Separasi Suara Musik Pada Robot KRSTI Menggunakan Band Pass Filter FIR Untuk Sinkronasi
Keywords:
Bandpass Filter, (FFT) Fast Fourier Transform, FIR, (IFFT) Invers Fast Fourier Transform, Raspberry PiAbstract
KRSTI merupakan bagian dari ajang Kontes Robot Indonesia (KRI), dimana robot tersebut akan menari mengikuti sinyal suara musik yang diberikan. Dalam perlaksanaan lomba suara derau dapat menggaggu suara masukan yang diterima oleh robot, sehingga perlu dilakukan penyaringan terhadap sinyal asli. Maka dibutuhkan sebuah sistem yang dapat menyaring sinyal asli dari suara derau dengan menggunakan Bandpass Filter FIR. Dimana teori dari Bandpass Filter FIR dapat menghilangan noise diantara 2 batas frekuensi, yaitu frekuensi batas bawah dan frekuensi batas atas. Untuk melakukan penelitian ini sinyal suara dalam domain waktu akan dirubah menjadi domain frekuensi dengan menggunakan algoritma Fast Fourier Transform (FFT) untuk dilakukan analisa, dan didapatkan 208 base frekuensi pada audio tari enggang. Untuk medapatkan hasil filter yang baik maka digunakan besar orde pemfilteran yaitu orde 300. Selanjutnya bobot yang dihasilkan dari analisa digunakan untuk memfilter sinyal pada Mikrokontroller Rasberry pi. Keberhasilan pemfilteran dibuktikan menggunakan perhitungan Root Mean Square Error (RMSE) dengan nilai 0.1060 untuk derau berupa Gaussian Noise, 0.1363 untuk derau berupa suara tepuk tangan, dan 0.0243 untuk derau berupa suara dari Frekuensi Generator dengan rata rata dari ketiga jenis derau (noise) yaitu 0.2666 dimana nilai tersebut membuktikan bahwa perbedaan audio tanpa noise dan audio hasil pemfilteran hanya sedikit memiliki perbedaan.
References
B. Auditiakusuma, “Rancang Bangun Pembuatan Aplikasi Sampling Frekuensi File Audio Menggunakan Metode Filter FIR(Finite Impulse Response),” 2011.
R. Y. Sipasulta, A. S. M. L. St, and S. R. U. A. Sompie, “Simulasi Sistem Pengacak Sinyal Dengan Metode Fft (Fast Fourier Transform),” E Journal Tek. Elektro Dan Komput., vol. 3, no. 2, pp. 1–9, 2014.
R. Y. Adhitya et al., “Rotor bars fault detection by DFT spectral analysis and Extreme Learning Machine,” 2016 Int. Symp. Electron. Smart Devices, ISESD 2016, pp. 103–108, 2016, doi: 10.1109/ISESD.2016.7886701.