Identifikasi kerusakan mesin sepeda motor berdasarkan suara mesin menggunakan fitur linear predictive coding dan metode back propagation.

(1)

ABSTRAK

Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan

teknologi komunikasi berkembang sangat pesat, salah satunya adalah pengenalan

suara. Konsep pengenalan suara dapat diterapkan dalam beberapa bidang untuk

menyelesaikan beberapa permasalahan, diantaranya yaitu pengenalan suara mesin

sepeda motor. Terdapat berbagai macam pola suara mesin sepeda motor yang dapat

menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak masyarakat

pengguna sepeda motor yang tidak mengerti kerusakan yang terjadi pada mesin

sepeda motor. Dalam melakukan pengecekan dan perawatan mesin sepeda motor,

para teknisi bengkel sering kali lebih cepat mengetahui kerusakan yang terjadi pada

sebuah mesin sepeda motor hanya dengan mendengar suara mesin sepeda motor

tersebut. Oleh karena itu, pada penelitian ini akan dibuat sebuah aplikasi yang

mampu untuk mengklasifikasikan suara mesin sepeda motor berdasarkan suara

mesinnya.

Penelitian ini menggunakan fitur Linear Predictive Coding untuk proses

ekstraksi ciri suara dan metode Jaringan Syaraf Tiruan Back Propagation untuk

proses klasifikasi suara. Untuk jenis klasifikasi suara mesin sepeda motor dibagi

kedalam 4 kelompok yaitu mesin normal, mesin rusak katup/klep, mesin rusak

stang seher, dan mesin rusak rantai kamprat. Data yang akan digunakan adalah data

rekaman suara mesin sepeda motor dalam format .wav. Jumlah file rekaman suara

yang digunakan dalam proses mendapatkan pola suara sebanyak 200 data suara.

Berdasarkan percobaan pengujian variasi kombinasi ciri dan jumlah hidden

layer beserta jumlah neuron-nya, diperoleh hasil penelitian optimal yaitu akurasi

tertinggi sebesar 84% pada ciri orde 10 dengan 2 hidden layer, dengan jumlah

neuron pada hidden layer 1 sebanyak 28 dan jumlah neuron pada hidden layer 2

sebanyak 20.

Kata Kunci: Klasifikasi, Linear Predictive Coding, Jaringan Syaraf Tiruan Back

(2)

ABSTRACT

Intensive research in the field of signal processing causes communication

technology is growing very rapidly, one of which is the voice recognition. The

concept of voice recognition can be applied in several fields to resolve some

problems, among which is the voice recognition engine motorcycles. There are

various kind of motorcycle engine sound patterns that can indicate the type of

damage from a motorcycle engine. There are still many people who use motorcycles

do not understand the damage that occurs in a motorcycle engine. While checking

and maintenance the motorcycle engine, the technicians often more quickly find

damage to a motorcycle engine only from hearing the sound of a motorcycle engine.

Therefore, in this study will be made an application that is able to classify the sound

of motorcycle engine based on the engine sounds.

This study uses Linear Predictive Coding feature for feature extraction

process sound and method Back Propagation Neural Network for sound

classification process. For this type of motorcycle engine sound classification is

divided into 4 groups: normal machinery, machine broken valve, piston handlebar

broken machines and broken machines timing chain. The data of motorcycle engine

sound recordings will be used in .wav format. The number of voice recording files

used in the process of getting sound patterns as many as 200 voice data.

Based on the test trial variation combination of features and the number of

hidden layer along with the number of it neurons, the result of research is optimal

that the highest accuracy is 84% on the characteristic of order is 10 with two hidden

layers, the number of neurons in the hidden layer 1 is 28 and the number of neurons

in the hidden layer 2 is 20.

Keywords: Classification, Linear Predictive Coding, Back Propagation Neural

(3)

i

IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR

PREDICTIVE CODING DAN METODE BACK PROPAGATION HALAMAN JUDUL

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh:

Yosep Dio Dewantara 115314049

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

(4)

ii

DAMAGE IDENTIFICATION OF MOTORCYCLE ENGINES BASED ON ENGINE NOISE USING LINEAR PREDICTIVE CODING

FEATURES AND BACK PROPAGATION METHOD TITLE PAGE

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana

Komputer Degree in Informatics Engineering Department

By:

Yosep Dio Dewantara 115314049

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

(5)

(6)

(7)

v MOTTO

“Bangsa yang malas belajar, tidak akan bisa berkembang”

“Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari

betapa dekatnya mereka dengan keberhasilan saat mereka menyerah”

(8)

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, 23 November 2016

Penulis

(9)

vii

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

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

Nama : Yosep Dio Dewantara

NIM : 115314049

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:

IDENTIFIKASI KERUSAKAN MESIN SEPEDA MOTOR BERDASARKAN SUARA MESIN MENGGUNAKAN FITUR LINEAR

PREDICTIVE CODING DAN METODE BACK PROPAGATION

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 royalti kepada saya selama tetap mencantumkan nama

saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 23 November 2016

Penulis

(10)

viii ABSTRAK

teknologi komunikasi berkembang sangat pesat, salah satunya adalah pengenalan

suara. Konsep pengenalan suara dapat diterapkan dalam beberapa bidang untuk

menyelesaikan beberapa permasalahan, diantaranya yaitu pengenalan suara mesin

sepeda motor. Terdapat berbagai macam pola suara mesin sepeda motor yang

dapat menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak

masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang terjadi

pada mesin sepeda motor. Dalam melakukan pengecekan dan perawatan mesin

sepeda motor, para teknisi bengkel sering kali lebih cepat mengetahui kerusakan

yang terjadi pada sebuah mesin sepeda motor hanya dengan mendengar suara

mesin sepeda motor tersebut. Oleh karena itu, pada penelitian ini akan dibuat

sebuah aplikasi yang mampu untuk mengklasifikasikan suara mesin sepeda motor

berdasarkan suara mesinnya.

Penelitian ini menggunakan fitur Linear Predictive Coding untuk proses

ekstraksi ciri suara dan metode Jaringan Syaraf Tiruan Back Propagation untuk

proses klasifikasi suara. Untuk jenis klasifikasi suara mesin sepeda motor dibagi

kedalam 4 kelompok yaitu mesin normal, mesin rusak katup/klep, mesin rusak

stang seher, dan mesin rusak rantai kamprat. Data yang akan digunakan adalah

data rekaman suara mesin sepeda motor dalam format .wav. Jumlah file rekaman

suara yang digunakan dalam proses mendapatkan pola suara sebanyak 200 data

suara.

Berdasarkan percobaan pengujian variasi kombinasi ciri dan jumlah hidden

layer beserta jumlah neuron-nya, diperoleh hasil penelitian optimal yaitu akurasi

tertinggi sebesar 84% pada ciri orde 10 dengan 2 hidden layer, dengan jumlah

neuron pada hidden layer 1 sebanyak 28 dan jumlah neuron pada hidden layer 2

sebanyak 20.

Kata Kunci: Klasifikasi, Linear Predictive Coding, Jaringan Syaraf Tiruan Back

(11)

ix ABSTRACT

Intensive research in the field of signal processing causes communication

technology is growing very rapidly, one of which is the voice recognition. The

While checking and maintenance the motorcycle engine, the technicians often

more quickly find damage to a motorcycle engine only from hearing the sound of

a motorcycle engine. Therefore, in this study will be made an application that is

able to classify the sound of motorcycle engine based on the engine sounds.

This study uses Linear Predictive Coding feature for feature extraction

process sound and method Back Propagation Neural Network for sound

classification process. For this type of motorcycle engine sound classification is

divided into 4 groups: normal machinery, machine broken valve, piston handlebar

broken machines and broken machines timing chain. The data of motorcycle

engine sound recordings will be used in .wav format. The number of voice

recording files used in the process of getting sound patterns as many as 200 voice

data.

Based on the test trial variation combination of features and the number of

hidden layer along with the number of it neurons, the result of research is optimal

that the highest accuracy is 84% on the characteristic of order is 10 with two

hidden layers, the number of neurons in the hidden layer 1 is 28 and the number

of neurons in the hidden layer 2 is 20.

Keywords: Classification, Linear Predictive Coding, Back Propagation Neural

(12)

x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga

penulis dapat menyelesaikan tugas akhir dengan judul “Identifikasi Kerusakan Mesin Sepeda Motor Berdasarkan Suara Mesin Menggunakan Fitur Linear

Predictive Coding dan Metode Back Propagation”. 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, Fransiskus Xaverius Suprapto dan Fransiska Yohanna Layola

Manik, serta keluarga yang telah memberikan dukungan spiritual dan

material.

3. Dr. Cyprianus Kuntoro Adi, SJ., 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. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik

Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada

penulis.

6. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. 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

(13)

xi

8. Pemilik Bengkel Rejo, Mas Wawan, dan Mas Cuweng selaku pemilik

bengkel sepeda motor atas bantuannya terhadap penulis dalam

mengumpulkan data untuk penelitian ini serta membantu memberi informasi

yang dibutuhkan dalam penelitian ini.

9. Mas Yanuar, Mas Susilo dan Mas Danang selaku laboran Teknik

Informatika, atas bantuannya menyediakan tempat untuk mengerjakan tugas

akhir.

10. Bagus, Rio, Beny, Valen, Rifki, Agung, Be, Priska, Lukas, Tea, Kevin,

Dion dan teman-teman lainnya yang telah berjuang bersama serta saling

memberi dukungan semangat, doa dalam menyelesaikan penelitian ini.

11. Teman-teman Teknik Informatika 2011 Sanata Dharma, terima kasih atas

semangat dan perjuangan bersama yang telah kalian berikan kepada satu

sama lain.

12. Teman-temanku selain dari prodi TI, terima kasih atas dukungan yang telah

kalian berikan.

13. 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. Akhir kata, penulis berharap tulisan ini dapat berguna bagi

perkembangan ilmu pengetahuan dan wawasan pembaca.

Penulis,

(14)

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 ... xiv

DAFTAR GAMBAR ... xvi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Tujuan ... 3

1.4 Batasan Masalah ... 4

1.5 Sistematika Penulisan ... 4

BAB II LANDASAN TEORI ... 6

2.1 Mesin Sepeda Motor ... 6

2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara ... 7

2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor ... 11

2.3 Audio/Suara ... 12

2.4 Ekstraksi Ciri Sinyal Suara ... 13

(15)

xiii

2.5 Jaringan Syaraf Tiruan ... 16

2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation ... 18

2.6 K-Fold Cross Validation ... 24

2.7 Confusion Matrix ... 24

BAB III METODOLOGI PENELITIAN ... 26

3.1 Data ... 26

3.2 Perancangan Sistem ... 31

3.2.1 Ekstraksi Ciri ... 32

3.2.2 Pelatihan dan Pengujian Arsitektur JST ... 36

3.2.3 Klasifikasi dan Uji Data Tunggal ... 42

3.3 Kebutuhan Sistem ... 43

3.4 Perancangan Atarmuka Sistem ... 44

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ... 47

4.1 Implementasi Sistem ... 47

4.1.1 Visualisasi Proses Ekstraksi Ciri ... 47

4.1.2 Tampilan Antarmuka Aplikasi ... 54

4.2 Analisis Hasil Penelitian ... 58

4.2.1 Pengujian Variasi Arsitektur Jaringan ... 58

4.2.2 Pengujian Data Tunggal ... 94

BAB V PENUTUP ... 95

5.1 Kesimpulan ... 95

5.2 Saran ... 95

DAFTAR PUSTAKA ... 96

(16)

xiv

DAFTAR TABEL

Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor ... 11

Tabel 2.2 Confusion Matrix 2 Kelas (Tan, Steinbach, & Kumar, 2006) ... 25

Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri ... 36

Tabel 3.2 Five-Fold Cross Validation ... 37

Tabel 3.3 Jumlah Data Input Arsitektur Jaringan ... 40

Tabel 4.1 Hasil Akurasi Seluruh Percobaan Pengujian ... 60

Tabel 4.2 Confusion Matrix Percobaan Pengujian Orde 10, Jumlah Neuron

Tabel 4.9 Hasil Akurasi Orde 10, Hidden Layer 1 ... 70

Tabel 4.11 Hasil Akurasi Orde 10+, Hidden Layer 1 ... 72

Tabel 4.13 Hasil Akurasi Orde 10++, Hidden Layer 1 ... 74

(17)

xv

(18)

xvi

DAFTAR GAMBAR

Gambar 2.1 Blok Silinder (Sutiman & Solikin, 2005) ... 6

Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005) ... 8

Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)... 9

Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)... 10

Gambar 2.5 Rantai Kamprat (Sutiman & Solikin, 2005) ... 10

Gambar 2.6 frame blocking (Khrisnadi, 2005) ... 14

Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005) ... 17

Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005) ... 18

Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005) ... 19

Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor ... 27

Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Normal ... 28

Gambar 3.6 Diagram Blok Sistem ... 32

Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri... 33

Gambar 3.8 Arsitektur JST 1 Hidden Layer ... 38

Gambar 3.9 Arsitektur JST 2 Hidden Layer ... 39

Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal ... 42

Gambar 3.11 Tampilan Antarmuka Sistem ... 44

Gambar 4.1 Hasil Baca File Suara .wav ... 47

Gambar 4.2 Grafik Sinyal Data Suara Setelah Fungsi wavread() ... 48

Gambar 4.3 Data Hasil Proses Frame Blocking ... 48

Gambar 4.4 Grafik Sinyal Data Hasil Proses Frame Blocking ... 49

Gambar 4.5 Data Hasil Proses Windowing ... 49

Gambar 4.6 Grafik Sinyal Data Hasil Proses Windowing ... 50

Gambar 4.7 Data Hasil Konversi ... 50

Gambar 4.8 Data Hasil Proses Analisis Autokorelasi ... 50

Gambar 4.9 Grafik Sinyal Data Hasil Proses Analisis Autokorelasi Orde 8 ... 51

Gambar 4.10 Data Koefisien LPC Orde 8 ... 51

(19)

xvii

Gambar 4.12 Data Delta LPC Orde 8 ... 52

Gambar 4.13 Data Delta Delta LPC Orde 8 ... 52

Gambar 4.14 Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 ... 53

Gambar 4.15 Grafik Sinyal Data Gabungan Hasil Ekstraksi Ciri LPC Orde 8 .... 53

Gambar 4.16 Tampilan Menu Utama Aplikasi ... 54

Gambar 4.17 Tampilan Proses Ekstraksi Ciri LPC ... 55

Gambar 4.18 Hasil Ekstraksi Ciri 200 Data Suara ... 55

Gambar 4.19 Tampilan Proses Pelatihan dan Pengujian Arsitektur JST ... 56

Gambar 4.20 Tampilan Pelatihan 2 Hidden Layer... 56

Gambar 4.21 Tampilan Pelatihan 1 Hidden Layer... 56

Gambar 4.22 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Katup/Klep ... 57

Gambar 4.23 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Normal .... 57

Gambar 4.24 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Rantai Kamprat ... 57

Gambar 4.25 Tampilan Hasil Klasifikasi Suara Mesin Sepeda Motor Rusak Stang Seher/Batang Piston ... 57

Gambar 4.26 Grafik Perubahan Hasil Akurasi Keseluruhan Percobaan ... 61

Gambar 4.27 Grafik Perubahan Akurasi Orde 8, Hidden Layer 1 ... 64

Gambar 4.29 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 1 ... 66

Gambar 4.30 Grafik Perubahan Akurasi Orde 8+ , Hidden Layer 2 ... 67

Gambar 4.31 Grafik Perubahan Akurasi Orde 8++, Hidden Layer 1 ... 68

Gambar 4.35 Grafik Perubahan Akurasi Orde 10+, Hidden Layer 1 ... 72

(20)

xviii

(21)

1

1 BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan ilmu pengetahuan dan teknologi meningkat dengan

cepat. Dalam ilmu pengetahuan dan teknologi khususnya pada bidang

komunikasi, pengolahan sinyal memiliki peranan yang sangat penting.

teknologi komunikasi berkembang sangat pesat. Salah satunya adalah

pengenalan suara. Konsep pengenalan suara dapat diterapkan dalam

beberapa bidang untuk menyelesaikan beberapa permasalahan. Diantaranya

yaitu pengenalan suara mesin kendaraan terutamanya mesin sepeda motor.

Terdapat berbagai macam pola suara mesin sepeda motor yang dapat

menunjukkan jenis kerusakan dari mesin sepeda motor. Masih banyak

masyarakat pengguna sepeda motor yang tidak mengerti kerusakan yang

terjadi pada mesin sepeda motor mereka, hingga menyebabkan mesin

sepeda motor semakin rusak karena dibiarkan begitu saja. Selain itu

kerusakan pada mesin sepeda motor sering terjadi akibat kelalaian dalam

melakukan perawatan. Untuk penggunaan sepeda motor yang baik,

diperlukan perawatan mesin sepeda motor secara berkala. Dalam melakukan

pengecekan dan perawatan mesin sepeda motor, para teknisi bengkel sering

kali lebih cepat mengetahui kerusakan yang terjadi pada sebuah mesin

sepeda motor hanya dengan mendengar suara mesin sepeda motor tersebut.

Hal ini mereka lakukan untuk mempercepat dalam mendiagnosa kerusakan

mesin sepeda motor tanpa harus membongkar mesin terlebih dahulu.

Pada tahun 2011, terdapat penelitian yang dilakukan oleh sekelompok

mahasiswa Teknik Elektro Universitas Jendral Soedirman, mengenai sistem

pendeteksian kerusakan mesin sepeda motor 4-langkah berbasis suara

menggunakan Support Vector Machine (SVM). Dari penelitian tersebut

(22)

baik melalui suara dan penggunaan SVM dalam proses identifikasi suara

mampu memberikan ketepatan pendeteksian hingga mencapai 100%

(Susilawati, dkk 2011). Pada tahun 2007, terdapat penelitian yang dilakukan

oleh sekelompok mahasiswa Teknik Elektro Sekolah Tinggi Teknologi

Telkom, mengenai pengenalan suara jantung menggunakan metode LPC

dan JST-BP. Dari penelitian tersebut diketahui bahwa metode ekstraksi ciri

menggunakan LPC memberikan hasil yang menjanjikan untuk pengenalan

suara secara otomatis, sehingga tingkat keberhasilan pada saat pendeteksian

semakin tinggi. Hal tersebut terbukti dengan nilai sensitivitas total untuk

klasifikasi 4 kelas TP adalah 96.55% (Anggraeni, dkk 2007). Pada tahun

2012, terdapat penelitian yang dilakukan oleh sekelompok mahasiswa

Teknik Elektro Universitas Diponegoro, mengenai Aplikasi Pencirian

Dengan Linear Predictive Coding Untuk Pembelajaran Pengucapan Nama

Hewan Dalam Bahasa Inggris Menggunakan Jaringan Syaraf Tiruan

Propagasi Balik. Dari penelitian tersebut di peroleh kesimpulan bahwa

metode Jaringan Syaraf Tiruan Propagasi Balik mampu untuk mengenali

pola suara dengan tingkat pengenalan yang tinggi, terbukti dengan

presentasi benar antara 80-99% (Rohman, dkk 2012).

Berdasarkan beberapa penelitian diatas, untuk mengatasi

permasalahan tentang identifikasi kerusakan mesin sepeda motor tersebut,

maka dalam penelitian ini akan dibuat sebuah aplikasi yang mampu untuk

mengidentifikasi kerusakan mesin sepeda motor berdasarkan suara mesin

dengan menggunakan fitur Linear Predictive Coding (LPC) untuk proses

ekstraksi ciri suara dan untuk pengenalan pola sinyal suara menggunakan

metode Jaringan Saraf Tiruan Back Propagation. Dengan adanya sistem ini

diharapkan dapat membantu masyarakat yang kurang mengerti dengan

mesin sepeda motor untuk dapat mengidentifikasi sendiri kerusakan mesin

sepeda motor mereka dan juga dapat membantu khususnya teknisi mesin

(23)

1.2 Rumusan Masalah

Berdasarkan permasalahan yang diuraikan pada latar belakang diatas,

maka diperoleh rumusan masalah dari penelitian ini yaitu:

1. Bagaimana metode Jaringan Syaraf Tiruan Back Propagation mampu

untuk mengenali kerusakan mesin sepeda motor berdasarkan suara

mesin dengan cepat dan tepat.

2. Berapakah akurasi tertinggi yang dapat dihasilkan oleh metode Jaringan

Syaraf Tiruan Back Propagation dalam mengklasifikasikan suara mesin

sepeda motor.

Hasil ekstraksi ciri menggunakan fitur LPC diharapkan mampu untuk

menunjukkan perbedaan antar karakter masing-masing suara mesin, yang

dapat mempermudah metode Jaringan Syaraf Tiruan Back Propagation

dalam melakukan klasifikasi untuk setiap suara mesin sepeda motor.

1.3 Tujuan

Tujuan dari penelitian ini adalah membuat aplikasi yang mampu:

1. Melakukan ekstraksi ciri file suara mesin menggunakan fitur LPC untuk

mendapatkan perbedaan karakter suara pada masing-masing jenis

kerusakan mesin

2. Mengklasifikasikan file suara mesin berdasarkan jenis kerusakan mesin

menggunakan metode Jaringan Syaraf Tiruan Back Propagation.

Aplikasi ini kiranya akan sangat berguna dikemudian hari untuk

membantu masyarakat dan khususnya para teknisi mesin sepeda motor

(24)

1.4 Batasan Masalah

Untuk membahas topik yang lebih terarah dan terfokus pada tujuan

yang akan dicapai, maka batasan masalahnya adalah sebagai berikut :

1. Input data berupa file rekaman suara dalam bentuk format “.wav” dengan frekuensi rate 44,100 hz, dengan panjang data suara selama 3

detik.

2. Proses pengidentifikasian kerusakan mesin sepeda motor dibagi

kedalam 4 jenis yaitu mesin sepeda motor normal, kerusakan katup/klep

sepeda motor, kerusakan rantai kamprat sepeda motor, dan kerusakan

batang piston/stang seher sepeda motor.

3. Mesin sepeda motor yang diidentifikasi yaitu mesin sepeda motor bebek 4-tak non injeksi dan non matic, dengan tahun keluaran diatas

tahun 2000, volume silinder 110-150cc dan kondisi oli mesin serta

knalpot dalam keadaan normal/standard.

1.5 Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab

dengan susunan sebagai berikut :

BAB I : PENDAHULUAN

Pada bab ini dijelaskan mengenai latar belakang masalah yang

mendorong dibangunnya sistem, rumusan masalah, tujuan dibangunnya

sistem, batasan masalah dalam dibangunnya sistem, dan sistematika

penulisan yang digunakan dalam menyelesaikan penelitian tugas akhir ini.

BAB II : LANDASAN TEORI

Pada bab ini akan diuraikan mengenai teori – teori dasar serta metode

yang digunakan dalam pembangunan sistem pada penelitian ini beserta

dengan teori – teori pendukung lainnya. Teori tersebut antara lain mengenai

teori Linear Predictive Coding (LPC) untuk ekstraksi ciri sinyal suara, dan

(25)

proses pengenalan pola sinyal suara, yang akan digunakan dalam

perancangan sistem.

BAB III : METODOLOGI PENELITIAN

Pada bab ini akan dibahas mengenai analisa dan perancangan hal – hal

atau komponen – komponen yang akan digunakan untuk melakukan

penelitian, serta perancangan sistem secara lengkap.

BAB IV : IMPLEMENTASI DAN ANALISA HASIL

Pada bab ini akan dijelaskan mengenai implementasi sistem, sarana

yang dibutuhkan, penerapan rancangan yang telah dibuat dalam suatu

program, cara pengoperasian sistem, hasil implementasi, serta analisis dan

evaluasi dari hasil implementasi.

BAB V : PENUTUP

Pada bab ini akan digambarkan kesimpulan dari seluruh penelitian dan

(26)

6

2 BAB II

LANDASAN TEORI

Bab ini berisi penjabaran mengenai teori – teori yang mendukung dalam

penelitian ini. Teori – teori yang digunakan dalam penelitian ini yaitu teori mesin

sepeda motor, teori audio/suara, proses ekstraksi ciri sinyal suara menggunakan

fitur Linear Predictive Coding (LPC), metode untuk pengenalan pola sinyal suara

menggunakan Jaringan Saraf Tiruan khususnya model Back Propagation, teori

K-Fold Cross Validation, dan teori Confussion Matrix.

2.1 Mesin Sepeda Motor

Mesin merupakan penghasil tenaga pada suatu kendaraan bermotor,

termasuk sepeda motor. Sepeda motor adalah kendaraan beroda dua yang

digerakkan oleh sebuah mesin. Letak kedua roda sebaris lurus dan pada

kecepatan tinggi sepeda motor tetap stabil disebabkan oleh gaya giroskopik.

Mesin mempunyai komponen utama berupa silinder blok, silinder kop,

dan karter (khusus motor 4 tak). Masing-masing komponen tersebut,

terutama pada komponen pertama dan kedua masih dapat dirinci lagi

menjadi beberapa sub-komponen. Di samping itu, masing-masing

komponen tersebut di atas mempunyai fungsi tertentu, sesuai dengan cara

kerja suatu motor. Salah satu komponen dalam mesin sepeda motor yaitu

blok silinder. Blok silinder bisa dikatakan bagian yang penting pada suara

mesin. Blok silinder tempat piston bergerak bolak balik dan tempat

beberapa komponen kelistrikan dipasangkan (Sutiman & Solikin, 2005).

(27)

Selain itu, terdapat komponen-komponen yang disebut komponen

bergerak, yang mempengaruhi suara dari mesin sepeda motor. Diantaranya

piston, ring piston, batang piston, poros engkol (crankshaft), katup/klep, dan

rantai kamprat (Sutiman & Solikin, 2005). Suara yang ditimbulkan oleh

bergeraknya komponen-komponen tersebut dapat menunjukkan kondisi dari

mesin sepeda motor tersebut. Jika mesin sepeda motor dalam kondisi

normal maka suara mesin menunjukkan seluruh komponen bekerja dengan

baik, namun apabila terjadi kerusakan terhadap beberapa komponen, maka

akan timbul suara-suara yang berbeda dari komponen tersebut. Berikut

beberapa kondisi mesin sepeda motor berdasarkan perbedaan suara

bergeraknya komponen-komponen dalam mesin sepeda motor.

2.1.1 Kondisi Mesin Sepeda Motor Berdasarkan Suara

Secara umum, berbagai macam cara dapat dilakukan untuk

mengetahui kondisi dari mesin sepeda motor. Beberapa cara yang

dapat dilakukan antara lain dengan langsung mengecek mesin sepeda

motor dengan membongkar langsung mesin atau hanya dengan

mendengar suara mesin sepeda motor tersebut. Kebanyakan yang

dilakukan oleh para teknisi bengkel dan masyarakat yang mengerti

akan mesin sepeda motor adalah dengan mendengar langsung suara

mesin sepeda motor. Hal tersebut dikarenakan lebih mudah dan

cepat untuk mendiagnosa kerusakan yang terjadi pada mesin sepeda

motor. Berbagai macam alat dapat digunakan untuk membantu

dalam mengidentifikasi kerusakan mesin sepeda motor secara

manual melalui suara, diantaranya adalah menggunakan stetoskop

mekanik hingga menggunakan batang besi ataupun obeng yang

ditempelkan langsung ke mesin sepeda motor dan ke telinga

manusia.

Dari banyaknya kondisi pada mesin sepeda motor, terdapat

beberapa jenis suara yang sering diidentifikasi melalui suara mesin,

(28)

2.1.1.1 Mesin Sepeda Motor Normal

Apabila kondisi mesin sepeda motor dalam keadaan

normal, maka suara mesin akan terasa halus tanpa ada

bunyi – bunyian yang mengganggu (noise) ketika mesin

dinyalakan hingga rpm menunjuk angka 3000rpm. Tidak

terdapat suara kasar yang timbul dari bergeraknya

komponen-komponen dalam mesin sepeda motor (Sutiman

& Solikin, 2005).

Gambar 2.2 Mesin Sepeda Motor (Sutiman & Solikin, 2005)

2.1.1.2 Kerusakan Batang Piston/Stang Seher Pada Mesin Sepeda Motor

Batang piston sering juga disebut dengan setang

seher, berfungsi menghubungkan piston dengan poros

engkol. Batang piston meneruskan gerakan piston ke poros

engkol, dimana gerak bolak-balik piston dalam ruang

silinder diteruskan oleh batang piston menjadi gerak putaran

(rotary) pada poros engkol. Ini berarti jika piston bergerak

naik turun, poros engkol akan berputar. Dalam pergerakan

batang piston timbul suara yang menandakan poros engkol

sedang berputar. Dalam keadaan normal suara yang timbul

akan terdengar halus, namun apabila batang piston dalam

keadaan longgar atau bahkan patah, maka akan muncul

suara berisik pada mesin. Hal ini menandakan mesin sepeda

(29)

Gambar 2.3 Batang Piston/Stang Seher (Sutiman & Solikin, 2005)

2.1.1.3 Kerusakan Katup/Klep Pada Mesin Sepeda Motor

Katup digerakkan oleh mekanisme katup, yang terdiri

atas poros cam, batang penekan, pegas penutup, dan rol

baut penyetel. Katup pada motor empat langkah (4 tak)

terpasang pada kepala silinder. Tugas katup untuk

membuka dan menutup ruang bakar. Setiap silinder

dilengkapi dengan dua jenis katup (hisap dan buang).

Fungsi katup sebenarnya untuk memutuskan dan

menghubungkan ruang silinder di atas piston dengan udara

luar pada saat yang dibutuhkan. Karena proses pembakaran

gas dalam silinder mesin harus berlangsung dalam ruang

bakar yang tertutup rapat. Jika sampai terjadi kebocoran gas

meski sedikit, maka proses pembakaran akan terganggu.

Oleh karenanya katup-katup harus tertutup rapat pada saat

pembakaran gas berlangsung. Setelan katup yang sudah

longgar bisa menyebabkan suara mesin sepeda motor

terdengar berisik. Suara berisik akan semakin terdengar

ketika putaran gas semakin ditinggikan. Selain itu, setelan

katup yang lemah juga menjadi penanda kerusakan suatu

(30)

Gambar 2.4 Katup/Klep (Sutiman & Solikin, 2005)

2.1.1.4 Kerusakan Rantai Kamprat Pada Mesin Sepeda Motor

Agar pembukaan katup-katup sesuai dengan proses

yang terjadi dalam ruang bakar maka mekanisme

pembukaan dan penutupan katup-katup tersebut digerakkan

oleh putaran poros engkol. Ada tiga macam mekanisme

penggerak katup, yaitu dengan batang pendorong, roda gigi,

dan rantai kamprat. Rantai kamprat sepeda motor harus

dipasang dengan tegangan yang cukup. Rantai kamprat

yang terlalu tegang akan menimbulkan bunyi mendesing

terutama pada putaran tinggi sedangkan rantai kamprat yang

terlalu kendor akan menimbulkan suara berisik. Jika

kekencangan rantai berubah-ubah, akan berpengaruh pada

putaran mesin, valve timing atau saat pengapian akan

berubah-ubah pula. Oleh sebab itu, suara berisik pada rantai

kamprat dapat menunjukkan kerusakan pada mesin

(Sutiman & Solikin, 2005).

(31)

2.2 Daftar Istilah Resmi Dalam Mesin Sepeda Motor

Berikut ini beberapa kata atau istilah penting dalam mesin sepeda

motor yang disesuaikan dengan bahasa yang digunakan oleh teknisi mesin

secara umum (Sutiman & Solikin, 2005).

Tabel 2.1 Tabel Istilah-Istilah Resmi Dalam Mesin Sepeda Motor

Istilah Keterangan

CC Cubic Capacity (Kapasitas Kubik), satuan yang

digunakan untuk mengukur mesin.

Knalpot

Pipa dibagian belakang motor tempat membuang

gas-gas beracun yang terbentuk saat bensin

dibakar. Knalpot juga digunakan untuk

mengurangi kebisingan mesin.

RPM Revolution Per Minute, banyaknya putaran pada

mesin dalam satu menit.

Silinder

Bagian dari mesin dimana bahan bakar diolah

untuk menjadi tenaga untuk menjalankan sepeda

motor

Seher Piston atau torak.

Stang Seher

Connecting Rod (Batang Piston), adalah

penghubung antara piston dan poros engkol,

yang berfungsi untuk mengubah gerakan bolak

balik piston menjadi gerak putar.

Poros Engkol

Crankshaft, berfungsi meneruskan daya yang

didapat dari piston ke penggerak roda. Disinilah

putaran mesin terjadi.

Rantai Kamprat

Timing Chain (Rantai Keteng), berfungsi untuk

memutar camshaft sehingga didapat pembukaan

dan penutupan katup dengan waktu yang tepat

sesuai putaran mesin dan langkah kerja mesin.

(32)

valve (gerakan membuka dan menutup).

Klep

Valve (Katup), berfungsi untuk mengatur keluar

masuk udara dan bahan bakar kedalam dan

keluar silinder.

2.3 Audio/Suara

Audio atau suara merupakan gelombang yang mengandung sejumlah

komponen penting (amplitudo, panjang gelombang dan frekuensi) yang

dapat menyebabkan suara yang satu berbeda dari suara lain. Amplitudo

adalah kekuatan atau daya gelombang sinyal. Tinggi gelombang bisa dilihat

dalam sebuah grafik. Gelombang yang lebih tinggi diinterpretasikan sebagai

volume yang lebih tinggi. Suara beramplitudo lebih besar akan terdengar

lebih keras. Frekuensi adalah jumlah dari siklus yang terjadi dalam satu

detik. Satuan dari frekuensi adalah Hertz atau disingkat Hz. Getaran

gelombang suara yang cepat membuat frekuensi semakin tinggi. Misalnya,

bila menyanyi dalam pita suara tinggi memaksa tali suara untuk bergetar

secara cepat. Suara dengan frekuensi lebih besar akan terdengar lebih tinggi.

Gelombang suara adalah gelombang yang dihasilkan dari sebuah

benda yang bergetar. Sebagai contoh, senar gitar yang dipetik, gitar akan

bergetar dan getaran ini merambat di udara, atau air, atau material lainnya.

Satu-satunya tempat dimana suara tak dapat merambat adalah ruangan

hampa udara. Gelombang suara ini memiliki lembah dan bukit, satu buah

lembah dan bukit akan menghasilkan satu siklus atau periode. Siklus ini

berlangsung berulang-ulang, yang membawa pada konsep frekuensi.

Telinga manusia dapat mendengar bunyi antara 20 Hz hingga 20 kHz

(20.000 Hz) sesuai batasan sinyal audio. Karena pada dasarnya sinyal suara

adalah sinyal yang dapat diterima oleh telinga manusia. Angka 20 Hz

sebagai frekuensi suara terendah yang dapat didengar, sedangkan 20 KHz

merupakan frekuensi tertinggi yang dapat didengar. Gelombang suara

bervariasi sebagaimana variasi tekanan media perantara seperti udara. Suara

diciptakan oleh getaran dari suatu obyek, yang menyebabkan udara

(33)

telinga manusia bergetar, yang kemudian oleh otak dianggap sebagai suara

(Sutara, 2014).

2.4 Ekstraksi Ciri Sinyal Suara

Untuk mengekstraksi sinyal dari suara mesin sepeda motor, dalam

penelitian ini digunakan fitur Linear Predictive Coding (LPC). Proses ini

merupakan tahapan penting dalam klasifikasi suara mesin sepeda motor.

Dari proses ini akan diperoleh ciri sinyal suara untuk membedakan tiap jenis

suara mesin berdasarkan orde yang ditentukan. Berikut ini teori mengenai

fitur LPC.

2.4.1 Linear Predictive Coding (LPC)

Linear Predictive Coding (LPC) merupakan salah satu teori

dalam digital signal processing. Linear Predictive Coding (LPC)

secara sederhana adalah suatu sistem pengkodean (coding) untuk

mengkodekan sinyal menjadi suatu sistem kode tertentu. Sistem

kode ini adalah pemodelan dari sinyal suara tersebut dalam bentuk

yang lain. Jadi, dari sinyal suara yang mula-mula berupa amplitudo

berbasis time domain, diubah menjadi model tertentu. Model yang

dihasilkan ini adalah berupa koefisien-koefisien filter synthesizer

setelah melalui tahapan-tahapan pada proses LPC.

Prinsip dasar dari ekstraksi ciri sinyal dengan menggunakan

LPC adalah bahwa contoh sinyal ucapan s(n) pada waktu ke-n dapat

diperkirakan sebagai kombinasi linear p sampel sinyal ucapan

sebelumnya yaitu :

s n ≈ s n − + s n − + ⋯ + s n − p (2.1) dimana, koefisien , , … , diasumsikan konstan untuk satu

frame analisa sinyal suara (Khrisnadi, 2005).

Langkah-langkah proses analisis LPC untuk mendapatkan

koefisien LPC pada proses ekstraksi ciri sinyal suara, yang

(34)

1. Frame Blocking

Sinyal suara yang telah dimasukkan diblok atau dibagi ke

dalam beberapa frame yang terdiri dari N-sampel suara, dengan

jarak antara frame yang berdekatan dipisahkan oleh M-sampel.

Jika M ≤ N, maka beberapa frame yang berdekatan akan saling overlap dan hasil estimasi spektral LPC akan berkorelasi dari frame ke frame. Sebaliknya, jika M > N, maka tidak akan ada overlap antara frame yang berdekatan sehingga beberapa isyarat

sinyal suara akan hilang total.

Sebagai contoh, setiap frame 30 ms dengan overlap pada 20 ms.

Gambar 2.6 frame blocking (Khrisnadi, 2005)

2. Windowing

Windowing digunakan untuk mengurangi discontinuitas

sinyal pada awal dan akhir frame. Windowing dilakukan pada

setiap frame yang didapat dari frame blocking. Teknik

windowing yang biasa digunakan adalah “Hamming Window”

dengan persamaan :

= , − , �₋ , ≤ ≤ � − (2.2)

Jika window didefinisikan sebagai w(n), maka hasil dari

penjendelaan sinyal adalah :

(35)

3. Analisis Autokorelasi

Setiap frame dari sinyal setelah melalui proses windowing,

kemudian dikonversi menjadi sebuah matriks 1 x (panjang 1

frame). Lalu dilakukan analisis autokorelasi dengan rumus

sebagai berikut :

= ∑ − − ̃ ̃ +

= , = , , … (2.4)

Dengan nilai autokorelasi tertinggi p adalah orde LPC. Nilai p

biasanya antara 8 sampai 16.

4. Analisis LPC

Proses selanjutnya adalah analisis LPC, yang mengubah

hasil dari analisis autokorelasi p+1 ke dalam bentuk

parameter-parameter LPC atau yang biasa disebut dengan koefisien LPC.

Metode yang biasa digunakan dalam analisis LPC ini adalah

metode Levinson-Durbin yang mempunyai algoritma sebagai

berikut (Rohman dkk, 2012) :

�

=

(2.5)

=

{ −∑�−1−1 ₋₁−1 | − | }

, ≤ ≤

(2.6)

=

(2.7)

=

−

₋−

, ≤ ≤ −

(2.8)

� =

−

�

−

_(2.9)

Dengan menyelesaikan persamaan 2.5 sampai 2.9 secara

rekursif untuk i = 1,2,….,p , koefisien LPC diperoleh sebagai

berikut :

(36)

5. Nilai delta () dari Koefisien LPC

Hasil dari koefisien LPC kemudian dicari nilai delta-nya

dengan menghitung nilai turunannya. Untuk menghitung nilai

delta-nya digunakan persamaan berikut ini (Ellis, 2003):

∆ =

+

−

− (2.11)

Dimana D mewakili jumlah dari frame untuk menutup

kedua sisi frame saat ini dan dengan demikian dapat mengontrol

window Y dengan pembedaan operasi. D diset bernilai 1 atau 2.

ΔYt adalah koefisien delta yang dihitung dari frame t untuk

vektor fitur LPC. Nilai dari delta diatas akan diturunkan lagi

menjadi nilai delta delta. Berikut ini adalah persamaannya :

∆∆ = ∆

₊

− ∆

₋

(2.12)

Hasil dari perhitungan delta dan delta delta akan

ditambahkan ke vector ciri yang sudah berisi koefisien LPC tadi,

sehingga menghasilkan vector ciri yang lebih besar.

2.5 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang

memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2005).

Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model

matematika dari jaringan syaraf biologis, dengan asumsi bahwa :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirimkan diantara 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

(37)

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 merupakan salah satu hal penting dalam Jaringan

Syaraf Tiruan. Berikut ini beberapa arsitektur jaringan yang sering

digunakan dalam Jaringan Syaraf Tiruan :

1. Jaringan Lapis Tunggal

Dalam jaringan ini, sekumpulan input neuron dihubungkan

langsung dengan sekumpulan output-nya. Dalam jaringan lapis tunggal,

bobot satu unit keluaran tidak mempengaruhi bobot unit keluaran

lainnya.

Gambar 2.7 Ilustrasi Arsitektur Jaringan Lapis Tunggal (Siang, 2005)

Pada gambar 2.7 terdapat n unit input , , … , dan m buah

unit output (� , � , … , � ). Kemudian ( , , … , ) menyatakan

bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam

output. Selama proses pelatihan, bobot-bobot tersebut akan

dimodifikasi untuk memperoleh keakuratan hasil yang maksimal.

(38)

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.

Gambar 2.8 Ilustrasi Arsitektur Jaringan Lapis Majemuk (Siang, 2005)

Pada gambar 2.8 terdapat n buah unit input , , … , dan m

buah unit output (� , � , … , � ), sebuah lapis tersembunyi yang terdiri

dari p buah unit ( , … , ). Jaringan ini dapat menyelesaikan masalah

yang lebih kompleks.

2.5.1 Jaringan Syaraf Tiruan Propagasi Balik / Back Propagation

Jaringan Syaraf Tiruan Back Propagation pada umumnya

membandingkan perhitungan keluaran Jaringan Syaraf Tiruan

dengan target keluaran dan menghitung nilai error untuk setiap unit

jaringan. Back Propagation adalah salah satu algoritma yang

menggunakan metode terawasi (supervised learning), dan termasuk

jaringan MLP (Multi Layer Perceptron) / Jaringan Lapis Majemuk.

Metode ini merupakan salah satu metode yang sangat baik dalam

menangani masalah pengenalan pola-pola kompleks. Di dalam

(39)

dengan setiap unit yang ada di lapisan tersembunyi. Sedangkan

setiap unit di lapisan tersembunyi berhubungan dengan setiap unit di

lapisan output.

Dalam pola pelatihannya, jaringan ini akan diberi input-an

yang akan diteruskan ke dalam layar tersembunyi dan menuju hingga

output. Ketika hasil keluaran ternyata tidak sesuai dengan harapan

maka keluaran akan kembali disebarkan mundur (backward) pada

lapisan tersembunyi hingga menuju input. Tahap selanjutnya adalah

dengan melakukan perubahan bobot. Iterasi ini terus dilakukan

hingga ditemukan penyelesaian yang optimal (Siang, 2005).

1. Arsitektur Back Propagation

Gambar 2.9 Ilustrasi Arsitektur Back Propagation (Siang, 2005)

Gambar 2.9 merupakan arsitektur jaringan syaraf tiruan

back propagation dengan n buah input ditambah sebuah bias,

sebuah lapis tersembunyi yang terdiri dari p unit ditambah

sebuah bias, dan sebuah lapis unit keluaran.

2. Fungsi Aktivasi

Dalam jaringan syaraf tiruan back propagation, fungsi

aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu :

(40)

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat

tersebut sehingga sering dipakai adalah fungsi sigmoid biner

yang memiliki range (0,1).

= ₊ _−� dengan turunan ′ = ( − ) (2.13)

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk

pola yang targetnya > 1, pola masukkan dan keluaran harus

terlebih dahulu ditransformasi sehingga semua polanya memiliki

range yang sama seperti fungsi sigmoid yang dipakai. Alternatif

lain adalah menggunakan fungsi aktivasi sigmoid hanya pada

lapis yang bukan lapis keluaran. Pada lapis keluaran, fungsi

aktivasi yang dipakai adalah fungsi identitas : = .

3. Proses Pelatihan Back Propagation

Proses Pelatihan Jaringan Syaraf Tiruan Back Propagation

terdiri dari 3 proses yaitu propagasi maju, propagasi mundur,

perubahan bobot. Ketiga proses tersebut diulang-ulang sampai

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 masukkan =

dipropagasikan ke lapis tersembunyi menggunakan fungsi

aktivasi yang ditentukan. Keluaran dari setiap unit lapis

tersembunyi (= ) tersebut selanjutnya dipropagasikan

maju lagi ke lapis tersembunyi di atasnya. Demikian

(41)

Berikutnya, luaran jaringan = dibandingkan

dengan target yang harus dicapai = . Selisih −

adalah error yang terjadi. Jika nilai error lebih kecil dari

yang telah ditentukan, maka iterasi dihentikan, jika tidak,

maka bobot setiap garis dimodifikasi untuk mengurangi

error yang terjadi.

2. Propagasi Mundur

Berdasarkan error − , dihitung faktor � =

, , … , yang dipakai untuk mendistribusikan error di unit ke semua unit tersembunyi yang terhubung langsung

dengan . � juga dipakai untuk mengubah bobot garis

yang berhubungan langsung dengan unit luaran.

Dengan cara yang sama, dihitung faktor � di setiap

unit lapis tersembunyi sebagai dasar perubahan bobot

semua garis yang berasal dari unit tersembunyi di

bawahnya. Demikian seterusnya hingga semua faktor � di

unit tersembunyi yang berhubungan langsung dengan unit

masukkan dihitung.

3. Perbaikan Bobot

Setelah semua faktor � dihitung, bobot semua garis

dimodifikasi bersamaan. Perubahan bobot suatu garis

didasarkan atas faktor � neuron di lapis atasnya.

Algoritma pelatihan untuk jaringan dengan satu layar

tersembunyi (dengan fungsi aktifasi sigmoid biner) adalah sebagai

berikut (Siang, 2005) :

Langkah 0: Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1: jika kondisi penghentian belum terpenuhi maka lakukan

langkah 2-9.

Langkah 2: untuk setiap pasang data pelatihan, lakukan langkah 3-8

(42)

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)

_ = + ∑= (2.15)

= ( _ ) (2.16)

Langkah 5: hitung semua keluaran di unit tersembunyi (k = 1, 2,

… , m).

_ = + ∑ = (2.17)

= _ (2.18)

Fase II : Propagasi Mundur

Langkah 6: hitung faktor � unit keluaran berdasarkan error setiap

unit keluaran (k = 1, 2, … , m).

� = − − (2.19)

Hitung suku perubahan bobot dengan laju percepatan

∆ = � ; = , , … , ; = , , … , (2.20) Langkah 7: hitung faktor � unit tersembunyi berdasarkan error di

setiap unit tersembunyi = = , , … ,

�_ = ∑ = � (2.21)

� = �_ ( − ) (2.22)

Hitung suku perubahan bobot

∆ = � ; = , , … , ; = , , … , (2.23)

Fase III : Perubahan Bobot

Langkah 8: Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran:

= + ∆ ( = , , … , ; = , , … , ) (2.24)

Perubahan bobot garis yang menuju ke unit tersembunyi:

= + ∆ ( = , , … , ; = , , … , ) (2.25)

(43)

Jaringan Syaraf Tiruan Back Propagation memiliki kelemahan

tentang berapa epoch yang harus dilalui untuk memperoleh hasil

yang diinginkan.

Faktor-faktor penting dari Jaringan Syaraf Tiruan Back

Propagation 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.

Misal:

bilangan acak dalam interval [-0.5, 0.5].

Langkah 2: hitung ‖ ‖ = √ + + ⋯ + (2.26)

Langkah 3: bobot yang dipakai sebagai inisialisasi = =

‖ ‖ (2.27)

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 Back Propagation 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

(44)

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.

ℎ = ℎ (2.28)

2.6 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.

2.7 Confusion Matrix

Data pelatihan dan pengujian merupakan data yang berbeda sehingga

klasifikasi dapat diuji dengan benar. Nilai akurasi berdasarkan hasil

klasifikasi dihitung dari jumlah data yang dikenali sesuai dengan target

kelasnya. Perhitungan akurasi pada klasifikasi data dihitung menggunakan

tabel yang bernama Confusion Matrix (Tan, Steinbach, & Kumar, 2006).

(45)

Tabel 2.2 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 ke-j dengan target

kelas ke-i. Dari tabel 2.2 didapat persamaan-persamaan untuk menghitung

akurasi dan tingkat kesalahan suatu klasifikasi :

1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi

= ℎ _ℎ = ₊ +₊ ₊ (2.29)

2. Persamaan untuk menghitung error keseluruhan klasifikasi

= ℎ _ℎ = ₊ +₊ ₊ (2.30)

3. Persamaan untuk menghitung akurasi klasifikasi kelas 1

= ℎ _ℎ = ₊ (2.31)

4. Persamaan untuk menghitung error klasifikasi kelas 1

= ℎ _ℎ = ₊ (2.32)

5. Persamaan untuk menghitung akurasi klasifikasi kelas 0

= ℎ _ℎ = ₊ (2.33)

6. Persamaan untuk menghitung error klasifikasi kelas 0

(46)

26

3 BAB III

METODOLOGI PENELITIAN

Bab ini berisi penjelasan dan proses pengolahan data yang akan digunakan

dalam penelitian ini, serta perancangan sistem yang meliputi proses ekstraksi ciri,

pelatihan dan pengujian arsitektur JST, lalu klasifikasi dan uji data, rincian

kebutuhan sistem dan juga perancangan antarmuka sistem.

3.1 Data

Data yang digunakan dalam penelitian ini adalah data rekaman suara

mesin sepeda motor. Suara mesin sepeda motor yang dipilih merupakan

suara mesin sepeda motor yang terbagi kedalam 4 kondisi, yaitu suara mesin

sepeda motor normal, suara mesin sepeda motor mengalami kerusakan

batang piston/stang seher, katup/klep, dan rantai kamprat. Keempat kondisi

mesin sepeda motor tersebut merupakan kondisi mesin yang lebih mudah

dan sering diidentifikasi oleh teknisi bengkel sepeda motor melalui suara

mesin ketika mesin dihidupkan. Untuk mendapatkan data-data suara mesin

sepeda motor, dilakukan perekaman langsung terhadap suara mesin sepeda

motor yang telah dihidupkan di bengkel-bengkel sepeda motor sesuai

dengan kondisi mesin yang telah ditentukan.

Perekaman suara mesin sepeda motor menggunakan aplikasi android

yang ada di-handphone dengan nama Easy Voice Recorder. Aplikasi ini

dapat langsung menghasilkan rekaman file suara dengan format .wav

sehingga dengan mudah hasil perekaman dari aplikasi ini dapat langsung

digunakan sebagai input-an dari aplikasi yang akan dibuat. Untuk proses

perekamannya secara langsung terhadap mesin sepeda motor, dilakukan

dengan mendekatkan handphone yang akan merekam terhadap mesin

sepeda motor yang telah dihidupkan dengan jarak antara 5-10 cm. Berikut

ini gambaran dalam cara merekam suara mesin sepeda motor menggunakan

(47)

Gambar 3.1 Proses Perekaman Suara Mesin Sepeda Motor

Proses perekaman suara mesin sepeda motor tersebut dilakukan

sebanyak 40 kali terhadap sepeda motor yang berbeda – beda, sehingga

diperoleh 40 file rekaman dengan rincian, 10 data untuk kondisi mesin

sepeda motor normal dan 10 data untuk masing–masing kondisi kerusakan

mesin sepeda motor. Masing-masing file rekaman suara berdurasi sekitar

15-20 detik. Untuk mengolah 10 data tersebut akan dilakukan proses

preprosesing data sebelum masuk dalam proses ekstraksi ciri suara.

Proses preprosesing tersebut adalah mengkonversi file rekaman asli

menjadi file dengan format audio ‘.wav’, dengan nilai frekuensi rate untuk

setiap data rekaman suara mesin yaitu 44100 hz, resolusi sampling 16 bit

dan berformat PCM. Proses ini membutuhkan aplikasi bernama ‘Audacity’.

Aplikasi tersebut tidak hanya digunakan untuk mengkonversi file rekaman

menjadi format file ‘.wav’, namun juga digunakan untuk memotong-motong

setiap file rekaman suara menjadi 5 file rekaman suara dengan panjang

masing-masing 3 detik. 5 file tersebut diperoleh dengan melakukan

potongan untuk setiap file rekaman suara secara berurutan mulai dari detik

pertama. Dari proses preprosesing tersebut dihasilkan 50 file rekaman suara

mesin untuk setiap kondisi mesin sepeda motor, sehingga total menjadi 200

file ‘.wav’. 200 file tersebut yang siap diolah dalam proses ekstraksi ciri

suara.

(48)

Contoh data audio berupa sinyal digital yang digunakan dalam

penelitian ini dapat dilihat pada gambar-gambar di bawah ini. Data tersebut

ditampilkan dalam bentuk grafik sinyal dan spektrogram.

Gambar 3.2 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Normal

Pada gambar 3.2 , grafik pertama menggambarkan sinyal suara mesin

sepeda motor normal berdasarkan nilai amplitude-nya dalam 1 detik. Untuk

grafik kedua menggambarkan sinyal suara mesin sepeda motor normal

(49)

Gambar 3.3 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak Stang Seher

sepeda motor rusak stang seher berdasarkan nilai amplitude-nya dalam 1

detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor

rusak stang seher dalam bentuk spectrogram berdasarkan nilai frekuensi-nya

(50)

Gambar 3.4 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak Klep

sepeda motor rusak klep berdasarkan nilai amplitude-nya dalam 1 detik.

Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor rusak

klep dalam bentuk spectrogram berdasarkan nilai frekuensi-nya dalam 1

(51)

Gambar 3.5 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak Rantai Kamprat

sepeda motor rusak rantai kamprat berdasarkan nilai amplitude-nya dalam 1

detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor

rusak rantai kamprat dalam bentuk spectrogram berdasarkan nilai

frekuensi-nya dalam 1 detik.

3.2 Perancangan Sistem

Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan

dibuat. Proses dimulai dari ekstraksi ciri data sinyal suara, kemudian data

hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST dengan

parameter-parameter yang telah ditentukan, sehingga diperoleh model

jaringan yang menghasilkan akurasi terbaik. Kemudian dilakukan uji pada

sebuah data suara baru yang juga telah diekstraksi ciri dan dilakukan

klasifikasi menggunakan model jaringan yang telah diperoleh, sehingga

diperoleh hasil penunjukkan kelas dari data yang diklasifikasi.

Pada proses ekstraksi ciri data sebelum pelatihan arsitektur jaringan

dan pengujian data, digunakan fitur Linear Predictive Coding (LPC). Untuk

proses pelatihan arsitektur jaringan dan klasifikasi data dalam pengujian

digunakan metode Jaringan Syaraf Tiruan Back Propagation. Berikut ini

(52)

Data

Data Uji Ekstraksi Ciri

Jaringan Syaraf Tiruan Ekstraksi Ciri

Model Jaringan

Hasil Klasifikasi

Gambar 3.6 Diagram Blok Sistem

3.2.1 Ekstraksi Ciri

Fitur ekstraksi ciri sinyal suara yang digunakan dalam penelitian

ini adalah Linear Predictive Coding (LPC). Fitur ini dipilih karena

LPC merupakan salah satu teknik ekstraksi ciri yang sering digunakan

dalam mengekstraksi ciri sinyal digital suara. Akurasi kemampuan

pengenalan dari hasil ekstraksi ciri juga menunjukkan hasil yang baik.

Ada dua tahapan proses utama dalam melakukan ekstraksi ciri

LPC, yakni proses autokorelasi dan proses analisis koefisien LPC.

Pada proses autokorelasi ditentukan suatu nilai orde analisis P, dimana

nilai orde tersebut juga menentukan banyaknya ciri yang dihasilkan

dari proses analisis LPC. Ciri tersebut dinamakan koefisien LPC.

Proses ekstraksi ciri dilakukan pada semua data mentah yang

telah dikonversi dan di lakukan proses preprosesing. Hasil ekstraksi