IDENTIFIKASI NADA DASAR DALAM TANGGA NADA
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
TRI PUGUH SANTOSO. Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ. Dibimbing oleh AZIZ KUSTIYO.
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi sebuah lagu atau musik instrumental. Agar melodi dapat dimainkan dengan harmonis diperlukan pengetahuan akan nada dasar dalam tangga nada pada lagu atau musik instrumental yang akan dimainkan, namun hal ini akan sangat sulit bagi seorang pemula. Tujuan penelitian ini adalah mengidentifikasi nada dasar dari melodi yang dipetik sebanyak lima kali secara berurutan dalam tangga nada pentatonis dan menerapkan ekstraksi ciri mel-frequency cepstrum coefficient (MFCC) dan model learning vector quantization (LVQ) sebagai classifier. Dalam penelitian ini dilakukan dua tahap pengujian, tahap pertama mengenali nada tunggal dengan model LVQ setelah data suara melodi disegmentasi dan diekstraksi cirinya menggunakan MFCC, tahap kedua mengidentifikasi nada dasar menggunakan algoritme template matching berdasarkan nada yang telah dikenali pada pengujian tahap pertama. Hasil akurasi rata-rata terbaik pada penelitian ini sebesar 100% dengan nilai koefisien cepstral 26.
Kata kunci: gitar, learning vector quantization, mel-frequency cepstrum coefficient, melodi, pentatonis
ABSTRACT
TRI PUGUH SANTOSO. Pentatonic Root Scale Identification on Guitar Using LVQ Model. Supervised by AZIZ KUSTIYO.
Melodies are inseparable things inside a song or instrumental music composition. In order to produce a harmonious melody, knowledge of scale and its root on a song or instrumental music are required. The objective of this research was to identify a melody plucked five times in a row in pentatonic scale, and apply mel-frequency cepstrum coefficient (MFCC) feature extraction and learning vector quantization (LVQ) model as classifier. There were two test phases in this research, the first phase was single tone recognition using LVQ classification model after melodies voice data was segmented and extracted using MFCC. The second phase identified the root scale using template matching algorithm based on tones that had been identified in the first phase. The best accuracy average result in this research was 100% based on 26 cepstral coefficients.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
IDENTIFIKASI NADA DASAR DALAM TANGGA NADA
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Penguji:
Judul Skripsi : Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ
Nama : Tri Puguh Santoso NIM : G64124014
Disetujui oleh
Aziz Kustiyo, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
PRAKATA
Alhamdulillah, atas izin dan rahmat dari Alloh Subhanahu Wa Ta’ala penulis dapat menyelesaikan tugas akhir dengan judul Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ.
Penulis mengucapkan terima kasih kepada kedua orang tua dan seluruh keluarga yang selalu mendo’akan dan memotivasi penulis dalam pengerjaan tugas akhir ini. Di samping itu, ucapan terima kasih juga penulis ucapkan kepada dosen pemimbing Bapak Aziz Kustiyo, SSi MKom atas do’a, waktu, ilmu, kesabaran, nasihat, dan saran yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak Dr Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku penguji atas waktu, ilmu, dan sarannya. Teman-teman satu bimbingan, teman-teman alih jenis Ilmu Komputer angkatan 7 dan angkatan 6 atas kebersamaan, dukungan dan bantuannya. Serta semua pihak yang telah ikut serta membantu penulis dalam menyelesaikan tugas akhir ini. Semoga karya ilmiah ini dapat memberikan manfaat.
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE 3
Data Penelitian 3
Tahapan Penelitian 3
Studi Pustaka 4
Pengambilan Data Nada Gitar 4
Praproses 4
HASIL DAN PEMBAHASAN 9
Parameter Percobaan 9
Pengambilan Nada pada Gitar 10
Praproses 10
Hasil Percobaan 10
Analisis Hasil Percobaan 12
SIMPULAN DAN SARAN 13
Simpulan 13
Saran 13
DAFTAR PUSTAKA 14
DAFTAR TABEL
1 Set nada dalam tangga nada pentatonis 8
2 Parameter percobaan 9
3 Hasil pengenalan nada dasar pada learning rate 0.005 11
DAFTAR GAMBAR
1 Nada yang diambil pada fretboard 3
2 Tahapan penelitian 3
3 Alur praproses 4
4 Alur segmentasi sinyal suara 5
5 Alur proses ekstraksi sinyal suara dengan MFCC 5 6 Arsitektur LVQ (Fausset 1994) dengan neuron input 13 7
7 Ilustrasi pengambilan nada pada gitar 10
8 Akurasi rata-rata pada koefisien cepstral 13 11
9 Visualisasi data latih vektor ciri ke-1 12
10 Visualisasi data latih vektor ciri ke-13 13
11 Visualisasi data latih vektor ciri ke-24 13
DAFTAR LAMPIRAN
1 Tabel kombinasi melodi pada data uji 15
1
PENDAHULUAN
Latar Belakang
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi sebuah lagu atau musik instrumental, agar melodi dapat dimainkan dengan harmonis diperlukan pengetahuan akan nada dasar pada tangga nada yang dimainkan dalam sebuah lagu atau musik instrumental. Nada dasar adalah not dasar yang terdapat dalam sebuah tangga nada. Tangga nada merupakan penataan secara berurutan not-not yang menjadi materi dasar melodi untuk sebuah komposisi (Kristianto 2005). Terdapat beberapa jenis tangga nada yang sering digunakan dalam komposisi sebuah lagu atau musik instrumental, salah satunya adalah tangga nada pentatonis.
Tangga nada pentatonis banyak digunakan untuk lagu-lagu rakyat atau tradisional di Asia, Afrika, maupun di sebagian Eropa. Tangga nada pentatonis juga banyak digunakan dalam musik rock, pop, blues, dan jazz. Disebut pentatonis karena hanya mengandung lima not. Tangga nada pentatonis hampir sama dengan tangga nada mayor dan minor natural, hanya saja ada dua nada yang dihilangkan dari kedua tangga nada tersebut. Tangga nada pentatonis memiliki dua jenis skala yaitu skala pentatonis major dan skala pentatonis minor. Tangga nada pentatonis dapat dimainkan pada alat musik tiup maupun petik. Salah satu alat musik petik yang sering digunakan dalam tangga nada pentatonis adalah gitar.
Gitar merupakan alat musik petik yang sangat populer dan sering digunakan sebagai instrumen pengisi rhythm dan melodi dalam lagu. Bagi mereka yang sudah piawai memainkan gitar tentu dapat dengan mudah mengetahui nada dasar dari melodi yang didengarnya, namun bagi pemula tentunya hal tersebut akan sangat sulit untuk dilakukan. Karena seorang pemula pada umumnya belum mampu mengenali dengan baik nada yang dimainkan oleh orang lain. Di samping itu pada tangga nada pentatonis terdapat 24 nada dasar. Setiap nada dasar tersusun atas 5 nada tunggal, sehingga untuk setiap nada dasar terdapat sebanyak 5! (120) kemungkinan urutan nada-nada tersebut.
Penelitian sebelumnya yang terkait dengan pengenalan nada pada gitar pernah dilakukan oleh Haryono (2013) dan Budiarto (2014). Haryono (2013) melakukan identifikasi chord gitar menggunakan teknik mel-frequency cepstrum coefficient (MFCC) dan metode codebook dengan akurasi sebesar 98.89%. Sedangkan Budiarto (2014) melakukan identifikasi chord gitar dengan menggunakan teknik (MFCC) dan metode learning vector quantization (LVQ) menghasilkan akurasi sebesar 83.65%. Kedua penelitian tersebut masih memiliki keterbatasan yaitu hanya mampu mengenali dua chord dari gitar yang dimainkan, sehingga belum dapat mengidentifikasi nada dasarnya.
2
Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam penelitian ini adalah bagaimana melakukan segmentasi nada yang dimainkan lalu dilakukan identifikasi nada dasar dari tangga nada pentatonis yang dimainkan dalam melodi tersebut menggunakan teknik MFCC sebagai pengenalan ciri, model LVQ sebagai classifier dan algoritme template matching untuk identifikasi nada dasar dalam tangga nada pentatonis.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Melakukan segmentasi nada secara otomatis.
2 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode LVQ untuk pengenalan nada-nada dalam melodi dan algoritme template matching untuk identifikasi nada dasar dari melodi yang dimainkan dengan gitar dalam tangga nada pentatonis.
3 Mengetahui akurasi dari hasil identifikasi nada dasar.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai nada dasar dari melodi yang dimainkan menggunakan tangga nada pentatonis, sehingga dapat membantu masyarakat awam dan pemula yang baru belajar bermain musik.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini, yaitu:
1 Gitar yang digunakan adalah gitar akustik dengan senar string. 2 Gitar yang digunakan menggunakan standar tunning.
3 Data suara gitar yang digunakan sepanjang satu oktaf.
4 Tangga nada yang digunakan dalam identifikasi adalah tangga nada pentatonis. 5 Melodi yang dimainkan berisi lima not yang berbeda yang dimainkan secara
berurutan dengan 12 kombinasi melodi untuk setiap kelas nada dasar.
6 Birama yang digunakan adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute.
3
METODE
Data Penelitian
Data yang digunakan dalam penelitian ini adalah 12 nada pada oktaf C kedua yang dimainkan dengan cara dipetik menggunakan pick lalu direkam dengan sampling rate 11025Hz dalam bentuk file berekstensi WAV, 12 nada yang digunakan yaitu C, C#, D, D#, E, F, F#, G, G#, A, A#, dan B.
Tahapan Penelitian
Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2.
Gambar 2 Tahapan penelitian
4
Studi Pustaka
Pada tahap ini, kegiatan yang dilakukan adalah pencarian dan pembelajaran tentang apa yang diberkaitan dengan penelitian ini. Hal-hal yang dipelajari antara lain tentang tangga nada pentatonis, ekstraksi ciri dengan MFCC, metode klasifikasi LVQ dan algoritme template matching, serta teori yang terkait dengan pemrosesan dan pengenalan suara.
Pengambilan Data Nada Gitar
Setiap nada direkam dengan pengulangan sebanyak 60 kali sehingga data yang terkumpul sebanyak 720 data suara, 600 data suara dijadikan data latih, 12 data suara dijadikan data bobot awal dan 108 data suara sebagai data uji percobaan pengujian nada tunggal. Untuk pengenalan nada dasar, data uji direkam sebanyak 12 kombinasi berbeda dari 5 nada yang menyusun setiap kelas nada dasar sehingga terkumpul 144 data uji. Birama yang digunakan untuk pengenalan nada dasar adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute.
Praproses
Tahapan ini mengolah setiap data suara yang telah direkam. Alur dari tahapan ini dapat dilihat pada Gambar 3. Pada tahap normalisasi setiap data suara tersebut dibagi dengan nilai maksimumnya sehingga data suara memiliki nilai mendekati maksimum 1 atau minimal -1. Tahap praproses selanjutnya adalah segmentasi, pada tahap ini sinyal akan dibagi menjadi lima sinyal terpisah. Selanjutnya adalah ekstraksi ciri sinyal suara menggunakan MFCC. MFCC merupakan teknik ekstraksi ciri sinyal suara yang paling dikenal dan populer (Do 1994). Tujuan dilakukan ekstraksi ciri adalah mentransformasikan sinyal suara ke dalam vektor-vektor ciri, yang pada setiap vektornya merepresentasikan informasi yang terdapat pada beberapa frame.
Gambar 3 Alur praproses Segmentasi Sinyal Suara
5 nilai minimum < 0.15 maka frame tersebut akan disimpan, selainnya akan diabaikan. Perulangan ini berlangsung sesuai dengan jumlah frame pada data uji. Segmentasi sinyal suara hanya diterapkan pada data uji. Alur segmentasi sinyal suara dapat dilihat pada Gambar 4.
Gambar 4 Alur segmentasi sinyal suara Ekstraksi Ciri MFCC
Pada tahap ini akan dilakukan ekstraksi ciri sinyal suara yang telah disegmentasi dengan menggunakan MFCC. Dalam MFCC terdapat beberapa tahap dalam melakukan ekstraksi ciri. Alur proses MFCC dapat dilihat pada Gambar 5.
6
Frame Blocking
Dalam tahap ini sinyal suara akan dibagi ke dalam blok-blok frame. Frame yang bersebelahan akan saling overlap. Hal ini bertujuan agar tidak ada informasi yang hilang pada saat proses windowing.
Windowing
Pada tahap ini setiap blok frame akan dilakukan windowing dengan fungsi hamming window. Proses windowing ini bertujuan meminimalisasi ketidak- berlanjutan sinyal pada awal dan akhir setiap frame (Do 1994). Berikut ini adalah persamaan yang digunakan dalam proses windowing:
= . − . cos ��− , ≤ ≤ − (1)
Fast Fourier Transformation (FFT)
7 X(k) = nilai data ke-k hasil FFT
M = jumlah filter N = banyaknya data Cepstrum
Tahap ini melakukan konversi hasil mel-frequency ke domain waktu dengan menggunakan Discrete Fourier Transform (DCT). Berikut adalah persamaan yang digunakan dalam DCT.
Pelatihan dan Pengujian Model LVQ
Learning vector quantization (LVQ) merupakan metode klasifikasi pola, setiap neuron output pada LVQ mewakili kelas atau kategori tertentu. LVQ mempunyai vektor bobot disetiap neuron output. Selama proses training, LVQ melakukan update pada setiap vektor bobot dari neuron yang mewakili tiap kelas. Setelah proses training selesai, akan dilakukan klasifikasi pada neuron input sesuai dengan bobot akhir hasil training (Fausett 1994). Terdapat dua arsitektur LVQ dalam penelitian ini, yaitu arsitektur dengan neuron input 13 dan neuron input 26. Arsitektur dengan neuron input 13 dapat dilihat pada Gambar 6.
Gambar 6 Arsitektur LVQ (Fausset 1994) dengan neuron input 13 Berikut adalah algoritme dari model LVQ menurut Fausett (1994): x = Vektor training(x1, …, xi, …, x)
T = Kelas yang benar (acuan) untuk vektor training
wj = Vektor bobot untuk neuronoutput ke-j (w1j, …,wij, …,wj)
8
||x - wj|| = Jarak euclidean antara neuroninput dengan vektor bobot untuk neuron
output ke-j
1 Inisialisasi vektor bobot awal dan learning rateα
2 Jika kondisi berhenti belum terpenuhi, lakukan tahap 3-6. 3 Untuk setiap vektor trainingx, lakukan tahap 4-5.
4 Temukan j hingga ||x – wj|| didapat nilai minimum.
5 Update vektor bobot dengan cara berikut: Jika T = Cj maka
Pengujian dilakukan dari data uji yang telah diekstraksi ciri menggunakan MFCC kemudian diklasifikasi dengan model LVQ menggunakan bobot dari hasil training LVQ data latihnya. Setiap nada gitar yang diuji akan diklasifikasikan ke- kelas yang sesuai.
Identifikasi Nada Dasar
Pada Tahap ini dilakukan identifikasi nada dasar berdasarkan kombinasi nada hasil klasifikasi yang terdapat pada data uji. Dalam tangga nada pentatonis setiap tangga nada memiliki pola atau susunan nada yang berbeda, sehingga diperlukan kondisi atau syarat yang berbeda untuk identifikasi tiap tangga nada. Pada penelitian ini identifikasi nada dasar dilakukan dengan menggunakan algoritme template matching.
Algoritme template matching sebelumnya pernah digunakan oleh Lee (2006) untuk pengenalan chord gitar dengan menggunakan 12-dimensional template. Setiap biner pada 12-dimensional template dapat disamakan dengan pitch class dalam chromatic scale. Dalam penelitian ini template telah dibuat sebelumnya dengan set nada yang berbeda untuk setiap nada dasar dalam tangga nada pentatonis seperti pada Tabel 1.
Tabel 1 Set nada dalam tangga nada pentatonis Tangga Nada Pentatonis Set Nada
9 Pada tahap identifikasi nada dasar digunakan relative key untuk mempermudah dalam mengidentifikasi tangga nada. Relative key merupakan tangga nada major dan minor yang memiliki kesamaan jumlah key signature. Pada tangga nada C major dan A minor pentatonis memiliki kesamaan set nada, sehingga akan membentuk template yang sama.
Lingkungan Pengembangan
Penelitian ini dilakukan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut:
Sistem operasi Windows 8.1 Pro 32 bit
MATLAB 8.1 (R2013a)
Audacity 2.0.5
HASIL DAN PEMBAHASAN
Parameter Percobaan
Pada penelitian ini terdapat beberapa parameter yang digunakan dalam percobaan, parameter percobaan tersebut meliputi segmentasi sinyal suara, LVQ, dan MFCC. Batas atas amplitudo 0.15 Batas bawah amplitudo -0.15
LVQ
Neuron input 13 dan 26 Neuron output 12
Learning rate 0.001, 0.002, 0.003, 0.004, 0.005
Epoch 150
Pengurangan learning rate 0.9
MFCC
10
Berdasarkan Tabel 2 nilai time frame pada segmentasi sinyal suara lebih besar dibandingkan dengan nilai time frame pada MFCC. Perbedaan nilai tersebut sengaja dilakukan karena dengan blok frame yang lebih lebar maka komputasi dalam segmentasi sinyal suara akan lebih cepat.
Pengambilan Nada pada Gitar
Nada pada gitar direkam dengan bantuan guitar link melalui perangkat lunak Audacity. Untuk data latih, setiap nada direkam selama 2 detik dengan cara dipetik menggunakan pick lalu disimpan ke dalam file berekstensi WAV, sedangkan untuk durasi rekam data uji direkam berdasarkan tempo yang digunakan. Tempo yang digunakan dalam data uji adalah 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute. Detail urutan nada dalam data uji dapat dilihat pada Lampiran 1. Data uji merupakan melodi dengan 5 kombinasi nada yang dipetik secara berurutan, terdapat 12 data suara atau file data uji untuk setiap kelas nada dengan diberikan tempo yang berbeda pada setiap 3 file. Pada Gambar 7 disajikan ilustrasi pengambilan nada pada gitar.
Gambar 7 Ilustrasi pengambilan nada pada gitar Praproses
Pada tahap awal praproses, data suara dinormalisasi dengan cara membagi semua nilai nada dengan nilai maksimum dari absolut nilai nada. Kemudian, pada data uji akan dilakukan segmentasi. Setelah itu, pada setiap data suara hasil segmentasi dilakukan ekstraksi ciri dengan menggunakan MFCC. Proses ekstraksi ciri dengan MFCC ini dilakukan dengan menggunakan fungsi auditory toolbox Matlab.
Hasil Percobaan
Penelitian ini memiliki hasil percobaan yang variatif pada nilai koefisien cepstral 13. Hasil akurasi rata-rata dengan nilai learning rate 0.001, 0.002, 0.003, 0.004 dan 0.005 menunjukan bahwa dengan nilai koefisien cepstral 13 identifikasi nada dasar dalam tangga pentatonis belum dapat menunjukan hasil yang baik.
Gitar
Guitar Link
11
Gambar 8 Akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13 Pada Gambar 8 disajikan akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13. Pada Gambar 8 dapat dilihat bahwa akurasi rata-rata tertinggi untuk kategori benar adalah 6.94% yang terdapat pada nilai learning rate 0.005. Jika dicermati terjadi peningkatan akurasi pada kategori benar seiring dengan bertambahnya nilai learning rate. Namun sebagian besar hasil identifikasi masih masuk ke dalam kategori bukan pentatonis. Penyebab kesalahan identifikasi nada dasar tersebut adalah kurang beragamnya nilai vektor pada koefisien cepstral 13 yang menyebabkan kesalahan pengenalan nada tunggal pada tahap klasifikasi dengan LVQ.
Tabel 3 Hasil pengenalan nada dasar pada learning rate 0.005
Kelas Nada Dasar Prediksi Jumlah Prediksi
12
Pada Tabel 3 disajikan hasil identifikasi nada dasar pada nilai learning rate 0.005. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori benar terdapat pada kelas nada C major/A minor, G major/E minor, dan A major/F# minor. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori salah terdapat pada kelas nada dasar D# major/F# minor, F major/D minor, G major/E minor, G# major/F minor, dan A# major/G minor. Sedangkan untuk kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori bukan pentatonis terdapat pada seluruh kelas nada kecuali pada kelas nada dasar A# major/G minor.
Berdasarkan Tabel 3 jumlah data uji yang diidentifikasi ke dalam kategori benar adalah 10 data uji. Data uji yang diidentifikasi ke dalam kategori salah berjumlah 31 data uji, sedangkan yang diidentifikasi ke dalam kategori bukan pentatonis berjumlah 103 data uji.
Pada hasil percobaan dengan nilai koefisien cepstral 26 memiliki hasil akurasi 100% untuk semua nilai learning rate, hasil ini sangat jauh berbeda jika dibandingkan dengan hasil akurasi yang didapat dari nilai koefisien cepstral 13.
Analisis Hasil Percobaan
Berdasarkan hasil percobaan pada penelitian ini didapatkan hasil akurasi yang jauh berbeda antara nilai koefisien cepstral 13 dengan nilai koefisien cepstral 26, dengan menggunakan nilai koefisien cepstral 13 hasil identifikasi data uji yang berhasil diidentifikasi dengan benar hanya memiliki akurasi rata-rata < 5%, sangat berbeda dengan hasil identifikasi data uji dengan nilai koefisien cepstral 26 yang memiliki akurasi rata-rata 100% untuk setiap nilai learning rate.
Kesalahan yang terjadi dalam klasifikasi nada pada nilai koefisien cepstral 13 disebabkan oleh kedekatan nilai pada vektor ciri setiap kelas nada mulai dari vektor ciri ke-1 sampai ke-13. Pada penelitian ini mulai dari vektor ciri ke-1 sampai dengan vektor ciri ke-6 semua kelas nada memiliki sebaran menyerupai vektor ciri ke-1 seperti yang disajikan pada Gambar 9.
Pada vektor ciri ke-7 sampai dengan vektor ciri ke-17 terjadi sedikit perubahan sebaran dalam vektor ciri data latih, kemiripan vektor ciri kali ini terdapat pada kelas nada yang berdekatan, sehingga memiliki sebaran meyerupai vektor ciri ke-13 seperti pada Gambar 10.
13
Untuk vektor ciri ke-18 sampai dengan vektor ciri ke-26 sebaran data mulai beragam meski masih terdapat nilai yang berdekatan, sebaran data menyerupai vektor ciri ke-24 yang disajikan pada Gambar 11. Untuk lebih lengkapnya, keseluruhan visualisasi vektor ciri pada data latih dapat dilihat pada Lampiran 2.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan: 1 Penelitian ini berhasil menerapkan segmentasi melodi secara otomatis.
2 Penelitian ini berhasil menerapkan LVQ sebagai metode klasifikasi dan MFCC sebagai teknik ekstraksi ciri dalam pengenalan nada dan algoritme template matching untuk identifikasi nada dasar dalam tangga nada pentatonis pada gitar. 3 Pada nilai koefisien cepstral 13 akurasi tertinggi adalah 6.94%, sedangkan
pada nilai koefisien cesptral 26 akurasi tertinggi yang dihasilkan adalah 100%. Saran
Saran yang dapat diberikan untuk penelitian selanjutnya yaitu, mencoba identifikasi nada dasar dengan panjang melodi, birama dan tempo yang berbeda.
Gambar 10 Visualisasi data latih vektor ciri ke-13
14
DAFTAR PUSTAKA
Budiarto A. 2014. Penerapan LVQ dengan inisialisasi K-Means untuk pengenalan nada gitar dengan ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Do MN. 1994. Digital signal processing mini-project: an automatic recognition system [Internet]. [diunduh 2014 Jun 5]. Tersedia pada: http://minhdo.ece.illinois.edu/teaching/speaker_recognition.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey (US): Prentice Hall.
Haryono T. 2013. Pengembangan model codebook untuk identifikasi chord gitar [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Kristianto J. 2005. Gitarpedia: Buku Pintar Gitaris. Jakarta (ID): PT.Gramedia Pustaka Utama.
15
15
Lampiran 1 Tabel kombinasi melodi pada data uji Urutan
Data Uji
Kombinasi Melodi
C major / A minor C# major / A# minor D major / B minor D# major / C minor E major / C# minor F major / D minor
1 A G E D C C# D# F G# A# B A F# E D D# F G A# C E F# G# B C# F G A C D
2 C D E G A A# G# F D# C# D E F# A B C A# G F D# C# B G# F# E D C A G F
3 D E A G C D# F A# G# C# E F# B A D F G C A# D# F# G# C# B E G A D C F
4 E D C G A F D# C# G# A# F# E D A B G F D# A# C G# F# E B C# A G F C D
5 G A E C D G# A# F C# D# A B E F# D A# C F G D# B C# F# G# E C D G A F
6 A E G C D C# D# F A# G# D E F# B A D# F G C A# E F# G# C# B F G A D C
7 C D E A G A# F G# C# D# E D F# A B F D# G A# C F# E G# B C# G F A C D
8 D C E G A D# C# F G# A# D E A B F# D# F A# C G E F# B C# G# F G C D A
9 C D G A E C# D# G# A# F B F# A D E C G A# D# F C# G# B E F# D A C F G
10 D E C G A D# F C# G# A# E F# D A B F G D# A# C F# G# E B C# G A F C D
11 G E D C A G# F D# C# A# A F# E D B A# G F D# C B G# F# E C# C A G F D
16 Lampiran 1 Lanjutan
Urutan Data
Uji
Kombinasi Melodi
F# major / D# minor G major / E minor G# major / F minor A major / F# minor A# major / G minor B major / G# minor
1 F# G# A# C# D# G A B D E G# A# C D# F A B C# E F# A# C D F G B C# D# F# G#
2 D# C# A# G# F# E D B G A F D# C A# G# F# E C# B A G F D C A# G# F# D# C# B
3 G# A# D# C# F# A B E D G A# C F D# G# B C# F# E A C D G F A# C# D# G# F# B
4 A# G# F# C# D# B A G D E C A# G# D# F C# B A E F# D C A# F G D# C# B F# G#
5 C# D# G# A# F# D E A B G D# F A# C G# E F# B C# A F G C D A# F# G# C# D# B
6 F# G# A# D# C# G A B E D G# A# C F D# A B C# F# E A# C D G F B C# D# G# F#
7 G# F# A# C# D# G A B D E A# G# C D# F B A C# E F# C A# D F G C# B D# F# G#
8 F# G# C# D# A# G A D E B G# A# D# F C A B E F# C# A# C F G D B C# F# G# D#
9 D# A# C# F# G# E B D G A F C D# G# A# F# C# E A B G D F A# C G# D# F# B C#
10 G# A# F# C# D# A B G D E A# C G# D# F B C# A E F# C D A# F G C# D# B F# G#
11 C# A# G# F# D# D B A G E D# C A# G# F E C# B A F# F D C A# G F# D# C# B G#
12 F# C# A# D# G# G D B E A G# D# C F A# A E C# F# B A# F D G C B F# D# G# C#
Keterangan:
17 Lampiran 2 Vektor ciri data latih
Ciri ke-1 Ciri ke-2 Ciri ke-3 Ciri ke-4
Ciri ke-5 Ciri ke-6 Ciri ke-7 Ciri ke-8
18 Lampiran 2 Lanjutan
Ciri ke-13 Ciri ke-14 Ciri ke-15 Ciri ke-16
Ciri ke-17 Ciri ke-18 Ciri ke-19 Ciri ke-20
19 Lampiran 2 Lanjutan
20
20
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada 1 Maret 1990 dari Bapak Supoyo dan Ibu Sudarsini, penulis merupakan anak ketiga dari tiga bersaudara. Pada tahun 2008 penulis lulus dari SMA Negeri 7 Kota Bogor dan pada tahun yang sama penulis lulus seleksi dan masuk Program Diploma Institut Pertanian Bogor program keahlian Teknik Komputer melalui jalur USMI. Penulis menyelesaikan studi diploma selama tiga tahun dan lulus pada tahun 2011. Pada tahun 2012 penulis melanjutkan studinya ke jenjang sarjana di Program Alih Jenis Institut Pertanian Bogor, FMIPA Departemen Ilmu Komputer.
