Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier
Transform (FFT)
SKRIPSI
MUHAMMAD FADHLULLAH 091402064
PROGRAM STUDI S-1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Identifikasi Nada Gitar dengan Menggunakan Metode
Fast Fourier
Transform
(FFT)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
MUHAMMAD FADHLULLAH 091402064
PROGRAM STUDI S-1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : Pengenalan Nada Gitar dengan Menggunakan
Metode Fast Fourier Transform (FFT)
Kategori : SKRIPSI
Nama : MUHAMMAD FADHLULLAH
Nomor Induk Mahasiswa : 091402064
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
Dr. Erna Budhiarti Nababan, M.IT Romi Fadillah Rahmat, B.Comp.Sc., M.Sc
iii
PERNYATAAN
Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 25 Juni 2015
Muhammad Fadhlullah
PENGHARGAAN
Alhamdulillah, segala puji dan syukur penulis panjatkan atas kehadirat Allah SWT beserta Nabi besar Muhammad SAW yang telah memberikan rahmat, hidayah-Nya, segala daya dan upaya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat utnuk memperoleh gelar Sarjana Program Studi S-1 Teknologi Informasi Universitas Sumatera Utara, Ucara terima kasih yang sebesar-besarnya penulis sampaikan kepada:
1. Kedua orang tua penulis, orang yang paling berharga dalam hidup penulis, ayahanda Syarifuddin Hasibuan dan ibunda Masni yang telah membesarkan, mendidik, memberi dukungan, doa dan motivasi tanpa henti. Serta kepada kakak dan adik penulis Fitri Syahraini Hasibuan dan Fathania Mastura Hasibuan yang selalu ada dan menemani penulis.
2. Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak Muhammad
Anggia Muchtar, ST., MM. IT. dan Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku pembimbing pertama
dan Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing kedua, yang telah banyak meluangkan waktunya dan memberikan masukan-masukan yang bermanfaat bagi penulis dalam menyelesaikan skripsi ini.
4. Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT dan Ibu Sarah
Purnamawati, S.T., M.Sc yang telah bersedia menjadi dosen pembanding dan memberikan saran-saran yang baik bagi penulis dalam menyelesaikan skripsi ini.
5. Kepada Ade Tambunan, Dwiky, Hafiz Yahya, Yogi, Ibnu, Ammar, Reza,
Ridzuan, Fadli Rizky, Abdi Hafiz, Icha, Yanna, Dijah, Julia, Fanny, Hani, Binyo, Fadli Rachman, Dezi, Kurniawan, Salman, Alvin, Fadil, Lydia, Amira, Jihan, Fadil, Dila, Umay, Musyafa, Alvi yang selalu mendukung, membantu dan memberikan motivasi kepada penulis dalam menyelesaikan skripsi ini. Serta teman-teman yang mendukung dan membantu penulis Hardiyanti, Halim, Sri Ariani, Dwina, Putra, Edy dan seluruh teman-teman lainnya yang tidak dapat disebutkan satu persatu.
6. Kepada Ibu Mega, Abang Manaf dan Kak Umi yang selaku bagian tata usaha
Program Studi S1 Teknologi Informasi yang telah membimbing dan membantu penulis dari awal proposal sampai sidang.
7. Dan juga kepada teman-teman Ikatan Alumni Matauli (IKAMA) yang selalu mendoakan penulis.
v
Abstrak
Kemajuan yang pesat dalam teknologi pengolahan suara digital memberikan banyak
manfaat bagi kehidupan manusia, salah satunya dalam bidang pengenalan suara. Bagi
seorang pengguna gitar terutama pemula terkadang masih mengalami kesulitan dalam
mengenali nada, terutama dalam melakukan setem yang tepat pada gitar. pada
penelitian ini, digunakan metode Fast Fourier Transform (FFT) untuk
mentransformasikan sinyal digital ke dalam bentuk frekuensi sehingga penyesuaian
nada dapat dilihat dengan lebih akurat. Hasil dari penelitian ini menunjukkan bahwa
frekuensi rata-rata pada senar memiliki nilai selisih error rata-rata sebesar 0,3065 Hz
untuk jarak 20 cm dan 0,449 Hz untuk jarak 30 cm dibandingkan frekuensi standar.
Hasil penelitian ini juga menunjukkan keberhasilan sistem sebesar 70% apabila diuji
dengan menggunakan noise. Senar dengan keberhasilan tertinggi dengan noise adalah
senar 2 dan senar 4 sebesar 80%. Sedangkan senar dengan keberhasilan terendah
dengan noise adalah senar 5 sebesar 60%.
Identification of Gitar Tune Using Fast Fourier Transform (FFT)
Abstract
The rapid advancement in digitalization has given many advantages to human
activity, voice recognition is one of them. For someone who use guitar, especially
amateur sometimes has tone identification trouble, particularly in tuning. In this
research, the Fast Fourier Transform (FFT) are use to transform the digital signal
into frequency so the tuning can be seen more accurately. The result og this research
show that the average frequency for the string has error deviation value in the amount
of 0,3065 for the 20 cm cm distance and 0,449 for the 30 cm distance when it compare
with the standar frequency. The result of this research also show 70% succeed if it
tested with noise. String with highes succeed are string 2 and string 4 with 80% level
of accuracy. While the string with lowest succeed is string 5 with 60% level of
accuracy.
vii
2.5Sejarah Pengenalan Suara 7
2.6Pengenalan Suara 8
2.7Pengolahan Sinyal Digital 8
2.7.1 Sampling 9
2.7.2 Fast Fourier Transform (FFT) 9
2.8Penelitian Terdahulu 14
3.1Data yang Digunakan 16
3.2Perancangan Sistem 16
3.2.1 Arsitektur Umum 16
3.2.2 Flowchart Sistem 18
3.2.3 Proses Sampling 19
3.2.4 Fast Fourier Transform (FFT) 20
3.3Diagran Use Case 22
3.4Spesifikasi Use Case 22
3.5Perancangan Antarmuka Sistem 24
3.5.1 Rancangan Halaman Awal 24
3.5.2 Rancangan Halaman Pengenalan Senar Gitar 25
3.5.3 Rancangan Halaman Bantuan 26
3.5.4 Rancangan Halaman About Us 27
BAB 4 IMPLEMENTASI DAN PENGUJIAN 28
4.1Implementasi Sistem 28
4.1.1 Perangkat Keras 28
4.1.2 Perangkat Lunak 28
4.2Pengujian Kinerja Sistem 29
4.2.1 Tampilan Halaman Menu Utama 29
4.2.2 Tampilan Halaman Gitar Tuner 29
4.2.3 Tampilan Halaman Select Device 30
4.2.4 Tampilan Halaman Tentang Penulis 31
4.2.5 Tampilan Halaman Bantuan 31
4.3Hasil Pengujian Nada Senar Gitar 32
4.3.1 Pengenalan Nada Senar 1 32
4.3.2 Pengenalan Nada Senar 2 32
4.3.3 Pengenalan Nada Senar 3 33
4.3.4 Pengenalan Nada Senar 4 34
4.3.5 Pengenalan Nada Senar 5 35
4.3.6 Pengenalan Nada Senar 6 35
4.4Hasil Pengujian Sistem Terhadap Jarak 36
4.5Hasil Perbandingan Pengujian Sistem Terhadap Jarak 38
ix
BAB 5 KESIMPULAN DAN SARAN 40
5.1Kesimpulan 40
5.2Saran 41
DAFTAR TABEL
Hal
Tabel 2.1 Frekuensi Nada Gitar (Lourde R. & Saji, 2009) 7
Tabel 2.2 Penelitian Terdahulu 14
Tabel 3.1 Spesifikasi Use Case Input Suara 22
Tabel 3.2 Spesifikasi Use Case Tentang 23
Tabel 3.3 Spesifikasi Use Case Bantuan 23
Tabel 4.1 Pengujian Sistem Terhadap Jarak 20 cm 36
Tabel 4.2 Pengujian Sistem Terhadap Jarak 30 cm 37
Tabel 4.3 Perbandingan Hasil Pengujian Terhadap Jarak 38
xi
DAFTAR GAMBAR
Hal
Gambar 2.1 Bagian-bagian Gitar Akustik (Anwar, 2014) 6
Gambar 2.2 Input Suara 9
Gambar 2.3 Sinyal dalam Domain Waktu 10
Gambar 2.4 Sinyal dalam Domain Frekuensi 10
Gambar 2.5 Desimasi untuk 16 Titik 11
Gambar 2.6 Konsep FFT 11
Gambar 3.1 Arsitektur Umum Sistem 17
Gambar 3.2 Flowchart Rancangan Sistem Pengenalan Nada Gitar 19
Gambar 3.3 Pseudocode Proses Sampling 20
Gambar 3.4 Diagram Use Case Sistem 22
Gambar 3.5 Tampilan Halaman Awal 25
Gambar 3.6 Rancangan Halaman Pengenalan Nada Gitar 26
Gambar 3.7 Rancangan Halaman Input Data Latih 26
Gambar 3.8 Rancangan Halaman About Us 27
Gambar 4.1 Tampilan Halaman Menu Utama 29
Gambar 4.2 Tampilan Halaman Gitar Tuner 30
Gambar 4.3 Tampilan Halaman Select Device 30
Gambar 4.4 Tampilan Halaman Tentang Penulis 31
Gambar 4.5 Tampilan Halaman Bantuan 31
Gambar 4.6 Pengenalan Nada pada Senar 1 32
Gambar 4.7 Pengenalan Nada pada Senar 2 33
Gambar 4.9 Pengenalan Nada pada Senar 4 34
Gambar 4.10 Pengenalan Nada pada Senar 5 35
v
Abstrak
Kemajuan yang pesat dalam teknologi pengolahan suara digital memberikan banyak
manfaat bagi kehidupan manusia, salah satunya dalam bidang pengenalan suara. Bagi
seorang pengguna gitar terutama pemula terkadang masih mengalami kesulitan dalam
mengenali nada, terutama dalam melakukan setem yang tepat pada gitar. pada
penelitian ini, digunakan metode Fast Fourier Transform (FFT) untuk
mentransformasikan sinyal digital ke dalam bentuk frekuensi sehingga penyesuaian
nada dapat dilihat dengan lebih akurat. Hasil dari penelitian ini menunjukkan bahwa
frekuensi rata-rata pada senar memiliki nilai selisih error rata-rata sebesar 0,3065 Hz
untuk jarak 20 cm dan 0,449 Hz untuk jarak 30 cm dibandingkan frekuensi standar.
Hasil penelitian ini juga menunjukkan keberhasilan sistem sebesar 70% apabila diuji
dengan menggunakan noise. Senar dengan keberhasilan tertinggi dengan noise adalah
senar 2 dan senar 4 sebesar 80%. Sedangkan senar dengan keberhasilan terendah
dengan noise adalah senar 5 sebesar 60%.
Identification of Gitar Tune Using Fast Fourier Transform (FFT)
Abstract
The rapid advancement in digitalization has given many advantages to human
activity, voice recognition is one of them. For someone who use guitar, especially
amateur sometimes has tone identification trouble, particularly in tuning. In this
research, the Fast Fourier Transform (FFT) are use to transform the digital signal
into frequency so the tuning can be seen more accurately. The result og this research
show that the average frequency for the string has error deviation value in the amount
of 0,3065 for the 20 cm cm distance and 0,449 for the 30 cm distance when it compare
with the standar frequency. The result of this research also show 70% succeed if it
tested with noise. String with highes succeed are string 2 and string 4 with 80% level
of accuracy. While the string with lowest succeed is string 5 with 60% level of
accuracy.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi informasi pada masa sekarang ini sangat pesat dan mampu
mempengaruhi segala aspek kehidupan manusia baik dibidang kedokteran, ekonomi,
pertanian, musik, dan lain-lain. Salah satu teknologi yang sedang berkembang pesat
pada saat ini yaitu dibidang pengolahan suara digital. Kemajuan teknologi dalam
pengolahan suara digital telah banyak membawa dampak positif dalam kehidupan
manusia. Pengolahan suara digital dapat dikembangkan menjadi berbagai aplikasi
yang tujuannya membantu mempermudah pekerjaan manusia.
Alat musik merupakan instrumen yang dapat memproduksi suara yang teratur.
Dalam fungsinya alat musik mengandung nilai-nilai keindahan dan kehadiran alat
musik akan tampak dari bunyi-bunyi yang khas dimana tempat alat musik itu berasal.
Banyak jenis alat musik seperti gitar, piano, seruling, drum, klarinet, biola, trompet
dan masih banyak lagi. Sebagian alat musik terlihat sederhana tetapi dapat
menghasilkan nada yang indah dan disukai oleh pendengarnya.
Gitar merupakan alat musik string yaitu alat musik yang menghasilkan suara
melalui petikan senar. Gitar adalah alat musik dengan senar yang paling banyak
diminati oleh berbagai bangsa di dunia (Harahap, 2004). Gitar memiliki 6 senar
dengan masing-masing senar memiliki frekuensi dan suara yang berbeda.
Bagi seorang pengguna gitar terutama pemula terkadang masih mengalami
kesulitan dalam mengenali nada. Terutama dalam melakukan setem yang tepat pada
gitar merupakan sesuatu yang sulit. Biasanya hal tersebut dikarenakan seorang pemain
gitar pemula belum dapat mengingat nada pada masing-masing senar gitar tersebut.
Kesulitan terjadi pada saat melakukan setem nada yang tepat pada
musik. Diantaranya yaitu Basuki, A, et al(2006) menggunakan Jaringan Saraf
Tiruan(JST) metode back propagation untuk melakukan pengenalan. Sebelum
dikenali, sinyal suara analog dicuplik menjadi sinyal digital dengan kecepatan 12000
Hz. kemudian sinyal digital ditransformasikan ke domain frekuensi dengan
menggunakan Fast Fourier Transform(FFT) 256 point. Kemudian Afriany, et
al(2013) yang melakukan pengenalan nada pada senar biola dengan menggunakan
Learning Vector Quantization(LVQ) untuk mengenali pola nada pada biola dan linier
Predictive Coding (LPC) untuk mengekstraksi sinyal suara. Sinung Tegar P (2012)
melakukan penelitian tentang pengaktifan alat elektronik menggunakan deteksi
ucapan yang menggunakan metode Hidden Markov Model (HMM) dan Linier
Predictive Coding (LPC). Penelitian selanjutnya yang ditulis oleh Saadatuddaroin
(2009) dengan judul Perancangan Perangkat Lunak Sensor Tsunami dengan Teknik
Hidden Markov Model. Gelombang gempa yang diterima diubah ke dalam bentuk
diskrit yang kemudian diekstraksi dengan metode Frequency Cepstral Coefficient
(MFCC). Kemudian pada data ekstraksi tersebut akan ditraining dan diidentifikasi
dengan metode Hidden Markov Model (HMM).
1.2 Rumusan Masalah
Sebagian besar dari pengguna alat musik gitar mengalami kesulitan mengenali nada
terutama pada saat melakukan setem pada senar gitar untuk mendapatkan nada yang
tepat, diperlukan suatu pendekatan untuk mengidentifikasi nada pada senar gitar untuk
mempermudah pengguna gitar dalam melakukan setem pada senar gitar.
1.3 Tujuan Penelitian
Tujuan dari penelitian adalah untuk mengidentifikasi nada pada gitar dengan
menggunakan metode Fast Fourier Transform (FFT).
1.4 Batasan Masalah
Adapun yang menjadi batasan dalam penelitian ini yaitu.
1. Input suara merupakan suara dari masing-masing senar gitar yang tidak
ditekan oleh jari.
2. Pengenalan nada hanya dilakukan untuk nada dasar pada masing-masing
3
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini yaitu :
1. Memudahkan pengguna gitar dalam melakukan setem pada senar gitar.
2. Menambah pengetahuan dan referensi tentang metode dan Fast Fourier
Transform(FFT).
3. Dapat menjadi referensi bagi penelitian selanjutnya.
1.6 Metodologi Penelitian
Adapun metodologi penelitian yang digunakan yaitu :
1. Studi Literatur
Pada tahap ini peneliti melakukan pengumpulan sumber referensi yang akan
digunakan untuk penelitian. Peneliti membaca dan mempelajari buku-buku,
jurnal, media online dan sumber lainnya yang berhubungan dengan penelitian
yang akan dilakukan.
2. Perancangan Desain Sistem
Pada tahap ini peneliti melakukan perancangan aplikasi, seperti merancang activy
diagram, diagram alur (flowchart) sistem, perancangan desain, dan perancangan
desain antarmuka (interface).
3. Implementasi Sistem
Pada tahap ini dilakukan pengkodean dan implementasi rancangan yang telah
dibuat dengan menggunakan bahasa pemrograman yang telah dipilih. Pengkodean
dilakukan dengan pemrograman Visual Basic .NET.
4. Pengujian Sistem
Pada tahap ini dilakukan pengujian dan percobaan pada sistem yang telah dibuat
sesuai dengan kriteria dan kebutuhan yang diinginkan dan memastikan apakah
program berjalan sesuai dengan yang diinginkan.
5. Dokumentasi Sistem
Pada tahap ini peneliti mendokumentasikan sistem dalam bentuk laporan tertulis
1.7 Sistematika Penelitian
Penulisan skripsi ini terdiri dari lima bagian utama (bab) dengan penjelasan singkat
mengenai bab-bab tersebut yaitu sebagai berikut :
Bab 1 Pendahuluan
Pada bab ini berisi penjelasan latar belakang judul skripsi yang penulis ajukan, yang
menjadi rumusan masalah pada penelitian, batasan masalah yang ditetapkan, tujuan
penelitian yang diajukan, manfaat dari penelitian yang diajukan, metodologi
penelitian, dan sistematika dari penyusunan skripsi.
Bab 2 Landasan Teori
Pada bab ini dijelaskan secara terprinci tentang teori-teori, metode dan algoritma yang
digunakan dalam penelitian ini seperti penjelasan tentang pengenalan suara, Fast
Fourier Transform(FFT), dan penelitian terdahulu.
Bab 3 Analisis dan Perancangan Sistem
Pada bab ini dijelaskan mengenai analisis pernasalahan dan identifikasi kebutuhan
perancangan sistem.
Bab 4 Implementasi dan Pengujian Sistem
Pada bab ini dijelaskan implementasi sistem dari hasil analisis yang dilakukan serta
pengujian terhadap sistem yang dibuat.
Bab 5 Kesimpulan dan Saran
Pada bab ini berisi kesimpulan dari hasil penelitian skripsi yang dilakukan beserta
saran yang membangun untuk penelitian selanjutnya mengenai topik yang terkait pada
BAB 2
LANDASAN TEORI
2.1 Gelombang Bunyi
Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai
gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah
medium, biasanya udara. Gelombang suara berasal dari benda yang bergetar. Bentuk
gelombang suara periodik akan menimbulkan sensasi yang menyenangkan (jika
intensitas nya tepat) seperti bunyi musik. Sebaliknya, bunyi yang tidak periodik akan
menimbulkan suara derau (noise).
2.2 Nada
Sebuah nada adalah suatu bunyi yang memiliki nilai tertentu, yaitu pitch, yang diukur
untuk menggambarkan jenis nada tersebut. Serangkaian nada yang tersusun teratur
berdasarkan ketukan dan pola disebut musik (Afriani, 2012). Dalam teori musik,
setiap nada memiliki nilai tertentu menurut frekuensinya ataupun jarak relatif nada
tersebut terhadap nada patokan. Nada dapat diatur dalam tangga nada yang
berdeda-beda. Nada dasar menentukan frekuensi tiap-tiap nada pada suatu karya musik
(Wilson, 2008).
Nada merupakan jenis suprasegmental yang ditandai oleh tinggi-rendahnya
arus ujaran yang terjadi karena frekuensi getaran yang berbeda antar segmen.
Misalnya pada saat seseorang berada dalam kesedihan maka ia akan berbicara dengan
nada yang rendah. Sebaliknya bila ia berada dalam keadaan marah atau gembira, ia
2.3 Tangga Nada
Tangga nada merupakan kumpulan nada-nada yang harmonis. Kumpulan dari semua
nada pada musik disebut tangga nada kromatik. Tangga nada kromatik dapat diartikan
sebagai “nada setiap warna”. Istilah “tangga nada kromatik” dipakai untuk kedua
belas nada dari tiap oktaf (Sijabat, 2009).
2.4 Alat Musik Gitar
Menurut Anwar (2014), masuknya alat musik gitar ke Indonesia salah satunya adalah
dibawa oleh tawanan asal portugis sekitar abad ke-7. Secara umum gitar dibagi
menjadi 2 jenis, gitar akustik dan gitar listrik (electric guitar). Gitar akustik
merupakan gitar yang terbuat dari kayu, dan terdapat lubang suara atau tabung
resonansi (sound hole). Bagian-bagian pada gitar akustik ditunjukkan pada gambar 2.1
berikut.
7
Senar gitar yang dipetik akan menghasilkan bunyi yang memiliki frekuensi
dan setelan nada yang berbeda tergantung kepada penggunaan dan keinginan dari
pengguna gitar tersebut. Frekuensi suara senar gitar yang umum digunakan dapat
dilihat pada tabel 2.1.
Tabel 2.1 Frekuensi Nada Gitar (Lourde R. & Saji, 2009)
Nada senar gitar Nomor Kunci Frekuensi
E (senar 6) E2 82.4
Sudah hampir lima dekade dilakukan penelitian di bidang pengenalan suara (speech
recognition). Menurut Maulana (2013), riset untuk mengembangkan system speech
recognition oleh mesin ini dibuat mulai tahun 1950-an yaitu pada saat peneliti
mencoba mengeksploitasi ide dari acoustic-phonetics. Tahun 1952, Biddulph dan
Balashek membuat sebuah sistem yang dapat mengenali suatu digit terisolasi dari
seorang pembicara yang sangat bergantung pada resonansi spektral vokal dari setiap
digit.
Kemudian Olson dan Belar berusaha membuat sebuah sistem untuk mengenali
10 suku kata berbeda dari seorang pembicara yang juga sangat bergantung pada
spektral dan area vokal pada tahun 1956.
Selanjutnya Fry dan Denes, pada tahun 1959 membuat sebuah sistem
pengenalan fonem untuk mengenali 4 vokal dan 10 konsonan dengan menggunakan
analisis spektruk dan pencocok pola. Pada tahun yang sama, Forgie juga melakukan
penelitian pengenalan vokal dimana 10 vokal disisipkan dalam format a/b/-vokal-/t.
Pada tahun 1962 Sakae dan Doshita membuat hardware pengenalan fonem.
yang menjadi awal bagi sebuah program penelitian produktif. Usaha itu dilakukan
oleh nagata pada tahun 1963. Pada era 1960-an, usaha yang dilakukan Martin dan
rekannya pada laboraturium RCA adalah untuk membangun sistem dengan
kemampuan dasarnya untuk mendeteksi awal dan akhir suatu speech. Pada tahun yang
bersamaan, Vintsyuk mengajukan metode dynamic programming untuk menyamakan
waktu dari pegutaran speech.
Sejumlah batu pijakan yang signifikan diraih pada tahun 1970-an mengenai
penelitian speech recognition. Penelitian Jepang menunjuk kearah bagaimana
penerapan metode dynamic programming dapat diterapkan dan penelitian yang
dilakukan Itakura tentang Linear Predictive Coding (LPC) dengan sukses pada
pencobaan speech ber-bit rendah.
2.6 Pengenalan Suara
Pengenalan suara merupakan serangkaian proses untuk mengenali sinyal suara dengan
membandingkan pola karakteristik sinyal suara acuan dengan pola karakteristik sinyal
suara uji secara otomatis (Saaddatuddaroin, 2009).
Suara dikenali melalui ciri-cirinya. Ciri-ciri tersebut digunakan untuk
membedakan antara suara yang satu dengan suara yang lainnya. Pengenalan suara
dapat diklasifikasikan dalam identifikasi dan verifikasi. Identifikasi suara adalah
proses pengenalan suara berdasarkan sampel suara, sedangkan verifikasi suara adalah
proses penerimaan atau penolakan terhadap suara yang diberikan (Setiawan &
Handayani 2012).
2.7 Pengolahan Sinyal Digital
Pengolahan sinyal digital adalah pemrosesan sinyal yang berkaitan dengan perubahan
bentuk, menipulasi isi dan penyajian dari sinyal suara dan informasi dalam bentuk
digital (Huda, 2011). Tujuan dari pengolahan sinyal digital adalah untuk mendapatkan
ekstraksi ciri dari sinyal suara. Sebuah proses untuk mengubah sinyal suara menjadi
parameter-parameter yang selanjutnya dapat dilakukan proses selanjutnya, misalnya
9
penelitian ini adalah proses sampling dan Fast Fourier Transform (FFT). Contoh
input suara dapat dilihat pada gambar 2.2 berikut.
Gambar 2.2Input Suara
2.7.1 Sampling
Proses sampling adalah proses untuk mengubah sinyal pada waktu-kontinu menjadi
bentuk diskrit yang diperoleh dengan mengambil cuplikan sinyal pada waktu-kontinu
(Huda, 2011).
2.7.2 Fast Fourier Transform (FFT)
Fast Fourier Transform merupakan DFT dengan algoritma yang lebih optimal,
sehingga menghasilkan perhitungan yang lebih cepat. Dengan DFT, memerlukan
waktu O(n2) untuk mengolah sampel data sebanyak n buah. Hal ini tentunya akan
memakan waktu lama bila sampel data makin banyak (Stefanus, Hamz, M. & Angzas,
Y., 2005). Proses pada metode fast Fourier Transform (FFT) adalah mengkonversi
setiap frame N sampel dari domain waktu menjadi domain frekuensi. Menurut
Hanggarsari,et al(2012), transformasi fourier merupakan metode yang efisien untuk
Contoh sinyal dalam domain waktu pada gambar 2.3 dan contoh sinyal dalam
domain frekuensi pada gambar 2.4 berikut (Huda, 2011).
Gambar 2.3 Sinyal dalam domain waktu
Gambar 2.4 Sinyal dalam domain frekuensi
Metode FFT dapat dilakukan dalam domain waktu dan frekuensi, yang disebut
sebagai desimasi – dalam – waktu (decimation-in-time) dan desimasi-dalam-frekuensi
(decimation-in-frequency) (Gunawan, D., Juwono, F.H., 2012). Pada prinsipnya
algoritma ini adalah memecah N-titik menjadi dua (N/2) – titik, kemudian dipecah
lagi pada tiap (N/2) – titik menjadi dua (N/4) – titik, begitu seterusnya sampai hanya
11
Gambar 2.5 Desimasi untuk 16 titik
Konsep metode Fast Fourier Transfrom (FFT) secara keseluruhan dapat
dilihat pada gambar 2.6.
Gambar 2.6 Konsep FFT
Algoritma DFT melakukan perkalian kompleks sebanyak N. Dengan
menggunakan FFT maka terdapat log2(N) perkalian kompleks. Sehingga jumlah
perkalian kompleks berkurang dari N2 menjadi log2(N). Dikarenakan DFT merupakan
bagian dari FFT, maka lebih baik menghitung FFT dengan mempertimbangkan nilai N
X(k) = ∑ k = 0, 1, 2…N-1 (1)
Pisahkan x(n) menjadi dua bagian : x(ganjil) dan x(genap) = x(2m), dimana
m=0, 1,2,…,N/2-1. Lalu nilai N DFT juga dibagi dua bagian untuk tiap nilai N/2 :
X(k) = ∑ = ∑ + ∑
Jadi ketika faktor diubah dengan setengah periode, nilai dari faktor tersebut
tidak akan berubah, tetapi tanda nilai faktor tersebut akan menjadi sebaliknya. Hal ini
13
Maka nilai N DFT akhirnya menjadi :
X(k) = ∑ ∑ (8)
menjadi N2/2+N/2. Jumlah angka perkalian dikurangi setengah secara berkala.
Selanjutnya adalah proses pengurangan perkalian dari nilai N menjadi N/2.
Lanjutkan pemisahan (m) dan (m) menjadi bagian ganjil dan genap dengan cara
yang sama, perhitungan untuk N/2 akan dikurangi menjadi N/4. Kemudian
perhitungan DFT akan berkurang secara terus – menerus. Jadi jika sinyal untuk nilai N
DFT terpisah terus – menerus sampai sinyal akhir menjadi satu titik. Misalkan ada
N=2v DFT yang perlu dihitung. Maka jumlah pemisahan yang dapat dilakukan adalah
v = (N). Jumlah total perkalian akan dikurangi hingga (N/2) (N). Untuk
tambahan perhitungan, angka yang akan dikurangi mencapai N (N). Karena
perkalian dan penambahan dikurangi, maka kecepatan perhitungan komputasi DFT
dapat ditingkatkan. Tujuan utama untuk Radix -2 FFT adalah memisahkan deretan
data menjadi ganjil dan genap secara terus – menerus sampai mendekati setengah
2.8 Penelitian terdahulu
Pada bagan ini akan dipaparkan tentang penelitian-penelitian sebelumnya yang
berhubungan dengan pengenalan nada pada senar gitar. Pemaparan tentang penelitian
sebelumnya dapat dilihat pada tabel 2.2 berikut.
Tabel 2.2 Penelitian terdahulu
Quantization dapat digunakan
untuk mengenali nada pada senar
Akord merupakan prinsip utama
dalam memainkan alat musik
gitar. penulis melakukan analisis
fenomena dari akord Dmayor
Sinyal suara analog dicuplik
dengan kecepatan 12000 Hz. Fast
Fourier Transform(FFT)
digunakan untuk mendapatkan
fitur sinyal yang
ditransformasikan kedalam
domain frekuensi. Kemudian
fitur suara tersebut diproses
dengan menggunakan jaringan
15
Tabel 2.2 Penelitian terdahulu (Lanjutan)
Penulis Teknik yang
digunakan
Keterangan
Ardiansyah, M., 2014 Mel Frequency
Cepstral Coefficient
(MFCC) dan
Learning Vector
Quantization (LVQ).
Metode MFCC digunakan untuk
mengambil nilai vektor pada
sebuah lagu. Metode LVQ
digunakan untuk mencocokkan
data uji dengan data acuan yang
telah disimpan di dalam database.
Dianputra, R., 2014 Fast Fourier
Transform (FFT)
Algoritma FFT digunakan untuk
menghitung nilai Discreate
Fourier Transform (DCT) untuk
transformasi dari domain waktu
ke domain frekuensi. Data
masukan adalah suara senar gitar
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan membahas tentang analisis dan perancangan sistem pengenalan nada
gitar dengan menggunakan metode Fast Fourier Transform (FFT), perancangan alur
kerja sistem, dan merancang antarmuka sistem. Pada bab ini akan dipelajari konsep
dan proses sistem pengenalan nada senar gitar.
3.1 Data yang digunakan
Data yang digunakan pada penelitian ini diperoleh dari penelitian Lourde R. & Saji
(2009). Lourde R. & Saji mengembangkan algoritma yang cocok dan akurat untuk
mendeteksi frekuensi dari senar gitar dengan menggunakan MATLAB. Data frekuensi
dasar dari masing-masing senar gitar dapat dilihat pada tabel 2.1.
Data-data frekuensi senar gitar seperti yang diberikan pada tabel 2.1 akan
menjadi acuan dalam sistem pengenalan nada pada senar gitar. Suara senar gitar
sebagai suara input akan direkam oleh sistem secara real-time.
3.2 Perancangan Sistem
Pada sub bab ini akan dibahas tentang perancangan alur sistem yang akan dibangun.
3.2.1 Arsitektur Umum
Pada sub bab ini akan dijelaskan perancangan arsitektur umum dari sistem yang akan
dirancang. Tujuan dari pembuatan arsitektur umum ini adalah untuk mempermudah
pembaca dalam memahami sistem yang akan dirancang secara keseluruhan.
17
1. Suara input berasal dari masing-masing senar gitar yang akan disetem. Senar gitar
yang dibunyikan tidak ditekan oleh jari (open string).
2. Sinyal analog dari senar gitar yang di-input akan direkam oleh microphone yang
kemudian akan diproses secara digital.
3. Sinyal analog yang di-input diproses secara digital pada proses sampling untuk
mendapatkan nilai sampel suara. Nilai sampel suara yang dihasilkan digunakan
untuk diproses dengan menggunakan metode Fast Fourier Transform (FFT).
4. Data nilai sampel suara yang dihasilkan dari proses sampling diproses dengan
menggunakan metode Fast Fourier Transform (FFT) agar dapat
ditransformasikan dari domain waktu ke domain frekuensi.
5. Hasil dari proses dengan metode Fast Fourier Transform (FFT) berupa frekuensi
suara. Frekuensi tersebut dicocokkan dengan data frekuensi dasar senar gitar pada
tabel 2.1. Apabila frekuensi input senar gitar sudah sama dengan frekuensi dasar
senar gitar, maka proses akan selesai. Jika belum sama, dapat dilakukan input
suara senar yang baru.
Arsitektur umum dari sistem yang akan dirancang dapat dilihat pada gambar
3.1 berikut.
3.2.2 Flowchart Sistem
Pada analisis ini akan dijelaskan flowchart dari sistem yang akan dirancang.
Flowchart ini akan menjelaskan tahapan-tahapan dari sistem yang akan dirancang
secara terstruktur. Tujuan dari flowchart rancangan sistem ini adalah untuk
mempermudah memahami sistem yang akan dirancang. Adapun tahapan dari proses
yang akan dibuat pada penelitian ini yaitu:
1. Pilih senar gitar yang akan diproses.
2. Input suara gitar. Pada tahap ini suara gitar dari senar yang dipetik akan diinput
ke dalam sistem untuk diproses.
3. Sistem akan melakukan proses sampling suara senar gitar yang telah di-input
untuk mendapatkan nilai data sampel suara. Nilai data sampel suara akan diproses
pada tahap selanjutnya.
4. Data sampel suara hasil proses sampling diproses dengan menggunakan metode
fast fourier transform (FFT) hingga data sampel suara dapat diubah dari domain
waktu ke dalam domain frekuensi.
5. Hasil dari proses fast fourier transform (FFT) berupa frekuensi. Frekuensi dari
suara input tersebut akan dicocokkan dengan frekuensi dasar senar gitar.
6. Apabila senar gitar yang diinput cocok dengan frekuensi dasar pada senar gitar,
maka proses selesai.
Flowchart dari tahapan proses dari sistem yang akan dibuat dapat dilihat pada
19
Gambar 3.2 Rancangan sistem pengenalan nada gitar
3.2.3 Proses sampling
Menurut Anwar, et al(2014) kebanyakan sinyal dinyatakan dalam bentuk analog.
Sehingga untuk memperoleh sinyal dalam bentuk diskrit harus dilakukan proses
pengolahan pada sinyal. Proses tersebut dinamakan proses sampling.
Pada proses sampling, suara senar gitar yang masuk ke dalam sistem akan
diproses dan akan diubah menjadi nilai-nilai sampel suara. Nilai sampel suara yang
akan diproses dengan menggunakan algoritma fast fourier transform pada proses
selanjutnya. Tahapan pada proses sampling adalah sebagai berikut :
1. Memulai proses sampling dengan memetik senar gitar.
2. Senar gitar yang dipetik akan mengeluarkan suara yang akan diproses untuk
mengambil data sampel suara. Proses pengambilan data sampel suara diproses
oleh fungsi start() pada class SoundCaptureBase.vb.
3. Hasil dari fungsi start() akan disimpan pada array ‘data’ untuk diproses pada
tahap selanjutnya.
4. Data sampel suara yang sudah disimpan pada array ‘data’ akan digunakan
sebagai data untuk memproses fungsi processData pada class
soundFrequencyInfoSource.vb. Hasil dari fungsi processData akan dijadikan data
Pseudocode dari tahapan proses sampling diatas dapat dilihat pada gambar 3.3.
Gambar 3.3 Pseudocode proses sampling
3.2.4 Fast Fourier Transform (FFT)
Fast Fourier Transform (FFT) merupakan algoritma tercepat untuk melakukan
transformasi sinyal dari domain waktu ke domain frekuensi. Tujuan proses FFT
adalah agar sinyal dapat diproses dalam spektral subtraksi. Perhitungan FFT
mengimplementasi transformasi ganda hasil proses DFT dengan menghitung nilai
setengahnya dari sinyal sehingga proses penghitungan akan lebih cepat, lalu nilai yang
setengahnya lagi dihitung dengan conjugate nilai yang telah dihitung dengan DFT
(Hanggarsari, et al, 2012). FFT merupakan algoritma cepat untuk
mengimplementasikan Discrete Fouries Transform (DCT) dengan persamaan sebagai
= + + +
= 0.009 + [(-0.001)(cos 3/2 – j sin 3/2)] + 0.029 + [(0.071)(cos 9/2 – j sin 9/2)]
= 0.009 + 0.001j + 0.029 + (-0.071)j = 0.038 – 0.070j
Kemudian gunakan rumus
f = √
= √ = 0.080
3.3 Diagram Use case
Use case diagram merupakan pemodelan terhadap cara kerja dan tingkah laku sistem
yang akan dibangun. Use case mendeskripsikan interaksi antara user dengan sistem.
Diagram use case dapat dilihat pada gambar 3.4.
Halaman Utama Kecocokan suara
Tentang
Bantuan
Input suara
Gambar 3.4 Diagram Use case Sistem
3.4 Spesifikasi Use case
Spesifikasi use case merupakan deskripsi dari diagram use case yang bertujuan untuk
menjelaskan bagaimana sistem ini bekerja (Muchtar, et al. 2011). Spesifikasi use case
23
Tabel 3.1 Spesifikasi Use case Input Suara
Nama use case Input Suara
Aktor User
Deskripsi Use case ini digunakan oleh user untuk
memasukkan suara yang akan diproses ke dalam
system
Pre condition
-Characteristic of activation Eksekusi hanya dapat dilakukan oleh user
Basic flow - User menjalankan program
- User membuka halaman gitar tuner
- User memasukkan suara yang akan diproses
Alternative flow
-Post condition User dapat melihat kecocokan suara
Limitations -
Spesifikasi Use case tentang pada sistem ini akan dijelaskan pada tabel 3.2
berikut.
Tabel 3.2 Spesifikasi Use case Tentang
Nama use case Tentang
Aktor User
Deskripsi Use case ini digunakan oleh user untuk melihat
profil pembuat aplikasi
Pre condition
-Characteristic of activation Eksekusi dapat dilakukan oleh user
Basic flow User menjalankan mengklik tombol tentang
Alternative flow
-Post condition User dapat melihat profil pembuat aplikasi
Limitations -
Spesifikasi Use case tentang pada sistem ini akan dijelaskan pada tabel 3.3
Tabel 3.3 Spesifikasi Use case Bantuan
Nama use case Bantuan
Aktor User
Deskripsi Use case ini digunakan oleh user untuk melihat
petunjuk penggunaan aplikasi
Pre condition
-Characteristic of activation Eksekusi dapat dilakukan oleh user
Basic flow User menjalankan mengklik tombol bantuan
Alternative flow
-Post condition User dapat melihat petunjuk penggunaan aplikasi
Limitations -
3.5 Perancangan Antarmuka Sistem
Perancangan antarmuka merupakan perancangan tampilan dari sistem yang akan
dibangun. Tampilan (interface) yang dibangun diharapkan dapat memudahkan
pengguna saat menjalankan sistem ini. Penjelasan bagian-bagian dari antarmuka
sistem yang akan dibangun adalah sebagai berikut.
3.5.1 Rancangan Halaman Awal
Pada halaman awal terdapat nama sistem pada bagian atas dan logo instansi
Universitas Sumatera Utara berada tepat di bawahnya. Kemudian disebelah kiri ada
button “Pengenalan Nada Senar” untuk memulai proses pengenalan nada. Disebelah
kanan atas terdapat button “Input Data Latih” untuk masuk ke halaman input data latih
yang fungsinya memasukkan data latih senar gitar ke dalam sistem. Kemudian
terdapat button “about” di sebelah kanan bawah yang berfungsi untuk membukan
halaman “about” yang isinya tentang penulis. Kemudian terdapat button “Keluar”
pada posisi paling bawah yang berfungsi untuk keluar dari sistem. Rancangan
25
Gambar 3.5 Tampilan Halaman Awal
3.5.2 Rancangan Halaman Pengenalan Senar Gitar
Pada halaman ini terdapat “radio button” dengan tulisan senar 1, senar 2, sampai senar
6 yang berfungsi untuk memilih senar yang akan disetem. Disebelah kiri atas terdapat
button rekam yang berfungsi untuk merekam suara dan button stop untuk berhenti
merekam. Pada posisi tengah terdapat gambar gitar. Kemudian dibawahnya terdapat
progres bar untuk menampilkan perubahan sinyal suara yang masuk ke dalam sistem.
Disebelah kiri bawah terdapat textbox untuk melihat frekuensi dari suara yang masuk.
Disebelah kanan bawah terdapat tombol “kembali” untuk kembali ke halaman awal.
Gambar 3.6 Rancangan Halaman Pengenalan Nada Gitar
3.5.3 Rancangan Halaman Bantuan
Halaman ini berisikan informasi bagaimana menggunakan sistem. Rancangan
halaman bantuan dapat dilihat pada gambar 3.7.
27
3.5.4 Rancangan Halaman About Us
Halaman ini berisikan informasi tentang penulis. Rancangan halaman about us dapat
dilihat pada gambar 3.8.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada bab ini, akan dibahas pengimplementasian dan pengujian sistem sesuai dengan
analisis dan perancangan yang telah dibahas pada bab sebelumnya. Tahapan ini
bertujuan untuk menampilkan hasil tampilan akhir sistem yang dibangun dan proses
pengujian sistem yang nantinya dapat memberikan hasil pengenalan nada gitar
kepada user.
4.1 Implementasi Sistem
Berdasarkan analisis dan perancangan sistem yang telah dibuat, maka sistem ini akan
diimplementasikan dengan menggunakan bahasa pemrograman VB.NET untuk
desktop. Untuk membangun sistem ini dibutuhkan beberapa komponen meliputi
perangkat keras dan perangkat lunak.
4.1.1. Perangkat Keras
Perangkat keras yang digunakan dalam membangun sistem ini memiliki spesifikasi
sebagai berikut :
Perangkat lunak yang digunakan dalam membangun sistem ini memiliki spesifikasi
sebagai berikut :
a. Sistem operasi : Windows 7 Ultimate 64 bit
b. Visual basic : Microsoft Visual Studio Professional 2012
29
4.2 Pengujian Kinerja Sistem
Pada pengujian kinerja sistem akan dijelaskan hasil perancangan sistem yang telah
dibuat dan hasil dari tiap halaman di dalam sistem.
4.2.1 Tampilan Halaman Menu Utama
Tampilan halaman menu utama pada aplikasi identifikasi nada gitar dengan metode
Fast Fourier Transform (FFT) dapat dilihat pada gambar 4.1.
Gambar 4.1 Tampilan Halaman Menu Utama
Pada halaman menu utama terdapat empat tombol, yaitu gitar tuner, tentang
penulis, bantuan dan keluar. Tombol gitar tuner digunakan untuk masuk ke halaman
gitar tuner. Tombol tentang penulis digunakan untuk mengetahui identitas penulis.
Tombol bantuan digunakan untuk mengetahui panduan-panduan menggunakan sistem.
Dan yang terakhir adalah tombol keluar untuk keluar dari sistem.
4.2.2 Tampilan HalamanGitar Tuner
Pada tampilan halaman gitar tuner terdapat tombol mulai yang berfungsi untuk mulai
menginput suara dan tombol stop untuk berhenti. Kemudian terdapat enam buah radio
button yang merupakan representasi dari senar 1-6 dari gitar. User harus memilih
salah satu dari senar yang akan disetem. Jika user sudah memilih senar yang akan
disetem dan menekan tombol mulai, maka suara gitar yang diinput akan diubah
Terakhir adalah tombol kembali yang berfungsi untuk kembali ke halaman menu
utama. Tampilan halaman gitar tuner dapat dilihat pada gambar 4.2.
Gambar 4.2 Tampilan Halaman Gitar Tuner
4.2.3 Tampilan Halaman Select Device
Tampilan select device adalah tampilan yang tampil jika kita menekan tombol mulai
pada tampilan gitar tuner. Fungsinya adalah untuk memilih device yang akan kita
gunakan untuk menangkap suara gitar. Tampilan halaman Select Device dapat dilihat
pada gambar 4.3.
31
4.2.4 Tampilan Halaman Tentang Penulis
Tentang penulis merupakan form yang isinya tentang judul penelitian sistem dan
identitas penulis. Tampilan halaman tentang penulis dapat dilihat pada gambar 4.4.
Gambar 4.4 Tampilan Halaman Tentang Penulis
4.2.5 Tampilan Halaman Bantuan
Form bantuan merupakan form yang berisi tentang langkah-langkah pengoperasian
sistem. Tampilan halaman bantuan dapat dilihat pada gambar 4.5.
4.3 Hasil Pengujian Pengenalan Nada Senar Gitar
Penulis akan memaparkan hasil pengujian sistem dalam pengenalan nada pada senar
gitar. Suara dari senar gitar yang dipetik tidak ditekan dengan jari (open string).
Berikut akan dijelaskan pengujian yang dilakukan pada masing-masing senar gitar.
4.3.1. Pengenalan nada senar 1
Apabila nada pada senar 1 sudah tepat akan menghasilkan nada E dengan nilai
frekuensi mendekati angka 329.63 Hz dan sistem akan berhenti merekam suara.
Kemudian pada textbox akan muncul huruf E yang menandakan bahwa nada pada
senar 1 sudah tepat yaitu nada E. Tampilan pengenalan nada senar 1 dapat dilihat pada
gambar 4.6.
Gambar 4.6 Pengenalan nada pada senar 1
4.3.2. Pengenalan nada senar 2
Apabila nada pada senar 2 sudah tepat akan menghasilkan nada B dengan nilai
frekuensi mendekati angka 264.94 Hz dan sistem akan berhenti merekam suara.
33
senar 2 sudah tepat yaitu nada B. Tampilan pengenalan nada senar 2 dapat dilihat pada
gambar 4.7.
Gambar 4.7 Pengenalan nada pada senar 2
4.3.3. Pengenalan nada senar 3
Apabila nada pada senar 3 sudah tepat akan menghasilkan nada G dengan nilai
frekuensi mendekati angka 196.00 Hz dan sistem akan berhenti merekam suara.
Kemudian pada textbox akan muncul huruf G yang menandakan bahwa nada pada
senar 3 sudah tepat yaitu nada G. Tampilan pengenalan nada senar 3 dapat dilihat
Gambar 4.8 Pengenalan nada pada senar 3
4.3.4. Pengenalan nada senar 4
Apabila nada pada senar 4 sudah tepat akan menghasilkan nada D dengan nilai
frekuensi mendekati angka 152.83 Hz dan sistem akan berhenti merekam suara.
Kemudian pada textbox akan muncul huruf D yang menandakan bahwa nada pada
senar 4 sudah tepat yaitu nada D. Tampilan pengenalan nada senar 4 dapat dilihat
pada gambar 4.9.
35
4.3.5. Pengenalan nada senar 5
Apabila nada pada senar 5 sudah tepat akan menghasilkan nada A dengan nilai
frekuensi mendekati angka 110.00 Hz dan sistem akan berhenti merekam suara.
Kemudian pada textbox akan muncul huruf A yang menandakan bahwa nada pada
senar 5 sudah tepat yaitu nada A. Tampilan pengenalan nada senar 5 dapat dilihat
pada gambar 4.10.
Gambar 4.10 Pengenalan nada pada senar 5
4.3.6. Pengenalan nada senar 6
Apabila nada pada senar 6 sudah tepat akan menghasilkan nada E dengan nilai
frekuensi mendekati angka 82.41 Hz dan sistem akan berhenti merekam suara.
Kemudian pada textbox akan muncul huruf E yang menandakan bahwa nada pada
senar 6 sudah tepat yaitu nada E. Tampilan pengenalan nada senar 6 dapat dilihat pada
Gambar 4.11 Pengenalan nada pada senar 6
4.4 Hasil pengujian sistem terhadap jarak
Pada penelitian ini, sistem juga diuji terhadap jarak antara sumber suara dengan
microphone. Bentuk pengujian ini dilakukan berdasarkan pengujian yang telah
dilakukan oleh Dianputra, R., et al (2014). Jarak yang akan diuji yaitu pada jarak 20
cm dan 30 cm. Hasil pengujian sistem terhadap jarak 20 cm akan dipaparkan pada
tabel 4.4.
Tabel 4.4 Pengujian sistem terhadap jarak 20 cm
No. Frekuensi Senar
1 2 3 4 5 6
37
Tabel 4.4 Pengujian sistem terhadap jarak 20 cm (Lanjutan)
No. Frekuensi Senar
1 2 3 4 5 6
9 329.104 247.753 196.00 146.512 109.701 81.667 10 329.104 247.753 196.00 146.512 109.701 81.667 Frekuensi
Rata-Rata 329.104 247.476 196.00 146.806 109.838 81.801 Frekuensi
Standar 329.6 246.9 196.0 146.8 110.0 82.4
Error 0.496 0.576 0 0.006 0.162 0.599
Pemaparan dari hasil dari pengujian sistem terhadap jarak 30 cm dapat dilihat
pada tabel 4.5.
Tabel 4.5 Pengujian sistem terhadap jarak 30 cm
No. Frekuensi Senar
Rata-Rata 329.104 247.476 196.00 146.029 110.498 82.047 Frekuensi
Standar 329.6 246.9 196.0 146.8 110.0 82.4
4.5 Hasil perbandingan pengujian sistem terhadap jarak
Pada tabel 4.6 penulis melakukan perbandingan hasil pengujian antara hasil pengujian
pengenalan nada senar gitar dengan metode Fast Fourier Transform (FFT) dengan
hasil pengujian Implementasi Algoritma Fast Fourier Transform untuk Pengolahan
Sinyal Digital pada Tuning Gitar dengan Open String (Dianputra, R., et al (2014).
Tabel 4.6 Perbandingan Hasil Pengujian Terhadap Jarak
Senar
error antara hasil pengujian pengenalan nada senar gitar dengan metode Fast Fourier
Transform (FFT) dengan hasil pengujian Implementasi Algoritma Fast Fourier
Transform untuk Pengolahan Sinyal Digital pada Tuning Gitar dengan Open String
pada jarak 20 cm adalah sebesar 0.257 Hz dan pada jarak 30 cm adalah sebesar 0.388
Hz.
4.6 Hasil pengujian sistem terhadap noise
Pada penelitian ini, dilakukan juga pengujian sistem dengan menggunakan parameter
39
apabila berada di lingkungan dengan gangguan suara. Hasil pengujian dapat dilihat
pada tabel 4.7.
Tabel 4.7 Hasil Pengujian Terhadap Noise
Senar Berhasil Gagal Total
Pengujian Persentase (%)
Senar 1 7 3 10 70
Senar 2 8 2 10 80
Senar 3 6 4 10 60
Senar 4 8 2 10 80
Senar 5 6 4 10 60
Senar 6 7 3 10 70
Setelah dilakukan pengujian sistem terhadap noise apabila berada di
lingkungan dengan gangguan suara maka dihasilkan data pengujian pada tabel 4.7.
dari data pengujian pada tabel 4.7 dapat diketahui persentase keberhasilan sistem
BAB 5
KESIMPULAN DAN SARAN
Pada bab ini penulis akan membahas kesimpulan dan saran dari sistem pengenalan
nada senar gitar.
5.1.Kesimpulan
Berdasarkan pengujian aplikasi pengenalan nada senar gitar dengan menggunakan
metode Fast Fourier Transform (FFT) terdapatlah kesimpulan sebagai berikut :
1. Aplikasi ini dapat mengidentifikasi suara nada pada senar gitar.
2. Aplikasi ini menghasilkan informasi berupa frekuensi dan nada dari senar gitar
yang sesuai dengan petikan gitar.
3. Proses pengenalan nada pada masing-masing senar gitar memiliki nilai selisih
error sebesar 0,3065 Hz untuk jarak gitar dan microphone sepanjang 20 cm.
Sedangkan untuk jarak 30 cm, nilai selisih error sebesar 0,449 Hz.
4. Senar dengan nilai selisih error terbesar pada jarak 20 cm adalah senar enam,
sedangkan nilai selisih error terkecilnya adalah senar tiga. Sedangkan senar
dengan nilai selisih error terbesar pada jarak 30 cm adalah senar empat,
sedangkan nilai selisih error terkecilnya adalah senar tiga.
5. Untuk proses pengujian sistem dengan menggunakan noise memiliki tingkat
keberhasilan 70%. Untuk tingkat keberhasilan terbesar berada pada senar 2
dan senar 4 yaitu 80%. Sedangkan untuk tingkat keberhasilan terkecil berada
pada senar 5 yaitu sebesar 60%.
6. Aplikasi ini dapat digunakan untuk membantu pengguna gitar dalam
41
Berdasarkan kesimpulan di atas, Fast Fourier Transform (FFT) dapat diterapkan
untuk mengenali frekuensi suara pada aplikasi pengenalan suara dengan nilai selisih
error rata – rata sebesar 0,3065 Hz untuk jarak 20 cm dan 0,449 Hz untuk jarak 30
cm. Jarak dan noise merupakan faktor yang menentukan tingkat keberhasilan aplikasi
untuk mengenali suara input dalam sistem ini. Semakin jauh dan besar jarak dan
noise, maka tingkat keberhasilan sistem dalam mengenali nada senar gitar semakin
kecil. Sebaliknya, semakin dekat dan kecil jarak dan noise, maka tingkat keberhasilan
sistem dalam mengenali nada senar gitar semakin besar.
5.2.Saran
Saran dari penulis untuk penelitian berikutnya yaitu :
1. Mencoba metode-metode lain untuk dibandingkan dengan metode Fast
Fourier Transform (FFT) untuk mengetahui tingkat keberhasilan sistem dalam
mengenali nada senar gitar.
2. Mencoba mengembangkan sistem tidak hanya mengenali nada dasar gitar,
Daftar Pustaka
Afriani, S.S. 2012. Pengenalan Nada pada Senar Biola dengan Metode Jaringan Saraf
Tiruan Learning Vector Quantization. Skripsi. Universitas Sebelas Maret.
Andriana, A., D. 2013. Perangkat Lunak untuk Membuka Aplikasi pada Komputer
dengan Perintah Suara Menggunakan Metode Mel-Frequency Cepstrum
Coefficients. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 2,
No. 1: 21-26.
Anwar, K., Isnaini, M., Utami, L. S. 2014. Analisis Akord Dmayor pada Alat Musik
Gitar Acoustik. Jurnal Fisika Indonesia No. 54 Vol. XVIII: 77-81.
Ardiansyah, M. 2014. Aplikasi Pengenalan Suara Digital Nada Dasar Piano. Skripsi.
Universitas Sumatera Utara.
Basuki, A., Huda, M., Amalia, T. S. 2006. Aplikasi Pengolah Suara untuk Request
Lagu. IES: 132-137.
Dianputra, R., Puspitaningrum, D., Ernawati. 2014. Implementasi Algoritma Fast
Fourier Transform untuk Pengolahan Sinyal Digital pada Tuning Gitar dengan
Open String. Jurnal Teknologi InformasiVolume 10 Nomor 2: 240-248.
Gunawan, D., Juwono, F.H. 2012. Pengolahan Sinyal Digital dengan Pemrograman
MATLAB. 978-979-756-814-6. Graha Ilmu : Yogyakarta.
Hanggarsari, P. N., Fitriawan, H., Yuniati, Y. 2012. Simulasi Sistem Pengacakan
Sinyal Suara secara Realtime Berbasis Fast Fourier Transform (FFT).
Electrical Jurnal Rekayasa dan Teknologi Elektro Volume 6 No. 3: 192-198.
Harahap, Irwansyah. 2004. Alat Musik Dawai. Medan: Lembaga Pendidikan Seni
Huda, M., Basuki, D. K., Akbar, F., Permana, F. J. 2011. Konversi Nada-Nada
Akustik Menjadi Chord Menggunakan Pitch Class Profile. Institut Teknologi
Sepuluh November.
Maulana, M. A. 2013. Implementasi Speech Recognition pada Permainan Toddler
Card untuk Anak Usia Toddler Berbasis Android. Skripsi. Universitas
Sumatera Utara.
Lourde L, M., Saji, A. K. 2009. A Digital Guitar Tuner. IJCSIS (International Journal
of Computer Science and Information Security)Vol. 6 No. 2: 82-88.
Saaddatuddaroin. 2009. Perancangan Perangkat Lunak Sensor Tsunami dengan
Teknik Hidden Markov Model. Skripsi. Universitas Indonesia.
Setiawan, A., Handayani, P. K. 2012. Klastering Suara Berdasarkan Gender dengan
Ekstraksi Ciri Berbasis Domain Waktu.Seminar Nasional Teknologi Informasi
& Komunikasi Terapan 2012 (Semantik 2012): 364-370.
Sijabat, D. W. 2009. Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker
Dependent dengan Metode Hidden Markov Model. Skripsi. Universitas
Indonesia.
Wilson, Ronald. 2008. Rancang Bangun Perangkat Lunak Komposer Musik
menggunakan Matlab. Skripsi. Universitas Indonesia.
Yang, T. 2012. The Algorithms of Speech Recognition, Programming and Simulating