Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 - Nadya Amalia 2012

LAPORAN KERJA PRAKTIK
SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

DISCRETE WAVELET TRANSFORM MENGGUNAKAN
MATLAB 7.0
OLEH :
NADYA AMALIA
J1D108034
PROGRAM STUDI S-1 FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMBUNG MANGKURAT
BANJARBARU
APRIL, 2012

MATLAB 7.0
OLEH :
NADYA AMALIA
J1D108034
PROGRAM STUDI S-1 FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMBUNG MANGKURAT
BANJARBARU
APRIL, 2012
LEMBAR PENGESAHAN

MATLAB 7.0
Oleh :
NADYA AMALIA
J1D108034
Disetujui Pada Tanggal : ........................................
Pembimbing Internal
Pembimbing Eksternal
Amar Vijai Nasrulloh, MT

NIP 19780703 200501 1 002
Sriyanto, ST
NIK 0902280
Mengetahui
Ketua Program Studi Fisika
Nurma Sari, S.Si, M.Si

NIP 19701105 199802 2 001
ii
ABSTRAK
SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN DISCRETE

WAVELET TRANSFORM MENGGUNAKAN MATLAB 7.0 (oleh: Nadya
Amalia, Pembimbing : Amar Vijay Nasrulah, MT; Sriyanto, ST; __ halaman).
Discrete wavelet transform dalam pemrosesan sinyal adalah suatu metode yang
digunakan untuk mendekomposisi sinyal masukan. Dekomposisi tersebut
dilakukan dengan membagi sinyal masukan menggunakan low-pass filter dan
high-pass filter dalam domain waktu diskrit. Koefisien wavelet dari sinyal
frekuensi rendah yang dihasilkan disebut koefisien aproksimasi dan dari sinyal
frekuensi tinggi disebut koefisien detail. Untuk tujuan penghapusan derau yang
timbul dalam sinyal suara maka digunakan suatu metode yang disebut
thresholding. Prinsip dasar metode ini yaitu menolkan nilai-nilai koefisien wavelet
yang berada di bawah nilai threshold dan mengambil nilai-nilai selainnya untuk
keperluan rekonstruksi sinyal melalui simulasi. SNR (Signal-to-Noise Ratio)
digunakan untuk menunjukkan kualitas sinyal hasil rekonstruksi. Dan untuk sinyal
dari female.wav yang telah ditambahkan 5dB white Gaussian noise, hasil
rekonstruksi terbaik didapat dengan db40 dan heursure-hard thresholding,
SNR=10.8123, serta dengan sym21 dan minimaxi-soft threshlding, SNR=10.8206.
Kata kunci : wavelet, dekomposisi, low-pass filter, high-pass filter, threshold
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat
dan karunia-Nya, maka penulisan laporan kerja praktik yang berjudul REDUKSI
DERAU SINYAL SUARA DENGAN DISCRETE WAVELET TRANSFORM
MENGGUNAKAN MATLAB 7.0 ini dapat diselesaikan. Penulisan laporan
kerja praktik ini merupakan bagian dari tugas akademik di Fakultas MIPA,
sebagai persyaratan untuk menyelesaikan program pendidikan Sarjana-1 Program
Studi Fisika Fakultas MIPA Universitas Lambung Mangkurat Banjarbaru.
Pada kesempatan ini penulis mengucapkan terimakasih yang sebesarbesarnya kepada :
1. Bapak Amar Vijai Nasrulloh, MT selaku pembimbing internal yang telah
memberikan banyak arahan dan dukungan dalam kerja praktik.
2. Bapak Sriyanto, ST selaku pembimbing eksternal yang telah banyak
memberikan penjelasan selama kerja praktik.
3. Ibu Kalfika Yani yang telah memberikan banyak ilmu yang bermanfaat.
4. Ayah dan ibuku Kasypul Anwar dan Nortinisa, yang tak henti-hentinya
mendoakan dan memberi semangat.
5. Saudara-saudaraku M. Laily Qadry Sukmana, M. Satria Effendy, dan M.
Azhar Anwary, yang telah memberikan banyak bantuan baik moril maupun
materil.
6. Bapak Wahyudin Bagenda selaku Direktur Utama PT. LEN Industri (Persero)
Bandung.
iv
7. Bapak Priono Joni H. selaku kepala Bagian Manajemen dan Rekayasa Proyek
UB. SISDALHAN PT. LEN Industri (Persero) Bandung.
8. Seluruh staf Bagian Manajemen dan Rekayasa Proyek Unit Bisnis Sistem
Kendali dan Pertahanan PT. LEN Industri (Persero) Bandung.
9. Ibu Sudarningsih, M.Si selaku pembimbing akademik.
10. Bapak Hery Budi Santoso, M.Si selaku Dekan Fakultas MIPA Universitas
Lambung Mangkurat Banjarbaru.
11. Ibu Nurma Sari, M.Si selaku Ketua Program Studi S1 Fisika Fakultas MIPA
Universitas Lambung Mangkurat Banjarbaru.
12. Semua dosen FMIPA UNLAM, khususnya dosen Fisika yang telah banyak
memberikan ilmu dan pengalamannya.
13. Saudara M. Yudi Suhendar, teman kerja praktik yang sering diajak bertukar
pikiran.
14. Seluruh teman-teman program studi Fisika, khususnya teman-teman di
Instrument Community 2008.
Kritik dan saran yang bersifat membangun sangat penulis harapkan guna
kesempurnaan laporan kerja praktik ini. Semoga laporan ini dapat bermanfaat bagi
kita semua.
Banjarbaru,
Maret 2012
Penulis
DAFTAR ISI
Halaman
HALAMAN JUDUL
HALAMAN PENGESAHAN..
ii
ABSTRAK.
iii
KATA PENGANTAR..
iv
DAFTAR ISI..
vi
DAFTAR TABEL.
ix
DAFTAR GAMBAR.
DAFTAR LAMPIRAN
xi
BAB I
PENDAHULUAN
1.1
Latar Belakang.......
1.2
Tujuan
1.2.1
Tujuan Umum....
1.2.2
Tujuan Khusus...
1.3
Manfaat..
BAB II
KEADAAN UMUM PT. LEN INDUSTRI (PERSERO)

BANDUNG
2.1
Sejarah PT. LEN Industri (Persero)...............
2.2
Visi dan Misi PT. LEN Industri (Persero).........
2.2.1
Visi.................................................................................................
2.2.2
Misi ...............................................................................................
2.3
Produk dan Layanan PT. LEN Industri (Persero)..
2.4
Struktur Organisasi PT. LEN Industri (Persero) 11
BAB III TINJAUAN PUSTAKA

3.1
Sinyal Suara................................................................................... 12
3.1.1
Representasi Sinyal Suara dalam Domain Waktu..... 12
3.1.2
Representasi Sinyal Suara dalam Domain Frekuensi 13
vi
3.2
Derau.............................................................................................. 13
3.2.1
Definisi Derau................................................................................ 13
3.2.2
White Noise.................................................................................... 14
3.3
Definisi Wavelet......................................................................... 15
3.3.1
Analisis Wavelet............................................................................
3.3.2
Analisis Multiresolusi.................................................................... 16
3.4
Wavelet Transform. 17
3.4.1
Continuous Wavelet Transform. 19
3.4.2
Discrete Wavelet Transform.. 21
3.5
Jenis Wavelet.. 27
3.6
Thresholding.. 29
16
BAB IV METODE KERJA PRAKTIK

4.1
Waktu dan Tempat......................................................................... 31
4.2
Bentuk Kerja Praktik.....................................................................
4.3
Prosedur Kerja............................................................................... 32
4.3.1
Pembacaan File Suara................ 35
4.3.2
Pemodelan Derau... 35
4.3.3
Reduksi Derau.... 36
4.3.4
Pembuatan GUI.
BAB V
PELAKSANAAN KERJA PRAKTIK
5.1
Hasil Pengamatan..
5.1.1
GUI.... 42
5.1.2
Simulasi.
42
5.2
Pembahasan...
46
5.2.1
GUI...
46
5.2.2
Level Dekomposisi.... 47
5.2.3
Jenis Wavelet. 47
5.2.4
Thresholding... 48
5.2.5
Spektogram 49
vii
32
38
42
BAB VI PENUTUP
6.1
Kesimpulan 50
6.2
Saran.. 51
DAFTAR PUSTAKA...
LAMPIRAN..
viii
52
DAFTAR TABEL
Tabel
Halaman
2.1
Produk dan Layanan PT. LEN Industri (Persero) Bandung
5.1
Data Hasil Perhitungan SNR dan Error....... 45
ix
DAFTAR GAMBAR
Gambar
Halaman
3.1
Sinyal suara.... 12
3.2
White noise dalam saluran komunikasi.. 14
3.3
Resresentasi dari wave dan wavelet... 15
3.4
Multiresolusi waktu-frekuensi...
16
3.5
Perbandingan resolusi waktu-frekuensi beberapa metode analisis sinyal
18
3.6
Filter bank dengan dua channel
22
3.7
Filter bank level tiga.
25
3.8
Ekivalen dari Gambar 3.7..
26
3.9
Wavelet Haar.
28
3.10 Wavelet Daubechies... 28

3.11 Wavelet Coiflets.
28
3.12 Wavelet Symlet..
29
3.13 Sinyal hasil Thresholding..
30
4.1
Blok diagram proses reduksi derau 33
4.2
Diagram alir simulasi reduksi derau..
34
5.1
Figure GUI untuk simulasi reduksi derau.....
41
5.2
Running GUI untuk simulasi reduksi derau..
42
5.3
Tampilan setelah menekan tombol Load... 43
5.4
Tampilan setelah menekan tombol Add Noise... 43
5.5
Tampilan setelah menekan tombol Denoise..
5.6
Tampilan setelah memilih radio button Spectogram. 44
44
DAFTAR LAMPIRAN
Lampiran 1.
Struktur Organisasi PT. LEN Industri (Persero) Bandung
Lampiran 2.
Source Code Program Simulasi
Lampiran 3.
Spektogram Sinyal
Lampiran 4.
Surat Permohonan untuk Melaksanakan Kerja Praktik
Lampiran 5.
Pendaftaran Kerja Praktik
Lampiran 6.
Rencana Kerja Praktik
Lampiran 7.
Surat Rekomendasi Kerja Praktik
Lampiran 8.
Usulan Kegiatan Kerja Praktik
Lampiran 9.
Absensi Kegiatan Kerja Praktik
Lampiran 10. Berita Acara Visitasi

Lampiran 11. Berita Acara Telah selesainya Kerja Praktik
Lampiran 12. Pendaftaran Seminar / Sosialisasi Kerja Praktik
Lampiran 13. Rekomendasi Nilai Kerja Praktik
Lampiran 14. Kartu Hadir Seminar Kerja Praktik
Lampiran 15. Penilaian Pelaksanaan Kerja Praktik
Lampiran 16. Penilaian Laporan dan Seminar / Sosialisasi
Lampiran 17. Nilai Kerja Praktik
Lampiran 18. Surat Pengantar dari PT. LEN Industri (Persero) Bandung
Lampiran 19. Foto-foto kegiatan
xi
BAB I
PENDAHULUAN
1.1
Latar Belakang
Beberapa teknik yang biasa digunakan untuk menghilangkan derau pada
sinyal antara lain analisis sinyal dalam kawasan waktu (Shanon), kawasan
frekuensi (Fourier), dan Short Time Fourier Transform (Gabor). Meskipun
dengan Short Time Fourier Transform (STFT) telah diperoleh representasi sinyal
dalam domain waktu dan frekuensi secara bersamaan, namun terdapat masalah
ketajaman (resolution) yang dikenal dengan prinsip ketidakpastian. Menurut
prinsip ketidakpastian tersebut tidak dapat diketahui dengan tepat, representasi
waktu-frekuensi dari suatu sinyal, dalam pengertian tidak dapat diketahui dengan
akurat komponen frekuensi berapa saja yang terdapat pada suatu waktu. Wavelet
dengan analisis multiresolusi dapat memecahkan permasalahan resolusi karena
kemampuannya dalam menganalisis sinyal dalam berbagai resolusi, sehingga
sinyal dapat dianalisis lebih detail. (Sari, 2011)
Discrete Wavelet Transform (DWT) dalam konteks pemrosesan sinyal
adalah suatu metode yang digunakan untuk mendekomposisi sinyal masukan ke
dalam bentuk gelombang yang disebut mother wavelet dan menganalisis sinyal
pemberi perlakukan terhadap koefisien wavelet. Prinsip yang sama juga
diberlakukan pada STFT, namun terdapat perbedaan pada analisis yang dilakukan.
Dalam STFT, analisis dilakukan secara keseluruhan dengan resolusi yang sama
untuk seluruh frekuensi, sedangkan DWT memberlakukan analisis dengan
resolusi yang berbeda untuk setiap frekuensi yang berbeda. Dekomposisi pada
DWT dilakukan dengan membagi sinyal masukan ke dalam frekuensi tinggi dan
rendah memgunakan low-pass filter (LPF) dan high-pass filter (HPF) dalam
domain waktu diskrit. Sinyal frekuensi rendah yang dihasilkan disebut
aproksimasi dan sinyal frekuensi tinggi yang dihasilkan disebut detail.
Terdapat dua informasi yang dibawa suatu sinyal suara, yaitu waktu dan
frekuensi. Dalam cakupan waktu, perubahan amplitudo merupakan hal yang
sangat diperhatikan, sedangkan dalam cakupan frekuensi respon dari suara yang
berbeda menunjukkan adanya perbedaan frekuensi yang dihasilkan. Kedua
informasi tersebut tetap dapat dipertahankan dan dianalisis dengan menggunakan
pendekatan multiresolusi yang diaplikasikan dalam bentuk dekomposisi DWT.
Untuk tujuan pereduksian derau yang timbul dalam sinyal suara maka
diberlakukan thresholding. Prinsip dasar metode ini yaitu menolkan nilai-nilai
koefisien wavelet yang berada di bawah nilai threshold dan mengambil nilai-nilai
selainnya untuk keperluan rekonstruksi sinyal dengan metode simulasi. Dengan
simulasi ini diharapkan dapat mengurangi derau dari sinyal suara. (Purwanto,
2009).
1.2
Tujuan
1.2.1 Tujuan Umum

1.
Menjalin kerjasama dengan dunia kerja, yaitu PT. LEN Industri (Persero)
Bandung khususnya di Bagian Manajemen dan Rekayasa Proyek Unit
Bisnis Sistem Kendali dan Pertahanan.
2.
Mengetahui aplikasi bidang ilmu yang sudah diterima dalam perkuliahan.
1.2.2 Tujuan Khusus

1.
Memahami prinsip dan metode reduksi derau sinyal suara dengan discrete
wavelet transform.
2.
Memahami cara penggunaan wavelet toolbox dari Matlab 7.0 untuk discrete
wavelet transform.
3.
Membuat simulasi reduksi derau dengan discrete wavelet transform

mengunakan Matlab 7.0.
1.3
Manfaat
Adapun manfaat dari kegiatan kerja praktik ini adalah sebagai berikut :
1. Bagi mahasiswa yaitu memperoleh pengetahuan dan keterampilan dalam

menghadapi permasalahan dunia kerja, melatih disiplin dan tanggung jawab
terhadap pekerjaan, meningkatkan kualitas mahasiswa dan mendapatkan
pengalaman kerja khususnya dalam bidang pemrosesan sinyal.
2. Bagi program studi sebagai sarana menjalin kerja sama antara universitas
dengan PT. LEN Industri (Persero) Bandung (Bagian Manajemen dan
Rekayasa Proyek Unit Bisnis Sistem Kendali dan Pertahanan) dan
meningkatkan citra Program Studi Fisika dalam hal pengadaan kerja praktik
dan penyedian lapangan kerja.
BAB II
KEADAAN UMUM PT. LEN INDUSTRI (PERSERO) BANDUNG
2.1
Sejarah PT. LEN Industri (Persero)

PT. LEN Industri dibentuk menurut SK Ketua Majelis Ilmu Pengetahuan
Indonesia
(MIPI)
No.11/Ket/MIPI/A-1/1965.
Melalui
NI.128/1967,
LEN
dinyatakan sebagai salah satu lembaga yang bernaung di bawah LIPI dan
bertanggung jawab langsung terhadap LIPI. LEN kemudian bertransformasi
menjadi sebuah Badan Usaha Milik Negara (BUMN) pada tahun 1991. Sejak saat
itu, LEN bukan lagi merupakan kepanjangan dari Lembaga Elektronika Nasional,
tetapi telah menjadi sebuah entitas bisnis profesional dengan nama PT. LEN
Industri. Saat ini LEN berada di bawah koordinasi Kementrian Negara BUMN.
1.
Periode tahun 1991-2001 merupakan periode survival bagi PT. LEN

Industri. Waktu itu diterapkan sebagai periode survival, sehingga sifatnya
sentralistis.
2.
Periode tahun 2001-2007 merupakan masa transformasi bagi PT. LEN

Industri. Pada masa itu LEN melakukan banyak transformasi bisnis,
organisasi, manajerial, dan lain-lain.
3.
Periode tahun 2006 PT. LEN Industri memiliki tiga anak perusahaan yaitu:
PT. Surya Energi Indotama memiliki fokus usaha di bidang kontraktor
tenaga surya (renewable energy). Lini bisnis energi, seperti bisnis tenaga
surya dilimpahkan kepada anak perusahaan agar mampu bergerak secara
lincah bersaing di pasaran. PT. Interlokindo Utama, dan PT. Eltran

Indonesia yang bergerak dalam bidang kontraktor.
4.
Periode tahun 2007 sampai saat ini PT. LEN Industri melakukan reposisi
bisnis dan reorganisasi perusahaan.
Selama ini, PT. LEN Industri telah mengembangkan bisnis dan produk-
produk dalam bidang elektronika untuk industri dan prasarana, serta telah
menunjukkan pengalaman dalam bidang :
1.
Broadcasting, selama lebih dari 30 tahun, dengan ratusan Pemancar TV dan

Radio yang telah terpasang di berbagai wilayah di Indonesia.
2.
Jaringan infrastruktur telekomunikasi yang telah terentang baik di kota besar

maupun daerah terpencil.
3.
Sistem persinyalan kereta api di berbagai jalur kereta api di Pulau Jawa.
4.
Elektronika untuk pertahanan, baik darat, laut, maupun udara.
5.
Sistem elektronika daya untuk kereta api listrik.

Melalui reposisi bisnis perusahaan, LEN secara bertahap dibentuk agar
hanya menangani produksi yang bersifat manufaktur dengan fokus pada upaya
inovasi dan pengembangan produk. Dengan kata lain, bisnis LEN sebagai holding
company akan dikhususkan pada manufacturing. Sementara proyek kontraktor,
proyek yang bersifat engineering dan konstruksi akan diserahkan kepada anakanak perusahaan.
PT. LEN Industri merupakan pemain utama dalam industri pengembangan
dan aplikasi peralatan elektronika untuk pertahanan di Indonesia saat ini. LEN
telah
berhasil
mengembangkan
peralatan
tactical
communication
yang
mempunyai matriks hopping yang dirancang khusus untuk mengurangi resiko

penyadapan oleh pihak lain. Selain itu, peralatan surveillance yang canggih dan
combat management system yang dikembangkan LEN, mampu memberikan
solusi terhadap kebutuhan pertahanan di Indonesia, dengan biaya yang dapat
menghemat devisa, serta dukungan tenaga ahli dalam negeri untuk pemeliharaan
selama masa pengoperasian.
2.2
Visi dan Misi PT. LEN Industri (Persero)
2.2.1 Visi
Menjadi perusahaan elektronika kelas dunia.
2.2.2 Misi
Meningkatkan kesejahteraan stakeholder melalui inovasi produk elektronika
industri dan prasarana.
2.3
Produk dan Layanan PT. LEN Industri (Persero)

PT. LEN Industri memiliki satu divisi produksi dan tiga unit bisnis. Divisi
produksi menangani usaha produksi elektronik, mekanik, dan energi terbarukan.

Sementara ketiga Unit Bisnis (UB),
Pertahanan
(SISDALHAN),
UB.
yaitu : UB. Sistem Pengendalian dan

Sistem
Navigasi
dan
Telekomunikasi
(NAVITEL) dan UB. Sistem Transportasi (SISTRANS), menangani beberapa

bidang usaha, yaitu: elektronika pertahanan, sistem kontrol, sistem navigasi,
telekomunikasi, dan transportasi kereta api.
PT. LEN Industri sangat bangga telah melayani pelanggannya dengan baik,
diantaranya :
1.
Departemen Perhubungan
2.
PT. INKA (Persero)
3.
Kereta Tanah Melayu Berhad (KTMB), Malaysia
4.
Departemen Kelautan dan Perikanan
5.
Badan Pengelola Pengembangan Teknologi ( BPPT )
6.
Pemerintah Daerah
7.
Departemen Energi dan Sumber Daya Mineral
8.
Kementrian Negara Pembangunan Daerah Tertinggal
9.
Kementrian Riset dan Teknologi
10. PT Indosat, Tbk

11. PT. PLN (Persero)
12. Badan Meteorologi dan Geofisika
13. Direktorat Jendral Pajak dan Bea Cukai
14. Departemen Pertahanan
15. TNI
16. POLRI
17. Departemen Komunikasi dan Informasi
18. TV & Radio Swasta
19. PT Surveyor Indonesia
20. PT Kereta Api (Persero)
Tabel 2.1
Produk dan Layanan PT. LEN Industri (Persero) Bandung
No
1
Produk
Lini Bisnis
Sistem Interlocking
Sistem
Automatic Warning
Signaling
System
Pelanggan
Departemen
Perhubungan
PT Kereta Api (Persero)
Departemen
CTC (Centralized
Traffic Control)
Level Crossing
LED Signal Unit
Battery Charger
Static Inverter
AC Control Panel
Elektronika
Daya
Perhubungan
PT INKA (Persero)
Kereta Tanah Melayu
Berhad (KTMB),
Malaysia
Panel Surya
Solar Home System
Pembangunan Daerah
(SHS)
Tertinggal
Energi Terbaru
Pembangkit Listrik
Kementrian Riset dan

Teknologi
Tenaga
Kementrian Negara
Hibrida
Departemen Kelautan
Lampu Penerangan
Jalan Tenaga Surya
KWH Meter Pra
Pengembangan
Bayar
Teknologi (BPPT)
dan Perikanan
Wartel Satelit
Pemerintah Daerah
Tenaga Surya
Departemen Energi dan

Sumber Daya Mineral
Pompa Air Tenaga
PT Indosat, Tbk
PT. PLN (Persero)
System
Badan Meteorologi dan
Asset Monitoring &
Geofisika
Tracking System
Direktorat Jendral Pajak
SuryA
PLTS Terpusat
Detection Equipment
Badan Pengelola
Sistem Kontrol
dan Bea Cukai

5
Tactical Radio
Elektronika
Departemen Pertahanan
Communication
Pertahanan
TNI
POLRI
HF Transceivers
Combat Management
System
(CMS)
Tactical Radio
Communication
VHF Transceivers
TV Transmitter
Informasi dan
FM Transmitter
Komunikasi
Antenna System UHF
TVRI
Panel Arrays
RRI
Antenna System
TV & Radio Swasta
Parabolic Antenna
Pemerintah Daerah
Satellite News
Departemen
Gathering
Departemen Komunikasi
dan Informasi
Perhubungan
Sistem Navigasi
PT. LEN INDUSTRI juga menggalang kerjasama dengan pihak luar negeri.
Kerjasama tersebut di antaranya dengan mitra kerja seperti:
1.
CARS, Hollysys, Fiscan (Cina)
2.
Siemens AG, RWE Schoot Solar, Rohde & Schwartz (Jerman)
3.
PIT & CTM (Polandia)
4.
Elettronika (Italia)
5.
Thales (Prancis)
6.
Q-Mac (Australia)
7.
Shiron (Amerika)
10
2.4
Struktur Organisasi PT. LEN Industri (Persero)

Struktur organisasi PT. LEN Industri selengkapnya sesuai Surat Keputusan
Direktur Utama No. 087/SKEP/DU/VI/2011 tanggal 1 Juli 2011 dapat dilihat

pada lampiran.
11
BAB III
TINJAUAN PUSTAKA
3.1
Sinyal Suara
Sinyal suara merupakan suatu sinyal yang mewakili suara. Suara dalam hal
ini dibatasi pada frekuensi 20-20000 Hz, yaitu yang bisa didengar oleh telinga
manusia (audible). Sinyal suara dibentuk dari kombinasi berbagai frekuensi pada
berbagai amplitudo dan fasa. Pada gambar 3.1 merupakan salah satu contoh
bentuk sinyal suara yang tampak bila dilihat pada osiloskop. Axis X
merepresentasikan waktu, sedangkan axis Y merepresentasikan tegangan yang
diukur pada sebuah alat masukan. Alat tersebut dapat berupa mikrofon.
(Kurniawan, 2002; Verterli dan Kovacevic, 1996)
Gambar 3.1. Sinyal Suara

3.1.1 Representasi Sinyal Suara dalam Domain Waktu
Sinyal suara didefinisikan sebagai besaran fisik yang berubah terhadap
waktu, artinya besaran fisik pada sinyal suara adalah intensitas bunyi sedangkan
variabel bebasnya adalah waktu. Secara matematis sinyal suara sebagai besaran
fisik yang berubah terhadap waktu, dapat dinyatakan sebagai fungsi dari waktu
sebagai berikut (Kurniwan, 2002; Proakis dan Monoakis, 1996) :
= )(sin (2)
(3.1)
12
3.1.2 Representasi Sinyal Suara dalam Domain Frekuensi

Bentuk representasi sinyal lain yang sering dipakai adalah representasi
dalam domain frekuensi. Dalam domain frekuensi, sinyal suara dipandang sebagai
gabungan dari satu atau lebih sinyal sinusoidal dengan frekuensi dan intensitas
yang berbeda-beda. Jadi sinyal suara tersebut direpresentasikan sebagai intensitas
dari komponen frekuensi penyusunnya. Representasi suatu sinyal suara dalam
domain waktu dapat diubah ke dalam domain frekuensi dengan menggunakan
Fourier transform (FT). Persamaan FT itu sendiri adalah (Kurniwan, 2002;
Proakis dan Monoakis, 1996) :
() = )(
(3.2)
= cos(2 ) 2
(3.3)
dengan
Sedangkan untuk mengubah representasi sinyal dari domain frekuensi ke dalam

domain waktu digunakan inverse Fourier transform (IFT) sebagai berikut:
= )( ()
3.2
(3.4)
Derau
3.2.1 Definisi Derau

Derau (noise) dapat didefinisikan sebagai sinyal yang tidak diinginkan yang
muncul pada komunikasi, pengukuran, atau pemrosesan dari sebuah sinyal yang
mengandung informasi. Secara umum, derau dapat menyebabkan kesalahan atau
bahkan merusak sinyal informasi tersebut. Oleh karena itu, pemrosesan derau
adalah bagian penting dan integral dari telekomunikasi modern dan sistem
13
pemrosesan sinyal. Kesuksesan dari suatu metode pemrosesan derau bergantung

pada kemampuannya untuk mengkarakterisasi dan memodelkan derau, dan
menggunakan karakteristik derau tersebut secara menguntungkan untuk
mereduksinya dari sinyal.
3.2.2 White Noise
Salah satu model derau yang paling popular adalah white noise. White noise
merupakan suatu derau dengan kerapatan spektral daya yang merata pada seluruh
komponen frekuensinya. Disebut white noise karena berpedoman pada kenyataan
bahwa sebenarnya cahaya putih merupakan kumpulan dari berbagai warna yang
dapat diuraikan secara merata melalui suatu spektrum. Demikian pula dengan
white noise yang juga terdiri dari berbagai sumber derau, serta lebar daerah energi
elektron dan molekul-molekul yang merupakan pembangkit derau tersebut.
Gambar 3.2 memperlihatkan bentuk white noise dalam suatu saluran komunikasi.
Gambar 3.2. White noise dalam saluran komunikasi

Agar suatu sinyal informasi yang digunakan dapat dideteksi dan dihasilkan
kembali dengan memuaskan oleh receiver dari suatu sistem maka daya dari sinyal
yang dikehendaki tersebut haruslah lebih besar dari pada derau yang ada, dengan
paling sedikit suatu nilai minimum yang telah ditentukan. Perbandingan daya
14
sinyal yang dikehendaki terhadap daya derau adalah (Kurniwan, 2002; Roddy dan
Coolen, 1996)

= 10
3.3
(3.5)
Definisi Wavelet
Kata wavelet dikemukakan oleh Morlet dan Grossmann pada awal tahun
1980 dalam bahasa Prancis ondelette yang berarti gelombang kecil. Dan setelah
itu dalam bahasa Inggris kata onde diganti menjadi wave sehingga menjadi
wavelet. Wavelet merupakan gelombang kecil yang energinya terkonsentrasi
terhadap waktu. Memiliki kemampuan untuk melakukan analisis waktu dan
frekuensi secara bersamaan dan sangat cocok digunakan untuk menganalisis
sinyal transient, nonstasioner, atau yang berubah terhadap waktu. (Shukla, 2003)
Gambar 3.3. Representasi dari wave (a), dan wavelet (b)

Perbedaan antara wave (sinusoidal) dengan wavelet ditunjukkan pada
Gambar 3.3. Wave bersifat smooth, predictable dan tetap, sementara wavelet
mempunyai durasi yang terbatas, irregular dan tidak selalu simetris. Wave
digunakan sebagai fungsi basis deterministic pada analisis Fourier terhadap
sinyal, yang berupa invariant waktu, stasioner (Shukla, 2003)
15
3.3.1 Analisis Wavelet

Analisis sinyal nonstasioner dengan menggunakan Fourier transform (FT)
atau short time Fourier transform (STFT) tidak memberikan hasil yang
memuaskan. Hasil yang lebih baik bisa didapat melalui analisis wavelet. Salah
satu keuntungan dari analisis wavelet adalah kemampuannya untuk melakukan
analisis lokal (Misiti et all, 2000). Analisis wavelet mampu mendapatkan aspekaspek sinyal yang tidak bisa didapatkan melalui teknik analisis yang lain, seperti
trends, titik breakdown, diskontinuitas, dan sebagainya. Dibandingkan dengan
STFT, analisis wavelet memungkinkan untuk dilakukannya analisis multiresolusi.
(Merry, 2005)
3.3.2 Analisis Multiresolusi
Permasalahan
resolusi
waktu-frekuensi
disebabkan
adanya
prinsip
ketidakpastian Heisenberg dan penggunaan teknik analisis. Dengan menggunakan

pendekatan yang disebut analisis multiresolusi (mutliresolution analysis, MRA),
frekuensi yang berbeda pada suatu sinyal dapat dianalisis dengan resolusi yang
berbeda. Perubahan resolusi tersebut secara skematis ditunjukkan Gambar 3.4
Gambar 3.4. Multiresolusi waktu-frekuensi

16
Analisis wavelet menghitung korelasi antara sinyal yang diinginkan dengan

fungsi wavelet (t). Kemiripan antara sinyal dan fungsi wavelet dihitung secara
terpisah untuk interval waktu yang berbeda, menghasilkan interpresentasi dua
dimensi. Fungsi wavelet (t) juga ditujukan sebagai mother wavelet. (Merry,
2005)
3.4
Wavelet Transform
Wavelet transform (WT) didefinisikan sebagai penguraian sinyal dengan
menggunakan suatu himpunan basis fungsi yang disebut wavelet. WT adalah

metode aproksimasi dari suatu basis fungsi wavelet ( )dengan bantuan
lokalisasi waktu dan frekuensi (jendela modulasi) yang fleksibel. Hal ini yang
membedakan dengan STFT, yang merupakan pengembangan dari FT. STFT

menggunakan jendela modulasi yang besarnya tetap, ini menyebabkan
permasalahan resolusi karena jendela yang sempit akan memberikan resolusi
frekuensi yang buruk dan sebaliknya jendela yang lebar akan menyebabkan
resolusi waktu yang buruk. (Sugiarso, 2010)
17
Gambar 3.5. Perbandingan resolusi waktu-frekuensi beberapa metode analisis

sinyal (Purwanto, 2009)
WT didesain untuk mendapatkan keuntungan dengan menggunakan resolusi
waktu paling baik dan resolusi frekuensi paling kecil saat frekuensi tinggi, dan
resolusi frekuensi paling baik dan resolusi waktu paling kecil saat frekuensi
rendah, sesuai dengan representasi pada Gambar 3.4. (Purwanto, 2009)
Fungsi
penganalisis
(t)
diklasifikasikan
sebagai
wavelet
apabila
persyaratan matematis di bawah ini terepenuhi (Addison, 2002):

1.
Wavelet harus memiliki energi yang berhingga
|)(| = <
(3.6)
Energi E sama dengan integral dari kuadrat magnitude fungsi penganalisis

(t) dan harus kurang dari tak terhingga.
2.
Jika (f) adalah Fourier transform dari wavelet (t), kondisi berikut harus
dipertahankan
18
| ()|
<
(3.7)
Kondisi ini menyatakan bahwa wavelet tidak memiliki komponen frekuensi

nol ( (0) = 0), dengan kata lain nilai rata-rata dari wavelet ( )harus
3.
sama dengan nol. Nilai tergantung dari jenis wavelet dipilih.
Untuk wavelet kompleks, Fourier transform (f) harus real dan habis untuk
frekuensi negatif.
3.4.1 Continuous Wavelet Transform

Continuous wavelet transform (CWT) didefinisikan sebagai (Addison,
2002; Polikar, 1999; Schneiders, 2001)
(, = )
||
)(
(3.8)
Sinyal (, )merupakan fungsi dari parameter translasi dan parameter
skala s. Mother wavelet ditunjukkan dengan , sementara * menandakan bahwa

conjugate kompleks digunakan untuk wavelet kompleks. Energi dari sinyal
dinormalisasi di setiap skala dengan membagi koefisien wavelet dengan 1/ ||
(Addison, 2002). Hal ini untuk memastikan bahwa wavelet memiliki energi yang
sama pada setiap skala. (Merry, 2005)
Mother wavelet dikonstraksi dan didilasi dengan mengubah parameter skala
s. Variasi terhadap skala s tidak hanya mengubah central frequency fc dari
wavelet, tetapi juga mengubah lebar window. Sehingga, skala s lebih digunakan
daripada frekuensi untuk merepresentasikan hasil dari analisis wavelet. Parameter
translasi menunjukkan lokasi wavelet dalam waktu, dengan mengubah wavelet
dapat digeser di sepanjang sinyal. Elemen dari (, )disebut koefisien

19
wavelet, dan setiap koefisien tersebut terkait dengan skala (frekuensi) dan titik
pada domain waktu. (Merry, 2005)
WT juga memiliki inverse, seperti halnya FT dan STFT. Inverse continuous
wavelet transform (ICWT) dinyatakan dengan
= )( (, )
(3.9)
Dengan catatan harus memenuhi persyaratan kondisi wavelet yang kedua.
Fungsi wavelet memiliki central frequency fc pada setiap skala, di mana
skala s berbanding terbalik dengan frekuensi. Skala yang besar sesuai untuk
frekuensi rendah, memberikan informasi umum dari sinyal. Dan skala kecil sesuai
untuk frekuensi tinggi, memberikan informasi detail dari sinyal. Perhitungan
CWT biasanya dilakukan dengan mengambil nilai diskrit untuk parameter skala s
dan parameter translasi . Koefisien-koefisien wavelet yang dihasilkan disebut
wavelet series. (Merry, 2005)
Dyadic grid mendiskritisasi parameter skala pada skala logaritmik.

Sementara parameter waktu didiskritisasi mengikuti parameter skala. Dyadic grid
merupakan salah satu metode diskritisasi yang paling sederhana dan efisien untuk
berbagai kegunaan dan menghasilkan konstruksi dari basis wavelet orthonormal
(Addison, 2002). Wavelet series dapat dihitung sebagai
, = )( , ( )
(3.10)
dengan
, = ( )
(3.11)
20
Bilangan bulat m dan n mengontrol dilasi dan translasi. Untuk dyadic grid,
s0 = 0 dan = 1. Discrete dyadic grid wavelet adalah orthonormal, dengan kata
lain orthogonal satu sama lain dan ternormalisasi agar memiliki unit energi
(Addison, 2002). Hal tersebut memperbolehkan rekonstruksi sinyal dengan
= )( , , ()
(3.12)
CWT biasanya dimanfaatkan untuk deteksi karena adanya keretakan,

patahnya elemen, ketidaksempurnaan bentuk, dan cacat lain yang menghasilkan
sinyal dengan pola terpatah atau tak sempurna. (Nurprasetio dan Sandewan, 2010)
3.4.2 Discrete Wavelet Transform
MRA pada CWT dilakukan dengan kontraksi dan dilasi terhadap fungsi
wavelet. Sementara discrete wavelet transform (DWT) menggunakan filter banks
untuk
membangun
multiresolusi
pada
bidang
waktu-frekuensi.
DWT
menggunakan multiresolution filter banks dan filter wavelet untuk menganalisis

dan merekonstruksi sinyal. (Merry, 2005)
a.
Filter Banks
Filter bank terdiri atas filter-filter yang membagi sinyal menjadi beberapa
band frekuensi (Strang dan Nguyen, 1997). Sebagai contoh, filter bank dengan
dua channel ditunjukkan pada Gambar 3.6. Sinyal waktu diskrit x(k) dimasukkan
pada analysis bank dan di-filter dengan L(z) an H(z) yang memisahkan konten
frekuensi dari sinyal input ke dalam band frekuensi dengan lebar yang sesuai.
Filter L(z) dan H(z) secara berurutan merupakan low-pass filter (LPF) dan highpass filter (HPF). Output dari masing-masing filter mengandung setengah dari
konten frekuensi awal, akan tetapi dengan jumlah sample yang sama dengan
21
sinyal input. Kedua output secara bersama-sama mengandung konten frekuensi

yang sama dengan sinyal input, namun jumlah data menjadi double. Oleh karena
itu, perlu dilakukan downsampling dengan faktor 2 yang dinyatakan dengan 2
terhadap masing-masing output dari filter-filter pada analysis bank. (Merry, 2005)
Rekonstruksi sinyal asli juga dapat dilakukan dengan sintesis menggunakan
filter bank (Schneiders, 2001; Strang dan Nguyen, 1997). Pada synthesis bank
sinyal di-unsampled (2) dan dilewatkan terhadap filter L(z) dan H(z). Adapun
filter-filter yang digunakan pada synthesis bank adalah berdasarkan filter-filter
pada analysis bank. Output-output dari synthesis bank dijumlahan menjadi sinyal
rekonstruksi y(k).
Sinyal-sinyal output yang berbeda dari analysis filter bank disebut subband,
dan teknik filter bank juga dikenal sebagai subband coding (Schneiders, 2001)
Gambar 3.6. Filter bank dengan dua channel

b. Downsampling dan Upsampling
LPF dan HPF L(z) dan H(z) membagi konten frekuensi dari sinyal menjadi
setengahnya. Sehingga, sangat masuk akal apabila dilakukan downsampling
dengan faktor dua untuk menghindari redundancy. Meskipun setengah dari
sample dari sinyal yang telah di-filter, cl(k) dan ch(k), menjadi berkurang,
rekonstruksi sinyal x(k) masih bisa dilakukan. Operasi downsampling (2) hanya
22
akan mempertahankan urutan genap dari komponen output, dengan demikian

tidak invertible. Dalam domain frekuensi, efek dari penolakan informasi disebut
aliasing. Sementara itu, teori sampling Shannon adalah met, di mana tidak ada
terjadi kehilangan informasi (de Kraker, 2000; Strang dan Nguyen, 1997). Teori
sampling dari Shannon menyatakan bahwa downsampling dari sinyal yang telah
di-sampling dengan factor M menghasilkan sinyal dengan spektrum yang dapat
dihitung dengan mempartisi spektrum asli menjadi band-band sejumlah M dan
kemudian menjumlahkan band-band tersebut (Schneiders, 2001).
Pada synthesis bank, sinyal terlebih dahulu di-unsampled sebelum di-filter.
Upsampling dengan faktor 2 (2) dilakukan dengan menambahkan nilai nol di
antara sample-sample dari sinyal asli. Dengan catatan bahwa dengan melakukan
downsampling terhadap sinyal dan kemudian melakukan upsampling tidak akan
mengembalikan sinyal aslinya.
.
(0)
(1)
( = 2)
(3)
(4)
.
.
(0)
( 2)( = 2)
(4)
.
.
(0)
0
( 2)( 2)( = 2)
0
(4)
.
(3.13)
Transpose dari (2) adalah (2). Dan karena transpose berasal dari perintah
reverse, maka sintesis dapat dikatakan sebagai transpose dari analisis. Selanjutnya
(2) (2) = I, karena (2) merupakan inverse dari (2) (Strang dan Nguyen, 1997).
Hal ini menunjukkan kemungkinan untuk mendapatkan kembali sinyal asli
melalui downsampling dan upsampling. Dengan menambahkan nilai nol dan
kemudian menghapusnya, sinyal asli akan bisa didapatkan kembali. (Merry, 2005)
23
c.
Multiresolution filter banks

CWT dapat melakukan MRA yang memungkinkan untuk melakukan
analisis terhadap sinyal pada frekuensi yang berbeda dengan resolusi yang
berbeda. Untuk frekuensi tinggi (skala tinggi) pada waktu yang singkat,
didapatkan resolusi waktu yang baik. Sementara untuk frekuensi rendah (skala
rendah), resolusi frekuensi yang baik lebih diperlukan. CWT memiliki resolusi
waktu-frekuensi seperti ditunjukkan pada Gambar 3.4. Multiresolusi tersebut juga
dapat dilakukan dengan menggunakan filter banks, yang menghasilkan DWT.
Perlu dicatat bahwa versi diskrit dari CWT tidak sama dengan DWT, DWT
menggunakan filter banks, sementara versi diskrit CWT menggunakan versi
diskrit dari skala dan dilasi. (Merry, 2005)
Cabang-cabang
LPF
dan
HPF
pada
filter
bank,
masing-masing
menghasilkan aproksimasi dan detail dari sinyal x(k). Gambar 3.7, menunjukkan
filter bank level tiga. Filter bank dapat dikembangkan menjadi beberapa level,
tergantung pada resolusi yang diinginkan. Koefisien cl(k) (lihat Gambar 3.7(a))
menunjukkan setengah dari frekuensi terendah pada x(k), dan downsampling
menggandakan resolusi frekuensinya. Sementara resolusi frekuensinya terbagi
menjadi dua, dengan kata lain hanya setengah dari total sample yang terdapat pada
cl(k).
Pada level kedua, output dari L(z) dan H(z) menggandakan resolusi waktu
dan menurunkan konten frekuensi, dengan kata lain lebar window bertambah.
Setelah setiap level dilewati, output dari HPF mewakili setengah dari frekuensi
tertinggi dari konten LPF pada level sebelumnya, band-pass. Resolusi waktu-
24
frekuensi dari analysis bank pada Gambar 3.4 mirip dengan resolusi yang
ditunjukkan pada Gambar 3.7. Struktur dari kumpulan filter L(z) dan H(z) disebut
DWT, dan filternya disebut filter wavelet. (Merry, 2005)
Gambar 3.7. Filter bank level tiga

d. Filter Wavelet
Hubungan antara CWT dan DWT tidak terlalu nyata. Wavelet pada CWT
mempunyai central frequency dan berlaku sebagai band-pass filter untuk
konvolusi fungsi wavelet dengan sinyal x(t). Rangkaian LPF, downsampling dan
HPF juga berlaku sebagai band-pass filter. Untuk memudahkan dalam
membandingkan DWT dan CWT, filter bank pada Gambar 3.7 digambarkan
kembali pada Gambar 3.8 (Schneiders, 2001). Peningkatan nilai downsampling
mengarah kepada grid waktu yang lebih besar untuk frekuensi yang lebih rendah
25
(skala yang lebih tinggi). Filter-nya dapat diinterpretasikan sebagai fungsi wavelet
pada skala-skala yang berbeda. Meskipun fungsi tersebut masing-masingnya tidak
diskalakan secara tepat, jika levelnya meningkat dan respons impuls dari filterfilter ekivalen bergabung menjadi bentuk gelombang yang stabil, filter L(z) dan
H(z) merupakan filter wavelet. (Daubechies, 1992; Schneiders, 2001). Filter-filter
berikutnya kemudian menjadi versi yang diskalakan. Filter wavelet menunjukkan
konten frekuensi dari fungsi wavelet pada skala yang spesifik. Filter wavelet dapat
diklasifikasikan menjadi dua, wavelet orthogonal dan bioorthogonal.
Gambar 3.8. Ekivalen dari Gambar 3.7

Batas dari fungsi wavelet, dengan kata lain bentuk gelombang stabil, dapat
dikonstruksi dengan mudah melalui synthesis bank. Cabang yang lebih rendah
pada Gambar 3.8(b), hanya terdiri dari LPF dan upsampling, sementara respons
impulsnya bergabung menjadi fungsi akhir l(n) (Addison, 2002; Schneiders,
2001)
( = ) ()(2 )
(3.14)
Fungsi tersebut dikenal sebagai fungsi penskalaan dalam wavelet. Sehingga

persamaan akhirnya dapat dihitung sebagai
26
( = ) ()(2 )
(3.15)
Persamaan akhir dari rangkaian band-pass h(n) merupakan fungsi wavelet ().
Subband dengan koefisien wavelet clll disebut subband aproksimasi cA dan
mengandung frekuensi-frekuensi paling rendah. Dan subband-subband yang lain

disebut subband detail cD dan memberikan detail informasi dari sinyal. Koefisienkoefisien wavelet menunjukkan konten dari sinyal pada band frekuensi yang
nyata.
Untuk dekomposisi level-p, frekuensi paling tinggi diamati pada koefisien
aproksimasi wavelet clll dapat dihitung sebagai fungsi dari frekuensi sample fs
sebagai
(3.16)
Konten frekuensi dari band frekuensi aproksimasi cA dan bands frekuensi detail
cD dapat dihitung sebagai
= [0, 2]
(3.17)
= [2, 2 ]
3.5
(3.18)
Jenis Wavelet
Wavelet memiliki beberapa jenis, diantaranya (MathWorks, 2006) :
1.
Wavelet Haar
Wavelet Haar adalah Wavelet yang paling tua dan sederhana. Wavelet Haar
sama dengan Wavelet Db1 (Daubechies orde 1). Panjang tapis Wavelet
Haar adalah 2.
27
Gambar 3.9. Wavelet Haar

2.
Wavelet Daubechies
Wavelet Daubechies memiliki nama pendek Db, dan untuk orde N
dituliskan dengan dbN. Orde Wavelet Daubechies adalah N=1 atau Haar,
N=2, , N=45. Panjang tapis Wavelet daubechies adalah 2N.
Gambar 3.10. Wavelet Daubechies

3.
Wavelet Coiflet
Wavelet Coiflet memiliki nama pendek Coif, dan untuk orde N dituliskan
dengan CoifN. Panjang tapis Wavelet Coiflet adalah 6N.
Gambar 3.11. Wavelet Coiflet
28
4.
Wavelet Symlet
Wavelet Symlet memiliki nama pendek sym, untuk orde N dituliskan dengan
SymN. Wavelet Symlet memiliki orde N=2, , 45. Panjang tapis untuk
Wavelet Symlet adalah 2N.
Gambar 3.12. Wavelet Symlet

3.6
Thresholding
Ada empat aturan seleksi yang bisa diikuti untuk menentukan nilai
threshold (), yaitu (MathWorks, 2006) :

1.
rigrsure : seleksi threshold adaptif menggunakan prinsip SURE
2.
hearsure : varian heuristik dari pilihan pertama
3.
sqtwolog : threshold universil
4.
minimaxi : threshold mini-maks

Dua aturan umum yang digunakan untuk thresholding koefisien wavelet
adalah hard dan soft thresholding. Hard thresholding merupakan metode yang
paling sederhana. Bila menyatakan threshold maka sinyal hasil thresholding
adalah (MathWorks, 2006) :
29
Gambar 3.13. Sinyal asli (a), sinyal hasil hard thresholding (b), sinyal hasil soft
thresolding (c)
, jika |x| >
=
0, jika |x| <
(3.19)
Berbeda dengan hard thresholding, soft thresholding merupakan fungsi

kontinu dan mengurangi nilai sinyal dengan nilai threshold. Berdasarkan beberapa
pendapat statistik, soft thresholding bisa melakukan reduksi derau yang lebih
besar. (Fletcher, 2002)
0, jika |x| <
= + , jika x
, jika x
(3.20)
30
BAB IV
METODE KERJA PRAKTIK
4.1
Waktu Dan Tempat

Kerja praktik ini dilaksanakan selama 6 minggu, dengan pembagian sebagai
berikut:
1.
Minggu pertama untuk mengenali situasi dan kondisi tempat kerja praktik,
serta mempelajari dasar-dasar dari pemrosesan sinyal.
2.
Minggu kedua untuk mempelajari Fourier transform yaitu continuous

Fourier transform dan discrete Fourier transform.
3.
Minggu kedua untuk mempelajari short time Fourier transfrom, dan wavelet
transform yaitu continuous wavelet transform serta discrete wavelet
transform.
4.
Minggu keempat dan kelima untuk pembuatan program simulasi reduksi

derau pada sinyal suara.
5.
Minggu terakhir untuk pembuatan laporan mengenai simulasi yang telah

dilakukan.
Adapun kegiatan kerja praktik ini dilaksanakan pada tanggal 18 Januari 25
Februari 2012. Dan tempat yang dipilih dalam pelaksanaan kegiatan kerja praktik:
Nama
: PT. LEN Industri (Persero)
Alamat
: Jl. Soekarno-Hatta No. 442 Bandung
31
4.2
Bentuk Kerja Praktik

Kegiatan kerja praktik dilakukan di Unit Bisnis Sistem Kendali dan
Pertahanan (UB. SISDALHAN), tepatnya di Bagian Staf Manajemen dan

Rekayasa Proyek. Bagian Staf Manajemen dan Rekayasa Proyek sendiri
merupakan bagian yang bertanggung jawab dalam hal manajemen dan
perencanaan proyek yang dilakukan di UB. SISDALHAN. Selama pelaksanaan
kerja praktik, prakerin sangat dibantu oleh pembimbing internal, pembimbing
eksternal, para engineer, dan para staf Bagian Diklat. Kegiatan yang dilakukan
terdiri dari pengenalan awal tentang sistem komunikasi radio, cara analisis sinyal
suara dengan Fourier transform, short time Fourier transform, dan wavelet
transform, mempelajari metode untuk mereduksi derau pada sinyal suara, dan
mengikuti training Integrated Radio Communication System (IRCS) oleh Elbit
Systems, Tadiran Communications. Konsultasi kesulitan selama kerja praktik
dilakukan dengan pembimbing internal dan eksternal.
4.3
Prosedur Kerja
Perangkat yang digunakan dalam simulasi ini dibagi menjadi dua bagian
yaitu perangkat keras dan perangkat lunak. Perangkat keras yang digunakan
adalah sebuah personal computer dengan spesifikasi sebagai berikut :
1.
Mesin
: Acer Aspire 4738Z
2.
Prosesor : Intel Celeron @ 2,13 GHz
3.
Platform : MS Windows XP Professional SP3
Sedangkan perangkat lunak simulasi dibuat dalam lingkungan Matlab versi 7.0.
32
Perancangan simulasi dapat dijabarkan sesuai dengan blok diagram pada

Gambar 4.1, simulasi ini menggunakan file female.wav.
Gambar 4.1. Blok diagram proses reduksi derau

Pada gambar 4.1, dijelaskan mengenai proses reduksi derau yang urutannya
adalah discrete wavelet transform (DWT), tresholding dan yang terakhir adalah
inverse discrete wavelet transform (IDWT). DWT berarti adalah pengubahan
sinyal suara ke koefisien wavelet, sedangkan thresholding berarti melewatkan
koefisien tersebut ke suatu ambang batas yang telah ditentukan, sehingga
koefisien yang tidak sesuai ambang tersebut tidak digunakan. Kemudian langkah
yang terakhir adalah IDWT yang bertujuan untuk mengubah koefisien wavelet
yang telah di thresholding ke sinyal asalnya. Untuk lebih jelasnya proses tersebut
ditunjukkan dalam diagram alir pada gambar 4.2.
33
Gambar 4.2. Diagram alir simulasi reduksi derau
34
4.3.1 Pembacaan File Suara

Urutan pertama dari langkah perancangannya adalah pembacaan file
female.wav. Pembacaan file suara tersebut dapat dilakukan dengan perintah:
[truesignal,Fs] = wavread(female.wav);
truesignal = bilangan-bilangan penyusun file suara, yang berbentuk matriks
dua kolom.
= frekuensi sampling.
Fs
Berhubung intensitas sinyal asli tidak begitu besar, maka dilakukan penguatan
sebesar 20 kali.
amp = 20;
truesignal = amp*truesignal;
4.3.2 Pemodelan Derau

Dalam simulasi ini, tipe derau yang hendak dikurangi adalah white Gausian
noise.
truesignalN = awgn(truesignal,sn,'measured');
di mana sn merupakan tingkat derau yang ditambahkan pada sinyal suara dalam
dB, dalam hal ini sn = 20. Secara umum, model untuk proses demikian adalah
seperti berikut:
( )( = )+ ()
(4.1)
dengan ( )adalah sinyal suara yang diobservasi yaitu sinyal masukan, ()
adalah sinyal suara yang ideal, dan ( )adalah white Gaussian noise. Tujuan
utama dari proses reduksi derau adalah mendapatkan sinyal ( )dari sinyal ()
yang telah terkorupsi ()
35
4.3.3 Reduksi Derau

Prosedur untuk proses reduksi derau yang umum melibatkan tiga langkah,
prosedur tersebut mengikuti langkah-langkah di bawah ini:
a.
Dekomposisi
Memilih sebuah mother wavelet, menentukan level dekomposisi, kemudian
mendekomposisi sinyal masukan pada level tersebut. Dengan menggunakan

function wfilters dan wavedec, truesignalN yang merupakan sinyal
masukan yang telah ditambahkan derau, didekomposisi dengan menggunakan
high-pass filter (Hi_D) dan low-pass filter (Lo_D) yang sesuai dengan jenis
mother wavelet (wname) yang telah dipilih. Sehingga, berikutnya dapat diperoleh
nilai koefisien wavelet-nya, yaitu koefisien aproksimasi dengan menggunakan
function appcoef dan koefisien detail dengan menggunakan function detcoef.
[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters(wn)
[C,L] = wavedec(truesignalN,level,Lo_D,Hi_D);
cA3 = appcoef(C,L,wn,level);
[cD1,cD2,cD3] = detcoef(C,L,[1,2,3]);
wname
= jenis wavelet yang digunakan yaitu db13, db40, sym13 dan

sym21.
truesignalN
= sinyal masukan yang telah ditambahkan derau
level
= level dekomposisi
b. Thresholding
Ini merupakan inti dari proses reduksi derau. Untuk setiap level
dekomposisi dari 1 sampai N, dipilih sebuah ambang dan diterapkan soft
thresholding ataupun hard tresholding terhadap koefisien detailnya. Koefisien
36
threshold dapat diperoleh dengan menggunakan function thselect
dan
thresholding dilakukan dengan penggunaan function wthresh. Kode untuk menthresholding koefisien detail pada level 1 dengan Matlab :
thr_D1 = thselect(D1,tptr)
tD1
= wthresh(D1,sorh,thr_D1);
tptr
= berfungsi untuk menentukan nilai koefisien threshold. Thresholding

yang digunakan antara lain heursure, rigrsure, sqtwolog, minimaxi
sorh
= mode thresholding, soft atau hard

Asumsi dasarnya adalah bahwa energi dari sinyal asli pada subband-
subband detail terkonsentrasi pada beberapa koefisien yang besar. Sementara

koefisien detail yang lain adalah kecil. Dengan demikian, sinyal asli juga
diasumsikan memiliki sedikit energi pada koefisien yang kecil, di mana koefisien
yang kecil pada X sebagian besarnya mengandung derau. Sehingga, dengan
menetapkan nilai koefisien tersebut menjadi nol, akan menghapus sebagian besar
derau selama penghapusan sebagian kecil energi dari sinyal asli. Di sisi lain,
koefisien detail dari X yang nilainya besar, kemungkinan besar mengandung
komponen yang besar terhadap sinyal asli dan akan tetap dipertahankan. Dengan
cara ini, sinyal bisa direkonstruki dari sinyal X dengan menghapus derau pada
koefisien detail yang kecil, dan mempertahankan komponen pada koefisien detail
yang besar. (Fletcher, 2002)
c.
Rekonstruksi
Melakukan inverse discrete wavelet transform (IDWT) terhadap koefisien
wavelet yang telah di-thresholding untuk mendapatkan sinyal dengan derau yang
37
telah direduksi (denoised signal). Denoised signal direkontruksi menggunakan

koefisien aproksimasi dari level N dan koefisien detail modifikasi level dari 1 ke
N. Dalam simulasi ini, hal ini cukup dilakukan dengan menjumlahkan
aproksimasi hasil dekomposisi DWT dengan hasil thresholding dari setiap detail
untuk setiap level.
clean = A3 + tD1 + tD2 + tD3;
Selanjutnya, untuk memainkan sinyal digunakan function wavplay,

memplotkan sinyal dengan function plot, sementara untuk mendapatkan
spektogramnya digunakan function specgram.
4.3.4 Pembuatan GUI
Matlab mengimplementasikan GUI sebagai sebuah figure yang berisi
berbagai UIControl object style. Selanjutnya masing-masing obyek harus
diprogram agar dapat bekerja ketika diaktifkan oleh pemakai GUI. Langkah dasar
yang harus dikerjakan dalam membuat GUI adalah :
a.
Mengatur layout komponen GUI

Setelah GUIDE Matlab dibuka dan template GUI ditentukan, langkah
selanjutnya adalah mendesain figure dengan menggunakan komponen palet sesuai

dengan kebutuhan, seperti pushbutton, radiobutton, edit text, static text, popup
menu, axes, dan sebagainya.
Semua kontrol pada GUIDE dapat dimunculkan pada figure dengan cara
men-drag kiri kontrol yang diinginkan ke figure. Adapun penjelasan fungsi
masing-masing kontrol adalah sebagai berikut:
38
1. Pushbutton
Pushbutton merupakan jenis kontrol berupa tombol tekan yang akan
menghasilkan tindakan jika diklik, misanya tombol Load, Add Noise, dan
Denoise.
2.
Radio Button
Radio button digunakan untuk memilih atau menandai satu pilihan dari
beberapa pilihan yang ada. Misalnya, pilihan untuk menampilkan Amplitudo
atau Spectogram.
3.
Edit Text dan Static Text

Edit text digunakan untuk memasukkan atau memodifikasi suatu text yang
diinputkan dari keyboard, sedangkan static text hanya berguna untuk
menampilkan text, sehingga text tersebut tidak bisa dihapus kecuali melalui
property inspector.
4.
Frames
Frames
merupakan
kotak
tertutup
yang
dapat
digunakan
untuk
mengelompokkan kontrol-kontrol yang berhubungan. Tidak seperti kontrol

lainnya, frames tidak memiliki rutin callback.
5. Popup Menu
Popup menu berguna menampilkan daftar pilihan yang didefinisikan pada
string property ketika mengklik tanda panah pada aplikasi dan memiliki
fungsi yang sama seperti radio button. Ketika tidak dibuka, popup menu
hanya menampilkan satu item yang menjadi pilihan pertama pada string
property.
39
6. Axes
Axes berguna untuk menampilkan sebuah grafik atau image. Axes
sebenarnya tidak masuk dalam UIControl, tetapi axes dapat diprogram agar
pemakai dapat berinteraksi dengan axes dan obyek grafik yang ditampilkan
melalui axes.
Selanjutnya layout masing-masing komponen, baik string (caption), font,
color, size, dan sebagainya dapat diatur menggunakan property inspector. Jika
desain telah selesai, file figure disimpan dengan ekstensi default *.fig. Dari sini,
Matlab secara otomatis akan membuatkan sebuah m-file dengan nama yang sama,
yaitu file berekstensi *.m.
b. Memprogram komponen GUI
M-file yang telah dibuat pada langkah sebelumnya, akan otomatis terbuka
dan program harus dituliskan agar komponen kontrol dapat bekerja secara
simultan. Untuk membuat program dalam m-file cukup dengan memperhatikan
fungsi-fungsi Matlab bertanda callback dimana perintah disisipkan. Dari langkahlangkah dasar di atas, secara sederhana sebenarnya GUI Matlab dibentuk oleh dua
buah file, yaitu fig-file dan m-file.
40
BAB V
PELAKSANAAN KERJA PRAKTIK
5.1
Hasil Pengamatan
5.1.1 GUI
Gambar 5.1. Figure GUI untuk simulasi reduksi derau
41
Gambar 5.2. Running GUI untuk simulasi reduksi derau

5.1.2 Simulasi
Simulasi dilakukan dengan menggunakan jenis wavelet Daubechies dan
Symmlet. Masing-masing dengan skala 13 dan 40 serta 13 dan 21 yang dapat
ditulis sebagai db13, db40, sym13 dan sym21. Level dekomposisi yang digunakan
adalah 3. Pemilihan level didasari atas pertimbangan bahwa pada level ini kualitas
sinyal suara masih dapat dipertahankan dan derau yang melatarbelakangi sinyal
suara sudah menunjukkan tanda-tanda pengurangan pengaruh terhadap sinyal
suara. Untuk menekan derau digunakan baik soft ataupun hard thresholding.
Dengan menekan tombol Load maka sinyal dari file female.wav yang
dipilih akan diplotkan.
42
Gambar 5.3. Tampilan setelah menekan tombol Load

Selanjutnya, dengan menekan tombol Add Noise, white Gaussian noise
ditambahkan ke dalam sinyal untuk kemudian juga diplotkan.
Gambar 5.4. Tampilan setelah menekan tombol Add Noise
43
Gambar 5.5. Tampilan setelah menekan tombol Denoise
Gambar 5.6. Tampilan setelah memilih radio button Spectogram
44
Kualitas sinyal hasil rekonstruksi ditentukan berdasarkan signal-to-noise

ratio (SNR). Selain itu, juga dengan menggunakan pendekatan visual dan
pendengaran.
Tabel 5.1
Data Hasil Perhitungan SNR dan Error
SNR (dB)
No
Jenis
Wavelet
Thresholding
Mode
Thresholding
db13
Rigrsure
2
3
Heursure
4
5
Minimaxi
6
7
Sqtwolog
8
9
db40
Rigrsure
10
11
Heursure
12
13
Minimaxi
14
15
Sqtwolog
16
17
sym13
Rigrsure
18
19
Heursure
20
21
Minimaxi
22
23
Sqtwolog
err
Noisy
Signal
De-noised
Signal
Soft
5,0395
10,7649
0,6095
Hard
4,9883
10,7518
0,5628
Soft
4,9825
10,7670
0,6338
Hard
4,9947
10,7546
0,6468
Soft
5,0029
10,7607
0,5926
Hard
4,9830
10,7240
0,6187
Soft
5,0106
10,7729
0,6133
Hard
5,0080
10,7754
0,5934
Soft
4,9739
10,8016
0,6050
Hard
4,9974
10,7838
0,6099
Soft
5,0232
10,8072
0,5699
Hard
5,0056
10,8123
0,5755
Soft
5,0148
10,7957
0,6742
Hard
5,0049
10,7765
0,6228
Soft
4,9746
10,7896
0,6276
Hard
4,9983
10,7799
0,7360
Soft
4,9775
10,7632
0,6911
Hard
5,0177
10,7524
0,6455
Soft
5,0066
10,7260
0,6149
Hard
4,9902
10,7618
0,7267
Soft
5,0147
10,7574
0,6078
Hard
5,0023
10,7467
0,7021
Soft
4,9895
10,7691
0,6438
45
24
25
sym21
Rigrsure
26
27
Heursure
28
29
Minimaxi
30
31
Sqtwolog
32
5.2
Hard
5,0000
10,7654
0,6419
Soft
4,9975
10,8122
0,6322
Hard
4,9823
10,7758
0,6382
Soft
4,9857
10,7904
0,6016
Hard
4,9890
10,7703
0,6277
Soft
5,0150
10,8206
0,6041
Hard
4,9863
10,7863
0,6122
Soft
5,0066
10,7958
0,6590
Hard
5,0038
10,8140
0,6145
Pembahasan
5.2.1 GUI
Simulasi dapat dijalankan dengan menekan tombol Load, selanjutnya user
dapat menentukan sendiri file suara yang hendak dianalisis. Dalam hal ini file
female.wav. Setelah file dipilih, sinyal langsung diplot sebagai original signal.
Dengan menekan tombol Add Noise, maka white Gaussian Noise ditambahkan ke
dalam sinyal. Untuk mereduksi derau yang telah ditambahkan, terlebih dahulu
dipilih mother wavelet dan threshold yang dikehendaki pada popup menu masingmasing. Setelah itu, dengan menekan tombol Denoise, derau direduksi dan
hasilnya diplot sebagai clean signal.
Untuk mengganti tampilan sinyal menjadi berupa spectrogram, user dapat
memilih radio button Spectogram dan plot sinyal akan langsung digantikan
dengan spectrogram-nya. Sementara itu, untuk untuk memperdengarkan suara,
baik itu original, noisy, ataupun clean signal dapat dilakukan dengan menekan
tombol Play Sound. Dan tombol Exit untuk keluar dari program.
46
5.2.2 Level Dekomposisi

Penentuan
level
dekomposisi
merupakan
tahap
coba-coba
untuk
mendapatkan hasil terbaik dengan membandingkan SNR terbaik untuk setiap

level dekomposisi. Dan untuk sinyal dari female.wav, hasil SNR terbaik
didapatkan pada level dekomposisi 3. Pada tahapan ini dilakukan pengolahan
awal terhadap sinyal yang akan diidentifikasi dan dilakukan dengan menggunakan
DWT. Dekomposisi ini berdasarkan pada konsep pemfilteran dan menghasilkan
suatu koefisien yang dikatakan sebagai koefisien wavelet. Karena dekomposisi
dilakukan sebanyak 3 level, sehingga pada proses ini dihasilkan 4 macam
koefisien, yaitu cD1 (koefisien detail 1), cD2 (koefisien detail 2), cD3 (koefisien
detail 3), dan cA3 (koefisien aproksimasi 3).
5.2.3 Jenis Wavelet
Dalam simulasi ini wavelet berfungsi sebagai pengubah sinyal suara ke
koefisien wavelet agar dapat diproses lebih lanjut. Wavelet yang digunakan adalah
jenis wavelet db13, db40, sym13 dan sym21. Perbedaan ketiganya terletak pada
algoritma masing-masing dalam mentransformasi sinyal suara. Setelah simulasi
dilakukan hasil terbaik diperoleh dengan menggunakan wavelet db40 dan sym21.
Hal ini disebabkan wavelet db40 dan sym21 mempunyai panjang filter yang lebih
panjang dari kedua jenis wavelet yang lain yaitu 80 dan 42, sedangkan db13 dan
sym 13 mempunyai panjang filter 26.
Meskipun amplitudo denoised signal dari masing-masing jenis wavelet tidak
menunjukkan adanya perbedaan yang berarti, keunggulan keduanya dapat dilihat
pada hasil perhitungan SNR pada Tabel 5.1. Dengan mengetahui nilai signal-to-
47
noise ratio (SNR), dapat diketahui seberapa besar kualitas sinyal suara masih
dapat dipertahankan dan derau yang melatarbelakangi sinyal suara mulai
menunjukkan tanda-tanda pengurangan pengaruh terhadap sinyal suara. Kualitas
suara semakin bagus bila nilai SNR semakin besar. Dan berdasarkan tabel 5.1
terlihat jelas bahwa SNR dari reduksi sinyal dengan menggunakan wavelet db40
dan sym21 lebih besar dari pada db13 dan sym13.
5.2.4 Thresholding
Thresholding berarti melewatkan koefisien tersebut ke suatu ambang batas
yang telah ditentukan, sehingga koefisien yang tidak sesuai ambang tersebut tidak
terpakai. Algoritma perhitungan threshold yang digunakan adalah rigsure,
heursure, minimax dan sqtwolog. Penentuan besar threshold yang merupakan
tahapan yang kritis jika nilainya terlalu kecil akan mengakibatkan derau tidak
hilang secara sempurna (denoising yang tidak memuaskan) sedangkan jika nilai
yang diberikan terlalu besar akan mengakibatkan penurunan SNR (distorsi yang
cukup besar). Thresholding dilakukan untuk setiap level dari 1 sampai 3, dengan
menerapkan mode thresholding yaitu hard thresholding ataupun soft tresholding.
Secara garis besar memang tidak ada perbedaan yang cukup signifikan
terhadap plot clean signal dan spektogram untuk satu jenis wavelet dengan
masing-masing threshold. Akan tetapi, nilai SNR dan kualitas sinyal suara hasil
reduksi derau dalam simulasi ini menunjukkan dua hasil terbaik pada heursure
dengan hard thresholding dan minimaxi dengan soft hresholding.
48
5.2.5 Spektogram
Sumbu-x spektogram mewakili waktu (rentang) sinyal, sementara sumbu-y
mewakili frekuensinya. Perbedaan warna yang menyusun spektogram merupakan
representasi spectrum power suatu frekuensi. Berdasarkan keterangan dari color
bar, merah tua merepresentasikan spectrum power yang paling besar, dan
sebaliknya biru tua merepresentasikan power yang paling kecil. Dalam simulasi
ini, merah mewakili sinyal suara dan kuning merupakan derau dengan power
spectrum yang lebih kecil dari pada sinyal suara itu sendiri dan biru menunjukkan
intensitas yang rendah, di mana apabila semakin tua mewakili gap pada sinyal
suara yang di analisis.
Selain itu, spektogram denoised signal dengan wavelet db40 dan sym21
memiliki pendekatan yang lebih besar terhadap spektogram sinyal aslinya.
Sementara pada spektogram denoised signal dengan wavelet db13 dan sym13,
masih terlihat adanya derau di sepanjang waktu pada frekuensi tertentu.
49
BAB VI
PENUTUP
6.1
Kesimpulan
Kesimpulan yang diperoleh selama kerja praktik adalah:
1.
Discrete wavelet transform melakukan analisis multiresolusi mengggunakan

filter bank yang terdiri atas low-pass filter dan high-pass filter.
2.
Prinsip dasar untuk mereduksi derau dengan discrete wavelet transform,

yaitu: dekomposisi sinyal pada level tertentu, kemudian melakukan
thresholding terhadap koefisien detail hasil dekomposisi pada setiap level,
dan terakhir merekonstruksi sinyal dari koefisien aproksimasi asli dan
koefisien-koefisien detail hasil thresholding.
3.
Program simulasi reduksi derau dengan discrete wavelet transform

menggunakan Matlab 7.0 telah berhasil dibuat. Di mana, untuk sinyal dari
female.wav yang telah ditambahkan 5dB white Gaussian noise, hasil
rekonstruksi terbaik didapat dengan db40 dan heursure-hard thresholding,
SNR = 10.8123, serta dengan sym21 dan minimaxi-soft threshlding, SNR =
10.8206.
4.
6.2
Derau tidak dapat dihilangkan tetapi hanya dapat direduksi.
Saran
Setelah melaksanakan mata kuliah Kerja Praktek ini, diperoleh saran-saran
yang mungkin dapat berguna, sebagai berikut:
50
1.
Selama kerja praktik, mahasiswa diharapkan dapat aktif mengikuti langkahlangkah kerja yang dilakukan oleh karyawan-karyawan yang bekerja di
intansi tempat kerja praktek dilaksanakan. Mahasiswa tidak perlu malu
bertanya jika terdapat kesulitan dalam pelaksanaan kerja praktek.
2.
Untuk penelitian lebih lanjut, simulasi hendaknya dilakukan terhadap jenis

derau yang lain. Dan GUI bisa memberikan lebih banyak pilihan mother
wavelet serta level dekomposisi.
51
DAFTAR PUSTAKA
Addison, P.S. 2002. The Illustrated Wavelet Transform Handbook. IOP

Publishing Ltd. ISBN 0-7503-0692-0.
Agoes, Suhartati. 1998. Simulasi Reduksi Derau dengan Menggunakan
Transformasi Wavelet. Postgraduated Thesis Teknik Elektro UI: Jakarta.
Daubechies, I.. 1992. Ten Lectures on Wavelets. Society for Industrial and applied
Mathematics. ISBN 0-89871-274-2.
de Kraker, B.. 2000. A Numerical-Experimental Approach In Structural
Dynamics. Technical Report, Department of Mechanical Engineering,
Eindhoven University of Technology: Eindhoven.
Fletcher, Alyson Kerry. 2002. Denoising via Recursive Wavelet Thresholding.
Thesis, University of California: Berkeley.
Kurniawan, Agus. 2002. Reduksi Noise pada Sinyal Suara dengan Menggunakan
Transformasi Wavelet. Undergraduted Thesis Teknik Elektro UNDIP:
Semarang.
MathWorks. 2006. MATLAB Wavelet Toolbox 3.0. The Mathworks Inc., 24
Prime Park Way, Natick, MA, 01760-1500: USA.
Merry, R.J.E.. 2005. Wavelet Theory and Applications. Eindhoven University of
Technology, Department of Mechanical Engineering: Eindhoven.
Misiti, M., Y. Misiti, G. Oppenheim, and J-M Poggi. 2000. Wavelets Toolbox
Users Guide. Wavelet Toolbox for use with Matlab, The MathWorks.
Nurprasetio, Ignatius Pulung dan Hilarius Tutut Sandewan. 2010. Penghilangan
Derau (Denoising) dari Sinyal Getaran Hasil Pengukuran Menggunakan
Transformasi Wavelet Diskret. Seminar Nasioanal Tahunan Teknik Mesin
(SNTTM) ke-9, Hal: 47-52: Palembang.
Polikar, R.. 1999. The Wavelet Tutorial.
URL: http://users.rowan.edu/ polikar/WAVELETS/WTtutorial.html
Proakis, John G. dan Dimitri G. Monoakis. 1996. Digital Signal Processing:
Principles, Algorithms, & Applications, Prentice Hall, Inc: Englewood
Cliff-New Jersey.
Purwanto, Kristiawan. 2009. Simulasi Reduksi Derau Sinyal Suara Pada Ruang
Serbaguna Kebun Raya Purwodadi Pasuruan Dengan Metode Discrete
Wavelet Transform. Undergraduted Thesis FTI ITS: Surabaya.
52
Roddy, Dennis dan John Coolen. 1986. Komunikasi Elektronika. Lokehead

University Thunder Bay, Ontario Canada, Penerbit Erlangga: Jakarta.
Sari, Swatiti Vinana. 2011. Aplikasi Transformasi Wavelet untuk Menghilangkan
Derau pada Sinyal Peluahan Sebagian. Undergraduated Thesis Teknik
Elektro UNDIP: Semarang
Schneiders, M.G.E.. 2001. Wavelets In Control Engineering. Masters thesis,
Eindhoven University of Technology. DCT nr. 2001.38.
Schremmer, C., T. Haenselmann, and F. Bomers. 2001. A Wavelet Based Audio
Denoiser.
Shukla, Panchamkumar. 2003. Complex Wavelet Transforms and Their
Applications. Thesis for The Degree of Master of Philosophy, University of
Strathclyde: Glasgow.
Strang, G. dan T. Nguyen. 1997. Wavelets and Filter Banks. WellesleyCambridge Press, Second Edition. ISBN 0-9614088-7-1.
Sugiarso, Yunus Wicaksono. 2010. Rancang Bangun Sistem Komunikasi Antar
Pemakai Helm Berbasis Pengenalan Wicara. Master Thesis ITS: Surabaya.
Verterli, Martin dan Jelena Kovacevic. 1996. Wavelet and Subband Coding.
Prentice Hall: New Jersey.
53
LAMPIRAN 1
LAMPIRAN 2
Source Code
function varargout = dwt3ampspec(varargin)
% DWT3_AMPSPEC M-file for dwt3ampspec.fig
%
DWT3_AMPSPEC, by itself, creates a new DWT3_AMPSPEC or raises the
existing
%
singleton*.
%
%
H = DWT3_AMPSPEC returns the handle to a new DWT3_AMPSPEC or the
handle to
%
the existing singleton*.
%
%
DWT3_AMPSPEC('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in DWT3_AMPSPEC.M with the given input
arguments.
%
%
DWT3_AMPSPEC('Property','Value',...) creates a new DWT3_AMPSPEC or
raises the
%
existing singleton*. Starting from the left, property value pairs
are
%
applied to the GUI before guiforhang_OpeningFunction gets called.
An
%
unrecognized property name or invalid value makes property
application
%
stop. All inputs are passed to guiforhang_OpeningFcn via
varargin.
%
%
*See GUI Options on GUIDE's Tools menu. Choose "GUI allows only
one
%
instance to run (singleton)".
% Copyright 2002-2003 The MathWorks, Inc.
% De-noise Speech Signal using Discrete Wavelet Transform
% Made by Nadya Amalia from Department of Physics, Universitas Lambung
% Mangkurat
% Last Modified by GUIDE v2.5 08-Mar-2012 22:52:38
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',
mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @guiforhang_OpeningFcn, ...
'gui_OutputFcn', @guiforhang_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback',
[]);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before dwt3ampspec is made visible.
function guiforhang_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject
handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
% varargin
command line arguments to dwt3ampspec (see VARARGIN)
% Choose default command line output for dwt3ampspec
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes dwt3ampspec wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = guiforhang_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject
handle to figure
% handles
% Get default command line output from handles structure
varargout{1} = handles.output;
function input_Callback(hObject, eventdata, handles)
% hObject
handle to input (see GCBO)
% handles
% Hints: get(hObject,'String') returns contents of input as text
%
str2double(get(hObject,'String')) returns contents of input as a
double
function input_CreateFcn(hObject, eventdata, handles)
% hObject
handle to popupmenu2 (see GCBO)
% handles
empty - handles not created until after all CreateFcns
called
% Hint: popupmenu controls usually have a white background on Windows.
%
See ISPC and COMPUTER.
% --- Executes on button press in load.
function load_Callback(hObject, eventdata, handles)
[filename, pathname] = uigetfile( ...
{'*.wav', 'All wav-Files (*.wav)'; ...

'*.*','All Files (*.*)'}, ...
'Select Wav File');
% If "Cancel" is selected then return
File = fullfile(pathname,filename);
[truesignal Fs nbits] = wavread(File);
amp = 20;
truesignal = amp*truesignal;
N = length(truesignal);
axes(handles.original);
plot(truesignal);xlabel('Samples');ylabel('Amplitude');
set(handles.original,'XMinorTick','on');
grid on
set(handles.ori,'Visible','off');
handles.truesignal = truesignal;
handles.Fs = Fs;
guidata(hObject,handles);
set(handles.input,'String',File);
uiwait(msgbox('File Loaded','Signal','modal'));
% ---------------------------------------------------------------% --- Executes on button press in add_noise.
function add_noise_Callback(hObject, eventdata, handles)
%the scalar SNR specifies the signal-to-noise ratio per sample, in dB
truesignal = handles.truesignal;
sn = 5;
%add white Gaussian noise to a signal
truesignalN = awgn(truesignal,sn,'measured');
axes(handles.noisy);
plot(truesignalN);xlabel('Samples');ylabel('Amplitude');
set(handles.noisy,'XMinorTick','on');
grid on
set(handles.no,'Visible','off');
handles.truesignalN = truesignalN;
uiwait(msgbox('Noise Added','Signal','modal'));
% ---------------------------------------------------------------% --- Executes on selection change in wname.
function wname_Callback(hObject, eventdata, handles)
val = get(hObject,'Value');
switch val;
case 1
set(handles.edit1,'String','db13');
wn = 'db13';
handles.edit1 = wn;
case 2
set(handles.edit1,'String','db40');
wn = 'db40';
handles.edit1 = wn;
case 3
set(handles.edit1,'String','sym13');
wn = 'sym13';
handles.edit1 = wn;
case 4
set(handles.edit1,'String','sym21');
wn = 'sym21';
handles.edit1 = wn;
end
%handles.edit1 = wn;
%guidata(hObject,handles);
% ---------------------------------------------------------------% --- Executes during object creation, after setting all properties.
function wname_CreateFcn(hObject, eventdata, handles)
% hObject
handle to wname (see GCBO)
% handles
called
%
if ispc
set(hObject,'BackgroundColor','white');
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor
'));
end
% --- Executes on selection change in tr.

function tr_Callback(hObject, eventdata, handles)
% hObject
handle to tr (see GCBO)
% handles
% Hints: contents = get(hObject,'String') returns tr contents as cell
array
%
contents{get(hObject,'Value')} returns selected item from tr
switch val;
case 1
set(handles.edit2,'String','rigrsure');
tptr = 'rigrsure';
handles.edit2 = tptr;
case 2
set(handles.edit2,'String','heursure');
tptr = 'heursure';
case 3
set(handles.edit2,'String','minimaxi');
tptr = 'minimaxi';
case 3
set(handles.edit2,'String','sqtwolog');
tptr = 'sqtwolog';
end
%handles.edit2 = tptr;
%guidata(hObject,handles)
% --- Executes during object creation, after setting all properties.
function tr_CreateFcn(hObject, eventdata, handles)
% hObject
handle to tr (see GCBO)
% handles
called
%
if ispc
else
'));
end
% --- Executes on selection change in sh.
function sh_Callback(hObject, eventdata, handles)
% hObject
handle to sh (see GCBO)
% handles
% Hints: contents = get(hObject,'String') returns sh contents as cell
array
%
contents{get(hObject,'Value')} returns selected item from sh
switch val;
case 1
set(handles.edit3,'String','soft');
sorh = 's';
handles.edit3 = sorh;
case 2
set(handles.edit3,'String','hard');
sorh = 'h';
handles.edit3 = sorh;
end
%handles.edit3 = sorh;
%guidata(hObject,handles);

function sh_CreateFcn(hObject, eventdata, handles)
% hObject
handle to sh (see GCBO)
% handles
called
%
if ispc
else
'));
end
% --- Executes on button press in denoise.
function denoise_Callback(hObject, eventdata, handles)
% hObject
handle to denoise (see GCBO)
% handles
level = 3;
truesignalN = handles.truesignalN;
wn = handles.edit1;
%computes four filters
[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters(wn);
[C,L] = wavedec(truesignalN,level,Lo_D,Hi_D);
cA3 = appcoef(C,L,wn,level);
%extract the levels 3, 2, and 1 detail coefficients from C
[cD1,cD2,cD3] = detcoef(C,L,[1,2,3]);
%reconstruct the level 3 approximation from C
A3 = wrcoef('a',C,L,Lo_R,Hi_R,level);
%reconstruct the details at levels 1, 2, and 3, from C
D1 = wrcoef('d',C,L,Lo_R,Hi_R,1);
%a = approximation
%d = detail
%---------------------------%
%
thresholding
%
%---------------------------%
%TR = 'rigrsure', adaptive threshold selection using principle of Stein's
%Unbiased Risk Estimate
%TR = 'heursure', heuristic variant of the first option
%TR = 'sqtwolog', threshold is sqrt(2*log(length(X)))
%TR = 'minimaxi', minimax thresholding
tptr = handles.edit2;
thr_D1 = thselect(D1,tptr);
%Hard thresholding is the simplest method but soft thresholding has nice
%mathematical properties. Hard threshold signal is x if x>thr, and is 0

if
%x<=thr. And the soft threshold signal is sign(x)(x-thr) if x>thr and is
0
%if x<=thr
sorh = handles.edit3;
%threshold coefficient of details
tD1 = wthresh(D1,sorh,thr_D1);
%--------------------------%
%
compute Inverse DWT
%
%--------------------------%
clean = A3 + tD1 + tD2 + tD3;
axes(handles.denoised);
plot(clean);xlabel('Samples');ylabel('Amplitude')
set(handles.denoised,'XMinorTick','on')
grid on
handles.clean = clean;
err = max(abs(truesignalN-clean));
%SNR - Signal to Noise Ratio
sn = snr(truesignal,truesignalN);
sn = 20*log10(norm(truesignal(:)) / norm (truesignal(:)-truesignalN(:))
);
s = snr(truesignal,clean);
s = 20*log10(norm(truesignal(:)) / norm (truesignal(:)-clean(:)) );
guidata(hObject,handles)
set(handles.den,'Visible','off');
set(handles.snrn,'String',sn);
set(handles.snr,'String',s);
set(handles.err,'String',err);
uiwait(msgbox('Denoised','Signal','modal'));
% ---------------------------------------------------------------% --- Executes on button press in amp.
function amp_Callback(hObject, eventdata, handles)
% hObject
handle to amp (see GCBO)
% handles
% Hint: get(hObject,'Value') returns toggle state of amp
get(hObject,'Value');
set(handles.spec,'Value',0);
set(handles.original,'Visible','on');
set(handles.noisy,'Visible','on');
set(handles.denoised,'Visible','on');
set(handles.ori,'Visible','off');
set(handles.no,'Visible','off');
set(handles.den,'Visible','off');
clean = handles.clean;
axes(handles.original);
plot(truesignal);xlabel('Samples');ylabel('Amplitude');
grid on
axes(handles.noisy);
plot(truesignalN);xlabel('Samples');ylabel('Amplitude');
set(handles.noisy,'XMinorTick','on');
grid on
axes(handles.denoised);
plot(clean);xlabel('Samples');ylabel('Amplitude');
set(handles.denoised,'XMinorTick','on');
grid on
% --- Executes on button press in spec.

function spec_Callback(hObject, eventdata, handles)
% hObject
handle to amp (see GCBO)
% handles
% Hint: get(hObject,'Value') returns toggle state of spec
get(hObject,'Value');
set(handles.amp,'Value',0);
set(handles.ori,'Visible','on');
set(handles.no,'Visible','on');
set(handles.den,'Visible','on');
set(handles.original,'Visible','off');
set(handles.noisy,'Visible','off');
set(handles.denoised,'Visible','off');
Fs = handles.Fs;
axes(handles.ori);
specgram(truesignal,512,Fs);
grid on
axes(handles.no);
specgram(truesignalN,512,Fs);
set(handles.no,'XMinorTick','on');
grid on
axes(handles.den);
specgram(clean,512,Fs);
set(handles.den,'XMinorTick','on');
grid on
function snrn_Callback(hObject, eventdata, handles)
% hObject
handle to snrn (see GCBO)
% handles
% Hints: get(hObject,'String') returns contents of snrn as text
%
str2double(get(hObject,'String')) returns contents of snrn as a
double

function snrn_CreateFcn(hObject, eventdata, handles)
% hObject
handle to snrn (see GCBO)
% handles
called
% Hint: edit controls usually have a white background on Windows.
%
if ispc
else
'));
end
function snr_Callback(hObject, eventdata, handles)
% hObject
handle to snr (see GCBO)
% handles
% Hints: get(hObject,'String') returns contents of snr as text
%
str2double(get(hObject,'String')) returns contents of snr as a
%
double
function snr_CreateFcn(hObject, eventdata, handles)
% hObject
handle to snr (see GCBO)
% handles
called
%
if ispc
else
'));
end
function err_Callback(hObject, eventdata, handles)
% hObject
handle to err (see GCBO)
% handles
% Hints: get(hObject,'String') returns contents of err as text
%
str2double(get(hObject,'String')) returns contents of err as a
double
function err_CreateFcn(hObject, eventdata, handles)

% hObject
handle to err (see GCBO)
% handles
called
%
if ispc
else
'));
end
% --- Executes on button press in play.
function play_Callback(hObject, eventdata, handles)
% hObject
handle to play (see GCBO)
% handles
Fs = handles.Fs;
fprintf('\n
Play the Original Sound:');
wavplay(truesignal,Fs,'sync')
fprintf(' OK');
fprintf('\n
Play the Noisy Sound:');
wavplay(truesignalN,Fs,'sync')
fprintf(' OK');
fprintf('\n
Play the Denoised Sound:');
wavplay(clean,Fs,'sync')
fprintf(' OK\n');
% ---------------------------------------------------------------function menu_Callback(hObject, eventdata, handles)
% hObject
handle to menu (see GCBO)
% handles
% ---------------------------------------------------------------function reset_Callback(hObject, eventdata, handles)
% hObject
handle to reset (see GCBO)
% handles
clc
wname = handles.wname;
tr = handles.tr;
sh = handles.sh;
sn = handles.snrn;
s = handles.snr;
err = handles.err;
wn = handles.edit1;
tptr = handles.edit2;
sorh = handles.edit3;
original = handles.original;
noisy = handles.noisy;
denoised = handles.denoised;
ori = handles.ori;
no = handles.no;
den = handles.den;
clear wname, clear tr, clear sh, clear wn, clear tptr, clear sorh, clear
sn, clear s, clear err
cla(original)
cla(noisy)
cla(denoised)
cla(ori)
cla(no)
cla(den)
% ---------------------------------------------------------------function about_Callback(hObject, eventdata, handles)
% hObject
handle to about (see GCBO)
% handles
uiwait(msgbox('This program made by Nadya Amalia (J1D108034) from
Department of Physics, Universitas Lambung
Mangkurat','About','modal'));
% --- Executes on button press in type.
function type_Callback(hObject, eventdata, handles)
% hObject
handle to type (see GCBO)
% handles
% Hint: get(hObject,'Value') returns toggle state of type
% --- Executes on button press in exit.
function exit_Callback(hObject, eventdata, handles)
% hObject
handle to exit (see GCBO)
% handles
close all
function edit1_Callback(hObject, eventdata, handles)

% hObject
handle to edit1 (see GCBO)
% handles
% Hints: get(hObject,'String') returns contents of edit1 as text
%
str2double(get(hObject,'String')) returns contents of edit1 as a
double
get(hObject,'Value')
set(handles.edit1,'String',wn);
function edit1_CreateFcn(hObject, eventdata, handles)
% hObject
% eventdata
% handles
called

reserved - to be defined in a future version of MATLAB

%
if ispc
else
'));
end
% hObject
% handles
%
double
set(handles.edit2,'String',tptr);

% hObject
% handles
called
%
if ispc
else
'));
end
% hObject
% handles
%
double
set(handles.edit3,'String',sorh);

% hObject
% handles
called
%
if ispc
else
'));
end
LAMPIRAN 3
Spektogram
8000
Noisy Speech Signal

8000
De-noised Speech Signal

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
4000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 5. Db13, minimaxi, soft

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
Frequency
4000
True Speech Signal
4000
Frequency
Noisy Speech Signal

8000
Frequency
8000
Frequency
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
Gambar 2. Db13, heursure, hard
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 6. Db13, minimaxi, hard

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
3000
3000
3000
2000
2000
2000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time

8000
7000
7000
7000
6000
6000
6000
5000
5000
5000
4000
4000
4000
4000
3000
3000
2000
2000
2000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
8000
True Speech Signal
Noisy Speech Signal

8000

8000
7000
7000
7000
6000
6000
6000
5000
5000
5000
4000
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 4. Db13, rigrsure, hard
0 2 4 6 8
Time
Gambar 7. Db13, sqtwolog, soft
Frequency
Noisy Speech Signal

8000
Frequency
True Speech Signal
Frequency
8000
4000
3000
0 2 4 6 8
Time
Gambar 3. Db13, rigrsure, soft
4000
Frequency
4000
Frequency
4000
Frequency
4000
True Speech Signal
Frequency
Noisy Speech Signal

8000
Frequency
8000
Frequency
True Speech Signal
0 2 4 6 8
Time
Frequency
Frequency
4000
3000
True Speech Signal
Frequency
4000
3000
Gambar 1. Db13, heursure, soft
Frequency
Frequency
4000
Frequency
4000
True Speech Signal
Frequency

8000
Frequency
Noisy Speech Signal

8000
Frequency
True Speech Signal
Frequency
8000
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 8. Db13, sqtwolog, hard
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 13. Db40, minimaxi, soft

Noisy Speech Signal
8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
4000
True Speech Signal
4000
4000
Frequency
8000
Frequency

8000
Frequency
Noisy Speech Signal

8000
Frequency
8000
Frequency
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 10. Db40, heursure, hard
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 14. Db40, minimaxi, hard

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
True Speech Signal
4000
4000
Frequency
Noisy Speech Signal

8000
Frequency
8000
Frequency
True Speech Signal
Frequency
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
0
0
4 6
Time
0
0 2 4 6 8
Time
Gambar 11. Db40, rigrsure, soft
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 15. Db40, sqtwolog, soft
Noisy Speech Signal

8000

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
4000
3000
3000
3000
2000
2000
2000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
True Speech Signal
Frequency
4000
Frequency
8000
Frequency
True Speech Signal
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 12. Db40, rigrsure, hard
4000
Frequency
Frequency
4000
3000
True Speech Signal
Frequency
4000
3000
Gambar 9. Db40, heursure, soft
Frequency
4000
3000
Frequency
Frequency
4000
True Speech Signal
Frequency
8000
Frequency

8000
Frequency
Noisy Speech Signal

8000
True Speech Signal
Frequency
8000
4000
4000
3000
3000
3000
2000
2000
2000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 16. Db40, sqtwolog, hard
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
4000
4000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 17. Sym13, heursure, soft
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 21. Sym13, minimaxi, soft

Noisy Speech Signal
8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
True Speech Signal
4000
4000
Frequency
8000
Frequency

8000
Frequency
Noisy Speech Signal

8000
Frequency
8000
True Speech Signal
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 18. Sym13, heursure, hard
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 22. Sym13, minimaxi, hard

Noisy Speech Signal
8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
True Speech Signal
4000
4000
Frequency
8000
Frequency

8000
Frequency
Noisy Speech Signal

8000
True Speech Signal
Frequency
8000
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
0
0
4 6
Time
0
0 2 4 6 8
Time
Gambar 19. Sym13, rigrsure, soft
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 23. Sym13, sqtwolog, soft

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
True Speech Signal
4000
4000
Frequency
Noisy Speech Signal

8000
Frequency
8000
Frequency
Frequency
True Speech Signal
0 2 4 6 8
Time
Frequency
Frequency
4000
3000
Frequency
Frequency
4000
Frequency
4000
True Speech Signal
Frequency

8000
Frequency
Noisy Speech Signal

8000
Frequency
True Speech Signal
Frequency
8000
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 20. Sym13, rigrsure, hard
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 24. Sym13, sqtwolog, hard
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
0 2 4 6 8
Time
7000
7000
7000
6000
6000
6000
5000
5000
5000
3000
4000
3000
4000
4 6
Time
True Speech Signal
Noisy Speech Signal

8000

8000
7000
7000
7000
6000
6000
6000
5000
5000
5000
4000
4000
3000
3000
3000
2000
2000
1000
2000
2000
1000
1000
1000
1000
1000
0
2
4 6
Time
4000
3000
2000
0 2 4 6 8
Time
8000
2000
0 2 4 6 8
Time
Gambar 29. Sym21, minimaxi, soft
Frequency

8000
Frequency
Noisy Speech Signal

8000
Frequency
8000
4000
0 2 4 6 8
Time
Frequency
4 6
Time
Frequency
True Speech Signal
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 26. Sym21, heursure, hard
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 30. Sym21, minimaxi, hard

8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
True Speech Signal
4000
4000
Frequency

8000
Frequency
Noisy Speech Signal

8000
True Speech Signal
Frequency
8000
Frequency
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
0
0
4 6
Time
0
0 2 4 6 8
Time
Gambar 27. Sym21, rigrsure, soft
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 31. Sym21, sqtwolog, soft
Noisy Speech Signal

8000

8000
8000
Noisy Speech Signal

8000

8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
True Speech Signal
Frequency
4000
Frequency
8000
Frequency
True Speech Signal
0 2 4 6 8
Time
4000
4000
Frequency
Frequency
4000
3000
Gambar 25. Sym21, heursure, soft
Frequency
4000
3000
Frequency
4000
3000
Frequency
Frequency
4000
True Speech Signal
Frequency
8000
Frequency

8000
Frequency
Noisy Speech Signal

8000
True Speech Signal
Frequency
8000
4000
4000
3000
3000
3000
3000
3000
3000
2000
2000
2000
2000
2000
2000
1000
1000
1000
1000
1000
1000
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 28. Sym21, rigrsure, hard
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
Gambar 32. Sym21, sqtwolog, hard
FOTO-FOTO KEGIATAN
a.
Graha karya utama PT. LEN
c.
b.
Anak perusahaan PT. LEN
UB. SISDALHAN
d.
Ruang staf Manajemen dan

Rekayasa Proyek
e.
Training IRCS
f.
g.
Simulasi reduksi derau
Foto bersama para engineer UB.

SISDALHAN

Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 - Nadya Amalia 2012

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Simulasi Reduksi Derau Sinyal Suara Dengan Transformasi Wavelet Diskrit Menggunakan Matlab 7.0 - Nadya Amalia 2012

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN KERJA PRAKTIK

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

PROGRAM STUDI S-1 FISIKA

LAPORAN KERJA PRAKTIK

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

PROGRAM STUDI S-1 FISIKA

LAPORAN KERJA PRAKTIK

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN

Disetujui Pada Tanggal : ........................................

Amar Vijai Nasrulloh, MT

Nurma Sari, S.Si, M.Si

SIMULASI REDUKSI DERAU SINYAL SUARA DENGAN DISCRETE

KEADAAN UMUM PT. LEN INDUSTRI (PERSERO)

Sejarah PT. LEN Industri (Persero)...............

Visi dan Misi PT. LEN Industri (Persero).........

Produk dan Layanan PT. LEN Industri (Persero)..

Struktur Organisasi PT. LEN Industri (Persero) 11

BAB III TINJAUAN PUSTAKA

Representasi Sinyal Suara dalam Domain Waktu..... 12

Representasi Sinyal Suara dalam Domain Frekuensi 13

Continuous Wavelet Transform. 19

Discrete Wavelet Transform.. 21

BAB IV METODE KERJA PRAKTIK

Waktu dan Tempat......................................................................... 31

Bentuk Kerja Praktik.....................................................................

Pembacaan File Suara................ 35

PELAKSANAAN KERJA PRAKTIK

Produk dan Layanan PT. LEN Industri (Persero) Bandung

Data Hasil Perhitungan SNR dan Error....... 45

White noise dalam saluran komunikasi.. 14

Resresentasi dari wave dan wavelet... 15

Perbandingan resolusi waktu-frekuensi beberapa metode analisis sinyal

Filter bank dengan dua channel

Filter bank level tiga.

Ekivalen dari Gambar 3.7..

3.10 Wavelet Daubechies... 28

3.12 Wavelet Symlet..

3.13 Sinyal hasil Thresholding..

Blok diagram proses reduksi derau 33

Diagram alir simulasi reduksi derau..

Figure GUI untuk simulasi reduksi derau.....

Running GUI untuk simulasi reduksi derau..

Tampilan setelah menekan tombol Load... 43

Tampilan setelah menekan tombol Add Noise... 43

Tampilan setelah menekan tombol Denoise..

Tampilan setelah memilih radio button Spectogram. 44

Struktur Organisasi PT. LEN Industri (Persero) Bandung

Source Code Program Simulasi

Surat Permohonan untuk Melaksanakan Kerja Praktik

Pendaftaran Kerja Praktik

Rencana Kerja Praktik

Surat Rekomendasi Kerja Praktik

Usulan Kegiatan Kerja Praktik

Absensi Kegiatan Kerja Praktik

Lampiran 10. Berita Acara Visitasi

1.2.1 Tujuan Umum

Mengetahui aplikasi bidang ilmu yang sudah diterima dalam perkuliahan.

1.2.2 Tujuan Khusus

Membuat simulasi reduksi derau dengan discrete wavelet transform

1. Bagi mahasiswa yaitu memperoleh pengetahuan dan keterampilan dalam

Sejarah PT. LEN Industri (Persero)

Periode tahun 1991-2001 merupakan periode survival bagi PT. LEN

Periode tahun 2001-2007 merupakan masa transformasi bagi PT. LEN

lincah bersaing di pasaran. PT. Interlokindo Utama, dan PT. Eltran