Praktikum 8 2A-D4 TE Praktikum Pengolahan Sinyal ( Amirah Nisrina, Hadian Ardiansyah, Kholid Bawafi)

8/16/2019 Praktikum 8 2A-D4 TE Praktikum Pengolahan Sinyal ( Amirah Nisrina, Hadian Ardiansyah, Kholid Bawafi)

1/15

Laporan Praktikum Pengolahan Sinyal

PERCOBAAN 8

EKSTRAKSI CIRI PADA SINYAL SPEECH

ANGGOTA KELOMPOK:

AMIRAH NISRINA

HADIAN ARDIANSYAH

KHOLID BAWAFI


2/15

Percobaan 8. Ekstraksi Ciri Pada Sinyal Speech

PERCOBAAN 6

EKSTRAKSI CIRI PADA SINYAL SPEECH

Tujuan Praktikum

- Mahasiswa mampu melakukan estimasi frekuensi fundamental sinyal speech dengan

pengamatan frekens spektrum dan bentuk gelombangnya

- Mahasiswa mampu menggambarkan bentuk kuefrensi dan cepstrum sinyal speech.

8.1 Dasar Teori

8.1.1 Autokorelasi Sinyal Speech

Tujuan melakukan estimasi dalam domain waktu adalah untuk mendapatkan nilai

autokorelasi sinyal speech. Nilai autokorelasi suatu sinyal wicara akan menunjukkan

bentuk gelombang itu yang membentuk suatu korelasi pada dirisnya sendiri sebagai

fungsi perubahan waktu. Bentuk-bentuk yang sama atau mirip pada perioda tertentu

menunjukkan perulangan bentuk yang menjadi pola dari sinyal wicara. Dengan demikian

akan dapat kita lakukan estimasi nilai frekuensi fundamentalnya.

Gambar 8.1. Sinyal Wicara dalam Bentuk Gelombang, dan Fungsi Auto Korelasi

http://3.bp.blogspot.com/-r7oiX8KMTQ4/UcpEWHg78ZI/AAAAAAAAA2E/KuATvDFoYpY/s1600/Picture2.jpg


3/15

8.1.2 Analisa Spectral Sinyal Spech

Proses ekstraksi ciri sinyal speech didasarkan pada sebuah diagram blok yang

cukup popular seperti berikut.

Gambar 8.2 Diagram Blok Ekstraksi Ciri Sinyal Wicara

Dengan mengikuti diagram blok di atas, kita akan mendapatkan langkah-demi

langkah ekstraksi ciri. Pada Sub Bab ini pembicaraan berkisar pada proses melihat short

time fourier analisys dari sinyal speech, atau yang juga kita kenal sebagai power

spectral density (PSD) sebuah sinyal speech pada durasi atau frame tertentu. Dengan

mengetahui bentuk PSD sinyal wicara kita akan mampu melakukan ekstraksi ciri sinyal

wicara tersebut. Target akhir sub bab ini dalah mencari bentuk power spectral

density (PSD). Sebelum proses pada Gambar di atas dilakukan ada baiknya kita melihat

gambaran sebuah sinyal speech yang telah kita simpan dalam bentuk file “a.wav ”.

Setelah kita dapatkan bentuknya dalam domain waktu seperti pada Gambar 8.3 bagian

atas, selanjutnya kita coba melihatnya sebagai fungsi dari sampling . Dalam hal ini kita

lihat bentuk sinyal wicara sesuai dengan urutan sampel yang ada. Seperti kita lihat

bahwa untuk nilai sampel ke-700 sampai dengan sampel ke-8200, menunjukkan nilai

magnitudo sinyal yang relatif stabil.

Kita lanjutkan dengan melakukan pembentukan frame sebuah sinyal wicara

seperti pada Gambar 8.4 bagian atas. Dengan melakukan windowing kita akan

mendapatkan bentuk frame sinyal wicara terwindow seperti pada Gambar 8.4 bagian

bawah. Sudah tentu kita paham untuk apa proses windowing dilakukan disini. Dengan

demikian tidak salah apabila kita mengambil satu frame sinyal dari sampel ke-2000

sampai dengan sampel ke 2480. Karena dalam satu frame kita bentuk dari:

Sampel/frame = (sample/detik)*(detik/frame)

= 16000 * 0,06= 480 sampel/frame

Hal ini dilakukan dengan menetapkan bahwa satu frame sinyal wicara sepanjang 50 ms.

http://2.bp.blogspot.com/-0EBX1L1qaRE/UcpEhOwAcHI/AAAAAAAAA2M/JI7x093wzm8/s1600/Picture3.jpg


4/15

Gambar 8.3. Sinyal Wicara dalam Domain Waktu dan Sebagai Fungsi Sampel ke-n

Gambar 8.4. Satu Frame Sinyal Wicara dalam Domain Waktu

Proses dilanjutkan dengan melakukan transformasi sinyal ke dalam domain

frkeuensi. Dengan menggunakan fft dan proses logaritmik akan kita dapatkan

nilai power spectral density (PSD) sinyal wicara seperti pada Gambar 8.5.

Gambar 8.5. Power Spectral Density Sinyal Speech

http://1.bp.blogspot.com/--v5ecfwv_AE/UcpFKCcri9I/AAAAAAAAA2k/jRsT9WXeU-Q/s1600/Picture6.jpghttp://2.bp.blogspot.com/-MKHobPOhmOA/UcpE6ETzo4I/AAAAAAAAA2c/GAzj9qND61Y/s1600/Picture5.jpghttp://1.bp.blogspot.com/-pBmUiHOCkSQ/UcpEuLpFmwI/AAAAAAAAA2U/oSQDBtjqXAk/s1600/Picture4.jpg


5/15

8.1.3 Cepstrum Sinyal Speech

Cepstrum c(τ) didefiniskan sebagai inverse transformasi Fourier pada short-

timenilai logarithmik spektrum amplitudo sebuah sinyal, |X(ω)|. Jika log amplitudo

spectrum tersusun dari banyak spasi harmonik yang teratur, maka analisis Fourier pada

spektrum ini akan menunjukkan sebuah puncak yang berhubungan dengan jarak antar

harmonisa tersebut, yang juga dikenal sebagai frekuensi fundamental.

Dengan melakukan proses mengikuti diagram blok pada Gambar 8.2, maka

proses berikutnya adalah melakukan ifft nilai PSD yang sudah diperoleh. Proses ini

menghasilkan sebuah nilai kuefrensi dari sinyal speech. Gambaran dari

nilai kuefrensi seperti pada Gambar 8.6, berikut ini. Langkah ini dilanjutkan dengan lifter

window, yaitu proses pengambilan sebagian saja dari nilai kuefrensi sinyal speech yang

terdapat pada Gambar 8.6. Dalam hal ini kita bisa mengambil 16 sampai 20 nilai

pertama yang muncul. Nilai ini sudah cukup representatif untuk mendapatkan ciri dari

sinyal wicara. Yang terakhir dari langkah kita adalah melakukan transformasi fourierpada hasil lifter window yang selanjutnya akan menghasilkan sebuah cepstrum dari

sinyal speech yang kita olah.

Gambar 8.6. Gambaran Kuefrensi Sinyal Speech ”a.wav”

Gambar 8.7. Perbandingan Nilai Psd dan Cepstrum Sinyal Speech ”a.wav”

Dari Gambar 8.7 di atas kita dapatkan gambaran bentuk cepstrum sinyal speech

menunjukkan pola yang mirip dengan pola PSD. Di sini tampak bahwa

bentuk cepstrummerupakan penghalusan dari bentuk PSD sebuah sinyal speech.

http://4.bp.blogspot.com/-W_CpYXAiM70/UcpFgbVA2VI/AAAAAAAAA20/1JRCwOS5ubs/s1600/Picture8.jpghttp://3.bp.blogspot.com/-FZbtr6pOgLA/UcpFWUqWNgI/AAAAAAAAA2s/JOd7oYHPC9k/s1600/Picture7.jpg


6/15

8.2. Peralatan

- 1 (satu) buah PC Multimedia lengkap sound card dan microphone

- Satu perangkat lunak Matlab under windows

8.3. Langkah Percobaan

8.3.1 Penataan Perangkat

Sebelum melakukan percobaan harus dilakukan penataan seperti pada Gambar

8.8, berikut ini.

Gambar 8.8 Penataan Perangkat Percobaan Pengukuran Energi Sinyal Wicara

PC harus dilengkapi dengan peralatan multimedia seperti sound card , speaker

active danmicrophone. Untuk microphone dan speaker active. Sebelum anda memulai

praktikum, sebaiknya anda tes dulu, apakah seluruh perangkat multimedia anda sudah

terintegrasi dengan PC.

Untuk membantu anda dalam menjalankan praktikum ini, di sini diberikan

beberapa contoh perintah dasar yang akan anda perlukan pada proses ekstraksi ciri

sinyal speech. Untuk menentukan korelasinya digunakan perintah sebagai berikut:

Korelasi: C = XCORR(A,B),

Contoh pemakaiannya seperi berikut:

Hasilnya adalah seperti berikut ini.

http://1.bp.blogspot.com/-MexvL9FXd_U/UcpFteaw5KI/AAAAAAAAA28/7NkHx2o_yvY/s1600/Picture9.jpg


7/15

Gambar 8.9. Contoh Proses Korelasi

Nilai sample ke-n

Membaca sebuah nilai pada sample tertentu

Dengan program ini akan didapatkan nilai x_240 sebagai nilai dari variabel x pada

sampel 2000 sampai dengan sampel ke 2240.

Transformasi dari domain waktu ke frekuensi

[H,W] = FREQZ(B,A,N) returns the N-point complex frequency response vector H and

the N-point frequency vector W in radians/sample of the filter:

Contoh pemakaiannya

Langkah ini akan mentransormasikan nilai x_wind menjadi bentuk domain frekuensi

yang hasilnya disimpan pada variabel X. Kita harus tahu bahwa nilai yang disimpan

dalam X merupakan bentuk komplek.

Transformasi dari domain frekuensi ke domain waktu

IFFT(X) is the inverse discrete Fourier transform of X.

Contoh pemakaiannya

Langkah ini akan mentransformasikan dari domain frekuensi ke dalam domain waktu,

operasinya kita kenal sebagai invers fast fourier transform.


8/15

8.3.2 Estimasi Frekuensi Fundamental dengan Domain Waktu

Pada percobaan ini kita coba untuk melakukan estimasi nilai frekuensi

fundamental dengan menggunakan domain waktu. Dalam hal ini kita memanfaatkan

fungsi auto korelasi suatu sinyal wicara.

Dibawah ini adalah sample wicara dengan format aiueo.wav


9/15

Untuk Script autokorelasi bisa diihat dibawah ini.


10/15

Unutk hasil program dari percobaan di atas seperti dibawah ini


11/15

8.3.4 Karakterisrik Power Spectral Density

Semua percobaan ini mengunakan atau memanggil audio yang sama

yaitu aiueo.wav dan benruk gelombangnya seperti dibawah ini

Dibawah ini script untuk Power Spectral Density


12/15

Dibawah merupakan bentuk glombang Power Desity

Untuk dibawah ini mengunakan


13/15

8.3.5 Mencari Bentuk Cepstal Sinyal Wicara


14/15

Dibawah ini merupakan bentuk sinyak Spektrum


15/15

Dan di bawah ini merupakan bentuk atau gambaran sinyal wicara yang

asli dan diketahui jumlah samplingnya

Praktikum 8 2A-D4 TE Praktikum Pengolahan Sinyal ( Amirah Nisrina, Hadian Ardiansyah, Kholid Bawafi)

Documents

Transcript of Praktikum 8 2A-D4 TE Praktikum Pengolahan Sinyal ( Amirah Nisrina, Hadian Ardiansyah, Kholid Bawafi)