EKSTRAKSI CIRI SUARA BURUNG BERDASARKAN DOMAIN WAKTU DAN FREKUENSI
TUGAS AKHIR Program Studi S1 Sistem Komputer
Oleh :
BAYU PRABANDARU 08.41020.0027
FAKULTAS TEKNOLOGI DAN INFORMATIKA
xi
2.4 Audacity ... 13
2.5 MATLAB (Matrix Laboratory) ... 14
2.6 Jaringan Saraf Tiruan Backpropagation ... 16
BAB III METODE PENELITIAN ... 27
3.1 Model Penelitian ... 27
4.3 Ekstraksi Ciri Short Time Fourier Transform ... 48
4.4 Pelatihan dan Pengujian Backpropagation ... 61
BAB V PENUTUP ... 71
5.1 Kesimpulan ... 71
5.2 Saran ... 72
xii
Halaman
Gambar 2.1 Burung Kenari Roller ... 8
Gambar 2.2 Burung Kacer ... 9
Gambar 2.3 Window Sempit (Kiri) Dan Window Lebar (Kanan) ... 12
Gambar 2.4 Audacity ... 14
Gambar 2.5 Arsitektur Model Backpropagation Menurut Jong, J.S. ... 17
Gambar 2.6 Grafik Fungsi Aktivasi Sigmoid Biner. ... 18
Gambar 2.7 Grafik Fungsi Aktivasi Sigmoid Bipolar. ... 18
Gambar 2.8 Algoritma Backpropagation Menurut Jong, J.S.. ... 20
Gambar 2.9 Arsitektur Model Backpropagation Menurut W.A. Utari... 21
Gambar 3.1 Blok Diagram Penelitian ... 27
Gambar 3.2 Hasil Rekaman Berupa File Ber-Format (.Mp3) ... 29
Gambar 3.3 Tampilan Software Audacity ... 30
Gambar 3.4 Tampilan Sinyal Suara Burung Kacer Dalam Domain Waktu ... 30
Gambar 3.5 Bagian-Bagian Sinyal Yang Akan Dipotong ... 31
Gambar 3.6 Hasil Pemotongan Suara Burung Selama 10 Detik ... 32
Gambar 3.7 Contoh File Yang Telah Diubah Dalam Bentuk .Wav ... 32
Gambar 3.8 Diagram Alur Proses Ekstraksi Ciri STFT ... 34
Gambar 3.9 Fungsi Hann (Kiri), dan Respon Frekuensinya (Kanan)... 36
Gambar 3.10 Visualisasi 64-Point Hann Window Pada Matlab ... 37
xiii
Gambar 3.14 Arsitektur Backpropagation Pada Penelitian Ini ... 41
Gambar 4.1 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 48
Gambar 4.2 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 49
Gambar 4.3 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 49
Gambar 4.4 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 50
Gambar 4.5 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 50
Gambar 4.6 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 51
Gambar 4.7 Contoh Spektrogram Sinyal Suara Burung Kenari ... 51
Gambar 4.8 Grafik Nilai Mean Square Error Pada Tiap Iterasi ... 67
xiv
Halaman
Tabel 4.1 File Hasil Edit Suara Burung Kacer ... 45
Tabel 4.2 File Hasil Edit Suara Burung Kenari ... 46
Tabel 4.3 Hasil Ekstraksi Fitur Sinyal Suara Pada Burung Kacer ... 52
Tabel 4.4 Hasil Ekstraksi Fitur Sinyal Pada Burung Kenari ... 54
Tabel 4.5 Tabel Normalisasi Burung Kacer ... 58
Tabel 4.6 Tabel Normalisasi Burung Kenari ... 59
Tabel 4.7 Rata-Rata Nilai STFT, Amplitudo, Waktu Dan Frekuensi ... 60
Tabel 4.8 Neuron Input Backpropagation ... 62
Tabel 4.9 Hasil Trial And Error Untuk Mencari Nilai Kuadrat Galat Error Terkecil ... 66
Tabel 4.10 Presentase Keberhasilan Pengenalan Pada Data Training ... 68
xv
1 1.1 Latar Belakang Masalah
Burung adalah rantai penghuni ekosistem biologi yang dapat dijadikan sebagai objek seni kontes suara. Tetapi tidak semua burung dapat diikutsertakan dalam lomba, hanya beberapa jenis burung saja. Di Indonesia kaya akan ragam jenis burung dan memiliki sekitar 1.500 jenis burung dari 9.200 jenis burung yang ada di dunia. Jenis burung yang paling banyak dilombakan di kontes burung kicauan salah satunya adalah burung Anis Merah (zootheracitrina), CucakHijau (ChloropisSonnerati), Kacer (CopsychusSaularis), Kenari (Serinus Canaria) Hwa
Mei (Garulax Canorus), Anis Kembang (Zoother Interpres), Murai batu
(Copychus Malabaricus), Cendet (Lanius Cristatus).
Suara burung di hasilkan oleh kotak suara atau syring yang terdapat pada persimpangan antara trachea dan broncus burung. Pada syring terdapat membran tympani medial yang menghasilkan bunyi ketika dilewati udara pada saat mengeluarkan nafas, inilah beberapa burung banyak dilombakan dikontes burung kicauan Indonesia, di dalam suatu perlombaan apapun akan ada juri yang menilai dan juga ada standart penilaiannya. Begitu pula hal nya dengan Kontes Burung Berkicau atau yang lebih kita kenal dengan nama Lomba Burung Berkicau.
pendengaran juri dan juga kebisingan lingkungan. Berdasarkan latar belakang di atas, terdapat beberapa penelitian yang telah ada tentang suara burung, klasifikasi suara burung Love bird dengan algoritma fuzzy logic (Sejati, 2014). Penelitian yang lain adalah tentang analisis suara burung perkutut menggunakan spektogram, dan menghasilkan nilai depan, tengah dan ujung dan jumlah suku kata suara perkutut (Purwanto, 2011).
Berdasarkan beberapa permasalahan di atas dan penelitian yang telah dilakukan sebelumnya, maka penyusun mencoba untuk menganalisa karakteristik suara burung berkicau dengan mengekstraksi ciri-ciri menggunkanan metode Short Time Fourier Transform (STFT) yang merupakan pengembangan dari
kedua metode diatas (DFT dan FFT). STFT adalah metode yang digunakan untuk menganalisa frekuensi sinyal dan mensegmentasikan sinyal setiap waktu, dimana algoritma STFT akan mencuplik 3 sinyal masukan dalam rentang waktu dan frekuensi dengan menggunakan fungsi window.
STFT sendiri sudah pernah digunakan untuk penelitian Estimasi Sinyal Gamelan Menggunakan Kalman Filter untuk transkripsi oleh Tulus Hayadi, dkk (2013) dan juga Karakterisasi Aroma Kopi Menggunakan Short Time Fourier Transform oleh Roza Susanti, dkk (2012).
Dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh metode jaringan saraf tiruan dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.
Harapannya dengan mengekstraksi ciri menggunakan STFT dan kemudian menggunakan hasil ekstraksi ciri tersebut pada backpropagation, maka dapat diidentifikasi perbedaan karakteristik antara suara burung kacer dan burung kenari dengan tingkat keberhasilan yang lebih baik dari penelitian sebelumnya. Nantinya hasil dari penelitian ini juga dapat digunakan untuk penelitian-penelitian voice recognition selanjutnya.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas maka dapat dirumuskan permasalahan: 1. Bagaimana memperoleh nilai ekstraksi ciri yang terdiri dari nilai frekuensi,
amplitudo, nilai STFT pada burung kenari dan burung kacer.
2. Bagaimana mengidentifikasi hasil ekstraksi ciri STFT pada sinyal suara burung kacer dan burung kenari menggunakan jaringan saraf tiruan backpropagation.
3. Bagaimana menganalisis hasil identifikasi ciri suara burung berdasarkan domain waktu dan frekuensi.
1.3 Batasan Masalah
Untuk menghindari pembahasan yang lebih luas terkait dengan ekstraksi suara burung, terdapat beberapa batasan masalah antara lain:
1. Memperoleh nilai ekstraksi ciri yang terdiri dari nilai frekuensi, amplitudo, nilai STFT pada burung kenari dan burung kacer.
2. Data yang dianalisis sebanyak 60 data untuk dua jenis burung, Setiap data dibatasi lama perekaman 10 detik.
3. Terdapat 3 sumber database setiap jenis burung dan pada setiap sumber diambil 10 data untuk dijadikan sample.
4. Metode yang digunakan dalam mengekstraksi suara burung adalah metode STFT.
6. Aplikasi yang dibuat tidak digunakan untuk mengukur atau menilai kualitas suara burung.
1.4 Tujuan
Berdasarkan rumusan masalah yang diuraikan diatas, maka tujuan penelitian ini adalah sebagai berikut:
1. Mendapatkan nilai ekstraksi ciri yang terdiri dari nilai frekuensi, amplitudo, nilai STFT pada suara burung kenari dan suara burung kacer.
2. Mengidentifikasi hasil ekstraksi ciri STFT pada sinyal suara burung kacer dan sinyal suara burung kenari menggunakan jaringan saraf tiruan backpropagation.
3. Menganalisa hasil identifikasi ciri suara burung berdasarkan domain waktu dan frekuensi.
1.5 Sistematika Penulisan
Penulisan penelitian ini ditulis dengan sistematika penulisan sebagai berikut: BAB I : PENDAHULUAN
Berisi Latar Belakang Masalah, Perumusan Masalah, Batasan Masalah, Tujuan, serta Sistematika Penulisan.
BAB II : LANDASAN TEORI
suara burung kenari, karakteristik penilaian lomba burung berkicau, short time fourier transform.
BAB III : METODE PENELITIAN
Pada bab ini akan dibahas mengenai model penelitian yang digunakan dan pengimplementasian sistem. Untuk lebih jelas, setiap pembahasan tersebut akan dijelaskan menggunakan blok diagram beserta penjelasan dari setiap bagian blok diagram yang digunakan
BAB IV : HASIL DAN PEMBAHASAN
Bab ini akan memaparkan mengenai proses perhitungan dari analisis suara burung berdasarkan ekstraksi ciri dari short time fourier transform.
BAB V : PENUTUP
7 2.1 Jenis Burung dalam Perlombaan
Tidak semua jenis burung dilombakan atau dapat mengikuti sebuah kontes, biasanya kontes burung dinilai dari kicauan atau suaranya yang merdu selain juga penampilannya yang bagus juga gesit. Ada beberapa jenis burung di Indonesia yang sering di adakan lombanya, berikut ini beberapa jenis burung berkicau yang ada lomba atau kontesnya:
1. Burung Cucak Ijo
Sebenarnya masih ada beberapa burung berkicau lainnya seperti tekukur atau Tledekan yang biasa dibuat lombanya, namun yang daftar diatas tersebut merupakan jenis burung paling populer di Indonesia dan paling banyak dilombakan.
sampai puluhan juta bahkan ratusan juta rupiah. Kategori burung yang bagus tentu saja burung yang sehat, memiliki suara kicauan yang khas dan melengking, gesit dan tidak loyo, selain tentunya warna dan kebersihan bulunya juga harus terlihat bagus.( (infonesiana.com), 2015).
2.1.1 Burung Kenari
Burung kenari untuk pertama kalinya di temukan oleh seorang Pelaut asal Perancis, yaitu Jean de Berthan Cout di area Kepulauan Canary sekitar abad ke-15 silam. Ia dibuat terkesima akan keindahan bulu dan merdunya suara burung ini. Burung kenari memiliki nama latin Serinus Canaria. Keanekaragaman dari burung kenari pada saat ini merupakan hasil perkembangan dari kenari liar. Selain itu kondisi alam dan kawin silang yang terjadi menghasilkan beragam jenis kenari yang mana sudah terjadi sejak 5 abad silam. Gambar 2.1. menunjukkan foto burung kenari roller.
Burung kenari roller termasuk salah satu jenis kenari yang paling banyak digemari oleh kenari mania. Burung ini termasuk kenari yang berketurunan dari jerman, dan telah banyak di budidayakan di daerah pegunungan di jerman yang bernama Hartz.
2.1.2 Suara Burung Kacer
Pada gambar 2.2 menunjukan foto Burung kacer atau Magpie Robin yang populer di Indonesia saat ini ada dua jenis, yakni kacer hitam yang sering disebut kacer jawa dan kacer poci atau kacer sekoci yang sering disebut kacer sumatra. Burung ini memang masih berkerabat yakni sama-sama dalam genus Copsychus. Burung kacer jawa nama ilmiahnya adalah Copsychus sechellarum sedangkan kacer poci adalah Copsychus saularis.
2.2 Karakteristik Penilaian Lomba Burung Berkicau
Ada 3 karakteristik penilaian dalam lomba burung berkicau yang harus di perhatikan, adapun 3 karakteristik penilaian tersebut adalah sebagai berikut: (sumber)
1. Irama
a. Selalu aktif dalam berkicau atau berkicau lama dan tidak putus-putus. b. Memiliki banyak variasi lagu
c. Tempo serasi
d. Kombinasi yang tepat antara panjang dan pendeknya lagu. e. Suaranya merdu
f. Konsisten dalam berkicau 2. Kualitas suara
a. Suara bening atau bersih.
b. Suara empuk dan nyaman didengarkan. c. Suaranya jauh dari cempreng
3. Fisik
a. Kondisi tubuh harus sehat. b. Tidak ada cacat atau bekas luka.
c. Bulunya lengkap, bersih dan rapi (tidak acak-acakan).
2.3 Short Time Fourier Transform (STFT)
Menurut Tulus Hayadi (2013), STFT (Short Time Fourier Transform) merupakan metode transformasi yang mengembangkan metode Fourier Transform dengan kelebihan pada kemampuan untuk mentransformasi
non-stationary signal. Adapun ide dibalik metode ini adalah membuat non-stationary
signal menjadi suatu representasi stationary signal dengan memasukkan suatu
window function. Dalam hal ini, sinyal yang ada dibagi menjadi beberapa segmen
dimana segmen yang didapatkan, diasumsikan terdiri dari stationary signal. Adapun rumus yang digunakan dapat dilihat pada persamaan :
∑
( )
Untuk menggambar spectrogram nya digunakan rumus | |
Permasalahan yang muncul di sini adalah bahwa STFT menggunakan kernel window pada suatu interval waktu tertentu. Berbeda dengan Fourier Transform yang menggunakan kernel sepanjang waktu, sehingga tidak ada permasalahan dalam hal resolusi frekuensi. Kalau STFT memilih window dengan lebar infinity, maka metode ini tidak akan ada bedanya dengan Fourier Transform. Gambar 2.3. menunjukan perbedaan dari kedua jenis window, dari
ulasan yang singkat ini dapat diambil kesimpulan:
• Window sempit : mempunyai resolusi waktu yang bagus, tetapi resolusi frekuensi yang tidak bagus
• Window lebar : mempunyai resolusi frekuensi yang bagus, tetapi resolusi waktu yang tidak bagus
2.4 Audacity
Audacity adalah program yang memanipulasi bentuk gelombang audio digital. Selain rekaman suara langsung dari dalam program, aplikasi ini dapat mengimport banyak format file suara, termasuk WAV, AIFF, MP3, dan Ogg Vorbis. Format PCM dari 8,16,24 dan 32-bit juga dapat di-impor dan di-ekspor, Gambar 2.4. menunjukan contoh dari tampilan aplikasi Audacity. Hal yang dapat dilakukan aplikasi Audacity:
1. Potong, Salin, Tempel, Hapus, Diam, Duplikat, Split. 2. Berlaku plug-in efek untuk bagian suara.
3. Built-in editor amplop volume.
4. Spektrogram disesuaikan trek modus tampilan.
5. Analisis frekuensi window untuk aplikasi audio analisis.
6. Sederhana untuk operasi menyelaraskan kompleks untuk trek dan kelompok trek.
Meskipun Audacity adalah audio editor yang kuat untuk bekerja dengan jumlah trek yang tidak terbatas dan jumlah ukuran data yang hampir tidak terbatas, tetapi audacity tidak dapat melakukan semuanya. Hal yang tidak bisa di lakukan oleh audacity:
1. Audacity tidak dapat merekam lebih dari dua saluran sekaligus pada banyak sistem. Beberapa dukungan untuk rekaman multitrack termasuk dalam versi 1.2.3, tetapi tidak mendukung sistem sangat banyak belum.
Gambar 2.4 Audacity
2.5 MATLAB (Matrix Laboratory)
Bahasa pemrograman sebagai media untuk berinteraksi antara manusia dan komputer saat dibuat semakin mudah dan cepat. Sebagai contoh, dapat dilihat dari perkembangan bahasa pemrograman Pascal yang terus memunculkan varian baru sehingga akhirnya menjadi Delphi, demikian pula dengan Basic dengan VisualBasicnya serta C dengan C + + Buildernya. Pada akhirnya semua bahasa pemrograman akan semakin memberikan kemudahan pemakainya (programmer) dengan penambahan fungsi fungsi baru yang sangat mudah digunakan bahkan oleh pemakai tingkat pemula.
dengan fungsi dan karakteristik yang umumnya ditawarkan bahasa pemrograman lain yang biasanya hampir seragam. MATLAB dikembangkan sebagai bahasa pemrograman sekaligus alat visualisasi, yang menawarkan banyak kemampuan untuk menyelesaikan berbagai kasus yang berhubungan langsung dengan disiplin keilmuan matematika. MATLAB memiliki kemampuan mengintegrasikan komputasi, visualisasi, dan pemrograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. MATLAB menyediakan beberapa pilihan untuk dipelajari, mempelajari metode visualisasi saja, pemrograman saja, atau kedua-duanya. MATLAB adalah bahasa pemrograman level tinggi yang dikhususkan untuk komputasi teknis. Bahasa ini mengintegrasikan kemampuan komputasi, visualisasi, dan pemrograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. MATLAB memberikan sistem interaktif yang menggunakan konsep array sebagai standar variabel elemennya tanpa membutuhkan pendeklarasian array seperti pada bahasa pemrograman lain.
sangat handal, hal tersebut dapat dilakukan karena kekayaannya akan fungsi matematika, fisika, statistika, dan visualisasi.
2.6 Jaringan Saraf Tiruan Backpropagation
Perambatan galat mundur (Backpropagation) menurut Kiki (2004) adalah sebuah metode sistematik untuk pelatihan multilayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set). 1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen
pemroses melalui lapisan luar.
2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.
3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemproses.
4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.
Arsitektur Model Backpropagation
Sumber: (Jong, J.S., 2005) Gambar 2.5 Arsitektur Model Backpropagation Menurut Jong, J.S.
Gambar 2.5 menunjukan Arsitektur Model Backpropagation menurut Jong, J.S. Fungsi Aktivasi menurut Jong J.S:
Syarat fungsi aktivasi yang dapat dipakai adalah continue, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun.
Fungsi yang sering dipakai adalah :
- sigmoid biner yang memiliki range(0,1)
Grafik fungsinya bisa di lihat pada gambar 2.6. Grafik fungsi aktivasi sigmoid biner.
Sumber: (Jong, J.S., 2005) Gambar 2.6 Grafik Fungsi Aktivasi Sigmoid Biner
- Fungsi sigmoid bipolar dengan range (1,-1)
Grafik fungsinya bisa di lihat pada gambar 2.7. Grafik fungsi aktivasi sigmoid bipolar.
f(x) = 2/(1 + e-x)-1 , f’(x) = (1+f(x))(1-f(x))/2
Sumber: (Jong, J.S., 2005) Gambar 2.7 Grafik Fungsi Aktivasi Sigmoid Bipolar
- Fase I Propagasi maju, sinyal masukan(xi) dipropagasikan ke hidden layer menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit hidden(zj) selanjutnya dipropagasikan maju lagi ke layar hidden diatasnya menggunakan fungsi aktivasi yang ditentukan, demikian seterusnya hingga menghasilkan keluaran jaringan (yk). Berikutnya, keluaran jaringan dibandingkan dengan target yang harus dicapai (tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi maka iterasi dihentikan, tetapi bila kesalahan masih lebih besar maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi
- Fase II Propagasi mundur, Berdasarkan kesalahan tk - yk, dihitung faktor δk(k=1,2,3,..,m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke
semua unit hidden yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit di hidden layer
sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit hidden yang berhubungan langsung dengan unit masukan dihitung
- Fase III Perubahan bobot, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Fase tersebut diulang hingga
jumlah iterasi atau kesalahan. Gambar 2.8. menunjukan Algoritma backpropagation menurut Jong, J.S.
Sumber: (Jong, J.S., 2005) Gambar 2.8 Algoritma Backpropagation Menurut Jong, J.S.
Backpropagation menurut Wirda Ayu Utari (2010), memiliki beberapa
Sumber: (Utari, 2010) Gambar 2.9 Arsitektur Model Backpropagation Menurut W.A. Utari
Vji merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit keluaran Vk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Zk).
menggunakan fungsi aktivasi yang dapat dideferensiasikan, seperti sigmoid, tansig atau purelin.
Adapun algoritma backpropagation menurut Wirda Ayu Utari (2010), adalah sebagai berikut:
a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). b. Tetapkan maksimum epoch, target error, dan learning rate (α).
c. Inisialisasi Epoch = 0; MSE = 1.
d. Kerjakan langkah-langkah berikut selama epoch < maksimum epoch dan (MSE > target error):
1. Epoch = Epoch + 12
2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: menjumlahkan sinyal-sinyal masukan berbobot (b1j, j=1,2,3,...n) :
∑ (1)
Gunakan fungsi aktivasi untuk menghitung sinyal keluarannya:
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit keluaran).
Tiap-tiap unit keluaran (yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal masukan berbobot:
∑ (3)
gunakan fungsi aktivasi untuk menghitung sinyal keluarannya:
(4)
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit keluaran).
Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.
c. Tiap-tiap unit keluaran (yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola masukan pembelajaran, hitung informasi errornya (δ2k,k=1,2,3,...n):
(5)
(6)
kemudian hitung koreksi bobot (∆wjk) (yang nantinya akan digunakan untuk memperbaiki nilai wjk):
(8)
hitung juga koreksi bias (∆b2k) (yang nantinya akan digunakan untuk memperbaiki nilai b2k):
(9)
langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
d. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta masukannya (dari unit-unit yang berada pada lapisan di atasnya):
∑ (10)
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error (δ1j, j=1,2,3,....n):
(11)
(12)
kemudian hitung koreksi bobot (∆vij) yang nantinya akan digunakan untuk memperbaiki nilai (vij):
(14)
hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai (∆b1j):
(15)
e. Tiap-tiap unit keluaran (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):
� (16)
� (17)
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias (b1j) dan bobotnya (vij) (i=0,1,2,...,n) :
� (18)
3. Hitung MSE (Mean Square Error)
Menghitung nilai rata-rata kuadrat error (E = selisih target nilai dengan keluaran; n = banyak data).
27 3.1 Model Penelitian
Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1.
Gambar 3.1 Blok Diagram Penelitian
Berikut adalah keterangan setiap blok dari sistem blok diagram pada Gambar 3.1.
3.2 Suara Burung
dipotong masing–masing 10 detik sehingga menghasilkan 10 buah sample dari setiap data jenis burung. Sehingga, pada 1 jenis burung akan didapatkan sample sebanyak 30, yang akan digunakan sebagai data yang akan diolah pada penelitian ini. Karena tujuan akhir dari penelitian ini, nantinya adalah digunakan sebagai sistem penjurian, maka burung yang dipilih sebagai sample data adalah burung
merupakan suara kicau burung yang pernah menjuarai sebuah perlombaan. Karena, hasil akhir dari penelitian ini, nantinya diharapkan dapat dijadikan sebuah alat untuk dapat mengenali suara jenis burung dan dapat dijadikan tolak ukur objective dari sebuah penilaian suara burung. Ada beberapa web yang dapat dipertanggung jawabkan yang datanya diambil untuk dijadikan data sample pada penelitian ini.
3.4 Hasil dan Pengolahan Data
File rekaman menggunakan format (.mp3) dan sample rate 44100 Hz.
Masing-masing suara burung yang diambil dari database dipotong- potong sehingga masing – masing data menghasilkan data sebanyak 10 data suara burung. Hasil perekaman dipotong, dan diambil hanya 10 detik tiap sample nya. Pemotongan suara burung secara manual dilakukan dengan menggunakan software Audacity. Hasil pemotongan data suara burung dapat dilihat pada gambar
3.2.
File tersebut kemudian diubah atau dipotong secara manual dengan
menggunakan perangkat lunak Audacity untuk menghilangkan rekaman kosong. Contoh tampilan software Audacity dapat dilihat pada gambar Gambar 3.3.
Gambar 3.3 Tampilan Software Audacity
Seperti yang dijelaskan, bahwa setelah data dipotong, maka sinyal hasil crop tersebut disimpan menjadi file berformat (.wav) dengan sample type 44100
Hz Mono, 32-bit. Panjang waktu rekaman setelah crop hanya dibatasi sampai 10 detik. Sehingga untuk penelitian ini terdapat 60 file berformat (.wav). 30 sample untuk file burung Kacer dan 30 sample untuk burung Kenari.
3.6 Ekstraksi Ciri
nfft = 2*wlen; Banyaknya poin FFT.
Adapun nilai wlen dan h adalah bilangan kelipatan 2 berpangkat (power of 2) untuk memudahkan perhitungan. Dalam hal ini, window length ditentukan sebesar 2048. Nilai tersebut dipilih untuk mendapatkan resolusi frekuensi dan resolusi waktu yang bagus. Resolusi frekuensi yang bagus adalah resolusi dengan jarak antar window yang lebar, artinya range frekuensi semakin kecil dan memberikan nilai yang semakin akurat. Namun dengan lebarnya window, maka resolusi waktu pun menjadi tidak bagus. Untuk lebih jelasnya dapat dilihat pada pembahasan di bab sebelumnya. Oleh karena itu diperlukan nilai dari window length yang dapat mengoptimalkan range dari kedua resolusi.
Adapun jenis window yang digunakan pada penelitian ini adalah Hann atau Hanning window dimana nilai koefisiennya bisa didapatkan dengan rumus berikut.
(1).
atau
Gambar 3.9 Fungsi Hann (Kiri), dan Respon Frekuensinya (Kanan)
Hann window atau juga disebut jendela kosinus yang ditinggikan biasanya
dipakai sebagai fungsi window dalam pemprosesan sinyal digital untuk menjalankan transformasi fourier dimana ujung dari kosinus menyentuh nilai nol, sehingga side-lobe berada pada 18 dB per oktaf.. Adapun keunggulan dari hann window adalah sangat rendahnya artifak distorsi atau aliasing dan lebarnya
main-lobe (main-lobe dimana di terdapat energi maksimal).
Pada aplikasi Matlab, fungsi hann window dapat ditulis dengan sintaks w = hann(L), dimana L adalah panjang dari window tersebut
Gambar 3.10 Visualisasi 64-Point Hann Window Pada Matlab
Kemudian setelah menentukan window, maka dapat dilakukan perhitungan STFT dimana pada Matlab dapat dibuat sebuah fungsi perhitungan dengan sintaks [stft, f, t] = stft(x, wlen, h, nfft, fs), dimana matriks STFT akan merepresentasikan waktu pada kolom (sumbu x), dan frekuensi pada baris (sumbu y) dalam sebuah spektrogram atau sebuah grafik yang memberikan informasi tentang perubahan gelombang dalam rentang waktu, frekuensi, dan intensitas amplitudo. Intensitas amplitudo pada suatu frekuensi dan pada suatu waktu (waktu, frekuensi) di dalam spektrogram dinyatakan dengan nilai warna tertentu (grayscale atau RGB).
Gambar 3.11 Contoh Grafik Spektrogram Pada Matlab
Gambar 3.12 Contoh Spektrogram Pada Penelitian Ini
warna tertentu. Pada spektrogram, panjang window dapat mempengaruhi intensitas warna dan resolusi dari waktu dan frekuensi.
3.7 Pengujian
Setelah dilakukannya pembuatan coding STFT dengan menggunakan program MATLAB 2013, maka masing–masing data yang telah dikonversi menjadi file ber-ekstensi .wav dimasukkan kedalam coding STFT tersebut untuk mendapatkan karakteristik dari suara burung yang berupa nilai STFT, amplitudo tertinggi, waktu saat amplitudo tertinggi, dan frekuensi saat amplitudo tertinggi. Pengujian yang dilakukan selanjutnya adalah pengujian dengan metode jaringan syaraf tiruan.
Arsitektur backpropagation yang akan dibuat adalah sebagai berikut:
Gambar 3.14 Arsitektur Backpropagation Pada Penelitian Ini
Banyaknya neuron pada kedua hidden layer didapatkan dari hasil trial and error. Hasil trial and error ini adalah untuk mendapatkan bobot yang tepat dan dapat memilah antara suara burung kacer atau suara burung kenari.
Nilai awal bobot B1, B2, B3, dan nilai W pada masing masing layer adalah nilai random dari -1 sampai 1. Nilai target adalah nilai 1 sebanyak 20 (untuk input kacer), dan nilai 0 sebanyak 20 (untuk input kenari).
dengan Wi pada layer input, dan kemudian hasilnya akan menjadi input bagi masing-masing neuron Zi, begitu juga dengan bias dan diulang sebanyak (15). Kemudian hasil inputan pada Zi akan diaktivasi dengan fungsi sigmoid biner untuk menghasilkan nilai antara 0 sampai 1.
Setelah masing-masing neuron diaktivasi, maka output dari Zi akan menjadi input ZZi. Untuk melanjutkan perhitungan ke hidden layer 2, dan output, maka output dari Zi dan juga bias B2 dikalikan pada W pada hidden layer 1 untuk dimasukkan pada hidden layer 2 (ZZi). Masukkan dari Hidden layer 1 (Zi) nantinya akan diaktivasi dahulu sebelum menjadi input ZZi. Input pada ZZi nantinya akan digunakan untuk menghitung nilai keluaran pada alur maju dengan cara mengalikan ZZi dan bias B3 dengan bobot Wi pada hidden layer 2. Hasil dari perkalian ini akan menghasilkan nilai output Y yang nilainya akan diaktivasi untuk perhitungan alur mundur.
Setelah menghasilkan keluaran Y yang telah diaktivasi, maka akan dicari selisih (error) dari target awal dengan Y, dan kemudian menghitung koreksi bobot dan bobot bias dan mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ di setiap unit di hidden layer sebagai dasar perubahan bobot semua garis yang berasal dari unit
tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di
44 4.1 Pengujian Perangkat Lunak
Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat. Alat dan bahan yang digunakan sebelum pengujian:
1. Personal Computer (PC) / Laptop. 2. Software Audacity
3. Software Matlab 2013. 4. Microsoft Excel 2013.
4.2 Proses Rekaman dan Edit File Rekaman
Setelah pengambilan database suara burung kacer dan suara burung kenari didapatkan, maka file tersebut di edit atau dipotong secara manual menggunakan perangkat lunak Audacity untuk menyamakan panjang suara atau lama suara pada setiap rekaman suara burung.
Kacer(21) 22.15 0 22.05 10
Tabel 4.2 File Hasil Edit Suara Burung Kenari
4.3 Ekstraksi Ciri Short Time Fourier Transform
Setelah dipotong, maka file suara tersebut akan diekstraksi fiturnya menggunakan metode short time fourier transform (STFT). Nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi. Kemudian program akan menampilkan grafik dan spektrogram pada setiap file yang diekstraksi. Banyaknya sinyal suara burung yang akan diekstraksi adalah 60 suara. Terdiri dari suara burung Kacer masing-masing berjumlah 30, dan suara burung kenari, masing-masing berjumlah 30.
Dapat dilihat pada Gambar 4.1., Gambar 4.2. dan Gambar 4.3. merupakan contoh spektrogram sinyal suara burung kenari dan Gambar 4.4., Gambar 4.5., Gambar 4.6. dan Gambar 4.7. merupakan contoh spektrogram sinyal suara burung kacer pada saat burung berkicau.
Gambar 4.1 pada area detik ke 1.5-2, 5.5-6, 8-9.5 menunjukan intensitas amplitudo tertinggi.
Gambar 4.2 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer
Contoh spektrogram Gambar 4.1 pada area detik ke 0 - 0.5, 4.5 - 9.5 menunjukan intensitas amplitudo tertinggi.
Contoh spectrogram Gambar 4.3. pada area detik ke 0 - 2.5, 5.5 - 6.5 dan 9 - 9.5
menunjukan intensitas amplitudo tertinggi.
Gambar 4.4 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari
Contoh spectrogram Gambar 4.4. pada area detik ke 0 - 9, menunjukan intensitas amplitudo tertinggi.
Contoh spectrogram Gambar 4.5. pada area detik ke 0 - 2.8 dan 4 – 9.5 menunjukan intensitas amplitudo tertinggi.
Gambar 4.6 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari
Contoh spectrogram Gambar 4.6. pada area detik ke 2.5 - 6.5 dan 7.5 – 10 menunjukan intensitas amplitudo tertinggi.
Contoh spectrogram Gambar 4.7. pada area detik ke 0 – 9.5 menunjukan intensitas amplitudo tertinggi. Adapun warna pada spectrogram menunjukan intensitas amplitudo, pada warna merah menunjukan nilai amplitudo tertinggi dan warna biru menunjukan amplitudo terendah, contoh: pada warna merah menunjukan intensitas amplitudo -20db sampai -30db, warna biru menunjukan intensitas amplitudo -140db sampai -130 db. Pada gambar 4.7. Contoh spektrogram sinyal suara Burung Kenari menunjukan area dimana intensitas amplitude tertinggi.
Dari hasil pembacaan spektogram di atas dapat diketahui bahwa intensitas amplitudo pada Burung Kacer terdapat di waktu-waktu tertentu, hal ini tampak berbeda jika dibandingkan dengan hasil pembacaan dari spektogram Burung Kenari, dimana hampir disetiap waktu secara kontinyu menghasilkan intensitas amplitudo yang tinggi.
Adapun nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi seperti terlihat pada Tabel 4.3 dan Tabel 4.4.. Nilai STFT merupakan bilangan kompleks perlu di-absolutkan, sementara nilai amplitudo adalah nilai dalam satuan desibel.
Agar terjadi keseragaman data sehingga data menjadi seimbang, atau tidak ada nilai yang terlalu besar maka semua data akan dinormalisasi.
Tabel 4.3 Hasil Ekstraksi Fitur Sinyal Suara Pada Burung Kacer
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Nama Sampel Nilai STFT Amplitudo
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Kacer 23 0,282783864 -0,005156307 0,005723719 2,497851563 Kacer 24 0,295850762 -0,004763945 0,006385488 3,003881836 Kacer 25 0,266814687 -0,005661205 0,002925714 2,27175293 Kacer 26 0,236658974 -0,00670294 0,005445079 3,122314453 Kacer 27 0,271423493 -0,005512451 0,005851429 2,325585938 Kacer 28 0,270059263 -0,005556218 0,003808073 2,971582031 Kacer 29 0,136787168 -0,011464492 0,008417234 3,111547852 Kacer 30 0,297661519 -0,004710945 0,002368435 3,423779297 Rata - Rata 0,274156947 0,011489309 0,007530358 0,007530358
Tabel 4.4 Hasil Ekstraksi Fitur Sinyal Pada Burung Kenari
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Kenari 30 0,27892463 -0,0052757 0,005514739 6,018530273 Rata - Rata 0,339496275 -0,0039704 0,004736484 3,847624512
Tabel 4.3. dan tabel 4.4. menunjukkan hasil ekstraksi ciri oleh metode STFT. Adapun perbedaan pada suara burung kacer dan suara burung kenari adalah pada suara burung kacer nilai frekuensi lebih tinggi dari suara burung kenari, perbedaan antara nilai frekuensi STFT lebih besar dari frekuensi range tersebut. Salah satu penyebab ada nya perbedaan di karenakan volume suara yang besar saat perekaman suara sehingga menyebabkan frekuensi yang besar juga. Adapun nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi seperti terlihat pada tabel.
Nilai STFT merupakan bilangan kompleks perlu di-absolutkan, sementara nilai amplitudo adalah nilai dalam satuan desibel. Nilai–nilai pada tabel 4.3. dan 4.4. masih merupakan nilai yang tidak seragam. Contohnya adalah jarak antara nilai waktu yang kecil dan nilai frekuensi yang besar. Perbedaan ini membuat nilai tersebut tidak bisa dijadikan input pada backpropagation. Sehingga nilai– nilai tersebut harus diseragamkan terlebih dahulu atau dinormalisasikan menjadi sebuah bilangan antara 0 dan 1. Adapun contoh membuat rumus normalisasi pada Matlab adalah
Nilai normSA adalah suatu matriks yang berisi hasil normalisasi. Dan nilai dBSA adalah suatu matriks yang belum ternormalisasi. Nilai tersebut akan dikurangi dengan nilai yang lebih kecil antara elemen ke i baru, dengan elemen sebelumnya. Sehingga nilai normSA akan terus diperbaharui selama belum mencapai elemen terakhir pada matriks.
Nilai setiap elemen pada matriks normSA yang telah diperbaharui kemudian akan dibagi dengan sebuah nilai dari elemen terbesar yang ada matriks tersebut. Sehingga didapatkanlah sebuah matriks baru hasil ternormalisasi. Contohnya adalah menormalisasi nilai frekuensi. Nilai frekuensi yang dinormalisasi adalah nilai frekuensi pada satu data rekaman sinyal suara. Adapun nilai terbesar dari hasil normalisasi selalu menunjukkan angka 1, dan nilai terkecil adalah nilai 0, hal ini dikarenakan data dinormalisasi menjadi nilai antara 0 sampai 1. Dalam hal ini, penggunaan nilai maksimal atau nilai terbesar tidak berlaku untuk nilai STFT dan nilai amplitudo, karena pada perhitungan sebelumnya nilai yang digunakan adalah nilai terbesar dari matriks STFT, dan nilai terbesar dari nilai amplitudo. Sehingga untuk alternatifnya adalah merata-rata nilai yang sudah dinormalisasi untuk mendapatkan nilai yang berbeda setiap rekaman sinyal suara.
Seluruh nilai-nilai STFT, nilai rata-rata amplitudo, waktu, dan frekuensi yang sudah ternormalisasi dikumpulkan menjadi satu tabel untuk digolongkan berdasarkan jenis burungnya. Seperti tertera pada tabel 4.5. dan 4.6.
Table 4.5 Tabel Normalisasi Burung Kacer
Nama Sampel Nilai STFT Ampltuo
Saat Amplitudo Maksimal
Waktu Frekuensi
Kacer 18 0.002802979 0.48441381 0.422374429 0.145507813 Kacer 19 0.003097386 0.479346517 0.14872364 0.129394531 Kacer 20 0.003025829 0.470720404 0.455049945 0.147949219 Rata - Rata 0.001938646 0.463804281 0.466221837 0.132714844
Table 4.6 Tabel Normalisasi Burung Kenari
Nama Sampel Nilai STFT Amplitudo
Saat Amplitudo Maksimal
Waktu Frekuensi
Kenari 16 0.007764791 0.54931557 0.974221267 0.198242188 Kenari 17 0.010443268 0.54950494 0.018038331 0.198242188 Kenari 18 0.002700018 0.67204928 0.285231116 0.018554688 Kenari 19 0.002700018 0.67204928 0.285231116 0.018554688 Kenari 20 0.003735976 0.55326518 0.286358512 0.174316406 Rata - Rata 0.002819119 0.53006276 0.514116223 0.125634766
Nilai-nilai pada Tabel 4.5. sampai tabel 4.6. nantinya akan dijadikan sebagai nilai masukan untuk data pelatihan pada jaringan saraf tiruan backpropagation.
Tabel 4.7 Rata-Rata Nilai STFT, Amplitudo, Waktu Dan Frekuensi Nilai rata-rata Burung kenari Burung kacer
4.4 Pelatihan dan Pengujian Backpropagation
Pada bagian pelatihan di inputkan data hasil ekstraksi ciri STFT dimana input adalah fitur dari suara burung kacer dan burung kenari sehingga jumlah neuron input adalah sebanyak 8 ditambah 1 neuron bias. Dan data yang akan
62
Burung Kacer Burung Kenari
input
neuron x1 x2 x3 x4 x5 x6 x7 x8
nilai nilai STFT Amplitudo Waktu Frekuensi nilai STFT Amplitudo Waktu Frekuensi data
training
1 0.000718806 0.465650012 0.943693694 0.139160156 0.000997138 0.446752247 0.244444444 0.114746094 data
training
2 0.000647096 0.431562662 0.051627385 0.111816406 0.002163443 0.472018804 0.990011099 0.086914063 data
3
… … … …
data training
Tabel 4.8. menunjukkan arsitektur pada backpropagation seperti yang telah dimodelkan pada BAB III. Dimana neuron input untuk X1 – X4 adalah nilai untuk suara buung kacer X5 – X8 adalah nilai untuk suara burung kenari. Kemudian nilai untuk X1 adalah nilai STFT yang ternormalisasi untuk burung kacer, X2 adalah nilai amplitudo ternormalisasi untuk burung kenari, X3 adalah nilai waktu ternormalisasi saat amplitudo tertinggi untuk burung kacer, dan X4 adalah frekuensi ternormalisasi saat amplitudo tertinggi untuk burung kenari. Keseluruhan nilai untuk X1 – X8 untuk 20 data pelatihan adalah nilai pada tabel 4.7. Kemudian backpropagation akan melatih seluruh nilai tersebut dan nilai-nilai tersebut disimpan kedalam sebuah tabel berformat (.mat) untuk dapat diakses oleh Matlab. Cara mengaksesnya adalah dengan membuat sintaks
Traininput = struct2cell(load('D:\dataTA\traininp.mat')); Trainout = struct2cell(load('D:\dataTA \trainout.mat')); trainInp = traininput{1,1};
trainOut = trainout {1,1};
Dimana training adalah data latih yaitu data hasil ekstraksi ciri STFT, dan trainOut adalah data target. Pelatihan ini bertujuan untuk mencari bobot optimal
Maka data yang dilatih adalah data dari burung kacer sampai data burung kenari sehingga terbentuklah satu nilai bobot optimal yang bisa digunakan untuk kedua jenis suara tersebut. Kecepatan pembelajaran data (learning rate) yang dipakai adalah 0.1. dan banyaknya perulangan (iterasi) adalah sebanyak 10000.
Adapun penggunaan nilai learning rate 0.1 adalah agar jaringan dapat mencari error secara akurat, dan waktu yang dibutuhkan untuk pembelajaran menjadi lebih cepat. Jika dibandingakan dengan nilai learning rate 0.01, maka pencarian error akan lebih teliti, namun juga dibutuhkan waktu yang sangat lama untuk pembelajaran/pelatihan. Jumlah iterasi juga menentukan nilai error yang dihasilkan. Semakin besar iterasi, maka semakin kecil juga nilai error yang dihasilkan. Kemudian jumlah neuron pada tiap hidden layer adalah sebanyak 150 layer pada hidden layer 1, dan 150 layer pada hidden layer 2. Jumlah tersebut
didapatkan dari hasil trial and error dikarenakan nilai bobot awal yang digunakan adalah nilai acak yang berkisar antara -1 sampai 1, sehingga saat melakukan pelatihan lagi, nilai bobot awal akan berubah dan tidak sama dengan nilai bobot awal pada pelatihan sebelumnya.
Tabel 4.9 Hasil Trial And Error Untuk Mencari Nilai Kuadrat Galat Error Terkecil
No Iterartion Hidden Layer Status Error 1 10000 150, 150 gagal 0,2642
Tabel 4.9. menunjukkan bahwa nilai MSE yang didapatkan berpengaruh dari banyaknya iterasi dan jumlah neuron pada masing masing hidden layer. Seperti contoh saat banyaknya iterasi adalah 10000 dan jumlah neuron hidden layer 1 dan hidden layer 2 masing-masing adalah 150, nilai mse masih cukup
0.01. sehingga jumlah neuron hidden layer dan banyaknya iterasi yang digunakan pada penelitain ini dengan adalah 400 neuron hidden layer 1, 400 neuron hidden layer 2, dan banyaknya iterasi adalah 50000 dengan nilai learning rate adalah 0.1,
dan mse sebesar 0.0107. Program akan terus melatih data, hingga error yang terjadi pada tiap iterasi kurang dari atau sama dengan toleransi error (threshold), atau selama banyaknya iterasi. Gambar 4.4. adalah grafik dari mean square error pada percobaan iterasi sebanyak 50000, jumlah neuron pada masing-masing hidden layer adalah 400 dan nilai learning rate adalah 0.1
Gambar 4.8 Grafik Nilai Mean Square Error Pada Tiap Iterasi
jumlah iterasi sudah terpenuhi, maka bobot terakhir yang dipakai untuk pelatihan akan disimpan kedalam file (.mat) untuk nantinya akan digunakan dalam pengujian. Setelah itu, bobot yang sudah tersimpan dalam file (.mat) akan digunakan untuk dijadikan bobot pada program pengujian. Program pengujian pada backpropagation hanya sampai alur maju (tidak menjalankan alur mundur), dengan nilai bobot yang sudah disimpan saat pelatihan. Tabel 4.10. adalah hasil pengujian dari data training (pelatihan) dan persentase keberhasilan pengenalan pada data training.
Tabel 4.10 Presentase Keberhasilan Pengenalan Pada Data Training Jenis
Gambar 4.9 Hasil Keluaran Program Pengujian Data Training
Dapat dilihat pada grafik presentase dan tabel 4.10., bahwa sistem sudah dapat mengenali data. Terlihat pada Gambar 4.9, bahwa sistem mengenali data training 1-20 adalah burung kacer, dan 21-40 adalah burung kenari. Pelatihan data
ini berlangsung selama 50000 iterasi dengan nilai MSE yaitu PPP adalah 0.0100. Dengan nilai bobot optimal yang sudah tersimpan tadi, maka akan diuji sebuah data baru dengan harapannya, data tersebut dapat langsung diidentifikasi jenis burungnya. Perlu diketahui bahwa pada pengujian, algoritma backpropagation cukup hanya dilakukan proses feed forward, sehingga nilai yang
Tabel 4.11 Persentase Keberhasilan Pengenalan Pada Data Baru
73
Gultom, Junelia. 2012. Deteksi Nada Pada Saksofon Menggunakan Algoritma Short Time Fourier Transform (STFT) Dan Jaringan Saraf Tiruan (JST). Fakultas Elektro Dan Komunikasi Institut Teknologi Telkom Bandung.
Hayadi, Tulus., Suprapto, Yoyon K., Sumpeno, Surya. 2012. Estimasi Sinyal Gamelan Menggunakan Kalman Filter untuk transkripsi. Jurusan Teknik Elektro FTI – ITS.
Jong, J.S., 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi
Kawengian, Riane., Wuwung, Janny O., Sugiarso, Brave A., Lumenta, Arie S.M. 2013. Rancang Bangun Alat Pengendali Elektronik Universal Menggunakan Suara Manusia. Jurusan Teknik Elektro-FT, UNSRAT, Manado.
Kiki., Kusumadewi, Sri. 2004. Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi. Universitas Islam Indonesia.
Safriadi., Risawandi. 2014. Identifikasi Gender Melalui Suara Menggunakan Metode Discrete Fourier Transform (DFT). Jurusan Teknik Informatika, Universitas Sumatra Utara. SNITI, ISBN : 979-458-757-5.
Wijayanto, Inung., Dwifebrianti, Reni. 2013. Jenis Tipe Jangkauan Suara Pada Pria Dan Wanita Menggunakan Metoda Mel-Frequency Cepstral Coefficient Dan Jaringan Syaraf Tiruan Backpropagation. Fakultas Elektro dan Komunikasi, Insitut Teknologi Telkom Bandung.
