bab ii tinjauan pustaka penelitian i putu gita lasmana ......terhadap referensi secara real time...
TRANSCRIPT
-
8
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Penelitian I Putu Gita Lasmana, Bambang Hidayat, Inung Wijayanto
(2011), yang berjudul “Identifikasi Kualitas Nada Pada Ugal Secara Real Time
Melalui Analisis Waktu Frekuensi Menggunakan Transformasi Wavelet”
mengidentifikasi kualitas nada pada ugal secara real time dengan menggunakan
Transformasi Wavelet sebagai pendekomposisi sinyal dan Fast Fourier Transform
untuk memperoleh ciri dari hasil dekomposisi. Hasil dari identifikasi nada berupa
perbandingan frekuensi pada ugal yang memiliki kualitas yang baik sebagai ugal
referensi terhadap hasil identifikasi nada pada ugal lain yang akan diuji
kualitasnya sehingga didapatkan tingkat kualitas nada pada ugal yang diuji
tersebut terhadap ugal referensi. Perbandingan kualitas nada dan ugal uji terhadap
referensi dan mampu mengetahui perbandingan tinggi rendahnya nada uji
terhadap referensi secara real time dengan waktu komputasi sebesar 39,5669 detik
dan memiliki akurasi sistem 100 % untuk nilai SNR di atas – 10 dB, Mother
wavelet coiflet memiliki rata-rata nilai penyimpangan nilai ciri yang lebih kecil
dibandingkan mother wavelet haar, symlets, dan daubechies. Mother wavelet
terbaik untuk sistem ini adalah mother wavelet coiflet, Akurasi sistem terhadap
pengaruh noise AWGN untuk masing-masing nilai SNR, SNR 0 dB menghasilkan
tingkat akurasi sebesar 100 %, SNR - 10 dB, SNR - 30 dB menghasilkan tingkat
-
9
akurasi sebesar 50 %, SNR - 50 dB menghasilkan tingkat akurasi sebesar 0 %,
dimana Semakin besar SNR maka akurasinya semakin kecil.
Penelitian yang dilakukan oleh Anak Agung Putri Gita Pratiwindya,
Bambang Hidayat (2011). “Deteksi Nada Pada Alat Musik Tradisional Bali
Menggunalan Transformasi Wavelet dan Jaringan Saraf Tiruan”. Pada penelitian
ini mengidentifikasi masing-masing nada yang sedang dimainkan pada musik
tradisonal Bali. Sistem yang dibuat menerapkan Transformasi Paket Wavelet
sebagai pembentuk vektor ciri dan Jaringan Saraf Tiruan (JST) Back Propagation
untuk menganalisa jenis nada pada alat musik tradisional Bali tersebut.
Lelareyna Kassa, Agus Lahinta, Abd. Azis Bouty dalam penelitian yang
berjudul Penerapan Metode Transformasi Wavelet Dalam Pembelajaran
Solmisasi Nada, hasil penelitian menunjukan bahwa metode Wavelet Transform
dapat menyelesaikan masalah dalam melakukan deteksi pitch dengan menghitung
frekuensi dasar gelombang dengan frekuensi standar yang sudah baku. Aplikasi
menghasilkan informasi nada beserta nilai frekuensi standar dari setiap nada
sehingga dapat diketahui jenis suara yang dimiliki seseorang berdasarkan
kemampuannya dalam menjangkau frekuensi nada terendah sampai dengan nada
tertinggi.
Ketut Agustini (2007), dalam penelitian yang berjudul Biometrik Suara
Dengan Transformasi Wavelet Berbasis Orthogonal Deubenchies, Transformasi
Wavelet berbasis orthogonal daubenchies dapat digunakan dalam proses
identifikasi pembicara pada bagian pemrosesan awal (praproses) sinyal untuk
mendapatkan informasi (ciri) sinyal tersebut. Sistem identifikasi pada tahap
-
10
praproses Daub4 level 10 menghasilkan tingkat generalisasi tertinggi sebesar
86%. Pada transformasi wavelet, tingkat (level) dekomposisi mempengaruhi
tingkat pengenalan jaringan yaitu makin tinggi tingkat dekomposisi maka tingkat
pengenalan jaringan semakin menurun. Jaringan syaraf tiruan propagasi balik baik
digunakan untuk pembentukan referensi pembicara dan pencocokan pola.
Dalam penelitian yang dilakukan oleh Arya Adi Prakasa Bangun, Achmad
Rizal, Gelar Budiman, (2010). “Deteksi Melody Pada Gitar Menggunakan
Transformasi Wavelet”. Dari pengujian dan analisis sistem yang dilakukan
terhadap proses deteksi melody gitar maka dapat diambil kesimpulan Pada hasil
simulasi gitar elektrik dihasilkan nilai akurasi yang cukup bagus, pada tempo 85
bpm pada senar 4, 5 dan 6 mencapai 95.24%, tempo 95 bpm pada senar 1, 2 dan 3
mencapai 100% , tempo 110 bpm pada senar 1, 2 dan 3 mencapai 100% , tempo
120 bpm pada senar 4, 5 dan 6 mencapai 100%, tempo 205 bpm pada senar 1, 2
dan 3 mencapai 78.57%, tempo 225 bpm pada senar 4, 5 dan 6 mencapai 41.47%.
Terlihat bahwa akurasi yang bagus terletak pada tempo ≤ 205 bpm. Pada hasil
simulasi gitar akustik dihasilkan nilai akurasi yang tidak bagus, pada tempo 85
bpm pada senar 4, 5 dan 6 mencapai 27.90%, tempo 95 bpm pada senar 1, 2 dan 3
mencapai 77.27%, tempo 110 bpm pada senar 1, 2 dan 3 mencapai 100.00%,
tempo 120 bpm pada senar 4, 5 dan 6 mencapai 38.88%, tempo 205 bpm pada
senar 1, 2 dan 3 mencapai 77.77%, tempo 225 bpm pada senar 4, 5 dan 6
mencapai 27.27%. terlihat bahwa akurasi yang bagus terletak pada melodi dengan
menggunakan senar 1, 2 dan 3. Proses Denoising pada Wavelet untuk mother
yang berbeda-beda memiliki kelebihan masing-masing, tergantung dari level
-
11
thresholding yang di beri. Nilai ketidakakuratan pada sistem lebih banyak
disebabkan oleh ketidaktepatan nada dan kurang bagusnya jenis senar gitar.
Penelitian yang dilakukan oleh Arya Adi Prakasa Bangun, 2010.
Transformasi berbasis Wavelet merupakan salah satu sarana yang dapat
digunakan untuk menganalisis (meneliti) sinyal-sinyal non-stasioner (yaitu sinyal
yang kandungan frekuensinya bervariasi terhadap waktu), karena berkaitan
dengan kemampuannya untuk memisah-misahkan berbagai macam karakteristik
pada berbagai skala. Dalam beberapa tahun terakhir ini, metode ini telah
dibuktikan kegunaannya dan sangat populer di berbagai bidang ilmu. Analisis
Wavelet dapat digunakan untuk menunjukkan kelakuan sementara (temporal)
pada suatu sinyal, misalnya dalam bidang geofisika (sinyal seismik), fluida, medik
dan lain sebagainya. Metode Transformasi Wavelet ini dapat digunakan untuk
menapis data atau meningkatkan mutu kualitas data; dapat juga digunakan untuk
mendeteksi kejadian-kejadian tertentu serta dapat digunakan untuk pemampatan
data Dari hasil pengujian didapatkan bahwa Transformasi Wavelet dapat
digunakan untuk deteksi melody pada gitar dengan output tingkat akurasi pada
tablatur gitar mencapai 100% pada gitar elektrik maupun pada gitar akustik.
Penelitian yang dilakukan oleh [36]. Metode Independent Component
Analysis (ICA) sangat dekat hubungannya dengan metode Blind Signal
Separation yang dapat memisahkan sinyal-sinyal independent yang tercampur,
dengan demikian sinyal suara yang akan dikenali dapat dipisahkan dari
penginterferensinya. Untuk menguji tingkat akurasi pemisahan suara instrument
musik ini, pemberian noise AWGN juga dibutuhkan karena sistem ini
memberikan penekanan pada penentuan daerah waktu dan frekuensi dimana
-
12
harmoni dari sumber suara musik yang berbeda. Dalam penelitian ini, metode ICA
yang digunakan dapat memisahkan musik instrument menjadi musik Saksofon,
Gitar dan Piano yang individual dengan rata – rata nilai MSE sangat kecil
mendekati nilai nol.
Penelitian yang dilakukan oleh Mikhled Alfaouri and Khaled Daqrouq
Communication and Electronics Engineering Department of Philadelphia
University, Jordan, 19392 (2008), yang berjudul “ECG Signal Denoising By
Wavelet Transform Thresholding”, sinyal EKG memainkan peran penting dalam
diagnosis primer, prognosis dan analisis survival penyakit jantung. Sinyal
elektrokardiogram berisi sejumlah informasi penting dapat dipergunakan dengan
cara yang berbeda, Sinyal EKG memungkinkan untuk analisis aspek anatomi dan
fisiologis otot jantung secara keseluruhan. sinyal EKG yang berbeda digunakan
untuk memverifikasi metode yang diusulkan menggunakan software MATLAB.
Metode yang disajikan dalam makalah ini dibandingkan dengan metode Donoho
untuk sinyal denoising sementara hasil yang lebih baik diperoleh untuk sinyal
EKG dengan algoritma yang diusulkan.
-
13
2.2 Keterbaharuan Penelitian
Tabel 2.1 Stat of the Art
No Judul Penulis Metode Deskripsi Hasil
1 Analisis
Ekstraksi Ciri
Pada Suara
Jantung
Diastolik
dengan
menggunakan
Wavelet
Transform dan
Wigner Ville
Distribution
Ira
Puspasari,
2013
Wavelet
Transform, dengan
fungsi wavelet
morlet dan Wigner
Ville Distribution,
data suara jantung
normal dengan
frekuensi sampling
8000HZ dan lama
perekaman 3,96
detik.
Continue Wavelet
Transform mampu
mendeteksi dua
komponen, yaitu
komponen A2 dan
komponen P2 pada suara
kedua jantung normal,
informasi yang diberikan
berupa durasi S2, durasi
A2, durasi P2 dan split
time antara A2 dan P2.
Sedangkan Wigner-Ville
Distribution
memberikan informasi
distribusi frekuensi
komponen serta
informasi temporal.
Tetapi memiliki
kelemahan yaitu terjadi
interference term yang
-
14
mempengaruhi
interpretasi dari
frekuensi.
2 Deteksi Molody
Pada Gitar
Menggunakan
Transformasi
Wavelet
Arya Adi
Prakasa
Bangun,
2010
Untuk menentukan
kontur Melody
pada gitar
digunakan
Transformasi
Wavelet sebagai
alat untuk
mengubah
kawasan waktu
menjadi kawasan
frekuensi dan
memberikan solusi
berdasarkan
window yang akan
membagi sinyal
suara dalam
beberapa
segmentasi.
Dari hasil pengujian
didapatkan bahwa
Transformasi Wavelet
dapat digunakan untuk
deteksi melody pada
gitar dengan output
tingkat akurasi pada
tablatur gitar mencapai
100% pada gitar elektrik
maupun pada gitar
akustik.
3 Indexing
Melodic
Sequences Via
Alberto
Pinto, 2009
Menggunakan
fungsi
transformasi
Representasi Haar salah
satu metode yang
mampu bekerja lebih
-
15
Wavelet
Transform
wavelet Haar,
dengan
mendekomposisi
sinyal ke dalam
dua bagian yaitu
kencendrungan
sinyal dan
fluktuasi sinyal
dari standar dalam
istilah karakterisasi dan
waktu komputasi yang
efisien, maka dari itu
kedua metode
sebenarnya mampu
mengkarakterisasi
melodi, tampa
menghilangkan relepansi
fitur dari music tersebut.
4 Analisis
Ekstraksi Ciri
Sinyal EMG
Menggunakan
Wavelet
Discrete
Transform
Ikhwan
Mustiadi,
2012
Menggunakan
Metode DWT
jenis Symlet level
8, dengan
menganalisa tiga
sinyal berbeda,
sinyal EMG
Normal, Myopathy
dan Neuropathy
Dari hasil pengujian
dengan 3 sinyal EMG
yang berbeda,
didapatkan error
rekonstruksi paling kecil
dengan menggunakan
wavelet Simlet level 8.
Dengan melakukan
dekomposisi pada
sinyal, memungkinka
untuk melihat komponen
sinyal pada range
frekuensi tertentu,
semakin banyak
-
16
koefisien detail yang
dibuat, maka semakin
spesifik komponen
sinyal yang didapat.
5 Cognitif Task
Berdasarkan
Ekstraksi Ciri
Gelombang
Otak
Ahmad
Ashari,
2015
Wavelet
Transform dan
Fast Fourier
Transform, dengan
mengelompokkan
cognitive task
bersasarkan
kategorinya.
Hasil penelitian ini
menunjukkan bahwa
tingkat akurasi hasil
ekstraksi ciri gelombang
otak dipengaruhi oleh
cognitive task. Cognitive
task setiap penelitian
memiliki pengaruh
terhadap hasil ekstraksi
ciri gelombang otak
yang berbeda-beda.
Persamaan teknik
cognitive task antar
penelitian dapat
dijadikan kategori
tersendiri sesuai
dengan teknik
pengambilan cognitive
task yakni relaksasi,
motorik, dan gabungan
-
17
relaksasi-motorik.
6 Speaker
Identification
using Wavelet
Shannon
Entropy and
Probabilistic
Neural Network
Lei Lei,
2016
Wavelet Senon
Entropy, dan
Probabilistic
Neural Network
Dengan memanfaatkan
WSE dan Probabilistic
Neural Network (PNN).
Kelebihan utama dari
model yang telah
diusulkan, dalam waktu
yang bersamaan dapat
meningkatkan kualitas
suara yang baik untuk
suara pembicara yang
rendah melalui saluran
telfon.
7 Feature
extraction of the
Indonesian
Phonemes Using
Discrete
Wavelet and
Wavelet Packet
Transform
Risanuri
Hidayat,
2016
Transformasi
Wavelet Diskrit,
Wavelet Paket
Transform
hasil dari penelitian ini
menunjukkan bahwa
DWT lebih efisien dan
efektif dalam proses
pengen
alan ucapan orang
Indonesia yang di
dibandingkan dengan
WPT, hasil penelitian
menunjukkan rasio
efektifitas 60 %
-
18
berbading 40 % dan
efisieni rasio 57 %
berbanding 43 %.
8 Pengolahan
Suara
Menggunakan
Transformasi
Wavelet
Transform
Untuk
Pengenalan
Pembicara
Rustati
Rahmi,
2010
Menggunakan
wavelet transform
untuk pengenalan
pembicara, untuk
mengurangi
discontinue signal
dilakukan frame
blocking dan
windowing, pada
awal dan akhir
sinyal, kemudian
refrensi pembicara
dengan melakukan
pelatihan sinyal
suara, untuk
mendapatkan pola
suara yang
berbeda,
menggunakan JST
Som Kohonen.
Pengujian yang telah
dilakukan pada tahap
praproses dengan
menetapkan proses
ekstraksi ciri dengan
wavelet tipe orthogonal
yaitu Symlet, dengan
ukuran vector (1 x 16)
yang merupakan
penjabaran dari proses
frame. Dari hasil uji coba,
maka didapat hasil dengan
inputan 30 (tiga puluh)
orang pembicara
menghasilkan tingkat
akurasi 90,67% tingkat
keberhasilan. Namun
dengan data input 5 (lima)
orang pembicara
dihasilkan tingkat akurasi
sebesar 96% tingkat
keberhasilan.
9 Biometrik Suara Ketut Menggunakan Proses Ekstraksi ciri dari
-
19
Dengan
Transformasi
Wavelet
Berbasis
Ortogonal
Daubenchies
Agustini,
2007
Metode
Transformasi
Wavelet, dengan
menggunakan
lebar waktu 30 ms
dimana tiap frame
menyimpan 661
(hasil pemulatan
dari 661,5) sampel
dengan ovellap
(m) 50%, sehingga
diperoleh jumlah
frame dengan waktu
perekaman selama 1
detik sebesar 65
frame (dengan
tiap frame
mengandung data
sebanyak 22050 .
Pembentukan model
referensi pembicara
dan
pencocokan pola
dilakukan
menggunakan JST
Daubenchies orde 4
(daub4) pada level 10
memberikan hasil tiap satu
data file (satu file *.wav)
pembicara (dari 10 data
file setiap pembicara)
menghasilkan koefisien
sebanyak 134 elemen
dengan elapsed time
praprosesnya rata-rata
sebesar 1,061 detik, dan
pada saat 50 data suara
yang digunakan untuk
training
diproses, membutuhkan
waktu 96,479 detik.
-
20
Propagasi
Balik.data).
10 Probabilistic
Neural Network
Berbasis Gui
Matlab Untuk
Klasifikasi Data
Rekam Medis
Johan Adi
Wicaksana,
2016
Menggunakan
PNN untuk proses
pengenalan
dimana data
pelatihan dan
pengjian
dikelompokkan
dan sebagian
sisanya digunakan
sebagai data uji
Berdasrkan beberapa penelitian yang telah dirangkum dalam Table 2.1,
maka dalam penelitian ini diusulkan pendekatan baru dimana dalam proses
pengenalan pola gamean rindik menggunakan Jaringan Syaraf Probabilistik
(PNN), dan dalam proses mendapatkan nilai fitur atau ekstraksi fitur
menggunakan Transformasi Wavelet Diskrit, dan fungsi Wavelet Haar,
Debauchies, dan Symlet.
-
21
2.3 Wavelet
Istilah wavelet pertama kali digunakan tahun 1909 yang tertulis dalam thesis
milik Alfred Haar. Bentuk teoritis wavelet dikemukakan oleh Jean Morlet (dkk) di
Marseille Theoretical Physics Center.
Wavelet merupakan fungsi basis yang diisolasi dengan mengacu pada lokasi
spasial atau waktu, dan frekuensi atau angka gelombang. Setiap wavelet memiliki
karakteristik lokasi dan skala (Arobone, tanpa tahun). Basis wavelet berasal dari
sebuah fungsi penskalaan atau dikatakan juga sebuah scaling function. Scaling
function memiliki sifat yaitu dapat disusun dari sejumlah salinan dirinya yang
telah didilasikan, ditranslasikan dan diskalakan. Menurut Sydney (1998), Wavelet
merupakan gelombang mini (small wave) yang mempunyai kemampuan
mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien,
sedangkan kelompok koefisien lainnya hanya mengan-dung sedikit energi yang
dapat dihilangkan tanpa mengurangi nilai informasinya. (dari Sutarno, 2010)
Wavelet dibagi menjadi 2 berdasarkan ruang dan waktu yaitu wavelet 1D
(Waktu) dan 2D (Ruang). Pengertian waktu di sini adalah untuk gelombang 1D,
kita memulai point shifting dari sumber menuju akhir, sedangkan pengertian
ruang di dalam wavelet 2D, point shifting-nya 2 dimensi.
2.3.1 Keluarga Wavelet
Sebuah gelombang (wave) biasanya didefinisikan sebagai sebuah fungsi
osilasi dari waktu (space), misalnya sebuah gelombang sinusoidal. Sebuah
wavelet merupakan gelombang singkat (small wave) yang energinya
terkonsentrasi pada suatu selang waktu untuk memberikan kemampuan analisis
-
22
transient, ketidakstasioneran, atau fenomena berubah terhadap waktu (time-
varying).
Wavelet merupakan keluarga fungsi yang dihasilkan oleh wavelet basis
y(x) disebut mother wavelet. Dua operasi utama yang mendasari wavelet adalah:
1) penggeseran, misalnya y(x-1), y(x-2), y(x-b), dan
2) penyekalaan, misalnya y(2x), y(4x) dan y(2jx).
Kombinasi kedua operasi inilah menghasilkan keluarga wavelet. Secara umum,
keluarga wavelet sering dinyatakan dengan formula:
�,�(�) =
�
�|�| �
���
��……………………………………………………….(2.1)
dengan:
a,b Î R; a _ 0 (R = bilangan nyata),
a adalah paremeter penyekalaan (dilatasi),
b adalah perameter penggeseran posisi (translasi) pada sumbu x, dan a adalah
normalisasi energi yang sama dengan energy induk. Wavelet induk diskalakan dan
digeser melalui pemisahan menurut frekuensi menjadi sejumlah sub-sub bagian.
Untuk mendapatkan sinyal kembali dilakukan proses rekonstruksi wavelet.
Tahap pertama analisis wavelet adalah menentukan tipe wavelet, yang disebut
dengan mother wavelet atau analyzing wavelet, yang akan digunakan. Hal ini
perlu dilakukan karena fungsi wavelet sangat bervariasi dan dikelompokkan
berdasarkan fungsi dasar wavelet masing-masing. Beberapa contoh keluarga
-
23
wavelet adalah Haar, Daubechies, Symlets, Coiflets, dan lain sebagainya (Lihat
gb. 2.1). (sutarno, 2010)
Gambar 2.1 Contoh keluarga wavelet
Ciri-ciri Wavelet Haar memiliki scaling function dengan koefisien c0 = c1
= 1. Sedangkan Wavelet Daubechies dengan 4 koefisien (DB4) memiliki scaling
function dengan koefisien c0 = (1+√3)/4, c1 = (3+√3)/4, c2 = (3-√3)/4, c3 = (1-
√3)/4.
Bagian dari keluarga wavelet ini adalah Mother wavelet, Father wavelet
dan Daughter wavelet. Father wavelet merupakan sebuah fungsi skala, mother
wavelet merupakan fungsi dari wavelet itu sendiri sedangkan daughter wavelet
merupakan turunan dari mother wavelet. Secara umum father wavelet dinyatakan
sebagai:
(�) = ∑ c� (2� �)…………………………………………….…(2.2)
dimana (�) adalah fungsi penskalaan
-
24
Dari persamaan father wavelet tersebut, wavelet yang pertama (mother
wavelet) dapat dibentuk sebagai persamaan:
��(�) = ∑ ( 1)�� ���� (2� �)………………………………….(2.3)
Dari persamaan di atas, dapat dibentuk wavelet berikutnya, dan
seterusnya) dengan cara memampatkan dan meregangkan serta menggeser-geser
mother wavelet.
Setelah pemilihan mother wavelet, tahap selanjutnya membentuk basis
wavelet yang akan digunakan untuk mentransformasikan sinyal. Suatu basis dapat
dibentuk dengan mengubah nilai translasi dan dilasi dari mother wavelet-nya.
Analisis temporal dilakukan dengan menggunakan basis wavelet frekuensi tinggi,
sedangkan analisis frekuensi dilakukan dengan menggunakan basis wavelet
frekuensi rendah. Operasi terhadap suatu sinyal hanya dapat dilakukan dengan
menggunakan koefisien-koefisien wavelet yang berhubungan.
2.4 Transformasi Wavelet
Transformasi merupakan proses pengubahan data atau sinyal ke dalam
bentuk lain agar lebih mudah dianalisis, seperti transformasi fourier yang
mengubah sinyal ke dalam beberapa gelombang sinus atau cosinus dengan
frekuensi yang berbeda, sedangkan transformasi wavelet (wavelet transform)
mengubah sinyal ke dalam berbagai bentuk wavelet basis (mother wavelet)
dengan berbagai pergeseran dan penyekalaan (Kadir, 1998 dari Sutarno, 2010).
-
25
Transformasi wavelet merupakan pengubahan sinyal ke dalam berbagai
wavelet basis dengan berbagai pergeseran dan penyekalaan, oleh karena itu
koefisien wavelet dari beberapa skala atau resolusi dapat dihitung dari koefisien
wavelet pada resolusi tinggi berikutnya. Hal ini memungkinkan
mengimplementasikan transformasi wavelet menggunakan struktur pohon yang
dikenal sebagai algoritma pyramid (pyramid algorithm).
Transformasi wavelet merupakan suatu proses pengubahan data dalam
bentuk lain agar lebih mudah dianalisis. Proses transformasi wavelet dapat
dilakukan dengan konvolusi atau dengan proses pererataan dan pengurangan
secara berulang. Proses ini banyak digunakan pada proses dekomposisi, deteksi,
pengenalan (recognition), pengambilan kembali citra (image retrieval), dan
lainnya yang masih dalam penelitian (Zhang dkk., 2004 dari Sutarno, 2010).
Transformasi wavelet merupakan sebuah fungsi konversi yang dapat
digunakan untuk membagi suatu fungsi atau sinyal ke dalam komponen frekuensi
yang berbeda, yang selanjutnya komponen-komponen tersebut dapat dipelajari
sesuai dengan skalanya. Wavelet merupakan sebuah fungsi variabel real x, diberi
notasi t dalam ruang fungsi L2( R ). Fungsi ini dihasilkan oleh parameter dilasi
dan translasi, yang dinyatakan dengan persamaan :
Rhaa
bxhaaxba
,0;,0;)( 2/1, …………………….…(2.4)
Zkjkxx jjba ,;22)( 2/, …………………………………………….(2.5)
Dimana :
adalah mother wavelet
-
26
a adalah parameter dilasi
b adalah parameter translasi
Fungsi wavelet pada persamaan (2.4) diperkenalkan pertama kali oleh Grossman
dan Morlet, sedangkan persamaan (2.5) oleh Daubechies. Pada fungsi Grossman-
Morlet, a adalah parameter dilasi dan b adalah parameter translasi, sedangkan
pada fungsi Daubechies, parameter dilasi diberikan oleh Zj dan parameter translasi
oleh k, kedua fungsi dapat dipandang sebagai mother wavelet, dan harus
memenuhi kondisi : (x)dx = 0 Yang menjamin terpenuhi sifat orthogonal vector
Pada dasarnya transformasi wavelet dapat dibedakan menjadi dua tipe
berdasarkan nilai parameter translasi dan dilasinya, yaitu transformasi wavelet
kontinu (continue wavelet transformasi) dan diskrit (disrete wavelet transform).
Transformasi wavelet kontinu ditentukan oleh nilai parameter dilasi (a) dan
translasi (b) yang bervariasi secara kontinyu, dimana a,b R dan a 0.
transformasi wavelet diskrit didefinisikan untuk mengurangi redudansi yang
terjadi pada transformasi kontinu dengan cara hanya mengambil nilai diskrit dari
parameter a dan b, selanjutnya akan dibahas bagaimana penggunaan transformasi
wavelet diskrit.
Dibandingkan dengan CWT, transformasi DWT dianggap relatif lebih mudah
pengimplementasiannya. Prinsip dasar dari DWT adalah bagaimana cara
mendapatkan representasi waktu dan skala dari sebuah sinyal menggunakan
tekhnik pemfilteran digital dan operasi sub-sampling (Reza, 2013). DWT biasanya
digunakan untuk menghitung koefisien wavelet di segala skala yang
memungkinkan. DWT ini juga menghasilkan jumlah data yang sangat besar.
-
27
Untuk menaksirkan sinyal hasil transformasi ini dibentuk filter Low Pass dan
High Pass.
2.4.1 CWT (Continu Wavelet Transform)
Cara kerja transformasi ini adalah dengan menghitung konvolusi sebuah
sinyal dengan sebuah jendela modulasi pada setiap waktu dengan tiap skala yang
diinginkan. Jendela modulasi yang mempunyai skala fleksibel inilah yang biasa
disebut induk wavelet atau fungsi dasar wavelet. (Reza, 2013). Untuk langkah-
langkah transformasinya dapat diperlihatkan pada gambar (4) di bawah ini.
Gambar 2.2 Langkah-langkah transformasi wavelet kontinyu (CWT)
Pada CWT, skala dan frekuensi yang lebih tinggi berkorespondensi dengan
wavelet yang paling renggang. Wavelet yang lebih renggang merupakan sinyal
kasaran utama yang diukur oleh koefisien wavelet (Gambar 5). (Hurwitz, tanpa
tahun)
-
28
Gambar 2.3. Hubungan tinggi rendahnya skala dengan frekuensi
Pada gambar 5 diatas, diketahui bahwa: untuk skala rendah, sinyal wavelet
mengalami pemampatan dan dia berkorespondensi dengan frekuensi yang tinggi,
sedangkan untuk skala tinggi, perubahannya kasar dan lambat sebagai bukti dia
berkorespondensi dengan frekuensi yang rendah.
2.4.2 DWT (Discrete Wavelet Transform)
Sesuai dengan fungsi mother wavelet di atas, bahwa fungsi wavelet
penganalisis untuk transformasi wavelet diskrit dapat didefinisikan sebagai :
j,k(x) = 2 j/2(2 j x – k) ; j,kZ ……………………….……………………..(2.6)
dengan : Z adalah mengkondisikan nilai j dan k dalam nilai integer
j adalah parameter frekuensi atau skala
k adalah parameter waktu atau lokasi ruang
berdasarkan fungsi di atas, representasi fungsi sinyal f(t) L2 (R) dalam domain
wavelet diskrit didefinisikan sebagai :
f(t) = a j,k j,k(t) ……………………….……………………………………(2.7)
a j,k ini dibentuk oleh inner produk antara fungsi wavelet induk dengan f(t) :
-
29
a j,k = ( j,k f(t)) ………………………………………………………………..(2.8)
sehingga f(t) dapat dinyatakan dengan :
f(t) = (( j,k f(t)) j,k (t) ………………………………………………….…(2.9)
barisan koefisien a j,k pada persamaan (2.8) merupak discrete wavelet transform
(DWT) dari fungsi f(t), sehingga f(t) pada persamaan (2.7) disebut sebagai inverse
DWT. Wavelet induk diskalakan dan digeser melalui pemisahan menurut
frekuensi menjadi sejumlah sub-sub bagian. Untuk mendapatkan sinyal kembali
dilakukan proses rekonstruksi wavelet.
Discrete Wavelet Transform (DWT) adalah salah satu transformasi wavelet
yang merepresentasikan sinyal dalam domain waktu dan frekuensi. DWT
memiliki keunggulan di antaranya mudah diimplementasikan dan efisien dalam
hal waktu komputasi. Analisis sinyal dengan DWT dilakukan pada frekuensi yang
berbeda dengan resolusi yang berbeda pula dengan mendekomposisi sinyal
menjadi komponen detail dan komponen aproksimasi. Pada transformasi ini
terjadi filterisasi dan down sampling, yaitu pengurangan koefesien pada fungsi
genap.
2.4.3 Transformasi Wavelet Diskrit Maju
Pada tahap ini dilakukan proses dekomposisi data citra, yang dimulai
dengan melakukan dekomposisi terhadap baris dari data citra yang diikuti dengan
operasi dekomposisi terhadap kolom pada koefisien citra keluaaran dari tahap
-
30
pertama. Cara kerja transformasi wavelet maju dapat digambarkan sebagai berikut
Gambar 2.4 Transformasi Wavelet Maju Dua dimensi Skala Satu
2.4.4 Transformasi Wavelet Diskrit Balik
Transformasi ini merupakan kebalikan dari transformasi wavelet maju.
Pada tahap ini dilakukan proses rekontruksi dengan arah yang berlawanan dari
proses sebelumnya, yaitu dengan proses upsampling dari pemfilteran dengan
koefisien-koefisien filter balik. Proses upsampling dilakukan untuk
mengembalikan dan menggabungkan sinyal seperti semula. Proses ini dilakukan
dengan menyisipkan sebuah kolom berharga nol diantara setiap kolom dan
melakukan konvolusi pada setiap baris dengan sebuah filter satu dimensi. Hal
yang sama dilakukan dengan menyisipkan sebuah baris nol diantara setiap baris
dan melakukan konvolusi pada setiap kolom dengan filter yang lainnya. Filter
yang digunakan pada transformasi ini adalag G0 dan G1yang mempunyai
hubungan khusus terhadap filter-filter pada sisi dekomposisi. Koefisien-koefisien
filter tersebut akan membentuk suatu kumpulan filter (filter bank) M kanal (dalam
C j+1
H1
H0
H1
H0
H1
H0
2
2
2
2
2
2
D j,d
D j,h
D j,v
C j
a. Operasi pada Baris b. Operasi pada kolom
-
31
hal ini M=2), sehingga harus memiliki hubungan rekontruksi sempurna (perfect
reconstruction), yang berarti bahwa sinyal hasil transformasi wavelet balik harus
sama dengan sinyal asli sebelum transformasi dilakukan.
2.5 Transformasi Wavelet Menurut Fungsinya
Transformasi wavelet merupakan sebuah fungsi konversi yang dapat
digunakan untuk membagi suatu fungsi atau sinyal ke dalam komponen frekuensi
yang berbeda, yang selanjutnya komponen-komponen tersebut dapat dipelajari
sesuai dengan skalanya. Wavelet merupakan sebuah fungsi variabel real x, diberi
notasi t dalam ruang fungsi L2( R ). Fungsi ini dihasilkan oleh parameter dilasi
dan translasi, yang dinyatakan dengan persamaan :
Rhaa
bxhaaxba
,0;,0;)( 2/1, ……………………….(2.10)
Zkjkxx jjba ,;22)( 2/, …………………………………………...(2.11)
Fungsi wavelet pada persamaan (2.10) diperkenalkan pertama kali oleh Grossman
dan Morlet, sedangkan persamaan (2.11) oleh Daubechies. Pada fungsi Grossman-
Morlet, a adalah parameter dilasi dan b adalah parameter translasi, sedangkan
pada fungsi Daubechies, parameter dilasi diberikan oleh Zj dan parameter translasi
oleh k. kedua fungsi dapat dipandang sebagai mother wavelet, dan harus
memenuhi kondisi :(x)dx = 0 yang menjamin terpenuhi sifat orthogonal vector
Pada dasarnya transformasi wavelet dapat dibedakan menjadi dua tipe
berdasarkan nilai parameter translasi dan dilasinya, yaitu transformasi wavelet
-
32
kontinu (continue wavelet transformasi) dan diskrit (disrete wavelet transform).
Transformasi wavelet kontinu ditentukan oleh nilai parameter dilasi (a) dan
translasi (b) yang bervariasi secara kontinyu, dimana a,b R dan a 0.
transformasi wavelet diskrit didefinisikan untuk mengurangi redudansi yang
terjadi pada transformasi kontinu dengan cara hanya mengambil nilai diskrit dari
parameter a dan b.
2.6 Wavelet Analysis
Analisis wavelet merupakan sebuah tekhnik penjendelaan variable (variable
windowing technique) dan mengijinkan penggunaan interval waktu yang panjang
dimana kita menginginkan informasi frekuensi rendah yang lebih tepat, dan
daerah/ wilayah yang lebih pendek dimana kita menginginkan komponen-
komponen frekuensi yang lebih tinggi (Reza, 2013)
Analisis wavelet mampu menunjukkan informasi sinyal yang tidak dimiliki
oleh analisis sinyal yang lain, seperti kecenderungan, titik yang putus, dan
kemiripan. Karena kemampuannya melihat data dari berbagai sisi, wavelet mampu
menyederhanakan dan mengurangi noise tanpa memperlihatkan penurunan mutu.
Di bawah ini terdapat gambar di bawah dimana ketika interval waktu
gelombangnya panjang maka frekuensinya gelombangnya pasti rendah,
sedangkan jika waktu gelombangnya lebih pendek, maka frekuensinya tinggi.
-
Gambar 2.5 analisis wavelet berdasarkan waktu panjang gelombang
Keuntungan utama dari analisis wavelet ini adalah untuk menganalisis area
lokal pada sinyal yang lebih besar. Contohnya menganalisis area
pada gambar di bawah ini:
Gambar 2.6 Keuntungan dari analisis wa
local di sinyal yang lebih besar (gambar lingkaran)
33
analisis wavelet berdasarkan waktu panjang gelombang
dengan frekuensi, Rendi(2013)
Keuntungan utama dari analisis wavelet ini adalah untuk menganalisis area
pada sinyal yang lebih besar. Contohnya menganalisis area local
bawah ini:
Keuntungan dari analisis wavelet adalah untuk menganalisis
di sinyal yang lebih besar (gambar lingkaran) , Rendi(2013)
analisis wavelet berdasarkan waktu panjang gelombang
Keuntungan utama dari analisis wavelet ini adalah untuk menganalisis area
local seperti
velet adalah untuk menganalisis area
, Rendi(2013)
-
Gambar 2.7 Perbedaan antara koefisien
pada koefisien Fourier
sinyal (kiri), sedangkan pada wavelet bisa terdeteksi (kanan)
2.7 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) merupakan suatu
informasi yang mempunyai
(JSB). JST tercipta sebagai suatu generalisasi model
manusia (human cognition
1. Pemrosesan informasi terjadi pada elemen sederhana yang d
2. Sinyal mengalir diantara sel saraf/neuron
penghubung
3. Setiap sambungan penghubung memiliki bobot
ini akan digunakan
dikirim melaluinya.
34
Perbedaan antara koefisien Fourier dan koefisien
tidak bisa mendeteksi sinyal lokal akibat efek diskontinyu
sinyal (kiri), sedangkan pada wavelet bisa terdeteksi (kanan), Rendi(2013)
Jaringan Syaraf Tiruan
af Tiruan (JST) merupakan suatu sistem pemr
informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi
ebagai suatu generalisasi model matematis dari pemahaman
human cognition) yang didasarkan atas asumsi sebagai berikut :
Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron
Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan
Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot
ini akan digunakan untuk menggandakan / mengalikan sinyal yang
dikirim melaluinya.
dan koefisien wavelet,
akibat efek diskontinyu
, Rendi(2013)
sistem pemrosesan
yerupai jaringan syaraf biologi
s dari pemahaman
atas asumsi sebagai berikut :
isebut neuron
melalui suatu sambungan
yang bersesuaian. Bobot
untuk menggandakan / mengalikan sinyal yang
-
35
4. Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal
keluarannya.
Model struktur neuron jaringan syaraf tiruan dijelaskan pada Gambar
2.8 dan Gambar 2.9
Gambar 2.9 Model Struktur JST
Jaringan syaraf tiruan dapat belajar dari pengalaman, melakukan
generalisasi atas contohcontoh yang diperolehnya dan mengabstraksi karakteristik
esensial masukan bahkan untuk data yang tidak relevan. Algoritma untuk JST
beroperasi secara langsung dengan angka sehingga data yang tidak numerik harus
diubah menjadi data numerik. JST tidak diprogram untuk menghasilkan keluaran
tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan
Gambar 2.8 Model Struktur JST
-
36
pada pengalamannya selama mengikuti proses pembelajaran. Pada proses
pembelajaran, ke dalam JST dimasukkan pola-pola masukan (dan keluaran) lalu
jaringan akan diajari untuk memberikan jawaban yang bisa diterima. Pada
dasarnya karakteristik JST ditentukan oleh :
1. Pola hubungan antar neuron (disebut arsitektur jaringan)
2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau
proses belajar jaringan)
3. Fungsi aktivasi
2.7.1 Arsitektur Jaringan Syaraf Tiruan
Pada JST, neuron-neuron akan dikumpulkan dalam lapisan-lapisan
(layer) yang disebut dengan lapisan neuron (neuron layers). Neuron-neuron pada
satu lapisan akan dihubungkan dengan lapisanlapisan sebelum dan sesudahnya.
Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke
lapisan, mulai dari lapisan masukan sampai ke lapisan keluaran melalui lapisan
tersembunyi (hidden layer). Gambar berikut ini jaringan syaraf dengan 3 lapisan
dan bukanlah struktur umum jaringan syaraf karena beberapa jaringan syaraf ada
yang tidak memiliki lapisan tersembunyi. Faktor terpenting dalam menentukan
kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Umumnya
neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang
sama sehingga pada setiap lapisan yang sama neuron-neuron memiliki fungsi
aktivasi yang sama. Bila neuron-neuron pada suatu lapisan (misal lapisan
tersembunyi) akan dihubungkan dengan neuronneuron pada lapisan lain (misal
lapisan keluaran) maka setiap neuron pada lapisan tersebut (lapisan tersembunyi)
-
37
juga harus dihubungkan dengan setiap neuron pada lapisan lainnya (lapisan
keluaran). Terdapat 3 macam arsitektur JST, yaitu:
1. Jaringan dengan lapisan tunggal (single layer net) Jaringan ini hanya memiliki
1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima
masukan kemudian secara langsung akan mengolahnya menjadi keluaran
tanpa harus melalui lapisan tersembunyi. Pada gambar berikut neuronneuron
pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2
neuron ditentukan oleh bobot yang bersesuaian. Semua unit masukan akan
dihubungkan dengan setiap unit keluaran seperti terlihat pada Gambar 2.8.
Gambar 2.10 Jaringan Dengan Lapisan Tunggal
2. Jaringan dengan banyak lapisan (multilayer net) Jaringan ini memiliki 1 atau
lebih lapisan yang terletak diantara lapisan masukan dan lapisan keluaran.
Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang
-
38
bersebelahan seperti terlihat pada Gambar 5. Jaringan dengan banyak lapisan
ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan
tunggal, tentu saja dengan pembelajaran yang lebih rumit. Pada banyak kasus,
pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
Gambar 2.11 Jaringan Dengan Banyak Lapisan
3. Jaringan dengan lapisan kompetitif (competitive layer net) Pada jaringan ini
sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak
diperlihatkan pada diagram arsitektur. Gambar 6 menunjukkan salah satu
contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -.
-
39
Gambar 2.12 Jaringan dengan lapisan kompetitif
2.8 Probabilistic Neural Network
Probabilistic Neural Network (PNN) dikembangkan pertama kali oleh
Donald F. Specht pada tahun 1988. Probabilistic Neural Network adalah suatu
metode jaringan saraf tiruan (neural network) yang menggunakan pelatihan
(training) supervised. PNN termasuk dalam struktur Feedforward. PNN berasal
dari jaringan Bayesian dan algoritma statistik bernama Kernel Fisher Discriminant
Analysis. Kaidah Bayes dapat digunakan untuk melakukan klasisfikasi terhadap
sejumlah kategori. Pengambilan keputusan didasarkan pada hasil perhitungan
jarak antara fungsi kepekatan peluang dari vector ciri. PNN biasanya digunakan
untuk masalah klasifikasi.
Secara garis besar, PNN mempunyai tiga lapisan yaitu (Haykin, 1998):
a. Input layer
Input layer merupakan layer data input bagi PNN.
b. hidden layer
Pada layer ini menerima data dari input layer yang akan diproses dalam PNN.
-
40
c. output layer
Pada layer ini, node output berupa binary yang menghasilkan keputusan
klasifikasi.
Gambar 2.13 Layer pada PNN
2.8.1 Stuktur Network PNN
Struktur PNN lebih detail terdiri dari 3 bagian yaitu input layer, radial
basis layer dan competitive layer (Wu, 2007). Pada struktur PNN jenis ini
biasanya digunakan untuk klasifikasi pengenalan struktur daun. Radial Basis
Layer melakukan evaluasi jarak vektor antara vektor input dan baris weight dalam
matriks bobot (weight). Jarak tersebut diskala oleh radial basis function non
lineary. Pada competitive layer dilakukan pencarian jarak terpendek dan
menemukan training pattern dari input pattern berdasarkan jaraknya. Berikut ini
adalah struktur PNN lebih detail yang diilustrasikan pada skema dibawah ini:
-
41
Gambar 2.14 Struktur PNN
Pada input layer terdapat vektor input ditunjukkan dengan P, digambarkan sebagai
vertikal hitam pada Gambar 2.12 dengan dimensi R x 1. Radial Basis Layer
(RBF) merupakan hidden unit dalam PNN. Dalam radial basis layer, jarak vektor
antara vektor input P dan vektor Weight (W) dibuat dari tiap baris dari matriks
bobot/weight (W) yang dikalkulasi. Jarak antara vektor didefinisikan sebagai dot
product antara dua vektor. Diasumsikan dimensi W adalah Q x R. Dot product
antara p dan baris ke-i dari yang dihasilkan W elemen ke-i dari jarak vektor
||W P||,dimana dimensinya adalah Q x 1, yang ditunjukkan pada gambar diatas.
Simbol “-“ menyatakan jarak antar vektor. Kemudian, vektor bias b dikombinasi
dengan ||W P|| dengan multiplikasi element-by-element, yang digambarkan
dengan ”.*” pada Gambar 2. Hasilnya ditunjukkan sebagai : N = ||W-P||.*b
2.8.2 Arsitektur PNN
Kerja PNN didasarkan pada penghitungan nilai fungsi kepekatan peluang
(fi(x)) untuk setiap data (vector). Fungsi (f(x)) merupakan fungsi pengambilan
-
42
keputusan Bayes (g(x)), untuk data (vector) x dan xij yang telah dinormalisasi.
Persamaan fungsi ��(x) atau ��(x) dituliskan sebagai berikut (Specht 1992,
Zaknich 1995)
��(�) = ��(�) =�
(��)�� �� ��
∑ ���� ����� ���
������� �����
�.����
����� ……………..…(2.10)
dengan i = 1, 2, …, K. dimana:
t adalah Transpose
i adalah Jumlah Kelas
j adalah Jumlah Pola
xij adalah Vektor pelatihan ke j dari kelas i
x adalah Vektor pengujian
Mi = Jumlah vector pelatihan dari kelas i
ρ adalah Dimensi vector x
σ adalah Faktor penghalus, (standar deviasi)
Sampel data untuk pelatihan tidak sama dengan sampel data untuk data pengujian
PNN. Blok diagram arsitektur PNN, disajikan pada gambar di bawah ini.
-
43
Gambar 2.15 Arsitektur PNN
Posisi node – node yang dialokasikan dalam PNN setelah lapisan input, adalah:
1. Node lapisan pola (Pattern Layer), digunakan 1 node pola untuk setiap
data pelatihan yang digunakan. Setiap node pola, merupakan perkalian
titik (dot product) dari vector masukkan x yang akan diklarifikasikan,
dengan vector bobot xij, yaitu Zi = x . xij , kemudian dilakukan operasi non
– linier terhadap Zi sebelum menjadi keluaran yang akan mengaktifkan
lapisan penjumlahan, operasi non – linier yang digunakan exp[(Zi – 1) / σ2
], dan bila x dan ��� dinormalisasikan terhadap panjang vector, maka
persamaan yang digunakan pada lapisan pola, adalah:
��� ���� ����
�(�� ���
����………………………………………………….(2.11)
-
44
2. Node lapisan penjumlahan (Summation Layer), menerima masukan dari
node lapiran pola yang terkait dengan kelas yang ada, persamaan yang
digunakan pada lapisan ini adalah:
∑ ��� ���� ����
� (�� ���)
�������� …………………………………………(2.12)
3. Node lapisan keluaran (Output layer), menghasilkan keluaran biner (0,1),
dan hanya mempunyai variabel bobot tunggal Ck. Ck dihitung
menggunakan persamaan:
�� =������
������
���
��� ……………………………………………(2.13)
Dimana :
��� adalah jumlah pelatihan pola dari kelas 0ik
��� adalah jumlah pelatihan pola dari kelas 0jk
2.8.3 Cara Kerja PNN
Jaringan syaraf probabilistik dapat digunakan untuk menyelesaikan
masalah klasifikasi. Misalkan terdapat Q pasangan vektor input & target, dengan
target terdiridari K elemen, maka pada target, satu elemen akan bernilai 1, dan
elemen-elemen lainnya akan bernilai 0. Sehingga tiap-tiap vektor input akan
berhubungan dengan 1 vektor dari K kelas.
Bobot-bobot input pada lapisan pertama akan bernilai sama dengan vektor
input, (misal : P). Output lapisan pertama, a1, merupakan hasil aktivasi dari jarak
antara vektor input dengan bobot input dikalikan dengan bias. Nilai a1 ini akan
mendekati 1 apabila vektor input mendekati vektor bobot, (jarak mendekati 0).
-
45
Apabila input vektor dekat dengan beberapa bobot input, maka akan ada beberapa
elemen a1 yang dekat dengan 1. Ouput lapisan pertama ini akan menjadi input
bagi lapisan output.
Pada lapisan output, bobot-bobot lapisan akan dibuat sama dengan
vektorvektor target. Tiap-tiap vektor target ini akan bernilai 1 hanya pada baris
yang berhubungan dengan vektor input tertentu, yang lainnya akan bernilai 0.
Neuron pada lapisan output akan menjumlahkan hasil perkalian antara bobot
output dikalikan dengan a1 (n2). Output jaringan akan bernilai 1 apabila n2 besar,
sebaliknya akan bernilai 0 jika n2 kecil.
2.9 Tangga Nada Pentatonis
Pentatonis berasal dari kata penta yang artinya lima dan tone yang
artinya nada, jadi tangga nada pentatonis hanya terdiri dari lima nada pokok.
Nada-nada dalam tangga nada pentatonis tidak dilihat berdasarkan jarak nada,
melainkan berdasarkan urutannya dalam tangga nada.
Gambar 2.16 Tangga Nada Pentatonis, Suwarmin(2013)
-
46
Tangga nada pentatonik ditemukan di seluruh dunia: dalam tuning krar di Ethiopia
dan gamelan di Indonesia, juga pada melodi dari lagu spiritual Afrika-Amerika.
Tangga nada pentatonik pada umumnya digunakan pada musik tradisional di
Indonesia misalnya pada musik gamelan. Pada musik gamelan terbagi atas dua
tangga nada yaitu pelog dan slendro. Tangga nada pelog cenderung memberikan
perasaan tenang, hormat dan memuja sedangkan tangga nada slendro bersifat
riang gembira dan bersemangat.
Gambar 2.17 Titi Laras Pentatonis dan Slendro, Suwarmin(2013)
2.9.1 Pulsa dan Pola Irama
Ketika kita mendengar sebuah musik baik itu musik rock, reggae, blues,
pop maupun tradisional, secara tidak sadar mungkin kita akan mengikuti
ketukannya dengan mengetuk ujung kaki pada lantai, menggerak-gerakkan
kepala, menepukkan tangan pada paha dan sebagainya. Ketukan ini memiliki
durasi tertentu yang besarnya sama, konstan dan teratur. Ketukan dasar lagu
dengan panjang durasi yang tetap ini dinamakan pulsa. Sedangkan bila ketukan
-
47
tersebut memiliki durasi yang panjangnya tidak sama tetapi konsisten dan
berulang-ulang dengan pola tertentu, maka ia dinamakan sebagai irama Pola
irama terbentuk dari berbagai alat musik ritmis, tetapi juga alat musik melodis.
2.9.2 Birama
Tanda Birama atau disebut juga time signature adalah tanda untuk
menentukan jumlah hitungan dan nilai setiap hitungan pada setiap birama.Tanda
birama ditempatkan pada awal musik. berisi dua angka dimana angka yang satu
diletakkan sebelum angka yang lainnya. Angka yang di atas menunjukkan jumlah
ketukan pada setiap ruas birama. Angka yang di bawah merupakan satuan nilai
not yang dijadikan patokan tempo, misalnya tanda birama 4/4 dapat kita artikan
bahwa dalam satu birama terdapat 4 not 1/4. Untuk tanda birama 2/4 berarti dalam
satu birama terdapat 2 not seperempat dst.
Contoh Tanda Birama :
a. Birama 4/4
Tanda Birama 4/4 ialah birama yang paling umum digunakan di hampir setiap
genre musik. Ini berarti setiap birama ada empat hitungan dan setiap hitungan
bernilai seperempat atau empat not seperempat dalam setiap birama.
Gambar 2.18 Birama 4/4, Suwarmin(2013)
-
48
b. Birama 3/4
Tanda birama 3/4 berarti setiap birama ada tiga hitungan dan setiap
hitungan bernilai seperempat atau ada tiga not seperempat dalam setiap birama.
Gambar 2.19 Birama ¾, Suwarmin(2013)
c. Birama 6/8
Tanda birama 6/8 berarti setiap birama ada enam hitungan dan setiap hitungan
bernilai seperdelapan atau ada 6 not 1/8 yang menjadi patokan tempo.
Gambar 2.20 Birama 6/8, Suwarmin(2013)
d. Birama 2/4
Tanda birama 2/4 berarti setiap birama ada dua hitungan dan setiap hitungan
bernilai seperempat atau ada dua not seperempat dalam setiap birama.
Gambar 2.21 Birama 2/4, Suwarmin(2013)
-
49
2.10 Rindik
Hasil wawancara dengan I Putu Gunarta, S.Pd., gamelan rindik merupakan
alat musik tradisional masyarakat Bali yang terbuat dari potongan-potongan
bambu. Bambu yang digunakan untuk membuat Rindik ini biasanya merupakan
bambu pilihan, sehingga tidak mudah pecah dan menghasilkan suara yang baik.
Alat musik ini dimainkan dengan cara dipukul menggunakan alat tabuh secara
bergantian sehingga menghasilkan suara yang merdu. Rindik terbuat dari bambu
atau dalam bahasa bali di sebut dengan tiing tutul dan tiing mambang, bambu
dipilih kualitas yang lebih bagus supaya mengeluarkan reng atau bunyi yang lebih
baik.
a. Fungsi Alat Musik Rindik
Rindik biasanya ditampilkan sebagai salah satu alat musik pengiring
pertunjukan tarian joged bumbung. Sesuai perkembangan dan inofasi alat musik
tradisional khususnya di Bali, gamelan rindik juga sering ditampilkan untuk
mengiringi upacara pernikahan atau resepsi. Alunan suaranya yang khas sangat
cocok dan membuat suasana dalam acara tersebut semakin terasa romantis.
b. Bentuk Alat Musik Rindik
Rindik merupakan alat musik yang terbuat dari bambu yang sudah dipotong-
potong dan ditata sesuai ukurannya. Jumlah potongan bambu tersebut biasanya
terdiri dari 11 buah sampai 13 buah. Setiap buah bambu memiliki ukuran yang
berbeda dan nada yang berbeda pula. Semakin besar ukuran bambu maka semakin
bernada rendah, sebaliknya semakin kecil bambu tersebut maka semakin tinggi
nada yang dihasilkan. Bambu tersebut ditata diatas tempat(pelawah) dimulai dari
nada paling rendah di sudut kiri hingga nada paling tinggi di sudut paling kanan.
-
50
Nada yang dihasilkan oleh Rindik ini merupakan nada Pentatonic atau Laras
slendro, yang berarti hanya memiliki 5 nada utama. Rindik ini dimainkan dengan
menggunakan 2 buah alat pemukul yang terbuat dari karet dan memiliki ukuran
yang berbeda. Pemukul berukuran besar biasanya digunakan di tangan sebelah kiri
begitu juga sebaliknya. Hal ini dikarenakan nada paling kiri lebih rendah sehingga
saat dimainkan terdapat sebuah keseimbangan nada.
c. Cara Memainkan Alat Musik Rindik
Cara memainkan Rindik ini juga membutuhkan keahlian khusus dan feel yang
cocok. Rindik biasannya dimainkan dengan dua tangan, dimana fungsi keduanya
berbeda. Pada tangan kanan memainkan kotekan sedangkan yang kiri memainkan
melodi. Sehingga apabila digabungkan akan menghasilkan suara yang merdu.
Pemain Rindik juga dibedakan menjadi dua macam, yang pertama
memainkan pokok lagu/gendhing, dan satunya memainkan sangsih. Apabila
keduanya dipadukan maka akan menghasilkan suara yang harmonis.Dalam
permainan Rindik juga terdapat teknik pukulan yang dinamakan ngundil, yaitu
teknik pukulan yang dilakukan tangan kiri pemain sangsih dimana pukulan
tersebut menyelingi pukulan tangan kiri pemain pokok yang sudah divariasikan.
Pada pertunjukan joged bumbung, teknik seperti itu sering disebut dengan jegog.
d. Perkembangan Alat Musik Rindik
Perkembangan musik Rindik menjadi salah satu alat musik yang
lebih fleksibel dan memiliki fungsi yang lebih banyak. Selain bisa digunakan
sebagai pengiring pertunjukan tari, musik Rindik juga bisa ditampilkan sebagai
pertunjukan musik seperti pengiring pernikahan dan resepsi. Selain itu juga bisa
-
51
ditampilkan di acara festival budaya, penyambutan tamu besar dan acara budaya
lainnya.
Rindik menggunakan nada slendro, gamelan rindik terdiri dari lima nada
dasar dalam nada bali, dengan sebelas bilah babu yang di mulai dari nada : ndong,
ndeng, ndung, ndang, nding, yang diilustrasikan pada Gambar 2.22.
Gambar 2.22 Ilustrasi nada dari bilah bambu gamelan rindik
2.11 Pengenalan Pola
Pengenalan pola (pattern recognition) dapat diartikan sebagai proses
klasifikasi dari objek atau pola menjadi beberapa kateori atau kelas, dan bertujuan
untuk pengambilan keputusan (Theodori dan Koutroumbas, 2006).
Pola adalah bentuk atau model (abstrak, suatu set peraturan) yang dapat
dipakai untuk membuat atau mengahasilan suatu atau bagian dari sesuatu,
khususnya jika sesuatu yang di timbulkan mempunyai sejenis pola dasar yang
Patet Gede/
Suara Bass
Patet Cenik/
Suara Sedang
N
D
O
N
G
N
D
E
N
G
N
D
U
N
G
N
D
A
N
G
N
D
I
N
G
N
D
O
N
G
N
D
E
N
G
N
D
U
N
G
N
D
A
N
G
N
D
I
N
G
N
D
O
N
G
-
52
dapat ditunjukan atau terlihat, yang mana dapat dikatan mempertunjukan pola.
Deteksi pola dasar disebut pengenalan pola. Untuk mengenali suara dan pemilik
suara, diperlukan suatu pengenalan pola yang dapat mengenal dan mencocokan
pola yang masukan dan pola yang telash disimpan di dalam basisdata,
Pendekatan pengenalan pola ada tiga, yaitu secara sintaks, statistik, serta
melalui jaringan saraf tiruan. Pendekatan dengan pola jaringan saraf tiruan adalah
pendekatan dengan menggabungkan pendekatan sintaks dan statistik. Pendekatan
melalui pola-pola ini meniru cara kerja otak manusia, pada pola ini sistem
membuat aturan-aturan tertentu disertai dengan menggunakan data statistik
sebagai dasar untuk pengambilan keputusan.