BAB 2
LANDASAN TEORI
2.1 Gelombang Bunyi
Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai
gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah
medium, biasanya udara. Gelombang suara berasal dari benda yang bergetar. Bentuk
gelombang suara periodik akan menimbulkan sensasi yang menyenangkan (jika
intensitas nya tepat) seperti bunyi musik. Sebaliknya, bunyi yang tidak periodik akan
menimbulkan suara derau (noise).
2.2 Nada
Sebuah nada adalah suatu bunyi yang memiliki nilai tertentu, yaitu pitch, yang diukur
untuk menggambarkan jenis nada tersebut. Serangkaian nada yang tersusun teratur
berdasarkan ketukan dan pola disebut musik (Afriani, 2012). Dalam teori musik,
setiap nada memiliki nilai tertentu menurut frekuensinya ataupun jarak relatif nada
tersebut terhadap nada patokan. Nada dapat diatur dalam tangga nada yang
berdeda-beda. Nada dasar menentukan frekuensi tiap-tiap nada pada suatu karya musik
(Wilson, 2008).
Nada merupakan jenis suprasegmental yang ditandai oleh tinggi-rendahnya
arus ujaran yang terjadi karena frekuensi getaran yang berbeda antar segmen.
Misalnya pada saat seseorang berada dalam kesedihan maka ia akan berbicara dengan
nada yang rendah. Sebaliknya bila ia berada dalam keadaan marah atau gembira, ia
2.3 Tangga Nada
Tangga nada merupakan kumpulan nada-nada yang harmonis. Kumpulan dari semua
nada pada musik disebut tangga nada kromatik. Tangga nada kromatik dapat diartikan
sebagai “nada setiap warna”. Istilah “tangga nada kromatik” dipakai untuk kedua
belas nada dari tiap oktaf (Sijabat, 2009).
2.4 Alat Musik Gitar
Menurut Anwar (2014), masuknya alat musik gitar ke Indonesia salah satunya adalah
dibawa oleh tawanan asal portugis sekitar abad ke-7. Secara umum gitar dibagi
menjadi 2 jenis, gitar akustik dan gitar listrik (electric guitar). Gitar akustik
merupakan gitar yang terbuat dari kayu, dan terdapat lubang suara atau tabung
resonansi (sound hole). Bagian-bagian pada gitar akustik ditunjukkan pada gambar 2.1
berikut.
Senar gitar yang dipetik akan menghasilkan bunyi yang memiliki frekuensi
dan setelan nada yang berbeda tergantung kepada penggunaan dan keinginan dari
pengguna gitar tersebut. Frekuensi suara senar gitar yang umum digunakan dapat
dilihat pada tabel 2.1.
Tabel 2.1 Frekuensi Nada Gitar (Lourde R. & Saji, 2009)
Nada senar gitar Nomor Kunci Frekuensi
E (senar 6) E2 82.4
Sudah hampir lima dekade dilakukan penelitian di bidang pengenalan suara (speech
recognition). Menurut Maulana (2013), riset untuk mengembangkan system speech
recognition oleh mesin ini dibuat mulai tahun 1950-an yaitu pada saat peneliti
mencoba mengeksploitasi ide dari acoustic-phonetics. Tahun 1952, Biddulph dan
Balashek membuat sebuah sistem yang dapat mengenali suatu digit terisolasi dari
seorang pembicara yang sangat bergantung pada resonansi spektral vokal dari setiap
digit.
Kemudian Olson dan Belar berusaha membuat sebuah sistem untuk mengenali
10 suku kata berbeda dari seorang pembicara yang juga sangat bergantung pada
spektral dan area vokal pada tahun 1956.
Selanjutnya Fry dan Denes, pada tahun 1959 membuat sebuah sistem
pengenalan fonem untuk mengenali 4 vokal dan 10 konsonan dengan menggunakan
analisis spektruk dan pencocok pola. Pada tahun yang sama, Forgie juga melakukan
penelitian pengenalan vokal dimana 10 vokal disisipkan dalam format a/b/-vokal-/t.
Pada tahun 1962 Sakae dan Doshita membuat hardware pengenalan fonem.
yang menjadi awal bagi sebuah program penelitian produktif. Usaha itu dilakukan
oleh nagata pada tahun 1963. Pada era 1960-an, usaha yang dilakukan Martin dan
rekannya pada laboraturium RCA adalah untuk membangun sistem dengan
kemampuan dasarnya untuk mendeteksi awal dan akhir suatu speech. Pada tahun yang
bersamaan, Vintsyuk mengajukan metode dynamic programming untuk menyamakan
waktu dari pegutaran speech.
Sejumlah batu pijakan yang signifikan diraih pada tahun 1970-an mengenai
penelitian speech recognition. Penelitian Jepang menunjuk kearah bagaimana
penerapan metode dynamic programming dapat diterapkan dan penelitian yang
dilakukan Itakura tentang Linear Predictive Coding (LPC) dengan sukses pada
pencobaan speech ber-bit rendah.
2.6 Pengenalan Suara
Pengenalan suara merupakan serangkaian proses untuk mengenali sinyal suara dengan
membandingkan pola karakteristik sinyal suara acuan dengan pola karakteristik sinyal
suara uji secara otomatis (Saaddatuddaroin, 2009).
Suara dikenali melalui ciri-cirinya. Ciri-ciri tersebut digunakan untuk
membedakan antara suara yang satu dengan suara yang lainnya. Pengenalan suara
dapat diklasifikasikan dalam identifikasi dan verifikasi. Identifikasi suara adalah
proses pengenalan suara berdasarkan sampel suara, sedangkan verifikasi suara adalah
proses penerimaan atau penolakan terhadap suara yang diberikan (Setiawan &
Handayani 2012).
2.7 Pengolahan Sinyal Digital
Pengolahan sinyal digital adalah pemrosesan sinyal yang berkaitan dengan perubahan
bentuk, menipulasi isi dan penyajian dari sinyal suara dan informasi dalam bentuk
digital (Huda, 2011). Tujuan dari pengolahan sinyal digital adalah untuk mendapatkan
ekstraksi ciri dari sinyal suara. Sebuah proses untuk mengubah sinyal suara menjadi
parameter-parameter yang selanjutnya dapat dilakukan proses selanjutnya, misalnya
penelitian ini adalah proses sampling dan Fast Fourier Transform (FFT). Contoh
input suara dapat dilihat pada gambar 2.2 berikut.
Gambar 2.2Input Suara
2.7.1 Sampling
Proses sampling adalah proses untuk mengubah sinyal pada waktu-kontinu menjadi
bentuk diskrit yang diperoleh dengan mengambil cuplikan sinyal pada waktu-kontinu
(Huda, 2011).
2.7.2 Fast Fourier Transform (FFT)
Fast Fourier Transform merupakan DFT dengan algoritma yang lebih optimal,
sehingga menghasilkan perhitungan yang lebih cepat. Dengan DFT, memerlukan
waktu O(n2) untuk mengolah sampel data sebanyak n buah. Hal ini tentunya akan
memakan waktu lama bila sampel data makin banyak (Stefanus, Hamz, M. & Angzas,
Y., 2005). Proses pada metode fast Fourier Transform (FFT) adalah mengkonversi
setiap frame N sampel dari domain waktu menjadi domain frekuensi. Menurut
Hanggarsari,et al(2012), transformasi fourier merupakan metode yang efisien untuk
Contoh sinyal dalam domain waktu pada gambar 2.3 dan contoh sinyal dalam
domain frekuensi pada gambar 2.4 berikut (Huda, 2011).
Gambar 2.3 Sinyal dalam domain waktu
Gambar 2.4 Sinyal dalam domain frekuensi
Metode FFT dapat dilakukan dalam domain waktu dan frekuensi, yang disebut
sebagai desimasi – dalam – waktu (decimation-in-time) dan desimasi-dalam-frekuensi
(decimation-in-frequency) (Gunawan, D., Juwono, F.H., 2012). Pada prinsipnya
algoritma ini adalah memecah N-titik menjadi dua (N/2) – titik, kemudian dipecah
lagi pada tiap (N/2) – titik menjadi dua (N/4) – titik, begitu seterusnya sampai hanya
Gambar 2.5 Desimasi untuk 16 titik
Konsep metode Fast Fourier Transfrom (FFT) secara keseluruhan dapat
dilihat pada gambar 2.6.
Gambar 2.6 Konsep FFT
Algoritma DFT melakukan perkalian kompleks sebanyak N. Dengan
menggunakan FFT maka terdapat log2(N) perkalian kompleks. Sehingga jumlah
perkalian kompleks berkurang dari N2 menjadi log2(N). Dikarenakan DFT merupakan
bagian dari FFT, maka lebih baik menghitung FFT dengan mempertimbangkan nilai N
X(k) = ∑ k = 0, 1, 2…N-1 (1)
Pisahkan x(n) menjadi dua bagian : x(ganjil) dan x(genap) = x(2m), dimana
m=0, 1,2,…,N/2-1. Lalu nilai N DFT juga dibagi dua bagian untuk tiap nilai N/2 :
X(k) = ∑ = ∑ + ∑
= ∑ + ∑ (2)
Dimana m = 0, 1, 2,…., N/2-1
Karena :
= cos( ) + j sin( ) (3)
= cos[ ] + j. sin[
= -cos( ) – j.sin( )
= -[cos( ) + j.sin( )]
= - (4)
Maka :
= - (5)
Jadi ketika faktor diubah dengan setengah periode, nilai dari faktor tersebut
tidak akan berubah, tetapi tanda nilai faktor tersebut akan menjadi sebaliknya. Hal ini
merupakan sifat simetri dari faktor. Karena faktor bisa juga ditulis sebagai =
, maka :
( )
= - (6)
Dan
Maka nilai N DFT akhirnya menjadi :
X(k) = ∑ ∑ (8)
k = 0,1….N/2
X(k + N/2) = - (9)
k = 0, 1, 2…..N/2
Jadi nilai N DFT dipisah menjadi dua nilai N/2 DFT. Dari persamaan (8),
(k) memiliki (N/2) * (N/2) = (N/2)2. memiliki N/2 + (N/2)2.
Maka jumlah total dari perhitungan untuk X(k) adalah 2(N/2)2 +
N/2=N2/2+N/2. Untuk nilai awal N DFT, dimulai dari N2. Maka pada langkah
pertama, pisahkan x(n) menjadi dua bagian yang membuat perhitungan dari N2
menjadi N2/2+N/2. Jumlah angka perkalian dikurangi setengah secara berkala.
Selanjutnya adalah proses pengurangan perkalian dari nilai N menjadi N/2.
Lanjutkan pemisahan (m) dan (m) menjadi bagian ganjil dan genap dengan cara
yang sama, perhitungan untuk N/2 akan dikurangi menjadi N/4. Kemudian
perhitungan DFT akan berkurang secara terus – menerus. Jadi jika sinyal untuk nilai N
DFT terpisah terus – menerus sampai sinyal akhir menjadi satu titik. Misalkan ada
N=2v DFT yang perlu dihitung. Maka jumlah pemisahan yang dapat dilakukan adalah
v = (N). Jumlah total perkalian akan dikurangi hingga (N/2) (N). Untuk
tambahan perhitungan, angka yang akan dikurangi mencapai N (N). Karena
perkalian dan penambahan dikurangi, maka kecepatan perhitungan komputasi DFT
dapat ditingkatkan. Tujuan utama untuk Radix -2 FFT adalah memisahkan deretan
data menjadi ganjil dan genap secara terus – menerus sampai mendekati setengah
2.8 Penelitian terdahulu
Pada bagan ini akan dipaparkan tentang penelitian-penelitian sebelumnya yang
berhubungan dengan pengenalan nada pada senar gitar. Pemaparan tentang penelitian
sebelumnya dapat dilihat pada tabel 2.2 berikut.
Tabel 2.2 Penelitian terdahulu
Quantization dapat digunakan
untuk mengenali nada pada senar
Akord merupakan prinsip utama
dalam memainkan alat musik
gitar. penulis melakukan analisis
fenomena dari akord Dmayor
Sinyal suara analog dicuplik
dengan kecepatan 12000 Hz. Fast
Fourier Transform(FFT)
digunakan untuk mendapatkan
fitur sinyal yang
ditransformasikan kedalam
domain frekuensi. Kemudian
fitur suara tersebut diproses
dengan menggunakan jaringan
Tabel 2.2 Penelitian terdahulu (Lanjutan)
Penulis Teknik yang
digunakan
Keterangan
Ardiansyah, M., 2014 Mel Frequency
Cepstral Coefficient
(MFCC) dan
Learning Vector
Quantization (LVQ).
Metode MFCC digunakan untuk
mengambil nilai vektor pada
sebuah lagu. Metode LVQ
digunakan untuk mencocokkan
data uji dengan data acuan yang
telah disimpan di dalam database.
Dianputra, R., 2014 Fast Fourier
Transform (FFT)
Algoritma FFT digunakan untuk
menghitung nilai Discreate
Fourier Transform (DCT) untuk
transformasi dari domain waktu
ke domain frekuensi. Data
masukan adalah suara senar gitar