pengenalan nada belira menggunakan analisis … · alat musik yaitu belira. pada dasarnya semakin...

i

TUGAS AKHIR

PENGENALAN NADA BELIRA MENGGUNAKAN

ANALISIS AMPLITUDO PADA RANAH FREKUENSI

Diajukan untuk memenuhi salah satu syarat

memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Disusun Oleh :

YOVITA HETY INDRIANI

NIM : 115114049

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

BELIRA TONE RECOGNITION USING AMPLITUDE

ANALYSIS IN THE FREQUENCY DOMAIN

In partial fulfillment of the requirements

for the degree of Sarjana Teknik

in Electrical Engineering

YOVITA HETY INDRIANI

NIM : 115114049

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015


iii


iv


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya

orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana

layaknya karya ilmiah.

Yogyakarta, 02 Desember 2015

Yovita Hety Indriani


vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

When you have GOD, you have everything

Persembahan Karya ini ku persembahkan kepada ...

Tuhan Yesus Kristus yang selalu setia membimbing dan menyertaiku.

Papa, Mama dan Adik-adikku yang selalu mendukung dan mendoakan.

Keluarga XVI yang selalu memberikan semangat, dukungan dan doa.

Dan semua orang yang mendoakan dan yang memberikan semangat dalam penyelesaian Tugas Akhir.


vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertandatangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Yovita Hety Indriani

Nomor Mahasiswa : 11 5114 049

Dengan pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjuadul :

PENGENALAN NADA BELIRA MENGGUNAKAN ANALISIS AMPLITUDO

PADA RANAH FREKUENSI

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Samata Dharma hak untuk menyimpan, mengalihkan dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara

terbatas dan mempublikasikannya di internet atau media lainnya untuk kepentingan

akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya

selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataa ini saya buat dengan sebenarnya.

Yogyakarta, 02 Desember 2015

(Yovita Hety Indriani)


viii

INTISARI

Musik adalah salah satu media ungkapan kesenian. Musik itu sendiri memiliki

bentuk yang khas, baik dari sudut struktural maupun jenisnya dalam kebudayaan. Namun

karena kurangnya ketajaman pendengaran, kebanyakan orang tidak bisa mengetahui nada

yang dikeluarkan alat musik. Dalam perancangan ini akan dibuat pengenalan nada sebuah

alat musik yaitu belira. Pada dasarnya semakin besar frekuensi dasar gelombang bunyi,

maka semakin tinggi nada yang dihasilkan oleh sebuah alat musik belira.

Dalam sistem pengenalan ini, menggunakan mikrofon untuk merekam nadanya dan

komputer untuk pengoperasiannya. Sistem ini akan membangkitkan spektrum frekuensi

yang kemudian dianalisis dengan mencari nilai-nilai maksimum lokal. Dari nilai-nilai

maksimum lokal yang didapatkan, dapat ditentukan frekuensi nada yang dimainkan.

Frekuensi tersebut yang digunakan untuk penentuan teks nadanya. Keluaran akhir untuk

sistem ini akan menampilkan plot hasil rekam, plot spektrum dan teks nada yang dikenali.

Sistem pengenalan ini berjalan sesuai dengan perancangan, dan dapat menampilkan

plot hasil rekam, plot spektrum, dan teks hasil pengenalan nada. Dalam percobaan yang

dilakukan, sistem dapat mengenali semua nada dengan baik pada semua nilai variasi DFT

dan frame blocking.

Kata kunci : Belira, DFT (Discrete Fourier Transform), Look Up Table, Pengenalan

Nada


ix

ABSTRACT

Music is one of the media an expression of art. Music has a typical form, both from

the structural and the type in terms of culture. However, due to lack of hearing acuity, most

people don’t know the tone of a musical instrument played. In this design will be made the

tone recognition of a musical instrument namely belira. Basically the bigger the

fundamental frequency the sound waves, the higher the tones are produced by a musical

instrument the belira.

In this recognition systems, using a microphone to record the tone and computer to

operate. This system will generate the frequency spectrum that will be analyzed by finding

the values of the local maximum. From the values of the local maximum that has been

obtained, can be determined the frequency of the tones are played. The frequency was used

for the determination the text of that tone. The final output for this system will display a

plot of the record, plot of the spectrum and the text of the tone recognized.

Recognition system is run in accordance with the design, and can display plots of

record results, plot of the spectrum, and the text of the tone recognition results. In the

experiment conducted, the system can recognize all the tones well in all values variations

of the DFT and frame blocking.

Keywords: Belira, DFT (Discrete Fourier Transform), Look Up Table, Recognition Tone


x

KATA PENGANTAR

Puji dan Syukur kepada Tuhan Yesus Kristus karena atas berkat dan penyertaan-

Nya penulis dapat menyelesaikan laporan tugas akhir ini dengan baik dan dapat

memperoleh gelar sarjana.

Selama penyelesaian penulisan tugas akhir ini, penulis menyadari bahwa banyak

pihak yang telah memberikan dukungan dan bantuan. Oleh karena itu, penulis ingin

mengucapkan banyak terimakasih kepada:

1. Tuhan Yesus Kristus atas berkat penyertaan-Nya sehingga Tugas Akhir ini selesai

dengan baik.

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 Tugas Akhir yang selalu sabar

membimbing dan mendorong untuk cepat menyelesaikan Tugas Akhir ini.

5. Wiwien Widyastuti, S.T., M.T. dan Dr. Rita Widiarti selaku dosen penguji yang

telah memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.

6. Ir. Theresia Prima Ari Setiyani, M.T., selaku dosen pembimbing akademik yang

telah mendampingi, membimbing, dan memberikan saran kepada penulis selama

menempuh pendidikan di Universitas Sanata Dharma.

7. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama

menempuh pendidikan di Universitas Sanata Dharma.

8. Papa, Mama, dan adik-adik serta semua keluarga yang selalu mendoakan,

mendukung dan membantu segala sesuatunya mulai dari awal studi hingga

pencapaian menyelesaiakan studi di jenjang perkuliahan.

9. Segenap staff sekretariat, dan laboran Teknik Elektro yang secara tidak langung

telah memberikan bantuan dan dukungan dalam kelancaran tulisan Tugas Akhir ini.

10. Keluarga XVI yang selalu mendukung, mengingatkan, mendoakan dan

menyemangati dalam menyelesaikan Tugas Akhir ini.

11. Teman-teman kelompok skripsi Agi, Monic, Anton, Yugo, Tante a.k.a. Heri yang

selalu mendukung dan mengingatkan untuk rajin bimbingan.


xi

12. Seluruh teman-teman Teknik Elektro 2011 yang telah membantu, menemani, dan

memberikan semangat pada saat menempuh pendidikan di Universitas Sanata

Dharma.

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

mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir

ini.

Penulis menyadari bahwa dalam penyusunan laporan Tugas Akhir ini masih

mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis

mengharapkan masukan, kritik dan saran yang membangun agar skripsi ini menjadi lebih

baik. Semoga skripsi ini dapat bermanfaaat sebagaimana mestinya.

Penulis

Yovita Hety Indriani


xii

DAFTAR ISI

Halaman

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 ............................................................................................... xv

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

BAB I PENDAHULUAN

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

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

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

1.4. Metodologi Penelitian.......................................................................................... 2

BAB II DASAR TEORI

2.1. Belira ................................................................................................................... 4

2.2. Mikrofon .............................................................................................................. 5

2.3. Pengenalan Pola ................................................................................................... 5

2.4. Teorema Pencuplikan .......................................................................................... 9

2.5. Preprocessing ...................................................................................................... 9

2.5.1. Normalisasi Awal ...................................................................................... 9

2.5.2. Pemotongan Sinyal .................................................................................... 10

2.5.3. Frame Blocking ......................................................................................... 12


xiii

2.5.4. Normalisasi Akhir...................................................................................... 13

2.5.5 Windowing .................................................................................................. 13

2.6. DFT (Dicerete Fourier Transform) ..................................................................... 14

BAB III PERANCANGAN

3.1. Sistem Pengenalan Nada Saksofon Alto ............................................................. 16

3.1.1. Belira ......................................................................................................... 16

3.1.2. Mikrofon .................................................................................................... 16

3.1.3. Proses Perekaman ...................................................................................... 16

3.1.4. Proses Pengenalan Nada ............................................................................ 17

3.1.5. Keluaran : Teks .......................................................................................... 19

3.2. Look Up Table ..................................................................................................... 19

3.3. Nada Uji ............................................................................................................... 19

3.4. Perancangan Tampilan Program GUI MATLAB ................................................ 20

3.5. Perancangan Alur Program .................................................................................. 21

3.5.1. Rekam ....................................................................................................... 22

3.5.2. Normalisasi Awal ..................................................................................... 23

3.5.3. Pemotongan Awal..................................................................................... 23

3.5.4. Frame Blocking ........................................................................................ 25

3.5.5. Normalisasi Akhir..................................................................................... 26

3.5.6. Windowing ................................................................................................ 26

3.5.7. DFT dan Spektrum Frekuensi ................................................................... 27

3.5.8. Pencarian Maksimum Lokal ..................................................................... 28

3.5.9. Sorting Turun ............................................................................................ 29

3.5.10.Perhitungan Harmonis .............................................................................. 30

3.5.11.Penentuan Frekuensi ................................................................................. 31

3.5.12.Penentuan Teks Nada ............................................................................... 32

3.5.13.Keluaran Teks ........................................................................................... 33

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Nada Alat Musik Belira dengan Menggunakan DFT

untuk Membangkitkan Spektrum dan Look Up Table untuk Penyelesaian

............................................................................................................................. 34

4.1.1. Pengenalan Nada ...................................................................................... 36

a. Popup Menu ......................................................................................... 37


xiv

b. Push Button, Axes, dan Static Text ........................................................... 37

4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada

Alat Musik Belira ................................................................................................ 42

4.2.1. Pengujian Parameter Pengenalan Nada .................................................... 43

4.2.2. Pengujian Dengan Nada Masukan Pianika ................................................ 50

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan ...................................................................................................... 52

5.2. Saran ................................................................................................................ 52

DAFTAR PUSTAKA .............................................................................................. 53

LAMPIRAN

LAMPIRAN 1 PERCOBAAN UNTUK MENENTUKAN RANGE FREKUENSI PADA

LOOK UP TABLE UNTUK MASING-MASING NADA BELIRA.... L1

LAMPIRAN 2 PERCOBAAN MENENTUKAN NILAI YANG DIGUNAKAN UNTUK

MEMBANDINGKAN NILAI HASIL PEMBAGIAN MAKSIMUM

LOKAL PADA PERCOBAAN REAL-TIME ...................................... L20

LAMPIRAN 3 PERCOBAAN MENCARI DURASI PEREKAMAN .......................... L29

LAMPIRAN 4 LISTING PROGRAM PENGAMBILAN NADA UJI ......................... L32

LAMPIRAN 5 LISTING PROGRAM PENGENALAN NADA BELIRA ................... L33

LAMPIRAN 5 LISTING PROGRAM MENGHITUNG DFT ...................................... L39


xv

DAFTAR GAMBAR

Halaman

Gambar 2.1. Alat Musik Belira ................................................................................. 4

Gambar 2.2. Mikrofon Genius 01A ........................................................................... 5

Gambar 2.3. Sistem Pengenalan Pola dengan Pendekatan Statistik .......................... 7

Gambar 2.4. Contoh Pembagian Kelas Pola ............................................................. 8

Gambar 2.5. Sistem pengenalan pola dengan pendekatan sintaktik .......................... 8

Gambar 2.6. Sinyal Sebelum Normalisasi ................................................................. 10

Gambar 2.7. Sinyal Setelah Normalisasi Awal ......................................................... 10

Gambar 2.8. Sinyal Sebelum Pemotongan ................................................................ 11

Gambar 2.9. Hasil Pemotongan Bagian Silence ........................................................ 11

Gambar 2.10. Hasil Pemotongan Bagian Transisi ....................................................... 11

Gambar 2.11. Bagian Sinyal yang Akan Diambil untuk Frame Blocking .................. 12

Gambar 2.12. Hasil Frame Blocking dari Gambar 2.11 .............................................. 12

Gambar 2.13. Hasil Normalisasi dari Gambar 2.12 .................................................... 13

Gambar 2.14. Hasil Windowing dari Gambar 2.13 ..................................................... 14

Gambar 2.15. Spektrum Frekuensi dari Gambar 2.14 ................................................. 15

Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Belira .................................... 16

Gambar 3.2. Diagram Blok Proses Pengenalan Nada Belira .................................... 17

Gambar 3.3. Proses Penentuan Frekuensi Tengah untuk Look Up Table ................. 19

Gambar 3.4. Diagram Blok Proses Pengambilan Nada Uji....................................... 20

Gambar 3.5. Tampilan Proses pada GUI MATLAB ................................................. 20

Gambar 3.6. Diagram Alir Sistem Pengenalan Nada Belira ..................................... 21

Gambar 3.7. Diagram Alir Sub Rutin Rekam ........................................................... 22

Gambar 3.8. Diagram Alir Normalisasi Awal ........................................................... 23

Gambar 3.9. Diagram Alir Pemotongan Awal .......................................................... 23

Gambar 3.10. Diagram Alir Frame Blocking .............................................................. 25

Gambar 3.11. Diagram Alir Normalisasi Akhir .......................................................... 26

Gambar 3.12. Diagram Alir Windowing...................................................................... 26

Gambar 3.13. Diagram Alir DFT dan Spektrum Frekuensi ........................................ 27

Gambar 3.14. Diagram Alir Pencarian Maksimum Lokal .......................................... 28


xvi

Gambar 3.15. Diagram Diagram Alir Sorting Turun .................................................. 29

Gambar 3.16. Diagram Alir Perhitungan Harmonis .................................................... 30

Gambar 3.17. Diagram Alir Penentuan Frekuensi ...................................................... 31

Gambar 3.18. Diagram Alir Proses Penentuan Teks Nada ......................................... 32

Gambar 4.1. Icon Program Pengenalan ..................................................................... 34

Gambar 4.2. Tampilan Utama ................................................................................... 35

Gambar 4.3 Tampilan Program Pengenalan Nada Belira ........................................ 35

Gambar 4.4 Tampilan dari program GUI Matlab yang dioperasikan dengan input nada

1(do), dengan nilai frame blocking adalah 512 .................................... 36

Gambar 4.5. Grafik Pengaruh Panjang DFT terhadap Tingkat pengenalan Nada ..... 50


xvii

DAFTAR TABEL

Halaman

Tabel 2.1. Contoh Pengenalan Pola ............................................................................. 6

Tabel 3.1. Keterangan Tampilan Utama Sistem .......................................................... 21

Tabel 3.2. Frekuensi Look Up Table untuk Penentuan Nada ...................................... 33

Tabel 4.1. Pengujian nada dengan nilai DFT dan frame blocking 1024 ..................... 43

Tabel 4.1. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 1024 ... 44

Tabel 4.2. Pengujian nada dengan nilai DFT dan frame blocking 512 ....................... 44

Tabel 4.2. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 512 ..... 45


Tabel 4.3. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 256...... 46


Tabel 4.4. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 128...... 47

Tabel 4.5. Pengujian nada dengan nilai DFT dan frame blocking 64 ......................... 47

Tabel 4.5. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 64........ 48

Tabel 4.6 Pengaruh panjang DFT terhadap tingkat pengenalan ................................. 49

Tabel 4.7. Pengujian nada alat musik pianika dengan DFT 512 ................................. 51

Tabel 4.7. (Lanjutan) Pengujian nada alat musik pianika dengan DFT 512 ............... 51


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Musik adalah salah satu media ungkapan kesenian. Musik mencerminkan

kebudayaan masyarakat pendukungnya. Musik dapat juga disebut sebagai media seni,

dimana pada umumnya orang mengungkapkan kreativitas dan ekspresi seninya melalui

bunyi-bunyian atau suara [1]. Drum Band merupakan salah satu jenis musik. Drum Band

adalah gabungan dari beberapa jenis alat musik yang dimainkan secara bersamaan. Salah

satu alat musik dalam Drum Band adalah belira. Belira merupakan alat musik yang terdiri

dari sederetan besi yang dimainkan dengan cara dipukul. Tinggi rendahnya nada pada

belira ditentukan oleh frekuensi dasar gelombang bunyi. Semakin besar frekuensi dasar

gelombang bunyi, maka semakin tinggi nada yang dihasilkan. Indera pendengaran manusia

tidak dapat mengetahui pasti nada apa yang didengar, terkecuali pemusik profesional. Hal

ini amatlah penting bagi masyarakat yang ingin mengetahui apakah alat musiknya sudah

menghasilkan nada-nada yang tepat atau belum. Penelitian yang sudah dilakukan

sebelumnya menggunakan Ekstraksi Ciri DCT dan Similaritas Kosinus [2].

Berdasarkan penelitian yang telah dilakukan sebelumnya, penulis ingin membuat

suatu sistem pengenalan nada dengan metode yang berbeda. Pengenalan ini dibuat dengan

menggunakan DFT untuk membangkitkan spektrum frekuensi yang kemudian akan

dianalisis dengan mencari nilai-nilai maksimum lokalnya, menentukan frekuensi dan

dengan menggunakan look up table untuk proses akhir penentuan teks nada belira yang

dimainkan.

Dalam sistem pengenalan nada ini, nada uji , , , 1, 2, 3, 4, 5, 6, 7,

,

,

,

,

,

yang telah melalui proses perekaman diproses terlebih dahulu agar menghasilkan spektrum

frekuensi untuk menentukan frekuensi tengah dalam look up table. Prosesnya akan melalui

tahap perekaman, kemudian preprocessing yang terdiri dari normalisasi awal, pemotongan

sinyal, frame blocking, normalisasi akhir, dan windowing. Kemudian menghitung dengan

DFT untuk mendapatkan spektrum frekuensi. Nilai tertinggi yang dilihat dari hasil plot

spektrum frekuensi digunakan sebagai frekuensi tengah. Untuk menentukan range

frekuensi pada look up table, dilakukan pengambilan nada sebanyak tiga kali untuk


2

masing-masing nada untuk melihat area frekuensi setiap nada tersebut. Frekuensi look up

table pada proses akhirnya digunakan untuk mendapatkan keluaran teks nada sesuai

dengan nada yang dimainkan.

1.2. Tujuan dan Manfaat

Tujuan dari penelitian ini adalah menghasilkan aplikasi pada pengenalan nada alat

musik belira dengan menggunakan DFT untuk membangkitkan spektrum frekuensi dan

look up table untuk penentuan keluarannya.

Manfaat dari penelitian ini adalah sebagai alat bantu bagi masyarakat yang sedang

belajar memainkan alat musik belira agar dapat mengenali nadanya, khususnya untuk anak

TK dan SD yang sering menggunakan alat musik belira.

1.3. Batasan Masalah

Pada perancangan sistem ini, penulis fokus pada pembuatan software. Perancangan

dilakukan dengan pembuatan program pengenalan nada alat musik belira pada MATLAB.

Batasan masalah dalam penelitian ini adalah:

a. Menggunakan MATLAB untuk pembuatan program pengenalan nada

b. Pengenalan nada yang bersifat real time

c. Menggunakan hamming window dalam program pengenalan nada pada proses

windowing.

d. Menggunakan look up table untuk penentuan keluarannya.

1.4. Metodologi Penelitian

Metode yang digunakan dalam penulisan ini adalah:

a. Pengumpulan bahan-bahan literatur berupa buku, jurnal, dan artikel.

b. Perancangan subsistem software

Tahap ini bertujuan untuk mencari bentuk model yang optimal daripada sistem

yang akan dibuat dengan pertimbangan dari faktor-faktor permasalahan yang ada

dan kebutuhan- kebutuhan yang telah ditentukan.

c. Pembuatan subsistem software

Penulis menggunakan software MATLAB untuk pembuatan program pengenalan

nada belira. Program akan bekerja jika user memberikan perintah melalui


3

komputer, program akan mengolah perintah yang telah diterima dan memulai

proses recording. Setelah proses recording, komputer akan mengolah nada

kemudian memberikan keluaran teks nada belira.

d. Analisa dan penyimpulan hasil percobaan

Analisa data dilakukan dengan menyelidiki pengaruh panjang DFT dan frame

blocking terhadap tingkat pengenalan nada belira.


4

BAB II

DASAR TEORI

2.1. Belira

Belira adalah salah satu alat musik yang merupakan bagian penting dari Drum

Band. Alat ini terdiri dari sederetan besi yang mempunyai nada. Semakin pendek ukuran

besinya maka semakin tinggi nada yang dihasilkan. Jadi besi yang ukurannya paling

panjang mengeluarkan nada yang paling rendah pada belira. Biasanya nadanya dimulai

dari nada sol. Cara memainkan belira hampir sama dengan cara memainkan piano.

Perbedaannya pada alat musik piano dimainkan dengan menggunakan jari-jari sedangkan

belira dimainkan dengan menggunakan alat pukul khusus. Meskipun cara memainkannya

mudah, namun butuh sedikit bakat untuk memahami cara memainkan belira serta

menghafal not-not dari lagu yang ingin dimainkan. Untuk memainkan alat ini, pemain

harus menghafal banyak not lagu yang tentunya setiap lagu memiliki nada yang berbeda-

beda. Belira memiliki 16 nada yaitu ,

,

, 1, 2, 3, 4, 5, 6, 7,

,

,

,

,

,

. Gambar berikut

merupakan gambar alat musik belira:

Gambar 2.1. Alat Musik Belira


5

2.2. Mikrofon

Mikrofon adalah suatu komponen elektronika yang dapat mengubah atau

mengkonversikan energi akustik (gelombang suara) ke energi listrik (sinyal audio). Fungsi

dari mikrofon adalah sebagai komponen atau alat pengubah satu bentuk energi ke bentuk

energi lainnya. Setiap jenis Mikrofon memiliki cara yang berbeda dalam mengubah

(konversi) bentuk energinya, tetapi semua jenis mikrofon memiliki persamaan yaitu

memiliki suatu bagian utama yang disebut dengan diafragma. Mikrofon merupakan

komponen penting dalam perangkat elektronik seperti alat bantu pendengaran, perekam

suara, penyiaran radio maupun alat komunikasi lainnya seperti handphone, telepon,

interkom, walkie talkie serta home entertainment seperti karaoke [3].

Pada perancangan ini mikrofon digunakan sebagai alat perekaman suara untuk

mendapatkan nada terekam alat musik belira, agar kemudian dapat diproses untuk melalui

tahap selanjutnya sehingga mendapatkan keluaran teks yang sesuai dengan nada yang

dimainkan. Mikrofon yang digunakan adalah tipe Microphone Genius 01A. Dalam proses

perekaman, mikrofon dihubungkan langsung dengan kartu suara yang ada di laptop.

Gambar 2.2 Mikrofon Genius 01A

2.3. Pengenalan Pola

Pengenalan pola (pattern recognition) sesungguhnya telah lama ada dan telah

mengalami perkembangan terus menerus dimulai dari pengenalan pola tradisional

kemudian menjadi pengenalan pola modern. Pada mulanya pengenalan pola berbasis pada

kemampuan alat indera manusia, dimana manusia mampu mengingat suatu informasi pola

secara menyeluruh hanya berdasarkan sebagian informasi pola yang tersimpan di dalam

ingatannya. Misalnya sebuah nada pendek yang dibunyikan dapat membuat manusia

mengingat sebuah lagu secara keseluruhan.


6

Inti dari pengenalan pola adalah proses pengenalan suatu objek dengan

menggunakan berbagai metode dimana dalam proses pengenalannya memiliki tingkat

akurasi yang tinggi. Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa

suatu objek yang secara manual (oleh manusia) tidak dapat dikenali tetapi bila

menggunakan salah satu metode pengenalan yang diaplikasikan pada komputer masih

dapat dikenali [4].

Pola adalah entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya

(features) [5]. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola

lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga

pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan

yang tinggi.

Tabel 2.1 Contoh Pengenalan Pola

Pola Ciri

Huruf

Suara

Tanda Tangan

Sidik Jari

Tinggi, Tebal, Titik Sudut,

Lengkungan Garis, dll

Amplitudo, Frekuensi, Nada,

Intonasi, Warna, dll

Panjang, Kerumitan, Tekanan, dll

Lengkungan, Jumlah Garis, dll

Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan

ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan

suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan

pola yaitu pendekatan secara statistik dan pendekatan secara sintaktik atau struktural [5].

a. Pengenalan Pola secara Statistik

Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-ciri yang

dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda memiliki

distribusi yang berbeda pula. Dengan menggunakan teori keputusan di dalam statistik,

kita menggunakan distribusi ciri untuk mengklasifikasikan pola.


7

Gambar 2.3 Sistem Pengenalan Pola dengan Pendekatan Statistik

Ada dua fase dalam sistem pengenalan pola: (i) fase pelatihan dan (ii) fase pengenalan.

Pada fase pelatihan, beberapa contoh citra dipelajari untuk menentukan ciri yang akan

digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase

pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya.

1. Preprocessing

Proses awal yang dilakukan untuk memperbaiki kualitas citra (edge enhancement)

2. Feature Extraction

Proses mengambil ciri-ciri yang terdapat pada objek di dalam citra. Pada proses ini

objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu menghitung

properti-properti objek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri

mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan

pola, dan sebagainya.

3. Classification

Proses mengelompokkan objek ke dalam kelas yang sesuai.

4. Feature Selection

Proses memilih ciri pada suatu objek agar diperoleh ciri yang optimum, yaitu ciri

yang dapat digunakan untuk membedakan suatu objek dengan objek lainnya.

5. Learning

Proses belajar membuat aturan klasifikasi sehingga jumlah kelas yang tumpang

tindih dibuat sekecil mungkin.


8

Kumpulan ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang bahumatra

(multi dimensi). Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang

bahumatra. Ruang bahumatra dibagi menjadi sejumlah uparuang (sub-ruang). Tiap

uparuang dibentuk berdasarkan pola-pola yang sudah dikenali kategori dan ciri-cirinya

(melalui fase pelatihan). Lihat Gambar 2.5

Gambar 2.4 Contoh Pembagian Kelas Pola

b. Pengenalan Pola secara Sintaktik

Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat pada suatu

pola ditentukan primitif dan hubungan struktural antara primitif kemudian menyusun

tata bahasanya. Dari aturan produksi pada tata bahasa tersebut kita dapat menentukan

kelompok pola. Gambar 2.6 memperlihatkan sistem pengenalan pola dengan

pendekatan sintaktik. Pengenalan pola secara sintaktik lebih dekat ke strategi

pengenalan pola yang dilakukan manusia, namun secara praktek penerapannya relatif

sulit dibandingkan pengenalan pola secara statistik.

Gambar 2.5 Sistem pengenalan pola dengan pendekatan sintaktik


9

Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali pola adalah

mengikuti kontur (tepi batas) objek dengan sejumlah segmen garis terhubung satu sama

lain, lalu mengkodekan setiap garis tersebut (misalnya dengan kode rantai). Setiap segmen

garis merepresentasikan primitif pembentuk objek.

2.4. Teorema Pencuplikan

Sampling adalah proses pencuplikan gelombang suara yang akan menghasilkan

gelombang diskret. Dalam proses sampling ada yang disebut dengan laju pencuplikan

(sampling rate). Sampling rate menandakan berapa banyak pencuplikan gelombang analog

dalam 1 detik. Sampling rate dinyatakan dalam satuan Hertz (Hz). Pada proses sampling,

sebaiknya sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist menyatakan bahwa

sampling rate harus lebih besar dari dua kali frekuensi tertinggi sinyal analog [5]. Secara

matematis dapat dituliskan:

(2.2)

dengan:

fs = frekuensi sampling rate

fm = frekuensi tertinggi sinyal suara analog

2.5. Preprocessing

Preprocessing adalah proses-proses awal yang dilakukan sebelum proses

membangkitkan spektrum. Tujuan dari preprocessing ini adalah untuk menyetarakan

sinyal nada masukan agar lebih mudah diproses untuk pengenalan nadanya.

2.5.1 Normalisasi Awal

Normalisasi merupakan suatu cara untuk mengatasi jarak antara sumber suara dengan

mikrofon. Pada perekaman atau pengambilan suara ini perlu adanya normalisasi supaya

amplitudo nada saat dimainkan dapat menjadi maksimal [6]. Proses normalisasi awal

dilakukan dengan cara membagi tiap nilai data masukan yaitu nada terekam dengan nilai

absolut maksimal dari data masukan tersebut. Berikut rumus untuk proses normalisasi:

)) (2.3)


10

Keterangan:

= hasil data sinyal normalisasi

= data input

Gambar 2.3 dan gambar 2.4 meperlihatkan gambar sinyal sebelum dan setelah

melalui proses normalisasi awal.

Gambar 2.6 Sinyal Sebelum Normalisasi

Gambar 2.7 Hasil Setelah Normalisasi Awal

2.5.2 Pemotongan Sinyal

Proses pemotongan sinyal bertujuan untuk memotong beberapa bagian sinyal.

Proses pemotongan dilakukan setelah proses normalisasi awal. Dalam proses pemotongan,

bagian yang dipotong adalah bagian awal dari sinyal. Tujuan dari pemotongan awal sinyal

nada adalah untuk menghilangkan bagian yang tidak termasuk bagian dari sinyal nada serta

untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam agar didapatkan

sinyal yang benar-benar suara nada alat musik belira. Pada proses pemotongan ini, akan

melewati dua kali proses pemotongan. Proses pemotongan yang pertama yaitu memotong

bagian silence atau bagian awal sinyal yang tidak termasuk sinyal nada terekam. Proses


11

pemotongan yang kedua yaitu memotong bagian transisi sinyal. Berikut gambar untuk

hasil pemotongan :

Gambar 2.8 Sinyal Sebelum Pemotongan

Gambar 2.9 Hasil Pemotongan Bagian Silence

Gambar 2.10 Hasil Pemotongan Bagian Transisi


12

2.5.3 Frame Blocking

Frame Blocking adalah pembagian sinyal audio menjadi beberapa frame yang

nantinya dapat memudahkan dalam perhitungan dan analisa sinyal, satu frame terdiri dari

beberapa sampel tergantung berapa detik suara akan disampel dan berapa besar frekuensi

sampling. Pada proses ini dilakukan pemotongan sinyal dalam slot-slot tertentu agar

memenuhi dua syarat yaitu linear dan time invariant. Gambar 2.9 memperlihatkan contoh

hasil frame blocking.

Gambar 2.11 Bagian Sinyal yang Akan Diambil untuk Frame Blocking

Gambar 2.12 Hasil Frame Blocking dari Gambar 2.11

Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem

pengenalan. Pada pengenalan ini nilai frame bervariasi, user akan diberikan pilihan variasi

untuk nilai frame. Pada gambar di atas nilai frame yang digunakan sebesar 512.


13

2.5.4 Normalisasi Akhir

Normalisasi akhir adalah normalisasi setelah melalui proses pemotongan dan frame

blocking. Setelah melalui proses frame blocking, sinyal yang dihasilkan tidak maksimal

sehingga dibutuhkan proses normalisasi akhir. Proses normalisasi akhir dilakukan dengan

cara membagi tiap nilai data masukan yaitu hasil frame blocking dengan nilai absolut

maksimal dari data masukan tersebut. Tujuan dari normalisasi akhir adalah untuk

menyetarakan amplitudo hasil frame blocking agar maksimal. Rumus untuk proses

normalisasi akhir sama dengan rumus proses normalisasi awal:

)) (2.4)

Keterangan:

= hasil data sinyal normalisasi

= data input

Berikut gambar untuk hasil normalisasi akhir:

Gambar 2.13 Hasil Normalisasi dari Gambar 2.12

2.5.5 Windowing

Windowing digunakan untuk menghilangkan diskontinuitas yang diakibatkan oleh

proses Frame Blocking atau Framing. Ada beberapa fungsi windows yang telah ada

diantaranya Kaiser, Hamming, Triangular, dan Rectangular. Dalam proses ini jenis

window yang digunakan adalah Hamming Window. Hamming Window mempunyai side

lobe yang paling kecil dan main lobe yang paling besar sehingga hasil windowing akan


14

lebih halus dalam menghilangkan efek diskontinuitas. Hamming Window adalah sebuah

vektor dengan jumlah elemen sebanyak n. Biasanya n akan disesuaikan dengan banyaknya

elemen pada frame sehingga banyaknya elemen pada Hamming Window akan sama dengan

banyaknya elemen pada frame. Persamaan dari windowing hamming[7]:

(2.5)

Keterangan : w(n) = windowing

N = jumlah data dari sinyal

n = waktu diskrit ke-

Gambar 2.14 Hasil Windowing dari Gambar 2.13

2.6. DFT (Discrete Fourier Transform)

Salah satu formulasi yang ampuh untuk proses pengolahan sinyal adalah

menggunakan Discrete Fourier Transform (DFT). Prinsip DFT adalah

mentransformasikan (alih bentuk) sinyal yang semula analog menjadi diskret dalam

domain waktu, dan kemudian diubah ke dalam domain frekuensi. Hal ini dilakukan dengan

mengalikan sinyal diskret dengan suatu fungsi kernel. DFT dan FFT memiliki resolusi

sebesar fs/N yang mana fs adalah sampling rate (dalam 1 detik diambil sebanyak fs data)

dan N adalah banyaknya data hasil penyamplingan.


15

Discrete Fourier Transform (DFT) didefinisikan sebagai:

(2.6)

Dengan : n = indeks dalam domain waktu = 0, 1, ..., N-1,

m = indeks dalam domain frekuensi = 0, 1, ..., N-1

Persamaan ini menyatakan bahwa DFT merupakan metode yang berguna dalam

menentukan amplitudo dan komponen-komponen frekuensi harmonik ke-m dari suatu

sinyal periodik atau merupakan koefisien-koefisien deret Fourier[8].

Discrete Fourier Transform (DFT) mengubah sinyal atau sistem dari kawasan

waktu ke kawasan frekuensi. DFT yang dikenakan pada sinyal akan menghasilkan

spektrum frekuensi yang terdiri dari spektrum magnitude dan spektrum fasa yang

menunjukkan hubungan antara magnitude, fasa dengan frekuensi. Artinya kita dapat

melihat komponen penyusun sinyal tersebut dari magnitude sinyal pada rentang frekuensi.

Begitu juga dengan fasenya. Misalnya digunakan untuk analisis suara nada alat musik

belira maka kita dapat melihat sebenarnya nada dari belira tersebut mempunyai magnitude

besar pada frekuensi berapa saja yang menunjukkan dominan frekuensi dari suara nada

tersebut. Penerapan DFT pada tanggapan cuplik satuan suatu sistem akan menghasilkan

tanggapan frekuensi yang terdiri dari tanggapan magnitude dan tanggapan fase. Hal ini

berguna untuk analisis suatu filter, bagaimana respon filter tersebut secara frekuensi.

Gambar 2.15 Spektrum Frekuensi dari Gambar 2.14


16

BAB III

PERANCANGAN

3.1. Sistem Pengenalan Nada Alat Musik Belira

Blok diagram sistem pengenalan nada alat musik belira diperlihatkan pada gambar

diberikut:

Gambar 3.1 Diagram Blok Sistem Pengenalan Nada Belira

3.1.1 Belira

Alat musik belira digunakan sebagai objek penelitian oleh penulis, belira memiliki 16 nada

yang akan dikenali yaitu , , , 1, 2, 3, 4, 5, 6, 7,

,

,

,

,

,

.

3.1.2 Mikrofon

Mikrofon berfungsi untuk menangkap suara dari belira kemudian menyalurkan pada laptop

kemudian diproses untuk pengenalan nada.

3.1.3 Proses Perekaman

Proses perekaman adalah proses masuknya data nada terekam berupa sinyal digital. Saat

proses perekaman berlangsung sinyal analog dikonversi menjadi sinyal digital dengan

frekuensi sampling. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot.

Data nada yang telah disimpan disebut nada terekam dan kemudian dapat diproses untuk

dikenali lewat proses pengenalan nada.


17

3.1.4 Proses Pengenalan Nada

Proses ini untuk mengetahui nada apa yang direkam. Gambar berikut merupakan diagram

proses pengenalan nada :

Gambar 3.2 Diagram Blok Proses Pengenalan Nada Belira

1. Masukan

Masukannya adalah hasil dari sampling nada belira yang direkam langsung (real time)

menggunakan mikrofon. Hasilnya dalam bentuk wav.

2. Preprocessing

Preprocessing merupakan proses awal yang berfungsi untuk menyetarakan sinyal

masukan. Preprocessing terdiri dari:

a. Normalisasi Awal

Proses normalisasi awal bertujuan untuk menyetarakan amplitudo nada masukan

menjadi maksimum, sehingga efek dari kuat atau lemahnya suara yang dikeluarkan alat

musik tidak terlalu memengaruhi proses pengenalan.

b. Pemotongan Awal

Proses pemotongan bertujuan untuk menghilangkan efek noise atau suara lain yang

ikut terekam pada saat proses perekaman. Sinyal yang dipotong adalah sinyal bagian

silence dan bagian transisi yang terdapat di bagian awal/depan sinyal nada terekam.

c. Frame Blocking

Proses frame blocking untuk memilih data dari nada terekam.Data yang dipilih dapat

mewakili semua nada yang terekam.


18

d. Normalisasi Akhir

Masukan dari normalisasi akhir adalah sinyal hasil frame blocking. Setelah proses

frame blocking sinyalnya tidak maksimal sehingga dibutuhkan normalisasi akhir untuk

menyetarakan amplitudo menjadi maksimum.

e. Windowing

Data yang telah dinormalisasikan akan melalui proses windowing. Windowing ini

berfungsi untuk mengurangi efek diskontinuitas dari potongan-potongan sinyal. Dalam

penelitian ini menggunakan Hamming Window.

3. DFT dan Spektrum Frekuensi

Pada pengenalan nada alat musik belira ini nilai DFT sama dengan nilai frame

blocking. Proses ini untuk membangkitkan spektrum frekuensi. Setelah melihat

keluaran spektrum frekuensi maka dapat diketahui frekuensi untuk nada yang

dimainkan.

4. Pencarian Maksimum Lokal

Proses pencarian maksimum lokal untuk mencari nilai-nilai maksimum lokal dari

spektrum frekuensi.

5. Sorting Turun

Setelah mendapatkan nilai-nilai maksimum lokal maka akan melewati proses sorting

turun (descend) atau mengurutkan kebawah nilai-nilai maksimum lokal dan nilai-nilai

frekuensi nada, tujuannya adalah untuk mengetahui nilai tertinggi dari data agar dapat

diproses untuk mengetahui nadanya.

6. Uji Harmonis

Untuk proses uji harmonis bertujuan untuk menentukan apakah nada yang dimainkan

merupakan nada belira atau bukan. Untuk mengetahui hal tersebut, maka dalam proses

uji harmonis ini dilakukan perhitungan yaitu membagi nilai maksimum lokal urutan 2

dan urutan 1.

7. Penentuan Frekuensi

Proses ini untuk menentukan frekuensi dari nada belira yang dimainkan. Dari proses

sorting turun, maka dapat diketahui nilai frekuensinya yaitu nilai frekuensi yang paling

tinggi yang berada di urutan pertama setelah melalui proses sorting turun (descend).

8. Penentuan Nada

Setelah mengetahui nilai frekuensinya maka dapat diketahui nada keluarannya.

Penentuan nada ini prosesnya dengan menggunakan look up table.


19

9. Keluaran (Teks)

Dari penentuan nada, maka dapat diketahui nada apa yang dimainkan. Keluarannya

adalah berupa teks nada.

3.1.5 Keluaran : Teks

Keluaran akhir untuk pengenalan nada ini berupa teks nada yang dikenali dan teks

“ERROR” jika nada tidak dikenali.

3.2. Look Up Table

Dalam perancangan pengenalan nada alat musik belira ini, menggunakan look up

table pada proses penentuan nadanya. Untuk menentukan frekuensi pada look up table,

penulis harus mencari frekuensi tengahnya terlebih dahulu kemudian menentukan range

frekuensi yang digunakan. Untuk memperoleh frekuensi tengah tersebut, penulis

mengambil 3 sampel untuk masing-masing nada yang akan dikenali (“ , , , 1, 2, 3, 4, 5, 6,

7,

,

,

,

,

,

“) kemudian menentukan nilai rata-ratanya. Nilai rata-rata tersebut yang

digunakan sebagai frekuensi tengah penentu range pada look up table. Pengambilan nada

dilakukan melalui tahap perekaman. Setelah proses perekaman maka akan melalui

preprocessing yang terdiri dari proses normalisasi awal, pemotongan sinyal, frame

blocking, normalisasi akhir, dan windowing. Setelah itu, menghitung dengan DFT dan

penentuan spektrum sehingga didapatkan plot spektrum frekuensi. Prosesnya ditunjukkan

pada gambar berikut:

Gambar 3.3 Proses Penentuan Frekuensi Tengah untuk Look Up Table

3.3. Nada Uji

Proses ini bertujuan untuk pencuplikan gelombang suara yang akan menghasilkan

gelombang diskret termodulasi pulsa. Fungsi dari nada uji ialah untuk menjalankan


20

program pengenalan suara nada belira secara offline atau belum real-time. Selain itu, nada

uji juga digunakan untuk mencari frekuensi tengah look up table. Berikut gambar blok

diagram proses pengambilan nada uji:

Gambar 3.4 Diagram Blok Proses Pengambilan Nada Uji

3.4. Perancangan Tampilan Program GUI MATLAB

Gambar 3.5 Tampilan Proses pada GUI MATLAB

Rekam

Selesai

Bar Hasil Rekam

Bar Spektrum Frekuensi

Tampilan Teks

Nada

Pilihan Nilai Frame


21

Tabel 3.1 Keterangan Tampilan Utama Sistem

3.5. Perancangan Alur Program

Gambar 3.6 Diagram Alir Sistem Pengenalan Nada Belira

Nama Keterangan

Pilihan Nilai Frame Untuk memilih nilai frame blocking

Rekam Untuk memulai program

Selesai Untuk mengakhiri program

Plot Hasil Rekam Untuk menampilkan grafik hasil rekam

Plot Spektrum Frekuensi Untuk menampilkan grafik spektrum

frekuensi

Tampilan Teks Nada Untuk menampilkan teks nada belira

sesuai nada yang dimainkan


22

Pada sistem pengenalan nada ini terdapat proses-proses yang perlu dilakukan.

Bermula dari perekaman hingga hasil akhir yang akan memberikan tampilan teks untuk

nada yang dimainkan.

3.5.1 Rekam

Gambar 3.7 Diagram Alir Sub Rutin Rekam

Pada proses perekaman, proses pertama akan melewati sampling yang tujuannya untuk

merekam nada belira dengan nilai frekuensi sampling yang telah ditentukan yaitu 10000

Hz. Nilai untuk frekuensi sampling didapatkan berdasarkan rumus (2.1). Jadi semua

sampel nada yang diambil dalam proses perekaman, melalui proses sampling terlebih

dahulu sebelum masuk ke tahap selanjutnya. Hasil keluaran untuk proses perekaman dalam

bentuk wav.

Berikut ini merupakan cara untuk sampling nada:

1. Menentukan panjang durasi perekaman yaitu 1,5 detik [L31].

2. Menentukan frekuensi sampling yaitu 10000 Hz [L19].

3. Menentukan jumlah sample dengan mengalikan panjang durasi perekaman dengan

frekuensi sampling.

4. Merekam suara masukan dengan perintah wavrecord.

5. Menyimpan hasil rekaman dengan perintah wavwrite.

6. Menampilkan sinyal hasil rekaman dengan perintah plot.


23

3.5.2 Normalisasi Awal

Gambar 3.8 Diagram Alir Normalisasi Awal

Tujuan dari proses normalisasi awal adalah untuk menyetarakan amplitudo dari data sinyal

nada terekam sehingga dapat terbentuk pada skala yang sama agar kuat atau lemahnya

suara nada yang dimainkan tidak terlalu memengaruhi proses pengenalan. Dalam proses

normalisasi ini, nilai-nilai data masukan nada terekam dibagikan dengan nilai absolut

maksimal dari data itu sendiri sehingga didapatkan sinyal yang ternormalisasi untuk nada

terekam. Rumus untuk membagi data dapat dilihat pada persamaan (2.2).

3.5.3 Pemotongan Awal

Gambar 3.9 Diagram Alir Pemotongan Awal


24

Proses pemotongan awal adalah pemotongan sinyal awal yang tidak digunakan

yang terdapat di sisi kiri atau bagian awal dari sinyal yaitu bagian silence dan bagian

transisi. Tujuan dari proses pemotongan bagian silence adalah untuk menghilangkan

bagian yang tidak termasuk bagian dari sinyal nada, dan tujuan pemotongan bagian transisi

adalah untuk mendapatkan sinyal yang benar-benar suara nada alat musik belira. Proses

pemotongan pertama pada bagian silence, pada proses ini akan memotong sinyal suara

yang terekam sebelum sinyal suara nada belira. Pemotongan kedua yaitu pada bagian

transisi. Pemotongan ini dilakukan dengan menghilangkan ¼ bagian dari sinyal yang

terdapat di bagian awal (bagian transisi) setelah pemotongan bagian silence. Setelah

melalui 2 (dua) kali proses pemotongan, maka didapatkan keluaran untuk hasil

pemotongan awal.

Berikut ini merupakan cara pemotongan sinyal bagian silence dan pemotongan bagian

transisi:

1. Menentukan nilai yang digunakan sebagai batas potong yaitu 0,3 [2].

2. Mencari bagian sinyal yang > 0,3 dan < (-0,3). Sinyal yang dicari tersebut

diinisialisasi sebagai b1.

3. Sinyal yang tidak termasuk b1 adalah sinyal silence sehingga sinyal tersebut

dihilangkan.

4. Pemotongan sinyal transisi dengan mengalikan jumlah data sinyal dengan 0,25.

Hasil perkalian tersebut diinisialisasi sebagai bts.

5. Menghilangkan data sinyal mulai dari indeks 1 sampai dengan indeks bts.


25

3.5.4 Frame Blocking

Gambar 3.10 Diagram Alir Frame Blocking

Setelah proses pemotongan, maka proses selanjutnya yaitu frame blocking. Nilai

frame dipilih oleh user. Pilihan nilai-nilai frame blocking yang diberikan yaitu 64, 128,

256, 512, dan 1024. Nilai-nilai tersebut ditentukan sendiri secara objektif dan nilai-nilai

tersebut juga telah digunakan pada penelitian-penelitian sebelumnya [2]. Dalam proses ini,

data yang diambil mulai dari sinyal yang paling kiri dan akan diambil sepanjang nilai

frame yang telah dipilih oleh user sehingga dapat memudahkan dalam perhitungan dan

analisa sinyal. Data yang diambil dapat mewakili data terekam. Data yang diambil tersebut

merupakan keluaran untuk proses frame blocking.


26

3.5.5 Normalisasi Akhir

Gambar 3.11 Diagram Alir Normalisasi Akhir

Masukan dari normalisasi akhir adalah sinyal hasil frame blocking. Pada proses

frame blocking sinyalnya tidak maksimal sehingga dibutuhkan normalisasi akhir untuk

menyetarakan amplitudo menjadi maksimum. Pada proses normalisasi akhir, data masukan

hasil frame blocking dibagi dengan nilai absolut maksimal dari data hasil frame blocking

tersebut. Hasil pembagiannya merupakan keluaran untuk proses normalisasi akhir.

3.5.6 Windowing

Gambar 3.12 Diagram Alir Windowing

Windowing berfungsi untuk mengurangi efek diskontinuitas saat sinyal

ditransformasikan ke domain frekuensi. Proses ini menggunakan hamming window.


27

Penggunaan hamming window membuat hasil windowing akan lebih halus dalam

menghilangkan efek diskontinuitas. Dalam prosesnya, masukan yaitu hasil normalisasi

akhir dikalikan dengan windowing hamming sehingga didapatkan hasil untuk proses

windowing. Rumus windowing hamming dapat dilihat pada persamaan (2.4).

3.5.7 DFT dan Spektrum Frekuensi

Gambar 3.13 Diagram Alir DFT dan Spektrum Frekuensi

Proses selanjutnya adalah mencari spektrum frekuensi. Dalam proses ini, perhitungan

dengan DFT digunakan untuk membangkitkan spektrum frekuensi sehingga didapatkan

keluaran spektrum frekuensi. Pada proses ini, untuk frekuensi yang nilainya 0-100 Hz

dianggap tidak termasuk frekuensi belira.

Berikut ini merupakan cara untuk membangkitkan spektrum frekuensi dengan

menggunakan DFT :

1. Mencari panjang data sinyal.

2. Menambahkan angka 0 pada data agar jumlah data sama dengan jumlah frekuensi

sampling.

3. Menghitung data dengan fungsi DFT pada lampiran [L39].

4. Hasil perhitungan dikalikan dengan konjugat untuk mendapatkan nilai real.

5. Hasil perkalian indeks 1 sampai setengah dari frekuensi sampling adalah sumbu

tegak pada spektrum kemudian hasilnya ditampilkan dengan perintah bar sehingga

terlihat sinyal spektrum frekuensi.


28

3.5.8 Pencarian Maksimum Lokal

Gambar 3.14 Diagram Alir Pencarian Maksimum Lokal

Proses pencarian maksimum lokal adalah mencari nilai-nilai maksimum lokal

setelah mendapatkan spektrum frekuensinya. Tujuan dari proses ini adalah untuk

menganalisis spektrum dengan nilai-nilai dari maksimum lokal tersebut agar diketahui

nada yang dimainkan termasuk nada belira atau bukan.

Berikut ini merupakan cara untuk mencari nilai-nilai maksimum lokal :

1. Mencari panjang data spektrum.

2. Menolkan semua data dengan perintah zeros.

3. Mencari nilai-nilai tertinggi dengan proses looping. Dalam proses looping, angka

yang lebih besar dari angka sebelumnya dan sesudahnya adalah angka yang diambil

sebagai nilai maksimum lokal.

4. Mengisi data yang dinolkan tadi dengan nilai-nilai yang didapatkan dalam proses

looping sehingga didapatkan seluruh nilai-nilai maksimum lokal.


29

3.5.9 Sorting Turun

Gambar 3.15 Diagram Alir Sorting Turun

Proses ini adalah untuk mengurutkan ke bawah nilai-nilai maksimum lokal sehingga dapat

lebih mudah untuk proses selanjutnya. Mengurutkan kebawah berarti mengurutkan dari

nilai yang tertinggi ke nilai yang terendah. Keluaran dari proses ini adalah nilai-nilai

maksimum lokal yang telah diurutkan dari nilai tertinggi ke nilai yang terendah dan indeks

dari nilai-nilai tersebut merupakan frekuensinya.

Berikut ini adalah cara mengurutkan kebawah nilai-nilai maksimum lokal:

1. Nilai-nilai maksimum lokal diurutkan kebawah dengan perintah „descend’ tetapi

urutan indeksnya tidak berubah.

2. Setelah diurutkan, data kemudian diambil dari urutan 1 sampai dengan 5. Indeks

data tersebut adalah frekuensinya.


30

3.5.10 Perhitungan Harmonis

Gambar 3.16 Diagram Alir Perhitungan Harmonis

Proses selanjutnya adalah perhitungan harmonis. Dalam proses ini membagikan

nilai maksimum lokal urutan 2 dan urutan 1 yang telah melalui proses sorting. Dari hasil

pembagian dapat diketahui nada tersebut merupakan nada belira atau bukan. Jika nilai hasil

pembagiannya < 0,07 maka nada masukan yang dimainkan merupakan nada alat musik

belira, selanjutnya akan diproses untuk menentukan frekuensinya. Jika nilai

perbandingannya > 0,07 maka proses akan berhenti dan teks hasil keluarannya adalah

„error‟, karena bukan merupakan nada alat musik belira. Nilai 0,07 ditentukan dengan

melihat hasil pembagian maksimum lokal pada penelitian yang dilakukan oleh penulis saat

mencoba perancangan sistem secara tidak real-time pada lampiran [L28].


31

3.5.11 Penentuan Frekuensi

Gambar 3.17 Diagram Alir Penentuan Frekuensi

Jika nada yang dimainkan merupakan nada belira maka proses selanjutnya adalah

menentukan frekuensi dari nada tersebut. Cara menentukan nilai frekuensi adalah dari hasil

proses sorting turun. Indeks nilai maksimum lokal yang ada pada urutan pertama

merupakan frekuensi nada. Dari frekuensi tersebut, dapat ditentukan hasil keluaran teks

untuk nada belira. Hasil keluarannya ditentukan berdasarkan diagram alir berikut :


32

3.5.12 Penentuan Teks Nada

Gambar 3.18 Diagram Alir Proses Penentuan Teks Nada


33

Setelah mengetahui nilai frekuensinya, maka dapat diketahui hasil keluaran teks dari nada

belira yang dimainkan tersebut. Penentuan hasilnya dengan menggunakan look up table.

Frekuensi tengah untuk look up table diperoleh melalui proses pada Gambar (3.3) dan

hasilnya pada lampiran [L8]. Dari frekuensi tengah tersebut, dapat ditentukan range

frekuensi look up table untuk masing-masing nada.

Tabel 3.2 Frekuensi Look Up Table untuk Penentuan Nada

No. Nada Belira Frekuensi

1. (Sol Rendah) 776 ≤ frekuensi ≤ 796

2. (La Rendah) 871≤ frekuensi ≤ 891

3.

(Sol Rendah) 979 ≤ frekuensi ≤ 999

4. 1 (Do) 1038 ≤ frekuensi ≤ 1058

5. 2 (Re) 1165 ≤ frekuensi ≤ 1185

6. 3 (Mi) 1310 ≤ frekuensi ≤ 1330

7. 4 (Fa) 1391 ≤ frekuensi ≤ 1411

8. 5 (Sol) 1561 ≤ frekuensi ≤ 1581

9. 6 (La) 1752 ≤ frekuensi ≤ 1772

10. 7 (Si) 1971 ≤ frekuensi ≤ 1991

11.

(Do Tinggi) 2044 ≤ frekuensi ≤ 2064

12.

(Re Tinggi) 2323 ≤ frekuensi ≤ 2343

13.

(Mi Tinggi) 2594 ≤ frekuensi ≤ 2614

14.

(Fa Tinggi) 2767 ≤ frekuensi ≤ 2787

15.

(Sol Tinggi) 3070 ≤ frekuensi ≤ 3090

16.

(La Tinggi) 3535 ≤ frekuensi ≤ 3555

3.5.13 Keluaran (Teks)

Setelah selesai proses penentuan teks nada maka didapatkan keluarannya yaitu teks nada

belira sesuai nada yang dimainkan.


34

BAB IV

HASIL DAN PEMBAHASAN

Program yang telah dibuat, akan diuji terlebih dahulu untuk mengetahui cara

kerjanya apakah sudah sesuai dengan perancangan. Data yang diperoleh dari pengujian ini

memperlihatkan cara kerja dari program yang telah dibuat, dan dari data tersebut dapat

dianalisa cara kerjanya. Setelah dianalisa maka dapat ditarik kesimpulan untuk sistem ini.

4.1. Pengujian Program Pengenalan Nada Alat Musik Belira dengan

Menggunakan DFT untuk Membangkitkan Spektrum dan Look

Up Table untuk Penyelesaian

Pengujian program dilakukan untuk mengetahui cara kerjanya apakah sudah sesuai dengan

perancangan. Pembuatan program dengan software MATLAB 7.10.0.499 (R2010a).

Pengujian program menggunakan komputer dengan spesifikasi sebagai berikut :

CPU : Intel® AtomTM

Processor N450 (1.66GHz, 512KB Cache)

RAM : 1 GB

Berikut langkah-langkah untuk menjalankan program pengenalan nada belira :

1. Click dua kali icon matlab dengan gambar icon seperti Gambar 4.1.

Gambar 4.1. Icon Program Pengenalan

2. Tampilan utama yang terlihat setelah melakukan langkah 1 seperti pada gambar

4.2.


35

Gambar 4.2. Tampilan Utama

3. Sesuaikan Current Directory dengan tempat penyimpanan program yang telah

dibuat agar dapat dilakukan langkah selanjutnya

4. Kemudian ketik perintah gui dalam command window dan akan muncul seperti

Gambar 4.3.

Gambar 4.3. Tampilan Program Pengenalan Nada Belira

5. User memilih panjang nilai frame blocking yang akan digunakan dalam proses

pengenalan nada.

6. Setelah memilih nilai frame blocking, program pengenalan dapat dijalankan dengan

menekan tombol “MULAI”.


36

7. Selanjutnya hasil pengenalan nada akan muncul dalam kotak Static Text. User

dapat melihat plot hasil rekaman nada pada kotak Axes 1, plot hasil ekstraksi ciri

pada kotak Axes 2, dan teks hasil pengenalan nada pada kotak static.

8. Tombol “KELUAR” untuk keluar dari tampilan utama program.

4.1.1 Pengenalan Nada

Untuk memulai pengenalan nada, user terlebih dahulu harus memilih panjang nilai

frame blocking. Setelah memilih panjang frame blocking maka user dapat memulai

pengenalan nada dengan menekan tombol “MULAI”. Pada saat menekan tombol

“MULAI” maka program akan secara otomatis merekam suara nada. Setelah merekam,

maka akan ditampilkan keluaran berupa plot perekaman suara, plot spektrum, dan hasil

keluaran berupa teks sesuai nada yang dikenali. Untuk mengakhiri pengenalan, user dapat

menekan tombol ”KELUAR”. Berikut merupakan contoh tampilan GUI Matlab yang

dioperasikan dengan input 1 (do).

Gambar 4.4 Tampilan dari program GUI Matlab yang dioperasikan dengan input nada

1(do), dengan nilai frame blocking adalah 512

Pada tampilan program GUI Matlab terdapat 1 pop up menu, 2 push button, 2 axes

dan 1 static text.


37

a. Pop Up Menu

Pada program ini, pop up menu digunakan untuk variasi nilai frame blocking yaitu

1024, 512, 256, 128, dan 64. Listing program untuk variasi nilai frame blocking adalah

sebagai berikut :

Nilai-nilai variasi frame blocking diinisialisasikan dengan nama frame kemudian

diproses dengan perintah handles.

b. Push Button, Axes, dan Static Text

Dalam program ini menggunakan 2 Push Button, masing-masing untuk memulai dan

mengakhiri program pengenalan nada yaitu tombol “MULAI” dan “SELESAI”. Saat user

menekan Push Button 1 atau tombol “MULAI” maka program akan berjalan otomatis,

mulai dari merekam suara, kemudian menampilkan plot hasil rekam pada kotak axes 1,

menampilkan plot spektrum pada kotak axes 2, dan menampilkan teks hasil pengenalan

pada kotak static text. Saat user menekan Push Button 2 atau tombol “SELESAI” maka

proses pengenalan nada berhenti dan menutup program. Berikut listing program untuk

proses perekaman suara dan untuk menampilkan plot sinyal suara terekam:

indeks=get(handles.popupmenu1,'Value');

switch indeks

case 1

fb=1024;

case 2

fb=512;

case 3

fb=256;

case 4

fb=128;

case 5

fb=64;

end

handles.frame=fb;

guidata(hObject,handles);


38

Pada program perekaman suara, panjang sampel yang digunakan adalah 1,5 detik

dengan frekuensi sampling sebesar 10kHz. Waktu sampelnya didapatkan dari panjang

sampel dikalikan dengan frekuensi sampel. Untuk menyimpan nada yang direkam, perintah

yang digunakan adalah wavrecord dan wavwrite, hasil plot perekaman tersebut

ditampilkan pada kotak axes 1.

Listing program untuk menampilkan plot spektrum :

sample_length=1.5;

sample_freq=10000;

sample_time=(sample_length*sample_freq);

x=wavrecord(sample_time, sample_freq);

wavwrite(x, sample_freq, 's.wav');

axes(handles.axes1)

plot(x);

xlabel('Data Tercuplik')

ylabel('Amplitudo')

b0=0.3;

fb=handles.frame;

% Normalisasi

x1=x/max(abs(x));

% Pemotongan Awal

% 1. Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

% 2. Potong kiri 2

bts=floor(0.25*length(x1));

x1(1:bts)=[];

%frame blocking

x2=x1(1:fb);

% Normalisasi 2

x3=x2/max(abs(x2));


39

Dalam program untuk menampilkan plot spektrum, proses pertama yang dilakukan adalah

normalisasi awal untuk sinyal nada terekam yang ditampilkan pada kotak axes 1.

Normalisasi dilakukan dengan cara membagi data masukan (data sinyal nada terekam)

dengan nilai absolut data tersebut. Proses selanjutnya adalah pemotongan sinyal yang

dilakukan sebanyak dua kali. Pemotongan yang pertama pada bagian silence atau bagian

awal sinyal yang tidak termasuk sinyal nada dan pemotongan kedua pada bagian transisi.

Tujuan dari proses pemotongan adalah untuk menghilangkan sinyal yang tidak termasuk

sinyal nada belira dan untuk mengurangi cacat sinyal akibat derau ruangan yang ikut

terekam. Pada pemotongan sinyal silence, data yang tingginya lebih besar dari 0,3 dan

lebih kecil dari (-0,3) diinisialisasikan sebagai b1. Data yang tidak memenuhi syarat b1

merupakan sinyal silence sehingga sinyal tersebut dihilangkan. Pada pemotongan sinyal

transisi, ¼ bagian sinyal yang terdapat di bagian awal diinisialisasikan sebagai bts. Sinyal

tersebut dihilangkan untuk mendapatkan sinyal yang benar-benar sinyal suara nada belira.

Proses selanjutnya adalah frame blocking yang tujuannya untuk mengambil sebagian data

sesuai panjang nilai frame blocking yang dipilih oleh user. Data yang diambil tersebut

untuk mewakili seluruh data yang terekam. Sinyal hasil frame blocking kemudian melalui

proses normalisasi akhir yang bertujuan untuk menyetarakan amplitudo hasil frame

blocking. Proses normalisasi akhir sama dengan normalisasi awal yaitu membagi data

%Windowing Hamming

h=hamming(fb);

x4=x3.*h;

% Spektrum frekuensi

px4=length(x4);

x4=[x4; zeros((fs-px4),1)];

Y1=dftx(x4);

Y2=Y1.*conj(Y1);

%f=fs*(0:(1/2*fs))/fs; %Sumbu mendatar pada spektrum

spek=Y2(1:(1/2*sample_freq+1)); %Sumbu tegak pada spektrum

spek(1:100)=0; % Frek 0-20 Hz dinolkan

axes(handles.axes2)

bar(spek);


40

masukan yaitu hasil frame blocking dengan nilai absolut data tersebut. Selanjutnya akan

melalui proses windowing untuk menghilangkan diskontinuitas yang diakibatkan oleh

proses frame blocking. Proses windowing ini menggunakan Hamming Window. Dalam

prosesnya, hasil normalisasi akhir dikalikan dengan hamming. Setelah proses windowing,

selanjutnya adalah perhitungan dengan DFT, perhitungan ini untuk membangkitkan

spektrum yang kemudian akan dianalisis untuk mengetahui nada yang dimainkan oleh

user.

Listing program untuk menampilkan hasil teks nada keluaran :

% Pencarian maksimum lokal

pspek=length(spek);

makslok=zeros(1,pspek);

for k=2:pspek-1

if spek(k)>spek(k-1) && spek(k)>spek(k+1)

makslok(1,k)=spek(k);

end

end

% Sorting turun

[smakslok,idx]=sort(makslok,'descend');

urutmakslok_1sd5=smakslok(1:5)

urutfrek_1sd5=idx(1:5)

% Perbandingan maksimum lokal urutan 2 dengan 1

permakslok=smakslok(2)/smakslok(1)

% Penentuan hasil

if permakslok<0.07

%hasil='belira'

% Frekuensi belira

frekb=idx(1)-1

% Penentuan keluaran text

if frekb>=776 && frekb<=796

nadaout='sol rendah';

elseif frekb>=871 && frekb<=891

nadaout='la rendah';


41


nadaout='si rendah';


nadaout='do';


nadaout='re';


nadaout='mi';


nadaout='fa';


nadaout='sol';


nadaout='la';


nadaout='si';


nadaout='do tinggi';


nadaout='re tinggi';


nadaout='mi tinggi';


nadaout='fa tinggi';


nadaout='sol tinggi';


nadaout='la tinggi';

else

nadaout='nada belira error';

end


42

Dari spektrum tersebut, kemudian dicari nilai-nilai maksimum lokalnya. Nilai-nilai

maksimum lokal yang didapatkan kemudian diurutkan ke bawah dengan perintah

‘descend’. Dari hasil sorting turun, nilai maksimum lokal urutan kedua dibagikan dengan

nilai maksimum lokal urutan pertama. Hasil pembagian tersebut digunakan untuk

mengetahui nada yang terekam termasuk suara nada belira atau bukan. Untuk mengetahui

hal tersebut, maka ditentukan nilai 0,07 untuk dibandingkan dengan hasil pembagian

maksimum lokalnya. Jika hasil pembagian lebih besar dari 0,07 maka nada tersebut bukan

nada belira tetapi jika lebih kecil dari 0,07 maka nada tersebut termasuk nada belira. Nilai

0,07 tersebut didapatkan berdasarkan lampiran [L19]. Jika nada tersebut tidak termasuk

nada belira maka keluarannya “ERROR” dan program akan berhenti, tetapi jika nada

tersebut termasuk nada belira maka proses akan berlanjut untuk penentuan frekuensi dan

penentuan keluaran teks. Proses penentuan keluaran teksnya dengan look up table. Proses

penentuan range frekuensi pada look up table dapat dilihat pada lampiran [L5] dan

hasilnya dapat dilihat pada tabel (3.2).

Program untuk tombol “SELESAI” atau untuk mengakhiri pengenalan nada :

4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat

Pengenalan Nada Alat Musik Belira

Untuk pengujian program pengenalan alat musik belira, tahapan pengujian yang

dilakukan adalah pada parameter pengenalan nada yaitu nilai frame blocking dan DFT

yang digunakan dalam program dan pengujian program dengan suara masukan alat musik

lain. Tujuannya adalah untuk mencari nilai perameter yang menghasilkan tingkat

delete(figure(Tes));

else

nadaout='error';

end

hasilout=nadaout

set(handles.text2,'string',hasilout)


43

pengenalan (recognition rate) yang paling baik dan untuk mengetahui tingkat kesalahan

program dalam mendeteksi masukan nada alat musik selain belira.

4.2.1 Pengujian Parameter Pengenalan Nada

Pada pengujian ini, penulis mencoba program pengenalan nada alat musik belira

menggunakan seluruh nilai pilihan frame blocking yaitu 1024, 512, 256, 128, dan 64.

Penulis mengambil data sebanyak 10 kali masing-masing nada tiap nilai frame blocking.

Tujuan dari pengujian ini adalah untuk mencari nilai perameter yang menghasilkan tingkat

pengenalan (recognition rate) yang paling baik.

Tabel 4.1. Pengujian nada dengan nilai DFT dan frame blocking 1024

Input Output Persentase

Keberhasilan Sol

Rendah

La

Rendah

Si

Rendah Do Re Mi Fa Sol Error

Sol

Rendah 10 0 0 0 0 0 0 0 0 100%

La

Rendah 0 10 0 0 0 0 0 0 0 100%

Si

Rendah 0 0 10 0 0 0 0 0 0 100%

Do

0 0 0 10 0 0 0 0 0 100%

Re

0 0 0 0 10 0 0 0 0 100%

Mi

0 0 0 0 0 10 0 0 0 100%

Fa

0 0 0 0 0 0 10 0 0 100%

Sol

0 0 0 0 0 0 0 10 0 100%


44

Tabel 4.1. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 1024



Keberhasilan Sol

Rendah

La

Rendah

Si


Sol

Rendah 10 0 0 0 0 0 0 0 0 100%

La

Rendah 0 10 0 0 0 0 0 0 0 100%

Si

Rendah 0 0 10 0 0 0 0 0 0 100%

Do

0 0 0 10 0 0 0 0 0 100%

Re

0 0 0 0 10 0 0 0 0 100%

Mi

0 0 0 0 0 10 0 0 0 100%

Fa

0 0 0 0 0 0 10 0 0 100%

Sol

0 0 0 0 0 0 0 10 0 100%


Keberhasilan La Si Do

Tinggi

Re

Tinggi

Mi

Tinggi

Fa

Tinggi

Sol

Tinggi

La

Tinggi Error

La

10 0 0 0 0 0 0 0 0 100%

Si

0 10 0 0 0 0 0 0 0 100%

Do

Tinggi 0 0 10 0 0 0 0 0 0 100%

Re

Tinggi 0 0 0 10 0 0 0 0 0 100%

Mi

Tinggi 0 0 0 0 10 0 0 0 0 100%

Fa

Tinggi 0 0 0 0 0 10 0 0 0 100%

Sol

Tinggi 0 0 0 0 0 0 10 0 0 100%

La

Tinggi 0 0 0 0 0 0 0 10 0 100%

Rata-rata tingkat persentase keberhasilan pengenalan nada 100%


45

Tabel 4.2. (Lanjutan) Pengujian dengan nilai DFT dan frame blocking 512



Keberhasilan Sol

Rendah

La

Rendah

Si


Sol

Rendah 10 0 0 0 0 0 0 0 0 100%

La

Rendah 0 10 0 0 0 0 0 0 0 100%

Si

Rendah 0 0 10 0 0 0 0 0 0 100%

Do

0 0 0 10 0 0 0 0 0 100%

Re

0 0 0 0 10 0 0 0 0 100%

Mi

0 0 0 0 0 10 0 0 0 100%

Fa

0 0 0 0 0 0 10 0 0 100%

Sol

0 0 0 0 0 0 0 10 0 100%



Tinggi

Re

Tinggi

Mi

Tinggi

Fa

Tinggi

Sol

Tinggi

La

Tinggi Error

La

10 0 0 0 0 0 0 0 0 100%

Si

0 10 0 0 0 0 0 0 0 100%

Do

Tinggi 0 0 10 0 0 0 0 0 0 100%

Re

Tinggi 0 0 0 10 0 0 0 0 0 100%

Mi

Tinggi 0 0 0 0 10 0 0 0 0 100%

Fa

Tinggi 0 0 0 0 0 10 0 0 0 100%

Sol

Tinggi 0 0 0 0 0 0 10 0 0 100%

La

Tinggi 0 0 0 0 0 0 0 10 0 100%



46

Tabel 4.3. (Lanjutan) Pengujian dengan nilai DFT dan frame blocking 256



Keberhasilan Sol

Rendah

La

Rendah

Si


Sol

Rendah 10 0 0 0 0 0 0 0 0 100%

La

Rendah 0 10 0 0 0 0 0 0 0 100%

Si

Rendah 0 0 10 0 0 0 0 0 0 100%

Do

0 0 0 10 0 0 0 0 0 100%

Re

0 0 0 0 10 0 0 0 0 100%

Mi

0 0 0 0 0 10 0 0 0 100%

Fa

0 0 0 0 0 0 10 0 0 100%

Sol

0 0 0 0 0 0 0 10 0 100%



Tinggi

Re

Tinggi

Mi

Tinggi

Fa

Tinggi

Sol

Tinggi

La

Tinggi Error

La

10 0 0 0 0 0 0 0 0 100%

Si

0 10 0 0 0 0 0 0 0 100%

Do

Tinggi 0 0 10 0 0 0 0 0 0 100%

Re

Tinggi 0 0 0 10 0 0 0 0 0 100%

Mi

Tinggi 0 0 0 0 10 0 0 0 0 100%

Fa

Tinggi 0 0 0 0 0 10 0 0 0 100%

Sol

Tinggi 0 0 0 0 0 0 10 0 0 100%

La

Tinggi 0 0 0 0 0 0 0 10 0 100%



47




Keberhasilan Sol

Rendah

La

Rendah

Si


Sol

Rendah 10 0 0 0 0 0 0 0 0 100%

La

Rendah 0 10 0 0 0 0 0 0 0 100%

Si

Rendah 0 0 10 0 0 0 0 0 0 100%

Do

0 0 0 10 0 0 0 0 0 100%

Re

0 0 0 0 10 0 0 0 0 100%

Mi

0 0 0 0 0 10 0 0 0 100%

Fa

0 0 0 0 0 0 10 0 0 100%

Sol

0 0 0 0 0 0 0 10 0 100%



Tinggi

Re

Tinggi

Mi

Tinggi

Fa

Tinggi

Sol

Tinggi

La

Tinggi Error

La

10 0 0 0 0 0 0 0 0 100%

Si

0 10 0 0 0 0 0 0 0 100%

Do

Tinggi 0 0 10 0 0 0 0 0 0 100%

Re

Tinggi 0 0 0 10 0 0 0 0 0 100%

Mi

Tinggi 0 0 0 0 10 0 0 0 0 100%

Fa

Tinggi 0 0 0 0 0 10 0 0 0 100%

Sol

Tinggi 0 0 0 0 0 0 10 0 0 100%

La

Tinggi 0 0 0 0 0 0 0 10 0 100%



48


Dari tabel-tabel data hasil percobaan dapat dicari persen pengenalan melalui

pehitungan dari masing-masing panjang nilai frame blocking dan dapat dibuat grafik dari

pengaruh panjang DFT terhadap tigkat pengenalan. Untuk mendapatkan tingkat persen

pengenalan dari percobaan tersebut digunakan rumus [2]:

Tingkat pengenalan = ∑

(4.1)

Ket : ∑ = jumlah nada belira yang dikenali dan benar.

Perhitungan tingkat pengenalan dari :

a. Panjang DFT dan frame blocking = 1024


=

=

b. Panjang DFT dan frame blocking = 512


=

= 100%



Tinggi

Re

Tinggi

Mi

Tinggi

Fa

Tinggi

Sol

Tinggi

La

Tinggi Error

La

10 0 0 0 0 0 0 0 0 100%

Si

0 10 0 0 0 0 0 0 0 100%

Do

Tinggi 0 0 10 0 0 0 0 0 0 100%

Re

Tinggi 0 0 0 10 0 0 0 0 0 100%

Mi

Tinggi 0 0 0 0 10 0 0 0 0 100%

Fa

Tinggi 0 0 0 0 0 10 0 0 0 100%

Sol

Tinggi 0 0 0 0 0 0 10 0 0 100%

La

Tinggi 0 0 0 0 0 0 0 10 0 100%



49

c. Panjang DFT dan frame blocking = 256


=

= 100%

d. Panjang DFT dan frame blocking = 128


=

=

e. Panjang DFT dan frame blocking = 64


=

=

Tabel 4.6. Pengaruh panjang DFT terhadap tingkat pengenalan

Panjang DFT dan

frame blocking Tingkat pengenalan (%)

1024 100

512 100

256 100

128 100

64 100


50

Gambar 4.5. Grafik Pengaruh Panjang DFT terhadap Tingkat pengenalan Nada

Dapat dilihat dari tabel dan grafik hasil percobaan, semua nada bisa dikenali

dengan baik dengan menggunakan semua variasi frame blocking sehingga tingkat

pengenalannya 100%.

4.2.2 Pengujian Program dengan Suara Masukan Alat Musik Pianika

Pada pengujian ini, penulis mencoba program pengenalan nada alat musik belira

menggunakan salah satu nilai parameter. Penulis mengambil data sebanyak 10 kali masing-

masing nada. Tujuan dari pengujian ini adalah untuk mengetahui tingkat kesalahan

program dalam mendeteksi masukan nada alat musik selain belira.

0

20

40

60

80

100

120

1024 512 256 128 64

Tin

gkat

Pe

nge

nal

an (

%)

Panjang DFT dan frame blocking

Pengaruh Panjang DFT Terhadap Tingkat Pengenalan Nada


51

Tabel 4.7. Pengujian nada alat musik pianika dengan DFT 512


Error Sol

Rendah

La

Rendah

Si


Sol

Rendah 0 0 0 0 0 0 0 0 10 100%

La

Rendah 0 0 0 0 0 0 0 0 10 100%

Si

Rendah 0 0 0 0 0 0 0 0 10 100%

Do

0 0 0 0 0 0 0 0 10 100%

Re

0 0 0 0 0 0 0 0 10 100%

Mi

0 0 0 0 0 0 0 0 10 100%

Fa

0 0 0 0 0 0 0 0 10 100%

Sol

0 0 0 0 0 0 0 0 10 100%

Tabel 4.7. (Lanjutan) Pengujian nada alat musik pianika dengan DFT 512

Pengujian sistem dengan alat musik pianika menggunakan nilai parameter DFT

512. Pada pengujiannya, sistem ini berjalan dengan baik karena semua nada pianika tidak

dapat dikenali.


Error La Si Do

Tinggi Re

Tinggi Mi

Tinggi Fa

Tinggi Sol

Tinggi La

Tinggi Error

La

0 0 0 0 0 0 0 0 10 100%

Si

0 0 0 0 0 0 0 0 10 100%

Do

Tinggi 0 0 0 0 0 0 0 0 10 100%

Re

Tinggi 0 0 0 0 0 0 0 0 10 100%

Mi

Tinggi 0 0 0 0 0 0 0 0 10 100%

Fa

Tinggi 0 0 0 0 0 0 0 0 10 100%

Sol

Tinggi 0 0 0 0 0 0 0 0 10 100%

La

Tinggi 0 0 0 0 0 0 0 0 10 100%



52

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Kesimpulan yang didapatkan dari hasil percobaan dan pengujian sistem pengenalan

nada alat musik belira adalah sebagai berikut:

1. Sistem pengenalan telah berjalan sesuai dengan perancangan, dan dapat

menampilkan plot hasil rekam, plot spektrum, dan teks hasil pengenalan nada.

2. Sistem dapat mengenali semua nada dengan baik sesuai dengan nada yang

dimainkan pada semua nilai pilihan DFT dan frame blocking.

5.2. Saran

Saran yang diharapkan dapat membantu pengembangan sistem pengenalan alat

musik belira adalah sebagai berikut:

1. Pengembangan sistem dengan menggunakan metode yang berbeda sehingga dapat

dibandingkan tingkat pengenalan nadanya.

2. Menentukan nilai parameter yang paling baik untuk pengenalan sehingga user bisa

langsung memulai pengenalan tanpa mengatur parameter yang akan digunakan.

3. Untuk pengembangannya, dapat juga dengan membuat hardware pengenalan nada

alat musik belira.


53

DAFTAR PUSTAKA

[1] Daswar, Firdha Rezky Amalia, 2012, Musik.

http://firdharad.blogspot.co.id/2012/08/musik.html diakses tanggal 19 mei 2015

[2] Novariyanto, V. Irwan, 2014, Pengenalan Nada Alat Musik Belira Secara Real

Time dengan Ekstraksi Ciri DCT dan Similaritas Kosinus, Tugas Akhir, Fakultas

Sains dan Teknologi Sanata Dharma, Yogyakarta.

[3] Fingkirani, Eka, 2014, Pengertian, Sejarah, Jenis-Jenis, dan Cara Kerja Mikrofon.

http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-

cara.html diakses tanggal 19 mei 2015

[4] Melantika, Aprina Sulistia, 2010, Pengenalan Pola Batik Yogyakarta

Menggunakan Metode Hidden Markov Models dengan Studi Kasus di Museum

Batik Yogyakarta, Tugas Akhir, Fakultas Sains dan Teknologi Sanata Dharma,

Yogyakarta.

[5] Munir, Rinaldi, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik,

Bandung, Penerbit Informatika.

[6] Sklar, B., 1988, Digital Communications Fundamental and Application, New

Jersey, PTR Prentice Hall.

[7] Hakim, L., 2012, Analisa Suara Serak Berbasis Transformasi Wavelet dan

Algoritma Jaringan Syaraf Tiruan, Tugas Akhir Jurusan Teknik Elektro, Institut

Teknologi Sepuluh Nopember, Surabaya.

[8] Riyanto,S., dkk, 2009, Algoritma Fast Fourier Transform (FFT) Decimation In

Time (DIT) dengan Resolusi 1/10 Hertz, Laboratorium Riset Komputasi Jurusan

Pendidikan Fisika FMIPA UNY Kampus Karangmalang Yogyakarta 55281.

[9] Sanjaya WS, Mada, 2013, Komputasi Fisika untuk Sains dan Teknik Menggunakan

Matlab. Yogyakarta, Penerbit Andi.


http://firdharad.blogspot.co.id/2012/08/musik.html

https://plus.google.com/117338404935577017119

http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-cara.html

http://ekafingkirani.blogspot.com/2014/11/pengertian-sejarah-jenis-jenis-dan-cara.html

LAMPIRAN


L1

LAMPIRAN 1

PERCOBAAN UNTUK MENENTUKAN RANGE FREKUENSI PADA

LOOK UP TABLE UNTUK MASING-MASING NADA BELIRA

Tujuan:

1. Mencari frekuensi tengah look up table.

2. Mengetahui frekuensi tertinggi pada nada alat musik belira.

3. Menentukan range frekuensi look up table untuk masing-masing nada belira.

Variabel:

1. Frekuensi sampling yang digunakan sebesar 10000 Hz.

2. Durasi sampling perekaman yang digunakan sebesar 1,5 detik.

3. Masing-masing nada direkam sebanyak 3 kali

% Definisi variabel frame=512; b0=0.3; %batas potong b5=0.25; % Sinyal masukan [y0,fs]=wavread('sol.wav'); % Normalisasi x1=y0/max(abs(y0)); % Potong kiri b1=find(x1>b0 | x1<-b0); x1(1:b1(1))=[]; % Potong kiri 2 bts=floor(0.25*length(x1)); x1(1:bts)=[]; %frame blocking x2=x1(1:frame); % Normalisasi 2 x3=x2/max(abs(x2)); %Windowing Hamming h=hamming(frame); x4=x3.*h; % Spektrum frekuensi Y1=fft(x4,fs); Y2=Y1.*conj(Y1); %f=fs*(0:(1/2*fs))/fs; % Sumbu mendatar pada spektrum spek=Y2(1:(1/2*fs+1)); % Sumbu tegak padaspektrum spek(1:100)=0; % Frek 0-20 Hz dinolkan spek=spek/max(spek); % Normalisasi figure(1) plot(spek); xlabel('Frekuensi') ylabel('|Amplitudo|')


L2

Sol Rendah


L3

La Rendah


L4

Si Rendah


L5

Do


L6

Re


L7

Mi


L8

Fa


L9

Sol


L10

La


L11

Si


L12

Do Tinggi


L13

Re Tinggi


L14

Mi Tinggi


L15

Fa Tinggi


L16

Sol Tinggi


L17

La Tinggi


L18

Nada

Frekuensi

Rata-Rata

(Hz)

Selisih

(Hz)

6 1762 219

7 1981

7 1981 73

2054 2054

279 2333 2333

271 2604 2604

173 2777 2777

303 3080 3080

465 3545

Nada Belira Pengambilan I Pengambilan II Pengambilan III Rata-Rata

Sol Rendah 786 786 786 786

La Rendah 881 881 881 881

Si Rendah 989 989 989 989

Do 1048 1049 1048 1048

Re 1175 1175 1175 1175

Mi 1320 1320 1320 1320

Fa 1400 1401 1401 1401

Sol 1571 1571 1571 1571

La 1763 1762 1762 1762

Si 1981 1981 1981 1981

Do Tinggi 2054 2054 2054 2054

Re Tinggi 2333 2333 2333 2333

Mi Tinggi 2604 2604 2605 2604

Fa Tinggi 2778 2777 2777 2777

Sol Tinggi 3080 3080 3080 3080

La Tinggi 3545 3545 3545 3545

Nada

Frekuensi

Rata-Rata

(Hz)

Selisih

(Hz)

786

95 881

881

108 989

989

59 1 1048

1 1048 127

2 1175

2 1175 145

3 1320

3 1320 81

4 1401

4 1401 170

5 1571

5 1571 191

6 1762


L19

Kesimpulan

Dari hasil percobaan dapat dilihat untuk masing-masing nada yang telah diambil sebanyak

3 kali, perbedaan frekuensinya tidak jauh. Perbedaannya hanya sekitar 1Hz, bahkan banyak

nada yang frekuensinya tidak berubah dari 3 kali pengambilan nada. Dari percobaan

tersebut dapat disimpulkan:

1. Frekuensi tengah yang digunakan untuk menentukan frekuensi look up table adalah

frekuensi rata-rata dari 3 kali pengambilan nada yaitu 786Hz, 881Hz, 989Hz,

1048Hz, 1175Hz, 1320Hz, 1401Hz, 1571Hz, 1762Hz, 1981Hz, 2054Hz, 2333Hz,

2604Hz, 2777Hz, 3080Hz, dan 3545 Hz untuk masing-masing nada , , , 1, 2, 3,

4, 5, 6, 7,

,

,

,

,

,

.

2. Frekuensi tertinggi nada alat musik belira sebesar 3545Hz untuk nada La tinggi (

)

sehingga memenuhi persamaan (2.1) untuk penggunaan frekuensi sampling sebesar

10000Hz.

3. Semakin tinggi nada maka frekuensinya semakin besar.

4. Dapat dilihat pada tabel, selisih nada yang paling rendah adalah antara nada dan

nada 1 yaitu 59. Sehingga range yang bisa digunakan untuk frekuensi look up table

adalah :

⌊

⌋

Jadi range yang bisa digunakan adalah antara 1< range < 29


L20

LAMPIRAN 2

PERCOBAAN MENENTUKAN NILAI YANG DIGUNAKAN UNTUK

MEMBANDINGKAN NILAI HASIL PEMBAGIAN MAKSIMUM

LOKAL PADA PERCOBAAN REAL-TIME

Tujuan:

1. Mencari nilai yang digunakan untuk dibandingkan dengan hasil pembagian

maksimum lokal pada percobaan real-time untuk dapat menentukan teks keluaran

akhirnya.

Variabel:

1. Percobaan dilakukan secara tidak real-time

function pnbelira2

% Pengenalan nada khusus belira

% Selain belira akan muncul error

clc

clear all

fb=1024; % Panjang frame blocking

% Sinyal masukan dan pencarian frekuensi nada

[y0,fs]=wavread('sol rendah.wav');s1=sfrek(y0,fs,fb);

[y0,fs]=wavread('la rendah.wav');s2=sfrek(y0,fs,fb);

[y0,fs]=wavread('si rendah.wav');s3=sfrek(y0,fs,fb);

[y0,fs]=wavread('do.wav');s4=sfrek(y0,fs,fb);

[y0,fs]=wavread('re.wav');s5=sfrek(y0,fs,fb);

[y0,fs]=wavread('mi.wav');s6=sfrek(y0,fs,fb);

[y0,fs]=wavread('fa.wav');s7=sfrek(y0,fs,fb);

[y0,fs]=wavread('sol.wav');s8=sfrek(y0,fs,fb);

[y0,fs]=wavread('la.wav');s9=sfrek(y0,fs,fb);

[y0,fs]=wavread('si.wav');s10=sfrek(y0,fs,fb);

[y0,fs]=wavread('do tinggi.wav');s11=sfrek(y0,fs,fb);

[y0,fs]=wavread('re tinggi.wav');s12=sfrek(y0,fs,fb);

[y0,fs]=wavread('mi tinggi.wav');s13=sfrek(y0,fs,fb);

[y0,fs]=wavread('fa tinggi.wav');s14=sfrek(y0,fs,fb);

[y0,fs]=wavread('sol tinggi.wav');s15=sfrek(y0,fs,fb);

[y0,fs]=wavread('la tinggi.wav');s16=sfrek(y0,fs,fb);

% Pengujian spektrum belira

[h1,f1]=uspek(s1);[h2,f2]=uspek(s2);








% Hasil pengujian spektrum

hasil_uji_spektrum={h1;h2;h3;h4;h5;h6;h7;h8;h9;h10;

h11;h12;h13;h14;h15;h16}


L21

% Nada keluaran belira

Nada_belira={f1;f2;f3;f4;f5;f6;f7;f8;f9;f10;

f11;f12;f13;f14;f15;f16}

%==================================================

% Internal function

%==================================================

function spek=sfrek(y0,fs,fb)

% Pencarian spektrum frekuensi

b0=0.3;%batas potong

% Normalisasi

x1=y0/max(abs(y0));

% Pemotongan Awal

% 1. Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

% 2. Potong kiri 2


x1(1:bts)=[];

%frame blocking

x2=x1(1:fb);

% Normalisasi 2

x3=x2/max(abs(x2));

%Windowing Hamming

h=hamming(fb);

x4=x3.*h;


px4=length(x4);


Y1=dftx(x4);

Y2=Y1.*conj(Y1);

%f=fs*(0:(1/2*fs))/fs; % Sumbu mendatar pada spektrum

spek=Y2(1:(1/2*fs+1)); % Sumbu tegak pada spektrum


%==================================================

function [hasil,nadaout]=uspek(spek)

% Pengujian spektrum belira


pspek=length(spek);


for k=2:pspek-1



end

end

% Sorting turun


urutmakslok_1sd5=smakslok(1:5);

urutfrek_1sd5=idx(1:5);


L22



% Penentuan hasil

if permakslok<0.07

hasil='belira';

% Frekuensi belira

frekb=idx(1)-1









nadaout='do';


nadaout='re';


nadaout='mi';


nadaout='fa';


nadaout='sol';


nadaout='la';


nadaout='si';













end

else

hasil='error';

end

%==================================================


L23

Frame Blocking = 64

Nada Belira

Nilai Hasil Pembagian Maksimum Lokal

Urutan 2 dan Urutan 1 pada Percobaan

Tidak Real-Time

Sol Rendah 0,0615

La rendah 0,0060

Si Rendah 0,00053139

Do 0,00052116

Re 0,0002.3495

Mi 0,00044555

Fa 0,00015992

Sol 0,00014811

La 0,000085779

Si 0,00098184

Do Tinggi 0,000087392

Re Tinggi 0,000082128

Mi Tinggi 0,000087357

Fa Tinggi 0.0012

Sol Tinggi 0,00060243

La Tinggi 0,00020036

Nada Pianika Nilai Hasil Pembagian Maksimum Lokal

urutan 2 dan urutan 1

Sol Rendah 0,3581

La rendah 0,1150

Si Rendah 0,2745

Do 0,5257

Re 0,6094

Mi 0,4784

Fa 0,9631

Sol 0,4400

La 0,4235

Si 0,5705

Do Tinggi 0,9017

Re Tinggi 0,4838

Mi Tinggi 0,2183

Fa Tinggi 0,1538

Sol Tinggi 0,5787

La Tinggi 0,9027


L24

Frame Blocking = 128

Nada Belira



Tidak Real-Time

Sol Rendah 0.0563

La rendah 0.0057


Do 0,00038517

Re 0,000072705

Mi 0,00039230

Fa 0,00007.8396

Sol 0,0001.6151

La 0,000075993

Si 0,00006.9893

Do Tinggi 0,000073646

Re Tinggi 0,000065867

Mi Tinggi 0,000064779

Fa Tinggi 0,000074155


La Tinggi 0,000071277



Sol Rendah 0,8794

La rendah 0,7029

Si Rendah 0,3793

Do 0,3361

Re 0,4448

Mi 0,4070

Fa 0,6135

Sol 0,9624

La 0,1541

Si 0,9981

Do Tinggi 0,6908

Re Tinggi 0,1951

Mi Tinggi 0,4521

Fa Tinggi 0,2270

Sol Tinggi 0,3334

La Tinggi 0,4715


L25


Nada Belira



Tidak Real-Time

Sol Rendah 0.0446

La rendah 0.0055


Do 0,00031444

Re 0,000071236

Mi 0,00029710

Fa 0,000058969

Sol 0,00084876

La 0,000093434

Si 0,000056633

Do Tinggi 0,000088148

Re Tinggi 0,000059352

Mi Tinggi 0,000056032

Fa Tinggi 0,000096560


La Tinggi 0,000059140



Sol Rendah 0,4765

La rendah 0,5370

Si Rendah 0,6464

Do 0,9454

Re 0,1854

Mi 0,3375

Fa 0,5203

Sol 0,2597

La 0,1527

Si 0,8136

Do Tinggi 0,7508

Re Tinggi 0,5653

Mi Tinggi 0,4480

Fa Tinggi 0,1266

Sol Tinggi 0,8693

La Tinggi 0,2638


L26


Nada Belira



Tidak Real-Time

Sol Rendah 0.0261

La rendah 0.0052


Do 0,00027099

Re 0,000057801

Mi 0,00017632

Fa 0,00010652

Sol 0,00040757

La 0,000062031

Si 0,000075498

Do Tinggi 0,00012504

Re Tinggi 0,000054931

Mi Tinggi 0,000060841

Fa Tinggi 0,000062756


La Tinggi 0,000057423



Sol Rendah 0,7079

La rendah 0,2954

Si Rendah 0,1346

Do 0,8432

Re 0,7822

Mi 0,8774

Fa 0,1449

Sol 0,7237

La 0,1859

Si 0,9061

Do Tinggi 0,1501

Re Tinggi 0,4634

Mi Tinggi 0,2749

Fa Tinggi 0,7855

Sol Tinggi 0,4898

La Tinggi 0,3872


L27


Nada Belira



Tidak Real-Time

Sol Rendah 0.0101

La rendah 0.0048


Do 0,00014928

Re 0,000055540

Mi 0,000079356

Fa 0,000071876

Sol 0,00021682

La 0,000052348

Si 0,000092740

Do Tinggi 0,00014460

Re Tinggi 0,000054768

Mi Tinggi 0,000056456

Fa Tinggi 0,000065139


La Tinggi 0,000058051



Sol Rendah 0,2397

La rendah 0,8858

Si Rendah 0,8000

Do 0,7663

Re 0,5426

Mi 0,2490

Fa 0,2559

Sol 0,1096

La 0,1292

Si 0,3128

Do Tinggi 0,3103

Re Tinggi 0,1391

Mi Tinggi 0,1126

Fa Tinggi 0,3155

Sol Tinggi 0,3699

La Tinggi 0,7449


L28

Kesimpulan

1. Belira

Frame Blocking

Nilai Hasil Pembagian Terbesar

pada Masing-Masing Frame

Blocking

64 0,0615

128 0.0563

256 0.0446

512 0.0261

1024 0.0101

Dari tabel di atas dapat dilihat nilai hasil pembagian maksimum lokal nada belira yang

paling besar adalah 0,0615, jadi hasil pembagian maksimum lokal pada semua nada

belira ≤ 0,0615.

2. Pianika

Frame Blocking Nilai Hasil Pembagian Terkecil

64 0,1150

128 0.1541

256 0.1266

512 0.1346

1024 0.1096

Percobaan ini mencari nilai hasil pembagian maksimum lokal nada pianika yang

digunakan sebagai perbandingan untuk menentukankan nilai yang akan digunakan pada

sistem real-time untuk mendapatkan teks keluarannya. Nilai hasil pembagian terkecil

yang didapatkan pada nada pianika adalah 0,1096 dan nilai tersebut lebih besar dari

nilai terbesar yang didapatkan pada hasil pembagian maksimum lokal nada belira.

Sehingga dapat disimpulkan bahwa nada yang bukan nada belira hasil pembagian

maksimum lokalnya > 0, 0615.

Jadi pada sistem real-time, nilai yang dapat digunakan untuk membandingkan hasil

pembagian maksimum lokal adalah 0,07 yang paling mendekati angka 0,0615. Jika nada

yang dimainkan adalah nada belira maka hasil pembagian maksimum lokalnya < 0,07 dan

jika nada yang dimainkan bukan nada belira (nada pianika) maka hasil pembagian

maksimum lokalnya > 0,07.


L29

LAMPIRAN 3

PERCOBAAN MENCARI DURASI PEREKAMAN

Tujuan:

1. Untuk mendapatkan durasi perekaman yang tepat pada sistem ini.

2. Untuk mengetahui pengaruh durasi perekaman pada sinyal yang terekam.

Variabel:

1. Frekuensi sampling yang digunakan 10000Hz.

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

Listing Program :

option='n';

option_rec='n';

sample_length=1;

%sample_length=1.5;

%sample_length=2;

sample_freq=10000;


nama=input('Masukkan nama file record: ','s');

file_nama=sprintf('%s.wav',nama);

option_rec = input('tekan x untuk merekam: ','s');

if option_rec=='x'

while option=='n',

rekam=wavrecord(sample_time, sample_freq);

plot(rekam);

input('tekan enter untuk mendengarkan ->');

sound(rekam, sample_freq);

option = input('x simpan,n rekam ulang: ','s');

end

wavwrite(rekam, sample_freq,file_nama);

end


L30

Durasi perekaman 1 detik

Durasi perekaman 1,5 detik


L31

Durasi perekaman 2 detik

Kesimpulan

1. Pada hasil percobaan terlihat sistem membutuhkan waktu untuk mendapatkan data

sinyal rekaman.

2. Pada hasil percobaan, secara visual waktu yang dibutuhkan untuk mendapatkan data

sinyal rekaman adalah 1,5 detik.


L32

LAMPIRAN 4

LISTING PROGRAM PENGAMBILAN NADA UJI

option='n';

option_rec='n';

sample_length=1.5;

sample_freq=10000;


nama=input('Masukkan nama file record: ','s');

file_nama=sprintf('%s.wav',nama);

option_rec = input('tekan x untuk merekam: ','s');

if option_rec=='x'

while option=='n',

rekam=wavrecord(sample_time, sample_freq);

plot(rekam);

input('tekan enter untuk mendengarkan ->');

sound(rekam, sample_freq);

option = input('x simpan,n rekam ulang: ','s');

end

wavwrite(rekam, sample_freq,file_nama);

end


L33

LAMPIRAN 5

LISTING PROGRAM PENGENALAN NADA BELIRA

function varargout = Tes(varargin)

% TES M-file for Tes.fig

% TES, by itself, creates a new TES or raises the

existing

% singleton*.

%

% H = TES returns the handle to a new TES or the handle

to

% the existing singleton*.

%

% TES('CALLBACK',hObject,eventData,handles,...) calls

the local

% function named CALLBACK in TES.M with the given input

arguments.

%

% TES('Property','Value',...) creates a new TES or

raises the

% existing singleton*. Starting from the left, property

value pairs are

% applied to the GUI before Tes_OpeningFcn gets called.

An

% unrecognized property name or invalid value makes

property application

% stop. All inputs are passed to Tes_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 Tes

% Last Modified by GUIDE v2.5 06-Oct-2015 08:18:23

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

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

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @Tes_OpeningFcn, ...

'gui_OutputFcn', @Tes_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);


L34

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

% --- Executes just before Tes is made visible.

function Tes_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 Tes (see VARARGIN)

% Choose default command line output for Tes

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes Tes wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command

line.

function varargout = Tes_OutputFcn(hObject, eventdata,

handles)

% varargout cell array for returning output args (see

VARARGOUT);

% hObject handle to figure


MATLAB


GUIDATA)

% Get default command line output from handles structure

varargout{1} = handles.output;


L35

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)


MATLAB


GUIDATA)

sample_length=1.5;

sample_freq=10000;


x=wavrecord(sample_time, sample_freq);

wavwrite(x, sample_freq, 's.wav');

axes(handles.axes1)

plot(x);

xlabel('Data Tercuplik')

ylabel('Amplitudo')

b0=0.3;

fb=handles.frame;

% Normalisasi awal

x1=x/max(abs(x));

% Pemotongan Awal

% 1. Potong kiri

b1=find(x1>b0 | x1<-b0);

x1(1:b1(1))=[];

% 2. Potong kiri 2


x1(1:bts)=[];

%frame blocking

x2=x1(1:fb);

% Normalisasi akhir

x3=x2/max(abs(x2));

%Windowing

h=hamming(fb);

x4=x3.*h;


px4=length(x4);


Y1=dftx(x4);

Y2=Y1.*conj(Y1);

%f=fs*(0:(1/2*fs))/fs; % Sumbu mendatar pada spektrum

spek=Y2(1:(1/2*sample_freq+1)); % Sumbu tegak pada spektrum


L36


axes(handles.axes2)

bar(spek);

xlabel('Frekuensi')

ylabel('|Amplitudo|')


pspek=length(spek);


for k=2:pspek-1



end

end

% Sorting turun


urutmakslok_1sd5=smakslok(1:5)

urutfrek_1sd5=idx(1:5)

%Perhitungan Harmonis



% Penentuan hasil

if permakslok<0.07

%hasil='belira'

% Penentuan Frekuensi belira

frekb=idx(1)-1









nadaout='do';


nadaout='re';


nadaout='mi';


nadaout='fa';


nadaout='sol';


nadaout='la';


nadaout='si';


L37













else

nadaout='nada belira error';

end

else

nadaout='bukan nada belira';

end

hasilout=nadaout

set(handles.text2,'string',hasilout)

% --- Executes on button press in pushbutton2.

function pushbutton2_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton2 (see GCBO)


MATLAB


GUIDATA)

delete(figure(Tes));

% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)


MATLAB


GUIDATA)

indeks=get(handles.popupmenu1,'Value');

switch indeks

case 1

frameb=1024;

case 2

frameb=512;

case 3

frameb=256;

case 4

frameb=128;

case 5

frameb=64;


L38

case 6

frameb=32;

case 7

frameb=16;

case 8

frameb=8;

end

handles.frame=frameb;

guidata(hObject,handles);

% Hints: contents = cellstr(get(hObject,'String')) returns

popupmenu1 contents as cell array

% contents{get(hObject,'Value')} returns selected item

from popupmenu1

% --- Executes during object creation, after setting all

properties.

function popupmenu1_CreateFcn(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)


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


L39

LAMPIRAN 6

LISTING PROGRAM MENGHITUNG DFT

function y=dftx(x)

% Perhitungan DFT

% Hitung panjang x

N=length(x);

% Hitung DFT

y=zeros(1,N);

for k=1:N

for n=1:N

w=exp(-j*2*pi*(k-1)*(n-1)/N);

a=x(n)*w;

y(k)=y(k)+a;

end

end


pengenalan nada belira menggunakan analisis … · alat musik yaitu belira. pada dasarnya semakin...

Documents