PEMISAHAN BANYAK SUMBER SUARA MESIN DARI MIKROFON BERBASIS TIME-FREQUENCY BLIND SOURCE SEPARATION
|
|
- Suparman Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMISAHAN BANYAK SUMBER SUARA MESIN DARI MIKROFON BERBASIS TIME-FREQUENCY BLIND SOURCE SEPARATION Sherly Sabaraya, Dhany Arifianto Jurusan Teknik Fisika-Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Sukolilo, Surabaya chellytf@ep.its.ac.id, dhany@ep.its.ac.id Abstrak Umumnya industri manufaktur secara operasional tidak terlepas pada ketergantungan pada mesin-mesin berputar misalnya pompa, kompresor dan lainnya yang beroperasi terus-menerus. Faktor perawatan (maintenance) berkala terhadap mesin pabrik sangatlah vital untuk menjaga kontinuitas produksi. Hingga saat ini teknik yang lazim dipakai adalah vibrometer yang dilengkapi accelerator sebagai sensor getaran (vibrasi) yang harus ditempelkan pada badan mesin kemudian dengan transformasi Fourier dapat diketahui frekuensi diri mesin apakah masih baik atau harus dirawat. Kendala dari teknik ini, jumlah mesin yang banyak sehingga perlu diperiksa satu per satu in-situ, sehingga mempersulit operator. Pada penelitian ini diusulkan teknik analisa sinyal suara yang diemisikan oleh mesin berputar tersebut untuk mempermudah monitoring tanpa sentuh. Teknik yang dipakai untuk memisahkan suara mesin yang saling bercampur antara satu dengan mesin tetangganya yaitu metode time-frequency Blind Source Separation (tfbss). Campuran sinyal suara banyak mesin (convolutive mixtures) mampu dipisahkan menjadi sinyal suara masing-masing mesin dan jenis kerusakan mesin dapat ditentukan berdasarkan frekuensi yang diekstraksi dengan Wigner-Ville distribution dibandingkan dengan sinyal suara rujukan (baseline) mesin. Fokus pada penelitian ini yaitu jumlah sensor lebih besar atau sama dengan sumber mesinnya sehingga perlu joint-diagonalization mixing matrices untuk memperoleh invers matriks. Dengan demikian, sinyal yang sama dari beberapa sensor dapat diwakilkan oleh satu sinyal saja (redundancy elimination) sehingga jumlah keluaran dari algoritma ini sama dengan jumlah sumber mesinnya. Berdasarkan eksperimen yang dilakukan dengan teknik microphone array, maka pemisahan sinyal suara mesin dari sinyal campuran secara convolutive mixture tidak sebaik instantaneous linear mixture. Perbandingan ini dapat ditunjukkan dari hasil MSE antara sinyal estimasi dan sinyal rujukan. Sehingga algoritma tfbss ini lebih baik digunakan untuk sinyal campuran secara instantaneous linear mixture (scalar mixing). Kata kunci: tfbss, Redundant Signals, Convolutive Mixture, Wigner-Ville Distribution I. PENDAHULUAN Teknik yang sering digunakan dalam mendeteksi kerusakan mesin di industri manufaktur yaitu Vibrometer yang disertai dengan accelerator. Dengan teknik ini, frekuensi diri atau frekuensi natural dari mesin dapat diketahui sehingga dapat ditentukan apakah mesin tersebut dalam kondisi baik atau diperlukan perawatan. Kelemahan dari teknik ini yaitu operator harus mengecek satu per satu mesin-mesin tersebut dalam jumlah yang banyak. Oleh karena itu, diperlukan perkembangan penelitian terhadap analisa sinyal suara mesin yang diemisikan oleh mesin-mesin berputar tersebut untuk mempermudah monitoring tanpa sentuh. Alasan lain yang melatar belakangi penelitian ini yaitu adanya penelitian tentang pemisahan banyak sumber suara (speech) dari mikrofon. Dari penelitian tersebut, suara campuran dari percakapan mampu dipisahkan menjadi suara tunggal sesuai dengan suara aslinya. Dari pemecahan masalah inilah kemudian dikembangkan penelitian kembali namun dengan mengambil objek yang berbeda yaitu mesin pompa. Dari latar belakang tersebut maka tujuan dari penelitian ini yaitu mampu memisahkan banyak sumber suara mesin dari mikrofon dengan metode tfbss (Time- Frequency Blind Source Separation) dan dengan pendekatan distribusi Wigner Ville. Dimana asumsi yang digunakan dalam penelitian ini yaitu jumlah sensor lebih besar atau sama dengan jumlah sumber, setiap mesin pompa memiliki karakter independensi dan pencampuran suara secara konvolutif. Akibat dari asumsi ini dimana jumlah sensor harus lebih besar dari jumlah sumber maka akan terjadi redudansi sinyal (sinyal yang sama). Dari permasalahan ini, maka tujuan yang ingin dicapai yaitu sinyal redundant mampu dihilangkan atau direduksi sehingga hanya terwakili oleh satu sinyal saja agar jumlah output sinyal estimasi sama dengan jumlah sumbernya. Hasil pemisahan (sinyal estimasi) ini akan dibandingkan dengan sinyal sumber (baseline) dengan menghitung nilai MSE (Mean Square Error). Dari penelitian ini diharapkan dapat bermanfaat bagi praktisi industri dalam penentuan kerusakan mesin dengan analisa pola suara. II. TFBSS Blind Source Separation merupakan suatu metode yang digunakan untuk memisahkan sinyal campuran dari banyak sumber suara tanpa mengetahui
2 banyak informasi mengenai sumber tersebut dan bagaimana proses pencampurannya [1]. Unknown mixing system Separation system S A X W m n m y Gambar 2.1 Diagram Blind Source Separation [3] Gambar 2.2 Diagram pencampuran dan pemisahan sinyal [11] (2.1) (2.2) Secara diagram, BSS dapat dilihat pada gambar 2.1. Gambar tersebut terdiri dari 2 proses yaitu proses pencampuran sinyal dan proses pemisahan sinyal. Dalam proses pencampuran, S ditunjukkan sebagai sinyal sumber sedangkan A adalah matrik pencampur dimana kedua hal ini tidak diketahui sebelumnya. Karena tidak diketahui kedua hal tersebut maka disebut Blind. Untuk proses pemisahan sinyal, adanya variable X menunjukkan sinyal observasi atau sinyal hasil pengukuran sedangkan W menunjukkan matrik invers dari A dan y adalah sinyal estimasi (hasil pemisahan). Sinyal estimasi ini diperoleh dari perkalian matrik W dan X. Diagram detail dalam pencampuran dan pemisahan sinyal dapat dilihat pada gambar 2.2. Dari diagram ini terlihat bahwa sensor satu (X1) menerima sinyal dari S1 dan S2 begitupula X2. Kemudian X1 dan X2 akan dipisahkan dengan dikalikan matrik W sehingga menjadi sinyal estimasi Y1 dan Y2. Perbedaan mendasar dari metode TFBSS ini yaitu persamaan matematisnya dimana Wigner Ville spectrum menjadi dasar dari plotting TFD (Time Frequency Distribution). Persamaan ini dapat dilihat pada persamaan 2.3. Secara detail, langkah-langkah dalam pemisahan sinyal suara dengan TFBSS yaitu : 1. Whitening data 2. Menghitung STFD (Spatial Time Frequency Distribution) dari sinyal observasi yang sudah diwhitening 3. Menghitung criterion 4. Mengumpulkan Single Auto Term (SAT) 5. Joint Diagonalization Dalam proses whitening data, sinyal suara campuran yang merupakan distribusi Gaussian akan diproses sehingga distribusinya menjadi distribusi Gaussian. Hal ini sesuai dengan central limit theorem dalam ilmu statistika. Untuk menghitung STFD digunakan distribusi Wigner-Ville. Distribusi ini sesuai dengan persamaan Gambar 2.3 Seleksi Single Auto Term (SAT) [1] yang tertera pada persamaan 2.3. Kemudian dalam pemisahan sinyal, diperlukan perhitungan criterion dimana perhitungan ini merupakan analogi dari perhitungan energi masing-masing sinyal campuran. Sehingga untuk sinyal yang memiliki energy lebih besar maka mendekati sinyal asli yang dibandingkan tersebut. Dari perhitungan energy ini, posisi single auto-term dapat ditentukan. Dalam gambar 2.3, ditunjukkan adanya perpotongan 2 sinyal campuran dimana perpotongan ini tidak lain adalah diagonal dari matrik estimasi. Selanjutnya, proses joint diagonalization dapat diterapkan. ( ) ( ) ( ) (2.3) ( ) ( ( ) ) (2.4) Karena fokus pada penelitian ini, jumlah sensor lebih dari atau sama dengan jumlah sumbernya maka pada saat proses pemisahan diperlukan teknik joint diagonalization mixing matrices agar perkalian matrik yang semula tidak square dapat menjadi square. Sehingga akan didapatkan invers matriknya guna memperoleh sinyal estimasi. Persamaan dalam joint diagonalization ini dapat dilihat pada persamaan 2.4. Dari persamaan tersebut, Im merupakan matrik Identitas yang jika dikalikan dengan varians ( ) nol maka akan menghasilkan nol pula. Matrik adalah matrik sinyal estimasi hermitian dimana sifat dari matrik hermitian yaitu jika dikalikan dengan suatu matrik akan menghasilkan matrik Identitas. Sehingga dari persamaan 2.4, hasil perkalian tersebut adalah diagonal matrik itu sendiri ( ). Convolutive Mixture k g ( n) h( k) f ( n k) (2.5) Data yang diperoleh dari perekaman langsung sumber suara pompa misalnya, merupakan sinyal-sinyal campuran yang sifatnya konvolutif. Sehingga asumsi dalam penelitian ini menggunakan pencampuran secara konvolutif. Persamaan matematis convolutive mixture ini ditunjukkan pada persamaan 2.5. Microphone Array Dalam pengambilan data sinyal suara mesin, teknik yang digunakan yaitu teknik microphone array.
3 Gambar 2.3 Ilustrasi sudut datang antar sumber dan sensor dalam BSS [5] Microphone array yaitu susunan beberapa mikrofon yang berfungsi sebagai sensor dalam menangkap sinyal dari banyak sumber suara[3]. Faktor atau parameter utama yang harus diperhatikan dalam teknik ini yaitu jarak antar mikrofon dan sudut datang yang dibentuk antara sumber dan sensor. Apabila dua parameter ini diabaikan maka akibat yang dapat terjadi adalah spatial aliasing dimana sinyal dari sumber satu tidak dapat ditangkap oleh sensor lainnya. Sudut datang berbeda yang dibentuk oleh sumber dan sensor diilustrasikan seperti gambar 2.3. III. EKSPERIMEN Tabel 3.1 Konfigurasi Perekaman Sinyal Sumber (Baseline) No. Perekaman Baseline 1. Normal 2. Bearing Fault 3. Unbalance Tabel 3.2 Konfigurasi Desain Eksperimental Sensor > Sumber Sensor = Sumber Matrik Konfigurasi Matrik Konfigurasi 3x2 BU 2x2 BU BN NB NU NU 4x2 BU 3x3 BNU BN - NU - 4x3 BNU - Keterangan : N = Normal B = Bearing Fault U = Unbalance Pada pengambilan data, teknik yang digunakan yaitu microphone array. Susunan dari microphone ini dapat dilihat pada gambar 3.1. Dari gambar tersebut, jarak antar mikrofon (d) ditentukan sebesar 30 cm, jarak antar sumber (pompa) sebesar 30 cm sedangkan jarak antar mikrofon dan sumber (pompa) sebesar 25 cm. Sudut datang yang diambil yaitu 0 o dimana posisi sumber tepat berada di depan mikrofon. Agar hasil perekaman sinyal suara dapat tersimpan pada komputer maka diperlukan DAC Gambar 3.1 Setting Desain Eksperimental di Ruang Semi Unechoic Lab. Akustik dan Fisika Bangunan (Digital Analog Converter) multi-channel. Kemudian diperlukan kalibrasi alat untuk mengetahui perbandingan antara sinyal suara mesin pompa terhadap background noise atau mencari SNR-nya. Setalah itu, dapat dilakukan inti dari penelitian ini. Langkah pertama yang harus dilakukan yaitu perekaman sinyal sumber masing-masing kondisi pompa dengan perekaman 1 sinyal sumber suara terhadap 1 mikrofon. Konfigurasi perekaman ditunjukkan pada tabel 3.1. Langkah kedua yaitu perekaman banyak sumber suara dengan teknik microphone array. Untuk konfigurasi desain eksperimen dapat dilihat pada tabel 3.2. Konfigurasi tersebut merupakan kombinasi maksimal 4 jumlah sensor dan maksimal 3 jumlah sumber. Perekaman ini dilakukan dengan software adobe audition 3.0 dimana sinyal suara yang didapat akan disimpan dengan ekstensi (.wav). Frekuensi sampling yang diambil yaitu sebesar 44100Hz. Setelah data diperoleh, maka proses selanjutnya yaitu pengolahan data dengan software matlab. Dalam pengolahan tersebut faktor utama dalam mengeksekusi program yaitu panjang data. Panjang data yang digunakan dalam penelitian ini yaitu sebesar Sedangkan frekuensi samplingnya di-downsample menjadi 256Hz. IV. HASIL DAN PEMBAHASAN Dalam penelitian ini, pemisahan sinyal suara dari jumlah mikrofon yang lebih besar atau sama dengan dari jumlah sumber suara pompa berhasil dilakukan dengan metode TFBSS atau Time-Frequency Blind Source Separation. Asumsi yang diambil pada metode ini yaitu tiap sumber pompa harus memiliki karakteristik independensi. Artinya, sinyal suara pada 1 pompa tidak mempengaruhi sinyal suara pompa lainnya.. Sehingga dalam penelitian ini, permasalahan bagaimana menjadikan sinyal redundant hanya diwakili satu sinyal saja dapat tercapai. Sampel kasus yang diambil dalam pembahasan ini yaitu kasus dengan konfigurasi 4 sensor dan 3 sumber pompa (seperti ditunjukkan pada tabel 3.2) dimana sumber yang digunakan yaitu pompa normal, pompa bearing fault, dan pompa unbalance. Seperti telah dijelaskan dalam prosedur eksperimen, bahwa sebelum perekaman inti dimulai, maka SNR antara sinyal suara mesin pompa
4 terhadap background noise harus diketahui dahulu. Hasil perhitungan SNR dengan Matlab ternyata diperoleh nilai 18 db. Artinya sinyal suara mesin pompa 18 kali lebih besar dibanding background noise. Kemudian hasil yang diperoleh dari pengambilan data dengan perekaman baseline ditampilkan seperti gambar 4.1. Gambar 4.3 Plotting Sinyal Estimasi beserta TFD dari 4 mikrofon dan 3 sumber suara pompa Gambar 4.1 Sinyal Suara Baseline dengan panjang data 1024 (a) Bearing Fault (b) Normal (c) Unbalance Pada gambar 4.1(a) normalisasi frekuensi untuk pompa dengan kerusakan bearing fault adalah Besarnya nilai ini diindikasikan oleh warna merah berarti besarnya amplitudo sekitar 25x10-7. Sedangkan gambar 4.1(b), normalisasi frekuensi untuk pompa normal sekitar 0.05, dan gambar 4.1(c) normalisasi frekuensi sekitar 0.1. Setelah pengolahan sinyal baseline, dilakukan pengolahan terhadap sinyal campuran dari tiga sinyal suara pompa dengan karakteristik berbeda tersebut. Asumsi pada saat pencampuran sinyal tersebut adalah convolutive mixture. Hasil pencampuran sinyal secara konvolutif tersebut kemudian dipisahkan dengan Blind Source Separation dengan ekstraksi dari distribusi Wigner-Ville yang merupakan Time-Frequency Distribution (TFD). Hasil dari pemisahan sinyal tersebut kemudian di-plot 1 gambar dengan sinyal baseline-nya sehingga perbedaan antara sinyal estimasi dan sinyal baseline dapat dengan jelas dilihat secara visualisasi. Plot gambar sinyal estimasi dan baseline ditampilkan pada gambar 4.2. Sinyal estimasi ditunjukkan dengan warna merah sedangkan sinyal warna biru ditunjukkan warna biru. Gambar 4.2 Plotting Sinyal Estimasi dan Baseline dari 4 mikrofon dan 3 sumber suara pompa Dari perekaman 4 sensor ini, hasil pemisahan sinyal atau sinyal estimasinya mampu mengeluarkan 3 output sesuai jumlah sumbernya seperti pada gambar 4.3. Pada gambar (a), hasilnya adalah sinyal untuk pompa bearing fault, gambar (b) sinyal estimasi untuk pompa sinyal normal, dan (c) sinyal estimasi untuk pompa unbalance. Masing-masing normalisasi frekuensi tersebut adalah 0.17,0.1, dan Dari hasil pemisahan dengan TFD tersebut kemudian akan diuji dengan mengukur varians dari perbandingan antara sinyal baseline dan sinyal sensor. Metode yang digunakan untuk mengukur besarnya varians dari dua sinyal tersebut yaitu MSE (Mean Square Error). Nilai MSE ini ditampilkan dalam tabel 4.1 pada kolom convolutive mixture. Untuk MSE sinyal estimasi pompa bearing fault sebesar , sinyal estimasi pompa normal dan pompa unbalance Nilai MSE ini merupaka nilai error terkecil hasil perbandingan sinyal estimasi masing-masing pompa dengan sinyal baseline masing-masing pompa juga. Besarnya nilai MSE pada tabel tersebut sangat besar sehingga hasil ini dapat dinyatakan tidak cukup baik meski masih dapat terpisah. Tabel 4.1 MSE hasil perbandingan sinyal baseline dengan sinyal estimasi dari 4 mikrofon dan 3 sumber suara pompa MSE Sinyal estimasi Pencampuran Sinyal Convolutive Mixture Bearing Normal Unbalance Instantaneous Linear Mixture Jika sebelumnya pencampuran dilakukan secara konvolutif maka kini hasil tersebut akan dibandingkan dengan pencampuran sinyal secara instantaneous linear mixture [1]. Hasil yang perbandingan sinyal estimasi dan baseline yang ditampilkan dalam 1 gambar dengan instantaneous linear mixture ditunjukkan pada gambar 4.4 sedangkan pada gambar 4.5 ditunjukkan sinyal estimasi dan TFD-nya.
5 Gambar 4.4 Plotting Sinyal Estimasi beserta TFD dari 4 mikrofon dan 3 sumber suara pompa untuk Instantaneous Linear Mixture Gambar 4.5 Plotting Sinyal Estimasi beserta TFD dari 4 mikrofon dan 3 sumber suara pompa untuk Instantaneous Linear Mixture Berdasarkan tampilan TFD, sinyal estimasi tidak jauh berbeda dengan sinyal baseline. Sedangkan hasil sinyal estimasinya berbeda jauh dengan sinyal estimasi dengan convolutive mixture. Pada gambar 4.4 sinyal estimasi (merah) lebih rapat dengan sinyal baseline-nya (biru) sehingga pemisahan ini dapat dikatakan sangat baik. Hal ini diperkuat dengan nilai MSE yang ada pada tabel 4.1 untuk kolom instantaneous linear mixture. Untuk MSE sinyal estimasi pompa bearing fault sebesar , sinyal estimasi pompa normal dan pompa unbalance Dari hasil tersebut bisa disimpulkan bahwa hasil pemisahan sinyal campuran dengan tfbss untuk convolutive mixture tidak sebaik instantaneous linear mixture. Tabel 4.2 MSE hasil sinyal suara pompa antara ICA dengan TFBSS dengan konfigurasi 3 sensor - 3 sumber MSE TDICA TFBSS Bearing Normal Unbalance Kemudian hasil ekstraksi sinyal estimasi dari tfbss ini akan dibandingkan lagi dengan ICA. Untuk membandingkan dua metode ini konfigurasi yang digunakan haruslah sama sehingga konfigurasi yang dipilih adalah 3 sensor dan 3 sumber atau dengan kata lain jumlah sensornya sama dengan jumlah sumbernya (m=n). Dimana asumsi pencampuran yang dipakai dalam tfbss dan ICA di sini adalah convolutive mixture. Uji varians dari sinyal estimasi dan baseline dari kedua metode ini ditampilkan pada tabel 4.2 dengan ditentukan besarnya nilai MSE masing-masing sinyal. Dari tabel tersebut, terlihat bahwa nilai MSE ICA lebih kecil dibandingkan nilai MSE tfbss. Dengan demikian, hasil pemisahan sinyal suara dengan pencampuran convolutive mixture lebih baik dengan algoritma ICA. V. KESIMPULAN Dari eksperimen yang telah dilakukan maka kesimpulan yang dapat diambil dari penelitian ini yaitu sebagai berikut : 1. Sinyal suara campuran (convolutive mixture) berhasil dipisahkan dengan metode time frequency blind source separation dan sinyal redundant dari sensor berhasil terwakili satu sinyal saja pada output sinyal estimasi akibat jumlah sensor yang lebih besar dari jumlah sumber. 2. Dengan metode tfbss ini, pemisahan sinyal suara campuran (instantaneous linear mixture) lebih baik dari pada sinyal suara campuran (convolutive mixture) terbukti dari hasil MSE (Mean Square Error) masing-masing sinyal. 3. Dalam pengolahan data, untuk kasus jumlah sensor sama dengan jumlah sumber, metode ICA lebih baik dibandingkan tfbss. 4. Hasil yang diperoleh dari estimasi TFD dengan jumlah sensor 4 dan jumlah sumber 3 secara convolutive mixture yaitu frekuensi normalisasi pompa dengan kerusakan Bearing Fault 0.17, pompa Normal 0.1 dan pompa Unbalance VI. SARAN Saran yang bisa diberikan dari hasil penelitian ini yaitu pemisahan sinyal suara dengan algoritma tfbss sebaiknya digunakan dengan mengambil asumsi instantaneous linear mixture atau pencampuran secara superposisi agar memperoleh nilai MSE yang kecil. DAFTAR PUSTAKA [1] Fevotte, Cedric., Doncarli, Christian Two Contribution to Blind Source Separation Using Time-Frequency Distribution. IEEE Signal Processing Letters vol 11 no.3 March. Processing, vol. 46, pp , Nov [2] Firmanda, Septian Identifikasi Secara Serentak Kerusakan Mesin Menggunakan Independent Component Analysis Berdasarkan Convolutive Mixture. Teknik Fisika ITS Surabaya.
6 [3] Atmaja, B.,T., 2009 Machines Sound Separation from Microphone Array using Independent Component Analysis (ICA) for Fault Detection Indonesia: Teknik Fisika-ITS [4] Yunata, Aris Surya Identifikasi Kerusakan Mesin Secara Serentak di Ruang Terbuka dengan Independent Component Analysis. Teknik Fisika, ITS Surabaya. [5] Makino, Shoji. Te-WonLee, Sawada, Hiroshi Blind Source Separation. Netherlands : Springer. BIOGRAFI PENULIS Nama : Sherly Sabaraya Alamat : Jl. Beringin I/04 BTN PKT Bontang TTL : Bontang, 8 Februari 1988 Riwayat Pendidikan : SD-2 Yayasan Pupuk Kaltim ( ) SLTP Yayasan Pupuk Kaltim ( ) SMA Yayasan Pupuk Kaltim ( ) Teknik Fisika ITS (2006- Skrg)
IDENTIFIKASI SECARA SERENTAK KERUSAKAN MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS BERDASARKAN CONVOLUTIVE MIXTURE
IDENTIFIKASI SECARA SERENTAK KERUSAKAN MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS BERDASARKAN CONVOLUTIVE MIXTURE SEPTIAN FIRMANDA 2406100065 DOSEN PEMBIMBING Dr.Dhany Arifianto,ST., M.Eng JURUSAN
Lebih terperinciSEMINAR TUGAS AKHIR Laboratorium Akustik Dan Fisika Bangunan
SEMINAR TUGAS AKHIR Laboratorium Akustik Dan Fisika Bangunan MONITORING PERFORMANSI MESIN BERPUTAR MELALUI PENERAPAN BLIND SOURCE SEPARATION (BSS) DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP) Oleh Risqi
Lebih terperinciPEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA) UNTUK DETEKSI KERUSAKAN
PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA) UNTUK DETEKSI KERUSAKAN B.T. Atmaja, A.S. Aisyah, dan D. Arifianto Jurusan Teknik Fisika, Fakultas Teknologi Industri,
Lebih terperinciJURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: D-33
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 23019271 D33 Penentuan Posisi Sumber Bising Pada Area Turbine Geared Compressor Set Di PT. Gresik Power Indonesia (The Linde Group) Dengan Beamforming Hade
Lebih terperinciBRAMARA D Dosen Pembimbing I : NIP Dosen Pembimbing II : Andi Rahmadiansah, ST, MT. NIP
BRAMARA D. 2407.100.009 Dosen Pembimbing I : Dr. Dhany Arifianto, ST, M.Eng. NIP. 19731007 199802 1 001 Dosen Pembimbing II : Andi Rahmadiansah, ST, MT. NIP. 19790517 200312 1 002 Judul Tugas Akhir : PEMISAHAN
Lebih terperinciPERANCANGAN SISTEM MONITORING KERUSAKAN MESIN DENGAN PEMISAHAN BANYAK SUMBER SUARA MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA)
PERANCANGAN SISTEM MONITORING KERUSAKAN MESIN DENGAN PEMISAHAN BANYAK SUMBER SUARA MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA) Design of Machines Fault Monitoring With Sound Separation Using Independent
Lebih terperinciKombinasi Metode Independent Component Analysis (ICA) dan Beamforming untuk Pemisahan Sinyal Akustik Bawah Air
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Kombinasi Metode Independent Component Analysis (ICA) dan Beamforming untuk Pemisahan Sinyal Akustik Bawah Air Mandala Anugerahwan Firstanto, Wirawan, Endang
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Metode penelitian yang digunakan pada penelitian ini adalah denoising
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan pada penelitian ini adalah denoising menggunakan Blind Source Separation dengan metode ICA. Data
Lebih terperinciPenerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian
PRESENTASI TUGAS AKHIR Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi 228175 Dosen Pembimbing Dr. Ir Wirawan, DEA. Ir. Endang Widjiati,
Lebih terperinciPENERAPAN INDEPENDENT COMPONENT ANALYSIS (ICA)UNTUK PEMISAHAN SINYAL SUARA MESIN BERPUTAR DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP)
1 PENERAPAN INDEPENDENT COMPONENT ANALYSIS (ICA)UNTUK PEMISAHAN SINYAL SUARA MESIN BERPUTAR DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP) Dian Nur Hayati, Dhany Arifianto Jurusan Teknik Fisika Fakultas
Lebih terperinciKombinasi Metode Independent ComponentAnalysis(ICA) dan Beamforming untuk Pemisahan Sinyal Akustik Bawah Air
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: 2337-3539 (2301-9271 Print) A-300 Kombinasi Metode Independent ComponentAnalysis(ICA) dan Beamforming untuk Pemisahan Sinyal Akustik Bawah Air Mandala Anugerahwan
Lebih terperinciPengukuran Getaran Dengan Vibrometer Dan Akustik Pada Mesin Pendorong Pokok (MPK) KRI Pulau Rupat-712 Di Komando Armada RI Kawasan Timur Surabaya
JURNAL TEKNIK POMITS Vol., No., () -6 Pengukuran Getaran Dengan Vibrometer Dan Akustik Pada Mesin Pendorong Pokok (MPK) KRI Pulau Rupat-7 Di Komando Armada RI Kawasan Timur Surabaya Elok Yudishtyra Arista,
Lebih terperinciAnalisis Getaran Struktur Mekanik pada Mesin Berputar untuk Memprediksi Kerusakan Akibat Kondisi Unbalance Sistem Poros Rotor
Seminar Nasional Maritim, Sains, dan Teknologi Terapan 2016 Vol. 01 Politeknik Perkapalan Negeri Surabaya, 21 November 2016 ISSN: 2548-1509 Analisis Getaran Struktur Mekanik pada Mesin Berputar untuk Memprediksi
Lebih terperinciEVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 EVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA Dhenok Ayu Setianingsih,
Lebih terperinciPenerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian
JURNAL TEKNIK POMITS Vol. 2, No. 2, (213) ISSN: 2337-3539 (231-9271 Print) A-288 Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi, Wirawan,
Lebih terperinciPEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS)
TUGAS AKHIR TE 091399 PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION OF SOURCE (BSS) WAHYU INDRA PURNAMA SARI NRP 2207100064 Dosen Pembimbing Dr. Ir. Wirawan, DEA Ir. Endang Widjiati
Lebih terperinciEVALUASI UNJUK KERJA MICROPHONE ARRAY MENGGUNAKAN METODE TIME-FREQUENCY INDEPENDENT COMPONENT ANALYSIS
TUGAS AKHIR-TF 091381 EVALUASI UNJUK KERJA MICROPHONE ARRAY MENGGUNAKAN METODE TIME-FREQUENCY INDEPENDENT COMPONENT ANALYSIS RIZKA WAHYU NOVITASARI NRP 2412 105 025 Dosen Pembimbing Dr.Dhany Arifianto,
Lebih terperinciDAFTAR PUSTAKA Natural Gradient Works Efficiently in Learning. Penggunaan Frekuensi Sesaat Untuk Deteksi Pola Suara Kerusakan Motor Listrik
DAFTAR PUSTAKA [1] Amari, S. 1997. Natural Gradient Works Efficiently in Learning. Saitama: RIKEN, Japan. [2] Anda, A R. 2006. Penggunaan Frekuensi Sesaat Untuk Deteksi Pola Suara Kerusakan Motor Listrik.
Lebih terperinciPEMISAHAN SINYAL SUARA MENGGUNAKAN METODE BLIND SOURCE SEPARATION ABSTRAK
PEMISAHAN SINYAL SUARA MENGGUNAKAN METODE BLIND SOURCE SEPARATION Berkat Willmart Telaumbanua / 0322055 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Musik saat ini tengah menjadi trend setter yang banyak digemari masyarakat. Terbukti dari menjamurnya program-program mengenai musik di media massa dan besarnya antusiasme
Lebih terperinciPEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION of SOURCE (BSS)
PEMISAHAN SINYAL AKUSTIK BAWAH AIR MENGGUNAKAN METODE BLIND SEPARATION of SOURCE (BSS) Wahyu Indra Purnama Sari 1), Dr. Ir. Wirawan, DEA 2), Ir. Endang Widjiati M.Eng.Sc. 3) 1) 2) 3) Jurusan Teknik Elektro
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciBAB II LANDASAN TEORI. dapat diterima,diperkuat, serta direkam (Amrullah, 2012). Suara-suara ini
BAB II LANDASAN TEORI 2.1 Phonocardiogram Phonocardiogram adalah teknik dalam penelusuran suara jantung dan pencatatan getaran akustik jantung melalui suatu transduser mikrofon yang akan direkam dan ditampilkan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS. Muhammad Rizki Anggia
PERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS Muhammad Rizki Anggia Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
Lebih terperinciPENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS ABSTRAK
PENINGKATAN KUALITAS SINYAL SUARA DENGAN MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS Ambrosius Jonathan / 0222202 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof.
Lebih terperinciPenentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-771 Penentuan Arah Sumber Suara dengan Metode Interaural Time Difference menggunakan Mikrokontoler STM32F4 Mohamad Asfari dan
Lebih terperinciPenerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian
JURNAL TEKNIK POMITS Vol., No., (23) -6 Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi, Wirawan, Endang Widjiati Teknik Elektro, Fakultas
Lebih terperinciIMPLEMENTASI MULTIPATH FADING RAYLEIGH MENGGUNAKAN TMS320C6713
IMPLEMENTASI MULTIPATH FADING RAYLEIGH MENGGUNAKAN TMS320C6713 Teknik Elektro, Fakultas Teknik, Universitas Negeri Semarang Email: aryobaskoro@mail.unnes.ac.id Abstrak. Karakteristik kanal wireless ditentukan
Lebih terperinciSistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD
Sistem Pencari Lokasi Sumber Manusia Menggunakan Metode ITD M. Afridon 1, Khairudinsyah 2 Politeknik Negeri Bengkalis Jl. Bathin Alam Sei. Alam, (0766) 7008877 e-mail: mohd_afridon@yahoo.co.id Abstrak
Lebih terperinciPeningkatan Kualitas Sinyal Suara (Speech Intelligibility) Berbahasa Indonesia pada Cochlear Implant
1 Peningkatan Kualitas Sinyal Suara (Speech Intelligibility) Berbahasa Indonesia pada Cochlear Implant Nuryani, Dhany Arifianto Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Lebih terperinciEVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA
EVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA Dhenok Ayu Setianingsih NRP. 2410105025 Pembimbing : Dr. Dhany Arifianto
Lebih terperinciSUBJECTIVE AND OBJECTIVE MEASURE ON SPEECH INTELLIGIBILITY BY RELEASE OF MASKING PHENOMENON
SUBJECTIVE AND OBJECTIVE MEASURE ON SPEECH INTELLIGIBILITY BY RELEASE OF MASKING PHENOMENON Oleh: ANINTYO ADI NUGROHO NRP. 2406 100 039 JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciPENGOLAHAN SINYAL MULTIMEDIA
MAKALAH PENGOLAHAN SINYAL MULTIMEDIA Eigenvector Analysis, Principal Component Analysis and Independent Component Analysis OLEH: PUTU NOPA GUNAWAN D411 10 009 Jurusan Teknik Elektro Fakultas Teknik Universitas
Lebih terperinciPEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM)
PEMBUATAN PERANGKAT BASIS DATA UNTUK SINTESIS UCAPAN (NATURAL SPEECH SYNTHESIS) BERBAHASA INDONESIA BERBASIS HIDDEN MARKOV MODEL (HMM) Oleh: ELOK ANGGRAYNI NRP. 2409 100 092 Dosen Pembimbing: Prof. Dr.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam metode penelitian ini dijelaskan bagaimana proses pendeteksian kebohongan menggunakan metode SVM untuk sinyal EEG. Metode penelitian dapat dilihat
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Gambar 3.1 Diagram Blok Rancangan Penelitian. 24 25 Metode penelitian yang digunakan meliputi studi kepustakaan, pembuatan program,
Lebih terperinciANALISIS SIGNAL TO NOISE RASIO PADA SISTEM PENSTABIL SISTEM DAN PENERIMA SUMBER CAHAYA LASER He-Ne
ANALISIS SIGNAL TO NOISE RASIO PADA SISTEM PENSTABIL SISTEM DAN PENERIMA SUMBER CAHAYA LASER He-Ne Wiwis Sasmitaninghidayah Abstrak: Telah dilakukan penstabilan sumber cahaya laser He-Ne berdasarkan pada
Lebih terperinciBAB I PENDAHULUAN. yang berputar dengan putaran tertentu (Zhou and Shi, 2001). Salah satunya adalah pompa
BAB I PENDAHULUAN 1.2 LatarBelakang Mesin-mesin rotasi seperti turbin, kompresor, pompa, dan fan banyak digunakan di dunia industri. Mesin-mesin rotasi tersebut pada umumnya terdiri dari poros yang berputar
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciPEMISAHAN SINYAL AUDIO TERCAMPUR DARI LIVE MUSIC RECORDING
1 PEMISAHAN SINYAL AUDIO TERCAMPUR DARI LIVE MUSIC RECORDING MULTI-SUMBER MULTI-KANAL DENGAN METODE SMOOTH ITAKURA-SAITO NMF (NONNEGATIVE MATRIX FACTORIZATION) 1 Bramara Danaba, 2 Dhany Arifianto, 3 Andi
Lebih terperinciAPLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER
APLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER Leo Willyanto Santoso 1, Resmana Lim 2, Rony Sulistio 3 1, 3 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
Lebih terperinciREALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 ABSTRAK
REALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 Nama : Wito Chandra NRP : 0822081 Jurusan Teknik Elektro, Fakultas
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciDETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM
DETEKSI SINYAL FLICKER MENGANDUNG NOISE BERBASIS HILBERT HUANG TRANSFORM Mohammad Jasa Afroni 1), Oktriza Melfazen 2) 1),2), Jurusan Teknik Elektro,Fakultas Teknik Universitas Islam Malang Jl. MT Haryono
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciAnalisis Jarak Microphone Array dengan Teknik Pemrosesan Sinyal Fast Fourier Transform Beamforming
85 Analisis Jarak Microphone Array dengan Teknik Pemrosesan Sinyal Fast Fourier Transform Beamforming Moh Fausi, Agus Naba dan Djoko Santjojo Abstract The main problem in the application of the sound source
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XVIII Program Studi MMT-ITS, Surabaya 27 Juli 2013
MENDETEKSI DAN MELOKALISASI SUATU SUMBER SINYAL DENGAN METODE ESTIMASI DIRECTION-OF-ARRIVAL (DOA) DENGAN MENGGUNAKAN ALGORITMA MULTIPLE SIGNAL CLASSIFICATION (MUSIC) Estevao da Costa Guimaraes Electrical
Lebih terperinciKata kunci : Perawatan prediktif, monitoring kondisi, sinyal getaran, sinyal suara, bantalan gelinding
Kaji Banding Prediksi Kerusakan Pada Bantalan Gelinding Melalui Sinyal Getaran Dan Sinyal Suara Meifal Rusli 1, a *, Agus Arisman 1,b, Lovely Son 1,c dan Mulyadi Bur 1,d 1 Jurusan Teknik Mesin, Fakultas
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Berkurangnya fungsi pendengaran adalah penurunan fungsi pendengaran pada salah satu ataupun kedua telinga. Hal ini disebabkan oleh infeksi, strokes, obat-obatan,
Lebih terperinciPENGENALAN AHKAMUL HURUF MENGGUNAKAN METODE LPC DAN TRANSFORMASI SLANT. Abstract
PENGENALAN AHKAMUL HURUF MENGGUNAKAN METODE LPC DAN TRANSFORMASI SLANT Bustami Abdullah 1, Rizal 2 1 Teknik Informatika, Universitas Malikussaleh, 2 Teknik Informatika, Universitas Malikussaleh e-mail:
Lebih terperinciKompresi Audio Secara Terdistribusi Pada Microphone Array
Kompresi Audio Secara Terdistribusi Pada Microphone Array Retnawati, Wirawan, Endang Widjiati Jurusan Teknik Elektro FTI Institut Teknologi Sepuluh November Abstrak Kompresi suara telah banyak dipakai
Lebih terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinciSimulasi Estimasi Arah Kedatangan Dua Dimensi Sinyal menggunakan Metode Propagator dengan Dua Sensor Array Paralel
ABSTRAK Simulasi Estimasi Arah Kedatangan Dua Dimensi Sinyal menggunakan Metode Propagator dengan Dua Sensor Array Paralel Disusun oleh : Enrico Lukiman (1122084) Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciTEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA
TEKNIK PEMBUATAN DIGITAL AUDIO WATERMARKING DAN TEKNIK UNTUK MENDETEKSINYA Teuku Reza Auliandra Isma Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung e-mail: reza.auliandra@gmail.com
Lebih terperinciIMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION
IMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Persyaratan Dalam Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika Disusun oleh : PAULA
Lebih terperinciMODUL 2 PENGHITUNGAN ENERGI PADA SINYAL WICARA
MODUL PENGHIUNGAN ENERGI PADA SINYAL WICARA I. UJUAN - Mahasiswa mampu melakukan proses penghitungan energi pada sinyal wicara dengan menggunakan perangkat lunak. II. DASAR EORI.1. Energi Suatu Sinyal
Lebih terperinciDETEKSI KERUSAKAN MOTOR INDUKSI DENGAN MENGGUNAKAN SINYAL SUARA
DETEKSI KERUSAKAN MOTOR INDUKSI DENGAN MENGGUNAKAN SINYAL SUARA Akbar Anggriawan 1, Feblil Huda 2 Laboratorium Konstruksi Mesin, Jurusan Teknik Mesin, Fakultas Teknik, Universitas Riau Kampus Bina Widya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Mobil adalah salah satu alat transportasi yang sudah populer dan sering digunakan oleh manusia. Mobil berasal dari kata otomobil, diambil dari bahasa Yunani, yaitu
Lebih terperinciROBOT PENCARI ARAH KEDATANGAN SUARA MENGGUNAKAN AGORITMA MUSIC (MULTIPLE SIGNAL CLASSIFICATION)
ROBOT PENCARI ARAH KEDATANGAN SUARA MENGGUNAKAN AGORITMA MUSIC (MULTIPLE SIGNAL CLASSIFICATION) Benny Wijaya Nababan Email: beni.nababan@gmail.com Jurusan Teknik Elektro, Jalan Prof. Drg. Surya Sumantri,
Lebih terperinciBAB III METODE PENGAMBILAN DAN PENGOLAHAN DATA SEISMOELEKTRIK. palu. Dari referensi pengukuran seismoelektrik di antaranya yang dilakukan oleh
BAB III METODE PENGAMBILAN DAN PENGOLAHAN DATA SEISMOELEKTRIK 3.1 Metode Pengambilan Data Ada beberapa konfigurasi pengukuran yang digunakan dalam pengambilan data seismoelektrik di lapangan. Konfigurasi
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciEKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB
EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB Pembimbing : Ir. Syamsul Arifin, MT. Andi Rahmadiansah, ST. MT. oleh : Bagas Isadewa 2406100077 Teknik
Lebih terperinciDETEKSI KERUSAKAN BEARING PADA CONDENSATE PUMP DENGAN ANALISIS SINYAL VIBRASI
DETEKSI KERUSAKAN BEARING PADA CONDENSATE PUMP DENGAN ANALISIS SINYAL VIBRASI Ganong Zainal Abidin, I Wayan Sujana Program Studi Teknik Mesin, Institut Teknologi Nasional Malang Email : ganongzainal@outlook.com
Lebih terperinciPEMBERIAN TANDA AIR PADA CITRA DIGITAL MENGGUNAKAN METODE TANDA AIR DENGAN ANALISIS KOMPONEN INDEPENDEN TRANSPOS CITRA
PEMBERIAN TANDA AIR PADA CITRA DIGITAL MENGGUNAKAN METODE TANDA AIR DENGAN ANALISIS KOMPONEN INDEPENDEN TRANSPOS CITRA (Watermarking on Digital Image Using Watermarking by Independent Component Analysis
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA :38:54
Rekonstruksi Citra pada Super Resolusi menggunakan Projection onto Convex Sets (Image Reconstruction in Super Resolution using Projection onto Convex Sets) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
Lebih terperinciImplementasi Noise Removal Menggunakan Wiener Filter untuk Perbaikan Citra Digital
UNSIKA Syntax Jurnal Informatika Vol. 5 No. 2, 2016, 159-164 159 Implementasi Noise Removal Menggunakan Wiener Filter untuk Perbaikan Citra Digital Nono Heryana 1, Rini Mayasari 2 1,2 Jl. H.S. Ronggowaluyo
Lebih terperinciPENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV
PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV Marianus Hendra Wijaya 1), Linggo Sumarno 2) 1) Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universtas Sanata Dharma Yogyakarta
Lebih terperinciIDENTIFIKASI KANAL FIR SECARA BUTA UNTUK SISTEM DUA-MASUKAN-DUA-KELUARAN PADA DOMAIN FREKUENSI MENGGUNAKAN STATISTIK ORDE DUA ABSTRAK
IDENTIFIKASI KANAL FIR SECARA BUTA UNTUK SISTEM DUA-MASUKAN-DUA-KELUARAN PADA DOMAIN FREKUENSI MENGGUNAKAN STATISTIK ORDE DUA Sempurna keliat / 0122171 Jurusan Teknik Elektro, Fakultas Teknik, Jln. Prof.
Lebih terperinciSISTEM IDENTIFIKASI STRUKTUR DENGAN MENGGUNAKAN METODE FREQUENCY DOMAIN DECOMPOSITION-NATURAL EXCITATION TECHNIQUE
Konferensi Nasional Teknik Sipil 11 Universitas Tarumanagara, 26-27 Oktober 2017 SISTEM IDENTIFIKASI STRUKTUR DENGAN MENGGUNAKAN METODE FREQUENCY DOMAIN DECOMPOSITION-NATURAL EXCITATION TECHNIQUE Richard
Lebih terperinciANALISIS PENGURANGAN DERAU PADA SINYAL LOUDSPEAKER MENGGUNAKAN FILTER ADAPTIF KALMAN
SINGUDA ENSIKOM VOL. 6 NO.3 /Maret 4 ANALISIS PENGUANGAN DEAU PADA SINYAL LOUDSPEAKE MENGGUNAKAN FILTE ADAPTIF KALMAN Fitriani Christhien Simbolon, Arman Sani Konsentrasi Teknik Telekomunikasi, Departemen
Lebih terperinciANALISIS PENGARUH MISALIGNMENT TERHADAP VIBRASI DAN KINERJA MOTOR INDUKSI
POLITEKNOLOGI VOL. 10 NO. 3, SEPTEMBER 2011 ANALISIS PENGARUH MISALIGNMENT TERHADAP VIBRASI DAN KINERJA MOTOR INDUKSI ABSTRACT Andi Ulfiana Jurusan Teknik Mesin Politeknik Negeri Jakarta Kampus Baru -
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciPengujian Sifat Anechoic untuk Kelayakan Pengukuran Perambatan Bunyi Bawah Air pada Akuarium
JURNAL TEKNIK POMITS Vol., No. 1, (13) ISSN: 31-971 D-7 Pengujian Sifat Anechoic untuk Kelayakan Pengukuran Perambatan Bunyi Bawah Air pada Akuarium Indan Pratiwi, Wiratno Argo Asmoro, dan Dhany Arifianto
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi internet dalam beberapa tahun terakhir ini, telah membawa perubahan besar bagi distribusi media digital. Media digital yang dapat berupa
Lebih terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
Lebih terperinciPengaruh Perubahan Posisi Sumber Eksitasi dan Massa DVA dari Titik Berat Massa Beam Terhadap Karakteristik Getaran Translasi dan Rotasi
Pengaruh Perubahan Posisi Sumber Eksitasi dan Massa DVA dari Titik Berat Massa Beam Terhadap Karakteristik Getaran Translasi dan Rotasi Abdul Rohman 1,*, Harus Laksana Guntur 2 1 Program Pascasarjana Bidang
Lebih terperinciDETEKSI KERUSAKAN RODA GIGI DENGAN ANALISIS SINYAL GETARAN
Available online at Website http://ejournal.undip.ac.id/index.php/rotasi DETEKSI KERUSAKAN RODA GIGI DENGAN ANALISIS SINYAL GETARAN *Achmad Widodo, Djoeli Satrijo, Toni Prahasto Jurusan Teknik Mesin, Fakultas
Lebih terperinciHAND OUT EK. 462 SISTEM KOMUNIKASI DIGITAL
HAND OUT EK. 462 SISTEM KOMUNIKASI DIGITAL Dosen: Ir. Arjuni BP, MT Dr. Enjang A. Juanda, M.Pd., MT PENDIDIKAN TEKNIK TELEKOMUNIKASI JURUSAN PENDIDIKAN TEKNIK ELEKTRO FAKULTAS PENDIDIKAN TEKNOLOGI DAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciMETODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan bagaimana alur kerja dan proses pembuatan material komposit sandwich serat alami serta proses pengujian material tersebut untuk karakteristik
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciPengukuran Sinyal Akustik untuk Mendeteksi Sumber Noise Menggunakan Metode Beamforming
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Pengukuran Sinyal Akustik untuk Mendeteksi Sumber Noise Menggunakan Metode Beamforming Myta Pristanty, Wirawan, Endang Widjiati Bidang Studi Telekomunikasi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman dan semakin meluasnya jaringan multimedia, maka proses pengiriman dan pengaksesan citra digital juga semakin mudah. Kemudahan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam melakukan diagnosa terhadap sistem pernapasan seseorang, praktisi kesehatan atau dokter menggunakan suatu alat yang dinamakan stetoskop. Dengan stetoskop, praktisi
Lebih terperinciANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK
ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK Nirma Priatama NRP. 2210100159 Dosen Pembimbing : Dimas Anton Asfani, ST.,
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
Lebih terperinciRANCANG BANGUN PORTABLE MATERNAL ELECTROCARDIOGRAM BERBASIS BLIND SOURCE SEPARATION UNTUK MONITORING AKTIVITAS JANTUNG IBU HAMIL
RANCANG BANGUN PORTABLE MATERNAL ELECTROCARDIOGRAM BERBASIS BLIND SOURCE SEPARATION UNTUK MONITORING AKTIVITAS JANTUNG IBU HAMIL Ahmad Asrori 1), Mohammad Kamalul Wafi 2), Ikrarda Tegar Pambudi 3), Ola
Lebih terperinciStudi Pengaruh Penambahan Dual Dynamic Vibration Absorber (DDVA)-Dependent Terhadap Respon Getaran Translasi Dan Rotasi Pada Sistem Utama 2-DOF
Studi Pengaruh Penambahan Dual Dynamic Vibration Absorber (DDVA)-Dependent Terhadap Respon Getaran Translasi Dan Rotasi Pada Sistem Utama 2-DOF Talifatim Machfuroh 1,*, Harus Laksana Guntur 2 1 Mahasiswa
Lebih terperinci