BAB I

PENDAHULUAN

BAB I PENDAH

1.1 Latar Belakang

Dewasa ini 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. Penelitian tentang

topik ini pun telah banyak dilakukan, namun masih terdapat kekurangan dimana

tingkat akurasinya masih kecil. Seperti penelitian pola sinyal suara yang dilakukan

oleh Susetyo Bagas Bhaskoro dan rekannya Altedzar Riedho W.D tentang aplikasi

pengenalan gender menggunakan suara yang masih memiliki kelamahan yaitu

dimana nilai akurasi dari sistem yang dibuat masih kecil. 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.

Seperti halnya pada saat melakukan komunikasi telepon, gangguan kadang

timbul dari luar yaitu suara bising kendaraan atau suara orang-orang yang

berada di sekitar, sehingga informasi yang diterima kurang jelas.

Sinyal adalah bagian penting dari sistem telekomunikasi, seperti pada

sistem teknik pengolahan sinyal. Dalam tahun-tahun terakhir ini, banyak perhatian

diberikan kepada teknik pengolahan sinyal digital dalam sistem telekomunikasi.

Banyak aplikasi informasi yang kini dapat dengan mudah direkam, ditransmisi

dan yang disimpan format digital. Hasilnya, pengolahan sinyal digital menjadi

suatu alat modern yang penting. Pengolahan sinyal digital antara lain : perkiraan

parameter karakteristik sinyal, penghapusan atau pengurangan noise

yang tidak diinginkan dan transformasi sinyal ke dalam beberapa bentuk yang

lebih informatif.

Untuk mengatasi kecilnya nilai akurasi yang didapat dalam penelitian –

penelitian sebelumnya maka penulis mengambil topik tentang penekanan derau

ii

atau penghilang Noise pada sinyal suara guna meningkatkan kualitas inputan

suara kedalam sistem pengenalan pola suara. Pada pengenalan suara, diperlukan

kondisi lingkungan sekitar yang bersih dan bebas dari segala macam sinyal

pengganggu yang tidak diinginkan seperti derau. Untuk itu diperlukan suatu

perangkat atau alat tambahan yang dinamakan Filter. Salah satu Filter yang

dapat digunakan untuk menekan derau dari sinyal suara adalah Filter adaptif.

Filter adaptif merupakan Filter digital yang menggunakan umpan balik

untuk menentukan nilai dari koefisien Filter terbaik yang dipakai untuk

memperoleh sinyal yang diinginkan. Filter adaptif dapat ditambahkan pada

sistem pengenalan suara untuk menekan derau yang menyertai suara masukan

yang akan dikenali. Algoritma LMS merupakan algoritma yang sangat populer

dan sangat sederhana serta dapat digunakan untuk beberapa aplikasi

pemrosesan sinyal, antara lain masalah penghapusan derau, gema, dan

interferensi.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan diatas maka dapat

dirumuskan masalah yang akan diteliti yaitu :

1. Berapakah nilai Learning Rate dan panjang filter yang akan digunakan

oleh algoritma Least mean Square dalam mencapai akurasi yang optimal

dalam menghilangkan derau pada sinyal suara ?

2. Bagaimana mengukur perubahan suara sebelum dan setelah melalu proses

penghapusan derau?

iii

1.3 Tujuan

Adapun tujuan penelitian yang hendak dicapai dalam penulisan ilmiah ini

adalah :

1. Untuk membangun sistem pengenalan pola melalui sinyal suara dengan

penerapan algoritma Least Mean Square dengan Adaptive Filter pada

proses denoising.

2. Untuk mengetahui perubahan sinyal suara sebelum dan setelah melalui

proses denoising

Implementasi Algoritma Least Mean Square Dengan Adaptive

Filter Untuk Proses Penghapusan Derau Sinyal Suara

KOMPETENSI KOMPUTASI

SKRIPSI

HALAMAN JUDUL

Anak Agung Rani Pradnyadari

NIM. 0908605019

iv

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

BUKIT JIMBARAN

2014

v

KOMPETENSI

KOMPUTASI

Lembar Pengesahan

[SKRIPSI]

Sebagai syarat untuk memperoleh gelar Sarjana Komputer pada

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Udayana

Tulisan ini merupakan hasil penelitian yang belum pernah dipublikasikan

Anak Agung Rani Pradnyadari

NIM. 0908605019

Pembimbing I Pembimbing II

I Made Widiartha, S.Si, M.Kom Ngurah Agus Sanjaya ER, S.Kom, M.Kom

NIP. 19850315 2010121 007 NIP. 197803212005011001

vi

LEMBAR PENGESAHAN TUGAS AKHIR

vii

Judul :Implementasi Algoritma Least Mean Square ( LMS ) Dengan Adaptive

Filter Untuk Proses Denoising Sinyal Suara Nama : Anak Agung Rani Pradnyadari

NIM : 0908605019

Pembimbing I :I Made Widiartha, S.Si., M.Kom.

Pembimbing II :Ngurah Agus Sanjaya ER, S.Kom, M.Kom

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, dan berbagai 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.

viii

Title : Implementation of Least Mean Square (LMS) Algorithm with

adaptive Filter for Noise Signal and Its Denoising Process

Name : Anak Agung Rani Pradnyadari

Student Number : 0908605019

Main Supervisor : I Made Widiartha, S.Si., M.Kom.

Co-Supervisor : Ngurah Sanjaya ER Agus, S. Kom, M. Kom

ABSTRACT

As the technology advances, many applications that use voice signal data

as the input data have been created such as a home security system that uses the

owner’s voice as a keyword, and a wide variety of noise recognition systems,

namely the recognition of gender, voice recognition, and the recognition of the

voice of the owner. But in the researches there are still shortcomings where there

is noise on the sound signal. Noise interference is very annoying and can affect

the value of the output of the system made. These interferences can arise from the

surrounding noises or unwanted noises that exist in the input voice signals of the

system so that the information received is less clear. To overcome the noise on the

sound signal, the researcher made an algorithm study that could perform noise

suppression. One of the algorithms often used to perform a noise suppression

process is the Least Mean Square algorithm. This algorithm is an algorithm that is

the simplest and most commonly used for noise suppression. However, the

present study would add Adaptive filter function to improve the sound quality of

the results issued by the system. This study was conducted by combining a

number of variable values of order filters and steps which obtained the results of

MSE and SNR values used to determine which combinations to use in the system

to get the desired results. The test results of the system obtained the largest MSE

value which was 0.00472 and the lowest MSE value was 0.00437. The value

combination that produced the lowest MSE value was an order filter = 10 and step

= 0.1 wherein the resulting MSE value was 0.00437 and the value of SNR was

15.9297 dB and initial SNR value was 16.3665 dB.

Keywords: LMS, FIR, Noise, Speech Signal, Adaptive filter, Denoising

ix

KATA PENGANTAR

Proposal penelitian dengan Implementasi Algoritma Least Mean Square (

LMS ) Dengan Adaptive Filter Untuk Proses Denoising Sinyal Suara ini disusun

dalam rangkaian kegiatan pelaksanaan Tugas Akhir di Jurusan Ilmu Komputer

FMIPA UNUD. Proposal ini disusun dengan harapan dapat menjadi pedoman

dalam melaksanakan penelitian di atas

Sehubungan dengan telah terselesaikannya proposal ini, maka diucapkan

terimakasih dan penghargaan kepada berbagai pihak yang telah membantu

pengusul, antara lain

1. Bapak Agus I Made Widiartha, S.Si, M.Kom sebagai pembimbing I yang

telah membantu dalam penyelesaian proposal ini;

2. Bapak Ngurah Agus Sanjaya ER, S.Kom, M.Kom sebagai pembimbing II

yang telah bersedia meluangkan waktunya dalam penyelesaian proposal

ini;

3. Bapak Drs. I Wayan Santiyasa selaku Ketua Jurusan Ilmu Komputer

Universitas Udayana yang telah banyak memberikan masukan dan

motivasi sehingga memperlancar dalam proses pembuatan proposal ini;

4. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer yang bersedia

meluangkan waktunya untuk memberikan masukan dalam penyempurnaan

proposal ini;

5. Kawan-kawan di Jurusan Ilmu Komputer – khususnya teman-teman

angkatan 2009 yang telah memberikan dukungan moral dalam

penyelesaian proposal ini;

6. Keluarga, Ajik, Ibu, dan adik perempuan tercinta saya yang tidak pernah

berhenti memberikan dukungan disaat saya mulai kehilangan semangat,

dan memberikan semangat baru demi tercapainya semua yang penulis

inginkan;

7. Anak Agung Alit Semara Putra dan Anak Agung Diandra Pradnya Putri

(Alm), suami dan putri yang sangat penulis sayangi dan kasihi sebagai

x

penyemangat hati penulis yang memberikan semangat lebih untuk penulis

saat penyusunan proposal tugas akhir ini disusun.

Disadari pula bahwa sudah tentu proposal ini masih mengandung

kelemahan dan kekurangan. Memperhatikan hal ini, maka masukan dan saran-

saran penyempurnaan sangat diharapkan.

Denpasar, 20 November 2014

Penulis

xi

DAFTAR ISI

HALAMAN JUDUL ............................................................................................ iii

Lembar Pengesahan ................................................................................................ v

LEMBAR PENGESAHAN TUGAS AKHIR ....................................................... vi

ABSTRAK ............................................................. Error! Bookmark not defined.

ABSTRACT ........................................................... Error! Bookmark not defined.

KATA PENGANTAR ........................................................................................... ix

DAFTAR ISI .......................................................................................................... xi

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................. xv

DAFTAR LAMPIRAN ........................................................................................ xvi

BAB I PENDAHULUAN ....................................................................................... i

1.1 Latar Belakang .......................................................................................... i

1.2 Rumusan Masalah .................................................................................... ii

1.3 Tujuan ...................................................................................................... iii

1.4 Batasan Masalah ..................................................................................... 59

1.5 Manfaat ................................................................................................... 59

BAB II TINJAUAN PUSTAKA ......................................................................... 20

2.1 Pengenalan Pola Suara ........................................................................... 20

2.2 Signal ...................................................................................................... 21

2.2.1 Sinyal Percakapan ............................................................................... 22

2.2.2 Noise ................................................................................................ 23

2.2.3 Konversi Sinyal Analog Menjadi Sinyal Digital ............................ 25

2.3 Reduksi Noise ........................................................................................ 25

xii

2.3.1 Algoritma LMS ............................................................................... 26

2.3.2 Adaptive Filter ................................................................................ 28

BAB III METODOLOGI PENELITIAN ......................................................... 31

3.1 Variabel Penelitian ................................................................................. 31

3.2 Metode Pengumpulan Data .................................................................... 31

3.3 Data Penelitian ....................................................................................... 31

3.4 Perancangan Sistem ................................................................................ 32

3.4.1 Gambaran Umum Sistem ................................................................ 32

3.4.2 Preprocessing .................................................................................. 32

3.5 Proses Denoising Sinyal Suara ............................................................... 33

3.6 Evaluasi .................................................................................................. 35

3.7 Implementasi dan Dokumentasi System ................................................ 36

BAB IV HASIL DAN PEMBAHASAN ............................................................ 37

4.1 Lingkungan Perancangan Sistem ........................................................... 37

4.2 Pengembangan Sistem ............................................................................ 37

4.2.1 Tampilan User Interface .................................................................. 37

4.2.2 Tampilan User Interface Saat Menampilkan Hasil Denoising ....... 38

4.3 Tahap Pengumpulan Dataset .................................................................. 39

4.4 Tahap Denoising ..................................................................................... 39

4.4.1 Parameter Algoritma ............................................................................. 39

4.4.2 Implementasi Algoritma Least Mean Square Adaptive Filter .............. 39

4.5 Tahap Pengujian Segmentasi .................................................................. 44

4.5.1. Hasil Pengujian Algoritma Least Mean Square ................................ 44

4.5.2 Hasil Pengujian Perbandingan Algoritma.......................................... 44

xiii

BAB V SIMPULAN DAN SARAN .................................................................... 52

5.1 Simpulan ................................................................................................. 52

5.2 Saran ....................................................................................................... 52

DAFTAR PUSTAKA .......................................................................................... 53

xiv

DAFTAR GAMBAR

Gambar 2. 1 Signal ................................................................................................ 22

Gambar 2. 2 Sinyal Percakapan Dengan Nilai SNR Mendekati 30dB ................. 23

Gambar 2. 3 Sinyal Suara Yang Telah Terganggu Oleh Derau ............................ 24

Gambar 3. 1 Gambaran Umum Sistem ................................................................. 32

Gambar 3. 2 Alur Data Proses Penghapusan Derau .............................................. 34

Gambar 4. 1 Interface Sistem Denoising .............................................................. 38

Gambar 4. 2 Interface Sistem Setalah Proses Denoising ...................................... 38

Gambar 4. 3 Grafik Nilai MSE .............................. Error! Bookmark not defined.

Gambar 4. 4 Grafik Nilai SNR ............................... Error! Bookmark not defined.

xv

DAFTAR TABEL

Tabel 4. 1 Kode Program Buka Berkas ................................................................. 40

Tabel 4. 2 Kode Program Proses input variabel .................................................... 41

Tabel 4. 3 Kode Program Perhitungan Algoritma ................................................ 42

Tabel 4. 4 Kode Program Perhitungan Nilai MSE dan SNR ............................... 44

Tabel 4. 5 Hasil Pengujian Algoritma ................................................................... 45

xvi

DAFTAR LAMPIRAN

17

BAB I

PENDAHULUAN

BAB I PENDAH

1.1 Latar Belakang

Dewasa ini 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. Penelitian tentang

topik ini pun telah banyak dilakukan, namun masih terdapat kekurangan dimana

tingkat akurasinya masih kecil. Seperti penelitian pola sinyal suara yang dilakukan

oleh Susetyo Bagas Bhaskoro dan rekannya Altedzar Riedho W.D tentang aplikasi

pengenalan gender menggunakan suara yang masih memiliki kelamahan yaitu

dimana nilai akurasi dari sistem yang dibuat masih kecil. 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.

Seperti halnya pada saat melakukan komunikasi telepon, gangguan kadang

timbul dari luar yaitu suara bising kendaraan atau suara orang-orang yang

berada di sekitar, sehingga informasi yang diterima kurang jelas.

Sinyal adalah bagian penting dari sistem telekomunikasi, seperti pada

sistem teknik pengolahan sinyal. Dalam tahun-tahun terakhir ini, banyak perhatian

diberikan kepada teknik pengolahan sinyal digital dalam sistem telekomunikasi.

Banyak aplikasi informasi yang kini dapat dengan mudah direkam, ditransmisi

dan yang disimpan format digital. Hasilnya, pengolahan sinyal digital menjadi

suatu alat modern yang penting. Pengolahan sinyal digital antara lain : perkiraan

parameter karakteristik sinyal, penghapusan atau pengurangan noise

yang tidak diinginkan dan transformasi sinyal ke dalam beberapa bentuk yang

lebih informatif.

Untuk mengatasi kecilnya nilai akurasi yang didapat dalam penelitian –

penelitian sebelumnya maka penulis mengambil topik tentang penekanan derau

18

atau penghilang Noise pada sinyal suara guna meningkatkan kualitas inputan

suara kedalam sistem pengenalan pola suara. Pada pengenalan suara, diperlukan

kondisi lingkungan sekitar yang bersih dan bebas dari segala macam sinyal

pengganggu yang tidak diinginkan seperti derau. Untuk itu diperlukan suatu

perangkat atau alat tambahan yang dinamakan Filter. Salah satu Filter yang

dapat digunakan untuk menekan derau dari sinyal suara adalah Filter adaptif.

Filter adaptif merupakan Filter digital yang menggunakan umpan balik

untuk menentukan nilai dari koefisien Filter terbaik yang dipakai untuk

memperoleh sinyal yang diinginkan. Filter adaptif dapat ditambahkan pada

sistem pengenalan suara untuk menekan derau yang menyertai suara masukan

yang akan dikenali. Algoritma LMS merupakan algoritma yang sangat populer

dan sangat sederhana serta dapat digunakan untuk beberapa aplikasi

pemrosesan sinyal, antara lain masalah penghapusan derau, gema, dan

interferensi.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan diatas maka dapat

dirumuskan masalah yang akan diteliti yaitu :

3. Berapakah nilai Learning Rate dan panjang filter yang akan digunakan

oleh algoritma Least mean Square dalam mencapai akurasi yang optimal

dalam menghilangkan derau pada sinyal suara ?

4. Bagaimana mengukur perubahan suara sebelum dan setelah melalu proses

penghapusan derau?

19

1.3 Tujuan

Adapun tujuan penelitian yang hendak dicapai dalam penulisan ilmiah ini

adalah :

3. Untuk membangun sistem pengenalan pola melalui sinyal suara dengan

penerapan algoritma Least Mean Square dengan Adaptive Filter pada

proses denoising.

4. Untuk mengetahui perubahan sinyal suara sebelum dan setelah melalui

proses denoising

1.4 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Data yang digunakan dalam penelitian ini adalah file suara berformat

(.wav)

2. Sampel suara yang digunakan adalah suara orang yang melafalkan kata

acak secara selama kurang lebih 10 detik.

3. Data suara diperoleh dari manusia dengan rentang usia antara 18 sampai

40 tahun, mengingat perubahan organ penghasil suara yang terjadi saat

beranjak dewasa dan menjelang lanjut usia.

1.5 Manfaat

Manfaat yang dapat diambil dari penelitian ini adalah sebagai berikut :

1. Diharapkan setelah melalui proses reduksi Noise, performa dari sistem

akan meningkat dalam melakukan pengolahan sinyal suara dan

mendapatkan nilai akurasi yang lebih baik.

2. Menghasilkan aplikasi yang dapat digunakan untuk menghilangkan derau

pada sinyal suara serta menambah kualitas sinyal suara tersebut.

20

BAB II

LANDASAN TEORI

BAB II TINA

2.1 Pengenalan Pola Suara

Pengenalan pola dapat diartikan sebagai proses klasifikasi dari objek atau

pola menjadi beberapa kategori ataukelas. Dan bertujuan untuk pengambilan

keputusan (K. Koutroumbas, and S. Theodoridis , 2006).

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). Kata-kata yang

diucapkan diubah bentuknya menjadi sinyal digital dengan cara mengubah

gelombang suara menjadi sekumpulan angka yang kemudian disesuaikan dengan

kode-kode tertentu untuk mengidentifikasikan kata-kata tersebut.

Hasil dari identifikasi kata yang diucapkan dapat ditampilkan dalam

bentuk tulisan atau dapat dibaca oleh perangkat teknologi sebagai sebuah

komando untuk melakukan suatu pekerjaan, misalnya penekanan tombol pada

telepon genggam yang dilakukan secara otomatis dengan komando suara. Alat

pengenal ucapan, yang sering disebut dengan speech recognizer, membutuhkan

sampel kata sebenarnya yang diucapkan dari pengguna. Sampel kata akan

didigitalisasi, disimpan dalam komputer, dan kemudian digunakan sebagai basis

data dalam mencocokkan kata yang diucapkan selanjutnya.

Sebagian besar alat pengenal ucapan sifatnya masih tergantung kepada

pengeras suara. Alat ini hanya dapat mengenal kata yang diucapkan dari satu atau

dua orang saja dan hanya bisa mengenal kata-kata terpisah, yaitu kata-kata yang

dalam penyampaiannya terdapat jeda antar kata. Hanya sebagian kecil dari

21

peralatan yang menggunakan teknologi ini yang sifatnya tidak tergantung pada

pengeras suara. Alat ini sudah dapat mengenal kata yang diucapkan oleh banyak

orang dan juga dapat mengenal kata-kata kontinu, atau kata-kata yang dalam

penyampaiannya tidak terdapat jeda antar kata.

Pengenalan ucapan dalam perkembangan teknologinya merupakan bagian

dari pengenalan suara (proses identifikasi seseorang berdasarkan suaranya).

Pengenalan suara sendiri terbagi menjadi dua, yaitu pengenalan pengguna

(identifikasi suara berdasarkan orang yang berbicara) dan pengenalan ucapan

(identifikasi suara berdasarkan kata yang diucapkan).

Metode klasifikasi yang digunakan pada sistem pengenalan pola memiliki

dua jenis pendekatan. Pendekatan statistik dan pendekatan struktural atau sintatik.

Pengenalan pola statistik berdasarkan pada karakteristik statistikal dari pola-pola

yang ada dengan asumsi bahwa pola-pola tersebut dihasilkan oleh sebuah sistem

probabilistik. Pengenalan pola struktural berdasarkan pada hubungan struktural

dari fitur setiap pola. Sebuah sistem pengenalan pola terdiri dari sensor yang

mengumpulkan pola yang akan diproses dan mengukur variabel dari setiap pola,

pre-processing yang menghilangkan Noise dalam data, mekanisme ekstraksi fitur

untuk mendapatkan informasi numeric atau simbolik dari pola-pola tersebut,

model pembelajaran yang mempelajari pemetaan antara fitur dan kelompok pola,

metode klasifikasi yang memisah – misahkan pola-pola tersebut ke dalam kategori

berdasarkan fitur dan model pembelajaran, dan post-processing yang

mengevaluasi benar atau tidaknya hasil yang didapat. Pengenalan pola merupakan

bidang dalam pembelajaran mesin dan dapat diartikan sebagai tindakan

mengambil data mentah dan bertindak berdasarkan klasifikasi data. Dengan

demikian, hal tersebut merupakan himpunan kaidah bagi pembelajaran yang

diawasi ( supervised learning ).

2.2 Sinyal

Sebuah sinyal adalah variasi dari variable seperti gelombang tekanan udara

dari suara, warna dari gambar, kedalaman sebuah permukaan, temperature dari

tubuh, tegangan atau arus dari konduktor atau sitem biologis, cahaya, sinyal

22

elektromagnetik radio, atau volume dan berat dari suatu objek. Sebuah sinyal

membawa informasi mengenai satu atau lebih atribut mengenai status, komposisi,

arah pergerakan, dan tujuan dari sumber (Priemer, 1991). Dapat dikatakan,

sebuah sinyal adalah sebuah media untuk membawa informasi mengenai keadaan

masa lalu, masa sekarang, dan masa yang akan dating dari suatu variable

Gambar 2. 1 Signal

Pada umunya variabel independen untuk sinyal satu dimensi adalah waktu.

Jika variable independennya kontinu, maka sinyal tersebutdisebut sebagai sinyal

waktu kontinu ( continuous-time signal ). Jika variable independennya diskrit,

maka sinyal tersebut disebut sebagai sinyal waktu diskrit ( discrete-time signal ).

Sinyal waktu kontinu didefinisikan setiap suatu waktu ( t ) dalam sebuah interval

yang biasanya tidak terbatas, sedangakan sinyal waktu diskrit dedifinisikan pada

waktu diskrit, dan biasanya berupa urutan angka. Sinyal waktu kontinu dengan

amplitude kontinu biasanya disebut sebagai sinyal analog seperti sinnnyal suara

sebagai contohnya. Sinyal waktu diskrit dengan amplitude bernilai diskrit yang

direpresentasikan oleh digit angka yang terbebas (finite) biasanya disebut sebagai

sinyal digital

2.2.1 Sinyal Percakapan

Sinyal percakapan adalah sinyal yang dihasilkan dari suara manusia

sewaktu melakukan percakapan. Sinyal percakapan merupakan kombinasi

kompleksdari variasi tekanan udara yang melewati pita suara dan vocal tract,

yaitu mulut, lidah, gigi, bibir, dan langit-langit mulut. Speech (wicara) dihasilkan

dari sebuah kerjasama antara paru-paru, glottis, dan articulation tract (mulut dan

rongga hidung). Sinyal suara terdiri dari serangkaian suara yang masing-masing

menyimmpan sepotong informasi. Berdasarkan cara menghasilkannya, suara

23

dapat dibedakan menjadi dua jenis yaitu voiced dan unvoiced. Voiced sounds atau

suara ucapan berasal dari getaran pita suara, sedangkan unvoiced sounds

dihasilkan dari gesekan antara udara dengan voice tract.

Gambar 2. 2 Sinyal Percakapan Dengan Nilai SNR Mendekati 30dB

Sinyal percakapan memiliki beberapa karakteristik, seperti Pitch dan

intensitas suara yang berguna dalam melakukan analisis sinyal suara. Pitch adalah

frekuensi dari sinyal atau yang sering disebut intonasi. Intensitas suara adalah

tingkat kekuatan suara. Impuls tekanan pada umumnya disebut sebagai Pitch

impulse dan frekuensi sinyal tekanan adalah Pitch frequency atau fundamental

frequency. Sederet impuls dihasilkan oleh pita suara untuk sebuah suara. Hal ini

merupakan bagian dari sinyal suara yang mendefinisikan speech melody atau

melodi wicara. Ketika berbicara dengan Pitch yang stabil, suara sinyal suara

monotonous tetapi dalam kasus normal sebuah perubahan permanen pada

frekuensi terjadi. Impuls Pitch memang merangsang udara dalam mulut dan untuk

suara tertentu juga merangsang rongga hidung. Ketika rongga beresonansi, timbul

radiasi sebuah gelombang suara yang merupakan sinyal percakapan. Kedua

rongga beraksi sebagai resonators dengan karakteristik frekuensi resonansi

masing-masing yang disebut dengan Formant frequencies, sehingga Formant

merupakan variasi resonansi yang dihasilkan oleh vocal tract. Pada saat rongga

mulut mengalami perubahan besar, dihasilkan beragam pola ucapan suara

berbeda. Di dalam kasus unvoiced sounds, keluaran pada vocal tract lebih

menyerupai Noise atau derau.

2.2.2 Noise

Noise (kebisingan), dalam pengertian umum, adalah suatu gangguan yang

"didengar" orang, tetapi dalam telekomunikasi kata Noise juga dipakai sebagai

24

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. Noise juga

terjadi apabila hubungan listrik yang pembawa arus dibuat nyala mati, misalnya

pada brusher tipe motor tertentu. Sumber kebisingan semacam itu pada pokoknya

dapat dihilangkan.

Gejala alam yang menimbulkan kebisingan itu termasuk badai listrik,

kobaran matahari (solar flares), dan sabuk radiasi tertentu yang ada di ruang

angkasa. Kebisingan yang timbul dari sumber tersebut mungkin lebih sulit

dilemahkan, dan seringkali yang merupakan satu-satunya solusi ialah merubah

posisi antena penerimanya untuk memperkecil kebisingan yang diterima, sambil

menjamin bahwa penerimaan sinyal yang diinginkan itu tidak rusak berat.

Gambar 2. 3 Sinyal Suara Yang Telah Terganggu Oleh Derau

Kebisingan itu, yang terutama dimasalahkan didalam sistem penerimaan,

dimana menurunkan batas guna ukuran sinyal yang dapat diterima. Walaupun

kehati-hatian dilakukan untuk menghilangkan kebisingan dari sambungan yang

buruk atau yang timbul dari sumber luar, terbukti bahwa sumber kebisingan

fundamental tertentu hadir didalam perlengkapan elektronik yang membatasi

kepekaan penerima. Penambahan amplifier pada sistem penerima juga menambah

kebisingan dan rasio sinyal terhadap kebisingan (signal-to-Noise ratio), yang

25

merupakan kuantitas penting, bisa mengalami penurunan dengan penambahan

amplifier. Jadi, studi sumber kebisingan fundamental dalam peralatan penting jika

kita ingin memperkecil efek kebisingan itu.

2.2.3 Konversi Sinyal Analog Menjadi Sinyal Digital

Sinyal – sinyal yang natural pada umumnya seperti sinyal suara

merupakan sinyal continue dimana memiliki nilai yang tidak terbatas. Sedangkan

pada computer, semua sinyal yang dapat diproses oleh computer hanyalah sinyal

discrete atau sering dikenal sebagai istilah sinyal digital. Agal sinyal natural dapat

diproses oleh computer, maka harus dirubah dahulu dari data sinyal continue

menjadi sinyal discrete. Hal itu dapat dilakukan melalui 3 proses, diantaranya

adalah proses sampling data, proses kuantisasi, dan proses pengkodean.

Proses sampling adalah suatu proses untuk mengambil data signal

continue untuk setiap periode tertentu. Dalam melakukan proses sampling data

berlaku aturan nyquist, yaitu bahwa frekuensi sampling minimal harus 2 kali lebih

tinggi dari frekuensi maksimum yang akan disampling. Jika signal sampling

kurang dari 2 kali frekuensi maksimum signal yang akan disampling, maka akan

timbul efek aliasing. Aliasing adalah suatu efek dimana sinyal yang dihasilkan

memiliki frekuensi yang berbeda dengan sinyal aslinya.

Proses kuantisasi adalah proses untuk membulatkan nilai data kedalam

bilangan-bilangan tertentu yang telah ditentukan terlebih dahulu. Semakin banyak

level yang dipakai maka semakin akurat pula data sinyal yang disimpan, tetapi

akan menghasilkan ukuran data besar dan proses yang lama. Proses pengkodean

adalah proses pemberian kode untuk tiap-tiap data sinyal yang telah terkuantisasi

berdasarkan level yang ditempati

2.3 Reduksi Noise

Pada pengenalan suara, diperlukan kondisi lingkungan sekitar yang bersih

dan bebas dari segalamacam sinyal pengganggu yang tidak diinginkan

sepertiderau. Untuk itu diperlukan suatu perangkat atau alat tambahan yang

dinamakan Filter. Salah satu Filter yangdapat digunakan untuk menekan derau

26

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. Filter adaptif dapat

ditambahkan pada system pengenalan suara untuk menekan derau yang menyertai

suara masukan yang akan dikenali.

Kebisingan merupakan salah satu bentuk derau yang sering mengganggu

proses komunikasi, sehingga harus ditekan. Pada proses pengolahan suara,

lingkungan sekitar yang benar-benar bersih (clean) dan bebas dari segala bentuk

derau adalah salah satu yang sangat dibutuhkan untuk memperoleh sinyal yang

benar-benar sesuai dengan sinyal aslinya. Salah satu bentuk dari pengolahan

sinyal suara yang sangat rentan dengan derau adalah pengenalan ucapan (speech

recognition) karena derau dapat mempengaruhi keakuratan dalam proses

pengenalannya. Pada proses pengenalan ucapan, Filter adaptif merupakan salah

satu metode yang dapat digunakan untuk menekan derau yang berasal dari

lingkungan sekitar.

2.3.1 Algoritma LMS

Algoritma LMS merupakan algoritma yang sangat populer dan sangat

sederhana serta dapat digunakan untuk beberapa aplikasi pemrosesan sinyal,

antara lain masalah penghapusan derau, gema, dan interferensi. Penelitian ini

menggunakan metode algoritma LMS (Least Mean Square) untuk Filter Finite

Impulse Response (FIR). Algoritma LMS seringkali digunakan untuk beberapa

aplikasi yang berbeda pada pemrosesan sinyal adaptif. Ada beberapa alasan yang

mendasari hal tersebut, antara lain: komputasi yang mudah dan sederhana, tidak

ada pengulangan data, dan tanpa peramalan gradien.

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

27

filter Wiener. Proses rekursi yang biasa digunakan ialah steepest descent yang

bentuknya adalah :

w(n+1) = w(n) + ½ m[-∆(J(n))]

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)

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)

Parameter H tersebut menyatakan nilai matriks Hermitian (kompleks – conjugate).

Untuk nilai vektor gradien, diperoleh dengan mensubstitusikan persamaan diatas:

∆(J(n)) = -2 (x(n)xT(n)w(n)) + 2 (d(n)x(n))w(n)

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 :

w(n+1) = w(n) + µ (p(n) – R(n)w(n))

Dari keseluruhan rumus yang diturunkan, maka untuk algoritma LMS dapat

disimpulkan 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)

28

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.

2.3.2 Adaptive Filter

Semua Filter Adaptive memakai Filter Wiener sebagai realisasi Filter

optimum yaitu dengan kriteria mean square error minimum. Semua

Algoritma dengan sejalannya waktu berusaha untuk konvergen mendekati

kondisi ini. Seperti pada prediksi liniear, Filter adaptive juga didasari oleh

Filter Wiener. Semua kaidah dan sifat-sifat yang berlaku pada Filter Wiener

tetap berlaku untuk aplikasi adaptive ini

Orde Filter dibatasi oleh mean square error yang diinginkan, dan

kecepatan processing yang harus dicapai. Dengan makin besarnya orde Filter

tentu mean square error semakin kecil tetapi kecepatan processing makin

lambat. Jadi trade-off harus dilakukan dalam penentuan orde Filter ini. Filter

adaptif merupakan Filter digital yang bekerja dalam pemrosesan sinyal

digital yang dapat menyesuaikan kinerjanya berdasarkan sinyal masukannya.

Filter adaptif mempunyai pengatur koefisien yang dapat beradaptasi dengan

keadaan lingkungan sekitar maupun perubahan sistem.

Gambar 6. 1 Diagram Adaptive Filter

Sinyal masukan x(n) adalah penjumlahan dari sinyal suara s(n)

dengan derau yang menyertai sinyal suara tersebut d(n).

𝑥(𝑛) = 𝑠(𝑛) + 𝑑(𝑛)

Sinyal masukan pada Filter adaptif d’(n) adalah sinyal derau yang dicuplik

dari sumber derau yang menginterferensi sinyal suara. Pada Filter adaptif

29

digunakan umpan balik untuk menentukan nilai koefisien Filter setiap

ordenya. Filter mempunyai struktur FIR dengan tanggapan impuls sama

dengan koefisien Filternya. Koefisien pada Filter adaptif untuk orde-p

didefinisikan sebagai berikut :

wn = [wn(0), wn(1), ..., wn(p)]T

Pada variabel Filter selalu dilakukan up-date untuk koefisien Filternya

sebagai berikut :

wn+1 = wn + ∆wn

𝑤𝑛+1 = 𝑤𝑛 + 2𝜇 𝜖𝑘𝑥𝑘

dengan ∆wn merupakan faktor koreksi dari koefisien Filter dan 𝜖 merupakan

nilai mean square error.

𝜖𝑘 = 𝐸{|𝑒(𝑛)|2

}

Filter adaptif menampilkan faktor koreksi berdasarkan sinyal masukan

dan kesalahan sinyal. Kesalahan sinyal (signal error) pada Filter dapat

dihitung dengan menggunakan persamaan sebagai berikut :

e(n) = x(n) – y(n)

dengan :

y(n) = x(n) . w(n)

𝑦(𝑛) = ∑ 𝑥(𝑛). 𝑤(𝑛)

𝐿

𝑖=0

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

koefisien Filter pada Filter adaptif dengan menggunakan nilai MSE adalah

sebagai berikut :

w(n+1) = w(n) + µe(n)d(n)

2.3.3 Signal to Noise Ratio dan Mean Square Error

Signal to Noise ratio (SNR) adalah suatu ukuran untuk menentukan

kualitas dari sebuah sinyal yang terganggu oleh derau. Penelitian ini, estimasi

30

SNR dilakukan dengan menggunakan metode korelasi. Sinyal masukan (sinyal

uji) dimodelkan dengan sinyal sinusoidal. Sinyal derau dimodelkan sebagai sinyal

random dengan distribusi normal (Gaussian). Perancangan simulasi ini dilakukan

dengan menggunakan Simulink Matlab. Hasil pengujian telah diperoleh bahwa

variasi frekuensi sinyal masukan menghasilkan nilai estimasi SNR yang

bervariasi. Nilai SNR suatu jalur dapat dikatakan pada umumnya tetap, berapapun

kecepatan data yang melalui jalur tersebut. Satuan ukuran SNR adalah decibel

(dB) .

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi

metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian

dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur

kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan.

Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih

baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.

31

BAB III

METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN

3.1 Variabel Penelitian

Variabel-variabel yang digunakan dalam penelitian ini adalah :

1. Nilai ordo atau panjang tapi (filter) dalam adaptive filter.

2. Nilai learning rate pada proses penghapusan derau.

3.2 Metode Pengumpulan Data

Pengumpulan data penelitian ini dilakukan dengan metode-metode sebagai

berikut :

1. Studi Kepustakaan, yaitu mengumpulkan data dari buku, jurnal, atau hasil

penelitian lainnya yang berhubungan dengan tugas akhir.

2. Observasi, yaitu mempelajari aplikasi sejenis yang terdapat pada sistem

pengenalan suara lainnya seperti sistem pengenalan lagu yang terdapat

dalam android, maupun sistem pengenalan suara sederhana yang terdapat

pada ponsel pintar

3. Penulis mengumpulkan sendiri data suara menggunakan smartphone.

Kemudian responden diminta untuk merekam suara sepanjang 10 detik

dalam keadaan lingkungan saat perekaman diambil terdapat suara derau

atau suara yang tidak diinginkan. Selain data suara, penulis juga

mengumpulkan contoh data suara derau sepanjang 10 detik yang nantinya

akan digunakan sebagai input referensi pada sistem.

3.3 Data Penelitian

Data-data yang digunakan dalam penelitian ini berupa data suara manusia

yang mengucapkan kata acak selama 10 detik yang direkam dengan ekstensi

WAVE (.wav). perekaman suara dengan ekstensi WAVE ini merupakan rekaman

data suara yang tidak mengalami proses kompresi apapun sehingga memudahkan

sistem untuk mengolah data suara tersebut. Perekaman dilakukan oleh orang

32

dengan rentang usia 18 – 50 tahun dikarenakan perubahan organ penghasil suara

yang bisa berubah saat manusia mengalami proses pendewasaan serta penurunan

organ penghasil suara saat manusia lanjut usia.

3.4 Perancangan Sistem

Sistem yang dibangun dalam penelitian kali ini adalah sebuah sistem yang

dapat membaca sinyal suara. Dalam sistem ini user akan mengambil data suara

yang telah terdapat didalam berkas database dan sistem akan mengeluarkan

output berupa data suara yang telah mengalami proses penghilangan atau

penekanan derau. Berikutnya akan dipaparkan tentang gambaran umum system

dan flow chart dari setiap proses dari sistem penghapusan derau ini.

3.4.1 Gambaran Umum Sistem

Struktur dari sistem adalah sebagai beriukut :

Gambar 3. 1 Gambaran Umum Sistem

Proses penghilangan derau pada sinyal suara adalah merupakan tahap awal

dari proses pengolahan sinyal suara. proses ini sangat penting mengingat noise

atau derau dapat mengganggu sistem dalam melakukan proses pengolahan karena

sifat daripada noise yang mengganggu. Didalam penghilangan derau ini, sinyal

suara pada database akan disaring atau difilter agar mendapatkan sinyal suara

yang lebih jernih. Dan dalam tahap denoising ini akan disimulasikan bagaimana

sistem dapat menghilangkan derau pada sinyal suara yang kita miliki.

3.4.2 Preprocessing

Tahap pengambilan input merupakan tahapan awal dari keseluruhan

proses pengenalan suara. Tahap ini dilakukan untuk melakukan pengekstraksian

sinyal suara. Suara yang dimasukkan akan diolah dan diekstrak informasinya ke

dalam sistem sebagai sinyal inputan. Masukkan ini diinput dengan menggunakan

alat seperti mikrofon atau alat perekam suara. Tahap ini bertujuan untuk mengolah

33

sinyal inputan agar dapat diproses pada tahap selanjutnya dengan baik.

Preprocessing adalah proses dimana sinyal analog akan dirubah menjadi sinyal

digital atau dapat disebut dengan original signal. Sinyal analog yang direkam akan

langsung diproses menjadi sinyal digital demi mendapatkan sinyal asli yang akan

diproses pada tahap selanjutnya.

3.5 Proses Denoising Sinyal Suara

Tahap ini merupakan tahap yang berfungsi untuk mengurangi derau atau

Noise yang terdapat dalam sinyal suara dengan harapan dapat meningkatkan

akurasi dari proses pengenalan suara berikutnya. Proses ini sangatlah penting

untuk dilakukan demi mendapat hasil yang lebih baik atau yang diinginkan.

Adapun tahap-tahap pada proses ini dapat diuraikan sebagai berikut:

1. Pembacaan berkas suara yang telah disimpan dalam format WAV. Pada

tahap ini dilakukan pemilihan sinyal asli dan derau sesuai dengan data yang

tersedia.

2. Penggabungan antara berkas suara tak berderau dengan derau yang telah

dipilih sehingga diperoleh isyarat berderau yang merupakan masukan dari

sistem.

3. Penentuan metode yang ingin digunakan, algoritma Least Mean Square

Adaptive Filter.

4. Penentuan nilai panjang tapis (L) dan konstanta ukuran langkah adaptasi

(mu).

5. Perhitungan keluaran tapis :

y(n) = w(n) x(n)

𝑦(𝑛) = ∑ 𝑥(𝑛). 𝑤(𝑛)

𝐿

𝑖=0

6. Perhitungan estimasi galat :

)y(nd(n)e(n)

7. Perbaikan bobot Filter berikutnya :

w(n+1) = w(n) + µ d(n)e(n)

34

Flowchart Sistem

Penerapannya dalam flowchart adalah sebagai berikut :

Gambar 3. 2 Alur Data Proses Penghapusan Derau

Mulai

Input sinyal suara ( d ), sinyal derau ( x ), L

(orde filter), μ

(step size), dan bobot (w0)

n = 0

Inisialisasi vector bobot adaptive

Wk+1 = Wk + 2 µe k Xk

Hitung keluaran filter adaptive

1L

0l

l l) x(n* (n)wy(n)

Hitung nilai galat

)y(nd(n)e(n)

e (n) < 0.001 Tidak

Yes

Selesai

Output Sinyal Suara

35

3.6 Evaluasi

Setelah melalui proses penghilangan derau, didapat sinyal suara dengan

jumlah derau yang telah tereduksi. Langkah selanjutnya adalah menghitung hasil

kinerja lagoritma berupa akurasi dari sinyal yang telah melalui peroses

penghapusan derau. Keberhasilan suatu proses penghapusan interferensi suara

dapat ditentukan berdasarkan kualitas suara yang dihasilkan, SNR (Signal to

Noise Ratio), MSE (Mean Square Error). Signal to Noise Ratio (SNR)

merupakan perbandingan antara daya sinyal asli (Px) dengan daya derau (Pe).

Secara matematis dapat dinyatakan sebagai berikut :

Dengan

Dan

Maka persamaan tersebut dapat disederhanakan seperti berikut :

Hasil dari fungsi diatas sangat dipengaruhi oleh nilai parameter yang akan

dimasukkan. Karena bila parameter yang diinputkan berbeda maka besarnya nilai

SNR dan MSE pun akan berbeda. Parameter yang akan ditentukan adalah jumlah

ordo filter dengan nilai 1-20. Nilai learning rate (langkah) dengan nilai 0.1, 0.01,

dan 0.05

36

3.7 Implementasi dan Dokumentasi System

Tahap implementasi hasil dari perancangan sistem ke source code

pemrograman agar dapat dijalankan dalam sistem. Dalam tahap ini, komponen

yang digunakan adalah :

1. Bahasa pemrograman untuk sistem segmentasi yang dikembangkan

menggunakan bahasa pemrograman MATLAB & Simuling (R2012a).

2. Basisdata untuk data input dari sistem adalah berupa rekaman suara

manusia dengan ekstensi .wav dan samplingrate 22KHz / 22000Hz Mono

16bit.

Dalam tahap dokumentasi dibuat segala keterangan mengenai rancang

bangun sampai manual sistem. Adanya dokumentasi diharapkan dapat

mempermudah dalam penggunaan dan pengembangan sistem apabila ditemukan

masalah dalam pengoperasian.

37

BAB IV

HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN

4.1 Lingkungan Perancangan Sistem

Pengimplementasian sistem penghapusan derau ini mencakup perangkat

keras dan perangkat lunak. Sistem diimplementasikan pada pemrograman desktop

yaitu Matlab & Simulink (R2012a). Pada lingkup perangkat keras, spesifikasi

yang digunakan adalah sebagai berikut :

1. Processor Intel Core i3 3217UB

2. Ram 4 GB

3. Hardisk 500GB

Sedangkan spesifikasi yang diperlukan pada lingkup perangkat lunak adalah:

1. Matlab & Simulink (R2012a)

2. Perekam suara Audacity (desktop), PCM Recorder (smartphone)

3. Pemotongan sinyal suara dengan frekuensi tertentu menggunakan Adobe

Audition CS5.5

4. Sistem Operasi Windows 7

4.2 Pengembangan Sistem

Pada tahap pengembangan sistem penekanan derau terdapat dua tahapan

pengembangan sistem, yaitu penyimpanan database sistem dan tampilan user

antarmuka (interface).

4.2.1 Tampilan User Interface

Untuk membangun sistem diperlukan desain tampilan user interface yang

dirancang dengan desain yang minimalis dan user friendly sehingga diharapkan

dapat dengan mudah dimengerti oleh pengguna.

38

Gambar 4. 1 Interface Sistem Denoising

4.2.2 Tampilan User Interface Saat Menampilkan Hasil Denoising

Tampilan user interface program pada saat menampilkan hasil dataset citra

yang diinput oleh user dapat dilihat pada Gambar 4.2.

Gambar 4. 2 Interface Sistem Setalah Proses Denoising

39

4.3 Tahap Pengumpulan Dataset

Metode pengumpulan data dilakukan dengan merekam sampel suara dari

beberapa orang dengan rentang umur 18 – 50 th. Sampel suara yang diambil

berupan pengucapan kata secara acak selama kurang lebih 10 detik dengan

ekstensi wave (.wav) dan samplingrate 22KHz / 22000Hz Mono 16bit PCM.

4.4 Tahap Denoising

Proses denoising bertujuan untuk menghapus derau yang terdapat dalam

sinyal suara dan meningkatkan kualitas dari sinyal suara tersebut. Data input

berupa data suara yang ingin dihapus deraunya dan data output berupa data suara

yang telah terhapus deraunya dan mengalami peningkatan kualitas

4.4.1 Parameter Algoritma

Parameter yang digunakan dalam algoritma Least Mean Square Adaptive

Filter seperti ordo (jumlah tapis/filter), langkah (learning rate), batas error, dan

batas iterasi harus ditentukan terlebih dahulu. Parameter ini akan menjadi variable

masukkan pada sistem untuk memulai proses penghapusan derau. Dalam

penelitian ini batas error yang digunakan adalah 0.00001 dan batas iterasi yang

dilakukan sistem adalah sebanyak 1000 iterasi. Nilai – nilai terbaik untuk

parameter lainnya dalam sistem ini adalah ordo = 10, langkah = 0.1 yang

menghasilkan nilai Mean Square Error dan Signal to Noise Ratio yang minimal.

4.4.2 Implementasi Algoritma Least Mean Square Adaptive Filter

Proses penghapusan derau menggunakan algoritma LMS Adaptive Filter

pada dataset sinyal suara merupakan proses penekanan derau pada dataset sinyal

suara dengan dataset derau yang terdapat didalam database. Berikut merupakan

langkah-langkah proses penghapusan derau dan penjelasan source code Algoritma

LMS Adaptive Filter.

40

1. Pembacaan berkas data suara oleh sistem

Proses penghapusan derau dimulai dari pembacaan berkas data sinyal suara

oleh sistem. Kode program kordinat acak awal dapat dilihat pada Tabel 4.1.

Tabel 4. 1 Kode Program Buka Berkas

Baris Kode Program

36

function buttonOpen_Callback(hObject, eventdata,

handles) global FileName; global FilePath; handle = guidata(gcbo);

disp('Membuka berkas.'); axes(handle.axesSource); [FileName, FilePath] = uigetfile ({'*.wav' },

'Memuat berkas suara',''); obj = findobj('tag', 'editFilename'); set(obj,'String',strcat(FilePath,FileName)); disp(strcat('Nama Berkas :

',32,strcat(FilePath,FileName))); disp(' ');

2. Penentuan Variabel-Variabel yang akan digunakan dalam Algoritma Least

Mean Square.

Pada proses ini, user memasukkan variable-variabel seperti ordo filter,

learning rate (langkah), batas error dana batas iterasi yang akan dilakukan oleh

sistem.setelah itu user akan menekan tombol proses dimana sistem akan langsung

mnghitung algoritma sesuai dengan variable yang telah dimasukkan oleh user.

Kode program pemasukkan variabel dapat dilihat pada Tabel 4.2.

41

Tabel 4. 2 Kode Program Proses input variabel

Baris Kode Program

1

function buttonProcess_Callback(hObject, eventdata,

handles) global FileName; global FilePath; global InputSignal; global InputFrequency; global ReferenceSignal; global ReferenceFrequency; global NoiseSignal; global NoiseFrequency; global NoisedSignal; global NoisedFrequency; global OutputSignal; handle = guidata(gcbo);

disp('Menentukan nilai awal.'); obj = findobj('tag', 'editOrdo'); MyOrdo=str2num(get(obj,'String')); obj = findobj('tag', 'editStep'); MyStep=str2num(get(obj,'String')); obj = findobj('tag', 'editWeight'); MyWeight=str2num(get(obj,'String')); obj = findobj('tag', 'editError'); MyError=str2num(get(obj,'String')); obj = findobj('tag', 'editIteration'); MyIteration=str2num(get(obj,'String'));

% Tampilkan ordo, langkah dan bobot awal disp(strcat('Ordo : ',32,num2str(MyOrdo))); disp(strcat('Langkah : ',32,num2str(MyStep))); disp(strcat('Bobot Awal :

',32,num2str(MyWeight))); disp(strcat('Batas Galat :

',32,num2str(MyError))); disp(strcat('Batas Iterasi :

',32,num2str(MyIteration))); disp(' ');

3. Perhitungan Algoritma Least Mean Square

Pada proses ini dilakukan perhitungan Adaptive Filter yang digunakan untuk

menghapuskan derau pada sinyal suara. Kode program perhitungan Adaptive

Filter dapat dilihat pada Tabel 4.3.

42

Tabel 4. 3 Kode Program Perhitungan Algoritma

Baris Kode Program

1

% Inisisasi adaptive filter lms % hlms = dsp.LMSFilter(MyOrdo+1, 'StepSize', Step); hlms = dsp.LMSFilter('Length', MyOrdo+1, ... 'Method', 'LMS',... 'AdaptInputPort', true, ... 'StepSizeSource', 'Input port', ... 'WeightsOutputPort', true, ... 'WeightsResetInputPort', true ... );

% Inisisasi digital filter hfilt = dsp.DigitalFilter; hfilt.TransferFunction = 'FIR (all zeros)'; hfilt.Numerator = fir1(MyOrdo, .25);

% Atur bobot awal (w0) MyWeights=ones(MyOrdo+1,1)*MyWeight; A=1; R=false;

% Buat perulangan sampai e < MyError, maksimal

perulangan sebanyak MyIteration LoopCounter=1; MaxLoop=MyIteration; StopFlag=false; TotalTime=0; LastError=0; while StopFlag==false disp('-----------------------------------------

----------------------------------'); disp(strcat('Iterasi ke-

',num2str(LoopCounter)));

% Masukkan bobot filter ke properti filter hlms.InitialConditions=MyWeights;

% ERRORbefore=OutputError; % Lakukan adative filter dengan metode LMS tic; [OutputSignal,OutputError,OutputCoeff] =

step(hlms, ReferenceSignal, NoisedSignal, MyStep, A,

R); ElapsedTime=toc*1000; TotalTime=TotalTime+ElapsedTime; % Menghasilkan % OutputSignal : hasil filter % OutputError : kesalahan hasil filter % OutputCoeff : koefisien bobot filter disp(strcat('Waktu yang diperlukan pada iterasi

ini (ms) : ',32,sprintf('%f',ElapsedTime))); disp(strcat('Waktu yang diperlukan sampai

43

iterasi ini (ms) : ',32,sprintf('%f',TotalTime)));

MyWeights=OutputCoeff + (2*LastError*MyStep) ;

% Perbaharui bobot filter disp('Bobot hasil filter : '); disp(MyWeights);

EstimatedError=round(abs(mean(OutputError))*10000000000

000000)/10000000000000000; fprintf('Galat : %.16f',EstimatedError) disp(' '); disp(' ');

StopReason=''; if (LoopCounter>MaxLoop ||

EstimatedError<=MyError || EstimatedError==LastError) StopFlag=true; if LoopCounter>MaxLoop StopReason='Mencapai batas perulangan'; end if EstimatedError<=MyError StopReason='Mencapai batas galat'; end if EstimatedError==LastError StopReason='Tidak mengalami perubahan

galat'; end end

LastError=EstimatedError; LoopCounter=LoopCounter+1; hlms.release(); end

4. Perhitungan Nilai SNR dan MSE

Perhitungan nilai Signal to Noise Ratio dan Nilai Mean Square error ini

digunakan untuk melihat perkembangan dan hasil dari keluaran sistem. Nilai

SNR dari sinyal suara output sistem akan dibandingkan dengan nila SNR

sinyal suara awal. Kode Program Perhitungan SNR dan MSE dapat dilihat

pada Tabel 4.4.

44

Tabel 4. 4 Kode Program Perhitungan Nilai MSE dan SNR

Baris Kode Program

1

% Hitung SNR awal % snr = px/pe % snrdb = 10 log 10 (px / pe)

SNRbefore=mean(InputSignal.^2)/mean(NoiseSignal.^2); SNRbeforeDB=10*log10(SNRbefore); disp(strcat('SNR Awal (db) :

',32,num2str(SNRbeforeDB)));

% Hitung SNR akhir % snr = px/pe % snrdb = 10 log 10 (px / pe)

SNRafter=mean(OutputSignal.^2)/mean(NoiseSignal.^2); SNRafterDB=10*log10(SNRafter); disp(strcat('SNR Akhir (db) :

',32,num2str(SNRafterDB)));

% Hitung MSE SNR % mse = E [S ((x1(m1) - x2(2))^2) ] myMSE=mse(NoisedSignal,OutputSignal); disp(strcat('MSE : ',32,num2str(myMSE))); disp(' ');

4.5 Tahap Pengujian Segmentasi

4.5.1. Hasil Pengujian Algoritma Least Mean Square

Hasil pengujian MSE dan SNR, besarnya ordo (panjang tapis/filter) dan

nilai langkah (learning rate) dari algoritma Least Mean Square denagn Adaptive

Filter dari kombinasi rentang nilai ordo 2 - 60 dan nilai langkah 0.1, 0..01, 0.05 .

Hasil pengujian dapat dilihat pada lampiran.

Dari lampiran dapat dilihat bahwa dari rentang nilai ordo 2 – 60 dan nilai

langkah 0.1, 0.01, 0.05 didapat hasil kombinasi optimal yang didapat untuk

menghasilkan nilai MSE dan SNR minimal didapat dari kombinasi nilai ordo 10

dan langkah 0.1.

4.5.2 Hasil Pengujian Perbandingan Algoritma

Hasil pengujian Algoritma Least Mean Square dengan Adaptive Filter

dapat dilihat pada Tabel.

45

1. Penghilangan derau dengan referensi derau berulang

Tabel 4. 5 Hasil Pengujian Algoritma Referensi Derau Berulang

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.1

2 0.00472 16.2658

4 0.00451 16.0625

6 0.00443 15.9858

8 0.00439 15.9441

10 0.00437 15.9269

12 0.00438 15.9297

14 0.00439 15.9463

16 0.00441 15.9674

18 0.00443 15.9847

20 0.00444 15.9945

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.01

2 0.00462 16.1713

4 0.00457 16.123

6 0.00447 16.0177

8 0.00441 15.9605

10 0.00438 15.9314

12 0.00437 15.9245

14 0.00438 15.9348

16 0.0044 15.9546

18 0.00442 15.9744

20 0.00444 15.9877

46

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.05

2 0.00462 16.1714

4 0.00472 16.2656

6 0.00457 16.1233

8 0.00451 16.0622

10 0.00447 16.018

12 0.00443 15.9853

14 0.00441 15.9609

16 0.00439 15.9434

18 0.00438 15.932

20 0.00437 15.9261

Tabel 4. 6 Hasil Pengujian Algoritma Referensi Derau Jalan Raya

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.1

2 0.00792 11.6489

4 0.007752 11.5479

6 0.0076003 11.4585

8 0.0074904 11.3931

10 0.0074437 11.3662

12 0.00746 11.3785

14 0.007521 11.4183

16 0.007599 11.468

18 0.0076686 11.5121

20 0.007183 11.528

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.01

2 0.007883 11.6192

4 0.0078331 11.5901

6 0.0076731 11.4946

8 0.0075383 11.4125

10 0.0074587 11.3635

12 0.0074447 11.3553

14 0.0074865 11.3818

47

16 0.0075597 11.4274

18 0.007636 11.4745

20 0.007696 11.5112

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.05

2 0.007883 11.6204

4 0.0079268 11.6469

6 0.0078331 11.5925

8 0.007752 11.5449

10 0.0076731 11.4981

12 0.0076003 11.4546

14 0.0075383 11.4172

16 0.0074904 11.3883

18 0.0074587 11.3692

20 0.0074437 11.3690

Tabel 4. 7 Hasil Pengujian Algoritma Referensi Derau Pantai

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.1

2 0.0026829 4.2878

4 0.0026334 4.1797

6 0.0025881 4.078

8 0.0025545 4.0018

10 0.002542 3.9747

12 0.0025526 4.0024

14 0.0025801 4.0694

16 0.0026126 4.1473

18 0.0026392 4.2105

20 0.0026554 4.2495

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

48

0.01

2 0.0026706 4.2563

4 0.0026568 4.2256

6 0.0026101 4.1195

8 0.0025691 4.0241

10 0.0025453 3.968

12 0.0025447 3.9668

14 0.0025649 4.0153

16 0.0025965 4.0896

18 0.0026271 4.1607

20 0.0026485 4.2098

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.05

2 0.0026706 4.2575

4 0.0026829 4.2856

6 0.0026568 4.2281

8 0.0026334 4.176

10 0.0026101 4.1232

12 0.0025881 4.073

14 0.0025691 4.0293

16 0.0025545 3.9955

18 0.0025453 3.9744

20 0.002542 3.9673

Tabel 4. 8 Hasil Pengujian Algoritma Referensi Derau Televisi

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.1

2 0.00011649 5.9965

4 0.00011474 5.9149

6 0.0001132 5.8414

8 0.0001121 5.7879

10 0.00011174 5.7701

12 0.00011216 5.791

14 0.00011316 5.8396

16 0.00011434 5.8963

18 0.00011533 5.9431

49

20 0.00011595 5.9726

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.01

2 0.00011594 5.9716

4 0.00011555 5.9494

6 0.00011394 5.8765

8 0.00011257 5.8107

10 0.00011182 5.7736

12 0.00011186 5.7757

14 0.00011261 5.8128

16 0.00011376 5.868

18 0.00011488 5.9214

20 0.00011568 5.9596

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.05

2 0.00011594 5.9716

4 0.00011649 5.9939

6 0.00011555 5.9494

8 0.00011474 5.9126

10 0.00011394 5.8765

12 0.0001132 5.8412

14 0.00011257 5.8107

16 0.0001121 5.7876

18 0.00011182 5.7736

20 0.00011186 5.7757

Tabel 4. 9 Hasil Pengujian Algoritma Referensi Derau Kipas Angin

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

50

0.1

2 0.0024689 3.4446

4 0.0024647 3.3477

6 0.0024608 3.3147

8 0.0024579 3.3009

10 0.0024571 3.2891

12 0.0024588 3.2701

14 0.0024623 3.2415

16 0.0024662 3.2073

18 0.0024693 3.175

20 0.002471 3.1496

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.01

2 0.0024677 7.6443

4 0.0024667 5.3922

6 0.0024627 4.6636

8 0.0024592 4.3358

10 0.0024572 4.1568

12 0.0024577 4.0441

14 0.0024604 3.9666

16 0.0024643 3.9132

18 0.002468 3.8807

20 0.0024704 3.8663

LANGKAH ORDO

FILTER

KONDISI

MSE SNR

0.05

2 0.0024677 4.0097

4 0.0024689 3.7291

6 0.0024667 3.6047

8 0.0024647 3.5332

10 0.0024627 3.4893

12 0.0024608 3.4611

14 0.0024592 3.4423

16 0.0024579 3.4291

18 0.0024572 3.419

20 0.0024577 3.4023

51

Perbandingan nilai ordo dan langkah pada Algoritma Least Mean Square

dengan Adaptive Filter yang dimuat dalam tabel – tabel diatas menunjukan bahwa

nilai MSE dan SNR yang paling kecil ditunjukan oleh kombinasi nilai ordo adalah

10 dan nilai langkah adalah 0.1. Semakin kecil besar nilai ordo pada adaptive

filter maka hasil dari MSE dan SNR akan semakin kecil namun seiring dengan

pertambahan nilai tersebut dalam suatu waktu nilai MSE dan SNR akan kembali

naik. Maka dari itu diperlukan kombinasi tepat agar mendapat nilai yang optimal.

52

BAB V

SIMPULAN DAN SARAN

BAB V SIMPULAN DAN SARAN

5.1 Simpulan

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.

5.2 Saran

Saran-saran yang dapat digunakan untuk pengembangan sistem lebih

lanjut adalah sebagai berikut:

1. Menambah variasi noise yang akan menjadi referensi bagi sistem untuk

pengahapusan derau. Penambahan jenis noise akan membuat sistem lebih

baik saat melakukan proses penghapusan derau.

2. Algoritma Least Mean Square merupakan algoritma yang sederhana sehingga

memungkinkan untuk nilai yang didapat belumlah optimal. Perkembangan

dari algoritma ini sangat disarankan untuk mendapatkan nilai yang lebih

optimal sesuai dengan keinginana peneliti.

53

DAFTAR PUSTAKA

Abushariah, a a M., Gunawan, T. S., Khalifa, O. O., & Abushariah, M. a M.

(2010). English digits speech recognition system based on Hidden Markov

Models. Computer and Communication Engineering ICCCE 2010

International Conference on, (May), 1–5.

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.

Hartmann, W. M. (1997). Signal, Sound, and Sensation. Springer.

Ittichaichareon, C., Suksri, S., & Yingthawornsuk, T. (2012). Speech Recognition

using MFCC, 135–138.

K. Koutroumbas, and S. Theodoridis . (2006). Pattern Recognition (Third

Edition). Academic Press.

Kosko, B. (2006). Noise. Viking Press.

Lestariningati, S. I. (n.d.). Simulasi Algoritma Filter Adaptif Pada Pengolahan

Sinyal Digital. Majalah Ilmiah UNIKOM, 59-67.

Md Sahidullah and Goutam Saba. (May 2012). Design Analysis and Experimantal

Evaluation of Block Based Transformation in MFCC Computation for

Speech Recognition.

Muda, L., Begam, M., & Elamvazuthi, I. (2010). Voice Recognition Algorithms

using Mel Frequency Cepstral Coefficient ( MFCC ) and Dynamic Time

Warping ( DTW ) Techniques. Journal of Computing, 2(3), 138–143.

Nelson Morgan, Herve Bourland, and Hynek Hermansky. (2004). Automatic

Speech Recognition. Springer.

Priemer, R. (1991). Introductory Signal Processing. World Scientific.

54

Rabiner, L. I., Levinson, S. E., Rosenberg, A. E., & Wilpon, J. A. Y. G. (1979).

Speaker-Independent Recognition of Isolated Words Using Clustering

Techniques. IEEE Trans. Acoustics, Speech, Signal Proc, ASSP-27(4), 336–

349.

Susetyo Bagas Bhaskoro, Altedzar Riedho W.D. (2012). Aplikasi Pengenalan

Gender Menggunakan Suara. SNATI 2012, H-16 - H-23.

Yultrisna. (Oktober 2008). Aplikasi Algoritma LMS (Least Mean Square) untuk

Penghapusan Interferensii Suara. Poli Rekayasa, 77-84.

55

LAMPIRAN 1

DATA HASIL UJI NILAI ORDO DAN LANGKAH

56

LANGKAH ORDO

FILTER

KONDISI

MSE GALAT SNR

0.1

2 0.00472 5.91E-05 16.2658

4 0.00451 5.61E-05 16.0625

6 0.00443 5.33E-05 15.9858

8 0.00439 5.33E-05 15.9441

10 0.00437 5.04E-05 15.9269

12 0.00438 5.03E-05 15.9297

14 0.00439 5.05E-05 15.9463

16 0.00441 5.06E-05 15.9674

18 0.00443 5.12E-05 15.9847

20 0.00444 5.16E-05 15.9945

22 0.00444 5.14E-05 15.992

24 0.00445 5.12E-05 16.0042

26 0.00446 5.11E-05 16.0129

28 0.00447 5.06E-05 16.0243

30 0.00448 5.03E-05 16.0336

32 0.00448 5.05E-05 16.0362

34 0.00447 5.1E-05 16.0313

36 0.00447 5.13E-05 16.0231

38 0.00446 5.18E-05 16.0186

40 0.00447 5.19E-05 16.0231

42 0.00448 5.16E-05 16.0368

44 0.0045 5.13E-05 16.0543

46 0.00451 5.07E-05 16.0676

48 0.00451 5.05E-05 16.0707

50 0.0045 5.13E-05 16.064

52 0.00449 5.24E-05 16.0538

54 0.00449 5.33E-05 16.0483

56 0.00449 5.4E-05 16.0531

58 0.00451 5.44E-05 16.0674

60 0.00452 5.44E-05 16.0848

57

LANGKAH ORDO

FILTER

KONDISI

MSE GALAT SNR

0.01

2 0.00462 5.81E-05 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

18 0.00442 5.83E-05 15.9744

20 0.00444 5.8E-05 15.9877

22 0.00444 5.75E-05 15.9941

24 0.00445 5.7E-05 15.998

26 0.00445 5.64E-05 16.0044

28 0.00446 5.58E-05 16.0146

30 0.00447 5.52E-05 16.0254

32 0.00448 5.47E-05 16.0314

34 0.00448 5.46E-05 16.0298

36 0.00447 5.47E-05 16.0222

38 0.00446 5.48E-05 16.0147

40 0.00446 5.48E-05 16.014

42 0.00447 5.51E-05 16.0233

44 0.00449 5.55E-05 16.0396

46 0.0045 5.59E-05 16.0557

48 0.00451 5.63E-05 16.064

50 0.00451 5.63E-05 16.0616

52 0.0045 5.62E-05 16.0518

54 0.00449 5.63E-05 16.0428

56 0.00449 5.63E-05 16.0418

58 0.0045 5.57E-05 16.0516

60 0.00452 5.49E-05 16.0683

58

LANGKAH ORDO

FILTER

KONDISI

MSE GALAT SNR

0.05

2 0.00462 5.95E-05 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

18 0.00438 5.72E-05 15.932

20 0.00437 5.68E-05 15.9261

22 0.00437 5.65E-05 15.9252

24 0.00438 5.64E-05 15.9287

26 0.00438 5.63E-05 15.9357

28 0.00439 5.61E-05 15.9451

30 0.0044 5.6E-05 15.9556

32 0.00441 5.59E-05 15.9661

34 0.00442 5.58E-05 15.9755

36 0.00443 5.59E-05 15.9832

38 0.00444 5.59E-05 15.989

40 0.00444 5.58E-05 15.9929

42 0.00444 5.57E-05 15.9955

44 0.00444 5.55E-05 15.9974

46 0.00445 5.52E-05 15.9995

48 0.00445 5.5E-05 16.0022

50 0.00445 5.47E-05 16.006

52 0.00446 5.45E-05 16.0108

54 0.00446 5.42E-05 16.0164

56 0.00447 5.38E-05 16.0221

58 0.00447 5.35E-05 16.0273

60 0.00448 5.32E-05 16.0313

59

2.4 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

4. Data yang digunakan dalam penelitian ini adalah file suara berformat

(.wav)

5. Sampel suara yang digunakan adalah suara orang yang melafalkan kata

acak secara selama kurang lebih 10 detik.

6. Data suara diperoleh dari manusia dengan rentang usia antara 18 sampai

40 tahun, mengingat perubahan organ penghasil suara yang terjadi saat

beranjak dewasa dan menjelang lanjut usia.

2.5 Manfaat

Manfaat yang dapat diambil dari penelitian ini adalah sebagai berikut :

3. Diharapkan setelah melalui proses reduksi Noise, performa dari sistem

akan meningkat dalam melakukan pengolahan sinyal suara dan

mendapatkan nilai akurasi yang lebih baik.

4. Menghasilkan aplikasi yang dapat digunakan untuk menghilangkan derau

pada sinyal suara serta menambah kualitas sinyal suara tersebut.

60

61