IMPLEMENTASI METODE NOISE GATE, LOW PASS FILTER DAN SILENT REMOVAL UNTUK MENGHILANGKAN NOISE PADA FILE SUARA MENGGUNAKAN PARAMETER DINAMIS

(1)

152 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016

IMPLEMENTASI METODE NOISE GATE, LOW PASS FILTER DAN SILENT REMOVAL UNTUK MENGHILANGKAN NOISE PADA FILE SUARA

MENGGUNAKAN PARAMETER DINAMIS Setia Wirawan1

Edy Prasetyo2

Teknik Informatika, Universitas Gunadarma 1setia@staff.gunadarma.ac.id

2_{zlatanptasetyo@gmail.com}

Abstrak

Noise adalah suatu sinyal gangguan yang bersifat akustik (suara), elektris, maupun elektronis yang hadir dalam suatu sistem dalam bentuk gangguan yang bukan merupakan sinyal yang diinginkan. Rekaman suara yang terdistorsi noise menyebabkan terganggunya proses pengenalan suara terutama pada rekaman pembicaraan. Penulisan ini membahas mengenai implementasi metode noisegate untuk meredam bagian yang hanya dianggap noise, low pass filter untuk me-cutoffhigh frequencynoise dan silent removal untuk menghilangkan bagian diam pada file rekaman suara pembicaraan. Setiap file suara memiliki nilai dynamic range dan crest factor yang berbeda yang dijadikan sebagai acuan dalam pengisian parameter sehingga bersifat dinamis. Hasil yang didapat dari pembuatan aplikasi ini terdapat dua komparasi antara sinyal asli dengan sinyal asli + noise dan sinyal asli dengan output aplikasi, kedua komparasi tersebut menghasilkan peningkatan keberhasilan dalam pengenalan suara dari penggunaan metode noise gate, low pass filter dan silent removal untuk menghilangkan noise adalah 3,5 kali lipat dibandingkan dengan pengenalan suara tanpa dilakukan penghilangan noise pada file suara sebelumnya.

Kata kunci : Noise gate, Low Pass Filter, Silent Removal, Dinamis, Matlab.

IMPLEMENTATIONOF NOISE GATE, LOW PASS FILTERANDSILENT REMOVAL METHODS FOR REMOVINGNOISEON SOUND FILE USING

DYNAMIC PARAMETERS Abstract

Noise is a disruption signalin the form of acoustic (sound), electrical, and electronic occurred in a system. This will result in the interference in an undesired signal. Voice recording is distorted noise causes disruption of the voice recognition process, especially in the recorded conversations. Writing is discussing the implementation of a method to dampen the noise gate that part only considered noise, low-pass filters for me cut off high frequency noise and silent removal to eliminate the silent part in the conversation recorded voice file. Each sound file has a value of dynamic range and a different crest factor is used as a reference in charging parameters that are dynamic. The results of making this application, there are two comparisons between the original signal with the original signal + noise and original signal with the output of applications, both comparisons resulted in increasing success in voice recognition of the use of methods of noise gate, low pass filter and silent removal to eliminate noise is 3.5-fold compared with voice recognition without performing noise removal on the previous sound file.

(2)

Wirawan, Prasetyo, Implementasi Metode ... 153

PENDAHULUAN

Bunyi atau suara didefenisikan sebagai serangkaian gelombang yang merambat dari suara sumber getar sebagai akibat perubahan kerapatan dan juga tekanan udara.Suara merupakan salah satu media komunikasi yang paling umum digunakan manusia, kualitas suara dapat terganggu bila lingkungan sumber suara banyak mengandung noise yang melatarbelakangi informasi suara tersebut. Rekaman suara yang terdistorsi noise menyebabkan terganggunya proses pe-ngenalan suara terutama pada rekaman pembicaraan. Hal tersebut terjadi karena penurunan kualitas suara yang dikehen-daki, sehingga perlu adanya perbaikan kualitas sinyal suara sebelum dilakukan proses pengenalan suara.

Noise gate telah diimplementasi dengan mendeteksi ambang batas bawah dan atas pada sinyal suara, ketika level sinyal suara berada dibawah ambang batas bawah selama durasi penahanan maka sinyal akan dilemahkan ke nol dan dibangkitkan lagi saat waktu serang dan ketika level sinyal suara berada diatas ambang batas atas selama durasi penahanan maka sinyal akan diperkuat sampai waktu rilis [10].

Terdapat 4 macam klasifikasi filter dalam audio signal processing dian-taranya low pass filter, band pass filter, band stop filter dan high pass filter. Low pass filter memungkinkan frekuensi yang berada di bawah batas dapat lolos tanpa distorsi dan terjadi pelemahan pada frekuensi yang berada di atas batas [8].

Sebelumnya dilakukan penelitian tentang seberapa efisien penggunaan metode untuk silent removal menggu-nakan metode Probability Density Func-tion dengan Linear Pattern Classifier dibandingkan dengan Zero Crossing Rate

(ZCR) and Short Time Energy (STE)[9]. Metode yang diangkat dalam penulisan ini adalah metode noise gate untuk meredam bagian yang hanya mengandung noise dan low pass filtering untuk meng-hilangkan high frequency noise serta metode silent removal untuk menghi-langkan bagian yang tidak bersuara (silent).

Audio signal processing (pengo-lahan suara) adalah suatu serangkaian proses untuk memanipulasi sinyal dengan input suara (audio) yang ditransfor-masikan menjadi suara lain sebagai ke-luarannya dengan tujuan tertentu. Pengo-lahan suara dilakukan untuk memperbaiki kualitas data sinyal suara digital agar lebih mudah diinterpretasikan oleh sistem pendengaran manusia.

METODE PENELITIAN

Secara garis besar terdapat 4 tahapanyang dilakukan pada proses penghilangan noise pada aplikasi ini, tahap pertama adalah proses analisa file audio mulai dari jenis file, frekuensi, crest factor dan dynamic range yang digunakan sebagai dasar pengolahan parameter. Tahap kedua adalah proses noise gate untuk meredam bagian yang hanya mengandung noise.Tahap ketiga adalah proses low pass filter untuk menghilangkan high frequency noise. Tahap keempat adalah proses silent removal yang menggunakan 2 metode yaitu probability density function (PDF) dan linear pattern classifier (LPC) untuk menghilangkan bagian yang tidak bersuara (silent). Gambar 1 memperli-hatkan skema metodologi dan langkah-langkah penelitian.

(3)

Gambar 1. Metodologi Dan Langkah Penelitian

Analisis data suara dilakukan untuk memperoleh nilai yang mengacu pada tingkat keberadaan noise pada masing-masing sampel guna proses proses penghilangan noise. Ada dua nilai yang menjadi acuan diantaranya:

• Dynamic range

Nilai dari dynamic range pada file suara menggambarkan jarak/rentang antara sinyal suara terlemah ke sinyal suara terkuat dalam satuan dB.

• Crest factor

Nilai dari crest factor pada file suara merupakan rasio dari titik puncak ke nilai RMS(Root Mean Square) pada sinyal suara tersebut dalam satuan dB. RMS adalah nilai akar rata-rata kuadrat dari suatu besaran yang berubah sebagai fungsi waktu selama suatu interval waktu T pada sinyal suara.

Selisih dari nilai dynamic range dengan crest factor akan menjadi acuan guna pengisian parameter untuk proses penghilangan noise. Pada Gambar 2

diperlihatkan skema diagram alur proses untuk menentukan nilai parameter.

Langkah selanjutnya adalah Noise gate. Noise gate adalah metode yang digunakan untuk membuka atau menutup (seperti pintu) suara sehingga jika yang akan terdengar hanya berupa suara berisik, maka pintu akan ditutup tetapi jika yang akan keluar adalah suara dari sumber bunyi yang diinginkan maka pintu akan dibuka. Dasar untuk membuka atau menutup pintu suara tersebut memakai parameter yang telah didefinisikan di dalam program hasil dari perhitungan pada tahap analisa data suara. Prinsip kerja noise gate akan menutup suara jika level suara itu berada dibawah level threshold karena dianggap suara itu hanya berupa suara berisik (yang mengganggu) dan bukan suara dari sumber suara yang diinginkan dan noise gate akan membuka suara jika level suara

berada diatas level threshold karena

dianggap suara itu adalah suara yang diinginkan dari sumber suara karena level suara itu besar (diatas level threshold). Gambar 3 memperlihatkan skema dia-gram alur proses noise gate.

(4)

Gambar 2. Skema Diagram Alur Proses Untuk Menentukan Nilai Parameter

Gambar 3. Skema Diagram Alur Proses Noise gate

Selanjutnya adalah proses low pass filter. Tahap ini merupakan tahap filtrasi sinyal agar didapatkan kualitas sinyal yang lebih baik. Proses low pass filter akan menghilangkan high frequencynoise

yang masih terdapat pada hasil proses noise gatedan mengijinkan low frequency signals untuk lewat.Diagram alur proses low pass filter diperlihatkan pada Gambar 4.

(5)

Gambar 4. Skema Diagram Alur Proses Low Pass Filter

Gambar 5. Skema Diagram Alur Proses Silent Removal

Proses silent removalmerupakan proses penghilangan silent (diam) pada sinyal suara. Bagian silent pada sinyal suara perlu dihilangkan guna memudah-kan proses pengenalan suara karena amemudah-kan mengganggu seperti hal nya noise. Diagram alur proses silent removal diperlihatkan pada Gambar 5.

Telah dilakukan penelitian tentang seberapa efisien penggunaan metode untuk silent removal menggunakan

metode Probability Density Function dengan Linear Pattern Classifier diban-dingkan dengan Zero Crossing Rate (ZCR) dan Short Time Energy (STE)[9]. Hasilnya diperoleh metode Probability Density Function dengan Linear Pattern Classifier performanya lebih baik diban-dingkan dengan Zero Crossing Rate dan Short Time Energy. Tabel 1 merupakan tabel index persentase perbandingan performa ketiga algoritma.

(6)

Tabel 1. Index Persentase Performa Algoritma PDF dan LPC Dengan STE Dan ZCR-STE

Phrases STE ZCR-STE Proposed Method

Combination lock number

77,9531% 70,3720% 83,5565% Running text 50,8391% 50,1231% 59,7181%

Gambar 6. Tampilan GUI Program

Tampilan program dirancang se-demikian rupa untuk memudahkan pengguna dalam menggunakan program implementasi noise gate, low pass filter dan silent removal untuk menghilangkan noise pada file suara dengan parameter dinamis. Dalam pembuatan tampilan program dilakukan pada bagian GUIDE Matlab yang berekstensi .fig dan ber-ekstensi .m. Tampilan program meng-gunakan 8 tombol, 4 axes, 8 edit text dan 9 static text. Gambar 6 memperlihatkan tampilan GUI dari program.

HASIL DAN PEMBAHASAN

Pada bagian ini dijelaskan menge-nai uji coba dari implementasi dan hasil

uji coba aplikasi implementasi metode noise gate, low pass filter dan silent removal untuk menghilangkan noise pada file suara dengan parameter dinamis. Gambar 7 memperlihatkan tampilan awal program saat dijalankan.

Masing-masing nilai parameter sangat tergantung pada nilai dynamic range dan crest factor file suara itu sendiri.Nilai dynamic range dan crest factor otomatis diproses oleh program melalui fungsi sound analysis. Gambar 8 memperlihatkan tampilan program saat memproses nilai dynamic range dan crest factor pada file sampel.

Tabel 2 memperlihatkan nilai acuan dynamic range dan crest factormasing-masing sampel file suara.

(7)

Gambar 7. Tampilan Awal Program Saat Dijalankan

Gambar 8. Proses Mendapatkan Nilai Dynamic Range Dan Crest Factor Pada File Sampel

Tabel 2 Nilai Acuan Untuk Proses Analisa File Suara

Setelah nilai acuan diperoleh dari hasil selisih dynamic range dengan crest factor kemudian diperoleh nilai reko-mendasi parameter. Tabel 3

memperlihat-kan tabel rekomendasi pengisian para-meter secara otomatis berdasarkan hasil analisa oleh program.

(8)

Tabel 3. Tabel Rekomendasi Pengisian Parameter

Tabel 4. Tabel Perbandingan Ukuran Dan Durasi File Sebelum Dan Sesudah Proses

Dampak dari penghilangan noise salah satunya adalah penurunan ukuran memori penyimpanan dan durasi dari setiap file s1-s8.wav. Tabel 4 memper-lihatkan ukuran file dan durasi dari setiap file s1-s8.wav sebelum proses peng-hilangan noise dan setelah dilakukan proses penghilangan noise:

Aplikasi implementasi metode noi-se gate, low pass filter dan silent removal untuk menghilangkan noise pada file suara dengan parameter dinamis ber-tujuan menghilangkan noise yang selama ini selalu mengganggu dalam pende-teksian suara pada aplikasi pengenalan suara. Prisip sebuah aplikasi pengenalan suara adalah mencocokan suara yang telah terdapat dalam database pengenalan suara dengan suara yang diuji, berdasar hal tersebutdicoba dibandingkan output dari file suara sampel yang memiliki

noise dari hasil implementasi metode noise gate, low pass filter dan silent removal untuk menghilangkan noise pada file suara dengan parameter dina-mis dengan file suara asli tanpa noise dari responden yang sama. Aplikasi komparasi suara yang digunakan meng-gunakan metode Mel Frequency Cep-stral Coefficient (MFCC) yang banyak digunakan dalam aplikasi pengenalan suara.

Terdapat dua komparasi yang dila-kukan untuk menilai tingkat keberhasilan pengenalan suara yaitu :

1) Komparasi pertama yaitu memban-dingkan file suara asli dengan file suara + noise. Berdasarkan hasil komparasi pertama(file suara asli dengan file suara + noise) hanya terdapat dua file yang cocok maka :

(9)

160 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐾𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑎𝑚𝑝𝑒𝑙 𝐶𝑜𝑐𝑜𝑘 𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑚𝑢𝑎 𝑆𝑎𝑚𝑝𝑒𝑙𝑥 100% =2 8 𝑥 100% = 25%

2) Komparasi kedua yaitu memban-dingkan file suara asli dengan output hasil dari file suara yang telah melalui proses penghilangan noise. Berdasarkan hasil komparasi kedua

(file suara asli VS output aplikasi) terdapat tujuh file yang cocok maka :

𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐾𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑎𝑚𝑝𝑒𝑙 𝐶𝑜𝑐𝑜𝑘 𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑚𝑢𝑎 𝑆𝑎𝑚𝑝𝑒𝑙𝑥 100% = 7 8 𝑥 100% = 87,5%

Berdasarkan hasil komparasi pertama dan kedua dapat dinyatakan bahwa :

𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 𝑘𝑜𝑚𝑝𝑎𝑟𝑎𝑠𝑖 𝑘𝑒𝑑𝑢𝑎

𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 𝑘𝑜𝑚𝑝𝑎𝑟𝑎𝑠𝑖 𝑝𝑒𝑟𝑡𝑎𝑚𝑎𝑥 100%

=87,5 %

25 % 𝑥 100%

= 350%atau 3,5 kali Analisis dari hasil pengujian diatas

dapat dilihat bahwa penggunaan metode noise gate, low pass filter dan silent removal dapat menambah keberhasilan pengenalan suara sebesar 350% atau 3,5 kali lebih akurat dibandingkan dengan pengenalan suara tanpa dilakukan penghi-langan noise pada file suara sebelumnya.

SIMPULAN DAN SARAN

Kesimpulan dari penelitian ini ada-lah aplikasi untuk menghilangkan noise pada file suara dengan menggunakan metode noise gate, low pass filter dan silent removal dengan parameter dinamis telah berhasil dibangun dengan menggu-nakan bahasa pemrograman Matlab. Apli-kasi ini bersifat dinamis sesuai dengan karakteristik file suara yang diinput yaitu dengan menganalisa nilai dynamic range dan crest factornya.

Dalam penelitian ini digunakan 8 sampel suara berekstensi wav dengan frekuensi 22050. Setiap sampel memiliki nilai dynamic range dan crest factor yang berbeda yang dijadikan sebagai acuan pe-ngisian parameter pada program, semakin besar nilai selisih antara dynamic range dengan crest factor maka semakin besar

pula nilai lower threshold dan upper threshold pada setiap sampel suara.

Dilakukan 2 pengujian agar dapat diketahui keakuratan hasil aplikasi ini untuk aplikasi pengenalan suara, pengu-jian pertama membandingkan file suara asli dengan file suara asli + noise kemu-dian pengujian kedua membandingkan file suara asli dengan output hasil dari file suara yang telah melalui proses penghi-langan noise. Dari pengujian pertama menghasilkan tingkat kecocokan sebesar 25% dan pengujian kedua menghasilkan tingkat kecocokan sebesar 87,5%. Maka dapat disimpulkan bahwa pada penelitian ini peningkatan keberhasilan dalam pengenalan suara dari penggunaan meto-de noise gate, low pass filter dan silent removal adalah 3.5 kali lipat diban-dingkan dengan pengenalan suara tanpa dilakukan penghilangan noise pada file suara sebelumnya.

Aplikasi ini hanya dapat mengup-load satu file suara untuk proses meng-hilangkan noise dalam satu waktu, diharapkan dapat dikembangkan agar dapat mengupload lebih dari satu file suara dalam satu waktu dan dapat dikembangkan menjadi aplikasi yang bersifat realtime.

(10)

DAFTAR PUSTAKA

[1] Anonim, Digital Signal Processing Mini-Project: An Automatic Speaker Recognition System, http://minhdo.ece.illinois.edu/teachi ng/speaker_ recognition/, diakses 8 Mei 2015.

[2] Anonim, Low-Pass, High-Pass Filters and Their Effects on Speech Signals,

http://lyle.smu.edu/~jesau/lab9.pdf, diakses 17 April 2015.

[3] Anonim. Audio Sampling.

http://www.elektroindonesia.com/el ektro/ elek35a.html, diakses 7 agustus 2015.

[4] Anonim. Chapter 10: Detection of

Signals in Noise.

http://www.acfr.usyd.edu.au/pdfs/tr aining/sensorSystems/10%20Detect ion%20of%20Signals%20in%20No ise.pdf, diakses 15 April 2015. [5] Anonim. Definisi Aplikasi.

http://bebas.vlsm.org/v06/kuliah/sis temoperasi/buku/sistemoperasi/p1c 1.html, diakses 7 Agustus 2015. [6] BiampTraining. Measurements and

the dB - Signals, Peak, RMS & Crest Factor, https://www.youtube .com/watch?v=i0jHDNMvOyE, diakses 17 Mei 2015.

[7] Chris Stedman. 2012. Lab Report : A Matlab Implementation Of An Audio Compressor. Faculty of Architecture, Design and Planning, The University of Sydney.

[8] Devesh N., Keerthi R. dan Sandeep A., 2006. Implementation Of Speech Recognition In Resource Constrained Environments.

Electronics And Computer

Engineering Departement Indian Institute Of Technology Roorkee. [9] G. Saha, Sandipan Chakroborty dan

Suman Senapati., 2011.A New Silence Removal and Endpoint

Detection Algorithm for Speech and Speaker Recognition Applications. Department of Electronics and

Electrical Communication

Engineering Indian Institute of Technology. India.

[10] Gerald Leung, ELEC 484

Assignment 4: Implementing an Audio Noise Gate, http://web.uvic. ca/~gleung86/courses/Elec%20484/ Assignment4/Assignment%204.pdf, diakses 15 April 2015.

[11] Gopi, E. S., 2007. Algorithm Collections for Digital Signal Processing

Aplications using Matlab. Dordrecht : Spinger.

[12] IT University of Copenhagen Multimedia Technology Speech and IT Systems. Speech Coding and Recognition Course. http://www. itu.dk/courses/TKG/E2005/exercise s.html. diakses 10 Mei 2015

[13] Juniar Lestary. 2011. Aplikasi Pengenalan Ucapan Kata Bahasa

Inggris Menggunakan Linear

Predictive Coding (LPC) dan Hidden Markov Model (HMM).

Fakultas Teknologi Informasi

Universitas Gunadarma.

[14] Mahima Garg, Omar Razi, Supriya Phutela, Vaibhav Kapoor, Varun Chopra. 2012. Voice recognition And Identification System. Apeejay Colledge Of Engineering.

[15] Proakis, John G. dan Manolakis, Dimitris G., 2007. Digital Signal Processing Principles, Algorithms, and Apllications. New Jersey : Prentice Hall.

[16] Rizki Amalia F.K. 2006.

Manipulasi Frekuensi Dasar Menggunakan Metode Straight untuk Sintesis Suara Ucapan Ekspresif Dalam Bahasa Indonesia.

Institut Teknologi Sepuluh

(11)