pengenalan nada barung pelog menggunakan … · pengenalan nada barung pelog ... (limo), 6 (enem),...

i

TUGAS AKHIR

PENGENALAN NADA BARUNG PELOG

MENGGUNAKAN WINDOWING KOEFISIEN DFT

DAN JARAK SQUARED CHORD

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh :

MAULANA AKBAR TOBING

NIM : 105114022

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

BARUNG PELOG VOICE RECORDNITION

USING WINDOWING KOEFISIEN DFT

AND SQUARED CHORD DISTANCE

Presented As Partial Fulfillment Of The Requirement

To Obtain The Sarjana Teknik Degree

In Electrical Engineering Study Program

MAULANA AKBAR TOBING

NIM : 105114022

ELECTRICAL ENGINEERING STUDY PROGRAM

SCIENCE AND TECHNOLOGY FACULTY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015


iii


iv


v


vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO

Berimajinatif Berkreatif

Persembahan

Karya ini ku persembahakan untuk

Allah SWT yang selalu setia bersamaku,

Keluargaku bapak ibu adek dan nenek yang selalu ada

untuk selalu member ikan doa dan motivasi yang terbaik,

Keluarga baruku pacar dan mantan yang tak bosan memberikan motivasi

Teman- teman seperjuangan Teknik Elektro 2010 yang selalu membantu saat mendapatkan kesulitan,

Dan semua yang mendoakan dan mendukung karya ini.


vii


viii

INTISARI

Seni musik merupakan suatu seni hiburan yang sudah melekat di masyarakat. Salah

satu seni musik yang masih tetap lestari sampai sekarang adalah seni musik tradisional

jawa. Seni musik tradisional jawa berupa kerawitan atau gamelan. Alat gamelan yang

paling khas dan menonjol bunyinya adalah saron barung. Tidak banyak orang yang bisa

memainkan alat tersebut atau tidak hafal dengan nada nadanya. Oleh karena itu diperlukan

sistem untuk mengenali nada alat musik gamelan tersebut. Alat gamelan yang digunakan

untuk sistem pengenalan nada ini yaitu saron jenis Barung pelog.

Sistem pengenalan ini membutuhkan Barung Pelog sebagai masukan nada,

microphone, untuk merekam nada dari Barung Pelog dan laptop untuk memproses. Sistem

pengenalan nada ini melalui beberapa proses meliputi merekam, memanggilnya kembali

pada input nada, normalisasi, pemotongan sinyal, frame blocking, windowing, ekstraksi

ciri, fungsi jarak, dan penentuan nada.

Sistem pengenalan nada menggunakan ekstraksi ciri DFT, windowing hamming,

fungsi jarak Squared Chord. Tampilan program meliputi hasil nada yang di input,

ekstraksi ciri DFT, Windowing Koefisien serta tampilan hasil pengenalan (teks). Parameter

optimal untuk tingkat pengenalan nada secara 100% dengan menggunakan nilai semua

DFT, dan windowing koefisien 50%. Sistem pengenalan nada hanya mengenali nada 1(siji),

2(loro), 3(telu), 4 (papat), 5 (limo), 6 (enem), dan 7 (pitu).

Kata kunci : Barung Pelog, DFT, Windowing Hamming, fungsi jarak Squared Chord,

Windowing koefisien, dan pengenalan nada.


ix

ABSTRACT

Musical arts is a entertainment already fused in the community. One of the music

are still used until now is the traditional music java. Musical arts javanese traditional is

kerawitan or gamelan. Instrument gamelan have a characteristic sound is plain of saron

barung. Not many people who can play this instrument or not has with the tone of voice.

Because of that is required system to recognize tone a musical instrument the gamelan.

Instrument gamelan applied to a system the introduction of tone is plain of sharon kind of

barung pelog

Knowing system need Barung Pelog to input tune, microphone to record tunes from

Barung pelog and laptop to processing. This knowing tune system through some process

there are recording, normalization, signal cutting, frame blocking, windowing, feature

ectraction DFT, range function , tune fixed.

Knowing system use extract feature DFT, windowing Hamming, range function

and Squaredchord. Feature program include product of input tune, spektrum extraction

feature DFT, and feature output knowing (text). Parameter optimum to increase tune

knowing on 100% with use of all DFT and windowing coefficient 50%. Knowing tune

ststem just recognize 1(siji), 2(loro), 3(telu), 4(papat), 5(limo), 6(enam) and 7(pitu)’.

Key word : Barung pelog, Discrete Fourier Transform (DFT), Windowing Hamming ,

range function Squaredchord, Windowing Coefficient, and tune recognized.


x

KATA PENGANTAR

Puji dan Syukur kepada Allah SWT karena telah memberikan Berkah-Nya

sehingga penulis dapat menyelesaikan laporan tugas akhir dengan baik, dan dapat

memperoleh gelar sarjana.

Dalam penulisan tugas akhir ini, penulis menyadari bahwa tidak lepas dari seluruh

bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis

mengucapkan banyak terimakasih kepada:

1. Allah SWT atas berkah dan anugerah-Nya kepada penulis

2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elekro

Universitas Sanata Dharma

4. Dr. Linggo Sumarno, selaku dosen pembimbing yang dengan tenang dan penuh

kesabaran untuk membimbing dalam menyelesaikan penulisan Tugas Akhir ini.

5. Dr. Iswanjono, Wiwien Widyastuti, S.T., M.T., selaku dosen penguji yang telah

memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.

6. Orang tua bapak dan ibu, H.Sugiyanto dan H.Wahyu Hidayah, atas semua

perhatian, dukungan dan doanya kepada penulis.

7. Adik dan nenek, Saqina Eva Maulina dan H.Marsinatun yang selalu memberikan

doa dan mendoakan.

8. Roisyah Sofaningrum dan Farida Afif yang memberi motivasi semangat dan doa.

9. Blasius Air Dahsyat Pamungkas, Rendi Pradhana, Yohanes Robby Setiawan, Rake

Selferian, Widi Eko Wardoyo, Ignasius Agung Nugroho, Vitrali Demastok yang

memberi masukan, dan membantu dalam penulisan Tugas Akhir ini.

10. Segenap staff secretariat, dan laboran Teknik Elektro yang telah memberikan

dukungan secara tidak langung dalam kelancaran tulisan tugas Akhir ini.

11. Teman- teman Teknik Elektro 2010 yang telah memberikan semangat pada saat

menempuh pendidikan di Universitas Sanata Dharma.

12. Semua Pihak yang tidak bisa disebutkan satu persatu yang telah banyak

mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir

ini.


xi


xii

DAFTAR ISI

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

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

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

PERNYATAAN KEASLIAN KARYA ........................................................................... v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP ................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS ....................................................... vii

INTISARI ...................................................................................................................... viii

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

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

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

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

DAFTAR TABEL ........................................................................................................ xvii

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

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

1.2 Tujuan dan Manfaat Penelitian ............................................................................... 2

1.3 Batasan Masalah ..................................................................................................... 2

1.4 Metodologi Penelitian ............................................................................................ 3

BAB II DASAR TEORI ................................................................................................... 4

2.1 Alat Musik Barung Pelog ....................................................................................... 4

2.2 Frekuensi Dasar ...................................................................................................... 5

2.3 Sampling ................................................................................................................ 5

2.4 Frame Blocking ...................................................................................................... 6

2.5 Hamming Windowing ............................................................................................ 6


xiii

2.6 Discrate Fourier Transform (DFT) ......................................................................... 7

2.7 Fungsi Jarak Squared Chord .................................................................................. 8

2.8 Metode Template Matching .................................................................................... 8

2.9. Sound Card ............................................................................................................ 9

2.10. Mikrofon ................................................................................................................ 9

2.11. Matlab .................................................................................................................. 10

BAB III PERANCANGAN ............................................................................................ 12

3.1. Sistem Pengenalan Nada Alat Musik Barung Pelog .............................................. 12

3.1.1 Input Nada ................................................................................................ 12

3.1.2 Normalisasi ............................................................................................... 13

3.1.3 Frame Blocking ........................................................................................ 13

3.1.4 Windowing ................................................................................................ 13

3.1.5 Discrete Fourier Transform (DFT) ........................................................... 13

3.1.6 Windowing Koefisien ................................................................................ 13

3.1.7 Fungsi Jarak .............................................................................................. 14

3.1.8 Penentuan Nada ........................................................................................ 14

3.1.9 Hasil Tampilan Pengenalan ....................................................................... 14

3.2 Perancangan Nada Referensi ................................................................................ 14

3.3 Perancangan Program Pada GUI Matlab ............................................................... 15

3.4 Perancangan Diagram Blok .................................................................................. 17

3.4.1 Proses Perekaman ..................................................................................... 17

3.4.2 Proses Pengenalan Nada Barung Pelog ..................................................... 17

3.4.3 Proses Normalisasi .................................................................................... 19

3.4.4 Pemotongan Sinyal ................................................................................... 20

3.4.5 Proses Frame Blocking ............................................................................ 21

3.4.6 Proses Hamming Windowing ..................................................................... 22

3.4.7 Proses Discrete Fourier Transform (DFT) ................................................ 23


xiv

3.4.8 Proses Windowing Koefisien DFT ............................................................. 24

3.4.9 Proses Fungsi Jarak Squared Chord .......................................................... 25

3.5 Perancangan Subsistem Program .......................................................................... 26

3.5.1 Subsistem Sampling .................................................................................. 27

3.5.2 Subsistem Pengenalan Nada ...................................................................... 27

BAB IV HASIL DAN PEMBAHASAN ...................................................................................... 28

4.1. Pengujian Program Pengenalan Nada Barung Pelog menggunakan Windowing

Koefisien DFT dan Jarak Squared Chord .............................................................. 28

4.1.1 Pengenalan Nada ..................................................................................... 30

4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Terhadap Tingkat

Pengenalan Nada Barung Pelog ............................................................................ 37

4.2.1 Pengujian untuk Menentukan Batasan Nilai Jarak yang Optimal ............... 37

4.2.2 Pengujian Pengaturan Pengenalan Nada .................................................... 38

4.2.2 Pengujian dengan Masukan Nada Gamelan Peking ................................... 40

BAB V KESIMPULAN DAN SARAN ........................................................................................ 42

5.1 Kesimpulan .......................................................................................................... 42

5.2 Saran .................................................................................................................... 42

DAFTAR PUSTAKA........................................................................................................................ 43

LAMPIRAN

LAMPIRAN Percobaan Mencari Spektrum Frekuensi ...................................................L 1

LAMPIRAN Percobaan Mencari Durasi Perekaman ......................................................L 4

LAMPIRAN Program Utama .........................................................................................L 7

LAMPIRAN Program Windowing Hamming ............................................................... L 16

LAMPIRAN Program DFT .......................................................................................... L 16

LAMPIRAN Program Fungsi Squared Chord .............................................................. L 17

LAMPIRAN Program Pembuatan DATA BASE ......................................................... L 17

LAMPIRAN Tabel Nilai Jarak Optimal ....................................................................... L 19


xv

LAMPIRAN Tabel Tingkat Pengenalan ....................................................................... L 19

DAFTAR GAMBAR

Gambar 2.1 Barung Pelog dan Alat Tabuh ......................................................................

Gambar 2.2 Frame Blocking ...........................................................................................

Gambar 2.4 Sound Card ..................................................................................................

Gambar 2.5 Tampilan awal Matlab ..................................................................................

Gambar 3.1 Diagram blok Pengenalan Nada Barung Pelog ..............................................

Gambar 3.2 Diagram Blok Proses Pengenalan Nada Referensi .........................................

Gambar 3.3 Tampilan Utama Program .............................................................................

Gambar 3.4 Diagram Alir Proses rekam ...........................................................................

Gambar 3.5 Diagram Blok Keseluruhan ...........................................................................

Gambar 3.6 Diagram Alir Proses Normalisasi ..................................................................

Gambar 3.7 Diagram Alir Proses Pemotongan Sinyal .......................................................

Gambar 3.8 Diagram Alir Proses Frame Blocking ............................................................

Gambar 3.9 Diagram Alir Proses Windowing Hamming ...................................................

Gambar 3.10 Diagram Alir Proses DFT .............................................................................

Gambar 3.11 Diagram Alir Proses Windowing Koefisien ....................................................

Gambar 3.12 Diagram Alir Proses Fungsi Jarak Squared Chord.........................................

Gambar 3.13 Diagram Alir Proses Penentuan Nada............................................................

Gambar 4.1 Ikon Matlab 7.0.4 ..........................................................................................

Gambar 4.2 Tampilan Matlab ...........................................................................................

Gambar 4.3 Tampilan Program Pengenalan Nada Barung Pelog.......................................

Gambar 4.4 Tampilan Hasil Pengenalan ..........................................................................

Gambar 4.5 Grafik Tingkat Pengenalan ............................................................................

Gambar 4.6 Gamelan peking ............................................................................................


xvi

DAFTAR TABEL

Tabel 2.1 Frekuensi Dasar Gamelan Jenis Pelog ...........................................................

Tabel 3.1 Keterangan Tampilan Progrm .......................................................................

Tabel 4.1 Jarak Minimum pada Percobaan....................................................................

Tabel 4.2 Hasil Pengenalan DFT ..................................................................................

Tabel 4.3 Hasil Pengujian nada gamelan peking ...........................................................


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Seni musik merupakan suatu seni hiburan yang sudah melekat di masyarakat dari

jaman kerajaan dahulu sampai jaman sekarang. Salah satu seni musik yang masih tetap

lestari sampai sekarang adalah seni musik tradisional jawa. Seni musik tradisional jawa

berupa kerawitan atau gamelan.

Dari sekian banyak alat kerawitan atau gamelan terdapat jenis alat yaitu saron.

Saron tersebut terbagi menjadi tiga bagian yaitu saron demung, saron barung, saron

panerus. Dalam penulisan ini penulis mengambil alat saron barung. Barung sendiri

dibedakan menjadi dua lagi yaitu barung slendro dan barung pelog. Slendro memiliki lima

nada per oktaf, yaitu 6-1-2-3-5-6-1 dengan rentang nada yang sangat kecil. Sedangkan

pelog memiliki tujuh nada per oktaf, yaitu 1-2-3-4-5-6-7 dengan rentang nada yang besar.

Tidak banyak orang yang bisa memainkan alat-alat gamelan tersebut. Terkadang

mereka tidak mengetahui nada yang sedang mereka mainkan atau tidak hafal dengan nada

gamelan. Diperlukan sebuah sistem yang dapat membantu untuk mengenali nada-nada dari

alat musik yang dimainkan. Sistem ini dapat juga membantu seorang pelaras saat

melakukan penyetelan nada alat musik gamelan. Sistem ini juga dapat berfungsi sebagai

pengenalan nada kepada anak kecil. Anak kecil perlu untuk mengenal tentang musik sejak

dini karena merangsang perkembangan otak. Pengenalan musik tradisional dari dini dapat

pula menjaga kelestarian budaya yang dimiliki Indonesia.

Untuk itu penulis merancang dan membuat program komputer yang dapat

melakukan pengenalan nada alat musik dengan membandingkan frekuensi dasar

gelombang bunyi alat musik menggunakan metode squared chord. Kemudian

mencocokkan frekuensi dasar tersebut dengan frekuensi dasar nada dari nada referensi atau

yang di sebut database . Dengan demikian jenis nada alat musik dapat diketahui secara

pasti untuk melakukan pengenalan nada musik tersebut. Penulis membuat rancangan

program yang berfungsi untuk mengenali nada pada gamelan khususnya barung pelog.

Pemrograman sistem ini menggunakan software Matlab dan program interface user

menggunakan GUI Matlab.


2

Sebelumnya sudah ada yang melakukan penelitian pengenalan nada. Penelitian

yang sudah pernah dilakukan adalah “Pengenalan Nada gamelan kenong secara real time

Menggunakan Fungsi Jarak Chebyshev” yang dilakukan oleh Yogi isworo walasakti[1].

Peneliti memilih metode ini untuk mengembangkan tentang pengenalan nada alat musik

gamelan dan metode ekstraksi ciri yang berbeda.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penulisan tugas akhir ini adalah menghasilkan sistem pengenalan nada

suara pada alat musik barung pelog. Manfaat dari penelitian ini sebagai alat bantu bagi

masyarakat yang membuat alat musik barung pelog supaya mengetahui nada 1(siji),

2(loro), 3(telu), 4(papat), 5(limo), 6(enem) dan7(pitu).

1.3. Batasan Masalah

Sistem pengenalan nada suara pada barung terdiri dari hardware dan software

(komputer). Hardware berfungsi untuk memasukkan nada suara yang dimainkan pada

barung, sedangkan software pada komputer berfungsi untuk mengatur semua proses

pengenalan nada suara yang dimainkan pada barung.

Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer

untuk memproses pengenalan nada suara, sedangkan untuk hardware berupa microphone

yang sudah tersedia di pasaran. Penulis menetapkan beberapa batasan masalah yang

dianggap perlu pada perancangan ini, yaitu sebagai berikut:

a. Menggunakan alat musik gamelan jawa jenis barung pelog.

b. Nada gamelan yang dikenali 1(sij) ,2( loro), 3(telu), 4(papat), 5(limo), 6(enem), dan

7(pitu)

c. Menggunakan perangkat lunak komputasi (Matlab) dalam pembuatan program.

d. Menggunakan ekstraksi ciri Discreate fourrier Transform (DFT) fungsi jarak

squared chord.

e. Hasil pengenalan tidak real time.

f. Selain nada barung pelog akan dikenali secara salah.


3

1.4. Metodologi Penelitian

Penulisan skripsi ini menggunakan metode :

a. Pengumpulan bahan–bahan referensi berupa buku–buku dan jurnal–jurnal.

b. Perancangan subsistem software. Tahap ini bertujuan untuk mencari bentuk model

yang optimal dari sistem yang akan dibuat dengan mempertimbangkan dari

berbagai faktor–faktor permasalahan dan kebutuhan yang telah ditentukan.

c. Pembuatan subsistem software. sistem akan bekerja apabila user memberikan

interupsi melalui PC dengan media push button yang sudah disediakan dalam

software. Kemudian sistem akan mengolah interupsi ini dan setelah selesai maka

komputer akan mengolah data dan menyajikannya berupa sebuah informasi/teks.

d. Analisa data dilakukan dengan memeriksa keakuratan data terhadap hasil proses

pengenalan nada, dengan cara membandingkan antara data di komputer dengan

lapangan dan perancangan. Penyimpulan hasil percobaan dapat dilakukan dengan

menghitung jarak yang terjadi.


4

BAB II

DASAR TEORI

2.1. Alat Musik Barung pelog

Barung pelog merupakan satu set instrumen jenis saron yang ada pada gamelan

jawa. Saron barung merupakan bagian ricikan gamelan berbentuk bilah dengan ukuran

yang lebih kecil dari pada saron demung dan lebih besar dari pada saron peking. [2] Saron

berukuran sedang dan oktaf tinggi. Seperti demung, Saron barung memainkan balungan

dalam wilayah yang terbatas. Pada teknik tabuhan imbal imbalan, dua saron barung

memainkan lagu jalin menjalin yang bertempo cepat.

Dalam satu set gamelan biasanya punya 4 saron barung, dan semuanya memiliki

dua pelaras yaitu pelog dan slendro. Dalam pelog memiliki 7 nada peroktafnya yaitu 1-2-

3-4-5-6-7 ,sedangkan untuk nada slendro meliliki 5 nada peroktafnya yaitu 6-1-2-3-5-6-1.

Tabuh saron biasanya terbuat dari kayu, dengan bentuk seperti palu

Gambar 2.1 Barung pelog dan alat tabuh


5

Saron barung pelog merupakan instrumen penting pada gamelan. Menabuh Saron

biasa sesuai nada, nada yang imbal, atau menabuh bergantian antara saron 1 dan saron 2

barung. Penabuhan tergantung pada komando dari kendang dan jenis gendhingnya

2.2. Frekuensi Dasar Barung Pelog

Kebanyakan nada merupakan nada yang kompleks yaitu terdiri atas satu atau lebih

frekuensi didalamnya. Frekuensi paling dasar dalam sebuah nada disebut sebagai

Fundamental frequency atau frekuensi dasar. Frekuensi dasar ini merupakan komponen

paling penting di karenakan frekuensi inilah yang menentukan pitch dari keseluruhan nada.

Picth merupakan tinggi atau rendahnya sebuah suara atau nada yang berhubungan

langsung dengan frekuensi dari gelombang suara[3]. Nada khususnya memiliki frekuensi –

frekuensi tambahan didalamnya yang merupakan kelipatan dari frekuensi dasarnya.

Frekuensi – frekuensi tersebut dinamakan dengan harmonics, keberadaanya dapat

menentukan kualitas dari nada tersebut.

Dari peneliti sebelumnya sudah ada peneliti yang melakukan penelitian tentang

frekuensi dasar gamelan balungan jenis barung, demung dan peking jenis pelog. Pada tabel

2.1 menunjukkan data frekuensi dasar yang di hasilkan oleh peneliti sebelumnya[4].

Table 2.1 Frekuensi Dasar Gamelan Jenis pelog

Nada 1 2 3 4 5 6 7

Demung 309 331 353 419 441 485 529

Barung 617 661 705 837 903 969 1079

Peking 1233 1321 1453 1695 1871 2003 2201

2.3. Sampling

Sampling merupakan proses pencuplikan gelombang suara yang akan

menghasilkan gelombang diskret. Dalam proses pencuplikan, ada yang disebut dengan laju

pencuplikan (samplingrate). Sampling rate menandakan berapa banyak pencuplikan

gelombang analog dalam satu detik.Satuan dari sampling rate ialah Hertz (Hz).Secara teori

Nyquist-Shamon yang menyebutkan bahwa untuk mencegah hilangnya informasi dalam

sebuah konversi sinyal kontinu ke diskrit, pencuplikan minimal harus dua kali lebih besar


6

dari sinyal asli [5].Kriteria Nyquist perlu diperhatikan dalam melakukan pencuplikan.Lebih

jelasnya kriteria Nyquist menyatakan sebuah sinyal harus memiliki pencuplikan rate yang

lebih besar dari 2𝑓𝑚 dengan 𝑓𝑚 adalah frekuensi paling tinggi yang muncul di sebuah

sinyal.

2.4. Frame Blocking

Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan

satu frame terdiri dari beberapa data sampel[6]. Pengambilan sampel tersebut tergantung

dari tiap detik suara akan disampel dan berapa besar frekuensi sampling-nya. Gambar 2.2

menunjukkan contoh dari frame blocking dimana keseluruhan frame dibagi menjadi 5 M

frame. Setiap M memiliki jumlah data yaitu 2𝑁 data, dengan N adalah Bilangan bulat

Gambar 2.2. Frame Blocking

Fungsi frame blocking yaitu untuk memilih data yang akan diproses dalam sistem

pengenalan. Frame Blocking juga dapat mempercepat proses perhitungan pada DFT

(Descrete Fourier Transform) dengan jumlah data pada setiap frame memiliki 2𝑁 data

sampel yang diambil dari keseluruhan data sampel.

2.5. Hamming Window

Windowing digunakan untuk menghilangkan efek diskontinuitas yang diakibatkan

oleh proses Frame Blocking [7]. Dari beberapa macam jenis windowing, proses pengenalan

ini menggunakan jenis Hamming window. Menggunakan Hamming window karena

2N data


7

Hamming window mempunyai sidelobe yang paling kecil dan mainlobe yang paling besar

sehingga Hamming window akan lebih halus dalam menghilangkan efek diskontunitas.

Persamaan Hamming window adalah :

w [k+1] = 0.54 – 0.46 cos (2𝜋𝑘

𝑛−1), k = 0, …, n – 1

(2.1)

dengan w[k+1] adalah windowing, dan n merupakan jumlah data dari sinyal. Hamming

window adalah sebuah vektor yang mempunyai jumlah elemen sebanyak N. Besarnya N

akan disesuaikan dengan banyaknya elemen pada frame sehingga banyaknya elemen pada

Hamming window akan sama dengan banyaknya elemen pada frame. Variabel N ini

mengacu pada sub bab 2.3 tentang data sampel yang ada pada proses frame blocking yang

berupa bilangan bulat (1,2,3,…).

2.6. Discrete Fourier Transform (DFT)

Discrete Fourier Transform (DFT) adalah Algoritma yang digunakan untuk

mengubah sampel data dari domain waktu ke domain frekuensi . DFT menstabilkan

hubungan antara sampel – sample signal domain waktu dan merepresentasikannya ke

domain frekuensi [8] . Untuk melakukan analisis frekuensi dari sinyal waktu diskrit X(k)

maka perlu mendapatkan representasi domain frekuensi dari sinyal yang biasanya

dinyatakan dalam domain waktu. DFT digunakan untuk melakukan analisa frekuensi dari

sinyal waktu diskrit.

DFT dihitung menggunakan persamaan :

X(k) = x(j)𝜔𝑁 𝑗−1 (𝑘−1)

𝑁

𝑗=1

Dengan:

𝜔𝑁 = 𝑒(−2𝜋𝑖 )/𝑁

Keterangan : (2.2)

j= indeks dalam domain waktu

k = indeks dalam domain frekuensi


8

2.7. Fungsi Jarak Squared Chord

Fungsi jarak squared chord adalah untuk membandingkan antara database

dengan data hasil masukkan. Pembandingan data ini yang akan digunakan untuk

mengidentifikasi masukkan yang nantinya akan menghasilkan keluaran akhir dari sistem

program. Fungsi jarak squared chord merupakan proses yang digunakan untuk penentuan

keluaran sebelum keluaran akhir benar-benar dihasilkan.

Rumus untuk Fungsi jarak squared chord adalah sebagai berikut [9]

𝑑𝑠𝑞𝑐 = 𝑃𝑖 − 𝑄𝑖 ²𝑛

𝑖=1

(2.3)

𝑃𝑖 dan 𝑄𝑖 merupakan nilai perbandingan dan nilai kemiripan antara data masukan

dengan data yang sudah ada (database) dan 𝑛 adalah banyak data.

2.8. Metode Template Matching

Metode Template Matcing merupakan metode yang sederhana untuk

mencocokkan masing-masing data suara dari sebuah matriks dengan matriks lainnya.

Semakin besar simpangan dari matriks pembandingnya, maka tingkat kemiripan semakin

rendah. Metode ini metode yang mudah diimplementasikan dan mempunyai persentasi

keberhasilan pencocokan karakter yang sangat tinggi[10].

Cara kerja metode template matching adalah melakukan pengenalan pada karakter

yang ingin dikenali dan membandingkan antara input suara dengan nada referensi yang

disimpan.

Pada Sistem pengenalan nada barung pelog ini termasuk menggunakan metode

template matching karena di subsistem pengenalan nada tersebut terdapat pembandingan

data. Subsistem tersebut diantaranya subsistem sampling dan subsistem pengenalan nada.


9

2.9. Sound Card

Sond card merupakan sebuah periperal pada komputer sebagai I/O suara yang

memberikan kemampuan pada komputer untuk menghasilkan suara yang dapat didengar

oleh pengguna baik melalui speaker atau headphone. Pada dasarnya setiap kartu suara

memiliki:

a. Digital Signal Processor (DSP) yang akan menangani semua jenis komputasi.

b. Digital to Analog Converter (DAC) sebagai keluaran suara ke speaker.

c. Analog to Digital Converter (ADC) sebagai masukan suara.

d. Read Only Memory (ROM) atau Flash sebagai penyimpanan data.

e. Musical Instrument Digital Interface (MIDI) untuk menyambungkan beberapa

peralatan musik eksternal.

f. Jack untuk menyambungkan kartu suara dengan speaker pada jalur line out atau

microphone pada jalur line in.

Beberapa kartu suara sudah terpasang secara pabrikan (on board) pada

motherboard komputer, tetapi bisa juga ditambahkan untuk keperluan yang lebih lanjut

pada slot PCI motherboard[11].

Gambar 2.4 Sound Card

2.10. Mikrofon (Microphone)

Mikrofon digunakan pada beberapa alat seperti telepon, alat perekam, alat bantu

dengar, pengudaraan radio, televisi, dan sebagainya [12]. Fungsi mikrofon pada dasarnya

ialah untuk input suara manusia lalu mengubahnya menjadi getaran listrik sinyal analog

untuk selanjutnya diperkuat dan diolah sesuai dengan kebutuhan. Tahap selanjutnya setelah

menjadi sinyal analog ialah dengan menggunakan power amplifier dari suara yang

berintensitas rendah menjadi lebih keras lalu terakhir diumpan ke-speaker.

Dalam memilih mikrofon harus diperhatikan dengan seksama. Ketelitian dalam

memilih mikrofon diperlukan agar dapat memaksimalkan performa dari mikrofon yang


10

nantinya akan dipakai.Karakteristik yang harus diperhatikan ketika akan memilih sebuah

mikrofon adalah:

1. Prinsip cara kerja mikrofon dari jenis mikrofon itu sendiri.

2. Daerah respon frekuensi suara yang mampu dicuplik oleh mikrofon.

3. Sudut atau arah pencuplikan mikrofon.

4. Output sinyal listrik yang dihasilkan mikrofon.

5. Bentuk fisik mikrofon.

Untuk mendapatkan hasil yang maksimal dalam penggunaan mikrofon, maka pemilihan

mikrofon harus disesuaikan dengan kebutuhan dalam hal ini yaitu sumber suara yang ingin

dicuplik, misalnya suara manusia, alat musik, suara kendaraan, atau yang lainnya dengan

sistem tata suara yang digunakan seperti sistem suara untuk pertunjukkan musik, alat

perekaman, dan sebagainya. Hal itu dikarenakan tiap kebutuhan memerlukan hasil output

yang berbeda-beda meskipun tetap memakai satu jenis masukkan yaitu mikrofon.

2.11. Matlab

Matlab merupakan bahasa pemrograman yang hadir dengan fungsi dan karakteristik

yang berbeda dengan bahasa pemrograman lain. Matlab merupakan bahasa pemrograman

level tinggi yang dikhususkan untuk kebutuhan komputasi teknis, visualisasi dan

pemrogaman. Matlab dikembangkan oleh Mathworks, yang pada awalnya dibuat untuk

mengakses data matrik pada proyek LINPACK dan EISPACK. Software ini memiliki

ratusan fungsi yang dapat digunakan sebagai problem solver mulai dari simple masalah-

masalah yang kompleks dai berbagai disiplin ilmu [13]. Pada Lingkungan kerja Matlab,

ada beberapa bagian Window yang dipakai, yaitu :

1. Current Directory

Current Directory menampilkan isi dari direktori kerja saat menggunakan

Matlab. Direktori ini dapat diganti sesusai dengan tempat direktori kerja yang

diinginkan.

2. Command History

Window ini berfungsi untuk menyimpan perintah apa saja yang sebelumnya

dilakukan oleh pengguna Matlab.


11

3. Command Window

Command Window adalah window utama dari Matlab. Di sini adalah tempat

untuk, menjalankan fungsi, mendeklarasikan variabel, menjalankan proses,

serta melihat isi variabel.

4. Workspace

Workspace berfungsi untuk menampilkan seluruh variabel yang sedang aktif

pada saat pemakaian Matlab. Apabila variabel berupa data matriks berukuran

besar, maka user dapat melihat isi dari seluruh data dengan melakukan double

click pada variabel tersebut. Matlab secara otomatis akan menampilakn window

“array editor” yang berisikan data pada setiap variabel yang dipilih user.

Gambar 2.4 menunjukan tampilan dari software Matlab yang digunakan dalam

perancangan program pengenalan nada.

Gambar 2.5 Tampilan window Matlab


12

BAB III

PERANCANGAN

3.1. Sistem Pengenalan Nada Alat Musik Barung Pelog

. Blok sistem pengenalan nada alat musik Barung pelog di tunjukkan pada gambar

3.1.

Gambar 3.1 Diagram Blok Pengenalan Nada Barung Pelog

Sistem pengenalan nada alat musik barung pelog menggunakan sebuah software

yang berfungsi untuk user interface. Software yang dibuat menggunakan program Matlab.

Software bertujuan untuk memudahkan user saat melakuan pengenalan nada. Software ini

berperan sebagai pusat proses pengenalan nada, seperti merekam suara nada barung pelog

dan mengenali suara nada yang terekam. Perekaman suara dilakukan komputer melalui

mikrofon dan jalur line in pada sondcard.

Pada proses pengenalan nada barung pelog, data berupa input nada yang berupa

wave di normalisasi, kemudian di olah melalui proses windowing untuk analisa sinyal

menggunakan DFT (Discrete Fourier transform) kemudian di windowing koefisien dan

yang terahir penyelesaian dengan fungsi jarak squared chord dalam sistem pengenalan

nada barung pelog.

3.1.1 Input Nada

Input nada merupakan Hasil dari sampling nada barung yang direkam berupa wav.

Normalisasi

Fungsi Jarak Keluaran Text

Windowing Hamming

DFT

Frame Blocking

Windowing Koefisien

Input Nada

DataBase

Penentuan Nada

Pemotongan sinyal


13

3.1.2 Normalisasi

Proses ini bertujuan untuk menyetarakan amplitudo maksimum baik nada terekam

dengan nada referensi, sehingga efek dari kuat lemahnya suara yang dikeluarkan nada

barung tidak terlalu mempengaruhi proses pengenalan.

Untuk menyetarakan skala amplitudo puncak maka proses normalisasi

menggunakan rumus :

𝑋𝑛𝑜𝑟𝑚 𝑛 = 𝑋𝑖𝑛 (𝑛)

max 𝑋𝑖𝑛

(3.1)

3.1.3 Frame Blocking

Proses ini memilih data dari data nada terekam, sehingga data yang dipilih dapat

mewakili semua data pada nada terekam. Frame bloking bertujuan untuk mengurangi

jumlah data sinyal yang akan di proses. Besarnya data nada terekam yang dipilih sesuai

dengan nilai frame blocking yang sudah ditentukan pada program.

3.1.4 Windowing

Windowing merupakan perkalian antar elemen yang berfungsi untuk mengurangi

efek diskontinuitas dari sinyal digital hasil rekaman. Dalam perancangan ini penulis

menggunakan window Hamming.

3.1.5 Discrete Fourier Transform (DFT)

Discrete Fourier Transform berfungsi untuk mengkonversi domain waktu ke

domain frekuensi. Domain frekuensi digunakan untuk melihat ciri dari suatu nada.

3.1.6 Windowing Koefisien

Untuk sistem pengenalan nada barung pelog ini menggunakan windowing koefisien

DFT. Sebagian sinyal diambil dari koefisien DFT yang dapat digunakan sebagai ekstraksi

ciri. Untuk pengambilan sebagian sinyal dapat diambil dari koefisien DFT ke-1 hingga

nilai ke-n (nilai maksimal), dengan n adalah panjang DFT. Dalam proses pengenalan nada

barung pelog ini dievaluasi sejumlah n dari panjang DFT, yaitu 16, 32, 64, 128 titik. Dari

panjang setiap n DFT akan dipilih sejumlah c koefisien dengan rumus :


14

c = p x n

(3.2)

Dengan :

p = 10%, 20%, 30%, 40%, dan 50%,

n = panjang DFT

3.1.7 Fungsi Jarak

Proses ini membandingkan nada yang di input. Hasil dari perbandingan adalah

jarak yang kemudian akan digunakan dalam proses selanjutnya. Pada proses pengenalan,

yang diambil adalah jarak yang terdekat dengan nada terekam. Dalam proses ini penulis

menggunakan fungsi jarak Squared Chord.

3.1.8 Penentuan Nada

Proses ini bertujuan mengenali nada yang di input dari jarak minimum di peroleh

setelah proses fungsi jarak.

3.1.9 Hasil Tampilan Pengenalan

Hasil pengenalan adalah subproses terakhir dari proses pengenalan nada. Pada

proses ini, hasil pengenalan nada diperoleh setelah proses kemudian ditampilkan dalam

komputer dalam GUI Matlab bentuk text.

3.2. Perancangan Nada Referensi

Untuk merancang suatu pengenaan nada maka dibutuhkan nada acuan atau sering

juga disebut nada refrensi. Nada refrensi harus memiliki ciri yang sudah diketahui oleh

sistem terlebih dahulu. Nada refrensi diperlukan untuk menjadi data base. Fungsi database

untuk perbandingan nada yang akan dikenali. Pada sistem pengenalan nada barung pelog

ini menggambil 10 nada sebagai nada uji dan 10 sebagai database. Pengambilan nada

untuk nada refrensi melalui proses sampling, frame blocking, normalisasi, windowing ,DFT

dan windowing koefisien. Untuk mendapatkan nada refrensi maka dilakukan perhitungan :

𝑁𝑎𝑑𝑎 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑠𝑖 =𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙1 + 𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙2 + ⋯ + 𝑛𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙10

10 (3.2)


15

Nada referensi yang telah di dapat akan disimpan dalam fungsi yang ada dalam

sistem pegenalan nada barung pelog. Nada refrensi yang disimpan dalam sistem

pengenalan nada barung pelog ini berfungsi jika sewaktu - waktu dibutuhkan dapat

langsung dipanggil dalam proses fungsi jarak yang ada dalam sistem. Alur proses

pengenalan nada referensi terlihat pada gambar 3.2.

Gambar 3.2 Diagram Proses Pengambilan Nada Referensi

3.3. Tampilan Program Pada GUI Matlab

Tampilan program sebagai interface dengan user.Program tersebut berfungsi

mempermudah user dalam mengoperasikan pengenalan nada barung pelog. Program

tersebut menampilkan plotting hasil perekaman hasil dari DFT dan plot windowing

koefisien. Pada program ini juga memberikan pilihan nilai DFT dan nilai pada windowing

yang akan digunakan untuk pengenalan nada. Tampilan program dibuat menggunakan

software Matlab. Penjelasan lebih lanjut tentang tampilan program terdapat pada tabel 3.5.

Gambar 3.3.

Gambar 3.3 Tampilan Utama Program

DFT Windowing Normalisasi Frame Blocking Sampling Windowing koefisien


16

Tabel 3.1 Keterangan Tampilan Program

Nama Bagian Keterangan

Tombol Pengenalan

Nada

Digunakan untuk memulai proses pengenalan

Tombol Input Data

Digunakan untuk mengambil nada barung

pelog yang berupa wav

Variasi Windowing

koefisien

Untuk variasi windowing Koefisien DFT

menggunakan 10%, 20%, 30%, 40%,dan 50%

Variasi DFT

Untuk memilih nilai DFT yang akan

digunakan pada proses pengenalan nada,

pilihan nilainya adalah 16, 32, 64,128,256

Plot Windowing

koefisien

Tampilan grafik windowing koefisien setelah

DFT

Tombol Exit

Digunakan untuk mengakhiri dan keluar

aplikasi.

Plot Hasil Rekaman

Tampilan grafik suara hasil perekaman yang

di input

Plot Hasil DFT

Tampilan data berupa grafik data hasil DFT


17

3.4. Perancangan Diagram Blok

3.4.1 Proses Perekaman

Gambar 3.4 Diagram Alir Proses program rekam

Gambar 3.4 memperlihatkan alir program saat melakukan proses rekam.

Pada proses perekaman ada proses delay. Proses delay digunakan untuk

memberikan jeda waktu sebelum melakukan perekaman. Pada proses perekaman

ini menggunakan frekuensi sampling yang telah ditentukan yang sesuai dengan

karakteristik nada barung pelog . Hasil yang didapat dari proses rekam yaitu

sampling nada yang berupa wave. Perekaman nada barung dari nada 1,2,3,4,5,6

dan 7 dilakukan sebanyak 20 kali pada setiap nada, 10 data rekaman berupa wav

untuk data base dan 10 data rekaman untuk pengujian. Hasil proses rekam

tersebut kemudian ditampilkan dalam bentuk plot grafik sesuai dengan alir

program.

3.4.2 Proses Pengenalan Nada Barung Pelog

Ketika pengguna akan memulai program pengenalan nada barung pelog,

pengguna dihadapkan tampilan yang sederhana dari interface Matlab. Masukkan

nada uji yang berupa data wav ke input data, variasi nilai DFT dan variasi

windowing koefisien pada list box, setelah user selesai memilih nilai variasi yang

diinginkan kemudian pada plot hasil perekaman tertampil. proses selanjutnya

Delay

Sampling Nada

Mulai

Selesai


18

adalah penekanan tombol pengenalan nada yang tersedia pada tampilan awal.

Sistem akan mengenali nada secara tidak real time pada nada barung pelog.

Setelah dilakukan pengenalan maka kemudian tergambar grafik pada hasil

pengenalan DFT dan plot windowing koefisien kemudian berbentuk keluaran text

pada hasil pengenalan nada Dalam gambar 3.5 akan menjabarkan mengenai alur

proses utama dalam program.

Gambar 3.5. Diagram Alir Proses Block Keseluruhan

Input nada

n

DFT

Fungsi

Jarak

Keluaran

Text

Frame

Blocking

Pemotongan Sinyal

Windowing

Hamming

Penentuan

Nada

Windowing

Koefisien

Mulai

Selesai

Normalisasi


19

3.4.3 Proses Normalisasi

Gambar 3.6 Diagram Alir Proses Normalisasi

Pada proses normalisasi seperti gambar 3.6 di atas proses tersebut harus

mempunyai nilai maksimum. Normalisasi tersebut berfungsi untuk mengkonversi data

maksimum dalam deretan hasil frame blocking menjadi bernilai 1. Dalam pengkonversian

menjadi data maksimum menggunakan perintah xmax=max(abs(xframe)). Setelah mencari

nilai maksimum, kemudian dilakukan proses normalisasi dengan cara membagi data

dengan nilai maksimum yang berisikan perintah xnorm=xframe/xmax. Diperoleh keluaran

hasil normalisasi berupa matriks yang digunakan untuk proses selanjutnya sebagai

masukan.

Hasil input nada

Hasil Normalisasi

Normalisasi

y=y/max(y);

Selesai

Mulai


20

3.4.4 Pemotongan Sinyal

Gambar 3.7 Diagram Alir Proses Pemotongan sinyal

Proses setelah normalisasi yaitu proses pemotongan sinyal. Pemotongan sinyal

berguna untuk memotong kekosongan pada sinyal nada atau data nada yang terdapat pada

awal dan akhir sinyal.Proses pemotongan sinyal ditentukan oleh variabel batas potong.

Dengan cara visual (pada lampiran 2) maka penulis dapat menggunakan |0,2| sebagai batas

potong, untuk menghilangkan kekosongan pada sinyal nada Barung pelog.

Pemotongan sinyal yang dilakukan adalah masukan yang berupa sinyal nada Barung

pelog akan dipotong pada sisi kiri, dan akan menghasilkan sinyal nada Barung pelog dan

akan menghasilkan keluaran data nada Barung pelog dan akhir data nada Barung pelog

Proses pemotongan sinyal ini bergantung nilai batas potong yang terdapat pada m-

file. Proses pemotongan sinyal bagian awal akan dipotong bagian awalnya, sehingga

memperoleh data nada Barung pelog dan data akhir.

Masukan hasil

normalisasi

Hasil pemotongan

Menentuka variabel batas potong [0,2] ( dilihat pada hasil dan lampiran secara visual )

Selesai

Mulai


21

3.4.5 Proses Frame Blocking

Gambar 3.8 Diagram Alir Proses Frame Blocking

Dari gambar ditampilkan pada Gambar 3.8. Proses frame Frame blocking bertujuan

untuk mengurangi jumlah data sinyal yang akan di proses.

Jumlah data yang diambil dalam proses ini sesuai dengan variasi DFT yang

dipilih user sehingga data yang dipilih dapat mewakili semua data yang di ambil pada nada

input. Pada proses ini, sample diambil dari data nada terekam. Nada terekam diperoleh dari

data sampling. Langkah pertama yaitu dengan pemotongan sinyal untuk bagian kiri . yang

didapat di tentukan besar data yang akan di ambil untuk proses pengenalan nada

selanjutnya.

Masukan Nada

pemotongan sinyal

Fr=16 Fr=32 Fr=64 Fr=128

Ambil data sesuai Frame

Keluaran hasil

frame blocking

ya

ya

ya

ya

Tidak Tidak Tidak Tidak

Selesai

Mulai

Fr=256


22

3.4.6 Proses Hamming Windowing

Gambar 3.9 Diagram Alir Proses Hamming windowing

Untuk gambar proses windowing hamming tertera diatas pada gambar 3.9. Pada

proses Hamming window ini melakukan perhitungan dengan persamaan (2.1). w[k+1]

merupakan hasil dari perhitungan persamaan yang berupa matrik

𝑤1𝑤2⋮

𝑤𝑛

kemudian hasilnya

dikalikan dengan nilai matrik masukan

𝑤1.𝑚1𝑤2.𝑚2

⋮𝑤𝑛.𝑚𝑛

. Hasil dari proses windowing ini berupa

matriks

ℎ1ℎ2⋮ℎ𝑛

yang selanjutnya menjadi masukan proses DFT.

Hasil Frame blocking

w [k+1] = 0,54 – 0,46 cos(2𝜋𝑘

𝑛−1)

Hasil Windowing

Perkalian antara data masukkan

dengan hasil windowing hamming

Selesai

Mulai


23

3.4.7 Proses Discrete Fourier Transform (DFT)

Gambar 3.10 Diagram Alir Proses DFT

Dari hasil windowing hamming kemudian ditransformasikan menggunakan

Discrete Fourier Transform (DFT) .Proses ini mengkonversi data nada suara dalam

domain waktu menjadi domain frekuensi pada persamaan pada 2.2 di atas dengan fungsi

𝑓 𝑘 adalah masukan dari hasil windowing. Nilai dari DFT yang diperoleh kemudian

dicari nilai absolutnya. Pada proses ini diperoleh keluaran hasil ekstraksi ciri berupa

matriks

𝑑1𝑑2⋮

𝑑𝑛

. Diagram alir dari proses DFT diperlihatkan pada Gambar 3.9.

Hasil windowing

X(k) = x(j)𝜔𝑁 𝑗−1 (𝑘−1)

𝑁

𝑗=1

Hasil DFT

Mencari Nilai Absolut

Selesai

Mulai


24

3.4.8 Proses Windowing Koefisien DFT

Gambar 3.11 Diagram Alir Proses Windowing koefisien DFT

Setelah Proses Discrete Fourier Transform (DFT) diproses menghasilkan panjang

nilai koefisien, Dari panjang nilai nilai koefisien DFT kemudian akan dipilih dengan

windowing koefisien dengan rumus 3.2 diatas, dengan c sebagai hasil windowing koefisien,

p adalah nilai persen koefisien dan n adalah panjang DFT.Pilihan variasi windowing

koefisien tergantung user memberi masukan. Variasi windowing koefisien berupa pilihan

dari 10%,20%,30%,40% dan 50%. kemudian komputer menjalankan proses plotting hasil

konversi tersebut. Proses windowing koefisien diperlihatkan pada Gambar 3.9.

Hasil DFT

c = p x n

Hasil DFT

Mulai

Selesai


25

3.4.9 Proses Fungsi Jarak Squared Chord

Gambar 3.12 Diagram Alir Proses fungsi jarak Squared chord

Setelah didapat hasil dari windowing koefisien kemudian proses selanjutnya yaitu

perhitungan jarak menggunakan fungsi jarak Squared Chord. Gambar 3.12

memperlihatkan diagram alir proses fungsi jarak Squared Chord. Pada proses ini

menghitung jarak antara rerata hasil (data base) dengan data hasil

ekstraksi ciri. Penghitungan proses ini menggunakan persamaan 2.3 diatas dengan 𝑃𝑖 dan

𝑄𝑖 merupakan nilai perbandingan dan nilai kemiripan antara data masukan dengan data

yang sudah ada (database) dan 𝑛 adalah banyak data. Hasil penghitungan jarak ini adalah

nilai angka hasil perbandingan yang bukan matrix dan sebagai penentu hasil pengenalan

nada. Perbandingan menghasilkan nilai jarak dan data – data tersebut dicari nilai

terkecilnya. Pencarian nilai terkecil di hasilkan dengan jarak minimal pada data base.

Hasil penghitungan jarak ini adalah sebagai penentu hasil pengenalan nada. Gambar 3.13

memperlihatkan diagram alir penentuan nada hasil pengenalan. Nada hasil pengenalan

ditampilkan dalam tampilan program dalam bentuk teks. Jika sudah mencapai pada proses

tersebut maka proses pengenalan nada barung pelog sudah selesai. User dapat keluar dari

𝑑𝑠𝑞𝑐 = 𝑃𝑖 − 𝑄𝑖 ²

𝑛

𝑖=1

Hasil perhitungan jarak

Hasil windowing koefisien DFT

Selesai

Mulai


26

program pengenalan nada tersebut dengan menekan tombol “Exit”. User juga dapat

mengulang kembali pengenalan nada barung pelog yang lain dengan pilihan input nada

sesuai pilihan user . Jika user hendak mengulang maka user memulai nada lain yang ingin

dikenali kemudian menekan tombol “Pengenalan Nada”.

Gambar 3.13 Diagram Alir Proses Penentuan Nada

3.5. Perancangan Subsistem Program

Sistem pengenalan nada barung pelog mempunyai dua subsistem penting

dalamnya. yaitu subsistem sampling dan subsistem pengenalan nada. Perancangan

subsistem tersebut terdapat variabel dari nilai variasi-variasi yang telah di tentukan yaitu

variasi DFT dan windowing koefisien, sehingga pengenalan dapat berhasil dan dengan

waktu proses yang optimal. Pengujian awal untuk mencari variabel tersebut sangat

diperlukan karena dalam program tersebut memiliki fungsi–fungsi menunjang subsistem

dari sistem program pengenalan nada.

Hasil jarak

Keluaran = jarak minimal

( perbandingan jarak nilai yang terkecil )

Text

Dikenali

Mulai

Selesai


27

3.5.1 Subsistem Sampling

Dalam subsistem ini terdapat dua variabel terikat berupa frekuensi sampling dan

durasi perekaman. Setelah melakukan pengujian awal, dapat disimpulkan:

a. Secara teori nada dasar frekuensi samplingnya 2158Hz secara praktek di dapat

1110Hz. Sehingga Penggunaan frekuensi 2200Hz sudah memenuhi kriteria

nyquist.(lihat lampiran L3)

b. Durasi perekaman yang digunakan adalah 1.5 detik.(lihat lampiran L4)

3.5.2 Subsistem Pengenalan Nada

Subsistem ini terdiri dari tiga proses, menggunakan variabel tetap yaitu proses

fungsi jarak dan menggunakan variabel bebas yaitu variasi DFT dan variasi windowing

koefisien. Variabel yang akan di evaluasi untuk membangun sistem nada yang optimal

adalah kedua variabel bebas tersebut.

a. Windowing yang digunakan adalah Hamming window. .

b. Frame blocking mengambil sampel data dari data suara terekam (data yang diperoleh

dalam proses sampling). Nilai variasi frame blocking sama dengan nilai variasi dari

DFT yaitu 16, 32, 64, 128, 256.

c. Windowing Koefisien DFT mengevaluasi proses variasi nilai jumlah koefisien DFT.

Nilai variasi koefisien adalah 10%, 20%, 30%, 40%, dan 50%.


28

BAB IV

HASIL DAN PEMBAHASAN

Pengujian program perlu dilakukan untuk mengetahui kinerja program bekerja

dengan baik dan sesuai dengan perancangan. hasil pengujian berupa data-data yang dapat

memperlihatkan bahwa program yang telah dirancang dapat berjalan dengan baik. Analisa

terhadap proses proses kerja dapat digunakan untuk menarik kesimpulan dari apa yang

disajikan dalam tugas akhir ini.

4.1 Pengujian Program Pengenalan Nada Barung Pelog Menggunakan

Windowing Koefisien DFT dan Jarak Squared Chord

Perancangan program menggunakan software Matlab 7.0.4. Pada pengujian

program menggunakan laptop dengan spesifikasi:

Prosesor : Intel® Core™ 2 Duo processor CPU @ 2.1 GHz

RAM : 2.00 GB

Tipe sistem : Sistem operasi 32 bit

Proses pengenalan nada Barung Pelog dapat dilakukan dengan menjalankan langkah-

langkah di bawah ini:

1. Mengklik dua kali ikon Matlab pada layar desktop dengan gambar ikon seperti

Gambar 4.1.

Gambar 4.1 Ikon Matlab 7.0.4

2. Setelah melakukan langkah 1, akan tampil tampilan utama software Matlab seperti

Gambar 4.2.


29

Gambar 4.2 Tampilan Matlab

3. Mengetikan perintah gui2 pada Comand window untuk memunculkan tampilan

program pengenalan nada. Setelah itu akan muncul tampilan program pengenalan

nada seperti pada Gambar 4.3.

Gambar 4.3 Tampilan Program Pengenalan Nada Barung Pelog

4. User memilih input data yang akan di kenali kemudian nilai variasi DFT dan

variasi windowing koefisien yang akan digunakan terlebih dahulu sebelum

melakukan pengenalan nada. Nilai variasi DFT yang disediakan adalah 16, 32, 64,

128, dan 256. Nilai variasi windowing koefisien yang disediakan adalah

10%,20%,30%,40% dan 50%.


30

5. Apabila langkah 4 sudah dilakukan, user dapat memulai pengenalan nada dengan

menekan tombol “Pengenalan Nada”. Hasil pengenalan nada barung pelog terlihat

seperti pada gambar 4.4.

Gambar 4.4 Tampilan Hasil Pengenalan

6. User dapat mengulang kembali pengenalan nada yang berbeda dengan mengulang

kembali langkah 4.

7. User dapat mengakhiri pengenalan nada dengan menekan tombol “exit”.

4.1.1 Pengenalan Nada

Pengenalan nada dapat dilakukan dengan melakukan berbagai langkah-langkah

seperti yang telah dijelaskan di atas. Tampilan program pengenalan nada dapat dilihat pada

Gambar 4.3. Pada tampilan pengenalan nada terdapat 2 pop up menu, 2 axes, 3 push

button, dan 1 static text. User dapat memulai pengenalan nada dengan melakukan

pengaturan terlebih dahulu pada program pengenalan nada. Pengaturan yang perlu

dilakukan adalah dengan memilih input nada yang akan di kenali, memilih nilai variasi

DFT dan nilai variasi windowing koefisien yang terdapat pada pop up menu. Setelah itu

menentukan nilai variasi yang akan digunakan, user dapat memulai pengenalan nada

dengan menekan tombol tekan ”pengenalan nada”. Hasil pengenalan yang ditampilkan

adalah plot input data perekaman, plot DFT, dan nada yang berhasil dikenali. User dapat

mengulang pengenalan nada dengan input nada yang berbeda, nilai variasi DFT yang


31

berbeda dan nilai variasi windowing koefisien yang berbeda. Untuk mengakhiri

pengenalan dengan menekan tombol “exit” seperti yang telah dijelaskan di atas.

a. Pop Up Menu

Pada program pengenalan nada Barung pelog ini menggunakan tiga pop up

menu variasi DFT, dan variasi windowing koefisien,. Untuk pop up menu 1 akan

menampilakan input nada yaitu siji, loro, telu, papat, limo, enem, dan pitu dengan

lima macam setiap nadanya. pop up menu 2 digunakan untuk variasi DFT yang

bernilai 16, 32, 64, 128, dan 256. Pop up menu 3 akan menampilkan windowing

koefisien yang bernilai 10, 20, 30, 40, dan 50. Berikut merupakan contoh program

dalam penggunakan pop up menu

%mengambil data (load) nada=handles.nada; if (nada==1) [y,fs]=wavread('ji_a.wav'); elseif (nada==2) [y,fs]=wavread('ji_b.wav'); elseif (nada==3) [y,fs]=wavread('ji_c.wav'); elseif (nada==4) [y,fs]=wavread('ji_d.wav'); elseif (nada==5) [y,fs]=wavread('ji_e.wav'); elseif (nada==6) [y,fs]=wavread('ro_a.wav'); elseif (nada==7) [y,fs]=wavread('ro_b.wav'); elseif (nada==8) [y,fs]=wavread('ro_c.wav'); elseif (nada==9) [y,fs]=wavread('ro_d.wav'); elseif (nada==10) [y,fs]=wavread('ro_e.wav'); elseif (nada==11) [y,fs]=wavread('lu_a.wav'); elseif (nada==12) [y,fs]=wavread('lu_b.wav'); elseif (nada==13) [y,fs]=wavread('lu_c.wav'); elseif (nada==14) [y,fs]=wavread('lu_d.wav'); elseif (nada==15) [y,fs]=wavread('lu_e.wav'); elseif (nada==16) [y,fs]=wavread('pa_a.wav'); elseif (nada==17) [y,fs]=wavread('pa_b.wav'); elseif (nada==18) [y,fs]=wavread('pa_c.wav'); elseif (nada==19)


32

[y,fs]=wavread('pa_d.wav'); elseif (nada==20) [y,fs]=wavread('pa_e.wav'); elseif (nada==21) [y,fs]=wavread('mo_a.wav'); elseif (nada==22) [y,fs]=wavread('mo_b.wav'); elseif (nada==23) [y,fs]=wavread('mo_c.wav'); elseif (nada==24) [y,fs]=wavread('mo_d.wav'); elseif (nada==25) [y,fs]=wavread('mo_e.wav'); elseif (nada==26) [y,fs]=wavread('ne_a.wav'); elseif (nada==27) [y,fs]=wavread('ne_b.wav'); elseif (nada==28) [y,fs]=wavread('ne_c.wav'); elseif (nada==29) [y,fs]=wavread('ne_d.wav'); elseif (nada==30) [y,fs]=wavread('ne_e.wav'); elseif (nada==31) [y,fs]=wavread('tu_a.wav'); elseif (nada==32) [y,fs]=wavread('tu_b.wav'); elseif (nada==33) [y,fs]=wavread('tu_c.wav'); elseif (nada==34) [y,fs]=wavread('tu_d.wav'); elseif (nada==35) [y,fs]=wavread('tu_e.wav'); end axes(handles.axes1); plot (y) sound(10*y);

Pada program diatas merupakan program pengambilan nada atau nada yang

sudah di rekam pada barung pelog dengan nada 1 sampai dengan 35 nada yang

akan di kenali contoh if (nada==33) [y,fs]=wavread(„tu_c.wav‟) maka program

akan mengambil nada dengan nama tu_c.wav pada directory.

indeks=get(handles.popupmenu2,'Value'); switch indeks

case 1 frame=16; case 2 frame=32; case 3 frame=64; case 4

frame=128; case 5 frame=256;


33

end handles.vardft=frame; guidata(hObject,handles);

Pada program di atas, nilai DFT diinisialisai menggunakan nama ndft yang dibagi

dalam 5 kondisi sesuai dengan banyaknya variasi. Inisialisasi ndft tersebut diproses

menggunakan perintah handles. Perintah ini digunakan untuk data atau nilai DFT yang

telah diinisialisasi sebagai masukan apabila dilakukan callback. Pada pop up menu variasi

windowing koefisien menjalankan program sebagai berikut:

indeks=get(handles.popupmenu3,'Value'); switch indeks case 1 wk=10; case 2 wk=20; case 3 wk=30; case 4 wk=40; case 5 wk=50; end handles.koefisien=wk; guidata(hObject,handles);

Proses yang dilalui oleh pop up menu pada variasi windowing koefisien sama

dengan proses pada pop up menu variasi DFT. Nilai windowing diinisialisasikan dengan

wk.

b. Tombol “Pengenalan Nada”

Tombol “pengenalan nada” adalah tombol yang berfungsi untuk melakukan

pengenalan nada Barung pelog. User dapat melakukan pengenalan nada Barung pelog

dengan menekan tombol tersebut. Tombol “pengenalan nada” memulai pengenalan nada

dengan menjalankan beberapa subproses. Subproses yang dijalankan dimulai dari input

nada, normalisasi, frame blocking, windowing hamming, ekstraksi ciri DFT,windowing

koefisien, penghitungan jarak Squaredchord, dan penentuan hasil pengenalan nada.

Program yang digunakan untuk perekaman nada sebagai berikut:


34

%mengambil data (load) nada=handles.nada; if (nada==1) [y,fs]=wavread('ji_a.wav'); elseif (nada==2) [y,fs]=wavread('ji_b.wav'); end axes(handles.axes1); plot (y) sound(10*y);

Nada yang telah input tersebut diplot pada tampilan program pengenalan

menggunakan perintah plot. Nada terekam diplot pada axes yang telah tersedia di dalam

tampilan program pengenalan. kemudian ditambah kan program sound(10*y); untuk

membunyikan nada input yang di ambil. Setelah proses perekaman, program akan

memproses hasil rekaman tersebut sehingga dapat di kenali. Ada pun proses- proses yang

harus di lakukan dengan cara, yaitu pemotongan sinyal. Nada yang sudah direkam tersebut

akan dipotong dengan batas potong sebesar |0.2| pada sisi kiri sinyal. Setelah proses

pemotongan itu selesai maka langkah selanjutnya memilih data yang dinamakan frame

blocking, langkah selanjutnya yaitu windowing, pada pengenalan nada barung pelog ini

menggunkan windowing hamming. Setelah selesai windowing hamming, dilakukan proses

ekstraksi ciri DFT dan windowing koefisien. berikut ini merupakan proses pengolahan

pemotongan sinyal hingga program windowing koefisien :

% Normalisasi % y=y/max(y); %pemotongan sinyal b0=0.2; b1=find(y>b0 | y<-b0); y(1:b1(1))=[]; %frame blocking frame=handles.vardft; frame; for p=1:frame; f(p)=y(p+frame); end

%windowing hamming w=hamming(frame); for p=1:frame; wo(p)=f(p)*w(p); %wo(p)==> windowing hamming (p) end %ekstraksi ciri DFT g=abs(dftwo(wo)); axes(handles.axes5);


35

plot (g); %dftwo function g=dftwo(wo) %hitung panjang wo n=length(wo); %hitung dft g=zeros(1,n) for k=1:n for m=1:n w=exp(-1i*2*pi*(k-1)*(m-1)/n); a=wo(m)*w; g(k)=g(k)+a; end end

%windowing koefisien wk=handles.koefisien; h=frame; c=(wk/100)*h; s=floor(c); ya=g(1:s); ya=ya(:); axes(handles.axes6); plot (ya);

Dari hasil windowing koefisien yang di inisialisasikan dengan “ya”, maka akan

diplot pada axes2 yang menggambarkan hasil akhir dari sinyal windowing koefisien.

Proses selanjutnya setelah penggambaran sinyal nada barung pelog adalah proses

pemanggilan database yang telah disesuaikan dengan 2 variasi masukan yaitu variasi DFT,

dan variasi windowing koefisien yang telah dipilih oleh user sebelumnya. Program

database menggunakan logika if else agar database mempunyai kesamaan dengan nilai

variasi yang telah dipilih sebelumnya oleh user. Program di bawah merupakan contoh dari

program pemanggilan database.

%data base if (frame==16)&(wk==10) load xciri1610 elseif (frame==16)&(wk==20) load xciri1620 elseif (frame==16) & (wk==30) load xciri1630 elseif (frame==16) & (wk==40) load xciri1640 elseif (frame==16) & (wk==50) load xciri1650


36

Program di atas untuk memanggil database yang akan dibandingkan dengan nada

yang telah terekam dengan menggunakan perintah jarak. Database yang dipanggil sesuai

dengan masukan variasi DFT, variasi windowing koefisien yang telah dipilih oleh user

sebelumnya.

Setelah proses pemanggilan database, proses selanjutnya adalah membandingkan

database dengan data masukkan dari user yang telah dimasukkan pada input nada.

Perbandingan data - data tersebut memakai metode jarak Squaredchord. Program

perhitungan jarak sebagai berikut:

function js=jaraksquaredchord(p,q); a1=(sqrt(p)); a2=(sqrt(q)); a3=(a1-a2); js=sum(a3.^2); %perhitungan jarak for n=1:7 jaraklist(n)=jaraksquaredchord(ya,z(:,n)); end

%cari nilai minimal jmin=find(min(jaraklist)==jaraklist); %deskripsi string nadalist={'1 (siji)','2 (loro)','3 (telu)','4 (papat)','5(limo)','6 (enem)','7 (pitu)'}; %penentuan keluaran yy=nadalist(jmin) set(handles.text10,'String',yy);

Program di atas melakukan penghitungan jarak nada input yang sudah direkam

dengan database dari ke tujuh nada barung pelog dalam berbagai variasi. Perintah jarak

berfungsi untuk menjalankan fungsi jarak squaredchord. Nilai jarak minimal yang

diperoleh digunakan untuk menentukan nada barung pelog yang berhasil dikenali. Pada

program di atas juga untuk tidak mengenali (mengenali secara salah) nada yang akan

dikenali. Untuk tidak mengenali nada selain nada Barung pelog, dengan cara

membandingkan jarak minimal yang telah diperoleh saat pengenalan dengan batasan

maksimal dari ketujuh nada barung pelog. Nada yang telah dikenali ditampilkan pada

tampilan program pengenalan dalam bentuk teks.


37

c. Tombol “exit”

Tombol “exit” atau keluar digunakan apabila user ingin mengakhiri program

pengenalan nada. Perintah program tombol “exit” sebagai berikut:

delete(figure(tobing_progrm_meh_fixe));

Kesimpulan dari pengujian program pengenalan barung pelog adalah tombol yang

terdapat pada tampilan program dapat berjalan dengan baik dan alur program telah sesuai

dengan perancangan. Sistem pengenalan nada juga sudah dapat berjalan dengan baik.

sesuai dengan yang di inginkan.

4.2 Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat

Pengenalan Nada Barung Pelog

4.2.1 Pengujian untuk Menentukan batasan Nilai Jarak yang Optimal

Pada pengujian ini dilakukan untuk menentukan batasan nilai jarak yang optimal.

Parameter yang digunakan untuk menentukan batas nilai ini menggunakan windowing

koefisien 50%, dan panjang DFT 256 yang mempunyai tingkat pengenalan yang baik.

Pengujian ini menggunakan 5 kali percobaan setiap nadanya dan dari 5 percobaaan setiap

nada tersebut akan mendapatkan nilai minimal. Setelah mendapatkan nilai minimal dari 5

kali percobaan setiap nada tersebut, nilai yang paling minimal dari ke tujuh nada tersebut

yang akan di kenali.

Tabel 4.1 Jarak Minimum pada percobaan

Percobaan Ke-

Nada

1 (siji) 2 (loro) 3 (telu) 4 (papat) 5 (limo) 6 (enem) 7 (pitu)

1 3.3283 194.9283 192.4405 205.9538 199.4625 212.5251 204.679

2 171.1315 6.6167 155.5431 191.4181 186.5284 193.9752 192.0757


38

Tabel 4.1 memperlihatkan dua percobaan, untuk selengkapnya dari 35 percobaan

dapat di lihat pada lampiran (L18). Dari tabel tersebut menunjukkan nilai minimum pada

percobaan 1 terdapat pada nada 1 (siji) jadi yang di kenali adalah nada 1(siji), pada

percobaan 2 nilai minimum terdapat pada nada 2 (loro) jadi yang dikenali adalah nada 2

(loro).

4.2.2 Pengujian Pengaturan Pengenalan Nada

pengujian untuk melihat seberapa besar tingkat pengenalan yang terjadi setiap

penentuan nada pada DFT dan windowing koefisien. Langkah – langkah pengujian yang

akan digunakan sebagai berikut:

1. Proses pengambilan nada input yang sudah direkam 5 kali setiap nada

2. Mengenali setiap nada yang di input menggunakan kombinasi nilai variasi yang

berbeda-beda dengan nilai:

a. DFT : 16,32,64,128,256

b. Windowing koefisien : 10%,20%,30%,40%,50%

3. Menentukan kombinasi nilai variasi pengenalan yang menghasilkan tingkat

pengenalan terbaik.

Pengujian dilakukan pada variasi yang maksimal yaitu DFT 256 dan windowing

koefisien 50%, di harapkan memperoleh hasil yang baik dan sesuai yang di

inginkan. Tabel 4.2 menunjukkan hasil pengujian :

Tabel 4.2 Hasil Pengenalan DFT:256 dan Windowing Koefisien:50%

Percobaan Ke-

Nada


1 O O O O O O O

2 O O O O O O O

3 O O O O O O O

4 O O O O O O O

5 O O O O O O O

6 O O O O O O O

7 O O O O O O O

8 O O O O O O O

9 O O O O O O O

10 O O O O O O O

11 O O O O O O O


39

12 O O O O O O O

13 O O O O O O O

14 O O O O O O O

15 O O O O O O O

16 O O O O O O O

17 O O O O O O O

18 O O O O O O O

19 O O O O O O O

20 O O O O O O O

21 O O O O O O O

22 O O O O O O O

23 O O O O O O O

24 O O O O O O O

25 O O O O O O O

26 O O O O O O O

27 O O O O O O O

28 O O O O O O O

29 O O O O O O O

30 O O O O O O O

31 O O O O O O O

32 O O O O O O O

33 O O O O O O O

34 O O O O O O O

35 O O O O O O O

Keterangan : O = dikenali benar

X = dikenali salah

Pada tabel 4.2 dapat di lihat dari 35 kali percobaan dengan 5 kali percobaan

pada setiap nada tidak terdapat nada yang di kenali secara salah.

Proses pengenalan nada barung pelog pada setiap pengujian memiliki

tingkat presentase proses pengenalan, perhitungan persamaan (4.1) dilakukan

untuk mendapatkan persentase pengenalan keseluruhan nada yang di ujikan setiap

sample nada.

Jumlah Pengenalan(%) = 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑛𝑎𝑑𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖 𝑘𝑒𝑛𝑎𝑙𝑖

𝑗𝑢𝑚𝑙𝑎 ℎ 𝑠𝑎𝑚𝑝𝑙 𝑒 𝑛𝑎𝑑𝑎x100% (4.1)

Dari perhitungan persamaan di atas dapat di ketahui tingkat pengenalan nada pada

pengaruh variasi DFT dan windowing koefisien. Hasil presentase tingkat

pengenalan nada secara keseluruhan terlihat pada gambar grafik 4.1.


40

Gambar grafik 4.5

Dari gambar grafik 4.1 diatas bisa di lihat bahwa pengaruh variasi

windowing koefisien terhadap tingkat pengenalan nada sangat berarti dengan

semakin besar windowing koefisien maka hasil pengenalan semakin baik.

4.2.3 Pengujian Dengan Nada Masukan Gamelan Peking

Pada pengujian ini bertujuan untuk mengetahui tingkat pengenalan sistem dalam

mengetahui nada. Sistem diharapkan tidak dapat mengenali nada alat musik lain selain

nada Barung Pelog. Untuk pengujian program pengenalan ini digunakan gamelan peking

sebagai masukan nadanya. Ada pula langkah- langkah untuk melakukan percobaaan

sebagai berikut:

1. Menyiapkan gamelan Peking yang akan digunakan

2. Nada yang akan digunakan satu nada yaitu nada 1(siji) karena satu nada sudah

cukup untuk mengetahui tingkat pengenalan nada tersebut.

3. Menggunakan semua variasi DFT 16,32,64,128,256, dan semua variasi windowing

koefisien 10%,20%,30%,40% dan 50% untuk mengetahui tingkat semua variasi

pengenalan

4. Melihat hasil keluaran nada, apakah pengujian tersebut dapat mengenali benar atau

mengenali nada yang salah.

0

20

40

60

80

100

120

10% 20% 30% 40% 50%

Tin

gkat

pen

gen

alan

(%)

Windowing koefisien

Grafik Tingkat Pengenalan

DFT 16

DFT 32

DFT 64

DFT 128

DFT 256


41

Setelah melakukan langkah- langkah diatas, hasil yang diperoleh sebagai berikut:

Tabel 4.3 Hasil pengujian dengan gamelan Peking

DFT

Windowing koefisien

10% 20% 30% 40% 50%

16 5 5 5 7 7

32 5 5 5 7 7

64 5 5 5 7 7

128 5 5 5 7 7

256 5 5 5 7 7

Dari keterangan table diatas Pada pengujian program penegenalan nada barung

pelog dengan masukan nada gamelan peking yaitu nada 1(siji) menghasilkan hasil nada

5(limo) dan 7(pitu) atau dikenali dengan salah. Dikarenakan nada. karakter suara dari

gamelan peking sudah berbeda.

Gambar 4.6 Gamelan Peking


42

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari percobaan dan pengujian sistem pengenalan nada barung pelog disimpulkan

sebagai berikut :

1. Implementasi dari sistem pengenalan nada barung pelog sudah bisa bekerja

dengan baik dan sesuai dengan perancangan. Program pengenalan nada barung

pelog sudah mampu untuk mengenali nada-nada dasar dari barung pelog yaitu

1(siji), 2(loro), 3(telu), (papat), 5(limo), 6(enem), 7(pitu).

2. Parameter pengenalan nada nilai windowing koefisien mempengaruhi tingkat

pengenalan nada. Semakin besar nilai DFT tingkat pengenalan nada secara

umum semakin baik. Semakin besar nilai windowing koefisien maka tingkat

pengenalan nada semakin tinggi atau baik.

3. Parameter optimal untuk tingkat pengenalan mencapai 100% pada nilai semua

DFT, dan windowing koefisien 50% yang dipilih.

5.2 Saran

Saran untuk pengembangan sistem pengenalan nada barung pelog adalah sebagai

berikut :

Pengembangan sistem yang mampu untuk mengenali segala jenis alat musik

tradisional, atau alat musik modern tidak hanya satu alat musik.


43

DAFTAR PUSTAKA

[1] Isworo Yogi W., 2014,“Pengenalan Nada gamelan kenong secara real time

Menggunakan Fungsi Jarak Chebyshev” , Universitas Sanata Dharma, Yogyakarta.

[2] -------, 2006, ki-demang.com: Situs Sutresna Jawa,

http://www.ki-demang.com/index.php/gambar-gamelan/602-11-saron diakses pada

tanggal 17 Januari 2015.

[3] Kim Jinho, 2013, “automatic pitch detection and shifting of musical tones in real

time”, boston,

[4] Ghea Ardy Prayogo W, 2010 “Pergeseran Frekuensi Dasar Sinyal Gamelan

Menggunakan Phase vocoder” ITS, Surabaya.

[5] Suwandi, 2011, Perancangan Program Aplikasi Absensi Pada Binus Learning

Communtiy SAC dengan menggunakan Hidden Markov Model, Program Ganda Teknik

Informatikadan Matematika, Bina Nusantara Jakarta,

[6] Eka Kartikasari, Y., 2006, Pembuatan Software Pembuka Program aplikasi Komputer

Berbasis Pengenalan Sinyal Suara, PENS-ITS, Surabaya.

[7] http://www.realkarachi.com/downloads/books/how-stuff-works/how-sound-cards-

work%28www.realkarachi.com%29.pdf diakses pada tanggal 20 Januari 2015.

[8] Putra Prabowo Hadi S., “Penggolongan Suara Berdasarkan Usia Dengan

Menggunakan Metode K-Means” Politeknik Elektronika Negeri Surabaya Institut

Teknologi Sepuluh Nopember Kampus ITS, Surabaya

[9] Cha, Sung-Hyuk, 2007, Comprehensive Survey on Distance/Similarity Measures

between Probability Density Function, Internasional Journal of Mathematical Models

and Methods in Applied Sciences,

[10] http://yudistira.lecture.ub.ac.id/files/2014/04/KLASIFIKASI-HURUF-KATAKANA-

DENGAN-METODE-TEMPLATE-MATCHING-CORRELATION.pdf diakses pada

tanggal 11 Februari 2015.

[11] http://www.realkarachi.com/downloads/books/how-stuff-works/how-sound-cards-

work%28www.realkarachi.com%29.pdf diakses pada tanggal 20 Januari 2015.


http://www.ki-demang.com/index.php/gambar-gamelan/602-11-saron

http://www.realkarachi.com/downloads/books/how-stuff-works/how-sound-cards-work%28www.realkarachi.com%29.pdf


http://yudistira.lecture.ub.ac.id/files/2014/04/KLASIFIKASI-HURUF-KATAKANA-DENGAN-METODE-TEMPLATE-MATCHING-CORRELATION.pdf

http://yudistira.lecture.ub.ac.id/files/2014/04/KLASIFIKASI-HURUF-KATAKANA-DENGAN-METODE-TEMPLATE-MATCHING-CORRELATION.pdf



44

[12] http://www.geniusnet.com/wSite/ct?xItem=16664&ctNode=145 diakses pada tanggal

20 Januari 2015.

[13] Niamaulidia, 2009 Pembuatan Pengenalan Sinyal Wicara Menggunakan Matlab.


LAMPIRAN


L1

PERCOBAAN

MENCARI SPEKTRUM FREKUENSI DARI

NADA ALAT MUSIK BARUNG PELOG

DENGAN MATLAB V.7

Tujuan:

1. Mengetahui frekuensi tertinggi pada nada barung pelog.

2. Mengetahui frekuensi sampling.

Variabel:

1. Frekuensi sampling yang digunakan 40000Hz,

2. Durasi perekaman yang digunakan sebesar 2 detik.

Listing Program

fs = 40000;%%fsampling 40000Hz

y = wavrecord (2*fs,fs,'double');%% 2 detik

wavwrite(y,fs,'sample2s2250Hz1.wav');

[y,fs]=wavread('sample2s2250Hz1.wav');

Y=fft(y,fs);

Spek= Y.* conj(Y);

f = fs*(0:(1/2*fs))/fs;

plot(f,Spek(1:(1/2*fs+1)));grid;%output

Hasil Plotting

Fs 40000

Nada 1 ( Ji ) Nada 2 ( Ro )

Frekuensi Frekuensi Frekuensi

Am

plitu

do

Am

plitu

do


L2

Nada 3 ( Lu ) Nada 4 ( Pat )

Nada 5 ( Mo ) Nada 6 ( Nem )

Nada7 ( Pi )

Frekuensi

Frekuensi

Frekuensi Frekuensi

Frekuensi

Am

plitu

do

Am

plitu

do

Am

plitu

do

Am

plitu

do

A

mp

litud

o


L3

Kesimpulan

1. Tidak terdapat harmonisa karena menggunakan frekuensi tinggi yaitu 40000Hz.

2. Frekuensi ( f ) pada nada 7 ( pi ) tinggi sebesar 1055Hz, dengan demikian berdasarkan

kriteria nyquist bila di gunakan frekuensi pencuplikan maka 2200Hz. Dengan demikian

maka frekuensi 2200Hz digunakan untuk mencari durasi perekaman.


L4

PERCOBAAN

MENCARI DURASI PEREKAMAN

UNTUK SISTEM PENGENALAN NADA BARUNG

PELOG DENGAN MATLAB V.7

Tujuan:

1. Mendapatkan durasi perekaman yang tepat untuk perekaman.

2. Mengetahui pengaruh durasi perekaman pada data sinyal yang terekam.

Variabel:

1. Frekuensi sampling yang digunakan 2200Hz.

2. Durasi perekaman yang digunakan sebesar 1 detik, 1,5 detik, 2 detik, 2,5 detik dan 3

detik.

Listing Program

clc

fs = 2200;%%fsampling 2200Hz

%y = wavrecord (fs,fs,'double');%% 1 detik

%wavwrite(y,fs,'sample1s2200Hzji.wav');

%[y,fs]=wavread('sample1s2200Hzji.wav');

%y = wavrecord (1.5*fs,fs,'double');%% 1,5 detik



%y = wavrecord (2*fs,fs,'double');%% 2 detik



%y = wavrecord (2.5*fs,fs,'double');%% 2,5 detik



y = wavrecord (3*fs,fs,'double');%% 3 detik

wavwrite(y,fs,' sample3s2200Hzji.wav');

[y,fs]=wavread('sample3s2200Hzji.wav');

plot(y);grid;%output


L5

Hasil Ploting

1 Detik 1,5 Detik

2 Detik 2,5 Detik

0 500 1000 1500 2000 2500-8

-6

-4

-2

0

2

4

6x 10

-3

0 500 1000 1500 2000 2500 3000 3500-4

-3

-2

-1

0

1

2

3

4

5x 10

-3

0 500 1000 1500 2000 2500 3000 3500 4000 4500-4

-3

-2

-1

0

1

2

3

4x 10

-3

0 1000 2000 3000 4000 5000 6000-8

-6

-4

-2

0

2

4

6x 10

-3

Am

plitu

do

Am

plitu

do

A

mp

litud

o

Am

plitu

do

Sampel ke Sampel ke Sampel ke

Sampel ke Sampel ke


L6

3 Detik

Kesimpulan

Untuk durasi perekaman dilihat dari 5 percobaan diatas dengan maksimal waktu 3 detik maka

untuk durasi perekaman menggunakan 2 detik sudah memenuhi untuk durasi perekaman,

dikarenakan untuk durasi waktu yang lebih dari 2 detik hasil plot sinyal tidak baik.

0 1000 2000 3000 4000 5000 6000 7000-3

-2

-1

0

1

2

3x 10

-3

Am

plitu

do

Sampel ke


L7

LISTING PROGRAM

Program Utama

function varargout = tobing_progrm_meh_fixe(varargin) % TOBING_PROGRM_MEH_FIXE M-file for tobing_progrm_meh_fixe.fig % TOBING_PROGRM_MEH_FIXE, by itself, creates a new TOBING_PROGRM_MEH_FIXE or raises the existing % singleton*. % % H = TOBING_PROGRM_MEH_FIXE returns the handle to a new TOBING_PROGRM_MEH_FIXE or the handle to % the existing singleton*. % % TOBING_PROGRM_MEH_FIXE('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in TOBING_PROGRM_MEH_FIXE.M with the given input arguments. % % TOBING_PROGRM_MEH_FIXE('Property','Value',...) creates a new TOBING_PROGRM_MEH_FIXE or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before tobing_progrm_meh_fixe_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to tobing_progrm_meh_fixe_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help tobing_progrm_meh_fixe % Last Modified by GUIDE v2.5 15-Sep-2015 17:14:47 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @tobing_progrm_meh_fixe_OpeningFcn, ... 'gui_OutputFcn', @tobing_progrm_meh_fixe_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 % End initialization code - DO NOT EDIT


L8

% --- Executes just before tobing_progrm_meh_fixe is made visible. function tobing_progrm_meh_fixe_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to tobing_progrm_meh_fixe (see VARARGIN) % Choose default command line output for tobing_progrm_meh_fixe handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes tobing_progrm_meh_fixe wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = tobing_progrm_meh_fixe_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output; % --- Executes on selection change in popupmenu1. function popupmenu1_Callback(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu1 contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu1 indeks=get(handles.popupmenu1,'Value'); %manggil nada switch indeks case 1 nada=1; case 2 nada=2; case 3 nada=3; case 4 nada=4; case 5 nada=5; case 6 nada=6; case 7 nada=7; case 8


L9

nada=8; case 9 nada=9; case 10 nada=10; case 11 nada=11; case 12 nada=12; case 13 nada=13; case 14 nada=14; case 15 nada=15; case 16 nada=16; case 17 nada=17; case 18 nada=18; case 19 nada=19; case 20 nada=20; case 21 nada=21; case 22 nada=22; case 23 nada=23; case 24 nada=24; case 25 nada=25; case 26 nada=26; case 27 nada=27; case 28 nada=28; case 29 nada=29; case 30 nada=30; case 31 nada=31; case 32 nada=32; case 33 nada=33; case 34 nada=34; case 35 nada=35; end


L10

handles.nada=nada; guidata(hObject,handles); % --- Executes during object creation, after setting all properties. function popupmenu1_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end % --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %mengambil data (load) nada=handles.nada; if (nada==1) [y,fs]=wavread('ji_a.wav'); elseif (nada==2) [y,fs]=wavread('ji_b.wav'); elseif (nada==3) [y,fs]=wavread('ji_c.wav'); elseif (nada==4) [y,fs]=wavread('ji_d.wav'); elseif (nada==5) [y,fs]=wavread('ji_e.wav'); elseif (nada==6) [y,fs]=wavread('ro_a.wav'); elseif (nada==7) [y,fs]=wavread('ro_b.wav'); elseif (nada==8) [y,fs]=wavread('ro_c.wav'); elseif (nada==9) [y,fs]=wavread('ro_d.wav'); elseif (nada==10) [y,fs]=wavread('ro_e.wav'); elseif (nada==11) [y,fs]=wavread('lu_a.wav'); elseif (nada==12) [y,fs]=wavread('lu_b.wav'); elseif (nada==13) [y,fs]=wavread('lu_c.wav'); elseif (nada==14)


L11

[y,fs]=wavread('lu_d.wav'); elseif (nada==15) [y,fs]=wavread('lu_e.wav'); elseif (nada==16) [y,fs]=wavread('pa_a.wav'); elseif (nada==17) [y,fs]=wavread('pa_b.wav'); elseif (nada==18) [y,fs]=wavread('pa_c.wav'); elseif (nada==19) [y,fs]=wavread('pa_d.wav'); elseif (nada==20) [y,fs]=wavread('pa_e.wav'); elseif (nada==21) [y,fs]=wavread('mo_a.wav'); elseif (nada==22) [y,fs]=wavread('mo_b.wav'); elseif (nada==23) [y,fs]=wavread('mo_c.wav'); elseif (nada==24) [y,fs]=wavread('mo_d.wav'); elseif (nada==25) [y,fs]=wavread('mo_e.wav'); elseif (nada==26) [y,fs]=wavread('ne_a.wav'); elseif (nada==27) [y,fs]=wavread('ne_b.wav'); elseif (nada==28) [y,fs]=wavread('ne_c.wav'); elseif (nada==29) [y,fs]=wavread('ne_d.wav'); elseif (nada==30) [y,fs]=wavread('ne_e.wav'); elseif (nada==31) [y,fs]=wavread('tu_a.wav'); elseif (nada==32) [y,fs]=wavread('tu_b.wav'); elseif (nada==33) [y,fs]=wavread('tu_c.wav'); elseif (nada==34) [y,fs]=wavread('tu_d.wav'); elseif (nada==35) [y,fs]=wavread('tu_e.wav'); end axes(handles.axes1); plot (y) sound(10*y); % Normalisasi % y=y/max(y); %pemotongan sinyal b0=0.2; b1=find(y>b0 | y<-b0); y(1:b1(1))=[];


L12

%axes(handles.axes2); %plot (y) %frame blocking frame=handles.vardft; frame; for p=1:frame; f(p)=y(p); end %axes(handles.axes3); %plot (f); %windowing hamming w=hamming(frame); for p=1:frame; wo(p)=f(p)*w(p); %wo(p)==> windowing hamming (p) end %axes(handles.axes4); %plot (wo); %ekstraksi ciri DFT g=abs(dftwo(wo)); axes(handles.axes5); bar(g); %windowing koefisien wk=handles.koefisien; h=frame; c=(wk/100)*h; s=floor(c); ya=g(1:s); ya=ya(:); axes(handles.axes6); bar (ya); %data base if (frame==16)&(wk==10) load xciri1610 elseif (frame==16)&(wk==20) load xciri1620 elseif (frame==16) & (wk==30) load xciri1630 elseif (frame==16) & (wk==40) load xciri1640 elseif (frame==16) & (wk==50) load xciri1650 elseif (frame==32) & (wk==10) load xciri3210


L13

elseif (frame==32) & (wk==20) load xciri3220 elseif (frame==32) & (wk==30) load xciri3230 elseif (frame==32) & (wk==40) load xciri3240 elseif (frame==32) & (wk==50) load xciri3250 elseif (frame==64) & (wk==10) load xciri6410 elseif (frame==64) & (wk==20) load xciri6420 elseif (frame==64) & (wk==30) load xciri6430 elseif (frame==64) & (wk==40) load xciri6440 elseif (frame==64) & (wk==50) load xciri6450 elseif (frame==128) & (wk==10) load xciri12810 elseif (frame==128) & (wk==20) load xciri12820 elseif (frame==128) & (wk==30) load xciri12830 elseif (frame==128) & (wk==40) load xciri12840 elseif (frame==128) & (wk==50) load xciri12850 elseif (frame==256) & (wk==10) load xciri25610 elseif (frame==256) & (wk==20) load xciri25620 elseif (frame==256) & (wk==30)


L14

load xciri25630 elseif (frame==256) & (wk==40) load xciri25640 elseif (frame==256) & (wk==50) load xciri25650 end %perhitungan jarak for n=1:7 jaraklist(n)=jaraksquaredchord(ya,z(:,n)); end jaraklist %cari nilai minimal jmin=find(min(jaraklist)==jaraklist); %deskripsi string nadalist={'1 (siji)','2 (loro)','3 (telu)','4 (papat)','5(limo)','6 (enem)','7 (pitu)'}; %penentuan keluaran yy=nadalist(jmin) %end set(handles.text10,'String',yy); % --- Executes on selection change in popupmenu2. function popupmenu2_Callback(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu2 contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu2 indeks=get(handles.popupmenu2,'Value'); switch indeks case 1 frame=16; case 2 frame=32; case 3 frame=64; case 4 frame=128; case 5 frame=256; end handles.vardft=frame; guidata(hObject,handles);


L15

% --- Executes during object creation, after setting all properties. function popupmenu2_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end % --- Executes on selection change in popupmenu3. function popupmenu3_Callback(hObject, eventdata, handles) % hObject handle to popupmenu3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu3 contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu3 indeks=get(handles.popupmenu3,'Value'); switch indeks case 1 wk=10; case 2 wk=20; case 3 wk=30; case 4 wk=40; case 5 wk=50; end handles.koefisien=wk; guidata(hObject,handles); % --- Executes during object creation, after setting all properties. function popupmenu3_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))


L16

set(hObject,'BackgroundColor','white'); end % --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) delete(figure(tobing_progrm_meh_fixe)); % --- Executes on key press over popupmenu1 with no controls selected. function popupmenu1_KeyPressFcn(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % --- If Enable == 'on', executes on mouse press in 5 pixel border. % --- Otherwise, executes on mouse press in 5 pixel border or over popupmenu1. function popupmenu1_ButtonDownFcn(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

Program Windowing Hamming

function w=hammingx(N) n=[0:N-1]'; w=0.54-0.46*cos((2*pi*n)/(N-1));

Program DFT

function g=dftwo(wo) %hitung panjang wo n=length(wo); %hitung dft g=zeros(1,n); for k=1:n for m=1:n w=exp(-1i*2*pi*(k-1)*(m-1)/n); a=wo(m)*w; g(k)=g(k)+a; end end


L17

Program Fungsi Jarak Squared Chord

function js=jaraksquaredchord(p,q); a1=(sqrt(p)); a2=(sqrt(q)); a3=(a1-a2); js=sum(a3.^2);

Program Membuat Data Base

function dbxciriok frame=256 %panjang frame blocking wk=50 z1=zciri('ji_',frame,wk); z2=zciri('ro_',frame,wk); z3=zciri('lu_',frame,wk); z4=zciri('pa_',frame,wk); z5=zciri('mo_',frame,wk); z6=zciri('ne_',frame,wk); z7=zciri('tu_',frame,wk); z=[z1 z2 z3 z4 z5 z6 z7] save xciri25650 z %============================================= % INTERNAL FUNCTION %============================================= function z=zciri (nada,frame,wk) x1=wavread ([nada '1.wav']);y1=xcirixy (x1,frame,wk); x2=wavread ([nada '2.wav']);y2=xcirixy (x2,frame,wk); x3=wavread ([nada '3.wav']);y3=xcirixy (x3,frame,wk); x4=wavread ([nada '4.wav']);y4=xcirixy (x4,frame,wk); x5=wavread ([nada '5.wav']);y5=xcirixy (x5,frame,wk); x6=wavread ([nada '6.wav']);y6=xcirixy (x6,frame,wk); x7=wavread ([nada '7.wav']);y7=xcirixy (x7,frame,wk); x8=wavread ([nada '8.wav']);y8=xcirixy (x8,frame,wk); x9=wavread ([nada '9.wav']);y9=xcirixy (x9,frame,wk); x10=wavread ([nada '10.wav']);y10=xcirixy (x10,frame,wk); z=[(y1+y2+y3+y4+y5+y6+y7+y8+y9+y10)/10]; %=============================================


L18

Tabel Nilai Jarak Optimal

Tabel di bawah ini digunakan untuk menentukan jarak minimum dari setiap nada.

pengujian dilakukan dengan menggunakan panjang DFT 256, dan windowing koefisien

50%. Pengujian dilakukan sebanyak 5 kali di setiap nadanya.

Percobaan Ke-

Nada


1 3,3283 194,9283 192,4405 205,9538 199,4625 212,5251 204,679

2 3,0336 198,4893 197,5899 213,3069 206,166 219,0017 211,6375

3 2,3545 201,29 205,5751 219,5278 209,4328 224,9389 218,7589

4 3,5131 194,8326 195,8741 210,1173 206,1402 216,8315 210,1845

5 3,7424 200,4524 204,1529 217,7186 212,156 223,2687 219,9862

6 171,1315 6,6167 155,5431 191,4181 186,5284 193,9752 192,0757

7 189,6227 3,4663 180,6133 209,8031 203,1482 213,2425 210,2371

8 187,4177 1,9954 178,7692 211,1685 205,0126 214,6891 213,3094

9 180,044 5,097 176,607 201,9387 199,2252 207,0282 204,1901

10 174,175 7,9904 142,7103 193,6378 190,5675 198,9445 198,0968

11 203,6358 190,8636 10,6374 219,2555 206,145 228,5357 225,7863

12 202,3926 188,0466 10,0177 206,0076 200,8182 216,7753 216,3338

13 201,4283 195,0422 9,0272 208,3772 198,3645 215,6439 214,8518

14 193,6922 186,1806 6,8899 201,562 196,8057 212,0542 211,6781

15 191,7292 190,1831 7,3175 195,745 191,9772 205,4144 205,5779

16 209,805 215,5147 200,8403 3,6873 191,1733 211,9649 204,2262

17 201,8863 207,2575 190,9411 4,3153 180,0938 196,0103 188,761

18 213,7956 218,4685 202,7494 2,738 190,9829 206,3473 199,3675

19 207,3468 213,2783 197,8525 2,5976 189,7997 209,5347 202,5428

20 207,2718 212,2116 197,7741 2,2755 190,0018 207,1222 201,7566

21 192,2712 199,1486 185,4459 174,2214 8,7194 177,3043 190,2218

22 179,0979 181,0648 166,3668 164,1145 8,8959 162,7119 168,4751

23 190,4382 192,1241 181,1704 177,4229 11,3221 177,9125 187,1188

24 174,7752 177,4582 162,3222 164,8834 10,5684 162,3333 169,4423

25 180,6751 180,2736 171,6554 167,9855 10,1665 169,148 173,6785

26 206,8789 209,4439 197,4618 199,6907 184,6833 5,298 204,0632

27 212,8341 213,6419 200,1792 204,1804 191,8487 5,1067 198,3408

28 209,5598 208,2344 191,2848 201,7025 185,9957 4,7766 194,5556

29 202,516 210,3563 194,2061 195,0684 178,457 6,0588 194,9987

30 192,7203 198,5197 181,5679 188,0609 177,3114 7,0481 192,8215

31 178,8283 183,4742 167,6196 172,9519 156,3626 167,5302 10,6113

32 163,0537 174,6528 155,3227 163,3058 151,0154 157,614 11,1111

33 157,9808 167,9098 152,4818 159,6471 147,9928 157,3198 14,2752

34 157,4362 168,5261 152,2891 156,5916 148,7238 150,408 19,4478

35 160,9331 163,8309 149,73 153,0953 147,6617 154,1232 13,5405


L19

Nilai minimum pada setiap nada yang telah didapatkan digunakan sebagai nilai

untuk pengenalan nada tersebut dengan perintah pencarian nilai terkecil pada program.

Nilai jarak ini bias berubah menurut variasi yang digunakan. Pada penentuan nilai ini

digunakan nilai maksimal pada variasi DFT dan windowing koefisien dikarenakan pada

nilai tersebut dapat mendeteksi secara baik dan maksimal.

Tabel Tingkat Pengenalan

Tabel dibawah ini menunjukkan tabel pengujian nada secara keseluruhan. Data

tabel tersebut di peroleh dengan menjalankan program yang telah dibuat. Hasil pengujian

pengenalan nada pada berbagai variasi panjang DFT dan variasi windowing koefisien.

Hasil yang di tampilkan : tingkat pengenalan dalam (%)

Windowing DFT

koefisien 16 32 64 128 256

10% 14,28571 17,14286 17,14286 20 25,71429

20% 17,14286 20 22,85714 25,71429 28,57143

30% 45,71429 45,71429 48,57143 54,28571 54,28571

40% 77,14286 74,28571 80 85,71429 85,71429

50% 100 100 100 100 100


pengenalan nada barung pelog menggunakan … · pengenalan nada barung pelog ... (limo), 6 (enem),...

Documents