Está en la página 1de 19

Analisa Suara Serak Berbasis Transformasi

Wavelet dan Jaringan Syaraf Tiruan

Oleh:
Luqman Hakim
2209204801

Pembimbing : Achmad Arifin, ST, M.Eng.,Ph.D


Co-Pembimbing : Dr. Tri Arief Sardjono, ST, MT
Outline
Pendahuluan
- Latar Belakang
- Tujuan
- Manfaat dan Hasil yang diharapkan
- Perumusan Masalah
Metode dan Hasil
Kesimpulan
Pendahuluan
Latar Belakang
Suara serak merupakan salah satu indikator adanya penyakit atau gangguan pada
organ penghasil suara (Larynx)
Diagnosa secara visual, spt: fiberoptic laryngoskop (FoL)
Riset Analisa suara untuk mengidentifikasi penyakit / gangguan pada daerah larynx
mulai dilakukan.
Analisa suara manusia dapat menjadi tool yang penting dalam diagnosa dini
penyakit pada daerah larynx. (Fonesca,E.S.,dkk:2009;El Imam I.,dkk:2008,Karthikeyan,U.,dkk:
2005)

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)

Keidaksimultanan getaran TVC


menyebabkan suara serak /
suara tidak jelas

Ketidaknormalan tsb dapat


terjadi karena radang, tonjolan
(nodule) atau penyakit lainya

visualisasi
Tujuan
Mengetahui apakah suara normal dan suara serak dapat dianalisa dan diidentifikasi
menggunakan transformasi wavelet dan algoritma jaringan syaraf tiruan

Hasil dan Manfaat Yang Diharapkan


Hasil yang diharapkan adalah sebuah perangkat lunak yang dapat digunakan untuk
menganalisa dan mengidentifikasi suara serak dan normal secara sistematis
Diharapkan dapat bermanfaat membantu tenaga medis untuk dapat mendeteksi secara
dini adanya kelainan / gangguan pada daerah pita suara berdasarkan analisa suara
pasien
Perumusan Masalah

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

Proses konversi WAV ke DAT memanfaatkan komponen audiolab dari mitov.com

Skema penggunaan komponen audiolab pada sistem yang dibuat:

Data audio x [i]


i=1,2,..... N
Pre- Prosesing (2)
Normalisasi
Normalisasi untuk menyeragamkan nilai amplitudo dari sinyal
sampel .

x[i]
x norm [i ]=
x(i)max
Pre- Prosesing (3)

Pemisahan sinyal suara (voice) dan bukan


suara (unvoice) Urutan Langkah :
Mengambil sampel pada durasi unvoice

Menghitung moving standar deviasi (setiap 10 ms atau 441 data ).

Mencari standar deviasi terbesar dari setiap frame sampel unvoice


Membuat threshold dari standar deviasi terbesar

Melakukan framing 10 ms atau per 441 data pada seluruh sinyal


Menghitung standar deviasi pada setiap frame
membandingkan dengan threshold yang telah dibuat.

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.

Rumus umum standar deviasi dari


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

Desain CWT yang digunakan:


a 1=0,00005 a N =a N 1+ a ; N =2,3 ,... 100 a=0,00005
skala:
durasi sinyal
Translasi : b=
100

Frekuensi sentral fungsi morlet : 0=5,33 rad / s atau f 0=0,849 Hz

f0
T a , b=T [ 100x100] f=
Hasil CWT : a

Hasil CWT dapat ditampilkan dg grafik 3 dimensi atau scalogram.

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

Scalogram hasil CWT sampel suara terkena nodule

Scalogram hasil CWT sampel suara terkena kanker


Hasil karakterisasi 5 sampel suara
Hasil karakterisasi 5 sampel suara
Identifikasi Suara Normal dan Serak
Menggunakan JST Berdasarkan Hasil CWT

Data Pembelajaran : 50 sampel suara terdiri 5 sampel masing


masing vokal A E I O U normal dan serak
Pembelajaran sampai Pengujian :
iterasi ke 4000an Pengujian dengan data yang
telah dibelajarkan :
100%

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.

También podría gustarte