i
PROSIDING
SIMPOSIUM NASIONAL TEKNOLOGI TERAPAN
(SNTT) V 2017
Tema:
“Menjembatani Kesenjangan Dari Teknologi Baru Menuju
Teknologi Pintar dan Berkelanjutan”
Rabu, 10 Rabi’ul Awal 1439H / 29 November 2017M
Lombok Raya Hotel
Diselenggarakan oleh:
FORUM GROUP DISKUSI TEKNOLOGI
PERGURUAN TINGGI MUHAMMADIYAH SE-INDONESIA
&
UNIVERSITAS MUHAMMADIYAH MATARAM
2017
ii
Prosiding Simposium Nasional Teknologi Terapan (SNTT V)
ISSN 2339-028X
Diterbitkan oleh:
Forum Grup Diskusi Teknologi (FGDT)-PTM VIII
Sekretariat Fakultas Teknik Universitas Muhammadiyah Mataram
Hak Cipta ©2017 ada pada penulis
Artikel dalam prosiding ini dapat digunakan, dimodifikasi, dan disebarluaskan secara bebas
untuk tujuan bukan komersial (non profit), dengan syarat tidak menghapus atau mengubah
atribut penulis. Tidak diperbolehkan melakukan penulisan ulang kecuali mendapatkan izin
terlebih dahulu dari penulis.
iii
Panitia Pelaksana Forum Grup Diskusi Teknologi
Perguruan Tinggi Muhammadiyah (FGDT-PTM) Ke- VIII
Universitas Muhammadiyah Mataram Tahun 2017
Dewan Pembina : Majlis DIKTI LITBANG PP Muhammadiyah
Drs. Mustamin H. Idris, MS. (Rektor UM Mataram)
Dewan Pengarah : Ir. Moehamad Aman, M.T. Ir. Eko Budi Leksnono, M.T. M. Taufiq Tamam, S.T., M.T. Ir. Sri Sunarjono, Ph.D. Hamzah Al Imran, S.T., M.T. Jazaul Ikhsan, Ph.D.
Kartika Firdausy, S.T., M.T. Yun Arifatul Fatimah, Ph.D. Ir. Sudarman, M.T.
Penanggung Jawab : Ir. Isfanari, S.T., M.T. Anwar Ma’ruf, S.T., M.T. Ketua : Joni Safaat Adiansyah, Ph.D. Sekretaris : Ir. Ima Rahmawati S., S.T., M.M.T. Bendahara : Ir. Diah Rahmawati, S.T., M.Sc. Seksie Kesekretariatan : Ir. Titik Wahyuningsih, S.T., M.T.
Salahudin, S.Pt. Humaira, S.Pd., M.Pd. Sri Hardiningsing, S.Kom. Seksie Perlengkapan &
IT Support
: M.Ghazali, S.T. Sarman, S.I.P. Muslihin, Amd. Perp. Nuraini
Sri Maryati Seksie Dokumentasi dan
Publikasi
: Alpiana, S.T., M.Eng.
Bedy Fara Aga Matrani, S.T., M.T. Rifqi Anra Wijara, S.T., M.T. Seksie Transportasi dan
Akomodasi
: Fariz Primadi Hirsan, S.T., M.T. Agus Kurniawan, S.I.P., M.Eng. Ir. H. Rudy Razak, CES.
Seksie Kesehatan (P3K) : Nurul Qiyaam, M.Klin., Apt. Maria Ulfa, Amd. Kep. M. Ramdhani, Amd. Kep.
iv
Seksie SNTT V : Agustiani Ernawati, S.T., M.Tech. Baiq Harly Widayanti, S.T., M.M. Agus Setiawan, S.T., M.Kom.
Itmi Hidayat Kurniawan, S.T., M.Eng. Fahrudin Mukti Wibowo, S.Kom., M.Eng. Feri Wibowo, S.Kom. M.Cs.
Seksie ICEAT I : Dr. Dwi Winarti, S.T., M.T.
Dr. Eng. M. Islamy Rusyda, S.T., M.T. Dr. Tole Sutikno
Dr. Aris Widyo Nugroho Andri Pranolo, M.Cs. Adhi Prahana, M.Cs. Achmad Azhari, M.Eng. Herry Purnawa, Ph.D. Tri Widayatno, Ph.D. Seksie Program Kreativitas
Mahasiswa
Muhammadiyah (PKMM)
: Febrita Susanti, S.T., M.Eng. Syamsul Hidayat, S.T., M.T. Sri Apriani Puji Lestari, S.T., M.T. Dr. Slamet Riyadi
Dr. Ahmad Mubin
Taufiq Ilham Maulana, S.T., M.Eng. Ir. Ahmad Kholid Alghofari, S.T., M.T., IPM.
Seksie Gelar Teknologi : Ardi Yuniarman, S.T., M.Sc. Dr. Harry Irawan Johari, M.Si. Seksie Wellcome Party –
City Tour – Kunjungan Industri
: Rasyid Ridha, S.T., M.Si.
Maya Saridewi Pascanawati, S.T., M.T. Hidayati, S.Pd., M.Hum.
v
Kata Pengantar
Assalamualaikum Wr.Wb
Atas nama panitia pelaksana, saya ingin menghaturkan selamat datang untuk bapak/ibu semua di
International Conference on Engineering and Applied Technology (ICEAT) yang pertama dan Seminar Nasional Teknologi Terapan yang kelima (SNTT).
Isu-isu keberlanjutan mengemuka dan mempengaruhi kehidupan manusia, di sisi lain teknologi memegang peranan yang penting di dalam percepatan untuk pencapaian target-target pembangunan berkelanjutan. Kedua faktor ini telah memotivasi para peneliti untuk terus berdiskusi terkait dengan keberlanjutan dan teknologi. Hal ini selaras dengan tema seminar kita ‘Menjembatani kesenjangan dari teknologi baru menuju teknologi pintar dan berkelanjutan’. Kami berharap bahwa seminar ini akan membawa pertukaran ide dan aksi sebagai katalis dalam kerjasama baik tingkat nasional maupun internasional.
Dengan bangga saya informasikan bahwa akan ada presentasi 150 makalah yang terbagi ke dalam 7 sesi parallel. Para pemakalah berasal dari Jepang. Malaysia, dan Indonesia. Pemakalah yang berasal dari Indonesia mewakili Indonesia bagian barat dan bagian timur (dari Aceh sampai Papua). Saya ingin menghaturkan terima kasih mendalam kepada para pembicara kunci yaitu Professor Masaharu Fujita dari Kyoto University Japan, A/Professor Michele Rosano dari Curtin University Western Australia, dan Ibu Inten Sripeni dari PT Indonesia Power Jakarta. Melalui kesempatan ini saya ingin mengucapkan terima kasih kepada para sponsor: Garuda Indonesia, Dinas Pariwisata Provinsi Nusa Tenggara Barat, dan PT Amman Mineral Nusa Tenggara.
Terakhir, Saya berharap seminar ini akan menghadirkan pengalaman baru yang menarik, menyediakan platform untuk menambah teman dan belajar dari sesama. Saya berharap pengalaman selama berada di Lombok akan menyenangkan dan tidak terlupakan.
Wabillahi Taufik Walhidayah Wassalamualaikum Warahmatullahi Wabarakatuh. Salam hangat,
Joni Safaat Adiansyah, Ph.D Ketua Pelaksana
vi
Sambutan Ketua FGDT
Pujisyukur Alhamdulillah kehadlirat Allah SWT atas segala ni’mat dan karunia-Nya sehingga kami dapat menyelenggarakan Forum Grup Diskusi Teknologi (FGDT), International Conference on Engineering and Applied Technology (ICEAT) dan Simposium Nasional Teknologi Terapan (SNTT).
Kegiatan ini merupakan rangkaian kegiatan dari FGDT yang dilaksanakan setiap tahun.FGDT yang dilaksanakan di Universitas Muhammadiyah Mataram ini merupakan FGDT yang ke-8, ICEAT yang ke-1 dan SNTT yang ke-5. Kami berharap simposium ini dapat menjadi wahana untuk memberi masukan-masukan pada perkembangan ilmu pengetahuan dan teknologi.
Kami mengucapkan terimakasih yang sebesar-besarnya kepada segenap panitia yang telah bekerja keras untuk terlaksananya kegiatan ini. Kepada segenap pemateri dan pemakalah, kami juga mengucapkan terimakasih dan apresiasi yang sebesar-besarnya.
Akhirnya semoga acara ini dapat berlangsung dengan baik dan memberi manfaat kepada semua pihak, Terimakasih.
Purwokerto, November 2017
Ketua FGDT - PTM Anwar Ma’ruf, S.T., M.T.
vii
DAFTAR ISI
Cover Dalam i
Organisasi Penyelenggara iii
Kata Pengantar v
Daftar Isi vii
A. BIDANG TEKNIK ELEKTRO No.
Artikel Penulis 1 Judul Artikel SNTT
E-001
Anfasal Maulan, Dewa Ardhika Randi, Dian Giri
Winandar, Alifia Nugti Maghfiroh
Pemanfaatan Air Laut Sebagai Media Penyuplai Kebutuhan Listrik Kapal 1
SNTT
E-002 Arif Johar Taufiq
Kontrol Pid Pengaturan Temperatur Inkubator Sebagai Sarana Belajar
Kontroler Pid Digital 8
SNTT
E-003 Desriyanti, Didik Riyanto
Analisis Instument Keriteria dalam Sistem Pendukung Keputusan Penetuan
Calon Penerima Bantuan 14 SNTT
E-004
Prasetya, Dedi Ary,
Yusdianto, Viki Pemantau Kualitas Lingkungan PortabelBerbasis Sistem Arduino 21 SNTT
E-005 Umar Analisis Rugi Daya Akibat Penambahan Penyulang Baru GI Masaran 32 SNTT
E-006
Agus Supardi, Rahajeng Hafidz Bastian
Rancang Bangun Generator Magnet Permanen Fluks Aksial Tiga Fase Berdaya
Kecil 38
SNTT E-007
Koko Joni, Achmad Fiqhi Ibadillah, Achmad Faidi
Rancang Bangun Pengatur Tegangan Otomatis Pada Generator Ac 1 Fasa
Menggunakan Kendali Pid (Proportional Integral Derivative) 44
SNTT E-008
Achmad Fiqhi Ibaidillah, Diana Rahmawati
Perancangan dan Pembuatan Stop Kontak Berbasisfacerecognitiondengan
Metode Principle Component Analysis (PCA) 54
SNTT E-009
Kunto Aji Wibisono,
Achmad Fiqhi Ibadillah Online Image Processing Sebagai Sistem Deteksi Kualitas Tembakau Madura 65
SNTT E-010
Miftachul Ulum, Diana Rahmawati, Rofidi Kamil
Desain Kendali Fuzzy Pid (Proporsional Integral Derivative) Mesin Pengering Tembakau Otomatis Berbasis Arduino 73 SNTT
E-011
Diana Rahmawati, Kunto Aji Wibisono, Fajar Dwima
Analisis Sistem Parkir Cerdas Berbasis OCR (Optical Character Recognition)
Menggunakan Metode Confussion Matrix 82
SNTT E-012
Mochammad Muslich, Widyawan, Sri Suning
Kusumawardani
Perancangan Sistem Pemantauan Koneksi Jaringan Serat Optik Berbasis Web Untuk Divisi Telkom Solo 89
SNTT E-013
Haryanto, Septian Rahman
Hakim Augmented Reality Permainan Bola Pingpong Menggunakan Flartoolkit 98
B. Bidang Teknik Industri
SNTT I - 001
Fandi Saputra, Endah Utami
Rancangan Kualitas Layanan Armada Transportasi Akap dengan House Of
Quality (HoQ) Melalui Pendekatan Model Kano 105
SNTT I - 002
Zayyinul Hayati Zen, Faradila Ananda Yu, Dedi
Dermawan, Hendra Harianto
Analisis Postur Kerja Menggunakan Metode Quick Exposure Check (QEC)
Sebagai Dasar Kajian Perancangan Alat Bantu di PT. Asia ForestamaRaya 112
SNTT I - 003
Muhammad Faishal, Hayati Mukti Asih
Perencanaan Kapasitas Permintaan Yang Tidak Pasti dengan Integrasi Robust
viii
SNTT I - 004
Tri Budiyanto, Mukhtar Aziz
Intervensi Ergonomi Fasilitas Kerja Sortasi Belut Meningkatkan Kualitas
Keseragaman dan Output 127
SNTT I - 005
Renty Anugerah Mahaji Puteri, Yakub
Analisa Keluhan dan Usulan Perancangan Troli Ergonomis Sebagai Alat Bantu Angkut dengan Menggunakan Metode Reba (Studi Kasus : Pelelangan Ikan Muara Angke)
133
SNTT I - 006
Much. Djunaidi, Andrew Krishna Ryantaffy
Analisis Penyebab Kecacatan Komponen Rib pada Wing Structure Pesawat
Jenis Cn-235 140
SNTT I -
007 Indah Pratiwi, Nurkhasanah
Evaluasi Musculoskeletal Disorders pada Aktivitas Pembatikan Menggunakan
Metode Brief Survey 147
SNTT I - 008
Irman Amri , Masniar , Joni Budiman Efendi Laos
Analisa Sistem Pengendalian Bahan Bakar Minyak High Speed Diesel di Pltd Klademak Sorong, Papua Barat 156 SNTT I -
009 Ashar, Irman Amri, Usran
Analisa Performance Mesin Pengupas Kayu (Rotary) PT. Henrison Iriana
Sorong Menggunakan Metode Indeks Kapabilitas 164 SNTT I
-010
Ahmad Kholid Alghofari, Muhamad Arsyad Rifa’i
Upaya Peningkatan Produktivitas Mesin Mills Station Menggunakan Basis
Overall Equipment Effectiveness (OEE) 172 SNTT I -
011
St Nova Meirizha, Satriardi, Debi Syanopi
Analisis Performansi Sistem Kaizen
pada Departemen Recaust Kiln Effluent (RKE) PT. Rapp 179 SNTT I -
012
Okka Adiyanto, Bandul Suratmo, Devi Yuni Susanti
Perancangan Bangunan Pengering Kerupuk Menggunakan Pendekatan Pindah
Panas 187
SNTT I - 013
Dita Saraswati, Choirul Bariyah
Analisis Postur Kerja Perajin Sapu Rayung dengan Metode Quick Exposure
Check (QEC) 192
SNTT I - 014
Isana Arum Primasari,
Muhammad Hindarto Efisiensi Lintasan Produksi Pada Stasiun Kerja Penyablonan 199 SNTT I -
015
Reni Dwi Astuti,
Utaminingsih Linarti Klaster Jejaring Pengelolaan Sampah Mandiri Di Kabupaten Bantul 205
C. Informatika dan Teknik Komputer
SNTT IF - 001
Hindarto Hindarto, Izza
Anshory, Ade Efiyanti Ekstrasi Ciri Sinyal Jantung Menggunakan Wavelet Haar 212 SNTT
IF - 002
Yulmaini, Fitria, Elida Purba, Murhadi
Perancangan Sistem Penjamin Mutu dengan Model Capaian Mutu
Berkelanjutan di Perguruan Tinggi 220 SNTT
IF - 003
Muajibah Yuniati, Tito
Pinandita Color Blind Aplication Test Using Ishihara Method Based On Android 225
SNTT IF - 004
Natalis Ransi, Rahmat Ramadhan, Adha Mashur
Sajiah, Alimuddin, La Surimi
Rancang Bangun Data Warehouse Universitas Halu Oleo Menggunakan
Model Stars Schemas 231
SNTT IF - 005
Fiftin Noviyanto, Asep Setiawan
Penerapan Seo (Search Engine Optimization) White Hat Menggunakan Metode Link Kontekstual untuk Meningkatkan Serp di Website Infonasa.com 238 SNTT
IF - 006
Syahroni Hidayat, Habib Ratu Perwira Negara, Danang Tejo Kumoro
Penentuan Fungsi Basis Wavelet Terbaik untuk Sinyal Suara 247
SNTT IF - 007
Restu Fahdiansyah, Andi Sofyan Anas
Teknologi Informasi Sebagai Penunjang Perkembangan Sistem Informasi
dalam Akuntansi 253
SNTT IF – 008
Tedy Setiadi, Nasruri Aji Pratomo, Andri Pranolo,
Muhammad Aziz
Sistem Informasi Geografis Pemetaan Tingkat Ekonomi Posdaya 261
SNTT IF – 009
Aris Rakhmadi, Nana Suhendar
Penerapan Metode Topsis untuk Mendukung Program Bantuan Perumahan
Rakyat 268
SNTT IF – 010
Tresna Yudha Prawira , Sunardi , Abdul Fadlil
System Pendukung Keputusan / Decision Support System untuk Memprediksi Stok Barang pada Retail Mini Market Berbasis Mobile dengan Pendekatan
Analisis Menggunakan Methode Algoritma Apriori 274 SNTT
IF – 011
Sri Winiarti, Taufiq Ismail, Witriani, Muslihudin
Pengembangan SistemInformasi Eksekutifuntuk Penanganan Sanksi
Akademik 279
SNTT IF – 012
Sahiruddin, Imam Riadi, Sunardi
Analisis Forensik Recovery dengan Keamanan Fingerprint pada Smartphone
ix
SNTT IF – 013
Rohmat Taufiq , Arif Rifaldi
Perancangan Sistem Pendukung Keputusan (Spk) Penerimaan Karyawan
dengan Metode Simple Additive Weighting (Saw) pada PT Cometa International 290 SNTT
IF – 014 Nuril Anwar, Imam Riadi
Analisis Investigation Simcard Cloning Terhadap SMS Banking (Studi Kasus Pengguna Telkomsel dengan Layanan BNISMS Banking) 298 SNTT
IF – 015
Rosida Vivin Nahari, Riza
Alfita Estimasi Local Motion Menggunakan Algoritma Pencarian Four Step 306 SNTT
IF – 016
Ahsan Anwar Sandiah, Abdul Fadlil, Rusydi Umar
Implementasi Fuzzy C-Means Untuk Clustering Data Penduduk Miskin
Dengan Penyajian Realtime Berbasis Web Mobile 314
D. Teknik Kimia Estimasi Local Motion Menggunakan
Algoritma Pencarian Four Step
SNTT K - 001
R Fatoni, V Handoyo, R C Astarini
Analisis Keselamatan Steam Boiler pada Pabrik Tahu Krian, Sidoarjo, Jawa
Timur 319
SNTT
K - 002 Erna Astuti, Zahrul Mufrodi
Pembuatan Biodiesel Dari Minyak Goreng Bekas Proses Kontinyu: Uji
Kualitas 325
SNTT
K - 003 Alvika Meta Sari, Ernawati
Pemanfaatan Limbah Tongkol Jagung Menjadi Serbuk Selulosa dengan Proses Hidrolisa untuk Aplikasi Hand Body Lotion 331
E. Teknik Mesin
SNTT
M - 001 Tris Sugiarto
Study Experimental Cold Dry Cutting on High Speed TurningProcess Against
Tool Wear and Surface Roughness of Brass MS58 341
SNTT M - 002
Legisnal Hakim, Budi Istana, Japri
Rancang Bangun Mesin Press untuk Pencetakan Pellet Biomassa (Campuran Serabut dan Cangkang Kelapa Sawit) Sebagai Bahanbakar Alternatif Ketel Uap Mini
347
SNTT
M - 003 Denur, Japri
Perancangan Mesin Pemecah Cangkang KelapaSawit dengan Kapasitas 20 Kg
Per Jam 355
SNTT M - 004
Muh Alfatih Hendrawan, Pramuko Ilmu Purboputro,
Rika Isnanto
Pengaruh Filler Zinc Terhadap Perubahan Struktur Mikro pada Pengelasan
Titik Beda Material 365
SNTT M - 005
Wawan Trisnadi Putra, Kuntang Winangun
Pengaruh Variasi Media Quenching Hasil Penyisipan Baja Bearing, Piringan Cakram, dan Pegas Daun pada Sisi Potong ( Cutting Edge ) Terhadap Sifat Kekerasan Produk Pande Besi
371
SNTT M - 006
Mulyono Analisa Perpindahan Panas Konveksi Natural Pada Kotak Rongga Vakum
dengan Ratio Rongga 7,87 untuk Menyimpan Ikan 378 SNTT
M - 007
Bibit Sugito, Agus Hariyanto
Pengembangan Mesin Putar pada Pengrajin Gerabah Putaran Miring di Desa
Wisata Melikan 386
SNTT
M - 008 Agus Dwi Anggono, Zaenal Pengembangan Material Komposit Plastik HDPE untuk Aplikasi Bata Ringan 392
F. Teknik Sipil
SNTT S - 001
Sulfah Anjarwati, Mahesa Anggi Pinandita
Pengaruh Limbah Karet Ban Sebagai Campuran Aspal Terhadap Karakteristik
Marshall, pada Jenis Perkerasan Lapis Tipis Aspal Pasir (Latasir) Kelas B 396 SNTT
S - 002
Sukmasari Antaria, Fenti Daud Sindagamanik, Nenny
Pengembangan Model Pengolahan Air Baku dengan Media Filter Zeolit
Alam Sulawesi Selatan 403
SNTT
S - 003 Andi Syaiful Amal
Evaluasi Kinerja Simpang Bersinyal (Studi Kasus : Jln. Raya Karanglo – Jln. Perusahaan Kota Malang) 411 SNTT
S – 004 Rofikatul Karimah
Pemanfaatan Limbah Pecahan Keramik dalam Pembuatan Beton Ringan
Non Pasir Ramah Lingkungan 418 SNTT
S – 005
L. Apriadi sopian Hidayat, M. Islamy Rusyda
Studi Pengaruh Aliran Debris Bambu Terhadap Kenaikan Muka Air di
Jembatan Tanpa Pilar 425 SNTT
S – 006 Alik Ansyori Alamsyah
Pemanfaatan Abu Ampas Tebu (Bagasse Ash Of Sugar Cane ) Sebagai Bahan Pengisi ( Filler ) dengan Variasi Tumbukan pada Campuran Aspal Panas Laston
433
SNTT S – 007
Fauzan Hamdi, Muh.
Syafaat S. Kuba Degradasi Mekanik Beton Normal Pasca Bakar 444 SNTT
S – 008 Abd.Rakhim, Nurnawaty
Pengaruh Intensitas Curah Hujan pada Model Kolam Resapan Bervegetasi
x
SNTT S – 009
Rokhma , Hendrik Pristianto, Anisari Lingara
Uji Eksperimen Stabilisasi Tanah Dasar dengan Semen pada Ruas Jalan
Malawili Distrik Aimas Kabupaten Sorong 461 SNTT
S - 010
Wennie Mandela, Hendrik Pristianto, Muhammad Arif
Analisa Perbandingan Kualitas Beton dengan Agregat Halus Quarry Sungai
Maruni Manokwari dan Kampung Bugis Sorong 468 SNTT
S - 011 M. Zardan Araby
Analisis Beban Tekan Pada Joint Antara Kolom Dan Balok Pada Panjang Penyaluran Tulangan Sesuai Dengan PBI/SKSNI Dalam Tinjauan Daktilitas Beton
475
SNTT S - 012
Jazaul Ikhsan, Puji Harsanto, Ade Prima
Rivanto
Studi Kapasitas Infiltrasi Sedimen Di Kawasan Rawan Bencana Pada DAS
247
PENENTUAN FUNGSI BASIS WAVELET TERBAIK UNTUK SINYAL SUARA Syahroni Hidayat1*, Habib Ratu Perwira Negara2, Danang Tejo Kumoro3
1,2,3 Jurusan Teknik Informatika, STMIK Bumigora Mataram
Jl. Ismail Marzuki no. 32 Cakranegara, Mataram, Nusa Tenggara Barat
*Email: 1syahroni.hidayat@stmiknumigora.ac.id, 2habib.ratu27@gmail.com, 3danangmoro@gmail.com Abstrak
Wavelet akhir-akhir ini telah banyak diaplikasikan pada pemrosesan sinyal, salah satunya adalah pada pengenalan suara otomatis. Hal ini karena wavelet mengungguli FFT, yaitu mampu untuk memetakan sinyal ke dalam domain frekuensi-waktu secara bersamaan sehingga dalam prosesnya tidak ada data sinyal yang hilang Wavelet memiliki banyak family yang dibedakan oleh fungsi basis (mother) waveletnya. Namun tidak semua family wavelet tersebut dapat diaplikasikan pada objek sinyal yg sama pada pengenalan suara sehingga dalam aplikasinya penggunaan wavelet masih terkesan trial dan error. Oleh karena itu, perlu dilakukan penentuan tingkat kemiripan fungsi basis wavelet terhadap sinyal di mana wavelet akan diaplikasikan. Dengan demikian, kemampuan sistem pengenalan suara dimungkinkan akan meningkat. Dalam hal ini, salah satu metode yang dapat digunakan untuk menentukan tingkat kemiripan antara sinyal suara dengan fungsi basis wavelet adalah dengan menghitung nilai korelasi antara keduanya. Hasil penelitian menunjukkan bahwa untuk suara vokal bahasa Indonesia a, i, u, e, è, o, dan ò dengan panjang segmentasi 2048 data diperoleh db45 merupakan fungsi basis wavelet terbaik. Adapun berdasarkan jenis kelamin maka fungsi basis wavelet db44 dan fungsi basis wavelet db45 secara berturut-turut merupakan fungsi terbaik untuk suara vokal pria dan wanita.
Kata kunci: fungsi basis wavelet, korelasi silang, pengenalan suara otomatis, wavelet,.
1. PENDAHULUAN
Wavelet telah banyak diaplikasikan dalam bidang penelitian terkait pemrosesan sinyal. Misalnya pada pengenalan suara otomatis, wavelet digunakan dalam ekstraksi ciri suatu sinyal suara. Selain itu, wavelet mengungguli FFT karena mampu untuk memetakan sinyal ke dalam domain frekuensi-waktu secara bersamaan sehingga dalam prosesnya tidak ada data sinyal yang hilang (Rashmi 2014; Anusuya & Katti 2011). Meskipun demikian, tidak semua fungsi wavelet dapat diaplikasikan pada sinyal suara karena wavelet memiliki banyak family.
Pada wavelet, masing-masing family memiliki fungsi basis dan koefisien tersendiri. Dalam satu family setiap fungsi basis dibedakan berdasarkan jumlah koefisiennya. Hal ini membuat penggunaan wavelet dalam aplikasi pengenalan suara masih terkesan trial dan error. Karena seseorang tidak dapat menggunakan sebuah family dan fungsi skala wavelet untuk seluruh aplikasi dan memperoleh hasil yang sama baiknya (Ahuja et al. 2005). Seperti yang telah dilakukan oleh (Farooq & Datta 2003; S. Hidayat et al. 2015; R. Hidayat et al. 2015) yang mengaplikasikan wavelet Daubechies pada pengenalan suara fonem dan suku kata. Hasilnya menunjukkan terdapat beberapa fonem dan suku kata yang cocok dengan koefisien wavelet daubechies yang digunakan namun ada beberapa juga yang tidak.
Oleh karena itu, perlu dilakukan penentuan fungsi basis wavelet yang paling mirip dengan sinyal yang diolah sehingga dimungkinkan hasil pengenalan suara akan menjadi lebih tinggi. Ada beberapa metode yang telah dikembangkan untuk penentuan fungsi basis wavelet terbaik, seperti penentuan fungsi basis wavelet berdasarkan nilai entropi sinyal pada hasil dekomposisi tertentu (Coifman & Wickerhauser 1992), penentuan dengan menghitung rata-rata fungsi basis terbaik terhadap transformasi kosinus wavelet paket (wavelet-packet cosine transform : WPCT) (Galka & Ziolko 2009), dan penentuan dengan menghitung korelasi antara seluruh fungsi basis wavelet dengan sinyal hasil dekomposisi yang diaplikasikan pada sinyal biomedik dan suara bearing
(Rafiee et al. 2011; Rafiee et al. 2009; Rafiee & Tse 2009). Akan tetapi, pada penelitian yang disebutkan terakhir, metode korelasi yang digunakan berupa autokorelasi dan koefisien korelasi. Berdasarkan uraian di atas, maka pada penelitian ini digunakan korelasi silang (cross-correlation) untuk penentuan fungsi basis wavelet yang paling mirip dengan sinyal suara. Adapun fungsi basis wavelet yang digunakan hanya wavelet family daubechies. Karena sifatnya yang asimetris, mirip seperti sinyal suara.
248 2. METODOLOGI
2.1 Pengumpulan Data
Perekaman suara dilakukan terhadap 50 orang pembicara, masing-masing 25 orang laki-laki dan 25 orang perempuan. Suara yang direkam berupa suara vokal bahasa Indonesia, yaitu a, i, u, e,
è, o, dan ò. Alat perekaman berupa mikrofon yang terintegrasi dengan headphone. Perangkat lunak perekaman adalah Audacity. Proses perekaman dilakukan dengan frekuensi sampling 16 kHz, mono, PCM 16 bit. Standar pengucapan suku kata mengikuti standar pengucapan pada International Phonetic Association (IPA) (International Phonetic Association n.d.). Perekaman dilakukan di dalam ruangan untuk dapat mengurangi pengaruh derau latar. Lebih ringkasnya tentang pengumpulan data terdapat pada Tabel 1 berikut:
Tabel 1. Variabel dan parameter perekaman
No Variabel Keterangan
1 Jenis data yang direkam Vokal
2 Jumlah sampel 50 orang
3 Pengulangan Perekaman 1 kali
4 Tempo Perekaman Sesuai IPA
5 Frekuensi sampling (fs) 16 kHz 6 Estimasi Durasi/vokal 1 detik 7 Lingkungan Perekaman Tertutup 8 Format Penyimpanan Data *.wav
2.2 Pengolahan Data
Terdapat beberapa tahapan pengolahan data, yaitu tahapan pre-processing yang terdiri dari reduksi derau, deteksi sinyal suara, normalisasi. Berikutnya tahap processing berupa proses perhitungan korelasi silang. Selanjutnya adalah tahap post-processing, yaitu penentuan basis wavelet terbaik. Lebih jelasnya tahapan-tahapan tersebut dijelaskan berikut ini.
2.2.1 Reduksi Derau dan Deteksi Sinyal Suara (end point)
Sinyal suara yang direkam terdiri dari tiga keadaan, silence, unvoiced dan voiced. Silence
pada sinyal suara dapat dikategorikan sebagai derau (noise), dan adanya derau tidak hanya akan mempengaruhi proses komputasi akan tetapi juga akan mempengaruhi kualitas suara. Oleh karena itu, derau pada sinyal suara haruslah dihilangkan agar memperoleh kualitas suara yang lebih baik serta menghemat komputasi karena yang diproses hanyalah sinyal voiced saja. Untuk memisahkan sinyal voiced dapat dengan menghapus silence dan mendeteksi titik akhir (end point) dari sinyal suara (Hidayat et al. 2016). Penentuannya dengan menggunakan Short-Time Energy (STE) dan
Short-Time Zero Crossing Rate (ZCR)(Poornima 2016).
𝐸𝑛 = ∑ 𝑥(𝑚)𝑊(𝑛 − 𝑚) ∞
𝑚=−∞
(1)
Persamaan (1) merupakan algoritma perhitungan STE, dengan W merupakan fungsi window. Adapun algoritma perhitungan ZCR diberikan pada persamaan (2). Pada ZCR juga menggunakan fungsi window sama seperti STE. Selain itu pada ZCR menggunakan fungsi signum.
𝑍𝑛 = ∑ |𝑠𝑔𝑛[𝑥(𝑚)] − 𝑠𝑔𝑛[𝑥(𝑚 − 1)]|𝑊(𝑛 − 𝑚) ∞
𝑚=−∞
(2)
2.2.2 Normalisasi
Pada proses perekaman, hasil rekaman sinyal suara yang berulang-ulang membuat level energi yang diperoleh akan bertingkat-tingkat, hal ini disebabkan perubahan jarak mikrofon dan sumber sinyal. Normalisasi amplitudo diterapkan untuk mengatasi tingkat energi yang tidak konsisten antara sinyal dan dinyatakan pada persamaan (xx) (Huang et al. 2001).
249 𝑆𝑛𝑜(𝑛) =
𝑆(𝑛)
𝑚𝑎𝑥 (𝑎𝑏𝑠(𝑆(𝑛))) (3)
2.2.3 Korelasi
Korelasi merupakan pengukuran statistika untuk menentukan derajat kesamaan linier antara dua variabel berbeda. Dua variabel dapat dikatakan berkorelasi jika koefisiennya bernilai antara –1 dan +1. Semakin dekat nilai koefisien dengan -1 atau +1 maka korelasi semakin kuat. Korelasi antar dua variabel dinyatakan oleh (Huang et al. 2001; Rafiee et al. 2011):
𝜌𝑥,𝑦= 𝑐𝑜𝑣(𝑥, 𝑦) 𝜎𝑥𝜎𝑦 =𝐸 ((𝑥 − 𝜇𝑥)(𝑦 − 𝜇𝑦)) 𝜎𝑥𝜎𝑦 (4)
Rumus di atas mensyaratkan adanya kesamaan antara panjang data yang akan diukur tingkat korelasinya. Sehingga untuk data sinyal suara yang memiliki panjang data yang beragam, terdapat metode perhitungan korelasi tersendiri yang disebut korelasi silang. Rumus korelasi silang dinyatakan sebagai (Ingle & Proakis 2012):
𝜌𝑥,𝑦(𝑙)= ∑ 𝑥(𝑛)𝑦(𝑛 − 𝑙) ∞
𝑛=−∞
(5)
2.2.4 Transformasi Wavelet
Wavelet adalah gelombang dengan durasi terbatas yang memiliki nilai rata-rata nol, tidak seperti sinusoid yang secara teoritis memiliki panjang dari minus ke plus tak hingga, sementara wavelet memiliki awal dan akhir. Atau dapat dikatakan sebagai gelombang pendek atau singkat. Dalam wavelet dikenal dua metode transformasi yaitu transformasi diskrit dan transformasi kontinyu. Pada aplikasinya transformasi diskrit lebih hemat dalam komputasi, namun transformasi kontinyu lebih baik dan efisien karena mampu mempertahankan seluruh informasi tanpa melakukan downsampling. Persamaan umum wavelet kontinyu adalah :
𝐶𝑊𝑇(𝑡, 𝜔) = (𝜔 𝜔0 ) 1 2 ∫ 𝑠(𝑡′)𝜓 ∗ +∞ −∞ (𝜔 𝜔0 ) (𝑡′− 𝑡)𝑑𝑡′ = {𝑠(𝑡), 𝜓(𝑡)} (6)
Dengan {} adalah inner product sinyal ѱ ϵ L2(ℜ)\{0} yang sering disebut sebagai mother
wavelet. Mother wavelet harus memenuhi kondisi :
0 ≺ 𝑐𝜓= 2𝜋 ∫ |𝜓̂(𝜉)| 2 +∞ −∞ 𝑑𝜉 |𝜉|≺ +∞ (3)
dan
ω
/
ω
0adalah faktor skala(Rafiee et al. 2011).
Mother wavelet menghasilkan semua fungsi wavelet yang digunakan dalam transformasi melalui translasi dan penskalaan, maka mother wavelet juga akan menentukan karakteristik dari transformasi wavelet yang dihasilkan. Oleh karena itu, perlu perhatian yang teliti terhadap penerapan wavelet dan pemilihan yang tepat terhadap mother wavelet harus dilakukan agar dapat menggunakan transformasi wavelet secara efisien(Ahuja et al. 2005). Perbedaan mother wavelet ini menyebabkan wavelet dibagi menjadi ke dalam beberapa family, di antaranya Haar, Daubechies, Symlet, Coiflet, Meyer, Mexican Hat, B-spline dan lain-lain (PYWAVELET n.d.). Wavelet daubechies, symlet dan coiflet merupakan fungsi asimetris. Di antara ketiga fungsi ini, daubechies yang paling banyak diaplikasikan pada pengenalan suara otomatis.
250 2.3 Alur Penelitian
Jalannya penelitian ini telah ditunjukka pada Gambar 1. Ini merupakan pengembangan dari algoritma pemilihan wavelet yang telah dilakukan oleh Rafiee (Rafiee et al. 2011). Pertama-tama suara hasil perekaman dihilangkan deraunya. Kemudian dilakukan pendeteksian titik akhir sinyal suara (end point).
SINYAL SUARA SEGMENTASI SINYAL SUARA SEBESAR 2n FUNGSI BASIS WAVELET (FBW) DAUBECHIES - REDUKSI NOISE
- DETEKSI AKTIVITAS SUARA - NORMALISASI
PILIH SALAH SATU FUNGSI BASIS WAVELET DAN SINYAL SUARA TERSEGMENTASI
MULAI
SINYAL SUARA TERSEGMENTASI
HITUNG KORELASI ANTARA KOEFISIEN BASIS WAVELET DENGAN KOEFISIEN SINYAL HASIL
DEKOMPOSISI WAVELET KONTINYU
HITUNG RATA-RATA NILAI ABSOLUT HASIL KORELASI (RAK) SINYAL
TERSEGMENTASI DEKOMPOSISI HINGGA
LEVEL-K
RAK SINYAL SUARA 1,1 / FBW 1 ..
RAK SINYAL SUARA m,1/ FBW 1
RAK SINYAL SUARA 1,1/ FBW N ..
RAK SINYAL SUARA m,1/ FBW N ...
RSW = HITUNG RATA-RATA RAK SINYAL SUARA / FBW
N
PILIH NILAI RSW TERBESAR
FUNGSI BASIS WAVELET TERBAIK
SELESAI
Gambar 1. Flowchart pemilihan fungsi basis wavelet
Selanjutnya adalah dilakukan normalisasi untuk memperoleh nilai amplitudo maksimal yang seragam. Berikutnya adalah masing-masing sinyal suara disegmentasi sebesar 2048 data. Setiap segmen sinyal suara akan dihitung nilai korelasi silangnya terhadap seluruh fungsi basis family
wavelet daubechies (dbN). Dimana orde (N) koefisien tertinggi untuk family daubechis adalah 45. Sebelumnya, segmen sinyal suara didekomposisi sampai level ke-4. Tujuannya adalah untuk mengurangi efek redundansi yang biasanya terjadi pada transformasi wavelet kontinyu. Hasil dekomposisi kemudian dihitung koefisiennya menggunakan transformasi wavelet kontinyu pada skala 4. Nilai koefisien wavelet inilah yang kemudian dikorelasikan dengan fungsi basis wavelet. Proses berlanjut hingga seluruh segmen sinyal telah dihitung nilai korelasinya dengan seluruh
251
fungsi basis family daubechies. Setelah semua sinyal suara dihitung nilai korelasinya, kemudian dilanjutkan dengan proses penentuan fungsi basis wavelet terbaik. Yaitu, dengan menghitung nilai maksimal dari rata-rata nilai korelasi untuk seluruh sinyal suara.
3. HASIL DAN PEMBAHASAN 3.1 Hasil Pre-Processing
Hasil dari tahapan pre-processing berupa reduksi derau, deteksi sinyal suara dan normalisasi ditunjukkan pada Gambar 2. Dimana pada Gambar 2 (a) ditunjukkan sinyal asli hasil perekaman untuk suara vokal a sedangkan hasil pre-processing ditunjukkan pada Gambar 2 (b). Dapat dilihat bahwa sinyal asli masih mengandung derau latar. Namun setelah pemrosesan awal derau telah tereduksi dan nilai amplitudo maksimalnya adalah ± 1.
(a) (b)
Gambar 2. Sinyal suara (a) sebelum dan (b) sesudah pre-processing
3.2 Hasil Pemilihan Wavelet
Dari hasil perhitungan korelasi silang seluruh sinyal suara vokal bahasa Indonesia terhadap fungsi basis wavelet daubechies, diketahui bahwa untuk panjang segmen 2048, yang terbaik adalah db45. Adapun jika dikelompokkan berdasarkan jenis kelamin, maka fungsi basis wavelet daubechies terbaik untuk seluruh suara vokal pria bahasa Indonesia adalah db44. Sedangkan untuk seluruh seluruh vokal wanita bahasa indonesia adalah db45. Lebih ringkasnya disajikan pada Tabel 2 di bawah ini.
Tabel 2. Fungsi basis wavelet terbaik untuk seluruh vokal No Jenis Vokal Rata-rata
Nilai Maksimum
Family Wavelet db 1 Seluruh Suara Vokal
(a, i, u, e, è, o, dan ò) 10.77 45
2 Suara Vokal Pria 10.87 44
3 Suara Vokal Wanita 10.68 45
Dari hasil di atas, maka dapat dimungkinkan akan adanya peningkatan hasil pengenalan pada sistem pengenalan suara jika db45 diaplikasikan sebagai alat ekstraksi ciri.
4. KESIMPULAN DAN SARAN
Pada penelitian ini telah dilakukan penentuan fungsi basis wavelet terbaik untuk sinyal suara suku kata bahasa Indonesia dengan metode korelasi silang. Suku kata difokuskan pada vokal a, i, u,
e, è, o, dan ò. Fungsi wavelet yang digunakan adalah family daubechies (dbN) dengan jumlah orde koefisien tertinggi N = 45. Segmentai sinyal yang digunakan berukuran 2048 data. Dari hasil analisis diperoleh bahwa untuk kondisi panjang segmen data tersebut diperoleh fungsi wavelet daubechies terbaik untuk sinyal suara vokal bahasa Indonesia adalah db45. Adapun berdasarkan jenis kelamin maka fungsi basis wavelet db44 dan fungsi basis wavelet db45 secara berturut-turut merupakan fungsi terbaik untuk suara vokal pria dan wanita.
Penelitian dapat dilanjutkan untuk menentukan konsistensi hasil fungsi basis yaitu terbaik dengan mengubah-ubah panjang sinyal segmentasi yang digunakan. Misalkan mulai dari 1024, 512, dan 256 data. Selain itu, dilakukan juga analisis terhadap tingkat hasil pengenalan suara suku kata menggunakan fungsi basis wavelet terbaik yang diperoleh dari penelitian ini.
252 5. UCAPAN TERIMA KASIH
Peneliti mengucapkan terima kasih kepada DRPM RISTEKDIKTI yang telah membiayai penelitian ini dan semua pihak yang mendukung penelitian ini, terutama kampus STMIK Bumigora Mataram.
DAFTAR PUSTAKA
Ahuja, N., Lertrattanapanich, S. & Bose, N.K., 2005. Properties determining choice of mother wavelet. In IEE Proc.-Vis. Image Signal Process.
Anusuya, M.A. & Katti, S.K., 2011. Front end analysis of speech recognition: a review.
International Journal of Speech Technology, 14(2), pp.99–145. Available at: http://link.springer.com/10.1007/s10772-010-9088-7 [Accessed May 11, 2015].
Coifman, R.R. & Wickerhauser, M.V., 1992. Entropy-Based Algorithms for Best Basis Selection.
IEEE Transaction on Information Theory, 38(2), pp.713–718.
Farooq, O. & Datta, S., 2003. Phoneme recognition using wavelet based features. In Information Sciences. pp. 5–15.
Galka, J. & Ziolko, M., 2009. Mean Best Basis Algorithm for Wavelet Speech Parameterization. In
Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing. pp. 1110–1113.
Hidayat, R., Priyatmadi & Ikawijaya, W., 2015. Wavelet based feature extraction for the vowel sound. In 2015 International Conference on Information Technology Systems and Innovation, ICITSI 2015 - Proceedings. pp. 1–4.
Hidayat, S., Hasanah, U. & Rizal, A.A., 2016. Algoritma Penghapus Derau / Silence Dan Penentuan Endpoint Dengan Nilai Ambang Terbobot Untuk Sinyal Suara. In Seminar Nasional APTIKOM (SEMNASTIKOM). pp. 320–323.
Hidayat, S., Hidayat, R. & Adji, T.B., 2015. SPEECH RECOGNITION OF KV-PATTERNED INDONESIAN SYLLABLE USING MFCC, WAVELET AND HMM. Jurnal Ilmiah Kursor, 8(2), pp.67–78.
Huang, X., Acero, A. & Hon, H.-W., 2001. Spoken Language Processing: A Guide to Theory, Algorithm and System Development, Prentice Hall. Available at:
http://www.amazon.ca/exec/obidos/redirect?tag=citeulike09-20&path=ASIN/0130226165.
Ingle, V.K. & Proakis, J.G., 2012. Digital Signal Processing using MATLAB, 3rd ed., USA: CENGAGE Learning.
International Phonetic Association, IPA Learning Tool. , p.http://www.internationalphoneticalphabet.org/ipa-l. Available at: http://www.internationalphoneticalphabet.org/ipa-learning-tool/IPA-Interface/ipa-chart-with-sounds2.html [Accessed January 1, 2015].
Poornima, S., 2016. Basic Characteristics of Speech Signal Analysis. International Journal of Innovative Research and Development (IJIRD), 5(4), pp.1–5.
PYWAVELET, WAVELET BROWSER. Available at: http://wavelets.pybytes.com/wavelet/db3/ [Accessed May 21, 2015].
Rafiee, J. et al., 2009. A novel technique for selecting mother wavelet function using an intelligent fault diagnosis system. Expert Systems With Applications, 36(3), pp.4862–4875. Available at: http://dx.doi.org/10.1016/j.eswa.2008.05.052.
Rafiee, J. et al., 2011. Wavelet basis functions in biomedical signal processing. Expert Systems With Applications, 38(5), pp.6190–6201. Available at: http://dx.doi.org/10.1016/j.eswa.2010.11.050.
Rafiee, J. & Tse, P.W., 2009. Use of autocorrelation of wavelet coefficients for fault diagnosis.
Mechanical Systems and Signal Processing, 23, pp.1554–1572.
Rashmi, C.R., 2014. Review of Algorithms and Applications in Speech Recognition System.
International Journal of Computer Science and Information Technologies (IJCSIT), 5(4), pp.5258–5262.
