identifikasi kerusakan mesin sepeda motor … filepredictive coding dan metode back propagation ......

i

IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR

BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR

PREDICTIVE CODING DAN METODE BACK PROPAGATION

HALAMAN JUDUL

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Oleh:

Yosep Dio Dewantara

115314049

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

DAMAGE IDENTIFICATION OF MOTORCYCLE ENGINES BASED

ON ENGINE NOISE USING LINEAR PREDICTIVE CODING

FEATURES AND BACK PROPAGATION METHOD

TITLE PAGE

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana

Komputer Degree in Informatics Engineering Department

By:

Yosep Dio Dewantara

115314049

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


iii

HALAMAN PERSETUJUAN


iv

HALAMAN PENGESAHAN


v

MOTTO

“Bangsa yang malas belajar, tidak akan bisa berkembang”

“Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari

betapa dekatnya mereka dengan keberhasilan saat mereka menyerah”

(Thomas Alva Edison)


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang saya

tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah

disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 23 November 2016

Penulis

Yosep Dio Dewantara


vii

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Yosep Dio Dewantara

NIM : 115314049

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:

IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR

BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR

PREDICTIVE CODING DAN METODE BACK PROPAGATION

Berserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada perpustakaan Universitas Sanata Dharma hak untuk

menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk

pangkalan data mendistribusikan secara terbatas, dan mempublikasikannya di

internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari

saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama

saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 23 November 2016

Penulis

Yosep Dio Dewantara


viii

ABSTRAK

Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan

teknologi komunikasi berkembang sangat pesat, salah satunya adalah pengenalan

suara. Konsep pengenalan suara dapat diterapkan dalam beberapa bidang untuk

menyelesaikan beberapa permasalahan, diantaranya yaitu pengenalan suara mesin

sepeda motor. Terdapat berbagai macam pola suara mesin sepeda motor yang

dapat menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak

masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang terjadi

pada mesin sepeda motor. Dalam melakukan pengecekan dan perawatan mesin

sepeda motor, para teknisi bengkel sering kali lebih cepat mengetahui kerusakan

yang terjadi pada sebuah mesin sepeda motor hanya dengan mendengar suara

mesin sepeda motor tersebut. Oleh karena itu, pada penelitian ini akan dibuat

sebuah aplikasi yang mampu untuk mengklasifikasikan suara mesin sepeda motor

berdasarkan suara mesinnya.

Penelitian ini menggunakan fitur Linear Predictive Coding untuk proses

ekstraksi ciri suara dan metode Jaringan Syaraf Tiruan Back Propagation untuk

proses klasifikasi suara. Untuk jenis klasifikasi suara mesin sepeda motor dibagi

kedalam 4 kelompok yaitu mesin normal, mesin rusak katup/klep, mesin rusak

stang seher, dan mesin rusak rantai kamprat. Data yang akan digunakan adalah

data rekaman suara mesin sepeda motor dalam format .wav. Jumlah file rekaman

suara yang digunakan dalam proses mendapatkan pola suara sebanyak 200 data

suara.

Berdasarkan percobaan pengujian variasi kombinasi ciri dan jumlah hidden

layer beserta jumlah neuron-nya, diperoleh hasil penelitian optimal yaitu akurasi

tertinggi sebesar 84% pada ciri orde 10 dengan 2 hidden layer, dengan jumlah

neuron pada hidden layer 1 sebanyak 28 dan jumlah neuron pada hidden layer 2

sebanyak 20.

Kata Kunci: Klasifikasi, Linear Predictive Coding, Jaringan Syaraf Tiruan Back

Propagation


ix

ABSTRACT

Intensive research in the field of signal processing causes communication

technology is growing very rapidly, one of which is the voice recognition. The

concept of voice recognition can be applied in several fields to resolve some

problems, among which is the voice recognition engine motorcycles. There are

various kind of motorcycle engine sound patterns that can indicate the type of

damage from a motorcycle engine. There are still many people who use

motorcycles do not understand the damage that occurs in a motorcycle engine.

While checking and maintenance the motorcycle engine, the technicians often

more quickly find damage to a motorcycle engine only from hearing the sound of

a motorcycle engine. Therefore, in this study will be made an application that is

able to classify the sound of motorcycle engine based on the engine sounds.

This study uses Linear Predictive Coding feature for feature extraction

process sound and method Back Propagation Neural Network for sound

classification process. For this type of motorcycle engine sound classification is

divided into 4 groups: normal machinery, machine broken valve, piston handlebar

broken machines and broken machines timing chain. The data of motorcycle

engine sound recordings will be used in .wav format. The number of voice

recording files used in the process of getting sound patterns as many as 200 voice

data.

Based on the test trial variation combination of features and the number of

hidden layer along with the number of it neurons, the result of research is optimal

that the highest accuracy is 84% on the characteristic of order is 10 with two

hidden layers, the number of neurons in the hidden layer 1 is 28 and the number

of neurons in the hidden layer 2 is 20.

Keywords: Classification, Linear Predictive Coding, Back Propagation Neural

Network


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga

penulis dapat menyelesaikan tugas akhir dengan judul “Identifikasi Kerusakan

Mesin Sepeda Motor Berdasarkan Suara Mesin Menggunakan Fitur Linear

Predictive Coding dan Metode Back Propagation”. Tugas akhir ini merupakan

salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh

gelar sarjana komputer program studi Teknik Informatika Universitas Sanata

Dharma Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada

pihak-pihak yang telah membantu penulis baik selama penelitian maupun saat

mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis

sampaikan kepada:

1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan kekuatan

dalam proses pembuatan tugas akhir.

2. Orang tua, Fransiskus Xaverius Suprapto dan Fransiska Yohanna Layola

Manik, serta keluarga yang telah memberikan dukungan spiritual dan

material.

3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing

tugas akhir, atas bimbingan, waktu dan saran yang telah diberikan kepada

penulis.

4. JB. Budi Darmawan S.T., M.Sc. selaku dosen pembimbing akademik, atas

bimbingan, kritik dan saran yang telah diberikan kepada penulis.

5. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik

Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada

penulis.

6. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku dekan fakultas Sains dan

Teknologi, atas bimbingan, kritik dan saran yang telah diberikan kepada

penulis.

7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa

kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.


xi

8. Pemilik Bengkel Rejo, Mas Wawan, dan Mas Cuweng selaku pemilik

bengkel sepeda motor atas bantuannya terhadap penulis dalam

mengumpulkan data untuk penelitian ini serta membantu memberi informasi

yang dibutuhkan dalam penelitian ini.

9. Mas Yanuar, Mas Susilo dan Mas Danang selaku laboran Teknik

Informatika, atas bantuannya menyediakan tempat untuk mengerjakan tugas

akhir.

10. Bagus, Rio, Beny, Valen, Rifki, Agung, Be, Priska, Lukas, Tea, Kevin,

Dion dan teman-teman lainnya yang telah berjuang bersama serta saling

memberi dukungan semangat, doa dalam menyelesaikan penelitian ini.

11. Teman-teman Teknik Informatika 2011 Sanata Dharma, terima kasih atas

semangat dan perjuangan bersama yang telah kalian berikan kepada satu

sama lain.

12. Teman-temanku selain dari prodi TI, terima kasih atas dukungan yang telah

kalian berikan.

13. Semua pihak yang tidak dapat disebutkan satu per satu yang telah

membantu penulis dalam pengerjaan tugas akhir ini.

Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan

tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di

masa mendatang. Akhir kata, penulis berharap tulisan ini dapat berguna bagi

perkembangan ilmu pengetahuan dan wawasan pembaca.

Penulis,

Yosep Dio Dewantara


xii

DAFTAR ISI

1 HALAMAN JUDUL ...............................................................................................i

TITLE PAGE ......................................................................................................... ii

HALAMAN PERSETUJUAN ............................................................................. iii

HALAMAN PENGESAHAN ............................................................................... iv

MOTTO .................................................................................................................. v

PERNYATAAN KEASLIAN KARYA ............................................................... vi

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ........................................................................... vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ............................................................................................... xiv

DAFTAR GAMBAR ........................................................................................... xvi

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .......................................................................................... 1

1.2 Rumusan Masalah ..................................................................................... 3

1.3 Tujuan ........................................................................................................ 3

1.4 Batasan Masalah ....................................................................................... 4

1.5 Sistematika Penulisan ............................................................................... 4

BAB II LANDASAN TEORI ............................................................................... 6

2.1 Mesin Sepeda Motor ................................................................................. 6

2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara .......................... 7

2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor ............................... 11

2.3 Audio/Suara ............................................................................................. 12

2.4 Ekstraksi Ciri Sinyal Suara ................................................................... 13

2.4.1 Linear Predictive Coding (LPC) ...................................................... 13


xiii

2.5 Jaringan Syaraf Tiruan .......................................................................... 16

2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation ...... 18

2.6 K-Fold Cross Validation ......................................................................... 24

2.7 Confusion Matrix .................................................................................... 24

BAB III METODOLOGI PENELITIAN ......................................................... 26

3.1 Data .......................................................................................................... 26

3.2 Perancangan Sistem ................................................................................ 31

3.2.1 Ekstraksi Ciri .................................................................................... 32

3.2.2 Pelatihan dan Pengujian Arsitektur JST ........................................ 36

3.2.3 Klasifikasi dan Uji Data Tunggal .................................................... 42

3.3 Kebutuhan Sistem ................................................................................... 43

3.4 Perancangan Atarmuka Sistem ............................................................. 44

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ..................................... 47

4.1 Implementasi Sistem ............................................................................... 47

4.1.1 Visualisasi Proses Ekstraksi Ciri ..................................................... 47

4.1.2 Tampilan Antarmuka Aplikasi ........................................................ 54

4.2 Analisis Hasil Penelitian ......................................................................... 58

4.2.1 Pengujian Variasi Arsitektur Jaringan ........................................... 58

4.2.2 Pengujian Data Tunggal ................................................................... 94

BAB V PENUTUP ............................................................................................... 95

5.1 Kesimpulan .............................................................................................. 95

5.2 Saran ........................................................................................................ 95

DAFTAR PUSTAKA .......................................................................................... 96

LAMPIRAN ......................................................................................................... 97


xiv

DAFTAR TABEL

Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor ...................... 11

Tabel 2.2 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006) .............. 25

Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri ................................................ 36

Tabel 3.2 Five-Fold Cross Validation ................................................................... 37

Tabel 3.3 Jumlah Data Input Arsitektur Jaringan ................................................. 40

Tabel 4.1 Hasil Akurasi Seluruh Percobaan Pengujian ........................................ 60

Tabel 4.2 Confusion Matrix Percobaan Pengujian Orde 10, Jumlah Neuron

Hidden Layer 1 28 dan Hidden Layer 2 20 ........................................................... 62

Tabel 4.3 Hasil Akurasi Orde 8, Hidden Layer 1 ................................................. 64

Tabel 4.4 Hasil Akurasi Orde 8, Hidden Layer 2 ................................................. 65

Tabel 4.5 Hasil Akurasi Orde 8+, Hidden Layer 1 ............................................. 66

Tabel 4.6 Hasil Akurasi Orde 8+, Hidden Layer 2 ............................................. 67

Tabel 4.7 Hasil Akurasi Orde 8++, Hidden Layer 1 ...................................... 68

Tabel 4.8 Hasil Akurasi Orde 8++, Hidden Layer 2 ...................................... 69

Tabel 4.9 Hasil Akurasi Orde 10, Hidden Layer 1 ............................................... 70

Tabel 4.10 Hasil Akurasi Orde 10, Hidden Layer 2 ............................................. 71

Tabel 4.11 Hasil Akurasi Orde 10+, Hidden Layer 1 ......................................... 72


Tabel 4.13 Hasil Akurasi Orde 10++, Hidden Layer 1 .................................. 74


















xv




Tabel 4.33 Hasil Pengujian Data Tunggal dan Validasi Teknisi Mesin Sepeda

Motor ..................................................................................................................... 94


xvi

DAFTAR GAMBAR

Gambar 2.1 Blok Silinder (Sutiman & Solikin, 2005) ............................................ 6

Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005) ................................ 8

Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)....................... 9

Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)............................................. 10

Gambar 2.5 Rantai Kamprat (Sutiman & Solikin, 2005) ...................................... 10

Gambar 2.6 frame blocking (Khrisnadi, 2005) ..................................................... 14

Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005) ............... 17

Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005) ............. 18

Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005) ........................ 19

Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor ................................. 27

Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Normal

............................................................................................................................... 28

Gambar 3.3 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak

Stang Seher ........................................................................................................... 29


Klep ....................................................................................................................... 30


Rantai Kamprat ..................................................................................................... 31

Gambar 3.6 Diagram Blok Sistem ........................................................................ 32

Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri.................................................. 33

Gambar 3.8 Arsitektur JST 1 Hidden Layer ......................................................... 38

Gambar 3.9 Arsitektur JST 2 Hidden Layer ......................................................... 39

Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal ........................................ 42

Gambar 3.11 Tampilan Antarmuka Sistem .......................................................... 44

Gambar 4.1 Hasil Baca File Suara .wav ............................................................... 47

Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread() ......................... 48

Gambar 4.3 Data Hasil Proses Frame Blocking ................................................... 48

Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking ............................. 49

Gambar 4.5 Data Hasil Proses Windowing .......................................................... 49

Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing .................................... 50

Gambar 4.7 Data Hasil Konversi .......................................................................... 50

Gambar 4.8 Data Hasil Proses Analisis Autokorelasi ........................................... 50

Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis Autokorelasi Orde 8 ........ 51

Gambar 4.10 Data Koefisien LPC Orde 8 ............................................................ 51

Gambar 4.11 Grafik Sinyal Data Koefisien LPC Orde 8 ...................................... 52


xvii

Gambar 4.12 Data Delta LPC Orde 8 ................................................................... 52

Gambar 4.13 Data Delta Delta LPC Orde 8 .......................................................... 52

Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 ........................... 53

Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 .... 53

Gambar 4.16 Tampilan Menu Utama Aplikasi ..................................................... 54

Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC ............................................... 55

Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara ................................................ 55

Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian Arsitektur JST .............. 56

Gambar 4.20 Tampilan Pelatihan 2 Hidden Layer................................................ 56

Gambar 4.21 Tampilan Pelatihan 1 Hidden Layer................................................ 56

Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak

Katup/Klep ............................................................................................................ 57

Gambar 4.23 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Normal .... 57

Gambar 4.24 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Rantai

Kamprat ................................................................................................................. 57

Gambar 4.25 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Stang

Seher/Batang Piston .............................................................................................. 57

Gambar 4.26 Grafik Perubahan Hasil Akurasi Keseluruhan Percobaan ............... 61

Gambar 4.27 Grafik Perubahan Akurasi Orde 8, Hidden Layer 1 ........................ 64

Gambar 4.28 Grafik Perubahan Akurasi Orde 8, Hidden Layer 2 ........................ 65

Gambar 4.29 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 1 .................. 66

Gambar 4.30 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 2 .................. 67

Gambar 4.31 Grafik Perubahan Akurasi Orde 8++, Hidden Layer 1 ............ 68

Gambar 4.32 Grafik Perubahan Akurasi Orde 8++, Hidden Layer 2 ............ 69

Gambar 4.33 Grafik Perubahan Akurasi Orde 10, Hidden Layer 1 ...................... 70


Gambar 4.35 Grafik Perubahan Akurasi Orde 10+, Hidden Layer 1 ................. 72


Gambar 4.37 Grafik Perubahan Akurasi Orde 10++, Hidden Layer 1 .......... 74











xviii












1

1 BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan ilmu pengetahuan dan teknologi meningkat dengan

cepat. Dalam ilmu pengetahuan dan teknologi khususnya pada bidang

komunikasi, pengolahan sinyal memiliki peranan yang sangat penting.

Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan

teknologi komunikasi berkembang sangat pesat. Salah satunya adalah

pengenalan suara. Konsep pengenalan suara dapat diterapkan dalam

beberapa bidang untuk menyelesaikan beberapa permasalahan. Diantaranya

yaitu pengenalan suara mesin kendaraan terutamanya mesin sepeda motor.

Terdapat berbagai macam pola suara mesin sepeda motor yang dapat

menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak

masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang

terjadi pada mesin sepeda motor mereka, hingga menyebabkan mesin

sepeda motor semakin rusak karena dibiarkan begitu saja. Selain itu

kerusakan pada mesin sepeda motor sering terjadi akibat kelalaian dalam

melakukan perawatan. Untuk penggunaan sepeda motor yang baik,

diperlukan perawatan mesin sepeda motor secara berkala. Dalam melakukan

pengecekan dan perawatan mesin sepeda motor, para teknisi bengkel sering

kali lebih cepat mengetahui kerusakan yang terjadi pada sebuah mesin

sepeda motor hanya dengan mendengar suara mesin sepeda motor tersebut.

Hal ini mereka lakukan untuk mempercepat dalam mendiagnosa kerusakan

mesin sepeda motor tanpa harus membongkar mesin terlebih dahulu.

Pada tahun 2011, terdapat penelitian yang dilakukan oleh sekelompok

mahasiswa Teknik Elektro Universitas Jendral Soedirman, mengenai sistem

pendeteksian kerusakan mesin sepeda motor 4-langkah berbasis suara

menggunakan Support Vector Machine (SVM). Dari penelitian tersebut

diperoleh informasi bahwa kerusakan sepeda motor dapat dideteksi dengan


2

baik melalui suara dan penggunaan SVM dalam proses identifikasi suara

mampu memberikan ketepatan pendeteksian hingga mencapai 100%

(Susilawati, dkk 2011). Pada tahun 2007, terdapat penelitian yang dilakukan

oleh sekelompok mahasiswa Teknik Elektro Sekolah Tinggi Teknologi

Telkom, mengenai pengenalan suara jantung menggunakan metode LPC

dan JST-BP. Dari penelitian tersebut diketahui bahwa metode ekstraksi ciri

menggunakan LPC memberikan hasil yang menjanjikan untuk pengenalan

suara secara otomatis, sehingga tingkat keberhasilan pada saat pendeteksian

semakin tinggi. Hal tersebut terbukti dengan nilai sensitivitas total untuk

klasifikasi 4 kelas TP adalah 96.55% (Anggraeni, dkk 2007). Pada tahun

2012, terdapat penelitian yang dilakukan oleh sekelompok mahasiswa

Teknik Elektro Universitas Diponegoro, mengenai Aplikasi Pencirian

Dengan Linear Predictive Coding Untuk Pembelajaran Pengucapan Nama

Hewan Dalam Bahasa Inggris Menggunakan Jaringan Syaraf Tiruan

Propagasi Balik. Dari penelitian tersebut di peroleh kesimpulan bahwa

metode Jaringan Syaraf Tiruan Propagasi Balik mampu untuk mengenali

pola suara dengan tingkat pengenalan yang tinggi, terbukti dengan

presentasi benar antara 80-99% (Rohman, dkk 2012).

Berdasarkan beberapa penelitian diatas, untuk mengatasi

permasalahan tentang identifikasi kerusakan mesin sepeda motor tersebut,

maka dalam penelitian ini akan dibuat sebuah aplikasi yang mampu untuk

mengidentifikasi kerusakan mesin sepeda motor berdasarkan suara mesin

dengan menggunakan fitur Linear Predictive Coding (LPC) untuk proses

ekstraksi ciri suara dan untuk pengenalan pola sinyal suara menggunakan

metode Jaringan Saraf Tiruan Back Propagation. Dengan adanya sistem ini

diharapkan dapat membantu masyarakat yang kurang mengerti dengan

mesin sepeda motor untuk dapat mengidentifikasi sendiri kerusakan mesin

sepeda motor mereka dan juga dapat membantu khususnya teknisi mesin

sepeda motor dalam mendiagnosa kerusakan mesin.


3

1.2 Rumusan Masalah

Berdasarkan permasalahan yang diuraikan pada latar belakang diatas,

maka diperoleh rumusan masalah dari penelitian ini yaitu:

1. Bagaimana metode Jaringan Syaraf Tiruan Back Propagation mampu

untuk mengenali kerusakan mesin sepeda motor berdasarkan suara

mesin dengan cepat dan tepat.

2. Berapakah akurasi tertinggi yang dapat dihasilkan oleh metode Jaringan

Syaraf Tiruan Back Propagation dalam mengklasifikasikan suara mesin

sepeda motor.

Hasil ekstraksi ciri menggunakan fitur LPC diharapkan mampu untuk

menunjukkan perbedaan antar karakter masing-masing suara mesin, yang

dapat mempermudah metode Jaringan Syaraf Tiruan Back Propagation

dalam melakukan klasifikasi untuk setiap suara mesin sepeda motor.

1.3 Tujuan

Tujuan dari penelitian ini adalah membuat aplikasi yang mampu:

1. Melakukan ekstraksi ciri file suara mesin menggunakan fitur LPC untuk

mendapatkan perbedaan karakter suara pada masing-masing jenis

kerusakan mesin

2. Mengklasifikasikan file suara mesin berdasarkan jenis kerusakan mesin

menggunakan metode Jaringan Syaraf Tiruan Back Propagation.

Aplikasi ini kiranya akan sangat berguna dikemudian hari untuk

membantu masyarakat dan khususnya para teknisi mesin sepeda motor

dalam mendiagnosa awal kondisi mesin sepeda motor.


4

1.4 Batasan Masalah

Untuk membahas topik yang lebih terarah dan terfokus pada tujuan

yang akan dicapai, maka batasan masalahnya adalah sebagai berikut :

1. Input data berupa file rekaman suara dalam bentuk format “.wav”

dengan frekuensi rate 44,100 hz, dengan panjang data suara selama 3

detik.

2. Proses pengidentifikasian kerusakan mesin sepeda motor dibagi

kedalam 4 jenis yaitu mesin sepeda motor normal, kerusakan katup/klep

sepeda motor, kerusakan rantai kamprat sepeda motor, dan kerusakan

batang piston/stang seher sepeda motor.

3. Mesin sepeda motor yang diidentifikasi yaitu mesin sepeda motor

bebek 4-tak non injeksi dan non matic, dengan tahun keluaran diatas

tahun 2000, volume silinder 110-150cc dan kondisi oli mesin serta

knalpot dalam keadaan normal/standard.

1.5 Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab

dengan susunan sebagai berikut :

BAB I : PENDAHULUAN

Pada bab ini dijelaskan mengenai latar belakang masalah yang

mendorong dibangunnya sistem, rumusan masalah, tujuan dibangunnya

sistem, batasan masalah dalam dibangunnya sistem, dan sistematika

penulisan yang digunakan dalam menyelesaikan penelitian tugas akhir ini.

BAB II : LANDASAN TEORI

Pada bab ini akan diuraikan mengenai teori – teori dasar serta metode

yang digunakan dalam pembangunan sistem pada penelitian ini beserta

dengan teori – teori pendukung lainnya. Teori tersebut antara lain mengenai

teori Linear Predictive Coding (LPC) untuk ekstraksi ciri sinyal suara, dan

metode Jaringan Saraf Tiruan khususnya model Back Propagation untuk


5

proses pengenalan pola sinyal suara, yang akan digunakan dalam

perancangan sistem.

BAB III : METODOLOGI PENELITIAN

Pada bab ini akan dibahas mengenai analisa dan perancangan hal – hal

atau komponen – komponen yang akan digunakan untuk melakukan

penelitian, serta perancangan sistem secara lengkap.

BAB IV : IMPLEMENTASI DAN ANALISA HASIL

Pada bab ini akan dijelaskan mengenai implementasi sistem, sarana

yang dibutuhkan, penerapan rancangan yang telah dibuat dalam suatu

program, cara pengoperasian sistem, hasil implementasi, serta analisis dan

evaluasi dari hasil implementasi.

BAB V : PENUTUP

Pada bab ini akan digambarkan kesimpulan dari seluruh penelitian dan

saran – saran yang diusulkan untuk pengembangan lebih lanjut.


6

2 BAB II

LANDASAN TEORI

Bab ini berisi penjabaran mengenai teori – teori yang mendukung dalam

penelitian ini. Teori – teori yang digunakan dalam penelitian ini yaitu teori mesin

sepeda motor, teori audio/suara, proses ekstraksi ciri sinyal suara menggunakan

fitur Linear Predictive Coding (LPC), metode untuk pengenalan pola sinyal suara

menggunakan Jaringan Saraf Tiruan khususnya model Back Propagation, teori K-

Fold Cross Validation, dan teori Confussion Matrix.

2.1 Mesin Sepeda Motor

Mesin merupakan penghasil tenaga pada suatu kendaraan bermotor,

termasuk sepeda motor. Sepeda motor adalah kendaraan beroda dua yang

digerakkan oleh sebuah mesin. Letak kedua roda sebaris lurus dan pada

kecepatan tinggi sepeda motor tetap stabil disebabkan oleh gaya giroskopik.

Mesin mempunyai komponen utama berupa silinder blok, silinder kop,

dan karter (khusus motor 4 tak). Masing-masing komponen tersebut,

terutama pada komponen pertama dan kedua masih dapat dirinci lagi

menjadi beberapa sub-komponen. Di samping itu, masing-masing

komponen tersebut di atas mempunyai fungsi tertentu, sesuai dengan cara

kerja suatu motor. Salah satu komponen dalam mesin sepeda motor yaitu

blok silinder. Blok silinder bisa dikatakan bagian yang penting pada suara

mesin. Blok silinder tempat piston bergerak bolak balik dan tempat

beberapa komponen kelistrikan dipasangkan (Sutiman & Solikin, 2005).

Gambar 2.1 Blok Silinder (Sutiman & Solikin, 2005)


https://id.wikipedia.org/wiki/Kendaraan

https://id.wikipedia.org/wiki/Mesin

https://id.wikipedia.org/wiki/Giroskop

7

Selain itu, terdapat komponen-komponen yang disebut komponen

bergerak, yang mempengaruhi suara dari mesin sepeda motor. Diantaranya

piston, ring piston, batang piston, poros engkol (crankshaft), katup/klep, dan

rantai kamprat (Sutiman & Solikin, 2005). Suara yang ditimbulkan oleh

bergeraknya komponen-komponen tersebut dapat menunjukkan kondisi dari

mesin sepeda motor tersebut. Jika mesin sepeda motor dalam kondisi

normal maka suara mesin menunjukkan seluruh komponen bekerja dengan

baik, namun apabila terjadi kerusakan terhadap beberapa komponen, maka

akan timbul suara-suara yang berbeda dari komponen tersebut. Berikut

beberapa kondisi mesin sepeda motor berdasarkan perbedaan suara

bergeraknya komponen-komponen dalam mesin sepeda motor.

2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara

Secara umum, berbagai macam cara dapat dilakukan untuk

mengetahui kondisi dari mesin sepeda motor. Beberapa cara yang

dapat dilakukan antara lain dengan langsung mengecek mesin sepeda

motor dengan membongkar langsung mesin atau hanya dengan

mendengar suara mesin sepeda motor tersebut. Kebanyakan yang

dilakukan oleh para teknisi bengkel dan masyarakat yang mengerti

akan mesin sepeda motor adalah dengan mendengar langsung suara

mesin sepeda motor. Hal tersebut dikarenakan lebih mudah dan

cepat untuk mendiagnosa kerusakan yang terjadi pada mesin sepeda

motor. Berbagai macam alat dapat digunakan untuk membantu

dalam mengidentifikasi kerusakan mesin sepeda motor secara

manual melalui suara, diantaranya adalah menggunakan stetoskop

mekanik hingga menggunakan batang besi ataupun obeng yang

ditempelkan langsung ke mesin sepeda motor dan ke telinga

manusia.

Dari banyaknya kondisi pada mesin sepeda motor, terdapat

beberapa jenis suara yang sering diidentifikasi melalui suara mesin,

diantaranya sebagai berikut :


8

2.1.1.1 Mesin Sepeda Motor Normal

Apabila kondisi mesin sepeda motor dalam keadaan

normal, maka suara mesin akan terasa halus tanpa ada

bunyi – bunyian yang mengganggu (noise) ketika mesin

dinyalakan hingga rpm menunjuk angka 3000rpm. Tidak

terdapat suara kasar yang timbul dari bergeraknya

komponen-komponen dalam mesin sepeda motor (Sutiman

& Solikin, 2005).

Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005)

2.1.1.2 Kerusakan Batang Piston/Stang Seher Pada Mesin

Sepeda Motor

Batang piston sering juga disebut dengan setang

seher, berfungsi menghubungkan piston dengan poros

engkol. Batang piston meneruskan gerakan piston ke poros

engkol, dimana gerak bolak-balik piston dalam ruang

silinder diteruskan oleh batang piston menjadi gerak putaran

(rotary) pada poros engkol. Ini berarti jika piston bergerak

naik turun, poros engkol akan berputar. Dalam pergerakan

batang piston timbul suara yang menandakan poros engkol

sedang berputar. Dalam keadaan normal suara yang timbul

akan terdengar halus, namun apabila batang piston dalam

keadaan longgar atau bahkan patah, maka akan muncul

suara berisik pada mesin. Hal ini menandakan mesin sepeda

motor dalam keadaan rusak (Sutiman & Solikin, 2005).


9

Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)

2.1.1.3 Kerusakan Katup/Klep Pada Mesin Sepeda Motor

Katup digerakkan oleh mekanisme katup, yang terdiri

atas poros cam, batang penekan, pegas penutup, dan rol

baut penyetel. Katup pada motor empat langkah (4 tak)

terpasang pada kepala silinder. Tugas katup untuk

membuka dan menutup ruang bakar. Setiap silinder

dilengkapi dengan dua jenis katup (hisap dan buang).

Fungsi katup sebenarnya untuk memutuskan dan

menghubungkan ruang silinder di atas piston dengan udara

luar pada saat yang dibutuhkan. Karena proses pembakaran

gas dalam silinder mesin harus berlangsung dalam ruang

bakar yang tertutup rapat. Jika sampai terjadi kebocoran gas

meski sedikit, maka proses pembakaran akan terganggu.

Oleh karenanya katup-katup harus tertutup rapat pada saat

pembakaran gas berlangsung. Setelan katup yang sudah

longgar bisa menyebabkan suara mesin sepeda motor

terdengar berisik. Suara berisik akan semakin terdengar

ketika putaran gas semakin ditinggikan. Selain itu, setelan

katup yang lemah juga menjadi penanda kerusakan suatu

mesin sepeda motor (Sutiman & Solikin, 2005).


10

Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)

2.1.1.4 Kerusakan Rantai Kamprat Pada Mesin Sepeda Motor

Agar pembukaan katup-katup sesuai dengan proses

yang terjadi dalam ruang bakar maka mekanisme

pembukaan dan penutupan katup-katup tersebut digerakkan

oleh putaran poros engkol. Ada tiga macam mekanisme

penggerak katup, yaitu dengan batang pendorong, roda gigi,

dan rantai kamprat. Rantai kamprat sepeda motor harus

dipasang dengan tegangan yang cukup. Rantai kamprat

yang terlalu tegang akan menimbulkan bunyi mendesing

terutama pada putaran tinggi sedangkan rantai kamprat yang

terlalu kendor akan menimbulkan suara berisik. Jika

kekencangan rantai berubah-ubah, akan berpengaruh pada

putaran mesin, valve timing atau saat pengapian akan

berubah-ubah pula. Oleh sebab itu, suara berisik pada rantai

kamprat dapat menunjukkan kerusakan pada mesin

(Sutiman & Solikin, 2005).

Gambar 2.5 Rantai Kamprat (Sutiman & Solikin, 2005)


11

2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor

Berikut ini beberapa kata atau istilah penting dalam mesin sepeda

motor yang disesuaikan dengan bahasa yang digunakan oleh teknisi mesin

secara umum (Sutiman & Solikin, 2005).

Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor

Istilah Keterangan

CC Cubic Capacity (Kapasitas Kubik), satuan yang

digunakan untuk mengukur mesin.

Knalpot

Pipa dibagian belakang motor tempat membuang

gas-gas beracun yang terbentuk saat bensin

dibakar. Knalpot juga digunakan untuk

mengurangi kebisingan mesin.

RPM Revolution Per Minute, banyaknya putaran pada

mesin dalam satu menit.

Silinder

Bagian dari mesin dimana bahan bakar diolah

untuk menjadi tenaga untuk menjalankan sepeda

motor

Seher Piston atau torak.

Stang Seher

Connecting Rod (Batang Piston), adalah

penghubung antara piston dan poros engkol,

yang berfungsi untuk mengubah gerakan bolak

balik piston menjadi gerak putar.

Poros Engkol

Crankshaft, berfungsi meneruskan daya yang

didapat dari piston ke penggerak roda. Disinilah

putaran mesin terjadi.

Rantai Kamprat

Timing Chain (Rantai Keteng), berfungsi untuk

memutar camshaft sehingga didapat pembukaan

dan penutupan katup dengan waktu yang tepat

sesuai putaran mesin dan langkah kerja mesin.

Poros Kam Camshaft, berfungsi untuk mengatur gerakan


12

valve (gerakan membuka dan menutup).

Klep

Valve (Katup), berfungsi untuk mengatur keluar

masuk udara dan bahan bakar kedalam dan

keluar silinder.

2.3 Audio/Suara

Audio atau suara merupakan gelombang yang mengandung sejumlah

komponen penting (amplitudo, panjang gelombang dan frekuensi) yang

dapat menyebabkan suara yang satu berbeda dari suara lain. Amplitudo

adalah kekuatan atau daya gelombang sinyal. Tinggi gelombang bisa dilihat

dalam sebuah grafik. Gelombang yang lebih tinggi diinterpretasikan sebagai

volume yang lebih tinggi. Suara beramplitudo lebih besar akan terdengar

lebih keras. Frekuensi adalah jumlah dari siklus yang terjadi dalam satu

detik. Satuan dari frekuensi adalah Hertz atau disingkat Hz. Getaran

gelombang suara yang cepat membuat frekuensi semakin tinggi. Misalnya,

bila menyanyi dalam pita suara tinggi memaksa tali suara untuk bergetar

secara cepat. Suara dengan frekuensi lebih besar akan terdengar lebih tinggi.

Gelombang suara adalah gelombang yang dihasilkan dari sebuah

benda yang bergetar. Sebagai contoh, senar gitar yang dipetik, gitar akan

bergetar dan getaran ini merambat di udara, atau air, atau material lainnya.

Satu-satunya tempat dimana suara tak dapat merambat adalah ruangan

hampa udara. Gelombang suara ini memiliki lembah dan bukit, satu buah

lembah dan bukit akan menghasilkan satu siklus atau periode. Siklus ini

berlangsung berulang-ulang, yang membawa pada konsep frekuensi.

Telinga manusia dapat mendengar bunyi antara 20 Hz hingga 20 kHz

(20.000 Hz) sesuai batasan sinyal audio. Karena pada dasarnya sinyal suara

adalah sinyal yang dapat diterima oleh telinga manusia. Angka 20 Hz

sebagai frekuensi suara terendah yang dapat didengar, sedangkan 20 KHz

merupakan frekuensi tertinggi yang dapat didengar. Gelombang suara

bervariasi sebagaimana variasi tekanan media perantara seperti udara. Suara

diciptakan oleh getaran dari suatu obyek, yang menyebabkan udara

disekitarnya bergetar. Getaran udara ini kemudian menyebabkan gendang


13

telinga manusia bergetar, yang kemudian oleh otak dianggap sebagai suara

(Sutara, 2014).

2.4 Ekstraksi Ciri Sinyal Suara

Untuk mengekstraksi sinyal dari suara mesin sepeda motor, dalam

penelitian ini digunakan fitur Linear Predictive Coding (LPC). Proses ini

merupakan tahapan penting dalam klasifikasi suara mesin sepeda motor.

Dari proses ini akan diperoleh ciri sinyal suara untuk membedakan tiap jenis

suara mesin berdasarkan orde yang ditentukan. Berikut ini teori mengenai

fitur LPC.

2.4.1 Linear Predictive Coding (LPC)

Linear Predictive Coding (LPC) merupakan salah satu teori

dalam digital signal processing. Linear Predictive Coding (LPC)

secara sederhana adalah suatu sistem pengkodean (coding) untuk

mengkodekan sinyal menjadi suatu sistem kode tertentu. Sistem

kode ini adalah pemodelan dari sinyal suara tersebut dalam bentuk

yang lain. Jadi, dari sinyal suara yang mula-mula berupa amplitudo

berbasis time domain, diubah menjadi model tertentu. Model yang

dihasilkan ini adalah berupa koefisien-koefisien filter synthesizer

setelah melalui tahapan-tahapan pada proses LPC.

Prinsip dasar dari ekstraksi ciri sinyal dengan menggunakan

LPC adalah bahwa contoh sinyal ucapan s(n) pada waktu ke-n dapat

diperkirakan sebagai kombinasi linear p sampel sinyal ucapan

sebelumnya yaitu :

s(n) ≈ 𝑎1s(n − 1) + 𝑎2s(n − 2) + ⋯ + 𝑎𝑝s(n − p) (2.1)

dimana, koefisien 𝑎1, 𝑎2, … , 𝑎𝑝 diasumsikan konstan untuk satu

frame analisa sinyal suara (Khrisnadi, 2005).

Langkah-langkah proses analisis LPC untuk mendapatkan

koefisien LPC pada proses ekstraksi ciri sinyal suara, yang

digunakan dalam penelitian ini adalah sebagai berikut :


14

1. Frame Blocking

Sinyal suara yang telah dimasukkan diblok atau dibagi ke

dalam beberapa frame yang terdiri dari N-sampel suara, dengan

jarak antara frame yang berdekatan dipisahkan oleh M-sampel.

Jika M ≤ N, maka beberapa frame yang berdekatan akan saling

overlap dan hasil estimasi spektral LPC akan berkorelasi dari

frame ke frame. Sebaliknya, jika M > N, maka tidak akan ada

overlap antara frame yang berdekatan sehingga beberapa isyarat

sinyal suara akan hilang total.

Sebagai contoh, setiap frame 30 ms dengan overlap pada 20 ms.

Gambar 2.6 frame blocking (Khrisnadi, 2005)

2. Windowing

Windowing digunakan untuk mengurangi discontinuitas

sinyal pada awal dan akhir frame. Windowing dilakukan pada

setiap frame yang didapat dari frame blocking. Teknik

windowing yang biasa digunakan adalah “Hamming Window”

dengan persamaan :

𝑤(𝑛) = 0,54 − 0,46𝑐𝑜𝑠 (2𝜋𝑛

𝑁−1) , 0 ≤ 𝑛 ≤ 𝑁 − 1 (2.2)

Jika window didefinisikan sebagai w(n), maka hasil dari

penjendelaan sinyal adalah :

�̃�1(𝑛) = �̃�(𝑛)𝑤(𝑛), 0 ≤ 𝑛 ≤ 𝑁 − 1 … … …. (2.3)


15

3. Analisis Autokorelasi

Setiap frame dari sinyal setelah melalui proses windowing,

kemudian dikonversi menjadi sebuah matriks 1 x (panjang 1

frame). Lalu dilakukan analisis autokorelasi dengan rumus

sebagai berikut :

𝑟1(𝑚) = ∑ �̃�1(𝑛)�̃�1(𝑛 + 𝑚)𝑁−1−𝑚𝑛=0 , 𝑚 = 0,1, … 𝑝 (2.4)

Dengan nilai autokorelasi tertinggi p adalah orde LPC. Nilai p

biasanya antara 8 sampai 16.

4. Analisis LPC

Proses selanjutnya adalah analisis LPC, yang mengubah

hasil dari analisis autokorelasi p+1 ke dalam bentuk parameter-

parameter LPC atau yang biasa disebut dengan koefisien LPC.

Metode yang biasa digunakan dalam analisis LPC ini adalah

metode Levinson-Durbin yang mempunyai algoritma sebagai

berikut (Rohman dkk, 2012) :

𝐸(0) = 𝑟(0) (2.5)

𝑘𝑖 ={𝑟(𝑖)−∑ 𝛼𝑗

(𝑖−1)𝑟(|𝑖−𝑗|)𝐿−1

𝑗−1 }

𝐸(𝑖−1) , 1 ≤ 𝑖 ≤ 𝑝 (2.6)

𝛼𝑖(𝑖)

= 𝑘𝑖 (2.7)

𝛼𝑗(𝑖)

= 𝛼𝑗(𝑖−1)

− 𝑘𝑖𝛼𝑖−𝑗(𝑖−𝑗)

, 1 ≤ 𝑗 ≤ 𝑖 − 1 (2.8)

𝐸(𝑖) = (1 − 𝑘𝑖2)𝐸(𝑖−1) (2.9)

Dengan menyelesaikan persamaan 2.5 sampai 2.9 secara

rekursif untuk i = 1,2,….,p , koefisien LPC diperoleh sebagai

berikut :

𝛼𝑚 = 𝛼𝑚(𝑝)

, 1 ≤ 𝑚 ≤ 𝑝 (2.10)


16

5. Nilai delta () dari Koefisien LPC

Hasil dari koefisien LPC kemudian dicari nilai delta-nya

dengan menghitung nilai turunannya. Untuk menghitung nilai

delta-nya digunakan persamaan berikut ini (Ellis, 2003):

∆𝑦𝑡 = 𝑦(𝑡+𝐷) − 𝑦(𝑡−𝐷) (2.11)

Dimana D mewakili jumlah dari frame untuk menutup

kedua sisi frame saat ini dan dengan demikian dapat mengontrol

window Y dengan pembedaan operasi. D diset bernilai 1 atau 2.

ΔYt adalah koefisien delta yang dihitung dari frame t untuk

vektor fitur LPC. Nilai dari delta diatas akan diturunkan lagi

menjadi nilai delta delta. Berikut ini adalah persamaannya :

∆∆𝑦𝑡 = ∆𝑦(𝑡+𝐷) − ∆𝑦(𝑡−𝐷) (2.12)

Hasil dari perhitungan delta dan delta delta akan

ditambahkan ke vector ciri yang sudah berisi koefisien LPC tadi,

sehingga menghasilkan vector ciri yang lebih besar.

2.5 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang

memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2005).

Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model

matematika dari jaringan syaraf biologis, dengan asumsi bahwa :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-

penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi linier) yang dikenakan pada jumlahan input

yang diterima. Besarnya output ini selanjutnya dibandingkan dengan

suatu batas ambang.


17

Jaringan Syaraf Tiruan ditentukan oleh 3 hal:

1. Pola hubungan antar neuron (arsitekstur jaringan).

2. Metode untuk menentukan bobot penghubung.

3. Fungsi aktivasi.

Arsitekstur Jaringan merupakan salah satu hal penting dalam Jaringan

Syaraf Tiruan. Berikut ini beberapa arsitektur jaringan yang sering

digunakan dalam Jaringan Syaraf Tiruan :

1. Jaringan Lapis Tunggal

Dalam jaringan ini, sekumpulan input neuron dihubungkan

langsung dengan sekumpulan output-nya. Dalam jaringan lapis tunggal,

bobot satu unit keluaran tidak mempengaruhi bobot unit keluaran

lainnya.

Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005)

Pada gambar 2.7 terdapat n unit input (𝑥1, 𝑥𝑖, … , 𝑥𝑛) dan m buah

unit output (𝑌1, 𝑌𝑗 , … , 𝑌𝑚). Kemudian (𝑤11, 𝑤𝑗1, … , 𝑤𝑚) menyatakan

bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam

output. Selama proses pelatihan, bobot-bobot tersebut akan

dimodifikasi untuk memperoleh keakuratan hasil yang maksimal.

2. Jaringan Lapis Majemuk


18

Jaringan lapis majemuk merupakan perluasan dari jaringan lapis

tunggal. Dalam jaringan lapis majemuk, selain unit input dan output,

ada pula unit lain, yang berada diantara unit input dan output (sering

disebut lapis tersembunyi). Dalam jaringan ini dimungkinkan ada

beberapa lapis tersembunyi. Unit dalam satu layar tidak saling

berhubungan.

Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005)

Pada gambar 2.8 terdapat n buah unit input (𝑥1, 𝑥𝑖 , … , 𝑥𝑛) dan m

buah unit output (𝑌1, 𝑌𝑗 , … , 𝑌𝑚), sebuah lapis tersembunyi yang terdiri

dari p buah unit (𝑧1, … , 𝑧𝑝). Jaringan ini dapat menyelesaikan masalah

yang lebih kompleks.

2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation

Jaringan Syaraf Tiruan Back Propagation pada umumnya

membandingkan perhitungan keluaran Jaringan Syaraf Tiruan

dengan target keluaran dan menghitung nilai error untuk setiap unit

jaringan. Back Propagation adalah salah satu algoritma yang

menggunakan metode terawasi (supervised learning), dan termasuk

jaringan MLP (Multi Layer Perceptron) / Jaringan Lapis Majemuk.

Metode ini merupakan salah satu metode yang sangat baik dalam

menangani masalah pengenalan pola-pola kompleks. Di dalam

jaringan ini, setiap unit yang berada di lapisan input berhubungan


19

dengan setiap unit yang ada di lapisan tersembunyi. Sedangkan

setiap unit di lapisan tersembunyi berhubungan dengan setiap unit di

lapisan output.

Dalam pola pelatihannya, jaringan ini akan diberi input-an

yang akan diteruskan ke dalam layar tersembunyi dan menuju hingga

output. Ketika hasil keluaran ternyata tidak sesuai dengan harapan

maka keluaran akan kembali disebarkan mundur (backward) pada

lapisan tersembunyi hingga menuju input. Tahap selanjutnya adalah

dengan melakukan perubahan bobot. Iterasi ini terus dilakukan

hingga ditemukan penyelesaian yang optimal (Siang, 2005).

1. Arsitektur Back Propagation

Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005)

Gambar 2.9 merupakan arsitektur jaringan syaraf tiruan

back propagation dengan n buah input ditambah sebuah bias,

sebuah lapis tersembunyi yang terdiri dari p unit ditambah

sebuah bias, dan sebuah lapis unit keluaran.

2. Fungsi Aktivasi

Dalam jaringan syaraf tiruan back propagation, fungsi

aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu :

kontinu, terdeferensial dengan mudah dan merupakan fungsi


20

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat

tersebut sehingga sering dipakai adalah fungsi sigmoid biner

yang memiliki range (0,1).

𝑓(𝑥) =1

1+𝑒−𝑥 dengan turunan 𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (2.13)

Fungsi lain yang sering dipakai adalah sigmoid bipolar

dengan range (-1,1).

𝑓(𝑥) =2

1+𝑒−𝑥 − 1 dengan turunan 𝑓′(𝑥) =(1+𝑓(𝑥))(1−𝑓(𝑥))

2 (2.14)

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk

pola yang targetnya > 1, pola masukkan dan keluaran harus

terlebih dahulu ditransformasi sehingga semua polanya memiliki

range yang sama seperti fungsi sigmoid yang dipakai. Alternatif

lain adalah menggunakan fungsi aktivasi sigmoid hanya pada

lapis yang bukan lapis keluaran. Pada lapis keluaran, fungsi

aktivasi yang dipakai adalah fungsi identitas : 𝑓(𝑥) = 𝑥.

3. Proses Pelatihan Back Propagation

Proses Pelatihan Jaringan Syaraf Tiruan Back Propagation

terdiri dari 3 proses yaitu propagasi maju, propagasi mundur,

perubahan bobot. Ketiga proses tersebut diulang-ulang sampai

kondisi penghentian terpenuhi. Umumnya penghentian yang

dipakai adalah iterasi dan error. Iterasi akan dihentikan jika

iterasi melebihi iterasi yang ditentukan. Atau jika error sudah

lebih kecil dari yang ditentukan.

1. Propagasi Maju

Selama propagasi maju, sinyal masukkan (= 𝑥𝑖)

dipropagasikan ke lapis tersembunyi menggunakan fungsi

aktivasi yang ditentukan. Keluaran dari setiap unit lapis

tersembunyi (= 𝑧𝑗) tersebut selanjutnya dipropagasikan

maju lagi ke lapis tersembunyi di atasnya. Demikian

seterusnya hingga mendapatkan luaran jaringan (= 𝑦𝑘).


21

Berikutnya, luaran jaringan (= 𝑦𝑘) dibandingkan

dengan target yang harus dicapai (= 𝑡𝑘). Selisih 𝑡𝑘 − 𝑦𝑘

adalah error yang terjadi. Jika nilai error lebih kecil dari

yang telah ditentukan, maka iterasi dihentikan, jika tidak,

maka bobot setiap garis dimodifikasi untuk mengurangi

error yang terjadi.

2. Propagasi Mundur

Berdasarkan error 𝑡𝑘 − 𝑦𝑘, dihitung faktor 𝛿𝑘(𝑘 =

1,2, … , 𝑚) yang dipakai untuk mendistribusikan error di

unit 𝑦𝑘 ke semua unit tersembunyi yang terhubung langsung

dengan 𝑦𝑘. 𝛿𝑘 juga dipakai untuk mengubah bobot garis

yang berhubungan langsung dengan unit luaran.

Dengan cara yang sama, dihitung faktor 𝛿𝑗 di setiap

unit lapis tersembunyi sebagai dasar perubahan bobot

semua garis yang berasal dari unit tersembunyi di

bawahnya. Demikian seterusnya hingga semua faktor 𝛿 di

unit tersembunyi yang berhubungan langsung dengan unit

masukkan dihitung.

3. Perbaikan Bobot

Setelah semua faktor 𝛿 dihitung, bobot semua garis

dimodifikasi bersamaan. Perubahan bobot suatu garis

didasarkan atas faktor 𝛿 neuron di lapis atasnya.

Algoritma pelatihan untuk jaringan dengan satu layar

tersembunyi (dengan fungsi aktifasi sigmoid biner) adalah sebagai

berikut (Siang, 2005) :

Langkah 0: Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1: jika kondisi penghentian belum terpenuhi maka lakukan

langkah 2-9.

Langkah 2: untuk setiap pasang data pelatihan, lakukan langkah 3-8

Fase I : Propagasi Maju


22

Langkah 3: tiap unit masukan menerima sinyal kemudian

meneruskan ke unit tersembunyi di atasnya.

Langkah 4: hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j = 1, 2,

… , p)

𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗𝑜 + ∑ 𝑥𝑖𝑣𝑗𝑖𝑛𝑖=1 (2.15)

𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗) (2.16)

Langkah 5: hitung semua keluaran di unit tersembunyi 𝑦𝑘 (k = 1, 2,

… , m).

𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘𝑜 + ∑ 𝑧𝑗𝑤𝑘𝑗𝑛𝑗=1 (2.17)

𝑧𝑗 = 𝑓(𝑦_𝑛𝑒𝑡𝑘) (2.18)

Fase II : Propagasi Mundur

Langkah 6: hitung faktor 𝛿𝑘 unit keluaran berdasarkan error setiap

unit keluaran 𝑦𝑘 (k = 1, 2, … , m).

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (2.19)

Hitung suku perubahan bobot 𝑤𝑘𝑗 dengan laju percepatan 𝛼

∆𝑤𝑘𝑗 = 𝛼𝛿𝑘𝑧𝑗 ; 𝑘 = 1, 2, … , 𝑚;𝑗 = 0, 1, … , 𝑝 (2.20)

Langkah 7: hitung faktor 𝛿 unit tersembunyi berdasarkan error di

setiap unit tersembunyi 𝑧𝑗 = (𝑗 = 1,2, … , 𝑝)

𝛿_𝑛𝑒𝑡𝑖 = ∑ 𝛿𝑘𝑤𝑘𝑗𝑚𝑘=1 (2.21)

𝛿𝑖 = 𝛿_𝑛𝑒𝑡𝑖𝑧𝑗(1 − 𝑧𝑗) (2.22)

Hitung suku perubahan bobot 𝑣𝑗𝑖

∆𝑣𝑗𝑖 = 𝛼𝛿𝑖𝑥𝑖 ; = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛 (2.23)

Fase III : Perubahan Bobot

Langkah 8: Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran:

𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (𝑘 = 1,2, … , 𝑚 ; 𝑗 = 0,1, … , 𝑝) (2.24)

Perubahan bobot garis yang menuju ke unit tersembunyi:

𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (𝑗 = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛) (2.25)

Langkah 9: bandingkan kondisi penghentian


23

Jaringan Syaraf Tiruan Back Propagation memiliki kelemahan

tentang berapa epoch yang harus dilalui untuk memperoleh hasil

yang diinginkan.

Faktor-faktor penting dari Jaringan Syaraf Tiruan Back

Propagation agar jaringan bekerja dengan maksimal adalah:

1. Pemilihan Bobot dan Bias Awal

Nguyen dan widrow (1990) mengusulkan cara membuat

inisialisasi bobot dan bias ke unit tersembunyi sehingga

menghasilkan iterasi yang lebih cepat.

Misal:

n = jumlah unit masukan

p = jumlah unit tersembunyi

𝛽 = factor skala = 0.7 √𝑝𝑛

Algoritma inisialisasi:

Langkah 1: Inisisalisasi semua bobot (𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)) dengan

bilangan acak dalam interval [-0.5, 0.5].

Langkah 2: hitung ‖𝑣𝑗‖ = √𝑣𝑗12 + 𝑣𝑗2

2 + ⋯ + 𝑣𝑗𝑛2 (2.26)

Langkah 3: bobot yang dipakai sebagai inisialisasi = 𝑣𝑗𝑖 =

𝛽𝑣𝑗𝑖(𝑙𝑎𝑚𝑎)

‖𝑣𝑗‖ (2.27)

Langkah 4: bias yang dipakai sebagai inisialisasi = 𝑣𝑗0 =

bilangan acak antara – 𝛽 dan 𝛽.

2. Jumlah Unit Tersembunyi

Jaringan dengan sebuah lapis tersembunyi sudah cukup

bagi Jaringan Syaraf Tiruan Back Propagation untuk mengenali

sembarang kelas antara masukan dan target dengan tingkat

ketelitian yang ditentukan.

Jika jaringan memiliki lebih dari 1 lapis tersembunyi maka

algoritma pelatihan perlu direvisi. Dalam Fase I, keluaran harus

dihitung untuk tiap lapis, dimulai dari lapis tersembunyi paling


24

bawah. Kemudian dalam fase II, faktor 𝛿 perlu dihitung untuk

tiap lapis tersembunyi, dimulai dari lapis keluaran.

3. Jumlah Pola Pelatihan

Jumlah pola pelatihan ditentukan oleh banyaknya bobot

dan tingkat akurasi yang diinginkan.

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑜𝑙𝑎 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑜𝑏𝑜𝑡

𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 (2.28)

2.6 K-Fold Cross Validation

K-Fold Cross Validation adalah metode yang digunakan dalam proses

pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian

satu dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, &

Kumar, 2006).

Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang

sama. Pertama, data bagian 1 digunakan sebagai data pelatihan dan data

bagian 2 digunakan sebagai data pengujian. Kedua, data bagian 2 digunakan

sebagai data pelatihan dan data bagian 1 digunakan sebagai data pengujian.

Contoh ini disebut sebagai 2-Fold Cross Validation.

K-Fold Cross Validation menjadikan data pelatihan dan pengujian

tidak sama. Data pelatihan tidak digunakan sebagai data pengujian.

2.7 Confusion Matrix

Data pelatihan dan pengujian merupakan data yang berbeda sehingga

klasifikasi dapat diuji dengan benar. Nilai akurasi berdasarkan hasil

klasifikasi dihitung dari jumlah data yang dikenali sesuai dengan target

kelasnya. Perhitungan akurasi pada klasifikasi data dihitung menggunakan

tabel yang bernama Confusion Matrix (Tan, Steinbach, & Kumar, 2006).

Pada tabel 2.2 merupakan Confusion Matrix untuk klasifikasi 2 kelas.


25

Tabel 2.2 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006)

Hasil Pengujian

1 0

Target

Kelas

1 F11 F10

0 F01 F00

Fij adalah jumlah data yang dikenali sebagai kelas ke-j dengan target

kelas ke-i. Dari tabel 2.2 didapat persamaan-persamaan untuk menghitung

akurasi dan tingkat kesalahan suatu klasifikasi :

1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=

𝐹11+𝐹00

𝐹11+𝐹10+𝐹01+𝐹00 (2.29)

2. Persamaan untuk menghitung error keseluruhan klasifikasi

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎=

𝐹10+𝐹01

𝐹11+𝐹10+𝐹01+𝐹00 (2.30)

3. Persamaan untuk menghitung akurasi klasifikasi kelas 1

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑎𝑠 1=

𝐹11

𝐹11+𝐹10 (2.31)

4. Persamaan untuk menghitung error klasifikasi kelas 1

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 1


𝐹10

𝐹11+𝐹10 (2.32)

5. Persamaan untuk menghitung akurasi klasifikasi kelas 0

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0


𝐹00

𝐹01+𝐹00 (2.33)

6. Persamaan untuk menghitung error klasifikasi kelas 0

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑒𝑙𝑎𝑠 0


𝐹01

𝐹01+𝐹00 (2.34)


26

3 BAB III

METODOLOGI PENELITIAN

Bab ini berisi penjelasan dan proses pengolahan data yang akan digunakan

dalam penelitian ini, serta perancangan sistem yang meliputi proses ekstraksi ciri,

pelatihan dan pengujian arsitektur JST, lalu klasifikasi dan uji data, rincian

kebutuhan sistem dan juga perancangan antarmuka sistem.

3.1 Data

Data yang digunakan dalam penelitian ini adalah data rekaman suara

mesin sepeda motor. Suara mesin sepeda motor yang dipilih merupakan

suara mesin sepeda motor yang terbagi kedalam 4 kondisi, yaitu suara mesin

sepeda motor normal, suara mesin sepeda motor mengalami kerusakan

batang piston/stang seher, katup/klep, dan rantai kamprat. Keempat kondisi

mesin sepeda motor tersebut merupakan kondisi mesin yang lebih mudah

dan sering diidentifikasi oleh teknisi bengkel sepeda motor melalui suara

mesin ketika mesin dihidupkan. Untuk mendapatkan data-data suara mesin

sepeda motor, dilakukan perekaman langsung terhadap suara mesin sepeda

motor yang telah dihidupkan di bengkel-bengkel sepeda motor sesuai

dengan kondisi mesin yang telah ditentukan.

Perekaman suara mesin sepeda motor menggunakan aplikasi android

yang ada di-handphone dengan nama Easy Voice Recorder. Aplikasi ini

dapat langsung menghasilkan rekaman file suara dengan format .wav

sehingga dengan mudah hasil perekaman dari aplikasi ini dapat langsung

digunakan sebagai input-an dari aplikasi yang akan dibuat. Untuk proses

perekamannya secara langsung terhadap mesin sepeda motor, dilakukan

dengan mendekatkan handphone yang akan merekam terhadap mesin

sepeda motor yang telah dihidupkan dengan jarak antara 5-10 cm. Berikut

ini gambaran dalam cara merekam suara mesin sepeda motor menggunakan

aplikasi handphone tersebut:


27

Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor

Proses perekaman suara mesin sepeda motor tersebut dilakukan

sebanyak 40 kali terhadap sepeda motor yang berbeda – beda, sehingga

diperoleh 40 file rekaman dengan rincian, 10 data untuk kondisi mesin

sepeda motor normal dan 10 data untuk masing–masing kondisi kerusakan

mesin sepeda motor. Masing-masing file rekaman suara berdurasi sekitar

15-20 detik. Untuk mengolah 10 data tersebut akan dilakukan proses

preprosesing data sebelum masuk dalam proses ekstraksi ciri suara.

Proses preprosesing tersebut adalah mengkonversi file rekaman asli

menjadi file dengan format audio ‘.wav’, dengan nilai frekuensi rate untuk

setiap data rekaman suara mesin yaitu 44100 hz, resolusi sampling 16 bit

dan berformat PCM. Proses ini membutuhkan aplikasi bernama ‘Audacity’.

Aplikasi tersebut tidak hanya digunakan untuk mengkonversi file rekaman

menjadi format file ‘.wav’, namun juga digunakan untuk memotong-motong

setiap file rekaman suara menjadi 5 file rekaman suara dengan panjang

masing-masing 3 detik. 5 file tersebut diperoleh dengan melakukan

potongan untuk setiap file rekaman suara secara berurutan mulai dari detik

pertama. Dari proses preprosesing tersebut dihasilkan 50 file rekaman suara

mesin untuk setiap kondisi mesin sepeda motor, sehingga total menjadi 200

file ‘.wav’. 200 file tersebut yang siap diolah dalam proses ekstraksi ciri

suara.

Jarak ± 5-10 cm


28

Contoh data audio berupa sinyal digital yang digunakan dalam

penelitian ini dapat dilihat pada gambar-gambar di bawah ini. Data tersebut

ditampilkan dalam bentuk grafik sinyal dan spektrogram.

Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor

Normal

Pada gambar 3.2 , grafik pertama menggambarkan sinyal suara mesin

sepeda motor normal berdasarkan nilai amplitude-nya dalam 1 detik. Untuk

grafik kedua menggambarkan sinyal suara mesin sepeda motor normal

dalam bentuk spectrogram berdasarkan nilai frekuensi-nya dalam 1 detik.


29


Rusak Stang Seher


sepeda motor rusak stang seher berdasarkan nilai amplitude-nya dalam 1

detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor

rusak stang seher dalam bentuk spectrogram berdasarkan nilai frekuensi-nya

dalam 1 detik.


30


Rusak Klep


sepeda motor rusak klep berdasarkan nilai amplitude-nya dalam 1 detik.

Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor rusak

klep dalam bentuk spectrogram berdasarkan nilai frekuensi-nya dalam 1

detik.


31


Rusak Rantai Kamprat


sepeda motor rusak rantai kamprat berdasarkan nilai amplitude-nya dalam 1

detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor

rusak rantai kamprat dalam bentuk spectrogram berdasarkan nilai frekuensi-

nya dalam 1 detik.

3.2 Perancangan Sistem

Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan

dibuat. Proses dimulai dari ekstraksi ciri data sinyal suara, kemudian data

hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST dengan

parameter-parameter yang telah ditentukan, sehingga diperoleh model

jaringan yang menghasilkan akurasi terbaik. Kemudian dilakukan uji pada

sebuah data suara baru yang juga telah diekstraksi ciri dan dilakukan

klasifikasi menggunakan model jaringan yang telah diperoleh, sehingga

diperoleh hasil penunjukkan kelas dari data yang diklasifikasi.

Pada proses ekstraksi ciri data sebelum pelatihan arsitektur jaringan

dan pengujian data, digunakan fitur Linear Predictive Coding (LPC). Untuk

proses pelatihan arsitektur jaringan dan klasifikasi data dalam pengujian

digunakan metode Jaringan Syaraf Tiruan Back Propagation. Berikut ini

gambaran sistem secara keseluruhan :


32

Data

Data UjiEkstraksi Ciri

Jaringan Syaraf Tiruan Ekstraksi Ciri

Model Jaringan

Hasil Klasifikasi

Gambar 3.6 Diagram Blok Sistem

3.2.1 Ekstraksi Ciri

Fitur ekstraksi ciri sinyal suara yang digunakan dalam penelitian

ini adalah Linear Predictive Coding (LPC). Fitur ini dipilih karena

LPC merupakan salah satu teknik ekstraksi ciri yang sering digunakan

dalam mengekstraksi ciri sinyal digital suara. Akurasi kemampuan

pengenalan dari hasil ekstraksi ciri juga menunjukkan hasil yang baik.

Ada dua tahapan proses utama dalam melakukan ekstraksi ciri

LPC, yakni proses autokorelasi dan proses analisis koefisien LPC.

Pada proses autokorelasi ditentukan suatu nilai orde analisis P, dimana

nilai orde tersebut juga menentukan banyaknya ciri yang dihasilkan

dari proses analisis LPC. Ciri tersebut dinamakan koefisien LPC.

Proses ekstraksi ciri dilakukan pada semua data mentah yang

telah dikonversi dan di lakukan proses preprosesing. Hasil ekstraksi

ciri disimpan dalam sebuah vektor berdasarkan ciri yang dipilih.


33

Keluaran dari proses ini berupa nilai numerik. Jumlah data hasil

ekstraksi ciri berdasarkan orde koefisien LPC yang dipilih, yaitu 8, 10,

12, 14, dan 16, yang digabungkan dengan hasil perhitungan delta

sebanyak satu dan dua kali, dari koefisien LPC yang telah diperoleh.

Ada 5 tahap yang dilakukan dalam proses ekstraksi ciri sinyal

suara, dengan 4 tahap merupakan proses dari fitur LPC dan 1 tahap

lainnya merupakan perhitungan terhadap nilai koefisien LPC yang

telah dihasilkan. Proses dimulai dari pembacaan data mentah hingga

diperoleh nilai delta dari koefisien LPC.

Tahap-tahap tersebut diantaranya :

1. Frame Blocking

2. Windowing


4. Analisis LPC

5. Menghitung nilai delta dari koefisien LPC

Berikut ini gambaran dari langkah-langkah proses ekstraksi ciri:

Suara…*.wav WindowingFrame Blocking

Analisis LPC AutokorelasiDelta LPC

Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri

Data suara bertipe ‘.wav’ yang di-input-kan menggunakan

frekuensi sampling 44100 hz, sehingga diketahui setiap 1 detik suara

terdapat 44100 sample data. Total untuk setiap data yang terdiri dari 3

detik suara diperoleh sample data sebanyak 132300. Untuk itu, diawal

proses ekstraksi ciri, dilakukan pengecekan panjang data input-an


34

sesuai dengan panjang data yang dibutuhkan yaitu maksimal 150000

sample data (3 detik). Kemudian data tersebut masuk dalam proses

ekstraksi ciri LPC, sebagai berikut:

1. Frame Blocking

Dalam proses frame blocking, akan dilakukan sampling

terhadap data input-an kedalam beberapa frame. Diambil sample

data selama 40 ms untuk setiap frame-nya. Perhitungan untuk

memperoleh jumlah sample tiap frame yaitu:

- 40 ms = 0.04 detik

- Jumlah sample tiap frame yaitu 44100 x 0.04 = 1764 sample

- Jumlah overlapping setiap frame yaitu 1764/2 = 882 sample

- Untuk menghitung jumlah frame digunakan rumus:

𝑗𝑢𝑚𝑙𝑎ℎ 𝑓𝑟𝑎𝑚𝑒 = ((𝐼−𝑁)

𝑀) + 1 (3.1)

I = jumlah sample keseluruhan

N= jumlah sample tiap frame

M = N/2 = jumlah overlapping tiap frame

- Maka, jumlah frame yaitu = ((132300-1764)/882)+1) = 149

frame.

Dari proses ini diperoleh data dalam bentuk matriks dengan

ukuran 149 x 1764.

2. Windowing

Proses windowing dilakukan terhadap data hasil frame

blocking. Algoritma yang digunakan dalam proses ini yaitu

Hamming Window. Proses windowing dilakukan untuk setiap

frame. Data yang sudah dalam bentuk frame dipadatkan, sehingga

bentuk gelombang akan naik. Hal ini dapat diartikan

menormalisasi sinyal digital.


35


Sebelum data diproses dalam analisis autokorelasi, data

hasil windowing dikonversi terlebih dahulu menjadi matriks 1 x

(total data), dimana jumlah total data yaitu:

- 149x1764 = 262836 data

Sehingga ukuran matriks data menjadi 1x262836.

Kemudian data tersebut masuk dalam proses analisis

autokorelasi. Nilai autokorelasi tertinggi yaitu sama dengan orde

LPC (p) yang ditentukan, dalam penelitian ini digunakan orde 8,

10, 12, 14, dan 16. Jumlah data hasil analisis autokorelasi menjadi

p+1, sehingga ukuran matriks data hasil analisis autokorelasi

menjadi 1x(p+1).

4. Analisis LPC

Hasil dari proses analisis autokorelasi akan masuk kedalam

proses analisis LPC. Dalam proses ini akan diperoleh koefisien

LPC yang dijadikan ciri dari sebuah sinyal suara. Algoritma yang

digunakan dalam analisis LPC adalah Levinson Durbin. Jumlah

hasil ciri yang didapat sebanyak orde LPC yang ditentukan, yaitu

8, 10, 12, 14, dan 16.

5. Menghitung delta LPC 1 dan 2

Koefisien LPC yang telah diperoleh, kemudian dihitung

nilai delta-nya. Perhitungan dilakukan 2 kali sehingga diperoleh

nilai delta 1 dan delta 2. Data hasil perhitungan delta 1 dan 2

kemudian digabungkan dengan hasil koefisien LPC-nya, sehingga

membentuk kumpulan data baru untuk setiap orde LPC. Berikut

tabel jumlah data yang diperoleh dari hasil ekstraksi ciri LPC

berdasarkan ordenya:


36

Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri

Orde Jumlah Data

Total Data Koefisien LPC Turunan 1 Turunan 2

8 8 8 8 24

10 10 10 10 30

12 12 12 12 36

14 14 14 14 42

16 16 16 16 48

Sebelum masuk dalam proses pelatihan dan pengujian arsitektur

JST, setiap data yang telah diekstraksi, diberi label data sebagai

perbandingan dengan target luaran dari proses pelatihan dan pengujian

arsitektur JST. Berikut rincian label data untuk setiap data suara:

- Suara kerusakan klep/katup pada mesin sepeda motor = (1,0,0,0)

- Suara mesin sepeda motor normal = (0,1,0,0)

- Suara kerusakan rantai kamprat pada mesin sepeda motor =

(0,0,1,0)

- Suara kerusakan stang seher/batang piston pada mesin sepeda

motor = (0,0,0,1)

3.2.2 Pelatihan dan Pengujian Arsitektur JST

Dalam penelitian ini, proses identifikasi suara mesin sepeda

motor dilakukan dengan mengklasifikasikan suara mesin sepeda

motor berdasarkan kondisi mesin sepeda motor yang telah ditentukan.

Metode yang digunakan dalam proses klasifikasi adalah metode

Jaringan Syaraf Tiruan Back Propagation. Metode klasifikasi ini

dipilih karena kemampuannya untuk menghasilkan decision

boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat

dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel

diluar kumpulan sampel yang digunakan pada saat pelatihan.


37

Metode pembagian data pelatihan dan pengujian arsitektur JST

yang digunakan adalah 5-Fold Cross Validation. Metode ini dipakai

karena menggunakan data yang berbeda untuk proses pelatihan dan

pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem

yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan

sebagai input-an dalam proses pelatihan dan pengujian arsitektur JST.

Hasil dari proses ini adalah model jaringan dengan akurasi terbaik,

yang akan digunakan dalam proses klasifikasi dan uji data.

Pada proses awal sesuai dengan metode K-Fold Cross

Validation, data yang berjumlah 200 dibagi menjadi 5 bagian. Setiap

bagian akan diisi dengan 10 data dari satu jenis suara, sehingga

masing-masing bagian akan diisi total 40 data. Dari 5 bagian tersebut

akan dilakukan 5 kali percobaan dalam proses pelatihan dan pengujian

arsitektur JST. Berikut ini tabel penggunaan bagian dalam setiap

percobaan:

Tabel 3.2 Five-Fold Cross Validation

Percobaan Training Testing

1 1,2,3,4 5

2 1,2,3,5 4

3 1,2,4,5 3

4 1,3,4,5 2

5 2,3,4,5 1

Hasil dari tiap percobaan akan dimasukan ke dalam tabel

Confusion Matrix untuk menghitung akurasi dari pengujian data.

Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan

untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu

hidden layer dan 2 hidden layer. Berikut ini gambaran arsitektur untuk

setiap jenis arsitektur JST:


38

1. Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer

Diambil contoh dengan ciri orde 8 maka jumlah data input

sebanyak 8 data, kemudian digunakan 1 hidden layer, dengan

jumlah neuron pada hidden layer 1 sebanyak 4, dan jumlah output

sebanyak 4.

x1

x2

x3

x4

x5

x6

x7

x8

Input

z1

z2

z3

z4

y1

y2

y3

y4

Hidden Layer 1 Output

Gambar 3.8 Arsitektur JST 1 Hidden Layer


39

2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer

Diambil contoh dengan ciri orde 8 maka jumlah data input

sebanyak 8 data, kemudian digunakan 2 hidden layer, dengan

jumlah neuron pada hidden layer 1 sebanyak 4, jumlah neuron

pada hidden layer 2 sebanyak 4, dan jumlah output sebanyak 4.

x1

x2

x3

x4

x5

x6

x7

x8

Input

z1

z2

z3

z4

z1

z2

z3

z4

Hidden Layer 1

y1

y2

y3

y4

OutputHidden Layer 2

Gambar 3.9 Arsitektur JST 2 Hidden Layer


40

Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan:

1. Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan

(input), 2 lapis tersembunyi (hidden layer) dan satu lapis keluaran

(output).

2. Untuk input jaringan terdiri dari 1 – i neuron, dimana i

merupakan jumlah total data hasil ekstraksi ciri sesuai dengan

orde dan nilai delta-nya yang telah ditentukan. Berikut tabel

jumlah data yang digunakan:

Tabel 3.3 Jumlah Data Input Arsitektur Jaringan

Ciri (orde,delta) Jumlah Data

8 8

8+ 16

8++ 24

10 10

10+ 20

10++ 30

12 12

12+ 24

12++ 36

14 14

14+ 28

14++ 42

16 16

16+ 32

16++ 48

3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2

jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden

layer, dimana lapisan tersembunyi pertama dan kedua memiliki


41

jumlah neuron yang bervariasi mulai dari 2,4,… dilanjutkan

dengan kelipatan 4 hingga 40. Namun apabila pada neuron 40

nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4

selanjutnya hingga hasil akurasinya turun. Contoh :

2,4,8,12,…,40,44,48.

4. Fungsi aktivasi yang digunakan adalah sigmoid biner (logsig).

5. Fungsi pelatihan yang digunakan adalah trainrp.

6. Batas iterasi/epoch adalah 200.

7. Nilai target error (mse) adalah 0,0001.

8. Nilai laju pemahaman (=learning rate) adalah 0,1.

9. Jumlah neuron pada lapisan keluaran (output) adalah 4, sesuai

dengan jumlah klasifikasi.

10. Memiliki 4 neuron output yang merupakan target keluaran

jaringan diantaranya, Rusak Katup/Klep (1,0,0,0) , Mesin Normal

(0,1,0,0), Rusak Rantai Kamprat (0,0,1,0), dan Rusak Stang Seher

(0,0,0,1).

Dalam pengujian arsitektur JST, dilakukan beberapa kali

percobaan untuk mendapatkan model jaringan terbaik berdasarkan

akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil

sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada

pada tabel 3.3 sebagai data masukan. Untuk setiap kombinasi ciri,

dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan

tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan

tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi

mulai dari 2,4 hingga 40 dengan penambahan jumlah kelipatan 4,

contohnya 2,4,8,12….,40. Namun apabila pada neuron 40 nilai

akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4 selanjutnya

hingga hasil akurasinya turun. Dari percobaan tersebut diperoleh

jumlah neuron dengan akurasi tertinggi. Jumlah neuron dengan

akurasi tertinggi di lapisan tersembunyi ke-1 kemudian digunakan

dalam 2 lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi


42

ke-2 divariasi sama seperti di lapisan tersembunyi ke-1 hingga

memperoleh akurasi tertingginya. Dari semua percobaan tersebut akan

diperoleh model jaringan terbaik berdasarkan akurasi yang tertinggi.

3.2.3 Klasifikasi dan Uji Data Tunggal

Model jaringan yang telah didapat dari proses pelatihan dan

pengujian arsitektur JST akan digunakan dalam proses klasifikasi dari

data masukan data baru untuk diuji. Proses klasifikasi dibagi kedalam

4 jenis suara mesin berdasarkan kondisinya, yaitu suara mesin sepeda

motor rusak katup/klep, suara mesin sepeda motor normal, suara

mesin sepeda motor rusak rantai kamprat, dan suara mesin sepeda

motor rusak stang seher/batang piston.

Proses dimulai dari memasukan data suara baru untuk diuji,

kemudian dilakukan ekstraksi ciri pada data tersebut dan diambil

sejumlah data sesuai jumlah pilihan ciri terbaik yang telah diperoleh.

Hasil ekstraksi ciri tersebut disimulasikan kedalam model jaringan

terbaik yang telah diperoleh, sehingga mendapatkan nilai keluaran

sesuai target keluaran yang telah ditentukan, untuk menunjukkan hasil

klasifikasi. Berikut ini gambaran proses klasifikasi dan uji data.

Data Uji Ekstraksi Ciri Model Jaringan Hasil Klasifikasi

Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal


43

3.3 Kebutuhan Sistem

Aplikasi ini membutuhkan perangkat keras dan lunak dalam proses

perancangannya sehingga mendapatkan hasil yang maksimal.

1. Kebutuhan Perangkat Keras

Aplikasi ini membutuhkan perangkat keras dengan spesifikasi

minimal sebagai berikut:

1. Processor : Intel core i5 , 1.70GHz (4CPUs)

2. Memory : 4 GB

3. Hard Drive : 500 GB

4. Soundcard : Speaker HD audio device

Spesifikasi tersebut dipilih agar aplikasi berjalan dengan maksimal.

Untuk proses perekaman suara mesin sepeda motor dibutuhkan

perangkat keras berupa handphone.

2. Kebutuhan Perangkat Lunak

Aplikasi ini membutuhkan perangkat lunak untuk perekaman

suara, pembuatan dan proses menjalankan program, perangkat lunak

tersebut adalah sebagai berikut :

1. Easy Voice Recorder

2. Microsoft Windows 10

3. Audacity 2.1.1

4. Matlab R2012b

Aplikasi handphone Easy Voice Recorder digunakan untuk

merekam suara mesin sepeda motor. Microsoft Windows 10 digunakan

sebagai sistem operasi agar kedua perangkat lunak lainnya dapat

berjalan. Audacity 2.1.1 digunakan untuk proses preprosesing data pada

file suara mesin sepeda motor sebelum data diproses oleh sistem.

Matlab R2012b digunakan untuk membuat sistem sekaligus

menjalankan sistem.


44

3.4 Perancangan Atarmuka Sistem

Gambar 3.11 Tampilan Antarmuka Sistem

Pada gambar 3.11 , merupakan tampilan antarmuka sistem yang

terdiri dari 4 panel sesuai dengan fungsi dari sistem yang akan dibuat.

Berikut ini rincian untuk setiap panel tersebut:

1. Data Pelatihan

Panel ini termasuk dalam fungsi ekstraksi ciri. Pada panel ini

terdapat beberapa komponen diantaranya:

a. Edit Text – berfungsi untuk menampilkan direktori data.

b. Tombol Browse – berfungsi untuk membuka jendela pencarian

direktori data suara.

c. Tombol Hapus – berfungsi untuk menghapus isi dari listdata yang

akan diekstraksi.

d. Listbox data – berfungsi untuk menampilkan daftar semua data

suara yang ada pada direktori yang dipilih.

e. Tombol Ekstraksi Ciri – berfungsi untuk menjalankan proses

ekstraksi ciri.


45

2. Koefisien LPC

Panel ini berfungsi untuk menentukan kombinasi ciri pada fungsi

pelatihan dan pengujian data. Ciri yang dapat dipilih yaitu orde dan

delta/turunan LPC. Berikut komponen dalam panel tersebut:

a. Group Button Orde – berfungsi untuk memilih orde dalam fungsi

ekstraksi ciri, yaitu 8, 10, 12, 14, dan 16.

b. 2 buah Check Box yaitu Delta LPC dan Delta,Delta LPC –

berfungsi untuk menambah kombinasi ciri yang akan digunakan

dalam proses pelatihan dan pengujian data.

3. Pelatihan JST

Panel ini berisi komponen parameter yang berpengaruh dalam

fungsi pelatihan dan pengujian JST. Berikut komponen dalam panel

tersebut:

a. Edit Text Hidden Layer 1 – berfungsi untuk memasukan jumlah

neuron pada lapisan tersembunyi ke-1.

b. Edit Text Hidden Layer 2 - berfungsi untuk memasukan jumlah

neuron pada lapisan tersembunyi ke-2.

c. Edit Text Epoch – berfungsi untuk memasukan batas jumlah

iterasi/epoch dalam proses pelatihan arsitektur jaringan, dengan

nilai default yaitu 200.

d. Tombol Proses – berfungsi untuk menjalankan proses pelatihan

arsitektur jaringan.

e. Text Akurasi – berfungsi untuk menampilkan hasil perhitungan

akurasi sistem (%).

f. Text Box Waktu Proses – berfungsi untuk menampilkan total waktu

proses pelatihan arsitektur jaringan (detik).

g. Text Box Confusion Matrix – berfungsi untuk menampilkan tabel

confusion matrix hasil dari proses pelatihan dan pengujian

arsitektur jaringan.


46

4. Identifikasi Data

Panel ini berisi komponen yang dapat berfungsi untuk mengambil

data uji, kemudian melakukan klasifikasi data berdasarkan model

jaringan yang telah diperoleh dan menampilkan hasil klasifikasi.

Terdapat juga komponen untuk menampilkan grafik sinyal dan

spektrogram dari data suara yang dimasukan. Berikut komponen dalam

panel tersebut:

a. Edit Text Direktori Cari – berfungsi untuk menampilkan alamat

direktori dari data yang akan diuji.

b. Tombol Cari File – berfungsi untuk membuka jendela pencarian

direktori data suara yang akan diuji.

c. Tombol Identifikasi Suara – berfungsi untuk menjalankan proses

klasifikasi data suara yang diuji berdasarkan model jaringan yang

telah diperoleh.

d. Text Hasil Identifikasi – berfungsi untuk menampilkan hasil

klasifikasi data suara yang diuji.

e. Tombol Grafik dan Spektrogram – berfungsi untuk menampilkan

grafik sinyal dan spektrogram dari data suara masukan yang diuji.


47

4 BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Bab ini berisi uraian dari implementasi sistem dan analisis hasil penelitian.

Pada implementasi sistem berisi visualisasi proses ekstraksi ciri dan tampilan

antarmuka program untuk setiap prosesnya. Sedangkan pada analisis hasil

penelitian berisi analisis pengujian variasi arsitektur jaringan dan analisis hasil

pengujian data tunggal.

4.1 Implementasi Sistem

Dalam subbab ini akan ditunjukkan visualisasi proses ekstraksi ciri

dan tampilan antarmuka dari aplikasi yang telah dibuat. Aplikasi ini dibuat

menggunakan bahasa pemrograman Matlab.

4.1.1 Visualisasi Proses Ekstraksi Ciri

Berikut ini visualisasi dari setiap tahap dalam proses ekstraksi

ciri sinyal suara, dengan contoh suara mesin sepeda motor normal:

1. Baca Data Suara

Dalam proses ini data suara yang bertipe “.wav” dengan

panjang waktu 3 detik, dibaca oleh program dengan

menggunakan fungsi wavread(). Berikut ini hasil pembacaan file

suara menggunakan fungsi wavread:

Gambar 4.1 Hasil Baca File Suara .wav

Pada gambar 4.1 dapat dilihat dalam sebuah file rekaman

suara dengan panjang suara 3 detik, diperoleh data sebanyak

133.397 data. Berikut ini grafik sinyal dari seluruh data tersebut:


48

Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread()

2. Proses Frame Blocking

Data hasil proses pertama dimasukan kedalam proses

frame blocking dan menghasilkan data sebagai berikut:

Gambar 4.3 Data Hasil Proses Frame Blocking

Pada gambar 4.3 dapat dilihat hasil proses ini yaitu

kumpulan data dalam matriks ukuran 149×1764. Berikut ini

tampilan grafik sinyal dari hasil proses frame blocking:


49

Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking

3. Proses Windowing

Data hasil proses frame blocking kemudian dimasukkan

kedalam proses windowing dengan menggunakan metode

hamming window. Berikut ini data hasil proses tersebut:

Gambar 4.5 Data Hasil Proses Windowing

Dari gambar 4.5 dapat dilihat hasil dari proses windowing

berupa matriks data berukuran sama dengan hasil frame

blocking sebelumnya yaitu 149×1764. Berikut ini tampilan

grafik sinyal dari data hasil proses windowing:


50

Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing

4. Proses Analisis Autokorelasi

Data hasil proses windowing selanjutnya dikonversi

menjadi data dengan matriks berukuran 1×262836. Berikut ini

data hasil konversinya:

Gambar 4.7 Data Hasil Konversi

Kemudian data hasil konversi tersebut dimasukan kedalam

proses analisis autokorelasi. Untuk contoh proses ini dipilih orde

LPC yaitu 8. Berikut data hasil proses tersebut:

Gambar 4.8 Data Hasil Proses Analisis Autokorelasi

Dari gambar 4.8 dapat dilihat bahwa diperoleh data

sebanyak p+1 yaitu orde LPC sebanyak 8 ditambah 1 data, dari

hasil proses analisis autokorelasi. Berikut ini tampilan grafik

sinyal data hasil proses tersebut:


51

Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis

Autokorelasi Orde 8

5. Proses Analisis LPC

Hasil dari proses analisis autokorelasi kemudian

dimasukkan kedalam proses analisis LPC untuk mendapatkan

nilai koefisien LPC. Dalam proses ini digunakan metode

Levinson Durbin. Orde LPC yang digunakan dalam contoh ini

yaitu 8. Berikut data hasil proses tersebut:

Gambar 4.10 Data Koefisien LPC Orde 8

Pada gambar 4.10 dapat dilihat data koefisien LPC

sebanyak 8 sesuai dengan orde LPC yang telah dipilih. Berikut

ini grafik sinyal dari koefisien LPC tersebut:


52

Gambar 4.11 Grafik Sinyal Data Koefisien LPC Orde 8

6. Proses Perhitungan Nilai Delta LPC

Data koefisien LPC yang telah diperoleh, kemudian

dihitung nilai delta-nya. Perhitungan dilakukan sebanyak 2 kali

untuk mendapatkan nilai delta LPC dan delta delta LPC.

Berikut ini hasil dari proses tersebut:

Gambar 4.12 Data Delta LPC Orde 8

Gambar 4.13 Data Delta Delta LPC Orde 8

Seluruh data mulai dari koefisien LPC, delta LPC dan

delta delta LPC, kemudian digabungkan menjadi sebuah vektor

ciri dengan ukuran 1×24 data. Berikut ini hasil gabungan

tersebut beserta grafik sinyalnya:


53

Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8

Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri

LPC Orde 8

Data hasil ekstraksi ciri menggunakan fitur LPC disimpan

dalam sebuah file bertipe “.mat”, diantaranya data.mat,

norm_data.mat, dan dc.mat. Sedangkan label dari setiap data juga

disimpan dalam file bertipe “.mat” yaitu target_pelatihan.mat. Agar

model jaringan terbaik yang telah diperoleh dari proses pelatihan dan

pengujian arsitektur JST dapat digunakan dalam proses pengujian

data tunggal, maka disimpan dalam file bertipe “.mat” yaitu net.mat.


54

4.1.2 Tampilan Antarmuka Aplikasi

Berikut ini tampilan antarmuka menu utama keseluruhan dari

aplikasi dalam penelitian ini:

Gambar 4.16 Tampilan Menu Utama Aplikasi

Aplikasi ini dibagi kedalam 3 proses, yaitu ekstraksi ciri LPC,

pelatihan - pengujian arsitektur JST, dan identifikasi data uji. Berikut

ini tampilan antarmuka untuk masing- masing proses:


55

1. Ekstraksi Ciri LPC

Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC

Dari gambar 4.17, dapat dilihat nama-nama data dari 200

data pelatihan yang akan diekstraksi. Setelah menekan tombol

Ekstraksi Data, berikut ini hasil data ekstraksinya:

Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara


56

2. Pelatihan dan Pengujian Arsitektur JST

Berikut ini tampilan dari proses pelatihan dan pengujian

arsitektur JST:

Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian

Arsitektur JST

Pada gambar 4.19, terdapat parameter-parameter yang

dapat diubah-ubah untuk setiap percobaan pengujian agar

mendapatkan akurasi terbaik. Parameter tersebut diantaranya

orde LPC dan kombinasi dengan nilai turunannya, hidden layer

satu dan 2, dan iterasi/epoch. Ditampilkan juga tabel confusion

matrix yang dapat digunakan untuk mendapatkan nilai akurasi

jaringan.

Berikut ini tampilan proses pelatihan jaringan:

Gambar 4.20 Tampilan

Pelatihan 2 Hidden Layer

Gambar 4.21 Tampilan

Pelatihan 1 Hidden Layer


57

3. Identifikasi Data Uji

Setelah mengklik tombol ‘Identifikasi Suara’, terdapat 4

tampilan hasil klasifikasi data suara berdasarkan jenis suara

mesin sepeda motor. Berikut tampilannya:

Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor

Rusak Katup/Klep


Normal


Rusak Rantai Kamprat


Rusak Stang Seher/Batang Piston

Untuk memasukkan data dilakukan dengan mengklik tombol

‘Cari File’, kemudian memilih file yang akan diproses.


58

4.2 Analisis Hasil Penelitian

Dalam penelitian ini akan dicari model jaringan terbaik yang akan

digunakan dalam proses klasifikasi data suara mesin sepeda motor. Model

jaringan terbaik dapat dilihat dari hasil akurasi pelatihan arsitektur

jaringannya. Untuk mendapat model jaringan terbaik berdasarkan akurasi

pelatihan arsitektur jaringan, maka dilakukan beberapa percobaan pengujian

dengan mengubah variasi arsitektur jaringan. Setelah model jaringan terbaik

berdasarkan akurasi tertinggi diperoleh, maka model jaringan tersebut

digunakan dalam pengujian data tunggal untuk menunjukkan ketepatan hasil

klasifikasinya.

4.2.1 Pengujian Variasi Arsitektur Jaringan

Dalam pengujian variasi arsitektur jaringan ini, data yang

digunakan sebanyak 200. Data tersebut sebelumnya telah dilakukan

ekstraksi ciri, sehingga menghasilkan 180 jumlah ciri untuk setiap

datanya dan total data yang digunakan dalam pelatihan ini sebanyak

200x180 data. Dalam pengujian ini akan dilakukan beberapa kali

percobaan dengan memvariasikan kombinasi ciri dan parameter

dalam arsitektur jaringan. Variasi pertama yang dilakukan adalah

mengkombinasikan ciri dari data suara. Berikut ini beberapa

kombinasi ciri yang digunakan:

1. Orde 8 = hasil ekstraksi ciri orde 8

2. Orde 8+ = hasil ekstraksi ciri orde 8 + hasil perhitungan

3. Orde 8++ = hasil ekstraksi ciri orde 8 + hasil perhitungan

+ hasil perhitungan




+ hasil perhitungan




59


+ hasil perhitungan




+ hasil perhitungan




+ hasil perhitungan

Untuk variasi kedua, nilai parameter arsitektur jaringan yang

diubah-ubah adalah neuron pada hidden layer 1 dan hidden layer 2.

Neuron ditentukan mulai dari 2,4 dengan penambahan kelipatan 4

hingga 40. Selama akurasi hasil masih tinggi percobaan dilanjutkan,

hingga akurasi turun, contohnya 2,4,8,…,40,44,48. Berikut ini

parameter yang berpengaruh pada arsitektur jaringan yang

digunakan:

1. Input jaringan sesuai dengan jumlah kombinasi ciri yang dipilih,

contoh: 8, 16, 24, …., 48.

2. Jumlah hidden layer dibagi menjadi 2 jenis, yaitu 1 hidden layer

dan 2 hidden layer.

3. Jumlah neuron dalam hidden layer 1 dan 2 bervariasi mulai dari

2, 4, 8, …. 40,48,dst.

4. Jumlah lapisan keluaran adalah 4, sesuai dengan jumlah

klasifikasi.

5. Jumlah iterasi/epoch adalah 200.

6. Nilai target error (mse) yaitu 0,0001.

7. Nilai laju pemahaman (=learning rate) yaitu 0,1.


60

Untuk mendapatkan akurasi jaringan, maka dilakukan

perhitungan terhadap tabel confusion matrix yang dihasilkan dari

proses pelatihan arsitektur jaringan.

Dari seluruh percobaan variasi kombinasi ciri dan parameter

arsitektur jaringan, maka diperoleh akurasi tertinggi dengan tabel

sebagai berikut:

Tabel 4.1 Hasil Akurasi Seluruh Percobaan Pengujian

NO Ciri

Orde

Jumlah Neuron Akurasi

(%)

Waktu Pelatihan

(detik) Hidden Layer 1 Hidden Layer 2

1 8 8

- 78 15

2 20 79 18

3 8+ 44

- 80,5 11

4 24 83 22

5 8++ 20

- 79,5 10

6 24 81,5 35

7 10 28

- 81,5 9

8 20 84 12

9 10+ 40

- 83,5 17

10 40 82 36

11 10++ 20

- 79 10

12 12 82 11

13 12 16

- 81,5 9

14 28 82 11

15 12+ 40

- 82 17

16 16 81,5 35

17 12++ 36

- 80,5 43

18 40 81,5 36

19 14 24

- 83,5 9

20 4 81 10

21 14+ 24

- 82 10

22 32 83,5 36

23 14++ 24

- 80,5 26

24 44 81,5 38

25 16 40

- 81 10

26 24 79 35

27 16+ 24

- 80 10

28 36 80,5 30

29 16++ 36

- 79,5 35

30 28 82,5 34


61

Dari tabel 4.1 dapat dilihat akurasi tertinggi ada pada variasi

kombinasi ciri orde 10, dengan jumlah neuron pada hidden layer 1

= 28 dan hidden layer 2 = 20. Akurasi tertinggi yang diperoleh yaitu

84%. Dari seluruh percobaan tersebut, rata-rata waktu pelatihan

selama 21 detik.

Untuk lebih jelasnya, perubahan naik turunnya akurasi dapat

dilihat pada grafik berikut ini:

Gambar 4.26 Grafik Perubahan Hasil Akurasi Keseluruhan Percobaan

Untuk menghitung hasil akurasi dari sebuah percobaan

pengujian arsitektur jaringan, digunakan data dalam tabel confusion

matrix dari hasil proses pengujian tersebut. Berikut ini ditunjukkan

perhitungan hasil akurasi dari tabel confusion matrix, dengan

mengambil dari hasil akurasi tertinggi, yaitu memiliki input-an ciri

dari orde 10 dengan jumlah neuron pada hidden layer 1 yaitu 28 dan

hidden layer 2 yaitu 20.

78

79

80,5

83

79,5

81,5 81,5

8483,5

82

79

8281,5

82 8281,5

80,5

81,5

83,5

81

82

83,5

80,5

81,581

79

8080,5

79,5

82,5

75

76

77

78

79

80

81

82

83

84

85

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Aku

rasi

(%

)

No. Percobaan

Grafik Perubahan Akurasi


62

Tabel 4.2 Confusion Matrix Percobaan Pengujian Orde 10, Jumlah

Neuron Hidden Layer 1 28 dan Hidden Layer 2 20

Klep Normal Rantai Kamprat Stang Seher

Klep 36 5 4 5

Normal 4 45 0 1

Rantai Kamprat 3 0 43 4

Stang Seher 2 0 4 44

Dari confusion matrix pada tabel 4.2 , dapat dihitung akurasi

keseluruhan menggunakan persamaan 2.29 , dan juga dapat dihitung

akurasi untuk setiap kelas dengan menggunakan persamaan 2.31 dan

2.33.

1. Akurasi Keseluruhan

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =36 + 45 + 43 + 44

36 + 5 + 4 + 5 + 4 + 45 + 0 + 1 + 3 + 0 + 43 + 4 + 2 + 0 + 4 + 44× 100%

=168

200× 100% = 0,84 × 100% = 𝟖𝟒%

2. Akurasi Rusak Klep

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝐾𝑙𝑒𝑝 =36

36 + 5 + 4 + 5× 100% = 72%

3. Akurasi Normal

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑁𝑜𝑟𝑚𝑎𝑙 =45

4 + 45 + 0 + 1× 100% = 90%

4. Akurasi Rusak Rantai Kamprat

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝑅𝑎𝑛𝑡𝑎𝑖 𝐾𝑎𝑚𝑝𝑟𝑎𝑡 =43

3 + 0 + 43 + 4× 100% = 86%

5. Akurasi Rusak Stang Seher

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑅𝑢𝑠𝑎𝑘 𝑆𝑡𝑎𝑛𝑔 𝑆𝑒ℎ𝑒𝑟 =44

2 + 0 + 4 + 44× 100% = 88%


63

Hasil pengenalan suara terbaik ada pada jenis suara mesin

sepeda motor normal dengan akurasi 90%. Hal ini menunjukkan

bahwa suara mesin sepeda motor normal paling mudah untuk

dikenali suaranya.

Berikut ini ditunjukkan seluruh detail dari hasil percobaan

pengujian berdasarkan variasi kombinasi ciri hingga neuron pada

hidden layer 1 dan 2:


64

1. Orde 8

a) Hidden layer 1

Tabel 4.3 Hasil Akurasi Orde 8, Hidden Layer 1

Jumlah Neuron Hidden Layer 1 Akurasi (%)

2 51,5

4 60

8 78

12 75

16 68

20 74

24 76,5

28 76,5

32 74,5

36 71,5

40 77

44 76,5

Dari tabel 4.3 , dapat dilihat akurasi tertinggi ada pada

hidden layer 1 dengan jumlah neuron yaitu 8. Akurasi

tertinggi yang diperoleh yaitu 78%. Untuk lebih jelasnya,

perubahan naik turunnya akurasi dapat dilihat pada grafik

berikut ini:

Gambar 4.27 Grafik Perubahan Akurasi Orde 8, Hidden

Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



65

b) Hidden Layer 2

Jumlah neuron optimal pada hidden layer 1

digunakan untuk mencari jumlah neuron pada hidden layer

2.


Jumlah Neuron Akurasi (%)

Hidden Layer 1 Hidden Layer 2

8

2 58

4 73

8 69,5

12 79

16 75

20 79

24 76,5

28 70,5

32 69,5

36 70

40 78

44 66,5


hidden layer 1 dengan jumlah neuron 8 dan hidden layer 2

dengan jumlah neuron 20. Akurasi tertinggi yang diperoleh

yaitu 79%. Untuk lebih jelasnya, perubahan naik turunnya

akurasi dapat dilihat pada grafik berikut ini:

Gambar 4.28 Grafik Perubahan Akurasi Orde 8, Hidden

Layer 2

50

60

70

80

90

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



66

2. Orde 8 +

a) Hidden layer 1

Tabel 4.5 Hasil Akurasi Orde 8+, Hidden Layer 1


2 53,5

4 63,5

8 70,5

12 73

16 73

20 70,5

24 77

28 74,5

32 76,5

36 72

40 76

44 80,5

48 75,5



tertinggi yang diperoleh yaitu 80,5%. Untuk lebih jelasnya,


berikut ini:

Gambar 4.29 Grafik Perubahan Akurasi Orde 8+ ,

Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44 48

aku

rasi

(%

)

jumlah neuron



67

b) Hidden Layer 2



2.




44

2 51,5

4 73,5

8 79,5

12 73,5

16 75,5

20 75

24 83

28 83

32 78

36 77

40 79,5

44 78




yaitu 83%. Untuk lebih jelasnya, perubahan naik turunnya


Gambar 4.30 Grafik Perubahan Akurasi Orde 8+ ,

Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



68

3. Orde 8 + +

a) Hidden layer 1

Tabel 4.7 Hasil Akurasi Orde 8++, Hidden Layer 1


2 50

4 69,5

8 77

12 72

16 75,5

20 79,5

24 76

28 73,5

32 75

36 79

40 77,5





berikut ini:

Gambar 4.31 Grafik Perubahan Akurasi Orde 8++,

Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



69

b) Hidden layer 2



2.




20

2 55,5

4 79,5

8 81

12 67,5

16 78

20 78,5

24 81,5

28 79,5

32 76

36 74

40 81

44 75




yaitu 81,5%. Untuk lebih jelasnya, perubahan naik turunnya



Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



70

4. Orde 10

a) Hidden layer 1



2 62,5

4 67

8 77,5

12 72

16 78,5

20 78,5

24 78

28 81,5

32 71,5

36 74

40 75

44 77,5

48 77





berikut ini:

Gambar 4.33 Grafik Perubahan Akurasi Orde 10,

Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44 48

aku

rasi

(%

)

jumlah neuron



71

b) Hidden layer 2



2.




28

2 64

4 77,5

8 77,5

12 74,5

16 73,5

20 84

24 79

28 80

32 76

36 81

40 77

Dari tabel 4.10 , dapat dilihat akurasi tertinggi ada

pada hidden layer 1 dengan jumlah neuron 28 dan hidden

layer 2 dengan jumlah neuron 20. Akurasi tertinggi yang

diperoleh yaitu 84%. Untuk lebih jelasnya, perubahan naik

turunnya akurasi dapat dilihat pada grafik berikut ini:


Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



72

5. Orde 10 +

a) Hidden layer 1



2 57,5

4 68,5

8 75,5

12 72,5

16 75,5

20 78,5

24 74

28 74,5

32 78

36 79,5

40 83,5

44 76


pada hidden layer 1 dengan jumlah neuron yaitu 40.

Akurasi tertinggi yang diperoleh yaitu 83,5%. Untuk lebih

jelasnya, perubahan naik turunnya akurasi dapat dilihat

pada grafik berikut ini:

Gambar 4.35 Grafik Perubahan Akurasi Orde 10+,

Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



73

b) Hidden layer 2



2.




40

2 69,5

4 73,5

8 81,5

12 76,5

16 81

20 76,5

24 76

28 76

32 76

36 79,5

40 82

44 79







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



74

6. Orde 10 + +

a) Hidden layer 1



2 55

4 66,5

8 70,5

12 76,5

16 77

20 79

24 72

28 73,5

32 76,5

36 75,5

40 71



Akurasi tertinggi yang diperoleh yaitu 79%. Untuk lebih




Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



75

b) Hidden layer 2



2.




20

2 67

4 75

8 77,5

12 82

16 76

20 74,5

24 78

28 81

32 77

36 77,5

40 72,5







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



76

7. Orde 12

a) Hidden layer 1



2 61,5

4 69

8 75,5

12 78,5

16 81,5

20 78,5

24 78

28 77,5

32 77

36 79

40 80

44 78,5







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



77

b) Hidden layer 2



2.




16

2 64,5

4 76,5

8 76,5

12 76,5

16 75,5

20 80,5

24 78

28 82

32 78

36 79,5

40 81

44 71,5







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



78

8. Orde 12 +

a) Hidden layer 1



2 64,5

4 74

8 79,5

12 78,5

16 79,5

20 75,5

24 78

28 74,5

32 75

36 77,5

40 82

44 81







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



79

b) Hidden layer 2



2.




40

2 75,5

4 75

8 73,5

12 77

16 81,5

20 78

24 80

28 74,5

32 79,5

36 77,5

40 75,5




diperoleh yaitu 81,5%. Untuk lebih jelasnya, perubahan

naik turunnya akurasi dapat dilihat pada grafik berikut ini:


Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



80

9. Orde 12 + +

a) Hidden layer 1



2 59,5

4 70,5

8 77,5

12 76,5

16 76

20 77,5

24 75,5

28 79

32 77

36 80,5

40 77,5







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



81

b) Hidden layer 2



2.




36

2 61,5

4 77

8 75,5

12 77

16 74

20 77

24 75

28 72

32 77

36 74,5

40 81,5

44 76,5







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



82

10. Orde 14

a) Hidden layer 1



2 56

4 74,5

8 78

12 77,5

16 80,5

20 73

24 83,5

28 82

32 83,5

36 76

40 74,5







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



83

b) Hidden layer 2



2.




24

2 75

4 81

8 77

12 77,5

16 74,5

20 74,5

24 78

28 81

32 77,5

36 80

40 76







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



84

11. Orde 14 +

a) Hidden layer 1



2 63,5

4 79,5

8 77

12 79

16 79

20 80,5

24 82

26 80

32 82

36 77,5

40 81,5

44 79







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 26 32 36 40 44

aku

rasi

(%

)

jumlah neuron



85

b) Hidden layer 2



2.




24

2 60

4 78,5

8 79

12 78

16 75,5

20 74,5

24 81,5

28 78,5

32 83,5

36 79,5

40 78







Hidden Layer 2

50

55

60

65

70

75

80

85

90

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



86

12. Orde 14 + +

a) Hidden layer 1



2 60

4 75,5

8 79

12 79,5

16 78

20 76,5

24 80,5

28 79

32 76,5

36 79,5

40 77







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



87

b) Hidden layer 2



2.




24

2 59

4 72,5

8 80,5

12 80

16 78

20 78,5

24 76,5

28 77,5

32 79,5

36 80,5

40 81

44 81,5

48 77







Hidden Layer 2

50

60

70

80

90

2 4 8 12 16 20 24 28 32 36 40 44 48

aku

rasi

(%

)

jumlah neuron



88

13. Orde 16

a) Hidden layer 1



2 53

4 65

8 74

12 79

16 76,5

20 78,5

24 80

28 73,5

32 78,5

36 76

40 81

44 79







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40 44

aku

rasi

(%

)

jumlah neuron



89

b) Hidden layer 2



2.




40

2 61

4 72

8 74,5

12 70

16 77

20 78,5

24 79

28 75,5

32 78

36 74

40 75

44 78

48 77







Hidden Layer 2

50

60

70

80

90

2 4 8 12 16 20 24 28 32 36 40 44 48

aku

rasi

(%

)

jumlah neuron



90

14. Orde 16 +

a) Hidden layer 1



2 49,5

4 64,5

8 75

12 73

16 78

20 79,5

24 80

28 76,5

32 78

36 80

40 77







Hidden Layer 1

45

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



91

b) Hidden layer 2



2.




24

2 60,5

4 76

8 75

12 76

16 73

20 74

24 74,5

28 77,5

32 78,5

36 80,5

40 75







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

jumlah neuron



92

15. Orde 16 + +

a) Hidden layer 1



2 60

4 70

8 77,5

12 78,5

16 77

20 76

24 75,5

28 71

32 77

36 79,5

40 75







Hidden Layer 1

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

Jumlah Neuron



93

b) Hidden layer 2



2.




36

2 64

4 71,5

8 74

12 75

16 76,5

20 71

24 76

28 82,5

32 76,5

36 74

40 73







Hidden Layer 2

50

55

60

65

70

75

80

85

2 4 8 12 16 20 24 28 32 36 40

aku

rasi

(%

)

Jumlah Neuron



94

4.2.2 Pengujian Data Tunggal

Setelah dilakukan pelatihan pada arsitektur jaringan syaraf

tiruan, selanjutnya akan dilakukan pengujian terhadap data tunggal,

dimana data yang diuji merupakan data suara input-an terbaru yang

tidak termasuk dalam proses pelatihan dan pengujian data kelompok.

Proses ini dilakukan dengan mengklasifikasikan suara mesin

sepeda motor menggunakan model jaringan terbaik yang telah

didapatkan dari proses pelatihan arsitektur jaringan. Data uji untuk

masing-masing jenis suara mesin sepeda motor berjumlah satu file

rekaman. Kemudian seluruh hasil identifikasi dari aplikasi tersebut

divalidasikan terhadap teknisi mesin. Berikut ini tabel hasil uji coba

terhadap 4 file rekaman suara mesin sepeda motor serta validasi

teknisi mesin sepeda motor:

Tabel 4.33 Hasil Pengujian Data Tunggal dan Validasi Teknisi Mesin

Sepeda Motor

No Nama File

Rekaman

Hasil Dari

Aplikasi

Hasil Dari

Pengecekan Mesin Status Validasi Teknisi

1 klep.wav Kerusakan Klep

Mesin

Kerusakan Klep

Mesin Benar

2 normal.wav Mesin Normal Mesin Normal Benar

3 rantai.wav Kerusakan Rantai

Kamprat Mesin

Kerusakan Rantai

Kamprat Mesin Benar

4 seher.wav Kerusakan Stang

Seher Mesin

Kerusakan Stang

Seher Mesin Benar


95

5 BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, identifikasi kerusakan mesin sepeda motor

berdasarkan suara mesin menggunakan fitur LPC dan metode Back

Propagation, dapat disimpulkan dalam beberapa hal, sebagai berikut:

1. Hasil dari percobaan pengujian variasi kombinasi ciri dan jumlah

hidden layer beserta jumlah neuron-nya, dengan parameter arsitektur

jaringan syaraf tiruan Back Propagation yaitu jumlah iterasi/epoch 200,

nilai target error (mse) 0,0001, dan nilai laju pemahaman (=learning

rate) 0,1 , menghasilkan akurasi tertinggi sebesar 84% pada ciri orde 10

dengan 2 hidden layer, yaitu jumlah neuron pada hidden layer 1

sebanyak 28 dan jumlah neuron pada hidden layer 2 sebanyak 20.

2. Model jaringan syaraf tiruan yang dihasilkan sudah mampu

mengklasifikasikan suara mesin sepeda motor berdasarkan kondisi

mesinnya, dengan baik karena akurasi sistem yang diperoleh cukup

tinggi, maka aplikasi ini mampu mengklasifikasikannya dengan tepat,

sehingga hasilnya sesuai dengan target aslinya.

5.2 Saran

Saran yang dapat diberikan untuk mengembangkan aplikasi ini

kedepannya yaitu:

1. Jumlah data suara mesin yang akan digunakan dalam pelatihan dan

pengujian arsitektur jaringan ditambah lagi.

2. Metode ekstraksi ciri dapat menggunakan metode lain, contohnya

MFCC.

3. Untuk pengembangan aplikasi ini lebih lanjutkan, dapat dibuat dalam

bentuk aplikasi handphone seperti android dan ios, agar lebih mudah

digunakan oleh masyarakat dan para teknisi.


96

DAFTAR PUSTAKA

Susilawati, H., Astuti, W., Ulinnuha, N., & Taufiqurrohman, N. (2011). Sistem

Pendeteksian Kerusakan Mesin Sepeda Motor 4-Langkah Berbasis Suara

Menggunakan Support Vector Machine (SVM). Jawa Tengah, Purwokerto:

Universitas Jendral Soedirman Purwokerto.

Sutiman & Solikin, M. (2005). Mesin Sepeda Motor. Yogyakarta: Penerbit

Insania.

Gold, B. & Morgan, N. (2000). Speech and Audio Signal Processing : Processing

and Perception of Speech and Music. New York: John Wiley & Sons, Inc.

Rabiner, L. & Juang, B. H. (1993). Fundamentals of Speech Recognition. New

Jersey: Prentice Hall PTR.

Siang, J. J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

Matlab (1). Yogyakarta: Penerbit ANDI.

Khrisnadi, B. (2005). Simulasi Linear Predictive Coding (LPC) dengan

Menggunakan Visual Basic 6.0. Tidak dipublikasikan. Yogyakarta:

Universitas Sanata Dharma.

Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction To Data Mining.

Boston: Pearson Addison Wesley.

Rohman, S., N., Hidayatno, A., & Zahra, A., A., (2012). Aplikasi Pencirian

Dengan Linear Predictive Coding Untuk Pembelajaran Pengucapan

Nama Hewan Dalam Bahasa Inggris Menggunakan Jaringan Syaraf

Tiruan Propagasi Balik. Semarang: Universitas Diponegoro.

Sutara, F., A., (2014). Analisis dan Implementasi Song Recog-Nition

Menggunakan Algoritma Fast Fourier Transform. Medan: Universitas

Sumatera Utara.

Ellis, D. (2003). Matlab Audio Processing Examples.

https://www.ee.columbia.edu/~dpwe/resources/matlab/rastamat/deltas.m .

8 Oktober 2015.

Anggraeni, L., Rizal, A., & Usman, K. (2007). Pengenalan Suara Jantung

Menggunakan Metode LPC dan JST-BP. Jawa Barat, Bandung: Sekolah

Tinggi Teknologi Telkom.


https://www.ee.columbia.edu/~dpwe/resources/matlab/rastamat/deltas.m%20.%208%20Oktober%202015

https://www.ee.columbia.edu/~dpwe/resources/matlab/rastamat/deltas.m%20.%208%20Oktober%202015

97

LAMPIRAN

Source Code:

menu.m

function varargout = menu(varargin)

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @menu_OpeningFcn, ...

'gui_OutputFcn', @menu_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

function menu_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;

guidata(hObject, handles);

function varargout = menu_OutputFcn(hObject, eventdata, handles)

varargout{1} = handles.output;

function direktori_pelatihan_Callback(hObject, eventdata, handles)

function direktori_pelatihan_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

function browse_data_Callback(hObject, eventdata, handles)

dirName = uigetdir('C:\','cari data pelatihan');

set(handles.direktori_pelatihan,'String',dirName);

files = dir(fullfile(dirName,'*.wav'));

set(handles.list_data,'String',{files.name});

function list_data_Callback(hObject, eventdata, handles)

function list_data_CreateFcn(hObject, eventdata, handles)




end

function tombol_ekstraksi_Callback(hObject, eventdata, handles)

list_nama_data = get(handles.list_data, 'String');

[jumlah,kata] = size(list_nama_data);

disp(jumlah);

if jumlah < 2

h = msgbox('Tidak ada data', 'Error','error');

return;

end


98

wb = waitbar(0, 'proses ekstraksi data')

tic

dirName = get(handles.direktori_pelatihan,'String');

nama_file=char(list_nama_data);

data=zeros(jumlah, 180);

target_pelatihan=zeros(jumlah,4);

disp(jumlah);

for i=1:jumlah

i_str = int2str(i);

disdat=strcat('proses data ke-',i_str);

disdat=char(disdat);

disp(disdat);

disp(nama_file(i,:));

% input data target pelatihan

if nama_file(i,1)=='k' %1-klep

target_pelatihan(i,1)=1;target_pelatihan(i,2)=0;target_pelatihan(i,3)=0;t

arget_pelatihan(i,4)=0;

elseif nama_file(i,1)=='n' %2-normal



elseif nama_file(i,1)=='r' %3-rantai



elseif nama_file(i,1)=='s' %4-seher



else %no_classified



end

file_suara=strcat(dirName,'\',nama_file(i,:));

data_suara=wavread(char(file_suara));

[hasil8,hasil10,hasil12,hasil14,hasil16]=ekstraksi_ciri_lpc(data_suara,wb

);

data_gabung=[hasil8 hasil10 hasil12 hasil14 hasil16];

[b,k]=size(data_gabung);

for j=1:k

data(i,j)=data_gabung(j);

end

waitbar(i/jumlah);

end

norm_data=normalisasi(data);

save('data.mat','data');

save('norm_data.mat','norm_data');

save('target_pelatihan.mat','target_pelatihan');

pilihan_ciri=[1 8;1 16;1 24;25 34;25 44;25 54;55 66;55 78;55 90;91 104;91

118;91 132;133 148;133 164;133 180;0 0];

save('pilihan_ciri.mat','pilihan_ciri');

toc

waktu=round(toc); %total waktu proses (detik)

disp(waktu);

menit=waktu/60; %dalam menit

disp(menit);

jam=menit/60; %dalam jam

disp(jam);

close(wb);

h = msgbox('Ekstraksi Ciri Data Berhasil', 'Ekstraksi Data','warn');


99

function deltacek_Callback(hObject, eventdata, handles)

deltacekStatus=get(handles.deltacek,'Value');

if deltacekStatus == 1

set(handles.delta2cek,'Enable','on');

else

set(handles.delta2cek,'Value',0);

set(handles.delta2cek,'Enable','off');

end

function delta2cek_Callback(hObject, eventdata, handles)

function direktori_identifikasi_Callback(hObject, eventdata, handles)

function direktori_identifikasi_CreateFcn(hObject, eventdata, handles)




end

function tombol_cari_Callback(hObject, eventdata, handles)

[fileName,pathname] = uigetfile('C:\*.wav','Pilih File Suara');

set(handles.direktori_identifikasi,'String',fileName);

dirFile = strcat(pathname,fileName);

file_suara = char(dirFile);

handles.file_suara=file_suara;

guidata(hObject, handles);

function tombol_identifikasi_Callback(hObject, eventdata, handles)

teksDirektoriUji=get(handles.direktori_identifikasi,'String');

if strcmp(teksDirektoriUji, 'pilih file') == 1 ||

strcmp(teksDirektoriUji, '') == 1

h = msgbox('Tidak Ada Data', 'Error','error');

return;

else

load 'pilihan_ciri.mat';

if pilihan_ciri(16,1) == 0

h = msgbox('Pilihan Ciri Tidak Ada', 'Error','error');

return;

else

wb = waitbar(0, 'Identifikasi Data');

file_suara = handles.file_suara;

data_suara=wavread(file_suara);

[hasil8,hasil10,hasil12,hasil14,hasil16]=ekstraksi_ciri_lpc(data_suara,wb

);

dc=[hasil8 hasil10 hasil12 hasil14 hasil16];

save('dc.mat','dc');

waitbar(1/2);

load 'net.mat';

load 'data.mat';

[x,y]=size(data);

data_gabung = [data;dc];

data_gabung_norm=normalisasi(data_gabung);

data_sim=data_gabung_norm(x+1,pilihan_ciri(pilihan_ciri(16,1),1):pilihan_

ciri(pilihan_ciri(16,1),2));

a=sim(net,data_sim.');

a=compet(a);

[q, r]=max(a);

if r == 1

set(handles.tampil_hasil,'String','Kerusakan KLEP Mesin

Sepeda Motor');


100

elseif r == 2

set(handles.tampil_hasil,'String','Mesin Sepeda Motor

NORMAL');

elseif r == 3

set(handles.tampil_hasil,'String','Kerusakan RANTAI KAMPRAT

Mesin Sepeda Motor');

elseif r == 4

set(handles.tampil_hasil,'String','Kerusakan STANG SEHER

Mesin Sepeda Motor');

else

set(handles.tampil_hasil,'String','Kerusakan Mesin Sepeda

Motor Tidak Diketahui');

end

waitbar(2/2);

close(wb);

end

end

function tampil_signal_Callback(hObject, eventdata, handles)

teksDirektoriUji=get(handles.direktori_identifikasi,'String');

if strcmp(teksDirektoriUji, 'pilih file') == 1 ||

strcmp(teksDirektoriUji, '') == 1

h = msgbox('Tidak Ada Data', 'Error','error');

return;

else

[y,fs]=wavread(handles.file_suara);

sinyal=y(1:fs,1); % sinyal selama 1 detik

figure(1);subplot(2,1,1);plot(sinyal);axis('tight');ylabel('Amplitude');x

label('Time');

subplot(2,1,2);ylabel('Spectrogram');xlabel('Frequency');specgram(sinyal,

[],fs);

end

function tombol_backpropagation_Callback(hObject, eventdata, handles)

radio8=get(handles.button8,'Value');





cekboxDelta=get(handles.deltacek,'Value');

cekboxDelta2=get(handles.delta2cek,'Value');

editHidden1=str2double(get(handles.hidden1,'String'));

editHidden2=str2double(get(handles.hidden2,'String'));

editEpoch=str2double(get(handles.epoch,'String'));

if editHidden1==0

h = msgbox('Hidden Layer 1 Tidak Boleh 0','Error','error');

return;

end

tic

wb = waitbar(0, 'proses backpropagation');

load 'norm_data.mat';

load 'target_pelatihan.mat';

load 'pilihan_ciri.mat';

ciri=0;

if radio8 == 1

if cekboxDelta == 1

if cekboxDelta2 ==1

ciri=3;

else

ciri=2;

end


101

else

ciri=1;

end

elseif radio10 == 1

if cekboxDelta == 1

if cekboxDelta2 ==1

ciri=6;

else

ciri=5;

end

else

ciri=4;

end

elseif radio12 == 1

if cekboxDelta == 1

if cekboxDelta2 ==1

ciri=9;

else

ciri=8;

end

else

ciri=7;

end

elseif radio14 == 1

if cekboxDelta == 1

if cekboxDelta2 ==1

ciri=12;

else

ciri=11;

end

else

ciri=10;

end

elseif radio16 == 1

if cekboxDelta == 1

if cekboxDelta2 ==1

ciri=15;

else

ciri=14;

end

else

ciri=13;

end

else

ciri=0;

end

data_pelatihan=norm_data(:,pilihan_ciri(ciri,1):pilihan_ciri(ciri,2));

dataset1 =

[data_pelatihan(1:10,:);data_pelatihan(51:60,:);data_pelatihan(101:110,:)

;data_pelatihan(151:160,:)];

dataset2 =

[data_pelatihan(11:20,:);data_pelatihan(61:70,:);data_pelatihan(111:120,:

);data_pelatihan(161:170,:)];

dataset3 =



dataset4 =



dataset5 =

[data_pelatihan(41:50,:);data_pelatihan(91:100,:);data_pelatihan(141:150,

:);data_pelatihan(191:200,:)];


102

targetset1 =

[target_pelatihan(1:10,:);target_pelatihan(51:60,:);target_pelatihan(101:

110,:);target_pelatihan(151:160,:)];

targetset2 =

[target_pelatihan(11:20,:);target_pelatihan(61:70,:);target_pelatihan(111

:120,:);target_pelatihan(161:170,:)];

targetset3 =



targetset4 =



targetset5 =


1:150,:);target_pelatihan(191:200,:)];

hasil_conmat=zeros(4,4);

max=0;

for i=1:5

if i == 1

input_train = [dataset1;dataset2;dataset3;dataset4].';

input_test = dataset5.';

target_train = [targetset1;targetset2;targetset3;targetset4].';

target_test = targetset5.';

elseif i == 2





elseif i == 3





elseif i == 4





else





end

[output,net]=backpropagation(input_train,target_train,input_test,editHidd

en1,editHidden2,editEpoch);

hasil_conmat = confusionmatrix(output) + hasil_conmat;

sumAll = sum(sum(hasil_conmat));

sumDiag = sum(diag(hasil_conmat));

akurasiSem = (sumDiag/sumAll)*100;

if akurasiSem > max

save('net.mat','net');

max=akurasiSem;

end

waitbar(i/5);

end

jmlh_total = sum(sum(hasil_conmat));

jmlh_diag = sum(diag(hasil_conmat));

akurasi = (jmlh_diag/jmlh_total)*100;

set(handles.teksAkurasi,'String',num2str(akurasi));

tabel=num2str(hasil_conmat);

set(handles.confusion_matrix,'String',tabel);


103

pilihan_ciri(16,1)=ciri;

save('pilihan_ciri.mat','pilihan_ciri');

toc

waktu=round(toc);

waktu=num2str(waktu);

set(handles.waktu_proses,'String',waktu);

close(wb);

h = msgbox('Pelatihan Jaringan SELESAI', 'Pelatihan

Backpropagation','warn');

function hidden2_Callback(hObject, eventdata, handles)

function hidden2_CreateFcn(hObject, eventdata, handles)




end

function epoch_Callback(hObject, eventdata, handles)

function epoch_CreateFcn(hObject, eventdata, handles)




end

function hidden1_Callback(hObject, eventdata, handles)

function hidden1_CreateFcn(hObject, eventdata, handles)




end

function buttonHapus_Callback(hObject, eventdata, handles)

set(handles.direktori_pelatihan,'String','pilih direktori');

set(handles.list_data,'String','data...*.wav');

function edit12_Callback(hObject, eventdata, handles)

function edit12_CreateFcn(hObject, eventdata, handles)




end

function edit13_Callback(hObject, eventdata, handles)

function edit13_CreateFcn(hObject, eventdata, handles)




end

autokorelasi.m

function [ hasil ] = autokorelasi( data,orde )

[f,s]=size(data);

for i=1:f

for j=1:orde+1

hasil(i,j)=0;

for k=1:s-j


104

hasil(i,j)=hasil(i,j)+(data(i,k)*data(i,k+j));

end

end

end

end

backpropagation.m

function [ output, net ] = backpropagation( input_train, target_train,

input_test, hid_net1, hid_net2, epochs)

% Inisialisasi jaringan

rng(0);

if hid_net2 == 0

net=newff(minmax(input_train),[hid_net1,4],{'logsig','purelin'},'trainrp'

);

else

net=newff(minmax(input_train),[hid_net1,hid_net2,4],{'logsig','logsig','p

urelin'},'trainrp');

end

net=init(net);

net.trainParam.epochs = epochs;

net.trainParam.lr = 0.1;

net.trainParam.goal = 0.0001;

% pelatihan jaringan

[net,tr]=train(net,input_train,target_train);

% pengujian jaringan

error=sim(net,input_test);

a=compet(error);

output=a.';

end

confusionmatrix.m

function [ output_conmat ] = confusionmatrix( input_data )

[xb,yk] = size(input_data);

conmat = zeros(xb,1);

for i=1:xb

data=input_data(i,:);

[out, ind]=max(data);

if(ind == 1)

conmat(i)=1;

elseif(ind == 2)

conmat(i)=2;

elseif(ind == 3)

conmat(i)=3;

else

conmat(i)=4;

end

end

output_conmat=zeros(4,4);

conmat_a=conmat(1:10,:);

conmat_b=conmat(11:20,:);

conmat_c=conmat(21:30,:);

conmat_d=conmat(31:40,:);

for i=1:10

if(conmat_a(i)==1)

output_conmat(1,1)=output_conmat(1,1)+1;

end

if(conmat_a(i)==2)


105


end

if(conmat_a(i)==3)


end

if(conmat_a(i)==4)


end

if(conmat_b(i)==1)


end

if(conmat_b(i)==2)


end

if(conmat_b(i)==3)


end

if(conmat_b(i)==4)


end

if(conmat_c(i)==1)


end

if(conmat_c(i)==2)


end

if(conmat_c(i)==3)


end

if(conmat_c(i)==4)


end

if(conmat_d(i)==1)


end

if(conmat_d(i)==2)


end

if(conmat_d(i)==3)


end

if(conmat_d(i)==4)


end

end

end

delta_lpc.m

function [ d ] = delta_lpc( x, w )

% D = deltas(X,W) Calculate the deltas (derivatives) of a sequence

% Use a W-point window (W odd, default 9) to calculate deltas using a

% simple linear slope. This mirrors the delta calculation performed

% in feacalc etc. Each row of X is filtered separately.

% 2003-06-30 [email protected]

if nargin < 2

w = 9;

end

[nr,nc] = size(x);

if nc == 0

% empty vector passed in; return empty vector

d = x;


106

else

% actually calculate deltas

% Define window shape

hlen = floor(w/2);

w = 2*hlen + 1;

win = hlen:-1:-hlen;

% pad data by repeating first and last columns

xx = [repmat(x(:,1),1,hlen),x,repmat(x(:,end),1,hlen)];

% Apply the delta filter

d = filter(win, 1, xx, [], 2); % filter along dim 2 (rows)

% Trim edges

d = d(:,2*hlen + [1:nc]);

end

end

ekstraksi_ciri_lpc.m

function [ hasil8,hasil10,hasil12,hasil14,hasil16 ] =

ekstraksi_ciri_lpc( data,wb )

waitbar(0,wb,'ekstraksi ciri LPC');

% cek panjang data (maks. 3 detik)

[xs,ys]=size(data);

if xs > 150000

data_suara=data(1:150000,:);

else

data_suara=data;

end

% proses frame blocking

hasil_framing = frame_blocking(data_suara);

waitbar(1/6);

% proses windowing

hasil_windowing = hamming_window(hasil_framing);

waitbar(2/6);

% konversi data windowing matrix 1xdata

[f,d]=size(hasil_windowing);

out_windowing=hasil_windowing(1,:);

for i=2:f

out_windowing=[out_windowing hasil_windowing(i,:)];

end

% proses analisis autokorelasi

% orde 8

hasil_autokorelasi8=autokorelasi(out_windowing,8);

% orde 10


% orde 12


% orde 14


% orde 16


waitbar(3/6);

% proses analisis LPC (levinson durbin)

% orde 8

orde8=levinson_durbin(hasil_autokorelasi8,8).';

lpc8=orde8(:,2:9);

% orde 10


lpc10=orde10(:,2:11);

% orde 12

orde12=levinson_durbin(hasil_autokorelasi12,12)';

lpc12=orde12(:,2:13);

% orde 14


107


lpc14=orde14(:,2:15);

% orde 16


lpc16=orde16(:,2:17);

waitbar(4/6);

% proses delta1 LPC

% orde 8

delta1_8=delta_lpc(lpc8,8);

% orde 10


% orde 12


% orde 14


% orde 16


waitbar(5/6);

% proses delta2 LPC

% orde 8

delta2_8=delta_lpc(delta1_8,8);

% orde 10


% orde 12


% orde 14


% orde 16


% gabungan hasil ekstraksi LPC

% orde 8

hasil8=[lpc8 delta1_8 delta2_8];

% orde 10


% orde 12


% orde 14


% orde 16


waitbar(6/6);

end

frame_blocking.m

function [ output_data ] = frame_blocking( data_input )

% diambil 40 milisecond untuk setiap frame, dengan overlapping sebanyak

20 milisecond

N=1764;

M=N/2;

jml_frame=149; % 3 detik

hasil=zeros(jml_frame, N);

x=1;

for i=1:jml_frame

for j=1:N

hasil(i, j)=data_input(x);

x=x+1;

end

x=x-M;

end

output_data=hasil;

end


108

hamming_window.m

function [ hasil ] = hamming_window( input_window )

[x,y]=size(input_window);

for i=1:x

for j=1:y

input_window(i, j) = input_window(i,j) * (0.54 - (0.46 * cos ((2 * pi

* j) / (y-1))));

end

end

hasil = input_window;

end

levinson_durbin.m

function [ap, b0, e, g] = levinson_durbin(r, p)

ap = 0;

g = [];

aj(1) = 1;

ej = r(1);

e = [ej];

for j=1:p,

aj1 = zeros(j+1, 1);

aj1(1) = 1;

gammaj = r(j+1);

for i=2:j,

gammaj = gammaj + aj(i)*r(j-i+2);

end

lambdaj1 = -gammaj/ej;

g = [g ; lambdaj1];

for i=2:j,

aj1(i) = aj(i)+lambdaj1*(aj(j-i+2)');

end

aj1(j+1) = lambdaj1;

ej1 = ej*(1-abs(lambdaj1)^2);

e = [e ; ej1];

aj = aj1;

ap = aj1;

ej = ej1;

end

b0 = sqrt(ej1);

end

normalisasi.m

function [ hasil_norm ] = normalisasi( input_data )

hasil_norm = normc(input_data);

end

tampil_visual.m

[filename,pathname] = uigetfile('*.wav','Pilih File Suara');

file_suara = strcat(pathname,filename);

% baca data suara .wav

data_suara=wavread(char(file_suara));

figure(1);plot(data_suara);ylabel('Amplitude');xlabel('Time');

% proses frame blocking

hasil_framing = frame_blocking(data_suara);

figure(2);plot(hasil_framing);ylabel('Amplitude');xlabel('Frame');

% proses windowing

hasil_windowing = hamming_window(hasil_framing);

figure(3);plot(hasil_windowing);ylabel('Amplitude');xlabel('Frame');


109

% konversi data windowing matrix 1xdata

[f,d]=size(hasil_windowing);out_windowing=hasil_windowing(1,:);

for i=2:f

out_windowing=[out_windowing hasil_windowing(i,:)];

end

% proses analisis autokorelasi (orde 8)


figure(4);plot(hasil_autokorelasi8);ylabel('Data

Autokorelasi');xlabel('Orde LPC + 1');

% proses analisis LPC (levinson durbin) (orde 8)

orde8=levinson_durbin(hasil_autokorelasi8,8).';lpc8=orde8(:,2:9);

figure(5);plot(lpc8);ylabel('Koefisien LPC');xlabel('Orde LPC');

% proses delta1 LPC (orde 8)


% proses delta2 LPC (orde 8)


% gabungan hasil ekstraksi LPC (orde 8)


figure(6);plot(hasil8);ylabel('Data');xlabel('Gabungan LPC');i


identifikasi kerusakan mesin sepeda motor … filepredictive coding dan metode back propagation ......

Documents