INTISARI
Kebanyakan orang hanya bisa mendengarkan suatu nada dari alat musik tanpa mengetahui nada apa yang sedang dimainkan, karena kurangnya ketajaman pendengaran serta pengetahuan tentang bermusik sangat terbatas. Alat musik yang digunakan pun juga bervariasi, salah satunya alat musik tiup. Saksofon adalah merupakan bagian dari banyak alat musik apabila dengan tiupan akan menghasilkan sebuah bunyi. Sistem pengenalan sangat diperlukan untuk membantu dalam mengenali nada alat musik, khususnya untuk nada dasar (do, re, mi, fa, sol, la ,si dan do tinggi) pada alat musik saksofon alto.
Sistem pengenalan nada alat musik saksofon alto pada tugas akhir ini menggunakan mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima gelombang suara nada alat musik saksofon alto. Komputer berfungsi untuk memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum ekstraksi ciri dan menampilkan hasil nada yang dikenali berupa teks. Sistem pengenalan nada alat musik saksofon alto menggunakan FFT, jarak Simetrik Probabilistik 2 dan klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan.
Pada program pengenalan nada secara real time tanpa thresholding dan menggunakan thresholding mampu mengenali nada sebesar 100%. Parameter pengenalan terbaik berada pada variasi frame blocking 128, windowing koefisien 50% dan k=1 pada k -NN. Tingkat pengenalan nada-nada kromatis saksofon alto mencapai 92%. Dengan
database yang sama, hasil pengenalan nada alat musik pianika mencapai 83,75%.
ABSTRACT
Most of people can only hear a tone from the instrument without knowing what tone is being played, because of the lack of hearing acuity and knowledge of music is very limited. Musical instruments used vary, one wind instrument. The saxophone is a part of many musical instruments when the puffs will produce a sound. Recognition system is needed to assist in recognizing musical tones, especially for fundamental tones (do, re, mi, fa, sol, la, si, do’) on a musical instrument the alto saxophone.
Tone recognition system of alto saxophone at the end of this task using a microphone and a computer to operate. Functioning microphone to receive sound waves alto saxophone tones of musical instruments. Computer functions to process data recording, featuring a wave of record results, spectral feature extraction, and displays the results of a recognizable tone as text. Tone recognition system of alto saxophone musical instrument uses FFT, Symmetric Probabilistic 2 distance and classification of k-NN has been created and capable to work in accordance with design.
At real time program of tone recognition with and without thresholding are able to recognize the ton of 100%. The best recognition parameter can be found at frame blocking 128 variation, windowing coefficient of 50% and k=1 for k-NN. Introduction level of a chromatic tones alto saxophone reached 92%. The result of recognition of musical instrument tones pianica with the same database reached 83.75%.
i
TUGAS AKHIR
PENGENALAN NADA SAKSOFON ALTO
MENGGUNAKAN FFT DAN PENGKLASIFIKASIAN K-NN
DENGAN JARAK SIMETRIK PROBABILITAS
2Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh:
FREDERIK MERIS
NIM : 115114023
PROGRAM STUDI TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
FINAL PROJECT
ALTO SAXOPHONE TONE RECOGNITION USING FFT
AND K-NN CLASSIFIER WITH SYMMETRIC
PROBABILISTIC
2Presented as Partial Fullfillment of The Requirements To Obtain Sarjana Teknik Degree
In Electrical Engineering Study Program
By :
FREDERIK MERIS
NIM : 115114023
ELECTRICAL ENGINEERING STUDY PROGRAM
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
iii
HALAMAN PERSETUJUAN
TUGAS AKHIR
PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DAN PENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 2
(ALTO SAXOPHONE TONE RECOGNITION USING FFT AND K-NN CLASSIFIER WITH SYMMETRIC PROBABILISTIC 2
)
Oleh:
Frederik Meris
NIM : 115114023
Telah Disetujui Oleh:
Pembimbing :
iv
HALAMAN PENGESAHAN
TUGAS AKHIR
PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DAN PENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 2
(ALTO SAXOPHONE TONE RECOGNITION USING FFT AND K-NN CLASSIFIER WITH SYMMETRIC PROBABILISTIC 2
)
Oleh :
Frederik Meris NIM: 115114023
Telah dipertahankan di depan Panitia Penguji Pada tanggal 20 Agustus 2015
Dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap Tanda Tangan
Ketua : Dr. Iswanjono ...
Seketertaris : Dr. Linggo Sumarno ...
Anggota : Wiwien Widyastuti, S.T.,M.T ...
Yogyakarta,………
Fakultas Sains dan Teknologi Universitas Sanata Dharma
Dekan,
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, 25 Agustus 2015
VI
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO :
I’m Not Lucky, I’m Blessed
Persembahan
Karya ini ku persembahkan kepada ....
Tuhan Yesus yang selalu ada disetiap perjalanan hidupku.
Papa, Mama danKakak-kakak yang selalu
mendukungku dalam segala hal.
LEMBAR PERNYATAAN
PERSETUJUAN
PUBLIKASI
KARYA
ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertandatangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama
Nomor l\4ahasiswa
: Frederik Meris
: l1 5114023
Dengan pengembangan
ilmu
pengetahuan. saya memberikan kepada perpustakaanUniversitas Sanata Dharma karya ilmiah saya yang berir-radul :
PENGENALAN NADA SAKSOFON ALTO MENGGUNAKAN FFT DAN
PENGKLASIFIKASIAN K-NN DENGAN JARAK SIMETRIK PROBABILITAS 12
Beserla perangkat yang diperlukan (kalo ada). Dengan demikian saya memberikan kepada
Perpustakaan Universitas Samata Dharma hak untuk menyimpan. rnengalihkan dalam
bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara
terbatas dan mempublikasikannya
di
internet atau media lainnya untuk kepentinganakademis tanpa perlu meminta
ijin
dari saya mallpun rnemberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis.Demikian pernyataa ini saya buat dengan sebenarnya.
(Frederik Meris)
VIII
INTISARI
Kebanyakan orang hanya bisa mendengarkan suatu nada dari alat musik tanpa mengetahui nada apa yang sedang dimainkan, karena kurangnya ketajaman pendengaran serta pengetahuan tentang bermusik sangat terbatas. Alat musik yang digunakan pun juga bervariasi, salah satunya alat musik tiup. Saksofon adalah merupakan bagian dari banyak alat musik apabila dengan tiupan akan menghasilkan sebuah bunyi. Sistem pengenalan sangat diperlukan untuk membantu dalam mengenali nada alat musik, khususnya untuk nada dasar (do, re, mi, fa, sol, la ,si dan do tinggi) pada alat musik saksofon alto.
Sistem pengenalan nada alat musik saksofon alto pada tugas akhir ini menggunakan mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima gelombang suara nada alat musik saksofon alto. Komputer berfungsi untuk memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum ekstraksi ciri dan menampilkan hasil nada yang dikenali berupa teks. Sistem pengenalan nada alat musik saksofon alto menggunakan FFT, jarak Simetrik Probabilistik 2 dan klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan.
Pada program pengenalan nada secara real time tanpa thresholding dan menggunakan thresholding mampu mengenali nada sebesar 100%. Parameter pengenalan terbaik berada pada variasi frame blocking 128, windowing koefisien 50% dan k=1 pada k -NN. Tingkat pengenalan nada-nada kromatis saksofon alto mencapai 92%. Dengan
database yang sama, hasil pengenalan nada alat musik pianika mencapai 83,75%.
IX
ABSTRACT
Most of people can only hear a tone from the instrument without knowing what tone is being played, because of the lack of hearing acuity and knowledge of music is very limited. Musical instruments used vary, one wind instrument. The saxophone is a part of many musical instruments when the puffs will produce a sound. Recognition system is needed to assist in recognizing musical tones, especially for fundamental tones (do, re, mi, fa, sol, la, si, do’) on a musical instrument the alto saxophone.
Tone recognition system of alto saxophone at the end of this task using a microphone and a computer to operate. Functioning microphone to receive sound waves alto saxophone tones of musical instruments. Computer functions to process data recording, featuring a wave of record results, spectral feature extraction, and displays the results of a recognizable tone as text. Tone recognition system of alto saxophone musical instrument uses FFT, Symmetric Probabilistic 2 distance and classification of k-NN has been created and capable to work in accordance with design.
At real time program of tone recognition with and without thresholding are able to recognize the ton of 100%. The best recognition parameter can be found at frame blocking 128 variation, windowing coefficient of 50% and k=1 for k-NN. Introduction level of a chromatic tones alto saxophone reached 92%. The result of recognition of musical instrument tones pianica with the same database reached 83.75%.
X
KATA PENGANTAR
Puji dan Syukur kepada Tuhan Yesus karena telah memberikan Berkat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir dengan baik, dan dapat memperoleh gelar sarjana.
Dalam penulisan tugas akhir ini, penulis menyadari bahwa tidak lepas dari seluruh bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan banyak terimakasih kepada:
1. Tuhan Yesus Kristus atas berkat dan anugerah-Nya kepada penulis 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 yang dengan tenang dan penuh kesabaran untuk membimbing dalam menyelesaikan penulisan Tugas Akhir ini. 5. Dr. Iswanjono, Wiwien Widyastuti, S.T., M.T., selaku dosen penguji yang telah
memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.
6. Papa dan Mama, serta kakak-kakak yang selalu mendoakan dan membantu segala sesuatunya sampai pencapaian menyelesaiakan studi di jenjang perkuliahan
7. Segenap staff sekretariat, dan laboran Teknik Elektro yang telah memberikan dukungan secara tidak langung dalam kelancaran tulisan tugas Akhir ini.
8. Ketua kelompok sel saya Daddy Uchu dan saudara sel yang selalu memberikan doa dan selalu memberikan masukan dan nasihat.
9. Mas Wedha dan Ko Ahwie yang sudah bersedia meminjamkan saksofon alto untuk kelancaran Tugas akhir.
10.Teman-teman singer ”Youth Impact Singers” Marthen, Littabeth, Meika, Haris, Jeremy, Albert, Angel, Kak Iren, Kak Siska, adek Fila, Topel, dan Cik Zenia yang selalu mendukung dan mendoakan dalam kelancaran penulisan Tugas Akhir ini. 11.Papsky Lucky dan Om Topel “3 idiots” yang selalu memberikan dukungan dan doa
XI
12.Teman-teman group “SKRIPSI” Cahyo, Yohanes, Irfan, Evan, Edwin, Dean, Yugo yang selalu mendukung, selalu mengingatkan setiap ada konsultasi untuk tugas akhir dan selalu memberikan semangat.
13.Teman-teman Teknik Elktro 2011 yang telah memberikan semangat pada saat menempuh pendidikan di Universitas Sanata Dharma.
14.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, saran ,kritikan yang mendukung agar skripsi ini menjadi lebih baik, dan semoga sripsi 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
. ... xviDAFTAR TABEL
. ...
xviii
BAB I PENDAHULUAN
1.1. Latar Belakang. ... 11.2. Tujuan dan Manfaat Penelitian ... 2
1.3. Batasan Masalah ... 2
1.4. Metodologi Penelitian ... 3
BAB II DASAR TEORI
2.1. Saksofon Alto ... 42.2. Mikrofon ... 5
2.3. Sound card ... 6
2.4. Matlab ... 6
2.5. Teorema Pencuplikan ... 8
2.6. Preprocessing ... 8
2.6.1. Normalisasi... ... 9
xiii
2.6.3. Frame Blocking ... 10
2.6.4. Normalisasi 2.... ... 11
2.6.5 Windowing Hamming... ... 11
2.7. Dicerete Fourier Transform (DFT) ... 12
2.8. Fast Fourier Transform (FFT).. ... 12
2.9 Template Matching ... 16
2.9.1. Fungsi Jarak Simetrik Probabilitas 2 ... 16
2.10. Klasifikasi k-NN. ... 16
BAB III PERANCANGAN
3.1. Sistem Pengenalan Nada Saksofon Alto ... 18a. Saksofon Alto... ... 19
b. Mikrofon.... ... 19
c. Sound Card ... ... 20
d. Proses Perekaman.... ... 20
d. Proses Pengenalan Nada.... ... 20
3.2. Perancangan Database Nada ... 22
3.3. Nada Uji ... 23
3.4. Perancangan Tampilan Program GUI MatLab ... 23
3.5. Perancangan Alur Program ... 24
3.5.1. Rekam ... 25
3.5.2. Normalisasi ... 26
3.5.3. Pemotongan Sinyal ... 27
3.5.4. Frame Blocking ... 28
3.5.5. Normalisasi 2. ... 29
3.5.6. Windowing Hamming. ... 30
3.5.7. Fast Fourier Transform (FFT). ... 31
3.5.8. Perhitungan Jarak Simetrik Probabilistik 2 ... 32
3.5.9. Penentuan Hasil Nada ... 33
3.6. Perancangan Subsistem Pengenalan Nada Saksofon Alto ... 34
xiv
BAB IV HASIL DAN PEMBAHASAN
4.1. Pengujian Program Pengenalan Nada Saksofon Alto menggunakan FFT dan
Pengklasifikasian K-NN dan Fungsi Jarak Simetrik Probabilitas 2 ... 35
4.1.1. Pengenalan Nada ... 37
a. Popup Menu... ... 38
b. Tombol “RECORD”... ... 40
c. Tombol “RESET”... ... 46
b. Tombol “CLOSE”... ... 46
4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada Saksofon Alto ... 46
4.2.1. Pengujian Parameter Pengenalan Nada ... 47
4.2.1.1 Pengujian secara Tidak Real-Time... 47
4.2.1.2 Pengujian secara Real-Time... 50
a) Pengujian Tanpa Thresholding... 50
b) Pengujian Untuk Menentukan Batasan Nilai Jarak Optimal... 51
c) Pengujian Mengunakan Thresholding... 52
4.3. Pengujian Dengan Nada Masukan Pianika... ... 53
4.4. Pengujian Dengan Masukan Nada-Nada Kromatis Pada Saksofon Alto... ... 54
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ... 565.2. Saran ... 56
DAFTAR PUSTAKA
... 57LAMPIRAN
LAMPIRAN 1 PERCOBAAN MENCARI SPEKTRUM FREKUENSI UNTUK SISTEM PENGENALAN NADA ALAT MUSIK SAKSOFON ALTO MENGGUNAKAN MATLAB 7.04 2008a ... L1 LAMPIRAN 2 PERCOBAAN MENCARI DURASI PEREKAMAN PENGENALAN NADA ALAT MUSIK SAKSOFON ALTO MENGGUNAKAN MATLAB 7.0.4 2008a
xv
xvi
DAFTAR GAMBAR
Halaman
Gambar 2.1. Dimensi Saksofon Alto dan bentuk Saksofon Alto ... 4
Gambar 2.2. Sound Card ... 6
Gambar 2.3. Penulisan Program Matlab Secara Langsung ... 7
Gambar 2.4. M-file Matlab ... 8
Gambar 2.5. Sinyal terekam ... 9
Gambar 2.6. Hasil proses normalisasi dari gambar 2.5. ... 9
Gambar 2.7. Hasil pemotongan awal sinyal Gambar 2.6. ... 10
Gambar 2.8. Hasil Pemotongan sinyal untuk daerah transisi dari gambar 2.7. ... 10
Gambar 2.9. Hasil Frame Blocking dari gambar 2.8. ... 10
Gambar 2.10. HasiL Proses Normalisasi 2 dari gambar 2.9. ... 11
Gambar 2.11. Hasil Proses Windowing dari gambar 2.10. ... 12
Gambar 2.12. Algoritma kupu-kupu FFT DIT dua dimensi untuk DFT 8 Titik ... 15
Gambar 2.13. Gambar ilustrasi algoritma Sande-Turkey FFT untuk N = = 8 ... 15
Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Saksfon Alto.. ... 18
Gambar 3.2. GoMic Protable USB Microphone by SAMSON ... 19
Gambar 3.3. Proses Pengenalan Nada Saksofon Alto ... 20
Gambar 3.4. Proses Pengambilan database Nada ... 22
Gambar 3.5. Tampilan Utama Sistem Pengenalan Nada Saksofon Alto ... 23
Gambar 3.6. Diagram Alir Sistem Pengenalan Nada saksofon Alto ... 25
Gambar 3.7. Diagram Alir Sub Rutin Rekam ... 25
Gambar 3.8. Diagram alir Normalisasi... 26
Gambar 3.9. Diagram alir Pemotongan Sinyal ... 28
Gambar 3.10. Diagram Alir Frame Blocking ... 28
Gambar 3.11. Diagram alir Normalisasi 2... 29
Gambar 3.12. Diagram alir Windowing ... 30
Gambar 3.13. Diagram alir Ekstraksi ciri FFT ... 31
Gambar 3.14. Diagram Alir perhitungan jarak Simetrik Probabilitas 2 ... 32
Gambar 3.15. Diagram alir K-NN ... 33
xvii
Gambar 4.2. Tampilan Matlab ... 36 Gambar 4.3 Tampilan Program Pengenalan Nada Saksofon alto ... 36
Gambar 4.4. Tampilan Hasil Pengenalan ... 37
Gambar 4.5. Grafik Pengaruh Perubahan Windowing Koefisien Terhadap Perenstase
Keberhasilan Pada Frame Blocking 128 ... 48 Gambar 4.6. Grafik Pengaruh Perubahan Windowing Koefisien Terhadap Perenstase
Keberhasilan Pada Frame Blocking 64 ... 48 Gambar 4.7. Grafik Pengaruh Perubahan Windowing Koefisien Terhadap Perenstase
Keberhasilan Pada Frame Blocking 32 ... 49 Gambar 4.8. Grafik Pengaruh Perubahan Windowing Koefisien Terhadap Perenstase
xviii
DAFTAR TABEL
Halaman
Tabel 2.1. Nilai Frekuensi Nada Saksofon Alto ... 5 Tabel 2.2. Pembalikan bit ... 14 Tabel 3.1. Spesifikasi GoMic Portable USB Microphone by SAMSON ... 19 Tabel 3.1. (Lanjutan) Spesifikasi GoMic Portable USB Microphone by SAMSON ... 20 Tabel 3.2. Keterangan Tampilan Utama Sistem ... 24 Tabel 4.1. Menggunakan nilai frame blocking 128 dengan 1 database untuk setiap nada
... 47 Tabel 4.2. Menggunakan nilai frame blocking 64 dengan 1 database untuk setiap nada
... 47 Tabel 4.3. Menggunakan nilai frame blocking 32 dengan 1 database untuk setiap nada
... 48 Tabel 4.4. Menggunakan nilai frame blocking 16 dengan 1 database untuk setiap nada
... 48 Tabel 4.5. Hasil Pengujian secara real time tanpa Thresholding dengan variasi frame blocking 128, windowing koefisien 50% dan k=1 pada k-NN dengan
Confusion matriks ... 51 Tabel 4.6. Jarak Optimal Tiap Nada dengan variasi frame blocking 128, windowing koe- . fisien 50% dan k=1 pada k-NN dengan Confusion matriks ... 52 Tabel 4.7. Hasil Pengujian secara real time dengan variasi 128, 50% dan k=1 menggun- Akan Thresholding dengan Confusion matriks ... 52 Tabel 4.7. (Lanjutan) Hasil Pengujian secara real time dengan variasi 128, 50% dan k=1
menggunakan Thresholding dengan Confusion matriks ... 53 Tabel 4.8. Hasil pengujian dengan nada dari alat musik pianika dengan confusion matri-
1
BAB I
PENDAHULUAN
1.1
Latar Belakang
Musik merupakan ekspresi yang timbul dari dalam jiwa manusia yang diwujudkan dalam bentuk karya seni. Musik terbentuk dari kumpulan nada-nada yang tersusun secara
harmonis sehingga menghasilkan “sesuatu yang indah” menurut indera pendengaran yang dimiliki manusia. Baik musik tradisional maupun musik pop, rock dan jazz yang masing-masing memberikan keindahan dalam bermusik. Musik juga bisa menjadi efektif di bidang akademis dengan membantu pembentukan pola belajar, mengatasi kebosanan dan menangkal kebisingan eksternal yang mengganggu [1].
Alat musik yang digunakan pun juga bervariasi, salah satunya alat musik tiup yaitu saksofon. Saksofon merupakan bagian dari banyak alat musik apabila dengan tiupan akan menghasilkan sebuah bunyi. Tinggi rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi [2]. Semakin besar frekuensi dasar gelombang bunyi, maka semakin tinggi nada yang dihasilkan, demikian pula sebaliknya. Indera pendengaran manusia tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali bagi para pemusik profesional. Hal ini amatlah penting bagi seorang pemusik untuk mengetahui apakah alat musiknya sudah menghasilkan nada-nada yang tepat.
Berkaitan dengan hal tersebut, dari beberapa penelitian sebelumnya telah dilakukan untuk membuat sistem pengenalan nada pada alat musik, seperti suling rekorder dan alat musik tradisional, seperti “Musical Instruments Sound Recognition”[3] dan “Pengenalan Nada Suling Rekorder Alto Secara Real Time Menggunakan Ekstraksi Cara DCT dan
Fungsi Korelasi”[4] dan “Pengenalan Nada Gamelan Kenong Secara Real Time
Berdasarkan penelitian yang telah dilakukan sebelumnya, penulis ingin membuat suatu sistem pengenalan nada saksofon yakni dengan jenis saksofon alto. Metode yang digunakan juga berbeda yaitu dengan menggunakan metode Fast Fourier Transform
(FFT), fungsi Simetrik Probabilistik 2 dan klasifikasi K-NN. Sistem ini akan secara otomatis membandingkan nada dari D, E, Fis, G, A, B, Cis dan D’ atau kita kenal dengan
tangga nada do, re, mi, fa, sol, la, si, do’, dengan nada yang yang telah tersimpan pada sistem tersebut (data base). Setelah itu, Nada D, E, Fis, G, A, B, Cis dan D’, diproses terdahulu menggunakan metode Fast Fourier Transform (FFT) dan selanjutnya nada tersebut digunakan sebagai nada acuan. Nada yang dimainkan kemudian akan dibandingkan dengan kedelapan nada acuan dengan menggunakan perhitungan jarak Simetrik Probabilistik 2 dan metode K-NN sebagai hasil keluaran pengenalan nada dimana mencari kelas nilai yang paling banyak muncul.
1.2
Tujuan dan Manfaat Penelitian
Tujuan penelitian ini adalah menghasilkan aplikasi pengenalan nada pada alat musik saksofon alto.
Manfaat dari penelitian ini adalah:
a. Sebagai alat bantu pendukung pembelajaran musik khusunya untuk mengenali nada suara D, E, Fis, G, A, B, Cis, D’.
b. Sebagai alat bantu bagi industri alat musik dalam melakukan pengujian alat musik saksofon alto.
1.3
Batasan Masalah
Batasan masalah dalam penelitian ini adalah: a. Pengenalan nada bersifat real time.
b. Saksofon yang digunakan adalah jenis saksofon alto.
c. Nada saksofon alto yang dikenali adalah nada D, E, Fis, G, A, B, Cis, D’ atau biasa di kenal do, re, mi, fa, sol, la, si, do’.
d. Jarak antara saksofon alto dengan mikrofon adalah 80 cm.
e. Menggunakan software MatLab dalam pembuatan program pengenalan nada. f. Menggunakan metode Fast Fourier Transform (FFT), Hamming window, dan
1.4
Metodologi Penelitian
Metodelogi yang digunakan pada tugas akhir ini adalah: a. Studi literature
Metode ini merupakan sumber utama dalam penulisan penelitian yang sumbernya diperoleh dari jurnal-jurnal, internet, dan handbook untuk mempelajari hal-hal mengenai sampling, frame blocking, normalisasi, pemotongan sinyal, Hamming window, ekstraksi ciri FFT, fungsi jarak Simetrik Probabilistik 2 dan klasifikasi K-NN.
b. Perancangan subsistem perangkat lunak
Tahap perancangan subsistem perangkat lunak bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor–faktor permasalahan dan kebutuhan yang telah ditentukan
c. Pembuatan subsistem perangkat lunak.
Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan media
push button yang sudah disediakan dalam perangkat lunak. Sistem akan mengolah interupsi yang diterima dan memulai proses recording sampai user memberikan interupsi kembali untuk menghentikan proses recording. Setelah itu, user
memberikan interupsi untuk memulai proses pengenalan nada. Komputer akan mengolah nada dan menyajikannya sebagai sebuah informasi.
d. Analisa dan Kesimpulan
Analisa data dilakukan dengan meneliti pengaruh variasi frame blocking,
4
BAB II
DASAR TEORI
2.1.
Saksofon Alto
Saksofon merupakan alat musik yang termasuk ke dalam kelompok aerophone atau alat musik tiup[6], single-reed woodwind instrument. Sumber bunyi dari getaran udara di dalam alat berasal dari mulut yang meniup. Pada umumnya saksofon terbuat dari logam dan dimainkan menggunakan single-reed seperti klarinet. Saksofon umumnya dihubungkan dengan popular musik, big band musik dan jazz, tapi awalnya ditujukan sebagai instrumen orkestra dan band militer. Saksofon berbentuk tabung dengan sumber suara yang dilengkapi dengan lubang-lubang yang berfungsi sebagai pengatur tinggi rendah suatu nada. Saksofon alto yang digunakan memiliki dimensi 42 x 65 cm. Gambar 2.1 menunjukkan saksofon alto.
Gambar 2.1. Dimensi Saksofon Alto dan bentuk Saksofon Alto
Saksofon memiliki beberapa jenis yang masing-masing dari setiap jenis ini memiliki ambitus (rentang nada) yang berbeda-beda. Diantaranya ada yang bernama saksofon Soprano (Bb), Alto (Eb), Tenor (Bb), dan Baritone (Eb). Saksofon jenis sopran adalah jenis yang paling umum dipakai. Saksofon sopran memiliki suara yang nyaring dan tinggi khas sopran. Jenis kedua dari saksofon adalah jenis alto. Suara yang dihasilkan
65 c
m
saksofon alto jauh lebih berat. Berbeda dengan dua jenis saksofon sebelumnya, saksofon jenis tenor memiliki ukuran yang lebih besar sehingga menghasilkan suara yang lebih rendah dibandingkan dua jenis saksofon sebelumnya. Jenis saksofon yang terakhir adalah saksofon bass. Saksofon bass menghasilkan suara rendah khas bass.
Saksofon alto memiliki nada dasar di D. Saksofon alto memiliki nilai frekuensi yang berbeda-beda untuk setiap nada. Tabel 2.1 menunjukkan contoh nilai frekuensi nada saksofon alto.
Tabel 2.1. Nilai Frekuensi Nada Saksofon Alto[7] Nada Saksofon Alto Frekuensi (Hz)
Nada D 349
Nada E 392
Nada Fis 440
Nada G 494
Nada A 523
Nada B 587
Nada Cis 659
Nada D’ 698
Cara meniup saksofon alto juga sangat mempengaruhi terjadinya harmonisa frekuensi.
2.2.
Mikrofon
Mikrofon berguna untuk merubah suara menjadi getaran listrik sinyal analog untuk selanjutnya diperkuat dan diolah sesuai dengan kebutuhan[8] . Pengolahan berikutnya dengan power amplifier dari suara yang berintensitas rendah menjadi lebih keras terakhir diumpan ke speaker.
Mikrofon harus dipilih dengan lebih hati-hati. Hal ini dilakukan untuk mencegah berkurangnya kemampuan mikrofon dari performa yang optimal. Hal ini dilakukan untuk mencegah berkurangnya kemampuan mikrofon dari performa yang optimal. Karakteristik mikrofon yang harus diperhatikan ketika akan memilih sebuah mikrofon adalah:
a. Prinsip cara kerja mikrofon dari jenis mikrofon itu sendiri.
d. Output sinyal listrik yang dihasilkan mikrofon. e. Bentuk fisik mikrofon.
Agar lebih efektif, mikrofon yang digunakan haruslah sesuai kebutuhan dan seimbang antara sumber suara yang ingin dicuplik, misalnya suara manusia, alat musik, suara kendaraan, atau yang lainnya dengan sistem tata suara yang digunakan seperti sound
sistem untuk live music, alat perekaman, dan sebagainya.
2.3.
Sound Card
Sound card merupakan sebuah periperal pada komputer sebagai I/O suara yang menyediakan kemampuan untuk menghasilkan suara yang dapat didengar oleh pengguna baik melalui speaker atau headphone [9]. Pada dasarnya setiap kartu suara memiliki:
a. Digital Signal Processor (DSP) yang akan menangani semua jenis komputasi. b. Digital to Analog Converter (DAC) sebagai keluaran suara ke speaker.
c. Analog to Digital Converter (ADC) sebagai masukan suara. d. Read Only Memory (ROM) atau Flash sebagai penyimpanan data.
e. Musical Instrument Digital Interface (MIDI) untuk menyambungkan beberapa peralatan musik eksternal.
f. Jack untuk menyambungkan kartu suara dengan speaker pada jalur line out atau
microphone pada jalur line in.
Beberapa kartu suara sudah terpasang secara pabrikan (on board) pada
motherboard komputer, tetapi bisa juga ditambahkan untuk keperluan pada slot PCI
motherboard.
Gambar 2.2. Sound Card
2.4.
MatLab
tinggi yang dikhususkan untuk kebutuhan komputasi teknis, visualisasi dan pemrograman seperti komputasi matematik, analisis data, pengembangan algoritma, simulasi dan pemodelan, dan grafik-grafik perhitungan. MATLAB adalah software buatan MathWork.Inc., yang sangat bermanfaat untuk menyelesaikan berbagai masalah komputasi numerik.
Beberapa bagian penting yang terdapat pada antar muka MATLAB adalah sebagai berikut :
a. Command Window atau jendela perintah adalah jendela yang dipakai untuk memberikan perintah secara manual.
b. Workspace berisi daftar variabel yang diciptakan oleh pemakai dan masih ada dalam memori.
c. Command History mencantumkan perintah-perintah yang pernah diberikan oleh pemakai.
d. Current Directory menyatakan direktori kerja.
Terdapat dua metode yang digunakan untuk menulis program dalam Matlab. Kedua metode itu adalah metode langsung dan tidak langsung. Untuk menulis program Matlab secara langsung maka program itu ditulis langsung di Command window.
Gambar 2.3. Penulisan Program Matlab Secara Langsung
Gambar 2.4. M-file Matlab
2.5.
Teorema Pencuplikan
Sampling merupakan proses pencuplikan sinyal kontinyu atau analog pada periode-periode tertentu. Dalam proses ini sinyal suara akan dicuplik menjadi gelombang diskrit. Pada saat proses sampling dilakukan, pengaturan nilai frekuensi sampling harus diperhatikan [11]. Frekuensi sampling adalah laju pencuplikan yang menandakan banyak pencuplikan gelombang analog dalam satu detik. Nilai satuan frekuensi sampling adalah
Hertz (Hz).
Nilai frekuensi sampling sebaiknya tertuju pada kriteria Nyquist. Didalam kriteria Nyquist dituliskan bahwa frekuensi sampling minimal harus lebih besar sama dengan 2 kali nilai frekuensi sinyal analog yang akan dicuplik [11]. Rumus pada kriteria Nyquist dapat dituliskan:
(2.1)
Keterangan : Fs = frekuensi sampling (Hz)
Fm = frekuensi sinyal analog (Hz)
2.6.
Preprocessing
0 500 1000 1500 2000 2500 3000 3500 4000 4500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 Data Tercuplik A m pl itu do
2.6.1.
Normalisasi
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 [12]. Normalisasi amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari
input sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama yaitu 1 (satu).
Gambar 2.5. Sinyal terekam
Gambar 2.6. Hasil proses normalisasi dari gambar 2.5
2.6.2.
Pemotongan Sinyal
Pemotongan sinyal merupakan proses yang berkaitan dengan ekstraksi ciri. Proses ini bertujuan untuk memotong beberapa bagian sinyal. Dalam proses perekaman, pemotongan sering terjadi untuk bagian awal dan akhir sinyal. Pemotongan bagian awal dan akhir sinyal nada dimaksudkan untuk menghilangkan bagian yang tidak termasuk bagian dari sinyal nada serta untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam [13].
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Gambar 2.7. Hasil pemotongan awal sinyal Gambar 2.6
Gambar 2.8. Hasil Pemotongan sinyal untuk daerah transisi dari gambar 2.7
2.6.3. Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sample[14]. Pengambilan sample tersebut tergantung dari tiap detik suara yang akan disample dan berapa besar frekuensi sampling. Gambar 2.8 menunjukkan contoh frame blocking, keseluruhan frame dibagi menjadi 5 M frame. Setiap M memiliki jumlah data sama yaitu 2 data, dengan N adalah Nyquist
Gambar 2.9. Hasil Frame Blocking dari gambar 2.8
0 500 1000 1500 2000 2500 3000 3500 4000
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 Data Tercuplik A m pi tu do
0 500 1000 1500 2000 2500 3000 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 Data Tercuplik A m p lit u d o
0 20 40 60 80 100 120 140
-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4
Data Tercuplik (Frame)
Fungsi frame blocking yaitu untuk mereduksi data yang akan diproses dalam sistem pengenalan. Frame blocking juga dapat mempercepat proses perhitungan pada FFT (Fast Fourier Transform) radix 2 dengan jumlah data pada setiap frame memiliki 2n data sampel
yang di ambil dari keseluruhan data sampel.
2.6.4.
Normalisasi 2
Normalisasi 2 merupakan suatu cara untuk mengatasi amplitudo sinyal pada hasil dari frame blocking yang telah di potong pada bagian transisi dimaksimal. Normalisasi 2 amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari
[image:31.595.90.520.274.589.2]input sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama yaitu 1 (satu).
Gambar 2.10. Hasi Proses Normalisasi 2 dari gambar 2.9
2.6.5.
Windowing Hamming
Pengenalan nada pada alat musik saksofon alto ini menggunakan windowing
Hamming. Windowing berfungsi untuk menghilangkan discontinuitas. Terjadinya
discontinuitas diakibatkan oleh proses Frame Blocking atau Framing [15]. Untuk mendapatkan hasil yang maksimal pada proses FFT, maka sample suara yang telah dibagi menjadi beberapa frame perlu di jadikan suara continue dengan cara mengkalikan tiap
framewindowing tertentu. Pada pengenalan nada alat musik saksofon alto windowing yang digunakan adalah windowing Hamming. Berikut ini merupakan persamaan dari windowing
Hamming :
(2.2)
Dimana : w(n) = windowing
N = jumlah data dari sinyal
0 20 40 60 80 100 120 140
-1 -0.5 0 0.5 1
Data Tercuplik
A
m
p
lit
u
d
n = waktu diskrit ke-
Gambar 2.11 Hasil Proses Windowing Hamming dari gambar 2.10
2.7.
Discerete Fourier Transform (DFT)
Discrete Fourier Transform (DFT) adalah transformasi yang mengubah domain waktu ke
domain frekuensi. Rumus DFT dapat didefinisikan sebagai[17]:
(2.3)
dengan: N = jumlah sempel.
( ) = runtun masukan (time domain).
X(k) = runtun keluaran (frekuensi domain).
2.8.
Fast Fourier Transform (FFT)
Fast Fourrier Transform (FFT) merupakan jenis dari ekstraksi ciri dan pengembangan dari Discrete Fourrier Transform (DFT). DFT merupakan metode transformasi matematis untuk sinyal waktu diskrit, sementara FFT adalah algoritma yang digunakan untuk transformasi FFT. Persamaan matematis DFT diuraikan pada persamaan (2.4).
∑
(2.4)
0 20 40 60 80 100 120 140
-1 -0.5 0 0.5 1
Waktu
A
m
p
li
tu
d
dengan , n=0, 1,…, N-1, dan k = 0, 1, 2, …, N-1
X(n) adalah keluaran dalam domain frekuensi, x adalah masukkan dalam domain waktu dan N adalah runtun masukkan diskret.
e = natural number (2.7182818284…)
k = indeks dalam domain frekuensi (0, 1, 2, …, N-1)
n = indeks dalam domain waktu (0,1,2, …, N-1)
j = konstanta fourrier
Prinsip dasar FFT adalah menguraikan penghitungan N-titik DFT menjadi penghitungan DFT dengan ukuran yang lebih kecil dan memanfaatkan periodisitas dan
simetri dari bilangan kompleks [18]
Ada dua jenis algoritma FFT yaitu algoritma Fast Fourier Transform Decimation In Time ( FFT DIT) dan algoritma Fast Fourier Transform Decimation In Frekuensi ( FFT DIF). Pada penulisan ini, algoritma FFT yang digunakan adalah radiks dua dengan metode
decimation in time. Pada DIT, masukan disusun/dikelompokkan menjadi kelompok ganjil dan kelompok genap. Runtun bernomor genap adalah x(0), x(2), x(4)…..x(N-2) dan runtun bernomor ganjul adalah x(1), x(3), x(5)…x(N-1). Kedua runtun berisi N/2-titik. Runtun genap ditandakan x(2k) dengan x=0 sampai k=N/2-1, sedangkan runtun ganjil menjadi x(2k-1). Persamaan (2.3) dapat dinyatakan sebagai penjumlahan untuk n ganjil dan genap.
∑
∑
(2.5)
Selanjutnya dengan menggantikan = maka persamaan (2.5) menjadi
∑
∑
(2.6)
n = 0, 1, 2, …,N-1
Tabel 2.2. Pembalikan bit
Masukkan Asli Masukkan yang Berkebalikan Bit
Desimal Biner Biner Desimal
0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
5 101 101 5
6 110 011 3
7 111 111 7
Berdasarkan persamaan matematis DFT (2.2) memerlukan untuk perkalian bilangan kompleks, sedangkan pada FFT memerlukan . Penghematan perhitungan dalam perkalian kompleks adalah sebesar - . Untuk penjumlahan kompleks DFT membutuhkan N(N-1), sedangkan pada FFT memerlukan
. Penghematan penjumlahan kompleks adalah N(N-1) - [11]. Contoh pernghematan perhitungan dalam perkalian kompleks apabila nilai N = 64, maka
Gambar 2.12 Algoritma kupu-kupu FFT DIT dua dimensi untuk DFT 8 Titik [20]
Gambar 2.13 Gambar ilustrasi algoritma Sande-Turkey FFT untuk N = = 8 [20]
Keterangan : a, b, c, d, e, f, g, h adalah keluaran dari tahap pertama
: i, j, k, l, m, n, o, p adalah keluaran dari tahap ke-2
Setelah melakukan transformasi FFT, suara asli yang diperoleh dari hasil perekaman akan diubah ke dalam bentuk pola suara yang merupakan hasil ekstraksi ciri suara. Data suara yang telah diubah mempunyai bentuk 1 dimensi, keluaran hasil ekstraksi ciri mempunyai dimensi yang sama dengan masukkan suara asli yaitu 1 dimensi. Jika masukkan adalah f(x) maka keluarannya adalah F(y).
Definisi FFT untuk 1 dimensi dengan masukkan f(x) dengan ukuran dimensi sebesar N (sehingga x = 0, 1, 2,…,N-1) maka:
∑
(2.7)
2.9.
Template Matching
Pendekatan pengenalan pola adalah salah satu yang paling sederhana dan paling awal dengan didasarkan pada template matching. Matching adalah operasi generik dalam pengenalan pola yang digunakan untuk menentukan kesamaan antara dua entitas dari jenis yang sama. Dalam template matching, contoh atau bentuk asli dari pola yang menjadi pengenalan sudah tersedia. Pola yang menjadi pengenalan dicocokan terhadap template
yang telah tersimpan. Kesamaan ukuran dapat di optimalkan berdasarkan template
tersedia[21].
2.9.1.
Fungsi Jarak Simetrik Probabilitas
2Fungsi Jarak Simetrik Probabilitas 2 adalah menghitung besarnya perubahan dari dua variabel[22]. Fungsi jarak ini membagi dua variabel satu dengan variabel lainnya yang saling berhubungan. Fungsi Simetrik Probabilitas 2 dirumuskan sebagai berikut
(2.8) Dengan : = jarak Simetrik Probabilitas 2
n = panjang vektor
Pi,Qi = vektor yang akan dibandingkan
2.10.
Klasifikasi k-NN
a. Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan
label kelas. Untuk masalah dua kelas dipilih nilai k yang ganjil. Secara umum nilai
k ini bukan kelipatan dari jumlah kelas M.
b. Dari sampel k tersebut, identifikasi jumlah vektor, ki, yang masuk dalam kelas
i,i=1, 2, …., M. Hal ini dapat juga dinyatakan dengan i ki = k.
18 Mikrofon
Proses Perekaman
Proses Pengenalan Nada
Notebook Saksofon Alto
BAB III
PERANCANGAN
3.1.
Sistem Pengenalan Nada Saksofon Alto
[image:38.595.102.509.182.580.2]Diagram blok sistem pengenalan nada saksofon alto secara keseluruhan diperlihatkan pada Gambar 3.1.
Gambar 3.1. Diagram Blok Sistem Pengenalan Nada Saksfon Alto
Sistem pengenalan nada saksofon alto terdiri dari perangkat keras dan perangkat lunak. Perangkat keras terdiri dari saksofon alto, mikrofon, dan notebook. Sedangkan perangkat lunak terdiri dari program pada notebook yang berfungsi sebagai interface dalam proses pengenalan nada. Perangkat lunak yang dibuat dengan menggunakan Matlab tersebut memiliki peran penting dalam proses pengaturan sistem pengenalan nada saksofon alto seperti merekam nada saksofon alto dan mengenali suara nada yang terekam. Perekaman suara nada dilakukan oleh notebook melalui mikrofon pada line in notebook.
a. Saksofon
Saksofon yang digunakan adalah saksofon jenis alto. Saksofon alto berfungsi untuk menghasilkan nada D, E, Fis, G, A, B, Cis, D’ yang akan dikenali oleh perangkat lunak. Nada yang dihasilkan akan direkam menggunakan mikrofon yang terdapat pada line in notebook.
b. Mikrofon
Mikrofon berfungsi untuk menangkap sinyal analog dan kemudian menyalurkannya ke
sound card pada notebook melewati line in yang ada pada sound card. Mikrofon yang digunakan adalah GoMic Portable USB Microphone by SAMSON seperti yang ditunjukkan pada Gambar 3.2. GoMic Portable USB Microphone sangat mudah digunakan dan dibawa karena bentuknya yang sangat ringan.
Gambar 3.2. GoMic Portable USB Microphone by SAMSON
Tabel 3.1 Spesifikasi GoMic Portable USB Microphone by SAMSON
Pollar pattern Cardiod and Omni
Frequency Response:
Cardiod
Omni
80 Hz – 18 KHz 20Hz – 20 KHz
Element type Fixed Charge electret
Element Diameter 10mm
Diapragm thicknes
Cardiod and Omni 4 Microns and 2 Microns
[image:39.595.98.499.268.755.2]Tabel 3.1 (Lanjutan) Spesifikasi GoMic Portable USB Microphone by SAMSON
SPL 023 lbs (.105)
Weight 2.8” x 1.7 x 23” x 0.9”
Dimensions 70.5mm x 43.5mm x 23mm
c. Sound card
Sound card berfungsi mengubah sinyal analog dari mikrofon menjadi sinyal digital.
Sound card yang digunakan adalah sound card yang sudah terpasang pada motherboard.
Dalam konversi sinyal analog menjadi sinyal digital dan kemudian disimpan diperlukan pengaturan yang meliputi pengaturan frekuensi sampling dan channel. Pengaturan tersebut dilakukan pada proses perekaman oleh program yang akan dibuat.
d. Proses perekaman
Proses perekaman merupakan proses masuknya nada terekam melalui mikrofon pada
line in notebook berupa sinyal digital. Proses perekaman berfungsi untuk merubah data sinyal analog menjadi data sinyal digital. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot. Data nada yang telah disimpan disebut nada terekam dan kemudian dapat diproses untuk dikenali lewat proses pengenalan nada.
e. Proses pengenalan nada
Proses pengenalan nada adalah proses mengenali nada yang terekam agar dapat diketahui jenis nada apa yang direkam. Proses ini terdiri dari subproses normalisasi, pemotongan sinyal, frame blocking, normalisasi 2, windowing, ekstraksi ciri FFT,
perhitungan jarak Simetrik Probabilistik 2 (Database), K-NN sebagai penentuan hasil nada. Diagram blok proses pengenalan nada dapat dilihat pada Gambar 3.3.
Gambar 3.3. Proses Pengenalan Nada Saksofon Alto Masukan (Suara saksofon alto.wav) Pemotongan Sinyal Frame Blocking Windowing
[image:40.595.81.527.306.735.2]Setiap subproses dalam proses pengenalan nada memiliki fungsi masing-masing, yaitu : 1. Nada Saksofon Alto
Hasil dari sampling nada saksofon alto yang direkam dengan menggunakan mikrofon akan diproses ke tahap selanjutnya seperti yang ditunjukkan pada Gambar 3.4.
2. Pemotongan Sinyal
Fungsi proses pemotongan sinyal adalah untuk menghilangkan efek noise atau suara lain yang ikut terekam saat proses perekaman.
3. Frame blocking
Proses ini berfungsi untuk memilih data dari data nada terekam, sehingga data yang dipilih dapat mewakili semua data pada nada terekam.
4. Normalisasi
Data yang telah melalui proses frame blocking selanjutnya dinormalisasi. Pada tahap ini semua nada saksofon alto yang sudah terekam akan dinormalisasikan. Tujuan dari normalisasi ini agar amplitudo pada saat nada dimainkan bisa maksimal.
5. Windowing
Data yang telah dinormalisasikan mengalami proses windowing. Dari jenis windowing
yang ada, dalam penelitian ini menggunakan Hamming Window. 6. Fast Fourier Transform
Proses Fast Fourier Transform merupakan proses ekstraksi ciri suatu data suara maupun gambar. Evaluasi FFT yang digunakan berdasarkan frame blocking yang digunakan. Setelah menentukan besar frame blockingnya, kemudian frame blocking
tersebut dievaluasi basis data koefisiennya.
7. Perhitungan Jarak Simetrik Probabilitas 2
Perhitungan Jarak Simetrik Probabilitas 2 merupakan proses dari sistem yang berfungsi untuk mengenali nada saksofon alto dengan cara menghitung nilai similiaritas terbesar antara database nada dengan nada uji.
8. Penentuan hasil pengenalan nada
Proses penentuan adalah subproses terakhir dari proses pengenalan nada. Penentuan hasil pengenalan nada ditentukan berdasarkan hasil perhitungan kelas yang paling banyak muncul dengan metode K-NN.
9. Hasil pengenalan nada (Result)
Keluaran
(Hasil Ekstraksi Ciri Nada)
3.2.
Perancangan Database Nada
Untuk merancang suatu pengenalan nada maka dibutuhkan nada acuan atau sering disebut dengan database nada. Database nada terdiri dari delapan nada yaitu nada D, E, Fis, G, A, B, Cis, D’. Pengambilan database nada dilakukan melalui beberapa tahap yaitu perekaman, preprocessing yang terdiri dari proses sampling, normalisasi, pemotongan sinyal, frame blocking, normalisasi 2, windowing dan ektraksi ciri FFT. Proses pengambilan database nada ditunjukkan pada Gambar 3.4.
Gambar 3.4. Proses Pengambilan database Nada
Proses pengambilan nada disesuaikan dengan variabel bebas pada pembuatan sistem pengenalan nada alat musik saksofon alto, tetapi dengan durasi dan frekuensi
sampling yang sudah ditetapkan. Database nada direkam dan di sampling sebanyak, satu kali, dua kali, empat kali,delapan kali untuk setiap nadanya. Dari database nada tersebut akan digunakan sebagai perbandingan untuk mengetahui hasil nada dan akan dievaluasi dari setiap jumlah database tersebut. Hal ini dimaksudkan apakah dengan satu , dua, empat dan delapan database disetiap nadanya sudah mencukupi untuk mengenali nada dari sakfon alto.
Dari hasil FFT yang telah dinormalisasi akan diambil sesuai windowing koefisien. Dimana maksud dari diambilnya sesuai dengan windowing koefisien adalah mengambil setengah dari hasil FFT yang telah dinormalisasi. Dari hasil tersebut akan diambil lagi sesuai dengan windowing koefisien yang di pilih oleh user. Kemudian dari hasil tersebut digunakan sebagai nada sampel agar sistem pengenalan nada alat musik saksofon alto tidak melakukan perhitungan kembali dalam mendapatkan database nada dan proses pada sistem pengenalan nada saksofon alto dapat berjalan lebih cepat. Database nada yang didapat kemudian disimpan dalam fungsi yang ada dalam sistem pengenalan nada alat musik saksofon alto.
Masukan
(Suara saksofon alto)
Perekaman (keluaran.wav)
Preprocessing Ekstraksi ciri
3.3.
Nada Uji
Nada uji merupakan nada yang terekam selain suara database nada. Suara uji yakni terdiri dari sepuluh nada yang terekam dari masing-masing nada dimana nada tersebut sebagai nada uji.Suara uji merupakan suara yang digunakan untuk mencari hasil terbaik dari variasi nilai frame blocking dan Windowing koefisien. Secara garis besar fungsi dari suara uji ialah untuk menjalankan program pengenalan suara nada saksofon alto secara
offline atau belum real-time. Sehingga hasil penentuan nilai frame blocking dan
Windowing koefisien dari pengenalan nada uji dapat menghasilkan tingkat pengenalan nada saksofon alto yang tertinggi. Proses pengambilan nada saksofon alto uji sama dengan proses pengambilan nada saksofon alto terdapat pada gambar 3.4.
3.4.
Perancangan Tampilan Program GUI MATLAB
[image:43.595.102.518.327.650.2]Tampilan utama untuk program pengenalan nada saksofon alto dibuat dengan menggunakan GUI Matlab yang di tujukan pada gambar 3.5.
Gambar 3.5. Tampilan Utama Sistem Pengenalan Nada Saksofon Alto
Tabel 3.2. Keterangan Tampilan Utama Sistem
Nama Keterangan
Tombol RECORD Berfungsi untuk menjalankan program Variasi Nilai Frame
Blocking
Untuk memilih frame yang digunakan pada proses pengenalan nada, pilihan berupa 128, 64, 32, dan 16.
Variasi Nilai k pada k-NN Untuk variasi nilai k=1, 3, 5 dan 7 pada k-NN Variasi Nilai Windowing
Koefisien
Untuk variasi windowing koefisien
menggunakan 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% dan 100%
Plot Hasil Perekaman Berfungsi untuk menampilkan grafik hasil dari perekaman nada
Berfungsi untuk menampilkan grafik data hasil ekstaksi ciri FFT.
Hasil Nada Berfungsi untuk menampilkan hasil yang telah diproses oleh program dengan hasil dari K-NN.
RESET Berfungsi untuk mengembalikan ke tampilan awal program
CLOSE Berfungsi untuk mengakhiri program
3.5.
Perancangan Alur Program
Sistem pengenalan nada Saksofon alto ini akan bekerja pada saat user menjalankan program. Sebelum menjalankan program, user harus memilih variasi windowing koefisien, FFT dan nilai k pada k-NN yang ingin digunakan. Saat user menekan tombol “RECORD”,
secara otomatis sistem akan merekam suara nada alat musik saksofon alto yang dimainkan. Jika suara nada telah terekam, maka proses akan berlanjut untuk mengenali nada tersebut.
penentuan hasil nada dengan menggunakan k-NN. Diagram Alir perancangan keseluruhan ditujukan pada gambar 3.6.
Gambar 3.6. Diagram Alir Sistem Pengenalan Nada saksofon Alto
3.5.1.
Rekam
Diagram alir rekam ditujukan pada gambar 3.7.
Subprogram rekam memiliki proses yang dijalankan yaitu proses sampling suara. Proses sampling berfungsi untuk merekam nada saksofon alto dengan nilai frekuensi
sampling yang telah ditentukan dalam sistem. Frekuensi sampling yang digunakan adalah 4800 Hz. (lampiran 1). Hasil dari proses perekaman nada akan ditampilkan dalam bentuk
plot atau grafik yang terdapat pada interface GUI Matlab. Nilai frekuensi sampling tersebut didapat melalui proses perhitungan menggunakan persamaan 2.1 berikut :
Lama waktu penangkapan ucapan ditentukan sebesar 3 detik. Waktu tersebut ditentukan agar nada yang dihasilkan dapat terekam secara utuh. Penetuan lama waktu berdasarkan hasil percobaan yang disertakan dalam lampiran (Lampiran 2). Nilai waktu tersebut juga mempengaruhi banyaknya data yang tercuplik. Banyaknya data yang tercuplik dihitung dari persamaan berikut :
(3.1)
Hasil dari frekuensi sampling berupa sinyal dari data-data yang tercuplik.
3.5.2.
Normalisasi
[image:46.595.94.529.317.723.2]Diagram alir normalisasi ditujukan pada gambar 3.8.
Proses ini digunakan agar besarnya nilai amplitudo dari data sinyal ucapan terbentuk pada skala yang sama. Tujuannya agar pengaruh dari kuat atau lemahnya suara yang diucapkan dapat diminimalkan. Hasil dari normalisasi dirancang agar batasan nilai amplitudo puncak dari data ucapan bernilai 1 atau -1 dan nilai amplitudo yang lainnya menyesuikan dengan skala tersebut. Proses normalisasi pada nilai-nilai amplitudo dibentuk dengan rumus berikut:
)) (3.2)
dengan keterangan sebagai berikut :
= hasil data sinyal normalisasi (1,2,3,…,N) = data input (1,2,3,…,N)
N merupakan banyaknya data sinyal.
Program normalisasi akan dieksekusi ketika fungsi ini dipanggil. Diagram alir dari program normalisasi ditunjukkan pada gambar 3.8. Data-data pada sinyal hasil sampling
akan dijadikan nilai masukan pada fungsi ini. Normalisasi terhadap sinyal tersebut dilakukan menggunakan persamaan 3.2. Keluaran dari fungsi ini berupa sinyal yang ternormalisasi.
3.5.3.
Pemotongan Sinyal
Proses pemotongan sinyal bertujuan untuk menghilangkan suara lain yang ikut terekam sebelum suara yang diinginkan terekam. Hal ini diperlukan agar proses pengenalan mampu benar-benar hanya mengenali suara nada yang diperlukan saja. Pemotongan sinyal menggunakan batas potong sebesar 0,3 yang didapat berdasarkan referensi[24]. Variasi pemotongan ini didapat berdasarkan penelitian yang dilakukan oleh penulis ketika mencoba perancangan sistem secara tidak real-time dengan tujuan agar mendapat nilai terbaik ketika pengujian.
Gambar 3.9. Diagram alir Pemotongan Sinyal
3.5.4.
Frame Blocking
Diagram alir Frame Blocking ditujukan pada gambar 3.10.
Gambar 3.10. Diagram Alir Frame Blocking
Frame blocking berfungsi untuk memilih data dari keseluruhan data yang terekam dan hasil dari pemotongan sinyal. Proses pertama yang dilakukan dalam proses frame blocking adalah menentukan nilai titik tengah dari data sampling. Jumlah data yang diambil dalam proses ini sesuai dengan variasi yang dipilih user. Dari titik tengah data yang diperoleh, ditentukan besarnya data yang akan diambil untuk proses selanjutnya. Proses frame blocking ditunjukkan diagram alir pada gambar 3.10. Proses frame blocking
dimulai dengan pencarian titik tengah dari suatu data yang terekam. Proses selanjutnya yaitu menentukan data yang diambil dari titik tengah data tersebut sesuai dengan nilai variasi frame blocking yang dipilih user. Nilai variasi frame blocking yang digunakan yaitu 16, 32, 64 dan 128.
3.5.5.
Normalisasi 2
[image:49.595.92.501.212.619.2]Diagram alir normalisasi 2 ditujukan pada gambar 3.11.
Gambar 3.11. Diagram alir Normalisasi 2
amplitudo yang lainnya menyesuikan dengan skala tersebut. Proses normalisasi pada nilai-nilai amplitudo dibentuk dengan rumus berikut:
)) (3.3)
dengan keterangan sebagai berikut :
= hasil data sinyal normalisasi (1,2,3,…,N) = data input (1,2,3,…,N)
N merupakan banyaknya data sinyal.
3.5.6.
Windowing Hamming
[image:50.595.93.496.162.582.2]Diagram alir Windowing ditujukan pada gambar 3.12.
Gambar 3.12. Diagram alir Windowing
Tahap setelah normalisasi yaitu tahap windowing. Untuk pengelanan nada saksofon alto ini menggunakan windowing Hamming sebagai proses selanjutnya. Fungsi dari pada proses windowing ini untuk mengurangi efek diskontinuitas saat sinyal ditransformasikan ke domain frekuensi.
Untuk mendapatkan hasil yang maksimal pada proses FFT, maka sample suara yang telah dibagi menjadi beberapa frame perlu di jadikan suara continue dengan cara mengkalikan tiap framewindowing tertentu.. Berikut ini merupakan persamaan dari
)
(3.4)
Dimana : w(n) = windowing
N = jumlah data dari sinyal
n = waktu diskrit ke-
Sinyal hasil windowing didapat dari perkalian elemen dari data windowing
Hamming dan data sinyal hasil normalisasi.
3.5.7.
Fast Fourier Transform (FFT)
[image:51.595.94.500.196.600.2]Diagram alir Windowing ditujukan pada gambar 3.13.
Gambar 3.13. Diagram alir Ekstraksi ciri FFT
Proses selanjutnya adalah ekstraksi ciri FFT. Proses ekstraksi ciri FFT dimulai dengan mencari nilai komputasi FFT yang dilanjutkan dengan mencari nilai absolute dari hasil komputasi FFT tersebut. Proses dilanjutkan dengan mencari nilai absolute dari nilai
pemotongan tersebut dipilih bagian yang akan diproses. Proses terakhir dalam ekstraksi ciri adalah pengubahan dimensi dari sinyal.
Masing-masing subproses dari ekstraksi ciri mempunyai tujuan khusus masing-masing yang membentuk satu kesatuan. Pencarian nilai mutlak pada tiap perhitungan ditujukan agar nilai yang didapat merupakan bilang real sehingga proses perhitungan dapat dilanjutkan. Komputasi secara matriks adalah subproses untuk mengolah matriks hasil ekstraksi ciri FFT. Pengolahan yang dimaksud adalah pemilihan banyak data yang akan digunakan untuk proses pengenalan nada.
3.5.8.
Perhitungan Jarak Simetrik Probabilitas
2 [image:52.595.96.500.221.552.2]Diagram alir perhitungan jarak ditujukan pada gambar 3.14.
Gambar 3.14 Diagram Alir perhitungan jarak Simetrik Probabilitas 2
Proses selanjutnya yaitu proses fungsi jarak, pada pengenalan nada saksofon alto ini menggunakan jarak Simetrik Probabilitas 2 . Untuk mencari kedekatan antara dua obyek atau mencari kedekatan antara dua vector, dimana antara database nada dan nada uji. Perhitungan jarak Simetrik Probabilitas 2 dirumuskan sebagai berikut :
(3.5)
Dengan : = jarak Simetrik Probabilitas 2
Pi,Qi = vektor yang akan dibandingkan antara nada uji dan database nada
3.5.9. Penentuan Hasil Nada
[image:53.595.97.494.170.585.2]Diagram alir perhitungan jarak ditujukan pada gambar 3.15.
Gambar 3.15. Diagram alir k-NN
Pada proses penentuan keluaran ini data hasil perhitungan jarak di sort ascending
dengan tujuan mengurutkan hasil perhitungan jarak dari yang terkecil. Setelah data di sort ascending, maka akan ada penggambilan nilai k terkecil, dimana nilai k dipilih oleh user.
Setelah nilai k dipilih maka akan ada pembanding. Dimana maksud disini adalah apabila ada suara nada dari alat musik lain maka akan dibandingkan berdasarkan jarak (k) ≤ Thresholding. Apabila nilai jarak dari k yang dipilih kurang dari nilai thresholding, maka akan dilanjutkan ke proses mencari indeks kelas dari jarak k terkecil, jika tidak, akan muncul displayerror. Hasil pengenalan nada saksofon alto ditentukan berdasarkan kelas
yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor (k-NN). Kemudian hasil dari nilai kelas yang paling banyak muncul tersebut akan ditampilkan berupa keluaran teks. Dimana ketentuan k-NN adalah misal ada vector x yang tidak diketahui, maka:
a. Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan label kelas. Untuk masalah dua kelas dipilih nilai k yang ganjil. Secara umum nilai
k ini bukan kelipatan dari jumlah kelas M.
b. Dari sampel k tersebut, identifikasi jumlah vektor, ki, yang masuk dalam kelas
i,i=1, 2, …., M. Hal ini dapat juga dinyatakan dengan i ki = k.
c. Tetapkan x untuk kelas i berdasarkan jumlah ki terbanyak dari sampel.
3.6.
Perancangan Subsistem Pengenalan Nada Saksofon Alto
Sistem pengenalan nada saksofon alto memiliki dua subsistem yang penting yaitu subsistem sampling dan subsistem pengenalan nada. Perancangan subsistem tersebut memerlukan variabel terikat. Pengujian awal untuk mencari variabel tersebut dilakukan agar proses pengenalan dapat berhasil dengan waktu yang optimal. Pengujian ini menggunakan Matlab, karena dalam program tersebut sudah memiliki fungsi-fungsi yang menunjang subsistem dari sistem program pengenalan nada.
3.6.1.
Subsistem Sampling
Subsistem sampling terdiri dari dua variabel terikat yaitu frekuensi sampling dan durasi perekaman. Setelah melakukan pengujian awal, dapat disimpulkan:
a. Frekuensi sampling yang digunakan 4800Hz. Di ambil dari nilai dua kali dari frekuensi fundamental (Lampiran 1).
35
BAB IV
HASIL DAN PEMBAHASAN
Program yang telah dibuat perlu dilakukan sebuah pengujian. Pengujian berguna untuk mengetahui kinerja program tersebut dalam melakukan pengenalan nada. Pada pengujian akan diperoleh hasil pengujian berupa data-data. Data-data hasil pengujian menunjukan program yang telah dirancang dapat berjalan dengan baik atau tidak. Pada bab ini akan dilakukan analisa dan pembahasan pada data hasil pengujian yang telah diperoleh.
4.1.
Pengujian Program Pengenalan Nada Saksofon Alto menggunakan
FFT dan Pengklasifikasian K-NN dan Fungsi Jarak Simetrik
Probabilitas
2Perancangan program menggunakan software Matlab 7.6.0 (R2008a). Pada pengujian program menggunakan laptop dengan spesifikasi:
Prosesor : Intel® Pentium Inside CPU @ 2.40 GHz RAM : 2 GB
Tipe sistem : Sistem operasi 32 bit
Proses pengenalan nada saksofon alto dapat dilakukan dengan menjalankan langkah-langkah di bawah ini:
[image:55.595.87.527.265.641.2]1. Mengklik dua kali ikon Matlab pada layar desktop dengan gambar ikon seperti Gambar 4.1.
Gambar 4.1. Ikon Matlab 7.6.0 (R2008a)
Gambar 4.2. Tampilan Matlab
3. Sebelum membuka tampilan program, perlu memastikan terlebih dahulu pada
Current Directory sudah sesuai dengan tempat penyimpanan program yang telah dirancang.
4. Mengetikan perintah gui pada Command window untuk memunculkan tampilan program pengenalan nada. Setelah itu akan muncul tampilan program pengenalan nada seperti pada Gambar 4.3.
5. User memilih nilai variasi frame blocking, windowing koefisien dan nilai k pada K-NN yang akan digunakan terlebih dahulu sebelum melakukan pengenalan nada. Nilai variasi frame blocking yang disediakan adalah 16, 32, 64 dan 128. Nilai variasi windowing koefisisen yang disediakan adalah 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, 100%. Nilai variasi K-NN yang disediakan adalah 1, 3, 5 dan 7.
6. Apabila langkah 5 sudah dilakukan, user dapat memulai pengenalan nada dengan
[image:57.595.97.517.85.603.2]menekan tombol “RECORD”. Hasil pengenalan nada saksofon alto terlihat seperti pada gambar 4.4.
Gambar 4.4 Tampilan Hasil Pengenalan
7. Userdapat mengulang kembali pengenalan nada dengan menekan tombol “RESET”
dan mengulang kembali langkah 5 dan 6.
8. Userdapat mengakhiri pengenalan nada dengan menekan tombol “CLOSE”.
4.1.1.
Pengenalan Nada
pengaturan terlebih dahulu pada program pengenalan nada. Pengaturan yang perlu dilakukan adalah dengan memilih nilai nilai variasi frame blocking, windowing koefisien dan nilai k pada k-NN yang terdapat pada pop up menu. Setelah menentukan nilai variasi yang akan digunakan, user dapat memulai pengenalan nada dengan menekan tombol tekan
”RECORD”. Hasil pengenalan yang ditampilkan adalah plot perekaman, plot FFT, dan
nada yang berhasil dikenali. User dapat mengulang pengenalan nada dengan menekan
tombol “RESET” dan mengakhiri pengenalan dengan menekan tombol “CLOSE” seperti
yang telah dijelaskan di atas.
a. Pop Up Menu
Pada tampilan program pengenalan nada terdapat 3 pop up menu yaitu variasi
frame blocking, windowing koefisien dan nilai K-NN. Nilai variasi frame blocking yang ditampilkan pada pop up menu yaitu 16, 32, 64, 128. Nilai variasi windowing koefisien yang ditampilkan pada pop up menu yaitu 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% dan 100%. Pada variasi frame blocking menampilkan menjalankan perintah p
![Gambar 2.12 Algoritma kupu-kupu FFT DIT dua dimensi untuk DFT 8 Titik [20]](https://thumb-ap.123doks.com/thumbv2/123dok/819174.605102/35.595.98.512.68.599/gambar-algoritma-kupu-kupu-fft-dimensi-untuk-titik.webp)
