ISSN : 2302-450X
PROSIDING PERTEMUAN DAN PRESENTASI KARYA ILMIAH BALI, 23 OKTOBER 2015
PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA “Inovasi Teknologi Informasi dan Komunikasi dalam Menunjang Technopreneurship” Ir.Onno Widodo Purbo.M.Eng.Ph.D Putu Sudiarta, S.Kom
PENYUNTING AHLI Dr. Ahmad Ashari.M.Kom Dr. H. Agus Zainal Arifin, S.Kom.,M.Kom Agus Muliantara, S.Kom., M.Kom.
Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis Penyakit Neurologi I Putu Eky Sila Krisna ........................................................................................
432
Deteksi Tepi pada Gambar Menggunakan Algoritma Canny Detection dan Sobel Putu Rika Pratama Anggarani.............................................................................
436
Sistem Informasi Penanggulangan Bencana dan Mitigasi Bencana I Gde Bagus Arya Diwadatta Subrata .................................................................
440
Perancangan Aplikasi Multimedia untuk Pembelajaran Doa dan Nyanyian Suci Agama Hindu Berbasis Android I Putu Ari Ratna Pratama ....................................................................................
448
Rancang Bangun Aplikasi Berbasis Web Tenung Pewacakan Kehilangan Berdasarkan Lontar Wrespati Kalpa I Kadek Dwija Putra ...........................................................................................
457
Implementasi Algoritma Djakstra pada Software Definition Network (SDN) I Made Adi Bhaskara ..........................................................................................
463
Perancangan Aplikasi Pembelajaran Interaktif Berbasis Multimedia dengan menggunakan Adobe Flash (Studi Kasus Mata Kuliah Pemrograman Berbasis Web pada Jurusan Ilmu Komputer) I Wayan Aditya Setiawan ...................................................................................
469
Sistem Informasi Geografis Pariwisata Bali Berbasis Google Map API Ni Luh Putu Ratna Sri Andi Yani .......................................................................
477
Penghapusan Derau Suara dengan Menggunakan Algoritma Least Mean Square dengan Adaptive Filter Anak Agung Rani Pradnyandari .........................................................................
488
Sistem Informasi Satuan Kredit Partisipasi Mahasiswa I Putu Indra Mahendra Priyadi ............................................................................
493
Perancangan Sistem E-Commerce Kain Endek Pegringsingan Berbasis Web I Made Dedik Amijaya .......................................................................................
498
Perancangan dan Pengaplikasian Siste E-Commerce Komputer dan Hnadphone Berbasis Web I Nyoman Agus Winarta Palguna .......................................................................
506
PENGHAPUSAN DERAU SUARA DENGAN MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE DENGAN ADAPTIVE FILTER Anak Agung Rani Pradnyadari1, I Made Widiartha2 1,2
Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana Jln. Kampus udayana, bukit-jimbaran ABSTRAK
Seiring dengan berkembangnya teknologi, sudah banyak tercipta aplikasi–aplikasi yang menggunakan data sinyal suara sebagai data masukkannya.Seperti sistem keamanan rumah yang menggunakan suara pemiliknya sebagai kata kunci,danberbagai macam sistem pengenalan suara yaitu pengenalan jenis kelamin, pengenalan suara, serta pengenalan pemilik suara tersebut. Namun dalam penelitiannya masih terdapat kekurangan dimana masih terdapat derau pada sinyal suara tersebut.Gangguan derau ini sangat mengganggu dan dapat mempengaruhi nilai hasil keluaran dari sistem yang dibuat.Gangguan ini dapat timbul dari suara bising lingkungan sekitar atau suara – suara yang tidak diinginkan ada pada sinyal suara masukkan sistem sehingga informasi yang diterima kurang jelas.Untuk mengatasi adanya derau pada sinyal suara ini peneliti melakukan penelitian algoritma yang dapat melakukan penekanan derau. Salah satu algoritma yang sering digunakan untuk melalukan proses penekanan derau ini adalah algoritma Least Mean Square. Algoritma ini merupakan algoritma yang paling sederhana dan paling sering digunakan untuk proses penekanan derau. Namun dalam penelitian kali ini akan ditambahkan fungsi Adaptive filter untuk meningkatkan kualitas dari hasil suara yang dikeluarkan oleh sistem. Dari penelitian yang dilakukan dengan mengkobinasikan beberapa nilai variable ordo filter dan langkah didapatkan hasil nilai MSE dan SNR yang digunakan untuk mengetahui kombinasi mana yang akan digunakan sistem untuk mendapatkan hasil yang diinginkan.Dari hasil uji terhadap sistem diperoleh nilai MSE yang terbesar adalah 0,00472 dan nilai MSE yang terendah adalah 0,00437.Kombinasi nilai yang menghasilkan nilai MSE terndah adalah ordo filter = 10 dan langkah = 0.1 dimana nilai MSE yang dihasilkan adalah 0.00437 dan nilai SNR adalah 15.9297dB dengan nilai SNR awal adalah 16,3665dB.
Kata Kunci: LMS, FIR, Noise, Speech Signal, Adaptive filter, Denoising. ABSTRACT As the technology advances, has created many applications that use voice signal data as the input. Such as home security system that uses sound as a keyword owner, and various kinds of speech recognition system for introduction of gender, voice recognition, as well as the owner of the voice recognition. But there is still a shortage in research where there are noises on the sound signal. This is very disturbing noise interference and can affect the value of the output of the system are made. These disorders can arise from noise or sound environment - no unwanted noise on the sound signal enter the system so that the information received is less clear. To cope with the presence of noise on the sound signal is researcher doing research algorithms that can perform noise suppression. One algorithm that is often used to perform a noise suppression process is the Least Mean Square algorithm. This algorithm is an algorithm which is the simplest and most commonly used for noise suppression. However, in the present study will be added Adaptive filter function to improve the sound quality of the results issued by the system. From research conducted by combining a few values of variable order filter and measure the results obtained MSE and SNR values are used to determine which combinations to use the system to obtain the desired results. From the test results of the system obtained the largest MSE value is 0.00472 and the lowest MSE value is 0.00437. Value combination that produces lows MSE value is order filter = 10 and step = 0.1 where the resulting value is 0.00437 MSE and SNR value is 15.9297dB the initial SNR value is 16,3665dB
Keywords: LMS, FIR, Noise, Speech Signal, Adaptive filter, Denoising.
488
ISSN : 2302 – 450X
1
PENDAHULUAN
Penelitian pengenalan pola suara sudah banyak dilakukan.Seperti pengenalan suku kata dari ucapan, identifikasi suara, dan juga terdapat penelitian tentang sekuritas menggunakan kata kunci suara. Salah satu kelemahan yang terdapat dalam sistem tersebut adalah masih timbulnya gangguan yang dapat mengganggu informasi dari sumber ke tujuan. Gangguan yang timbul dapat berasal dari peralatan yang digunakan maupun dari lingkungan sekitar. Untuk mengatasi kecilnya nilai akurasi yang didapat dalam penelitian – penelitian sebelumnya maka penulis mengambil topik tentang penekanan derau atau penghilang Noise pada sinyal suara guna meningkatkan kualitas inputan suara kedalam sistem pengenalan pola suara. Voice/Speech recognition atau biasa kita kenal dengan pengenalan pola suara adalah suatu pengembangan teknik dan sistem yang memungkinkan komputer untuk menerima masukan berupa kata atau yang diucapkan. Teknologi ini memungkinkan suatu perangkat untuk mengenali dan memahami kata-kata yang diucapkan dengan cara digitalisasi kata dan mencocokkan sinyal digital tersebut dengan suatu pola tertentu yang tersimpan dalam suatu perangkat (Nelson Morgan, Herve Bourland, and Hynek Hermansky, 2004). Noise (kebisingan), dalam pengertian umum, adalah suatu gangguan yang "didengar" orang, tetapi dalam telekomunikasi kata Noise juga dipakai sebagai suatu istilah untuk gangguan listrik yang menimbulkan kebisingan yang dapat didengar dalam suatu sistem (Kosko, 2006). Noise dapat timbul dengan berbagai cara. Satu contoh jelas adalah waktu adanya sambungan yang salah dalam suatu alat yang jika itu adalah pesawat penerima radio, menghasilkan tipe kebisingan yang terputus-putus atau trackling (gemercak) pada keluarannya. Untuk mendapatkan sinyal yang bebas dari gangguan noise diperlukan suatu perangkat atau alat tambahan yang dinamakan Filter. Salah satu Filter yangdapat digunakan untuk menekan derau dari sinyal suara adalah Filter adaptif. Filter adaptif merupakan Filter digital yang menggunakan umpan balik untukmenentukan nilai dari koefisien Filter terbaik yangdipakai untuk memperoleh sinyal yang diinginkan. Dalam penelitian kali ini penulis akan menggunakan algoritma Least Mean Squaredengan adaptive filter.
2
METODOLOGI
Metode yang digunakan dalam penelitian kali ini adalah algoritma Least Mean Squareyang telah ditambahkan atau dikembangkan dengan menambahkan metode adative filter untuk memperjelas dan menambah kualitas dari sinyal suara tersebut, dan dataset yang digunakan adalah data suara manusia (.wav). 2.1 Filter Filter adalah suatu alat untuk memisahkan sinyal–sinyal yang diinginkan dari sinyal-sinyal yang tidak diinginkan.Filter berkembang dalam pemakaiannya di bidang Elektroteknik menjadi sebagai alat untuk memisahkan signal dari derau. Secara umum terdapat 2 jenis filter yaitu a. Filter Analog Filter ini kebanyakan digunakan untuk mengurangi derau, peningkatan sinyal video, grafik equilizer dalam sistema Hi-Fi dan lain lain b. Filter Digital Menggunakan digital prcessor untuk melakukan kalkulasi numerik pada nilai contoh sinyal. Prosesor digital yang biasa digunakan seperti PC atau DSP (DigitalSignal Processing) chip Beberapa keuntungan penggunaan filter digitalantara lain: 1. Filter digital bisa di program (programmable).Operasi yang dilakukan dapat diprogram yang kemudian dapat disimpan di memori prosesor. Hal ini menunjukkan filter mudah untuk diubahmelalui program tanpa mengubah rangkain elektronik ( hardware ). 2. Filter digital lebih mudah di desain, dites dan diimplementasikan. 3. Karakteristik rangkaian filter analog tergantung perubahan temperatur, filter digital tidak 4. terpengaruh perubahan temperatur dan sangat stabil. 5. Filter digital mampu bekerja pada sinyal frekuensi rendah dengan akurat. 6. Filter digital serbaguna dalam kemampuannya memproses berbagai sinyal,sepertifilter adaptif yang mampu menyesuaikan terhadap perubahan sinyal.
489
Anak Agung Rani Pradnyandari, Penghapusan Derau Suara dengan Menggunakan Algoritma Least Mean Square dengan Adaptive Filter 2.2 Least Mean Square Algoritma Least Mean Square (LMS) ini termasuk algoritma yang menggunakan operator gradien ∆ dalam proses adaptasinya. Proses adaptasi dari tap-weight (bobot koefisien filter) ini berlangsung secara rekursif, dimulai dengan suatu nilai awal ( initial value ). Oleh karena itu hasil yang diperoleh akan semakin baik bila jumlah iterasinya semakin besar. Hasil akhir yang diharapkan dari proses iterasi ini ialah suatu nilai yang konvergen terhadap solusi dari metode filter Wiener. Proses rekursi yang biasa digunakan ialah steepest descent yang bentuknya adalah [09] :
Algoritma LMS ini tidak memerlukan proses perhitungan yang rumit karena tidak membutuhkan perhitungan fungsi korelasi maupun perhitungan invers matriks. Sifat-sifat perhitungan yang sederhana ini akan dapat dengan mudah diterapkan dalam bentuk program komputer. Karena kemudahannya inilah algoritma sering digunakan dalam perhitungan filter adaptif. 2.3
Adaptive filter
w(n+1) = w(n) + ½ m[-∆(J(n))] …………………(1) Untuk dapat mengembangkan perkiraan vector gradien ∆ (J(n)), strategi yang paling tepat ialah dengan mensubstitusikan mastriks korelasi R dan vektor korelasi silang pada persamaan : ∆ ( J(n)) = -2 p+ 2 Rw(n) …………………………(2) Pilihan estimator yang paling sederhana untuk R dan padalah dengan menggunakan perkiraan, berdasarkan pada besaran sampel vektor tap input { u(n)} dan respon yang diinginkan {d(n)}, seperti yang ditentukan oleh : R(n) = d(n)x(n) p(n) = x(n)xT(n)w(n) ……………………………..(3)
Gambar 2.1 Diagram Penghilang Derau Sinyal masukan x(n) adalah penjumlahan dari sinyal suara s(n) dengan derau yang menyertai sinyal suara tersebut d(n). () = () + () …………………..……...(6) Sinyal masukan pada Filter adaptif d’(n) adalah sinyal derau yang dicuplik dari sumber derau yang menginterferensi sinyal suara. Pada Filter adaptif digunakan umpan balik untuk menentukan nilai koefisien Filter setiap ordenya. Filter mempunyai struktur FIR dengan tanggapan impuls sama dengan koefisien Filternya. Koefisien padaFilter adaptif untuk orde-p didefinisikan sebagai berikut :
Untuk nilai vektor gradien, diperoleh dengan mensubstitusikan persamaan (3) ke dalam persamaan (2) :
wn = [wn(0), wn(1), ..., wn(p)] T…………………..(7)
∆(J(n)) = -2(x(n)xT(n)w(n)) + 2 (d(n)x(n))w(n)…………..(4)
wn+1 = wn + ∆wn
Setelah memperoleh nilai dari masing-masing parameter, maka dapat ditentukan suatu nilai update dari tap-weight (bobot dari koefisien filter) dengan menggunakan persamaan sebagai berikut :
Pada variabelFilter selalu dilakukan up-date untuk koefisien Filternya sebagai berikut : = + 2 ……………….…………...(8) dengan ∆wn merupakan faktor koreksi dari koefisien Filter dan merupakan nilai mean square error.
w(n+1) = w(n) + µ (p(n) – R(n)w(n)) …….…………...(5)
= {() }……………………………………(9)
Dari keseluruhan rumus yang diturunkan, maka untuk algoritma LMS dapat disimpulkan sebagai berikut :
Filter adaptif menampilkan faktor koreksi berdasarkan sinyal masukan dan kesalahan sinyal. Kesalahan sinyal (signal error) pada Filter dapat dihitung dengan menggunakan persamaan sebagai berikut :
a. Output filter : y(n) = w(n) x(n) b. Error estimasi: e(n) = d(n) – y(n) c. Adaptasi tap-weight : w(n+1) = w(n) + µ d(n)e(n)
e(n) = x(n) – y(n)………………..…………………..(10) dengan : y(n) = x(n) . w(n)
490
ISSN : 2302 – 450X
() = (). () … … … … … … … … … … . . (11)
Filter adaptif biasanya menggunakan algoritma LMS (Least Mean Square) untuk mencari nilai MSE (Mean Square Error) pada sistem yang kemudian digunakan untuk menentukan koefisien Filter. Penghitungan koefisienFilter pada Filter adaptif dengan menggunakan nilai MSE adalah sebagai berikut :
w(n+1) = w(n) + µe(n)d(n)………………………(12)
mengandung informasi mulai dari hingga 1800 Hz, sehingga kita bisa merancang sebuah filter lolosrendah (low-pass) yang akan menahan derau antara 1800 Hz hingga batasan Nyquist, 4000 Hz (separo dari frekuensi cuplik 8000 Hz).
4
HASIL PENGUJIAN
Pada penelitian ini menggunakan dataset yang diperoleh dengan merekam beberapa suara manusia dengan rentang umur 18 – 50 tahun, mengingat perubahan organ penghasil sinyal suara yang berubah saat beranjak dewasa dan penurunan fungsi organ saat lanjut usia.
2.5 Evaluasi
Keberhasilan suatu proses penghapusan interferensi suara dapat ditentukan berdasarkan kualitas suara yang dihasilkan, SNR (Signal to Noise Ratio), MSE (Mean Square Error). Signal toNoise Ratio (SNR) merupakan perbandingan antara daya sinyal asli (Px) dengan daya derau (Pe). Secara matematis dapat dinyatakan sebagai berikut : Gambar 1 Spektogram suara sebelum penghapusan derau
…………...…..(11) Dengan ………………(13) Dan …………..……………..(14) Maka persamaan tersebut dapat disederhanakan seperti berikut : ……………(15)
3
SKENARIO UJI COBA
Pada penelitian ini pengujian dilakukan dengan menguji cobakan penghapusan derau pada sinyal suara dengan algoritma Least Mean Square dan melihat perbandingan hasil spectogram sebelum dana setelah melalui proses penghilangan derau. Dalam suatu sistem perekaman suara, dilakukan perekaman suara secara digital dalam suatu area yang berisik dengan frekuensi cuplik 8 kHz. Dianggap bahwa rekaman suara yang dihasilkan
Gambar 2 Spektogram suara setelah penghapusan derau Dari gambar diatas dapat dilihat bahwa gambar spektogram sinyal suara hasil dari penghapusan derau memiliki kerenggangan dari spektogram suara sebelum melalui proses penghilangan derau.Berikut nilai hasil uji kombinasi nilai panjang ordo filter dang nilai learning rate 491
Anak Agung Rani Pradnyandari, Penghapusan Derau Suara dengan Menggunakan Algoritma Least Mean Square dengan Adaptive Filter Tabel 1 Nilai Hasil Uji Algoritma µ
µ
KONDISI
Ordo Filter
MSE
GALAT
SNR
2
0.00472
5.91E-05
16.2658
4
0.00451
5.61E-05
16.0625
6
0.00443
5.33E-05
15.9858
0.1
0.1
492
4
0.0045105
2.70E-05
16.0654
6
0.0044331
2.01E-05
15.9898
8
0.0043915
1.90E-05
15.9493
10
0.0043743
2.17E-05
15.9331
10
0.00437
5.04E-05
15.9269
12
0.0043767
2.47E-05
15.937
12
0.00438
5.03E-05
15.9297
14
0.0043926
2.77E-05
15.9545
14
0.00439
5.05E-05
15.9463
16
0.0044132
3.06E-05
15.9765
16
0.00441
5.06E-05
15.9674
0.004452
2.6213E-05
16.00914
0.00445
5.291E-05
16.00356
rata-rata
KESIMPULAN
KONDISI
2
MSE 0.00462
GALAT 5.81E-05
SNR 16.1713
4
0.00457
5.91E-05
16.123
6
0.00447
5.96E-05
16.0177
8
0.00441
5.98E-05
15.9605
10
0.00438
5.96E-05
15.9314
12
0.00437
5.94E-05
15.9245
14
0.00438
5.93E-05
15.9348
16
0.0044
5.88E-05
15.9546
0.00445
5.9213E-05
16.00223
Ordo Filter
rata-rata
SNR 16.2675
15.9441
Ordo Filter
0.05
GALAT 3.89E-05
5.33E-05
rata-rata µ
2
MSE 0.0047218
0.00439
5
0.01
KONDISI
8
rata-rata µ
Ordo Filter
KONDISI
2
MSE 0.00462
GALAT 5.95E-05
SNR 16.1714
4
0.00472
5.99E-05
16.2656
6
0.00457
5.98E-05
16.1233
8
0.00451
5.95E-05
16.0622
10
0.00447
5.91E-05
16.018
12
0.00443
5.87E-05
15.9853
14
0.00441
5.82E-05
15.9609
16
0.00439
5.77E-05
15.9434
0.004515
0.00005905
16.06626
Proses penghapusan derau pada sinyal suara dapat dilakukan dengan menggunakan algoritma Least Mean Square. Dan dengan ditambahkannya adaptive filter akan membuat kualitas dari sinyal data suara masukkan akan meningkat dan memiliki nilai SNR yang lebih kecil dari nilai SNR awal. Selanjutnya pada penelitian ini menggunakan kombinasi nilai ordo dan langkah yang diuji cobakan sehingga mendapatkan kombinasi yang tepat untuk mendapat nilai Mean Square Error dan nilai Signal to Noise Ratio yang minimal. Dari penelitian ini diketahui kombinasi nilai ordo dan langkah terbaik yang dapat digunakan untuk mendapat nilai MSE dan SNR yang minimal adalah ordo = 10 dan langkah = 0.1 yang menghasilkan nilai MSE = 0.00437 dan SNR = 15.9269. DAFTAR PUSTAKA [1] Gyanendra Singh, Kiran Savita, Shivkumar Yadav. (May 2013). Design of Adaptive Noise Canceller using LMS Algorithm. International Journal of Advanced Technology & Engineer Research (IJATER), 85-89. [2] Nelson Morgan, Herve Bourland, and Hynek Hermansky. (2004). Automatic Speech Recognition. Springer. [3] Rabiner, L. I., Levinson, S. E., Rosenberg, A. E., & Wilpon, J. A. Y. G. (1979). SpeakerIndependent Recognition of Isolated Words Using Clustering Techniques. IEEE Trans. Acoustics, Speech, Signal Proc, ASSP-27(4), 336–349. [4] Simon Haykin. Adaptive Filter Theory 2nd Ed. New Jersey: Prentice-Hall, Inc., 1991.
