Voice recognition pada sistem kontrol pintu garasi pintar menggunakan support vector machine

INDONESIA:
Penelitian ini mengembangkan sistem pintu garasi pintar berbasis speaker-dependent voice recognition untuk meningkatkan keamanan dan efisiensi akses pada lingkungan rumah. Sistem dirancang untuk mengenali identitas pengguna dan perintah suara menggunakan algoritma Support Vector Machine (SVM) serta pencocokan pola kata dengan Regular Expression (Regex). Proses pengiriman rekaman suara dari aplikasi mobile ke backend dilakukan melalui protokol HTTP, kemudian hasil prediksi diteruskan secara real time ke perangkat ESP32 melalui MQTT untuk menggerakkan servo, LED, buzzer, dan sensor infrared. Dataset terdiri dari 540 rekaman yang mencakup tiga jenis ujaran, masing-masing diklasifikasikan ke dalam kelas Me dan Notme. Model SVM dilatih menggunakan tiga skenario pembagian data, yaitu 90:10, 80:20, dan 70:30. Hasil pengujian menunjukkan bahwa model Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF), nilai Cost (C) = 10, dan Gamma (γ) = 0,5 memberikan performa terbaik pada skenario 70:30, dengan tingkat akurasi sebesar 97,53%. Selain itu, nilai Precision, Recall, dan F1-Score masing-masing mencapai 98%, yang menunjukkan kemampuan generalisasi model yang kuat. Sistem berhasil mengenali perintah “buka” dan “tutup” serta mengeksekusinya secara responsif, meskipun masih ditemukan error sistem sebesar 13,57% yang dipengaruhi oleh variasi kalimat, kesalahan transkripsi, serta kemiripan karakteristik akustik antarpenutur. Hasil penelitian menunjukkan bahwa pendekatan speaker-dependent berbasis SVM mampu memberikan performa tinggi untuk autentikasi suara dan kontrol perangkat pintar, serta memiliki potensi pengembangan lebih lanjut melalui perluasan dataset dan penyempurnaan modul pengenalan perintah.

INGGRIS:
This research develops a smart garage door system based on speaker-dependent voice recognition to enhance security and access efficiency in residential environments. The system is designed to identify users and interpret voice commands using the Support Vector Machine (SVM) algorithm combined with pattern matching through Regular Expressions (Regex). Audio recordings are transmitted from the mobile application to the backend via the HTTP protocol, and the prediction results are forwarded in real time to the ESP32 through MQTT to control the servo motor, LEDs, buzzer, and infrared sensor. The dataset consists of 540 audio recordings covering three types of utterances, each classified into Me and Notme categories. The SVM model was trained using three data-splitting scenarios: 90:10, 80:20, and 70:30. The experimental results indicate that the Support Vector Machine (SVM) with a Radial Basis Function (RBF) kernel, Cost (C) = 10, and Gamma (γ) = 0.5 achieved the best performance in the 70:30 scenario, with an accuracy of 97.53%. In addition, the Precision, Recall, and F1-score values each reached 98%, demonstrating strong generalization capability of the model. The system successfully recognized the “open” and “close” commands and executed them responsively, although a system error rate of 13.57% was still observed, mainly influenced by sentence variations, transcription errors, and acoustic similarities between speakers. These results indicate that the speaker-dependent SVM-based approach provides high performance for voice authentication and smart device control and has strong potential for further development through dataset expansion and refinement of the command recognition module.

ARAB:
تطوير هذا البحث لنظام باب الجراج الذكي القائم على التعرف على الصوت المعتمد على المتحدث يهدف إلى تعزيز الأمان وكفاءة الوصول في بيئة المنزل. تم تصميم النظام للتعرف على هوية المستخدم وأوامر الصوت باستخدام خوارزمية آلة المتجهات الداعمة (SVM) بالإضافة إلى مطابقة نمط الكلمات باستخدام التعبيرات العادية (Regex). تتم عملية إرسال تسجيلات الصوت من تطبيق الهاتف المحمول إلى الخادم عبر بروتوكول HTTP، ثم يتم تمرير نتائج التنبؤ في الوقت الفعلي إلى جهاز ESP32 عبر بروتوكول MQTT لتشغيل السيرفو، LED، الجرس، ومستشعر الأشعة تحت الحمراء. تتكون مجموعة البيانات من 540 تسجيلًا تشمل ثلاثة أنواع من الكلام، تم تصنيف كل منها إلى فئتين هما Me وNotme. تم تدريب نموذج SVM باستخدام ثلاث سيناريوهات لتقسيم البيانات، وهي 90:10 و80:20 و70:30. أظهرت نتائج الاختبارات أن نموذج آلة المتجهات الداعمة (SVM) باستخدام نواة Radial Basis Function ‏(RBF) وقيمة Cost ‏(C)‏ = 10 وقيمة Gamma ‏(γ)‏ = 0.5 حقق أفضل أداء في سيناريو 70:30، حيث بلغت دقة التصنيف 97.53٪، كما بلغت قيم Precision وRecall وF1‏ نسبة 98٪. نجح النظام في التعرف على أوامر «افتح» و«أغلق» وتنفيذها بسرعة، على الرغم من وجود خطأ في النظام بنسبة 13.57٪، والذي تأثر بتنوع صياغة الجمل، وأخطاء النسخ، والتشابه في الخصائص الصوتية بين المتحدثين. وتشير نتائج البحث إلى أن المدخل المعتمد على المتحدث باستخدام SVM قادر على تقديم أداء عالٍ في مصادقة الصوت والتحكم في الأجهزة الذكية، كما يمتلك إمكانية للتطوير المستقبلي من خلال توسيع مجموعة البيانات وتحسين وحدة التعرف على الأوامر.