viii
INTISARI
Musik adalah salah satu media ungkapan kesenian. Musik itu sendiri memiliki bentuk yang khas, baik dari sudut struktural maupun jenisnya dalam kebudayaan. Namun karena kurangnya ketajaman pendengaran, kebanyakan orang tidak bisa mengetahui nada yang dikeluarkan alat musik. Dalam perancangan ini akan dibuat pengenalan nada sebuah alat musik yaitu belira. Pada dasarnya semakin besar frekuensi dasar gelombang bunyi, maka semakin tinggi nada yang dihasilkan oleh sebuah alat musik belira.
Dalam sistem pengenalan ini, menggunakan mikrofon untuk merekam nadanya dan komputer untuk pengoperasiannya. Sistem ini akan membangkitkan spektrum frekuensi yang kemudian dianalisis dengan mencari nilai-nilai maksimum lokal. Dari nilai-nilai maksimum lokal yang didapatkan, dapat ditentukan frekuensi nada yang dimainkan. Frekuensi tersebut yang digunakan untuk penentuan teks nadanya. Keluaran akhir untuk sistem ini akan menampilkan plot hasil rekam, plot spektrum dan teks nada yang dikenali.
Sistem pengenalan ini berjalan sesuai dengan perancangan, dan dapat menampilkan plot hasil rekam, plot spektrum, dan teks hasil pengenalan nada. Dalam percobaan yang dilakukan, sistem dapat mengenali semua nada dengan baik pada semua nilai variasi DFT dan frame blocking.
ix
ABSTRACT
Music is one of the media an expression of art. Music has a typical form, both from the structural and the type in terms of culture. However, due to lack of hearing acuity, most people don’t know the tone of a musical instrument played. In this design will be made the tone recognition of a musical instrument namely belira. Basically the bigger the fundamental frequency the sound waves, the higher the tones are produced by a musical instrument the belira.
In this recognition systems, using a microphone to record the tone and computer to operate. This system will generate the frequency spectrum that will be analyzed by finding the values of the local maximum. From the values of the local maximum that has been obtained, can be determined the frequency of the tones are played. The frequency was used for the determination the text of that tone. The final output for this system will display a plot of the record, plot of the spectrum and the text of the tone recognized.
Recognition system is run in accordance with the design, and can display plots of record results, plot of the spectrum, and the text of the tone recognition results. In the experiment conducted, the system can recognize all the tones well in all values variations of the DFT and frame blocking.
i
TUGAS AKHIR
PENGENALAN NADA BELIRA MENGGUNAKAN
ANALISIS AMPLITUDO PADA RANAH FREKUENSI
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Teknik pada
Program Studi Teknik Elektro
Disusun Oleh :
YOVITA HETY INDRIANI
NIM : 115114049
PROGRAM STUDI TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
FINAL PROJECT
BELIRA TONE RECOGNITION USING AMPLITUDE
ANALYSIS IN THE FREQUENCY DOMAIN
In partial fulfillment of the requirements
for the degree of Sarjana Teknik
in Electrical Engineering
YOVITA HETY INDRIANI
NIM : 115114049
ELECTRICAL ENGINEERING STUDY PROGRAM
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya
orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana
layaknya karya ilmiah.
Yogyakarta, 02 Desember 2015
vi
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO
:
When you have GOD, you have
everything
Persembahan
Karya ini ku persembahkan kepada ...
Tuhan Yesus Kristus yang selalu setia membimbing dan
menyertaiku.
Papa, Mama dan Adik-adikku yang selalu mendukung
dan mendoakan.
Keluarga XVI yang selalu memberikan semangat,
dukungan dan doa.
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertandatangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Yovita Hety Indriani
Nomor Mahasiswa : 11 5114 049
Dengan pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan
Universitas Sanata Dharma karya ilmiah saya yang berjuadul :
PENGENALAN NADA BELIRA MENGGUNAKAN ANALISIS AMPLITUDO
PADA RANAH FREKUENSI
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada
Perpustakaan Universitas Samata Dharma hak untuk menyimpan, mengalihkan dalam
bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara
terbatas dan mempublikasikannya di internet atau media lainnya untuk kepentingan
akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya
selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataa ini saya buat dengan sebenarnya.
Yogyakarta, 02 Desember 2015
viii
INTISARI
Musik adalah salah satu media ungkapan kesenian. Musik itu sendiri memiliki bentuk yang khas, baik dari sudut struktural maupun jenisnya dalam kebudayaan. Namun karena kurangnya ketajaman pendengaran, kebanyakan orang tidak bisa mengetahui nada yang dikeluarkan alat musik. Dalam perancangan ini akan dibuat pengenalan nada sebuah alat musik yaitu belira. Pada dasarnya semakin besar frekuensi dasar gelombang bunyi, maka semakin tinggi nada yang dihasilkan oleh sebuah alat musik belira.
Dalam sistem pengenalan ini, menggunakan mikrofon untuk merekam nadanya dan komputer untuk pengoperasiannya. Sistem ini akan membangkitkan spektrum frekuensi yang kemudian dianalisis dengan mencari nilai-nilai maksimum lokal. Dari nilai-nilai maksimum lokal yang didapatkan, dapat ditentukan frekuensi nada yang dimainkan. Frekuensi tersebut yang digunakan untuk penentuan teks nadanya. Keluaran akhir untuk sistem ini akan menampilkan plot hasil rekam, plot spektrum dan teks nada yang dikenali.
Sistem pengenalan ini berjalan sesuai dengan perancangan, dan dapat menampilkan plot hasil rekam, plot spektrum, dan teks hasil pengenalan nada. Dalam percobaan yang dilakukan, sistem dapat mengenali semua nada dengan baik pada semua nilai variasi DFT dan frame blocking.
ix
ABSTRACT
Music is one of the media an expression of art. Music has a typical form, both from the structural and the type in terms of culture. However, due to lack of hearing acuity, most people don’t know the tone of a musical instrument played. In this design will be made the tone recognition of a musical instrument namely belira. Basically the bigger the fundamental frequency the sound waves, the higher the tones are produced by a musical instrument the belira.
In this recognition systems, using a microphone to record the tone and computer to operate. This system will generate the frequency spectrum that will be analyzed by finding the values of the local maximum. From the values of the local maximum that has been obtained, can be determined the frequency of the tones are played. The frequency was used for the determination the text of that tone. The final output for this system will display a plot of the record, plot of the spectrum and the text of the tone recognized.
Recognition system is run in accordance with the design, and can display plots of record results, plot of the spectrum, and the text of the tone recognition results. In the experiment conducted, the system can recognize all the tones well in all values variations of the DFT and frame blocking.
x
KATA PENGANTAR
Puji dan Syukur kepada Tuhan Yesus Kristus karena atas berkat dan
penyertaan-Nya penulis dapat menyelesaikan laporan tugas akhir ini dengan baik dan dapat
memperoleh gelar sarjana.
Selama penyelesaian penulisan tugas akhir ini, penulis menyadari bahwa banyak
pihak yang telah memberikan dukungan dan bantuan. Oleh karena itu, penulis ingin
mengucapkan banyak terimakasih kepada:
1. Tuhan Yesus Kristus atas berkat penyertaan-Nya sehingga Tugas Akhir ini selesai
dengan baik.
2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.
3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elekro
Universitas Sanata Dharma.
4. Dr. Linggo Sumarno, selaku dosen pembimbing Tugas Akhir yang selalu sabar
membimbing dan mendorong untuk cepat menyelesaikan Tugas Akhir ini.
5. Wiwien Widyastuti, S.T., M.T. dan Dr. Rita Widiarti selaku dosen penguji yang
telah memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.
6. Ir. Theresia Prima Ari Setiyani, M.T., selaku dosen pembimbing akademik yang
telah mendampingi, membimbing, dan memberikan saran kepada penulis selama
menempuh pendidikan di Universitas Sanata Dharma.
7. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama
menempuh pendidikan di Universitas Sanata Dharma.
8. Papa, Mama, dan adik-adik serta semua keluarga yang selalu mendoakan,
mendukung dan membantu segala sesuatunya mulai dari awal studi hingga
pencapaian menyelesaiakan studi di jenjang perkuliahan.
9. Segenap staff sekretariat, dan laboran Teknik Elektro yang secara tidak langung
telah memberikan bantuan dan dukungan dalam kelancaran tulisan Tugas Akhir ini.
10.Keluarga XVI yang selalu mendukung, mengingatkan, mendoakan dan
menyemangati dalam menyelesaikan Tugas Akhir ini.
11.Teman-teman kelompok skripsi Agi, Monic, Anton, Yugo, Tante a.k.a. Heri yang
xi
12.Seluruh teman-teman Teknik Elektro 2011 yang telah membantu, menemani, dan
memberikan semangat pada saat menempuh pendidikan di Universitas Sanata
Dharma.
13.Semua Pihak yang tidak bisa disebutkan satu persatu yang telah banyak
mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir
ini.
Penulis menyadari bahwa dalam penyusunan laporan Tugas Akhir ini masih
mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis
mengharapkan masukan, kritik dan saran yang membangun agar skripsi ini menjadi lebih
baik. Semoga skripsi ini dapat bermanfaaat sebagaimana mestinya.
Penulis
xii
DAFTAR ISI
Halaman
HALAMAN JUDUL
. ... iHALAMAN PERSETUJUAN
.. ... iiiHALAMAN PENGESAHAN
. ... ivPERNYATAAN KEASLIAN KARYA
. ... vHALAMAN PERSEMBAHAN DAN MOTTO HIDUP
. ... viLEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS
. ... viiINTISARI
. ... viiiABSTRACT
. ... ixKATA PENGANTAR
. ... xDAFTAR ISI
. ... xiiDAFTAR GAMBAR
... xvDAFTAR TABEL
... xviiBAB I PENDAHULUAN
1.1. Latar Belakang ... 11.2. Tujuan dan Manfaat ... 2
1.3. Batasan Masalah ... 2
1.4. Metodologi Penelitian... 2
BAB II DASAR TEORI
2.1. Belira ... 42.2. Mikrofon ... 5
2.3. Pengenalan Pola ... 5
2.4. Teorema Pencuplikan ... 9
2.5. Preprocessing ... 9
2.5.1. Normalisasi Awal ... 9
2.5.2. Pemotongan Sinyal ... 10
xiii
2.5.4. Normalisasi Akhir... 13
2.5.5 Windowing ... 13
2.6. DFT(Dicerete Fourier Transform) ... 14
BAB III PERANCANGAN
3.1. Sistem Pengenalan Nada Saksofon Alto ... 163.1.1. Belira ... 16
3.1.2. Mikrofon ... 16
3.1.3. Proses Perekaman ... 16
3.1.4. Proses Pengenalan Nada ... 17
3.1.5. Keluaran : Teks ... 19
3.2. Look Up Table ... 19
3.3. Nada Uji ... 19
3.4. Perancangan Tampilan Program GUI MATLAB ... 20
3.5. Perancangan Alur Program ... 21
3.5.1. Rekam ... 22
3.5.2. Normalisasi Awal ... 23
3.5.3. Pemotongan Awal... 23
3.5.4. Frame Blocking ... 25
3.5.5. Normalisasi Akhir... 26
3.5.6. Windowing ... 26
3.5.7. DFT dan Spektrum Frekuensi ... 27
3.5.8. Pencarian Maksimum Lokal ... 28
3.5.9. Sorting Turun ... 29
3.5.10.Perhitungan Harmonis ... 30
3.5.11.Penentuan Frekuensi ... 31
3.5.12.Penentuan Teks Nada ... 32
3.5.13.Keluaran Teks ... 33
BAB IV HASIL DAN PEMBAHASAN
4.1. Pengujian Program Pengenalan Nada Alat Musik Belira dengan Menggunakan DFT untuk Membangkitkan Spektrum dan Look Up Table untuk Penyelesaian ... 344.1.1. Pengenalan Nada ... 36
xiv
b. PushButton, Axes, dan Static Text ... 37
4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada
Alat Musik Belira ... 42
4.2.1. Pengujian Parameter Pengenalan Nada ... 43
4.2.2. Pengujian Dengan Nada Masukan Pianika ... 50
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ... 52
5.2. Saran ... 52
DAFTAR PUSTAKA
... 53LAMPIRAN
LAMPIRAN 1 PERCOBAAN UNTUK MENENTUKAN RANGE FREKUENSI PADA
LOOK UP TABLE UNTUK MASING-MASING NADA BELIRA.... L1
LAMPIRAN 2 PERCOBAAN MENENTUKAN NILAI YANG DIGUNAKAN UNTUK
MEMBANDINGKAN NILAI HASIL PEMBAGIAN MAKSIMUM
LOKAL PADA PERCOBAAN REAL-TIME ... L20
LAMPIRAN 3 PERCOBAAN MENCARI DURASI PEREKAMAN ... L29
LAMPIRAN 4 LISTING PROGRAM PENGAMBILAN NADA UJI ... L32
LAMPIRAN 5 LISTING PROGRAM PENGENALAN NADA BELIRA ... L33
xv
DAFTAR GAMBAR
Halaman
Gambar 2.1. Alat Musik Belira ... 4
Gambar 2.2. Mikrofon Genius 01A ... 5
Gambar 2.3. Sistem Pengenalan Pola dengan Pendekatan Statistik ... 7
Gambar 2.4. Contoh Pembagian Kelas Pola ... 8
Gambar 2.5. Sistem pengenalan pola dengan pendekatan sintaktik ... 8
Gambar 2.6. Sinyal Sebelum Normalisasi ... 10
Gambar 2.7. Sinyal Setelah Normalisasi Awal ... 10
Gambar 2.8. Sinyal Sebelum Pemotongan ... 11
Gambar 2.9. Hasil Pemotongan Bagian Silence ... 11
Gambar 2.10. Hasil Pemotongan Bagian Transisi ... 11
Gambar 2.11. Bagian Sinyal yang Akan Diambil untuk Frame Blocking ... 12
Gambar 2.12. Hasil Frame Blocking dari Gambar 2.11 ... 12
Gambar 2.13. Hasil Normalisasi dari Gambar 2.12 ... 13
Gambar 2.14. Hasil Windowing dari Gambar 2.13 ... 14
Gambar 2.15. Spektrum Frekuensi dari Gambar 2.14 ... 15
Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Belira ... 16
Gambar 3.2. Diagram Blok Proses Pengenalan Nada Belira ... 17
Gambar 3.3. Proses Penentuan Frekuensi Tengah untuk Look Up Table ... 19
Gambar 3.4. Diagram Blok Proses Pengambilan Nada Uji... 20
Gambar 3.5. Tampilan Proses pada GUI MATLAB ... 20
Gambar 3.6. Diagram Alir Sistem Pengenalan Nada Belira ... 21
Gambar 3.7. Diagram Alir Sub Rutin Rekam ... 22
Gambar 3.8. Diagram Alir Normalisasi Awal ... 23
Gambar 3.9. Diagram Alir Pemotongan Awal ... 23
Gambar 3.10. Diagram Alir Frame Blocking ... 25
Gambar 3.11. Diagram Alir Normalisasi Akhir ... 26
Gambar 3.12. Diagram Alir Windowing... 26
Gambar 3.13. Diagram Alir DFT dan Spektrum Frekuensi ... 27
xvi
Gambar 3.15. Diagram Diagram Alir Sorting Turun ... 29
Gambar 3.16. Diagram Alir Perhitungan Harmonis ... 30
Gambar 3.17. Diagram Alir Penentuan Frekuensi ... 31
Gambar 3.18. Diagram Alir Proses Penentuan Teks Nada ... 32
Gambar 4.1. Icon Program Pengenalan ... 34
Gambar 4.2. Tampilan Utama ... 35
Gambar 4.3 Tampilan Program Pengenalan Nada Belira ... 35
Gambar 4.4 Tampilan dari program GUI Matlab yang dioperasikan dengan input nada 1(do), dengan nilai frame blocking adalah 512 ... 36
xvii
DAFTAR TABEL
Halaman
Tabel 2.1. Contoh Pengenalan Pola ... 6
Tabel 3.1. Keterangan Tampilan Utama Sistem ... 21
Tabel 3.2. Frekuensi Look Up Table untuk Penentuan Nada ... 33
Tabel 4.1. Pengujian nada dengan nilai DFT dan frame blocking 1024 ... 43
Tabel 4.1. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 1024 ... 44
Tabel 4.2. Pengujian nada dengan nilai DFT dan frame blocking 512 ... 44
Tabel 4.2. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 512 ... 45
Tabel 4.3. Pengujian nada dengan nilai DFT dan frame blocking 256 ... 45
Tabel 4.3. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 256... 46
Tabel 4.4. Pengujian nada dengan nilai DFT dan frame blocking 128 ... 46
Tabel 4.4. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 128... 47
Tabel 4.5. Pengujian nada dengan nilai DFT dan frame blocking 64 ... 47
Tabel 4.5. (Lanjutan) Pengujian nada dengan nilai DFT dan frame blocking 64... 48
Tabel 4.6 Pengaruh panjang DFT terhadap tingkat pengenalan ... 49
Tabel 4.7. Pengujian nada alat musik pianika dengan DFT 512 ... 51
1
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Musik adalah salah satu media ungkapan kesenian. Musik mencerminkan
kebudayaan masyarakat pendukungnya. Musik dapat juga disebut sebagai media seni,
dimana pada umumnya orang mengungkapkan kreativitas dan ekspresi seninya melalui
bunyi-bunyian atau suara [1]. Drum Band merupakan salah satu jenis musik. Drum Band
adalah gabungan dari beberapa jenis alat musik yang dimainkan secara bersamaan. Salah
satu alat musik dalam Drum Band adalah belira. Belira merupakan alat musik yang terdiri
dari sederetan besi yang dimainkan dengan cara dipukul. Tinggi rendahnya nada pada
belira ditentukan oleh frekuensi dasar gelombang bunyi. Semakin besar frekuensi dasar
gelombang bunyi, maka semakin tinggi nada yang dihasilkan. Indera pendengaran manusia
tidak dapat mengetahui pasti nada apa yang didengar, terkecuali pemusik profesional. Hal
ini amatlah penting bagi masyarakat yang ingin mengetahui apakah alat musiknya sudah
menghasilkan nada-nada yang tepat atau belum. Penelitian yang sudah dilakukan
sebelumnya menggunakan Ekstraksi Ciri DCT dan Similaritas Kosinus [2].
Berdasarkan penelitian yang telah dilakukan sebelumnya, penulis ingin membuat
suatu sistem pengenalan nada dengan metode yang berbeda. Pengenalan ini dibuat dengan
menggunakan DFT untuk membangkitkan spektrum frekuensi yang kemudian akan
dianalisis dengan mencari nilai-nilai maksimum lokalnya, menentukan frekuensi dan
dengan menggunakan look up table untuk proses akhir penentuan teks nada belira yang
dimainkan.
Dalam sistem pengenalan nada ini, nada uji , , , 1, 2, 3, 4, 5, 6, 7, , , , , ,
yang telah melalui proses perekaman diproses terlebih dahulu agar menghasilkan spektrum
frekuensi untuk menentukan frekuensi tengah dalam look up table. Prosesnya akan melalui
tahap perekaman, kemudian preprocessing yang terdiri dari normalisasi awal, pemotongan
sinyal, frame blocking, normalisasi akhir, dan windowing. Kemudian menghitung dengan
DFT untuk mendapatkan spektrum frekuensi. Nilai tertinggi yang dilihat dari hasil plot
spektrum frekuensi digunakan sebagai frekuensi tengah. Untuk menentukan range
masing-masing nada untuk melihat area frekuensi setiap nada tersebut. Frekuensi look up
table pada proses akhirnya digunakan untuk mendapatkan keluaran teks nada sesuai
dengan nada yang dimainkan.
1.2.
Tujuan dan Manfaat
Tujuan dari penelitian ini adalah menghasilkan aplikasi pada pengenalan nada alat
musik belira dengan menggunakan DFT untuk membangkitkan spektrum frekuensi dan
look up table untuk penentuan keluarannya.
Manfaat dari penelitian ini adalah sebagai alat bantu bagi masyarakat yang sedang
belajar memainkan alat musik belira agar dapat mengenali nadanya, khususnya untuk anak
TK dan SD yang sering menggunakan alat musik belira.
1.3.
Batasan Masalah
Pada perancangan sistem ini, penulis fokus pada pembuatan software. Perancangan
dilakukan dengan pembuatan program pengenalan nada alat musik belira pada MATLAB.
Batasan masalah dalam penelitian ini adalah:
a. Menggunakan MATLAB untuk pembuatan program pengenalan nada
b. Pengenalan nada yang bersifat real time
c. Menggunakan hamming window dalam program pengenalan nada pada proses
windowing.
d. Menggunakan look up table untuk penentuan keluarannya.
1.4.
Metodologi Penelitian
Metode yang digunakan dalam penulisan ini adalah:
a. Pengumpulan bahan-bahan literatur berupa buku, jurnal, dan artikel.
b. Perancangan subsistem software
Tahap ini bertujuan untuk mencari bentuk model yang optimal daripada sistem
yang akan dibuat dengan pertimbangan dari faktor-faktor permasalahan yang ada
dan kebutuhan- kebutuhan yang telah ditentukan.
c. Pembuatan subsistem software
Penulis menggunakan software MATLAB untuk pembuatan program pengenalan
komputer, program akan mengolah perintah yang telah diterima dan memulai
proses recording. Setelah proses recording, komputer akan mengolah nada
kemudian memberikan keluaran teks nada belira.
d. Analisa dan penyimpulan hasil percobaan
Analisa data dilakukan dengan menyelidiki pengaruh panjang DFT dan frame
4
BAB II
DASAR TEORI
2.1.
Belira
Belira adalah salah satu alat musik yang merupakan bagian penting dari Drum
Band. Alat ini terdiri dari sederetan besi yang mempunyai nada. Semakin pendek ukuran
besinya maka semakin tinggi nada yang dihasilkan. Jadi besi yang ukurannya paling
panjang mengeluarkan nada yang paling rendah pada belira. Biasanya nadanya dimulai
dari nada sol. Cara memainkan belira hampir sama dengan cara memainkan piano.
Perbedaannya pada alat musik piano dimainkan dengan menggunakan jari-jari sedangkan
belira dimainkan dengan menggunakan alat pukul khusus. Meskipun cara memainkannya
mudah, namun butuh sedikit bakat untuk memahami cara memainkan belira serta
menghafal not-not dari lagu yang ingin dimainkan. Untuk memainkan alat ini, pemain
harus menghafal banyak not lagu yang tentunya setiap lagu memiliki nada yang
berbeda-beda. Belira memiliki 16 nada yaitu , , , 1, 2, 3, 4, 5, 6, 7, , , , , , . Gambar berikut
merupakan gambar alat musik belira:
2.2.
Mikrofon
Mikrofon adalah suatu komponen elektronika yang dapat mengubah atau
mengkonversikan energi akustik (gelombang suara) ke energi listrik (sinyal audio). Fungsi
dari mikrofon adalah sebagai komponen atau alat pengubah satu bentuk energi ke bentuk
energi lainnya. Setiap jenis Mikrofon memiliki cara yang berbeda dalam mengubah
(konversi) bentuk energinya, tetapi semua jenis mikrofon memiliki persamaan yaitu
memiliki suatu bagian utama yang disebut dengan diafragma. Mikrofon merupakan
komponen penting dalam perangkat elektronik seperti alat bantu pendengaran, perekam
suara, penyiaran radio maupun alat komunikasi lainnya seperti handphone, telepon,
interkom, walkie talkie serta home entertainment seperti karaoke [3].
Pada perancangan ini mikrofon digunakan sebagai alat perekaman suara untuk
mendapatkan nada terekam alat musik belira, agar kemudian dapat diproses untuk melalui
tahap selanjutnya sehingga mendapatkan keluaran teks yang sesuai dengan nada yang
dimainkan. Mikrofon yang digunakan adalah tipe Microphone Genius 01A. Dalam proses
perekaman, mikrofon dihubungkan langsung dengan kartu suara yang ada di laptop.
Gambar 2.2 Mikrofon Genius 01A
2.3.
Pengenalan Pola
Pengenalan pola (pattern recognition) sesungguhnya telah lama ada dan telah
mengalami perkembangan terus menerus dimulai dari pengenalan pola tradisional
kemudian menjadi pengenalan pola modern. Pada mulanya pengenalan pola berbasis pada
kemampuan alat indera manusia, dimana manusia mampu mengingat suatu informasi pola
secara menyeluruh hanya berdasarkan sebagian informasi pola yang tersimpan di dalam
ingatannya. Misalnya sebuah nada pendek yang dibunyikan dapat membuat manusia
Inti dari pengenalan pola adalah proses pengenalan suatu objek dengan
menggunakan berbagai metode dimana dalam proses pengenalannya memiliki tingkat
akurasi yang tinggi. Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa
suatu objek yang secara manual (oleh manusia) tidak dapat dikenali tetapi bila
menggunakan salah satu metode pengenalan yang diaplikasikan pada komputer masih
dapat dikenali [4].
Pola adalah entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya
(features) [5]. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola
lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga
pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan
yang tinggi.
Tabel 2.1 Contoh Pengenalan Pola
Pola Ciri
Huruf
Suara
Tanda Tangan
Sidik Jari
Tinggi, Tebal, Titik Sudut,
Lengkungan Garis, dll
Amplitudo, Frekuensi, Nada,
Intonasi, Warna, dll
Panjang, Kerumitan, Tekanan, dll
Lengkungan, Jumlah Garis, dll
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan
ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan
suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan
pola yaitu pendekatan secara statistik dan pendekatan secara sintaktik atau struktural [5].
a. Pengenalan Pola secara Statistik
Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-ciri yang
dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda memiliki
distribusi yang berbeda pula. Dengan menggunakan teori keputusan di dalam statistik,
Gambar 2.3 Sistem Pengenalan Pola dengan Pendekatan Statistik
Ada dua fase dalam sistem pengenalan pola: (i) fase pelatihan dan (ii) fase pengenalan.
Pada fase pelatihan, beberapa contoh citra dipelajari untuk menentukan ciri yang akan
digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase
pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya.
1. Preprocessing
Proses awal yang dilakukan untuk memperbaiki kualitas citra (edge enhancement)
2. Feature Extraction
Proses mengambil ciri-ciri yang terdapat pada objek di dalam citra. Pada proses ini
objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu menghitung
properti-properti objek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri
mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan
pola, dan sebagainya.
3. Classification
Proses mengelompokkan objek ke dalam kelas yang sesuai.
4. Feature Selection
Proses memilih ciri pada suatu objek agar diperoleh ciri yang optimum, yaitu ciri
yang dapat digunakan untuk membedakan suatu objek dengan objek lainnya.
5. Learning
Proses belajar membuat aturan klasifikasi sehingga jumlah kelas yang tumpang
Kumpulan ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang bahumatra
(multi dimensi). Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang
bahumatra. Ruang bahumatra dibagi menjadi sejumlah uparuang (sub-ruang). Tiap
uparuang dibentuk berdasarkan pola-pola yang sudah dikenali kategori dan ciri-cirinya
(melalui fase pelatihan). Lihat Gambar 2.5
Gambar 2.4 Contoh Pembagian Kelas Pola
b. Pengenalan Pola secara Sintaktik
Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat pada suatu
pola ditentukan primitif dan hubungan struktural antara primitif kemudian menyusun
tata bahasanya. Dari aturan produksi pada tata bahasa tersebut kita dapat menentukan
kelompok pola. Gambar 2.6 memperlihatkan sistem pengenalan pola dengan
pendekatan sintaktik. Pengenalan pola secara sintaktik lebih dekat ke strategi
pengenalan pola yang dilakukan manusia, namun secara praktek penerapannya relatif
sulit dibandingkan pengenalan pola secara statistik.
Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali pola adalah
mengikuti kontur (tepi batas) objek dengan sejumlah segmen garis terhubung satu sama
lain, lalu mengkodekan setiap garis tersebut (misalnya dengan kode rantai). Setiap segmen
garis merepresentasikan primitif pembentuk objek.
2.4.
Teorema Pencuplikan
Sampling adalah proses pencuplikan gelombang suara yang akan menghasilkan
gelombang diskret. Dalam proses sampling ada yang disebut dengan laju pencuplikan
(sampling rate). Sampling rate menandakan berapa banyak pencuplikan gelombang analog
dalam 1 detik. Sampling rate dinyatakan dalam satuan Hertz (Hz). Pada proses sampling,
sebaiknya sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist menyatakan bahwa
sampling rate harus lebih besar dari dua kali frekuensi tertinggi sinyal analog [5]. Secara
matematis dapat dituliskan:
(2.2)
dengan:
fs = frekuensi sampling rate
fm= frekuensi tertinggi sinyal suara analog
2.5.
Preprocessing
Preprocessing adalah proses-proses awal yang dilakukan sebelum proses
membangkitkan spektrum. Tujuan dari preprocessing ini adalah untuk menyetarakan
sinyal nada masukan agar lebih mudah diproses untuk pengenalan nadanya.
2.5.1
Normalisasi Awal
Normalisasi merupakan suatu cara untuk mengatasi jarak antara sumber suara dengan
mikrofon. Pada perekaman atau pengambilan suara ini perlu adanya normalisasi supaya amplitudo nada saat dimainkan dapat menjadi maksimal [6]. Proses normalisasi awal
dilakukan dengan cara membagi tiap nilai data masukan yaitu nada terekam dengan nilai
absolut maksimal dari data masukan tersebut. Berikut rumus untuk proses normalisasi:
Keterangan:
= hasil data sinyal normalisasi = data input
Gambar 2.3 dan gambar 2.4 meperlihatkan gambar sinyal sebelum dan setelah
melalui proses normalisasi awal.
Gambar 2.6 Sinyal Sebelum Normalisasi
Gambar 2.7 Hasil Setelah Normalisasi Awal
2.5.2
Pemotongan Sinyal
Proses pemotongan sinyal bertujuan untuk memotong beberapa bagian sinyal.
Proses pemotongan dilakukan setelah proses normalisasi awal. Dalam proses pemotongan,
bagian yang dipotong adalah bagian awal dari sinyal. Tujuan dari pemotongan awal sinyal
nada adalah untuk menghilangkan bagian yang tidak termasuk bagian dari sinyal nada serta
untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam agar didapatkan
sinyal yang benar-benar suara nada alat musik belira. Pada proses pemotongan ini, akan
melewati dua kali proses pemotongan. Proses pemotongan yang pertama yaitu memotong
pemotongan yang kedua yaitu memotong bagian transisi sinyal. Berikut gambar untuk
hasil pemotongan :
Gambar 2.8 Sinyal Sebelum Pemotongan
[image:30.595.102.493.123.692.2]Gambar 2.9 Hasil Pemotongan Bagian Silence
2.5.3
Frame Blocking
Frame Blocking adalah pembagian sinyal audio menjadi beberapa frame yang
nantinya dapat memudahkan dalam perhitungan dan analisa sinyal, satu frame terdiri dari
beberapa sampel tergantung berapa detik suara akan disampel dan berapa besar frekuensi
sampling. Pada proses ini dilakukan pemotongan sinyal dalam slot-slot tertentu agar
memenuhi dua syarat yaitu linear dan time invariant. Gambar 2.9 memperlihatkan contoh
hasil frame blocking.
[image:31.595.99.495.204.623.2]Gambar 2.11 Bagian Sinyal yang Akan Diambil untuk Frame Blocking
Gambar 2.12 Hasil Frame Blocking dari Gambar 2.11
Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem
pengenalan. Pada pengenalan ini nilai frame bervariasi, user akan diberikan pilihan variasi
2.5.4
Normalisasi Akhir
Normalisasi akhir adalah normalisasi setelah melalui proses pemotongan dan frame
blocking. Setelah melalui proses frame blocking, sinyal yang dihasilkan tidak maksimal
sehingga dibutuhkan proses normalisasi akhir. Proses normalisasi akhir dilakukan dengan
cara membagi tiap nilai data masukan yaitu hasil frame blocking dengan nilai absolut
maksimal dari data masukan tersebut. Tujuan dari normalisasi akhir adalah untuk
menyetarakan amplitudo hasil frame blocking agar maksimal. Rumus untuk proses
normalisasi akhir sama dengan rumus proses normalisasi awal:
))
(
2.4)Keterangan:
= hasil data sinyal normalisasi = data input
Berikut gambar untuk hasil normalisasi akhir:
Gambar 2.13 Hasil Normalisasi dari Gambar 2.12
2.5.5
Windowing
Windowing digunakan untuk menghilangkan diskontinuitas yang diakibatkan oleh
proses Frame Blocking atau Framing. Ada beberapa fungsi windows yang telah ada
diantaranya Kaiser, Hamming, Triangular, dan Rectangular. Dalam proses ini jenis
window yang digunakan adalah Hamming Window. Hamming Window mempunyai side
lebih halus dalam menghilangkan efek diskontinuitas. Hamming Window adalah sebuah
vektor dengan jumlah elemen sebanyak n. Biasanya n akan disesuaikan dengan banyaknya
elemen pada frame sehingga banyaknya elemen pada Hamming Window akan sama dengan
banyaknya elemen pada frame. Persamaan dari windowing hamming[7]:
(2.5)
Keterangan : w(n) = windowing
N = jumlah data dari sinyal
[image:33.595.91.498.167.565.2]n = waktu diskrit ke-
Gambar 2.14 Hasil Windowing dari Gambar 2.13
2.6.
DFT (Discrete Fourier Transform)
Salah satu formulasi yang ampuh untuk proses pengolahan sinyal adalah
menggunakan Discrete Fourier Transform (DFT). Prinsip DFT adalah
mentransformasikan (alih bentuk) sinyal yang semula analog menjadi diskret dalam
domain waktu, dan kemudian diubah ke dalam domain frekuensi. Hal ini dilakukan dengan
mengalikan sinyal diskret dengan suatu fungsi kernel. DFT dan FFT memiliki resolusi
sebesar fs/N yang mana fs adalah sampling rate (dalam 1 detik diambil sebanyak fs data)
Discrete Fourier Transform (DFT) didefinisikan sebagai:
(2.6)
Dengan : n = indeks dalam domain waktu = 0, 1, ..., N-1,
m = indeks dalam domain frekuensi = 0, 1, ..., N-1
Persamaan ini menyatakan bahwa DFT merupakan metode yang berguna dalam
menentukan amplitudo dan komponen-komponen frekuensi harmonik ke-m dari suatu
sinyal periodik atau merupakan koefisien-koefisien deret Fourier[8].
Discrete Fourier Transform (DFT) mengubah sinyal atau sistem dari kawasan
waktu ke kawasan frekuensi. DFT yang dikenakan pada sinyal akan menghasilkan
spektrum frekuensi yang terdiri dari spektrum magnitude dan spektrum fasa yang
menunjukkan hubungan antara magnitude, fasa dengan frekuensi. Artinya kita dapat
melihat komponen penyusun sinyal tersebut dari magnitude sinyal pada rentang frekuensi.
Begitu juga dengan fasenya. Misalnya digunakan untuk analisis suara nada alat musik
belira maka kita dapat melihat sebenarnya nada dari belira tersebut mempunyai magnitude
besar pada frekuensi berapa saja yang menunjukkan dominan frekuensi dari suara nada
tersebut. Penerapan DFT pada tanggapan cuplik satuan suatu sistem akan menghasilkan
tanggapan frekuensi yang terdiri dari tanggapan magnitude dan tanggapan fase. Hal ini
[image:34.595.110.474.508.714.2]berguna untuk analisis suatu filter, bagaimana respon filter tersebut secara frekuensi.
16
BAB III
PERANCANGAN
3.1.
Sistem Pengenalan Nada Alat Musik Belira
Blok diagram sistem pengenalan nada alat musik belira diperlihatkan pada gambar
[image:35.595.88.517.202.552.2]diberikut:
Gambar 3.1 Diagram Blok Sistem Pengenalan Nada Belira
3.1.1 Belira
Alat musik belira digunakan sebagai objek penelitian oleh penulis, belira memiliki 16 nada
yang akan dikenali yaitu , , , 1, 2, 3, 4, 5, 6, 7, , , , , , .
3.1.2 Mikrofon
Mikrofon berfungsi untuk menangkap suara dari belira kemudian menyalurkan pada laptop
kemudian diproses untuk pengenalan nada.
3.1.3 Proses Perekaman
Proses perekaman adalah proses masuknya data nada terekam berupa sinyal digital. Saat
proses perekaman berlangsung sinyal analog dikonversi menjadi sinyal digital dengan
frekuensi sampling. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot.
Data nada yang telah disimpan disebut nada terekam dan kemudian dapat diproses untuk
3.1.4 Proses Pengenalan Nada
Proses ini untuk mengetahui nada apa yang direkam. Gambar berikut merupakan diagram
[image:36.595.82.527.142.583.2]proses pengenalan nada :
Gambar 3.2 Diagram Blok Proses Pengenalan Nada Belira
1. Masukan
Masukannya adalah hasil dari sampling nada belira yang direkam langsung (real time)
menggunakan mikrofon. Hasilnya dalam bentuk wav.
2. Preprocessing
Preprocessing merupakan proses awal yang berfungsi untuk menyetarakan sinyal
masukan. Preprocessing terdiri dari:
a. Normalisasi Awal
Proses normalisasi awal bertujuan untuk menyetarakan amplitudo nada masukan
menjadi maksimum, sehingga efek dari kuat atau lemahnya suara yang dikeluarkan alat
musik tidak terlalu memengaruhi proses pengenalan.
b. Pemotongan Awal
Proses pemotongan bertujuan untuk menghilangkan efek noise atau suara lain yang
ikut terekam pada saat proses perekaman. Sinyal yang dipotong adalah sinyal bagian
silence dan bagian transisi yang terdapat di bagian awal/depan sinyal nada terekam.
c. Frame Blocking
Proses frame blocking untuk memilih data dari nada terekam.Data yang dipilih dapat
d. Normalisasi Akhir
Masukan dari normalisasi akhir adalah sinyal hasil frame blocking. Setelah proses
frame blocking sinyalnya tidak maksimal sehingga dibutuhkan normalisasi akhir untuk
menyetarakan amplitudo menjadi maksimum.
e. Windowing
Data yang telah dinormalisasikan akan melalui proses windowing. Windowing ini
berfungsi untuk mengurangi efek diskontinuitas dari potongan-potongan sinyal. Dalam
penelitian ini menggunakan Hamming Window.
3. DFT dan Spektrum Frekuensi
Pada pengenalan nada alat musik belira ini nilai DFT sama dengan nilai frame
blocking. Proses ini untuk membangkitkan spektrum frekuensi. Setelah melihat
keluaran spektrum frekuensi maka dapat diketahui frekuensi untuk nada yang
dimainkan.
4. Pencarian Maksimum Lokal
Proses pencarian maksimum lokal untuk mencari nilai-nilai maksimum lokal dari
spektrum frekuensi.
5. Sorting Turun
Setelah mendapatkan nilai-nilai maksimum lokal maka akan melewati proses sorting
turun (descend) atau mengurutkan kebawah nilai-nilai maksimum lokal dan nilai-nilai
frekuensi nada, tujuannya adalah untuk mengetahui nilai tertinggi dari data agar dapat
diproses untuk mengetahui nadanya.
6. Uji Harmonis
Untuk proses uji harmonis bertujuan untuk menentukan apakah nada yang dimainkan
merupakan nada belira atau bukan. Untuk mengetahui hal tersebut, maka dalam proses
uji harmonis ini dilakukan perhitungan yaitu membagi nilai maksimum lokal urutan 2
dan urutan 1.
7. Penentuan Frekuensi
Proses ini untuk menentukan frekuensi dari nada belira yang dimainkan. Dari proses
sorting turun, maka dapat diketahui nilai frekuensinya yaitu nilai frekuensi yang paling
tinggi yang berada di urutan pertama setelah melalui proses sorting turun (descend).
8. Penentuan Nada
Setelah mengetahui nilai frekuensinya maka dapat diketahui nada keluarannya.
9. Keluaran (Teks)
Dari penentuan nada, maka dapat diketahui nada apa yang dimainkan. Keluarannya
adalah berupa teks nada.
3.1.5 Keluaran : Teks
Keluaran akhir untuk pengenalan nada ini berupa teks nada yang dikenali dan teks
“ERROR” jika nada tidak dikenali.
3.2.
Look Up Table
Dalam perancangan pengenalan nada alat musik belira ini, menggunakan look up
table pada proses penentuan nadanya. Untuk menentukan frekuensi pada look up table,
penulis harus mencari frekuensi tengahnya terlebih dahulu kemudian menentukan range
frekuensi yang digunakan. Untuk memperoleh frekuensi tengah tersebut, penulis
mengambil 3 sampel untuk masing-masing nada yang akan dikenali (“ , , , 1, 2, 3, 4, 5, 6,
7, , , , , , “) kemudian menentukan nilai rata-ratanya. Nilai rata-rata tersebut yang
digunakan sebagai frekuensi tengah penentu range pada look up table. Pengambilan nada
dilakukan melalui tahap perekaman. Setelah proses perekaman maka akan melalui
preprocessing yang terdiri dari proses normalisasi awal, pemotongan sinyal, frame
blocking, normalisasi akhir, dan windowing. Setelah itu, menghitung dengan DFT dan
penentuan spektrum sehingga didapatkan plot spektrum frekuensi. Prosesnya ditunjukkan
pada gambar berikut:
Gambar 3.3 Proses Penentuan Frekuensi Tengah untuk Look Up Table
3.3.
Nada Uji
Proses ini bertujuan untuk pencuplikan gelombang suara yang akan menghasilkan
program pengenalan suara nada belira secara offline atau belum real-time. Selain itu, nada
uji juga digunakan untuk mencari frekuensi tengah look up table. Berikut gambar blok
[image:39.595.85.526.169.591.2]diagram proses pengambilan nada uji:
Gambar 3.4 Diagram Blok Proses Pengambilan Nada Uji
3.4.
Perancangan Tampilan Program GUI MATLAB
Gambar 3.5 Tampilan Proses pada GUI MATLAB Rekam
Selesai
Bar Hasil Rekam
Bar Spektrum Frekuensi
Tampilan Teks Nada
Tabel 3.1 Keterangan Tampilan Utama Sistem
3.5.
Perancangan Alur Program
Gambar 3.6 Diagram Alir Sistem Pengenalan Nada Belira Nama Keterangan
Pilihan Nilai Frame Untuk memilih nilai frame blocking
Rekam Untuk memulai program
Selesai Untuk mengakhiri program
Plot Hasil Rekam Untuk menampilkan grafik hasil rekam
Plot Spektrum Frekuensi Untuk menampilkan grafik spektrum
frekuensi
Tampilan Teks Nada Untuk menampilkan teks nada belira
Pada sistem pengenalan nada ini terdapat proses-proses yang perlu dilakukan.
Bermula dari perekaman hingga hasil akhir yang akan memberikan tampilan teks untuk
nada yang dimainkan.
[image:41.595.91.499.181.432.2]3.5.1 Rekam
Gambar 3.7 Diagram Alir Sub Rutin Rekam
Pada proses perekaman, proses pertama akan melewati sampling yang tujuannya untuk
merekam nada belira dengan nilai frekuensi sampling yang telah ditentukan yaitu 10000
Hz. Nilai untuk frekuensi sampling didapatkan berdasarkan rumus (2.1). Jadi semua
sampel nada yang diambil dalam proses perekaman, melalui proses sampling terlebih
dahulu sebelum masuk ke tahap selanjutnya. Hasil keluaran untuk proses perekaman dalam
bentuk wav.
Berikut ini merupakan cara untuk sampling nada:
1. Menentukan panjang durasi perekaman yaitu 1,5 detik [L31].
2. Menentukan frekuensi sampling yaitu 10000 Hz [L19].
3. Menentukan jumlah sample dengan mengalikan panjang durasi perekaman dengan
frekuensi sampling.
4. Merekam suara masukan dengan perintah wavrecord.
5. Menyimpan hasil rekaman dengan perintah wavwrite.
3.5.2 Normalisasi Awal
Gambar 3.8 Diagram Alir Normalisasi Awal
Tujuan dari proses normalisasi awal adalah untuk menyetarakan amplitudo dari data sinyal
nada terekam sehingga dapat terbentuk pada skala yang sama agar kuat atau lemahnya
suara nada yang dimainkan tidak terlalu memengaruhi proses pengenalan. Dalam proses
normalisasi ini, nilai-nilai data masukan nada terekam dibagikan dengan nilai absolut
maksimal dari data itu sendiri sehingga didapatkan sinyal yang ternormalisasi untuk nada
terekam. Rumus untuk membagi data dapat dilihat pada persamaan (2.2).
3.5.3 Pemotongan Awal
[image:42.595.84.501.364.721.2]Proses pemotongan awal adalah pemotongan sinyal awal yang tidak digunakan
yang terdapat di sisi kiri atau bagian awal dari sinyal yaitu bagian silence dan bagian
transisi. Tujuan dari proses pemotongan bagian silence adalah untuk menghilangkan
bagian yang tidak termasuk bagian dari sinyal nada, dan tujuan pemotongan bagian transisi
adalah untuk mendapatkan sinyal yang benar-benar suara nada alat musik belira. Proses
pemotongan pertama pada bagian silence, pada proses ini akan memotong sinyal suara
yang terekam sebelum sinyal suara nada belira. Pemotongan kedua yaitu pada bagian
transisi. Pemotongan ini dilakukan dengan menghilangkan ¼ bagian dari sinyal yang
terdapat di bagian awal (bagian transisi) setelah pemotongan bagian silence. Setelah
melalui 2 (dua) kali proses pemotongan, maka didapatkan keluaran untuk hasil
pemotongan awal.
Berikut ini merupakan cara pemotongan sinyal bagian silence dan pemotongan bagian
transisi:
1. Menentukan nilai yang digunakan sebagai batas potong yaitu 0,3 [2].
2. Mencari bagian sinyal yang > 0,3 dan < (-0,3). Sinyal yang dicari tersebut
diinisialisasi sebagai b1.
3. Sinyal yang tidak termasuk b1 adalah sinyal silence sehingga sinyal tersebut
dihilangkan.
4. Pemotongan sinyal transisi dengan mengalikan jumlah data sinyal dengan 0,25.
Hasil perkalian tersebut diinisialisasi sebagai bts.
3.5.4 Frame Blocking
Gambar 3.10 Diagram Alir Frame Blocking
Setelah proses pemotongan, maka proses selanjutnya yaitu frame blocking. Nilai
frame dipilih oleh user. Pilihan nilai-nilai frame blocking yang diberikan yaitu 64, 128,
256, 512, dan 1024. Nilai-nilai tersebut ditentukan sendiri secara objektif dan nilai-nilai
tersebut juga telah digunakan pada penelitian-penelitian sebelumnya [2]. Dalam proses ini,
data yang diambil mulai dari sinyal yang paling kiri dan akan diambil sepanjang nilai
frame yang telah dipilih oleh user sehingga dapat memudahkan dalam perhitungan dan
analisa sinyal. Data yang diambil dapat mewakili data terekam. Data yang diambil tersebut
3.5.5 Normalisasi Akhir
Gambar 3.11 Diagram Alir Normalisasi Akhir
Masukan dari normalisasi akhir adalah sinyal hasil frame blocking. Pada proses
frame blocking sinyalnya tidak maksimal sehingga dibutuhkan normalisasi akhir untuk
menyetarakan amplitudo menjadi maksimum. Pada proses normalisasi akhir, data masukan
hasil frame blocking dibagi dengan nilai absolut maksimal dari data hasil frame blocking
tersebut. Hasil pembagiannya merupakan keluaran untuk proses normalisasi akhir.
[image:45.595.90.514.94.373.2]3.5.6 Windowing
Gambar 3.12 Diagram Alir Windowing
Windowing berfungsi untuk mengurangi efek diskontinuitas saat sinyal
Penggunaan hamming window membuat hasil windowing akan lebih halus dalam
menghilangkan efek diskontinuitas. Dalam prosesnya, masukan yaitu hasil normalisasi
akhir dikalikan dengan windowing hamming sehingga didapatkan hasil untuk proses
windowing. Rumus windowing hamming dapat dilihat pada persamaan (2.4).
[image:46.595.95.504.183.467.2]3.5.7 DFT dan Spektrum Frekuensi
Gambar 3.13 Diagram Alir DFT dan Spektrum Frekuensi
Proses selanjutnya adalah mencari spektrum frekuensi. Dalam proses ini, perhitungan
dengan DFT digunakan untuk membangkitkan spektrum frekuensi sehingga didapatkan
keluaran spektrum frekuensi. Pada proses ini, untuk frekuensi yang nilainya 0-100 Hz
dianggap tidak termasuk frekuensi belira.
Berikut ini merupakan cara untuk membangkitkan spektrum frekuensi dengan
menggunakan DFT :
1. Mencari panjang data sinyal.
2. Menambahkan angka 0 pada data agar jumlah data sama dengan jumlah frekuensi
sampling.
3. Menghitung data dengan fungsi DFT pada lampiran [L39].
4. Hasil perhitungan dikalikan dengan konjugat untuk mendapatkan nilai real.
5. Hasil perkalian indeks 1 sampai setengah dari frekuensi sampling adalah sumbu
tegak pada spektrum kemudian hasilnya ditampilkan dengan perintah bar sehingga
3.5.8 Pencarian Maksimum Lokal
Gambar 3.14 Diagram Alir Pencarian Maksimum Lokal
Proses pencarian maksimum lokal adalah mencari nilai-nilai maksimum lokal
setelah mendapatkan spektrum frekuensinya. Tujuan dari proses ini adalah untuk
menganalisis spektrum dengan nilai-nilai dari maksimum lokal tersebut agar diketahui
nada yang dimainkan termasuk nada belira atau bukan.
Berikut ini merupakan cara untuk mencari nilai-nilai maksimum lokal :
1. Mencari panjang data spektrum.
2. Menolkan semua data dengan perintah zeros.
3. Mencari nilai-nilai tertinggi dengan proses looping. Dalam proses looping, angka
yang lebih besar dari angka sebelumnya dan sesudahnya adalah angka yang diambil
sebagai nilai maksimum lokal.
4. Mengisi data yang dinolkan tadi dengan nilai-nilai yang didapatkan dalam proses
3.5.9 Sorting Turun
Gambar 3.15 Diagram Alir Sorting Turun
Proses ini adalah untuk mengurutkan ke bawah nilai-nilai maksimum lokal sehingga dapat
lebih mudah untuk proses selanjutnya. Mengurutkan kebawah berarti mengurutkan dari
nilai yang tertinggi ke nilai yang terendah. Keluaran dari proses ini adalah nilai-nilai
maksimum lokal yang telah diurutkan dari nilai tertinggi ke nilai yang terendah dan indeks
dari nilai-nilai tersebut merupakan frekuensinya.
Berikut ini adalah cara mengurutkan kebawah nilai-nilai maksimum lokal:
1. Nilai-nilai maksimum lokal diurutkan kebawah dengan perintah „descend’ tetapi
urutan indeksnya tidak berubah.
2. Setelah diurutkan, data kemudian diambil dari urutan 1 sampai dengan 5. Indeks
3.5.10 Perhitungan Harmonis
Gambar 3.16 Diagram Alir Perhitungan Harmonis
Proses selanjutnya adalah perhitungan harmonis. Dalam proses ini membagikan
nilai maksimum lokal urutan 2 dan urutan 1 yang telah melalui proses sorting. Dari hasil
pembagian dapat diketahui nada tersebut merupakan nada belira atau bukan. Jika nilai hasil
pembagiannya < 0,07 maka nada masukan yang dimainkan merupakan nada alat musik
belira, selanjutnya akan diproses untuk menentukan frekuensinya. Jika nilai
perbandingannya > 0,07 maka proses akan berhenti dan teks hasil keluarannya adalah
„error‟, karena bukan merupakan nada alat musik belira. Nilai 0,07 ditentukan dengan melihat hasil pembagian maksimum lokal pada penelitian yang dilakukan oleh penulis saat
3.5.11 Penentuan Frekuensi
Gambar 3.17 Diagram Alir Penentuan Frekuensi
Jika nada yang dimainkan merupakan nada belira maka proses selanjutnya adalah
menentukan frekuensi dari nada tersebut. Cara menentukan nilai frekuensi adalah dari hasil
proses sorting turun. Indeks nilai maksimum lokal yang ada pada urutan pertama
merupakan frekuensi nada. Dari frekuensi tersebut, dapat ditentukan hasil keluaran teks
3.5.12 Penentuan Teks Nada
Setelah mengetahui nilai frekuensinya, maka dapat diketahui hasil keluaran teks dari nada
belira yang dimainkan tersebut. Penentuan hasilnya dengan menggunakan look up table.
Frekuensi tengah untuk look up table diperoleh melalui proses pada Gambar (3.3) dan
hasilnya pada lampiran [L8]. Dari frekuensi tengah tersebut, dapat ditentukan range
[image:52.595.93.495.202.568.2]frekuensi look up table untuk masing-masing nada.
Tabel 3.2 Frekuensi Look Up Table untuk Penentuan Nada
No. Nada Belira Frekuensi
1. (Sol Rendah) 776 ≤ frekuensi ≤ 796 2. (La Rendah) 871≤ frekuensi ≤ 891 3. (Sol Rendah) 979 ≤ frekuensi ≤ 999 4. 1 (Do) 1038 ≤ frekuensi ≤ 1058 5. 2 (Re) 1165 ≤ frekuensi ≤ 1185 6. 3 (Mi) 1310 ≤ frekuensi ≤ 1330 7. 4 (Fa) 1391 ≤ frekuensi ≤ 1411 8. 5 (Sol) 1561 ≤ frekuensi ≤ 1581 9. 6 (La) 1752 ≤ frekuensi ≤ 1772 10. 7 (Si) 1971 ≤ frekuensi ≤ 1991 11. (Do Tinggi) 2044 ≤ frekuensi ≤ 2064 12. (Re Tinggi) 2323 ≤ frekuensi ≤ 2343 13. (Mi Tinggi) 2594 ≤ frekuensi ≤ 2614 14. (Fa Tinggi) 2767 ≤ frekuensi ≤ 2787 15. (Sol Tinggi) 3070 ≤ frekuensi ≤ 3090 16. (La Tinggi) 3535 ≤ frekuensi ≤ 3555
3.5.13 Keluaran (Teks)
Setelah selesai proses penentuan teks nada maka didapatkan keluarannya yaitu teks nada
34
BAB IV
HASIL DAN PEMBAHASAN
Program yang telah dibuat, akan diuji terlebih dahulu untuk mengetahui cara
kerjanya apakah sudah sesuai dengan perancangan. Data yang diperoleh dari pengujian ini
memperlihatkan cara kerja dari program yang telah dibuat, dan dari data tersebut dapat
dianalisa cara kerjanya. Setelah dianalisa maka dapat ditarik kesimpulan untuk sistem ini.
4.1.
Pengujian Program Pengenalan Nada Alat Musik Belira dengan
Menggunakan DFT untuk Membangkitkan Spektrum dan Look
Up Table untuk Penyelesaian
Pengujian program dilakukan untuk mengetahui cara kerjanya apakah sudah sesuai dengan
perancangan. Pembuatan program dengan software MATLAB 7.10.0.499 (R2010a).
Pengujian program menggunakan komputer dengan spesifikasi sebagai berikut :
CPU : Intel® AtomTM Processor N450 (1.66GHz, 512KB Cache)
RAM : 1 GB
Berikut langkah-langkah untuk menjalankan program pengenalan nada belira :
1. Click dua kali icon matlab dengan gambar icon seperti Gambar 4.1.
Gambar 4.1. Icon Program Pengenalan
2. Tampilan utama yang terlihat setelah melakukan langkah 1 seperti pada gambar
[image:53.595.82.530.172.618.2]Gambar 4.2. Tampilan Utama
3. Sesuaikan Current Directory dengan tempat penyimpanan program yang telah
dibuat agar dapat dilakukan langkah selanjutnya
4. Kemudian ketik perintah gui dalam command window dan akan muncul seperti
Gambar 4.3.
Gambar 4.3. Tampilan Program Pengenalan Nada Belira
5. User memilih panjang nilai frame blocking yang akan digunakan dalam proses
pengenalan nada.
6. Setelah memilih nilai frame blocking, program pengenalan dapat dijalankan dengan
7. Selanjutnya hasil pengenalan nada akan muncul dalam kotak Static Text. User
dapat melihat plot hasil rekaman nada pada kotak Axes 1, plot hasil ekstraksi ciri
pada kotak Axes 2, dan teks hasil pengenalan nada pada kotak static.
8. Tombol “KELUAR” untuk keluar dari tampilan utama program.
4.1.1
Pengenalan Nada
Untuk memulai pengenalan nada, user terlebih dahulu harus memilih panjang nilai
frame blocking. Setelah memilih panjang frame blocking maka user dapat memulai
pengenalan nada dengan menekan tombol “MULAI”. Pada saat menekan tombol “MULAI” maka program akan secara otomatis merekam suara nada. Setelah merekam,
maka akan ditampilkan keluaran berupa plot perekaman suara, plot spektrum, dan hasil
keluaran berupa teks sesuai nada yang dikenali. Untuk mengakhiri pengenalan, user dapat
menekan tombol ”KELUAR”. Berikut merupakan contoh tampilan GUI Matlab yang
[image:55.595.85.527.270.618.2]dioperasikan dengan input 1 (do).
Gambar 4.4 Tampilan dari program GUI Matlab yang dioperasikan dengan input nada
1(do), dengan nilai frame blocking adalah 512
Pada tampilan program GUI Matlab terdapat 1 pop up menu, 2 push button, 2 axes
a. PopUp Menu
Pada program ini, pop up menu digunakan untuk variasi nilai frame blocking yaitu
1024, 512, 256, 128, dan 64. Listing program untuk variasi nilai frame blocking adalah
sebagai berikut :
Nilai-nilai variasi frame blocking diinisialisasikan dengan nama frame kemudian
diproses dengan perintah handles.
b. PushButton, Axes, dan Static Text
Dalam program ini menggunakan 2 Push Button, masing-masing untuk memulai dan
mengakhiri program pengenalan nada yaitu tombol “MULAI” dan “SELESAI”. Saat user
menekan Push Button 1 atau tombol “MULAI” maka program akan berjalan otomatis,
mulai dari merekam suara, kemudian menampilkan plot hasil rekam pada kotak axes 1,
menampilkan plot spektrum pada kotak axes 2, dan menampilkan teks hasil pengenalan
pada kotak static text. Saat user menekan Push Button 2 atau tombol “SELESAI” maka
proses pengenalan nada berhenti dan menutup program. Berikut listing program untuk
proses perekaman suara dan untuk menampilkan plot sinyal suara terekam:
indeks=get(handles.popupmenu1,'Value');
switch indeks
case 1
fb=1024;
case 2
fb=512;
case 3
fb=256;
case 4
fb=128;
case 5
fb=64;
end
handles.frame=fb;
Pada program perekaman suara, panjang sampel yang digunakan adalah 1,5 detik
dengan frekuensi sampling sebesar 10kHz. Waktu sampelnya didapatkan dari panjang
sampel dikalikan dengan frekuensi sampel. Untuk menyimpan nada yang direkam, perintah
yang digunakan adalah wavrecord dan wavwrite, hasil plot perekaman tersebut
ditampilkan pada kotak axes 1.
Listing program untuk menampilkan plot spektrum :
sample_length=1.5;
sample_freq=10000;
sample_time=(sample_length*sample_freq);
x=wavrecord(sample_time, sample_freq);
wavwrite(x, sample_freq, 's.wav');
axes(handles.axes1)
plot(x);
xlabel('Data Tercuplik')
ylabel('Amplitudo')
b0=0.3;
fb=handles.frame;
% Normalisasi
x1=x/max(abs(x));
% Pemotongan Awal
% 1. Potong kiri
b1=find(x1>b0 | x1<-b0);
x1(1:b1(1))=[];
% 2. Potong kiri 2
bts=floor(0.25*length(x1));
x1(1:bts)=[];
%frame blocking
x2=x1(1:fb);
% Normalisasi 2
Dalam program untuk menampilkan plot spektrum, proses pertama yang dilakukan adalah
normalisasi awal untuk sinyal nada terekam yang ditampilkan pada kotak axes 1.
Normalisasi dilakukan dengan cara membagi data masukan (data sinyal nada terekam)
dengan nilai absolut data tersebut. Proses selanjutnya adalah pemotongan sinyal yang
dilakukan sebanyak dua kali. Pemotongan yang pertama pada bagian silence atau bagian
awal sinyal yang tidak termasuk sinyal nada dan pemotongan kedua pada bagian transisi.
Tujuan dari proses pemotongan adalah untuk menghilangkan sinyal yang tidak termasuk
sinyal nada belira dan untuk mengurangi cacat sinyal akibat derau ruangan yang ikut
terekam. Pada pemotongan sinyal silence, data yang tingginya lebih besar dari 0,3 dan
lebih kecil dari (-0,3) diinisialisasikan sebagai b1. Data yang tidak memenuhi syarat b1
merupakan sinyal silence sehingga sinyal tersebut dihilangkan. Pada pemotongan sinyal
transisi, ¼ bagian sinyal yang terdapat di bagian awal diinisialisasikan sebagai bts. Sinyal
tersebut dihilangkan untuk mendapatkan sinyal yang benar-benar sinyal suara nada belira.
Proses selanjutnya adalah frame blocking yang tujuannya untuk mengambil sebagian data
sesuai panjang nilai frame blocking yang dipilih oleh user. Data yang diambil tersebut
untuk mewakili seluruh data yang terekam. Sinyal hasil frame blocking kemudian melalui
proses normalisasi akhir yang bertujuan untuk menyetarakan amplitudo hasil frame
blocking. Proses normalisasi akhir sama dengan normalisasi awal yaitu membagi data
%Windowing Hamming
h=hamming(fb);
x4=x3.*h;
% Spektrum frekuensi
px4=length(x4);
x4=[x4; zeros((fs-px4),1)];
Y1=dftx(x4);
Y2=Y1.*conj(Y1);
%f=fs*(0:(1/2*fs))/fs; %Sumbu mendatar pada spektrum
spek=Y2(1:(1/2*sample_freq+1)); %Sumbu tegak pada spektrum
spek(1:100)=0; % Frek 0-20 Hz dinolkan
axes(handles.axes2)
masukan yaitu hasil frame blocking dengan nilai absolut data tersebut. Selanjutnya akan
melalui proses windowing untuk menghilangkan diskontinuitas yang diakibatkan oleh
proses frame blocking. Proses windowing ini menggunakan Hamming Window. Dalam
prosesnya, hasil normalisasi akhir dikalikan dengan hamming. Setelah proses windowing,
selanjutnya adalah perhitungan dengan DFT, perhitungan ini untuk membangkitkan
spektrum yang kemudian akan dianalisis untuk mengetahui nada yang dimainkan oleh
user.
Listing program untuk menampilkan hasil teks nada keluaran :
% Pencarian maksimum lokal
pspek=length(spek);
makslok=zeros(1,pspek);
for k=2:pspek-1
if spek(k)>spek(k-1) && spek(k)>spek(k+1)
makslok(1,k)=spek(k);
end
end
% Sorting turun
[smakslok,idx]=sort(makslok,'descend');
urutmakslok_1sd5=smakslok(1:5)
urutfrek_1sd5=idx(1:5)
% Perbandingan maksimum lokal urutan 2 dengan 1
permakslok=smakslok(2)/smakslok(1)
% Penentuan hasil
if permakslok<0.07
%hasil='belira'
% Frekuensi belira
frekb=idx(1)-1
% Penentuan keluaran text
if frekb>=776 && frekb<=796
nadaout='sol rendah';
elseif frekb>=871 && frekb<=891
elseif frekb>=979 && frekb<=999
nadaout='si rendah';
elseif frekb>=1038 && frekb<=1058
nadaout='do';
elseif frekb>=1165 && frekb<=1185
nadaout='re';
elseif frekb>=1310 && frekb<=1330
nadaout='mi';
elseif frekb>=1391 && frekb<=1411
nadaout='fa';
elseif frekb>=1561 && frekb<=1581
nadaout='sol';
elseif frekb>=1752 && frekb<=1772
nadaout='la';
elseif frekb>=1971 && frekb<=1991
nadaout='si';
elseif frekb>=2044 && frekb<=2064
nadaout='do tinggi';
elseif frekb>=2323 && frekb<=2343
nadaout='re tinggi';
elseif frekb>=2594 && frekb<=2614
nadaout='mi tinggi';
elseif frekb>=2767 && frekb<=2787
nadaout='fa tinggi';
elseif frekb>=3070 && frekb<=3090
nadaout='sol tinggi';
elseif frekb>=3535 && frekb<=3555
nadaout='la tinggi';
else
nadaout='nada belira error';
Dari spektrum tersebut, kemudian dicari nilai-nilai maksimum lokalnya. Nilai-nilai
maksimum lokal yang didapatkan kemudian diurutkan ke bawah dengan perintah
‘descend