work to open the door or vice versa. The sound signal on the database are sample voice signals that has been recorded using speaker recognition. The Confidence Threshold and Strictness Control was set to obtain a specific sound signal in each sample using the wavelet transformation. The test sound signal is the input sound signal which is then compared with the sound signal in the database. The parameters used to analyze the signal were the mean square error (MSE) and peak signal to noise ratio (PSNR). The test conducted on five samples show a good identification performance for Sample 2 at 50 cm distance with MSE value of 0.000013366 and PSNR value of 48.65 with the results of the house door can be opened. While the MSE value is 0.015653 and the PSNR value of 18.05 dB produced by Sample 2 at 90 cm distance results a door that cannot be opened. At distance more than 80 cm, all samples produced greater value of MSE and the PSNR value become smaller so that the identification process was unsuccessful and the door was not open. Perkembangan metode pengolahan sinyal digital seperti sinyal suara manusia banyak digunakan untuk proses identifikasi sinyal suara untuk sistem pengaman, salah satu contohnya adalah sistem pengaman rumah. Pada penelitian ini dilakukan uji coba sistem pengaman rumah yang dapat mengidentifikasi suara dengan cara membandingkan suara tersebut dengan suara pada database. Apabila proses identifikasi berhasil maka mikrokontroler akan mengirimkan perintah untuk membuka pintu rumah atau sebaliknya. Sinyal suara pada database adalah sinyal suara sampel yang telah direkam menggunakan speaker recognition. Confidence Threshold dan Strictness Control diatur agar diperoleh sinyal suara yang spesifik untuk setiap sampel dengan menggunakan transformasi wavelet. Sinyal suara tes adalah sinyal suara masukan yang kemudian dibandingkan dengan sinyal suara pada database tersebut. Parameter yang digunakan yaitu mean square error (MSE) dan peak signal to noise ratio (PSNR). Pengujian yang dilakukan pada lima sampel menghasilkan kinerja identifikasi yang baik untuk Sampel 2 pada jarak 50 cm dengan nilai MSE sebesar 0,000013366 dan nilai PSNR 48,65 dB dengan hasil pintu rumah dapat terbuka. Sedangkan nilai MSE sebesar 0,015653 dan nilai PSNR sebesar 18,05 dB yang dihasilkan oleh Sampel 2 pada jarak 90 cm menghasilkan pintu tidak dapat terbuka. Pada jarak pengujian lebih dari 80 cm, semua sampel menghasilkan nilai MSE semakin besar dan nilai PSNR semakin kecil sehingga proses identifikasi tidak berhasil dan pintu rumah tidak terbuka