IMPLEMENTASI METODE NOISE GATE, LOW PASS FILTER DAN SILENT

REMOVAL UNTUK MENGHILANGKAN NOISE PADA FILE SUARA

MENGGUNAKAN PARAMETER DINAMIS

Setia Wirawan1
Edy Prasetyo2

Teknik Informatika, Universitas Gunadarma

1setia@staff.gunadarma.ac.id
2
zlatanptasetyo@gmail.com

Abstrak

Noise adalah suatu sinyal gangguan yang bersifat akustik (suara), elektris, maupun
elektronis yang hadir dalam suatu sistem dalam bentuk gangguan yang bukan merupakan
sinyal yang diinginkan. Rekaman suara yang terdistorsi noise menyebabkan terganggunya
proses pengenalan suara terutama pada rekaman pembicaraan. Penulisan ini membahas
mengenai implementasi metode noisegate untuk meredam bagian yang hanya dianggap
noise, low pass filter untuk me-cutoffhigh frequencynoise dan silent removal untuk
menghilangkan bagian diam pada file rekaman suara pembicaraan. Setiap file suara
memiliki nilai dynamic range dan crest factor yang berbeda yang dijadikan sebagai acuan
dalam pengisian parameter sehingga bersifat dinamis. Hasil yang didapat dari pembuatan
aplikasi ini terdapat dua komparasi antara sinyal asli dengan sinyal asli + noise dan sinyal
asli dengan output aplikasi, kedua komparasi tersebut menghasilkan peningkatan
keberhasilan dalam pengenalan suara dari penggunaan metode noise gate, low pass filter
dan silent removal untuk menghilangkan noise adalah 3,5 kali lipat dibandingkan dengan
pengenalan suara tanpa dilakukan penghilangan noise pada file suara sebelumnya.

Kata kunci : Noise gate, Low Pass Filter, Silent Removal, Dinamis, Matlab.

IMPLEMENTATIONOF NOISE GATE, LOW PASS FILTERANDSILENT

REMOVAL METHODS FOR REMOVINGNOISEON SOUND FILE USING
DYNAMIC PARAMETERS

Abstract

Noise is a disruption signalin the form of acoustic (sound), electrical, and electronic
occurred in a system. This will result in the interference in an undesired signal. Voice
recording is distorted noise causes disruption of the voice recognition process, especially
in the recorded conversations. Writing is discussing the implementation of a method to
dampen the noise gate that part only considered noise, low-pass filters for me cut off high
frequency noise and silent removal to eliminate the silent part in the conversation
recorded voice file. Each sound file has a value of dynamic range and a different crest
factor is used as a reference in charging parameters that are dynamic. The results of
making this application, there are two comparisons between the original signal with the
original signal + noise and original signal with the output of applications, both
comparisons resulted in increasing success in voice recognition of the use of methods of
noise gate, low pass filter and silent removal to eliminate noise is 3.5-fold compared with
voice recognition without performing noise removal on the previous sound file.

Keywords: Noise gate, Low Pass Filter, Silent Removal, Dynamic, Matlab.

152 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016


PENDAHULUAN
Bunyi atau suara didefenisikan
sebagai serangkaian gelombang yang
merambat dari suara sumber getar sebagai
akibat perubahan kerapatan dan juga
tekanan udara.Suara merupakan salah
satu media komunikasi yang paling
umum digunakan manusia, kualitas suara
dapat terganggu bila lingkungan sumber
suara banyak mengandung noise yang
melatarbelakangi informasi suara tersebut.
Rekaman suara yang terdistorsi noise
menyebabkan terganggunya proses pe-
ngenalan suara terutama pada rekaman
pembicaraan. Hal tersebut terjadi karena
penurunan kualitas suara yang dikehen-
daki, sehingga perlu adanya perbaikan
kualitas sinyal suara sebelum dilakukan
proses pengenalan suara.
Noise gate telah diimplementasi
dengan mendeteksi ambang batas bawah
dan atas pada sinyal suara, ketika level
sinyal suara berada dibawah ambang
batas bawah selama durasi penahanan
maka sinyal akan dilemahkan ke nol dan
dibangkitkan lagi saat waktu serang dan
ketika level sinyal suara berada diatas
ambang batas atas selama durasi
penahanan maka sinyal akan diperkuat
sampai waktu rilis [10].
Terdapat 4 macam klasifikasi filter
dalam audio signal processing dian-
taranya low pass filter, band pass filter,
band stop filter dan high pass filter. Low
pass filter memungkinkan frekuensi yang
berada di bawah batas dapat lolos tanpa
distorsi dan terjadi pelemahan pada
frekuensi yang berada di atas batas [8].
Sebelumnya dilakukan penelitian
tentang seberapa efisien penggunaan
metode untuk silent removal menggu-
nakan metode Probability Density Func-
tion dengan Linear Pattern Classifier
dibandingkan dengan Zero Crossing Rate
Wirawan, Prasetyo, Implementasi Metode ...
(ZCR) and Short Time Energy (STE)[9].
Metode yang diangkat dalam penulisan
ini adalah metode noise gate untuk
meredam bagian yang hanya mengandung
noise dan low pass filtering untuk meng-
hilangkan high frequency noise serta
metode silent removal untuk menghi-
langkan bagian yang tidak bersuara
(silent).
Audio signal processing (pengo-
lahan suara) adalah suatu serangkaian
proses untuk memanipulasi sinyal dengan
input suara (audio) yang ditransfor-
masikan menjadi suara lain sebagai ke-
luarannya dengan tujuan tertentu. Pengo-
lahan suara dilakukan untuk memperbaiki
kualitas data sinyal suara digital agar
lebih mudah diinterpretasikan oleh sistem
pendengaran manusia.
METODE PENELITIAN
Secara garis besar terdapat 4
tahapanyang dilakukan pada proses
penghilangan noise pada aplikasi ini,
tahap pertama adalah proses analisa file
audio mulai dari jenis file, frekuensi,
crest factor dan dynamic range yang
digunakan sebagai dasar pengolahan
parameter. Tahap kedua adalah proses
noise gate untuk meredam bagian yang
hanya mengandung noise.Tahap ketiga
adalah proses low pass filter untuk
menghilangkan high frequency noise.
Tahap keempat adalah proses silent
removal yang menggunakan 2 metode
yaitu probability density function (PDF)
dan linear pattern classifier (LPC) untuk
menghilangkan bagian yang tidak
bersuara (silent). Gambar 1 memperli-
hatkan skema metodologi dan langkah-
langkah penelitian.
153

Gambar 1. Metodologi Dan Langkah Penelitian
Analisis data suara dilakukan untuk
memperoleh nilai yang mengacu pada
tingkat keberadaan noise pada masing-
masing sampel guna proses proses
penghilangan noise. Ada dua nilai yang
menjadi acuan diantaranya:
• Dynamic range
Nilai dari dynamic range pada file
suara menggambarkan jarak/rentang
antara sinyal suara terlemah ke sinyal
suara terkuat dalam satuan dB.
• Crest factor
Nilai dari crest factor pada file suara
merupakan rasio dari titik puncak ke
nilai RMS(Root Mean Square) pada
sinyal suara tersebut dalam satuan dB.
RMS adalah nilai akar rata-rata
kuadrat dari suatu besaran yang
berubah sebagai fungsi waktu selama
suatu interval waktu T pada sinyal
suara.
Selisih dari nilai dynamic range
dengan crest factor akan menjadi acuan
guna pengisian parameter untuk proses
penghilangan noise. Pada Gambar 2
154 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016
diperlihatkan skema diagram alur proses
untuk menentukan nilai parameter.
Langkah selanjutnya adalah Noise
gate. Noise gate adalah metode yang
digunakan untuk membuka atau menutup
(seperti pintu) suara sehingga jika yang
akan terdengar hanya berupa suara berisik,
maka pintu akan ditutup tetapi jika yang
akan keluar adalah suara dari sumber
bunyi yang diinginkan maka pintu akan
dibuka. Dasar untuk membuka atau
menutup pintu suara tersebut memakai
parameter yang telah didefinisikan di
dalam program hasil dari perhitungan
pada tahap analisa data suara. Prinsip
kerja noise gate akan menutup suara jika
level suara itu berada dibawah level
threshold karena dianggap suara itu
hanya berupa suara berisik (yang
mengganggu) dan bukan suara dari
sumber suara yang diinginkan dan noise
gate akan membuka suara jika level suara
berada diatas level threshold karena
dianggap suara itu adalah suara yang
diinginkan dari sumber suara karena level
suara itu besar (diatas level threshold).
Gambar 3 memperlihatkan skema dia-
gram alur proses noise gate.


Gambar 2. Skema Diagram Alur Proses Untuk Menentukan Nilai Parameter

Gambar 3. Skema Diagram Alur Proses Noise gate

Selanjutnya adalah proses low pass
filter. Tahap ini merupakan tahap filtrasi
sinyal agar didapatkan kualitas sinyal
yang lebih baik. Proses low pass filter
akan menghilangkan high frequencynoise
yang masih terdapat pada hasil proses
noise gatedan mengijinkan low frequency
signals untuk lewat.Diagram alur proses
low pass filter diperlihatkan pada Gambar
4.

Wirawan, Prasetyo, Implementasi Metode ... 155



Gambar 4. Skema Diagram Alur Proses Low Pass Filter

Gambar 5. Skema Diagram Alur Proses Silent Removal

Proses silent removalmerupakan metode Probability Density Function

proses penghilangan silent (diam) pada
sinyal suara. Bagian silent pada sinyal
suara perlu dihilangkan guna memudah-
kan proses pengenalan suara karena akan
mengganggu seperti hal nya noise.
Diagram alur proses silent removal
diperlihatkan pada Gambar 5.
Telah dilakukan penelitian tentang
seberapa efisien penggunaan metode
untuk silent removal menggunakan
dengan Linear Pattern Classifier diban-
dingkan dengan Zero Crossing Rate (ZCR)
dan Short Time Energy (STE)[9].
Hasilnya diperoleh metode Probability
Density Function dengan Linear Pattern
Classifier performanya lebih baik diban-
dingkan dengan Zero Crossing Rate dan
Short Time Energy. Tabel 1 merupakan
tabel index persentase perbandingan
performa ketiga algoritma.

156 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016


Tabel 1. Index Persentase Performa Algoritma PDF dan LPC Dengan STE Dan ZCR-STE
Phrases STE
Combination lock 77,9531%
number
Running text 50,8391%
Gambar 6. Tampilan GUI Program
Tampilan program dirancang se-
demikian rupa untuk memudahkan
pengguna dalam menggunakan program
implementasi noise gate, low pass filter
dan silent removal untuk menghilangkan
noise pada file suara dengan parameter
dinamis. Dalam pembuatan tampilan
program dilakukan pada bagian GUIDE
Matlab yang berekstensi .fig dan ber-
ekstensi .m. Tampilan program meng-
gunakan 8 tombol, 4 axes, 8 edit text dan
9 static text. Gambar 6 memperlihatkan
tampilan GUI dari program.
HASIL DAN PEMBAHASAN
Pada bagian ini dijelaskan menge-
nai uji coba dari implementasi dan hasil
Wirawan, Prasetyo, Implementasi Metode ...
ZCR-STE Proposed Method
70,3720% 83,5565%
50,1231% 59,7181%
uji coba aplikasi implementasi metode
noise gate, low pass filter dan silent
removal untuk menghilangkan noise pada
file suara dengan parameter dinamis.
Gambar 7 memperlihatkan tampilan awal
program saat dijalankan.
Masing-masing nilai parameter
sangat tergantung pada nilai dynamic
range dan crest factor file suara itu
sendiri.Nilai dynamic range dan crest
factor otomatis diproses oleh program
melalui fungsi sound analysis. Gambar 8
memperlihatkan tampilan program saat
memproses nilai dynamic range dan crest
factor pada file sampel.
Tabel 2 memperlihatkan nilai acuan
dynamic range dan crest factormasing-
masing sampel file suara.
157


Gambar 7. Tampilan Awal Program Saat Dijalankan

Gambar 8. Proses Mendapatkan Nilai Dynamic Range Dan Crest Factor Pada File Sampel

Tabel 2 Nilai Acuan Untuk Proses Analisa File Suara

Setelah nilai acuan diperoleh dari kan tabel rekomendasi pengisian para-
hasil selisih dynamic range dengan crest meter secara otomatis berdasarkan hasil
factor kemudian diperoleh nilai reko- analisa oleh program.
mendasi parameter. Tabel 3 memperlihat-

158 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016


Tabel 3. Tabel Rekomendasi Pengisian Parameter
Tabel 4. Tabel Perbandingan Ukuran Dan Durasi File Sebelum Dan Sesudah Proses
Dampak dari penghilangan noise
salah satunya adalah penurunan ukuran
memori penyimpanan dan durasi dari
setiap file s1-s8.wav. Tabel 4 memper-
lihatkan ukuran file dan durasi dari setiap
file s1-s8.wav sebelum proses peng-
hilangan noise dan setelah dilakukan
proses penghilangan noise:
Aplikasi implementasi metode noi-
se gate, low pass filter dan silent removal
untuk menghilangkan noise pada file
suara dengan parameter dinamis ber-
tujuan menghilangkan noise yang selama
ini selalu mengganggu dalam pende-
teksian suara pada aplikasi pengenalan
suara. Prisip sebuah aplikasi pengenalan
suara adalah mencocokan suara yang
telah terdapat dalam database pengenalan
suara dengan suara yang diuji, berdasar
hal tersebutdicoba dibandingkan output
dari file suara sampel yang memiliki
Wirawan, Prasetyo, Implementasi Metode ...
noise dari hasil implementasi metode
noise gate, low pass filter dan silent
removal untuk menghilangkan noise
pada file suara dengan parameter dina-
mis dengan file suara asli tanpa noise
dari responden yang sama. Aplikasi
komparasi suara yang digunakan meng-
gunakan metode Mel Frequency Cep-
stral Coefficient (MFCC) yang banyak
digunakan dalam aplikasi pengenalan
suara.
Terdapat dua komparasi yang dila-
kukan untuk menilai tingkat keberhasilan
pengenalan suara yaitu :
1) Komparasi pertama yaitu memban-
dingkan file suara asli dengan file
suara + noise. Berdasarkan hasil
komparasi pertama(file suara asli
dengan file suara + noise) hanya
terdapat dua file yang cocok maka :
159

𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐾𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 (file suara asli VS output aplikasi)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑎𝑚𝑝𝑒𝑙 𝐶𝑜𝑐𝑜𝑘
= 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑚𝑢𝑎 𝑆𝑎𝑚𝑝𝑒𝑙
2
= 𝑥 100%
8
= 25%
2) Komparasi kedua yaitu memban-
dingkan file suara asli dengan output
hasil dari file suara yang telah
melalui proses penghilangan noise.
Berdasarkan hasil komparasi kedua
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 𝑘𝑜𝑚𝑝𝑎𝑟𝑎𝑠𝑖 𝑘𝑒𝑑𝑢𝑎
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 𝑥 100%
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 𝑘𝑜𝑚𝑝𝑎𝑟𝑎𝑠𝑖 𝑝𝑒𝑟𝑡𝑎𝑚𝑎
87,5 %
= 𝑥 100%
25 %
= 350%atau 3,5 kali
Analisis dari hasil pengujian diatas
dapat dilihat bahwa penggunaan metode
noise gate, low pass filter dan silent
removal dapat menambah keberhasilan
pengenalan suara sebesar 350% atau 3,5
kali lebih akurat dibandingkan dengan
pengenalan suara tanpa dilakukan penghi-
langan noise pada file suara sebelumnya.
SIMPULAN DAN SARAN
Kesimpulan dari penelitian ini ada-
lah aplikasi untuk menghilangkan noise
pada file suara dengan menggunakan
metode noise gate, low pass filter dan
silent removal dengan parameter dinamis
telah berhasil dibangun dengan menggu-
nakan bahasa pemrograman Matlab. Apli-
kasi ini bersifat dinamis sesuai dengan
karakteristik file suara yang diinput yaitu
dengan menganalisa nilai dynamic range
dan crest factornya.
Dalam penelitian ini digunakan 8
sampel suara berekstensi wav dengan
frekuensi 22050. Setiap sampel memiliki
nilai dynamic range dan crest factor yang
berbeda yang dijadikan sebagai acuan pe-
ngisian parameter pada program, semakin
besar nilai selisih antara dynamic range
dengan crest factor maka semakin besar
160 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016
terdapat tujuh file yang cocok maka :
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐾𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑎𝑚𝑝𝑒𝑙 𝐶𝑜𝑐𝑜𝑘
= 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑚𝑢𝑎 𝑆𝑎𝑚𝑝𝑒𝑙
7
= 𝑥 100%
8
= 87,5%
Berdasarkan hasil komparasi pertama
dan kedua dapat dinyatakan bahwa :
pula nilai lower threshold dan upper
threshold pada setiap sampel suara.
Dilakukan 2 pengujian agar dapat
diketahui keakuratan hasil aplikasi ini
untuk aplikasi pengenalan suara, pengu-
jian pertama membandingkan file suara
asli dengan file suara asli + noise kemu-
dian pengujian kedua membandingkan
file suara asli dengan output hasil dari file
suara yang telah melalui proses penghi-
langan noise. Dari pengujian pertama
menghasilkan tingkat kecocokan sebesar
25% dan pengujian kedua menghasilkan
tingkat kecocokan sebesar 87,5%. Maka
dapat disimpulkan bahwa pada penelitian
ini peningkatan keberhasilan dalam
pengenalan suara dari penggunaan meto-
de noise gate, low pass filter dan silent
removal adalah 3.5 kali lipat diban-
dingkan dengan pengenalan suara tanpa
dilakukan penghilangan noise pada file
suara sebelumnya.
Aplikasi ini hanya dapat mengup-
load satu file suara untuk proses meng-
hilangkan noise dalam satu waktu,
diharapkan dapat dikembangkan agar
dapat mengupload lebih dari satu file
suara dalam satu waktu dan dapat
dikembangkan menjadi aplikasi yang
bersifat realtime.


Detection Algorithm for Speech and

DAFTAR PUSTAKA Speaker Recognition Applications.
Department of Electronics and
[1] Anonim, Digital Signal Processing Electrical Communication
Mini-Project: An Automatic Engineering Indian Institute of
Speaker Recognition System, Technology. India.
http://minhdo.ece.illinois.edu/teachi [10] Gerald Leung, ELEC 484
ng/speaker_ recognition/, diakses 8 Assignment 4: Implementing an
Mei 2015. Audio Noise Gate, http://web.uvic.
[2] Anonim, Low-Pass, High-Pass ca/~gleung86/courses/Elec%20484/
Filters and Their Effects on Speech Assignment4/Assignment%204.pdf,
Signals, diakses 15 April 2015.
http://lyle.smu.edu/~jesau/lab9.pdf, [11] Gopi, E. S., 2007. Algorithm
diakses 17 April 2015. Collections for Digital Signal
[3] Anonim. Audio Sampling. Processing
http://www.elektroindonesia.com/el Aplications using Matlab.
ektro/ elek35a.html, diakses 7 Dordrecht : Spinger.
agustus 2015. [12] IT University of Copenhagen
[4] Anonim. Chapter 10: Detection of Multimedia Technology Speech and
Signals in Noise. IT Systems. Speech Coding and
http://www.acfr.usyd.edu.au/pdfs/tr Recognition Course. http://www.
aining/sensorSystems/10%20Detect itu.dk/courses/TKG/E2005/exercise
ion%20of%20Signals%20in%20No s.html. diakses 10 Mei 2015
ise.pdf, diakses 15 April 2015. [13] Juniar Lestary. 2011. Aplikasi
[5] Anonim. Definisi Aplikasi. Pengenalan Ucapan Kata Bahasa
http://bebas.vlsm.org/v06/kuliah/sis Inggris Menggunakan Linear
temoperasi/buku/sistemoperasi/p1c Predictive Coding (LPC) dan
1.html, diakses 7 Agustus 2015. Hidden Markov Model (HMM).
[6] BiampTraining. Measurements and Fakultas Teknologi Informasi
the dB - Signals, Peak, RMS & Universitas Gunadarma.
Crest Factor, https://www.youtube [14] Mahima Garg, Omar Razi, Supriya
.com/watch?v=i0jHDNMvOyE, Phutela, Vaibhav Kapoor, Varun
diakses 17 Mei 2015. Chopra. 2012. Voice recognition
[7] Chris Stedman. 2012. Lab Report : And Identification System. Apeejay
A Matlab Implementation Of An Colledge Of Engineering.
Audio Compressor. Faculty of [15] Proakis, John G. dan Manolakis,
Architecture, Design and Planning, Dimitris G., 2007. Digital Signal
The University of Sydney. Processing Principles, Algorithms,
[8] Devesh N., Keerthi R. dan Sandeep and Apllications. New Jersey :
A., 2006. Implementation Of Prentice Hall.
Speech Recognition In Resource [16] Rizki Amalia F.K. 2006.
Constrained Environments. Manipulasi Frekuensi Dasar
Electronics And Computer Menggunakan Metode Straight
Engineering Departement Indian untuk Sintesis Suara Ucapan
Institute Of Technology Roorkee. Ekspresif Dalam Bahasa Indonesia.
[9] G. Saha, Sandipan Chakroborty dan Institut Teknologi Sepuluh
Suman Senapati., 2011.A New Nopember (ITS).
Silence Removal and Endpoint

Wirawan, Prasetyo, Implementasi Metode ... 161



162 Jurnal Teknologi Rekayasa Volume 21 No.3, Desember 2016