makalah sentika 2013 9 pengenalan nada pada · pdf file52.23%. penelitian lainnya ......
TRANSCRIPT
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
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9 Maret 2013
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
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9 Maret 2013
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
Seminar NaYogyakarta
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
asional Teknologia, 9 Maret 2013
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
Seminar NaYogyakarta
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
asional Teknologia, 9 Maret 2013
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
Seminar NaYogyakarta
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
asional Teknologia, 9 Maret 2013
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
05 menghasilmengingat n
15 menghasilmengingat n
45 menghasilmengingat n
05 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.
Seminar NaYogyakarta
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
asional Teknologia, 9 Maret 2013
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%
asil pengujian0.00025 deng
asil pengujian0.00025 deng
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 generalisasi gan epoh 350
n generalisasi gan epoh 350
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
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9 Maret 2013
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
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9 Maret 2013
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.