IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY

IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA
MENGGUNAKAN SMS GATEWAY
Erni Seniwati 1), Ninik Tri Hartanti 2)
1
Sistem Informasi, STMIK Amikom
erni.s@amikom.ac.id
2
Sistem Informasi, STMIK Amikom
ninik.t@amikom.ac.id

Abstract
This research is aim to detect the presence of certain space expression in mouse using the processing of
voice and sms gateway. As the experiment with collecting samples of white mouse then recorded his voice to be
a pattern that will be used to detect the presence of a mouse in the House. The method used is the digital sound
signal processing through a process of pre-emphasis to filter the sound of mouse from the noise that is not
required, then the process of framing and windowing process, and further through the process to get the FFT
frequency average of mouse voice that are identified using the sms gateway system. If the voice of the mouse is
detected on a particular frequency is then automatically created system will send an sms to know existence of
mouse.
Keywords—FFT, mouse, sms gateway
PENDAHULUAN

Perkembangan teknologi dalam bidang ilmu komputer khususnya yang mempelajari
tentang sinyal processing saat ini semakin banyak dan membawa dampak positif dalam
kehidupan manusia. Salah satu disiplin ilmu dalam pengolahan sinyal digital yang paling
populer dan dampaknya positifnya cukup besar adalah bidang pengolahan suara digital.
Pengolahan suara digital dapat dikembangkan dengan berbagai aplikasi yang dapat
mempermudah kehidupan manusia. Salah satu aplikasi yang dapat dibuat adalah pengenalan
frekuensi suara tikus. Tikus adalah salah satu hewan pengerat yang hidup disekitar lingkungan
manusia. Tikus selalu menyebarkan bau busuk akibat kotoran dan kencing yang sengaja di
sebarkan untuk memberitahukan tikus lain bahwa daerah tersebut adalah daerah kekuasaannya.
Tikus juga dapat menyebarkan penyakit salah satunya adalah pes [1]. Jika tikus masuk kedalam
rumah akan mengakibatkan kerusakan, bau kencing dan kotoran tikus. Makanan akan
berserakan, lemari berlubang dan pakaian yang ada didalam lemari akan berbau anyir tikus,
selain itu ciri khas lain saat masuk rumah dan bersarang didalam rumah yaitu mengeluarkan
suara. Mendeteksi keberadaan tikus lebih awal lebih baik, untuk menghindari tikus
berkembangbiak dan membangun sarang didalam rumah. Deteksi dapat dilakukan dengan
sensor bau kencing dan kotoran tikus menggunakan alat perangkat keras berupa elektronik
nose, juga bisa dideteksi dengan suara tikus dengan membuat sistem prototype yang dapat
mengetahui frekuensi suara tikus yang berada didalam suatu ruangan.
Salah satu menjadi daya tarik untuk melakukan penelitian deteksi suara tikus adalah
untuk mengetahui frekuensi suara tikus yang ada pada suatu ruangan tertentu berupa tempat

yang berukuran 0,5 x 0,5 meter. Frekuensi suara tikus kemudian dijadikan pola dasar untuk
dimasukkan dalam sistem sms gateway, sehingga saat nilai frekuensi tersebut sama yang
terdapat didalam database sistem, maka sistem akan memberitahukan bahwa dengan
mengirimkan sms berupa peringatan adanya tikus dalam suatu ruangan yang dipasangkan
microphone.

METODE PENELITIAN
Metode penelitian yang akan dilakukan terdiri atas beberapa tahapan sebagai berikut :
a. Pengumpulan Sampel tikus putih, dengan membeli 10 ekor untuk kemudian direkam
suaranya.
b. Rancang Bangun Sistem, yaitu merancang serta membangun sistem identifikasi suara
tikus. Setelah didapatkan nilai frekuensi suara tikus baru disimpan didalam database suara
yang berhubungan dengan sistem sms gateway. Pada saat melakukan pengujian sistem
akan mencocokkan nilai frekuensi pada database dan nilai frekuensi pada suara yang
didapatkan microphone.
c. Implementasi sistem dengan melakukan training data berupa perekaman data suara tikus,
pengujian berupa deteksi suara tikus, jika terdeteksi nilai frekuensi sesuai yang tersimpan
didalam database maka sistem akan secara automatis mengirimkan sms ke handphone
yang nomornya terdaftar pada database sistem sms gateway.
Testing, dilakukan perhitungan kinerja dan akurasi dari implementasi yang telah

dilakukan
Analisis dan Rancangan Sistem
Rancangan sistem secara keseluruhan akan digambarkan berupa arsitektur seperti
Gambar 1.

BTS
Mic

Gambar 1. Arsitektur Prototype Sistem Identifikasi Keberadaan Tikus erdasarkan Suaranya
Menggunakan Sms Gateway
Pada Gambar 1 memperlihatkan didalam ruangan 0.5 x 0.5 meter dipasang microphone
berjenis AIWA untuk menangkap suara yang dikeluarkan oleh tikus, kemudian diproses oleh
sistem yang dioperasikan secara otomatis untuk mencocokkan frekuensi suara tikus yang telah
tersimpan didalam sistem. Selanjutnya jika frekuensi tersebut sama dengan frekuensi suara
tikus yang tersimpan, sistem kemudian mengirim sinyal sms melalui BTS ke handphone yang
telah diidentifikasi nomor telepon pengguna.
Kemudian perancangan system pencarian frekuensi suara tikus yang akan dibuat untuk
mengidentifikasi suara tikus terlihat pada Blog Diagram Gambar 2.
Membaca file
suara tikus

Pre-Emphasis

Frame Blocking

Windowing

FFT

Gambar 2. Blog Diagram Proses Pencarian Frekuensi Suara Tikus

Sinyal suara adalah sinyal yang berubah terhadap waktu secara perlahan. Buku yang
menjelaskan secara detail mengenai proses FFT [2]. Penjelasan berikut sesuai dengan blog
diagram Gambar 2.
1. Pre-emphasis
Proses pre-emphasis adalah proses yang didesain untuk mengurangi efek tidak baik
dari transmisi dan gangguan suara latar. Perhitungan proses pre-emphasis dilakukan pada saat
sampel sinyal digital suara berada pada domain waktu. Adapun perumusan untuk proses preemphasis dituliskan :
𝑦[𝑛] = 𝑥[𝑛] − 𝛼𝑥[𝑛 − 1]

(1)

di mana,
x adalah nilai sinyal digital sebelum proses pre-emphasis.
y adalah nilai sinyal setelah proses pre-emphasis
𝛼 adalah nilai koefisien pre-emphasis yang berkisar (0.95 ≤ 𝛼 ≤ 1).
Sebagai contoh perhitungan digunakan jumlah contoh data sebanyak 8 titik sampel. Data
sinyal tersebut adalah (-1598, -2662, -2529, -2195, -1724, -2204, -2319, -2807). Dengan
menggunakan persamaan (1) dengan memakai nilai α = 0.97 diperoleh:
Y0 = -1598
Y1 = (-2662) - (-1598 * 0.97)
Y2 = (-2529) - (-2662 * 0.97)
Y3 = (-2195) - (-2529 *0.97)
Y4 = (-1724) - (-2195 * 0.97 )
Y5 = (-2204) - (-1724 * 0.97)
Y6 = (-2319) - (-2204 * 0.97)
Y7 = (-2807) - (-2319 * 0.97)

= -258.13
= 53.13

= 258.13
= 405.15
= -531.72
= -181.12
= -557.57

2. Frame Blocking
Hasil dari proses pre-emphasis kemudian dipotong-potong menjadi beberapa
potongan kecil, setiap potongan tersebut disebut frame. Jumlah data dalam satu frame (N) berisi
400 buah. Sedangkan jarak antar frame (M) adalah 200 buah. Sehingga, jumlah frame (L) untuk
data sebanyak 4000 (nilai ini diambil setengah dari frekuensi sampling) dapat dihitung dengan
L = (data-(N-M))/M = (4000-(400-200))/200 = 19 buah frame. Sehingga didapatkan hasil
sejumlah banyak frame (L) * banyak data dalam satu frame (N) = 19*400= 7600 buah.
Potongan frame digambarkan seperti Gambar 3.

Gambar 3. Frame Blocking
3. Windowing
Proses window ini berfungsi untuk mengurangi diskontinyu pada ujung-ujung frame
akibat dari proses framing Persamaan Window Hamming yaitu
𝑖

𝑤(𝑖) = 0,54 − 0,46 (1 − 𝑐𝑜𝑠 (2𝜋 ))
𝑛

(2)

(2)
Window Hamming diperoleh dengan memodifikasi koefisien window Hanning untuk
mencegah dengan tepat pada sidelobe pertama, tapi menjadi sangat kurang tepat bernilai nol
pada tiap tepi. Dengan menggunakan rumus (2) diperoleh hasil sebagai berikut:
2 ∗ 3.14 ∗ 0
) = 0.08
𝑤0 = 0.54 − 0.46 cos(
512 − 1
untuk data hasil frame blocking yaitu -258.13, 53.13, 258.13, 405.15, 531.72, 181.12, 557.57,
448.79) sehingga, 𝑤0 = 0.08 ∗ (−258.13) = −20.73117, selanjutnya proses dengan cara
yang sama dilakukan untuk data sampel yang lain, sehingga nilai hasil windowing diperoleh (88.99, 4.258, 20.73117, 32.6373, 42.99, 14.716, 45.555, 36.9011).
4. Fast Fourier Transform
Tahapan selanjutnya ialah mengubah tiap frame dari domain waktu ke domain
frekuensi. FFT adalah algoritma yang mengimplementasikan Discrete Fourier Transform

(DFT). Hasil DFT adalah bilangan kompleks dengan persamaan (3) untuk mencari nilai real
dan persamaan (4) untuk mencari nilai imaginer.
2𝜋𝑘𝑖
)
(3)
𝑅𝑒𝑎𝑙 𝑋(𝑘) = ∑𝑁−1
𝑛=0 𝑥(𝑖) ∗ 𝑐𝑜𝑠(
𝑁

𝐼𝑚𝑎𝑔𝑖𝑛𝑒𝑟 𝑋(𝑘) = − ∑𝑁−1
𝑛=0 𝑥(𝑖) ∗ 𝑠𝑖𝑛(

2𝜋𝑘𝑖
𝑁

)

(4)

Keterangan: N = jumlah data, k = 0,1,2,...,N/2 dan 𝑋(𝑘) = nilai data pada titik ke-i. Proses

selanjutnya adalah menghitung nilai magnitude FFT [3]. Magnitude dari bilangan kompleks c
= a + bi adalah
𝑋𝑚𝑎𝑔 (𝑘) = |𝑋(𝑘)| = √(𝑅𝑒𝑎𝑙 𝑋(𝑘))2 + (𝐼𝑚𝑎𝑔𝑖𝑛𝑒𝑟 𝑋(𝑘))2.

(5)

Analisa berdasarkan fourier transform sama artinya dengan analisa spektrum, karena
fourier transform merubah signal digital dari time domain ke frequency domain. FFT
dilakukan dengan membagi N buah titik pada transformasi diskrit menjadi 2, masing-masing
(N/2) titik transformasi. FFT (Fast Fourier Transform) adalah teknik perhitungan cepat dari
DFT. FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan sifat
periodikal dari transformasi fourier dengan memakai persamaan (3), (4) dan persamaan (5).
5. Rancangan Form
Protoyipe sistem yang dibuat terdiri dari tiga form utama yaitu form koneksi ke modem, form
Data Suara Tikus, dan form Pengujian Suara Tikus.
Form Koneksi ke Modem
Form ini berfungsi untuk menyambung sinyal dari sistem yang dibuat ke modem
sehingga proses pengenalan sinyal suara tikus akan dilakukan bisa terdeteksi dengan
Handphone. Form koneksi terlihat pada Gambar

Gambar 4. Form Koneksi ke Modem
Pada Gambar 4.4 terlihat setting port modem adalah menggunakan angka 8. Angka tersebut
diambil dari port modem yang terdeteksi oleh laptop atau komputer yang menggunakan
sistem ini, sehingga angka port tersebut tergantung dari angka port yang tersedia pada laptop
atau komputer yang menggunakan sistem ini.
Form Extraksi Frekuensi suara tikus
Form ini berfungsi untuk mengekstraksi suara file rekaman suara tikus berekstensi .wav,
keluaran angka-angka frekuensi untuk setiap file suara.

Gambar 5. Form Ekstraksi file suara menjadi angka-angka frekuensi
Dari Gambar 5, memperlihatkan dua tombol yaitu tombol file suara dan tombol Simpan.
Tombol file suara berfungsi untuk mengambil file rekaman suara tikus yang telah direkam
selama 5 menit tiap ekor tikus. File rekaman ini di olah sebelumnya menggunakan software
CoolEditpro 2.0 untuk menghilangkan jeda saat tikus tidak bersuara secara manual. Kemudian
akan keluar angka-angka frekuensi yang tampil di table, setiap baris mewakili satu file suara
yang jumlah kolom setengah dari angka 4000 (nilai ini diambil setengah dari frekuensi
sampling).
HASIL DAN PEMBAHASAN
Ekstraksi Suara Tikus
Hasil dan luaran laporan akhir ini adalah berupa pembuatan sistem prototype sampai pada

pembuatan pengenalan sistem suara tikus yang luaran hasilnya adalah frekuensi tikus rata-rata
untuk 10 tikus seperti yang diperlihatkan pada Gambar Table 1.
Tabel 1. Data frekuensi hasil ekstraksi rekaman suara tikus
Suara Tikus

Frekuensi (Hz)

1

1063

2

1050

3

1076

4

1060

5

1060

6

1060

7

1079

8

1063

9

1066

10

1067

Dari Table 1, memperlihatkan bahwa frekuensi yang dihasilkan ke 10 rekaman suara tikus
menunjukkan bahwa rentang frekuensi berkisar antara 1050 Hz sampai 1079 Hz. Jika di rata-

ratakan suara tikus memiliki frekuensi sekitar + 1064 Hz. Selanjutnya frekuensi yang didapat
dijadikan ukuran untuk mengetahui ada tikus atau tidak didalam sebuah ruangan 50 cm x 50
cm.
Pengujian pada system berbasis SMS gateway
Pengujian ini digunakan dengan 5 data suara tikus yang direkam selain 10 suara tikus
yang telah di ekstraksi menghasilkan frekuensi rata-rata. hasil pengujian identifikasi tikus
terlihat pada Tabel 2.
Tabel 2. Data Hasil Pengujian dengan Sms Gateway
Suara Tikus

Frekuensi (Hz)

Identifikasi

1

1080

Tidak dikenal

2

1070

Dikenal

3

1077

Dikenal

4

1063

Dikenal

5

1059

Dikenal

Berdasarkan tabel pengujian 3.2 mempelihatkan bahwa hasil pengujian cuma satu tikus yang
tidak dikenal. Sehingga persentasi akurasi kesalahan yang didapatkan adalah 1/5 * 100% =
20%, sedangkan persentasi keberhasilan system dalam mengenali suara tikus adalah 4/5 *
100% = 80%. Salah salah satu frekuensi identifikasi suara tikus hasil pengujian diperlihatkan
pada Gambar 5.
60000

Magnitudo (db)

50000
40000
30000
Series1

20000
10000

1
135
269
403
537
671
805
939
1073
1207
1341
1475
1609
1743
1877

0

Frekuensi (Hz)

Gambar 5. Frekuensi rata-rata dari pengujian suara tikus nomor 4
Dari Gambar 5 terlihat bahwa frekuensi tikus nomor 4 hasil pengujian menunjukkan adalah
1063 Hz.

KESIMPULAN
1. Selama penelitian kesulitan yang dihadapi adalah proses pengambilan suara tikus yang tidak
sering bersuara, sehingga menunggu beberapa jam untuk melakukan perekaman.
2. Sistem prototype identifikasi suara tikus menujukkan frekuensi rata-rata hasil ekstraksi file
suara tikus adalah + 1064 Hz, dengan rentang frekuensi 1050 Hz sampai 1079 Hz
3. Persentasi akurasi kesalahan yang didapatkan adalah 1/5 * 100% = 20%, sedangkan
persentasi keberhasilan system dalam mengenali suara tikus adalah 4/5 * 100% = 80%.
SARAN
Penelitian selanjutnya akan menggunakan beberapa jenis tikus putih untuk mengetahui
perbedaan frekuensi suaranya.
DAFTAR PUSTAKA
[1]. Nurisa I. dan Ristianto., Penyakit Bersumber Rodensia (Tikus dan Mencit) di Indonesia.
Jurnal Ekologi Kesehatan Volume 4 No. 3 Tahun 2005.
[2]. Resmana I.W.A., Verifikasi Suara Menggunakan Metode MFCC dan DTW. Tugas Akhir
Jurusan Teknik Elektro Udayana, Maret 2010.
[3]. Begam M., Muda L. and Elamvazuthi, Voice Recognition Algorithms using Mel Frequency Cepstral
Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques. Journal Of Computing,
Volume 2, Issue 3, March 2010, ISSN 2151-9617.
[4]. Deller, J.R, Hansen, J.H.L, Proakis, J.G., Discrete-Time Processing of Speech Signals. IEEE
Signal Processing Society, Sponsor New York: Macmillan, 1993.