OLEH :
NADYA AMALIA
J1D108034
OLEH :
NADYA AMALIA
J1D108034
LEMBAR PENGESAHAN
Oleh :
NADYA AMALIA
J1D108034
Pembimbing Internal
Pembimbing Eksternal
Sriyanto, ST
NIK 0902280
Mengetahui
Ketua Program Studi Fisika
ii
ABSTRAK
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
2.1
2.2
2.2.1
Visi.................................................................................................
2.2.2
Misi ...............................................................................................
2.3
2.4
Sinyal Suara................................................................................... 12
3.1.1
3.1.2
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
3.4.2
3.5
Jenis Wavelet.. 27
3.6
Thresholding.. 29
16
4.2
4.3
Prosedur Kerja............................................................................... 32
4.3.1
4.3.2
Pemodelan Derau... 35
4.3.3
Reduksi Derau.... 36
4.3.4
Pembuatan GUI.
BAB V
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
5.1
ix
DAFTAR GAMBAR
Gambar
Halaman
3.1
Sinyal suara.... 12
3.2
3.3
3.4
Multiresolusi waktu-frekuensi...
16
3.5
18
3.6
22
3.7
25
3.8
26
3.9
Wavelet Haar.
28
28
29
30
4.1
4.2
34
5.1
41
5.2
42
5.3
5.4
5.5
5.6
44
DAFTAR LAMPIRAN
Lampiran 1.
Lampiran 2.
Lampiran 3.
Spektogram Sinyal
Lampiran 4.
Lampiran 5.
Lampiran 6.
Lampiran 7.
Lampiran 8.
Lampiran 9.
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
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.
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.
1.3
Manfaat
Adapun manfaat dari kegiatan kerja praktik ini adalah sebagai berikut :
BAB II
KEADAAN UMUM PT. LEN INDUSTRI (PERSERO) BANDUNG
2.1
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.
2.
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
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.
2.
3.
Sistem persinyalan kereta api di berbagai jalur kereta api di Pulau Jawa.
4.
5.
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
2.2
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
(SISDALHAN),
UB.
Navigasi
dan
Telekomunikasi
PT. LEN Industri sangat bangga telah melayani pelanggannya dengan baik,
diantaranya :
1.
Departemen Perhubungan
2.
3.
4.
5.
6.
Pemerintah Daerah
7.
8.
9.
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
Departemen
CTC (Centralized
Traffic Control)
Level Crossing
Battery Charger
Static Inverter
AC Control Panel
Elektronika
Daya
Perhubungan
PT INKA (Persero)
Berhad (KTMB),
Malaysia
Panel Surya
Pembangunan Daerah
(SHS)
Tertinggal
Energi Terbaru
Pembangkit Listrik
Tenaga
Kementrian Negara
Hibrida
Departemen Kelautan
Lampu Penerangan
Pengembangan
Bayar
Teknologi (BPPT)
dan Perikanan
Wartel Satelit
Pemerintah Daerah
Tenaga Surya
PT Indosat, Tbk
System
Geofisika
Tracking System
SuryA
PLTS Terpusat
Detection Equipment
Badan Pengelola
Sistem Kontrol
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
TVRI
Panel Arrays
RRI
Antenna System
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.
2.
3.
4.
Elettronika (Italia)
5.
Thales (Prancis)
6.
Q-Mac (Australia)
7.
Shiron (Amerika)
10
2.4
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)
(3.1)
12
() = )(
(3.2)
= cos(2 ) 2
(3.3)
dengan
= )( ()
3.2
(3.4)
Derau
13
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)
15
resolusi
waktu-frekuensi
disebabkan
adanya
prinsip
3.4
Wavelet Transform
Wavelet transform (WT) didefinisikan sebagai penguraian sinyal dengan
17
penganalisis
(t)
diklasifikasikan
sebagai
wavelet
apabila
|)(| = <
(3.6)
Jika (f) adalah Fourier transform dari wavelet (t), kondisi berikut harus
dipertahankan
18
| ()|
<
(3.7)
Untuk wavelet kompleks, Fourier transform (f) harus real dan habis untuk
frekuensi negatif.
||
)(
(3.8)
(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
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)
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)
, = )( , ( )
(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)
membangun
multiresolusi
pada
bidang
waktu-frekuensi.
DWT
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
( = 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.
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)
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.
(3.14)
( = ) ()(2 )
(3.15)
Persamaan akhir dari rangkaian band-pass h(n) merupakan fungsi wavelet ().
(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
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.
Wavelet Coiflet
Wavelet Coiflet memiliki nama pendek Coif, dan untuk orde N dituliskan
dengan CoifN. Panjang tapis Wavelet Coiflet adalah 6N.
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.
Thresholding
Ada empat aturan seleksi yang bisa diikuti untuk menentukan nilai
2.
3.
4.
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)
(3.20)
30
BAB IV
METODE KERJA PRAKTIK
4.1
berikut:
1.
Minggu pertama untuk mengenali situasi dan kondisi tempat kerja praktik,
serta mempelajari dasar-dasar dari pemrosesan sinyal.
2.
3.
Minggu kedua untuk mempelajari short time Fourier transfrom, dan wavelet
transform yaitu continuous wavelet transform serta discrete wavelet
transform.
4.
5.
Februari 2012. Dan tempat yang dipilih dalam pelaksanaan kegiatan kerja praktik:
Nama
Alamat
31
4.2
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
2.
3.
Sedangkan perangkat lunak simulasi dibuat dalam lingkungan Matlab versi 7.0.
32
33
34
dua kolom.
= frekuensi sampling.
Fs
Berhubung intensitas sinyal asli tidak begitu besar, maka dilakukan penguatan
sebesar 20 kali.
amp = 20;
truesignal = amp*truesignal;
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)
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
Dekomposisi
Memilih sebuah mother wavelet, menentukan level dekomposisi, kemudian
truesignalN
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
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
sorh
Rekonstruksi
Melakukan inverse discrete wavelet transform (IDWT) terhadap koefisien
wavelet yang telah di-thresholding untuk mendapatkan sinyal dengan derau yang
37
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.
4.
Frames
Frames
merupakan
kotak
tertutup
yang
dapat
digunakan
untuk
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
41
42
43
44
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
level
dekomposisi
merupakan
tahap
coba-coba
untuk
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.
2.
3.
4.
6.2
Saran
Setelah melaksanakan mata kuliah Kerja Praktek ini, diperoleh saran-saran
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.
51
DAFTAR PUSTAKA
52
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
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
function input_Callback(hObject, eventdata, handles)
% hObject
handle to input (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
% 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)
% eventdata reserved - to be defined in a future version of MATLAB
% 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( ...
case 3
set(handles.edit1,'String','sym13');
wn = 'sym13';
handles.edit1 = wn;
guidata(hObject,handles);
case 4
set(handles.edit1,'String','sym21');
wn = 'sym21';
handles.edit1 = wn;
guidata(hObject,handles);
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)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
empty - handles not created until after all CreateFcns
called
% Hint: popupmenu controls usually have a white background on Windows.
%
See ISPC and COMPUTER.
if ispc
set(hObject,'BackgroundColor','white');
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor
'));
end
set(handles.edit2,'String','minimaxi');
tptr = 'minimaxi';
handles.edit2 = tptr;
guidata(hObject,handles);
case 3
set(handles.edit2,'String','sqtwolog');
tptr = 'sqtwolog';
handles.edit2 = tptr;
guidata(hObject,handles);
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)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
empty - handles not created until after all CreateFcns
called
% Hint: popupmenu controls usually have a white background on Windows.
%
See ISPC and COMPUTER.
if ispc
set(hObject,'BackgroundColor','white');
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor
'));
end
% --- Executes on selection change in sh.
function sh_Callback(hObject, eventdata, handles)
% hObject
handle to sh (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
% Hints: contents = get(hObject,'String') returns sh contents as cell
array
%
contents{get(hObject,'Value')} returns selected item from sh
val = get(hObject,'Value');
switch val;
case 1
set(handles.edit3,'String','soft');
sorh = 's';
handles.edit3 = sorh;
guidata(hObject,handles);
case 2
set(handles.edit3,'String','hard');
sorh = 'h';
handles.edit3 = sorh;
guidata(hObject,handles);
end
%handles.edit3 = sorh;
%guidata(hObject,handles);
clean = handles.clean;
axes(handles.original);
plot(truesignal);xlabel('Samples');ylabel('Amplitude');
set(handles.original,'XMinorTick','on');
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
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)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
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)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
% 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)
% eventdata reserved - to be defined in a future version of MATLAB
% handles
structure with handles and user data (see GUIDATA)
close all
% hObject
% eventdata
% handles
called
LAMPIRAN 3
Spektogram
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
8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
Frequency
4000
4000
Frequency
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
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
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
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
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
0 2 4 6 8
Time
Frequency
Frequency
Frequency
8000
4000
3000
0 2 4 6 8
Time
4000
Frequency
4000
Frequency
4000
Frequency
4000
Frequency
Frequency
8000
Frequency
0 2 4 6 8
Time
Frequency
Frequency
4000
3000
Frequency
4000
3000
Frequency
Frequency
4000
Frequency
4000
Frequency
Frequency
Frequency
Frequency
8000
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
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
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
4000
4000
4000
Frequency
8000
Frequency
Frequency
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
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
4000
4000
Frequency
Frequency
8000
Frequency
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
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
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
Frequency
4000
Frequency
8000
Frequency
0 2 4 6 8
Time
0 2 4 6 8
Time
4000
Frequency
Frequency
4000
3000
Frequency
4000
3000
Frequency
4000
3000
Frequency
Frequency
4000
Frequency
8000
Frequency
Frequency
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
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
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
4000
4000
Frequency
8000
Frequency
Frequency
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
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
4000
4000
Frequency
8000
Frequency
Frequency
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
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
4000
4000
Frequency
Frequency
8000
Frequency
Frequency
0 2 4 6 8
Time
Frequency
Frequency
4000
3000
Frequency
Frequency
4000
Frequency
4000
Frequency
Frequency
Frequency
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
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
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
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
Frequency
Frequency
Frequency
8000
4000
0 2 4 6 8
Time
Frequency
4 6
Time
Frequency
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
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
Frequency
4000
4000
4000
4000
Frequency
Frequency
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
4 6
Time
0 2 4 6 8
Time
0 2 4 6 8
Time
8000
7000
7000
7000
7000
7000
7000
6000
6000
6000
6000
6000
6000
5000
5000
5000
5000
5000
5000
4000
Frequency
4000
Frequency
8000
Frequency
0 2 4 6 8
Time
4000
4000
Frequency
Frequency
4000
3000
Frequency
4000
3000
Frequency
4000
3000
Frequency
Frequency
4000
Frequency
8000
Frequency
Frequency
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
0
0
4 6
Time
0
0 2 4 6 8
Time
0 2 4 6 8
Time
FOTO-FOTO KEGIATAN
a.
c.
b.
UB. SISDALHAN
d.
e.
Training IRCS
f.
g.