PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS)

TUGAS AKHIR – TE 091399

PEMISAHAN SINYAL AKUSTIK BAWAH

AIR MENGGUNAKAN METODE BLIND

SEPARATION OF SOURCE (BSS)

WAHYU INDRA PURNAMA SARI

NRP 2207100064

Dosen Pembimbing Dr. Ir. Wirawan, DEA Ir. Endang Widjiati M.Eng.Sc.

LATAR BELAKANG

Jenis gelombang yang dipakai di dalam UWA adalah Gelombang Akustik Sinyal akustik yang diterima oleh sensor tercampur dengan sinyal-sinyal lainnya di lingkungan Diperlukan suatu teknik memisahkan sinyal yang tercampur

RUMUSAN PERMASALAHAN

1. Bagaimanakah karakteristik komunikasi bawah air?

3. Bagaimana pemisahan sinyal dengan menggunakan metode BSS terutama menggunakan algoritma FastICA, SOBI, dan JADE? 2. Bagaimanakah rancangan sistem pemisahan sinyal suara dari

beberapa sumber bunyi yang beroperasi secara serentak dan direkam oleh hydrophone array?

BATASAN MASALAH

1. Sensor yang digunakan adalah hydrophone array dengan jumlah dan konfigurasi tertentu.

2. Metode yang dipakai untuk memisahkan sinyal suara adalah BSS dengan algoritma FastICA, SOBI, dan JADE khususnya untuk

analisis metode pencampuran instantaneous mixture. 3. Jumlah sensor sama dengan jumlah sumber suara.

TUJUAN PENELITIAN

1. Mengetahui karakteristik dari komunikasi bawah air yang berbeda dengan karakteristik komunikasi di udara.

3. Mengetahui metode pemisahan sinyal BSS dengan menggunakan algoritma FastICA, SOBI dan JADE.

2. Mengetahui rancangan sistem pemisahan sinyal suara yang diemisikan beberapa mesin beroperasi secara serentak dan

METODOLOGI PENELITIAN

Mulai

Penentuan Karakteristik Data yang Dibutuhkan Pengambilan Data

Data Literatur

Membuat Mixing Signal

Algoritma BSS Pengambilan Data di LHI Algoritma BSS 1

1

Mencari Nilai Similarity Antara Sinyal Asli dengan Sinyal Hasil Pemisahan

Mencari nilai MSE dan SIR

analisis Hasil Simulasi

Penarikan Kesimpulan

selesai

BLIND SEPARATION OF SOURCE (BSS)

 BSS merupakan metode pemisahan satu set sinyal

dari satu set sinyal campuran, tanpa adanya

informasi (atau dengan sangat sedikit informasi) tentang sumber sinyal atau proses pencampuran.

 Terdapat beberapa algoritma BSS yang digunakan

pada Tugas Akhir ini:

a. Independent Component Analysis (ICA)

 Deflationary  Symetrical

b. Second Order Blind Identification (SOBI)

FLOWCHART UMUM BSS

Centering Whitening Pemilihan Metode Pemisah Sinyal Pemrosesan Data Sinyal yang Telah Dipisah

PRE-PROCESSING

1. Centering

Hal yang mendasar yang perlu dilakukan adalah dengan

memusatkan data (centering) x sehingga menjadi variabel yang memiliki rerata nol (zero-mean).

2. Whitening

Pemutihan (whitening) merupakan praproses yang berfungsi untuk me“mutih”kan variabel yang diamati, sehingga didapatkan sebuah vektor baru yang variansnya sama dengan satu serta komponen nyata dan imajinernya tidak terkorelasi dengan nilai varians yang sama.

𝑋 = 𝑋 − 𝐸[𝑋]

SYARAT-SYARAT DALAM MENGGUNAKAN

METODE BSS

 Syarat menggunakan metode BSS dalam pemisahan

sinyal: Matrix pencampur dan matrix pemisah merupakan matrix square Statistically Independent Non Gaussian

Independent Component Analysis (ICA)

 Sebuah teknik pemrosesan sinyal untuk menemukan

faktor–faktor atau komponen tersembunyi yang membentuk sekumpulan variabel acak

 Komponen tersembunyi dianggap nongaussian dan

secara statistik saling bebas satu sama lain (independent)

METODE ICA

DEFLATIONARY

Centering & Whitening

Memilih sebuah nilai awal vektor kompleks w, dapat secara acak Konvergen p>m No 𝑤_𝑝 ← 𝐸 𝑧𝑔(𝑤_𝑝𝑇𝑧) − 𝐸{𝑔′(𝑤_𝑝𝑇𝑧)}w_p wp ← wp − wjwjTwp p−1 j=1 𝑤_𝑝 ← 𝑤𝑝 𝑤_𝑝 p=p+1 W = wp1,..wm Yes W Yes

METODE ICA

SYMETRICAL

Centering & Whitening

Memilih sebuah nilai awal vektor kompleks w= I,….,m

𝑤_𝑖 ← 𝐸 𝑧𝑔(𝑤_𝑖𝑇𝑧) − 𝐸{𝑔′(𝑤_𝑖𝑇𝑧)}w W ← (WWT)−1/2W 𝑊 ← 𝑊 𝑊 𝑊 ← 3 2𝑊 − 1 2𝑊𝑊 𝑇_𝑊 𝑊𝑊𝑇 𝑚𝑒𝑛𝑑𝑒𝑘𝑎𝑡𝑖 𝑘𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛 No Yes W

Second Order Blind Identification (SOBI)

 Algoritma Second Order Blind Identification (SOBI)

merupakan salah satu contoh paling sederhana dari metode Second Order Statistic (SOS).

 SOBI merupakan metode yang menggunakan second

order cumulant atau varians untuk mendapatkan nilai demixing matrixnya.

METODE

SOBI

Memusatkan data (centering) & Whitening data Memilih banyaknya time delay yang

ingin dilakukan

Mencari matrix kovarians untuk tiap-tiap time delay

Membentuk ulang sinyal yang sudah

di whitening Melakukan Joint Diagonalization sehingga dihasilkan matrix V Mencari sinyal estimasi

Joint Approximate Diagonalization of

Eigenmatrice (JADE)

 Secara garis besar, algoritma Joint Approximate

Diagonalization of Eigenmatrice (JADE) memiliki banyak kesamaan dengan algoritma SOBI, dimana kedua algoritma tersebut sama-sama menggunakan Joint Diagonalization untuk mendapatkan nilai

demixing matrixnya.

 Pada algoritma SOBI, sebelum melakukan proses

Joint Diagonalization, dilakukan pencarian nilai

kovariansnya sedangkan pada JADE yang digunakan sebelum Joint Diagonalization adalah fourth order

METODE

JADE

Memusatkan data (centering) & Whitening data Mencari nilai Cumulant orde 4 :

Membentuk ulang cumulant matrix dengan mensortir eigenvalue dan eigenvector-nya

Joint Diagonalization

Mencari sinyal estimasi : S=VX

HASIL PEMISAHAN SINYAL DENGAN

JADE & SOBI

 Diketahui

 Inputan Mixing Signal

 Hasil

Sinyal 1 = „welcome‟ Sinyal 2 = „mystery‟

Mixing Signal Sinyal 1 Hasil Pemisahan JADE Sinyal 1 Hasil Pemisahan SOBI Sinyal 2 Hasil Pemisahan JADE Sinyal 2 Hasil Pemisahan SOBI

PENILAIAN TERHADAP HASIL PEMISAHAN

SINYAL

 Hasil pemisahan sinyal dari berbagai metode, perlu

ditelaah lebih lanjut unntuk menentukan peformansi dari tiap metode. Salah satu metode dalam melihat peformansi adalah dengan mencari nilai Similarity.

 Berbagai Similarity tersebut adalah:

1. Cross correlation

2. Euclidean Distance

3. Mean Square Error (MSE) dan Signal to

CROSS CORRELATION, EUCLIDEAN

DISTANCE, & MSE-SIR

1. Cross correlation atau korelasi silang adalah sebuah metode

untuk menghitung kesamaan antara dua sinyal.

2. Euclidean Distance adalah metode yang paling sering digunakan

untuk menghitung kesamaan 2 vektor dengan cara menghitung akar dari kuadrat perbedaan 2 vektor.

3. MSE (Mean Square Error) adalah nilai rata-rata dari eror hasil

estimasi, sedangkan SIR (Signal to Interference Ratio) adalah Perbandingan daya sinyal terhadap daya interferensi.

. 𝑅_𝑥𝑦 𝑡₁, 𝑡₂ = 𝐸[𝑋 𝑡₁ 𝑌 𝑡₂ ] 𝑑 𝑠, 𝑠𝑒 = (𝑠₁ − 𝑠𝑒₁₎2 + (𝑠₂ − 𝑠𝑒₂₎2 + ⋯ + (𝑠_𝑛 − 𝑠𝑒_{𝑛 )}2 𝑀𝑆𝐸 = 1 𝑛 𝑠 − 𝑠𝑒 2 𝑛 𝑖=1 𝑆𝐼𝑅 = −10 𝑙𝑜𝑔₁₀(𝑀𝑆𝐸)

DATA INPUT

 Data sinyal input yang digunakan dibagi menjadi

dua macam, yaitu data alami dan buatan.

 Fungsi g merupakan salah satu karakteristik yang

DATA INPUT (cont‟d)

 Mixing matrix digunakan sebagai konstanta pengkali

pada algoritma BSS sehingga didapatkan mixing

sinyal yang akan digunakan untuk mencari estimasi sinyal sumber.

ANALISIS HASIL SIMULASI

 analisis hasil pemisahan sinyal meliputi:

1. Pengaruh sinyal input pada Algoritma BSS

2. Pengaruh Nilai Mixing Matrix pada Algoritma BSS 3. Pengaruh Jumlah Sumber pada Algoritma BSS 4. Pengaruh fungsi g pada Algoritma BSS

5. Pengaruh noise pada Algoritma BSS

6. analisis Pemisahan Sinyal pada Algoritma BSS dengan Menggunakan Toolbox ICALAB

Pengaruh sinyal input pada Algoritma BSS

Voice Unvoice geometri kapal 2 x 2 2 x 2 2 x 2 2 x 2 r 0.9939 0.9958 0.4655 0.9967 s 0.9802 0.9819 0.9949 0.9828 r 0.9916 0.9994 0.9982 0.9849 s 0.9878 0.9994 0.6639 0.9875 r 0.9995 1 0.9678 0.9941 s 0.9983 1 0.4007 0.9957 r 0.9477 1 0.767 1 s 0.9488 1 0.9785 1

Nama Metode Similarity

Jenis Sinyal

Defla

Sym

Jade

Pengaruh Nilai Mixing Matrix pada Algoritma

BSS

Pengaruh Nilai Mixing Matrix pada Algoritma

BSS (cont‟d)

Pengaruh fungsi g pada Algoritma BSS

(cont‟d)

2 x 2 3 x 3 2 x 2 3 x 3 r 0.9939 0.9825 0.9939 0.9914 s 0.9802 0.7351 0.9881 0.6959 t 0.288 0.347 r 0.9944 0.8616 0.9916 0.8598 s 0.9912 0.9036 0.9878 0.9102 t 0.7637 0.7686 Defla Sym Fungsi g Nama Metode Similarity g1 g2

KESIMPULAN

1. Algoritma FastICA, SOBI dan JADE mampu memisahkan sinyal dengan

baik hal ini terlihat dari nilai similarity dengan menggunakan metode

Cross correlation pada 2 sumber dengan algoritma FastICA Deflationary

yang mencapai 0.9939, FastICA symetrical 0.9916, JADE 0.9995, dan SOBI 0.9477.

2. Sinyal input memberikan pengaruh pada tiap-tiap algoritma. Hal ini

bergantung pada terpenuhi atau tidaknya syarat dari algoritma BSS yaitu independent.

3. Variasi fungsi g tidak berpengaruh pada hasil pemisahan, karena variasi

fungsi g tidak memberikan perubahan pada nilai similarity.

4. Nilai mixing matrix tidak terlalu mempengaruhi nilai similarity dengan

menggunakan metode cross correlation dan MSE.

5. Banyaknya sumber ikut berpengaruh pada keakuratan sinyal hasil

estimasi. Semakin banyak sumber, keakuratan semakin mengecil.

6. Adanya noise mengurangi nilai similarity sinyal estimasi di tiap-tiap

DAFTAR PUSTAKA

 [1] A. Hyvärinen, E. Oja . “Independent Component Analysis: Algorithms and

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

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

Underwater Acoustic”. Berlin. 2006.

 [3] Belourchrani, K. Abde-Meraim, J.F. Cardoso, “A blind separation technique

using second order statistics,” IEEE on Trans. Signal Processing, vol 45, pp. 434-444,Feb.1997.

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

diagonalizatio”. SIAM J. Mat. Anal. Appl., 17, 161–164. 1996.

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

signals”. Proc. Inst. Elec. Eng., pt. F, vol. 140, no. 6, pp. 362–370, 1993.

 [6] Etter, Paul C. “Underwater Acoustic Modelling, 2nd edition”. Chapman &

Hall. London. Chapter 2-4. 1996

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

based criteria for ICA”. Proceedings ICA 2001 San Diego, Dec. 2001.

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

primary somatosensory cortex”. International conference on machine learning and cybernetics. 2004.

 [9] Stone, J.V. (2004). “Independent Component Analysis: A Tutorial

SARAN

1. Pada penelitian yang selanjutnya, dapat dicoba dengan

membandingkan algoritma BSS dengan menggunakan sinyal hasil pencampuran dari convolutive mixture.

2. Algoritma BSS tidak hanya dapat digunakan pada

sinyal suara namun juga dapat digunakan pada Gambar. Untuk yang selanjutnya, dapat

diimplementasikan algoritma BSS pada pemisahan Gambar sebagai sistem pendeteksian suatu image.

3. Dalam pengambilan data di lapangan, sebaiknya

menggunakan data inputan yang memenuhi criteria, yaitu independent dan non Gaussian.