SIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT ( Kristiawan Purwanto, Tutug Dhanardono) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp : +6231-5947188 Fax : +6231-5923626 E-mail :
[email protected]
Abstrak Derau mengakibatkan sinyal yang diterima mengalami kecacatan atau kerusakan bahkan menghilangkan informasi yang dibawa. Hal ini tentu saja membuat kualitas suara menjadi buruk, sehingga diperlukan suatu pemrosesan sinyal untuk mereduksi derau tersebut. Untuk menghilangkan dan menentukan besarnya derau yang ditimbulkan, maka digunakan salah satu metode pemrosesan sinyal yaitu wavelet. Derau yang diambil merupakan suara-suara lain yang menjadi latar belakang bagi sinyal suara. Pengambilan contoh sinyal suara yang berderau dilakukan di gedung serbaguna Kebun Raya Purwodadi yang memiliki kualitas gedung yang buruk karena sangat berdengung sekali. Untuk menghilangkan derau dari koefisien-koefisien wavelet digunakan minimax thresholding. Sinyal yang akan dihapus deraunya sebelum dilakukan thresholding, didekomposisi menggunakan wavelet Daubechies dengan menentukan tingkat dekomposisi terendah dan tertinggi. Besarnya derau yang telah direduksi bisa dilihat melalui nilai SNR dan pendekatan visual berupa gambar hasil reduksi sinyal suara. Kata Kunci : Wavelet, Daubechies, thresholding 1. Pendahuluan Dalam sistem komunikasi tidak seluruh sinyal yang dikirim oleh pengirim akan diterima dengan baik seluruhnya oleh penerima. Adanya derau mengakibatkan sinyal yang diterima mengalami kecacatan atau kerusakan bahkan menghilangkan informasi yang dibawa. Derau dapat diartikan sebagai sinyal-sinyal yang tidak diinginkan yang menyertai sinyal informasi atau pesan yang dapat merusak sinyal informasi tersebut. Derau dapat ditimbulkan dari luar sistem komunikasi misalnya petir, suara kendaraan bermotor, maupun berasal dari komponen-komponen elektronika peralatan komunikasi, misalnya derau panas. Seperti halnya pada gedung serbaguna kebun Raya purwodadi, ruangan tersebut merupakan tempat audiency yang membutuhkan kejelasan suara dalam penyampaian komunikasinya, yaitu pada saat berbicara ataupun acara-acara lainnya. Derau dapat diakibatkan oleh suara penonton dan gema yang dihasilkan dari pantulan dinding ruangan. Untuk menghilangkan dan menentukan besarnya derau yang ditimbulkan, maka digunakan berbagai metode pemrosesan sinyal. Salah satu metode pemrosesan sinyal yang dapat digunakan untuk menghapus derau adalah wavelet. Transformasi wavelet dalam konteks pemrosesan sinyal adalah suatu metode yang digunakan untuk mendekomposisi sinyal masukan ke dalam bentuk suatu gelombang yang disebut wavelet induk, dan menganalisis sinyal dengan
1
memberi perlakuan terhadap koefisien wavelet. Prinsip yang sama juga diperlakukan pada transformasi Fourier, namun yang membedakan adalah analisis yang dilakukan. Dalam transformasi Fourier, analisis dilakukan secara keseluruhan dengan resolusi yang sama untuk seluruh frekuensi, sedangkan transformasi wavelet memberlakukan analisis dengan resolusi yang berbeda untuk setiap frekuensi yang berbeda. Dekomposisi pada transformasi wavelet dilakukan dengan membagi sinyal masukan ke dalam frekuensi tinggi dan rendah mempergunakan low pass filter dan high pass filter dalam domain waktu diskrit. Sinyal frekuensi rendah yang dihasilkan disebut aproksimasi dan sinyal frekuensi tinggi yang dihasilkan disebut detail. Dalam sinyal informasi berupa suara yang akan dibahas dalam Tugas Akhir ini terdapat dua informasi yang dibawa, yaitu waktu dan frekuensi. Dalam cakupan waktu, perubahan amplitudo merupakan hal yang sangat diperhatikan, sedangkan dalam cakupan frekuensi respon dari suara yang berbeda menunjukkan adanya perbedaan frekuensi yang dihasilkan. Kedua informasi tersebut tetap dapat dipertahankan dan dianalisis dengan menggunakan pendekatan resolusi jamak yang diaplikasikan dalam bentuk dekomposisi transformasi wavelet. Untuk tujuan penghapusan derau yang timbul dalam sinyal suara maka digunakan suatu metode yang disebut thresholding. Prinsip dasar
metode ini yaitu me-nolkan nilai-nilai koefisien wavelet yang berada di bawah nilai threshold d an mengambil nilai-nilai selainnya untuk keperluan rekonstruksi sinyal. Selanjutnya dilakukan penghapusan terhadap suara-suara keramaian yang melatar belakangi suara yang diinginkan dengan menggunakan jenis wavelet yang berbeda serta tingkat dekomposisi yang berbeda dengan menggunakan minimax thresholding dengan metode simulasi. Dengan simulasi ini diharapkan dapat mengurangi derau dalam ruangan gedung serbaguna kebun raya Purwodadi-Pasuruan. 2.3 Sinyal Suara Sinyal dapat didefinisikan sebagai kuantitas fisik yang bervariasi seiring waktu atau variabel bebas lainnya yang menyimpan suatu informasi. Contoh sinyal adalah: suara manusia, kode morse, tegangan listrik di kabel telepon, variasi intensitas cahaya pada sebuah serat optik yang digunakan pada telepon atau jaringan komputer, dan lain-lainnya. Sinyal dapat diklasifikasikan menjadi beberapa jenis yaitu: sinyal waktu kontinyu, sinyal waktu diskrit, sinyal nilai kontinyu, sinyal nilai diskrit, sinyal random, dan sinyal nonrandom. Sinyal waktu kontinyu dengan nama lain sinyal analog adalah sinyal yang belum melalui proses apapun. Sedangkan sinyal nilai diskrit atau sinyal digital adalah sinyal analog yang telah melalui proses sampling, quantization, dan encoding. Sampling adalah proses mengambil nilai-nilai sinyal pada titik-titik diskrit sepanjang variabel waktu dari sinyal waktu kontinyu, sehingga didapatkan sinyal waktu diskrit. Jumlah titik-titik yang diambil setiap detik dinamakan sebagai sampling rate. Dalam melakukan sampling, perlu diperhatikan kriteria Nyquist yang menyatakan bahwa sebuah sinyal harus memiliki sampling rate yang lebih besar dari 2fm, dengan fm adalah frekuensi paling tinggi yang muncul disebuah sinyal. 2.4 Wavelet Transform Transformasi Wavelet ( Wavelet Transform, WT) merupakan salah satu metode yang digunakan untuk mengolah sinyal nonstasioner dan cocok untuk menganalisa biosignal yang selalu mengalami perubahan. WT dapat memberikan representasi waktu dan frekuensi secara bersamaan, sehingga dapat mempresentasikan sinyal yang dimaksud.
WT didesain untuk mendapatkan keuntungan dengan menggunakan resolusi waktu paling baik dan resolusi frekuensi paling kecil saat frekuensi tinggi, dan resolusi frekuensi paling baik dan resolusi waktu paling kecil saat frekuensi rendah, sesuai dengan representasi pada Gambar 1. 2.5 Analisa Multiresolusi Analisa dengan WT dilakukan dalam basis multi dimensi. Sehingga dapat dilakukan suatu dekomposisi pada suatu sinyal dalam beberapa tahap ( level), yang mana tiap tahap merepresentasikan suatu informasi yang terkandung dalam suatu sinyal. Secara skematis tahapan untuk melakukan multiresolution decomposition dapat dilihat melalui gambar yang akan diuraikan berikut. [Daubechies, 1990; Soltani, 2002; Unser dan Aldroubi,1996]
Gambar 2. Penerapan dekomposisi pada DWT; g[n] merupakan HPF; h[n] merupakan LPF. Analisis wavelet pada dasarnya merupakan pergeseran dan penskalaan suatu bentuk energi terbatas yang disebut wavelet induk ψ(t) terhadap sinyal yang diinginkan. Sehingga transformasi wavelet diskrit dapat dituliskan sebagai berikut. ψ j ,k (t ) = 2 j / 2ψ (2 j t − k ) (1) j adalah parameter perluasan (penskalaan) dan k adalah parameter pergeseran. Dalam praktisnya transformasi wavelet yang diwujudkan dalam dekomposisi sinyal masukan dua bentuk gelombang yang berlainan berdasarkan jenis filter yang digunakan. Low pass filter menghasilkan suatu bentuk gelombang yang disebut aproksimasi dan high pass filter menghasilkan bentuk gelombang acak yang disebut detail. Pembentukan kedua gelombang tersebut menggunakan pendekatan analisis resolusi jamak terhadap frekuensi yang berbeda. Yang dimaksud dengan resolusi adalah pemisahan dari setiap sinyal yang berubah-ubah menjadi bobot (skala) deret cuplikan yang digeser. Jadi, analisis resolusi jamak berhubungan dengan penskalaan pada wavelet. Gelombang yang dihasilkan dari pemfilteran low pass yaitu aproksimasi akan diperluas oleh satu fungsi translasi yang disebut father wavelet atau fungsi
Gambar 1. Resolusi domain yang dapat dilihat pada sinyal hasil transformasi dengan WT
2
penskalaan yang dapat ditulis sebagai berikut.
ϕJ
(t ) = 2 J / 2 ϕ (2 J 0
0 ,k
0
t−k
)
Pembangkitan Data Input
(2)
Adapun gelombang yang dihasilkan dari pemfilteran high pass yaitu detail akan diperluas oleh satu fungsi translasi dengan parameter penskalaan tertentu yang disebut wavelet induk (mother wavelet) atau fungsi wavelet yang dapat dituliskan.
ψ j ,k (t ) = 2 j / 2ψ (2 j t − k )
Pengambilan Data Suara dengan Menggunakan SLM
Konversi Data Rekaman Suara kedalam bentuk M-File pada Matlab
j = J 0 , J 0 + 1,......
(2.22 Sehingga hubungan fungsi wavelet dan fungsi penskalaan untuk sinyal masukan s dapat dituliskan sebagai berikut.
s (t ) = ∑ c k ϕ J 0 ,k (t ) + k∈Z
A
∞
∑∑ d j ,kψ j ,k (t )
(3)
j = J 0 k∈Z
Gambar 3. Flow Chart Pembangkitan Data Input 3.2 Konversi Data Rekaman Suara Rekaman sinyal suara yang belum terkomputerisasi tersebut tidak memiliki fasilitas untuk menkonversi rekaman tersebut dalam bentuk M-File pada Matlab. Melalui program Matlab tersebut rekaman akan terkonversi menjadi bentuk M-file yang nantinya kita bisa mengetahui bentuk dari gelombang suara yang telah direkam. Bentuk ini dapat terlihat pada Gambar 3.3 dan 3.4. Rekaman tersebut akan digunakan sebagai data sinyal input untuk diolah dengan menggunakan metode yang diajukan Karena desain sistem identifikasi ini disimulasikan dengan bantuan program MATLAB 7.1, data sinyal menjadi data yang dapat dikenali oleh program tersebut. Pada MATLAB 7.1, data yang dapat dikenali untuk sinyal suara adalah .wav dan .dat, sehingga load pada data tersebut dapat dilakukan dengan program ini. Rekaman suara yang akan terkonversi bergantung pada durasi waktu dari sinyal yang ingin dikonversi. Pada pengambilan data rekaman durasi yang dapat terkonversi berdurasi 5 – 10 sekon. Sehingga banyaknya data sample pada hasil konversi terdapat 200.000 – 300.000 data sample. 3.3 Pemodelan Derau Diasumsikan sinyal suara yang hendak dianalisis adalah : X[n] = S[n] + G[n] dengan X merupakan sinyal suara yang memiliki derau, S adalah sinyal suara, dan G merupakan derau yang ditambahkan serta n menyatakan titik cuplikan. Secara umum langkah-langkah penghapusan derau wavelet adalah sebagai berikut: i) Koefisien-koefisien discrete wavelet transform (TWD) dihitung, ii) Thresholding koefisien-koefisien detail wavelet, iii) Transformasi invers discrete wavelet transform (IDWT) dihitung 3.4 Process dengan DWT Single Decomposition Pada tahapan ini dilakukan pengolahan awal terhadap sinyal yang akan diidentifikasi dan dilakukan
Dalam perluasan ini, koefisien-koefisien ck ditunjukkan sebagai koefisien-koefisien aproksimasi pada skala J0. Adapun koefisien-koefisien dj,k merepresentasikan detail sinyal pada skala yang berbeda. Hubungan koefisien-koefisien wavelet terhadap sinyal masukan dapat ditulis dalam persamaan-persamaan berikut. d j ,k = s (t )ψ j ,k (t )dt (4)
c k = s (t )ϕ j0 , k (t )dt
(5)
3. METODOLOGI PENELITIAN Dalam pengerjaan penelitian ini, pada dasarnya mengacu pada beberapa tahapan yang harus dilakukan untuk mendapatkan tujuan yang diinginkan sesuai dengan yang diutarakan pada Bab I. Untuk elakukan reduksi derau sinyal suara, data yang digunakan merupakan data rekaman sinyal suara yang direkam di Gedung Serbaguna Purwodadi Pasuruan. Kata-kata yang diucapkan sebagai contoh sinyal suara yaitu ’cek’…’tes…1…2’ dengan ditambahkan noise yang melatarbelakangi kata-kata yang diucapkan sebagai derau yang ingin dihapus. Berikut diuraikan tahapan yang dilakukan dalam membangun desain sistem identifikasi untuk mereduksi sinyal suara melalui simulasi dengan MATLAB 7.1. 3.1 Pengambilan Data Rekaman Sinyal Suara Sesuai dengan Gambar 3.1, pembangkitan data input untuk mereduksi sinyal suara sangatlah bergantung dengan data yang tersedia. Dan seperti apa data akan diolah agar sinyal suara yang direduksi dapat memberikan hasil sesuai dengan yang diharapkan. Berikut diuraikan penjelasan tentang langkah yang dilakukan untuk membangkitkan dan mendapatkan data sebagai input.
3
dengan menggunakan Transformasi Wavelet ( WT). Dikarenakan data yang akan dianalisa, diolah dan diidentifikasi merupakan data yang berbentuk diskrit, maka WT yang digunakan untuk process adalah DWT (Discrete Wavelet Transform) Single Decomposition. Sesuai dengan yang dijelaskan sebelumnya, dekomposisi ini berdasarkan pada konsep pemfilteran. Suatu sinyal yang akan dilakukan process terlebih dahulu akan menghasilkan suatu koefisien yang dikatakan sebagai koefisien wavelet. Koefisien ini merupakan suatu parameter yang terdapat dalam suatu sinyal, yang mana dalam hal ini adalah sinyal suara. Prosedur ini menggunakan metode Discrete Wavelet Transform, yang mana adalah Analisa Sinyal Multiresolusi. Transformasi wavelet dalam konteks pemrosesan sinyal adalah suatu metode yang digunakan untuk mendekomposisi sinyal masukan ke dalam bentuk suatu gelombang yang disebut wavelet induk, dan menganalisis sinyal dengan memberi perlakuan terhadap koefisien wavelet. Prinsip yang sama juga diperlakukan pada transformasi Fourier, namun yang membedakan adalah analisis yang dilakukan. Dalam transformasi Fourier, analisis dilakukan secara keseluruhan dengan resolusi yang sama untuk seluruh frekuensi, sedangkan transformasi waveletmemberlakukan analisis dengan resolusi yang berbeda untuk setiap frekuensi yang berbeda. Dekomposisi pada transformasi wavelet dilakukan dengan membagi sinyal masukan ke dalam frekuensi tinggi dan rendah mempergunakan low pass filter dan high pass filter dalam domain waktu diskrit. Sinyal frekuensi rendah yang dihasilkan disebut aproksimasi dan sinyal frekuensi tinggi yang dihasilkan disebut detail. Dalam sinyal informasi berupa suara terdapat dua informasi yang dibawa, yaitu waktu dan frekuensi. Dalam cakupan waktu, perubahan amplitudo merupakan hal yang sangat diperhatikan, sedangkan dalam cakupan frekuensi respon dari suara yang berbeda menunjukkan adanya perbedaan frekuensi yang dihasilkan. Kedua informasi tersebut tetap dapat dipertahankan dan dianalisis dengan menggunakan pendekatan resolusi jamak yang diaplikasikan dalam bentuk dekomposisi transformasi wavelet.
A
Melakukan Pemodelan Sinyal Suara yang di Analisis
Proses Pengolahan Sinyal Suara dengan DWT Single Decomposition
Mendapatkan nilai Koefisien Aproksimasi
Mendapatkan nilai koefisien Detail
Thresholding koefisienkoefisien detail wavelet
Transformasi Invers Discrete Wavelet Transform (IDWT) dihitung
B
Gambar 4. Flow Chart Process 3.5 Process dengan DWT Single Decomposition Pada tahapan ini dilakukan pengolahan awal terhadap sinyal yang akan diidentifikasi dan dilakukan dengan menggunakan Transformasi Wavelet ( WT). Dikarenakan data berbentuk diskrit, maka WT yang digunakan untuk pre- process adalah DWT ( Discrete Wavelet Transform) Single Decomposition. Dekomposisi ini berdasarkan pada konsep pemfilteran dan akan menghasilkan suatu koefisien yang dikatakan sebagai koefisien wavelet. Koefisien ini merupakan suatu parameter yang terdapat dalam suatu sinyal.
Gambar 5. Implementasi DWT Single Decomposition pada Sinyal Suara yang akan Diolah.
4
belakang musik. Simulasi dilakukan menggunakan matlab 7.1 yang di dalamnya memuat wavelet. 4.1. Pemilihan Mother Wavelet untuk DWT Single Decomposition Pada subbab 3.2.1 dijelaskan bahwa koefisien wavelet didapatkan melalui dekomposisi yang dikenakan pada sinyal yang akan diidentifikasi. Hasil dekomposisi ini didapatkan dengan menerapkan prosedur yang telah diuraikan pada subbab 2.4.2 dan menggunakan suatu jenis mother wavelet untuk mendapatkan hasil yang dianggap lebih efisien. Sesuai dengan penelitian sebelumnya, diketahui bahwa jika dekomposisi dilakukan dengan mother wavelet jenis ‘db2’ dan ‘db5’ akan didapatkan akurasi untuk menekan atau mereduksi derau sebesar ±80 - 85%, jika dibandingkan dengan jenis mother wavelet lainnya. Oleh karena itu, untuk penelitian ini digunakan mother wavelet jenis Daubechies orde 2 (db2) dan 5 (db5) dengan level atau tingkat dekomposisi 5. Hal ini dikarenakan dengan menggunakan mother wavelet jenis ini akan didapatkan besaran feature yang dianggap lebih mewakili karakter sinyal suara yang akan diolah serta dirasa lebih sesuai dengan perubahan yang selalu terjadi pada sinyal suara. Proses reduksi noise dengan DWT ini dikalkulasi dengan menggunakan bantuan software wavemenu yang terdapat pada MATLAB 7.1. 4.2 Transformasi Wavelet untuk Reduksi Sinyal Suara Percobaan dilakukan dengan menggunakan jenis wavelet yaitu Daubechies. Masing-masing dengan skala 2 dan 5 yang dapat ditulis sebagai db2 dan db5. Tingkat dekomposisi yang dipilih adalah tingkat 5. Pemilihan tingkat didasari atas pertimbangan bahwa pada tingkat ini kualitas sinyal suara masih dapat dipertahankan dan derau yang melatarbelakangi sinyal suara mulai menunjukkan tanda-tanda pengurangan pengaruh terhadap sinyal suara. Untuk menekan derau digunakan soft thresholding dengan pengkhususan pada minimax thresholding. Hasil simulasi menunjukkan penggunaan wavelet db5 tingkat 5 akan lebih banyak menekan derau dari pada wavelet db2 dengan tingkat yang sama. 4.2.1 Reduksi Sinyal Suara dengan White Noise (DWT Single Decomposition) Sinyal suara yang digunakan pada proses reduksi berikut adalah suara dengan white noise. Sinyal suara ini memiliki data sampling sebanyak 244114 dengan frekuensi sampling sebesar 44.1 KHz. Sinyal ini akan mengalami proses decomposisi yang nantinya akan dipecah manjadi 6 koefisien. Proses decomposisi ini melibatkan dua filter, yaiu Low Pass Filter dan High Pass Filter. Setelah mengalami pemfilteran maka sinyal akan terpecah berdasarkan nilai koefisien waveletnya. Gambar berikut adalah sinyal suara dengan white noise sebelum dilakukan reduksi noise.
Gambar 5. menunjukkan implementasi DWT Single Decomposition pada suatu sinyal Suara yang akan dianalisa. Implementasi ini sesuai dengan yang ditunjukkan pada Gambar 2.9. Dalam penelitian ini dekomposisi dilakukan sebanyak 5 level, sehingga pada process ini akan dihasilkan 6 macam koefisien. Koefisien ini adalah cD1 ( Koefisien Detail 1), cD2 ( Koefisien Detail 2), cD3 ( Koefisien Detail 3), cD4 ( Koefisien Detail 4), cD5 ( Koefisien Detail 5), cD6 ( Koefisien Detail 6), dan cA6 ( Koefisien Aproksimasi 6). 3.8 Training dan Pengujian Setelah didapatkan bentuk dekomposisi dari sinyal suara, hal yang dilakukan selanjutnya adalah melakukan resintesis. Maka koefisien-koefisien wavelet tersebut akan dibentuk kembali melalui proses sintesis. Proses ini disebut inverse discrete wavelet transform (IDWT). Setelah melalui proses resintesis, maka didapatkan sinyal suara yang telah mengalami reduksi derau. Penentuan sinyal suara yang dapat dipertahankan kemudian dihitung menggunakan standard deviasi dan signal-to-noise ratio (SNR) sehingga besarnya derau yang dapat ditekan dapat ditentukan. Selain itu, dengan menggunakan pendekatan visual dan pendengaran besarnya derau yang dapat ditekan bisa diketahui.
std ( X ) =
1 N ( xi − x ) 2 ∑ N i =1
S (t ) 2 SNR = 10 log 2 N (t )
(7)
(8)
4. PENGUJIAN DAN ANALISA PERANCANGAN Analisa didasarkan pada hasil pengujian yang telah didapatkan setelah dilakukannya proses reduksi derau sinyal suara yang telah dirancang sesuai dengan paparan pada Bab III. Percobaan ini dilakukan dengan memberi masukan berupa sinyal suara yang mengandung derau. Data suara yang direkam berupa kata yang disertai dengan white noise, suara atau kata yang disertai dengung akibat pengaruh dari dinding gedung sendiri dan kata yang disertai dengan noise latar belakang berupa musik. Kata-kata yang diucapkan sebagai contoh sinyal suara yaitu ’cek’…’tes…1…2’ dengan ditambahkan noise yang melatarbelakangi katakata yang diucapkan sebagai derau yang ingin dihapus. Perekaman menggunakan laju cuplikan 44100 Hz dan cuplikan data suara sebanyak 244114 untuk perekaman sinyal suara dengan white noise, 318422 untuk perekaman sinyal suara dengan dengung dan 233531 untuk perekaman sinyal suara dengan noise latar
5
derau yang desertai oleh penurunan amplitude. Sedangkan pada wavelet db5 tingkat 5 pengurangan derau lebih banyak dengan penurunan amplitude yang lebih banyak pula. Meskipun nilai threshold dinaikkan dan skala wavelet yang digunakan semakin besar tidak dapat menghilangkan derau. Berdasarkan tabel-tabel di atas dapat dilihat perbandingan secara umum wavelet Daubechies untuk jenis Wavelet yang berbeda dengan tingkat yang sama . Nilai standar deviasi yang dihasilkan Daubechies 2 adalah yang terkecil. Hasil ini menunjukkan penggunaan Daubechies 5 lebih baik dalam menekan derau daripada Daubechies 2, namun ditunjang menurunnya amplitude suara. 4.2.2 Reduksi Sinyal Suara dengan dengung (DWT Single Decomposition) Pada subbab ini, data suara yang digunakan adalah suara dengan dengung yang dihasilkan oleh pantulan dari dinding gedung. Sinyal suara ini memiliki data sampling sebanyak 318422 dengan frekuensi sampling sebesar 44.1 KHz. Proses yang dilakukan sama dengan sebelumnya, yaitu mendapatkan koefisien wavelet melalui dekomposisi yang dikenakan pada sinyal yang akan diidentifikasi. Gambar berikut adalah sinyal suara dengan dengung sebelum dilakukan reduksi noise.
Gambar 6. Sinyal Suara dengan White Noise Adapun hasil simulasi daripada reduksi noise dari sinyal suara dengan white noise adalah sebagai berikut.
Gambar 7. Sinyal Suara dengan White Noise db2 tingkat 5 De-noised
Gambar 9. Sinyal Suara dengan Dengung Dan berikut ini hasil proses reduksi dari sinyal suara dengan dengung untuk db2 dan 5:
Gambar 8. Sinyal Suara dengan White Noise db5 tingkat 5 De-noised Tabel 4.1. Standar Deviasi untuk Wavelet db 2 dan 5 untuk Sinyal Suara dengan White Noise Jenis Standar Tingkat Wavelet deviasi db2 5 0.05444 db5 5 0.04645
Gambar 10. Sinyal Suara dengan Dengung db2 tingkat 5 De-noised
Dari Hasil simulasi menunjukkan penggunaan wavelet db2 tingkat 5 akan menghasilkan pengurangan
6
Berikut ini hasil de-noised dari sinyal suara dengan background noise musik dengan Daubechies 2 dan 5 untuk tingkat 5.
Gambar 11. Sinyal Suara dengan Dengung db5 tingkat 5 De-noised Gambar 13. Sinyal Suara dengan Latar Belakang Musik db2 tingkat 5 De-noised
Tabel 4.2. Standar Deviasi untuk Wavelet db 2 dan 5 untuk Sinyal Suara dengan Dengung Jenis Standar Tingkat Wavelet deviasi db2 5 0.5617 db5 5 0.5137 Hasil simulasi pada penggunaan wavelet db2 tingkat 5 menunjukkan pengurangan derau yang tidak banyak berkurang. Hal ini bisa dilihat dari gambar sinyal suara hasil reduks yang masih sama dengan sinyal aslinya, hanya saja sudah terdapat sedikit pengurangan amplitude. Berdasarkan tabel-tabel di atas dapat dilihat bahwa nilai standard deviasi yang dihasilkan untuk masing-masing jenis wavelet begitu besar dibandingkan standard deviasi dari suara dengan white noise. Ini membuktikan bahwa tingkat pengurangan derau pada suara dengung tidak begitu banyak sehingga hasilnya hampir sama dengan suara aslinya. 4.2.3 Reduksi Sinyal Suara dengan Noise Latar Belakang Musik (DWT Single Decomposition) Sinyal suara dengan noise latar belakang musik memiliki data sampling sebanyak 233531 dengan frekuensi sampling sebesar 44.1 KHz. Sinyal suara ini diambil dengan merekam kata-kata berupa ‘tes....1,2’ pada SLM dengan ditambahi dengan background noise berupa musik selama kurang lebih 5-10 detik. Gambar berikut merupakan sinyal suara dengan noise latar belakang musik sebelum di reduksi.
Gambar 14. Sinyal Suara dengan Latar Belakang Musik db5 tingkat 5 De-noised Tabel 4.3. Standar Deviasi untuk Wavelet db 2 dan 5 untuk Suara dengan Noise Latar Belakang Musik Jenis Standar Tingkat Wavelet deviasi db2 5 0.07617 db5 5 0.06737 Dari hasil reduksi, bisa dilihat bahwa untuk wavelet db5 noise yang dapat ditekan atau dihilangkan lebih banyak dari wavelet db2 dengan tingkat decomposisi yang sama. Namun amplitude yang dihasilkan oleh wavelet db5 lebih kecil dari pada wavelet db2. Hal ini dapat kita lihat pada nilai hasil dari standard deviasi untuk masing-masing wavelet. Nilai standard deviasi yang terkecil berarti bahwa tingkat penekanan dan kualitas suara yang dihasilkan masih lebih bagus dari pada yang lain. 4.3 Pengujian Kualitas Reduksi Derau Suara Penentuan sinyal suara yang dapat dipertahankan kemudian dihitung menggunakan standard deviasi dan signal-to-noise ratio (SNR) sehingga besarnya derau yang dapat ditekan dapat ditentukan. Selain itu, dengan menggunakan pendekatan visual besarnya derau yang dapat ditekan bisa diketahui. Berikut ini hasil SNR untuk tiap jenis reduksi derau suara dengan jenis dan tingkat wavelet yang berbeda :
Gambar 12. Sinyal Suara dengan Latar Belakang Musik
7
Tabel 4.4. SNR untuk Sinyal Suara dengan White Noise db 2 dan 5 SNR (dB) Jenis Tingkat noised DeWavelet selisih noised dB2 5 1.9275 22.915 20.9875 1.9275 dB5 5 23.792 21.865
2. Penentuan tingkat dekomposisi sangat menentukan kelanjutan dari penghapusan disamping penentuan jenis thresholding dalam menekan derau. 3. Derau tidak dapat dihapus atau dihilangkan tetapi hanya dapat dikurangi atau ditekan. 4. signal-to-noise ratio (SNR) dari wavelet db 5 adalah yang terbesar sehingga derau lebih banyak di reduksi dari pada wavelet db 2, namun dengan amplitude yang lebih kecil. 5.2. Saran Dari penelitian ini, terdapat beberapa hal yang belum terselesaikan dan dilakukan. Hal ini berkaitan dengan tindak lanjut yang akan dilakukan pada penelitian berikutnya. Yang mana hal tersebut dapat dikembangkan lebih lanjut. Hal tersebut adalah perlu dilakukan pengujian dengan pendekatan suara agar hasil yang di peroleh lebih jelas.
Tabel 4.5. SNR untuk Sinyal Suara dengan Dengung db2 dan 5 SNR (dB) Jenis Tingkat Wavelet noised De-noised selisih dB2 5 1.73 16.323 14.593 1.73 dB5 5 17.258 15.528 Tabel 4.6. SNR untuk Sinyal Suara dengan Noise Latar Belakang Musik db 2 dan 5 SNR (dB) Jenis Tingkat noised DeWavelet selisih noised dB2 5 -0.1418 17.549 17.69 -0.1418 dB5 5 19.658 19.7998
DAFTAR PUSTAKA 1. MathWorks, 2006, MATLAB [CDROM], ver. 7.0, rel 13, [Program komputer], Distributor: The Mathworks Inc., 24 Prime Park Way, Natick, MA, 01760-1500,USA. 2. Anonimous, ‘Chapter 2: The discrete wavelet transform’, hal. 9-10. 3. ‘An Introduction to Wavelets’, 1995, IEEE Computational Science and Engineering, vol 2, no. 2, hal 1. 4. Bomers, F, M2000, ‘Wavelets in real time digital audio processing: Analysis and sample implementations’, Master’s thesis, University of Mannheim. 5. Lallouni, A, Gabrea, M & Gargour CS, M 2004, ‘Wavelet based speech enhancement using two different threshold-based denoising algorithms’, hal. 0315 Reza, AM, 19 Oct. 1999,’Wavelet Characteristics: What Wavelet Should I Used?’, Spire lab, UWM. 6. Saito, N, 4 Apr. 2004, ‘Frequently Asked Question on Wavelets’. 7. Wolfe, JP & Godsill, SJ, 2003, ‘Audio Signal Processing Using Complex Wavelets’ dipresentasikan pada Konferensi Teknik Audio.
Dengan mengetahui nilai signal-to-noise ratio (SNR), kita bisa mengetahui seberapa besar kualitas sinyal suara masih dapat dipertahankan dan derau yang melatarbelakangi sinyal suara mulai menunjukkan tandatanda pengurangan pengaruh terhadap sinyal suara. Kualitas suara semakin bagus bila nilai SNR semakin besar. Dari hasil diatas nilai SNR Sinyal Suara dengan White Noise adalah yg terbesar sehingga kualitas suara yang dipertahankan juga baik. Sedangkan untuk Sinyal Suara dengan Dengung memilki nilai SNR yang terkecil, hal ini mengakibatkan kualitas suara yang dapat dipertahankan tidak begitu baik. Dan untuk Sinyal Suara dengan Noise Latar Belakang Musik terbilang cukup baik dalam mempertahankan kualitas suaranya. Derau tidak dapat dihapus atau dihilangkan tetapi hanya dapat dikurangi atau ditekan. Untuk pengujian yang berikutnya yaitu berupa pendekatan melalui suara masih belum bisa dilakukan dikarenakan adanya kegagalan dalam meresintesis ulang sinyal suara hasil dari reduksi noise tersebut. 5. PENUTUP 5.1. Kesimpulan Beberapa hal dapat disimpulkan berdasarkan hasil yang diperoleh melalui Pengujian dan Analisa Perancangan yang telah dilakukan dalam penelitian ini. yang mana diantaranya adalah: 1. Telah dapat dilakukan simulasi reduksi derau sinyal suara dengan metode Discrete Wavelet Transform melalui Program Matlab.
8
Kristiawan Purwanto merupakan mahasiswa pada Jurusan Teknik Fisika FTI ITS Surabaya. Menempuh kuliah sejak 2004 hingga saat ini di Kampus ITS Sukolilo Surabaya. Lahir pada 05 Juni 1985 dan menyelesaikan pendidikan formal terakhir dengan mendapatkan kelulusan dari SMA Negeri 3 Pamekasan pada tahun 2004, SMP Negeri 1 Kadur pada tahun 2001 dan SDN Montok 1 Larangan pada tahun 1998.
9
10