KOMBINASI METODE INDEPENDENT COMPONENT ANALYSIS (ICA) DAN BEAMFORMING UNTUK PEMISAHAN SINYAL AKUSTIK BAWAH AIR

(1)

Mandala Anugerahwan F.

2209 100 116

Pembimbing:

1. Dr. Ir. Wirawan, DEA

2. Ir. Endang Widjiati M.Eng.Sc.

KOMBINASI METODE INDEPENDENT COMPONENT

ANALYSIS (ICA) DAN BEAMFORMING UNTUK

(2)

Propeller Noise

Noise yang diakibatkan oleh putaran propeller kapal

Flow Noise

Noise yang diakibatkan interaksi aliran air dengan badan kapal

Machinery Noise

Noise yang diakibatkan oleh bunyi mesin kapal

Noise yang disebabkan oleh suara binatang bawah air

(3)

PENELITIAN SEBELUMNYA

Independent Component Analysis (ICA)

merupakan salah satu metode dari teknik BSS

yang dapat membedakan unsur atau komponen

penyusun campuran sinyal secara independen

Simulasi

Toolbox ICALAB

Pemisahan

secara riil

USULAN METODE

Beamforming merupakan metode yang

digunakan untuk mengetahui lokasi

sumber suara

KOMBINASI METODE INDEPENDENT COMPONENT

ANALYSIS (ICA) DAN BEAMFORMING UNTUK

(4)

Rumusan Masalah

1. Apakah jarak transmisi dari peletakan sumber suara dengan hydrophone

mempengaruhi kinerja pada algoritma BSS ?

2. Apakah kombinasi metode ICA dan Beamforming dapat diterapkan pada

proses pemisahan dan pengenalan sinyal akustik bawah air ?

(5)

Batasan Masalah

1. Toolbox yang digunakan untuk simulasi adalah ICALAB MATLAB

2. Sensor yang digunakan untuk penerima sinyal akustik adalah hydrophone

array dengan jumlah dan konfigurasi tertentu.

3. Metode yang dipakai untuk pemisahan dan pengenalan sinyal akustik adalah

BSS dengan kombinasi algoritma ICA dan Beamforming

4. Parameter yang digunakan dalm mengukur kehandalan metode adalah nilai

mean square error (MSE) dan signal to interference ratio (SIR).

5. Jumlah sensor sama dengan jumlah sumber suara

(6)

Tujuan

1. Menganalisis pengaruh dari peletakan sumber suara terhadap letak

hydrophone dalam kinerja algoritma BSS

2. Penerapan metode pemisahan sinyal BSS dengan menggunakan kombinasi

algoritma ICA dan Beamforming.

3. Menganalisis dampak penggunaan algoritma beamforming pada proses

pemisahan dan pengenalan sinyal akustik bawah air dilihat dari parameter

(7)

METODOLOGI

PENELITIAN

start

Pengambilan Data

Penentuan Karakteristik Data

yang Dibutuhkan

Penentuan Karakteristik

algoritma ICA

Studi Literatur

1

2

Analisa Hasil Simulasi

Mencari Nilai Signal to Ratio Output dan Input

Algoritma ICA dan Beamforming Pengambilan data di LHI Data Literatur 1 2 Membuat Mixing Sinyal

Algoritma ICA dan Beamforming

Penarikan Kesimpulan

selesai

Mencari nilai Noise Reduction Rate, MSE, dan

(8)

1. Blind Source Separation

𝐴

₁₁

𝐴

₂₁

𝐴

₁₂

𝐴

₂₂

(9)

1. Blind Source Separation

Pre-processing

A. Centering

Memusatkan data sinyal campuran (X) dengan cara mengurangi vektor X dengan mean vektor X itu

sendiri

𝑋𝑛 = 𝑋 − 𝐸[𝑋]

B. Whitening

Memutihkan variabel X, untuk mendapatkan vektor X baru dengan varians sama dengan satu

𝑧 = 𝑉𝑋𝑛

(10)

2. Algoritma FastICA

Algoritma paling sederhana pada Metode ICA

Memaksimalkan nilai non-gaussianity

Langkah :

1. Mencari nilai W dengan

𝑤

_𝑖

← 𝐸 𝑧𝑔(𝑤

_𝑖𝑇

𝑧 − 𝐸{𝑔

′

(𝑤

_𝑖𝑇

𝑧)}w

Dengan nilai g :

g(y) = y exp (- y

2

_{/2) dan}

_g

’

(y) = (1-y

2

)exp (- y

2

/2)

2. Ortogonalisasi matriks W

𝑊 ←

𝑊 𝑊

𝑊 ←

3 2

𝑊 −

1 2

𝑊𝑊

𝑇

_𝑊

𝑌 𝑡 = 𝑊 𝑋 𝑡

Independent Component

Analysis

Independent Component Analysis (ICA)

merupakan salah satu metode dari teknik BSS

yang dapat membedakan unsur atau komponen

penyusun campuran sinyal secara independen

Statistically Independent

E 𝑆

₁

𝑆

₂

T

= E 𝑆

₁

E[𝑆

₂

]

Non-gaussian

(11)

3. Beamforming (Delay and Sum Beamformer)

𝑥

_𝑖

𝑡 = 𝑥

₁

𝑡 − (𝑖 − 1

𝑑 cos 𝜃

𝑐

𝑦 𝑡 =

𝑖=1 𝑀

𝑥

_𝑖

𝑡 + (𝑖 − 1

𝑑 cos 𝜃

𝑐

Merupakan metode yang berfungsi untuk

mencari arah datang suara

Algoritma DS Beamformer menentukan nilai

time delay dengan metode cross corelation

dari suara yang terekam untuk menentukan

arah datang sumber suara

Cross Corelation

]

𝑟

_𝑥1𝑥2

= 𝐸 [𝑥

₁

𝑥

₂

𝜏

₁₂

= arg max 𝑟

_𝑥1𝑥2

(12)

4. Penilaian Hasil Pemisahan Suara

1. MSE (mean square error)

Nilai rata-rata dari eror hasil estimasi.

𝑀𝑆𝐸 =

1 𝑛

𝑖=1

𝑛

𝑠𝑒 − 𝑠

2 2. SIR (signal to interference ratio)

Perbandingan daya sinyal terhadap

daya interferensi

𝑆𝐼𝑅 = −10 𝑙𝑜𝑔

₁₀

(𝑀𝑆𝐸

3. NRR (noise reduction rate)

Menghitung banyaknya noise yang

dikurangi selama pemisahan suara.

(13)

DATA INPUT

Voice

𝑆1(𝑡 Kapal.wav

𝑆2(𝑡 Ikan.wav

𝑆3(𝑡 Ping.wav

Simulasi Jarak 5 m Jarak 10 m Jarak 1 m

2𝑥2 0.4975 0.1858 0.3194 0.4163 0.1998 0.1977 0.1977 0.1998 0.1 0.0997 0.0997 0.1 0.9728 0.7962 0.7962 0.9728 g(y) = y exp (- y2_/2)

g’(y) = (1-y2)exp (- y2/2)

Data Suara yang Digunakan

Mixing Matrix yang Diperoleh

(14)

HASIL PEMISAHAN SUARA

SIMULASI

Suara MSE SIR

Ikan 3.6399× 10−5 44.3891

Kapal 1.9670× 10−5 47.0620

Input Sinyal Suara

Sinyal Hasil Pemisahan

(15)

HASIL PEMISAHAN SUARA

SIMULASI

Input Sinyal Suara

Sinyal Hasil Pemisahan

0 0.5 1 1.5 2 2.5 3 3.5 -4 -2 0 2 4 Suara Kapal frkeuensi(Hz) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -10 -5 0 5 10 Suara Ping frkeuensi(Hz) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -10 -5 0 5 10

Suara Estimasi I Hasil Pemisahan

frkeuensi(Hz) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -4 -2 0 2 4

Suara Estimasi II Hasil Pemisahan

frkeuensi(Hz) a m p lit u d o

Suara MSE SIR Kapal 2.4025× 10−5 46.193

(16)

HASIL PEMISAHAN SUARA

SIMULASI

Input Sinyal Suara

Sinyal Hasil Pemisahan

ICALAB

Suara

MSE toolbox

ICALAB

MSE Algoritma

FastICA

Ikan

5.1185× 10

−7

3.6399× 10

−5

Kapal

9.4678× 10

−7

1.9670× 10

−5

(17)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 1 meter

(18)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 5 meter

0 1 2 3 4 5 6 7 8 9 -0.4 -0.2 0 0.2 0.4

Hasil Pencampuran Hydrophone 2

waktu (s) a m p lit u d o 0 1 2 3 4 5 6 7 8 9 -0.4 -0.2 0 0.2 0.4

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -5 0 5

Sinyal Estimasi I Hasil Pemisahan

waktu (s) a m p li tu d o 0 0.5 1 1.5 2 2.5 3 3.5 -10 -5 0 5 10

Sinyal Estimasi II Hasil Pemisahan

waktu (s) a m p li tu d o

(19)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 10 meter

Ikan 8.355× 10−5 40.7803 Kapal 5.378× 10−5 42.6904 Jarak Speaker-Hydrophone Hydrophone-Speaker Arah Estimasi Kedatangan Sumber 10 meter Hydrophone1-Speaker1 88.9340° Hydrophone1-Speaker2 92.4831° Hydrophone2-Speaker1 87.5169° Hydrophone2-Speaker2 91.066° 0 1 2 3 4 5 6 7 8 9 10 -0.2 -0.1 0 0.1 0.2

waktu (s) a m p lit u d o 0 1 2 3 4 5 6 7 8 9 10 -0.1 -0.05 0 0.05 0.1

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -2 -1 0 1

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 -1 -0.5 0 0.5 1

(20)

KESIMPULAN

1. Pada pengujian metode ICA dengan algoritma FastICA dibandingkan dengan toolbox ICALAB untuk

pemisahan suara, didapatkan hasil nilai MSE dengan FastICA sebesar 3.6399× 10

−5

sedangkan dengan

ICALAB 5.1185× 10

−7

. Nilai rata-rata SIR dengan FastICA sebesar 45,72dB dan nilai rata-rata SIR dengan

ICALAB 53dB. Hal ini menunjukan jika algoritma FastICA dapat memisahkan suara sama baiknya dengan

toolbox ICALAB.

2. Semakin jauh jarak antara speaker dengan hydrophone,

semakin berkurang nilai MSE dan SIR pada proses

pemisahan suara bawah air. Hal ini dapat dilihat pada jarak

1 meter nilai mean SIR bernilai 51,29dB, jarak 5 meter

bernilai 48.55dB, jarak 10 meter bernilai 41,73dB.

3. Pada pengujian metode beamforming dengan algoritma DS Beamformer, peletakan jarak speaker dengan hydrophone

minimal diletakan pada jarak 10 meter agar mendapatkan nilai delay untuk mengestimasi arah datang suara. Peletakan

speaker dan hydrophone yang saling berhadapan akan mendapatkan hasil yang maksimal. Metode beamforming dalam

(21)

SARAN

1. Dalam proses pengambilan data secara riil selanjutnya,

disarankan untuk melakukan analisis pengaruh

kemiringan posisi speaker terhadap hydrophone.

2. Sebaiknya dalam proses pengujian metode

beamforming selanjutnya, dilakukan pengukuran

sudut antara hydrophone dengan speaker. Hal ini

bertujuan agar hasil estimasi dengan metode

beamforming dapat dibandingkan dengan hasil

pengukuran secar riil.

(22)

DAFTAR PUSTAKA

1. E. Widjati, Yuniati, E. Suwarni, “Pengujian Sinyal Akustik Noise

yang Disebabkan oleh Kavitasi Propeller di Terowongan Kavitasi” 3RD APTECS 2011

2. H. Saruwatari, “Blind Source Separation Combining Independent Component Analysis and Beamforming” in EURASIP Journal on Applied Signal Processing, 1135–1146, 2003:11

3. W.I.P Sari, ”Pemisahan Sinyal Akustik Bawah Air Menggunakan Blind Separation of Source (BSS)”. Tugas Akhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Surabaya (2011). 4. V. Capdevielle, C. Serviere, and J. Lacoume, “Blind separation of

wide-band sources in the frequency domain,” in Proc. IEEE Int. Conf. Acoustics, Speech, Signal Processing, pp. 2080–2083, Detroid, Mich, USA, May 1995.

5. N. Murata and S. Ikeda, “An on-line algorithm for blind source separation on speech signals,” in Proc. International Symposium on Nonlinear Theory and Its Application, vol. 3, pp. 923–926, Le Regent, Crans-Montana, Switzerland, September 1998.

6. P. Smaragdis, “Blind separation of convolved mixtures in the frequency domain,” Neurocomputing, vol. 22, no. 1-3, pp. 21– 34, 1998.

7. L. Parra and C. Spence, “Convolutive blind separation of non-stationary sources,” IEEE Trans. Speech, and Audio Processing, vol. 8, no. 3, pp. 320–327, 2000.

8. J. Benesty, J. Chen, Y. Huang, “Microphone Array Signal

Processing” Conventional Beamforming Techniques pp. 39-46, 2008

9. N. Murata, S. Ikeda, and A. Ziehe. “An approach to Blind Source Separation Based on Temporal Structure of Speech Signals”

10. Z. Jiang, “Underwater Acoustic Networks-Issues and Solutions”, International Journal of Intelligent Control and Systems Vol 13, no. 3, 152-161 September 2008.

11. A. Quazi and W. Konrad, “Underwater acoustic

communications,” IEEE Commun. Mag., pp. 24–29, Mar. 1982 12. J. Partan, J. Kurose, and B. N. Levine, “A Survey of Practical

Issues in Underwater Networks, International Conference on

Mobile Computing and Networking”, Proc. of the 1st ACM

International workshop on Underwater networks, pp. 17 – 24, Los Angeles, CA, USA, Sept., 2006.

13. N. Farr, A.D. Chave, L. Freitag, J. Preisig, S.N. White, D. Yoerger, and F. Sonnichsen, “Optical Modem Technology for Seafloor Observatories”, In Proc. IEEE OCEANS’06 Conf., pp. 1 – 6, Boston, MA, Sept. 2006.

14. P.C Etter, “Advanced Applications for Underwater Acoustic Modeling” in Hindawi Publishing Corporation on Advances in Acoustics Ana Vibration, 10.1155/2012/214839

15. P.C Etter “Underwater Acoustic Modelling and Simulations 4th edition 2013

16. A. Hyvärinen, E. Oja . “Independent Component Analysis:

Algorithms and Application”. Neural Networks, (2-8):15-219, 2001.

17. James V. Stone. “Independent Component Analysis : A Tutorial Introduction” (1-4):5-49, 2004

18. G.R. Naik and D.K. Kumar. “An Overview of Independent

Component Analysis and It’s Applications”, In Informatica 35(2011):63-81, 2009

19. Gail Scowcroft, http://www.dosits.org/science/advancedtopics/ Diakses pada 14 Maret 2013

20. P. Aarabi. “Self-Localizing Dynamic Microphone Arrays”,

IEEETransactions on Systems, man, and Cybernetics—Part C: Applications and Reviews, Vol. 32, No. 4, November 2002

21. A. Cichocki, S. Amari, K. Siwek, “ICALAB for Signal

(23)

(24)

Input Suara

Suara lumba-lumba

Suara Motor Kapal

Suara Sonar (ping)

Suara Rekaman

Hydrophone

1 meter

5 meter

10 meter

Ikan - Kapal

(25)

Output Suara

1 meter

5 meter

10 meter

Ikan - Kapal

(26)

(27)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 1 meter

0 1 2 3 4 5 6 7 8 9 10 -0.4 -0.2 0 0.2 0.4

waktu (s) a m p lit u d o 0 1 2 3 4 5 6 7 8 9 10 -0.4 -0.2 0 0.2 0.4

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 -10 -5 0 5 10

(28)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 5 meter

0 1 2 3 4 5 6 7 8 9 10 -0.2 0 0.2 0.4 0.6

waktu (s) a m p lit u d o 0 1 2 3 4 5 6 7 8 9 10 -0.2 0 0.2 0.4 0.6

(29)

HASIL PEMISAHAN SUARA

SECARA RIIL

Hasil Rekaman Hyrophone

Sinyal Hasil Pemisahan

Jarak 10 meter

0 2 4 6 8 10 12 -0.2 -0.1 0 0.1 0.2

waktu (s) a m p lit u d o 0 2 4 6 8 10 12 -0.2 -0.1 0 0.1 0.2

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 -0.2 -0.1 0 0.1 0.2

waktu (s) a m p lit u d o 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 -1 -0.5 0 0.5 1

(30)

MIXING MATRIX

𝐷

_𝑎𝑏

=

𝑅

2

+ 2𝑏ℎ + 𝑑

₁

− −1

𝑎−𝑏

𝑑

₂ 2

Jarak Transmisi

𝐷

_𝑏𝑎

=

𝑅

2

+ 2𝑏ℎ + 𝑑

₁

+ −1

𝑏−𝑎

𝑑

₂ 2

𝜏

_𝑎𝑏

= 𝐷

_𝑎𝑏

𝑐

Kecepatan Rambat Suara

(31)

(32)