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