ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT

Transkripsi

1 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication system. In some cases, noise can disturb signal. It is very annoying as the received signal is jumbled with the noise itself. To reduce or remove noise, filter lowpass, highpass or bandpass can solve the problems, but this method cannot reach a maximum standard. One of the alternatives to solve the problem is by using adaptive filter. Adaptive algorithm frequently used is Least Mean Square (LMS) Algorithm which is compatible to Finite Impulse Response (FIR). The positive result of this experiment can be seen from the value of Mean Square Error (MSE) and Signal to Noise Ratio (SNR). Keyword : Noise, adaptive filter, Least Mean Square (LMS), Mean Square Error (MSE) 1.PENDAHULUAN 1.1.Latar Belaang Sinyal adalah bagian penting dari sistem teleomuniasi, seperti pada sistem teni pengolahan sinyal. Dalam tahun-tahun terahir ini, banya perhatian diberian epada teni pengolahan sinyal digital dalam sistem teleomuniasi. Banya apliasi informasi yang ini dapat dengan mudah diream, ditransmisi dan yang disimpan format digital. Hasilnya, pengolahan sinyal digital menjadi suatu alat modern yang penting. Pengolahan sinyal digital antara lain : periraan parameter arateristi sinyal, penghapusan atau pengurangan noise yang tida diinginan dan transformasi sinyal e dalam beberapa bentu yang lebih informatif. Dalam beberapa situasi dalam sistem teleomuniasi, jumlah noise yang merusa sinyal lebih besar daripada jumlah sinyal yang diinginan. Sinyal auisti dapat dirusa oleh noise atau terdistorsi oleh gelombang omuniasi, atau dilemahan oleh percaapan yang lain, dan hasil yang diterima adalah sinyal diinginan yang tercampur dengan noise. Hal ini bisa saja diselesaian dengan filter lowpass, highpass atau bandpass untu mendapatan sinyal yang diinginan, tetapi metode ini jarang mendapatan hasil optimum. Salah satu alternatif penyelesaian masalah sinyal terdistorsi oleh noise dapat diselesaian dengan filter adaptif. Filter adaptif adalah filter pengatur oefisien yang dapat beradaptasi untu menyesuaian terhadap perubahan statisti sinyal sehingga dapat mengoptimalan sinyal dari distorsi. Salah satu algoritma filter adaptif yang sering digunaan adalah algoritma Least Mean Square (LMS), yang bisa diapliasian untu filter adaptif Finite Impulse Respone (FIR). Algoritma Least Mean Square (LMS) untu filter adaptif FIR digunaan untu menghilangan noise sehingga aan mendapatan error yang paling ecil dari sinyal ditinjau dari Mean Square Error (MSE) dan SNR (Signal to Noise Ratio). 1.. Permasalahan Bagaimana cara mengurangi atau menghilangan noise dengan menggunaan Filter Adaptif? 1.3. Pembatasan Masalah Filter adaptif yang digunaan adalah Finite Impulse Respose (FIR) Data suara yang digunaan adalah data suara manusia yang diream dan disimpan dalam beras suara dengan format wav dengan durasi 1 deti dan deti.

2 66 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni Panjang tapis yang digunaan adalah,,, dan, sedang uuran langah adaptasi yaitu.1;. dan Tujuan Mengurangi atau menghilangan jumlah noise agar memperoleh eluaran berupa sinyal yang diinginan dengan melihat Mean Square Error (MSE) dan Signal to Noise Ratio (SNR). 1.. Manfaat Mengurangi atau menghilangan jumlah noise sehingga mendapatan sinyal yang diinginan.. LANDASAN TEORI.1.Noise Noise dapat didefinisian dengan sinyal yang tida diinginan yang bertentangan dengan omuniasi, penguuran, atau pengolahan sinyal informasi. Noise adalah sinyal yang menyampaian informasi mengenai sumber noise... Filter Adaptif Adaptif otomatis adalah sistem yang struturnya dapat berubah atau disesuaian dengan arateristi atau hasilnya (berdasaran pada riteria yang diinginan) untu diperbaii melalui lingungannya. Sistem adaptif biasanya mempunyai arateristi beriut ini : 1. Dapat berubah secara otomatis dalam menghadapi perubahan lingungan (nonstasioner) dan perubahan sistem.. Dapat dilatih untu melauan penyaringan husus dan tugas pengambilan eputusan. Sintesis dari sistem mempunyai emampuan untu menjadi pandai seperti dapat diprogram dengan proses pelatihan. Karena sistem adaptif tida membutuhan prosedur sintesa yang rumit yang biasanya dibutuhan pada sistem non-adaptif. 3. Sistem adaptif tida membutuhan cara sistesis rumit yang biasanya dibutuhan sistem non adaptif. Mesipun begitu, sistem adaptif cenderung untu mampu mendesain sendiri. 4. Dapat memperiraan suatu model arateristi agar sesuai dengan eadaan baru setelah dilatih oleh sejumlah ecil pelatihan sinyal atau pola.. Apabila panjangnya terbatas, sistem adaptif dapat memperbaii diri sendiri, yaitu beradaptasi di seitar jenis tertentu dari esalahan internal. 6. Sistem adaptif biasanya didesripsian sebagai sistem non-linier dengan parameter timevarying.. Lebih omples dan suar untu menganalisis dibanding dengan sistem non adaptif, tetapi menawaran emunginan tentang pencapaian sistem yang dapat ditingatan inerjanya saat arateristi sinyal input tida dienal atau time varying..3.finite Impulse Response (FIR) Respon Impuls FIR adalah terbatas arena tida ada umpan bali pada filter. Kesalahan numeri terjadi etia implementasi filter FIR dalam perhitungan omputer terjadi terpisah dengan masing-masing perhitungan, filter FIR tida `mengingat` esalahan terdahulu. Sebalinya, bagian umpan bali filter IIR dapat menyebaban esalahan numeri campuran dengan perhitungan masing-masing arena esalahan numeri umpan bali. Dampa dari hal ini adalah filter FIR diimplementasian secara umum daripada filter IIR. x 1 Z x 1 x 1 Z w w1 L Σ Σ Gambar.1. Blo diagram dari bentu langsung filter digital FIR Persamaan yang sesuai dengan implementasi bentu langsung FIR adalah : L y = n= w n x n + Σ + w 1 Z =, 1, (.1).4.Algorima Least Mean Square (LMS) Algoritma LMS adalah algoritma adaptif yang paling sederhana dan yang paling banya digunaan. Algoritma ini digunaan untu turunan pada permuaan dan dienal dengan algotritma Least mean square (LMS). Algoritma ini + x L Σ + wl y

3 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 menggunaan periraan gradien husus yang sesuai untu adaptive linear combiner. Adaptive linear combiner diterapan pada dua cara utama, tergantung pada input yang tersedia apaah dalam bentu parallel (input jama) atau serial (input tunggal), yaitu : { w x Vetor x w 1 sinyal 1. masuan.. w L x L Σ Vetor bobot y Sinyal output Gambar.. Bentu umum adaptive linear combiner Input jama X = [ x x 1. x L ] T (.) Input tunggal X = [ x x 1. x L ] T (.3) Keterangan : X = vetor olom dalam edua asus = indes watu.. Adaptive Noise Canceling Dasar noise canceling digambaran pada gambar beriut: s + n n 1 Gambar.3. Konsep Adaptive noise canceling Sinyal ditransmisian melalui gelombang menuju sensor yang menerima sinyal tambahan dari noise n. Kombinasi dari input utama sinyal dan noise s + n menuju canceler. Sensor edua menerima noise n 1 yang tida dihubungan dengan sinyal tetapi dihubungan dalam beberapa cara yang tida dietahui dengan noise n. Sensor ini memberian input referensi e canceler. Noise n 1 difilter untu menghasilan output y yang merupaan replia tertutup dari n. Output ini diurangan dengan input utama s + n untu menghasilan sistem output s + n - y. Salah satu arateristi dari gelombang dimana noise ditransmisian untu sensor utama dan referensi pada umumnya adalah desain filter yang mampu mengubah n 1 sampai y = n. Output filter emudian diurangan dari masuan utama, dan sistem output menjadi sinyal sendiri. Karateristi jalur transmisi diasumsian buan sesuatu yang alami, menggunaan filter tertentu adalah tida mungin. Lebih dari itu, mesipun jia memunginan untu menggunaan filter tertentu, arateristinya harus disesuaian dengan etepatan yang sulit untu dicapai, dan memperecil esalahan yang mengaibatan meningatan daya noise. Dalam sistem yang ditunjuan pada gambar, input referensi diproses dengan filter adaptif secara otomatis melauan penyesuaian respon impulsnya melalui algoritma rata-rata terecil, seperti algoritma Least Mean Square (LMS) yang bereasi tergantung pada esalahan sinyal, diantaranya pada output filter. Dengan algoeitma yang sesuai, filter dapat beroperasi mengubah eadaan dan dapat mengatur embali eadaannya secara terus menerus untu meminimalan esalahan sinyal. Dalam sistem noise canceling, tujuan pratisnya adalah untu menghasilan sistem output s + n - y yang terbai dalam rata-rata terecil dalam sinyal s. Tujuan ini adalah memenuhi dengan umpan bali sistem output untu filter adaptif dan penyesuaian filter melalui algoritma adaptif untu meminimalan eseluruhan sistem daya output. Dalam sistem adaptive noise canceling, sistem output bertinda sebagai esalahan sinyal untu proses adaptif. Diasumsian bahwa s, n, n 1 dan y adalah stasioner secara statisti dan bernilai nol. Diasumsian bahwa s tida dihubungan dengan n dan n 1 dan n 1 dihubungan dengan n, maa outputnya adalah : ε = s + n - y (.4) Sehingga diperoleh: ε = s + ( n ) y + s ( n y) (.) Reasisasi bahwa s tida dihubungan dengan n dan dengan y adalah: E [ ε ] = E [ s ] + E [( n y) ] (.4)

4 68 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 Sinyal E [ ε ] disesuaian untu meminimalan E [ ε ] minimum adalah : aan dipengaruhi oleh filter [ ] [ ] E min [ ε ] = E ( s ) + min ( n y) Ketia filter menyesuaian, E [ ]. Output E (.6) [ ] [ ] ε aan minimum, sehingga E ( n y) juga aan minimum. Output filter y adalah periraan ratarata terecil terbai dari noise utama. Ketia E ( n y) adalah minimal, E ( ε s) juga aan minimal, arena : ( ε s) = ( n y) (.) Penyesuaian atau adaptasi filter untu meminimalan esalahan output adalah serupa menyebaban output ε menjadi periraan terbai rata-rata dari sinyal s untu memberian strutur dan penyesuaian dari filter adaptif dan untu memberian input referensi. Output ε biasanya terdiri dari sinyal s dan noise. Karena pengecilan E [ ε ] aan memperecil E [( n y) ], pengecilan eseluruhan output aan memperecil eluaran noise dan arena sinyal dalam output tetap, memperecil eseluruhan output aan memperbesar perbandingan sinyal dengan noise. Keluaran paling ecil adalah E min [ ε ] = E ( s ). Ketia ini tercapai, E [( n y) ] =. oleh arena itu, y = n dan ε = s. Dalam hal ini, memperecil output menyebaban sinyal output bebas dari noise. Dengan ata lain, etia input referensi sepenuhnya tida dihubungan dengan input utama, filter aan mematian sendiri dan noise output tida aan bertambah. Dalam hal ini, filter output y dihubungan dengan input utama. [ ] Outputnya adalah : E [ ε ] = E ( s + n ) + E [ y ] (.8) Memperecil daya eluaran memerluan E [ y ] ecil, yang terpenuhi dengan membuat y menjadi nol. semua bobot nol, sehingga E [ ] Ini dapat diperluas menjadi asus yang berisi input utama dan referensi, sebagai tambahan terhadap n dan n 1, noise aca aditif yang tida dihubungan dengan yang lainnya dan dengan s, n dan n 1..6.Tolo Uur Keberhasilan Adaptive noise canceling Keberhasilan suatu proses adaptive noise canceling dapat ditentuan berdasaran berdasaran ualitas suara yang dihasilan, SNR (Signal to noise ratio), MSE (Mean Square Error). SNR (Signal to Noise Ratio) merupaan perbandingan antara daya signal asli dan derau. Secara matematis dapat dinyataan sebagai : SNR input = SNR output = daya sinyalinput daya noise input daya noise output daya sinyal output (.9) (.1) MSE (Mean Square Error) memperlihatan perbedaan rata-rata antara sinyal asli dengan sinyal yang dihasilan setelah proses penghapusan dilauan. Untu menentuan nilai MSE digunaan rumus : MSE = E m ( d e) (.3 ) Dengan d adalah sinyal yang diinginan sedangan y adalah sinyal error. Selain menggunaan tolo uur MSE dan SNR, penilaian eberhasilan juga dapat dietahui dengan memperdengaran suara output epada responden. Pada tugas ahir ini aan mengambil responden sebanya 1 orang. 3.Perancangan Sistem 3.1. Perangat Perancangan Perangat Keras Perangat eras yang digunaan adalah : Komputer prosesor IP,6 GHz. RAM 6 MB. Soundcard Flash Disc Miropon Speaer Perangat Luna Perangat luna yang digunaan adalah Windows XP dan program MATLAB 6..

5 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni Adaptive Noise Canceling menggunaan Algoritma Least Mean Square Gambaran umum proses adaptive noise canceling: Data Suara Masuan (Sinyal Asli + Derau) Adaptive Noise Canceling Data Suara Hasil Noise Canceling Gambar 3.1. Gambaran umum Adaptive Noise Canceling Sedangan onsep adaptive noise canceling dapat dilihat pada Gambar.3. Pada tugas ahir ini membuat ondisi penelitian, yaitu : 1. Kondisi 1 : sinyal informasi, sinyal noise dan sinyal masuan dibuat dalam bentu simulasi dengan durasi 1 deti.. Kondisi : sinyal informasi dibuat dengan proses reaman, sinyal noise dibuat dengan simulasi, sedangan sinyal masuan penambahan dalam bentu matri antara eduanya, semua berdurasi 1 deti. 3. Kondisi 3 : sinyal informasi, sinyal noise dan sinyal masuan dibuat dengan proses reaman dengan durasi 1 deti. 4. Kondisi 4 : sinyal informasi simulasi, sedangan sinyal noise dan sinyal masuan dibuat dengan proses reaman dengan durasi deti.. Kondisi : sinyal informasi, sinyal noise dan sinyal masuan dibuat dengan proses reaman dengan durasi deti. Tahap-tahap penelitian dapat diuraian sebagai beriut: 1. Data yang menggunaan sinyal simulasi langsung dibuat pada program Matlab. Sedangan untu data yang diream, beras suara yang telah disimpan dalam format WAV emudian dibaca.. Pencampuran antara sinyal informasi dengan sinyal noise sehingga diperoleh sinyal noise yang merupaan masuan dari sistem. 3. Menetuan nilai panjang tapis yaitu,,, dan, sedangan untu onstanta uuran langah adaptasi (µ) adalah.1;.; dan.. 4. Untu tiap-tiap sampel erjaan langah sampai.. Perhitungan eluaran filter : L y = n= w n x n 6. Perhitungan Mean Square Error (MSE) : E m x y. Perhitungan Signal to Noise Ratio (SNR) : SNR input = SNR output = daya sinyalinput daya noise input 4.Hasil dan Pembahasan x daya sinyal output daya noise output 4.1. Grafi Hasil Pemfilteran a. Kondisi 1 Gambar 4.1. Adaptive noise canceling menggunaan algoritma LMS Gambar 4.1 adalah adalah sinyal yang diinginan yaitu gabungan antara sinyal informasi dan sinyal noise, sedangan outputnya dengan cepat dapat mengiuti bentu sinyal yang diinginan. Gambar 4.3. Grafi adaptasi w dan w1

6 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 outputnya dengan cepat dapat mengiuti bentu sinyal yang diinginan. Gambar 4.4. Grafi galat uadrat rerata Perubahan bobot w dan w1 yang tida begitu besar menjadian grafi perbandingan antar eduanya hampir sama. Grafi 4.4 memperlihatan galat dari pengolahan sinyal, yaitu uadrat dari selisih sinyal yang diinginan dengan sinyal error. Gambar 4.8. Grafi adaptasi w dan w1 Gambar 4.8 memperlihatan perubahan bobot w dan w1 yang tida begitu besar menjadian grafi perbandingan antar eduanya hampir sama. Gambar 4.. Grafi sinyal informasi dan error Pada Gambar 4., sinyal error dapat melauan adaptasi sesuai dengan sinyal informasi. Selama watu tersebut oefisien bobot berubah menyesuaian dengan sinyal informasi. Gambar 4.9. Grafi galat uadrat rerata Grafi 4.9 memperlihatan galat dari pengolahan sinyal, yaitu uadrat dari selisih sinyal yang diinginan dengan sinyal error. b. Kondisi Gambar 4.6. Adaptive noise canceling menggunaan algoritma LMS Gambar 4.6 adalah adalah sinyal yang diinginan yaitu gabungan antara sinyal informasi yang dibuat melalui proses reaman dan sinyal noise simulasi. Terlihat bahwa Gambar 4.1. Grafi sinyal informasi dan error Pada Gambar 4.1. memperlihatan sinyal error yang pada awalnya sulit untu melauan adaptasi, tetapi hasilnya setelah adaptasi urang masimal.

7 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 1 c. Kondisi 3 arena selisih antara sinyal yang diinginan dan sinyal error yang berubah drastis sehingga errornya pun berubah dengan drastis. Gambar 4.. Adaptive noise canceling menggunaan algoritma LMS Gambar 4.. adalah sinyal yang diinginan yaitu gabungan antara sinyal informasi yang dibuat melalui proses reaman dan sinyal noise yang juga dibuat dengan proses reaman. Terlihat bahwa outputnya tida bisa mengiuti bentu sinyal yang diinginan yang merupaan gabungan dari sinyal informasi dan sinyal noise. Gambar 4.. Grafi sinyal informasi dan error Pada Gambar 4.. memperlihatan sinyal error yang pada awalnya sulit untu melauan adaptasi, tetapi hasilnya setelah beradaptasi urang masimal. d. Kondisi 4 Gambar Grafi adaptasi w dan w1 Gambar memperlihatan perubahan bobot w dan w1 yang tida begitu besar menjadian grafi perbandingan antar eduanya hampir sama. Gambar Adaptive noise canceling menggunaan algoritma LMS Gambar adalah adalah sinyal yang diinginan yaitu gabungan antara sinyal informasi simulasi dan sinyal noise yang dibuat dengan proses reaman. Terlihat bahwa outputnya tida bisa mengiuti bentu sinyal yang diinginan yang merupaan gabungan dari sinyal informasi dan sinyal noise. Gambar Grafi galat uadrat rerata Gambar memperlihatan galat dari pengolahan sinyal, yaitu uadrat dari selisih sinyal yang diinginan dengan sinyal error. Perubahan grafi pada iterasi dan Gambar Grafi adaptasi w dan w1

8 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 Perubahan bobot w dan w1 yang tida begitu besar menjadian grafi perbandingan antar eduanya hampir sama. Gambar 4.1. adalah sinyal yang diinginan yaitu gabungan antara sinyal informasi simulasi dan sinyal noise yang dibuat dengan proses reaman. Terlihat bahwa outputnya tida bisa mengiuti bentu sinyal yang diinginan yang merupaan gabungan dari sinyal informasi dan sinyal noise. Gambar Grafi galat uadrat rerata Grafi 4.19 memperlihatan galat dari pengolahan sinyal, yaitu uadrat dari selisih sinyal yang diinginan dengan sinyal error. Gambar 4.3. Grafi adaptasi w dan w1 Perubahan bobot w dan w1 yang tida begitu besar menjadian grafi perbandingan antar eduanya hampir sama. Gambar 4.. Grafi sinyal informasi dan error Pada Gambar 4., sinyal error dapat melauan adaptasi sesuai dengan sinyal informasi. Selama watu tersebut oefisien bobot berubah menyesuaian dengan sinyal informasi. Gambar.4. Grafi galat uadrat rerata Grafi.4 memperlihatan galat dari pengolahan sinyal, yaitu uadrat dari selisih sinyal yang diinginan dengan sinyal error. e. Kondisi Gambar 4.1. Adaptive noise canceling menggunaan algoritma LMS Gambar 4.. Grafi sinyal informasi dan error Pada Gambar 4., sinyal error dapat melauan adaptasi sesuai dengan sinyal

9 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 3 informasi. Selama watu tersebut oefisien bobot berubah menyesuaian dengan sinyal informasi. Pada Gambar 4.1 dan 4.6, sinyal yang diinginan dapat dengan mudah mengiuti bentu sinyal input, sedangan pada Gambar 4. sinyal output tida bisa mengiuti bentu sinyal input. Hal ini diarenaan sinyal noise pada ondisi 1 dan (Gambar 4.1 dan 4.6) adalah simulasi, jadi dapat dengan mudah outputnya mengiuti bentu sinyal yang diinginan. Sedangan pada ondisi 3 (Gambar 4.), noise dibuat dengan proses reaman, jadi ada noise dari luar yang tercampur dengan sinyal yang diinginan, sehingga outputnya sulit beradaptasi. Pada Gambar 4. dan 4.1, terlihat bahwa sinyal error memerluan beberapa saat untu beradaptasi sebelum ahirnya dapat mengiuti bentu sinyal informasi. Selama watu beradaptasi tersebut, filter mengubah oefisien sehingga meminimalan error. Tetapi pada Gambar 4. sinyal error mengalami esulitan untu beradaptasi. Sinyal noise yang diream telah terontaminasi oleh suara di seitar lingungan selama proses pereaman, sehingga sinyal noise tida asli. Karena itulah, maa outpunya sulit untu melauan adaptasi. Pada ondisi 4, terlihat pada Gambar 4. bahwa sinyal error dapat mengiuti bentu sinyal informasi dengan bai arena sinyal informasi berupa simulasi sehingga bersih dari noise yang mungin teream pada sinyal informasi yang melalui proses reaman. Pada ondisi, terlihat pada Gambar 4. bahwa sinyal error mempunyai bentu sama tapi amplitudo lebih rendah. Pada ondisi 3, error sulit beradaptasi, yaitu pada Gambar Nilai Mean Square Error (MSE) Tabel 4.1. Mean Square Error (MSE) µ Panjang Mean Square Error Tapis Kondisi 1 Kondisi Kondisi E- 4.69E- 9.43E-4.63E- 4.69E- 9.13E-4.6E- 4.69E- 9.E-4.48E- 4.69E- 8.88E-4.43E- 4.69E- 8.9E E- 4.6E- 9.8E-4.4E- 4.66E- 9.1E-4 6.8E- 4.6E- 9.66E E- 4.68E- 9.8E-4 6.1E- 4.68E- 9.1E-4. 9.E- 4.1E- 9.8E-4 8.E- 4.6E- 9.E-4.6E- 4.64E- 9.4E-4.1E- 4.66E- 9.E-4 6.E- 4.66E- 9.6E-4 Dari grafi di atas, terlihat bahwa semain besar nilai panjang tapis yang digunaan, nilai MSE yang dihasilan secara eseluruhan aan semain ecil, ecuali pada ondisi yang MSEnya terlihat hampir tida ada perubahan. Variasi nilai MSE yang nai arena selisih antara sinyal informasi yang diinginan dan error bertambah besar. Semain panjang tapis yang dipaai, nilai MSE-nya semain ecil sehingga eluaran yang dihasilan mendeati einginan. Seharusnya, semain ecil nilai µ, maa nilai MSE-nya aan semain ecil. Tetapi pada percobaan ini, semain ecil nilai µ maa semain ecil nilai MSE sehingga dapat disimpulan bahwa µ yang inerjanya masimal pada,1.

10 4 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 Panjang μ Tapis Nilai Signal to Noise Ratio (SNR) SNR Tabel 4.. Signal to Noise Ratio (SNR) Kondisi 1 Kondisi Kondisi 3 Input Output Input Output Input Output Dari tabel di atas, terlihat bahwa semain besar nilai panjang tapis yang digunaan, E+3 maa nilai SNR yang dihasilan aan semain ecil. Demiian juga dengan nilai langah E E E E+ adaptasi (µ), semain ecil nilai µ, maa nilai SNR-nya aan semain ecil. Hal ini tida sesuai dengan teori bahwa semain besar panjang tapis dan semain ecil µ yang digunaan, nilai SNR seharusnya semain besar. Dari tabel 4. dapat diambil esimpulan bahwa panjang tapis yang inerjanya paling bai adalah E E Penilaian Secara Subyetif Pada percobaan ini diambil 1 sampel. Penilaian dilauan dengan cara E+3 memperdengaran suara antara sebelum proses pemfilteran dan setelah proses E+3 pemfilteran. Tabel di bawah ini adalah hasil dari percobaan yang menggunaan ondisi E+3 Hasil penilaian dibagi menjadi ategori yaitu perbandingan sebelum pemfilteran dan E+ sesudah pemfilteran : 1. Tetap E+4. Lebih bai E+4 Tabel 4.4. Hasil penilaian responden No. Responden Hasil penilaian E+4 1. Rifa Lebih bai. Rulis Lebih bai E+3 3. Nien Tetap 4. Nunu Lebih bai. Dian Lebih bai 6. Indri Tetap. Vita Lebih bai 8. Wiwi Lebih bai 9. Uni Tetap 1. Nurul Lebih bai dari 1 responden pada tabel 4.4 berpendapat bahwa suara hasil pemfilteran ualitasnya lebih bai daripada sebelum pemfilteran. Jadi, filter adaptif ini dapat diataan berhasil mengurangi jumlah noise.

11 Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1. PENUTUP.1 SIMPULAN Berdasaran hasil pengujian program simulasi, maa dapat ditari beberapa esimpulan, yaitu 4) Durasi pada sinyal masuan hendanya tida terlalu lama, arena matlab esulitan untu mengeseusi iterasi yang terlalu panjang. 1) Nilai µ pada filter adaptif mempengaruhi nilai MSE dan SNR. Semain ecil nilai µ, nilai MSE aan semain ecil, sedangan nilai SNR aan semain besar. ) Panjang tapis juga mempengaruhi nilai MSE maupun SNR. Semain panjang tapis yang dipaai, nilai MSE aan semain ecil, sedangan nilai SNR aan semain besar. Pada percobaan ini, inerja masimal dicapai saat panjang tapis, sehingga nilai SNR seterusnya aan cenderung turun. 3) Pada percobaan dengan noise simulasi, hasil yang diperoleh pola sinyal error dapat mengiuti sinyal informasi. Tetapi dengan noise reaman, sinyal error esulitan untu mengiuti pola sinyal informasi, hal ini diarenaan adanya suara (noise) sehingga sinyalnya terontaminsasi. 4) Pada penelitian ini, hasil yang paling bai dicapai saat percobaan dengan panjang tapis dan µ.1. ) Hasil penilaian dari 1 responden menyataan bahwa ualitas sinyal setelah pemfilteran lebih bai daripada sebelum pemfilteran sehingga percobaan ini dianggap berhasil.. SARAN 1) Pengembangan noise canceling dapat dilauan dengan menggunaan algoritma lain, seperti jaringan saraf tiruan dan algoritma geneti. Demiian juga dengan perangat luna yang digunaan dapat menggunaan bahasa pemrograman lain, seperti C++ atau Delphi. ) Media peream dan cara mereamnya harus diperhatian arena aan mempengaruhi suara yang dihasilan. 3) Gunaan estensi suara yang berbeda, seperti mp3, WMA, dll. DAFTAR PUSTAKA Brown and Hwang Introduction to Random Signals and Applied Kalman Filter. New Yor : John Wiley & Sons, Inc. Carlson, and Crilly.. Communication Systems. New Yor : McGraw-Hill. Ghausi and Laer Modern Filter Design : Active RC and Switch Capasitor. New Jersey : Prentice-Hall, Inc. Proais, John.. Digital Communication. New Yor : McGraw-Hill. Proais and Rader Advance Digital Signal Processing. New Yor : Maxwell Macmillan Canada, Inc. Roden, M. R Analog and Digital Communication Systems. New Jersey : Prentice-Hall, Inc. Stearn, S. D., and David R. A Signal Processing Algorithms In Matlab. New Jersey : Prentice-Hall, Inc. Westall and Ip, S. F. A Digital Signal Processing in Telecommunication. London : Chapman & Hall. Widrow, Bernard and Stearn, S. D Adaptive Signal Processing. New Jersey : Prentice- Hall, Inc direct.xilinx.com Biografi Anita Nardiana, Mahasiswa Teni Eletro UNNES SariSujoo Sumaryono, dosen Teni Eletro UGM