Implementasi Sistem Kontrol Lampu Lalu Lintas Berdasarkan Suara Sirene Pada Arduino
DOI:
https://doi.org/10.34818/eoe.v7i2.12913Abstract
Kemacetan merupakan hal yang sering terjadi pada kota-kota besar di Indonesia. Terlebih lagi pada persimpangan jalan, terjadi penumpukan kendaraan yang padat. Keadaan ini membuat jalanan menjadi terhambat, khususnya bagi kendaraan darurat seperti ambulans, mobil polisi, dan mobil pemadam kebakaran. Sehingga kendaraan darurat yang membutuhkan prioritas perlu adanya sistem kontrol lampu lalu lintas agar dapat mencapai lokasi tujuan dengan tepat waktu. Penelitian ini memanfaatkan suara sirene untuk mengatur sistem kontrol lampu lalu lintas. Suara diproses melalui perangkat lunak pemrosesan sinyal dengan bantuan mikrofon. Pemrosesan sinyal suara menggunakan ekstraksi ciri MFCC (Mel Frequency Cepstrum Coefficient) dan Euclidean Distance untuk klasifikasinya. Apabila suara yang terdeteksi adalah suara sirene, maka sistem mengatur untuk memprioritaskan kendaraan darurat dengan memberi lampu hijau pada jalur yang dilewati. Arduino mengatur kerja lampu lalu lintas dan mengatur sistem kontrol lampu lalu lintas. Sistem ini menggunakan jumlah data latih sebanyak 10 dan jumlah data uji sebanyak 6 dengan menggunakan suara sirene dari ambulans, mobil polisi, dan pemadam kebakaran. Suara non sirene juga digunakan dalam menguji akurasi sistem. Parameter terbaik yang didapatkan dengan menggunakan nilai threshold untuk energi sebesar 0.002, jumlah frame sebanyak 150 data per frame, koefisien ciri MFCC sebanyak 24, dan nilai threshold untuk Euclidean distance sebesar 1.2. Sistem dapat mendeteksi suara sirene dengan akurasi terbaik yaitu 93.33% dengan waktu komputasi rata rata selama 14 detik. Sedangkan waktu yang dibutuhkan untuk masing masing jalur lampu lalu lintas rata rata selama 23 detik sekali perioda.
Kata Kunci: lampu lalu lintas, suara sirene, sistem kontrol, MFCC, Euclidean Distance, Arduino.
Downloads
References
[1]G. Muhammad Nayazri, "Indonesia merupakan Negara Termacet Kedua Dunia," 2017. [Online]. Available: https://otomotif.kompas.com. [Accessed on 20 September 2019, 22:00:00 WIB].
[2]Van-Thuan Tran, Yu-Cheng Yan, and Wei-Ho Tsai, "Detection of Ambulance and Fire Truck Siren Sounds Using Neural Networks," Proceedings of 51st Research World International Conference, July 2018.
[3]A. Soto Otálora, D. Eduardo Clavijo Osorio, and N. Charry M, "Methods For Extraction of Features and Discrimination of Emergency Sirens," ARPN Journal of Engineering and Applied Sciences, vol. 12, no. 5, MARCH 2017.
[4]P.Rohini Priya, A. Joy Jose, and G.Sumathy, "Traffic Light Pre-emption control System for Emergency Vehicles," SSRG International Journal of Electronics and Communication Engineering (SSRG-IJECE), vol. 2, Feb 2015.
[5]F. Meucci, et all., "A Real-Time Siren Detector to Improve Safety of Guide in Traffic Environment," 16th European Signal Processing Conference (EUSIPCO 2008), Aug. 2008.
[6]Jalil, Madiha, Faran Awais Butt, and Ahmed Malik. "Short-Time Energy, Magnitude, Zero Crossing Rate and Autocorrelation Measurement for Discriminating Voiced and Unvoiced Segments of Speech Signals." 2013 The International Conference on Technological Advances in Electrical, Electronics and Computer Engineering (TAEECE). IEEE, 2013.
[7]Lindasalwa Muda, Mumtaj Begam, and I. Elamvazuthi, "Voice Recognition Algorithms using Mel Frequency Cepstral Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques," Journal of Computing, vol.2, issue. 3, March 2010.
[8]D Anggraeni1, W S Sanjaya, and M Munawwaroh, "The Implementation of Speech Recognition using Mel- Frequency Cepstrum Coefficients (MFCC) and Support Vector Machine (SVM) method based on Python to Control Robot Arm," The 2nd Annual Applied Science and Engineering Conference (AASEC 2017), vol.1, 2017.
[9]Akanksha Singh Thakur, Namrata Sahayam. (2013, March.). “Speech Recognition Using Euclidean Distance”. International Journal of Emerging Technology and Advanced Engineering. [On-line]. vol. 3(3), pp. 587-590. Available: www.ijetae.com [Jan. 22, 2017].
[10]I. Ikhsan, L. Novamizanti, I.N.A. Ramatryana, Automatic musical genre classification of audio using Hidden Markov Model, 2nd International Conference on Information and Communication Technology (ICoICT), 2014.
[11]A. L. Prasasti, L. Novamizanti, and M. I. Razik, ‘Identification of baby cry with Discrete Wavelet Transform, Mel Frequency Cepstral Coefficient and Principal Component Analysis’, J. Phys. Conf. Ser., vol. 1367, no. 1, 2019. Available from: doi:10.1088/1742-6596/1367/1/012061



