PENGHAPUSAN DERAU SUARA DENGAN MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE DENGAN ADAPTIVE FILTER.
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.
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.