BAB VKESIMPULAN DAN SARAN

5.1 KesimpulanDapat dikonstruksi pelatihan jaringan fungsi basis radial menggunakan gradi-

ent descent. Konstruksi pelatihan dilakukan dengan terlebih dahulu mencari penu-runan fungsi error gradient descent terhadap bobot dan pusat jaringan fungsi basisradial.

Dalam penelitian ini juga dapat dikonstruksi pelatihan jaringan fungsi basisradial menggunakan extended Kalman filter. Konstruksi pelatihan dapat dilakukandengan mendefinisikan variabel keadaan pada extended Kalman filter sebagai bo-bot dan pusat dari jaringan fungsi basis radial. Serta didefinisikan fungsi transisisebagai fungsi identitas, f(θ) = θ, dan fungsi pengukurannya adalah arsitektur darijaringan fungsi basis radial.

Hasil konstruksi pelatihan jaringan fungsi basis radial menggunakan extended

Kalman filter dan gradient descent kemudian diimplementasikan untuk identifika-si instrumen gamelan Jawa. Identifikasi dapat dilakukan dengan mengektraksi cirisuara instrumen gamelan Jawa menggunakan metode MFCC dan frekuensi funda-mental. Hasil ekstraksi ciri kemudian digunakan sebagai data masukan pada ja-ringan fungsi basis radial. Serta target jaringan fungsi basis radial berupa vektorbiner yang bersesuaian dengan 3 jenis instrumen kelompok saron untuk identifikasijenis instrumen dan vektor biner yang bersesuaian dengan 7 kelas nada instrumenkelompok saron pelog untuk identifikasi nada instrumen.

Hasil simulasi menunjukkan bahwa identifikasi instrumen gamelan Jawa de-ngan menggunakan jaringan fungsi basis radial yang dilatih menggunakan extended

Kalman filter menghasilkan akurasi yang lebih baik dan waktu komputasi yang le-bih cepat dari pada menggunakan gradient descent.

5.2 SaranPada penelitian ini digunakan fungsi aktifasi berupa fungsi basis radial linier.

Untuk itu diharapkan penelitian selanjutnya dapat digunakan fungsi basis radiallainnya dan membandingkan tingkat akurasinya.

49

50