TUGAS AKHIR – TE 091399
PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS) WAHYU INDRA PURNAMA SARI NRP 2207100064 Dosen Pembimbing Dr. Ir. Wirawan, DEA Ir. Endang Widjiati M.Eng.Sc.
LATAR BELAKANG
Jenis gelombang yang dipakai di dalam UWA adalah Gelombang Akustik
Sinyal akustik yang diterima oleh sensor tercampur dengan sinyalsinyal lainnya di lingkungan
Diperlukan suatu teknik memisahkan sinyal yang tercampur
RUMUSAN PERMASALAHAN
1. Bagaimanakah karakteristik komunikasi bawah air?
2. Bagaimanakah rancangan sistem pemisahan sinyal suara dari beberapa sumber bunyi yang beroperasi secara serentak dan direkam oleh hydrophone array? 3. Bagaimana pemisahan sinyal dengan menggunakan metode BSS terutama menggunakan algoritma FastICA, SOBI, dan JADE?
BATASAN MASALAH
1. Sensor yang digunakan adalah hydrophone array dengan jumlah dan konfigurasi tertentu. 2. Metode yang dipakai untuk memisahkan sinyal suara adalah BSS dengan algoritma FastICA, SOBI, dan JADE khususnya untuk analisis metode pencampuran instantaneous mixture. 3. Jumlah sensor sama dengan jumlah sumber suara. 4. Pengukuran dilakukan di Lab Hydrodinamika Indonesia (LHI).
TUJUAN PENELITIAN
1. Mengetahui karakteristik dari komunikasi bawah air yang berbeda dengan karakteristik komunikasi di udara. 2. Mengetahui rancangan sistem pemisahan sinyal suara yang diemisikan beberapa mesin beroperasi secara serentak dan direkam dengan menggunakan hydrophone array. 3. Mengetahui metode pemisahan sinyal BSS dengan menggunakan algoritma FastICA, SOBI dan JADE.
METODOLOGI PENELITIAN Mulai Penentuan Karakteristik Data yang Dibutuhkan Pengambilan Data Data Literatur
Pengambilan Data di LHI
Membuat Mixing Signal
Algoritma BSS
Algoritma BSS
1
METODOLOGI PENELITIAN (cont‟d) 1
Mencari Nilai Similarity Antara Sinyal Asli dengan Sinyal Hasil Pemisahan
Mencari nilai MSE dan SIR
analisis Hasil Simulasi
Penarikan Kesimpulan
selesai
BLIND SEPARATION OF SOURCE (BSS) BSS merupakan metode pemisahan satu set sinyal
dari satu set sinyal campuran, tanpa adanya informasi (atau dengan sangat sedikit informasi) tentang sumber sinyal atau proses pencampuran. Terdapat beberapa algoritma BSS yang digunakan pada Tugas Akhir ini: a.
Independent Component Analysis (ICA)
b. c.
Deflationary Symetrical
Second Order Blind Identification (SOBI) Joint Approximate Diagonalization of Eigenmatrice (JADE)
BLIND SEPARATION OF SOURCE (BSS)
FLOWCHART UMUM BSS
Centering
Whitening
Pemilihan Metode Pemisah Sinyal
Pemrosesan Data Sinyal yang Telah Dipisah
PRE-PROCESSING 1.
Centering Hal yang mendasar yang perlu dilakukan adalah dengan memusatkan data (centering) x sehingga menjadi variabel yang memiliki rerata nol (zero-mean).
𝑋 = 𝑋 − 𝐸[𝑋] 2. Whitening Pemutihan (whitening) merupakan praproses yang berfungsi untuk me“mutih”kan variabel yang diamati, sehingga didapatkan sebuah vektor baru yang variansnya sama dengan satu serta komponen nyata dan imajinernya tidak terkorelasi dengan nilai varians yang sama.
z = Vx
SYARAT-SYARAT DALAM MENGGUNAKAN METODE BSS Syarat menggunakan metode BSS dalam pemisahan
sinyal:
Matrix pencampur dan matrix pemisah merupakan matrix square
Non Gaussian
Statistically Independent
Independent Component Analysis (ICA) Sebuah teknik pemrosesan sinyal untuk menemukan
faktor–faktor atau komponen tersembunyi yang membentuk sekumpulan variabel acak Komponen tersembunyi dianggap nongaussian dan secara statistik saling bebas satu sama lain (independent)
METODE ICA DEFLATIONARY Centering & Whitening Memilih sebuah nilai awal vektor kompleks w, dapat secara acak
𝑤𝑝 ← 𝐸 𝑧𝑔(𝑤𝑝 𝑇 𝑧) − 𝐸{𝑔′ (𝑤𝑝 𝑇 𝑧)}wp p−1
wj wjT wp
wp ← wp − j=1
No
𝑤𝑝 ←
𝑤𝑝 𝑤𝑝
Konvergen
W
Yes
p>m
Yes p=p+1 W = wp1,..wm
METODE ICA SYMETRICAL Centering & Whitening Memilih sebuah nilai awal vektor kompleks w= I,….,m
𝑤𝑖 ← 𝐸 𝑧𝑔(𝑤𝑖 𝑇 𝑧) − 𝐸{𝑔′ (𝑤𝑖 𝑇 𝑧)}w W ← (WWT )−1/2 W 𝑊←
𝑊←
𝑊 𝑊
3 1 𝑊 − 𝑊𝑊 𝑇 𝑊 2 2
No
Yes 𝑊𝑊 𝑇 𝑚𝑒𝑛𝑑𝑒𝑘𝑎𝑡𝑖 𝑘𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛
W
Second Order Blind Identification (SOBI) Algoritma Second Order Blind Identification (SOBI)
merupakan salah satu contoh paling sederhana dari metode Second Order Statistic (SOS). SOBI merupakan metode yang menggunakan second order cumulant atau varians untuk mendapatkan nilai demixing matrixnya.
METODE SOBI
Memusatkan data (centering) & Whitening data
Memilih banyaknya time delay yang ingin dilakukan
Mencari matrix kovarians untuk tiap-tiap time delay
Mencari sinyal estimasi
Melakukan Joint Diagonalization sehingga dihasilkan matrix V
Membentuk ulang sinyal yang sudah di whitening
Joint Approximate Diagonalization of Eigenmatrice (JADE) Secara garis besar, algoritma Joint Approximate
Diagonalization of Eigenmatrice (JADE) memiliki banyak kesamaan dengan algoritma SOBI, dimana kedua algoritma tersebut sama-sama menggunakan Joint Diagonalization untuk mendapatkan nilai demixing matrixnya. Pada algoritma SOBI, sebelum melakukan proses Joint Diagonalization, dilakukan pencarian nilai kovariansnya sedangkan pada JADE yang digunakan sebelum Joint Diagonalization adalah fourth order cumulant.
METODE JADE Memusatkan data (centering) & Whitening data Mencari nilai Cumulant orde 4 : 𝑘 𝑧 = 𝐸 𝑧 4 − 3(𝐸 𝑧 2 )2 Membentuk ulang cumulant matrix dengan mensortir eigenvalue dan eigenvector-nya
Joint Diagonalization Mencari sinyal estimasi : S=VX
HASIL PEMISAHAN SINYAL DENGAN JADE & SOBI Diketahui Sinyal 1 = „welcome‟
Sinyal 2 = „mystery‟
Inputan Mixing Signal Mixing Signal
Hasil Sinyal 1 Hasil Pemisahan JADE
Sinyal 1 Hasil Pemisahan SOBI
Sinyal 2 Hasil Pemisahan JADE
Sinyal 2 Hasil Pemisahan SOBI
PENILAIAN TERHADAP HASIL PEMISAHAN SINYAL Hasil pemisahan sinyal dari berbagai metode, perlu
ditelaah lebih lanjut unntuk menentukan peformansi dari tiap metode. Salah satu metode dalam melihat peformansi adalah dengan mencari nilai Similarity.
Berbagai Similarity tersebut adalah:
Cross correlation 2. Euclidean Distance 3. Mean Square Error (MSE) dan Signal to Interference Ratio (SIR) 1.
CROSS CORRELATION, EUCLIDEAN DISTANCE, & MSE-SIR 1.
Cross correlation atau korelasi silang adalah sebuah metode untuk menghitung kesamaan antara dua sinyal.
𝑅𝑥𝑦 𝑡1 , 𝑡2 = 𝐸[𝑋 𝑡1 𝑌 𝑡2 ] 2.
Euclidean Distance adalah metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor dengan cara menghitung akar dari kuadrat perbedaan 2 vektor.
𝑑 𝑠, 𝑠𝑒 = 3.
.
2
2
(𝑠1 − 𝑠𝑒1) + (𝑠2 − 𝑠𝑒2) + ⋯ + (𝑠𝑛 − 𝑠𝑒𝑛 ) 2
MSE (Mean Square Error) adalah nilai rata-rata dari eror hasil estimasi, sedangkan SIR (Signal to Interference Ratio) adalah Perbandingan daya sinyal terhadap daya interferensi. 1 𝑀𝑆𝐸 = 𝑛
𝑛
𝑠 − 𝑠𝑒 𝑖=1
2
𝑆𝐼𝑅 = −10 𝑙𝑜𝑔10 (𝑀𝑆𝐸)
DATA INPUT Data sinyal input yang digunakan dibagi menjadi
dua macam, yaitu data alami dan buatan.
Fungsi g merupakan salah satu karakteristik yang
cukup penting pada algoritma ICA.
DATA INPUT (cont‟d) Mixing matrix digunakan sebagai konstanta pengkali
pada algoritma BSS sehingga didapatkan mixing sinyal yang akan digunakan untuk mencari estimasi sinyal sumber.
ANALISIS HASIL SIMULASI analisis hasil pemisahan sinyal meliputi: 1. Pengaruh sinyal input pada Algoritma BSS 2. Pengaruh Nilai Mixing Matrix pada Algoritma BSS 3. Pengaruh Jumlah Sumber pada Algoritma BSS 4. Pengaruh fungsi g pada Algoritma BSS 5. Pengaruh noise pada Algoritma BSS 6. analisis Pemisahan Sinyal pada Algoritma BSS dengan Menggunakan Toolbox ICALAB 7. analisis pemisahan sinyal data hasil pengukuran di LHI
Pengaruh sinyal input pada Algoritma BSS Jenis Sinyal Nama Metode
Defla Sym Jade Sobi
Similarity Voice Unvoice geometri kapal 2x2 2x2 2x2 2x2 r 0.9939 0.9958 0.4655 0.9967 s 0.9802 0.9819 0.9949 0.9828 r 0.9916 0.9994 0.9982 0.9849 s 0.9878 0.9994 0.6639 0.9875 r 0.9995 1 0.9678 0.9941 s 0.9983 1 0.4007 0.9957 r 0.9477 1 0.767 1 s 0.9488 1 0.9785 1
Pengaruh Nilai Mixing Matrix pada Algoritma BSS
Pengaruh Nilai Mixing Matrix pada Algoritma BSS (cont‟d)
Pengaruh fungsi g pada Algoritma BSS
Pengaruh fungsi g pada Algoritma BSS (cont‟d)
Nama Similarity Metode Defla
Sym
r s t r s t
Fungsi g g1 2x2 0.9939 0.9802 0.9944 0.9912
g2 3x3 0.9825 0.7351 0.288 0.8616 0.9036 0.7637
2x2 0.9939 0.9881 0.9916 0.9878
3x3 0.9914 0.6959 0.347 0.8598 0.9102 0.7686
Pengaruh noise pada Algoritma BSS
KESIMPULAN 1.
2.
3. 4. 5. 6.
Algoritma FastICA, SOBI dan JADE mampu memisahkan sinyal dengan baik hal ini terlihat dari nilai similarity dengan menggunakan metode Cross correlation pada 2 sumber dengan algoritma FastICA Deflationary yang mencapai 0.9939, FastICA symetrical 0.9916, JADE 0.9995, dan SOBI 0.9477. Sinyal input memberikan pengaruh pada tiap-tiap algoritma. Hal ini bergantung pada terpenuhi atau tidaknya syarat dari algoritma BSS yaitu independent. Variasi fungsi g tidak berpengaruh pada hasil pemisahan, karena variasi fungsi g tidak memberikan perubahan pada nilai similarity. Nilai mixing matrix tidak terlalu mempengaruhi nilai similarity dengan menggunakan metode cross correlation dan MSE. Banyaknya sumber ikut berpengaruh pada keakuratan sinyal hasil estimasi. Semakin banyak sumber, keakuratan semakin mengecil. Adanya noise mengurangi nilai similarity sinyal estimasi di tiap-tiap metode.
DAFTAR PUSTAKA [1]
A. Hyvärinen, E. Oja . “Independent Component Analysis: Algorithms and Application”. Neural Networks, 13(4-5):411-430, 2000. [2] A. Mansour, N. Benchekroun.” General Structure for Separation of Underwater Acoustic”. Berlin. 2006. [3] Belourchrani, K. Abde-Meraim, J.F. Cardoso, “A blind separation technique using second order statistics,” IEEE on Trans. Signal Processing, vol 45, pp. 434444,Feb.1997. [4] Cardoso, J.F. and Souloumiac, A. “Jacobi angles for simultaneous diagonalizatio”. SIAM J. Mat. Anal. Appl., 17, 161–164. 1996. [5] Cardoso, J.F. and Souloumiac,A. “Blind beamforming for nonGaussian signals”. Proc. Inst. Elec. Eng., pt. F, vol. 140, no. 6, pp. 362–370, 1993. [6] Etter, Paul C. “Underwater Acoustic Modelling, 2nd edition”. Chapman & Hall. London. Chapter 2-4. 1996 [7] J. Eriksson, A. Kankainen, and V. Koivunen,. “Novel characteristic function based criteria for ICA”. Proceedings ICA 2001 San Diego, Dec. 2001. [8] M.T. Sutherland, J. Liu, A. Tang. “Temporal delays in blind identification of primary somatosensory cortex”. International conference on machine learning and cybernetics. 2004. [9] Stone, J.V. (2004). “Independent Component Analysis: A Tutorial Introduction”.MIT Press, Boston.
SARAN Pada penelitian yang selanjutnya, dapat dicoba dengan membandingkan algoritma BSS dengan menggunakan sinyal hasil pencampuran dari convolutive mixture. 2. Algoritma BSS tidak hanya dapat digunakan pada sinyal suara namun juga dapat digunakan pada Gambar. Untuk yang selanjutnya, dapat diimplementasikan algoritma BSS pada pemisahan Gambar sebagai sistem pendeteksian suatu image. 3. Dalam pengambilan data di lapangan, sebaiknya menggunakan data inputan yang memenuhi criteria, yaitu independent dan non Gaussian. 1.
TERIMA KASIH