IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY Erni Seniwati 1), Ninik Tri Hartanti 2) 1 Sistem Informasi, STMIK Amikom erni.s@amikom.ac.id 2 Sistem Informasi, STMIK Amikom ninik.t@amikom.ac.id Abstract This research is aim to detect the presence of certain space expression in mouse using the processing of voice and sms gateway. As the experiment with collecting samples of white mouse then recorded his voice to be a pattern that will be used to detect the presence of a mouse in the House. The method used is the digital sound signal processing through a process of pre-emphasis to filter the sound of mouse from the noise that is not required, then the process of framing and windowing process, and further through the process to get the FFT frequency average of mouse voice that are identified using the sms gateway system. If the voice of the mouse is detected on a particular frequency is then automatically created system will send an sms to know existence of mouse. Keywords FFT, mouse, sms gateway PENDAHULUAN Perkembangan teknologi dalam bidang ilmu komputer khususnya yang mempelajari tentang sinyal processing saat ini semakin banyak dan membawa dampak positif dalam kehidupan manusia. Salah satu disiplin ilmu dalam pengolahan sinyal digital yang paling populer dan dampaknya positifnya cukup besar adalah bidang pengolahan suara digital. Pengolahan suara digital dapat dikembangkan dengan berbagai aplikasi yang dapat mempermudah kehidupan manusia. Salah satu aplikasi yang dapat dibuat adalah pengenalan frekuensi suara tikus. Tikus adalah salah satu hewan pengerat yang hidup disekitar lingkungan manusia. Tikus selalu menyebarkan bau busuk akibat kotoran dan kencing yang sengaja di sebarkan untuk memberitahukan tikus lain bahwa daerah tersebut adalah daerah kekuasaannya. Tikus juga dapat menyebarkan penyakit salah satunya adalah pes [1]. Jika tikus masuk kedalam rumah akan mengakibatkan kerusakan, bau kencing dan kotoran tikus. Makanan akan berserakan, lemari berlubang dan pakaian yang ada didalam lemari akan berbau anyir tikus, selain itu ciri khas lain saat masuk rumah dan bersarang didalam rumah yaitu mengeluarkan suara. Mendeteksi keberadaan tikus lebih awal lebih baik, untuk menghindari tikus berkembangbiak dan membangun sarang didalam rumah. Deteksi dapat dilakukan dengan sensor bau kencing dan kotoran tikus menggunakan alat perangkat keras berupa elektronik nose, juga bisa dideteksi dengan suara tikus dengan membuat sistem prototype yang dapat mengetahui frekuensi suara tikus yang berada didalam suatu ruangan. Salah satu menjadi daya tarik untuk melakukan penelitian deteksi suara tikus adalah untuk mengetahui frekuensi suara tikus yang ada pada suatu ruangan tertentu berupa tempat yang berukuran 0,5 x 0,5 meter. Frekuensi suara tikus kemudian dijadikan pola dasar untuk dimasukkan dalam sistem sms gateway, sehingga saat nilai frekuensi tersebut sama yang terdapat didalam database sistem, maka sistem akan memberitahukan bahwa dengan mengirimkan sms berupa peringatan adanya tikus dalam suatu ruangan yang dipasangkan microphone.
METODE PENELITIAN Metode penelitian yang akan dilakukan terdiri atas beberapa tahapan sebagai berikut : a. Pengumpulan Sampel tikus putih, dengan membeli 10 ekor untuk kemudian direkam suaranya. b. Rancang Bangun Sistem, yaitu merancang serta membangun sistem identifikasi suara tikus. Setelah didapatkan nilai frekuensi suara tikus baru disimpan didalam database suara yang berhubungan dengan sistem sms gateway. Pada saat melakukan pengujian sistem akan mencocokkan nilai frekuensi pada database dan nilai frekuensi pada suara yang didapatkan microphone. c. Implementasi sistem dengan melakukan training data berupa perekaman data suara tikus, pengujian berupa deteksi suara tikus, jika terdeteksi nilai frekuensi sesuai yang tersimpan didalam database maka sistem akan secara automatis mengirimkan sms ke handphone yang nomornya terdaftar pada database sistem sms gateway. Testing, dilakukan perhitungan kinerja dan akurasi dari implementasi yang telah dilakukan Analisis dan Rancangan Sistem Rancangan sistem secara keseluruhan akan digambarkan berupa arsitektur seperti Gambar 1. BTS Mic Gambar 1. Arsitektur Prototype Sistem Identifikasi Keberadaan Tikus erdasarkan Suaranya Menggunakan Sms Gateway Pada Gambar 1 memperlihatkan didalam ruangan 0.5 x 0.5 meter dipasang microphone berjenis AIWA untuk menangkap suara yang dikeluarkan oleh tikus, kemudian diproses oleh sistem yang dioperasikan secara otomatis untuk mencocokkan frekuensi suara tikus yang telah tersimpan didalam sistem. Selanjutnya jika frekuensi tersebut sama dengan frekuensi suara tikus yang tersimpan, sistem kemudian mengirim sinyal sms melalui BTS ke handphone yang telah diidentifikasi nomor telepon pengguna. Kemudian perancangan system pencarian frekuensi suara tikus yang akan dibuat untuk mengidentifikasi suara tikus terlihat pada Blog Diagram Gambar 2. Membaca file suara tikus Pre-Emphasis Frame Blocking Windowing FFT Gambar 2. Blog Diagram Proses Pencarian Frekuensi Suara Tikus
Sinyal suara adalah sinyal yang berubah terhadap waktu secara perlahan. Buku yang menjelaskan secara detail mengenai proses FFT [2]. Penjelasan berikut sesuai dengan blog diagram Gambar 2. 1. Pre-emphasis Proses pre-emphasis adalah proses yang didesain untuk mengurangi efek tidak baik dari transmisi dan gangguan suara latar. Perhitungan proses pre-emphasis dilakukan pada saat sampel sinyal digital suara berada pada domain waktu. Adapun perumusan untuk proses preemphasis dituliskan : y[n] = x[n] αx[n 1] (1) di mana, x adalah nilai sinyal digital sebelum proses pre-emphasis. y adalah nilai sinyal setelah proses pre-emphasis α adalah nilai koefisien pre-emphasis yang berkisar (0.95 α 1). Sebagai contoh perhitungan digunakan jumlah contoh data sebanyak 8 titik sampel. Data sinyal tersebut adalah (-1598, -2662, -2529, -2195, -1724, -2204, -2319, -2807). Dengan menggunakan persamaan (1) dengan memakai nilai α = 0.97 diperoleh: Y 0 = -1598 Y 1 = (-2662) - (-1598 * 0.97) = -258.13 Y 2 = (-2529) - (-2662 * 0.97) = 53.13 Y 3 = (-2195) - (-2529 *0.97) = 258.13 Y 4 = (-1724) - (-2195 * 0.97 ) = 405.15 Y 5 = (-2204) - (-1724 * 0.97) = -531.72 Y 6 = (-2319) - (-2204 * 0.97) = -181.12 Y 7 = (-2807) - (-2319 * 0.97) = -557.57 2. Frame Blocking Hasil dari proses pre-emphasis kemudian dipotong-potong menjadi beberapa potongan kecil, setiap potongan tersebut disebut frame. Jumlah data dalam satu frame (N) berisi 400 buah. Sedangkan jarak antar frame (M) adalah 200 buah. Sehingga, jumlah frame (L) untuk data sebanyak 4000 (nilai ini diambil setengah dari frekuensi sampling) dapat dihitung dengan L = (data-(n-m))/m = (4000-(400-200))/200 = 19 buah frame. Sehingga didapatkan hasil sejumlah banyak frame (L) * banyak data dalam satu frame (N) = 19*400= 7600 buah. Potongan frame digambarkan seperti Gambar 3.
Gambar 3. Frame Blocking 3. Windowing Proses window ini berfungsi untuk mengurangi diskontinyu pada ujung-ujung frame akibat dari proses framing Persamaan Window Hamming yaitu w(i) = 0,54 0,46 (1 cos (2π i n )) (2) (2) Window Hamming diperoleh dengan memodifikasi koefisien window Hanning untuk mencegah dengan tepat pada sidelobe pertama, tapi menjadi sangat kurang tepat bernilai nol pada tiap tepi. Dengan menggunakan rumus (2) diperoleh hasil sebagai berikut: w 0 = 0.54 0.46 cos( 2 3.14 0 512 1 ) = 0.08 untuk data hasil frame blocking yaitu -258.13, 53.13, 258.13, 405.15, 531.72, 181.12, 557.57, 448.79) sehingga, w 0 = 0.08 ( 258.13) = 20.73117, selanjutnya proses dengan cara yang sama dilakukan untuk data sampel yang lain, sehingga nilai hasil windowing diperoleh (- 88.99, 4.258, 20.73117, 32.6373, 42.99, 14.716, 45.555, 36.9011). 4. Fast Fourier Transform Tahapan selanjutnya ialah mengubah tiap frame dari domain waktu ke domain frekuensi. FFT adalah algoritma yang mengimplementasikan Discrete Fourier Transform (DFT). Hasil DFT adalah bilangan kompleks dengan persamaan (3) untuk mencari nilai real dan persamaan (4) untuk mencari nilai imaginer. Real X(k) = N 1 x(i) cos( 2πki Imaginer X(k) = n=0 ) (3) N N 1 x(i) sin( 2πki n=0 ) (4) N Keterangan: N = jumlah data, k = 0,1,2,...,N/2 dan X(k) = nilai data pada titik ke-i. Proses selanjutnya adalah menghitung nilai magnitude FFT [3]. Magnitude dari bilangan kompleks c = a + bi adalah X mag (k) = X(k) = (Real X(k)) 2 + (Imaginer X(k)) 2. (5)
Analisa berdasarkan fourier transform sama artinya dengan analisa spektrum, karena fourier transform merubah signal digital dari time domain ke frequency domain. FFT dilakukan dengan membagi N buah titik pada transformasi diskrit menjadi 2, masing-masing (N/2) titik transformasi. FFT (Fast Fourier Transform) adalah teknik perhitungan cepat dari DFT. FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan sifat periodikal dari transformasi fourier dengan memakai persamaan (3), (4) dan persamaan (5). 5. Rancangan Form Protoyipe sistem yang dibuat terdiri dari tiga form utama yaitu form koneksi ke modem, form Data Suara Tikus, dan form Pengujian Suara Tikus. Form Koneksi ke Modem Form ini berfungsi untuk menyambung sinyal dari sistem yang dibuat ke modem sehingga proses pengenalan sinyal suara tikus akan dilakukan bisa terdeteksi dengan Handphone. Form koneksi terlihat pada Gambar Gambar 4. Form Koneksi ke Modem Pada Gambar 4.4 terlihat setting port modem adalah menggunakan angka 8. Angka tersebut diambil dari port modem yang terdeteksi oleh laptop atau komputer yang menggunakan sistem ini, sehingga angka port tersebut tergantung dari angka port yang tersedia pada laptop atau komputer yang menggunakan sistem ini. Form Extraksi Frekuensi suara tikus Form ini berfungsi untuk mengekstraksi suara file rekaman suara tikus berekstensi.wav, keluaran angka-angka frekuensi untuk setiap file suara.
Gambar 5. Form Ekstraksi file suara menjadi angka-angka frekuensi Dari Gambar 5, memperlihatkan dua tombol yaitu tombol file suara dan tombol Simpan. Tombol file suara berfungsi untuk mengambil file rekaman suara tikus yang telah direkam selama 5 menit tiap ekor tikus. File rekaman ini di olah sebelumnya menggunakan software CoolEditpro 2.0 untuk menghilangkan jeda saat tikus tidak bersuara secara manual. Kemudian akan keluar angka-angka frekuensi yang tampil di table, setiap baris mewakili satu file suara yang jumlah kolom setengah dari angka 4000 (nilai ini diambil setengah dari frekuensi sampling). HASIL DAN PEMBAHASAN Ekstraksi Suara Tikus Hasil dan luaran laporan akhir ini adalah berupa pembuatan sistem prototype sampai pada pembuatan pengenalan sistem suara tikus yang luaran hasilnya adalah frekuensi tikus rata-rata untuk 10 tikus seperti yang diperlihatkan pada Gambar Table 1. Tabel 1. Data frekuensi hasil ekstraksi rekaman suara tikus Suara Tikus Frekuensi (Hz) 1 1063 2 1050 3 1076 4 1060 5 1060 6 1060 7 1079 8 1063 9 1066 10 1067 Dari Table 1, memperlihatkan bahwa frekuensi yang dihasilkan ke 10 rekaman suara tikus menunjukkan bahwa rentang frekuensi berkisar antara 1050 Hz sampai 1079 Hz. Jika di rata-
1 135 269 403 537 671 805 939 1073 1207 1341 1475 1609 1743 1877 Magnitudo (db) ratakan suara tikus memiliki frekuensi sekitar + 1064 Hz. Selanjutnya frekuensi yang didapat dijadikan ukuran untuk mengetahui ada tikus atau tidak didalam sebuah ruangan 50 cm x 50 cm. Pengujian pada system berbasis SMS gateway Pengujian ini digunakan dengan 5 data suara tikus yang direkam selain 10 suara tikus yang telah di ekstraksi menghasilkan frekuensi rata-rata. hasil pengujian identifikasi tikus terlihat pada Tabel 2. Tabel 2. Data Hasil Pengujian dengan Sms Gateway Suara Tikus Frekuensi (Hz) Identifikasi 1 1080 Tidak dikenal 2 1070 Dikenal 3 1077 Dikenal 4 1063 Dikenal 5 1059 Dikenal Berdasarkan tabel pengujian 3.2 mempelihatkan bahwa hasil pengujian cuma satu tikus yang tidak dikenal. Sehingga persentasi akurasi kesalahan yang didapatkan adalah 1/5 * 100% = 20%, sedangkan persentasi keberhasilan system dalam mengenali suara tikus adalah 4/5 * 100% = 80%. Salah salah satu frekuensi identifikasi suara tikus hasil pengujian diperlihatkan pada Gambar 5. 60000 50000 40000 30000 20000 Series1 10000 0 Frekuensi (Hz) Gambar 5. Frekuensi rata-rata dari pengujian suara tikus nomor 4 Dari Gambar 5 terlihat bahwa frekuensi tikus nomor 4 hasil pengujian menunjukkan adalah 1063 Hz.
KESIMPULAN 1. Selama penelitian kesulitan yang dihadapi adalah proses pengambilan suara tikus yang tidak sering bersuara, sehingga menunggu beberapa jam untuk melakukan perekaman. 2. Sistem prototype identifikasi suara tikus menujukkan frekuensi rata-rata hasil ekstraksi file suara tikus adalah + 1064 Hz, dengan rentang frekuensi 1050 Hz sampai 1079 Hz 3. Persentasi akurasi kesalahan yang didapatkan adalah 1/5 * 100% = 20%, sedangkan persentasi keberhasilan system dalam mengenali suara tikus adalah 4/5 * 100% = 80%. SARAN Penelitian selanjutnya akan menggunakan beberapa jenis tikus putih untuk mengetahui perbedaan frekuensi suaranya. DAFTAR PUSTAKA [1]. Nurisa I. dan Ristianto., Penyakit Bersumber Rodensia (Tikus dan Mencit) di Indonesia. Jurnal Ekologi Kesehatan Volume 4 No. 3 Tahun 2005. [2]. Resmana I.W.A., Verifikasi Suara Menggunakan Metode MFCC dan DTW. Tugas Akhir Jurusan Teknik Elektro Udayana, Maret 2010. [3]. Begam M., Muda L. and Elamvazuthi, Voice Recognition Algorithms using Mel Frequency Cepstral Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques. Journal Of Computing, Volume 2, Issue 3, March 2010, ISSN 2151-9617. [4]. Deller, J.R, Hansen, J.H.L, Proakis, J.G., Discrete-Time Processing of Speech Signals. IEEE Signal Processing Society, Sponsor New York: Macmillan, 1993.