BAB III PERANCANGAN
4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada
Pengenalan Nada Saksofon Alto
Pengujian program pengenalan nada saksofon alto terdiri dari tiga tahap pengujian. Tiga tahap pengujian yang dilakukan antara lain pengujian untuk menentukan batasan nilai jarak optimal, pengujian parameter pengaturan pengenalan nada meliputi pengujian secara tidak real-time dan pengujian secara real-time dan pengujian program menggunakan suara masukan dari alat musik lain.
4.2.1. Pengujian Parameter Pengenalan Nada
Pada pengujian ini bertujuan untuk menguji seberapa besar tingkat pengenalan nada dari setiap parameter. Parameter ini antara lain frame blocking, windowing koefisien. Dan nilai k pada K-NN. Pengujian program pengenalna alat musik saksofon alto ini mengguanakan 2 cara, yaitu pengujian secara tidak real-time, dan pengujian secara real-time. Untuk pengujian secara real-time dibagi menjadi 2 cara, real-time tanpa Thresholding, dan real-time menggunakan Thresholding.
4.2.1.1. Pengujian Secara Tidak Real-Time
Nada uji digunakan sebagai nada masukan untuk pengujian tidak real time. Proses pengambilan nada uji sama dengan proses pengambilan database nada. Pengujian tidak
real time menggunakan nada uji sebanyak 8, 16, 32 dan 64 data (setiap nada memiliki 1, 2, 4 dan 8 database). Hasil pengujian tidak real time adalah data tingkat pengenalan nada dari pengujian yang telah dilakukan. Persentase tingkat pengenalan sistem dapat dicari dengan menggunakan program (lampiran 4).
Data tingkat pengenalan untuk database 1, 2, 4 dan 8 disetiap nadanya (lampiran 5) tersebut dipresentasikan dengan persentase yang menunjukan tingkat pengenalan nada berdasarkan variasi nilai frame blocking, windowing koefisien dan nilai k pada k-NN seperti yang ditunjukkan pada tabel 4.1, 4.2, 4.3, dan 4.4.
Tabel 4.1. Menggunakan nilai frame blocking 128 dengan 1 database untuk setiap nada nilai k Windowing Koefisien 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 37,5% 25% 3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 37,5% 62,5% 25% 1 100% 100% 100% 100% 100% 100% 100% 100% 75% 12,5%
Tabel 4.2. Menggunakan nilai frame blocking 64 dengan database 1 untuk setiap nada nilai k Windowing Koefisien 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 0% 3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 25% 0% 1 100% 100% 100% 100% 100% 100% 87,5% 87,5% 50% 0%
Tabel 4.3. Menggunakan nilai frame blocking 32 dengan 1 database untuk setiap nada nilai k Windowing Koefisien 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 25% 12,5% 3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 12,5% 25% 0% 1 100% 100% 87,5% 87,5% 75% 75% 62,5% 62,5% 37,5% 12,5%
Tabel 4.4. Menggunakan nilai frame blocking 16 dengan 1 database disetiap nadanya nilai k Windowing Koefisien 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 7 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 0% 12,5% 12,5% 12,5% 5 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 25% 12,5% 12,5% 3 12,5% 12,5% 12,5% 12,5% 12,5% 12,5% 37,5% 25% 37,5% 12,5% 1 50% 50% 62,5% 50% 37,5% 37,5% 37,5% 37,5% 37,5% 0%
Gambar 4.5. Gambar Pengaruh Perubahan Windowing koefisien terhadap persentase keberhasilan pada frame blocking 128
Gambar 4.6. Gambar Pengaruh Perubahan Windowing koefisien terhadap persentase keberhasilan pada frame blocking 64
Gambar 4.7. Gambar Pengaruh Perubahan Windowing koefisien terhadap persentase keberhasilan pada frame blocking 32
Gambar 4.8. Gambar Pengaruh Perubahan Windowing koefisien terhadap persentase keberhasilan pada frame blocking 16
Hasil pengenalan di atas berdasarkan dari tabel dan (lampiran 5) merupakan hasil pengenalan nada dari program yang menggunakan database 1, 2, 4 dan 8. Dari hasil pengenalan nada tersebut di evaluasi apakah dengan menggunakan database nada 1, 2, 4 dan 8 sudah mampu mengenali nada saksofon alto. Setelah dievaluasi diperoleh pengenalan terbaik yang akan digunakan sebagai pengenalan nada secara real time.
Berdasarkan tabel 4.1, 4.2, 4.3, 4.4 dan (lampiran 5) menunjukkan kenaikan dan penurunan kinerja sistem dari hasil pengenalan nada dikarenakan oleh pengaruh variasi nilai frame blocking, windowing koefisien dan nilai k pada K-NN.
Kelas yang digunakan k-Nearest Neighbour (k-NN) adalah bilangan ganjil seperti 1, 3, 5, dan 7. Berdasarkan data dari tingkat persentase keberhasilan mengenali nada saksofon
alto, dengan menggunakan database satu disetiap nadanya sudah mampu untuk mengenali nada-nada pada saksofon alto. Sehingga pada peneltian ini k-NN tidak diperlukan pada proses pengenalan nada saksofon alto, dikarenakan untuk kelas k=1 sama dengan tidak menggunakan k-Nearest Neighbor (k-NN) karena nilai minimumnya hanya mencari satu nilai sampel dari database dan juga kelasnya hanya ada satu. k=1 tidak bisa mencari nilai yang paling minimum dari nada lain, sedangkan kelas k=3, 5, 7 menggunakan k-Nearest Neighbor (k-NN) karena mencari nilai minimum dari sampel database disetiap variasi nada sesuai dengan nilai k. Syarat dari k-Nearest Neighbor (k-NN) yang diambil sebagai keluaran adalah kelas yang paling banyak muncul.
4.2.1.2. Pengujian Real Time
Pada pengujian secara real-time dibagi menjadi 2, pengujian tanpa Thresholding, dan pengujian untuk mencari nilai batas optimal sebelum ke pengujian menggunakan
Thresholding
a) Pengujian tanpa Thresholding
Pengujian tanpa menggunakan Thresholding ini bertujuan untuk mengetahui kinerja program pengenalan nada saksofon alto yang telah dibuat. Dengan kesalahan yang terjadi adalah pengenalan nada dengan keluaran pengenalan secara salah.
Pada program pengenalan nada saksofon alto ini user memilih variasi frame blocking, Windowing koefisien dan nilai k pada k-NN dan memilih Ya atau Tidak pada bagian pilihan Threshodling. Setelah user selesai memilih variasi- variasi yang ada maka,
user dapat menjalankan program pengenalan nada saksofon alto.
Pengujian real time dilakukan dengan menggunakan masukan nada saksofon alto secara langsung. Jumlah data yang diambil untuk pengujian ini adalah sebanyak sepuluh kali untuk setiap nada saksofon alto. Parameter yang digunakan dalam pengujian real time
adalah parameter terbaik yang telah didapat pada pengujian tidak real time sebelumnya atau pengujian secara offline.Parameter yang didapat secara tidak realtime yakni dengan variasi frame blocking, windowing koefisien dan nilai k pada k-NN yang terbaik adalah
frame blocking 128, windowing koefisien 40%, 50%, 60%, 70%, 80%, 90%, 100% dan nilai k=1 pada k-NN dengan menggunakan database 1.
Berdasarkan percobaan yang telah dilakukan, sistem pengenalan nada dapat mengenali nada saksofon alto dengan baik. Hasil pengujian real time sesuai dengan hasil pengujian tidak real time yaitu mendapatkan nilai variasi parameter terbaik. Pada sistem pengenalan nada saksofon alto tersebut menggunakan variasi terbaik yakni frame blocking
128, windowing koefisien 50% dan nilai k=1 pada k-NN dengan menggunakan database
1.Tabel 4.17 memperlihatkan hasil pengujian secara real time yang dilakukan sebanyak 10 kali pengujian seperti pada tabel berikut :
Tabel 4.5. Hasil Pengujian secara real time tanpa Thresholding dengan variasi frame blocking 128, windowing koefisien 50% dan k=1 pada k-NN dengan confusion matriks
Input Output Persentase Keberhasilan Do Re Mi Fa Sol La Si Do Tinggi Do 10 0 0 0 0 0 0 0 100% Re 0 10 0 0 0 0 0 0 100% Mi 0 0 10 0 0 0 0 0 100% Fa 0 0 0 10 0 0 0 0 100% Sol 0 0 0 0 10 0 0 0 100% La 0 0 0 0 0 10 0 0 100% Si 0 0 0 0 0 0 10 0 100% DoTinggi 0 0 0 0 0 0 0 10 100%
Rata-rata tingkat persentase keberhasilan pengenalan nada 100%
Pada tabel 4.5. dapat dilihat dari 10 kali percobaan tidak terdapat nada yang dikenali secara salah. Dengan demikian pengujian secara real-time tanpa menggunakan
Thresholding sama dengan percobaan saat pengujian secara tidak real-time.
b) Pengujian untuk Menentukan Batasan Nilai Jarak yang Optimal
Pada pengujian ini dilakukan untuk menentukan batasan nilai jarak yang optimal sebelum ke pengujian real-time menggunakan thresholding. Parameter yang digunakan untuk menentukan batas nilai ini menggunakan variasi frame blocking 128, windowing
koefisien 50%, dan nilai k=1 pada k-NN. Pengujian ini menggunakan 15 kali percobaan setiap nadanya dan dari 15 percobaaan setiap nada tersebut akan mendapatkan nilai optimal (lampiran 6). Pada tabel 4.6 menunjukan nilai optimal yang di dapat untuk setiap nada. Jarak optimal pada tabel tersebut yang digunakan sebagai batas atas penengenalan
setiap nada. jika melebihi batas atas tersebut maka sistem tidak akan mengenali nada- nada yang lain selain nada yang di inginkan, dan akan terdeteksi “ERROR”.
Tabel 4.6. Jarak Optimal Tiap Nada dengan variasi frame blocking 128, windowing
koefisien 50% dan k=1 pada k-NN.
Nada Jarak Optimal
Do 55,0587 Re 81,5725 Mi 42,4711 Fa 54,8266 Sol 57,4214 La 105,5574 Si 36,6529 Do Tinggi 62,7467
c) Pengujian menggunakan Thresholding
Pada pengujian ini bertujuan untuk mengetahui kinerja program pengenalan nada saksofon alto yang telah dibuat dengan penambahan thresholding, sehingga kesalahan yang dikenal sebagai keluaran teks “ERROR”. Thresholding merupakan nilai batas yang ditentukan untuk mengurangi pengenalan nada yang salah. Dalam program thresholding di
inisialisasi dengan “jmaks”. Nilai “jmaks” di dapat dari pengujian sebelumnya yaitu pengujian menentukan batas nilai jarak yang optimal. Nilai jarak optimal yang digunakan dalam fungsi logika dalam penentuan keluaran.
User langsung dapat menjalankan program dengan thresholding karena
Thresholding telah aktif pada sistem pengenalan nada saksofon alto.
Tabel 4.7. Hasil Pengujian secara real time dengan variasi frame blocking 128, windowing
koefisien 50% dan k=1 pada k-NN menggunakan thresholding dengan confusion matriks
Input Output ERROR Persentase Keberhasilan Do Re Mi Fa Sol La Si Do Tinggi Do 10 0 0 0 0 0 0 0 0 100% Re 0 10 0 0 0 0 0 0 0 100% Mi 0 0 10 0 0 0 0 0 0 100% Fa 0 0 0 10 0 0 0 0 0 100% Sol 0 0 0 0 10 0 0 0 0 100% La 0 0 0 0 0 10 0 0 0 100%
(Lanjutan) Tabel 4.7. Hasil Pengujian secara real time dengan variasi frame blocking 128,
windowing koefisien 50% dan k=1 pada k-NN menggunakan thresholding dengan
confusion matriks Input Output ERROR Persentase Keberhasilan Do Re Mi Fa Sol La Si Do Tinggi Si 0 0 0 0 0 0 10 0 0 100% DoTinggi 0 0 0 0 0 0 0 10 0 100%
Rata-rata tingkat persentase keberhasilan pengenalan nada 100%
Dari hasil pengujian menggunakan thresholding yang telah dilakukan, sistem pengenalan nada saksofon alto tersebut sudah mampu menggenali nada-nada yang terdapat pada saksofon alto sesuai dengan perancangan dimana untuk nada do sampai do tinggi tidak dikenali sebagai ERROR meskipun sudah menggunakan nilai thresholding yang didapatkan dari hasil pengujian 15 kali percobaan untuk mencari nilai thresholding disetiap nadanya.
