Speech Denoising From Noisy Communication Audio Using Ideal Ratio Mask (IRM) and Spectrogram-Based Feature Extraction

Mahisa Naraya Sakti, Faizal Makhrus, S.Kom., M.Sc., Ph.D.

2026 | Skripsi | ILMU KOMPUTER

Kebisingan latar belakang merupakan permasalahan umum dalam audio yang dapat menurunkan kejelasan ujaran dan kualitas audio secara keseluruhan. Penelitian ini mengusulkan metode peredaman suara berbasis deep learning menggunakan arsitektur U-Net untuk meningkatkan kualitas sinyal ujaran yang terkontaminasi noise. Audio bising terlebih dahulu diubah ke dalam bentuk representasi spektrogram sehingga model dapat mempelajari pemisahan antara komponen ujaran dan kebisingan melalui prediksi Ideal Ratio Mask (IRM). Kinerja metode yang diusulkan dievaluasi menggunakan metrik objektif kualitas dan keterpahaman ujaran. Hasil pengujian menunjukkan adanya peningkatan rata-rata Signal-to-Noise Ratio (SNR) sebesar 2,82 dB, yang mengindikasikan efektivitas dalam mereduksi kebisingan. Selain itu, skor PESQ meningkat dari 2,259 menjadi 2,668, yang mencerminkan perbaikan kualitas audio secara perseptual. Peningkatan keterpahaman ujaran juga teramati melalui kenaikan nilai STOI dari 0,7874 menjadi 0,8050. Hasil ini menunjukkan bahwa pendekatan berbasis U-Net yang diusulkan mampu meningkatkan kualitas ujaran secara signifikan dengan tetap mempertahankan tingkat keterpahaman yang baik. 

Background noise is a common issue in audio, often reducing speech clarity and overall audio quality. This research explores a speech denoising approach using a deep learning based U-Net architecture to enhance noisy speech signals. Noisy audio is transformed into a spectrogram representation, allowing the model to learn the separation between speech and noise components through ideal Ratio Mask (IRM) prediction. The effectiveness of the proposed method is evaluated using objective speech quality and intelligibility metrics. Experimental results show an average SNR improvement of 2.82 dB, indicating effective noise reduction. The PESQ score improves from 2.259 to 2.668, reflecting better perceived audio quality. Additionally, a slight improvement in speech intelligibility is observed, with STOI increasing from 0.7874 to 0.8050. These improvements demonstrate that the proposed U-Net-based approach effectively enhances speech quality while maintaining intelligibility. 

Kata Kunci : Speech denoising, U-Net, Ideal Ratio Mask, Speech Enhancement