i
PENINGKATAN KUALITAS SINYAL SUARA
DENGAN
MENGGUNAKAN METODE INDEPENDENT
COMPONENT ANALYSIS
Ambrosius Jonathan / 0222202
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Email : ambrosius.jonathan@gmail.com
ABSTRAK
Dalam sistem komunikasi sinyal yang dikirimkan tidak seluruhnya dapat diterima
dengan baik oleh penerima, hal ini disebabkan dengan adanya percampuran noise pada saat
sinyal dikirimkan. Noise mengakibatkan sinyal yang diterima mengalami kecacatan atau
kerusakan bahkan dapat menghilangkan sinyal informasi tersebut, noise dapat ditimbulkan
dari luar sistem komunikasi yang digunakan. Untuk mengurangi dan menentukan besarnya
noise yang terbawa didalam sinyal informasi, maka digunakan berbagai metode pemrosesan
sinyal.
Salah satu metoda yang dipakai untuk meredam noise adalah Independent
Component Analysis, Independent Component Analysis (ICA) adalah suatu metode
penemuan sinyal kembali dari sekelompok sinyal bebas dari campuran sinyal – sinyal yang
mengandung noise yang dimana percampurannya tidak diketahui. Salah satu aplikasi yang
dimiliki ICA dalam memisahkan dua buah sinyal adalah Projection Pursuit Gradient Ascent
yang berfungsi untuk memisahkan sinyal bebas dari noise yang tercampur di dalam sinyal
informasi.
Pada Tugas Akhir ini telah direalisasikan simulasi peningkatan kualitas sinyal suara
dengan menggunakan metode Independent Component Analysis yang mengaplikasikan
Projection Pursuit Gradient Ascent. Sinyal suara yang digunakan sebagai input merupakan
rekaman dari suara manusia. Hasil simulasi yang didapatkan berupa plot sinyal yang
ii
iii
SPEECH ENHANCEMENT USING INDEPENDENT
COMPONENT ANALYSIS METHOD
Ambrosius Jonathan / 0222202
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Email : ambrosius.jonathan@gmail.com
ABSTRACT
In a communication system that transmitted signals can not be fully welcomed by the
recipient, it is caused by the mixing of noise when the signal is sent. Noise resulting received
signal experiencing disability or can even eliminate the damage information signal, noise can
be generated from outside the communication system used. To reduce noise and determine
the amount of information carried in the signal, it used various methods of signal processing.
One method that is used to muffle the noise is the Independent Component Analysis,
Independent Component Analysis (ICA) is a method of finding the signal back from a bunch
of free signal from a mixture of signals - signals that contain noise that where mixing
unknown. One of the applications owned by ICA in separating the two signals is the
Projection Pursuit Gradient Ascent that serves to separate the signal free of noise mixed in
with the information signal.
At the end of this Final Project has been realized simulation to improve the quality of
voice signal by using the method of Independent Component Analysis applied Gradient
Ascent Projection Pursuit. Voice signals are used as input a record of the human voice.
Simulation results obtained in the form of a signal plot showing the process of improving the
quality of voice signal.
iv
I.5 Sistematika Penulisan……….. 4
BAB II LANDASAN TEORI……….. 5
II.1 TEORI Aapo Hyvarinen dan Erkki Oja……….. 5
II.1.1 Independent Component Analysis (ICA)……….. 5
II.1.1.1 Definisi Linear Independent Component Analysis………….. 8
II.1.1.1.1 Definisi Umum (General definition)……… 8
II.1.1.1.2 Noise ICA (Noise ICA model)………. 9
II.1.1.1.3 Model ICA bebas noise (Noise – free ICA model)……….. 9
II.1.2 Prinsip Perhitungan Independent Component Analysis (ICA)……... 9
II.I.2.1 Data Statistically Independent………. 9
II.I.2.2 Square Mixing Matrix………. 10
II.I.2.3 Data Tercampur Secara Linier……… 10
II.I.2.4 Data bersifat Non-Gaussian……….. 10
II.1.3 Kurtosis……….. 12
II.1.4 Campuran Sinyal Audio………. 13
II.1.5 Algoritma Fast ICA………. 16
v
II.1.5.1.1 Remmean……….. 16
II.1.5.1.2 Whitenv………. 16
II.1.5.1.3. PCAmat………. 17
II.1.5.2. Processing Fast ICA……… 17
II.2 Metode Pemisahan Sinyal Suara Selain ICA………. 18
II.2.1 Algoritma MELP………. 18
II.2.2 Model Coder MELP……….. 19
II.3 Microphone……….. 20
II.4 Pemograman Matlab………. 21
II.4.1 Aturan dan Sifat M – File……….. 22
II.4.2 Perintah Wavwrite………. 23
II.5 Library FastICA (Fast Independent Component Analysis)………. 24
II.5.1 Pemisahan Sinyal Suara dengan FastICA………. 27
II.5.2 Proses FastICA……….. 29
II.6 Perbaikan Kualitas Recording……….. 31
BAB III PERANCANGAN DAN IMPLEMENTASI……… 32
III.1 Desain Pencampuran Sinyal……….. 32
III.2 Framing………. 36
III.3 Windowing………. 36
III.4 Proses Pemisahan Sinyal………. 37
III.5 Projection Pursuit Gradient Ascent………. 39
III.3.1 Kurtosis sebagai Ukuran Non - Normality………. 39
BAB IV DATA DAN ANALISA………. 42
IV.1 Pengujian……… 42
IV.2 Perangkat Lunak Peningkatan Kualitas……… 42
IV.3 Simulasi dan Analisa Data………. 43
IV.3.1 Data Pengamatan dan Analisa Percobaan Pertama... 45
IV.3.2 Data Pengamatan dan Analisa Percobaan Kedua... 49
vi
BAB V KESIMPULAN DAN SARAN... 57
V.1 Kesimpulan... 57
V.2 Saran... 57
DAFTAR PUSTAKA... 56
vii
DAFTAR GAMBAR
Gambar II.1 Proses Campuran Sinyal dari rumus ICA……….. 6
Gambar II.2 Blok Diagram Rumus ICA……….. 7
Gambar II.3 Proses Pengembangan Rumus ICA dengan Komponen Basis……… 8
Gambar II.4 Distribusi variabel Gaussian……… 10
Gambar II.5 Proses Pencampuran Sinyal Audio……….. 14
Gambar II.6 Dua Buah Sumber Sinyal……… 14
Gambar II.7 Sinyal Tercampur yang diamati………. 15
Gambar II.8 Sinyal yang sudah dipisahkan dengan ICA………. 15
Gambar II.9 Blok Diagram Pembuatan wav dengan Perintah Wavwrite……… 24
Gambar II.10 Proses Pemisahan Sinyal Suara Secara Umum……….. 28
Gambar II.11 Proses FastICA……… 30
Gambar III.1 Pencampuran dua sinyal menggunakan satu mikrofon……….. 32
Gambar III.2 Nada asli yang digunakan untuk menekankan efek pencampuran……….. 33
Gambar III.3 Proyeksi Ortogonal dari sumber sinyal ke sinyal campuran………... 34
Gambar III.4 Diagram Blok Proses Peningkatan Kualitas Sinyal Suara……… 35
Gambar III.5 Short time spectral analysis... 36
Gambar III.6 Grafik dari campuran x1 dan x2………... 38
Gambar III.7 Diagram alir Peningkatan Kualitas Sinyal Suara………. 42
Gambar VI.1 Gambar Sinyal suara manusia………. 44
Gambar IV.2 Gambar sinyal suara noise………... 45
Gambar IV.3 Gambar sinyal suara yang telah tercampur dengan noise……… 45
Gambar IV.4 Gambar sinyal output……….. 46
Gambar IV.5 Gambar sinyal noise ke dua... 49
Gambar IV.6 Gambar sinyal suara yang telah bercampur………. 50
Gambar IV.7 Gambar sinyal output………. 51
Gambar IV.8 Gambar sinyal dari sebuah lagu... 54
Gambar IV.9 Gambar percampuran 2 buah sinyal………. 55
viii
DAFTAR TABEL
Tabel VI.1 Spesifikasi suara manusia (input 1)………. 43
Tabel VI.2 Spesifikasi suara noise (input 2)……….. 43
Lampiran
A-1 Universitas Kristen Maranatha
List Program
Proyeksi dasar algoritma pencarian pada 2 menunjukkan sinyal suara tetapi hanya satu sinyal yang di ekstrak
clear; close all; clc;
% Hanya untuk mendengarkan 1 sinyal listen=1; % set to 1 if have audio. % Menetapkan nomer acak seed=99;
rand('seed',seed); randn('seed',seed);
% M = Jumlah sumber sinyal dan sinyal campuran M = 2;
% [1e4] N = Jumlah titik data sinyal % N = 1e4;
% Mengambil data, masing-masing M = 2 baris berisi sinyal sumber yang berbeda.
% Setiap baris mempunyai N kolom atau nilai dari sinyal % Atur varians setiap sumber untuk campuran.
Lampiran
% Kombinasikan variabel vektor s kedalam sumber s=[s11; s2];
% Percampuran matriks A=randn(M,M)';
% Mendengarkan sumber sinyal % Frekuensi sampling = 10000. Fs=8000;
% Gambarkan setiap sumber sinyal figure(3);
% Membuat campuran sinyal dari sumber sinyal x=A*s;
% Dengarkan hasil pencampuran sinyal if listen
soundsc(x(1,:),Fs); soundsc(x(2,:),Fs); end;
% Membuat sinyal campuran menggunakan SVD. [U D V]=svd(x',0);
Lampiran
A-3 Universitas Kristen Maranatha % Mengubah nilai kombinasi dari eigenvektor yang ada ...
z=z./repmat(std(z,1),N,1); z=z';
% Pemisahan sinyal menginisialisasi vektor – vektor acak
w = randn(1,M)';
% Dengan menggunakan satuan panjang w w=w/norm(w);
% Menginisialisasi setiap sinyal sumber. y = w'*z;
% Membuat perkiraan hubungan korelasi antara sumbu sinyal sumber (s) fprintf('Initial correlations of source and extracted signals\n');
%rinitial=abs(r(M+1:2*M,1:M)) r1=corrcoef([y; s1]');
r2=corrcoef([y; s2]');
rinitial=abs([r1(1,2) r2(1,2)])
maxiter=100; % [100] Maximum number of iterations. eta=2e-2; % [1e-2 /2] Step size for gradient ascent.
% Membuat sebuah array hs untuk menyimpan nilai-nilai gradien fungsi dan ukuran. Ks=zeros(maxiter,1);
gs=zeros(maxiter,1);
% Awal permulaan kenaikan nilai K
Lampiran
% Menunjukkan skala dan sudut antara wopt dan gradient K Ks(iter)=K;
gs(iter)=subspace(g,wopt'); end;
% Mencatat perubahan plot dan sudut gradien wopt selama pengoptimasian figure(1);plot(Ks,'k');
title('Function values - Kurtosis'); xlabel('Iteration');ylabel('K(y)'); figure(2);plot(gs,'k');
title('Angle \alpha Between Gradient g and Final Weight Vector w'); xlabel('Iteration');ylabel('\alpha');
% Menampilkan nilai korelasi akhir r=corrcoef([y;s]');
Bab I Pendahuluan
1 Universitas Kristen Maranatha
BAB I
PENDAHULUAN
I.1 LATAR BELAKANG MASALAH
Dalam sistem komunikasi tidak seluruh sinyal yang dikirim oleh pengirim akan diterima dengan baik seluruhnya oleh penerima. Adanya noise mengakibatkan sinyal yang diterima mengalami kecacatan atau kerusakan bahkan dapat menghilangkan sinyal informasi tersebut. Noise yang dimaksudkan adalah sinyal – sinyal yang tidak diinginkan yang terbawa dengan sinyal informasi tersebut. Noise dapat timbul dari luar sistem komunikasi misalnya suara kendaraan bermotor, maupun yang berasal dari komponen – komponen elektronika peralatan komunikasi. Untuk menentukan besarnya dan mengurangi besarnya noise yang terdapat dalam sinyal informasi maka dapat menggunakan berbagai metode pemrosesan sinyal.
Bab I Pendahuluan 2
Universitas Kristen Maranatha Berdasarkan masalah di atas maka pada Tugas Akhir ini hendak dilakukan simulasi mengenai peningkatan kualitas sinyal Suara, agar kualitas suara (sinyal informasi) yang akan diterima oleh receiver dalam kondisi lebih baik dari kondisi awal yang masih mempunyai noise.
I.2 BATASAN MASALAH
Dalam membahas Independent Component Analysis, penulis hanya akan menjelaskan hal – hal sebagai berikut :
Apa itu Independent Component Analysis (ICA)
Proses pemisahan sinyal suara tercampur menggunakan metode ICA
Implementasi ICA dalam memisahkan sinyal tercampur
Untuk menerapkan metode ini penulis hendak membandingkan kualitas sinyal suara yang telah tercampur dengan kualitas sinyal suara yang telah menggunakan metode ICA untuk pemisahan noise.
I.3 TUJUAN PENULISAN
Tujuan dari Tugas Akhir ini adalah sebagai berikut :
1. Menggunakan metode ICA sebagai pemisah sinyal – sinyal audio tercampur.
2. Dapat memisahkan suara yang diinginkan sehingga dapat didengarkan dengan baik tanpa adanya campuran dari noise.
Bab I Pendahuluan 3
Universitas Kristen Maranatha
I.4 METODE PENULISAN
Langkah – langkah dalam pengerjaan Tugas Akhir :
Studi literatur mengenai :
1. Metode ICA untuk pemisahan sinyal audio suara yang tercampur.
2. Software Matlab untuk simulasi sinyal suara.
Pengumpulan Data :
Ada beberapa proses dalam pengumpulan data Tugas Akhir ini yaitu : 1. Pengumpulan data mengenai metode Independent Component
Analysis untuk pemrosesan sinyal simulasi.
2. Pengumpulan data suara dengan melakukan proses perekaman secara langsung antara suara orang dan suara yang lain (noise) yang tecampur.
Proses Simulasi.
Data yang berupa rekaman suara dalam sebuah program Matlab telah dibuat untuk menghasilkan proses simulasi pemisahan sinyal suara.
Melakukan pencatatan dari perbedaan suara yang hasil estimasi dengan sumber suara.
Bab I Pendahuluan 4
Universitas Kristen Maranatha
I.5 SISTEMATIKA PENULISAN
Penulisan laporan Tugas Akhir ini dibagi menjadi beberapa bab, yaitu:
BAB I : Pendahuluan
Bab ini berisi tentang : Latar Belakang Masalah, Batasan Masalah, Tujuan Penulisan, Metode Penulisan, Sistematika Penulisan.
BAB II : Landasan Teori
Bab ini berisi tentang : dasar – dasar teori yang digunakan dalam pembuatan Tugas Akhir ini.
BAB III : Perancangan dan Implementasi
Bab ini akan membahas mengenai perancangan program yang dibuat pada Tugas Akhir.
BAB IV : Data dan Analisa
Bab ini akan mengulas tentang pengujian sistem program dan hasil pengujian yang telah dilakukan oleh program.
BAB V : Kesimpulan dan Saran
BAB V Kesimpulan dan Saran
57 Universitas Kristen Maranatha
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Dari analisa yang telah dilakukan maka dapat diambil kesimpulan :
1. Metode Independent Component Analysis untuk Peningkatan Kualitas Sinyal Suara telah dibuktikan dengan melakukan simulasi pada program Matlab.
2. Pada simulasi pertama hasil dengan menggunakan satu noise yaitu dapat menghasilkan sinyal informasi yang bisa terdengar dengan jelas walaupun masih terdapat suara noise di dalam sinyal informasi tersebut.
3. Pada simulasi kedua hasil dengan menggunakan campuran dari beberapa noise yaitu dapat menghasilkan sinyal informasi yang bisa terdengar dengan jelas walaupun masih terdapat suara noise di dalam sinyal informasi tersebut.
4. Pada simulasi ketiga dengan menggunakan sampel sebuah lagu. Pada simulasi ini akan dilakukan pemisahan suara manusia yang bernyanyi dengan suara instrument musik yang terdapat didalam lagu tersebut dan hasil yang didapatkan suara manusia dan suara instrument musik yang terdapat di lagu tersebut tidak dapat dipisahkan.
V.2 Saran
Adapun saran untuk pengembangan Tugas Akhir ini adalah :
Daftar Pustaka
56 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. A. Belouchrani and M. Amin. Jammer mitigation in spread spectrum communicationsusing blind sources separation. Signal Processing, 80(4):723– 729, 2000.
2. Hyvarinen, A, Karhunen, J, & Oja, E.2001a. Independent Component Analysis. Jhon Willey and son. New York.
3. J.-F. Cardoso. Multidimensional independent component analysis. In Proc.IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP’98), Seattle, WA, 1998
4. Porrill, J, & Stone, JV. Independent components analysis for signal
separation and dimension reduction. SheffieldUniversity, Sheffield, England.
1997 (August).
5. Stone, James V, Independent Component Analysis, London, England.
6. V. Capdevielle, C. Serviere, and J.Lacoume. Blind separation ofwide-band sources in the frequency domain. In Proc. IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP’95), volume 3, pages 2080–2083, Detroit, Michigan, 1995.
7. http://www.mathworks.se/matlabcentral/newsreader/view_thread/257124
8. http://en.wikipedia.org/wiki/Independent_component_analysis
Daftar Pustaka