Pengenalan alat musik belira, pianika, dan recorder menggunakan windowing koefisien discrete sine transform

(1)

i

TUGAS AKHIR

PENGENALAN ALAT MUSIK BELIRA, PIANIKA,

DAN

RECORDER

MENGGUNAKAN

WINDOWING

KOEFISIEN

DISCRETE SINE TRANSFORM

Diajukan untuk memenuhi syarat Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Disusun oleh:

ANDRE THOMSON LUMBANBATU

NIM : 135114007

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

FINAL PROJECT

MUSIC INSTRUMENT RECOGNITION OF

BELLYRA, PIANICA, AND RECORDER USING

COEFFICIENTS WINDOWING OF DISCRETE SINE

TRANSFORM

In a partial fulfillment of the requirements for the degree of Sarjana Teknik Electrical Engineering Study Program

Created by:

ANDRE THOMSON LUMBANBATU

Student’s Number: 135114007

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

(3)

(4)

(5)

v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa Tugas Akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang tidak disebutkan dalam kutipan dan daftar pustaka sebagaimana karya ilmiah.

(6)

vi

HALAMAN PERSEMBAHAN DAN MOTO HIDUP

MOTTO:

“Berjuanglah selalu bersama Tuhan, karena Tuhan

tidak akan pernah meninggalkanmu”

Skripsi ini kupersembahkan kepada Allah Tri Tunggal Mahakudus, sumber kekuatanku,

(7)

vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Andre Thomson Lumbanbatu

Nomor Mahasiswa : 135114007

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma yang berjudul:

PENGENALAN ALAT MUSIK BELIRA, PIANIKA,

DAN

RECORDER

MENGGUNAKAN

WINDOWING

KOEFISIEN

DISCRETE SINE TRANSFORM

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribuskan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

(8)

viii

INTISARI

Musik adalah sebuah kata yang tidak asing lagi didengar oleh masyarakat umum. Musik itu sendiri adalah seni yang mengalir dan mempunyai arti yang berbeda-beda dalam diri setiap orang. Perkembangan musik dari tahun ke tahun selalu berubah ubah mengikuti jaman. Begitu juga alat musik yang digunakan untuk memainkan/membuat musik berkembang hingga sekarang. Banyak sekali jenis alat musik yang berkembang, mulai dari bentuk simple sampai bentuk music effect. Beberapa contoh alat musik adalah belira, pianika, dan recorder. Oleh karena banyaknya alat musik yang ada, maka dibuatlah sistem pengenalan alat musik untuk mengenali alat musik.

Alat musik yang digunakan dalam tugas akhir ini adalah belira, pianika, dan recorder. Alat yang digunakan untuk mengambil data pengenalan alat musik belira, pianika, dan recorder adalah microphone dan komputer. Microphone berfungsi untuk menerima gelombang suara yang dihasilkan dari alat musik belira, pianika, dan recorder. Komputer berfungsi untuk merekam serta memproses data hasil rekaman dan menampilkan hasil pengenalan berupa hasil ekstraksi ciri dan nama alat musik yang dikenali dalam bentuk teks.

Sistem pengenalan alat musik belira, pianika, dan recorder menggunakan DST, Koefisien Windowing dan Fungsi Korelasi telah berjalan sesuai dengan perancangan. Pada penelitian ini, pengujian secara real time menghasilkan tingkat pengenalan tertinggi sebebesar 97,92%, dengan menggunakan parameter Frame Blocking pada titik 256 dan Koefisien Windowing 50%.

(9)

ix

ABSTRACT

Music is a familiar word to be heard for general public. Music itself is a art and has some different description in every person. The evolution of music from year to years is always changing by times. It occurs for the musical instruments which have a function to play and make the music. There are many types of the thriving musical instruments, from simple type until music effect type. Bellyra, Pianica, and Recorder are the example of musical instruments. Because of there are a lot of musical instruments is made in this final project then system for recognition of musical instruments.

Bellyra, Pianica, and Recorder have been choosen as musical instruments in this final project. Data for recognition of musical instruments was take by microphone and computer. The function of microphone is for receiving voice waves from belira, pianika, and recorder. The function of computer is for recording and prossesing the recorded result data and showing instruments recognition of characteristic extract result and the recognition musical instruments in text form. The recognition system of musical instruments using DST, Windowing Coefficient, dan Corellation Function works according to the design.

In this research, real time test is resulting 97,92% as the highest recognition level. Frame Blocking at the point 256 and Windowing Coefficient 50% were used as the best parameter.

Keywords: Bellyra, Pianica, Recorder, Discrete Sine Transform, Correlation, Coefficient Windowing, Database, Characteristic Extract, Recognition of Musical Instruments.

(10)

x

KATA PENGANTAR

Puji syukur dan terima kasih penulis ucapkan kepada Allah Tri Tunggal Maha kudus atas segala berkat dan penyertaan-Nya sehingga penulis dapat melewati proses penulisan dan menyelesaikan laporan Tugas Akhir. Tugas Akhir ini bertujuan untuk memenuhi syarat untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknilogi, Universitas Sanata Dharma.

Dalam menyelesaikan laporan Tugas Akhir ini penulis mendapatkan bantuan, arahan, bimbingan, dan motivasi dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Allah Tri Tunggal Mahakudus, Bunda Maria, dan Santo Yusuf yang telah memberikan berkat dan kemudahan bagi penulis selama laporan Tugas Akhir ini dibuat.

2. Drs. Johannes Eka Priyatma, M.Sc., Ph.D. selaku Rektor Universitas Sanata Dharma yang telah memberikan kesempatan penulis untuk menimba ilmu dan berkembang. 3. Sudi Mungkasi, S.si, M.Math.Sc., Ph.D., selaku Dekan Fakultas Sains dan Teknologi

Universitas Sanata Dharma.

4. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma.

5. Dr. Linggo Sumarno, M.T., selaku dosen pembimbing laporan Tugas Akhir yang telah memberikan saran, waktu, dan masukan dalam proses pembuatan laporan Tugas Akhir ini dengan penuh pengertian dan kesabaran.

6. Dr. Ir. Iswanjono, M.T., selaku dosen pembimbing akademik yang telah memberikan semangat, saran, dan doa bagi kelancaran semua proses pengerjaan laporan Tugas Akhir Mahasiswa Teknik Elektro 2013.

7. Wiwien Widyastuti, S.T., M.T. dan Damar Widjaja, Ph.D. selaku dosen penguji yang telah memberikan masukan, bimbingan, dan saran untuk merivisi laporan Tugas Akhir ini.

(11)

xi

9. Segenap staf Sekretariat Fakultas Sains dan Teknologi yang telah membantu penulis mengurus segala sesuatu hal yang berkaitan dengan Tugas Akhir ini dan membantu serta melayani mahasiswa.

10.Kedua orang tua yang sangat saya hormati dan cintai seumur hidup saya, Bapak Hotler Lumban Batu dan Mamak Derita Munthe yang selalu memberikan semangat, perhatian, dan doa tanpa henti sehingga penulis dapat melewati segala masalah dan beban selama proses penulisan laporan Tugas Akhir dengan sabar dan optimis. 11.Kakak dan adik yang sangat saya sayangi, Agnes Lumban Batu S.E. dan Anna Maria

Lumban Batu yang selalu memberi semangat, doa, dan perhatian serta menjadi motivasi penulis untuk menyelesaikan skripsi ini.

12.Chatarina Wulandari S.Pd. dan sahabat-sahabat terbaik yang tegabung dalam grup BASECAMP yang selalu memberikan bantuan, semangat dan motivasi serta doa untuk menyelesaikan penulisan laporan Tugas Akhir ini.

13.Dirga Eka Putra Lebukan S.T. dan teman-teman Teknik Elektro 2013 yang telah mendukung, membantu, dan memberikan doa agar penulis tetap semangat dalam menyelesaikan laporan Tugas Akhir ini.

14.Semua pihak yang secara langsung dan tidak langsung mendukung, membantu, dan memberikan doa untuk kelancaran penulisan Tugas Akhir ini.

(12)

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN KARYA ... v

HALAMAM PERSEMBAHAN DAN MOTTO HIDUP ... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii

INTISARI ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xv

DAFTAR TABEL ... xviii

BAB I : PENDAHUUAN ... 1

1.1. Latar Belakang ... 1

1.2. Tujuan dan Manfaat Penelitian ... 2

1.3. Batasan Masalah... 2

1.4. Metodologi Penelitian ... 2

BAB II : LANDASAN TEORI ... 4

2.1. Pianika, Belira, dan Recorder ... 4

2.1.1. Pianika ... 4

2.1.2. Belira ... 5

2.1.3. Recorder ... 5

2.2. Sampling ... 6

2.3. Normalisasi ... 7

2.4. Pemotongan Sinyal ... 8

2.5. Frame Blocking ... 9

2.6. Windowing ... 10

2.7. DST (Discrete Sine Transform) ... 11

(13)

xiii

2.9. Centering ... 14

2.9.1. Proses Sisi Kiri dan Sisi Kanan ... 14

2.9.2. Penggabungan Sisi Kiri dan Sisi Kanan ... 14

2.10. Penyekalaan Logaritmis ... 15

2.11. Template Matching... 16

2.12. Fungsi Korelasi ... 17

2.13. Microphone ... 17

2.14. Sound Card ... 18

BAB III : PERANCANGAN ... 19

3.1. Sistem Pengenalan Alat Musik Belira, Pianika, dan Reorder menggunakan Koefisien WindowingDiscrete Sine Transform ... 19

3.2. Perancangan Database Suara ... 22

3.3. Suara Uji ... 23

3.4. Perancangan Tampilan Program GUI Matlab ... 23

3.5. Perancangan Alur Program ... 24

3.5.1. Rekam ... 25

3.5.2. Normalisasi 1 ... 26

3.5.3. Pemotongan Sinyal ... 26

3.5.4. Frame Blocking ... 27

3.5.6. Windowing ... 28

3.5.7. Discrete Sine Tranform (DST) ... 29

3.5.9. Centering dan Windowing Koefisien ... 30

3.5.10. Penyekalaan Logaritmis ... 31

3.5.11. Normalisasi 4 ... 32

3.5.12. Fungsi Korelasi... 33

3.5.13. Penentuan Keluaran ... 33

3.5.14. Keluaran Teks... 34

3.6. Rancangan Pengujian ... 35

3.6.1. Pengujian Data Secara Tidak Real Time ... 35

3.6.2. Pengujian Data Secara Real Time ... 36

(14)

xiv

BAB IV : HASIL DAN PEMBAHASAN ... 37

4.1. Pengujian Program Pengenalan Suara Alat Musik Belira, Pianika, dan Recorder Menggunakan Koefisien Windowing Discrete Sine Transform ... 37

4.1.1. Pengenalan Suara Alat Musik ... 39

4.2. Hasil Pengujian Program Pengenalan Suara Alat Musik ... 45

4.2.1. Pengujian Parameter Pengenalan Alat Musik ... 45

4.2.1.1. Pengujian Secara Tidak Real Time ... 45

4.2.1.2. Pengujian Secara Real Time ... 48

BAB V : PENUTUP ... 54

5.1. Kesimpulan ... 54

5.2. Saran ... 54

(15)

xv

DAFTAR GAMBAR

Gambar 2.1. Pianika ... 4

Gambar 2.2. Belira ... 5

Gambar 2.3. Recorder Soprano (a) tampak atas/depan (b) tampak bawah/belakang ... 5

Gambar 2.4. Contoh proses sinyal hasil sampling ... 7

Gambar 2.5. Contoh sinyal hasil normalisasi dari Gambar 2.4 ... 8

Gambar 2.6. Contoh sinyal hasil pemotongan bagian silence dari Gambar 2.5 ... 9

Gambar 2.7. Contoh sinyal hasil pemotongan bagian transisi dari Gambar 2.6 ... 9

Gambar 2.8. Frame Blocking ... 9

Gambar 2.9. Bagian sinyal yang akan melalui frame blocking dari Gambar 2.7 ... 10

Gambar 2.10. Contoh sinyal hasil frame blocking dari Gambar 2.9 ... 10

Gambar 2.11. Contoh sinyal hasil windowing dari Gambar 2.10 yang telah Dinormalisasi ... 11

Gambar 2.12. Contoh sinyal hasil DST dari Gambar 2.11 ... 12

Gambar 2.13. Contoh sinyal yang telah melalui proses Windowing Koefisien 10% dari Gambar 2.12 yang telah dinormalisasi ... 13

Gambar 2.14. Contoh sinyal yang telah melalui proses Windowing Koefisien 50% dari Gambar 2.12 yang telah dinormalisasi ... 13

Gambar 2.15. Contoh sinyal yang telah melalui proses Windowing Koefisien100% dari Gambar 2.12 yang telah dinormalisasi ... 13

Gambar 2.16. Contoh Sinyal Hasil Proses Sisi Kiri dari Gambar 2.15 ... 14

Gambar 2.17. Contoh sinyal hasil proses sisi kanan dari Gambar 2.15 ... 14

Gambar 2.18. Contoh sinyal hasil penggabungan proses sisi kiri dan sisi kanan dari Gambar 2.16 dan 2.17 ... 15

Gambar 2.19. Contoh sinyal yang telah melalui proses Penyekalaan Logaritmis dengan ∝ = 10 dari Gambar 2.18 ... 16

Gambar 2.22. Genius MIC-01A Multimedia Microphone ... 18

(16)

xvi

Gambar 3.1 Diagram blok pengenalan suara ... 19

Gambar 3.2 Diagram blok sistem pengenalan suara ... 19

Gambar 3.3. Genius MIC-01A Multimedia Microphone ... 20

Gambar 3.4. Diagram alur proses pengenalan suara alat musik ... 21

Gambar 3.5. Proses pembuatan suara uji ... 23

Gambar 3.6. Rancangan interface sistem pengenalan alat musik belira, pianika dan recorder menggunakan GUI Matlab ... 23

Gambar 3.7. Diagram alur proses sistem pengenalan suara alat musik belira, pianika, dan recorder ... 24

Gambar 3.8. Diagram alur proses rekam ... 25

Gambar 3.9. Diagram alur proses normalisasi 1 ... 26

Gambar 3.10. Diagram alur proses pemotongan sinyal ... 27

Gambar 3.11. Diagram alur proses Frame Blocking ... 27

Gambar 3.13. Diagram alur proses windowing ... 29

Gambar 3.14. Diagram alur proses DST ... 29

Gambar 3.16. Diagram alur proses centering dan Windowing Koefisien ... 31

Gambar 3.17. Diagram alur proses penyekalaan logaritmis ... 32

Gambar 3.19. Diagram alur proses fungsi korelasi ... 33

Gambar 3.20. Diagram alur proses penentuan keluaran ... 34

Gambar 3.21. Diagram alur proses keluaran teks ... 35

Gambar 4.1 Tampilan user interface pengenalan suara alat musik ... 38

Gambar 4.2 Tampilan hasil pengenalan alat musik ... 38

Gambar 4.3 Program Pop Up Menu Frame Blocking ... 39

Gambar 4.4 Program Pop Up Menu Windowing Koefisien ... 40

Gambar 4.5 Program perekaman suara alat musik ... 40

Gambar 4.6 Program Ekstraksi Ciri ... 41

Gambar 4.7 Database keseluruhan ... 42

Gambar 4.8 Program Fungsi Korelasi ... 43

Gambar 4.9 Program penentuan keluaran ... 44

(17)

xvii

Gambar 4.11 Program untuk menutup GUI ... 45

Gambar 4.12 Grafik pengujian secara tidak real time alat musik belira ... 46

Gambar 4.13 Grafik pengujian secara tidak real time alat musik pianika ... 46

Gambar 4.14 Grafik pengujian secara tidak real time alat musik recorder ... 47

Gambar 4.15. Hasil sinyal pengujian dengan titik Frame Blocking 128 dan Windowing Koefisien 40% ... 48

Gambar 4.16. Hasil sinyal pengujian dengan titik Frame Blocking 128 dan Windowing Koefisien 80% ... 48

Gambar 4.17 Grafik pengujian secara real time alat musik belira ... 49

Gambar 4.18 Grafik pengujian secara real time alat musik pianika ... 50

Gambar 4.19 Grafik pengujian secara real time alat musik recorder ... 51

Gambar 4.20 Sinyal hasil pengujian dengan titik Frame Blocking 64 dan Koefisien Windowing 80% ... 52

(18)

xviii

DAFTAR TABEL

Tabel 2.1. Posisi jari untuk memainkan tiap nada pada recorder soprano ... 6

Tabel 2.2. Contoh hasil perhitungan fungsi korelasi ... 17

Tabel 3.1. Data setiap sample untuk pengenalan suara ... 22

Tabel 3.2. Keterangan dari interface pada GUI Matlab ... 24

Tabel 4.1. Hasil pengujian secara tidak real time alat musik belira ... 45

Tabel 4.2. Hasil pengujian secara tidak real time alat musik pianika ... 46

Tabel 4.3. Hasil pengujian secara tidak real time alat musik recorder ... 47

Tabel 4.4 Hasil pengujian secara real time alat musik belira ... 49

Tabel 4.5 Hasil pengujian secara real time alat musik pianika ... 50

Tabel 4.6 Hasil pengujian secara real time alat musik recorder ... 50

(19)

1

BAB I

PENDAHULUAN

1.1.

Latar Belakang

Musik adalah sebuah kata yang tidak asing lagi didengar oleh masyarakat umum dan musik itu sendiri adalah seni yang mengalir dan berbeda-beda dalam diri setiap orang. Bagi sebagian orang musik bisa menjadi pelampiasan kesedihan ataupun juga sebagai kritik. Perkembangan musik dari tahun ke tahun selalu berubah ubah mengikuti jaman. Begitu juga alat musik yang digunakan untuk memainkan/membuat musik berkembang hingga sekarang, banyak sekali jenis dan ragam alat musik yang berkembang. Mulai dari bentuk yang semakin simple sampai bentuk music effect. Ketika mendengarkan musik seringkali pendengar ingin mengetahui alat musik apa yang sedang dimainkan dan di nada apa musik itu dimainkan. Oleh karena itu seringkali kita ingin belajar memainkan alat musik tersebut.

Sebelumnya sudah ada yang melakukan penelitian mengenai pengenalan alat musik, penelitian yang dilakukan peneliti tersebut adalah “Pengenalan Suara Instrumen Musik Menggunakan Analisis Spektrum” [1]. Sistem yang dibuat oleh peneliti dapat menirukan kemampuan pada manusia yang dapat membedakan salah satu alat musik, yang dapat membedakan alat musik pianika, recorder dan belira. Perbedaan penelitian sebelumnya dengan yang penulis lakukan adalah terdapat pada metode. Penulis menggunakan metode windowing koefisien Discrete Sine Transform (DST) sedangkan penelitian sebelumnya menggunakan analisis spektrum. Perbedaan yang kedua adalah pada proses pengenalan, penelitian sebelumnya menentukan keluaran menggunakan K-NN setelah penentuan jarak sedangkan penulis menggunakan fungsi korelasi langsung untuk penentuan keluarannya sehingga lebih cepat dalam proses penghitungan maupun pengenalan. Perberbedaan yang ketiga adalah penulis mengolah data suara bagian kanan dan bagian kiri, sedangkan peneliti hanya mengolah data suara di bagian kanan saja. Harapan yang penulis inginkan pada penelitian ini adalah semakin baiknya pengenalan yang telah dilakukan pada penelitian ini.

(20)

dimainkan akan dibandingkan dengan nada-nada yang telah tersedia atau tersimpan pada sistem tersebut (database). Sistem ini menggunakan metode yang berbeda dengan penelitian sebelumnya. Perbandingan nada pada setiap alat musik meenggunakan Windowing Koefisien DST dan fungsi korelasi. Pemrograman sistem ini menggunakan software Matlab dan pemrograman user interface menggunakan GUI Matlab.

1.2.

Tujuan dan Manfaat Penelitian

Tujuan dari penelitian tugas akhir ini adalah untuk menghasilkan aplikasi pengenalan alat musik dari pianika, belira dan recorder menggunakan Windowing Koefisien DST secara real time.

Manfaat dari penelitian ini adalah mempermudah atau membantu seseorang untuk menentukan alat musik yang sedang dimainkan dan membantu menambah pengetahuan mengenai pengenalan alat musik.

1.3.

Batasan Masalah

Pada penelitian ini penulis memberikan beberapa batasan masalah yang dianggap perlu dalam melakukan perancangan sistem ini, yaitu sebagai berikut:

a. Alat musik yang digunakan adalah belira, pianika dan recorder. b. Nada-nada yang digunakan adalah do, re, mi, fa, sol, la, si, do tinggi. c. Secara real time.

d. Cara memukul atau meniup layaknya seperti seseorang memainkan alat musik tersebut.

e. Jarak antara belira, pianika, dan recorder dengan microphone± 15cm [1]. f. Menggunakan metode Windowing Koefisien DST.

1.4.

Metodologi Penelitian

(21)

Prinsip kerja dari sistem ini adalah input untuk sistem ini berupa suara dari alat musik belira, pianika dan rekorder. Kemudian nada-nada tersebut direkam menggunakan microphone dan diteruskan pada proses pengenalan suara. Selanjutnya suara akan melalui proses sampling lalu dicocokkan dengan data yang berada pada sistem (database) dengan menggunakan metode Windowing KoefisienDST (Discrete Sine Transform). Database yang terdapatpada sistem ini memiliki 240 data nada yang diantaranya ada 8 nada yang direkam sebanyak 10 kali dari alat musik belira, pianika, dan recorder. Kemudian hasil output dari pengenalan alat musik ini berupa bentuk informasi/teks yang ditampilkan pada GUI.

Pada pembuatan sistem ini, penulis fokus pada pembuatan software komputer untuk memproses pengolahan data pengenalan suara alat musik, sedangkan hardware menggunakan MicrophoneGenius MIC-01A Multimedia.

Langkah-langkah yang dilakukan dalam penulisan Tugas Akhir :

a) Pengumpulan berbagai macam referensi seperti buku, jurnal dan artikel serta mempelajari teori yang mendukung penulisan Tugas Akhir.

b) Merekam suara alat musik belira, pianika, dan recorder yang akan digunakan sebagai database.

c) Membuat sistem sebagai alat uji:

i. Membuat rancangan tampilan utama pengenalan alat musik belira, pianika, dan recorder menggunakan GUI Matlab.

ii. Membuat program yang akan diuji secara real time dan secara tidak real time supaya dapat diketahui apakah program berjalan atau tidak dengan menggunakan database dan data uji.

iii. Membuat database sebagai acuan untuk merancang suatu pengenalan suara.

iv. Melakukan pengujian secara real time dengan menggunakan alat musik belira, pianika, dan recorder supaya menghasilkan output sesuai dengan yang diinginkan.

(22)

4

BAB II

LANDASAN TEORI

2.1. Pianika, Belira dan

Recorder

2.1.1. Pianika

Pianika adalah alat musik tiup yang memiliki bentuk kecil sejenis harmonika, tetapi pianika memiliki bilah-bilah pada keyboard yang luasnya sekitar tiga oktaf. Pianika dimainkan dengan cara ditiup secara langsung dengan pipa pendek, atau memakai pipa lentur panjang yang dihubungkan ke mulut. Umumnya pianika dimainkan sebagai alat pendidikan di sekolah.

Pianika termasuk alat musik tiup. Dalam bermain alat musik pianika dapat digunakan untuk memainkan melodi pokok, kontra melodi, bila memungkinkan dapat juga unyuk mengiringi lagu [2]. Kegunaan tuts pianika:

1. Tuts putih berfungsi untuk memainkan nada-nada pokok/asli. 2. Tuts hitam berfungsi untuk memainkan nada-nada kromatis.

Dalam memainkan alat musik pianika, biasanya tangan kiri memegang pianika dan tangan kanan menekan untuk memainkan melodi lagu, sedangkan mulut meniupnya. Dapat dilihat seperti pada Gambar 2.1.

(23)

2.1.2. Belira

Belira adalah alat musik yang dimainkan dengan cara dipukul dan biasanya digunakan pada drum band [3]. Alat musik belira memiliki 16 buah bilah-bilahan yang memiliki nada berjumlah 16 buah yang terbuat dari potongan-potongan logam yang memiliki panjang berbeda beda sesuai dengan nada. Cara menggunakan alat musik ini dengan cara dipukul menggunakan pemukul untuk belira yang terbuat dari plastik padat. Dapat dilihat bentuk alat musik belira pada Gambar 2.2.

Gambar 2.2. Belira

2.1.3. Recorder

(a)

(b)

Gambar 2.3. Recorder Soprano (a) tampak atas/depan (b) tampak bawah/belakang

(24)

untuk dibuka atau ditutup seperti pada Gabar 2.2. (a) dan 1 lubang untuk ditutup terus seperti pada Gabar 2.2. (b). Begitupun juga dengan nada-nada yang dimiliki recorder soprano hanya do, re, mi, fa, sol, la, si, do’, re’.

Tabel 2.1. Posisi jari untuk memainkan tiap nada pada recorder soprano

Keterangan:

Tutup Buka

Cara menggunakan alat musik recorder soprano itu sendiri dapat dilihat Berdasarkan Tabel 2.1. Ketika semua lubang tertup maka bunyi nada yang keluar adalah C, dan begitu seterusnya nada akan semakin tinggi ketika lubang satu per satu dibuka seperti pada Tabel 2.1. Namun, cara meniup ataupun menutup lubang yang tidak sempurna akan memengaruhi suara menjadi kurang nyaman didengar.

2.2.

Sampling

Sampling adalah proses pencuplikan gelombang sinus/frekuensi yang diubah menjadi sinyal diskrit. Pada proses pencuplikan dikenal sampling rate (laju pencuplikan) menggunakan satuan Hertz (Hz). Sampling rate berarti menandakan ada berapa banyak pencuplikan dalam suatu waktu. Pada proses pencuplikan/sampling sebaiknya memenuhi kriteria Nyquist [4]. Karena kriteria Nyquist menyatakan bahwa:

�

≥

2

�

� (2.1)

Nada

Lubang pada bagian atas

(Gbr 2.2. (a)) _{bagian bawah (Gbr}Lubang pada 2.2. (b))

1 2 3 4 5 6 7

Nada C (do)

Nada D (re)

Nada E (mi)

Nada F (fa)

Nada G (sol)

Nada A (la)

Nada B (si)

Nada C' (do’)

(25)

dengan �_� adalah frekuensi sampling dan �_� adalah frekuensi maximum. Dapat dilihat bahwa frekuensi sampling harus lebih besar dua kali dari frekuensi maximum tersebut. Secara grafis untuk contoh hasil sampling dapat dilihat pada Gambar 2.4.

Contoh Sampling secara matematis:

Jika nada dasar salah satu nada pada alat musik recorder memiliki frekuensi tertinggi (

�

_�

)

546 Hz. Maka, frekuensi sampling (

�

_�

)

dari nada tersebut adalah

�� ≥ 2��

�� ≥ 2*546Hz

��≥ 1092 Hz

Suatu nada pada pada alat musik contonya recorder memiliki frekuensi tertinggi 546 Hz. Nada harmonik ketiga dari frekuensi tertinggi sebesar 546*3 = 1638 Hz. Maka, frekuensi sampling dari nada harmonic tersebut adalah

�� ≥ 2��

��≥ 2*1638 Hz

��≥ 3276 Hz

(a) Belira (b) Recorder (c) Pianika

Gambar 2.4. Contoh proses sinyal hasil sampling

2.3. Normalisasi

Tujuan dari penormalisasian ini adalah agar amplitudo pada saat nada dimainkan bisa maksimal. Secara matematis untuk mencari nilai normalisasi dirumuskan dengan persamaan sebagain berikut:

X

_��

=

X��

max (abs(X_{��}))

(2.2)

dengan X_�� adalah hasil data sinyal yang dinormalisasi dan X_{��} adalah data masukan.

0 5000 10000 15000 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

itudo

0 5000 10000 15000 -0.5

0 0.5 1

Data Tercuplik

A

m

pl

itudo

0 5000 10000 15000 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

(26)

Contoh normalisasi secara matematis:

�

�� = 1, 2, 3 X = max(abs(

�

_{��})) X = 3

�

�� =

�

_{��}/X 

�

_{��} = 1

�

�� =

�

_{��}/X

�

�� = 1/3 = 0,3333 

�

_{��}

= 2

�

�� =

�

��/X

�

�� = 2/3 = 0,6667 

�

_{��}

=3

�

�� =

�

��/X

�

�� = 3/3 = 1

Proses normalisasi sangat diperlukan karena besarnya amplitudo pada suara alat musik selalu berbeda saat melakukan perekaman. Untuk hasil normalisasi secara grafis setelah proses sampling dapat dilihat pada Gambar 2.5.

Gambar 2.5. Contoh sinyal hasil normalisasi dari Gambar 2.4

2.4. Pemotongan Sinyal

Proses ini bertujuan untuk memotong beberapa bagian sinyal. Dalam proses perekaman, pemotongan sering terjadi untuk bagian sinyal. Pemotongan bagian awal sinyal suara dimaksudkan untuk menghilangkan bagian yang tidak termasuk bagian dari sinyal nada belira, pianika, dan recorder serta untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam atau bagian silence dan bagian transisi, agar mendapatkan sinyal suara

0 5000 10000 15000 -1

-0.5 0 0.5 1

A

m

pl

itudo

Data Tercuplik 0 5000 10000 15000 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

itudo

0 5000 10000 15000 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

(27)

yang benar-benar asli dari ketiga alat musik tersebut. Contoh secara grafis hasil proses pemotongan bagian silence dan bagian transisi dapat dilihat pada Gambar 2.6 dan 2.7.

(a) Belira (b) Recorder (c) Pianika Gambar 2.6. Contoh sinyal hasil pemotongan bagian silence dari Gambar 2.5

Gambar 2.7. Contoh sinyal hasil pemotongan bagian transisi dari Gambar 2.6

2.5.

Frame Blocking

Frame blocking adalah proses pembagian sinyal suara menjadi beberapa bagian atau frame yang akan dipilih, yang dapat membantu mempercepat proses perhitungan dan analisa dalam sistem pengenalan suara alat musik. Durasi aktu akan menentukan panjang pada setiap frame [5]. Nantinya user dapat memilih varian dari frame blocking tersebutpada interface.

Gambar 2.8. Frame Blocking [5]

Nw adalah jumlah sample dalam setiap frame dan Ns adalah jumlah sample yang bergeser. Fungsi frame blocking yaitu untuk mereduksi data yang akan memproses sistem pengenalan dan dapat mempercepat proses perhitungan pada DSTdengan jumlah data pada setiap frame

0 5000 10000 15000 -1 -0.5 0 0.5 1 Data Tercuplik A m pl itudo

0 5000 10000 15000 -1 -0.5 0 0.5 1 Data tercuplik A m pl itudo

0 5000 10000 -0.5 0 0.5 Data Tercuplik A m pl itudo

0 5000 10000 -1 -0.5 0 0.5 1 Data Teruplik A m pl itudo

(28)

memiliki 2N data sample. Gambar 2.10 adalah contoh secara grafis hasil sinyal setelah melalui frame blocking dengan pilihan frame 512 dan untuk contoh bagisn sinyal yang akan melalui frame blocking dapat dilihat pada Gambar 2.9.

(a) Pianika (b) Recorder (c) Pianika

Gambar 2.9. Bagian sinyal yang akan melalui frame blocking dari Gambar 2.7

Gambar 2.10. Contoh sinyal hasil frame blocking dari Gambar 2.9

2.6.

Windowing

Fungsi Windowing adalah melewatkan sinyal yang mempunyai frekuensi sembarang dikonvolusikan dengan fungsi Window tertentu sehingga dapat mereduksi atau mengurangi sinyal-sinyal yang tergolong bocor sebelum dilakukan proses transformasi.

Windowing digunakan untuk menghilangkan efek diskontinuitas yang diakibatkan oleh proses Frame Blocking atau Framing. Jenis Window yang dipakai dalam proses ini adalah jenis Hamming Window. Persamaan Hamming window [5] adalah:

�(n) = 0,54 – 0,46 cos (2� �

�−1), n = 0, 1, 2, 3 …, N – 1 (2.3)

dengan N adalah jumlah data dari sinyal dan n adalah waktu diskret ke-.

Contoh Windowing Hamming secara matematis: π = 3,14;n = 0, 1, 2; N = 5.

�(n) = 0,54 – 0,46 cos (2*π*n/(N-1)) 0 5000 10000

-0.5 0 0.5 Data Tercuplik A m pl itudo

0 5000 10000 -1 -0.5 0 0.5 1 Data Teruplik A m pl itudo

0 200 400 600 -0.5 -0.3 -0.1 0.1 0.3 0.5 Data Tercuplik A m pl itudo

(29)

 �(0) = 0,54 - 0,46 cos(2*3,14*0/(5-1)) �(0) = 0,54 - 0,46 cos(0)

�(0) = 0.0800

 �(1) = 0,54 - 0,46 cos(2*3,14*1/(5-1)) �(1) = 0,54 - 0,46 cos(1,57)

�(1) = 0.54

 �(2) = 0,54 - 0,46 cos(2*3,14*3/(5-1)) �(2) = 0,54 - 0,46 cos(3,14)

�(2) = 0,999

Menggunakan Hamming Window karena Hamming Window memiliki side lobe yang paling kecil dan main lobe yang paling besar pada sumbu frekuensi, sehingga hasil Windowing akan lebih halus dalam menghilangkan efek diskontinuitas. Untuk contoh secara grafis hasil windowing dapat dilihat pada Gambar 2.11.

Gambar 2.11. Contoh sinyal hasil windowing dari Gambar 2.10 yang telah dinormalisasi

2.7. DST (

Discrete Sine Transform)

Discrete Sine Transform (DST) adalah algoritma yang digunakan untuk mengubah sample data dari domain waktu ke domain frekuensi. DST menstabilkan hubungan antara sample sinyal domain waktu dan mempresentasikannya ke domain DST. Untuk melakukan

analisis frekuensi dari sinyal waktu diskrit v(�) maka perlu mendapatkan representasi domain frekuensi dari sinyal yang biasanya dinyatakan dalam domain waktu.

Menghitung DST menggunakan persamaan [6]:

X(k)

=

∑

�

(

�

) sin[

�

�+1 �−1

�=0

(

�

+ 1)(

�

+ 1)]

0 ≤k≤ N-1 (2.4)

0 200 400 600 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

itudo

0 200 400 600 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

itudo

0 200 400 600 -1

-0.5 0 0.5 1

Data Tercuplik

A

m

pl

(30)

Contoh DST secara matematis:

x(k) = 2; x(n) = 1, 1, 2; N = 3; n = 0, 1, 2;



X(0)

=

��

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(2)

��

�

�+�

(

�

+

�

)(

�

+

�

)

��

X(0) = [(�,��) + (�) + (�,��)] X(0) = 3,121



X(1)

=

��

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(2)

��

�

�+�

(

�

+

�

)(

�

+

�

)

��

X(1) = [(�) + (�) + (−�)] X(1) = -1



X(2)

=

��

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(1)

��

�

�+�

(

�

+

�

)(

�

+

�

)

�

+

�

(2)

��

�

�+�

(

�

+

�

)(

�

+

�

)

��

X(2) = [(�,��) + (−�) + (�,��)] X(2) = 1,121

DST digunakan untuk melakukan analisa frekuensi dari simyal waktu diskrit. Untuk contoh hasil proses DST secara grafis dapat dilihat pada Gambar 2.12.

[image:30.595.93.526.107.672.2]

Gambar 2.12. Contoh sinyal hasil DST dari Gambar 2.11

2.8.

Windowing

Koefisien

Pada tahap Windowing Koefisien ini, menggunakan sinyal suara yang telah melalui proses sampling dan yang telah ditengahkan. Kemudian pada user interface, user akan

0 200 400 600

0 20 40 60

80 X = 108Y = 78.2

Data Koefisien

A

m

pl

itudo

0 200 400 600

0 20 40

60 X = 110

Y = 52.7

Data Koefisien

A

m

pl

itudo

0 200 400 600

0 10 20 30

40 X = 216

Y = 35.3

Data Koefisien

A

m

pl

(31)

menentukan nilai persen Windowing Koefisien untuk mengolah data sinyal untuk proses pengenalan suara alat musik belira, pianika, dan recorder.

[image:31.595.85.528.274.594.2]

Gambar 2.13. Contoh sinyal yang telah melalui proses Windowing Koefisien 10% dari Gambar 2.12 yang telah dinormalisasi

Gambar 2.14. Contoh sinyal yang telah melalui proses Windowing Koefisien 50% dari Gambar 2.12 yang telah dinormalisasi

Gambar 2.15. Contoh sinyal yang telah melalui proses Windowing Koefisien100% dari Gambar 2.12 yang telah dinormalisasi

Untuk contoh sinyal secara grafis yang telah melalui proses Windowing Koefisien 10% dapat dilihat pada Gambar 2.14, contoh sinyal secara grafis yang telah melalui proses Windowing Koefisien50% dapat dilihat pada Gambar 2.15, dan contoh sinyal secara grafis yang telah melalui proses Windowing Koefisien 100% dapat dilihat pada Gambar 2.16 (ketiganya menggunakan frame = 512).

0 20 40 60

0 0.5 1 Data Koefisien A m pl itudo

0 20 40 60

0 0.5 1 Data Koefisien A m pl itudo

0 20 40 60 0 0.5 1 Data Koefisien A m pl itudo

(32)

2.9.

Centering

Centering adalah proses pemilihan sinyal suara yang memiliki amplitudo maksimmal atau tertinggi kemudian ditengahkan. Setelah itu, sinyal yang telah ditempatkan di tengah dilakukan proses zero padding ke bagian sebelah kanan dan ke bagian sebelah kiri.

2.9.1. Proses Sisi Kiri dan Sisi Kanan

Proses ini bagian dari proses centering. Sinyal akan diproses pada bagian kiri dan bagian kanan. Pada proses sebelah kiri sinyal, sinyal yang berada disebelah kanan dipotong kemudian sinyal tersebut di zero padding. Begitu juga sebaliknya, proses sebelah kanan sinyal yang berada disebelah kiri dipotong kemudian sinyal tersebut dilakukan proses zero padding. Untuk contoh secara grafis untuk hasil proses sisi kiri dan proses sisi kanan dapat dilihat pada Gambar 2.16 dan 2.17.

[image:32.595.86.524.299.614.2]

(a) Belira (b) Recorder (c) Pianika Gambar 2.16. Contoh sinyal hasil proses sisi kiri dari Gambar 2.15

Gambar 2.17. Contoh sinyal hasil proses sisi kanan dari Gambar 2.15

2.9.2. Penggabungan Sisi Kiri dan Sisi Kanan

pada proses penggabungan sisi kiri dan sisi kanan ini adalah proses terakhir dari centering. Masukan pada proses ini adalah hasil dari proses sisi kiri dan sisi kanan. Contoh secara grafis hasil penggabungan sisi kiri dan sisi kanan dapat dilihat pada Gambar 2.18.

(33)

[image:33.595.81.528.293.640.2]

(a) Belira (b) Recorder (c) Pianika Gambar 2.18. Contoh sinyal hasil penggabungan proses sisi kiri dan sisi kanan dari

Gambar 2.16 dan 2.17

2.10. Penyekalaan Logaritmis

Pada proses ini, sinyal suara yang masuk ditingkatkan harmonisasinya. Fungsi dari proses ini yaitu untuk meningkatkan amplitudo yang memiliki amplitudo sinyal yang kecil dan amplitudo sinyal yang besar. Semakin tinggi nilai penyekalaannya (∝), maka akan semaikin tinggi amplitudonya. Supaya sinyal yang memiliki amplitudo terlalu kecil semakin tinggi sehingga memudahkan pada saat proses pengenalan. Namun untuk sinyal yang telah memiliki amplitudo tinggi, tinggi amplitudo tersebut tidak akan meningkat terlalu signifikan. Dengan persamaan:

�

�� = log10(∝*

�

_{��}+1) (2.6) dengan �_{��} adalah data masukan dan �_{��} adalah hasil dari penyekalaan logaritmis.

Contoh penyekalaan secara matematis: ∝ = 10

�

�� = 0.3

�

�� = log10(∝*�_{��}+1)

�

�� = log10(10*0,3+1)

= 0,602

Untuk contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan

∝

=

10 dapat dilihat pada Gambar 2.19, contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan

∝

=

100 dapat dilihat pada Gambar 2.20, dan contoh secara grafis yang telah melalui proses penyekalaan logaritmis dengan

∝

=

1000 dapat dilihat pada

0 200 400 600 0

0.5 1

Data Koefisien

A

m

pl

itudo

0 200 400 600 0

0.5 1

Data Koefisien

A

m

pl

itudo

0 200 400 600 0

0.5 1

Data Koefisien

A

m

pl

(34)

Gambar 2.21 (ketiganya menggunakan Frame Blocking = 512 dan Windowing Koefisien 100%).

(a) Belira (b) Rekorder (c) Pianika

Gambar 2.19. Contoh sinyal yang telah melalui proses Penyekalaan Logaritmis dengan ∝ = 10 dari Gambar 2.18

[image:34.595.87.526.282.593.2]

2.11.

Template Matching

Tahap perbandingan yaitu salah satu tahap dalam proses pengenalan. Proses Template Matching ini akan melakukan perbandingan antara data input dengan database. Salah satu perbandingan metode yang dilakukan dalam Template Matching yaitu menggunakan fungsi korelasi. Data input yang akan diproses akan dihitung nilainya, kemudian dibandingkan

0 200 400 600 0 0.5 1 1.5 Data Koefisien A m pl itudo

0 200 400 600 0 1 2 3 Data Koefisien A m pl itudo

0 200 400 600 0 2 4 Data Koefisien A m pl itudo

(35)

semakin besar nilai dari data masukan maka akan semakin cocok. sehingga dapat dikenali kemiripan yang sesuai dengan database [7].

2.12. Fungsi Korelasi

Korelasi digunakan untuk menghitung besarnya perubahan antara dua variabel. Korelasi membagi dua variabel yang satu dengan yang lainnya yang saling berhubungan, semakin besar nilai antara kedua variabel maka semakin baik. Korelasi dirumuskan sebagai berikut [8]:

r

=

∑ (��−�̅�)

�

�=1 .(��−�̅�)

�∑�_�=1(�_�−�̅_�)2.∑�_�=1(�_�−�̅_�)2

(2.7)

[image:35.595.83.519.257.581.2]

dengan

�

_� adalahdata masukan;

�

_�adalahdata referensi;

�̅

_� adalah rata-rata data masukan dan

�̅

_�adalah rata-rata data referensi.

Tabel 2.2. Contoh hasil perhitungan fungsi korelasi

�� − �� (��− ��)� ��− �� (��− ��)� (��− ��).(��− ��)

5 10 -2 4 1.5 2.25 -3

8 9 1 1 0.5 0.25 0.5

10 8 3 9 -0.5 0.25 -1.5

5 7 -2 4 -1.5 2.25 3

r

=

−1 √18,5

= −1

√18,5 = −1 √90 =

−1 9,49

= - 0,105

2.13.

Microphone

(36)

Gambar 2.22. Genius MIC-01A Multimedia Microphone

2.14.

Sound Card

Sound card (kartu suara) adalah expansion board yang memungkinkan komputer untuk memanipulasi suara dan output. Sound card memungkinkan komputer untuk merekam input suara microphone yang terhubung ke komputer dan juga memungkinkan komputer untuk memanipulasi suara yang ada pada harddisk. Hampir semua kartu suara menggunakan standar MIDI (Musical Instrument Digital Interface) [10]. MIDI merupakan sebuah standar yang digunakan oleh industri musik elektronik untuk controlling devices, sepeti synthesizers dan sound card, yang memancarkan musik. Banyak komputer yang tersedia saat ini menggabungkan kartu suara sebagai chipset yang ada pada motherboard. Dapat dilihat Gambar 2.23 adalah contoh gambar sound card yang terdapat didalam komputer.

(37)

19

BAB III

PERANCANGAN

3.1. Sistem Pengenalan Alat Musik Belira, Pianika, dan

Recorder

Menggunakan

Windowing

Koefisien

Discrete Sine Tranform

Diagram blok pengenalan alat musik Belira, Pianika, dan Recorder dapat dilihat seperti pada Gambar 3.1.

Input Output

Gambar 3.1 Diagram blok pengenalan suara

Gambar 3.2 Diagram blok sistem pengenalan suara

Pada sistem pengenalan suara ini seperti pada Gambar 3.2, penulis menggunakan hardware dan software. Hardware yang digunakan oleh penulis adalah belira, pianika, recorder, notebook, dan microphone. Sedangkan software yang digunakan adalah aplikasi Matlab yang berada di dalam notebook yang digunakan sebagai interface pada sistem pengenalan alat musik. Pada sistem pengenalan alat musik ini, menggunakan aplikasi Matlab untuk membuat list program. List program tersebut memiliki peranan penting karena dari list program tersebut dapat memproses perkaman alat musik dan pengenalan alat musik yang

Proses

Proses Perekaman

Proses Pengenalan

Notebook Microphone

(38)

terekam. Perekaman alat musik ini direkam melalui aplikasi Matlab yang sudah ada didalam notebook melalui line in soundcard external karena line in pada notebook yang penulis gunakan tidak dapat terhubung langsung dengan mikrofon dan melakukan proses perekaman.

Pada sistem pengenalan alat musik ini terdapat beberapa subproses yang memiliki beberapa fungsi masing-masing, yaitu:

a. Belira, Pianika, dan Rekorder

Alat musik Belira, pianika dan rekorder merupakan alat musik yang penulis gunakan pada penelitian ini Sebagai input. Suara dari ke tiga alat musik tersebut direkam menggunakan Matlab melalui mikrofon yang tersambung dengan line in pada soundcard external. Pada penelitian ini, penulis menggunakan 8 nada dari setiap alat musik, yaitu do, re, mi, fa, sol, la, si, do tinggi.

b. Microphone

Pada sistem ini, microphone digunakan untuk menangkap sinyal analog yang dihasilkan oleh ketiga alat musik tersebut kemudian merekamnya. Microphone terhubung dengan line in yang terdapat pada soundcard external kemudian akan dikirimkan ke sound card yang ada pada notebook. Pada penelitian ini penulis menggunakan microphone dengan seri Genius MIC-01A Multimedia [1], karena microphone ini memiliki harga yang terjangkau dan juga mudah ditemukan serta memiliki bentuk yang fleksibel dan ringan sehingga mudah dibawa ke mana-mana. Bentuk microphone dapat dilihat pada Gambar 3.3.

(39)

c. Proses Perekaman

Dalam proses perekaman suara dari ketiga alat musik tersebut, suara dari setiap alat musik akan direkam melalui microphone yang terhubung melalui line in pada sound cardexternal yang kemudian akan dikirim ke sound card yang terdapat pada notebook. Pada sinyal input analog dari microphone tersebut diubah menjadi sinyal digital dengan frekuensi sampling yang selanjutnya disimpan dan digambarkan dalam bentuk plot. Data suara yang telah terekam kemudian dapat diproses untuk dikenali dengan melalui proses pengenalan.

d. Proses Pengenalan Suara

[image:39.595.92.524.328.727.2]

Proses pengenalan suara ini berguna untuk melakukan pengenalan suara terhadap suara alat musik yang telah terekam kemudian mendeteksi suara alat musik apa yang direkam. Pada proses pengenalan suara ini terdapat beberapa subproses yang digunakan yaitu Normalisasi, Pemotongan Sinyal, Frame Blocking, Windowing, DST, Centering, Windowing Koefisien, Penyekalaan Logaritmis, Fungsi Korelasi. Diagram alur dapat dilihat seperti pada Gambar 3.4.

Gambar 3.4. Diagram alur proses pengenalan suara alat musik Masukan suara

(Belira, pianika, rekorder).wav

Pemotongan sinyal

Frame Blocking

Windowing DST

Fungsi Korelasi Normalisasi

3

Hasil Keluaran Penentuan Alat musik

Normalisasi 1

Normalisasi 2

Centering Normalisasi

4

Database Penyekalaan

Logaritmis Windowing

Koefisien

(40)

3.2. Perancangan

Database

Suara

Pada proses pengenalan suara, database diperlukan sebagai suara acuan untuk merancang suatu sistem pengenalan suara. Pada sistem ini memiliki 1 database yang memiliki 3 kelas, setiap kelasnya memiliki 8 sample. Setiap sampel memiliki 10 data nada pada setiap alat musik yang akan akan dievaluasi. Seperti pada Tabel 3.1.

Tabel 3.1. Data setiap sample untuk pengenalan suara

Sample 1 (do1, do2, do3, do4, do5, do6, do7, do8, do9, do10) Sample 2 (re1, re2, re3, re4, re5, re6, re7, re8, re9, re10) Sample 3 (mi1, mi2, mi3, mi4, mi5, mi6, mi7, mi8, mi9, mi10) Sample 4 (fa1, fa2, fa3, fa4, fa5, fa6, fa7, fa8, fa9, fa10) Sample 5 (sol1, sol2, sol3, sol4, sol5, sol6, sol7, sol8,sol9, sol10) Sample 6 (la1, la2, la3, la4, la5, la6, la7, la8, la9, la10) Sample 7 (si1, si2, si3, si4, si5, si6, si7, si8, si9, si10)

Sample 8 (dotinggi1, dotinggi2, dotinggi3, dotinggi4, dotinggi5, dotinggi6, dotinggi7, dotinggi8, dotinggi9, dotinggi10)

Pengambilan database pengenalan suara akan melalui beberapa tahap yaitu perekaman dengan format .wav dan tahap preprocessing.Pada tahap preprocessing terdapat beberapa proses yaitu Normalisasi 1, Pemotongan Sinyal, Frame Blocking, Normalisasi 2, Windowing Hamming, DST, Normalisasi 3, Centering, Windowing Koefisien, Penyekalaan Logaritmis, dan Normalisasi 4. Proses pengambilan database dapat dilihat pada Gambar 3.4 yang berada di dalam kotak dengan garis hitam putus-putus. Setelah proses normalisasi 4 adalah hasil ekstraksi ciri untuk database, yang nanti akan dibandingkan dengan data input yang baru secara real time maupun tidak real time. Database yang digunakan untuk tiap kombinasi antara Windowing Koefisien dan Frame Blocking yaitu 1 database, yang berarti pada sistem ini memiliki 25 database dari tiap kombinasi antara Frame Blocking dan Windowing Koefisien. Tiap kombinasi memiliki 240 ekstraksi ciri yaitu berupa ekstraksi ciri pada setiap nada yang memiliki 10 kali perekaman untuk ketiga alat musik. ekstraksi ciri setiap nada kemudian dirata-rata, sehingga tiap database memiliki 3 kelas yang terdiri dari 8 sample.

(41)

sistem pengenalan suara alat musik belira, pianika, dan recorder. Sehingga dapat memanggil database tersebut ketika sewaktu waktu diperlukan untuk melakukan proses pengenalan suara.

3.3. Suara Uji

Proses suara uji bertujuan untuk pencuplikan gelombang suara menjadi sinyal diskrit yang termodulasi menjadi sebuah pulsa. Fungsi dari proses ini untuk menjalankan program pengenalan suara belira, pianika dan recorder secara offline. Suara uji ini memiliki data nada sebanyak 240 nada yang didalamnya terdapat 10 kali perekaman setiap nada yaitu do, re, mi, fa, sol, la, si, dan do tinggi pada setiap alat musik belira, pianika, dan recorder. Semua sample masuk dalam proses ini sebelum masuk ke tahap berikutnya. Proses suara uji di tunjukkan pada Gambar 3.5.

Gambar 3.5. Proses pembuatan suara uji

3.4. Perancangan Tampilan Program GUI Matlab

Gambar 3.6. Rancangan interface sistem pengenalan alat musik belira, pianika dan recorder menggunakan GUI Matlab

Pengenalan Alat Musik

Selesai Rekam

Plot Perekaman Plot Ekstraksi Ciri Alat Musik Pilih Windowing Koefisien Pilih Frame

Reset

Perekaman Masukan suara

(Belira, Pianika, dan Recorder).wav

(42)

Tampilan interface untuk sistem pengenalan suara alat musik belira, pianika, dan recorder ini penulis menggunakan GUI yang terdapat dalam Matlab. Tampilan interface sistem pengenalan alat musik ini dapat dilihat pada Gambar 3.6 dan untuk fungsi dari bagian-bagian pada interface dapat dilihat pada Tabel 3.2.

Tabel 3.2. Keterangan dari interface pada GUI Matlab

Nama Keterangan

Rekam Untuk memulai proses pnegenalan

Selesai Untuk mengakhiri proses pengenalan

Reset Untuk mengulang proses pengenalan

Plot Perekaman Menampilkan gambar grafik hasil perekaman Nilai Korelasi Menampilkan nilai hasil rata-rata korelasi

Alat Musik Hasil output berupa teks alat musik yang sedang dimainkan

3.5. Perancangan Alur Program

Gambar 3.7. Diagram alur proses sistem pengenalan suara alat musik belira, pianika, dan recorder

Normalisasi 2

Input Suara Belira, Pianika,

Recorder Start

End Normalisasi 1

Pemotongan Sinyal

Frame Blocking

Rekam

Windowing

DST

Normalisasi 3

Centering

dan Windowing

Koefisien

Penyekalaan Logaritmis

Normalisasi 4

Fungsi Korelasi

Penentuan Alat Musik

(43)

Pada proses sistem pengenalan suara alat musik belira, pianika, dan recorder ini, memiliki beberapa proses, yaitu: perekaman, Normalisasi 1, Pemotongan Sinyal, Frame Blocking, Normalisasi 2, Windowing, DST, Normalisasi 3, Centering, Windowing Koefisien, Penyekalaan Logaritmis, Normalisasi 4, Fungsi Korelasi, penentuan output alat musik, dan output yang akan ditampilkan berupa teks, seperti tertera pada gambar 3.7.

3.5.1. Rekam

Pada proses ini, input suara dari belira, pianika, dan recorder akan direkam dan kemudian akan dilakukan sampling. Proses sampling bertujuan untuk merekam suara belira, pianika, dan recorder dengan menentukan nilai frekuensi sampling yaitu 10000 Hz. Ferkuensi sampling menggunakan frekuensi sampling yang telah digunakan pada penelitian sebelumnya [1]. Nilai frekuensi 10000 Hz dipilih karena menurut teori nyiquist frekuensi sampling harus lebih besar 2 kali dari frekuensi maksimum dari frekuensi yang telah direkam tadi persamaan (2.1). Proses diagram alur proses perkaman ini dapat dilihat pada Gambar 3.8 berikut.

Gambar 3.8. Diagram alur proses rekam Sampling

Rekam Start

End Output: Nada

Terekam Rekam

YA

TIDAK

(44)

3.5.2. Normalisasi 1

Setelah proses perekaman yaitu proses normalisasi. Tujuan dari proses normalisasi ini adalah untuk memaksimalkan aplitudo pada data nada yang sudah direkam pada data nada yang baru, agar lemah atau kuatnya suara yang baru direkam tidak mempengaruhi proses pengenalan. Data nada tersebut akan dibagi dengan nilai absolut tertinggi dari data nada yang sudah terekam persamaan (2.2). Diagram alur proses ini dapat dilihat pada Gambar 3.9.

Gambar 3.9. Diagram alur proses normalisasi 1

3.5.3. Pemotongan Sinyal

Proses pemotongan sinyal berfungsi untuk menghilangkan bagian silence dan transisi pada data nada yang telah terekam yang telah melewati proses normalisasi. Bagian silence tersebut terdapat pada bagian awal saat perekamaan atau dibagian sisi kiri pada sinyal yang telah tercuplik, dan juga tujuan dari pemotongan sinyal untuk menghilangkan noise pada rekaman agar suara yang dinginkan benar-benar suara asli dari belira, pianika dan recorder. Untuk proses pemotongan sinyal ini dapat dilihat pada gambar 3.10.

Input : Suara (Belira, Pianika, Recorder).wav

Proses Membagi Data Masukan Dengan Data Absolut Yang

Telah Terekam

Output : Hasil Normalisasi 1 Start

End A

(45)

Gambar 3.10. Diagram alur proses pemotongan sinyal

3.5.4. Frame Blocking

Proses selanjutnya dari sistem pengenalan suara alat musik belira, pianika, dan recorder ini adalah frame blocking. Fungsi dari proses ini adalah untuk memilih bagian mana yang akan diproses atau diolah, serta fungsi dari proses ini bisa mempercepat dan mempermudah proses perhitungan. User akan memilih nilai frame yang teleh ditentukan. Pilihan frame yang disediakan yaitu 32, 64, 128, 256 dan 512 [1]. Input proses frame blocking ini adalah output hasil dari proses pemotongan sinyal. Untuk proses frame blocking dapat dilihat pada Gambar 3.11.

Gambar 3.11. Diagram alur proses Frame Blocking Proses Mengambil Data

Sepanjang Nilai Frame

Output : Data Nada Hasil Frame Blocking Start

End C

C

Input :“Pilih Frame”pada

GUI Output : Data

Suara Hasil Normalisasi1

Proses Pemotongan

Bagian Silence

Start

B

Proses Pemotongan Bagian Transisi

Output : Data Suara Hasil Pemotongan

Sinyal

(46)

3.5.5. Normalisasi 2

Setelah proses frame blocking adalah proses normalisasi 2. Input pada proses ini adalah hasil Output dari frame blocking. Pada proses ini bertujuan agar amplitudo data nada yang telah di proses pada frame blocking terbentuk pada skala yang sama. Pada proses ini data nada hasil frame blocking dibagi dengan nilai absolut maksimum dari frame blocking persamaan (2.2). Untuk proses Normalisasi 2 dapat dilihat pada Gambar diagram alur 3.12.

3.5.6. Windowing

Proses selanjutnya pada sistem pengenalan suara alat musik belira, pianika, serta recorder ini yaitu windowing. Penulis menggunakan windowing hamming pada proses ini. Fungsi dari windowing ini adalah untuk menghilangkan efek diskontinuitas pada data sinyal suara yang telah terekam. Windowing tersebut memiliki karakteristik memiliki side lobe yang besar dan main lobe yang kecil pada sumbu frekuensi, sehingga dapat lebih baik untuk menghilangkan efek diskontinuitas. Pada proses ini data suara yang telah dinormalisasi melalui tahap frame blocking yang akan dikalikan dengan windowing hamming dengan persamaan (2.3) yang menggunakan fungsi hamming pada Matlab, sehingga memperoleh

Input : Data Suara Hasil Frame Blocking

Proses Membagi Data Masukan Dengan Nilai

Maksimal Frame Blocking

Output : Hasil Normalisasi 2

Start

(47)

[image:47.595.91.486.130.618.2]

hasil output dari windowing hamming tersebut. Kemudian akan dilanjutkan ke proses berikutnya. Untuk proses windowing ini dapat dilihat pada Gambar diagram alur 3.13.

Gambar 3.13. Diagram alur proses windowing

3.5.7. Discrete Sine Transform (DST)

Gambar 3.14. Diagram alur proses DST

Pada proses selanjutnya hasil Output data dari windowing kemudian diproses melalui proses DST dengan persamaan (2.4) yang menggunakan fungsi DST pada Matlab. Pada proses ini, hasil dari windowing dikonversikan dari domain waktu menjadi domain frekuensi yang menghasilkan panjang nilai koefisien. Untuk proses ini dapat dilihat pada Gambar 3.14.

Input : Hasil Windowing

Proses Mencari Nilai Absolut DST

Output : Hasil

DST

Start End

Input : Hasil Normalisasi 2

Proses Perkalian Data Input

Dengan Windowing Hamming

Output : Hasil Windowing

(48)

[image:48.595.130.466.172.517.2]

Setelah melewati proses DST, proses selanjutnya adalah normalisasi 3. Pada proses ini output dari proses DST dibagi dengan nilai absolut maksimum dari DST persamaan (2.2). Untuk diagram alur proses normalisasi 3 ini dapat dilihat pada Gambar 3.15.

3.5.9. Centering dan Windowing Koefisien

Setelah melewati proses normalisai 3 proses selanjutnya adalah Centering. Pada proses ini Centering berfungsi untuk menengahkan data sinyal suara, sinyal dengan amplitudo yang paling tinggi yang akan ditengahkan. Sinyal dengan amplitudo tertinggi yang sudah berada ditengah kemudian akan dilakukan zero padding. Sinyal akan diproses pada bagian sebelah kanan dan bagian sebelah kiri. Setelah pembagian menjadi 2 sisi, kemudian dikalikan dengan Windowing Koefisien. Pemilihan Windowing Koefisienterdapat pada user interface. Untuk proses Centering dan Windowing Koefisiendapat dilihat pada Gambar 3.16.

Input : Hasil DST

Proses Membagi Data Input Dengan Nilai

Maksimum DST

Output : Hasil Normalisasi 3

Start

(49)

[image:49.595.139.459.76.586.2]

Gambar 3.16. Diagram alur proses centering dan Windowing Koefisien

3.5.10. Penyekalaan Logaritmis

Proses ini mendapatkan input dari proses outputcentering dan Windowing koefisien. Pada proses ini, bertujuan untuk meningkatkan harmonisasi dan harmonic noise pada amplitudo sinyal suara. Sehingga dapat meninggkatkan amplitudo sinyal suara yang kecil menjadi amplitudo sinyal yang tinggi, begitu juga dengan amplitudo yang tinggi

Proses Sisi Kiri Mencari Nilai Maksimum, potong kanan, kali dengan

Windowing Koefisien, Zero Padding

Proses Penggabungan Sisi Kiri dan Sisi Kanan

Output : Hasil Centering dan Windowing Koefisien

Start

Proses Mencari Indeks Tertinggi

Dan Centering

Proses Sisi Kanan Mencari Nilai Maksimum, potong kiri, kali dengan

Windowing Koefisien, Zero Padding

End Input :”Pilih Windowing Koefisien”

(50)

ditingkatkan namun tidak terlalu signifikan dibandingkan dengan sinyal amplitudo yang kecil persamaan (2.6). Untuk proses penyekalaan logaritmis dapat dilihat pada Gambar 3.17.

Gambar 3.17. Diagram alur proses penyekalaan logaritmis

[image:50.595.103.473.131.499.2]

Setelah melalui proses penyekalaan logaritmis, kemudian hasil output data dari penyekalaan logaritmis dinormalisasi kembali. Pada proses ini adalah normalisasi yang paling akhir. Proses ini membagi data input yaitu hasil penyekalaan logaritmis dengan nilai maksimum absolut penyekalaan logaritmis persamaan (2.2). Untuk proses normalisasi ini dapat dilihat pada Gambar 3.18.

Gambar 3.18. Diagram alur proses normalisasi 4 Masukan Hasil

Penyekalaan Logaritmis

Keluaran Hasil Normalisasi 4 Start

Proses Membagi Data Masukan Dengan Nilai Maksimal Penyekalaan Logaritmis

End Start

Input : Hasil Centering dan

Windowing Koefisien

Proses Penyekalaan Logaritmisis

Output : Hasil Penyekalaan

Logaritmis

(51)

[image:51.595.113.509.97.429.2]

3.5.12. Fungsi Korelasi

Gambar 3.19. Diagram alur proses fungsi korelasi

Setelah melewati proses normalisasi yang terakhir yaitu normalisasi 4, selanjutnya data nada akan diproses pada fungsi korelasi dan akan menentukan hasil keluaran alat musik. Fungsi korelasi pada proses ini adalah untuk membandingkan antara hasil data Suara yang baru dengan data suara yang telah direkam atau database persamaan (2.7). Setelah melalui proses fungsi korelasi hasil data dilakukan sort descending, yang berarti hasil perhitungan pada proses korelasi di urutkan dari yang paling besar ke paling kecil. Untuk proses fungsi korelasi ini dapat dilihat pada Gambar 3.19.

3.5.13. Penentuan Keluaran

Tahap ini adalah menentukan output dari perhitungan korelasi. Setelah memproses data perhitungan fungsi korelasi, data akan dilakukan sort descending, kemudian pengambilan kelas terbesar dan ditentukan hasil output. Setelah mengetahui hasil output kelas yang memiliki nilai paling besar, maka dapat diperoleh hasil output dari suara alat musik belira, pianika, dan recorder. Untuk proses penentuan keluaran dapat dilihat pada Gambar 3.20.

Proses Perhitungan

Fungsi Korelasi Database

Outpur : Hasil Perhitungan Fungsi Korelasi

Input : Hasil Normalisasi 4

(52)

[image:52.595.101.471.75.450.2]

Gambar 3.20. Diagram alur proses penentuan keluaran

3.5.14. Keluaran Teks

Pada sistem pengenalan alat musik belira, pianika, dan recorder ini, proses terakhir adalah menampilkan keluaran teks pada interface. Yang akan mengenali alat musik apa yang dimainkan. Untuk menampilkan output berupa teks pada sistem pengenalan alat musik ini menggunakan perintah callback yang terdapat pada GUI Matlab, dengan menginisialisasi kelasout sebagai hasil output dari pengenalan belira, pianika, dan recorder_.Untuk proses keluaran teks dapat dilihat pada Gambar 3.21.

Input : Hasil Perhitungan

Korelasi Start

Pilih Kelas Yang Memiliki Nilai Hasil Korelasi Paling Besar

Output : Hasil Penentuan

Keluaran

(53)

[image:53.595.124.460.80.502.2]

Gambar 3.21. Diagram alur proses keluaran teks

3.6. Rancangan Pengujian

3.6.1. Pengujian Data Secara Tidak Real Time

Dalam pengujian alat musik belira, pianika, dan recorder secara tidak real time ini, penulis terlebih dahulu mengambil sample sebanyak 10 kali berupa nada-nada yaitu do, re, mi fa sol, la si, dan do tinggi pada setiap alat musik melalui microphone kemudian merekamnya menggunakan Matlab. Setelah setiap nada dari ketiga alat musik direkam kemudian data tersebut disimpan dala satu folder untuk dijadikan database. Untuk pengujiannya, setiap nada direkam s