INDEPENDENT COMPONENT ANALYSIS (ICA) DAN SPARSE COMPONENT ANALYSIS (SCA) DALAM PEMISAHAN VOKAL DAN INSTRUMEN PADA SENI GEGUNTANGAN

Jurnal Elektronik Ilmu Komputer Udayana Volume 8, No 1. Agustus 2019 p-ISSN: 2301-5373 e-ISSN: 2654-5101 Independent Component Analysis (ICA) dan Sparse Component Analysis (SCA) dalam Pemisahan Vokal dan Instrumen pada Seni Geguntangan a1 a2 b3 Angga Pramana Putra , Ni Wayan Wiantari , Ni Putu Mira Novita Dewi , b4 I Dewa Made Bayu Atmaja Darmawan a Program Studi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Jalan Raya Kampus Unud, Jimbaran, Bali, 80361, Indonesia 1 2 3 4 Abstrak Geguntangan adalah pesantian dalam upacara keagamaan yang diiringi dengan gamelan. Indra pendengaran manusia cenderung memiliki keterbatasan, yang menyebabkan tidak semua vokal yang tercampur dengan gamelan bisa didengar jelas. Oleh karena itu diperlukan suatu sistem yang dapat digunakan untuk memisahkan vokal dengan gamelan pada geguntangan. Pemisahan sumber suara ini dikategorikan sebagai Blind Source Separation (BSS) atau disebut juga Blind Signal Separation yang artinya sumber tidak dikenal. Algoritma yang digunakan untuk menangani BSS adalah algoritma Independent Component Analysis (ICA) dan Sparse Component Analysis (SCA) dengan berfokus pada pemisahan sinyal suara pada file suara berformat wav. Algoritma SCA dan ICA digunakan untuk proses pemisahan suara dengan parameter nilai yang digunakan adalah Mean Square Error (MSE) dan Signalto Interference Ratio(SIR). Dari hasil simulasi menunjukkan Hasil perhitungan MSE dan SIR dengan dengan menggunakan mixing matriks [0.3816, 0.8678], [0.8534, -5 0.5853] didapatkan hasil untuk metode ICA, nilai MSE adalah 3.60 x 10 untuk vokalnya dan 1.71 x -6 10 untuk instrumennya, memiliki SIR 44.84784936 untuk vokalnya dan 59.89866528 untuk -4 -6 instrumennya. Untuk metode SCA nilai MSE adalah 1.25 x 10 untuk vokalnya dan 4.21 x 10 untuk instrumennya, memiliki SIR 40.00942668 untuk vokalnya dan 54.70771013 untuk instrumennya. Keywords: Blind Sources Separation, Independent Component Analysis, Sparse Component Analysis, Audio Signal Processing, Mean Square Error, Signalto Interference Ratio 1. Pendahuluan Geguntangan adalah pesantian dalam upacara keagamaan yang diiringi dengan gamelan. Geguntangan sering dipakai dalam upacara keagamaan untuk mengiringi jalannya upacara dan juga untuk hiburan masyarakat. Namun, suara yang tercampur antara vokal dengan gamelan menyebabkan sulitnya dalam mempelajari vokal pada geguntangan. Indra pendengaran manusia cenderung memiliki keterbatasan,yang menyebabkan tidak semua vokal yang tercampur dengan gamelan bisa didengar jelas. Oleh karena itu diperlukan suatu sistem yang dapat digunakan untuk memisahkan vokal dengan gamelan pada geguntangan. Pemisahan sumber suara ini dikategorikan sebagai Blind Source Separation (BSS) atau disebut juga Blind Signal Separation yang artinya sumber tidak dikenal [10]. BSS merupakan suatu cara untuk memisahkan sinyal tercampur menjadi sejumlah sinyal pembentuknya, tanpa informasi mengenai jumlah sumber sinyal, atau proses tercampurnya sinyalsinyal tersebut. BSS memanfaatkan perbedaan sifat sinyal sebelum terdeteksi sensor dan informasi yang diperoleh akibat perbedaan sudut datang dan jarak tempuh pada sensor. Sensor yang digunakan adalah microphone. Terdapat dua teknik dalam merekam suara yaitu,single channel dan 105 Putra, Wiantari, Dewi, & Darmawan Independent Component Analysis (ICA) dan Sparse Component Analysis (SCA) dalam Pemisahan Vokal dan Instrumen pada Seni Geguntangan multi channel. Single channel adalah teknik perekaman yang menggunakan sensor tunggal, dan multi channel adalah teknik perekaman yang menggunakan sensor lebih dari satu. Algoritma yang digunakan untuk menangani BSS adalah algoritma Independent Component Analysis (ICA) dan Sparse Component Analysis (SCA) dengan berfokus pada pemisahan sinyal suara pada file suara berformat wav yang memiliki dua atau lebih suara yang tercampur sehingga didapatkan hasil suara terekam terpisah. Alasan digunakannya format wav adalah file berformat wav berisi suara yang tidak mengalami kompresi [9]. Algoritma ICA digunakan pada penelitian ini, karena algoritma ICA dapat membedakan unsur atau komponen penyusun campuran sinyal secara independen [2]. Sedangkan, algoritma SCA digunakan dengan alasan algoritma SCA mampu memanfaatkan sedikit sinyal untuk mengekstraksi sumber dan memiliki presisi yang lebih tinggi dalam pemisahan sinyal suara [10], yang mana pada penelitan ini hanya menggunakan 2 sumber suara, yaitu sinyal suara vokal dan instrumen. Sebelum melakukan proses ICA atau SCA, pertama kali yang harus dilakukan adalah beberapa proses pendahuluan (pre-processing). Pre-processing yang dimaksud adalah centering dan whitening. Penerapan algoritma ICA dan SCA selain digunakan dalam Blind Source Separation, bisa juga digunakan untuk memperbaiki kualitas suara pada data audio yang tercampur dengan noise atau suara yang mengganggu atau yang tidak diinginkan seperti penelitian yang dilakukan oleh Indra, dkk dimana penelitian yang dilakukannya mengenai pemisahan sinyal dengan noisenya untuk memperbaiki kualitas suatu audio atau noise reduction. Dalam pemisahan sinyal suara, selain menggunakkan algoritma ICA dan SCA, ada juga algoritma lain yang biasa digunakan dalam Blind Source Separation yaitu Non-negative Matrix Factorization (NMF). NMF dapat memproses data dalam skala besar menggunakan model faktorisasi matriks dibandingkan dengan algoritma klasik. Beberapa kelebihan dari NMF adalah implementasi yang mudah, interpretabilitas hasil dekomposisi yang baik, dan ruang penyimpanan yang kecil [3]. Algoritma SCA dan ICA digunakan untuk proses pemisahan suara dengan parameter nilai yang digunakan adalah Mean Square Error (MSE) atau melihat kesamaan antara hasil output dengan input dipilih untuk menguji hasil output suara. Selain itu parameter Signalto Interference Ratio (SIR) digunakan untuk mengetahui rasio interferensi output suara dibandingkan dengan input. Pada pengenalan sinyal suara, proses mendengarkan secara lisan hasil output dibandingkan dengan input suara digunakan untuk mengukur parameter keberhasilan. Selain itu, dengan membandingkan sinyal input dan output, dapat diketahui hasil proses pemisahan suara. 2. Metode Penelitian 2.1. Rancangan Penelitian Penelitian yang dilakukan merupakan penelitian eksperimental dengan membandingkan MSE dan SIR pada algoritma ICA dan SCA dalam pemisahan vokal dengan gamelan pada geguntangan. File geguntangan yang diperoleh dalam bentuk wav akan dilakukan proses centering dan whitening untuk mendapatkan sebuah vektor baru yang variansnya sama dengan satu, terakhir melakukan proses ICA dan SCA terhadap vektor hasil centering dan whitening. 2.2. Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Laboratorium Jaringan Program Studi Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana selama 3 bulan. 2.3. Data dan Metode Pengumpulan Data Alat yang digunakan pada penelitian ini meliputi alat perekam menggunakan r (...truncated)