aplikasi pengkonversi nada-nada instrumen · pdf filepembuatan aplikasi ini menggunakan bahasa...
TRANSCRIPT
Achmad Hidayatno, Ajub Ajulian Zahra adalah dosen di Jurusan Teknik Elektro Fakultas Teknik Universitas
Diponegoro (Undip) Semarang Jl. Prof. Soedarto, S.H. Tembalang Semarang 50275.
Imam Gaffar adalah mahasiswa di Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro (Undip) Semarang
Jl. Prof. Soedarto, S.H. Tembalang Semarang 50275.
APLIKASI PENGKONVERSI NADA-NADA INSTRUMEN TUNGGAL MENJADI CHORD
MENGGUNAKAN METODE PITCH CLASS PROFILE
Imam Gaffar
Achmad Hidayatno ST.,MT.
Ajub Ajulian Zahra ST.,MT.
ABSTRAK
Chord recognition atau pengenalan chord adalah sebuah transkripsi dari suara menjadi chord atau proses
pengkonversian sebuah masukan yang berupa file audio menjadi sebuah tanda yang dapat dikenali sebagai suatu huruf
atau yang disebut dengan chord. Chord merupakan tiga buah nada atau lebih yang dibunyikan secara bersamaan
sehingga menciptakan suatu suara yang harmonis. Chord yang akan dikenali dalam aplikasi ini adalah chord standar
yaitu chord mayor.
Tujuan dari tugas akhir ini adalah membuat perangkat lunak yang dapat mengkonversi nada–nada dari
instrument tunggal menjadi chord secara otomatis dengan input file audio, yang mana di dalamnya terjadi pemrosesan
sinyal audio. Tahapan proses yang dilakukan adalah perekaman audio dari instrument tunggal berupa gitar akustik
dan gitar bass, pengambilan data audio, front - end detection, FFT, deteksi puncak frekuensi, dan pengelompokan
frekuensi-frekuensi ke dalam nada atau dengan sebutan Pitch Class Profile .
Perancangan aplikasi ini dilakukan dengan metode PCP (Pitch Class Profile) yang mana nada akan dideteksi
pada frekuensi tertentu berdasarkan pengkelasan nada dan kemudian akan ditampilkan hasil akhir dari sistem tersebut
berupa huruf chord beserta chord dialognya. Pembuatan aplikasi ini menggunakan bahasa pemograman pascal
dengan software Delphi 7 dengan didukung komponen-komponennya.
Berdasarkan hasil pengujian dan analisis, tingkat keberhasilan dari masing-masing nada untuk menjadi chord
pada gitar bass adalah 99,1 % dengan persentase error sebesar 0,84%. Sedangkan untuk gitar akustik, tingkat
keberhasilannya sebesar 72,27 % dan persentase error sebesar 27,72%.
Kata Kunci: Chord, Pitch Class Profile, FFT, Instrumet tunggal.
.
I. PENDAHULUAN
1.1 Latar Belakang
Dalam kehidupan sehari-hari, manusia tidak
bisa lepas dari yang namanya musik. Di dalam
dunia musik terdapat istilah chord yaitu akord atau
biasa juga disebut dengan “Kunci”. Chord adalah
gabungan beberapa nada yang dibunyikan
sehingga menciptakan suara harmonis. Dalam
sebuah lagu chord dapat dimainkan atau
dibunyikan secara terputus-putus maupun secara
bersamaan. Secara garis besar chord dikategorikan
menjadi beberapa tipe, antara lain : chord-chord
mayor, minor, diminished, augmented, suspended,
seventh, dan lain-lain.[9]
Untuk memainkan sebuah lagu pemain
musik harus mengerti dan mencari chord-chord
apa saja yang ada pada lagu tersebut. Para pemain
musik yang sudah mengerti tentang musik sangat
mudah dalam mencari chord-chord yang ada pada
sebuah lagu dengan cara mendengarkan lagu
tersebut. Dalam hal ini muncul permasalahan
bagaimana dengan pemula atau seseorang yang
baru mempelajari musik, seorang pemula akan
begitu sulitnya dalam mencari chord–chord dalam
suatu lagu. Hal ini disebabkan karena belum
mengerti tentang nada–nada ataupun kurang
pahamnya suatu karakteristik dari suatu chord
tersebut.
Fungsi untuk mengenali chord secara
otomatis sangat penting dalam beberapa aplikasi,
diantaranya seperti sistem musik interaktif,
aplikasi informasi musik berdasarkan konten
(pencarian contoh-contoh atau tema-tema lagu
dalam database audio) serta aplikasi edukasi.
Chord recognition atau pengenalan chord adalah
sebuah transkripsi dari suara menjadi chord, yang
mana dapat diklasifikasikan sesuai dengan
karakteristiknya yang berbeda-beda, dari sebuah
perbedaan yang sederhana antara chord major dan
minor dengan sekompleks tipe chord (maj, min,
dim, aug, 7th, dan lain-lain). [9]
Pada tugas akhir ini akan dibangun sebuah
aplikasi pengenalan chord secara otomatis, untuk
membantu seorang pemula dalam belajar musik
atau untuk mengetahui karakteristik chord-chord
dalam sebuah lagu. Pada aplikasi ini juga dapat
memberikan informasi tentang chord-chord yang
dimainkan atau ditekan oleh orang yang ingin
belajar musik khususnya untuk alat musik bass
dan gitar akustik..
1.2 Tujuan
Tugas akhir ini bertujuan untuk membangun
suatu perangkat lunak yang dapat mendeteksi
chord secara otomatis yang didalamnya terjadi
pemrosesan sinyal audio sehingga audio input
akan dikenali oleh sistem, dan menghasilkan
output berupa informasi chord dari file audio
tersebut berupa huruf beserta chord dialog yang
nantinya akan membantu pemula dalam
memahami suatu chord.
1.3 Batasan Masalah
Adapun batasan masalah dalam tugas akhir ini
diantaranya adalah sebagai berikut :
1. File input yang digunakan adalah sound
bertipe (*.wav)
2. File yang direkam berupa instrumen
tunggal.
3. Hasil keluaran berupa informasi chord
berupa huruf beserta chord dialognya.
4. Chord yang dikenali adalah chord standar
yaitu berupa chord Major
5. Aplikasi tidak Realtime.
6. Aplikasi ini dibuat dengan bahasa
pemrograman pascal dan Borland Delphi
7.0 sebagai software development
II. LANDASAN TEORI
2.1 Teori Dasar Musik
Dalam seni musik dikenal ada istilah tangga
nada. Istilah tersebut berisikan kumpulan nada-
nada yang harmonis. Nada-nada yang harmonis
ini terjadi karena ada aturan dibalik itu semua. Di
bawah ini akan dijelaskan mengenai beberapa
tangga nada, diantaranya tangga nada kromatik
dan tangga nada mayor.[17]
1. Tangga Nada Kromatik
Tangga Nada Kromatik adalah Kumpulan dari
semua nada dalam musik, kromatik sebuah
nama berasal dari bahasa Yunani : chroma,
yang artinya warna. Dalam hal ini tangga nada
kromatik berarti “nada dari tiap warna”. Sama
seperti warna cahaya menyatakan frekuensi
yang berbeda-beda maka demikian juga dengan
nada.[17]
Dikarenakan nada selalu berulang
untuk tiap oktaf yang ada, maka istilah ‘tangga
nada kromatik’ sering dipakai untuk ke-12
nada dari tiap oktaf. Untuk mengetahui
frekuensi dari tiap Tabel berikut ini
menunjukkan frekuensi dari ke-12 nada antara
nada A3 pada 220 Hz dan nada A4 satu oktaf
di atasnya.
Dan tangga nada kromatik untuk gitar dapat
dilihat pada gambar berikut ini :
Gambar 1. Tangga Nada Kromatik Pada Gitar
Dengan garis paling atas adalah senar 1
(pertama) pada gitar. Ada banyak jenis tangga
nada, yang dapat disusun dari nada-nada yang
ada dalam tangga nada kromatik. Karena dalam
tangga nada kromatik ada 12 nada, maka dapat
dibuat berbagai tangga nada dengan membuat
suatu susunan kombinasi dari nada-nada
tersebut. Bisa dengan menghilangkan beberapa
nada.[17]
2. Chord
Chord yaitu akord adalah gabungan beberapa
nada dasar yang dibunyikan sehingga
menciptakan suara harmonis. Kebanyakan
orang menganggap bahwa chord dan kunci
adalah hal yang sama padahal dalam istilah
musik keduanya merupakan hal yang berbeda.
Dalam musik istilah Chord ditandai dengan
tiga nada dasar atau lebih yang dimainkan
secara bersamaan sedangkan kata “kunci”
dalam istilah musik disebut sebagai “key”
yang digunakan untuk nada-nada dasar. Nada-
nada dasar yang dimaksud tersebut adalah
Do=C, Re=D, sampai nada terakhir Si=B.
Istilah “key” dalam not balok juga ditunjukkan
Tabel 1. Tangga Nada Kromatik
Tangga Nada Kromatik
Oktaf
ke-III
Frekuensi Oktaf
ke-IV
Frekuensi
A3 220.00 Hz A4 440.00 Hz
A3# 233.08 Hz A4# 466.16 Hz
B3 246.94 Hz B4 493.88 Hz
C3 261.63 Hz C4 523.25 Hz
C3# 277.18 Hz C4# 554.37 Hz
D3 293.66 Hz D4 587.33 Hz
D3# 311.13 Hz D4# 622.25 Hz
E3 329.63 Hz E4 659.26 Hz
F3 349.20 Hz F4 698.46 Hz
F3# 369.99 Hz F4# 739.98 Hz
G3 392.00 Hz G4 784.00 Hz
G3# 415.30 Hz G4# 830.60 Hz
dengan adanya tanda kress dan mol yang
berarti setengah nada di bawah (mol) atau di
atas (Kres) nada dasarnya. Pada umumnya
musik terdiri atas tiga elemen yaitu melody,
harmony, dan rhytm. Dalam tugas akhir ini
yang dijadikan penelitian adalah Chord, seperti
yang telah terlihat di bawah ini bahwa chord
adalah bagian dari harmony[9]
. Berikut ini
contoh gambar dari elemen musik[3]
:
Gambar 2 Elemen Musik
Jenis-jenis chord adalah sebagai berikut :
a. Chord Mayor
Chord Mayor biasanya dituliskan hanya
berupa huruf kapital seperti C, D, E, F, G, A,
B. Untuk mencari chord mayor maka anda
dapat menggunakan nada ke 1 - 3 - 5 dari (C)
Mayor Scales. Di bawah ini merupakan contoh
skala akord mayor dari tiap chordnya:
• Cb (Cb-Eb-Gb) = B
• C (C-E-G)
• C# (C#-E#-G#) = Db (Db-F-Ab)
• D (D-F#-A)
• D# (D#-G-A#) = Eb (Eb-G-Bb)
• E (E-G#-B) = Fb (Fb-Ab-Cb)
• E# (E#-A-B#) = F (F-A-C)
• F (F-A-C)
• F# (F#-A#-C#) = Gb (Gb-Bb-Db)
• G (G-B-D)
• G# (G#-B#-D#) = As (Ab-C-Eb)
• A (A-C#-E)
• A# (A#-D-E#) = Bb (Bb-D-F)
• B (B-D#-F#) = Cb
• B# (B#-E-G) = C
Akord yang memiliki nama berbeda namun
bila dimainkan bersuara sama disebut Akord
Enharmonis. Contohnya: akord Cb (Ces
mayor) dengan B (B mayor).[9]
b. Chord Minor
Chord Minor biasanya dituliskan dengan
penambahan karakter ‘m’ setelah huruf Kapital
seperti Cm, Dm, Em, Fm, Gm, Am, Bm. Ada pula
yang menuliskan chord minor dengan huruf kecil
saja seperti c, d, e, f, g, a, b. Apabila anda sudah
tahu suatu chord mayor misalnya; C mayor maka
anda bisa mengetahui pula akord minornya
(Cminor) yaitu dengan cara menurunkan nada
yang ada ditengah sebanyak setengah interval.
Sehingga didapat chord C minor adalah C-Es (E
diturunkan setengah menjadi Es)-G. Anda juga
dapat mencarinya dengan menggunakan nada ke 1
– 3b (nada ke 3 diturunjan setengah interfal) – 5
dari (C) Mayor Scales, Contoh : Chord Cm=Nada
C - D#/Eb – G. [9]
Apabila anda menemukan nada maupun chord
seperti D#/Eb, itu berarti bunyi dari D# terdengar
sama dengan bunyi Eb. Inilah yang disebut
sebagai chord atau nada Enharmonis. Karena
chord atau nada seperti ini memiliki nama berbeda
namun bila dimainkan menghasilkan frekuensi
dan suara yang sama.
2.2 Pengolahan Sinyal Digital
Proses pengolahan sinyal digital pada tugas
akhir ini adalah :
1. Sampling
Umumnya bentuk gelombangnya disebut
dengan sinyal analog. Namun sebuah teknik
memungkinkan sinyal ini diubah dan diproses
sehingga menjadi lebih baik. Teknik ini
memungkinkan perubahan sinyal analog menjadi
bit-bit digital. Teknik itu disebut teknik sampling.
Selain itu, ada teori yang mengenai teknik
sampling yaitu Teori Nyquist-Shannon yang
menyatakan frekuensi sinyal ini paling sedikit
adalah 2 kali frekuensi sinyal yang akan
disampling (sinyal analog).
F sampling ≥ 2 x F signal analog ……..……(1)
2. Front-End Detection
Front-end Detection digunakan untuk
menentukan batasan suatu sinyal, dalam hal ini
letak sinyal awal dan akhir dari suatu frame
sehingga bentuk sinyal asli tidak berubah. Hal ini
dilakukan agar didapatkan sinyal suara tanpa noise
karena pada proses pengambilan sampel sinyal
suara sering terdapat noise yang mengakibatkan
perubahan bentuk sinyal asli.
Untuk menentukan letak awal dan akhir suatu
sinyal dapat dilihat berdasarkan power. Sinyal
suara terlebih dahulu dibagi menjadi beberapa
frame dan tiap frame mempunyai power tertentu.
Perhitungan power adalah sebagai berikut :
..............................(2)
Nilai power digunakan untuk membedakan
voice atau bukan. Dari nilai power di atas
didapatkan nilai rata-rata, dan dengan
menambahkan standar deviasi maka didapatkan
nilai awal dan akhir dari suatu frame.
3. Frame blocking
Frame Blocking adalah pembagian sinyal audio
menjadi beberapa frame yang nantinya dapat
memudahkan dalam perhitungan dan analisa
sinyal, satu frame terdiri dari beberapa sampel
tergantung tiap berapa detik suara akan
disampel dan berapa besar frekuensi
samplingnya. Pada proses ini dilakukan
pemotongan sinyal dalam slot-slot. Berikut ini
rumus untuk mengetahui berapa sample per
framenya :
SFr = Fs * ( t / 1000) ……………(5)
Keterangan :
SFr : Sample per Frame
Fs : Frekuensi sample / Sample Rate dari
format audio wav
t : Waktu pengambilan (ms)
4. Windowing (penjendelaan)
Windowing digunakan untuk mengurangi
discontinuitas sinyal pada awal dan akhir
frame. Jika window didefinisikan sebagai w(n),
maka hasil dari penjendelaan sinyal adalah :
)()(~)(~ nwnsnxl , 0 n N-1…….……... (5)
Jenis window yang digunakan adalah Hanning
window yang mempunyai bentuk umum :
………………………………..………….. (6)
Pada tugas akhir ini untuk windowing
menggunakan komponen DSPlab pada Delphi.
5. Fast Fourier Transform
Fast Fourier Transform, adalah suatu algoritma
untuk menghitung transformasi fourier diskrit
dengan cepat dan efisien. Misalkan “x0, ....,
x(N-1)” merupakan bilangan kompleks.
Transformasi Fourier Diskret didefinisikan
oleh rumus:
1
0
1...,,.........2,1,0,)(1
)(N
k
tjk NnekxN
nTx
………………………………..(7)
Menghitung deret ini secara langsung
memerlukan operasi aritmetika sebanyak
O(N2). Sebuah algoritma FFT hanya
memerlukan operasi sebanyak O(N log N)
untuk menghitung deret yang sama. Secara
umum algoritma tersebut tergantung pada
pemfaktoran N. Jadi bisa dikatakan bahwa
proses FFT lebih cepat dari DFT.
Gambar 3 Sinyal dalam domain waktu
Gambar 4 Sinyal dalam domain frekuensi
6. Pitch Class Profile
PCP adalah kepanjangan dari Pitch Class
Profile. Sebuah nada dalam musik mempunyai
standar pitch, yang diidentifikasi dengan sebuah
nama dan satu oktaf (misal C4). Dengan teknik
PCP maka dapat di deteksi warna dari sebuah
chord berdasarkan kelas Pitch dari nada. PCP
berawal dari sebuah penyajian frekuensi antara
lain Transformasi Fourier, setelah frekuensi
dihitung melalui Transformasi Fourier maka
frekuensi dipetakan ke dalam 12 pitch kelas (E, F,
F#, G, G#, A, A#, B, C, C#, D, D#). Pengkelasan
nada tersebut berdasar kepada pendeteksian
puncak dari hasil FFT yang kemudian data-data
tersebut dimasukkan ke dalam range kelas nada
yang sudah ditentukan. [4]
Perhitungan Pitch Class Profile dapat dilihat
melalui persamaannya sebagai berikut :
Awal nada ke-i = (f Nada ke-(i-1) + f Nada ke-i)/2
………………………….…..(8a)
Akhir nada ke-i = (f Nada ke-i + f Nada ke-(i+1))/2
………………………….…..(8b)
III. PERANCANGAN SISTEM
3.1 Gambaran Umum
Perancangan sistem merupakan tahap yang
penting dalam proses pembuatan program.
Perancangan bertujuan agar dalam pembuatannya
dapat berjalan secara sistematis, terstruktur dan
rapi sehingga hasil program dapat berjalan sesuai
dengan apa yang dikehendaki. Secara umum
pembuatan program ini mengikuti alur sesuai yang
ditunjukkan pada gambar 5 berikut.
Gambar 5. Diagram perancangan system
Pembuatan sistem ini terdiri dari proses
perekaman chord, front End Detection, Frame
Blocking, Windowing dan yang terakhir PCP
(Pitch Class Profile).
1. Perekaman Chord Input dari sistem yang dibuat adalah berupa file
audio berformat wav. File ini didapat dari
perekaman instrumen gitar dalam hal ini gitar bass
dan gitar akustik. Setiap chord direkam dengan
menggunakan instrumen gitar, yaitu sebanyak 10
sample. Format perekaman ini disimpan dalam
format wav standar atau kualitas CD, yaitu 44100
Hz, 16 bit, strereo. Untuk merekam chord dari
instrumen gitar tersebut, dibuat aplikasi record
dengan memanfaatkan komponen waveaudio pada
Delphi 7. Pada perekaman chord ini terjadi proses
sampling yang mana sinyal analog sudah diubah
menjadi sinyal digital.
2. Proses Pembacaan Sampling
Proses ini bertujuan untuk membaca data dari
file wave yang kemudian disimpan dalam suatu
array agar nantinya data dari file wave dapat
diproses. Hal yang perlu dilakukan adalah
membuat tipe data dasar untuk mengambil
informasi yang ada pada header file wave[12].
Gambar 6. Data wave yang dibaca dan ditampilkan
dalam chart
3. Front-End Detection
Tahap pertama proses pengolahan sinyal
adalah Front–End Detection. Seperti namanya,
Front–End Detection digunakan untuk
menentukan batasan suatu sinyal dalam hal ini
letak sinyal awal dan akhir dari suatu frame
sehingga bentuk sinyal asli tidak berubah. Untuk
menentukan letak awal dan akhir suatu sinyal
dapat dilihat berdasarkan power sinyal.
Pada implementasi pembuatan sistem ini,
Front–End Detection tidak hanya digunakan
untuk mendeteksi awal dan akhir dari sinyal input
saja. Namun digunakan untuk mendeteksi ada
tidaknya setiap petikan gitar pada sinyal secara
keseluruhan. Karena setiap petikan gitar yang
direkam akan menghasilkan nilai data wav yang
besar dan nilainya akan turun secara komulatif
selama tidak terdapat petikan lagi.
4. Frame Blocking
Pada pembuatan sistem, proses Frame
Blocking dijalankan pada proses Fron–End
Detection, karena perhitungan power sinyal pada
Front–End Detection dilakukan dalam setiap
frame. Pengambilan sample setiap frame diambil
dalam waktu millisecond (ms). Berikut ini rumus
yang digunakan untuk pengambilan sample tiap
frame :
SFr = Fs * ( t / 1000) …...(9)
Keterangan :
SFr : Sample per Frame
Fs : Frekuensi sample/Sample Rate
t : Waktu pengambilan (ms)
Nilai 1000 pada rumus di dapat dari satuan
second menjadi milisecond, dalam hal ini 1 s =
1000 ms. Nilai sample per frame tergantung dari
frekuensi sample dan waktu pengambilan. Jika
nilai frekuensi sample sebesar 44100Hz, maka hal
ini berarti setiap 1 detik terdapat 44100 sample.
Dalam pembuatan sistem digunakan waktu. 62
ms. Maka nilai sample per framenya sebesar 2734.
Di bawah ini hasil frond end dan frame blocking:
(a)
(b)
Gambar 7. Tampilan (a) Front end Detection
(b) Frame Blocking
5. Windowing
Proses windowing ini dijalankan pada proses
FFT, karena fungsi windowing ini jadi satu dalam
tool FFT pada komponen DSPlab. Jadi hanya
memangil fungsi windowing yang disediakan oleh
komponen tersebut.
6. Fast Fourier Transform
Pada implementasi pembuatan sistem, nilai
awal sinyal ini akan menjadi parameter pada
fungsi FFT. Untuk prosesnya, mulai titik awal
sinyal akan diambil sample sebanyak buffesize
yaitu 16384 dari FFT yang digunakan untuk
dimasukkan dalam variable array RealIn yang
selanjutnya akan dihitung magnitudenya.
7. Deteksi Puncak
Sebelum masuk ke proses pitch class
Profile maka dilakukan pendeteksian
puncaknya terlebih dahulu. Setiap nilai puncak
frekuensi tersebut akan dideteksi nilai puncak
tertingginya untuk dapat dimasukkan ke dalam 12
nada berdasarkan nilai satuan frekuensi nada.
Gambar 8. Flowchart Deteksi Puncak
7. Pitch Class Profile Setelah diperoleh nilai puncak frekuensi, maka
nilai tersebut dikelompokkan berdasarkan satuan
frekuensi nada. Dalam mengelompokkan ke dalam
frekuensi nada, diperlukan perhitungan jarak awal
dan akhir disetiap nada, sebagai range dari nada
tersebut. Berikut ini rumus range nada yang
dipakai : Awal nada ke-i = (f. nada ke-(i-1) + f. nada ke-i)/2 …………………………………………….………………………………(10a) Akhir nada ke-i = (f.nada ke-i + f. nada ke-(i+1))/2 ………………………………………………….………(10b)
Contoh untuk nada A :
Awal = (frek. nada G# + frek. nada A)/2
= (103.83 + 110.00)/2
= 213.83/2
= 106.92
Akhir = (frek. nada A + frek. nada A#)/2
= (110.00 + 116.54)/2
= 113.27
Rumus diatas digunakan untuk semua nada.
Setelah semua nada memiliki nilai range, maka
setiap nilai puncak frekuensi akan dikelompokkan
berdasarkan range–range nada.
Berikut ini flowchart dari proses Pitch Class
Profile hasil perhitungan Pitch Class Profile untuk
semua nada :
Gambar 9. Flowchart Deteksi Puncak
8. Mean Pitch Class Profile
Mean Pitch Class Profile ini merupakan rata-
rata nilai PCP yang dihitung dari semua sinyal
yang terdeteksi. Mean PCP digunakan untuk
mengurangi error pada hasil akhir sistem yang
mana chord yang terbanyak yang diambil untuk
hasil akhir dari sistemnya.
IV. PENGUJIAN DAN ANALISIS SISTEM
Pengujian aplikasi terlebih dahulu dilakukan
dengan mengambil data uji berupa file wave yang
akan direkam dengan menggunakan aplikasi
perekaman yang ada dalam aplikasi :
4.1 Perekaman File Wave
Langkah awal dalam pengujian ini adalah
perekaman chord menggunakan instrumen-
instrumen tunggal berupa gitar akustik dan gitar
bass dengan menggunakan aplikasi record yang
telah dibuat. Dalam perekaman ini dilakukan
perekaman 10 sample disetiap chord karena setiap
petikan nada akan menghasilkan hasil FFT yang
berbeda. Hal ini disebabkan dari banyak faktor,
khususnya saat proses perekaman. Hardware
sound card menentukan kualitas baiktidaknya
suatu hasil perekaman. Sistem pengkabelan juga
dapat mempengaruhi hasil perekaman, karena
pada sistem pengkabelan yang kurang baik dapat
menghasilkan noise yang dapat mempengaruhi
hasil akhir. Noise juga dapat dihasilkan dari
kualitas pick up gitar yang digunakan.
Gitar adalah instrumen string yang harus
dituning sebelum memainkannya. Kurang
tepatnya pada saat tuning sangat mempengaruhi
hasil frekuensi, karena tuning inilah yang
menentukan benar tidaknya suatu frekuensi.. Dari
segi pemain juga berpengaruh, yaitu cara menekan
dan memetik gitar pada saat perekaman. Dalam
tugas akhir ini chord yang digunakan hanya chord
Major saja. Jadi perekaman file wav terdapat 24
macam, yakni 12 file wav dari gitar akustik dan 12
file wav dari gitar bass.
Gambar 10 Tampilan perekaman pada aplikasi
4.2 Pengujian Aplikasi
Setelah mendapatkan file wavnya. Maka file
tersebut akan dimasukkan ke dalam aplikasi. Di
bawah ini merupakan tampilan awal dari aplikasi.
Gambar 11 Tampilan form utama aplikasi
Untuk membuka file wave yang sudah
direkam, maka klik open pada menu file. Setelah
open file dilakukan, pada form utama akan
menampilkan hasil pembacaan file audio, FFT
pada sinyal pertama yang ter Front–End
Detection, nilai PCP dan tabel–tabel nilai FFT dan
deteksi puncak.
Pada pengujian aplikasi ini chord yang di uji
adalah chord C Major yang telah direkam dengan
alat musik gitar akustik yaitu sebanyak 10 petikan
gitar.Setelah chord dimasukkan kemudian aplikasi
akan memproses file wav tersebut. Untuk proses
awal seperti yang telah dijelaskan sebelumnya
bahwa aplikasi ini akan mendeteksi setiap petikan
senar gitar yang direkam kemudian sinyal
tersebut dibagi tiap frame sebanyak 2734 sample
per frame. Hingga hasil akhir setelah file wav
dimasukkan maka aplikasi akan menampilkan
gambar seperti pada gambar 12 berikut ini:
Gambar 12 Tampilan setelah open file, hasil FFT dan
PCP sample ke-1 chord C Major
Berdasarkan gambar di atas ada beberapa
sinyal yang dideteksi oleh sistem yaitu sebanyak
13 sinyal. Dari data masukan yang diambil
sebanyak 10 sample terdeteksi 13 sinyal hal ini
dikarenakan ada beberapa sinyal data yang setelah
di power melebihi batas standar deviasi sehingga
terdeteksi suatu petikan gitar.
Pada gambar tersebut juga, sinyal pertama
memiliki nilai awal sebesar 68350 dan nilai akhir
84735. Nilai ini menunjukkan awal dan akhir dari
satu sinyal yang mana satu sinyal ini
menunjukkan satu suara petikan gitar. Untuk
mengetahui nilai sinyal selanjutnya klik tombol
next seperti yang terlihat pada gambar 14:
Gambar 13 Hasil FFT dan PCP sample ke-2 sinyal
chord C Major
Gambar 13 merupakan hasil setelah tombol
next diklik. Jika dibandingkan antara gambar 13
dengan gambar 13 terjadi perubahan posisi pada 2
chartnya yaitu pada chart FFT dan PCP. Hal ini
dikarenakan sistem mendeteksi sinyal atau petikan
selanjutnya yang mana dari ke 13 sinyal atau
petikan gitar tersebut memiliki perbedaan
gelombang antara sinyal satu dengan lainnya.
Gambar untuk sinyal selanjutnya dapat dilihat
pada gambar 14 :
Gambar 14 Hasil FFT dan PCP sample ke-3 sinyal
chord C Major
` Dari gambar 12 sampai gambar 14 diatas
adalah sebagian hasil FFT dan PCP dari chord C
Major. Jadi dapat diketahui bahwa hasil FFT dan
PCP antara sample 1 dengan yang lain berbeda,
penyebab ini seperti yang dijelaskan pada proses
perekaman sebelumnya.
Setelah semua sinyal terproses hingga sinyal
akhir yaitu sinyal ke 13, maka nilai rata–rata PCP
akan keluar bersamaan dengan hasil chord dan
chord dialognya. Hasil akhir dari sistem didapat
bahwa chord yang dideteksi adalah chord C Major
seperti gambar di bawah ini :
Gambar 15 Hasil akhir sistem
Jadi dapat disimpulkan bahwa hasil
perekaman chord C Major sama dengan hasil
akhir dari sistem yang terdiri dari 3 nada dasar
yang dominan, yaitu C, E, G sesuai dengan teori
chord yang terdapat pada bab II. Hal itu
dikarenakan suara dengungan senar gitar sebelum
mencapai titik nada yang benar. Untuk melihat
lagi hasil akhir mengenai chord apa yang
dideteksi klik pada button Hasil Chord. Tombol
ini akan aktif pada saat semua sinyal telah
terproses.
Untuk mengetahui pengenalan chord yang
lain kita dapat mengulangi langkah-langkahnya
dari awal sesuai yang telah dijelaskan sebelumnya
Dari proses perekaman hingga hasil akhir yang
dilakukan sebelumnya, dan di bawah ini
merupakan tabel hasil uji aplikasi dalam
mendeteksi chord lainnya berdasarkan hasil
perekaman yang telah dilakukan. Tabel 3. Pengenalan Chord Major Alat Musik Gitar
Akustik
`Terlihat pada tabel bahwa aplikasi berjalan
dengan baik dengan melihat persentase
keberhasilan yang diperoleh pada setiap chordnya
yang walaupun pada beberapa chord masih
memiliki error. Error disini merupakan nilai PCP
yang bernilai satu pada chord lain yang tidak
sesuai dengan chord yang dimasukkan. Dari tabel
3 di atas chord yang memiliki persentase
keberhasilan tertinggi adalah chord D# dengan
perolehan persentase 100 %. Sedangkan tingkat
pengenalan chord dengan nilai persentase
terendah adalah chord D dengan perolehan
persentase sebesar 18.75 %. Hasil ini dikarenakan
pada saat perekaman file wave audio masih ada
interferensi. Jadi, dengan melihat hasil pada tabel
3 tersebut maka didapat rata-rata persentase
keberhasilan dari alat musik gitar akustik adalah
72.27 % dengan persentase error sebesar 27.72 %
dihitung berdasarkan keseluruhan hasil persentase
tiap chord. Sedangkan pada tabel 4 merupakan
tabel pengenalan chord untuk alat musik bass.
Pada pengujian dengan gitar bass dilakukan sama
seperti pengujian rekaman file wav dengan gitar
akustik. Tabel 4 ini merupakan tabel hasil
pengenalan chord dari alat musik bass dari setiap
nada yang sudah direkam:
File
Wav Diujikan Benar Error
Hasil
Akhir
Chord
Persent
(%)
A 11 7 4 A 63.6
A# 12 7 5 A# 58.3
B 10 9 1 B 90
C 13 10 3 C 76.9
C# 10 9 1 C# 90
D 16 3 13 A 18.75
D# 10 10 0 D# 100
E 14 10 4 E 71.4
F 10 7 3 F 70
F# 10 8 2 F# 80
G 15 11 4 G 73.3
G# 12 9 3 G# 75
Tabel 4. Pengenalan chord Major alat musik gitar bass
Terlihat pada tabel bahwa aplikasi pengenalan
chord menggunakan alat musik gitar bass berjalan
dengan baik dengan melihat persentase
keberhasilan dari setiap hasil chordnya. Jadi
berdasarkan tabel 4 tersebut alat musik gitar bass
memiliki rata-rata persentase keberhasilan sebesar
99.16 % dengan persentase error sebesar 0.84 %
yang terjadi pada chord A. Jika dibandingkan
antara hasil akhir gitar akustik dan bass, gitar bass
memiliki hasil yang baik, hasil ini diperoleh
dikarenakan proses perekaman yang baik dan juga
dikarenakan cara memainkan gitar bass yang
hanya memerlukan satu jari untuk menekan satu
“key” di tiap fretnya sehingga memungkinkan
tidak terjadinya error ditiap file wav nya.
V. PENUTUP
5.1 Kesimpulan
Kesimpulan yang dapat diambil dari hasil
pengujian dan pembahasan adalah sebagai berikut.
1. Berdasarkan hasil pengujian dan analisis dari
aplikasi, tingkat pengenalan untuk masing-
masing chord yang direkam menggunakan gitar
akustik adalah 72.27 % dan gitar bass yaitu
sebesar 99.16 %.
2. Berdasarkan hasil pengujian data wav sesuai
file wave yang direkam, tingkat pengenalan
tertinggi pada gitar akustik adalah pada saat
sistem mengenali chord D#, dengan tingkat
pengenalan sebesar 100 %. Sedangkan tingkat
pengenalan terendah adalah pada saat aplikasi
mengenali chord D yang mana memiliki
persentase keberhasilan sebesar 18.75 %.
3. Berdasarkan hasil pengujian menggunakan data
uji dari gitar bass, hanya satu chord saja yang
mengalami error yaitu chord A dengan
persentase keberhasilan sebesar 90 %.
Sedangkan tingkat pengenalan tertinggi adalah
pada semua chord selain chord A yaitu sebesar
100 %.
4. Semakin baik kualitas perekaman maka
semakin baik hasil akhir dari sistem, hal ini
ditandai dengan hasil uji aplikasi pada saat uji
coba menggunakan instrumen tunggal gitar
bass dengan perolehan rata-rata persentase
keberhasilan sebesar 99.16 %.
5. Semakin kurang kualitas perekaman maka
semakin kurang baik hasil akhir dari sistem
yang didapatkan, hal ini ditandai dengan
tingkat persentase yang diperoleh pada saat uji
coba menggunakan gitar akustik yaitu dengan
perolehan persentase error sebesar 27.72 %.
5.2 Saran Mengingat masih banyaknya hal-hal yang
belum dapat diimplementasikan pada tugas akhir
ini, maka penulis mempertimbangkan beberapa
saran untuk perbaikan-perbaikan tugas akhir ini
dalam hal :
1. Sebaiknya menggunakan pointer agar dalam
pembacaan file wav nya tidak memerlukan
waktu yang lebih lama.
2. Sebaiknya menambahkan fitur atau alat untuk
mengurangi noise pada perekaman audio
seperti mixer.
3. Agar mendapatkan hasil perekaman yang
baik, sebaiknya menggunakan sound card,
kabel dan kualitas pick up gitar yang baik
juga.
4. Penelitian ini dapat dikembangkan lebih lanjut
menjadi aplikasi pendeteksian chord pada
suatu lagu.
DAFTAR PUSTAKA
[1] Junaidy Permana, Febrianzah, Pembuatan
Database Software Musik Digital
Mentor, Skripsi D-3 Politeknik
Elektronika Negeri Surabaya : 2009
[2] Fitriani, Mila, Pembuatan Database
Transkrip Akord Instrumen Tunggal
Menggunakan Metode Enhanced
Pitch Class Profile (Epcp), Skripsi D-
3, Politeknik Elektronika Negeri
Surabaya , 2010.
[3] Realtime Chord Recognition of Musical
Sound : a System Using Common
Lisp Music, Takuya Fujishima,
CCRMA, Stanford University.
[4] Akbar, Fandy, Pembuatan Software Musik
Digital Mentor”, Skripsi D-3,
Politeknik Elektronika Negeri
Surabaya, 2009
[5] Wahana Komputer (2002).Panduan Praktis
Pemograman Delphi 7. Yogyakarta:
Penerbit Andi Offset.
File
Wav Diujikan Benar Error
Hasil
Akhir
Chord
Persent
(%)
A 10 9 1 A 90
A# 10 10 0 A# 100
B 10 10 0 B 100
C 10 10 0 C 100
C# 10 10 0 C# 100
D 10 10 0 D 100
D# 10 10 0 D# 100
E 10 10 0 E 100
F 10 10 0 F 100
F# 10 10 0 F# 100
G 10 10 0 G 100
G# 10 10 0 G# 100
[6] Gold, Ben, Morgan, Nelson.(2000). Speech
and Audio Signal Processing. New
York: John Wiley & Sons, Inc.
[7] Sumi Kouhei, Katsutoshi Itoyama,
Kazuyoshi Yoshii, Kazunori
Komatani, Tetsuya Ogata, and
Hiroshi G. Okuno, “Automatic Chord
Recognition Based On Probabilistic
Integration Of Chord Transition And
Bass Pitch Estimation”, Dept. of
Intelligence Science and Technology
National Institute of Advanced
Industrial Graduate School of
Informatics, Kyoto University
Science and Technology (AIST)
Japan,2008
[8] ---, Audio Sampling,
http://www.elektroindonesia.com/ele
k35a.html, Agustus 2012
[9] ---, Pengenalan Chord,
http://ratdix.wordpress.com, Agustus
2012.
[10] ---, Front-End Detection,
http://agusslamet.wordpress.com/200
8/09/front-end-detection,
Agustus 2012.
[11] ---, Wave,
http://en.wikipedia.org/wiki/wav,
Agustus 2012.
[12] --- , Akord,
http://id.wikipedia.org/wiki/Akord,
Agustus 2012.
[13] ---, Load & Display WAVE File (.WAV),
http://pebbie.wordpress.com/2007/08
/08/load-display-wavefile-av,2012.
[14] ---, Kelebihan Pemrosesan Sinyal Digital,
http://agfi.staff.ugm.ac.id/blog/index.
php/2008/11/kelebihan-pemrosesan-
sinyal-digital/, Agustus 2012.
[15] ---, Pengolahan Sinyal Digital,
http://adhit8.blogspot.com/2010/04/p
engolahan-sinyal-digital-
menggunakan.html, Agustus 2012
[16] ---, Window Function, http://en.wikipedia.org/wiki/Window
_function, Juni 2012.
[17] ---, Musik Tutorial (part-1) – Tangga Nada,
http://Silentman13.wordprees.cm
Agustus 2012
[18] ---, Fast Fourier Transform,
http://en.wikipedia.org/wiki/Fast_
Fourier_transform, Agustus 2012
[19] ---, Teori Recording,
http://mellykustina.blogspot.com/
2009/03/teori-recording.html,
Agustus 2012.
[20] ---, Komponen DSPLab,
http://www.teworks.com,
Juli 2012.
BIODATA PENULIS
Imam Gaffar, lahir di kota
Mataram pada tanggal 17
Februari 1990. Penulis
menempuh pendidikannya di
TK Shandy Putra, SDN
Lempeh, SMPN 1 Sumbawa,
SMAN 1 Sumbawa. Saat ini
sedang menyelesaikan studi
strata 1 di Teknik Elektro
Universitas Diponegoro mengambil Konsentrasi
Telekomunikasi.
Menyetujui,
Dosen Pembimbing I,
Achmad Hidayatno, S.T., M.T.
NIP. 196912211995121001
Dosen Pembimbing II,
Ajub Ajulian Zahra, S.T., M.T.
NIP. 197107191998022001