makalah sentika 2013 9 pengenalan nada pada · pdf file52.23%. penelitian lainnya ......

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9 Maret 2013

64

PENGENALAN NADA PADA SENAR BIOLA DENGAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION

Suci Shaumy Afriany, Esti Suryani, Wiharto

Program Studi Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami 36A Kentingan Surakarta 57126

Telp. (0271) 646994 Fax. (0271) 646655 Email: [email protected], [email protected], [email protected]

ABSTRACT The violin is a string instrument with four strings which tuned on G, D, A, and E. A violinist is charged to remembering the sound produced by the strings when tuning the violin due to the pitch of musical instrument standard. This research is explain about the using of Learning Vector Quantization Method which is one of the artificial neural network method, to recognizing the tones (G, D, A, and E) of the open strings (the strings which are not pressed by fingers) from the violin by utilizing Linier Predictive Coding, one of the digital signal processing technique, to extract the violin sound signal which is resulting cepstral coefficients that representing the feature of each tones which will be used as an input of the neural network. The artificial neural network trained using 60 data tape consisting of 15 data of tone G, 15 data of tone D, 15 data of tone A, and 15 data of tone E, resulting in changes in the weights that are used to test the network to recognize the tone. The test network is divided into the memorization and the generalization. In the memorization test, the best recognition to the learning rate 0.00025 with the percentage of recognition up to 100%. While the generalization test using 60 test data consisting of 15 data of tone G, 15 data of tone D, 15 data of tone A, and 15 data of tone E , the result achieved 88.33% of recognition.

Keywords: artificial neural network, cepstral coefficients, Learning Vector Quantization (LVQ), Linier Predictive Coding (LPC), tone, violin. ABSTRAK Biola merupakan salah satu alat musik dawai yang memiliki empat buah senar yaitu senar G, D, A, dan E. Seorang pemain biola dituntut untuk mampu mengingat bunyi yang dihasilkan keempat senar tersebut untuk menyetelnya sesuai frekuensi standar alat musik. Penelitian ini membahas tentang penggunaan salah satu metode jaringan saraf tiruan yakni Learning Vector Quantization (LVQ) untuk mengenali keempat nada (G, D, A, dan E) pada senar terbuka (yang tidak ditekan oleh jari) dari alat musik biola dengan memanfaatkan teknik pengolahan sinyal digital Linier Predictive Coding (LPC) untuk mengekstraksi sinyal suara biola sehingga menghasilkan koefisien cepstral yang merepresentasikan ciri dari masing-masing nada yang digunakan sebagai masukan jaringan saraf tiruan. Jaringan saraf tiruan dilatih menggunakan 60 data rekaman yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E, sehingga menghasilkan perubahan bobot yang digunakan untuk menguji jaringan dalam mengenali nada. Pengujian jaringan terbagi menjadi dua yaitu memorisasi dan generalisasi. Pada pengujian memorisasi, hasil pengenalan terbaik pada learning rate 0.00025 dengan presentase pengenalan mencapai 100%. Sedangkan pada pengujian generalisasi menggunakan 60 data uij yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E, hasil pengenalan mencapai 88.33%. Kata Kunci: Biola, jaringan saraf tiruan, koefisien cepstral, Learning Vector Quantization (LVQ), Linier Predictive Coding (LPC), nada. 1. PENDAHULUAN

Sebuah nada adalah suatu bunyi yang memiliki nilai tertentu, yaitu pitch (frekuensi), yang dapat diukur secara ilmiah untuk menggambarkan jenis nada tersebut. Nada dapat dihasilkan dari suara manusia dan alat musik. Suara manusia dan alat musik yang beragam menyebabkan jangkauan nada yang berbeda, tergantung dari jenis suara dan alat musik yang digunakan. 0 Biola (violin) merupakan salah satu jenis alat musik string (dawai atau senar). Biola memiliki empat senar yaitu G, D, A, dan E yang disetel berbeda satu sama lain dengan interval sempurna kelima yaitu

jarak antara nada pada senar yang satu ke nada pada senar lainnya berjarak lima nada. 0.

Bagi seorang pemula, untuk belajar memainkan alat musik biola terkadang menghadapi kendala. Terutama apabila tidak mengetahui dasar musik. Kendala bagi seorang pebiola adalah mengingat nada ketika melakukan setem, yaitu mencocokkan nada pada masing-masing string yang tidak ditekan oleh jari (open string) sehingga dapat menghasilkan bunyi dengan frekuensi sesuai standar yang sudah ditetapkan secara internasional. 0

2. TINJAUAN PUSTAKA


65

Beberapa penelitian mengenai musik terutama mengenai pengenalan bunyi yang dihasilkan oleh alat musik telah banyak dilakukan, salah satunya adalah penelitian yang dilakukan oleh Eronen, et al., (72) mengenai pengenalan secara otomatis jenis alat musik menggunakan model Gaussian. Sebelum diklasifikasikan, terlebih dahulu dilakukan pengekstraksian suara alat musik menggunakan algoritma ekstraksi fitur (ciri) spektral dan temporal dari pitch tunggal suara alat musik, dimana ciri spektral berupa koefisien cepstral dan digunakan dalam pengklasifikasian jenis alat musik. Pengujian sistem menggunakan 1498 sampel data jangkauan pitch penuh dari 30 jenis alat musik orkestra yakni alat musik string, tiup, dan pukul yang dimainkan dengan teknik yang berbeda-beda. Hasil yang diperoleh adalah persentase keberhasilan pengenalan terhadap jenis alat musik mencapai 94% dan persentase pengenalan terhadap alat musik tunggal mencapai 80%.

Penelitian lain dilakukan oleh Susanto 0 mengenai pengenalan jenis alat musik berdasarkan hasil rekaman beberapa alat musik yang dimainkan. Kemudian dilakukan pembacaan pada hasil rekaman untuk diperoleh bentuk diskrit dari sinyal alat musik untuk mempermudah dalam pengolahan sinyal pada hasil rekaman tersebut dengan pengekstrasian komponen cepstral untuk dijadikan sebagai masukan pada proses pelatihan jaringan saraf tiruan dengan algoritma Learning Vector Quantization (LVQ). Pengujian data rekaman dan data baru dilakukan setelah didapat perubahan bobot pada jaringan. Hasil yang diperoleh yaitu persentase pengenalan sebesar 88.33% terhadap data latih dengan kombinasi titik uji 2048, frame 20ms, orde LPC 14, orde cepstral 19, epoh 500. Persentase pengenalan terhadap data uji sebesar 88.33% terhadap data latih dengan kombinasi titik uji 2048, frame 20ms, orde LPC 14, orde cepstral 19, epoh 1000. Rata-rata persentase pengenalan terhadap data tunggal yang diambil secara realtime sebesar 52.23%.

Penelitian lainnya dilakukan Fachrudin 0, yaitu mengenai pengenalan pengucap tak bergantung teks yang bertujuan untuk dapat mendengar dan mengenali pengucap yang sedang berbicara. Metode yang digunakan Fachrudin untuk mengekstraksi sinyal suara yaitu Linier Predictive Coding (LPC), sedangkan untuk pencocokan ciri digunakan metode Vector Quantization (VQ). Hasil yang diperoleh yaitu rata-rata persentase pengenalan untuk data rekaman dengan kombinasi orde LPC 12, panjang frame 20ms, ukuran codebook 16 dan 32 yaitu sebesar 68.5%. Rata-rata persentase pengenalan untuk pengujian realtime dengan kombinasi orde LPC 8, panjang frame 10ms, ukuran codebook 64 mencapai 58%.

Mengacu pada ketiga penelitian tersebut, penelitian yang dilakukan oleh penulis yaitu pengenalan nada yang difokuskan pada senar

terbuka yang dihasilkan oleh biola (violin).

3. METODOLOGI PENELITIAN 3.1 Algoritma 3.1.1 Linier Predictive Coding (LPC)

Linier Predictive Coding (LPC) adalah metode digital untuk men-encoding sebuah sinyal analog dimana sebuah nilai tertentu diprediksi oleh sebuah fungsi linier nilai sebelumnya dari sinyal tersebut 0. Ada dua alasan utama penggunaan metode LPC 0 , yaitu : 1. LPC dapat digunakan untuk memprediksi trayek

dari sebuah sinyal. Dalam domain frekuensi, prediksi trayek ekuivalen dengan pemodelan spektrum sinyal.

2. LPC mampu menghilangkan bagian yang dapat terprediksi dalam upaya untuk menghindari bagian redundansi pada saat retransmitting yang dapat diprediksi oleh receiver dan sekaligus dapat menghemat penyimpanan, bandwidth, waktu, dan tenaga.

Langkah-langkah dari pengolahan sinyal dengan LPC untuk memperoleh koefisien cepstral 0 yaitu : 1. Preemphasis (penekanan sinyal)

1 (1)

adalah vocal tract model (pemodelan korelasi dan daya amplifikasi), adalah koefisien prediktor, adalah variabel integer yang melambangkan transformasi pada ruang .

2. Blocking into frame (pemblokan menjadi beberapa frame)

Tahapan ini mengelompokkan sinyal hasil preemphasis ke dalam bingkai-bingkai dengan ukuran masing-masing bingkai sebesar data. Bingkai ini berurutan dengan pemisahan antara kedua bingkai sebesar data. = ⅓ dimana melambangkan jumlah sampel dari blok sinyal.

3. Frame windowing Setiap frame dikalikan dengan jendela sampel ( ) dengan menggunakan fungsi jendela Hamming untuk sampel ke-n 0 :

0.54 0.46 cos2

1 ;

0 1

(2)

adalah frame pada data sinyal suara, melambangkan jumlah sampel dari blok sinyal.

4. Autocorrelation analysis Setiap himpunan frame window diatokorelasi sehingga didapatkan sebuah himpunan koefisien

1 , dengan adalah orde LPC yang diharapkan.

5. LPC/Cepstral analysis Vektor dari koefisien LPC untuk masing-masing frame, diperoleh dari autokorelasi vektor menggunakan metode rekursi Levinson atau Durbin. Vektor LPC kemudian dikalkulasikan sehingga didapatkan koefisien LPC yaitu .

6. Cepstral weighting Vektor koefisien cepstral yaitu ℓ pada

Seminar NaYogyakarta

frame w

sehingg

7. Delta Turunandihitung

adalapolinomiaadalah fa

sam 3.1.2 L

Learnsuatu meunit outp(beberapamasing-munit outpreferensi.pelatihandengan dpelatihanvektor inpsebagai uvektor ref0. AdapuLangkah dan learnLangkah kerjakan a. Untukb. Temu

bernilc. Perba

1. Jikbeke,

2. Jik

d. Kurane. Tes ko

asional Teknologia, 9 Maret 2013

waktu ke yaitu :

adalah bobot ga didapatkan

adalah koefi

cepstrum n cepstral (yg dengan men

ah vektor deltaal ortogonal aktor penguatma dengan

Learning Vecning vector etode klasifikaput mewakili a unit output

masing kelas)ut sering diny. Diasumsika

n dengan klasistribusi awal

n, sebuah jarinput dengan munit output, ferensi diklasi

un algoritma d1 : Ini

ning rate α(0),2 : Selama ko:

k masing-masiukan output

antara vlai minimum aiki vektor bobka T = , denar untuk veelas yang direpmaka :

ka T mak

ngi learning raondisi berhen

i Informasi dan K

dberikan bob

pada jendela :

isien cepstral y

bobot

yaitu vektor nggunakan per

a cepstrum, dari panjang

tan yang dipi.

ctor Quantizaquantization

asi pola yangkategori ataseharusnya d

. Vektor bobyatakan sebagan bahwa seifikasi yang tdari vektor re

ngan LVQ memenugaskan ke

sedangkan yifikasikan sebari LVQ 0 adaisialisasikan , ondisi berhen

ing pelatihan sehingga

vektor bobot d

bot dengandengan T sebektor pelatihapresentasikan

ka :

ate ti

Komunikasi 2013

bot oleh wind

(3

ke–

(4)yang sudah di

delta cepstrursamaan :

(5)

adalah orde pjendela terba

ilih agar varia

ation (LVQ) (LVQ) ada

g masing-masau kelas tertedigunakan un

bot untuk sebgai sebuah vekerangkaian ptersedia bersaeferensi. Sesuengklasifikasi

e kelas yang sayang mempunbagai vektor inalah : vektor refere

nti bernilai sa

vektor input jarak eucled

dan unit outpu

n : bagai kelas yan dan adan oleh unit out

(SENTIKA 2013)

66

dow

3)

iberi

um)

pertama atas, an dari

alah sing entu ntuk uah ktor pola ama

udah ikan ama nyai nput

ensi

alah,

dean ut

yang alah tput

(6)

(7)

3.23.2

mefordilbiokerbiogeslembaggesdenbaw 3.2

3.2Me

)

2 Analisa Ke2.1 Pengamb

Tahap pengerekam nada-nrmat file wakukan satu p

ola yaitu keraras diperoleh ola bagian usekan pendekmbut diperolegian atas rasekan lambangan menggeswah rambut d

2.2 Alur Jalan

Gambar 1

2.3 Ekstraksi etode LPC

ebutuhan bilan Data Nagambilan danada pada sen

waveform. Prpersatu denganas, lembut, dadari mengges

ujung bawahk-pendek sereh dengan meambut busur at. Suara nadsek biola denengan kecepa

nnya Aplikasi

1. Diagram alu

Koefisien C

ISSN

ada ata suara nanar terbuka bioroses merekn variasi gesean normal. Susek biola denh rambut darta cepat. Suenggesek biol

biola dengada normal d

ngan bagian atatan gesekan s

i

ur jalannya ap

Cepstral Meng

N: 2089-9815

ada yaitu ola dengan am nada

ekan busur uara nada

ngan busur an teknik uara nada la dengan an teknik dihasilkan tas hingga edang.

plikasi

ggunakan


67

Gambar 2. Diagram alir langkah-langkah ekstraksi

koefisien cepstral 3.2.4 Arsitektur JST LVQ

Jaringan saraf tiruan LVQ yang digunakan pada penelitian ini terdiri dari tiga lapisan, yaitu lapisan input terdiri dari 20 sel input yang merepresentasikan koefisien cepstral, lapisan tersembunyi dengan empat sel bobot, dan lapisan output yang merepresentasikan klasifikasi nada. Arsitektur jaringan saraf tiruan LVQ dari penelitian ini ditunjukkan oleh Gambar 3.

Gambar 3. Arsitektur jaringan saraf tiruan LVQ

3.2.5 Proses Pembelajaran JST LVQ

Gambar 4. Diagram alir pembelajaran jaringan saraf

tiruan 3.2.6 Proses Pengujian JST LVQ

Gambar 5. Diagram alir pengujian jaringan saraf

tiruan

3.3 Skenario Pengujian 3.3.1 Skenario Pengujian Memorisasi

Pengujian memorisasi dilakukan terhadap 60


data rekam- Dilakuk

0.0005 - Dilakuk

0.0015 - Dilakuk- Dilakuk

0.0045 - Dilakuk

0.00025Targe

sebesar 8

4. SKENPengu

data reallearning dihasilkanpersentas70%.

5. PENG5.1. Spe5.1.2 P

PeranmembangCompaq Core 2 operating32 bit, aGenius M

5.1.3 Pe

DalamlingkungaJava SE user intetiruan, dpengolahdigunaka

5.1.4 Pe

Untukaplikasi, pendukundokumenuntuk Javfor MySQIntegratedMicrosofPublisher

5.2. Has5.2.1 Ha0.0005 da

Setela295, dan rata-rata jyaitu sebePersentas


man dan ordekan sebanyak

kan sebanyak

kan sebanyak kan sebanyak

kan sebanyak5 et persentase 0%.

NARIO PENujian generall time dan ord

rate dan n dari pen

se keberhasila

GUJIAN DANesifikasi PeranPerangkat Ke

ngkat keras gun dan mengPresario B12Duo, RAM

g system mengalat pengamb

Multimedia Mi

erangkat Lunm membangan perangkat 6 sebagai p

erface serta dan pemrogrhan sinyal Lan yaitu MySQ

erangkat Lunk menunjang

diperlukan ng yaitu Microntasi, NetBeanva IDE, NaviQL untuk dad Digital HDft Windowsr untuk merek

sil Pengujian Hasil Penguji

an Banyak Epah dilakukan plearning rate

jaringan sarafesar 96.67% yse jaringan s

i Informasi dan K

e LPC 20 dengk 295 epoh

k 295 epoh

295 epoh, leak 295 epoh

k 295 epoh

keberhasilan

GUJIAN GEisasi dilakukde LPC 20 debanyak epoh

ngujian meman pengenala

N PEMBAHAngkat eras

yang digguji aplikasi ya257TU dengan

2 GB, hardggunakan Winbil input suaricrophone (Tip

nak Pembangugun dan me

lunak yang programming

membangunaman Matlab

LPC. DatabasQL 5.5.8.

nak Pendukunpembangunabeberapa p

osoft Office Wns IDE 7.2 Reicat Enterpris

atabase IDE, D Audio Verss Hardware kam suara biol

Memorisasi ian Dengan poh 295 pengujian dene 0.0005, dipef tiruan dalamyang ditunjukksaraf tiruan u

Komunikasi 2013

gan variasi : h, learning r

h, learning r

arning rate 0.0h, learning r

h, learning r

mengingat y

ENERALISASkan terhadap engan kombinh terbaik y

morisasi. Taran yaitu sebe

ASAN

gunakan daaitu notebookn processor Ind disk 160 Gndows 7 Ultimra menggunape MIC-01A)

un Aplikasi enguji aplikdigunakan ylanguage un

n jaringan sab untuk prose Server y

ng an dan pengujperangkat luWord 2007 unelease Candide Version 9.1dan SoundMsion 6.10.1.5

Compatibila.

Learning R

ngan banyak eperoleh persent

m mengingat nkan oleh Tabeuntuk mengin

(SENTIKA 2013)

68

rate

rate

005 rate

rate

aitu

SI 60

nasi yang rget esar

lam k PC ntel GB,

mate akan ).

kasi, aitu

ntuk araf oses yang

jian unak ntuk date 1.11

MAX 240 ility

Rate

poh tase

nada el 1. ngat

nadpernadter1. GepoGa

T

N

Ga

5.20.0

295ratyaiPernadpernadter1. GepoGa

T

)

da G, A, drsentase jarinda D hanyadapat dua datGrafik hasil poh 295, dan leambar 6.

Tabel 1. Hasil p

0.Nada Pers

G 100D 86A 100E 100

ambar 6. Hasil0.

2.2 Hasil Pe0015 dan Bany

Setelah dilak5 dan learnina-rata jaringanitu sebesar 96rsentase jarinda G, A, drsentase jarinda D hanyadapat dua datGrafik hasil poh 295, dan leambar 7.

Tabel 2. Hasil p

0.Nada Pers

G 10D 86A 10E 10

dan E mencngan saraf tira mencapai ta yang diklaspengujian memearning rate 0

pengujian me0005 dengan

sentase Pe0.00%

6.67% 0.00% 0.00%

l pengujian m0005 dengan

engujian De

nyak Epoh 295kukan pengujing rate 0.0015n saraf tiruan .67% yang dit

ngan saraf tirdan E mencngan saraf tira mencapai ta yang diklaspengujian memearning rate 0

pengujian me0015 dengan sentase Pe0.00%

6.67% 0.00% 0.00%

ISSN

capai 100%.ruan untuk m

86.67% diksifikasikan dalmorisasi denga0.0005 ditunju

morisasi learn295 epoh rsentase Rata

96.67%

memorisasi learepoh 295

engan Learn5 an dengan ban5, diperoleh pdalam mengi

tunjukkan oleruan untuk mcapai 100%.ruan untuk m

86.67% diksifikasikan dalmorisasi denga0.0015 ditunju

morisasi learn295 epoh

ersentase Rat

96.67%

N: 2089-9815

Namun, mengingat karenakan lam Kelas an banyak

ukkan oleh

ning rate

a-rata

rning rate

ning Rate

nyak epoh persentase ingat nada

eh Tabel 2. mengingat Namun, mengingat karenakan lam Kelas an banyak

ukkan oleh

ning rate

ta-rata


Gambar 7

5.2.3 Ha0.005 dan

Setela295 dan jaringan sebesar Persentasnada G dsaraf tiru93.33%, diklasifikpersentasnada D terdapat 8Kelas 1. banyak ditunjukk

Tab

NadaG D A E

Gambar 8

5.2.4 Ha0.0045 da

Setela


7. Hasil pengu0.0015 d

Hasil Pengujin Banyak Epoah dilakukan plearning ratesaraf tiruan 85% yang

se jaringan sdan E mencapuan untuk m

dikarenakankasikan dalase jaringan s

hanya men8 buah data yGrafik hasil epoh 295,

kan oleh Gamb

bel 3. Hasil perate 0.0

a Persentase100.00% 46.67% 93.33% 100.00%

8. Hasil pengu0.005 de

Hasil Pengujian Banyak Epah dilakukan

i Informasi dan K

ujian memorisdengan epoh 2

ian Dengan oh 295 pengujian dene 0.005, dipedalam mengiditunjukkan

saraf tiruan upai 100%. Permengingat nan terdapat sam Kelas araf tiruan u

ncapai 46.67yang diklasifikpengujian me

dan learnibar 8.

engujian mem005 dengan 29e Persentas

8

ujian memorisengan epoh 29

ian Dengan poh 295

pengujian t

Komunikasi 2013

sasi learning r295

Learning R

ngan banyak eperoleh persentingat nada y

oleh Tabel untuk menginrsentase jarin

ada A mencasatu data y

1. Sedanguntuk mengin%, dikarena

kasikan ke daemorisasi denng rate 0.

morisasi learni95 epoh se Rata-rata

85%

sasi learning r95

Learning R

terhadap den

(SENTIKA 2013)

69

rate

Rate

poh tase aitu

3. ngat ngan apai

yang gkan ngat akan lam

ngan 005

ing

rate

Rate

ngan

bandipdalditutiru100meter1. medikdikpenlea

T

Ga

5.20.0

bandipdalditutirumedenditu

T

)

nyak epoh peroleh persenlam mengingunjukkan olehuan untuk m0%. Persentengingat nadadapat satu datSedangkan pe

engingat nadkarenakan tklasifikasikan ngujian memoarning rate 0.0

Tabel 4. Hasil p

0.Nada Pers

G 100D 46A 93E 100

ambar 9. Hasil0.

2.5 Hasil Pe00025 dan Ba

Setelah dilanyak epoh peroleh persenlam mengingunjukkan olehuan untuk mencapai 100%ngan banyak eunjukkan oleh

Tabel 5. Hasil p0.0

Nada PersG 100D 100A 100E 100

295 dan lentase rata-rat

gat nada yaith Tabel 4. Pe

mengingat nadtase jaringana A mencapata yang diklasersentase jarinda D hanyaterdapat 8

ke dalam Korisasi dengan0045 ditunjuk

pengujian me0045 dengan sentase Per0.00%

6.67% 3.33% 0.00%

l pengujian m0045 dengan engujian Denyak Epoh 29

akukan pengu295 dan lentase rata-rat

gat nada yaituh Tabel 5. Pe

mengingat na%. Grafik hasil

epoh 295, danh Gambar 10. pengujian me00025 dengansentase Per0.00% 0.00% 0.00% 0.00%

ISSN

earning ratea jaringan satu sebesar 8ersentase jarinda G dan E n saraf tiruai 93.33%, diksifikasikan dangan saraf tirua mencapai

buah datKelas 1. Gran banyak epohkkan oleh Gam

morisasi learn295 epoh rsentase Rata

85%

memorisasi learepoh 295

engan Learn95 ujian terhadaarning rate a jaringan sau sebesar 10ersentase jarinada G, D, Al pengujian mn learning rat

morisasi learnn 295 epoh rsentase Rata

100.00%

N: 2089-9815

e 0.0045, araf tiruan 85% yang ngan saraf mencapai

an untuk karenakan lam Kelas uan untuk

46.67%, ta yang afik hasil h 295, dan

mbar 9.

ning rate

a-rata

rning rate

ning Rate

ap dengan 0.00025,

araf tiruan 00% yang ngan saraf A, dan E memorisasi te 0.00025

ning rate

a-rata


Gambar

Persen

mengingakeberhasidengan persentassebesar 1persentassebesar 9persentassebesar 9persentassebesar persentassebesar 8

Apabitersebut diperolehterkecil Sehinggalearning semakin dari kopengolahkesalahannada yandiharapkadata pad0.0045 unada A banyaknylearning nada D se

Setelajaringan learning mencapaidilakukan5.3. Has5.3.1. Halearning

Hasil realtime nada G, 1


r 10. Hasil penrate 0.0002

ntase rata-rataat nada milan dalam mlearning ra

se rata-rata jar100%, learninse rata-rata jar96.67%, learnse rata-rata jar96.67%, learnse rata-rata jar85%, learnin

se rata-rata jar5%. ila diperhatmenunjukkan

h dari learningdiperoleh d

a dapat dikarate maka kembaik dalam mefisien ceps

han sinyal. n yang terjad

ng tidak sesuaian. Banyakny

da learning runtuk nada D

sebanyak sya kesalahanrate 0.0005 debanyak 2 datah diketahui saraf tiruan d

rate 0.0002i 100%, makan pengujian pasil Pengujian

Hasil Pengujrate 0.00025 pengujian gesebanyak 60

15 data nada D

i Informasi dan K

ngujian memo25 dengan epo

a jaringan samampu memengingat naate 0.00025ringan dalam ng rate 0.000ringan dalam ing rate 0.00ringan dalam ing rate 0.004ringan dalam ng rate 0.00ringan dalam

tikan, persen bahwa perg rate terkeci

dari learningatakan bahwamampuan jari

mengenali polstral yang

Terbukti ddi dalam meni dengan kelaya kesalahan rate 0.005 da

sebanyak 8 dsatu buah d

n mengklasifidan learning rta.

bahwa persdalam mengin25 pada epoa untuk penguada learning rGeneralisasijian generadan 190 epoh

eneralisasi dendata yang ter

D, 15 data nad

Komunikasi 2013

orisasi learninoh 295

araf tiruan dalampaui tarada yaitu 80

5 menghasilmengingat n





entase-persentsentase tertinil, dan persentg rate terbea semakin kingan saraf tira yang terbendihasilkan d

dari banyakngklasifikasi das dari nada y

mengklasifikan learning rdata, serta undata. Sedangikasi data prate 0.0015 un

sentase rata-rngat nada denoh 295 mamujian generalirate 0.00025.i alisasi dengh ngan jumlah drdiri dari 15 dda A, dan 15 d

(SENTIKA 2013)

70

ng

lam rget 0%, lkan nada lkan nada lkan nada lkan nada lkan nada

tase nggi tase

esar. kecil ruan ntuk dari

knya data

yang kasi rate ntuk gkan pada ntuk

rata ngan mpu sasi

gan

data data data

nadsebPenyandatD, leaepodis93dikmedikperyankeshas0.0

G

5.3lea

readatdatpad

tiruseb15 densebmeyanyan

)

da E, learnibanyak 190 epngenalan nadng dilakukan ta yang terdir

15 data nadarning rate 0.oh, terjadi pasusul kemudia.33% karenaklasifikasikan encapai 60% klasifikasikan rsentase rata-ng hanya mesalahan mengsil pengujian00025 dan epo

Tabel 6. Haslearning

Nada PerG 10D A E 93

Gambar 11. Harate 0

3.2. Hasil arning rate 0.0

Hasil pengujaltime sebanyta nada G, 15 ta nada E, leada epoh 295 dPengenalan

uan yang dbanyak 60 datdata nada D,

ngan learninbanyak 295 epencapai 100%ng mencapai 6ng salah dik

ing rate 0.0poh ditunjukkada terbaik dar

terhadap datari dari 15 datada A, dan 1500025, dan dada nada G an dengan na terdapat s

ke dalam Kkarena terda

dalam K-rata yang terencapai 40% gklasifikasi ken generalisasoh 190 ditunjusil pengujian gg rate 0.00025

rsentase P

00.00% 40% 60% 3.33%

asil pengujian0.00025 deng

Pengujian 00025 dan 29jian generalisa

yak 60 data dadata nada D, arning rate 0

ditunjukkan olnada terbaik

dilakukan terta yang terdir15 data nada

ng rate 0.0poh, terjadi pa

%, disusul kem66.67%, karenklasifikasikan

ISSN

00025, dan an oleh Tabel ri jaringan saa realtime seba nada G, 15 5 data nada Edilakukan sebayang mencap

nada E yang satu buah d

Kelas 2. Nadaapat 6 buah dKelas 1. Krendah adalahkarena terjad

e dalam Kelasi pada learn

ukkan oleh Gageneralisasi d5 dan 190 epoPersentase Ra

rata

73.33%

n generalisasi gan epoh 190

generalisasi 95 epoh asi dengan juata yang terdi15 data nada

0.00025, dan leh Tabel 7. k dari jaringrhadap data ri dari 15 datA, dan 15 da0025, dan ada nada G damudian dengana terdapat 5

n ke dalam

N: 2089-9815

dilakukan 6.

araf tiruan banyak 60 data nada

E, dengan anyak 190 pai 100%, mencapai

data yang a A hanya data yang

Kemudian, h nada D di 9 buah s 1. Grafik ning rate ambar 11. dengan oh ata-

learning

dengan

umlah data iri dari 15 A, dan 15 dilakukan

gan saraf realtime

ta nada G, ata nada E,

dilakukan an E yang

an nada A buah data Kelas 1.


Persentasyang hakesalahanbuah datalearning oleh Gam

Tabe

l

NadaG D A E

Gambar

5.3.3. Halearning

Hasil realtime data nadadata nadapada epoh

Pengetiruan ysebanyak15 data ndengan sebanyakmencapaidan A ya2 buah diklasifikrata yanmencapaidalam mhasil pen0.00025 d

Berdalearning dan epohtiruan dkoefisienepoh pal


se rata-rata yanya mencapn mengklasifika. Grafik hasirate 0.00025

mbar 12.

l 7. Hasil penglearning rate 0

a Persentas100.00%33.33% 66.67% 100.00%

r 12. Hasil penrate 0.0002

Hasil Pengujrate 0.00025 pengujian gesebanyak 60

a G, 15 data na E, learningh 350 ditunjukenalan nada yang dilakukk 60 data yangnada D, 15 dat

learning ratk 350 epoh, i 100%, disusang mencapai

kesalahan kasikan ke dalg terendah ai 80% dikaren

mengklasifikasngujian genedan epoh 350 asarkan hasil rate 0.00025

h 350, persendalam mengen cepstral datling sedikit y

i Informasi dan K

yang terendahpai 33.33% kasi ke dalamil pengujian g5 dan epoh

gujian genera0.00025 dan 2

se Persen

r%

7

%

ngujian gener25 dengan epo

jian generadan 350 epoh

eneralisasi dendata data yan

nada D, 15 datg rate 0.00025kkan oleh Tab

terbaik darikan terhadapg terdiri dari ta nada A, dante 0.00025,

terjadi padasul kemudian86.67% dikamengklasifik

lam Kelas 1. adalah nada nakan terjadi 3si ke dalam eralisasi padaditunjukkan opengujian g

dengan epohntase rata-ratenali pola yta nada menuyaitu epoh 19

Komunikasi 2013

h adalah nadakarena terda

m Kelas 1 padageneralisasi p295 ditunjuk

lisasi dengan 295 epoh tase Rata-rata

75%

ralisasi learninoh 295

alisasi dengh ngan jumlah dng terdiri darita nada A, dan5, dan dilakubel 8. i jaringan sa data realt15 data nada

n 15 data nadadan dilaku

a nada E yn dengan nadaarenakan terdakasi nada y

Persentase rD yang ha

3 buah kesalaKelas 1. Graa learning roleh Gambar 1generalisasi ph 190, epoh 2ta jaringan sayang dihasilunjukkan bah90 menghasil

(SENTIKA 2013)

71

a D apat a 10 pada kkan

ng

gan

data i 15 n 15 ukan

araf time a G, a E,

ukan yang a G apat

yang ata-

anya ahan afik rate 13. pada 295, araf lkan hwa lkan

peryan73seb35088

pendenole

G

G

)

rsentase rata-ng dihasilkan.33%. Epoh 2besar 75%. Se0 mampu .33%. Grafik perba

ngujian generngan mevariaeh Gambar 14

Tabel 8. Has

learning

Nada PerG 86D 80A 86E 10

Gambar 13. Harate 0

Gambar 14. Harate 0

rata terkecil n koefisien c95 menghasilk

edangkan epohmenghasilkan

andingan perralisasi pada asikan banyak.

sil pengujian gg rate 0.00025

rsentase P

6.67% 0.00% 6.67% 00.00%



ISSN

dalam mengecepstral yaknkan persentash terbanyak yn persentase

rsentase rata-learning rate

knya epoh di

generalisasi d5 dan 350 epoPersentase Ra

rata

88.33%



N: 2089-9815

enali pola ni sebesar se rata-rata yaitu epoh e sebesar

-rata hasil e 0.00025 itunjukkan

dengan oh ata-

learning

learning


72

Kemampuan jaringan saraf tiruan pada learning rate 0.00025 dengan variasi epoh dalam mengenali pola yang dihasilkan koefisien cepstral pada pengujian generalisasi memberikan hasil yang berbeda dengan pengujian memorisasi pada learning rate 0.00025 dan variasi epoh yang sama yakni epoh 190, epoh 295, dan epoh 350. Pengujian memorisasi dilakukan menggunakan data koefisien cepstral dari nada yang telah direkam, lalu dijadikan bahan pembelajaran jaringan saraf tiruan. Sedangkan pengujian generalisasi dilakukan menggunakan data koefisien cepstral yang diambil ketika nada dimainkan langsung, bukan dari file rekaman. Persentase rata-rata hasil pengujian memorisasi yang mencapai 100% menunjukkan hasil yang baik dari jaringan saraf tiruan, karena mampu mengingat dengan sempurna pola dari koefisien cepstral yang sudah pernah dipelajari sebelumnya. Akan tetapi, berdasarkan hasil pengujian generalisasi yang telah dilakukan hanya mampu mencapai persentase rata-rata sebesar 88.33% dalam mengenali pola dari koefisien cepstral yang belum pernah dipelajari, sehingga dapat dikatakan bahwa jaringan saraf tiruan pada penelitian yang dilakukan penulis tidak dapat secara sempurna mengenali pola koefisien cepstral yang belum pernah dipelajari. Hal ini disebabkan karena koefisien cepstral ketika biola dimainkan secara langsung pada saat pengujian generalisasi memiliki pola yang lebih beragam dan berbeda dengan pola dari koefisien cepstral pada file rekaman yang dijadikan pembelajaran jaringan saraf tiruan. Keragaman pola tersebut disebabkan oleh kondisi penyetelan senar yang tidak bisa sama persis ketika merekam nada untuk pembelajaran dengan memainkan nada pada saat pengujian generalisasi. Namun, dalam penelitian ini, persentase rata-rata jaringan saraf tiruan dalam mengenali nada dari hasil pengujian generalisasi yaitu sebesar 88.33% telah mampu melampaui target keberhasilan pengenalan yaitu sebesar 70%.

6. KESIMPULAN DAN SARAN 6.1. Kesimpulan

Berdasarkan hasil pengujian generalisasi terhadap 60 data uji yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E pada learning rate 0.00025 dengan epoh 190, epoh 295, dan epoh 350, persentase rata-rata jaringan saraf tiruan dalam mengenali pola yang dihasilkan koefisien cepstral data nada menunjukkan bahwa: Epoh yang paling sedikit yaitu epoh 190 menghasilkan persentase rata-rata terkecil dalam mengenali pola yang dihasilkan koefisien cepstral yakni 73.33% dengan persentase pengenalan pada nada G yang mencapai 100%, nada E mencapai 93.33%, nada A mencapai 60%, dan nada D mencapai 40%. Epoh 295 menghasilkan persentase rata-rata 75% dengan persentase pengenalan pada nada G dan E yang mencapai 100%, nada A mencapai 66.67%, dan nada D mencapai 33.33%.

Sedangkan epoh terbanyak yaitu epoh 350 mampu menghasilkan persentase rata-rata 88.33% dengan persentase pengenalan pada nada E yang mencapai 100%, lalu nada G dan nada A mencapai 86.67%, dan nada D mencapai 80%.

6.2. Saran Saran untuk penelitian selanjutnya adalah : 1. Mengembangkan penelitian dengan

menggunakan data rekaman maupun data pengujian yang berasal dari hasil setem beberapa pemain biola lain yang memiliki kompetensi sama dengan pemain biola yang telah menyetem biola untuk data rekaman dan data pengujian yang telah dilakukan oleh penulis.

2. Mengembangkan penelitian dengan mengkaji pengaruh suhu terhadap suara biola yang dihasilkan apakah berdampak pada keakuratan pengenalan nada.

3. Mengembangkan penelitian dengan mengkaji penyebab kesalahan hasil pengenalan nada D dan nada A yang cenderung dikenali ke dalam kelas nada G.

REFERENSI Bradbury, Jeremy. 2000. “Linier Predictive

Coding”. Florida: Florida Institute of Technology.

Eronen, Antti., Anssi Klapuri. 2000. “Musical Instrument Recognition Using Cepstral Coefficients And Temporal Features”. Proc. Of the IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP.

Fachrudin, AN. 2004. Pengenalan Pengucap Tak Bergantung Teks dengan Metode Vector Quantization (VQ) Melalui Ekstraksi Linier Predictive Coding (LPC). Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro. Semarang.

Gunawan, Dadang., dan Filbert Hilman Juwono. 2012. “Pengolahan Sinyal Digital Dengan Pemrograman Matlab”. Graha Ilmu. Yogyakarta. ISBN : 978-979-756-814-6.

Hidayanto, Achmad. 2009. “Dasar Pemodelan Markov”. Fakultas Teknik, Universitas Dipenogoro, Semarang, http://achmad.blog.undip.ac.id/files/2009/06/markov.pdf (Diunduh 22 Januari 2012)

Hohmann, C.H. 1910. “Pratical Violin Method Book 1”, (E-book). U.S.A.: Carl Fischer New York. ISBN-13 : 9780825808883.

ISO 16:1975 “Acoustics – Standard tuning frequency (Standard musical pitch)”. Changes made in 1995, ISO Standards Handbook : Acoustics, Vol.1, General Aspects of Acoustics: Methods of noise neasurement in general; Noise with respect to human beings; Ed. 2.616. International Organization for Standardization. ISBN : 92-67-10221-4

Kristanto, Andi. 2004. “Jaringan Saraf Tiruan


73

(Konsep Dasar, Algoritma, dan Aplikasi)”. Yogyakarta: Gala Media.

Miller, Michael. 2005. “The Complete Idiot’s Guide to Music Theory Second Edition” , (E-book). U.S.A: Penguin Group (USA) Inc, New York. ISBN : 1-4295-1388-8.

Munawar, Badri. 2010. “Pengidentifikasian Kata Dengan Menggunakan Metode Hidden Markov Model (HMM) Melalui Ekstraksi Ciri Linier Prediction Coding (LPC)”. Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia..

S., Amri. 2009. www.musikbiola.com (Diakses 20 Januari 2011 pukul 6.39 WIB)

Susanto, Indra. 2004. “Pengenalan Suara Alat Musik Dengan Metode Jaringan Saraf Tiruan (JST) Learning Vector Quantization (LVQ) Melalui Ekstraksi Koefisien Cepstral”. Makalah disajikan dalam Seminar Tugas Akhir, Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro, Semarang.

Vaseghi, Saeed V. 2007. “Multimedia Signal Processing : Theory and Applications in Speech, Music, and Communications”. United Kingdom: John Willey & Sons, Ltd.

makalah sentika 2013 9 pengenalan nada pada · pdf file52.23%. penelitian lainnya ......

Documents