Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 -...

8/20/2019 Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 - Nadya Ama…

1/85

LAPORAN KERJA PRAKTIK

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

DI SCRETE WAVELET TRANSF ORM MENGGUNAKAN

MATLAB 7.0

OLEH :

NADYA AMALIA

J1D108034

PROGRAM STUDI S-1 FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMBUNG MANGKURAT

BANJARBARU

APRIL, 2012


2/85

SIMULASI

DI SCRET

FAKULTAS M

UN


REDUKSI DERAU SINYAL SUARA DE

WAVELET TRANSF ORM MENGGUN

MATLAB 7.0

OLEH :

NADYA AMALIA

J1D108034

PROGRAM STUDI S-1 FISIKA

TEMATIKA DAN ILMU PENGETAH

VERSITAS LAMBUNG MANGKURAT

BANJARBARU

APRIL, 2012

NGAN

KAN

AN ALAM


3/85

ii

LEMBAR PENGESAHAN


SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

DI SCRETE WAVELET TRANSF ORM MENGGUNAKAN

MATLAB 7.0

Oleh :

NADYA AMALIA

J1D108034

Disetujui Pada Tanggal : ........................................

Pembimbing Internal Pembimbing Eksternal

Amar Vijai Nasrulloh, MT Sriyanto, ST

NIP 19780703 200501 1 002 NIK 0902280

Mengetahui

Ketua Program Studi Fisika

Nurma Sari, S.Si, M.Si

NIP 19701105 199802 2 001


4/85

iii

ABSTRAK

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN DISCRETE WAVELET TRANSFORM MENGGUNAKAN MATLAB 7.0 (oleh: NadyaAmalia, Pembimbing : Amar Vijay Nasrulah, MT; Sriyanto, ST; __ halaman).

Discrete wavelet transform dalam pemrosesan sinyal adalah suatu metode yangdigunakan untuk mendekomposisi sinyal masukan. Dekomposisi tersebutdilakukan dengan membagi sinyal masukan menggunakan low-pass filter dan

high-pass filter dalam domain waktu diskrit. Koefisien wavelet dari sinyalfrekuensi rendah yang dihasilkan disebut koefisien aproksimasi dan dari sinyalfrekuensi tinggi disebut koefisien detail. Untuk tujuan penghapusan derau yangtimbul dalam sinyal suara maka digunakan suatu metode yang disebutthresholding . Prinsip dasar metode ini yaitu menolkan nilai-nilai koefisien wavelet yang berada di bawah nilai threshold dan mengambil nilai-nilai selainnya untuk keperluan rekonstruksi sinyal melalui simulasi. SNR ( Signal-to- oise Ratio )digunakan untuk menunjukkan kualitas sinyal hasil rekonstruksi. Dan untuk sinyaldari “ female.wav” yang telah ditambahkan 5dB white Gaussian noise , hasilrekonstruksi terbaik didapat dengan db40 dan heursure-hard thresholding ,SNR=10.8123, serta dengan sym21 dan minimaxi-soft threshlding , SNR=10.8206.

Kata kunci : wavelet, dekomposisi, low-pass filter, high-pass filter, threshold


5/85

iv

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat

dan karunia-Nya, maka penulisan laporan kerja praktik yang berjudul “REDUKSI

DERAU SINYAL SUARA DENGAN DISCRETE WAVELET TRANSFORM

MENGGUNAKAN MATLAB 7.0” ini dapat diselesaikan. Penulisan laporan

kerja praktik ini merupakan bagian dari tugas akademik di Fakultas MIPA,

sebagai persyaratan untuk menyelesaikan program pendidikan Sarjana-1 Program

Studi Fisika Fakultas MIPA Universitas Lambung Mangkurat Banjarbaru.

Pada kesempatan ini penulis mengucapkan terimakasih yang sebesar-

besarnya kepada :

1. Bapak Amar Vijai Nasrulloh, MT selaku pembimbing internal yang telah

memberikan banyak arahan dan dukungan dalam kerja praktik.

2. Bapak Sriyanto, ST selaku pembimbing eksternal yang telah banyak

memberikan penjelasan selama kerja praktik.

3. Ibu Kalfika Yani yang telah memberikan banyak ilmu yang bermanfaat.

4. Ayah dan ibuku Kasypul Anwar dan Nortinisa, yang tak henti-hentinya

mendoakan dan memberi semangat.

5. Saudara-saudaraku M. Laily Qadry Sukmana, M. Satria Effendy, dan M.

Azhar Anwary, yang telah memberikan banyak bantuan baik moril maupun

materil.

6. Bapak Wahyudin Bagenda selaku Direktur Utama PT. LEN Industri (Persero)

Bandung.


6/85

v

7. Bapak Priono Joni H. selaku kepala Bagian Manajemen dan Rekayasa Proyek

UB. SISDALHAN PT. LEN Industri (Persero) Bandung.

8. Seluruh staf Bagian Manajemen dan Rekayasa Proyek Unit Bisnis Sistem

Kendali dan Pertahanan PT. LEN Industri (Persero) Bandung.

9. Ibu Sudarningsih, M.Si selaku pembimbing akademik.

10. Bapak Hery Budi Santoso, M.Si selaku Dekan Fakultas MIPA Universitas

Lambung Mangkurat Banjarbaru.

11. Ibu Nurma Sari, M.Si selaku Ketua Program Studi S1 Fisika Fakultas MIPA

Universitas Lambung Mangkurat Banjarbaru.

12. Semua dosen FMIPA UNLAM, khususnya dosen Fisika yang telah banyak

memberikan ilmu dan pengalamannya.

13. Saudara M. Yudi Suhendar, teman kerja praktik yang sering diajak bertukar

pikiran.

14. Seluruh teman-teman program studi Fisika, khususnya teman-teman di

Instrument Community 2008.

Kritik dan saran yang bersifat membangun sangat penulis harapkan guna

kesempurnaan laporan kerja praktik ini. Semoga laporan ini dapat bermanfaat bagi

kita semua.

Banjarbaru, Maret 2012

Penulis


7/85

vi

DAFTAR ISI

Halaman

HALAMAN JUDUL ……………………………………………………… i

HALAMAN PENGESAHAN …………………………………………….. ii

ABSTRAK …………………………………………………………………. iii

KATA PENGANTAR …………………………………………………….. iv

DAFTAR ISI ……………………………………………………………….. vi

DAFTAR TABEL …………………………………………………………. ix

DAFTAR GAMBAR ………………………………………………………. x

DAFTAR LAMPIRAN …………………………………………………… xi

BAB I PENDAHULUAN

1.1 Latar Belakang………………………………………….......…… 1

1.2 Tujuan…………………………………………………………… 2

1.2.1 Tujuan Umum.…………………………………………………... 2

1.2.2 Tujuan Khusus...………………………………………………… 3

1.3 Manfaat………………………………………………………….. 3

BAB II KEADAAN UMUM PT. LEN INDUSTRI (PERSERO)

BANDUNG

2.1 Sejarah PT. LEN Industri (Persero).…………………….............. 4

2.2 Visi dan Misi PT. LEN Industri (Persero)…………………......... 6

2.2.1 Visi................................................................................................. 6

2.2.2 Misi ............................................................................................... 6

2.3 Produk dan Layanan PT. LEN Industri (Persero)……………….. 6

2.4 Struktur Organisasi PT. LEN Industri (Persero)………………… 11

BAB III TINJAUAN PUSTAKA

3.1 Sinyal Suara................................................................................... 12

3.1.1 Representasi Sinyal Suara dalam Domain Waktu……………..... 12

3.1.2 Representasi Sinyal Suara dalam Domain Frekuensi…………… 13


8/85

vii

3.2 Derau.............................................................................................. 13

3.2.1 Definisi Derau................................................................................ 13

3.2.2 White Noise .................................................................................... 14

3.3 Definisi Wavelet… ......................................................................... 15

3.3.1 Analisis Wavelet ............................................................................ 16

3.3.2 Analisis Multiresolusi.................................................................... 16

3.4 Wavelet Transform ………………………………………………. 17

3.4.1 Continuous Wavelet Transform …………………………………. 19

3.4.2 Discrete Wavelet Transform …………………………………….. 21

3.5 Jenis Wavelet …………………………………………………….. 27

3.6 Thresholding …………………………………………………….. 29

BAB IV METODE KERJA PRAKTIK

4.1 Waktu dan Tempat......................................................................... 31

4.2 Bentuk Kerja Praktik..................................................................... 32

4.3 Prosedur Kerja............................................................................... 32

4.3.1 Pembacaan File Suara…………………………………................ 35

4.3.2 Pemodelan Derau………………………………………………... 35

4.3.3 Reduksi Derau………………………………………………….... 36

4.3.4 Pembuatan GUI…………………………………………………. 38

BAB V PELAKSANAAN KERJA PRAKTIK

5.1 Hasil Pengamatan……………………………………………….. 42

5.1.1 GUI…………………………………………………………….... 42

5.1.2 Simulasi…………………………………………………………. 42

5.2 Pembahasan……………………………………………………... 46

5.2.1 GUI……………………………………………………………... 46

5.2.2 Level Dekomposisi……..……………………………………….. 47

5.2.3 Jenis Wavelet……………………………………………………. 47

5.2.4 Thresholding………………………… ……………………………... 48

5.2.5 Spektogram……………………………………………………… 49


9/85

viii

BAB VI PENUTUP

6.1 Kesimpulan……………………………………………………… 506.2 Saran…………………………………………………………….. 51

DAFTAR PUSTAKA …………..…………………………………………. 52

LAMPIRAN ………..………………………………………………………


10/85

ix

DAFTAR TABEL

Tabel Halaman

2.1 Produk dan Layanan PT. LEN Industri (Persero) Bandung……………… 8

5.1 Data Hasil Perhitungan SNR dan Error………………………………....... 45


11/85

x

DAFTAR GAMBAR

Gambar Halaman

3.1 Sinyal suara…………………………………………………………...…. 12

3.2 White noise dalam saluran komunikasi………………………………….. 14

3.3 Resresentasi dari wave dan wavelet ……………………………………... 15

3.4 Multiresolusi waktu-frekuensi………………………………………...… 16

3.5 Perbandingan resolusi waktu-frekuensi beberapa metode analisis sinyal 18

3.6 Filter bank dengan dua channel ………………………………………… 22

3.7 Filter bank level tiga……………………………………………………. 25

3.8 Ekivalen dari Gambar 3.7……………………………………………..… 26

3.9 Wavelet Haar ……………………………………………………………. 28

3.10 Wavelet Daubechies ……………………………………………………... 28

3.11 Wavelet Coiflets …………………………………………………………. 28

3.12 Wavelet Symlet ………………………………………………………….. 29

3.13 Sinyal hasil Thresholding …………..…………………………………… 304.1 Blok diagram proses reduksi derau……………………………………… 33

4.2 Diagram alir simulasi reduksi derau………………………….…………. 34

5.1 Figure GUI untuk simulasi reduksi derau……………………………..... 41

5.2 Running GUI untuk simulasi reduksi derau…………………………….. 42

5.3 Tampilan setelah menekan tombol Load ………………………………... 43

5.4 Tampilan setelah menekan tombol Add Noise …………………………... 43

5.5 Tampilan setelah menekan tombol Denoise …………………………….. 445.6 Tampilan setelah memilih radio button Spectogram ……………………. 44


12/85

xi

DAFTAR LAMPIRAN

Lampiran 1. Struktur Organisasi PT. LEN Industri (Persero) Bandung

Lampiran 2. Source Code Program Simulasi

Lampiran 3. Spektogram Sinyal

Lampiran 4. Surat Permohonan untuk Melaksanakan Kerja Praktik

Lampiran 5. Pendaftaran Kerja Praktik

Lampiran 6. Rencana Kerja Praktik

Lampiran 7. Surat Rekomendasi Kerja Praktik

Lampiran 8. Usulan Kegiatan Kerja Praktik

Lampiran 9. Absensi Kegiatan Kerja Praktik

Lampiran 10. Berita Acara Visitasi

Lampiran 11. Berita Acara Telah selesainya Kerja Praktik

Lampiran 12. Pendaftaran Seminar / Sosialisasi Kerja Praktik

Lampiran 13. Rekomendasi Nilai Kerja Praktik

Lampiran 14. Kartu Hadir Seminar Kerja Praktik Lampiran 15. Penilaian Pelaksanaan Kerja Praktik

Lampiran 16. Penilaian Laporan dan Seminar / Sosialisasi

Lampiran 17. Nilai Kerja Praktik

Lampiran 18. Surat Pengantar dari PT. LEN Industri (Persero) Bandung

Lampiran 19. Foto-foto kegiatan


13/85

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Beberapa teknik yang biasa digunakan untuk menghilangkan derau pada

sinyal antara lain analisis sinyal dalam kawasan waktu (Shanon), kawasan

frekuensi (Fourier), dan Short Time Fourier Transform (Gabor). Meskipun

dengan Short Time Fourier Transform (STFT) telah diperoleh representasi sinyal

dalam domain waktu dan frekuensi secara bersamaan, namun terdapat masalah

ketajaman ( resolution ) yang dikenal dengan prinsip ketidakpastian. Menurut

prinsip ketidakpastian tersebut tidak dapat diketahui dengan tepat, representasi

waktu-frekuensi dari suatu sinyal, dalam pengertian tidak dapat diketahui dengan

akurat komponen frekuensi berapa saja yang terdapat pada suatu waktu. Wavelet

dengan analisis multiresolusi dapat memecahkan permasalahan resolusi karena

kemampuannya dalam menganalisis sinyal dalam berbagai resolusi, sehingga

sinyal dapat dianalisis lebih detail. (Sari, 2011)

Discrete Wavelet Transform (DWT) dalam konteks pemrosesan sinyal

adalah suatu metode yang digunakan untuk mendekomposisi sinyal masukan ke

dalam bentuk gelombang yang disebut mother wavelet dan menganalisis sinyal

pemberi perlakukan terhadap koefisien wavelet . Prinsip yang sama juga

diberlakukan pada STFT, namun terdapat perbedaan pada analisis yang dilakukan.

Dalam STFT, analisis dilakukan secara keseluruhan dengan resolusi yang sama

untuk seluruh frekuensi, sedangkan DWT memberlakukan analisis dengan


14/85

2

resolusi yang berbeda untuk setiap frekuensi yang berbeda. Dekomposisi pada

DWT dilakukan dengan membagi sinyal masukan ke dalam frekuensi tinggi dan

rendah memgunakan low-pass filter (LPF) dan high-pass filter (HPF) dalam

domain waktu diskrit. Sinyal frekuensi rendah yang dihasilkan disebut

aproksimasi dan sinyal frekuensi tinggi yang dihasilkan disebut detail.

Terdapat dua informasi yang dibawa suatu sinyal suara, yaitu waktu dan

frekuensi. Dalam cakupan waktu, perubahan amplitudo merupakan hal yang

sangat diperhatikan, sedangkan dalam cakupan frekuensi respon dari suara yang

berbeda menunjukkan adanya perbedaan frekuensi yang dihasilkan. Kedua

informasi tersebut tetap dapat dipertahankan dan dianalisis dengan menggunakan

pendekatan multiresolusi yang diaplikasikan dalam bentuk dekomposisi DWT.

Untuk tujuan pereduksian derau yang timbul dalam sinyal suara maka

diberlakukan thresholding . Prinsip dasar metode ini yaitu menolkan nilai-nilai

koefisien wavelet yang berada di bawah nilai threshold dan mengambil nilai-nilai

selainnya untuk keperluan rekonstruksi sinyal dengan metode simulasi. Dengan

simulasi ini diharapkan dapat mengurangi derau dari sinyal suara. (Purwanto,

2009).

1.2 Tujuan

1.2.1 Tujuan Umum

1. Menjalin kerjasama dengan dunia kerja, yaitu PT. LEN Industri (Persero)

Bandung khususnya di Bagian Manajemen dan Rekayasa Proyek Unit

Bisnis Sistem Kendali dan Pertahanan.


15/85

3

2. Mengetahui aplikasi bidang ilmu yang sudah diterima dalam perkuliahan.

1.2.2 Tujuan Khusus

1. Memahami prinsip dan metode reduksi derau sinyal suara dengan discrete

wavelet transform .

2. Memahami cara penggunaan wavelet toolbox dari Matlab 7.0 untuk discrete

wavelet transform.

3. Membuat simulasi reduksi derau dengan discrete wavelet transform

mengunakan Matlab 7.0.

1.3 Manfaat

Adapun manfaat dari kegiatan kerja praktik ini adalah sebagai berikut :

1. Bagi mahasiswa yaitu memperoleh pengetahuan dan keterampilan dalam

menghadapi permasalahan dunia kerja, melatih disiplin dan tanggung jawab

terhadap pekerjaan, meningkatkan kualitas mahasiswa dan mendapatkan

pengalaman kerja khususnya dalam bidang pemrosesan sinyal.

2. Bagi program studi sebagai sarana menjalin kerja sama antara universitas

dengan PT. LEN Industri (Persero) Bandung (Bagian Manajemen dan

Rekayasa Proyek Unit Bisnis Sistem Kendali dan Pertahanan) dan

meningkatkan citra Program Studi Fisika dalam hal pengadaan kerja praktik

dan penyedian lapangan kerja.


16/85

4

BAB II

KEADAAN UMUM PT. LEN INDUSTRI (PERSERO) BANDUNG

2.1 Sejarah PT. LEN Industri (Persero)

PT. LEN Industri dibentuk menurut SK Ketua Majelis Ilmu Pengetahuan

Indonesia (MIPI) No.11/Ket/MIPI/A-1/1965. Melalui NI.128/1967, LEN

dinyatakan sebagai salah satu lembaga yang bernaung di bawah LIPI dan

bertanggung jawab langsung terhadap LIPI. LEN kemudian bertransformasi

menjadi sebuah Badan Usaha Milik Negara (BUMN) pada tahun 1991. Sejak saat

itu, LEN bukan lagi merupakan kepanjangan dari Lembaga Elektronika Nasional,

tetapi telah menjadi sebuah entitas bisnis profesional dengan nama PT. LEN

Industri. Saat ini LEN berada di bawah koordinasi Kementrian Negara BUMN.

1. Periode tahun 1991-2001 merupakan periode survival bagi PT. LEN

Industri. Waktu itu diterapkan sebagai periode survival, sehingga sifatnya

sentralistis.

2. Periode tahun 2001-2007 merupakan masa transformasi bagi PT. LEN

Industri. Pada masa itu LEN melakukan banyak transformasi bisnis,

organisasi, manajerial, dan lain-lain.

3. Periode tahun 2006 PT. LEN Industri memiliki tiga anak perusahaan yaitu:

PT. Surya Energi Indotama memiliki fokus usaha di bidang kontraktor

tenaga surya ( renewable energy ). Lini bisnis energi, seperti bisnis tenaga

surya dilimpahkan kepada anak perusahaan agar mampu bergerak secara


17/85

5

lincah bersaing di pasaran. PT. Interlokindo Utama, dan PT. Eltran

Indonesia yang bergerak dalam bidang kontraktor.

4. Periode tahun 2007 sampai saat ini PT. LEN Industri melakukan reposisi

bisnis dan reorganisasi perusahaan.

Selama ini, PT. LEN Industri telah mengembangkan bisnis dan produk-

produk dalam bidang elektronika untuk industri dan prasarana, serta telah

menunjukkan pengalaman dalam bidang :

1. Broadcasting , selama lebih dari 30 tahun, dengan ratusan Pemancar TV dan

Radio yang telah terpasang di berbagai wilayah di Indonesia.

2. Jaringan infrastruktur telekomunikasi yang telah terentang baik di kota besar

maupun daerah terpencil.

3. Sistem persinyalan kereta api di berbagai jalur kereta api di Pulau Jawa.

4. Elektronika untuk pertahanan, baik darat, laut, maupun udara.

5. Sistem elektronika daya untuk kereta api listrik.

Melalui reposisi bisnis perusahaan, LEN secara bertahap dibentuk agar

hanya menangani produksi yang bersifat manufaktur dengan fokus pada upaya

inovasi dan pengembangan produk. Dengan kata lain, bisnis LEN sebagai holding

company akan dikhususkan pada manufacturing . Sementara proyek kontraktor,

proyek yang bersifat engineering dan konstruksi akan diserahkan kepada anak-

anak perusahaan.

PT. LEN Industri merupakan pemain utama dalam industri pengembangan

dan aplikasi peralatan elektronika untuk pertahanan di Indonesia saat ini. LEN

telah berhasil mengembangkan peralatan tactical communication yang


18/85

6

mempunyai matriks hopping yang dirancang khusus untuk mengurangi resiko

penyadapan oleh pihak lain. Selain itu, peralatan surveillance yang canggih dan

combat management system yang dikembangkan LEN, mampu memberikan

solusi terhadap kebutuhan pertahanan di Indonesia, dengan biaya yang dapat

menghemat devisa, serta dukungan tenaga ahli dalam negeri untuk pemeliharaan

selama masa pengoperasian.

2.2 Visi dan Misi PT. LEN Industri (Persero)

2.2.1 Visi

Menjadi perusahaan elektronika kelas dunia.

2.2.2 Misi

Meningkatkan kesejahteraan stakeholder melalui inovasi produk elektronika

industri dan prasarana.

2.3 Produk dan Layanan PT. LEN Industri (Persero)

PT. LEN Industri memiliki satu divisi produksi dan tiga unit bisnis. Divisi

produksi menangani usaha produksi elektronik, mekanik, dan energi terbarukan.

Sementara ketiga Unit Bisnis (UB), yaitu : UB. Sistem Pengendalian dan

Pertahanan (SISDALHAN), UB. Sistem Navigasi dan Telekomunikasi

(NAVITEL) dan UB. Sistem Transportasi (SISTRANS), menangani beberapa

bidang usaha, yaitu: elektronika pertahanan, sistem kontrol, sistem navigasi,

telekomunikasi, dan transportasi kereta api.


19/85

7

PT. LEN Industri sangat bangga telah melayani pelanggannya dengan baik,

diantaranya :

1. Departemen Perhubungan

2. PT. INKA (Persero)

3. Kereta Tanah Melayu Berhad (KTMB), Malaysia

4. Departemen Kelautan dan Perikanan

5. Badan Pengelola Pengembangan Teknologi ( BPPT )

6. Pemerintah Daerah

7. Departemen Energi dan Sumber Daya Mineral

8. Kementrian Negara Pembangunan Daerah Tertinggal

9. Kementrian Riset dan Teknologi

10. PT Indosat, Tbk

11. PT. PLN (Persero)

12. Badan Meteorologi dan Geofisika

13. Direktorat Jendral Pajak dan Bea Cukai

14. Departemen Pertahanan

15. TNI

16. POLRI

17. Departemen Komunikasi dan Informasi

18. TV & Radio Swasta

19. PT Surveyor Indonesia

20. PT Kereta Api (Persero)


20/85

8

Tabel 2.1

Produk dan Layanan PT. LEN Industri (Persero) Bandung

No Produk Lini Bisnis Pelanggan

1 Sistem Interlocking

Automatic Warning

System

CTC (Centralized

Traffic Control)

Level Crossing

LED Signal Unit

Sistem

Signaling

Departemen

Perhubungan

PT Kereta Api (Persero)

2 Battery Charger

Static Inverter

AC Control Panel

Elektronika

Daya

Departemen

Perhubungan

PT INKA (Persero)

Kereta Tanah Melayu

Berhad (KTMB),

Malaysia

3 Panel Surya

Solar Home System

(SHS)

Pembangkit Listrik

Tenaga

Hibrida

Energi Terbaru Kementrian Negara

Pembangunan Daerah

Tertinggal

Kementrian Riset dan

Teknologi

Departemen Kelautan


21/85

9

Lampu Penerangan

Jalan Tenaga Surya

KWH Meter Pra

Bayar

Wartel Satelit

Tenaga Surya

Pompa Air TenagaSuryA

PLTS Terpusat

dan Perikanan

Badan Pengelola

Pengembangan

Teknologi (BPPT)

Pemerintah Daerah

Departemen Energi dan

Sumber Daya Mineral

PT Indosat, Tbk

4 Detection Equipment

System

Asset Monitoring &

Tracking System

Sistem Kontrol PT. PLN (Persero)

Badan Meteorologi dan

Geofisika

Direktorat Jendral Pajak

dan Bea Cukai

5 Tactical Radio

Communication

HF Transceivers

Combat Management

System

(CMS)

Tactical Radio

Communication

Elektronika

Pertahanan

Departemen Pertahanan

TNI

POLRI


22/85

10

VHF Transceivers

6 TV Transmitter

FM Transmitter

Antenna System UHF

Panel Arrays

Antenna System –

Parabolic Antenna

Satellite News

Gathering

Sistem Navigasi

Informasi dan

Komunikasi

Departemen Komunikasi

dan Informasi

TVRI

RRI

TV & Radio Swasta

Pemerintah Daerah

Departemen

Perhubungan

PT. LEN INDUSTRI juga menggalang kerjasama dengan pihak luar negeri.

Kerjasama tersebut di antaranya dengan mitra kerja seperti:

1. CARS, Hollysys, Fiscan (Cina)

2. Siemens AG, RWE Schoot Solar, Rohde & Schwartz (Jerman)

3. PIT & CTM (Polandia)

4. Elettronika (Italia)

5. Thales (Prancis)

6. Q-Mac (Australia)

7. Shiron (Amerika)


23/85

11

2.4 Struktur Organisasi PT. LEN Industri (Persero)

Struktur organisasi PT. LEN Industri selengkapnya sesuai Surat Keputusan

Direktur Utama No. 087/SKEP/DU/VI/2011 tanggal 1 Juli 2011 dapat dilihat

pada lampiran.


24/85

12

BAB III

TINJAUAN PUSTAKA

3.1 Sinyal Suara

Sinyal suara merupakan suatu sinyal yang mewakili suara. Suara dalam hal

ini dibatasi pada frekuensi 20-20000 Hz, yaitu yang bisa didengar oleh telinga

manusia ( audible ). Sinyal suara dibentuk dari kombinasi berbagai frekuensi pada

berbagai amplitudo dan fasa. Pada gambar 3.1 merupakan salah satu contoh

bentuk sinyal suara yang tampak bila dilihat pada osiloskop. Axis X

merepresentasikan waktu, sedangkan axis Y merepresentasikan tegangan yang

diukur pada sebuah alat masukan. Alat tersebut dapat berupa mikrofon.

(Kurniawan, 2002; Verterli dan Kovacevic, 1996)

Gambar 3.1. Sinyal Suara

3.1.1 Representasi Sinyal Suara dalam Domain Waktu

Sinyal suara didefinisikan sebagai besaran fisik yang berubah terhadap

waktu, artinya besaran fisik pada sinyal suara adalah intensitas bunyi sedangkan

variabel bebasnya adalah waktu. Secara matematis sinyal suara sebagai besaran

fisik yang berubah terhadap waktu, dapat dinyatakan sebagai fungsi dari waktu

sebagai berikut (Kurniwan, 2002; Proakis dan Monoakis, 1996) :

( ) = sin (2 ) (3.1)


25/85

13

3.1.2 Representasi Sinyal Suara dalam Domain Frekuensi

Bentuk representasi sinyal lain yang sering dipakai adalah representasi

dalam domain frekuensi. Dalam domain frekuensi, sinyal suara dipandang sebagai

gabungan dari satu atau lebih sinyal sinusoidal dengan frekuensi dan intensitas

yang berbeda-beda. Jadi sinyal suara tersebut direpresentasikan sebagai intensitas

dari komponen frekuensi penyusunnya. Representasi suatu sinyal suara dalam

domain waktu dapat diubah ke dalam domain frekuensi dengan menggunakan

Fourier transform (FT). Persamaan FT itu sendiri adalah (Kurniwan, 2002;

Proakis dan Monoakis, 1996) :

( ) = ∫ ( ) · (3.2)

dengan

= cos (2 ) − 2 (3.3)

Sedangkan untuk mengubah representasi sinyal dari domain frekuensi ke dalam

domain waktu digunakan inverse Fourier transform (IFT) sebagai berikut:

( ) = ∫ ( ) · (3.4)

3.2 Derau

3.2.1 Definisi Derau

Derau ( noise ) dapat didefinisikan sebagai sinyal yang tidak diinginkan yang

muncul pada komunikasi, pengukuran, atau pemrosesan dari sebuah sinyal yang

mengandung informasi. Secara umum, derau dapat menyebabkan kesalahan atau

bahkan merusak sinyal informasi tersebut. Oleh karena itu, pemrosesan derau

adalah bagian penting dan integral dari telekomunikasi modern dan sistem


26/85

14

pemrosesan sinyal. Kesuksesan dari suatu metode pemrosesan derau bergantung

pada kemampuannya untuk mengkarakterisasi dan memodelkan derau, dan

menggunakan karakteristik derau tersebut secara menguntungkan untuk

mereduksinya dari sinyal.

3.2.2 White Nois

Salah satu model derau yang paling popular adalah white noise . White noise

merupakan suatu derau dengan kerapatan spektral daya yang merata pada seluruh

komponen frekuensinya. Disebut white noise karena berpedoman pada kenyataan

bahwa sebenarnya cahaya putih merupakan kumpulan dari berbagai warna yang

dapat diuraikan secara merata melalui suatu spektrum. Demikian pula dengan

white noise yang juga terdiri dari berbagai sumber derau, serta lebar daerah energi

elektron dan molekul-molekul yang merupakan pembangkit derau tersebut.

Gambar 3.2 memperlihatkan bentuk white noise dalam suatu saluran komunikasi.

Gambar 3.2. White noise dalam saluran komunikasi

Agar suatu sinyal informasi yang digunakan dapat dideteksi dan dihasilkan

kembali dengan memuaskan oleh receiver dari suatu sistem maka daya dari sinyal

yang dikehendaki tersebut haruslah lebih besar dari pada derau yang ada, dengan

paling sedikit suatu nilai minimum yang telah ditentukan. Perbandingan daya


27/85

15

sinyal yang dikehendaki terhadap daya derau adalah (Kurniwan, 2002; Roddy dan

Coolen, 1996)

= 10 (3.5)

3.3 Definisi Wavelet

Kata wavelet dikemukakan oleh Morlet dan Grossmann pada awal tahun

1980 dalam bahasa Prancis “ ondelette” yang berarti gelombang kecil. Dan setelah

itu dalam bahasa Inggris kata onde diganti menjadi wave sehingga menjadi

“wavelet” . Wavelet merupakan gelombang kecil yang energinya terkonsentrasi

terhadap waktu. Memiliki kemampuan untuk melakukan analisis waktu dan

frekuensi secara bersamaan dan sangat cocok digunakan untuk menganalisis

sinyal transient, nonstasioner, atau yang berubah terhadap waktu. (Shukla, 2003)

Gambar 3.3. Representasi dari wave (a), dan wavelet (b)

Perbedaan antara wave (sinusoidal) dengan wavelet ditunjukkan pada

Gambar 3.3. Wave bersifat smooth , predictable dan tetap, sementara wavelet

mempunyai durasi yang terbatas, irregular dan tidak selalu simetris. Wave

digunakan sebagai fungsi basis deterministic pada analisis Fourier terhadap

sinyal, yang berupa invariant waktu, stasioner (Shukla, 2003)


28/85

16

3.3.1 Analisis Wavelet

Analisis sinyal nonstasioner dengan menggunakan Fourier transform (FT)

atau short time Fourier transform (STFT) tidak memberikan hasil yang

memuaskan. Hasil yang lebih baik bisa didapat melalui analisis wavelet . Salah

satu keuntungan dari analisis wavelet adalah kemampuannya untuk melakukan

analisis lokal (Misiti et all , 2000). Analisis wavelet mampu mendapatkan aspek-

aspek sinyal yang tidak bisa didapatkan melalui teknik analisis yang lain, seperti

trends, titik breakdown , diskontinuitas, dan sebagainya. Dibandingkan dengan

STFT, analisis wavelet memungkinkan untuk dilakukannya analisis multiresolusi.

(Merry, 2005)

3.3.2 Analisis Multiresolusi

Permasalahan resolusi waktu-frekuensi disebabkan adanya prinsip

ketidakpastian Heisenberg dan penggunaan teknik analisis. Dengan menggunakan

pendekatan yang disebut analisis multiresolusi ( mutliresolution analysis, MRA),

frekuensi yang berbeda pada suatu sinyal dapat dianalisis dengan resolusi yang

berbeda. Perubahan resolusi tersebut secara skematis ditunjukkan Gambar 3.4

Gambar 3.4. Multiresolusi waktu-frekuensi


29/85

17

Analisis wavelet menghitung korelasi antara sinyal yang diinginkan dengan

fungsi wavelet ψ(t). Kemiripan antara sinyal dan fungsi wavelet dihitung secara

terpisah untuk interval waktu yang berbeda, menghasilkan interpresentasi dua

dimensi. Fungsi wavelet ψ(t) juga ditujukan sebagai mother wavelet. (Merry,

2005)

3.4 Wavelet Tr ansfor m

Wavelet transform (WT) didefinisikan sebagai penguraian sinyal dengan

menggunakan suatu himpunan basis fungsi yang disebut wavelet. WT adalah

metode aproksimasi dari suatu basis fungsi wavelet ߰ ( ) dengan bantuan

lokalisasi waktu dan frekuensi (jendela modulasi) yang fleksibel. Hal ini yang

membedakan dengan STFT, yang merupakan pengembangan dari FT. STFT

menggunakan jendela modulasi yang besarnya tetap, ini menyebabkan

permasalahan resolusi karena jendela yang sempit akan memberikan resolusi

frekuensi yang buruk dan sebaliknya jendela yang lebar akan menyebabkan

resolusi waktu yang buruk. (Sugiarso, 2010)


30/85

18

Gambar 3.5. Perbandingan resolusi waktu-frekuensi beberapa metode analisis

sinyal (Purwanto, 2009)

WT didesain untuk mendapatkan keuntungan dengan menggunakan resolusiwaktu paling baik dan resolusi frekuensi paling kecil saat frekuensi tinggi, dan

resolusi frekuensi paling baik dan resolusi waktu paling kecil saat frekuensi

rendah, sesuai dengan representasi pada Gambar 3.4. (Purwanto, 2009)

Fungsi penganalisis ψ(t) diklasifikasikan sebagai wavelet apabila

persyaratan matematis di bawah ini terepenuhi (Addison, 2002):

1. Wavelet harus memiliki energi yang berhingga

= ∫ | ߰ ( ) | < ∞∞∞

(3.6)

Energi E sama dengan integral dari kuadrat magnitude fungsi penganalisis

ψ(t) dan harus kurang dari tak terhingga.

2. Jika Ψ(f) adalah Fourier transform dari wavelet ψ(t), kondisi berikut harus

dipertahankan


31/85

19

= ∫ | ( ) |∞ < ∞ (3.7)

Kondisi ini menyatakan bahwa wavelet tidak memiliki komponen frekuensi

nol (ߖ (0) = 0 ), dengan kata lain nilai rata-rata dari wavelet ߰ ( ) harus

sama dengan nol. Nilai tergantung dari jenis wavelet dipilih.

3. Untuk wavelet kompleks, Fourier transform Ψ(f) harus real dan habis untuk

frekuensi negatif.

3.4.1 Continuous Wavelet Transform

Continuous wavelet transform (CWT) didefinisikan sebagai (Addison,

2002; Polikar, 1999; Schneiders, 2001)

( ߬ , ) = | | ∫ ( ) ߰ ∗ (3.8)Sinyal ( ߬ , ) merupakan fungsi dari parameter translasi ߬ dan parameter

skala s. other wavelet ditunjukkan dengan ψ, sementara * menandakan bahwa

conjugate kompleks digunakan untuk wavelet kompleks. Energi dari sinyal

dinormalisasi di setiap skala dengan membagi koefisien wavelet dengan 1 | |(Addison, 2002). Hal ini untuk memastikan bahwa wavelet memiliki energi yang

sama pada setiap skala. (Merry, 2005)

other wavelet dikonstraksi dan didilasi dengan mengubah parameter skala

s. Variasi terhadap skala s tidak hanya mengubah central frequency f c dari

wavelet , tetapi juga mengubah lebar window . Sehingga, skala s lebih digunakan

daripada frekuensi untuk merepresentasikan hasil dari analisis wavelet . Parameter

translasi ߬ menunjukkan lokasi wavelet dalam waktu, dengan mengubah ߬ wavelet

dapat digeser di sepanjang sinyal. Elemen dari ( ߬ , ) disebut koefisien


32/85

20

wavelet , dan setiap koefisien tersebut terkait dengan skala (frekuensi) dan titik

pada domain waktu. (Merry, 2005)

WT juga memiliki inverse , seperti halnya FT dan STFT. Inverse continuous

wavelet transform (ICWT) dinyatakan dengan

( ) = ∫ ∫ ( ߬ , ) ߬ (3.9)Dengan catatan harus memenuhi persyaratan kondisi wavelet yang kedua.

Fungsi wavelet memiliki central frequency f c pada setiap skala, di mana

skala s berbanding terbalik dengan frekuensi. Skala yang besar sesuai untuk

frekuensi rendah, memberikan informasi umum dari sinyal. Dan skala kecil sesuai

untuk frekuensi tinggi, memberikan informasi detail dari sinyal. Perhitungan

CWT biasanya dilakukan dengan mengambil nilai diskrit untuk parameter skala s

dan parameter translasi ߬ . Koefisien-koefisien wavelet yang dihasilkan disebut

wavelet series . (Merry, 2005)

Dyadic grid mendiskritisasi parameter skala pada skala logaritmik.

Sementara parameter waktu didiskritisasi mengikuti parameter skala. Dyadic grid

merupakan salah satu metode diskritisasi yang paling sederhana dan efisien untuk

berbagai kegunaan dan menghasilkan konstruksi dari basis wavelet orthonormal

(Addison, 2002). Wavelet series dapat dihitung sebagai

, = ∫ ( ) ߰ , ( ) (3.10)

dengan

߰ , = ߰ ( − ߬ ) (3.11)


33/85

21

Bilangan bulat m dan n mengontrol dilasi dan translasi. Untuk dyadic rid ,

s0 = 0 dan ߬ = 1 . Discrete dyadic grid wavelet adalah orthonormal , dengan kata

lain orthogonal satu sama lain dan ternormalisasi agar memiliki unit energi

(Addison, 2002). Hal tersebut memperbolehkan rekonstruksi sinyal dengan

( ) = ∑ ∑ , ߰ , ( ) (3.12)

CWT biasanya dimanfaatkan untuk deteksi karena adanya keretakan,

patahnya elemen, ketidaksempurnaan bentuk, dan cacat lain yang menghasilkan

sinyal dengan pola terpatah atau tak sempurna. (Nurprasetio dan Sandewan, 2010)

3.4.2 Di screte Wavelet Tr ansform

MRA pada CWT dilakukan dengan kontraksi dan dilasi terhadap fungsi

wavelet . Sementara discrete wavelet transform (DWT) menggunakan filter banks

untuk membangun multiresolusi pada bidang waktu-frekuensi. DWT

menggunakan multiresolution filter banks dan filter wavelet untuk menganalisis

dan merekonstruksi sinyal. (Merry, 2005)

a. F ilter Bank

Filter bank terdiri atas filter-filter yang membagi sinyal menjadi beberapa

band frekuensi (Strang dan Nguyen, 1997). Sebagai contoh, filter bank dengan

dua channel ditunjukkan pada Gambar 3.6. Sinyal waktu diskrit (k) dimasukkan

pada analysis bank dan di- filter dengan L(z) an H(z) yang memisahkan konten

frekuensi dari sinyal input ke dalam band frekuensi dengan lebar yang sesuai.

Filter L(z) dan H(z) secara berurutan merupakan low-pass filter (LPF) dan high-

pass filter (HPF). Output dari masing-masing filter mengandung setengah dari

konten frekuensi awal, akan tetapi dengan jumlah sample yang sama dengan


34/85

22

sinyal input. Kedua output secara bersama-sama mengandung konten frekuensi

yang sama dengan sinyal input, namun jumlah data menjadi double . Oleh karena

itu, perlu dilakukan downsampling dengan faktor 2 yang dinyatakan dengan ↓2

terhadap masing-masing output dari filter-filter pada analysis bank . (Merry, 2005)

Rekonstruksi sinyal asli juga dapat dilakukan dengan sintesis menggunakan

filter bank (Schneiders, 2001; Strang dan Nguyen, 1997). Pada synthesis bank

sinyal di- unsampled (↑2) dan dilewatkan terhadap filter L’(z) dan H’(z). Adapun

filter-filter yang digunakan pada synthesis bank adalah berdasarkan filter-filter

pada analysis bank. Output-output dari synthesis bank dijumlahan menjadi sinyal

rekonstruksi y(k).

Sinyal-sinyal output yang berbeda dari analysis filter bank disebut subband ,

dan teknik filter bank juga dikenal sebagai subband coding (Schneiders, 2001)

Gambar 3.6. Filter bank dengan dua channel

b. Downsampling dan Upsampling

LPF dan HPF L(z) dan H(z) membagi konten frekuensi dari sinyal menjadi

setengahnya. Sehingga, sangat masuk akal apabila dilakukan downsampling

dengan faktor dua untuk menghindari redundancy . Meskipun setengah dari

sample dari sinyal yang telah di- filter , cl (k) dan ch(k), menjadi berkurang,

rekonstruksi sinyal x(k) masih bisa dilakukan. Operasi downsampling (↓2) hanya


35/85

23

akan mempertahankan urutan genap dari komponen output, dengan demikian

tidak invertible . Dalam domain frekuensi, efek dari penolakan informasi disebut

aliasing . Sementara itu, teori sampling Shannon adalah met, di mana tidak ada

terjadi kehilangan informasi (de Kraker, 2000; Strang dan Nguyen, 1997). Teori

sampling dari Shannon menyatakan bahwa downsampling dari sinyal yang telah

di- sampling dengan factor M menghasilkan sinyal dengan spektrum yang dapat

dihitung dengan mempartisi spektrum asli menjadi band-band sejumlah M dan

kemudian menjumlahkan band-band tersebut (Schneiders, 2001).

Pada synthesis bank , sinyal terlebih dahulu di- unsampled sebelum di- filter.

Upsampling dengan faktor 2 ( ↑2) dilakukan dengan menambahkan nila i nol di

antara sample-sample dari sinyal asli. Dengan catatan bahwa dengan melakukan

downsampling terhadap sinyal dan kemudian melakukan upsampling tidak akan

mengembalikan sinyal aslinya.

=

⎣

.(0)(1)(2)(3)(4). ⎦

(↓ 2 ) =⎣⎢

.(0)(2)(4). ⎦⎥

( ↑ 2) (↓ 2 ) =

⎣⎢

.(0)0(2)0(4). ⎦⎥

(3.13)

Transpose dari (↓2) adalah (↑2). Dan karena transpose berasal dari perintah

reverse , maka sintesis dapat dikatakan sebagai transpose dari analisis. Selanjutnya

(↓2) (↑2) = I , karena ( ↑2) merupakan inverse dari (↓2) ( Strang dan Nguyen, 1997).

Hal ini menunjukkan kemungkinan untuk mendapatkan kembali sinyal asli

melalui downsampling dan upsampling . Dengan menambahkan nilai nol dan

kemudian menghapusnya, sinyal asli akan bisa didapatkan kembali. (Merry, 2005)


36/85

24

c. M ulti resolution fi lter bank

CWT dapat melakukan MRA yang memungkinkan untuk melakukan

analisis terhadap sinyal pada frekuensi yang berbeda dengan resolusi yang

berbeda. Untuk frekuensi tinggi (skala tinggi) pada waktu yang singkat,

didapatkan resolusi waktu yang baik. Sementara untuk frekuensi rendah (skala

rendah), resolusi frekuensi yang baik lebih diperlukan. CWT memiliki resolusi

waktu-frekuensi seperti ditunjukkan pada Gambar 3.4. Multiresolusi tersebut juga

dapat dilakukan dengan menggunakan filter banks , yang menghasilkan DWT.

Perlu dicatat bahwa versi diskrit dari CWT tidak sama dengan DWT, DWT

menggunakan filter banks , sementara versi diskrit CWT menggunakan versi

diskrit dari skala dan dilasi. (Merry, 2005)

Cabang-cabang LPF dan HPF pada filter bank , masing-masing

menghasilkan aproksimasi dan detail dari sinyal x(k). Gambar 3.7, menunjukkan

filter bank level tiga. Filter bank dapat dikembangkan menjadi beberapa level,

tergantung pada resolusi yang diinginkan. Koefisien cl (k) (lihat Gambar 3.7(a))

menunjukkan setengah dari frekuensi terendah pada x(k), dan downsampling

menggandakan resolusi frekuensinya. Sementara resolusi frekuensinya terbagi

menjadi dua, dengan kata lain hanya setengah dari total sample yang terdapat pada

cl (k).

Pada level kedua, output dari L(z) dan H(z) menggandakan resolusi waktu

dan menurunkan konten frekuensi, dengan kata lain lebar window bertambah.

Setelah setiap level dilewati, output dari HPF mewakili setengah dari frekuensi

tertinggi dari konten LPF pada level sebelumnya, band-pass . Resolusi waktu-


37/85

25

frekuensi dari analysis bank pada Gambar 3.4 mirip dengan resolusi yang

ditunjukkan pada Gambar 3.7. Struktur dari kumpulan filter L(z) dan H(z) disebut

DWT, dan filternya disebut filter wavelet . (Merry, 2005)

Gambar 3.7. Filter bank level tiga

d. F il ter Wavelet

Hubungan antara CWT dan DWT tidak terlalu nyata. Wavelet pada CWT

mempunyai central frequency dan berlaku sebagai band-pass filter untuk

konvolusi fungsi wavelet dengan sinyal x(t). Rangkaian LPF , downsampling dan

HPF juga berlaku sebagai band-pass filter. Untuk memudahkan dalam

membandingkan DWT dan CWT, filter bank pada Gambar 3.7 digambarkan

kembali pada Gambar 3.8 (Schneiders, 2001). Peningkatan nilai downsampling

mengarah kepada rid waktu yang lebih besar untuk frekuensi yang lebih rendah


38/85

26

(skala yang lebih tinggi). Filter- nya dapat diinterpretasikan sebagai fungsi wavelet

pada skala-skala yang berbeda. Meskipun fungsi tersebut masing-masingnya tidak

diskalakan secara tepat, jika levelnya meningkat dan respons impuls dari filter-

filter ekivalen bergabung menjadi bentuk gelombang yang stabil, filter L(z) dan

H(z) merupakan filter wavelet. (Daubechies, 1992; Schneiders, 2001). Filter-filter

berikutnya kemudian menjadi versi yang diskalakan. Filter wavelet menunjukkan

konten frekuensi dari fungsi wavelet pada skala yang spesifik. Filter wavelet dapat

diklasifikasikan menjadi dua, wavelet orthogonal dan bioorthogonal .

Gambar 3.8. Ekivalen dari Gambar 3.7

Batas dari fungsi wavelet, dengan kata lain bentuk gelombang stabil, dapat

dikonstruksi dengan mudah melalui synthesis bank . Cabang yang lebih rendah

pada Gambar 3.8(b), hanya terdiri dari LPF dan upsampling , sementara respons

impulsnya bergabung menjadi fungsi akhir l(n) (Addison, 2002; Schneiders,

2001)

( ) = ∑ ( ) ( 2 − ) (3.14)

Fungsi tersebut dikenal sebagai fungsi penskalaan dalam wavelet . Sehingga

persamaan akhirnya dapat dihitung sebagai


39/85

27

߰ ( ) = ∑ ℎ( ) ߰ (2 − ) (3.15)

Persamaan akhir dari rangkaian band-pass h(n) merupakan fungsi wavelet ߰ ( ) .

Subband dengan koefisien wavelet c lll disebut subband aproksimasi cA dan

mengandung frekuensi-frekuensi paling rendah. Dan subband-subband yang lain

disebut subband detail cD dan memberikan detail informasi dari sinyal. Koefisien-

koefisien wavelet menunjukkan konten dari sinyal pada band frekuensi yang

nyata.

Untuk dekomposisi level- p, frekuensi paling tinggi diamati pada koefisien

aproksimasi wavelet c lll dapat dihitung sebagai fungsi dari frekuensi sample f s

sebagai

= (3.16)Konten frekuensi dari band frekuensi aproksimasi cA dan bands frekuensi detail

cD dapat dihitung sebagai

= [ 0, 2 ] (3.17)

= [ 2 , 2 ] (3.18)

3.5 Jenis Wavelet

Wavelet memiliki beberapa jenis, diantaranya (MathWorks, 2006) :

1. Wavelet Haar

Wavelet Haar adalah Wavelet yang paling tua dan sederhana. Wavelet Haar

sama dengan Wavelet Db1 ( Daubechies orde 1). Panjang tapis Wavelet

Haar adalah 2.


40/85

28

Gambar 3.9. Wavelet Haar

2. Wavelet Daubechies

Wavelet Daubechies memiliki nama pendek Db, dan untuk orde N

dituliskan dengan dbN. Orde Wavelet Daubechies adalah N=1 atau Haar ,

N=2, …, N=45. Panjang tapis Wavelet daubechies adalah 2N.

Gambar 3.10. Wavelet Daubechies

3. Wavelet Coiflet

Wavelet Coiflet memiliki nama pendek Coif , dan untuk orde N dituliskan

dengan CoifN . Panjang tapis Wavelet Coiflet adalah 6N.

Gambar 3.11. Wavelet Coiflet


41/85

29

4. Wavelet Symlet

Wavelet Symlet memiliki nama pendek sym, untuk orde N dituliskan dengan

Sym . Wavelet Symlet memiliki orde N=2, …, 45. Panjang tapis untuk

Wavelet Symlet adalah 2N.

Gambar 3.12. Wavelet Symlet

3.6 Thresholding

Ada empat aturan seleksi yang bisa diikuti untuk menentukan nilai

threshold (λ), yaitu (MathWorks, 2006) :

1. rigrsure : seleksi threshold adaptif menggunakan prinsip SURE

2. hearsure : varian heuristik dari pilihan pertama

3. sqtwolog : threshold universil

4. minimaxi : threshold mini-maks

Dua aturan umum yang digunakan untuk thresholding koefisien wavelet

adalah hard dan soft thresholding . Hard thresholding merupakan metode yang

paling sederhana. Bila λ menyatakan threshold maka sinyal hasil thresholding

adalah (MathWorks, 2006) :


42/85

30

Gambar 3.13. Sinyal asli (a), sinyal hasil hard thresholding (b), sinyal hasil soft

thresolding (c)

= jika ,ߣ | x| > jika ,0ߣ | x| < ߣ (3.19)Berbeda dengan hard thresholding , soft thresholding merupakan fungsi

kontinu dan mengurangi nilai sinyal dengan nilai threshold . Berdasarkan beberapa

pendapat statistik, soft thresholding bisa melakukan reduksi derau yang lebih

besar. (Fletcher, 2002)

= 0, jika | x| < +ߣ jika x ,ߣ ≤ −ߣ jika x ,ߣ ≥ ߣ (3.20)


43/85

31

BAB IV

METODE KERJA PRAKTIK

4.1 Waktu Dan Tempat

Kerja praktik ini dilaksanakan selama 6 minggu, dengan pembagian sebagai

berikut:

1. Minggu pertama untuk mengenali situasi dan kondisi tempat kerja praktik,

serta mempelajari dasar-dasar dari pemrosesan sinyal.

2. Minggu kedua untuk mempelajari Fourier transform yaitu continuous

Fourier transform dan discrete Fourier transform.

3. Minggu kedua untuk mempelajari short time Fourier transfrom, dan wavelet

transform yaitu continuous wavelet transform serta discrete wavelet

transform.

4. Minggu keempat dan kelima untuk pembuatan program simulasi reduksi

derau pada sinyal suara.

5. Minggu terakhir untuk pembuatan laporan mengenai simulasi yang telah

dilakukan.

Adapun kegiatan kerja praktik ini dilaksanakan pada tanggal 18 Januari – 25

Februari 2012. Dan tempat yang dipilih dalam pelaksanaan kegiatan kerja praktik:

Nama : PT. LEN Industri (Persero)

Alamat : Jl. Soekarno-Hatta No. 442 Bandung


44/85

32

4.2 Bentuk Kerja Praktik

Kegiatan kerja praktik dilakukan di Unit Bisnis Sistem Kendali dan

Pertahanan (UB. SISDALHAN), tepatnya di Bagian Staf Manajemen dan

Rekayasa Proyek. Bagian Staf Manajemen dan Rekayasa Proyek sendiri

merupakan bagian yang bertanggung jawab dalam hal manajemen dan

perencanaan proyek yang dilakukan di UB. SISDALHAN. Selama pelaksanaan

kerja praktik, prakerin sangat dibantu oleh pembimbing internal, pembimbing

eksternal, para engineer , dan para staf Bagian Diklat. Kegiatan yang dilakukan

terdiri dari pengenalan awal tentang sistem komunikasi radio, cara analisis sinyal

suara dengan Fourier transform, short time Fourier transform, dan wavelet

transform , mempelajari metode untuk mereduksi derau pada sinyal suara, dan

mengikuti training Integrated Radio Communication System (IRCS) oleh Elbit

Systems, Tadiran Communications. Konsultasi kesulitan selama kerja praktik

dilakukan dengan pembimbing internal dan eksternal.

4.3 Prosedur Kerja

Perangkat yang digunakan dalam simulasi ini dibagi menjadi dua bagian

yaitu perangkat keras dan perangkat lunak. Perangkat keras yang digunakan

adalah sebuah personal computer dengan spesifikasi sebagai berikut :

1. Mesin : Acer Aspire 4738Z

2. Prosesor : Intel Celeron @ 2,13 GHz

3. Platform : MS Windows XP Professional SP3

Sedangkan perangkat lunak simulasi dibuat dalam lingkungan Matlab versi 7.0.


45/85

33

Perancangan simulasi dapat dijabarkan sesuai dengan blok diagram pada

Gambar 4.1, simulasi ini menggunakan file “female.wav”.

Gambar 4.1. Blok diagram proses reduksi derau

Pada gambar 4.1, dijelaskan mengenai proses reduksi derau yang urutannya

adalah discrete wavelet transform (DWT), tresholding dan yang terakhir adalah

inverse discrete wavelet transform (IDWT). DWT berarti adalah pengubahan

sinyal suara ke koefisien wavelet , sedangkan thresholding berarti melewatkan

koefisien tersebut ke suatu ambang batas yang telah ditentukan, sehingga

koefisien yang tidak sesuai ambang tersebut tidak digunakan. Kemudian langkah

yang terakhir adalah IDWT yang bertujuan untuk mengubah koefisien wavelet

yang telah di thresholding ke sinyal asalnya. Untuk lebih jelasnya proses tersebut

ditunjukkan dalam diagram alir pada gambar 4.2.


46/85

Ga

34

bar 4.2. Diagram alir simulasi reduksi derau


47/85

35

4.3.1 Pembacaan File Suara

Urutan pertama dari langkah perancangannya adalah pembacaan file

“ female.wav ”. Pembacaan file suara tersebut dapat dilakukan dengan perintah:

[truesignal,Fs] = wavread(‘female.wav’);

truesignal = bilangan-bilangan penyusun file suara, yang berbentuk matriks

dua kolom.

Fs = frekuensi sampling.

Berhubung intensitas sinyal asli tidak begitu besar, maka dilakukan penguatan

sebesar 20 kali.

amp = 20;

truesignal = amp*truesignal;

4.3.2 Pemodelan Derau

Dalam simulasi ini, tipe derau yang hendak dikurangi adalah white Gausian

noise .

truesignalN = awgn(truesignal,sn,'measured');

di mana sn merupakan tingkat derau yang ditambahkan pada sinyal suara dalam

dB, dalam hal ini sn = 20. Secara umum, model untuk proses demikian adalah

seperti berikut:

( ) = ( ) + ( ) (4.1)

dengan ( ) adalah sinyal suara yang diobservasi yaitu sinyal masukan, ( )

adalah sinyal suara yang ideal, dan ( ) adalah white Gaussian noise . Tujuan

utama dari proses reduksi derau adalah mendapatkan sinyal ( ) dari sinyal ( )

yang telah terkorupsi ( )


48/85

36

4.3.3 Reduksi Derau

Prosedur untuk proses reduksi derau yang umum melibatkan tiga langkah,

prosedur tersebut mengikuti langkah-langkah di bawah ini:

a. Dekomposisi

Memilih sebuah mother wavelet , menentukan level dekomposisi, kemudian

mendekomposisi sinyal masukan pada level tersebut. Dengan menggunakan

function wfilters dan wavedec , truesignalN yang merupakan sinyal

masukan yang telah ditambahkan derau, didekomposisi dengan menggunakan

high-pass filter (Hi_D ) dan low-pass filter (Lo_D ) yang sesuai dengan jenis

mother wavelet (wname ) yang telah dipilih. Sehingga, berikutnya dapat diperoleh

nilai koefisien wavelet- nya, yaitu koefisien aproksimasi dengan menggunakan

function appcoef dan koefisien detail dengan menggunakan function detcoef .

[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters(wn)

[C,L] = wavedec(truesignalN,level,Lo_D,Hi_D);

cA3 = appcoef(C,L,wn,level);

[cD1,cD2,cD3] = detcoef(C,L,[1,2,3]);

wname = jenis wavelet yang digunakan yaitu db13, db40, sym13 dan

sym21.

truesignalN = sinyal masukan yang telah ditambahkan derau

level = level dekomposisi

b. Thresholding

Ini merupakan inti dari proses reduksi derau. Untuk setiap level

dekomposisi dari 1 sampai N, dipilih sebuah ambang dan diterapkan soft

thresholding ataupun hard tresholding terhadap koefisien detailnya. Koefisien


49/85

37

threshold dapat diperoleh dengan menggunakan function thselect dan

thresholding dilakukan dengan penggunaan function wthresh . Kode untuk men-

thresholding koefisien detail pada level 1 dengan Matlab :

thr_D1 = thselect(D1,tptr)

tD1 = wthresh(D1,sorh,thr_D1);

tptr = berfungsi untuk menentukan nilai koefisien threshold. Thresholding

yang digunakan antara lain heursure, rigrsure, sqtwolog, minimaxi

sorh = mode thresholding , soft atau hard

Asumsi dasarnya adalah bahwa energi dari sinyal asli pada subband-

subband detail terkonsentrasi pada beberapa koefisien yang besar. Sementara

koefisien detail yang lain adalah kecil. Dengan demikian, sinyal asli juga

diasumsikan memiliki sedikit energi pada koefisien yang kecil, di mana koefisien

yang kecil pada X sebagian besarnya mengandung derau. Sehingga, dengan

menetapkan nilai koefisien tersebut menjadi nol, akan menghapus sebagian besar

derau selama penghapusan sebagian kecil energi dari sinyal asli. Di sisi lain,

koefisien detail dari X yang nilainya besar, kemungkinan besar mengandung

komponen yang besar terhadap sinyal asli dan akan tetap dipertahankan. Dengan

cara ini, sinyal bisa direkonstruki dari sinyal X dengan menghapus derau pada

koefisien detail yang kecil, dan mempertahankan komponen pada koefisien detail

yang besar. (Fletcher, 2002)

c. Rekonstruksi

Melakukan inverse discrete wavelet transform (IDWT) terhadap koefisien

wavelet yang telah di- thresholding untuk mendapatkan sinyal dengan derau yang


50/85

38

telah direduksi ( denoised signal ). Denoised signal direkontruksi menggunakan

koefisien aproksimasi dari level N dan koefisien detail modifikasi level dari 1 ke

N. Dalam simulasi ini, hal ini cukup dilakukan dengan menjumlahkan

aproksimasi hasil dekomposisi DWT dengan hasil thresholding dari setiap detail

untuk setiap level.

clean = A3 + tD1 + tD2 + tD3;

Selanjutnya, untuk memainkan sinyal digunakan function wavplay ,

memplotkan sinyal dengan function plot , sementara untuk mendapatkan

spektogramnya digunakan function specgram .

4.3.4 Pembuatan GUI

Matlab mengimplementasikan GUI sebagai sebuah figure yang berisi

berbagai UIControl object style . Selanjutnya masing-masing obyek harus

diprogram agar dapat bekerja ketika diaktifkan oleh pemakai GUI. Langkah dasar

yang harus dikerjakan dalam membuat GUI adalah :

a. Mengatur layout komponen GUI

Setelah GUIDE Matlab dibuka dan template GUI ditentukan, langkah

selanjutnya adalah mendesain figure dengan menggunakan komponen palet sesuai

dengan kebutuhan, seperti pushbutton , radiobutton , edit text , static text , popup

menu , axes , dan sebagainya.

Semua kontrol pada GUIDE dapat dimunculkan pada figure dengan cara

men- drag kiri kontrol yang diinginkan ke figure . Adapun penjelasan fungsi

masing-masing kontrol adalah sebagai berikut:


51/85

39

1. Pushbutton

Pushbutton merupakan jenis kontrol berupa tombol tekan yang akan

menghasilkan tindakan jika diklik, misanya tombol Load , Add Noise , dan

Denoise .

2. Radio Button

Radio button digunakan untuk memilih atau menandai satu pilihan dari

beberapa pilihan yang ada. Misalnya, pilihan untuk menampilkan Amplitudo

atau Spectogram .

3. Edit Text dan Static Text

Edit text digunakan untuk memasukkan atau memodifikasi suatu text yang

diinputkan dari keyboard , sedangkan static text hanya berguna untuk

menampilkan text , sehingga text tersebut tidak bisa dihapus kecuali melalui

property inspector .

4. Frames

Frames merupakan kotak tertutup yang dapat digunakan untuk

mengelompokkan kontrol-kontrol yang berhubungan. Tidak seperti kontrol

lainnya, f rames tidak memiliki rutin callback .

5. Popup Menu

Popup menu berguna menampilkan daftar pilihan yang didefinisikan pada

string property ketika mengklik tanda panah pada aplikasi dan memiliki

fungsi yang sama seperti radio button . Ketika tidak dibuka, popup menu

hanya menampilkan satu item yang menjadi pilihan pertama pada string

property .


52/85

40

6. Axes

Axes berguna untuk menampilkan sebuah grafik atau image . Axes

sebenarnya tidak masuk dalam UIControl , tetapi axes dapat diprogram agar

pemakai dapat berinteraksi dengan axes dan obyek grafik yang ditampilkan

melalui axes.

Selanjutnya layout masing-masing komponen, baik string (caption ), font ,

color , size, dan sebagainya dapat diatur menggunakan property inspector . Jika

desain telah selesai, file figure disimpan dengan ekstensi default *.fig . Dari sini,

Matlab secara otomatis akan membuatkan sebuah m-file dengan nama yang sama,

yaitu file berekstensi *.m.

b. Memprogram komponen GUI

-file yang telah dibuat pada langkah sebelumnya, akan otomatis terbuka

dan program harus dituliskan agar komponen kontrol dapat bekerja secara

simultan. Untuk membuat program dalam m-file cukup dengan memperhatikan

fungsi-fungsi Matlab bertanda callback dimana perintah disisipkan. Dari langkah-

langkah dasar di atas, secara sederhana sebenarnya GUI Matlab dibentuk oleh dua

buah file, yaitu fig-file dan m-file.


53/85

41

BAB V

PELAKSANAAN KERJA PRAKTIK

5.1 Hasil Pengamatan

5.1.1 GUI

Gambar 5.1. Figure GUI untuk simulasi reduksi derau


54/85

42

Gambar 5.2. Running GUI untuk simulasi reduksi derau

5.1.2 Simulasi

Simulasi dilakukan dengan menggunakan jenis wavelet Daubechies dan

Symmlet . Masing-masing dengan skala 13 dan 40 serta 13 dan 21 yang dapat

ditulis sebagai db13, db40, sym13 dan sym21. Level dekomposisi yang digunakan

adalah 3. Pemilihan level didasari atas pertimbangan bahwa pada level ini kualitas

sinyal suara masih dapat dipertahankan dan derau yang melatarbelakangi sinyal

suara sudah menunjukkan tanda-tanda pengurangan pengaruh terhadap sinyal

suara. Untuk menekan derau digunakan baik soft ataupun hard thresholding .

Dengan menekan tombol Load maka sinyal dari file “female.wav” yang

dipilih akan diplotkan.


55/85

43

Gambar 5.3. Tampilan setelah menekan tombol Load

Selanjutnya, dengan menekan tombol Add Noise , white Gaussian noise

ditambahkan ke dalam sinyal untuk kemudian juga diplotkan.

Gambar 5.4. Tampilan setelah menekan tombol Add Noise


56/85

44

Gambar 5.5. Tampilan setelah menekan tombol Denoise

Gambar 5.6. Tampilan setelah memilih radio button Spectogram


57/85

45

Kualitas sinyal hasil rekonstruksi ditentukan berdasarkan signal-to-noise

ratio (SNR). Selain itu, juga dengan menggunakan pendekatan visual dan

pendengaran.

Tabel 5.1

Data Hasil Perhitungan SNR dan Err or

No JenisWavelet

Thresholding Mode

Thresholding

SNR (dB)

err Noisy

Signal

De-noised

Signal

1 db13 Rigrsure Soft 5,0395 10,7649 0,6095

2 Hard 4,9883 10,7518 0,5628

3 Heursure Soft 4,9825 10,7670 0,6338

4 Hard 4,9947 10,7546 0,6468

5 inimaxi Soft 5,0029 10,7607 0,5926

6 Hard 4,9830 10,7240 0,6187

7 Sqtwolog Soft 5,0106 10,7729 0,6133

8 Hard 5,0080 10,7754 0,5934

9 db40 Rigrsure Soft 4,9739 10,8016 0,6050

10 Hard 4,9974 10,7838 0,6099

11 Heursure Soft 5,0232 10,8072 0,5699

12 Hard 5,0056 10,8123 0,5755

13 inimaxi Soft 5,0148 10,7957 0,6742

14 Hard 5,0049 10,7765 0,6228

15 Sqtwolog Soft 4,9746 10,7896 0,6276

16 Hard 4,9983 10,7799 0,7360

17 sym13 Rigrsure Soft 4,9775 10,7632 0,6911

18 Hard 5,0177 10,7524 0,6455

19 Heursure Soft 5,0066 10,7260 0,6149

20 Hard 4,9902 10,7618 0,7267

21 inimaxi Soft 5,0147 10,7574 0,6078

22 Hard 5,0023 10,7467 0,7021

23 Sqtwolog Soft 4,9895 10,7691 0,6438


58/85

46

24 Hard 5,0000 10,7654 0,6419

25 sym21 Rigrsure Soft 4,9975 10,8122 0,6322

26 Hard 4,9823 10,7758 0,6382

27 Heursure Soft 4,9857 10,7904 0,6016

28 Hard 4,9890 10,7703 0,6277

29 inimaxi Soft 5,0150 10,8206 0,6041

30 Hard 4,9863 10,7863 0,6122

31 Sqtwolog Soft 5,0066 10,7958 0,6590

32 Hard 5,0038 10,8140 0,6145

5.2 Pembahasan

5.2.1 GUI

Simulasi dapat dijalankan dengan menekan tombol Load , selanjutnya user

dapat menentukan sendiri file suara yang hendak dianalisis. Dalam hal ini file

“ female.wav ”. Setelah file dipilih, sinyal langsung diplot sebagai original signal.

Dengan menekan tombol Add Noise , maka white Gaussian Noise ditambahkan ke

dalam sinyal. Untuk mereduksi derau yang telah ditambahkan, terlebih dahulu

dipilih mother wavelet dan threshold yang dikehendaki pada popup menu masing-

masing. Setelah itu, dengan menekan tombol Denoise , derau direduksi dan

hasilnya diplot sebagai clean signal .

Untuk mengganti tampilan sinyal menjadi berupa spectrogram , user dapat

memilih radio button Spectogram dan plot sinyal akan langsung digantikan

dengan spectrogram -nya. Sementara itu, untuk untuk memperdengarkan suara,

baik itu original, noisy, ataupun clean signal dapat dilakukan dengan menekan

tombol Play Sound. Dan tombol Exit untuk keluar dari program.


59/85

47

5.2.2 Level Dekomposisi

Penentuan level dekomposisi merupakan tahap coba-coba untuk

mendapatkan hasil terbaik dengan membandingkan SNR terbaik untuk setiap

level dekomposisi. Dan untuk sinyal dari “ female.wav ”, hasil SNR terbaik

didapatkan pada level dekomposisi 3. Pada tahapan ini dilakukan pengolahan

awal terhadap sinyal yang akan diidentifikasi dan dilakukan dengan menggunakan

DWT. Dekomposisi ini berdasarkan pada konsep pemfilteran dan menghasilkan

suatu koefisien yang dikatakan sebagai koefisien wavelet . Karena dekomposisi

dilakukan sebanyak 3 level, sehingga pada proses ini dihasilkan 4 macam

koefisien, yaitu cD1 (koefisien detail 1), cD2 (koefisien detail 2), cD3 (koefisien

detail 3), dan cA3 (koefisien aproksimasi 3).

5.2.3 Jenis Wa elet

Dalam simulasi ini wavelet berfungsi sebagai pengubah sinyal suara ke

koefisien wavelet agar dapat diproses lebih lanjut. Wavelet yang digunakan adalah

jenis wavelet db13, db40, sym13 dan sym21. Perbedaan ketiganya terletak pada

algoritma masing-masing dalam mentransformasi sinyal suara. Setelah simulasi

dilakukan hasil terbaik diperoleh dengan menggunakan wavelet db40 dan sym21.

Hal ini disebabkan wavelet db40 dan sym21 mempunyai panjang filter yang lebih

panjang dari kedua jenis wavelet yang lain yaitu 80 dan 42, sedangkan db13 dan

sym 13 mempunyai panjang filter 26.

Meskipun amplitudo denoised signal dari masing-masing jenis wavelet tidak

menunjukkan adanya perbedaan yang berarti, keunggulan keduanya dapat dilihat

pada hasil perhitungan SNR pada Tabel 5.1. Dengan mengetahui nilai signal-to-


60/85

48

noise ratio (SNR), dapat diketahui seberapa besar kualitas sinyal suara masih

dapat dipertahankan dan derau yang melatarbelakangi sinyal suara mulai

menunjukkan tanda-tanda pengurangan pengaruh terhadap sinyal suara. Kualitas

suara semakin bagus bila nilai SNR semakin besar. Dan berdasarkan tabel 5.1

terlihat jelas bahwa SNR dari reduksi sinyal dengan menggunakan wavelet db40

dan sym21 lebih besar dari pada db13 dan sym13.

5.2.4 Thresholding

Thresholding berarti melewatkan koefisien tersebut ke suatu ambang batas

yang telah ditentukan, sehingga koefisien yang tidak sesuai ambang tersebut tidak

terpakai. Algoritma perhitungan threshold yang digunakan adalah rigsure ,

heursure , minimax dan sqtwolog. Penentuan besar threshold yang merupakan

tahapan yang kritis jika nilainya terlalu kecil akan mengakibatkan derau tidak

hilang secara sempurna ( denoising yang tidak memuaskan) sedangkan jika nilai

yang diberikan terlalu besar akan mengakibatkan penurunan SNR (distorsi yang

cukup besar). Thresholding dilakukan untuk setiap level dari 1 sampai 3, dengan

menerapkan mode thresholding yaitu hard thresholding ataupun soft tresholding .

Secara garis besar memang tidak ada perbedaan yang cukup signifikan

terhadap plot clean signal dan spektogram untuk satu jenis wavelet dengan

masing-masing threshold . Akan tetapi, nilai SNR dan kualitas sinyal suara hasil

reduksi derau dalam simulasi ini menunjukkan dua hasil terbaik pada heursure

dengan hard thresholding dan minimaxi dengan soft hresholding.


61/85

49

5.2.5 Spektogram

Sumbu-x spektogram mewakili waktu (rentang) sinyal, sementara sumbu-y

mewakili frekuensinya. Perbedaan warna yang menyusun spektogram merupakan

representasi spectrum power suatu frekuensi. Berdasarkan keterangan dari color

bar, merah tua merepresentasikan spectrum power yang paling besar, dan

sebaliknya biru tua merepresentasikan power yang paling kecil. Dalam simulasi

ini, merah mewakili sinyal suara dan kuning merupakan derau dengan power

spectrum yang lebih kecil dari pada sinyal suara itu sendiri dan biru menunjukkan

intensitas yang rendah, di mana apabila semakin tua mewakili ap pada sinyal

suara yang di analisis.

Selain itu, spektogram denoised signal dengan wavelet db40 dan sym21

memiliki pendekatan yang lebih besar terhadap spektogram sinyal aslinya.

Sementara pada spektogram denoised signal dengan wavelet db13 dan sym13,

masih terlihat adanya derau di sepanjang waktu pada frekuensi tertentu.


62/85

50

BAB VI

PENUTUP

6.1 Kesimpulan

Kesimpulan yang diperoleh selama kerja praktik adalah:

1. Discrete wavelet transform melakukan analisis multiresolusi mengggunakan

filter bank yang terdiri atas low-pass filter dan high-pass filter.

2. Prinsip dasar untuk mereduksi derau dengan discrete wavelet transform ,

yaitu: dekomposisi sinyal pada level tertentu, kemudian melakukan

thresholding terhadap koefisien detail hasil dekomposisi pada setiap level,

dan terakhir merekonstruksi sinyal dari koefisien aproksimasi asli dan

koefisien-koefisien detail hasil thresholding .

3. Program simulasi reduksi derau dengan discrete wavelet transform

menggunakan Matlab 7.0 telah berhasil dibuat. Di mana, untuk sinyal dari

“ female.wav” yang telah ditambahkan 5dB white Gaussian noise , hasil

rekonstruksi terbaik didapat dengan db40 dan heursure-hard thresholding ,

SNR = 10.8123, serta dengan sym21 dan minimaxi-soft threshlding , SNR =

10.8206.

4. Derau tidak dapat dihilangkan tetapi hanya dapat direduksi.

6.2 Saran

Setelah melaksanakan mata kuliah Kerja Praktek ini, diperoleh saran-saran

yang mungkin dapat berguna, sebagai berikut:


63/85

51

1. Selama kerja praktik, mahasiswa diharapkan dapat aktif mengikuti langkah-

langkah kerja yang dilakukan oleh karyawan-karyawan yang bekerja di

intansi tempat kerja praktek dilaksanakan. Mahasiswa tidak perlu malu

bertanya jika terdapat kesulitan dalam pelaksanaan kerja praktek.

2. Untuk penelitian lebih lanjut, simulasi hendaknya dilakukan terhadap jenis

derau yang lain . Dan GUI bisa memberikan lebih banyak pilihan mother

wavelet serta level dekomposisi.


64/85

52

DAFTAR PUSTAKA

Addison, P.S. 2002. The Illustrated Wavelet Transform Handbook . IOPPublishing Ltd. ISBN 0-7503-0692-0.

Agoes, Suhartati. 1998. Simulasi Reduksi Derau dengan MenggunakanTransformasi Wavelet . Postgraduated Thesis Teknik Elektro UI: Jakarta.

Daubechies, I.. 1992. Ten Lectures on Wavelets . Society for Industrial and appliedMathematics. ISBN 0-89871-274-2.

de Kraker, B.. 2000. A Numerical-Experimental Approach In Structural Dynamics . Technical Report, Department of Mechanical Engineering,Eindhoven University of Technology: Eindhoven.

Fletcher, Alyson Kerry. 2002. Denoising via Recursive Wavelet Thresholding .Thesis, University of California: Berkeley.

Kurniawan, Agus. 2002. Reduksi Noise pada Sinyal Suara dengan MenggunakanTransformasi Wavelet . Undergraduted Thesis Teknik Elektro UNDIP:Semarang.

MathWorks. 2006. ATLAB Wavelet Toolbox 3.0. The Mathworks Inc., 24Prime Park Way, Natick, MA, 01760-1500: USA.

Merry, R.J.E.. 2005. Wavelet Theory and Applications . Eindhoven University of Technology, Department of Mechanical Engineering: Eindhoven.

Misiti, M., Y. Misiti, G. Oppenheim, and J-M Poggi. 2000. Wavelets ToolboxUsers Guide . Wavelet Toolbox for use with Matlab, The MathWorks.

Nurprasetio, Ignatius Pulung dan Hilarius Tutut Sandewan. 2010. Penghilangan Derau (Denoising) dari Sinyal Getaran Hasil Pengukuran MenggunakanTransformasi Wavelet Diskret. Seminar Nasioanal Tahunan Teknik Mesin

(SNTTM) ke-9, Hal: 47-52: Palembang.

Polikar, R.. 1999. The Wavelet Tutorial .URL: http://users.rowan.edu/ polikar/WAVELETS/WTtutorial.html

Proakis, John G. dan Dimitri G. Monoakis. 1996. Digital Signal Processing: Principles, Algorithms, & Applications, Prentice Hall, Inc: EnglewoodCliff-New Jersey.

Purwanto, Kristiawan. 2009. Simulasi Reduksi Derau Sinyal Suara Pada Ruang Serbaguna Kebun Raya Purwodadi Pasuruan Dengan Metode Discrete

Wavelet Transform . Undergraduted Thesis FTI ITS: Surabaya.


65/85

53

Roddy, Dennis dan John Coolen. 1986. Komunikasi Elektronika. LokeheadUniversity Thunder Bay, Ontario Canada, Penerbit Erlangga: Jakarta.

Sari, Swatiti Vinana. 2011. Aplikasi Transformasi Wavelet untuk Menghilangkan Derau pada Sinyal Peluahan Sebagian. Undergraduated Thesis Teknik Elektro UNDIP: Semarang

Schneiders, M.G.E.. 2001. Wavelets In Control Engineering . Master’s thesis,Eindhoven University of Technology. DCT nr. 2001.38.

Schremmer, C., T. Haenselmann, and F. B¨omers. 2001. A Wavelet Based Audio Denoiser .

Shukla, Panchamkumar. 2003. Complex Wavelet Transforms and Their Applications . Thesis for The Degree of Master of Philosophy, University of Strathclyde: Glasgow.

Strang, G. dan T. Nguyen. 1997. Wavelets and Filter Banks . Wellesley-Cambridge Press, Second Edition. ISBN 0-9614088-7-1.

Sugiarso, Yunus Wicaksono. 2010. Rancang Bangun Sistem Komunikasi Antar Pemakai Helm Berbasis Pengenalan Wicara . Master Thesis ITS: Surabaya.

Verterli, Martin dan Jelena Kovacevic. 1996. Wavelet and Subband Coding .Prentice Hall: New Jersey.


66/85

LAMPIRAN 1


67/85

LAMPIRAN 2

Source Cod

function varargout = dwt3ampspec(varargin)% DWT3_AMPSPEC M-file for dwt3ampspec.fig% DWT3_AMPSPEC, by itself, creates a new DWT3_AMPSPEC or raises the

existing% singleton*.%% H = DWT3_AMPSPEC returns the handle to a new DWT3_AMPSPEC or the

handle to% the existing singleton*.%% DWT3_AMPSPEC('CALLBACK',hObject,eventData,handles,...) calls the

local% function named CALLBACK in DWT3_AMPSPEC.M with the given input

arguments.%% DWT3_AMPSPEC('Property','Value',...) creates a new DWT3_AMPSPEC or

raises the% existing singleton*. Starting from the left, property value pairs

are% applied to the GUI before guiforhang_OpeningFunction gets called.

An% unrecognized property name or invalid value makes property

application% stop. All inputs are passed to guiforhang_OpeningFcn via

varargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one% instance to run (singleton)".

% Copyright 2002-2003 The MathWorks, Inc.

% De-noise Speech Signal using Discrete Wavelet Transform% Made by Nadya Amalia from Department of Physics, Universitas Lambung% Mangkurat

% Last Modified by GUIDE v2.5 08-Mar-2012 22:52:38

% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @guiforhang_OpeningFcn, ...'gui_OutputFcn', @guiforhang_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);

if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});

end


68/85

if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

elsegui_mainfcn(gui_State, varargin{:});

end% End initialization code - DO NOT EDIT

% --- Executes just before dwt3ampspec is made visible.function guiforhang_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to dwt3ampspec (see VARARGIN)

% Choose default command line output for dwt3ampspechandles.output = hObject;

% Update handles structureguidata(hObject, handles);

% UIWAIT makes dwt3ampspec wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = guiforhang_OutputFcn(hObject, eventdata, handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structurevarargout{1} = handles.output;

function input_Callback(hObject, eventdata, handles)% hObject handle to input (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of input as text% str2double(get(hObject,'String')) returns contents of input as a

double

function input_CreateFcn(hObject, eventdata, handles)% hObject handle to popupmenu2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcns

called

% Hint: popupmenu controls usually have a white background on Windows.% See ISPC and COMPUTER.

% --- Executes on button press in load.

function load_Callback(hObject, eventdata, handles)[filename, pathname] = uigetfile( ...


69/85

{'*.wav', 'All wav-Files (*.wav)'; ...'*.*','All Files (*.*)'}, ...

'Select Wav File');% If "Cancel" is selected then return

File = fullfile(pathname,filename);[truesignal Fs nbits] = wavread(File);amp = 20;truesignal = amp*truesignal;N = length(truesignal);axes(handles.original);plot(tr

Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 -...

Documents

Transcript of Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 -...