Pembangunan Metode Codebook untuk Identifikasi Chord Gitar dengan Teknik Ekstraksi Ciri MFCC

PEMBANGUNAN METODE

CODEBOOK

UNTUK

IDENTIFIKASI

CHORD

GITAR DENGAN

TEKNIK EKSTRAKSI CIRI MFCC

ARMEN MARTA

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 Pembangunan Metode Codebook untuk Identifikasi Chord Gitar Dengan Teknik Ekstraksi Ciri MFCC 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

ARMEN MARTA. Pembangunan Metode Codebook untuk Identifikasi Chord Gitar Dengan Teknik Ekstraksi Ciri MFCC. Dibimbing oleh AGUS BUONO.

Berbagai jenis chord dapat dimainkan pada alat musik gitar. Namun, pengenalan chord gitar secara manual sulit dilakukan. Penelitian ini mengembangkan sistem identifikasi chord pada gitar yang menggunakan metode codebook, MFCC, dan K-means clustering. Codebook digunakan sebagai metode pengenalan pola untuk identifikasi jenis chord gitar, sedangkan MFCC digunakan sebagai metode ekstraksi ciri. Parameter yang digunakan dalam proses MFCC adalah jumlah koefisien cepstral, overlap, dan time frame, sedangkan parameter yang digunakan dalam K-Means adalah jumlah cluster. Penelitian ini menggunakan 1440 data suara gitar yang dibagi ke dalam 72 kelas, sehingga masing-masing kelas mempunyai 20 data suara gitar. Hasil penelitian menunjukkan bahwa akurasi maksimum yang didapat adalah 99.72% pada jumlah koefisien cepstral 26, overlap 0.4, time frame 30 ms, dan jumlah cluster 5.

Kata kunci: Chord, Codebook, Gitar, K-Means, MFCC

ABSTRACT

ARMEN MARTA. Development of Codebook Method for the Identification of Guitar Chord with MFCC Feature Extraction Techniques. Supervised by AGUS BUONO.

Various types of chords can be produced by a guitar instrument. However, it is difficult to recognize a guitar chord manually. This research develops a system to recognize a chord on the guitar using codebook, MFCC, and K-means clustering. The codebook is used as the pattern recognition method for identification of guitar sound, while MFCC is used as a method of feature extraction. The parameters used in the process of MFCC are the number of cepstral coefficients, overlap, and the time frame, while the parameter used in the process of K-means clustering is the number of cluster. This research used 1440 guitar sound data that are divided into 72 class, so that each class has 20 guitar sound data. The results showed that the maximum accuracy obtained is 99.72% when the number of cepstral coefficients are 26, overlap value is 0.4, time frame is 30 ms, and the number of cluster is 5.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer

pada

Departemen Ilmu Komputer

PEMBANGUNAN METODE

CODEBOOK

UNTUK

IDENTIFIKASI

CHORD

GITAR DENGAN

TEKNIK EKSTRAKSI CIRI

MFCC

ARMEN MARTA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Penguji:

Judul Skripsi : Pembangunan Metode Codebook untuk Identifikasi Chord Gitar dengan Teknik Ekstraksi Ciri MFCC

Nama : Armen Marta

NIM : G64104029

Disetujui oleh

Dr Ir Agus Buono, MSi, MKom. Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom. Ketua Departemen

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah bahasa alami, dengan judul Pembangunan Metode Codebook untuk Identifikasi Chord Gitar dengan Teknik Ekstraksi Ciri MFCC.

Terima kasih penulis ucapkan kepada Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing. Terima kasih penulis ucapkan kepada Bapak Mushthofa dan Ibu Karlisa selaku penguji. Terima kasih kepada Toni Haryono, Yosi Handayani, dan Arviani Rizki yang telah membantu penulis untuk mengumpulkan data dan memberikan masukan. Terima kasih juga penulis ucapkan kepada ayah, ibu, serta keluarga, atas segala doa dan kasih sayangnya.

Semoga karya ilmiah ini bermanfaat.

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 1

Tujuan Penelitian 1

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE PENELETIAN 2 Perekaman Chord 3

Data latih dan data uji 5

Praproses 5

Ekstraksi Ciri dengan MFCC 5

Pengenalan Pola dengan Codebook 7

Pengujian 9

Lingkungan Pengembangan Sistem 9

HASIL DAN PENGUJIAN 9 Perekaman Chord 9

Ekstraksi Ciri dengan MFCC 9

Pemodelan Codebook 10

Hasil Pengujian 10

Tampilan Program 12

Analisis Kesalahan 13

DAFTAR PUSTAKA 15

DAFTAR TABEL

1 Daftar chord gitar yang digunakan 4

2 Hasil pengujian nilai k bersasarkan koefisien cepstral 10

DAFTAR GAMBAR

1 Tahapan transformasi sinyal suara menjadi informasi (Buono 2009) 3

2 Diagram proses pengenalan chord gitar 4

3 Proses penghapusan silent dan normalisasi suara 5

4 Diagram alur MFCC (Buono 2009) 6

5 Ilustrasi sebaran codebook 8

6 Diagram batang pengujian nilai k bersasarkan koefisien cepstral 11

7 Akurasi chord tertinggi dan terdendah 11

8 Tampilan program awal 12

PENDAHULUAN

Latar Belakang

Orang awam ataupun orang yang sudah terbiasa bermain gitar sering kesulitan untuk mengenali sebuah nada. Hal ini disebabkan oleh sifat manusia yang cenderung subjektif dalam mengenali nada. Manusia butuh banyak latihan dan pemahaman tentang gitar untuk mengenali nada tersebut.

Salah satu solusi yang dapat dilakukan untuk mengenali nada yaitu dengan menggunakan komputer. Hal ini dapat berjalan karena sifat komputer yang objektif dan konsisten terhadap tugas yang diberikan. Pada alat musik gitar, ada sebuah istilah yang dikenal dengan chord. Chord direpresentasikan sama seperti nada yaitu dengan huruf. Huruf-huruf tersebut ialah : C, D, E, F, G, A, dan B. Tangga nada adalah susunan nada-nada dengan sistem jarak tertentu di sepanjang kesatuan enam jarak nada atau oktaf (Solapung 1991). Chord dapat menghasilkan bunyi yang harmonis. Bunyi harmonis tersebut bergantung pada struktur penyusunnya. Penelitian ini mencoba membuat sistem otomatis untuk identifikasi chord gitar.

Penelitian sebelumnya yang dilakukan oleh Wisnudisastra (2009), menggunakan metode codebook dan teknik mel-frequency cepstrum coefficient (MFCC) dalam mengenali sebuah chord. Metode dan teknik ini menghasilkan rataan akurasi sebesar 91% untuk percobaan menggunakan 13 koefisien cepstral dan 96% untuk percobaan menggunakan 26 koefisien cepstral.

Pada penelitian ini, peneliti akan menggunakan metode codebook dan ekstraksi ciri MFCC. Dalam pengenalan suara, MFCC dapat merepresentasikan sinyal lebih baik dibandingkan dengan linear prediction cepstrum coeffficient (LPCC) dan teknik lainnya (Buono 2009). Metode LPCC memiliki keunggulan dalam hal komputasi yang lebih sederhana, namun tingkat akurasinya tidak sebaik MFCC. Penelitian ini akan menggunakan data chord gitar sebanyak 72 jenis chord dengan tuning gitar mengikuti standar yang telah ditentukan.

Perumusan Masalah

Data Gitar direkam untuk dilakukan pelatihan data dan pengujian data. Dengan dilakukan pelatihan dan pengujian data, bagaimana komputer dapat mengidentifikasi suara gitar dari data yang sudah direkam atau dari rekaman langsung pada gitar.

Tujuan Penelitian

2

Manfaat Penelitian

Manfaat dari penelitian ini adalah memudahkan pengguna untuk menentukan chord tertentu, dan membantu pengguna awam dalam pembelajaran chord pada gitar.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah: 1 Chord yang dikenali berjumlah 72 jenis.

2 Chord dimainkan dengan cara dipukul serentak dari atas ke bawah.

3 Suara chord yang dikenali dimainkan menggunakan jenis gitar dengan senar string.

METODE PENELETIAN

Komputer dikenal dapat memproses sinyal digital. Sinyal suara merupakan sinyal waktu kontinyu atau dikenal dengan sinyal analog. Agar sinyal suara dapat diproses oleh sistem komputer, maka diperlukan suatu cara untuk mengonversi sinyal analog menjadi sinyal digital. Pengolahan sinyal analog menjadi sinyal digital dapat dilakukan melalui dua tahap, yaitu sampling dan kuantisasi (Jurafsky 2007).

Terdapat beberapa tahap agar komputer dapat memproses suara pembicara menjadi suatu informasi. Tahapan tersebut terdiri dari digitalisasi sinyal analog, pembacaan sinyal, ekstraksi ciri, dan pengenalan pola, seperti yang disajikan pada Gambar 1.

Sampling adalah proses pengambilan nilai setiap jangka waktu tertentu. Nilai ini menyatakan amplitudo volume suara pada saat itu. Hasilnya adalah sebuah vektor yang menyatakan nilai-nilai hasil sampling. Panjang vektor data ini tergantung pada panjang atau lamanya suara yang didigitalisasikan serta sampling rate yang digunakan pada proses digitalisasinya. Banyaknya sample yang diambil tiap detiknya disebut sampling rate. Sampling rate yang biasa digunakan adalah 8000 Hz dan 16000 Hz (Jurafsky & Martin 2000). Hubungan antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya data suara yang digitalisasikan dapat dinyatakan secara sederhana sebagai berikut:

S = Fs * T S = jumlah sample

Fs = sampling rate yang digunakan (Hertz) T = panjang suara (detik)

Proses selanjutnya adalah kuantisasi, yaitu menyimpan nilai amplitudo ini ke dalam representasi nilai 8 bit atau 16 bit (Jurafsky & Martin 2000).

3 setiap frame sehingga didapatkan vektor ciri. Pengenalan pola dilakukan untuk setiap vektor ciri sehingga diperoleh informasi yang diinginkan.

Gambar 1 Tahapan transformasi sinyal suara menjadi informasi (Buono 2009) Sistem pengenalan chord gitar dibuat dengan menggunakan perangkat lunak MATLAB R2008b. Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap, yaitu: Pengambilan data, preprocessing, pemodelan codebook, dan pengujian. Alur metode dapat dilihat pada Gambar 2

Perekaman Chord

4

Table 1 Daftar chord gitar yang digunakan

Chord Dasar Jenis Chord

Data direkam langsung dengan gitar melalui microphone menggunakan software Matlab selama 2 detik. Proses perekaman dilakukan ditempat yang hening agar data yang didapat menjadi lebih baik dan sedikit noise. Sampling rate yang digunakan untuk merekam masing-masing chord yaitu 11000 Hz.

5 Data latih dan data uji

Sebuah chord direkam sebanyak 20 kali. Chord yang digunakan pada penelitian ini berjumlah sebanyak 72 jenis. Sehingga total rekaman keseluruhan chord yaitu sebanyak 1440 rekaman. Masing-masing chord dibagi menjadi data latih dan data uji, dengan proporsi data latih : data uji sebesar 75%:25%.

Praproses

Tahapan praproses terdiri dari normalisasi suara dan penghapusan silent. Data suara perlu dinormalisasi terlebih dahulu, karena data suara memiliki nilai range amplitude yang berbeda. Normalisasi dilakukan dengan cara membagi setiap nilai dengan nilai maksimum pada data masing-masing suara. Tujuannya agar didapat range nilai amplitude suara yang sama. Tahapan selanjutnya pada praproses yaitu penghapusan silent. Penghapusan silent berfungsi untuk menghapus bagian suara diam yang terdapat pada awal perekaman suara dan akhir perekaman suara. Proses dapat terlihat pada Gambar 3.

Ekstraksi Ciri dengan MFCC

MFCC merupakan cara yang sering digunakan untuk pemrosesan suara, karena dianggap cukup baik dalam mempresentasikan ciri sebuah sinyal. Cara kerja MFCC didasarkan atas pendengaran manusia. Tahapan-tahapan alur MFCC dapat dilihat pada Gambar 4.

Berdasarkan Gambar 4, sinyal dibaca dari frame ke frame dengan nilai overlap tertentu, kemudian dilakukan windowing untuk setiap frame. Setelah itu, transformasi Fourier dilakukan untukmengubah dimensi suara dari domain waktu ke domain frekuensi. Dari hasil transformasi Fourier, spectrum mel dihitung menggunakan sejumlah filter yang dibentuk untuk mengikuti persepsi sistem pendengaran manusia yang bersifat linear. Proses ini dikenal dengan Mel Frequency Wrapping. Koefisien MFCC merupakan hasil transformasi Cosinus dari spectrum mel tersebut dan dipilih koefisien cepstral. Transformasi Cosinus berfungsi untuk mengembalikan dari domain frekuensi ke domain waktu.

6

Frame Blocking

Pada proses ini, sinyal suara dibagi menjadi beberapa frame. Setiap frame memilki N sample yang direpresentasikan dalam bentuk verktor. Frame-frame yang bersebelahan akan saling tumpang tindih (overlap). Hal ini dilakukan agar tidak ada sedikitpun sinyal yang hilang (deletion). Pada penelitian ini, akan digunakan time frame 30 ms, overlap 40% dan coefisien cepstral sebesar 13 dan 26.

Cepstrum Coefficients : Discrete Cosine Transform (Do 1994)

Cj=nilai koefisien C ke j,j = jumlah koefisien cepstral

Xk=nilai-nilai sampel yang akan diproses pada domain frekuensi

Xn=magnitude frekuensi dari sini diperoleh M filter, dan dihitung spektrum Mel:

��(k) = nilai filter segitiga ke i, X k =nilai data ke k hasil proses FFT

M = jumlah filter, N = banyaknya data

7

Windowing

Sinyal analog yang sudah diubah menjadi sinyal digital dibaca frame demi frame dan pada setiap frame-nya dilakukan windowing dengan fungsi window tertentu. Proses windowing bertujuan untuk meminimalisasi ketidakberlanjutan sinyal pada awal dan akhir setiap frame (Do 1994). Dengan pertimbangan kesederhanaan formula dan nilai kinerja window, maka penggunaan window Hamming cukup beralasan (Buono 2009).

Transformasi Fourier

Analisis Fourier muncul dari paper yang ditulis oleh Jean Baptiste Joseph Fourier (1768-1830) yang di-review oleh Joseph Louise Louis Lagrange (1736-1813) dan Pierre Simon de Laplace (1749-1827). Analisis ini merupakan suatu teknik matematika untuk mendekomposisi sinyal menjadi sinyal-sinyal sinusoidal. Untuk dapat melihat perbedaan sinyal suara yang berbeda-beda, harus dilihat dari domain frekuensi karena kalau dilihat dari domain waktu perbedaanya sulit terlihat. Untuk itu, sinyal suara yang berada pada domain waktu diubah ke domain frekuensi dengan Fast Fourier Transform (FFT). Dengan algoritme FFT, kompleksitas menjadi rendah (Buono 2009). Dengan alasan inilah maka pada penelitian ini, transformasi Fourier yang digunakan adalah algoritme FFT.

Mel Frequency Wrapping

Persepsi manusia terhadap frekuensi sinyal suara tidak berupa skala linier. Oleh karena itu, untuk setiap nada dengan frekuensi aktual f (dalam Hertz) tinggi subjektifnya diukur dengan skala mel (Melody). Skala mel-frequency adalah selang linear untuk frekuensi di bawah 1000Hz dan selang logaritmik untuk frekuensi di atas 1000Hz (Do 1994).

Transformasi Kosinus (Discrete Cosine Transform)

Langkah terakhir yaitu mengonversikan log mel spectrum ke domain waktu. Hasilnya disebut mel frequency cepstrum coefficients. Representasi cepstral spectrum suara merupakan representasi property spectral local yang baik dari suatu sinyal untuk analisis frame. Mel spectrum coefficients dan logaritmanya berupa bilangan riil sehingga dapat dikonversikan ke domain waktu dengan menggunakan Discrete Cosine Transform (DCT).

Pengenalan Pola dengan Codebook

8

Gambar 5 Ilustrasi sebaran codebook

Langkah pertama yang dilakukan oleh algoritma ini adalah menentukan K-initial centroid, dengan K adalah parameter spesifik yang ditentukan user, yang merupakan jumlah cluster yang diinginkan. Setiap titik atau objek kemudian ditempatkan pada centroid terdekat. Kumpulan titik atau objek pada tiap centroid disebut cluster. Kemudian langkah penempatan objek dan perubahan centroid diulangi sampai tidak ada objek yang berpindah cluster.

Setiap suara yang masuk, akan dihitung jaraknya dengan codebook setiap kelas. Kemudian jarak setiap sinyal suara ke codebook dihitung sebagai jumlah jarak setiap frame sinyal suara tersebut ke setiap codeword yang ada pada codebook. Kemudian dipilih codeword dengan jarak minimum. Setelah itu, setiap sinyal suara yang masuk akan diidentifikasi berdasarkan jumlah dari jarak minimum tersebut. Penghitungan jarak dilakukan dengan menggunakan jarak euclid yang didefinisikan sebagai berikut (Buono dan Kusumoputro, 2007):

d_euclidean (x,y) = (x_i - y_i)2

D

i=1

x dan y adalah vektor yang ada sepanjang vector dimension (D).

Jika dalam sinyal suara input O terdapat T frame dan codewordk merupakan masing-masing codeword yang ada pada codebook, jarak sinyal input dengan codebook dapat dirumuskan:

jarak O,codebook = min⁡[d(O_b codeword_k)]

T

9 Pengujian

Proses pengujian dilakukan dengan membandingkan data yang diuji dengan chord yang teridentifikasi dari 72 chord yang ada. Sistem otomatis akan mengklasifikasi chord ke kelas yang sesuai. Proses pengklasifikasian tesebut dilakukan dengan cara menghitung total jarak minimal dari setiap frame pada

Lingkungan pengembangan adalah kumpulan fasilitas yang diperlukan dalam melaksanakan penelitian, baik berupa perangkat keras maupun perangkat lunak. Pada penelitian ini lingkungan pengembangan yang digunakan adalah sebagai berikut:

 Perangkat lunak: Windows 7 Home Premium, Matlab R2008b

 Perangkat keras: AMD Turion™ X2 Ultra Dual-Core Mobile ZM-80 2.1 GHz dan 4 GB RAM

HASIL DAN PENGUJIAN

Perekaman Chord

Pada penelitian ini chord direkam langsung menggunakan perangkat lunak Matlab selama 2 detik dan disimpan ke dalam file wav. Jumlah data chord gitar yang direkam berjumlah 1440 data. Data tersebut di bagi ke dalam 72 jenis chord dan direkam masing-masingnya sebanyak 20 kali.

Ekstraksi Ciri dengan MFCC

10

Pemodelan Codebook

Pada penelitian ini dilakukan pemodelan codebook dengan menggabungkan setiap data latih pada masing-masing jenis chord. Data yang digunakan merupakan data latih yang diperoleh dari tahap MFCC. Setelah itu dilakukan proses clustering dengan menggunakan K-means. Data yang sudah diklasterkan merupakan gabungan koefisien dari setiap data latih. penelitian ini menggunakan nilai k 3, 5, 8, 10, 12, 14, dan 16.

Hasil Pengujian

Pada hasil pengujian dilakukan percobaan dengan nilai k 3, 5, 8, 10, 12, 14, dan 16. Masing-masing percobaan dengan nilai k tertentu dilakukan dua pengujian menggunakan koefisien cepstral (koef) sebesar 13 dan 26. Parameter lain yang digunakan pada pengujian ini yaitu time frame sebesar30 ms, overlap sebesar 0.4, dan proporsi latih sebanyak 15 data. Kasus percobaan tersebut akan diambil rata-rata akurasinya untuk mengetahui hasil akhir yang didapat dari metode codebook.

Pengujian Akurasi bersasarkan Nilai K dan Jumlah Koefisien Cepstral

Pada Tabel 3, rata-rata akurasi tertinggi nilai k berdasarkan koefisien cepstral terjadi pada nilai k 8, 12, dan 14 dengan rata-rata 98.89%, dan akurasi terendah terjadi pada nilai k 3 dengan rata-rata 96.39%.

Table 2 Hasil pengujian nilai k bersasarkan koefisien cepstral

Coef K

11

Gambar 6 Diagram batang pengujian nilai k bersasarkan koefisien cepstral

Terlihat pada hasil pengujian nilai k berdasarkan koefisien cepstral bahwa dengan nilai k yang semakin besar cenderung mampu menghasilkan akurasi yang lebih baik. Hal ini terjadi karena data yang digunakan pada penelitian ini mungkin lebih sesuai dengan nilai k yang lebih besar. Hanya saja dalam segi waktu proses akan memakan waktu yang lebih lama.

Gambar 7 menunjukan perbandingan akurasi tertinggi dan akurasi terendah hasil chord yang diperoleh. terlihat bahwa chord B6 merupakan chord yang paling kecil akurasinya yaitu sebesar 0%. rata-rata akurasi terendah pada masing-masing nilai k terjadipada chord A.

Gambar 7 Akurasi chord tertinggi dan terendah

12

Parameter yang mempengaruhi tingkat akurasi pada penelitian ini yaitu jumlah koefisien cepstral. semakin besar jumlah koefisien cepstral, semakin tinggi tingkat akurasinya, sedangkan nilai k tidak terlalu berpengaruh. Oleh karena itu, pengidentifikasian selanjutnya untuk mengenali chord disarankan menggunakan koefisien 26 dan menggunakan nilai k 5, karena nilai k 5 merupakan nilai k terkecil dengan tingkat akurasi tertinggi. Tujuannya agar pengenalan chord dengan K lebih kecil menjadi lebih cepat.

Tampilan Program

Tampilan program yang dibuat pada penelitian ini dapat dilihat pada Gambar 8. Terlihat bahwa terdapat beberapa tombol yang mempunyai fungsi masing-masing. Tombol browse berfungsi sebagai tombol untuk memilih chord yang akan diuji, dengan data yang diuji berupa file WAV. Program juga dapat melakukan pengujian langsung dengan cara menekan tombol record untuk merekam suara gitar, dan memutar hasil rekaman dengan menekan tombol play. Tombol recognition berfungsi untuk memproses suara yang diuji dan menampilkan hasilnya.

Gambar 8 Tampilan program awal

13

Gambar 9 Tampilan program hasil data yang diuji

Pada Gambar 9 terdapat beberapa field yang menampilkan hasil empat chord terdekat masing-masing field berupa nama chord dan nilai yang terdeteksi. Nilai yang paling kecil merupakan nilai hasil chord yang paling mendekati.

Analisis Kesalahan

Terlihat dari hasil pengujian diatas bahwa pengenalan chord gitar menggunakan metode codebook dengan koefisien 26 dan nilai k 5, 8, 10, 12, 14, dan 16 mampu menghasilkan hasil rata- rata akurasi yang paling baik. Nilai k tersebut merupakan nilai k yang sudah stabil karena hanya terjadi satu kesalahan dalam pengenalan chord yang sama, yaitu chord Dis, sedangkan pada chord lain sistem mampu mengenali chord dengan baik. Lampiran 1 merupakan confusion matrik kesalahan dalam pengenalan chord pada koefisien 26 dengan nilai k 5, 8, 10, 12, 14, dan 16.

PadaLampiran 1 terjadi kesalahan pengenalan chord pada chord Dis. Disini terlihat bahwa chord Dis dikenali sebagai chord Dis7. Hal ini terjadi karena chord tersebut mungkin kurang baik dalam segi perekaman, sehingga menyebabkan ada salah satu chord yang diuji salah terdeteksi.

14

SIMPULAN DAN SARAN

Simpulan

Penelitian ini sudah selesai diterapkan dengan menggunakan metode codebook dan ekstraksi ciri MFCC. Penelitian ini menunjukkan bahwa parameter jumlah koefisien sangat mempengaruhi akurasi sistem. Semakin besar jumlah koefisien maka akurasi semakin tinggi. Hasil yang didapat untuk pengenalan chord gitar menghasilkan rata-rata akurasi sebesar 99.64% untuk koefisien 26 dan 96.90% untuk koefisien 13. Terlihat perbedaan akurasi sebesar 2.74% antara koefisien 26 dan koefisien 13. Akurasi tertinggi pada koefisien 26 terjadi pada saat nilai k 5, 8, 10, 12, 14, dan 16 sebesar 99.72%.

Saran

Penelitian ini memungkinkan untuk dikembangkan lebih baik lagi, saran untuk pengembangan selanjutnya ialah:

1 Menambahkan data jenis chord gitar dengan lengkap.

2 Menggunakan parameter time frame dan overlap yang berbeda untuk membandingkan akurasi yang dihasilkan.

15

DAFTAR PUSTAKA

Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri pada sistem identifikasi pembicara di lingkungan ber-noise menggunakan HMM [disertasi]. Depok (ID): Universitas Indonesia

Buono A, Kusumoputro B. 2007. Pengembangan model HMM berbasis maksimum lokal menggunakan jarak Eucliduntuk sistem identifikasi pembicara. Di dalam: Prosiding pada Workshop NACSIIT; 2007 Jan 29-30; Depok (ID). hlm 52.

Do MN. 1994. Digital signal processing mini-project: an automatic recognition system. Laussane (CH): Federal Institute of Technology.

Hendro. 2004. Panduan Praktis Improvisasi Gitar. Jakarta (ID): Puspa Swara. Jurafsky D, Martin JH. 2007. Speech and Language Processing An Introduction

to Natural Language Processing, Computational Linguistic, and Specch Recognition. New Jersey (US): Prentice Hall.

Nilsson M, Ejnarsson M. 2002. Speech recognition using hidden markov model: performance evaluation in noisy environment [tesis]. Karlskrona (SE): Blekinge Institute of Technology.

Solapung, Kaye A. 1991. Gitar Tunggal. Jakarta (ID): PT Intermasa.

16

18

RIWAYAT HIDUP