Batasan Masalah PEMISAHAN KOMPONEN SUMBER SINYAL AUDIO DENGAN ANALISIS KOMPONEN INDEPENDEN - Diponegoro University | Institutional Repository (UNDIP-IR)

MAKALAH SEMINAR TUGAS AKHIR PEMISAHAN KOMPONEN SUMBER SINYAL AUDIO DENGAN ANALISIS KOMPONEN INDEPENDEN Vandy Aulia Abkhari, Achmad Hidayatno , Imam Santoso Abstrak Abstrak – Seringkali kita dihadapkan suatu keadaan di mana sinyal yang kita peroleh dari suatu sensor tidak sesuai dengan sinyal yang kita inginkan. Sensor tersebut mungkin menangkap sinyal yang kita inginkan dan sinyal-sinyal lain yang bercampuran. Sebagai contoh dalam suatu sistem pengenalan suara, yang dalam pelaksanaannya kadang disertai adanya derau ataupun suara dari orang lain fenomena pesta koktail. Suatu metode tengah dikembangkan, yaitu blind source separation BSS, yang merupakan metode untuk memisahkan sinyal yang tercampur menjadi komponen-komponen penyusunnya. Pada tugas akhir ini akan dilakukan blind source separation dengan metode analisis komponen independen ICA dengan sinyal sumber yang berupa sinyal audio. Metode ICA yang akan digunakan menggunakan algoritma FastICA kawasan frekuensi FD-FastICA. Program pada penelitian ini dibuat menggunakan Matlab 6.5. Sinyal-sinyal audio ditentukan terlebih dahulu, selanjutnya dicampur secara buatan menggunakan matriks pencampuran yang telah ditentukan untuk kemudian dipisahkan dengan ICA. Dilakukan pula pengamatan untuk mengetahui kinerja dari ICA untuk beberapa kemungkinan sinyal audio suara manusia, musik, dsb dan kehadiran derau. Pada pengujian dengan variasi matriks pencampuran, ICA memiliki kinerja pada matriks pencampuran konvolusi kurang baik dibandingkan pada matriks pencampuran instantaneous. Untuk pengujian dengan variasi sinyal sumber, sinyal sumber 2 suara manusia memberikan kinerja kurang baik dibandingkan sinyal suara manusia-suara alat musik. Kinerja ICA kurang baik pada pencampuran secara langsung yang direkam menggunakan mikrofon. Dari pengujian juga diketahui bahwa semakin besar jumlah titik FFT dan semakin kecil overlap, maka kinerja ICA akan semakin buruk. Penambahan derau pada sinyal campuran akan mengurangi kinerja dari proses ICA. Kata-kunci: analisis komponen independen, sinyal audio, blind source separation, FD-FastICA. ∗ ∗ 1 I P ENDAHULUAN 1.1 Latar Belakang Seringkali sinyal yang diterima oleh sensor tidak sesuai dengan kebutuhan, yaitu bercampurnya sinyal tersebut dengan sinyal-sinyal lainnya di lingkungan. Sejak dulu, pemisahan sinyal sudah menjadi permasalahan dalam bidang teknik. Kemudian dikembangkan sebuah teknik untuk memisahkan sinyal-sinyal yang bercampur tersebut. Teknik ∗ Mahasiswa Teknik Elektro UNDIP ∗∗ Dosen Teknik Elektro UNDIP tersebut bernama pemisahan sumber tak dikenal Blind Source Separation – BSS. Sesuai dengan namanya, tak dikenal blind berarti tidak ada informasi mengenai sinyal sumber ataupun sistem pencampurannya. Salah satu metode yang paling umum digunakan untuk melakukan BSS adalah analisis komponen independen Independent Component Analysis – ICA. Fungsi ICA yang paling tua adalah pemecahan masalah pesta koktail, yaitu memisahkan suara orang berbicara dengan suara-suara lingkungan yang tercampur. Tetapi sekarang penggunaannya sudah meluas antara lain pada bidang kedokteran untuk memisahkan sinyal-sinyal yang terekam pada MEG, pada bidang perekonomian untuk mencari faktor tersembunyi dari data-data finansial yang ada, dan lain sebagainya Sinyal audio dipilih sebagai sinyal masukan dalam tugas akhir ini untuk menyelidiki kemampuan dan keandalan ICA untuk diaplikasikan pada pemisahan sinyal audio. 1.2 Tujuan Tujuan pembuatan Tugas Akhir ini adalah untuk: 1. Melakukan analisis komponen independen terhadap sinyal audio yang dicampur secara buatan dan sebenarnya dengan algoritma FD- FastICA. 2. Melakukan analisis untuk mengetahui batas-batas dan sifat-sifat dari analisis komponen independen kawasan frekuensi FD-FastICA.

1.3 Batasan Masalah

Pembatasan masalah tugas akhir adalah sebagai berikut : 1. Metode analisis komponen independen dengan algoritma FD-FastICA. 2. Pengolahan pada sinyal audio, antara lain sinyal suara manusia dan sinyal dari alat musik. 3. Pengamatan menggunakan 2 dua buah sensor. 4. Pemrograman dengan MATLAB versi 6.5. 2 II D ASAR T EORI 2.1 Analisis Komponen Independen Analisis Komponen Independen – Independent Component Analysis ICA adalah sebuah teknik pemprosesan sinyal untuk menemukan faktor–faktor atau komponen tersembunyi yang membentuk sekumpulan variabel acak hasil dari pengukuran, sinyal atau secara umum data. ICA mendefinisikan sebuah model untuk mengamati data multivariabel atau multidimensi, yang biasanya berupa sampel data Halaman 1 dari 8 yang besar. Dalam model tersebut, variabel data dianggap sebagai gabungan linier dari beberapa variabel tersembunyi yang tidak diketahui dan sistem pencampuran yang tidak diketahui pula. Tujuan dari ICA adalah untuk melakukan alih ragam linier yang menyebabkan variabel yang dihasilkan sedapat mungkin saling secara statistik independen. Secara mendasar, variabel y 1 dan y 2 dikatakan independen jika informasi pada nilai dari y 1 tidak memberikan informasi apapun tentang nilai dari y 2 dan sebaliknya. Secara teknik, independen dapat dijelaskan dengan kepadatan probabilitas. py 1 ,y 2 adalah probability density function pdf gabungan dari y 1 dan y 2 . Dan p 1 y 1 adalah pdf marjinal dari y 1 yaitu pdf y 1 jika dianggap sendiri: 2 2 1 1 1 d , y y y p y p ∫ = 1 Begitu pula untuk y 2 . y 1 dan y 2 adalah independen jika dan hanya jika pdf gabungannya dapat difaktorkan dengan cara sebagai berikut: 2 2 1 1 2 1 , y p y p y y p = 2 Apabila variabel-variabel independen satu dengan lainnya, maka variabel–variabel tersebut saling tidak terkorelasi. Dua buah variabel acak y 1 dan y 2 dikatakan tidak terkorelasi jika kovariansnya bernilai nol. E{y1y2} - E{y1}E{y2} = 0 3 Akan tetapi ketidakkorelasian tidak menandakan independensi. Karena independensi menandakan ketidakkorelasian, maka metode ICA menjaga prosedur perkiraan sehingga akan selalu memberikan perkiraan yang tidak terkorelasi dari komponen independen. Gambar 1 Diagram pemodelan dari ICA. Pada Gambar 1 ditunjukkan model ICA secara umum. Dinotasikan s = s i sebagai m×1 vektor sinyal sumber dan dengan x = x i sebagai n×1 vektor sinyal yang teramati oleh sensor. Apabila A adalah n×m matriks pencampuran dan n merupakan derau, sinyal teramati campuran vektor x dapat ditulis sebagai: x = As +n 4 Titik awal dari ICA adalah anggapan bahwa komponen s i adalah secara statistik independen dan terdistribusi nongaussian. Matriks pencampur merupakan matriks kotak m=n. Kemudian setelah memperkirakan matriks A, dapat dihitung inversnya yang disebut dengan W. Setelah W didapatkan, maka dapat dihitung perkiraan sinyal sumber y = y i , yaitu: y = Wx 5 Pada model ICA, akan terjadi kerancuan sebagai berikut: 1. Tidak dapat ditentukannya varian dari komponen independen. 2. Tidak dapat ditentukannya urutan dari komponen independen.

2.2 ICA Kawasan Frekuensi