Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Oleh:
Luqman Hakim
2209204801
Transformasi wavelet merupakan tool yang banyak digunakan untuk analisa sinyal
alam yang kebanyakan non stasioner dalam domain waktu dan frekuensi secara
simultan (Paul,S.E,dkk : 2009)
Jaringan Syaraf Tiruan (JST) merupakan algoritma yang banyak digunakan untuk
identifikasi maupun klasifikasi berdasarkan proses pembelajaran ( J.I Godiono, dkk.:
2004)
Ilustrasi Penggunaan Fiberoptic Laringoscop
(sumber: Klinik Dr. Cristopher Y. Chang)
visualisasi
Tujuan
Mengetahui apakah suara normal dan suara serak dapat dianalisa dan diidentifikasi
menggunakan transformasi wavelet dan algoritma jaringan syaraf tiruan
Kesulitan mendapatkan sampel suara dari pasien dengan vonis penyakit tertentu
dari dokter / rumah sakit lokal.
Sampel suara dari pasien penyakit daerah larynx dari internet juga sangat terbatas.
Sampel suara pasien penyakit tertentu didapat dari klinik Dr.Christopher Y. Chang
yang diunggah di websie fauquerent.net .
Sampel suara yang digunakan sebagai objek penelitian baru pada suara serak
karena radang tenggorokan karena kelelahan terlalu banyak mengeluarkan suara.
Diambil sampel suara berupa suara vokal A E I O U saat kondisi normal
dan saat kondisi serak.
Metode
Blok diagram metode yang dilakukan:
Matrik data
sinyal suara
Sampel suara vokal Pre- Prosesing : Xn[1.. N]
normal dan serak - Konversi WAV ke DAT
- Normalisasi
(A E I O U) - Downsampling
Dalam format . WAV - Pemisahan sinyal suara (Voice )
Chanal mono
frekuensi sampling 44,1 kHz dan bukan suara (non Voice)
Transformasi Wavelet
Sinyal Suara :
Continous Wavelet Transform (CWT)
Fungsi wavelet morlet
Matrik hasil CWT
18 x 50
CWT[18x50]
Matrik karakterisasi
Identifikasi Jenis Vokal dan Kondisi (Serak / sinyal suara Karakterisasi sinyal suara
Normal) cwt[1x900] normal dan serak
dengan algoritma
dari hasil CWT Ternormalisasi
Jaringan Syaraf Tiruan (JST)
Pre- Prosesing (1)
Konversi WAV ke DAT
Format WAV merupakan format standar file audio windows tanpa ada kompresi data
x[i]
x norm [i ]=
x(i)max
Pre- Prosesing (3)
Membuat deret logika, nilai 1 jika nilai standar deviasi pada titik
tersebut lebih tinggi daripada thershold, sebaliknya berniali 0.
Menentukan titik awal dan akhir sinyal dari deret logika yang
terbentuk.
sejumlah N data x N
(x [i])2
i =1
=
N
N
x [i ]
Di mana = N
i=1
= rata rata (mean)
Continous Wavelet Transform (CWT)
x (t ) ' ( t b
t
2
1 1 j t
T ( a , b)= ) dt ( t)= 4 e e
o 2
a a
f0
T a , b=T [ 100x100] f=
Hasil CWT : a
CW
T
Grafik 3D Scalogram
Analisa Hasil CWT
rata rata (mean) nilai CWT per skala sepanjang translasi dapat dilihat karakter
spektral sinyal suara.
Tingkat stabilitas keberadaan frekuensi sinyal selama durasi pengucapan suara
dapat dilihat dari parameter standar deviasi.
Nb
CWT a [b]
a=
i=1
Mean Nb
Nb
(CWT a [i] a )2
Standar deviasi a= i=1
Nb
a
Koefisien Variasi CV a = a x 100
Matrik karakterisasi
sinyal suara
[1..100]
Nilai mean CWT per skala dijadikan sebagai nilai karakterisasi masing masing sampel suara
Perbandingan Hasil CWT
Hasil CWT Sampel Vokal A E I O U
Perbandingan Hasil CWT Sampel dan Hasil CWT Sampel suara pasien. Sampel
suara pasien berupa vokal I
Pengujian Online
Suara serak / normal 85%
Penutup
Kesimpulan
Suara serak mempunyai tingkat ketidakstabilan atau variasi nilai CWT setiap
skala yang lebih besar dibandingkan dengan suara normal dilihat dari standar
deviasi dan koefisien variasi
Pada analisa CWT suara pasien ganguan pita suara, terlihat perbedaan
karakter spektral suara dengan satu jenis penyakit dengan penyakit yang lain
Identifikasi suara normal dan serak dapat dilakukan dengan JST dengan input
hasil CWT
Saran
Diharapkan dalam penelitian berikutnya didapatkan data sampel suara serak
atau suara karena gangguan penyakit daerah tenggorokan dari Rumah Sakit
atau klinik THT sebagai data referensi.