ABSTRAK
Penelitian ini bertujuan menciptakan sistem untuk mengklasifikasikan lagu
berdasarkan pencipta lagu. Latar belakang dilakukannya penelitian ini adalah,
karena pada metadata tidak semua informasi lagu dipublikasikan, termasuk
pencipta lagu. Dari penelitian ini diperoleh manfaat untuk mengetahui pencipta
sebuah lagu.
Penelitian ini dilakukan dengan metode Klasifikasi Jaringan Syaraf Tiruan
Propagasi Balik dan ekstraksi ciri Music Surface Feature, dengan masukannya
adalah sinyal audio. Penelitian mencakup tiga tahap yaitu preprocessing, ektraksi
ciri audio digital dan klasifikasi. Pada tahap preprocessing data berupa file audio
dengan format mp3 yang berjumlah 40, dikonversi kedalam format wav kemudian
dipotong-potong sehingga menjadi 200 data. Pada tahap ekstraksi ciri setiap data
akan diambil ciri-cirinya yang berupa nilai-nilai numerik, nilai-nilai tersebut yang
akan menjadi masukan pada tahap klasifikasi.
Berdasarkan percobaan semua kombinasi ciri lagu dan percobaan variasi
arsitekstur Jaringan Syaraf Tiruan Propagasi Balik, diperoleh hasil penelitian yang
optimal yaitu sebuah sistem klasifikasi dengan akurasi mencapai 71%pada empat
pencipta lagu, yaitu: Abdee Negara, Dewa Budjana, Ahmad Dhani, Ian Antono.
Hasil tersebut diperoleh dari kombinasi 5 ciri lagu (Centroid, Roll Off, Flux, Zero
Crossing Rate dan Low Energy) serta klasifikasi dengan Jaringan Syaraf Tiruan
Propagasi Balik dengan arsitekstur: jumlah lapis tersembunyi 2 lapis, jumlah
neuron lapis pertama 99 dan lapis kedua 36, target error 0.01, kecepatan
pembelajaran 0.1, batas iterasi 5000. Hasil dari penelitian ini diperoleh kesimpulan
bahwa ekstraksi ciri dengan metode Music Surface Feature dan klasifikasi dengan
metode Jaringan Syaraf Tiruan Propagasi Balik mendapat akurasi diatas target
penelitian ini untuk klasifikasi pencipta lagu.
Kata Kunci: Music Surface Feature, Jaringan Syaraf Tiruan Propagasi Balik,
ABSTRACT
The objective of this research is to create a system to classify a song based on
its writer. The background of this research was, because the metadata is not all song
information published, including songwriter. The benefits obtained from this
research to determine the creator of a song.
A back-propagation neural network is used to classify the song after the
process of music surface feature analysis upon the incoming signals. Research
includes three stages: preprocessing, extraction of digital audio features and
classification. In stage preprocessing data in the form of audio file with mp3 format
which totaled 40 converted into the format wav then cut into pieces so that it
becomes 200 data. In the features extraction stage every data will be retrieved
features in the numeric values these values will be input at the stage classification.
Based on various combination of song features and different variations of
Neural Network Back Propagation architectures, the experiment obtained the
optimal classification with accuracy of 71% for four songwriter identification,
namely: Abdee State, Dewa Budjana, Ahmad Dhani, Ian Antono. The result
obtained from all song features (Centroid, Roll Off, Flux, Zero Crossing Rate dan
Low Energy) and classification Neural Network Back Propagation with
architecture: 2 layers of hidden layers, the amount of neuron in the first hidden layer
is 99 and the second hidden layer is 36, the target of error is 0.01, the learning rate
is 0.1, the epoch or iteration is 5000. The methods Music Surface Feature and
classification by Neural Network Back Propagation were able to accurately classify
song of different writer above target of this research.
Keywords: Music Surface Feature, Neural Network Back Propagation, Song
i
KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU
MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika
HALAMAN JUDUL
Oleh:
Andreas Bagus Widodo 115314046
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
ii
SONG CLASSIFICATION BASED ON ITS WRITER USING NEURAL NETWORK BACK PROPAGATION
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana
Komputer Degree in Informatics Engineering Department
TITLE PAGE
By:
Andreas Bagus Widodo 115314046
INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AN TECHNOLOGY SANATA DHARMA UNIVERSITY
iii
HALAMAN PERSETUJUAN
KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU
MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Oleh:
Andreas Bagus Widodo 115314046
Telah disetujui oleh:
Pembimbing,
iv
HALAMAN PENGESAHAN
KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU
MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Dipersiapkan dan ditulis oleh: ANDREAS BAGUS WIDODO
NIM: 115314046
Telah dipertahankan di depan Panitia Penguji Pada tanggal 12 Juni 2015
dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap Tanda Tangan
Ketua : Dr. Anastasia Rita Widiarti, M.Kom …………. Sekretaris : Sri Hartati Wijono, S.Si., M.Kom …………. Anggota : Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. ………….
Yogyakarta, Juli 2015 Fakultas Sains dan Teknologi
Universitas Sanata Dharma
Dekan,
v
MOTTO
“Tangan yang lamban membuat miskin, tetapi tangan orang rajin menjadikan kaya”
vi
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang saya
tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah
disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 11 Juni 2015
Penulis
vii
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Andreas Bagus Widodo
NIM : 115314046
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul:
KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU
MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berserta 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
mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media
lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun
memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai
penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yogyakarta, 11 juni 2015
Penulis
viii
ABSTRAK
Penelitian ini bertujuan menciptakan sistem untuk mengklasifikasikan lagu
berdasarkan pencipta lagu. Latar belakang dilakukannya penelitian ini adalah,
karena pada metadata tidak semua informasi lagu dipublikasikan, termasuk
pencipta lagu. Dari penelitian ini diperoleh manfaat untuk mengetahui pencipta
sebuah lagu.
Penelitian ini dilakukan dengan metode Klasifikasi Jaringan Syaraf Tiruan
Propagasi Balik dan ekstraksi ciri Music Surface Feature, dengan masukannya
adalah sinyal audio. Penelitian mencakup tiga tahap yaitu preprocessing, ektraksi
ciri audio digital dan klasifikasi. Pada tahap preprocessing data berupa file audio
dengan format mp3 yang berjumlah 40, dikonversi kedalam format wav kemudian
dipotong-potong sehingga menjadi 200 data. Pada tahap ekstraksi ciri setiap data
akan diambil ciri-cirinya yang berupa nilai-nilai numerik, nilai-nilai tersebut yang
akan menjadi masukan pada tahap klasifikasi.
Berdasarkan percobaan semua kombinasi ciri lagu dan percobaan variasi
arsitekstur Jaringan Syaraf Tiruan Propagasi Balik, diperoleh hasil penelitian yang
optimal yaitu sebuah sistem klasifikasi dengan akurasi mencapai 71%pada empat
pencipta lagu, yaitu: Abdee Negara, Dewa Budjana, Ahmad Dhani, Ian Antono.
Hasil tersebut diperoleh dari kombinasi 5 ciri lagu (Centroid, Roll Off, Flux, Zero
Crossing Rate dan Low Energy) serta klasifikasi dengan Jaringan Syaraf Tiruan
Propagasi Balik dengan arsitekstur: jumlah lapis tersembunyi 2 lapis, jumlah
neuron lapis pertama 99 dan lapis kedua 36, target error 0.01, kecepatan
pembelajaran 0.1, batas iterasi 5000. Hasil dari penelitian ini diperoleh kesimpulan
bahwa ekstraksi ciri dengan metode Music Surface Feature dan klasifikasi dengan
metode Jaringan Syaraf Tiruan Propagasi Balik mendapat akurasi diatas target
penelitian ini untuk klasifikasi pencipta lagu.
Kata Kunci: Music Surface Feature, Jaringan Syaraf Tiruan Propagasi Balik,
ix
ABSTRACT
The objective of this research is to create a system to classify a song based on
its writer. The background of this research was, because the metadata is not all song
information published, including songwriter. The benefits obtained from this
research to determine the creator of a song.
A back-propagation neural network is used to classify the song after the
process of music surface feature analysis upon the incoming signals. Research
includes three stages: preprocessing, extraction of digital audio features and
classification. In stage preprocessing data in the form of audio file with mp3 format
which totaled 40 converted into the format wav then cut into pieces so that it
becomes 200 data. In the features extraction stage every data will be retrieved
features in the numeric values these values will be input at the stage classification.
Based on various combination of song features and different variations of
Neural Network Back Propagation architectures, the experiment obtained the
optimal classification with accuracy of 71% for four songwriter identification,
namely: Abdee State, Dewa Budjana, Ahmad Dhani, Ian Antono. The result
obtained from all song features (Centroid, Roll Off, Flux, Zero Crossing Rate dan
Low Energy) and classification Neural Network Back Propagation with
architecture: 2 layers of hidden layers, the amount of neuron in the first hidden layer
is 99 and the second hidden layer is 36, the target of error is 0.01, the learning rate
is 0.1, the epoch or iteration is 5000. The methods Music Surface Feature and
classification by Neural Network Back Propagation were able to accurately classify
song of different writer above target of this research.
Keywords: Music Surface Feature, Neural Network Back Propagation, Song
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga
penulis dapat menyelesaikan tugas akhir dengan judul “Klasifikasi Lagu Berdasarkan Pencipta Lagu Menggunakan Jaringan Syaraf Tiruan Propagasi
Balik”. Tugas akhir ini merupakan salah satu mata kuliah wajib dan sebagai syarat
akademik untuk memperoleh gelar sarjana komputer program studi Teknik
Informatika Universitas Sanata Dharma Yogyakarta.
Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada
pihak-pihak yang telah membantu penulis baik selama penelitian maupun saat
mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis
sampaikan kepada:
1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan kekuatan
dalam proses pembuatan tugas akhir.
2. Orang tua, Antonius Heru Priyanto dan Marta Sri Hartatiningsih, serta
keluarga yang telah memberikan dukungan spiritual dan material.
3. Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing tugas akhir,
atas bimbingan, waktu dan saran yang telah diberikan kepada penulis.
4. JB. Budi Darmawan S.T., M.Sc. selaku dosen pembimbing akademik, atas
bimbingan, kritik dan saran yang telah diberikan kepada penulis.
5. Ridowati Gunawan, S.Kom., M.T. selaku ketua program studi Teknik
Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada
penulis.
6. Paulina Heruningsih Prima Rosa S.Si., M.Sc., selaku dekan fakultas Sains
dan Teknologi, atas bimbingan, kritik dan saran yang telah diberikan kepada
penulis.
7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa
kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.
8. Sony Setiawan, atas bantuannya mempelajari metode ekstraksi ciri lagu dan
xi
9. Mas Yanuar, Mas Susilo dan Mas Danang selaku laboran Teknik Informatika,
atas bantuannya menyediakan tempat untuk mengerjakan tugas akhir.
10. Kekasih tercinta, Maria Tika Wijaya, atas dukungan semangat dan doanya.
11. Dio, Rio, Beny, Agung, Be, Priska, Lukas, Tea, Kevin, Dion dan
teman-teman lainnya, atas dukungan semangat dan doanya.
12. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu
penulis dalam pengerjaan tugas akhir ini.
Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan
tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di
masa mendatang.
Penulis,
xii
DAFTAR ISI 1
HALAMAN JUDUL ... i
TITLE PAGE ... ii
HALAMAN PERSETUJUAN ... iii
HALAMAN PENGESAHAN ... iv
MOTTO ... v
PERNYATAAN KEASLIAN KARYA ... vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii
ABSTRAK ... viii
ABSTRACT ... ix
KATA PENGANTAR ... x
DAFTAR ISI ... xii
DAFTAR TABEL ... xv
DAFTAR GAMBAR ... xvi
BAB I ... 1
1.1. Latar Belakang... 1
1.2. Perumusan Masalah ... 2
1.3. Maksud dan Tujuan Tugas Akhir ... 2
1.4. Pembatasan dan Ruang Lingkup Permasalahan ... 3
1.5. Sistematika Penulisan ... 3
BAB II ... 5
2.1 Lagu ... 5
xiii
2.1.2 Irama ... 5
2.1.3 Ekspresi ... 6
2.1.4 Melodi ... 6
2.2 Pencipta Lagu ... 6
2.3.1 Ahmad Dhani ... 6
2.3.2 Dewa Budjana ... 7
2.3.3 Ian Antono ... 7
2.3.4 Abdee Negara ... 7
2.3 Ekstraksi Ciri ... 7
2.3.1 Pemrosesan Sinyal Digital ... 8
2.3.2 Musical Surface Features ... 10
2.4 Jaringan Syaraf Tiruan Propagasi Balik ... 12
2.4.1 Jaringan Syaraf Tiruan ... 12
2.4.2 Jaringan Syaraf Tiruan Propagasi Balik ... 15
2.5 K-Fold Cross Validation ... 22
2.6 Confusion Matrix ... 22
BAB III ... 24
3.1 Analisa Kebutuhan ... 24
3.1.1 Analisa Pencipta Lagu... 24
3.1.2 Analisa Data ... 24
3.1.3 Metode Ekstraksi Ciri Lagu ... 25
3.1.4 Metode Klasifikasi ... 26
3.1.5 Metode Pengujian ... 26
3.1.6 Kebutuhan Sistem ... 27
xiv
3.2.1 Ekstraksi Ciri ... 29
3.2.2 Klasifikasi dan Pengujian ... 40
3.3 Perancangan Atarmuka Sistem ... 42
BAB IV ... 45
4.1 Hasil penelitian ... 45
4.1.1 Hasil Kombinasi Ciri Lagu ... 47
4.1.2 Hasil Variasi Arsitekstur Jaringan ... 51
4.2 Penggunaan Sistem ... 58
BAB V ... 60
5.1 Kesimpulan ... 60
5.2 Saran ... 61
DAFTAR PUSTAKA ... 62
LAMPIRAN ... 63
A. Biografi Pencipta Lagu ... 63
xv
DAFTAR TABEL
Tabel 2.1 Confusion Matrix 2 kelas (Tan, Steinbach, & Kumar, 2006). ... 23
Tabel 3.1 Contoh Hasil Ekstraksi Ciri ... 40
Tabel 3.2 Five Fold Cross Validation ... 40
Tabel 4.1 Hasil Kombinasi Ciri ... 48
Tabel 4.2 Hasil Variasi Jumlah Jaringan 1 Lapis Tersembunyi... 51
Tabel 4.3 Hasil Variasi Jumlah Jaringan 2 Lapis Tersembunyi... 52
xvi
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi Jaringan Lapis Tunggal (Siang, 2007) ... 13
Gambar 2.2 Ilustrasi Jaringan Lapis Majemuk (Siang, 2007) ... 14
Gambar 2.3 Ilustrasi Jaringan Syaraf Tiruan Propagasi Balik (Siang, 2007) ... 15
Gambar 3.1 Diagram Blok Proses Pelatihan ... 28
Gambar 3.2 Diagram Blok Proses Pengujian ... 29
Gambar 3.3 Diagram Blok Proses Ekstraksi Ciri... 30
Gambar 3.4 Hamming Window ... 31
Gambar 3.5 Fast Fourier Transform... 32
Gambar 3.6 Inverse Fast Fourier Transform ... 33
Gambar 3.7 Ciri Centroid ... 34
Gambar 3.8 Ciri Roll Off ... 35
Gambar 3.9 Ciri Flux ... 36
Gambar 3.10 Ciri Zero Crossing Rate ... 38
Gambar 3.11 Ciri Low Energy ... 39
Gambar 3.12 Rancangan Tampilan Antarmuka Sistem ... 42
Gambar 4.1 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Abdee
Gambar 4.4 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ian Antono ... 47
Gambar 4.5 Grafik Kombinasi Ciri ... 50
Gambar 4.6 Grafik Variasi Jumlah Jaringan 1 Lapis Tersembunyi ... 51
Gambar 4.7 Grafik Percobaan 2 Lapis Tersembunyi ... 55
Gambar 4.8 Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1 Berjumlah 99 ... 56
1
1. BAB I PENDAHULUAN
1.1. Latar Belakang
Perkembangan teknologi membawa pengaruh baik terhadap
perkembangan musik. Dengan perkembangan teknologi tersebut musik tidak
hanya bisa dinikmati secara langsung namun dapat disimpan dalam bentuk
digital yang biasa disebut dengan audio digital.
Pada lagu yang tersimpan dalam audio digital terdapat metadata, yaitu
informasi dari audio digital. Pada metadata tidak semua informasi lagu
dipublikasikan, seperti pencipta lagu. Hal itu menyebabkan kurangnya
informasi pada file audio digital yaitu pencipta lagu.
Pada tahun 2010 terdapat penelitian dengan judul Klasifikasi Lagu
Berdasarkan Genre Musik dengan Jaringan Saraf Tiruan Propagasi Balik.
Penelitian tersebut bertujuan membuat sistem yang mampu secara otomatis
mengenali genre suatu musik. Metode ekstraksi ciri yang digunakan adalah
MUGRAT, sedangkan metode klasifikasi yang digunakan adalah Jaringan
Syaraf Tiruan Propagasi Balik. Penelitian tersebut mempunyai hasil optimal
yaitu, mengenali 4 genre musik dengan akurasi 94,34% (Setiawan, 2010).
Permasalahan yang pertama adalah bagaimana Jaringan Syaraf Tiruan
Propagasi Balik dapat mengenali pencipta sebuah lagu dengan akurasi yang
baik. Permasalahan yang kedua adalah bagaimana menemukan karakter lagu
sistem yang dapat mengenali pencipta sebuah lagu secara otomatis dengan
menganalisa sinyal audio digital dan Jaringan Syaraf Tiruan Propagasi Balik
sebagai pengklasifikasiannya.
1.2. Perumusan Masalah
Berdasarkan latar belakang diatas, maka rumusan masalah untuk
penelitian ini adalah:
1. Bagaimana menemukan karakter dari tiap pencipta lagu.
2. Bagaimana Jaringan Syaraf Tiruan Propagasi Balik mengenali
pencipta sebuah lagu.
Jaringan Syaraf Tiruan Propagasi Balik akan mampu mengenali
pencipta lagu dengan baik jika karakter dari lagu antar pencipta mempunyai
perberbedaan yang cukup tinggi.
Kesulitan dalam penelitian ini terletak pada bagaimana menemukan
perbedaan karakter tiap pencipta lagu. Jika dibandingkan dengan menemukan
perbedaan genre lagu, membedakan karakter pencipta lagu lebih sulit.
1.3. Maksud dan Tujuan Tugas Akhir
Tujuan dari penelitian ini adalah membuat sistem yang mampu
digunakan untuk:
a. Ekstraksi ciri lagu untuk mendapatkan perbedaan karakter dari pencipta
lagu menggunakan metode ekstraksi ciri yang dikemukakan oleh
George Tzanetakis yaitu Music Surface Feature.
b. Mengenali pencipta lagu menggunakan Jaringan Syaraf Tiruan
1.4. Pembatasan dan Ruang Lingkup Permasalahan
Untuk membahas topik yang lebih terarah dan terfokus pada tujuan
yang ingin dicapai, maka batasan masalahnya sebagai berikut:
1. Format file masukan adalah “.wav”.
2. Frekuensi audio yang dipakai adalah 44,100 khz.
3. Pengklasifikasian pencipta lagu hanya 4 pencipta lagu, yaitu: Ahmad
Dhani, Dewa Budjana, Ian Antono, Abdee Negara.
1.5. Sistematika Penulisan
Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab
dengan susunan sebagai berikut:
BAB I: PENDAHULUAN
Bab ini membahas latar belakang, rumusan masalah, tujuan, batasan
masalah, sistematika penulisan.
BAB II: LANDASAN TEORI
Bab ini membahas teori-teori dasar yang mendukung dan menjadi dasar
pemecahan masalah, antara lain teori tentang lagu dan pencipta lagu,
kemudian juga metode-metode seperti: ekstraksi ciri (Music Surface Feature)
dan Jaringan Syaraf Tiruan Propagasi Balik yang akan dipakai untuk
perancangan sistem.
BAB III: ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas mengenai analisa komponen-komponen yang akan
digunakan untuk melakukan penelitian, serta perancangan sistem secara
BAB VI: IMPLEMENTASI DAN ANALISA HASIL
Bab ini menjelaskan uraian evaluasi dari hasil penelitian dan
menjelaskan cara pengoprasian sistem.
BAB V: PENUTUP
Bab ini berisi kesimpulan dari penelitian dan saran-saran untuk
5
2. BAB II
LANDASAN TEORI
Bab ini berisi penjabaran teori-teori yang bersangkutan dengan penulisan
Tugas Akhir ini. Teori-teori tersebut adalah Lagu, Pencipta Lagu, Ekstraksi Ciri,
Jaringan Saraf Tiruan Propagasi Balik, K-Fold Cross Validation, Confusion Matrix.
2.1 Lagu
Lagu menurut Jamalus (1988) adalah karya seni yang dinyanyikan
dengan diiringi alat musik. Sedangkan lagu merupakan bagian dari musik.
Menurut kamus besar bahasa Indonesia, “Pengertian musik secara umum adalah suara berirama yang dapat didengarkan oleh telinga manusia. Musik
dapat dinikmati karena alunan dari iramanya yang dapat merubah suasana”
Musik sendiri terdiri dari beberapa unsur, yaitu:
2.1.1 Harmoni
Harmoni adalah keselarasan bunyi yang merupakan
gabungan dua nada atau lebih yang berbeda tinggi rendahnya
(Jamalus, 1988).
2.1.2 Irama
Irama sebagai rangkaian gerak yang menjadi unsur dasar
dalam musik, irama dalam musik terbentuk dari sekelompok bunyi
dengan bermacam-macam lama waktu dan panjang. Irama tersusun
atas dasar ketukan tersebut terdiri dari ketukan kuat atau ketukan
2.1.3 Ekspresi
Ekspresi adalah ungkapan pikiran dan perasaan mencangkup
tempo, dinamik dan warna nada dari unsur-unsur pada musik yang
diwujudkan oleh seniman musik. Penyanyi yang disampaikan pada
pendengarnya (Jamalus, 1988).
2.1.4 Melodi
Melodi adalah susunan rangkaian nada (bunyi dengan
getaran yang teratur) yang terdengar berurutan serta bersama dengan
mengungkapkan suatu gagasan (Jamalus, 1988).
2.2 Pencipta Lagu
Pencipta lagu adalah seseorang yang memainkan suatu alat musik
dengan kepekaan, pengetahuan atau bakat seseorang terhadap musik, atau
bisa juga berarti kualitas atau keadaan dari sesuatu yang bersifat musik. Lagu
dapat tercipta dari kematangan konsep dalam komposisi lagu yang dibuat
(Jamalus, 1988).
Berikut ini adalah beberapa pencipta lagu ternama di Indonesia yang
mempunyai karakter tersendiri pada lagunya:
2.3.1 Ahmad Dhani
Musik rock yang dipunyai Ahmad Dhani mempunyai karakter
keras dan kuat selayaknya musik rock lainnya. Alat musik utama musik
rock menggunakan gitar listrik. Namun, Dhani banyak
mengkombinasikan gitar listrik dengan kibor dalam musiknya. Ahmad
2.3.2 Dewa Budjana
Berbeda dengan Ahmad Dhani yang juga mempunyai aliran
musik rock, Dewa Budjana mempunyai aliran musik rock yang
mempunyai karakter instrumental. Musik rock Dewa Budjana juga
merupakan kombinasi dengan musik jazz. Musik rock Dewa Budjana
juga jarang menkombinasikan gitar listrik dengan kibor (Budjana,
2007).
2.3.3 Ian Antono
Alat musik yang dipakai Ian Antono adalah gitar listrik. Tak ada
efek macam-macam yang dgunakan selain sebuah delay. Dari alat
musik yang Ian Antono gunakan, dapat disimpulkan bahwa musik rock
yang Ian mainkan merupakan musik rock yang sederhana (Sakrie,
2014).
2.3.4 Abdee Negara
Musik Rock Abdee Negara mengkombinasikan musik rock
dengan musik blues classic sehingga karakternya sangat kuat. Musik
Abdee Negara mempunyai karakter yang asik dan mudah diresap oleh
pecinta musik rock. Bahkan banyak lagu yang menjadi hits (Slank,
2013).
2.3 Ekstraksi Ciri
Ekstraksi ciri musik menggunakan metode yang dikemukakan oleh
George Tzanetakis. Metode tersebut menggunakan teori-teori pada
yaitu musical surface features, beat related features, musical surface features
from mel-frequency cepstral coefficients dan pitch related features
(Tzanetakis, 2002).
2.3.1 Pemrosesan Sinyal Digital
Pemrosesan Sinyal Digital digunakan pada metode ekstraksi
ciri musik untuk memetakan sinyal ke domain lain (Analisa Fourier),
Penjendelaan untuk meminimalkan sinyal yang terdiskontinu
(Hamming Window). Kedua proses tersebut sangat penting untuk
ekstraksi ciri musik pada metode yang dikemukakan oleh George
Tzanetakis (Tzanetakis, 2002).
a. Analisa Fourier
Analisa Fourier digunakan untuk memecah sinyal
menjadi komponen-komponen sinusoidal. Analisa Fourier
adalah cara untuk menguraikan sinyal menjadi gelombang sinus
dan kosinus (Oppenheim & Schafer, 1994). Analisa Fourier
dapat dilakukan menggunakan transformasi matematis pada
sinyal kontinu, yang dirumuskan dengan
� = ∫∞ − �
−∞ (2.1)
Invers transformasinya:
= ∫ �∞ �
−∞ (2.2)
Pada analisa Fourier terdapat metode matematis yang dapat
domain frekuensi, yaitu Fast Fourier Trasform(FFT). Yang di
rumuskan sebagai berikut.
- Mengambil nilai real
= ∑ − [ ]cos[ .�. .]
= (2.3)
- Mengambil nilai imaginer
= ∑ − [ ]sin[ .�. . ]
= (2.4)
- Mengambil nilai magnitude dengan substitusi nilai real dan
imaginer.
= √ | (2.5)
FFT jika di inverse akan menjadi
[ ] = ∑ =/ [ .�. . ] + ∑ =/ [ .�. . ] (2.6)
Inverse fast fourier transform (IFFT) berguna untuk
mengembalikan sinyal dari domain frekuensi ke domain waktu.
b. Hamming Window
Hamming Window digunakan untuk menaikan dan
menghimpitkan sinyal sehingga bentuk gelombang turun dan
mempunyai nilai puncak (Oppenheim & Schafer, 1994).
Hamming window dirumuskan dengan.
2.3.2 Musical Surface Features
Ciri ini berhubungan dengan permukaan spectral musik.
Permukaan spectral musik berkaitan dengan tekstur dan
instrumentasi musik (Tzanetakis, 2002).
Pada ciri ini akan didapat nilai-nilai sebagai berikut:
1. Rata-rata centroid
2. Rata-rata roll off
3. Rata-rata flux
4. Rata-rata zero crossing rate
5. Varian centroid
6. Varian roll off
7. Varian flux
8. Varian zero cross
9. Low Energy
Penjelasan Tiap ciri :
1. Spectral Centroid
Spectral centroid mengukur ketajaman suara. Spectral
centroid dirumuskan sebagai berikut.
= ∑��=1 �[ ].
∑��=1 �[ ] (2.8)
Dimana [ ] adalah magnitude pada frame ke t dan frekuensi
2. Spectral Roll off
Roll off digunakan untuk mengukur ketajaman spectral pada
presentase= r. Roll off dirumuskan sebagai berikut.
∑�
= [ ] = . ∑�= [ ] (2.9)
3. Spectral Flux
Flux adalah ukuran perubahan spectral local yang
dirumuskan sebagai berikut.
� = ∑ = [ ] − − [ ] (2.10)
4. Spectral Zero Crossing Rate
Zero crossing rate adalah perubahan nilai amplitudo dari positif
ke negatif atau sebaliknya. Zero crossing rate dirumuskan
dengan.
= ∑ = | [ ] − [ − ] | (2.11)
Dimana [ ] adalah sinyal domain waktu dan = jika
argumen positif, jika argumen negatif = .
5. Low Energy
Low energy merupakan presentase dari window yang
mempunyai energi lebih kecil dari rata-rata energi keseluruhan
2.4 Jaringan Syaraf Tiruan Propagasi Balik
2.4.1 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi
yang memiliki karakteristik mirip dengan jaringan syaraf biologis
(Siang, 2007).
Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model
matematika dari jaringan syaraf biologis dengan asumsi:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana
(neuron).
2. Sinyal dikirimkan melalui neuron-neuron melalui
penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat
atau memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi
aktivasi (biasanya bukan fungsi linier) yang dikenakan pada
jumlahan input yang diterima. Besarnya output ini selanjutnya
dibandingkan dengan suatu batas ambang.
Jaringan Syaraf Tiruan ditentukan oleh 3 hal:
1. Pola hubungan antar neuron (arsitekstur jaringan).
2. Metode untuk menentukan bobot penghubung.
3. Fungsi aktivasi
Arsitekstur Jaringan Syaraf Tiruan merupakan salah satu
Macam Arsitekstur Jaringan Syaraf Tiruan:
1. Jaringan Lapis Tunggal
Dalam jaringan ini, sekumpulan input dihubungkan dengan
sekumpulan outputnya. Dalam jaringan lapis tunggal bobot satu
unit keluaran tidak mempengaruhi bobot unit keluaran lainnya.
X1
Gambar 2.1 Ilustrasi Jaringan Lapis Tunggal (Siang, 2007)
Pada Gambar 2.1 terdapat n unit input (X1, X2,…,Xn) dan m buah unit output (Y1, Y2,…,Ym). Kemudian Wij menyatakan bobot hubungan antara unit ke-i dalam input dengan unit ke-j
dalam output. Selama proses pelatihan bobot-bobot tersebut akan
2. Jaringan Lapis Majemuk
Jaringan lapis majemuk merupakan perluasan dari jaringan
lapis tunggal. Dalam jaringan lapis majemuk, selain unit input
dan output, ada pula unit lain, yang berada diantara unit input dan
output (sering disebut lapis tersembunyi). Dalam jaringan ini
dimungkinkan ada beberapa lapis tersembunyi. Unit dalam satu
layar tidak saling berhubungan.
Xn
Gambar 2.2 Ilustrasi Jaringan Lapis Majemuk (Siang, 2007)
2.4.2 Jaringan Syaraf Tiruan Propagasi Balik
Jaringan Syaraf Tiruan Propagasi Balik membandingkan
perhitungan keluaran jaringan syaraf tiruan dengan target keluaran
dan menghitung nilai error untuk setiap unit jaringan.
1. Arsitekstur Jaringan Syaraf Tiruan Propagasi Balik
Xn
Gambar 2.3 Ilustrasi Jaringan Syaraf Tiruan Propagasi Balik
(Siang, 2007)
Gambar 2.3 merupakan arsitekstur jaringan syaraf tiruan
sebuah lapis tersembunyi yang terdiri dari p unit ditambah sebuah
bias, dan sebuah lapis unit keluaran.
2. Fungsi Aktivasi
Dalam jaringan syaraf tiruan propagasi balik, fungsi
aktivasi harus memenuhi syarat: kontinu, terdiferensial dengan
mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi
aktivasi yang memenuhi syarat tersebut adalah fungsi sigmoid
biner dengan rentang (0, 1).
= + −� dengan turunannya ′ = ( − ) (2.12)
Fungsi lain yang juga memenuhi syarat tersebut adalah
fungsi sigmoid bipolar dengan rentang (-1, 1).
= + −�− dengan turunnannya ′ = ( + � )( − � ) (2.13)
Fungsi sigmoid memiliki nilai maksimum = 1. Makan untuk
pola tergetnya > 1, pola masukan dan keluaran harus terlebih
dahulu ditrasformasi sehingga polanya memiliki rentang yang
sama seperti fungsi sigmoid yang dipakai. Cara lain adalah
menggunakan fungsi aktivasi sigmoid hanya pada layar yang
bukan layar keluaran, pada layar keluaran cukup menggunakan
fungsi identitas = .
3. Proses Pelatihan Jaringan Syaraf Tiruan Propagasi Balik
Proses Pelatihan Jaringan Syaraf Tiruan Propagasi Balik
terdiri dari 3 proses yaitu propagasi maju, propagasi mundur,
kondisi penghentian terpenuhi. Umumnya penghentian yang
dipakai adalah iterasi dan error. Iterasi akan dihentikan jika
iterasi melebihi iterasi yang ditentukan. Atau jika error sudah
lebih kecil dari yang ditentukan.
1. Propagasi maju
Selama propagasi maju, sinyal masukan ( )
dipropagasi ke lapis tersembunyi. Keluaran dari tiap unit
tersembunyi tersebut ( ) di propagasi maju lagi ke lapis
tersembunyi diatasnya. Demikian seterusnya hingga
mendapatkan luaran jaringan ( ).
Berikutnya, luaran jaringan ( ) dibandingkan
dengan target yang harus dicapai ( ). Selisih −
adalah error yang terjadi. Jika error lebih kecil dari yang
telah ditentukan, maka iterasi dihentikan, jika tidak, maka
bobot setiap garis dimodifikasi untuk mengurangi nilai
error agar lebih kecil dari ketentuan.
2. Propagasi mundur
Berdasarkan error − , dihitung faktor � =
, , …, yang dipakai untuk mendistribusikan errordi
unit ke semua unit tersembunyi yang terhubung
langsung dengan . � juga dipakai untuk mengubah bobot
Dengan cara yang sama, dihitung faktor �, di setiap
unit lapis tersembunyi sebagai dasar perubahan bobot
semua garis yang berasal dari lapis dibawahnya. Demikian
seterusnya sampai faktor � di unit tersembunyi yang
berhubungan langsung dengan unit masukan dihitung.
3. Perubahan bobot
Setelah semua faktor � dihitung, bobot semua garis
dimodifikasi bersamaan. Perubahan bobot satu garis
didasarkan atas faktor � neuron di lapis atasnya.
Algoritma pelatihan dengan 1 lapis tersembunyi dan fungsi
aktifasi sigmoid biner. Adalah sebagai berikut:
Langkah 1: Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 2: jika kondisi penghentian belum terpenuhi maka lakukan
langkah 2-9.
Fase I.
Langkah 3: tiap unit masukan menerima sinyal kemudian meneruskan
ke unit tersembunyi di atasnya.
Langkah 4: hitung semua keluaran di unit tersembunyi (j = 1, 2, … , p)
_ = + ∑= (2.14)
Langkah 5: hitung semua keluaran di unit tersembunyi (k = 1, 2,
… , m).
_ = + ∑ = (2.16)
= _ (2.17)
Fase II.
Langkah 6: hitung faktor � unit keluaran berdasarkan error setiap
unit keluaran (k = 1, 2, … , m).
� = − − (2.18)
Hitung suku perubahan bobot dengan laju percepatan
∆ = � ; = , , … , ; = , , … , (2.19)
Langkah 7: hitung faktor � unit tersembunyi berdasarkan error di
setiap unit tersembunyi = = , , … ,
�_ = ∑ = � (2.20)
� = �_ ( − ) (2.21)
Hitung suku perubahan bobot
∆ = � ; = , , … , ; = , , … , (2.22)
Fase III
Langkah 8: Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran:
= + ∆ ( = , , … , ; =
Perubahan bobot garis yang menuju ke unit tersembunyi:
= + ∆ ( = , , … , ; = , , … , ) (2.24)
Langkah 9: bandingkan kondisi penghentian
Jaringan Syaraf Tiruan Propagasi Balik memiliki kelemahan
tentang berapa epoch yang harus dilalui untuk memperoleh hasil yang
diinginkan.
Faktor-faktor penting dari Jaringan Syaraf Tiruan Propagasi
Balik agar jaringan bekerja dengan maksimal adalah:
1. Pemilihan Bobot dan Bias Awal
Nguyen dan widrow (1990) mengusulkan cara membuat
inisialisasi bobot dan bias ke unit tersembunyi sehingga
menghasilkan iterasi yang lebih cepat.
Missal:
n = jumlah unit masukan
p = jumlah unit tersembunyi
= factor skala = . √�
Algoritma inisialisasi:
Langkah 1: Inisisalisasi semua bobot ( ) dengan
Langkah 2: hitung ‖ ‖ = √ + + ⋯ + (2.25)
Langkah 3: bobot yang dipakai sebagai inisialisasi = =
�
‖ ‖ (2.26)
Langkah 4: bias yang dipakai sebagai inisialisasi = =
bilangan acak antara – dan .
2. Jumlah Unit Tersembunyi
Jaringan dengan sebuah lapis tersembunyi sudah cukup bagi
Jaringan Syaraf Tiruan Propagasi Balik untuk mengenali
sembarang kelas antara masukan dan target dengan tingkat
ketelitian yang ditentukan.
Jika jaringan memiliki lebih dari 1 lapis tersembunyi maka
algoritma pelatihan perlu direvisi. Dalam Fase I, keluaran harus
dihitung untuk tiap lapis, dimulai dari lapis tersembunyi paling
bawah. Kemudian dalam fase II, faktor � perlu dihitung untuk
tiap lapis tersembunyi, dimulai dari lapis keluaran.
3. Jumlah Pola Pelatihan
Jumlah pola pelatihan ditentukan oleh banyaknya bobot dan
tingkat akurasi yang diinginkan.
2.5 K-Fold Cross Validation
K-Fold Cross Validation adalah metode yang digunakan dalam proses
pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian
satu dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, &
Kumar, 2006).
Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang sama.
Pertama data bagian 1 digunakan sebagai data pelatihan dan data bagian 2
digunakan sebagai data pengujian. Kedua data bagian 2 digunakan sebagai
data pelatihan dan data bagian 1 digunakan sebagai data pengujian. Contoh
ini disebut sebagai 2-Fold Cross Validation.
K-Fold Cross Validation menjadikan data pelatihan dan pengujian tidak
sama. Data pelatihan tidak digunakan sebagai data pengujian.
2.6 Confusion Matrix
Data pelatihan dan pengujian merupakan data yang berbeda sehingga
klasifikasi dapat diuji dengan benar. Akurasi dari klasifikasi dihitung dari
jumlah data yang dikenali sesuai dengan target kelasnya. Perhitungan akurasi
klasifikasi data dihitung menggunakan tabel yang bernama Confusion Matrix
(Tan, Steinbach, & Kumar, 2006). Pada tabel 2.1 merupakan Confusion
Tabel 2.1 Confusion Matrix 2 kelas (Tan, Steinbach, & Kumar, 2006).
Hasil pengujian
1 0
Target kelas
1 F11 F10
0 F01 F00
Fij adalah jumlah data yang dikenali sebagai kelas j dengan target kelas
i. Dari Tabel 2.1 didapat persamaan-persamaan untuk menghitung akurasi
dan tingkat kesalahan suatu klasifikasi:
1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi
= ℎ ℎ = � +� +� +�� +� (2.28)
2. Persamaan untuk menghitung error keseluruhan klasifikasi
= ℎ ℎ = � +� +� +�� +� (2.29)
3. Persamaan untuk menghitung akurasi klasifikasi kelas 1
= ℎ ℎ = � +�� (2.30)
4. Persamaan untuk menghitung error klasifikasi kelas 1
= ℎ ℎ = � +�� (2.31)
5. Persamaan untuk menghitung akurasi klasifikasi kelas 0
= ℎ ℎ = � +�� (2.32)
6. Persamaan untuk menghitung error klasifikasi kelas 0
24
3. BAB III
ANALISIS DAN DESAIN SISTEM
Bab ini berisi analisa kebutuhan sistem mencakup metode yang digunakan
untuk ekstraksi ciri lagu, klasifikasi lagu dan pengujian sistem. Selain kebutuhan
sistem Bab ini juga berisi perancangan sistem mencakup ekstraksi ciri, klasifikasi,
pengujian dan perancangan antarmuka.
3.1 Analisa Kebutuhan
Sub Bab ini berisi analisa pencipta lagu yang dipilih, sample lagu untuk
proses pelatihan dan pengujian sistem, metode ekstraksi ciri, klasifikasi
dengan jaringan syaraf tiruan propagasi balik, pengujian sistem dan
kebutuhan sistem.
3.1.1 Analisa Pencipta Lagu
Pencipta lagu yang dipilih dalam klasifikasi ini adalah Ahmad
Dhani, Dewa Budjana, Ian Antono, dan Abdee Negara. Ke empat
musisi atau pencipta lagu tersebut telah menciptakan banyak lagu
sehingga proses pelatihan menjadi lebih maksimal karena banyaknya
data. Ke empat pencipta lagu tersebut juga mempunyai genre musik
yang sama yaitu musik rock.
3.1.2 Analisa Data
Data berupa 40 lagu, 10 lagu dari tiap pencipta lagu. 10 lagu
tersebut akan melalui proses sebelum diolah dalam proses ekstraksi
banyak melalui pengompresan ke file audio .wav dengan format PCM,
frekuensi 44100 hz, 8 bit, audio tipe mono. hal itu diperlukan untuk
mendapat informasi yang utuh dari setiap lagu. Proses ini
membutuhkan aplikasi Sony Sound Forge Audio Studio 10. Aplikasi
tersebut tidak hanya digunakan untuk konversi audio tipe mp3 ke wav,
namun juga digunakan untuk memotong-motong lagu menjadi 5 file
audio dengan panjang masing-masing 5 detik. 5 file tersebut dipotong
dari tiap file lagu secara berurutan setelah menit pertama. Proses
tersebut menghasilkan 50 file audio untuk setiap pencipta lagu,
sehingga menjadi 200 file wav. 200 file tersebut yang siap diolah
dalam proses ekstraksi ciri.
3.1.3 Metode Ekstraksi Ciri Lagu
Metode ekstraksi ciri menggunakan metode dari George
Tzanetakis yang bernama Music Surface Feature. Untuk
mendapatkan hasil ekstraksi ciri diperlukan metode dalam
pemrosesan sinya digital yaitu Fast Fourier Transform, Inverse
Fourier Transform dan Hamming Window. Metode ekistraksi ciri
tersebut dipilih karena memiliki nilai-nilai yang dapat digunakan
untuk ekstraksi ciri lagu. Tidak hanya itu metode tersebut dapat
3.1.4 Metode Klasifikasi
Metode klasifikasi menggunakan jaringan syaraf tiruan
propagasi balik dipilih karena memberikan hasil yang akurat dengan
sampel diluar kumpulan sampel yang digunakan untuk pelatihan.
Berikut nilai-nilai parameter yang digunakan pada jaringan
syaraf tiruan propagasi balik:
1. Epoch/iterasi = 5000
2. Kecepatan pembelajaran = 0,1
3. Target error = 0,01 atau 1%
4. Lapisan tersembunyi = 1 lapis
5. Fungsi aktifasi = sigmoid bipolar
6. Inisialisasi bobot menggunakan metode Nguyen dan Widrow.
3.1.5 Metode Pengujian
Metode pengujian yang digunakan adalah 5-Fold Cross
Validation. Metode ini dipakai karena memberikan data yang berbeda
untuk klasifikasi dan pengujian. Sehingga akurasi sistem dapat
diketahui dengan benar.
Hasil dari tiap percobaan akan dimasukan ke dalam tabel
Confusion Matrix untuk menghitung akurasi klasifikasi data.
Tahap pengujian dilakukan pada proses mencari ciri lagu terbaik
3.1.6 Kebutuhan Sistem
Sistem ini mempunyai kebutuhan perangkat keras dan lunak
untuk mendapatkan hasil yang maksimal.
1. Kebutuhan Perangkat Keras
Sistem ini membutuhkan perangkat keras dengan
spesifikasi minimal sebagai berikut:
1. Processor : AMD FX 6100, six core, 3,3GHz
2. Memory : 4 GB
3. Hard drive : 160 GB
4. Soundcard : Speaker HD audio device
Spesifikasi tersebut dipilih agar sistem berjalan dengan
maksimal
2. Kebutuhan Perangkat Lunak
Sistem ini membutuhkan perangkat lunak untuk pembuatan
dan menjalankannya, perangkat lunak tersebut adalah sebagai
berikut:
1. Microsoft Windows 8.1
2. Matlab 2014
3. Sony Sound Forge Audio Studio 10.0
Microsoft Windows 8.1 digunakan sebagai sistem operasi
agar kedua perangkat lunak lainnya dapat berjalan. Matlab 2010
Sony Sound Forge Audio Studio 10.0 digunakan untuk mengolah
data sebelum diolah oleh sistem.
3.2 Perancangan Sistem
Sub bab ini berisi perancangan sistem dari perancangan proses pelatihan
sampai ke proses pengujian. Pada proses pelatihan dan pengujian terdapat
proses ekstraksi ciri lagu yang menggunakan metode Music Surface Feature
yang dikemukakan oleh George Tzanetakis.
Pada proses pelatihan masukan berupa file audio dengan tipe file .wav
dan frekuensi 44100 hz. Kemudian diambil ciri-ciri audionya. Langkah
selanjutnya ciri-ciri audio dan target/label keluaran dimasukan ke jaringan
syaraf tiruan propagasi balik, yang kemudian menghasilkan model jaringan
syaraf tiruan.
DATA
EKSTRAKSI CIRI
JARINGAN SYARAF TIRUAN PROPAGASI BALIK
MODEL JARINGAN
Gambar 3.1 Diagram Blok Proses Pelatihan
Hasil dari proses pelatihan yang berupa model jaringan dipakai di
proses pengujian. Sama dengan proses pelatihan, data mentah diambil cirinya
kemudian diproses pada model jaringan. Hasil dari model jaringan tersebut
DATA
EKSTRAKSI CIRI
MODEL JARINGAN
HASIL KLASIFIKASI
Gambar 3.2 Diagram Blok Proses Pengujian
3.2.1 Ekstraksi Ciri
Proses ekstraksi ciri dilakukan pada semua data mentah. Pada
proses pelatihan ekstraksi ciri dilakukan pada semua data mentah
kemudian disimpan pada variabel untuk setiap ciri. Keluaran dari
proses ini berupa nilai numerik sejumlah 9, sesuai dengan jumlah ciri
lagu.
Ada 8 tahap ekstraksi ciri, dari membaca data mentah sampai
mendapatkan 9 nilai ciri lagu. Tahap tersebut adalah:
1. Hamming window
2. Fast fourier transform (FFT)
3. Inverse Fast fourier transform (IFFT)
4. Pengambilan ciri Centroid
5. Pengambilan ciri Roll Off
6. Pengambilan ciri Flux
7. Pengambilan ciri Zero Cross Rate
Diagram dibawah ini merupakan urutan dari proses ekstraksi ciri:
Lagu *.wav
Hamming window
FFT
IFFT
Spectral Centroid
Spectral Roll off
Spectral Flux Spectral Zero
Cross
Low Enegy
Gambar 3.3 Diagram Blok Proses Ekstraksi Ciri
Pada Gambar 3.3 proses dimulai dari pengambilan data mentah,
kemudian masuk ke proses Hamming Window. Pada tahap Hamming
Window, data yang sudah dalam bentuk frame dipadatkan. Sehingga
bentuk gelombang akan naik. Hal ini dapat diartikan menormalisasi
START
END i=1, j=1
i<=40
J<=1024
amplitude(i, j) = amplitude(i,j) * (0.54 - (0.46 *
cos (2 * pi * j / 1023)))
YES
NO
NO
YES
Gambar 3.4 Hamming Window
Proses berlanjut ke tahap Fast Fourier Transform (FFT), pada
proses ini sinyal audio dikonversi ke dalam domain berbasis frekuensi.
START
magnitude(i, k) = sqrt((real(i, k) * real(i, k)) + (imaginer(i, k) *
Tahap selanjutnya adalah Inverse Fast Fourier Transform
(IFFT), pada tahap ini sinyal domain frekuensi dikembalikan ke proses
domain waktu. Tahap IFFT dapat dilihat pada Gambar 3.6.
START amplitude1(i, j) + imaginer(i,
k) * sin(2 * 3.14 * k * j /
Proses selanjutnya adalah mengambil 6 ciri lagu. Yaitu rata-rata
dan varian dari Spectral Centroid, Roll Off dan Flux.
7. Spectral Centroid
Input proses tahap ini adalah magnitude yang merupakan
hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.8. Hasil dari proses ini adalah
Spectral Centroid. Dari spectral tersebut akan dihitung nilai
rata-rata dan variannya. Tahap Centroid dapat dilihat pada Gambar 3.7
START
min1 = magni(i) max1 = magni(i) i<=40 (magni(i) - rat_cen)) + var_cen
var_cen = sqrt(var_cen / 39)
YES
8. Spectral Roll Off
Input proses tahap ini adalah magnitude yang merupakan
hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.9. Hasil dari proses ini adalah
Spectral Roll Off. Dari spectral tersebut akan dihitung nilai
rata-rata dan variannya. Tahap Roll Off dapat dilihat pada Gambar 3.8.
START
rat_ro = rat_ro + magni(i)
rat_ro = rat_ro/40 i<=40
var_ro = ((magni(i) - rat_ro) * (magni(i) - rat_ro)) + var_ro
var_ro =
9. Spectral Flux
Input proses tahap ini adalah magnitude yang merupakan
hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.10. Hasil dari proses ini adalah
Spectral Flux. Dari spectral tersebut akan dihitung nilai rata-rata
dan variannya. Tahap Flux dapat dilihat pada Gambar 3.9.
i=1,j=1,
temp2(i) = temp2(i) + temp1
i=1
min1 = temp2(i) max1 = temp2(i)
i<=40
temp2(i) = (((1 - (-1)) * temp2(i)) + ((-1) * max1) - (1 * min1)) / (max1 - min1)
rat_flux = temp2(i) + rat_flux
rat_flux = rat_flux / 40
i<=40
var_flux = ((temp2(i) - rat_flux) * (temp2(i) - rat_flux)) + var_flux
var_flux = sqrt(var_flux / 39) YES
Proses berikutnya setelah mengambil keenam ciri tersebut adalah
mengambil 3 ciri berikutnya, yaitu rata-rata dan varian dari Zero
Crossing Rate dan Low Energy.
1. Spectral zero crossing rate
Input proses tahap ini adalah amplitudo yang merupakan
hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses
sesuai dengan persamaan 2.11. Hasil dari proses ini adalah
Spectral Zero Crossing Rate. Dari spectral tersebut akan dihitung
nilai rata-rata dan variannya. Tahap Zero Crossing Rate dapat
i=1,j=1,
rat_zc = rat_zc + zc(i)
rat_zc = rat_zc / 40
i<=40
var_zc = ((zc(i) - rat_zc) * (zc(i) - rat_zc)) + var_zc
var_zc = sqrt(var_zc / 39)
END
2. Low Energy
Input proses tahap ini adalah amplitudo yang merupakan
hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses
untuk mendapatkan persentase amplitudo yang dibawah rata-rata
amplitudo pada setiap window. Hasil dari proses ini adalah 1 nilai
numerik. Tahap Low Energy dapat dilihat pada Gambar 3.11.
START (amplitude(i, j) * temp1)) + temp2
low_en1(i) =
Dari hasil ekstraksi ciri. Data yang diperoleh adalah nilai numerik
berjumlah 9. Pada ciri 1 sampai 4 masing-masing terdapat 2 nilai dan 1
nilai untuk ciri 5. Tabel 3.1 adalah contoh hasil ekstraksi ciri.
Tabel 3.1 Contoh Hasil Ekstraksi Ciri
data
3.2.2 Klasifikasi dan Pengujian
Sebelum masuk ke jaringan syaraf tiruan data dibagi menjadi 5
bagian untuk proses pelatihan dan pengujian. Data sejumlah 200 dibagi
menjadi 5.
Tabel 3.2 Five Fold Cross Validation
percobaan Training Testing
1 1,2,3,4 5
2 1,2,3,5 4 3 1,2,4,5 3 4 1,3,4,5 2
5 2,3,4,5 1
Dari 5 percobaan pada Tabel 3.1, akan didapatkan tabel confusion
matrix sehingga dapat dihitung akurasi sistem menggunakan persamaan
Proses klasifikasi menggunakan jaringan syaraf tiruan propagasi
balik. Dengan proses pengujian membandingkan kombinasi ciri lagu
agar didapat ciri terbaik untuk proses klasifikasi. Setelah didapat
kombinasi ciri lagu terbaik berikutnya mencari arsitekstur terbaik dari
jaringan syaraf tiruan propagasi balik. Pada proses mencari ciri terbaik
arsitekstur jaringan yang digunakan adalah:
a. Input jaringan 1,2,3,…, dan/atau 9 , sesuai dengan kombinasi ciri lagu.
b. Lapisan jaringan sebanyak 3 lapis, dengan 2 lapis tersembunyi,
dan 1 lapis keluaran.
c. Jumlah jaringan pada lapisan tersembunyi pertama dan kedua
masing-masing sebanyak 60.
d. Jumlah jaringan pada lapisan keluaran adalah 4, sesuai dengan
jumlah klasifikasi.
e. Batas epoch 5000
f. Target error 0,01
g. Kecepatan pembelajaran 0,1
h. Target luaran jaringan : Abdee Negara = (1,0,0,0), Dewa Budjana
= (0,1,0,0), Ahmad Dhani = (0,0,1,0), Ian Antono = (0,0,0,1)
Sedangkan pada proses pencarian arsitekstur terbaik input
jaringan akan disesuaikan dengan hasil kombinasi ciri terbaik. Pada
pencarian arsitekstur jaringan terbaik, akan di uji coba beberapa jumlah
dengan jumlah jaringan bervariasi, sesuai dengan input jaringan.
Jumlah jaringan pada lapis tersembunyi adalah kelipatan dari input
jaringan, yaitu sebanyak 10 kelipatan, contohnya jika input jaringan 10,
maka variasi jumlah jaringan adalah 10, 20, 30,…, 90, 100. Pada jumlah lapis tersembunyi 1, semua jumlah jaringan akan diuji dan dicari
akurasi tertinggi dengan syarat target error terpenuhi. Demikian pula
pada 2 lapis tersembunyi, namun pada 2 lapis tersembunyi, jumlah
jaringan pada lapis 1 dan 2 akan divariasikan.
3.3 Perancangan Atarmuka Sistem
Pada Gambar 4.12 dapat dilihat antarmuka sistem memiliki 3 panel
fungsi dari sistem, yaitu:
1. Ekstraksi ciri
Pada panel ekstraksi ciri terdapat komponen-komponen sebagai
berikut:
a. Edit text – berfungsi untuk menampilkan direktori data.
b. Tombol cari data – berfungsi untuk membuka jendela pencarian file direktori.
c. Listbox data – berfungsi untuk menampilkan list semua data. d. Tombol ekstraksi ciri – berfungsi untuk menjalankan proses
ekstraksi ciri.
2. Klasifikasi
Pada panel klasifikasi terdapat komponen-komponen sebagai
berikut:
a. Panel ciri lagu – berfungsi untuk menampilkan checkbox ciri lagu. b. Checkbox ciri-ciri lagu – berfungsi untuk memilih ciri yang dipakai. c. Edit text hidden network 1 – berfungsi untuk memasukan jumlah
jaringan lapis tersembunyi 1.
d. Edit text hidden network 2 – berfungsi untuk memasukan jumlah jaringan lapis tersembunyi 2.
f. Edit text epoch – berfungsi untuk memasukan batas iterasi pada arsitekstur jaringan.
g. Tombol klasifikasi – berfungsi untuk menjalankan proses klasifikasi.
h. Text box confusion matrix – berfungsi untuk menampilkan confusion matrix.
3. Uji lagu
Pada panel uji lagu terdapat komponen-komponen sebagai berikut:
a. Edit text – berfungsi untuk menampilkan direktori data.
b. Tombol cari lagu – berfungsi untuk membuka jendela pencarian file direktori.
c. Text hasil – berfungsi untuk menampilkan hasil pengujian lagu. d. Tombol sinyal dan spektrogram – berfungsi untuk menampilkan
45
4. BAB IV
IMPLEMENTASI DAN EVALUASI
Bab ini berisi uraian implemantasi sistem berupa hasil penelitian dan analisa
ciri lagu serta arsitekstur jaringan terbaik dan antarmuka sistem.
4.1 Hasil penelitian
Hasil peneliatian ini adalah akurasi dari pengenalan lagu berdasarkan
pencipta lagu. Ada dua kombinasi yang dilakukan dalam penelitian ini, yaitu
kombinasi ciri lagu dan kombinasi jumlah jaringan. Contoh data audio berupa
sinyal digital yang digunakan dalam penelitian ini dapat dilihat pada
gambar-gambar dibawah ini. Data tersebut ditampilkan dalam bentuk sinyal digital
dan spektrogram.
Gambar 4.1 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Abdee
Gambar 4.2 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Dewa
Budjana
Gambar 4.3 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ahmad
Gambar 4.4 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ian Antono
4.1.1 Hasil Kombinasi Ciri Lagu
Pada pencarian ciri lagu terbaik proses dilakukan dengan
klasifikasi menggunakan jaringan syaraf tiruan propagasi baik dengan
arsitekstur sebagai berikut:
a. Input jaringan 1,2,3,…, dan/atau 9 , sesuai dengan kombinasi ciri lagu.
b. Lapisan jaringan sebanyak 3 lapis, dengan 2 lapis tersembunyi,
dan 1 lapis keluaran.
c. Jumlah jaringan pada lapisan tersembunyi pertama dan kedua
masing-masing sebanyak 60.
d. Jumlah jaringan pada lapisan keluaran adalah 4, sesuai dengan
jumlah klasifikasi.
f. Target error 0,01
g. Kecepatan pembelajaran 0,1
Hasil dari klasifikasi tersebut dapat dilihat pada tabel di bawah ini:
Keterangan :
a = Spectral Centroid
b = Spectral Roll Off
c = Spectral Flux
d = Spectral Zero Crossing Rate
e = Low Energy
Tabel 4.1 Hasil Kombinasi Ciri
23 b,c,e 49,50
24 b,d,e 60,00
25 c,d,e 58,50
26 a,b,c,d 60,00
27 a,b,c,e 54,33
28 a,b,d,e 60,77
29 a,c,d,e 60,00
30 b,c,d,e 57,50
31 a,b,c,d,e 65,00
Dari Tabel 4.1 dapat dilihat akurasi dari kombinasi semua ciri
lagu. Pada tabel tersebut ada ciri a,b,c,d dan e, masing-masing adalah
ciri Centroid, Roll off, Flux, Zero Crossing Rate dan Low Energy.
Sedangkan a,b; a,b,c; a,b,c,d; a,b,c,d,e dan lain-lain merupakan
kombinasi dari kelima ciri tersebut.
Baris yang diberi warna kuning merupakan kombinasi ciri
terbaik, karena mendapat akurasi klasifikasi tertinggi yaitu 65%.
Kombinasi tersebut adalah a,b,c,d,e yaitu semua ciri lagu. Kombinasi
tersebut akan menjadi input pada jaringan syaraf tiruan, untuk mencari
arsitekstur terbaik.
Untuk lebih mudah dalam membandingkan akurasi ciri satu
Gambar 4.5 Grafik Kombinasi Ciri
Dari Gambar 4.5 dapat dilihat perubahan akurasi jika ciri
dikombinasikan. Dapat dilihat pula bahwa kombinasi ciri terbaik adalah
semua ciri dengan akurasi 65%.
0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Grafik Percobaan Ciri Lagu
4.1.2 Hasil Variasi Arsitekstur Jaringan
1. Satu Lapis Tersembunyi
Tabel 4.2 Hasil Variasi Jumlah Jaringan 1 Lapis Tersembunyi
no
jumlah jaringan. Akurasi tertinggi terdapat pada baris yang diberi
warna kuning. Yaitu pada percobaan no 1 dengan jumlah jaringan
18 dan akurasi sebesar 68,57%.
Untuk lebih mudah dalam membandingkan akurasi dari tiap
percobaan dapat dilihat pada grafik di bawah ini.
Gambar 4.6 Grafik Variasi Jumlah Jaringan 1 Lapis Tersembunyi
50.00
Grafik Percobaan 1 Lapis Tersembunyi
2. Dua Lapis Tersembunyi
Tabel 4.3 merupakan hasil dari variasi jumlah neuron pada
dua lapis tersembunyi.
Tabel 4.3 Hasil Variasi Jumlah Jaringan 2 Lapis Tersembunyi
73 36 57,00
Dapat dilihat dari Tabel 4.3 hasil dari percobaan masing-masing
variasi. Percobaan no 93 yang diberi warna kuning adalah percobaan
dengan akurasi tertinggi yaitu 71%. Akurasi tersebut didapat pada
jumlah lapis pertama 99 dan lapis kedua 36. Sehingga sistem ini
mencapai akurasi sebesar 71%.
Dapat dilihat pada grafik di bawah ini perubahan akurasi pada
Gambar 4.7 Grafik Percobaan 2 Lapis Tersembunyi
Dari Gambar 4.7 dapat dilihat perubahan akurasi jika jumlah
jaringan lapis pertama dan kedua divariasikan. Untuk lebih jelas
melihat perubahan akurasi dari jumlah jaringan lapisan tersembunyi
pertama 99. Dapat dilihat pada gambar 4.8.
0 10 20 30 40 50 60 70 80
18 27 36 45 54 63 72 81 90 99
Grafik Percobaan 2 Lapis Tersembunyi
Gambar 4.8 Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1
Berjumlah 99
Jika dibandingkan dengan percobaan menggunakan 1 lapis
tersembunyi, hasil dari 2 lapis tersembunyi lebih tinggi akurasinya.
Yaitu pada variasi jumlah jaringan 99 dan 36. Tabel 4.4 merupakan
confusion matrix dari pengujian dengan 2 lapis tersembunyi yaitu 99
dan 36 serta kombinasi seluruh ciri lagu.
Tabel 4.4 Confusion Matrix Pengujian Dengan 2 Lapis Tersembunyi Yaitu 99
Dan 36
Abdee
Negara Dewa Budjana
Ahmad
Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1
berjumlah 99
Dari confusion matrix pada Tabel 4.4 dapat dihitung akurasi
keseluruhan dengan persamaan 2.28. Dari Tabel tersebut juga dapat
dihitung akurasi tiap kelas dengan persamaan 2.30, 2.32.
1. Akurasi keseluruhan
= + + + + + + ++ + ++ + + + + + + +
× % = × % = . × % = %
2. Akurasi kelas Abdee Negara
� = + + + × % = %
3. Akurasi kelas Dewa Budjana
�ℎ ℎ = + + + × % = %
4. Akurasi kelas Ahmad Dhani
� = + + + × % = %
5. Akurasi kelas Ian Antono
� = + + + × % = %
Hasil pengenalan terbaik ada pada abdee Negara dengan akurasi
86%. Hasil itu dapat dihubungkan dengan lagu-lagu dari slank, yang
4.2 Penggunaan Sistem
Gambar 4.9 Tampilan Antarmuka Sistem
Pada Gambar 4.9 dapat dilihat antarmuka sistem memiliki 3 panel
fungsi dari sistem, yaitu:
a. Ekstraksi ciri
b. Klasifikasi
Proses klasifikasi dilakukan dengan memilih 1 atau lebih ciri lagu.
Kemudian memasukan nilai variabel jaringan syaraf tiruan, yaitu: hidden
network 1, hidden network 2, goal dan epoch. Setelah itu menekan
tombol “klasifikasi”.
c. Uji lagu
Proses ini dilakukan untuk menguji satu lagu dengan penciptanya.
Cara menguji lagunya adalah menekan tombol “cari lagu”. Kemudian
menekan tombol “uji lagu”. Kemudian akan muncul hasil dari pengenalan lagu tersebut (Abdee Negara, Dewa Budjana, Ahmad Dhani
atau Ian Antono).
Tombol sinyal berfungsi untuk melihat gambar sinyal dari data
yang telah dipilih. Sedangkan spectrogram digunakan untuk melihat
