Deteksi Terdistribusi Robust Dengan Menggunakan Sensor Akustik
Lusia Tuties Kristianingrum – 2206100627 Bidang Studi Telekomunikasi Multimedia
Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih – Sukolilo, Surabaya 60111
ABSTRAK
Permasalahan yang dihadapi dalam pendeteksian sinyal terdistribusi robust adalah adanya latar belakang kebisingan, yang dapat mempengaruhi pengolahannya. Oleh karena itu diperlukan suatu proses reduksi noise yang bertujuan untuk mengurangi noise yang terdapat dalam sinyal akustik. Proses ini dilakukan melalui pengurangan atau pemfilteran data sinyal yang dianggap sebagai background noise.
Pada tugas akhir ini reduksi background noise dilakukan dengan menerapkan filter median. Deteksi sinyal dengan menggunakan filter median adalah dengan cara mengurutkan data, kemudian diambil nilai tengah dari deret data tersebut. Nilai tengah tersebut yang disebut median. Selanjutnya menerapkan nilai sinyal baru sesuai nilai tengah pada median filter. Hal ini dilakukan terus berulang mulai dari nilai pertama sampai ke nilai terakhir. Sebagai detection state dalam tugas akhir ini digunakan algoritma Constant False Alarm Rate (CFAR) yang dirancang untuk menemukan sasaran di lingkungan yang memiliki latar belakang kebisingan. Untuk mengetahui ukuran kinerja sistem, sinyal akan dilakukan penambahan noise dalam sistem deteksi terdistribusi robust.
Implementasi dan uji coba deteksi sinyal kendaraan masing–masing dilakukan enam kali pengujian dengan nilai variance noise yang berbeda-beda untuk mengetahui ukuran kinerja deteksi. Dari hasil pendeteksian dengan menambahkan noise ke dalam sistem, tingkat keberhasilan sistem mencapai 60%.
Keyword : acoustic, deteksi target, robust, median filter
I. PENDAHULUAN
Semua jenis kendaraan memancarkan karakteristik suara ketika mereka bergerak. Suara ini datang dari berbagai sumber, diantaranya dari vibrasi mesin, gesekan antara ban dan aspal, efek angin, gears, dan fans sebagai sinyal dan gelombang akustik. Dan bagaimana kita dapat mengetahui adanya kendaraan yang lewat di suatu lingkungan perkotaan yang sangat padat.
Dari keadaan dan situasi seperti itu, sebenarnya kita dapat melakukan pendeteksian sinyal akustik kendaraan.
Tujuan dari pengakuan target akustik kendaraan adalah untuk menerapkan teknik yang mirip dengan pengakuan bicara otomatis untuk mengenali jenis kendaraan yang bergerak, berdasarkan akustik sinyal. Teknologi deteksi sinyal kendaraan tidak dapat berhenti disini, karena teknologi semakin lama semakin berkembang. Oleh karena itu perlu dikembangkan sistem deteksi yang lebih detail dalam pengenalan sinyal kendaraan antara lain dapat mengetahui kecepatan kendaraan, dan keberadaan kendaraan.
II. TEORI PENUNJANG 2.1 Gelombang Suara
Gelombang suara terjadi sebagai variasi tekanan dalam sebuah media, seperti udara. Ia tercipta dari bergetarnya sebuah benda, yang menyebabkan udara sekitarnya ikut bergetar.
Udara yang bergetar kemudian diterima oleh telinga, menyebabkan gendang telinga manusia bergetar, kemudian otak menafsirkannya sebagai suara.
Gelombang suara berjalan melalui udara, sama seperti gelombang yang terjadi di air.
Bahkan, gelombang air lebih mudah untuk dilihat dan dimengerti, hal ini sering digunakan sebagai analogi untuk menggambarkan bagaimana gelombang suara berperilaku.
2.2 Sistem Akuisi Data
Pengertian dasar dari sistem akuisisi data adalah pengumpulan informasi dari sumber angka–angka analog dan kemudian diubah menjadi bentuk digital agar dapat dibaca oleh komputer yang pada akhirnya diperoleh data–
data yang akurat dan mempermudah dalam merencanakan suatu pengukuran. Sistem akuisisi data digunakan untuk mengukur dan mencatat sinyal listrik. Sistem instrumentasinya terdiri dari sistem analog dan sistem digital. Sistem analog biasanya merupakan voltase output dari alat ukur yang digunakan yang kemudian diubah menjadi bentuk biner atau digital dan disusun menjadi sekelompok angka–angka yang kita kenal sebagai data. Elemen dasar dari sistem data akuisisi dapat dilihat pada gambar 2.1 berikut ini.
Gambar 2.1 Elemen dasar dari sistem akuisisi data
mengganggu output ideal dari sistem audio tersebut. Noise yang mungkin terjadi pada sistem audio adalah noise akustik, noise audio dan noise elektrik.
2.3 Sinyal latar (Background)
Latar belakang kebisingan adalah bunyi atau suara yang tidak dikehendaki dan dapat mengganggu kesehatan dan kenyamanan lingkungan yang dinyatakan dalam satuan desibel (dB). Kebisingan juga dapat didefinisikan sebagai bunyi yang tidak disukai, suara yang mengganggu atau bunyi yang menjengkelkan.
2.4 Median Filter
Median filtering merupakan filter dengan prinsip statistik, pada dasarnya median filter bekerja dengan menentukan median dari suatu kernel (misal 3x3), filtering dengan metode ini merupakan filter statistical order yang paling terkenal dikarenakan kinerja yang cukup memuaskan dalam mengatasi noise.
Dengan median filtering maka jika terdapat suatu sinyal akustik terdegradasi oleh noise akan ditentukan nilai median-nya atau nilai tengah (bukan rerata) dari suatu kernel (misal 3x3), maka dengan begitu noise yang merupakan nilai tertinggi dan terendah dari suatu rentang nilai akan hilang.
2.5 Algoritma CFAR (Constant False Alarm Rate)
Deteksi CFAR (Constant False Alarm Rate) adalah deteksi yang mengacu pada bentuk umum dari algoritma adaptif yang dirancang untuk menemukan sasaran di lingkungan yang memiliki latar belakang kebisingan, kekacauan (clutter) dan gangguan.
Peranan dari Constant False Alarm Rate (CFAR) adalah untuk menentukan daya di atas ambang batas (threshold) yang kemungkinan dapat dianggap berasal dari target. Jika
threshold terlalu rendah, maka sasaran akan lebih banyak terdeteksi dengan mengorbankan peningkatan jumlah alarm palsu. Sebaliknya, jika threshold terlalu tinggi, maka target akan lebih sedikit terdeteksi, tetapi jumlah alarm palsu rendah. Dalam sebagian besar detektor radar, ambang batas diatur dalam rangka mencapai probabilitas yang dibutuhkan alarm palsu.
Gambar 2.1. Blok sistem prosessor deteksi CFAR
Deteksi sasaran yang berlatar belakang noise dapat dimodelkan sebagai hipotesis berikut:
H1 (target present): Y = d + g H0 (target absent): Y = g
dimana d dan g adalah sinyal sensor dan komponen kebisingan di lingkungan masing- masing. Keputusan apakah hasilnya H1 atau H0 dilakukan dengan operasi thresholding berikut:
target present, Y ≥ S e(Y) =
{
target absent, Y ≤ S
dimana S adalah threshold adaptif yang harus dihitung oleh detector CFAR
III. PERANCANGAN SISTEM 3.1 Perencanaan Sistem
Adapun perancangan di pengirim dan penerima adalah sebagai berikut:
1. Sistem Pengirim atau sumber suara
Sebagai bagian pengirim yang dimaksud disini adalah sumber suara atau suara kendaraan mobil dan motor, yang berarti dalam simulasi sistem ini adalah dua buah speaker yang terhubung dengan komputer atau laptop.
2. Sistem Penerima
Bagian penerima adalah satu buah sensor microphone yang tersambung dengan sebuah soundcard.
3. Sistem deteksi pengolah sinyal Alat ukur sensor
akustik
Amplifier
ADC
Komputer
Sebagai output dari hasil deteksi, maka sebelumnya sinyal diproses serta diolah dengan menggunakan software matlab yang ada di sebuah PC atau laptop.
Gambar 3.1 Blok diagram sistem deteksi kendaraan
3.2 Diagram Alir Pensimulasian Deteksi Sinyal
Adapun diagram alir (flowchart) perancangan sistem pendeteksian sinyal kendaraan terdistribusi robust sesuai dengan penjelasan diatas adalah sebagai berikut:
Gambar 3.2 Flowchart simulasi deteksi sinyal kendaraan
3.2.5 Deteksi Target
Perkiraan penghitungan mean dan standard deviation memungkinkan digunakan dalam detektor CFAR. Disini kami memilih dua hipotesa H0 = no target present dan H1 = target present.
Dimana mn = median dari nilai absolut setiap snippet (potongan) n, b = perkiraan latar belakang kebisingan, τ adalah nilai threshold atau nilai ambang batas yang ditentukan (biasanya 3.0), dan σ = deviasi median dari latar belakang.
3.3 Blok Diagram Sistem
Secara keseluruhan sistem deteksi terdistribusi robust memiliki blok diagram seperti berikut ini:
Gambar 2.4 Blok Diagram Sistem
IV. DATA DAN ANALISA DATA 4.1 Proses Pengujian
Dari awal percobaan deteksi sinyal, kita sudah tentukan sinyal yang seharusnya terdeteksi dan sinyal yang seharusnya tidak terdeteksi.
Selanjutnya dalam sistem simulasi ini akan ditambahkan noise sebagai ukuran kinerja sistem deteksi.
Sinyal terdeteksi dan sinyal tidak terdeteksi diperoleh dengan cara memotong sinyal menjadi dua potongan (snippet). Sinyal terdeteksi akan diproses dengan menggunakan median filter untuk mengurangi noise.
Sedangkan sinyal background akan diproses melalui running median filter sebagai estimasi background noise.
Variance noise yang ditambahkan pada sistem adalah parameter untuk menentukan hasil deteksi sinyal. Nilai variance noise yang digunakan pada sistem deteksi ini adalah 0.02;
0.04; 0.05; 0.06; 0.1; 0.2. Dibawah ini akan kita bahas satu persatu mengenai sinyal background, sinyal terdeteksi, dan sinyal tak terdeteksi untuk sinyal mobil, dan 4 jenis motor lainnya.
4.2 Hasil simulasi sinyal suara mobil (jenis toyota avanza)
Sinyal yang dideteksi
Sinyal tak terdeteksi
Gambar 4.1 Plot Sinyal Suara
Gambar 4.1 di atas merupakan plot sinyal suara yang dideteksi. Pada sampel 0 sampai dengan 150000 sampel merupakan bagian sinyal yang akan dilakukan pendeteksian. Sinyal yang dideteksi akan dipotong menjadi 2 sinyal. Yang kemudian akan dinamakan sinyal data1 dan sinyal data 2.
Contoh hasil plot sinyal background 1 dan 2 tampak pada gambar di bawah ini.
Gambar 4.2 Potongan sinyal background 2
Gambar 4.3 Plot background 2 setelah dilakukan proses filter median
Perbedaan plot sinyal sebelum dan sesudah difilter median adalah plot sinyal hasil median filter tampak lebih halus dibandingkan dengan sebelum di filter median. Selain itu hasil filter median untuk nilai amplitudo lebih kecil daripada amplitudo sebelum di filter.
Untuk sinyal yang dideteksi akan diproses dengan mencari nilai median dari nilai absolut sinyal. Berikut adalah potongan sinyal yang akan dideteksi.
Gambar 4.4 Plot sinyal pertama yang akan dideteksi
Berikut ini ditampilkan sinyal yang seharusnya tidak terdeteksi. Sistem deteksi akan menunjukkan bahwa sinyal tersebut tidak terdeteksi sebagai sinyal kendaraan.
Gambar 4.5 Potongan sinyal yang tidak terdeteksi
4.3 Hasil Deteksi tanpa Dibangkitkan Noise Syarat sinyal tersebut berhasil dideteksi adalah sebagai berikut.
Dimana:
mn : median dari nilai absolut sinyal yang dideteksi
b : nilai sinyal background τ : nilai threshold (ditentukan 3.0) σ : Standard deviasi dari background
Tabel 4.1 Hasil deteksi sinyal terdeteksi tanpa noise
Noise
Variance Sinyal data 1 Sinyal data 2
None 1 1
Hasil deteksi di atas menunjukkan sinyal data 1 dan sinyal data 2 berhasil dideteksi dengan benar.
Tabel 4.2 Hasil deteksi ‘sinyal tak terdeteksi’
Noise
Variance Sinyal data 1 Sinyal data 2
None 0 0
Hasil deteksi tabel 4.2 di atas menunjukkan bahwa sistem deteksi tidak mendeteksi atau mengenali sinyal yang ada.
4.4 Hasil Deteksi dengan Dibangkitkan Noise Variance noise yang diberikan pada simulasi ini adalah 0.02; 0.04; 0.05; 0.06; 0.1;
0.2. Dengan demikian nantinya dapat diketahui sampai nilai variance berapa sistem deteksi berhasil mendeteksi sinyal dengan benar.
Tabel 4.3 Hasil deteksi sinyal terdeteksi
‘mobil.wav’ dengan noise Noise
Variance Sinyal data 1 Sinyal data 2
0,02 1 1
0,04 1 1
0,05 0 1
0,06 0 0
0,1 0 0
0,2 0 0
Hasil deteksi mobil.wav dengan variance noise di atas menunjukkan, untuk sinyal data 1 berhasil dideteksi sampai variance noise 0.04. Untuk hasil deteksi sinyal data 2 berhasil dideteksi sampai variance noise 0.05.
4.5 Analisa Hasil Simulasi
Dari hasil kelima percobaan deteksi tanpa ditambahkan noise dalam sistem, telah ditunjukkan bahwa semua sinyal dapat dideteksi dengan baik. Dengan demikian prosentase error pada sistem deteksi tanpa ditambahkan noise dalam sistem mencapai 0 % atau mencapai tingkat keberhasilan 100 %. Berikut rangkuman dari hasil deteksi kelima percobaan sinyal
kendaraan yang telah dilakukan pada tabel 4.27 berikut ini.
Tabel 4.4 Hasil deteksi sinyal kendaraan dengan noise
Sinyal Kendaraan Variance
Noise Sinyal 1
Sinyal 2
Sinyal 3
Sinyal 4
Sinyal 5
0,02 1 1 1 1 1
0,04 1 1 1 1 0
0,05 1 1 1 0 0
0,06 0 1 1 0 0
0,1 0 1 1 0 0
0,2 0 0 0 0 0
(lanjutan tabel 4.4)
Variance
Noise Terdeteksi
0,02 5
0,04 4
0,05 3
0,06 2
0,1 2
0,2 0
Dari tabel 4.4 di atas dapat dihitung prosentase kinerja sistem pada masing-masing variance noise.
Tabel 4.5 Prosentase kinerja sistem deteksi tiap variance noise
Variance Noise
Prosentase (%)
0,02 100
0,04 80
0,05 60
0,06 40
0,1 40
0,2 0
hasil tabel 4.29 diatas menunjukkan rata-rata prosentase sistem deteksi dengan ditambahkan noise adalah 53.33%.
Untuk menguji sistem deteksi lebih akurat lagi, disini akan ditunjukkan suatu hasil pengujian deteksi dimana dalam database sistem telah di setting urutan sinyal kendaraannya. Dan bagaimana hasil deteksi dapat menunjukkan pendeteksian sinyal dengan benar. Pendeteksian
ini tetap akan ditambahkan variance noise sebagai ukuran keberhasilan sistem.
Tabel 4.6 Pengujian kinerja sistem deteksi
Dari hasil deteksi pada tabel 4.6 dapat diketahui prosentase kinerja tiap variance noise sebagai berikut.
Tabel 4.7 Prosentase kinerja sistem deteksi tiap variance noise
Noise Variance
Prosentase (%)
None 100
0.02 100
0.04 60
0.05 60
0.06 60
0.1 40
0.2 0
Pada pengujian deteksi dengan cara mengatur urutan sinyal ke dalam sistem, kemudian diproses sinyal kendaraan masing- masing dengan ditambahkan variance noise ke dalamnya dihasilkan bahwa hasil deteksi uji tanpa adanya noise dan tambahan noise dengan variance 0.02 adalah berhasil terdeteksi dengan prosentase 100 %. Kemudian dengan variance 0.04; 0.05 dan 0.06 berhasil mendeteksi 3 sinyal dari 5 sinyal yang ada. Sehingga prosentase yang diperoleh pada saat itu adalah 60%. Untuk variance noise 0.1, sistem berhasil mendeteksi 2 sinyal dari 5 sinyal yang ada, atau 40% saja.
Berikutnya untuk variance noise 0.2, sistem tidak berhasil mendeteksi semua sinyal. Dengan demikian dapat dikatakan sistem deteksi dapat bekerja dengan tingkat keberhasilan rata-rata prosentase yaitu 60 %.
V. PENUTUP
Dari serangkaian pengujian yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut:
1. Sistem deteksi berhasil mendeteksi sinyal suara dengan baik jika dalam sistem tidak ditambahkan noise.
2. Semakin rendah nilai variance noise yang ditambahkan ke dalam sistem, hasil deteksi semakin akurat
3. Tingkat keberhasilan sistem dengan adanya penambahan noise mencapai 60%.
5.1 Saran
Ada beberapa hal yang bisa dilakukan sebagai pengembangan dari tugas akhir ini yaitu:
1. Meneliti lebih lanjut pengembangan deteksi terdistribusi robust untuk sumber suara yang lainnya, seperti sinyal suara jenis kendaraan yang lain
2. Memodifikasi dan membandingkan algoritma deteksi ini dengan parameter sinyal yang lainnya, seperti.
3. Meneliti lebih lanjut penggunaan sistem deteksi ini untuk pengenalan jenis kendaraan. Dimana sistem dapat mengetahui model atau jenis kendaraan yang sedang dideteksi.
DAFTAR PUSTAKA
[1]. Brian Flanagan and Parker W Kenneth, 2007. Robust Distributed Detection Using Low Power Acoustic Sensor. The MITRE Corp.
[2]. Anthony Quach and Kam Lo, 2009.
Automatic Target Detection Using A Ground- Based Passive Acoustic Sensor. Defence Science Technology and Organisation.
[3]. Wikipedia, 2009. Median Filter. <URL : http://www.wikipedia.org/wiki/Median_Filter.ht m
[4]. Pusdiklat TVRI, 2010. Teori Dasar Audio.
http://pusdiklattvri.wordpress.com/2010/06/02/te ori-dasar-audio
[5]. Rudolf K Block, 1998. Median Filter.
<URL:
http://www.rkb.home.cern.ch//rkb/AN16pp/node 168.html
[6]. Ruye Wang, 2004. Median Filter. <URL:
http://www.fourier.eng.hmc.edu/e161/lectures/s mooth_sharpen/node3.html
[7]. Dr. Steven Kay, 2009. Practical Statistical Signal Processing – Using Matlab. Applied Technology Institute (ATI)Internet , 2009 . CFAR.<URL:
http://www.cobweb.ecn.purdue.edu/~mrb/EE678 /Lecture/CFAR.pdf
