Lompat ke konten

Menganalisis Suara Melalui Spectrogram: Menyingkap Rahasia Gelombang Suara

blank

Suara adalah salah satu bentuk ekspresi yang paling fundamental dalam komunikasi manusia. Dengan kemajuan teknologi, saat ini kita dapat menganalisis suara secara lebih mendalam melalui metode yang canggih, salah satunya adalah melalui penggunaan spectrogram. Spectrogram adalah representasi visual dari spektrum frekuensi suara sepanjang waktu, memberikan pemahaman yang lebih baik tentang karakteristik suara yang sulit didengar dengan telinga. Bisa dikatakan juga bahwa spectrogram adalah alat untuk membantu kita “melihat” suara. Artikel ini akan membahas cara menganalisis suara menggunakan spectrogram.

mindmap spectrogram
Mindmap spectrogram

Apa Itu Spectrogram?

Spectrogram adalah grafik yang merepresentasikan intensitas frekuensi suara terhadap waktu. Berdasarkan dimensinya, spectrogram dibagi menjadi 2 dimensi dan 3 dimensi.

Spectrogram 2D: Pada sumbu x menjelaskan waktu, pada sumbu y menjelaskan frekuensi, dan amplitudo/magnitudo suara atau keras lirihnya suara ditunjukkan melalui gradasi warna.

blank
Spectrogram 2 dimensi

Spectrogram 3D: Pada sumbu x menjelaskan waktu, pada sumbu y menjelaskan frekuensi, dan pada sumbu z menjelaskan amplitudo/magnitudo suara atau keras lirihnya suara. Meski sudah dilengkapi dengan sumbu z, spectrogram 3D juga masih mencantumkan gradasi warna untuk dengan mudah menjelaskan amplitudo suara.

blank
Spectrogram 3 dimensi

Komponen-komponen Spectrogram

  1. Waktu (Sumbu X):
    • Sumbu waktu menunjukkan perubahan suara sepanjang interval waktu tertentu. Pada umumnya waktu diplot dari kiri ke kanan, sehingga kita dapat melihat bagaimana karakter suara berubah seiring berjalannya waktu. Beberapa aplikasi smartphone yang menampilkan spectrogram juga melakukan plotting waktu dari atas ke bawah.
  2. Frekuensi (Sumbu Y):
    • Sumbu frekuensi merepresentasikan rentang frekuensi suara yang diamati. Rentang frekuensi ini dapat berkisar dari suara rendah hingga suara tinggi. Pada bagian ini, frekuensi diukur dari bawah ke atas, dengan frekuensi rendah berada di bagian bawah dan frekuensi tinggi di bagian atas.
  3. Warna dan Intensitas (Warna atau sumbu Z):
    • Warna pada spectrogram mencerminkan magnitudo atau amplitudo atau keras lirihnya suara pada frekuensi dan waktu tertentu. Amplitudo suara yang lebih tinggi ditunjukkan dengan warna yang lebih terang, sedangkan amplitudo yang lebih rendah ditunjukkan dengan warna yang lebih gelap. Dengan melihat spektrum warna, kita dapat mengidentifikasi bagian-bagian tertentu dari suara yang mungkin memiliki kekuatan atau kelemahan pada frekuensi atau waktu tertentu.

Fungsi Spectrogram

Spectrogram membantu kita memvisualisasikan bagaimana energi suara tersebar di seluruh rentang frekuensi sepanjang waktu. Hal tersebut memungkinkan kita untuk “melihat” struktur kompleks suara, seperti harmoni, modulasi, atau perubahan dinamika dalam waktu yang lebih detail dibandingkan dengan menganalisis melalui mendengarkan suara secara langsung. Selain itu, spectrogram dapat membantu dalam mendeteksi gangguan atau anomali dalam suara. Misalnya, adanya frekuensi tertentu yang tidak seharusnya ada dapat dengan cepat terdeteksi melalui analisis spectrogram.

Adapun penjelasan yang sangat baik terkait spectrogram dapat ditonton pada video berikut

Prinsip Fisika dalam Spectrogram

Penting untuk dicatat bahwa interpretasi spectrogram memerlukan pemahaman tentang bagaimana frekuensi, amplitudo, dan waktu berinteraksi. Interaksi antara frekuensi, amplitudo, dan waktu dalam konteks spectrogram sangat penting untuk memahami karakteristik suara yang direpresentasikan oleh grafik Spectrogram. Berikut adalah penjelasan lebih lanjut tentang bagaimana interaksi ini terjadi:

  1. Frekuensi:
    • Definisi: Frekuensi merujuk pada jumlah siklus gelombang suara yang terjadi dalam satu detik. Diukur dalam hertz (Hz), frekuensi rendah berarti suara rendah, sementara frekuensi tinggi berarti suara tinggi.
    • Interaksi: Pada spectrogram, sumbu frekuensi menunjukkan rentang frekuensi yang diamati dari suara. Peningkatan atau penurunan frekuensi pada sumbu y menunjukkan perubahan dalam tinggi rendahnya suara yang direkam.
  2. Amplitudo:
    • Definisi: Amplitudo adalah ukuran dari tinggi rendahnya gelombang suara. Amplitudo mencerminkan seberapa keras atau lemah suara yang didengar.
    • Interaksi: Intensitas atau amplitudo suara direpresentasikan oleh warna pada spectrogram. Warna yang lebih terang menunjukkan amplitudo yang lebih tinggi, sedangkan warna yang lebih gelap menunjukkan amplitudo yang lebih rendah. Dengan melihat warna pada titik-titik tertentu pada grafik, kita dapat menilai seberapa kuat atau lemah suara pada frekuensi dan waktu tersebut.
  3. Waktu:
    • Definisi: Waktu pada spectrogram merepresentasikan perjalanan suara dari awal hingga akhir perekaman.
    • Interaksi: Garis waktu pada sumbu x memungkinkan kita melihat bagaimana karakteristik suara berubah seiring waktu. Peningkatan atau penurunan intensitas warna pada titik-titik tertentu menunjukkan bagaimana suara berubah dalam hal amplitudo dan frekuensi sepanjang durasi tertentu.

Dengan memahami interaksi antara frekuensi, amplitudo, dan waktu dalam konteks spectrogram, kita dapat mengidentifikasi pola-pola yang mungkin terkandung dalam suara. Misalnya, harmoni suara akan tercermin dalam pola reguler pada spektrum frekuensi tertentu. Perubahan amplitudo sepanjang waktu dapat menggambarkan variasi dinamika dalam suara, seperti peningkatan volume atau penurunan intensitas.

Dengan memahami elemen-elemen ini, seseorang dapat mengurai informasi yang berguna dari visualisasi spectrogram, membuat Spectrogram menjadi alat yang sangat berguna dalam analisis suara dan pemahaman mendalam tentang sifat kompleks gelombang suara.

Membuat Spectrogram

Untuk membuat spectrogram, kita memerlukan perangkat lunak khusus, seperti Audacity, Praat, atau Python dengan menggunakan pustaka seperti Matplotlib dan Librosa. Beberapa langkah umum untuk membuat spectrogram melibatkan merekam suara, mengimpor file audio ke perangkat lunak, dan menghasilkan representasi grafis dari spektrum frekuensi sepanjang waktu. Proses pembuatan spectrogram melibatkan beberapa langkah, dan berikut adalah langkah-langkah umum dalam menggunakan perangkat lunak pemrosesan sinyal atau bahasa pemrograman seperti Python dengan pustaka seperti Matplotlib dan NumPy:

  1. Perekaman atau Pemilihan Sinyal Suara:
    • Jika Anda memiliki sinyal suara yang akan dianalisis, pastikan Anda telah merekamnya atau memilih sinyal yang ingin Anda gunakan.
  2. Pemrosesan Sinyal:
    • Sinyal suara yang direkam mungkin perlu diolah terlebih dahulu. Ini dapat mencakup normalisasi amplitudo atau penerapan filter untuk menghilangkan kebisingan yang tidak diinginkan.
  3. Pembagian Sinyal Menjadi Jendela (Windowing):
    • Proses ini melibatkan pembagian sinyal menjadi segmen-segmen kecil yang disebut jendela. Ini membantu dalam menganalisis sinyal dalam interval waktu yang kecil.
  4. Transformasi Fourier:
    • Setiap jendela dari sinyal kemudian diubah ke domain frekuensi menggunakan transformasi Fourier, seperti Fast Fourier Transform (FFT). Ini mengubah sinyal dari domain waktu menjadi domain frekuensi.
  5. Perhitungan Spektrogram:
    • Dengan menggabungkan hasil transformasi Fourier untuk setiap jendela, Anda dapat membuat matriks spektrogram. Sumbu x mewakili waktu, sumbu y mewakili frekuensi, dan intensitas warna atau tingkat kecerahan mewakili kekuatan frekuensi pada waktu tertentu.
  6. Pengaturan Parameter:
    • Beberapa parameter dapat diatur untuk menghasilkan spektrogram yang sesuai dengan kebutuhan analisis Anda, seperti panjang jendela, tumpang tindih antarjendela, dan jumlah poin dalam FFT.
  7. Visualisasi:
    • Gunakan perangkat lunak atau pustaka grafik, seperti Matplotlib, untuk menggambar atau menampilkan matriks spektrogram dalam bentuk gambar.

Berikut adalah contoh penggunaan Python dengan pustaka NumPy dan Matplotlib untuk membuat spektrogram dari sinyal suara menggunakan modul specgram dari Matplotlib:

import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile

# Baca file suara
sample_rate, audio_data = wavfile.read('nama_file.wav')

# Hitung spektrogram
plt.specgram(audio_data, Fs=sample_rate)

# Menampilkan spektrogram
plt.xlabel('Waktu (s)')
plt.ylabel('Frekuensi (Hz)')
plt.title('Spektrogram Sinyal Suara')
plt.colorbar(label='Intensitas')
plt.show()

Pastikan untuk menggantinya dengan nama file dan path yang sesuai dengan file suara yang Anda miliki.

Menggunakan Spectrogram untuk Penelitian

Spectrogram sangat berguna dalam berbagai bidang, termasuk linguistik, ilmu kedokteran, dan rekaman suara. Dalam linguistik, spectrogram digunakan untuk menganalisis fitur-fitur akustik dalam bahasa. Dalam ilmu kedokteran, spectrogram membantu dalam mendiagnosis masalah vokal dan gangguan suara lainnya.

  1. Linguistik:
    • Analisis Fonem dan Akustik Bahasa: Spectrogram membantu dalam menganalisis fonem dan karakteristik akustik dalam bahasa. Peneliti linguistik dapat mengamati pola frekuensi dan amplitudo yang terkait dengan konsonan, vokal, dan transisi antara fonem-fonem tertentu.
    • Studi Variasi Dialektal: Dengan menggunakan spectrogram, peneliti dapat membandingkan variasi dialektal dalam bahasa, melihat perbedaan dalam pengucapan dan intonasi antar daerah.
  2. Ilmu Kedokteran dan Audiologi:
    • Diagnosis Gangguan Vokal: Spectrogram membantu dokter dan ahli audiologi dalam mendiagnosis gangguan vokal. Pola spektrum frekuensi dapat menunjukkan keberadaan nodul vokal, polip, atau gangguan vokal lainnya.
    • Evaluasi Kualitas Suara: Penelitian dalam ilmu kedokteran dapat menggunakan spectrogram untuk mengukur kualitas suara pasien dan mengidentifikasi area-area yang memerlukan intervensi medis.
  3. Akustik dan Fisika Suara:
    • Analisis Sifat Akustik Material: Dalam konteks akustik, spectrogram dapat digunakan untuk menganalisis sifat akustik material, seperti bagaimana suara berinteraksi dengan bahan tertentu atau bagaimana variasi suhu dapat memengaruhi transmisi suara.
    • Penelitian Frekuensi dan Resonansi: Spectrogram membantu dalam penelitian frekuensi dan resonansi dalam berbagai konteks, dari instrumen musik hingga desain ruang akustik.
  4. Rekaman Suara dan Musik:
    • Analisis Kinerja Musikal: Dalam dunia musik, spectrogram digunakan untuk menganalisis kinerja musisi. Peneliti dapat mengamati bagaimana berbagai instrumen atau vokal saling berinteraksi dalam suatu komposisi.
    • Identifikasi Sumber Suara: Spectrogram membantu dalam mengidentifikasi sumber suara dalam rekaman, baik itu suara alam, suara manusia, atau sumber suara buatan.
  5. Psikologi dan Emosi Suara:
    • Studi Emosi Melalui Suara: Penelitian psikologi sering menggunakan spectrogram untuk menganalisis bagaimana emosi tercermin dalam spektrum suara. Pada tingkat frekuensi tertentu, peneliti dapat melihat karakteristik suara yang terkait dengan berbagai emosi.

Dengan demikian, spectrogram adalah alat yang sangat berguna dalam riset lintas disiplin ilmu, membantu peneliti untuk memahami dan mengurai kompleksitas suara dalam konteks khusus dari bidang studi mereka. Penggunaan teknik ini memberikan gambaran yang lebih kaya dan mendalam terhadap fenomena suara, membuka peluang untuk penemuan baru dan pemahaman yang lebih mendalam.

Menganalisis suara melalui spectrogram memberikan wawasan mendalam tentang karakteristik suara yang sulit diukur secara langsung. Dengan menggunakan alat ini, kita dapat mengidentifikasi frekuensi, amplitudo, dan pola suara dengan lebih akurat. Spectrogram bukan hanya alat untuk analisis suara, tetapi juga merupakan langkah maju dalam memahami kompleksitas komunikasi manusia melalui gelombang suara.

Referensi

Berikut adalah beberapa buku referensi yang dapat membantu Anda dalam memahami dan menguasai analisis spectrogram, terutama dalam konteks audio dan sinyal suara:

  1. Spectral Analysis of Signals” oleh Petre Stoica dan Randolph Moses:
    • Buku ini membahas berbagai metode analisis spektral, termasuk pemahaman dasar tentang transformasi Fourier dan aplikasinya dalam analisis suara.
  2. “Audio Signal Processing and Coding” oleh Andreas Spanias, Ted Painter, dan Venkatraman Atti:
    • Fokus buku ini mencakup pemrosesan sinyal audio, termasuk analisis spektral dan representasi suara. Cocok untuk pembaca yang ingin memahami dasar-dasar analisis dan pemrosesan audio.
  3. “Fundamentals of Speech Recognition” oleh Lawrence Rabiner dan Biing-Hwang Juang:
    • Meskipun berfokus pada pengenalan ucapan, buku ini mencakup prinsip-prinsip dasar dalam analisis spektral dan representasi suara yang relevan dalam konteks pemrosesan bahasa dan suara.
  4. “Speech and Audio Signal Processing: Processing and Perception of Speech and Music” oleh Ben Gold dan Nelson Morgan:
    • Buku ini mencakup topik-topik dasar dan lanjutan dalam pemrosesan suara dan representasi spektral, serta memberikan pemahaman yang baik tentang konsep-konsep tersebut.
  5. “Introduction to Digital Audio Coding and Standards” oleh Marina Bosi dan Richard E. Goldberg:
    • Memberikan wawasan tentang standar pengkodean audio dan bagaimana teknologi ini berhubungan dengan analisis spektral dan representasi suara.
  6. “Digital Signal Processing: Principles, Algorithms, and Applications” oleh John G. Proakis dan Dimitris G. Manolakis:
    • Menyajikan fondasi yang kuat dalam pemrosesan sinyal digital, termasuk topik-topik seperti transformasi Fourier dan analisis frekuensi.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *