PEMISAHAN SINYAL BUNYI DARI MICROPHONE ARRAY DENGAN MENGGUNAKAN METODE BLIND SOURCE SEPARATION - INDEPENDENT COMPONENT ANALYSIS UNTUK MEMANTAU KONDISI POROS RETAK

Seminar Nasional “ARCHIPELAGO ENGINEERING” 10 April 2019 ISSN: 2620-3995 PEMISAHAN SINYAL BUNYI DARI MICROPHONE ARRAY DENGAN MENGGUNAKAN METODE BLIND SOURCE SEPARATION - INDEPENDENT COMPONENT ANALYSIS UNTUK MEMANTAU KONDISI POROS RETAK Novitha L. Th. Thenu e-mail: , Program Studi Teknik Sistem Perkapalan, Fakultas Teknik Universitas Pattimura - Ambon ABSTRAK Tulisan ini mempresentasikan tentang pemisahan sinyal bunyi untuk memantau kondisi poros dengan menggunakan metode Blind Source Separation (BSS) - Independent Component Analysis (ICA). Pada penelitian ini, bunyi poros retak yang sementara berputar direkam melalui susunan mikrofon (microphone array) sebagai sensornya. Tiap-tiap mikrofon menerima sinyal dari poros tersebut, sehingga sinyal output dari tiap mikrofon merupakan sinyal campuran. BSS merupakan teknik memisahkan sinyal campuran berdasarkan analisa kebebasan statistik ICA sumber bunyi. Dengan memperhatikan jarak dan sudut datang antara mikrofon dengan poros maka tiap mikrofon menerima sinyal berbeda pula. Sinyal campuran dari tiap mikrofon akan diestimasi untuk memantau kondisi poros berdasarkan analisa pola bunyi. Pada penelitian ini pemisahan sinyal dilakukan pada time-domain dengan algoritma natural gradient. Berdasarkan hasil penelitian diperoleh metode pemisahan sinyal terbaik adalah metode pemisahan sinyal dalam kawasan waktu (TDICA) jauh lebih baik dari metode FDICA karena nilai MSE melalui TDICA jauh lebih kecil. Kata Kunci: sinyal bunyi, Blind Source Separation, Independent Component Analysis, microphone array PENDAHULUAN Perubahan pola getaran mengindikasikan terjadinya perubahan dinamika mesin. Perubahan getaran mesin menyebabkan perubahan bunyi yang diemisikan mesin, dimana bunyi mesin bercampur dengan sumber bunyi lainnya. BSS merupakan teknik untuk memisahkan campuran sinyal yang berasal dari berbagai sumber bunyi. Dengan mengikuti sifat independensi suatu sinyal, maka melalui teknik BSS, sinyal campuran akan direkam tanpa memikirkan asal dan proses sinyal kemudian diproses dan dipisahkan menjadi sinyal - sinyal yang saling bebas satu dengan lainnya. Sebuah model uji yang terdiri dari satu unit elektromotor, kopling sederhana, poros retak yang didukung oleh dua buah bantalan dan satu beban radial. Model uji mengemisikan bunyi campuran yang direkam dengan susunan mikrofon sebagai sensor. Mikrofon merekam bunyi yang berasal dari sumber bunyi dengan jarak dan sudut datang yang berbeda. KAJIAN TEORI DAN METODE A. Metode Blins Source Separation Metode BSS dapat dijelaskan sebagai suatu metode pemisahan sumber secara buta dengan hanya mengetahui sinyal yang terekam oleh sensor tanpa mengetahui proses pencampuran Independen Statistik yang ditunjukkan pada Gambar 1. Prosiding ALE ke-2, Fakultas Teknik Universitas Pattimura – Ambon Gambar 1. Proses Perekaman dan Pencampuran sinyal (Reju, 2009 ) Gambar 2. Diagram Blok BSS (Makino, 2005) Diagram blok BSS pada Gambar 2 menunjukkan alur dari proses pencampuran sampai pemisahan sinyal. Dalam gambar tersebut ditunjukkan bahwa s adalah sumber bunyi, x adalah sinyal bunyi yang ditangkap sensor (mikrofon), w adalah invers matrik dan y adalah sinyal bunyi yang berhasil dipisahkan (sinyal estimasi). Metode BSS dapat diformulasikan (Zhou dan Chelidze, 2007) sebagai berikut : X= + (1) 78 Seminar Nasional “ARCHIPELAGO ENGINEERING” 10 April 2019 Dimana X = [x1, x2, ....xm]T∈ adalah vector yang diukur sebagai sinyal skalar xi, s=[s1,s2,....sn]T adalah vektor yang terdiri dari sinyal – sinyal sumber (m ≥ n), ∈ adalah matrik pencampur yang tidak diketahui yang diatur dalam kolom, sedangkan ∈ mewakili noise selama pengukuran. ISSN: 2620-3995 bunyi dalam kawasan frekuensi ini diilustrasikan melalui Gambar 4. Output dari FDICA selanjutnya menjadi input bagi TDICA. Jadi sinyal output dari FDICA tidak perlu disimpan (dalam file .wav) karena akan langsung diproses lagi. B. ICA Kawasan Frekuensi ( Frequency Domain ICA / FDICA) Proses pemisahan sinyal bunyi pada penelitian ini dilakukan secara multi tahap (Multistage ICA), yakni dalam kawasan waktu dan frekuensi. Pemisahan dalam kawasan frekuensi dilakukan lebih dahulu (Nishikawa dkk, 2002). Untuk mencari filter pemisah, W, digunakan metode iterasi Natural Gradien (Amari dkk, 1996). Secara umum diagram alir pemisahan sinyal dalam kawasan frekuensi dan kawasan waktu dapat ditunjukkan pada Gambar 3. Proses pemisahan sinyal bunyi diawali dengan penyamaan ukuran byte file rekaman. Semakin kecil ukuran file, semakin cepat proses iterasi untuk mencari nilai W yang konvergen. Kemudian menggabungkan file tiap kanal, dan menginputkan file campuran pada algoritma ICA. Pada proses FDICA, sinyal input dalam kawasan waktu diubah menjadi kawasan frekuensi dengan transfromasi fourier (FFT). Sebelum dipisahkan maka data dinormalisasi (sphering), pada proses ini juga dilakukan permutasi data input dengan vektor permutasi yang dibangkitkan agar stasioner. Gambar 3 Diagram Alir Pemisahan Sinyal a. ICA Kawasan Frekuensi (FDICA) b. ICA Kawasan Waktu (TDICA) Untuk mengubah sinyal-sinyal estimasi menjadi kawasan waktu, dilakukan transformasi fourier balik (IFFT), maka didapatkan sinyal estimasi output dalam kawasan waktu (t). Proses pemisahan sinyal Prosiding ALE ke-2, Fakultas Teknik Universitas Pattimura – Ambon Gambar 4 ICA Kawasan Frekuensi (FDICA) (Nishikawa, 2005) C. ICA Kawasan Waktu (Time Domain ICA / TDICA) Proses pemisahan sinyal pada TDICA mirip dengan FDICA, diawali dengan menginputkan sinyal output yang sudah dalam bentuk matriks. Proses pencampuran sinyal bunyi ini dapat dimodelkan secara konvolutif (convolutive mixture), dimana respon dari mikrofon dikalikan dengan respon ruang. Dengan mengasumsikan bahwa proses pencampuran terjadi secara linear maka secara matematis pencampuran sinyal bunyi ini dapat direpresentasikan dalam bentuk konvolusi. Pada TDICA, sinyal tidak perlu dirubah dalam kawasan frekuensi, jadi proses ini lebih cepat dan sederhana dibandingkan dengan FDICA. Iterasi filter pemisah, W, pada proses ini juga menggunakan metode yang sama dengan proses sebelumnya, yakni iterasi dengan metode natural gradient namun dengan besar langkah nilai pembelajaran (learning rate) sebesar 0,0001. Proses pemisahan sinyal dengan TDICA dapat diilustrasikan seperti Gambar 5. Gambar 5. ICA Kawasan Waktu (TDICA) ( Nishikawa, 2005) Output dari proses TDICA ini merupakan sinyal estimasi akhir yang diharapkan mampu mewakili sinyal sumber terukur. Sinyal ini disimpan dalam 79 Seminar Nasional “ARCHIPELAGO ENGINEERING” 10 April 2019 ISSN: 2620-3995 bentuk file .wav untuk diproses sebagai sinyal input perhitungan frekuensi sesaat. D. Microphone Array Pada penelitian ini, sensor yang digunakan adalah mikrofon Behringer XM1800s yang merupakan jenis mikrofon dinamik yang memiliki polar pattern super cardioid. Mikrofon jenis ini tidak memiliki pelemahan sinyal pada sumber bunyi di titik depan mikrofon dan titik penangkapan sinyalnya berada di bagian tengah mikrofon. Polar diagr (...truncated)