1

PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN

METODE BLIND SEPARATION of SOURCE (BSS)

Wahyu Indra Purnama Sari1)

, Dr. Ir. Wirawan, DEA2)

, Ir. Endang Widjiati M.Eng.Sc.3)

1) 2) 3)

Jurusan Teknik Elektro ITS, Surabaya 60111, email: piyin_ri2n@yahoo.com

Bidang Studi Telekomunikasi Multimedia

Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember

Kampus ITS, Surabaya – 60111

Abstrak –Seringkali sinyal akustik yang diterima oleh

sensor tidak sesuai dengan yang diinginkan, yaitu

bercampurnya sinyal tersebut dengan sinyal-sinyal lainnya

di lingkungan. Oleh karena itu, digunakanlah sebuah teknik

untuk memisahkan sinyal-sinyal yang bercampur tersebut.

Salah satu teknik yang dapat digunakan untuk pemisahan

sumber tak dikenal yaitu Blind Separation of Source (BSS).

Sesuai dengan namanya, tak dikenal (blind), berarti tidak

ada informasi mengenai sinyal sumber ataupun sistem

pencampurannya. Ada beberapa metode yang tergabung

dalam BSS. Diantaranya adalah Independent Component

Analysis (ICA), Second Order Statistic (SOS), dan Joint

Approximate Diagonalization of Eigenmatrice (JADE).

Tujuan dari tugas akhir ini adalah membandingkan

masing-masing metode BSS agar dapat diketahui metode

mana yang memberikan hasil pemisahan yang paling baik.

Parameter untuk mengetahui kualitas hasil pemisahan

adalah nilai similarity yang dihitung dengan menggunakan

metode cross correlation dan Euclidian distance, nilai Mean

Square Error (MSE), dan nilai Signal to Interference Ratio

(SIR). Dengan menganalisa hasil simulasi, dapat diketahui

bahwa metode JADE menghasilkan sinyal pemisahan yang

lebih baik daripada metode lainnya pada BSS.

Kata kunci:

I. PENDAHULUAN

Penelitian tentang komunikasi bawah laut di

Indonesia masih sangat terbatas sedangkan karakteristik

dari komunikasi wireless bawah air berbeda dengan

karakteristik komunikasi wireless dengan menggunakan

medium udara. Hal ini dikarenakan karakteristik kanal

yang digunakan yaitu air memiliki sifat-sifat tertentu

yang mempengaruhi kinerja kanal. Gelombang radio dan

elektromagnet yang biasa digunakan pada sistem

komunikasi dengan menggunakan medium udara tidak

dapat dipakai di bawah air. Hal ini dikarenakan

gelombang elektromagnetik dan radio tidak dapat

mencapai jarak yang jauh pada medium air. Jenis

gelombang yang dapat digunakan di medium bawah air

adalah gelombang akustik.

Pada kenyataannya, seringkali sinyal akustik

yang diterima oleh sensor tidak sesuai dengan yang

diinginkan, yaitu bercampurnya sinyal tersebut dengan

sinyal-sinyal lainnya di lingkungan. Sejak dulu,

pemisahan sinyal sudah menjadi permasalahan dalam

bidang teknik. Oleh karena itu digunakanlah sebuah

teknik untuk memisahkan sinyal-sinyal yang bercampur

tersebut. Salah satu teknik yang dapat digunakan untuk

pemisahan sumber tak dikenal yaitu BSS. Sesuai dengan

namanya, tak dikenal (blind), berarti tidak ada informasi

mengenai sinyal sumber ataupun sistem pencampurannya.

Salah satu metode yang paling umum digunakan untuk

melakukan BSS adalah analisis komponen independen

(Independent Component Analysis – ICA) ,Second Order

Blind Identification (SOBI) dan Joint Approximate

Diagonalization of Eigenmatrice (JADE).

II. TEORI PENUNJANG

2.1 Kecepatan Suara [6]

Kecepatan suara dipengaruhi oleh suhu air, salinitas,

dan tekanan (kedalaman). Kecepatan suara akan

bertambah seiring dengan bertambahnya nilai parameter-

parameter tersebut. Untuk penyederhanaannya kecepatan

suara dinyatakan sebagai fungsi temperatur, salinitas, dan

kedalaman dalam Persamaan berikut:

𝑐 = 1448.96 + 4.591𝑇 − 5.304 × 10−2𝑇2 + 2.374 ×10−4𝑇3 + 1.340 𝑆 − 35 + 1.630 × 10−2𝐷 + 1.675 ×10−7𝐷2 − 1.025 × 10−2𝑇 𝑆 − 35 − 7.139 ×10−13𝑇𝐷−3 (1)

Dimana

T = temperatur air [0C]

S = Salinitas [ppt atau part per thousand]

D = kedalaman [m]

2.2 Instantaneous mixture

Instantaneous mixture adalah campuran yang

dihasilkan dari perkalian sesaat secara dot product dari

dua buah sinyal. Rumus untuk mendapatkan hasil

instantaneous mixture adalah sebagai berikut:

X(t)=s1(t).s2(t) (2)

Dimana s1 merupakan sumber suara pertama, s2

merupakan sumber suara kedua, dan X merupakan sinyal

hasil pencampuran kedua sumber.

2.3 Blind Separation of Source [9]

Blind Separation of Sources adalah metode

pemisahan satu set sinyal dari satu set sinyal campuran,

tanpa adanya informasi (atau dengan sangat sedikit

informasi) tentang sumber sinyal atau proses

pencampuran. Pemisahan sinyal Blind bergantung pada

asumsi bahwa sumber sinyal tidak berkorelasi satu

dengan yang lainnya (independent). Sebagai contoh,

bayangkan ada dua orang berbicara pada saat yang sama

di sebuah ruangan yang berisi dua mikrofon, seperti

diGambarkan pada Gambar 1.

Gambar 1. Ilustrasi BSS

2

Pada BSS, diketahui terdapat beberapa sinyal

campuran seperti pada persamaan:

x1(t) = a11s1(t)+ a12s2(t)

x2(t) = a21s1(t)+ a22s2(t) (3)

juga dapat dituliskan menjadi Persamaan (4) di bawah ini:

𝑥 = 𝐴𝑠 (4)

Sedangkan untuk mengetahui sinyal sumber s,

didapatkan dari rumus di bawah ini:

s=Wx (5)

dimana W merupakan invers dari mixing matrix A. untuk

lebih jelasnya, dapat dilihat dari bagan di bawah ini:

Gambar 2 Bagan BSS

Dari Gambar di atas, yang dimaksud mixing

matrix adalah nilai A, Sedangkan nilai unmixing matrix

adalah nilai W. Mixing matrix digunakan pada proses

pencampuran sinyal sedangkan unmixing matrix

digunakan pada proses pemisahan sinyal.

Sebelum dilakukan proses BSS, dilakukan pre

processing yaitu proses centering dan whitening.

Centering adalah proses pemusatan data yang membuat

nilai x menjadi zero mean. Rumus untuk melakukan

centering adalah:

𝑋 = 𝑋 − 𝐸[𝑋] (6)

Sedangkan whitening adalah merupakan

praproses yang berfungsi untuk me“mutih”kan variabel

yang diamati. Dari proses ini didapatkan sebuah vektor

baru yang variansnya sama dengan satu. Rumus untuk

melakukan proses whitening adalah sebagai berikut:

z=Vx 7)

V = D-1/2

Tx (8)

2.4 Independent Component Analysis [1]

Independent Component Analysis (ICA) adalah

sebuah teknik pemrosesan sinyal untuk menemukan

faktor–faktor atau komponen tersembunyi yang

membentuk sekumpulan variabel acak (hasil dari

pengukuran, sinyal atau secara umum data). Ada dua

metode untuk menentukan beberapa komponen

independent, yaitu Deflationary dan symetrical.

Deflationary

Langkah-langkah dalam melakukan metode

deflationary adalah sebagai berikut:

Plih m, jumlah komponen independent, dengan

p=1

Memilih sebuah nilai awal vektor kompleks w,

dapat secara acak

Menghitung nilai w yang baru:

𝑤𝑝 ← 𝐸 𝑧𝑔(𝑤𝑝𝑇𝑧) − 𝐸{𝑔′(𝑤𝑝

𝑇𝑧)}wp (9)

Melakukan orthogonalization seperti di bawah

ini:

wp ← wp − wjwjTwp

p−1j=1 (10)

Menormalkan nilai w yang baru:

𝑤𝑝 ←𝑤𝑝

𝑤𝑝 (11)

Memeriksa konvergensi, bila tidak konvergen

maka kembali ke persamaan (10).

Jika konvergen, set p=p+1. Apabila p≤m, maka

kembali ke persamaan (9).

Symetrical

. Langkah-langkah metode symetrical dapat dilihat di

bawah ini:

Memilih m jumlah komponen independent (jumlah

sumber).

Memilih sebuah nilai awal vektor kompleks wi,

dengan i=1,..,m

Menghitung setiap nilai wi dengan menggunakan

rumus (9).

Melakukan orthogonalization matrix W=(w1,…,wm)T

seperti di bawah ini:

W ← (WWT)−1/2W (12)

Atau dengan iterasi di bawah ini:

o 𝑊 ←𝑊

𝑊 (13)

o 𝑊 ←3

2𝑊 −

1

2𝑊𝑊𝑇𝑊 (14)

o Jika 𝑊𝑊𝑇 tidak mendekati matrix identitas,

kembali ke persamaan (14)

2.5 Second Order Blind Identification [3]

Metode Second Order Statistic adalah sebuah

metode yang menggunakan second order cumulant atau

varians untuk mendapatkan nilai demixing matrixnya.

Langkah-langkah dari algoritma SOBI dapat dilihat di

bawah ini:

Memilih banyaknya time delay yang ingin dilakukan

untuk dapat dicari matrix kovarians dengan

pergeseran waktu.

𝜏 ∈ {𝜏𝑗 𝑗 = 1, … , 𝐾}

Mencari matrix kovarians untuk tiap-tiap time delay

sesuai dengan persamaan di bawah ini, kemudian

mencari whitening matrixnya.

R=E[x(t)x(t+)T] (15)

Membentuk ulang sinyal yang sudah di whitening.

Melakukan Joint Diagonalization sehingga dihasilkan

matrix V. [4]

Mencari sinyal estimasi sesuai dengan Persamaan di

bawah ini:

S=VX (16)

2.6 Joint Approximate Diagonalization of

Eigenmatrice [5]

Metode Joint Approximate Diagonalization of

Eigenmatrice adalah sebuah metode yang menggunakan

fourth order cumulant untuk mendapatkan nilai demixing

matrixnya Langkah algoritma JADE dapat dilihat di

bawah ini:

Mencari nilai Cumulant orde 4 dari sinyal yang sudah

di whitening sesuai dengan Persamaan di bawah ini:

𝑘 𝑧 = 𝐸 𝑧4 − 3(𝐸 𝑧2 )2 (17)

Membentuk ulang cumulant matrix dengan mensortir

eigenvalue dan eigenvector-nya.

3

Melakukan Joint Diagonalization seperti yang ada

pada SOBI.

Mencari sinyal estimasi sesuai dengan Persamaan

(16).

2.7. Cross correlation, MSE, dan SIR

Cross correlation atau korelasi silang adalah

sebuah metode untuk menghitung kesamaan antara dua

sinyal. Cross correlation dihitung sebagai fungsi dari

time delay dengan menggunakan metode perkalian

product yang digeser. Nilai absolut cross correlation

berkisar antara 0 sampai 1. Semakin mendekati angka 1,

maka sinyal semakin mendekati sinyal asli. Rumus untuk

mendapatkan nilai cross correlation antar 2 sinyal dapat

dilihat pada rumus di bawah ini:

𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝐸[𝑋 𝑡1 𝑌 𝑡2 ] (18)

MSE (Mean Square Error) adalah nilai rata-rata

dari eror hasil estimasi. Rumus dari MSE adalah sebagai

berikut:

𝑀𝑆𝐸 =1

𝑛 𝑠 − 𝑠𝑒 2𝑛

𝑖=1 (19)

Dimana n= jumlah sampel data

s=sinyal asli

se=sinyal estimasi

Ukuran yang digunakan untuk menilai kualitas

sinyal terhadap gangguan interferensi dinyatakan dalam

SIR. Interferensi adalah gangguan selain noise yang dapat

menyebabkan kualitas sebuah sinyal menurun. Semakin

tinggi nilai SIR, maka kualitas sinyal semakin baik,

begitu juga sebaliknya. Rumus untuk mencari nilai SIR

pada tugas akhir ini adalah sebagai berikut :

𝑆𝐼𝑅 = −10 𝑙𝑜𝑔10 (𝑀𝑆𝐸) (20)

III. PEMODELAN DAN SIMULASI

3.1 Metodologi Penelitian

Tahapan pemodelan ini dimulai dengan

melakukan studi literatur agar didapatkan pemahaman

tentang algoritma BSS. Setelah melakukan studi literatur,

didapatkan karakteristik data yang dibutuhkan agar

algoritma BSS dapat berjalan dengan baik. Pada Tugas

Akhir ini, terdapat dua tahap dalam pengambilan data.

Yang pertama adalah pengambilan data dengan cara

menggunakan data sinyal input yang sudah ada di matlab

atau dengan mencari sinyal voice dan non voice yang

terdapat di internet kemudian sinyal-sinyal tersebut di-

mixing dengan konfigurasi tertentu. Sedangkan yang

kedua adalah dengan melakukan pengambilan data di

Laboratorium Hidrodinamika Indonesia (LHI). Hasil dari

kedua tahapan tersebut kemudian digunakan sebagai

sinyal inputan dari simulasi algoritma BSS. Hasil

keluaran dari simulasi algoritma BSS tersebut digunakan

untuk mencari nilai similarity, MSE, dan SIR. Nilai-nilai

tersebut kemudian di analisa agar dapat ditarik

kesimpulannya. Adapun diagram alir metodologi

penelitian dari Tugas Akhir ini dapat dilihat pada

Gambar.3.

Gambar 3. Metodologi Penelitian

3.2 Data yang digunakan

Data-data yang diperlukan untuk algoritma BSS

meliputi data sinyal input, mixing matrix, dan fungsi g.

Data-data tersebut divariasikan agar dapat dianalisa

pengaruhnya. Tabel 1-3 di bawah ini merupakan Tabel

data-data yang divariasikan.

Tabel 1. Variasi sinyal input yang digunakan

voice unvoice

sinyal

geometri

suara

kapal

welcome.wav Chirp Sinusoidal propeller

mistery.wav Gong Triangle boat

hope.wav Pulse Kotak sonar

Mixing matrix digunakan sebagai konstanta pengkali pada

algoritma BSS sehingga didapatkan mixing sinyal yang

akan digunakan untuk mencari estimasi sinyal sumber.

Sebagai bahan perbandingan, pada tugas akhir ini juga

ditetapkan 3 macam mixing matrix dengan dimensi 2x2

dan 3 macam mixing matrix dengan dimensi 3x3.

Tabel 2. Mixing matrix yang digunakan

Mixing matrix

2

x

2

[2 34 6

] [2 44 2

] [2 32 1

]

. e-3 [2 32 1

]

3

x

3 [1 2 32 4 64 8 12

] [2 4 62 2 26 4 2

] 2 3 11 2 33 2 1

. e-3

[2 3 11 2 33 2 1

]

Fungsi g merupakan salah satu karakteristik yang

cukup penting pada algoritma ICA. Terdapat beberapa

macam nilai g yang terdapat pada algoritma FastICA,

namun pada tugas akhir ini, hanya akan digunakan 2

macam nilai g. Untuk lebih jelasnya dapat dilihat pada

Tabel 3.

4

Tabel 3. Fungsi g yang digunakan

fungsi Tanh Gauss

g tanh (a1y) y exp (- y2/2)

g' a1(1-tanh2 (a1y)) (1-y

2)exp (- y

2/2)

IV. ANALISA HASIL SIMULASI

4.1. Pengaruh sinyal input terhadap algoritma BSS

Sinyal input yang digunakan sebagai inputan

algoritma BSS dibuat bervariasi seperti pada Tabel 1.

Untuk mengukur ada tidaknya pengaruh tersebut, maka

parameter fungsi g dan matrix A dibuat sama pada setiap

algoritma.

Tabel 4. Hasil perhitungan Cross correlation dengan

variasi sinyal input 2 sumber

Dari Tabel 4 dapat dilihat nilai similarity dengan

menggunakan beberapa algoritma BSS dengan

menggunakan variasi sinyal input pada 2 sumber sinyal.

Untuk sinyal voice, digunakan sumber suara

welcome.wav dan mystery.wav. sedangkan untuk sinyal

unvoice, digunakan sinyal gong dan chirp. Sinyal

geometri yg digunakan untuk analisa 2 sumber adalah

sinyal sinusoidal dan triangel sedangkan suara kapal yang

digunakan adalah boat dan propeller. Dari Tabel di atas

dapat terlihat bahwa sinyal input voice, unvoice, dan

suara kapal tidak memberikan pengaruh terhadap hasil

similarity dari algoritma BSS. Ketiga jenis sinyal diatas

dapat terpisahkan dengan baik. Hal ini terlihar dari nilai

similaritynya yang mencapai lebih dari 0.8. Namun, hasil

similarity dengan menggunakan sinyal input geometri

memberikan hasil yang kurang baik. Terlihat bahwa pada

sinyal geometri, algoritma BSS hanya bisa memberikan

hasil yang baik pada salah satu sumber. Hal ini

dikarenakan kedua sinyal tersebut tidak independent.

Gambar 4. Sinyal Asli

Gambar 5. Sinyal Hasil Pencampuran

Gambar 6. Sinyal Pertama Hasil Pemisahan dengan

Algoritma JADE

Gambar 7. Sinyal Kedua Hasil Pemisahan dengan

Algoritma JADE

Gambar 4-7 di bawah ini menunjukkan hasil

pemisahan dengan menggunakan algoritma JADE pada

sinyal voice 2 sumber dengan parameter fungsi g dan

mixing matrix yang sama. Hasil dari pemisahan tersebut

dapat dilihat pada Tabel 4, yaitu hasil similarity dengan

menggunakan metode cross correlation yang

menghasilkan nilai 0,9995 untuk sinyal estimasi pertama

dan 0,9983 untuk sinyal estimasi kedua.

4.2 Pengaruh nilai mixing matrix terhadap

algoritma BSS

Untuk mengetahui ada tidaknya pengaruh nilai

mixing matrix pada algoritma BSS, diberikan beberapa

variasi nilai mixing matrix untuk di analisa. Daftar variasi

nilai mixing matrix dapat dilihat pada Tabel 2. Untuk

mengukur ada tidaknya pengaruh tersebut, maka

parameter fungsi g dan sinyal input dibuat sama pada

setiap algoritma. Sinyal input yang digunakan disini

adalah sinyal voice.

Voice Unvoice geometri kapal

2 x 2 2 x 2 2 x 2 2 x 2

r 0.9939 0.9958 0.4655 0.9967

s 0.9802 0.9819 0.9949 0.9828

r 0.9916 0.9994 0.9982 0.9849

s 0.9878 0.9994 0.6639 0.9875

r 0.9995 1 0.9678 0.9941

s 0.9983 1 0.4007 0.9957

r 0.9477 1 0.767 1

s 0.9488 1 0.9785 1

Nama Metode Similarity

Jenis Sinyal

Defla

Sym

Jade

Sobi

5

Tabel 5. Hasil perhitungan Cross correlation dengan

variasi nilai mixing matrix 2 sumber

Pada Tabel 5, perubahan mixing matrix pada

sinyal masukan 2 sumber, tidak pengaruh besar terhadap

perubahan similarity. Hal ini dapat dilihat dari nilai

similarity dengan menggunakan metode Cross

correlation yang hampir sama di tiap-tiap metode.

Tampak pula nilai similarity tidak tersedia apabila

determinan suatu mixing matrix adalah nol sehingga

mixing matrix tidak invertible.

Tabel 6. Hasil perhitungan MSE dengan variasi sinyal

input 2 sumber

Pada 6 diatas juga dapat terlihat bahwa nilai

mixing matrix tidak terlalu berpengaruh pada perubahan

amplitudo pada sinyal estimasi. Hal ini terlihat dari

perubahan nilai MSE yang sangat kecil sehingga dapat

diabaikan.

4.3 Pengaruh fungsi g terhadap algoritma BSS

Terdapat beberapa fungsi g pada algoritma BSS.

Dalam pengujian ini diberikan beberapa variasi fungsi g

untuk dianalisa. Daftar variasi nilai mixing matrix dapat

dilihat pada Tabel 3. Pengaruh variasi fungsi g tersebut

diterapkan pada algoritma ICA, yaitu algoritma FastICA

deflationary dan FastICA symmetrical. Untuk mengukur

ada tidaknya pengaruh tersebut, maka parameter nilai

mixing matrix A dan sinyal input dibuat sama pada setiap

algoritma. Sinyal input yang digunakan disini adalah

sinyal voice

Tabel 7. Hasil perhitungan Cross correlation dengan

variasi fungsi g pada 2 sumber

Tabel 8. Hasil perhitungan MSE dengan variasi fungsi

g pada 2 sumber

Fungsi g digunakan pada algoritma FastICA

baik pada metode deflationary maupun symetrical. Dari

Tabel 8 dapat dilihat bahwa baik untuk 2 sumber maupun

3 sumber, nilai cross correlation pada hasil dengan

menggunakan fungsi g pertama maupun fungsi g yang

kedua memiliki selisih sangat kecil sehingga dapat

diabaikan.

Pada perhitungan dengan menggunakan metode

MSE, juga dapat terlihat bahwa hasil MSE dengan

menggunakan fungsi g yang pertama baik pada 2 sumber

maupun 3 sumber tidak terlalu berbeda dengan hasil MSE

dengan menggunakan fungsi g yang kedua. Sehingga,

dapat disimpulkan bahwa fungsi g yang digunakan tidak

berpengaruh pada algoritma BSS.

4.4 Pengaruh noise terhadap algoritma BSS

Untuk mengetahui ada tidaknya pengaruh noise

pada algoritma BSS, diberikan beberapa variasi nilai SNR

untuk di analisa. Disini, digunakan 3 macam nilai SNR

yaitu 2dB, 5dB, dan 10dB. Pengaruh variasi nilai SNR

tersebut diterapkan pada masing-masing algoritma yang

digunakan, yaitu FastICA, SOBI, dan JADE. Untuk

mengukur ada tidaknya pengaruh tersebut, maka

parameter nilai mixing matrix, fungsi g dan sinyal input

dibuat sama pada setiap algoritma. Sinyal input yang

digunakan disini adalah sinyal voice.

Gambar 8. Grafik perbandingan nilai SNR dan similarity

dengan menggunakan cross correlation

Grafik di atas menunjukkan hubungan antara

pengaruh SNR dalam sinyal masukan dengan hasil sinyal

yang telah dipisah oleh masing-masing metode. Dari

grafik di atas, tampak bahwa semakin meningkatnya nilai

SNR maka similarity juga akan meningkat. Artinya,

semakin kecil noise, nilai similarity akan semakin besar.

2 x 2 3 x 3 2 x 2 3 x 3

r 0.9939 0.9825 0.9939 0.9914

s 0.9802 0.7351 0.9881 0.6959

t 0.288 0.347

r 0.9944 0.8616 0.9916 0.8598

s 0.9912 0.9036 0.9878 0.9102

t 0.7637 0.7686

Defla

Sym

Fungsi gNama

MetodeSimilarity g1 g2

0

0.2

0.4

0.6

0.8

1

1.2

2 5 10

similarity

SNR (dB)

deflation

ary

Symetri

cal

JADE

SOBI

6

Gambar 9. Grafik perbandingan nilai SNR dan MSE

Grafik di atas menunjukkan hubungan antara

pengaruh SNR dalam sinyal masukan dengan

menggunakan metode MSE. Dari grafik di atas, tampak

bahwa semakin meningkatnya nilai SNR maka nilai MSE

akan semakin menurun. Artinya, semakin kecil noise,

nilai Nilai MSE akan semakin kecil pula. Hal ini

dikarenakan noise berpengaruh pada penurunan nilai

amplitudo sinyal.

V. PENUTUP

Kesimpulan

1. Algoritma FastICA, SOBI dan JADE mampu

memisahkan sinyal dengan baik hal ini terlihat dari

nilai similarity dengan menggunakan metode Cross

correlation pada 2 sumber dengan algoritma FastICA

Deflationary yang mencapai 0.9939, FastICA

symetrical 0.9916, JADE 0.9995, dan SOBI 0.9477.

2. Sinyal input memberikan pengaruh pada tiap-tiap

algoritma. Hal ini bergantung pada terpenuhi atau

tidaknya syarat dari algoritma BSS yaitu independent.

3. Variasi fungsi g tidak berpengaruh pada hasil

pemisahan, karena variasi fungsi g tidak memberikan

perubahan pada nilai similarity.

4. Nilai mixing matrix tidak terlalu mempengaruhi nilai

similarity dengan menggunakan metode cross

correlation dan MSE.

5. Banyaknya sumber ikut berpengaruh pada keakuratan

sinyal hasil estimasi. Semakin banyak sumber,

keakuratan semakin mengecil.

6. Adanya noise mengurangi nilai similarity sinyal

estimasi di tiap-tiap metode.

Saran

1. Pada penelitian yang selanjutnya, dapat dicoba dengan

membandingkan algoritma BSS dengan menggunakan

sinyal hasil pencampuran dari convolutive mixture.

2. Algoritma BSS tidak hanya dapat digunakan pada

sinyal suara namun juga dapat digunakan pada

Gambar. Untuk yang selanjutnya, dapat

diimplementasikan algoritma BSS pada pemisahan

Gambar sebagai sistem pendeteksian suatu image.

3. Dalam pengambilan data di lapangan, sebaiknya

menggunakan data inputan yang memenuhi criteria,

yaitu independent dan non Gaussian.

DAFTAR PUSTAKA

[1] A. Hyvärinen, E. Oja . “Independent Component

Analysis: Algorithms and Application”. Neural

Networks, 13(4-5):411-430, 2000.

[2] A. Mansour, N. Benchekroun.” General Structure for

Separation of Underwater Acoustic”. Berlin. 2006.

[3] Belourchrani, K. Abde-Meraim, J.F. Cardoso, “A

blind separation technique using second order

statistics,” IEEE on Trans. Signal Processing, vol 45,

pp. 434-444,Feb.1997.

[4] Cardoso, J.F. and Souloumiac, A. “Jacobi angles for

simultaneous diagonalization”. SIAM J. Mat. Anal.

Appl., 17, 161–164. 1996.

[5] Cardoso, J.F. and Souloumiac,A. “Blind beamforming

for nonGaussian signals”. Proc. Inst. Elec. Eng., pt.

F, vol. 140, no. 6, pp. 362–370, 1993.

[6] Etter, Paul C. “Underwater Acoustic Modelling, 2nd

edition”. Chapman & Hall. London. Chapter 2-4.

1996

[7] J. Eriksson, A. Kankainen, and V. Koivunen,. “Novel

characteristic function based criteria for ICA”.

Proceedings ICA 2001 San Diego, Dec. 2001.

[8] M.T. Sutherland, J. Liu, A. Tang. “Temporal delays in

blind identification of primary somatosensory cortex”.

International conference on machine learning and

cybernetics. 2004.

[9] Stone, J.V. (2004). “Independent Component

Analysis: A Tutorial Introduction”.MIT Press, Boston.

RIWAYAT PENULIS

Wahyu Indra Purnama sari dilahirkan di Yogyakarta, 13 Juli

1989. Merupakan putri pertama dari

empat bersaudara pasangan Achmad

Husein dan Adi Astuti.Lulus dari

SDN Baratajaya Surabaya tahun

2001 dan melanjutkan ke SLTPN 12

Surabaya. Kemudian melanjutkan

jenjang pendidikan ke SMAN 16 Surabaya pada tahun

2004 dan lulus pada tahun 2007.

Setelah menamatkan SMA, penulis melanjutkan studinya

ke Jurusan Teknik Elektro Institut Teknologi Sepuluh

Nopember Surabaya melalui jalur SPMB pada tahun

2007. Pada bulan Juni 2011 penulis mengikuti seminar

dan ujian Tugas Akhir di Bidang Studi Telekomunikasi

Multimedia Jurusan Teknik Elektro FTI - ITS Surabaya

sebagai salah satu syarat untuk memperoleh gelar Sarjana

Teknik Elektro.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

2 5 10

MSE

SNR (dB)

deflationary

Symetrical

JADE

SOBI