Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Journal of Robotics and Control (JRC) Teknologi : Jurnal Ilmiah Sistem Informasi
Irianta, Henry Ardian
Unknown Affiliation
Aerospace Engineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Development of Speech Command Control Based TinyML System for Post-Stroke Dysarthria Therapy Device Riyanta, Bambang; Irianta, Henry Ardian; Kamiel, Berli Paripurna
Journal of Robotics and Control (JRC) Vol 4, No 4 (2023)
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/jrc.v4i4.15918

Abstract

Post-stroke dysarthria (PSD) is a widespread outcome of a stroke. To help in the objective evaluation of dysarthria, the development of pathological voice recognition and technology has a lot of attention. Soft robotics therapy devices have been received as an alternative rehabilitation and hand grasp assistance for improving activity daily living (ADL). Despite the significant progress in this field, most soft robotic therapy devices use a complex, bulky, lack of pathological voice recognition model, large computational power, and stationary controller. This study aims to develop a portable wirelessly multi-controller with a simulated dysarthric vowel speech in Bahasa Indonesia and non-dysarthric micro speech recognition, using tiny machine learning (TinyMl) system for hardware efficiency. The speech interface using INMP441, compute with a lightweight Deep Convolutional Neural network (DCNN) design and embedded into ESP-32. Feature model using Short Time Fourier Transform (STFT) and fed into CNN. This method has proven useful in micro-speech recognition with low computational power in both speech scenarios with a level of accuracy above 90%. Realtime inference performance on ESP-32 using hand prosthetics, with 3-level household noise intensity respectively 24db,42db, and 62db, and has respectively resulted from 95%, 85%, and 50% Accuracy. Wireless connectivity success rate with both controllers is around 0.2 - 0.5 ms.
Pengenalan Ucapan Pelo Menggunakan Short Time Fourier Transform dengan Pemodelan Lightweight Convolutional Neural Network Andi Sugandi; Irianta, Henry Ardian; Muhammad Fauzan Gustafic
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 15 No 1 (2025): January
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v15i1.5625

Abstract

Disartria adalah gangguan neurologis yang menghambat penderita untuk mengucapkan kata-kata dengan benar. Saat ini, Speech Command Recognition (SCR) turunan rumpun ilmu Automatic Speech Recognition (ASR) sedang diteliti dan dikembangkan untuk membantu penderita disartria atau pelo sehingga sulit berkomunikasi. Salah satu tahap dasar dalam membangun SCR adalah proses pengenalan kata, klasifikasi dan prediksi ucapan kata. Penelitian ini bertujuan untuk membangun pemodelan Deep learning, untuk pengenalan ucapan pelo, dengan desain arsitektur deep learning efisien yaitu Lightweight Convolutional Neural Network (LCNN), menggunakan ekstarksi ciri Short Time Fourier Transform STFT (STFT-LCNN). Augmentasi data dengan noise posisition dan re-pitch agar menambah variasi dataset yang efisien. Pendekatan arsitektur LCNN dihgunakan untuk implementasi edge devices kedepanya. Dalam pengimplementasiannya, model menggunakan 2 layer konvolusi, ekstraksi ciri menggunakan spektrogram, dan mennggunakan mini dataset dari EasyCall untuk pendeteksian, 5 kelas klasifikasi dengan penutur pelo atau disartria. Metode ini menghasilkan akurasi pemodelan sebesar 82%.
Identifikasi Ucapan Disartria Menggunakan Arsitektur Convolutional Neural Network MobileNetV2 dan MFCC Irianta, Henry Ardian; Fadlil , Abdul; Umar , Rusydi
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 16 No 1 (2026): January - on progress
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v16i1.5842

Abstract

Seiring meningkatnya kebutuhan Automatic Speech Recognition (ASR) pada edge device, pengembangan sistem deteksi gangguan bicara menjadi semakin relevan, terutama untuk aplikasi pada alat kesehatan. Deteksi dini disartria memegang peranan krusial dalam intervensi klinis, sehingga diperlukan model klasifikasi yang efisien agar kedepanya dapat diimplementasikan pada edge atau embedded system untuk membantu proses diagnosis. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi sebuah model deep learning yaitu lightweight Convolutional Neural Network (LCNN) untuk klasifikasi ucapan disartria dengan memanfaatkan arsitektur MobileNetV2 melalui pendekatan transfer learning. Metode penelitian menggunakan dataset publik UASpeech, di mana fitur akustik diekstraksi menggunakan Mel-Frequency Cepstral Coefficients (MFCC) untuk menghasilkan 40 koefisien. Fitur MFCC kemudian divisualisasikan sebagai spektrogram untuk melatih model MobileNetV2 yang sebelumnya telah dilatih pada dataset berskala besar. Hasil evaluasi terbaik pada data uji menunjukkan performa yang sangat baik dengan pencapaian akurasi sebesar 95%
Co-Authors Andi Sugandi Bambang Riyanta, Bambang Fadlil , Abdul Kamiel, Berli Paripurna Muhammad Fauzan Gustafic Umar , Rusydi