PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS)

Transkripsi

1 TUGAS AKHIR TE PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS) WAHYU INDRA PURNAMA SARI NRP Dosen Pembimbing Dr. Ir. Wirawan, DEA Ir. Endang Widjiati M.Eng.Sc.

2 LATAR BELAKANG Jenis gelombang yang dipakai di dalam UWA adalah Gelombang Akustik Sinyal akustik yang diterima oleh sensor tercampur dengan sinyalsinyal lainnya di lingkungan Diperlukan suatu teknik memisahkan sinyal yang tercampur

3 RUMUSAN PERMASALAHAN 1. Bagaimanakah karakteristik komunikasi bawah air? 2. Bagaimanakah rancangan sistem pemisahan sinyal suara dari beberapa sumber bunyi yang beroperasi secara serentak dan direkam oleh hydrophone array? 3. Bagaimana pemisahan sinyal dengan menggunakan metode BSS terutama menggunakan algoritma FastICA, SOBI, dan JADE?

4 BATASAN MASALAH 1. Sensor yang digunakan adalah hydrophone array dengan jumlah dan konfigurasi tertentu. 2. Metode yang dipakai untuk memisahkan sinyal suara adalah BSS dengan algoritma FastICA, SOBI, dan JADE khususnya untuk analisis metode pencampuran instantaneous mixture. 3. Jumlah sensor sama dengan jumlah sumber suara. 4. Pengukuran dilakukan di Lab Hydrodinamika Indonesia (LHI).

5 TUJUAN PENELITIAN 1. Mengetahui karakteristik dari komunikasi bawah air yang berbeda dengan karakteristik komunikasi di udara. 2. Mengetahui rancangan sistem pemisahan sinyal suara yang diemisikan beberapa mesin beroperasi secara serentak dan direkam dengan menggunakan hydrophone array. 3. Mengetahui metode pemisahan sinyal BSS dengan menggunakan algoritma FastICA, SOBI dan JADE.

6 METODOLOGI PENELITIAN Mulai Penentuan Karakteristik Data yang Dibutuhkan Pengambilan Data Data Literatur Membuat Mixing Signal Algoritma BSS Pengambilan Data di LHI Algoritma BSS 1

7 METODOLOGI PENELITIAN (cont d) 1 Mencari Nilai Similarity Antara Sinyal Asli dengan Sinyal Hasil Pemisahan Mencari nilai MSE dan SIR analisis Hasil Simulasi Penarikan Kesimpulan selesai

8 BLIND SEPARATION OF SOURCE (BSS) BSS merupakan metode pemisahan satu set sinyal dari satu set sinyal campuran, tanpa adanya informasi (atau dengan sangat sedikit informasi) tentang sumber sinyal atau proses pencampuran. Terdapat beberapa algoritma BSS yang digunakan pada Tugas Akhir ini: a. Independent Component Analysis (ICA) Deflationary Symetrical b. Second Order Blind Identification (SOBI) c. Joint Approximate Diagonalization of Eigenmatrice (JADE)

9 BLIND SEPARATION OF SOURCE (BSS)

10 FLOWCHART UMUM BSS Centering Whitening Pemilihan Metode Pemisah Sinyal Pemrosesan Data Sinyal yang Telah Dipisah

11 PRE-PROCESSING 1. Centering Hal yang mendasar yang perlu dilakukan adalah dengan memusatkan data (centering) x sehingga menjadi variabel yang memiliki rerata nol (zero-mean). 2. Whitening X = X E[X] Pemutihan (whitening) merupakan praproses yang berfungsi untuk me mutih kan variabel yang diamati, sehingga didapatkan sebuah vektor baru yang variansnya sama dengan satu serta komponen nyata dan imajinernya tidak terkorelasi dengan nilai varians yang sama. z = Vx

12 SYARAT-SYARAT DALAM MENGGUNAKAN METODE BSS Syarat menggunakan metode BSS dalam pemisahan sinyal: Matrix pencampur dan matrix pemisah merupakan matrix square Non Gaussian Statistically Independent

13 Independent Component Analysis (ICA) Sebuah teknik pemrosesan sinyal untuk menemukan faktor faktor atau komponen tersembunyi yang membentuk sekumpulan variabel acak Komponen tersembunyi dianggap nongaussian dan secara statistik saling bebas satu sama lain (independent)

14 METODE ICA DEFLATIONARY Centering & Whitening Memilih sebuah nilai awal vektor kompleks w, dapat secara acak w p E zg(w p T z) E{g (w p T z)}w p p 1 w p w p w j w j T w p j=1 No w p w p w p W Yes Konvergen p>m Yes p=p+1 W = wp1,..wm

15 METODE ICA SYMETRICAL Centering & Whitening Memilih sebuah nilai awal vektor kompleks w= I,.,m w i E zg(w i T z) E{g (w i T z)}w W (WW T ) 1/2 W W W W W 3 2 W 1 2 WWT W No WW T mendekati konvergen Yes W

16 Second Order Blind Identification (SOBI) Algoritma Second Order Blind Identification (SOBI) merupakan salah satu contoh paling sederhana dari metode Second Order Statistic (SOS). SOBI merupakan metode yang menggunakan second order cumulant atau varians untuk mendapatkan nilai demixing matrixnya.

17 METODE SOBI Memusatkan data (centering) & Whitening data Memilih banyaknya time delay yang ingin dilakukan Mencari matrix kovarians untuk tiap-tiap time delay Mencari sinyal estimasi Melakukan Joint Diagonalization sehingga dihasilkan matrix V Membentuk ulang sinyal yang sudah di whitening

18 Joint Approximate Diagonalization of Eigenmatrice (JADE) Secara garis besar, algoritma Joint Approximate Diagonalization of Eigenmatrice (JADE) memiliki banyak kesamaan dengan algoritma SOBI, dimana kedua algoritma tersebut sama-sama menggunakan Joint Diagonalization untuk mendapatkan nilai demixing matrixnya. Pada algoritma SOBI, sebelum melakukan proses Joint Diagonalization, dilakukan pencarian nilai kovariansnya sedangkan pada JADE yang digunakan sebelum Joint Diagonalization adalah fourth order cumulant.

19 METODE JADE Memusatkan data (centering) & Whitening data Mencari nilai Cumulant orde 4 : k z = E z 4 3(E z 2 ) 2 Membentuk ulang cumulant matrix dengan mensortir eigenvalue dan eigenvector-nya Joint Diagonalization Mencari sinyal estimasi : S=VX

20 HASIL PEMISAHAN SINYAL DENGAN JADE & SOBI Diketahui Sinyal 1 = welcome Inputan Mixing Signal Sinyal 2 = mystery Mixing Signal Hasil Sinyal 1 Hasil Pemisahan JADE Sinyal 1 Hasil Pemisahan SOBI Sinyal 2 Hasil Pemisahan JADE Sinyal 2 Hasil Pemisahan SOBI

21 PENILAIAN TERHADAP HASIL PEMISAHAN SINYAL Hasil pemisahan sinyal dari berbagai metode, perlu ditelaah lebih lanjut unntuk menentukan peformansi dari tiap metode. Salah satu metode dalam melihat peformansi adalah dengan mencari nilai Similarity. Berbagai Similarity tersebut adalah: 1. Cross correlation 2. Euclidean Distance 3. Mean Square Error (MSE) dan Signal to Interference Ratio (SIR)

22 CROSS CORRELATION, EUCLIDEAN DISTANCE, & MSE-SIR 1. Cross correlation atau korelasi silang adalah sebuah metode untuk menghitung kesamaan antara dua sinyal. R xy t 1, t 2 = E[X t 1 Y t 2 ] 2. Euclidean Distance adalah metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor dengan cara menghitung akar dari kuadrat perbedaan 2 vektor. d s, se = (s 1 se 1) 2 + (s 2 se 2) (sn se n ) 2 3. MSE (Mean Square Error) adalah nilai rata-rata dari eror hasil estimasi, sedangkan SIR (Signal to Interference Ratio) adalah Perbandingan daya sinyal terhadap daya interferensi.. MSE = 1 n s se 2 SIR = 10 log n 10 (MSE) i=1

23 DATA INPUT Data sinyal input yang digunakan dibagi menjadi dua macam, yaitu data alami dan buatan. Fungsi g merupakan salah satu karakteristik yang cukup penting pada algoritma ICA.

24 DATA INPUT (cont d) Mixing matrix digunakan sebagai konstanta pengkali pada algoritma BSS sehingga didapatkan mixing sinyal yang akan digunakan untuk mencari estimasi sinyal sumber.

25 ANALISIS HASIL SIMULASI analisis hasil pemisahan sinyal meliputi: 1. Pengaruh sinyal input pada Algoritma BSS 2. Pengaruh Nilai Mixing Matrix pada Algoritma BSS 3. Pengaruh Jumlah Sumber pada Algoritma BSS 4. Pengaruh fungsi g pada Algoritma BSS 5. Pengaruh noise pada Algoritma BSS 6. analisis Pemisahan Sinyal pada Algoritma BSS dengan Menggunakan Toolbox ICALAB 7. analisis pemisahan sinyal data hasil pengukuran di LHI

26 Pengaruh sinyal input pada Algoritma BSS Nama Metode Defla Sym Jade Sobi Similarity Jenis Sinyal Voice Unvoice geometri kapal 2 x 2 2 x 2 2 x 2 2 x 2 r s r s r s r s

27 Pengaruh Nilai Mixing Matrix pada Algoritma BSS

28 Pengaruh Nilai Mixing Matrix pada Algoritma BSS (cont d)

29 Pengaruh fungsi g pada Algoritma BSS

30 Pengaruh fungsi g pada Algoritma BSS (cont d) Nama Metode Defla Sym Fungsi g Similarity g1 g2 2 x 2 3 x 3 2 x 2 3 x 3 r s t r s t

31 Pengaruh noise pada Algoritma BSS

32 KESIMPULAN 1. Algoritma FastICA, SOBI dan JADE mampu memisahkan sinyal dengan baik hal ini terlihat dari nilai similarity dengan menggunakan metode Cross correlation pada 2 sumber dengan algoritma FastICA Deflationary yang mencapai , FastICA symetrical , JADE , dan SOBI Sinyal input memberikan pengaruh pada tiap-tiap algoritma. Hal ini bergantung pada terpenuhi atau tidaknya syarat dari algoritma BSS yaitu independent. 3. Variasi fungsi g tidak berpengaruh pada hasil pemisahan, karena variasi fungsi g tidak memberikan perubahan pada nilai similarity. 4. Nilai mixing matrix tidak terlalu mempengaruhi nilai similarity dengan menggunakan metode cross correlation dan MSE. 5. Banyaknya sumber ikut berpengaruh pada keakuratan sinyal hasil estimasi. Semakin banyak sumber, keakuratan semakin mengecil. 6. Adanya noise mengurangi nilai similarity sinyal estimasi di tiap-tiap metode.

33 DAFTAR PUSTAKA [1] A. Hyvärinen, E. Oja. Independent Component Analysis: Algorithms and Application. Neural Networks, 13(4-5): , [2] A. Mansour, N. Benchekroun. General Structure for Separation of Underwater Acoustic. Berlin [3] Belourchrani, K. Abde-Meraim, J.F. Cardoso, A blind separation technique using second order statistics, IEEE on Trans. Signal Processing, vol 45, pp ,Feb [4] Cardoso, J.F. and Souloumiac, A. Jacobi angles for simultaneous diagonalizatio. SIAM J. Mat. Anal. Appl., 17, [5] Cardoso, J.F. and Souloumiac,A. Blind beamforming for nongaussian signals. Proc. Inst. Elec. Eng., pt. F, vol. 140, no. 6, pp , [6] Etter, Paul C. Underwater Acoustic Modelling, 2 nd edition. Chapman & Hall. London. Chapter [7] J. Eriksson, A. Kankainen, and V. Koivunen,. Novel characteristic function based criteria for ICA. Proceedings ICA 2001 San Diego, Dec [8] M.T. Sutherland, J. Liu, A. Tang. Temporal delays in blind identification of primary somatosensory cortex. International conference on machine learning and cybernetics [9] Stone, J.V. (2004). Independent Component Analysis: A Tutorial Introduction.MIT Press, Boston.

34 SARAN 1. Pada penelitian yang selanjutnya, dapat dicoba dengan membandingkan algoritma BSS dengan menggunakan sinyal hasil pencampuran dari convolutive mixture. 2. Algoritma BSS tidak hanya dapat digunakan pada sinyal suara namun juga dapat digunakan pada Gambar. Untuk yang selanjutnya, dapat diimplementasikan algoritma BSS pada pemisahan Gambar sebagai sistem pendeteksian suatu image. 3. Dalam pengambilan data di lapangan, sebaiknya menggunakan data inputan yang memenuhi criteria, yaitu independent dan non Gaussian.

35 TERIMA KASIH