kombinasi metode independent component analysis …

Mandala Anugerahwan F.

2209 100 116

Pembimbing:

1. Dr. Ir. Wirawan, DEA

2. Ir. Endang Widjiati M.Eng.Sc.

KOMBINASI METODE INDEPENDENT COMPONENT

ANALYSIS (ICA) DAN BEAMFORMING UNTUK

PEMISAHAN SINYAL AKUSTIK BAWAH AIR

Propeller Noise

Noise yang diakibatkan oleh putaran propeller kapal

Flow Noise

Noise yang diakibatkan interaksi aliran air dengan badan kapal

Machinery Noise

Noise yang diakibatkan oleh bunyi mesin kapal

Noise yang disebabkan oleh suara binatang bawah air

LATAR BELAKANG

PENELITIAN SEBELUMNYA

Independent Component Analysis (ICA) merupakan salah satu metode dari teknik BSS yang dapat membedakan unsur atau komponenpenyusun campuran sinyal secara independen

Simulasi

Toolbox ICALAB

Pemisahan secara riil

USULAN METODE

Beamforming merupakan metode yang digunakan untuk mengetahui lokasi sumber suara

KOMBINASI METODE INDEPENDENT COMPONENT

ANALYSIS (ICA) DAN BEAMFORMING UNTUK

PEMISAHAN SINYAL AKUSTIK BAWAH AIR

Rumusan Masalah

1. Apakah jarak transmisi dari peletakan sumber suara dengan hydrophonemempengaruhi kinerja pada algoritma BSS ?

2. Apakah kombinasi metode ICA dan Beamforming dapat diterapkan pada proses pemisahan dan pengenalan sinyal akustik bawah air ?

3. Apakah penggunaan algoritma beamforming mempengaruhi proses pemisahan dan pengenalan sinyal akustik bawah air ?

Batasan Masalah

1. Toolbox yang digunakan untuk simulasi adalah ICALAB MATLAB2. Sensor yang digunakan untuk penerima sinyal akustik adalah hydrophone

array dengan jumlah dan konfigurasi tertentu.3. Metode yang dipakai untuk pemisahan dan pengenalan sinyal akustik adalah

BSS dengan kombinasi algoritma ICA dan Beamforming4. Parameter yang digunakan dalm mengukur kehandalan metode adalah nilai

mean square error (MSE) dan signal to interference ratio (SIR).5. Jumlah sensor sama dengan jumlah sumber suara6. Pengukuran dilakukan di Laboratorium Hydrodinamika Indonesia (LHI)

Tujuan

1. Menganalisis pengaruh dari peletakan sumber suara terhadap letak hydrophone dalam kinerja algoritma BSS

2. Penerapan metode pemisahan sinyal BSS dengan menggunakan kombinasi algoritma ICA dan Beamforming.

3. Menganalisis dampak penggunaan algoritma beamforming pada proses pemisahan dan pengenalan sinyal akustik bawah air dilihat dari parameter mean square error dan signal to interference ratio.

METODOLOGI PENELITIAN

start

Pengambilan Data

Penentuan Karakteristik Data

yang Dibutuhkan

Penentuan Karakteristik

algoritma ICA

Studi Literatur

1 2

Analisa Hasil Simulasi

Mencari Nilai Signal to Ratio Output dan

Input

Algoritma ICA dan

Beamforming

Pengambilan data di

LHIData Literatur

1 2

Membuat Mixing

Sinyal

Algoritma ICA dan

Beamforming

Penarikan Kesimpulan

selesai

Mencari nilai Noise Reduction Rate, MSE, dan

SIR

1. Blind Source Separation

𝐴11 𝐴21

𝐴12 𝐴22

𝑥1 𝑡 = 𝑎11𝑠1 𝑡 + 𝑎12𝑠2 𝑡

𝑥2(𝑡 = 𝑎21𝑠1(𝑡 + 𝑎22𝑠2(𝑡

1. Blind Source Separation

Pre-processing

A. CenteringMemusatkan data sinyal campuran (X) dengan cara mengurangi vektor X dengan mean vektor X itu sendiri

𝑋𝑛 = 𝑋 − 𝐸[𝑋]

B. WhiteningMemutihkan variabel X, untuk mendapatkan vektor X baru dengan varians sama dengan satu

𝑧 = 𝑉𝑋𝑛𝑉 = 𝐷−1/2ƛ𝑇𝑋𝑛

2. Algoritma FastICA

Algoritma paling sederhana pada Metode ICAMemaksimalkan nilai non-gaussianity

Langkah :1. Mencari nilai W dengan

𝑤𝑖 ← 𝐸 𝑧𝑔(𝑤𝑖𝑇𝑧 − 𝐸{𝑔′(𝑤𝑖

𝑇𝑧)}wDengan nilai g :

g(y) = y exp (- y2/2) dan g’(y) = (1-y2)exp (- y2/2)

2. Ortogonalisasi matriks W

𝑊 ←𝑊

𝑊𝑊 ←

3

2𝑊 −

1

2𝑊𝑊𝑇𝑊

𝑌 𝑡 = 𝑊 𝑋 𝑡

Independent ComponentAnalysis

Independent Component Analysis (ICA) merupakan salah satu metode dari teknik BSS yang dapat membedakan unsur atau komponenpenyusun campuran sinyal secara independen

Statistically Independent

E 𝑆1𝑆2T = E 𝑆1 E[𝑆2]

Non-gaussian

𝑘𝑢𝑟𝑡 𝑆 = 𝐸 𝑆4 − 3(𝐸 𝑆2 2

3. Beamforming (Delay and Sum Beamformer)

𝑥𝑖 𝑡 = 𝑥1 𝑡 − (𝑖 − 1 𝑑 cos 𝜃

𝑐

𝑦 𝑡 =

𝑖=1

𝑀

𝑥𝑖 𝑡 + (𝑖 − 1 𝑑 cos 𝜃

𝑐

Merupakan metode yang berfungsi untuk mencari arah datang suara

Algoritma DS Beamformer menentukan nilai time delay dengan metode cross corelationdari suara yang terekam untuk menentukan arah datang sumber suara

Cross Corelation

]𝑟𝑥1𝑥2 = 𝐸 [𝑥1𝑥2

𝜏12= argmax 𝑟𝑥1𝑥2

Time Delay

4. Penilaian Hasil Pemisahan Suara

1. MSE (mean square error)

Nilai rata-rata dari eror hasil estimasi.

𝑀𝑆𝐸 =1

𝑛

𝑖=1

𝑛

𝑠𝑒 − 𝑠 2

2. SIR (signal to interference ratio)

Perbandingan daya sinyal terhadap daya interferensi

𝑆𝐼𝑅 = −10 𝑙𝑜𝑔10(𝑀𝑆𝐸

3. NRR (noise reduction rate)

Menghitung banyaknya noise yang dikurangi selama pemisahan suara.

𝑁𝑅𝑅 =

𝐿=1

2

(𝑆𝑁𝑅𝑂 − 𝑆𝑁𝑅𝐼

𝑆𝑁𝑅𝑂 = 10 log10

𝑓 𝐻𝐿𝐿(𝑓 𝑆𝐿(𝑓 2

𝑓 𝐻𝐿𝐾(𝑓 𝑆𝐾(𝑓 2

𝑆𝑁𝑅𝐼 = 10 log10

𝑓 𝐴𝐿𝐿(𝑓 𝑆𝐿(𝑓 2

𝑓 𝐴𝐿𝐾(𝑓 𝑆𝐾(𝑓 2

𝐻 = 𝑊.𝐴

DATA INPUT

Voice

𝑆1(𝑡 Kapal.wav

𝑆2(𝑡 Ikan.wav

𝑆3(𝑡 Ping.wav

Simulasi Jarak 5 m Jarak 10 m Jarak 1 m

2𝑥20.4975 0.18580.3194 0.4163

0.1998 0.19770.1977 0.1998

0.1 0.09970.0997 0.1

0.9728 0.79620.7962 0.9728

g(y) = y exp (- y2/2)

g’(y) = (1-y2)exp (- y2/2)

Data Suara yang Digunakan

Mixing Matrix yang Diperoleh

Fungsi g yang digunakan

HASIL PEMISAHAN SUARASIMULASI

Suara MSE SIR

Ikan 3.6399× 10−5 44.3891

Kapal 1.9670× 10−5 47.0620

Input Sinyal Suara Sinyal Hasil Pemisahan

Speaker-Hydrophone

Algoritma DS beamformer

Penghitungan Matematis

Speaker1-Hydrophone1

90° 90°


113,4° 129,8°


63,9834° 45°


90° 90°

Suara NRR

Ikan 0,0289

Kapal 0,00297



0 0.5 1 1.5 2 2.5 3 3.5-4

-2

0

2

4Suara Kapal

frkeuensi(Hz)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-10

-5

0

5

10Suara Ping

frkeuensi(Hz)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-10

-5

0

5

10Suara Estimasi I Hasil Pemisahan

frkeuensi(Hz)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-4

-2

0

2

4Suara Estimasi II Hasil Pemisahan

frkeuensi(Hz)am

plit

udo

Suara MSE SIR

Kapal 2.4025× 10−5 46.193

Ping 3.3881× 10−5 44.700



ICALAB

Suara MSE toolbox ICALAB

MSE Algoritma FastICA

Ikan 5.1185× 10−7 3.6399× 10−5

Kapal 9.4678× 10−7 1.9670× 10−5

Nilai SIR dengan Toolbox

HASIL PEMISAHAN SUARASECARA RIIL

Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan

Jarak 1 meter

Suara MSE SIR

Ikan 3.2969× 10−6 54.8190

Kapal 1.6745× 10−5 47.7613

Jarak Speaker-

Hydrophone

Hydrophone-Speaker

Arah Estimasi

Kedatangan Sumber

1 meter Hydrophone1-Speaker1

79.7305°

Hydrophone1-Speaker2

110.853°


69.1470°


100.2695°



Jarak 5 meter

0 1 2 3 4 5 6 7 8 9-0.4

-0.2

0

0.2

0.4Hasil Pencampuran Hydrophone 2

waktu (s)

am

plit

udo

0 1 2 3 4 5 6 7 8 9-0.4

-0.2

0

0.2


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-5

0

5Sinyal Estimasi I Hasil Pemisahan

waktu (s)

am

plitu

do

0 0.5 1 1.5 2 2.5 3 3.5-10

-5

0

5

10Sinyal Estimasi II Hasil Pemisahan

waktu (s)

am

plitu

do

Suara MSE SIRIkan 1.3763× 10−5 48.5020

Kapal 1.4119× 10−5 48.6129

Jarak Speaker-Hydrophone

Hydrophone-Speaker

Arah Estimasi Kedatangan Sumber

5 meter Hydrophone1-Speaker1

87.8701°


94.9353°


85.0647°


92.1299°



Jarak 10 meter

Suara MSE SIR

Ikan 8.355× 10−5 40.7803

Kapal 5.378× 10−5 42.6904

Jarak Speaker-Hydrophone

Hydrophone-Speaker

Arah Estimasi Kedatangan Sumber

10 meter Hydrophone1-

Speaker1

88.9340°

Hydrophone1-

Speaker2

92.4831°

Hydrophone2-

Speaker1

87.5169°

Hydrophone2-

Speaker2

91.066°

0 1 2 3 4 5 6 7 8 9 10-0.2

-0.1

0

0.1


waktu (s)

am

plit

udo

0 1 2 3 4 5 6 7 8 9 10-0.1

-0.05

0

0.05


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-2

-1

0


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5-1

-0.5

0

0.5


waktu (s)

am

plit

udo

KESIMPULAN

1. Pada pengujian metode ICA dengan algoritma FastICA dibandingkan dengan toolbox ICALAB untuk

pemisahan suara, didapatkan hasil nilai MSE dengan FastICA sebesar 3.6399× 10−5 sedangkan dengan

ICALAB 5.1185× 10−7. Nilai rata-rata SIR dengan FastICA sebesar 45,72dB dan nilai rata-rata SIR dengan

ICALAB 53dB. Hal ini menunjukan jika algoritma FastICA dapat memisahkan suara sama baiknya dengan

toolbox ICALAB.

2. Semakin jauh jarak antara speaker dengan hydrophone,

semakin berkurang nilai MSE dan SIR pada proses

pemisahan suara bawah air. Hal ini dapat dilihat pada jarak

1 meter nilai mean SIR bernilai 51,29dB, jarak 5 meter

bernilai 48.55dB, jarak 10 meter bernilai 41,73dB.

3. Pada pengujian metode beamforming dengan algoritma DS Beamformer, peletakan jarak speaker dengan hydrophone

minimal diletakan pada jarak 10 meter agar mendapatkan nilai delay untuk mengestimasi arah datang suara. Peletakan

speaker dan hydrophone yang saling berhadapan akan mendapatkan hasil yang maksimal. Metode beamforming dalam

pemisahan suara berfungsi untuk mengetahui arah datang sumber suara dan tidak mempengaruhi hasil pemisahan suara.

SARAN

1. Dalam proses pengambilan data secara riil selanjutnya, disarankan untuk melakukan analisis pengaruh kemiringan posisi speaker terhadap hydrophone.

2. Sebaiknya dalam proses pengujian metode beamforming selanjutnya, dilakukan pengukuran sudut antara hydrophone dengan speaker. Hal ini bertujuan agar hasil estimasi dengan metode beamforming dapat dibandingkan dengan hasil pengukuran secar riil.

3. Sebaiknya peletakan jarak antara speaker dengan hydrophone diletakanpada jarak yang jauh (diatas 10 meter) untuk mendapatkan nilai delayagar estimasi arah datang sumber suara dapat berjalan dengan baik dengan error minimum.

DAFTAR PUSTAKA

1. E. Widjati, Yuniati, E. Suwarni, “Pengujian Sinyal Akustik Noise

yang Disebabkan oleh Kavitasi Propeller di Terowongan Kavitasi”

3RD APTECS 2011

2. H. Saruwatari, “Blind Source Separation Combining Independent

Component Analysis and Beamforming” in EURASIP Journal on

Applied Signal Processing, 1135–1146, 2003:11

3. W.I.P Sari, ”Pemisahan Sinyal Akustik Bawah Air Menggunakan

Blind Separation of Source (BSS)”. Tugas Akhir, Jurusan Teknik

Elektro, Institut Teknologi Sepuluh Nopember Surabaya (2011).

4. V. Capdevielle, C. Serviere, and J. Lacoume, “Blind separation of

wide-band sources in the frequency domain,” in Proc. IEEE Int.

Conf. Acoustics, Speech, Signal Processing, pp. 2080–2083,

Detroid, Mich, USA, May 1995.

5. N. Murata and S. Ikeda, “An on-line algorithm for blind source

separation on speech signals,” in Proc. International Symposium

on Nonlinear Theory and Its Application, vol. 3, pp. 923–926, Le

Regent, Crans-Montana, Switzerland, September 1998.

6. P. Smaragdis, “Blind separation of convolved mixtures in the

frequency domain,” Neurocomputing, vol. 22, no. 1-3, pp. 21– 34,

1998.

7. L. Parra and C. Spence, “Convolutive blind separation of non-

stationary sources,” IEEE Trans. Speech, and Audio Processing,

vol. 8, no. 3, pp. 320–327, 2000.

8. J. Benesty, J. Chen, Y. Huang, “Microphone Array Signal

Processing” Conventional Beamforming Techniques pp. 39-46,

2008

9. N. Murata, S. Ikeda, and A. Ziehe. “An approach to Blind Source

Separation Based on Temporal Structure of Speech Signals”

10. Z. Jiang, “Underwater Acoustic Networks-Issues and Solutions”,

International Journal of Intelligent Control and Systems Vol 13, no.

3, 152-161 September 2008.

11. A. Quazi and W. Konrad, “Underwater acoustic

communications,” IEEE Commun. Mag., pp. 24–29, Mar. 1982

12. J. Partan, J. Kurose, and B. N. Levine, “A Survey of Practical

Issues in Underwater Networks, International Conference on

Mobile Computing and Networking”, Proc. of the 1st ACM

International workshop on Underwater networks, pp. 17 – 24, Los

Angeles, CA, USA, Sept., 2006.

13. N. Farr, A.D. Chave, L. Freitag, J. Preisig, S.N. White, D.

Yoerger, and F. Sonnichsen, “Optical Modem Technology for

Seafloor Observatories”, In Proc. IEEE OCEANS’06 Conf., pp. 1

– 6, Boston, MA, Sept. 2006.

14. P.C Etter, “Advanced Applications for Underwater Acoustic

Modeling” in Hindawi Publishing Corporation on Advances in

Acoustics Ana Vibration, 10.1155/2012/214839

15. P.C Etter “Underwater Acoustic Modelling and Simulations 4th

edition 2013

16. A. Hyvärinen, E. Oja . “Independent Component Analysis:

Algorithms and Application”. Neural Networks, (2-8):15-219,

2001.

17. James V. Stone. “Independent Component Analysis : A Tutorial

Introduction” (1-4):5-49, 2004

18. G.R. Naik and D.K. Kumar. “An Overview of Independent

Component Analysis and It’s Applications”, In Informatica

35(2011):63-81, 2009

19. Gail Scowcroft, http://www.dosits.org/science/advancedtopics/

Diakses pada 14 Maret 2013

20. P. Aarabi. “Self-Localizing Dynamic Microphone Arrays”,

IEEETransactions on Systems, man, and Cybernetics—Part C:

Applications and Reviews, Vol. 32, No. 4, November 2002

21. A. Cichocki, S. Amari, K. Siwek, “ICALAB for Signal

Processing” Laboratory for Advanced Brain Signal Processing.

2007

Input Suara

Suara lumba-lumba Suara Motor Kapal Suara Sonar (ping)

Suara Rekaman Hydrophone

1 meter 5 meter 10 meter

Ikan - Kapal

Ikan - Ping

Output Suara

1 meter 5 meter 10 meter

Ikan - Kapal

Ikan - Ping



Jarak 1 meter

0 1 2 3 4 5 6 7 8 9 10-0.4

-0.2

0

0.2


waktu (s)

am

plit

udo

0 1 2 3 4 5 6 7 8 9 10-0.4

-0.2

0

0.2


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10

-5

0

5


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10

-5

0

5


waktu (s)am

plit

udo



Jarak 5 meter

0 1 2 3 4 5 6 7 8 9 10-0.2

0

0.2

0.4


waktu (s)

am

plit

udo

0 1 2 3 4 5 6 7 8 9 10-0.2

0

0.2

0.4


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10

-5

0

5


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10

-5

0

5


waktu (s)am

plit

udo



Jarak 10 meter

0 2 4 6 8 10 12-0.2

-0.1

0

0.1


waktu (s)

am

plit

udo

0 2 4 6 8 10 12-0.2

-0.1

0

0.1


waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-0.2

-0.1

0

0.1

0.2Sinyal Estimasi I Hasil Pemisahan

waktu (s)

am

plit

udo

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-1

-0.5

0

0.5


waktu (s)am

plit

udo

MIXING MATRIX

𝐷𝑎𝑏 = 𝑅2 + 2𝑏ℎ + 𝑑1 − −1 𝑎−𝑏𝑑22

Jarak Transmisi

𝐷𝑏𝑎 = 𝑅2 + 2𝑏ℎ + 𝑑1 + −1 𝑏−𝑎𝑑22

𝜏𝑎𝑏 = 𝐷𝑎𝑏 𝑐

Kecepatan Rambat Suara

𝜏𝑏𝑎 = 𝐷𝑏𝑎 𝑐

𝛽 =0.11𝑓2

1+𝑓2 +44𝑓2

4100+𝑓2 [𝑑𝐵/𝑘𝑚]

Redaman Suara

𝐿𝐴 𝐷 = 10−

𝐷20000

𝛽

Penyerapan Energi

𝜃𝑎𝑏 = 𝑡𝑎𝑛−1𝑅

2𝑏ℎ + 𝑑1 − −1 𝑎−𝑏 𝑑2

𝜃𝑏𝑎 = 𝑡𝑎𝑛−1𝑅

2𝑏ℎ − 𝑑1 + −1 𝑏−𝑎 𝑑2

Pantulan Suara

𝑦 𝑡 = 𝐴00 𝑡 𝐿𝑐𝑠 𝐷00 𝐿𝐴 𝐷00 𝑥 𝑡 +

𝑠=1

∞

𝑏=𝑠−1

𝑠

𝐴𝑎𝑏 𝑡 𝐿𝑐𝑠 𝐷𝑎𝑏 𝐿𝐴 𝐷𝑎𝑏 −𝐿𝑆𝑅𝑎𝐿𝐵𝑅

𝑏𝐿𝐵 𝜃𝑎𝑏𝑏𝑥 𝑡 − 𝜏𝑎𝑏

+

𝑏=1

∞

𝑠=𝑏−1

𝑏

𝐴𝑏𝑎 𝑡 𝐿𝑐𝑠 𝐷𝑏𝑎 𝐿𝐴 𝐷𝑏𝑎 −𝐿𝑆𝑅𝑎𝐿𝐵𝑅

𝑏𝐿𝐵 𝜃𝑏𝑎𝑏𝑥 𝑡 − 𝜏𝑏𝑎 +𝑛 𝑡

LAMPIRAN

1. Filosofi Dasar Pemisahan Gelombang Suara

Kedua suara dibunyikan secara bersamaan pada waktu tertentu. Perbedaan karakteristiksinyal kedua suara tersebut (dalam gambar diatas suara ikan dan kapal) memilikiperbedaan. Saat kedua suara ini dibunyikan secara periodik (kontinyu), terdapatperbedaan frekuensi pada setiap suara. Sedikitnya informasi inilah yang mendasaridilakukannya proses blind source separation

kombinasi metode independent component analysis …

Documents