ANALISIS PERBANDINGAN KOMPRESI SUARA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN TRANSFORMASI WAVELET

COMPARATIVE ANALYSIS OF AUDIO COMPRESSION USING PRINCIPAL COMPONENT ANALYSIS AND WAVELET TRANSFORMATION

Salah satu kebutuhan yang dihadapi sebagai dampak berkembangnya teknologi informasi adalah efisiensi memori dan transmisi. Kebutuhan tersebut dapat diatasi dengan adanya kompresi data. Kompresi data adalah metode yang digunakan untuk merepresentasikan data dalam bentuk padat hingga diperoleh data yang memiliki ukuran lebih kecil tetapi tetap mempertahankan kemiripan dengan data asli. Principal Component Analysis (PCA) adalah salah satu algoritma dalam machine learning yang digunakan untuk mereduksi dimensi. Reduksi dimensi merupakan proses transformasi data yang berdimensi tinggi ke dalam subruang baru dengan dimensi lebih rendah. Harapannya, dengan menggunakan sebagian principal component sudah merepresentasikan data asli. Transformasi wavelet menguraikan suatu sinyal menjadi himpunan fungsi dasar melalui analisis filter. Wavelet memusatkan informasi menjadi beberapa koefisien aproksimasi dan koefisien detail. Transformasi wavelet menghasilkan banyak koefisien nol atau mendekati nol yang dapat diabaikan sehingga dapat mereduksi ruang penyimpanan.Dalam penelitian ini akan diusulkan implementasi PCA dan Wavelet untuk kompresi suara digital. Suara digital yang digunakan untuk kompresi adalah suara digital dengan format.wav. Hasil kompresi suara kemudian akan dievaluasi berdasarkan  Peak Signal to Noise Ratio (PSNR) dan Mean Square Error (MSE). Rata-rata PSNR hasil kompresi yang diproleh saat  menggunkan wavelet yaitu sebesar 47.61601 dB dengan rata-rata MSE sebesar 3.76 x 10^-5 Sedangkan saat menggunakan PCA diperoleh rata-rata PSNR sebesar 57.3962772 dB dan rata-rata MSE yang diperoleh yaitu 4.59 x 10^-5. Dari lima suara digital yang telah dikompresi, empat diantaranya memiliki PSNR lebih besar dan MSE lebih kecil saat menggunakan PCA. Sehingga, algoritma Principal Component Analysis dapat lebih baik digunakan untuk kompresi suara digital dibanding Transformasi Wavelet Symlet level 1. 

One of the requirements faced as a result of information technology development is memory and transmission efficiency. This requirement can be overcome with data compression. Compression is a method to obtain compact data with a smaller size but still maintaining similarity to the original data. Principal Component Analysis (PCA) is an algorithm in machine learning that is used to reduce dimensions. Dimensional reduction is a process of transforming high-dimensional data into new subspaces with lower dimensions. The goal is to use some principal components to represents the original data. Wavelet transformation represents a signal into a set of basic functions through filter analysis. Wavelets concentrate information into coefficients of approximation and coefficients of detail. Wavelet transform produces a lot of zero or close to zero coefficients that can be neglected so it can reduce storage space. In this research, we will propose the implementation of PCA and Wavelet for digital audio compression. The audio was performed with the .wav format. The compressed audio will be evaluated based on Peak Signal to Noise Ratio (PSNR) and Mean Square Error (MSE). The mean PSNR obtained when using a wavelet is 47.61601 dB with an average MSE of 3.76 x 10^-5. Meanwhile, when using PCA, the PSNR average was 57.3962772 dB  and the average MSE obtained was 4.59 x 10^-5. Four out of five compressed audio had a larger PSNR and smaller MSE when using PCA. Thus, the Principal Component Analysis algorithm can be better used for audio compression than level 1 of Symlet Wavelet Transformation.