Pengenalan suara instrumen musik menggunakan analisis spektrum

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI TUGAS AKHIR. PENGENALAN SUARA INSTRUMEN MUSIK MENGGUNAKAN ANALISIS SPEKTRUM Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Elektro. Oleh:. MONICA JATU TRI ATMAWATI NIM :115114036. PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016 i.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI FINAL PROJECT. RECOGNITION OF MUSICAL INSTRUMENTS SOUND USING SPECTRUM ANALYSIS Presented as Partial Fullfillment of The Requirements To Obtain Sarjana Teknik Degree In Electrical Engineering Study Program. By :. MONICA JATU TRI ATMAWATI NIM : 115114036. ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016 ii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. HALAMAN PERSEMBAHAN DAN MOTTO HIDUP. MOTTO :. “Diligent and Devoted is the Key to Success”. Persembahan Karya ini ku persembahkan kepada : Tuhan Yesus yang selalu ada disetiap perjalanan hidupku. Bapak, Ibu danKakak-kakak yang selalu mendukungku dalam segala hal. Seorang yang ku kasihi (Bernadetus Adetya T.A) Dan semua orang yang mengasihiku dan mendukungku dalam Tugas Akhir.. vi.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. INTISARI Musik merupakan ekspresi yang timbul dari dalam jiwa manusia yang diwujudkan dalam bentuk karya seni. Dimasa sekarang ini, banyak alat musik yang dibuat oleh manusia. Alat musik tersebut mempunyai berbagai bentuk, jenis dan cara memainkannya. Dengan banyaknya alat musik yang diciptakan, maka membedakan alat musik satu dengan yang lain bukanlah suatu hal yang mudah. Mengingat keterbatasan manusia dalam mengenali alat musik yang begitu banyak ragamnya serta banyak bunyi yang terkadang hampir serupa antara alat musik satu dengan yang lain maka dibentuklah sistem untuk pengenalan suara alat musik yang mampu mengenali suara alat musik pianika, rekorder dan belira. Sistem pengenalan suara instrumen musik pianika, rekorder dan belira pada tugas akhir ini menggunakan mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima gelombang suara instrumen musik pianika, rekorder dan belira. Komputer berfungsi untuk memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum ekstraksi ciri dan menampilkan hasil suara yang dikenali berupa teks. Sistem pengenalan suara instrumen musik pianika, rekorder dan belira menggunakan DFT, Jarak Euclidean dan klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan. Pada program pengenalan suara secara real time tanpa thresholding mampu mengenali suara sebesar 100% dan menggunakan thresholding mampu mengenali suara sebesar 93%. Parameter pengenalan terbaik berada pada variasi frame blocking 256, jumlah sampel per kelas 2 dan k=1 pada k-NN. Dengan database yang sama, hasil pengenalan suara error alat musik kencrung mencapai 85%.. Kata kunci :. Pianika, Rekorder, Dan Belira, DFT (Discrete Fourier Transform), jarak euclidean, k-nearest neighbor (k-NN), Pengenalan Suara. viii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. ABSTRACT Music is an expression that arises from the human spirit embodied in the form of artwork. The days now, a lot of musical instruments made by humans. The musical instrument has a variety of forms, types and how to play. With so many musical instruments were invented, then puff musical instruments with one another is not an easy thing. Given the limitations of humans in recognizing musical instrument which is so much variety and a lot of sounds that are sometimes quite similar between musical instruments with one another will be established a system for speech recognition instrument that is able to recognize the sound of a musical instrument pianika, recorder and belira. Voice recognition system pianika musical instruments, recorders and belira on this thesis using a microphone and a computer to operate. Microphone function to receive sound waves pianika musical instruments, recorders and belira. Computer functions to process data recording, featuring a wave recordings, featuring spectrum extraction characteristics and displays the results of the recognized voice text. Voice recognition system pianika musical instruments, recorders and belira using DFT, Euclidean distance and k-NN classification has been created and can work in accordance with the design. In the voice recognition program in real time without thresholding is able to recognize the sound of 100% and using thresholding is able to recognize the voice of 93%. Parameters are the best introduction to the variations of blocking frame 256, the number of samples per class 2 and k = 1 k-NN. With the same database, the result of voice recognition error kencrung musical instruments reached 85%.. Keywords: pianika, recorder, and Belira, DFT (Discrete Fourier Transform), euclidean distance, k-nearest neighbor (k-NN), Voice Recognition. ix.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 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 terima kasih kepada: 1. Tuhan Yesus Kristus atas berkat dan anugerah-Nya kepada penulis. 2. Paulina Heruningsih Prima Rosa, S.Si.,M.Sc. selaku 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. Wiwien Widyastuti, S.T., M.T., dan Dr. Anastasia Rita Widiarti selaku dosen penguji yang telah memberikan bimbingan, saran, dan merevisi Tugas Akhir ini. 6. Bapak dan Ibu, 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 langsung dalam kelancaran tulisan Tugas Akhir ini. 8. Bernadetus Adetya Tri Adiyanto sebagai kekasih yang selalu mendoakan, mengingatkan, mendukung dan memotivasi penulis dalam mengerjakan Tugas Akhir ini. 9. Romo Yuvensius Deny Sulistiawan Pr. yang selalu mendoakan, mengingatkan, memotivasi serta memberi tempat dalam mengerjakan dan menyelesaikan Tugas Akhir ini. 10. Romo Anthonius Dadang Hermawan Pr. yang selalu mendoakan dan mengingatkan dalam menyelesaikan Tugas Akhir ini. 11. Sahabat-sahabat yang selalu mendukung dan mendoakan saya (Fransisca Aprilia, Latifa Geta, Zhuniati, Helena Dinar, Ruth Delani, Pionnardo, Floribertus Fajar).. x.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. DAFTAR ISI Halaman. HALAMAN JUDUL. ............................................................................................... i HALAMAN PERSETUJUAN.. ........................................................................... iii HALAMAN PENGESAHAN.. ............................................................................. iv KEASLIAN KARYA............................................................................................... v HALAMAN PERSEMBAHAN DAN MOTTO HIDUP............................ vi LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS. ................... vii INTISARI. ................................................................................................................... viii ABSTRACT. ............................................................................................................... ix KATA PENGANTAR. ............................................................................................ x DAFTAR ISI. ............................................................................................................. xii DAFTAR GAMBAR ............................................................................................... xv DAFTAR TABEL ..................................................................................................... xvi BAB I PENDAHULUAN 1.1.. Latar Belakang..................................................................................................... 1. 1.2.. Tujuan dan Manfaat ............................................................................................. 2. 1.3.. Batasan Masalah .................................................................................................. 2. 1.4.. Metodologi Penelitian.......................................................................................... 2. BAB II DASAR TEORI 2.1.. Pengenalan Pola ................................................................................................... 5. 2.2.. Template Matching .............................................................................................. 6. 2.3.. Pianika , Recorder dan Belira .............................................................................. 6. 2.4.. Mikrofon............................... .............................................................................. 9. 2.5.. Sampling............................................................................................................... 9. 2.6.. Normalisasi Awal ................................................................................................ 10. 2.7.. Pemotongan Sinyal .............................................................................................. 11. 2.8.. Frame Blocking ................................................................................................... 12. xii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 2.9.. Windowing Hamming........................................................................................... 13. 2.10.. Discrete Fourier Transform (DFT)...................................................................... 14. 2.11.. Offset Ke Kiri....................................................................................................... 15. 2.12.. Fungsi Jarak Euclidean........................................................................................ 16. 2.13.. K-Nearest Neighbor (K-NN) ............................................................................... 17. BAB III PERANCANGAN 3.1.. Sistem Pengenalan Suara Instrumen Musik ........................................................ 18. 3.2.. Perancangan DataBase Suara .............................................................................. 22. 3.3.. Suara Uji .............................................................................................................. 23. 3.4.. Perancangan Tampilan Program GUI MATLAB ................................................ 24. 3.5.. Perancangan Alur Program .................................................................................. 25 3.5.1. Rekam ........................................................................................................ 26 3.5.2. Normalisasi Awal ...................................................................................... 26 3.5.3. Pemotongan Sinyal .................................................................................... 27 3.5.4. Frame Blocking ......................................................................................... 28 3.5.5. Hamming Windowing ................................................................................ 29 3.5.6. Discrete Fourier Transform (DFT) dan Spektrum Frekuensi ................... 30 3.5.7. Offset Ke Kiri ............................................................................................ 31 3.5.8. Fungsi Jarak ............................................................................................... 32 3.5.9. Penentuan Suara dengan K -Nearest Neightbour (K-NN) ......................... 33 3.5.10. Keluaran (Teks) ....................................................................................... 35. BAB IV HASIL DAN PEMBAHASAN 4.1.. 4.2.. Pengujian Program Pengenalan Suara Intrumen Musik........................................ 36. 4.1.1. Pengenalan Suara....................................................................................... 37. Hasil Pengujian Program Pengenalan Suara Intrumen Musik Terhadap Tingkat Suara Intrumen Musik Menggunakan Analisis Spektrum ................................... 49 4.2.1. Pengujian Parameter Pengenalan Suara Instrument Musik....................... 49 4.2.1.1. Pengujian Secara Tidak Real-Time.................................................... 49 4.2.1.1. Pengujian Real Time.......................................................................... 4.3. 53. Pengujian Dengan Suara Masukan Alat Musik Kencrung................................... 59 xiii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB V KESIMPULAN DAN SARAN 5.1.. Kesimpulan ...................................................................................................... 61. 5.2.. Saran ................................................................................................................ 61. DAFTAR PUSTAKA .............................................................................................. 62. LAMPIRAN LAMPIRAN 1 MIKROFON.......................................................................................... L1 LAMPIRAN 2 GAMBARAN SPEKTRUM FREKUENSI UNTUK SISTEM PENGENALAN SUARA INSTRUMEN MUSIK PIANIKA, RECORDER, DAN BELIRA ............................................ L2 LAMPIRAN 3 GAMBARAN OFFSET KE KIRI UNTUK SISTEM PENGENALAN SUARA INSTRUMEN MUSIK PIANIKA, RECORDER, DAN BELIRA............................................................... L8 LAMPIRAN 4 LISTING PROGRAM GUI MATLAB................................................ L23 LAMPIRAN 5 LISTING PROGRAM TIDAK REAL-TIME........................................ L40 LAMPIRAN 6 HASIL PENGENALAN NADA SECARA TIDAK REAL-TIME........ L57. xiv.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. DAFTAR GAMBAR Halaman Gambar 2.1.. Pianika .................................................................................................. 6. Gambar 2.2.. Recorder sopran ................................................................................... 6. Gambar 2.3.. Belira .................................................................................................... 9. Gambar 2.4.. Microphone........................................................................................... 9. Gambar 2.5.. Contoh hasil Sampling .......................................................................... 10. Gambar 2.6.. Hasil Normalisasi Awal ........................................................................ 11. Gambar 2.7.. Hasil Pemotongan Sinyal Silence ......................................................... 12. Gambar 2.8.. Hasil Pemotongan Sinyal Transisi ........................................................ 12. Gambar 2.9.. Sinyal yang akan Diambil untuk Frame Blocking................................ 12. Gambar 2.10.. Hasil Frame Blocking ........................................................................... 13. Gambar 2.11.. 11 Hasil Windowing Hamming ............................................................. 14. Gambar 2.12.. Hasil DFT ............................................................................................. 15. Gambar 2.13.. Hasil sinyal potong sebelah kiri maksimum global .............................. 16. Gambar 2.14.. Hasil Limitting ...................................................................................... 16. Gambar 2.15.. Hasil Zero Padding ............................................................................... 16. Gambar 3.1.. Diagram Blok Proses Pengenalan Suara .............................................. 18. Gambar 3.2.. Diagram Blok Sistem Pengenalan Suara .............................................. 18. Gambar 3.3.. Microphone Genius MIC-01A .............................................................. 19. Gambar 3.4.. Diagram Blok Proses Pengenalan Suara Instrumen Musik Pianika, Recorder dan Belira menggunakan Analisis Spektrum ........................ 20. Gambar 3.5.. Proses Pengambilan database Suara .................................................... 23. Gambar 3.6.. Proses Pengambilan Suara Uji.............................................................. 24. Gambar 3.7.. Tampilan Utama Sistem Pengenalan Suara Alat Musik Pianika, Recorder dan Belira .............................................................................. 24. Gambar 3.8.. Diagram Alir Sistem Pengenalan Suara Alat Musik Pianika, Recorder dan Belira .............................................................................. 25. Gambar 3.9.. Diagram Alir Proses Rekam ................................................................. 26. Gambar 3.10.. Diagram Alir Normalisasi Awal ........................................................... 27. Gambar 3.11.. Diagram Alir Pemotongan Sinyal......................................................... 28. xv.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Gambar 3.12.. Diagram Alir Frame Blocking .............................................................. 29. Gambar 3.13.. Diagram alir hamming windowing ....................................................... 30. Gambar 3.14.. Diagram Alir Ekstraksi Ciri DFT ......................................................... 31. Gambar 3.15.. Diagram Alir Offset Ke Kiri ................................................................. 32. Gambar 3.16.. Diagram Alir Fungsi Jarak ................................................................... 33. Gambar 3.17.. Diagram Alir Penentuan Suara dengan K-NN ..................................... 35. Gambar 4.1.. Tampilan Program Pengenalan Suara Instrumen Musik ...................... 36. Gambar 4.2.. Tampilan Hasil Pengenalan Suara Instrumen Musik ........................... 37. Gambar 4.3.. Grafik Pengaruh Frame Blocking terhadap Tingkat pengenalan Suara 57. Gambar 4.4.. Gambar Alat Musik kencrung .............................................................. 60. xvi.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. DAFTAR TABEL Halaman Tabel 2.1.. Cara Memainkan Recorder Soprano .......................................................... 8. Tabel 3.1.. Database untuk pengenalan suara .............................................................. 22. Tabel 3.2.. Keterangan Tampilan Utama Sistem.......................................................... 25. Tabel 3.3.. Penentuan Keluaran Suara Alat Musik ...................................................... 34. Tabel 4.1.. Hasil tingkat pengenalan menggunakan nilai frame blocking 32 dengan database 1 untuk setiap suara ........................................................ 50. Tabel 4.2.. Hasil tingkat pengenalan menggunakan nilai frame blocking 32 dengan database 2 untuk setiap suara ........................................................ 50. Tabel 4.3.. Hasil tingkat pengenalan menggunakan nilai frame blocking 32 dengan nilai threshold 0.05 untuk setiap suara......................................................... 51. Tabel 4.4.. Hasil tingkat pengenalan menggunakan frame blocking 64 dengan nilai threshold 0.05 untuk setiap suara.......................................................... 51. Tabel 4.5.. Hasil tingkat pengenalan menggunakan nilai frame blocking 128 dengan nilai threshold 0.05 untuk setiap suara.......................................................... 51. Tabel 4.6.. Hasil tingkat pengenalan menggunakan nilai frame blocking 256 dengan nilai threshold 0.05 untuk setiap suara.......................................................... 51. Tabel 4.7.. Hasil tingkat pengenalan menggunakan nilai frame blocking 512 dengan nilai threshold 0.05 untuk setiap suara.......................................................... 52. Tabel 4.8.. Hasil Pengujian secara real time tanpa thresholding dengan variasi frame blocking 32, jumlah sampel per kelas 2 dan nilai k=1 pada k-NN dengan menggunakan database 2 dan thresholding 0.05 dengan confusion matriks.......................................................................................... 54. Tabel 4.9.. Hasil Pengujian secara real time tanpa thresholding dengan variasi frame blocking 64, jumlah sampel per kelas 2 dan nilai k=1 pada k-NN dengan menggunakan database 2 dan thresholding 0.05 dengan confusion matriks.............................................................................. 54. Tabel 4.10.. Hasil Pengujian secara real time tanpa thresholding dengan variasi frame blocking 128, jumlah sampel per kelas 2 dan nilai k=1 pada k-NN dengan menggunakan database 2 dan thresholding 0.05. xvii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI dengan confusion matriks ........................................................................... 54 Tabel 4.11. Hasil Pengujian secara real time tanpa thresholding dengan variasi frame blocking 256, jumlah sampel per kelas 2 dan nilai k=1 pada k-NN dengan menggunakan database 2 dan thresholding 0.05 dengan confusion matriks ........................................................................... 55 Tabel 4.12. Hasil Pengujian secara real time tanpa thresholding dengan variasi frame blocking 512, jumlah sampel per kelas 2 dan nilai k=1 pada k-NN dengan menggunakan database 2 dan thresholding 0.05 dengan confusion matriks ........................................................................... 55 Tabel 4.13. Pengaruh frame blocking terhadap tingkat pengenalan .............................. 57 Tabel 4.14. Jarak Optimal Tiap Suara Instrumen Musik dengan variasi frame blocking 256, jumlah sampel per kelas 2 dan k=1 pada k-NN .................. 58 Tabel 4.15. Hasil Pengujian secara real time dengan variasi frame blocking 256, jumlah sampel per kelas 2 dan k=1 pada k-NN menggunakan thresholding dengan confusion matriks ...................................................... 59 Tabel 4.16. Hasil pengujian dengan suara dari alat musik kencrung dengan confusion matriks......................................................................................... 60. xviii.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. BAB I PENDAHULUAN 1.1. Latar Belakang Musik merupakan ekspresi yang timbul dari dalam jiwa manusia yang diwujudkan. dalam bentuk karya seni. Dimasa sekarang ini, banyak alat musik yang dibuat oleh manusia. Alat musik tersebut mempunyai berbagai bentuk, jenis dan cara memainkannya. Dengan banyaknya alat musik yang diciptakan, maka membedakkan alat musik satu dengan yang lain bukanlah suatu hal yang mudah. Salah satu pengetahuan tentang musik tersebut adalah pengalaman yang dialami panca indera kita, yaitu mendengarkan suarasuara alat musik. Selain mendengarkan, kita juga memperoleh informasi lain seperti nama alat musik yang dimainkan, nada apa yang dimainkan, bagaimana cara memainkannya dan sebagainya [1]. Beberapa penelitian telah dilakukan untuk membuat sistem pengenalan suara alat musik seperti alat musik pukul, gesek maupun tiup seperti “ Pengenalan Suara Alat Musik dengan Metode Jaringan Saraf Tiruan (JST) Learning Vector Quantization (LVQ) melalui Ekstraksi Koefisien Cepstral” [2]. Sistem tersebut menirukan kemampuan manusia untuk mengenali suara alat musik yang digunakan dengan menggunakan metode yang berbedabeda sebagai suara acuan. Dalam tugas akhir ini, penulis ingin melakukan penelitian mengenai pengenalan suara yang berasal dari alat musik. Tema ini di ambil mengingat keterbatasan manusia dalam mengenali alat musik yang begitu banyak ragamnya serta banyak bunyi yang terkadang hampir serupa antara alat musik satu dengan yang lain. Dengan penelitian yang dilakukan penulis, diharapkan dapat memecahkan masalah tersebut. Penelitian yang dilakukan penulis ini menggunakan metode yang berbeda dengan penelitian yang telah dilakukan sebelumnya. Penulis membuat suara sistem pengenalan suara alat musik dengan metode yang berbeda yaitu dengan ekstraksi ciri DFT untuk analisis sinyal, fungsi jarak euclidean, dan klarifikasi K-NN sebagai penentuan keluaran. Alat musik yang digunakan untuk penelitian adalah pianika, rekorder dan belira. Pada penelitian ini penulis merancang dan membuat program komputer yang dapat mengenali suara alat musik pianika, rekorder dan belira secara real time.. 1.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 1.2. 2. Tujuan dan Manfaat Tujuan dari penelitian tugas akhir ini adalah menghasilkan aplikasi pada pengenalan. suara alat musik pianika, rekorder, dan belira dengan menggunakan analisis spektrum dengan metode DFT dengan tingkat pengenalan lebih besar dari 80%. Manfaat dari penelitian tugas akhir ini adalah diharapkan agar dapat mempermudah seseorang untuk dapat mengenali macam-macam alat musik dan menambah pengetahuan mengenali alat musik.. 1.3. Batasan Masalah Penulis menetapkan beberapa batasan masalah yang dianggap perlu pada perancangan. ini, yaitu sebagai berikut: a. Alat musik yang digunakan adalah pianika, rekorder sopran, belira dan kencrung. b. Nada yang digunakan do, re, mi, fa, sol, la, si, do tinggi. c. Secara real time. d. Cara memukul dan meniup alat musik standar. e. Jarak antara pianika, rekorder, belira dengan microphone ± 15 cm.. 1.4. Metodelogi Penelitian Sistem otomatisasi pengenalan suara pada alat musik pianika, rekorder dan belira. terdiri dari hardware dan software. Hardware berfungsi untuk memasukkan suara yang dimainkan pada alat musik pianika, rekorder dan belira, sedangkan software pada laptop berfungsi untuk mengatur semua proses pengenalan suara yang dimainkan pada alat musik pianika, rekorder dan belira. Prinsip kerja dari sistem ini, input berupa suara yakni suara alat musik pianika, rekorder dan belira. Suara ini akan direkam dengan microphone yang kemudian diteruskan pada sistem pengenalan ini. Suara akan disampling dan dicocokan dengan suara dasar yang ada pada database dengan menggunakan metode DFT. Database ini berisi 96 nada yang terdiri dari 8 nada yang masing - masing direkam sebanyak 4 kali setiap alat musik. Hasil dari sistem pengenalan nada ini ditampilkan pada layar yang berupa teks. Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer untuk memproses pengenalan suara alat musik, sedangkan untuk hardware berupa Microphone Genius 01A yang sudah tersedia di pasaran..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 3. Langkah-langkah yang dilakukan dalam pengerjaan tugas akhir : a. Pengumpulan berbagai macam referensi seperti buku, jurnal dan artikel serta mempelajari teori yang mendukung dalam penulisan tugas akhir. b. Membuat Sistem sebagai alat uji: (i). Membuat rancangan tampilan utama pengenalan instrumen alat musik menggunakan GUI Matlab. (ii). Merekam suara pianika, rekorder dan belira yang akan digunakan sebagai database. (iii). Membuat program secara tidak real time supaya dapat diketahui apakah program berjalan atau tidak dengan menggunakan database dan data uji. (iv). Membuat database sebagai suara acuan untuk merancang suatu pengenalan suara. (v). Membuat program secara real time. (vi). Melakukan pengujian program secara real time dengan alat musik pianika, rekorder dan belira supaya menghasilkan output sesuai yang diinginkan. (vii). Melakukan pengujian dengan alat musik lain untuk penegas bahwa apabila dengan alat musik selain pianika, rekorder dan belira akan menghasilkan keluaran error. c. Analisis data dilakukan dengan meneliti pengaruh variasi frame blocking, jumlah sampel per kelas, nilai k pada K-NN dengan melakukan perhitungan akurasi pada data mining ( Confusion matrix) serta memeriksa keakuratan data terhadap hasil proses pengolahan suara, dengan cara membandingkan antara data di komputer dengan data di lapangan..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 4. d. Sistematika Penulisan Sistematika penulisan pada tugas akhir adalah sebagai berikut: BAB I PENDAHULUAN Bab ini menjelaskan latar belakang, rumusan masalah, tujuan penulisan, pembatasan masalah, dan sistematika penulisan. BAB II DASAR TEORI Bab ini membahas teori-teori pendukung mengenai pengenalan pola, sampling, normalisasi, pemotongan sinyal, frame blocing, windowing hamming, DFT, offset ke kiri, fungsi jarak euclidean, dan algoritma KNN. BAB III PERANCANGAN SISTEM Bab ini membahas rancangan bangunan sistem, menjelaskan dan memaparkan teknik pengolahan suara yang digunakan pada proses preprocessing, DFT, offset ke kiri, fungsi jarak euclidean, dan algoritma KNN. BAB IV UJI COBA DAN ANALISA SISTEM Bab ini membahas data-data hasil analisa dan simulasi dari pengujian sistem pengenalan instrumen musik. BAB V KESIMPULAN Bab ini berisi kesimpulan akhir dan saran terhadap pengembangan dari penelitian tugas akhir selanjutnya..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. BAB II DASAR TEORI 2.1. Pengenalan Pola Pengenalan pola (pattern recognition) sesungguhnya telah lama ada dan telah. mengalami perkembangan terus menerus dimulai dari pengenalan pola tradisional kemudian menjadi pengenalan pola modern. Pada mulanya pengenalan pola berbasis pada kemampuan alat indera manusia, di mana manusia mampu mengingat suatu informasi pola secara menyeluruh hanya berdasarkan sebagian informasi pola yang tersimpan di dalam ingatannya. Misalnya sebuah nada pendek yang dibunyikan dapat membuat manusia mengingat sebuah lagu secara keseluruhan. Inti dari pengenalan pola adalah proses pengenalan suatu obyek dengan menggunakan berbagai metode di mana dalam proses pengenalannya memiliki tingkat akurasi yang tinggi. Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa suatu obyek yang secara manual (oleh manusia) tidak dapat dikenali tetapi bila menggunakan salah suatu metode pengenalan yang diaplikasikan pada komputer masih dapat dikenali [3]. Beberapa contoh pada pola sebagai berikut : 1. Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis. 2. Suara, memilii ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi. 3. Tanda tangan, memilki ciri-ciri seperti panjang, kerumitan, dan tekanan. 4. Sidik jari, memilki ciri-ciri seperti lengkungan, dan jumlah garis. Beberapa metode pengenalan pola, yaitu : 1. Sintaks, berdasarkan ciri-ciri fisik yang jelas dngan toleransi yang telah ditentukan sebelumnya. 2. Statistik, berdasarkan data-data yang bersifat statistik. 3. Jaringan Saraf Tiruan (JST), metode yang menggabungkan metode sintaks dan statistik yaitu mengenali objek dari ciri-ciri fisik yang jelas kemudian mengambil kesimpulan berdasarkan data statistik. Cara kerja JST seolah-seolah meniru cara kerja otak manusia.. 5.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 6. 2.2 Template Matching Tahap perbandingan yaitu salah satu tahap dalam proses pengenalan suara. Proses template matching ini akan melakukan perbandingan antara pola data masukan dengan pola database. Salah satu metode perbandingannya yang dilakukan dalam template matching menggunakan fungsi jarak. Data masukan yang akan diproses akan dihitung nilai jaraknya sehingga dapat dikenali kemiripan yang sesuai dengan database [11].. 2.3 Pianika , Recorder dan Belira 2.2.1 Pianika Pianika adalah alat musik tiup kecil sejenis harmonika, tetapi bilah-bilah keyboard yang luasnya sekitar tiga oktaf [4]. Pianika dimainkan dengan tiupan langsung, atau memakai pipa lentur yang dihubungkan ke mulut. Umumnya pianika dimainkan sebagai alat pendidikan sekolah. Pianika tergolong alat musik tiup. Alat musik pianika biasanya digunakan untuk memainkan melodi pokok, kontra melodi, dan bila memungkinkan dapat juga untuk mengiringi lagu. Pianika mempunyai dua bilahan warna tuts yaitu warna putih dan hitam. Bilahan-bilahan yang berwarna putih untuk nada-nada asli (natural) dan yang berwarna hitam untuk memainkan nada-nada kromatis. Dalam memainkan alat musik pianika, tangan kiri memegang pianika dan tangan kanan menekan untuk memainkan melodi lagu, sedangkan mulut meniupnya.. Gambar 2.1 Pianika 2.2.2 Recorder Recorder termasuk alat musik tiup yang nadanya dihasilkan dengan membuka tutup lubang-lubangnya. Ada 8 lubang yang bisa dibuka tutup seperti pada Gambar 2.2, 7 lubang diatas dan 1 lubang dibawah..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 7. Gambar 2.2 Recorder sopran (a) tampak atas (b) tampak bawah Posisi jari sebagai berikut: a. lubang di bawah untuk jari jempol tangan kiri. b. lubang pertama dekat mulut (bulat) untuk jari telunjuk tangan kiri. c. lubang kedua untuk jari tengah tangan kiri. d. lubang ketiga untuk jari manis tangan kiri. e. lubang keempat untuk jari telunjuk tangan kanan. f. lubang kelima untuk jari tengah tangan kanan. g. lubang keenam untuk jari manis tangan kanan. h. lubang ketujuh untuk jari kelingking tangan kanan. Recorder umumnya dipakai adalah recorder soprano. Selain soprano ada juga recorder sopranino, alto, tenor, dan bas. Masing-masing recorder memiliki ambitus (rentang nada) yang berbeda-beda. Recorder soprano berbasis nada C, dengan nada terendah C’. Sedangkan sopranino dan alto berbasis nada F. hanya saja antara sopranino dan alto tone-nya berbeda 1 oktaf. Masing-masing recorder memiliki rentang nada rata-rata 2 oktaf. Recorder soprano memiliki nada terendah C’ jadi recorder ini tidak bisa memainkan melodi lagu yang memiliki nada lebih rendah dari C’. Recorder juga bisa memainkan nadanada semitone/ kromatis. Tabel 2.1 menjelaskan cara memainkan alat musik suling recorder soprano dari nada C, D, E, F, G, A, B, C’, D’. Cara meniup recorder juga mempengaruhi terjadinya harmonisa frekuensi karena jika terlalu kencang suara akan terdengar tidak baik..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 8. Tabel 2.1. Cara Memainkan Recorder Soprano Atas (Dari Mulut) Lubang. 1. 2. Tutup. Buka. 3. 4. 5. Bawah 6. 7. Nada C (do) Nada D (re) Nada E (mi) Nada F (fa) Nada G (sol) Nada A (la) Nada B (si) Nada C’ (do tinggi) Nada D’(re tinggi) Katerangan. 2.2.3 Belira Belira adalah alat musik yang dimainkan dengan cara dipukul dan biasanya digunakan pada drum band [5]. Alat musik belira digunakan untuk memainkan nada melodi dalam sebuah lagu pada drum band. Alat musik belira mempunyai 16 bulah papan yang terbuat dari logam. Panjang dari tiap bilah logam bergantung pada tinggi rendahnya nada yang dihasilkan. Alat pukul belira mempunyai panjang 30 cm dan terbuat dari plastik padat. Dalam memainkan alat musik belira, terdapat besi penyangga yang digantungkan pada bahu pemusik, kemudian bilah logam dipukul dengan alat pemukul. Gambar alat musik belira dapat dilihat pada Gambar 2.3. Nada pada alat musik belira ada 16 nada yaitu .. ..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 9. Gambar 2.3 Belira. 2.4 Mikrofon Mikrofon adalah pesawat pengirim getaran gelombang bunyi. Mikrofon berfungsi mengubah atau mengkonversikan energi akustik (gelombang suara) menjadi energi listrik (Sinyal Audio) [6]. Dalam pengambilan nada, mikrofon dihubungkan dengan sound card yang berada di komputer. Mikrofon yang digunakan haruslah sesuai kebutuhan dan seimbang antara sumber suara yang ingin dicuplik, misalnya suara manusia, suara kendaraan, atau yang lainnya dengan sistem tata suara yang digunakan seperti sound sistem untuk live music, alat perekaman, dan sebagainya.. Gambar 2.4 Microphone. 2.5 Sampling Sampling adalah proses pencuplikan gelombang suara yang akan menghasilkan gelombang diskret. Dalam proses sampling ada yang disebut dengan laju pencuplikan (sampling rate). Sampling rate menandakan berapa banyak pencuplikan gelombang.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 10. analog dalam 1 detik. Sampling rate dinyatakan dalam satuan Hertz (Hz). Pada proses sampling, sebaiknya sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist menyatakan bahwa sampling rate harus lebih besar dari dua kali frekuensi tertinggi sinyal analog [7] . Hasil sampling sinyal suara diperlihatkan pada gambar 2.5. Secara matematis dapat dituliskan: fs ≥ 2fm. (2.1). dengan: fs = frekuensi sampling rate fm = frekuensi tertinggi sinyal suara analog. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.5 Contoh hasil Sampling. 2.6 Normalisasi Awal Normalisasi adalah proses penskalaan pada nilai amplitudo tiap data sinyal sesuai skala yang diinginkan. Proses ini dilakukan agar nilai amplitudo pada tiap data sinyal yang akan diolah bernilai sama. Besarnya nilai amplitudo sinyal suara manusia saat melakukan pengucapan selalu berbeda-beda, sehingga penskalaan nilai amplitudo sinyal terhadap acuan skala yang diinginkan sangat diperlukan [8]. Hasil proses normalisasi awal sinyal suara diperlihatkan pada gambar 2.6. Gambar pada sisi atas memperlihatkan sinyal yang akan dinormalisasi dan gambar pada sisi bawah memperlihatkan hasil normalisasinya. Dari gambar tersebut diperlihatkan berubahnya nilai amplitudo setelah skalanya diperbesar. . Perhitungan matematis untuk mencari nilai normalisasi dirumuskan dengan persamaan sebagai berikut : Xnorm =. Xmasukan max⁡ (abs Xmasukan ). (2.2).

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 11. dengan keterangan sebagai berikut : Xnorm. = hasil data sinyal normalisasi (1,2,3,…,N). Xmasukan. = data masukan dari sampling (1,2,3,…,N). N merupakan banyaknya data sinyal.. (b) Pianika. (b) Recorder. (c) Belira. Gambar 2.6 Hasil Normalisasi Awal dari Gambar 2.5. 2.7 Pemotongan Sinyal Pemotongan sinyal merupakan proses yang berkaitan dengan ekstraksi ciri. Proses ini bertujuan untuk memotong beberapa bagian sinyal. Dalam proses pemotongan, bagian yang dipotong adalah bagian awal dari sinyal. Tujuan dari pemotongan awal sinyal suara adalah untuk menghilangkan bagian yang tidak termasuk bagian dari sinyal suara serta untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam agar didapatkan sinyal yang benar-benar suara alat musik pianika, rekorder dan belira. Pada proses pemotongan ini, akan melewati 2 (dua) kali proses pemotongan. Proses pemotongan yang pertama yaitu memotong bagian silence atau bagian awal sinyal yang tidak termasuk sinyal suara terekam. Proses pemotongan yang kedua yaitu memotong bagian transisi sinyal. Hasil proses pemotongan sinyal suara diperlihatkan pada gambar 2.7 dan 2.8..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. (a) Pianika. (b) Recorder. 12. (c) Belira. Gambar 2.7 Hasil Pemotongan Sinyal Silence dari Gambar 2.6. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.8 Hasil Pemotongan Sinyal Transisi dari Gambar 2.7. 2.8 Frame Blocking Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sample[9]. Pengambilan sample tersebut tergantung dari tiap detik suara yang akan disample dan berapa besar frekuensi sampling. Gambar 2.9 menunjukkan contoh hasil frame blocking, keseluruhan frame dibagi menjadi 5 M frame. Setiap M memiliki jumlah data sama yaitu 2N data, dengan N adalah bilangan bulat (1, 2, 3,…).. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.9 Sinyal yang akan Diambil untuk Frame Blocking dari Gambar 2.8.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. (b) Pianika. (b) Recorder. 13. (c) Belira. Gambar 2.10 Hasil Frame Blocking dari Gambar 2.9 Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem pengenalan. Frame blocking juga dapat mempercepat proses perhitungan pada FFT (Fast Fourier Transform) dengan jumlah data setiap frame memiliki 2N data sample yang diambil dari keseluruhan data sample.. 2.9 Windowing Hamming Fungsi windowing adalah dengan cara melewatkan sinyal yang mempunyai frekuensi sembarang dikonvolusikan dengan fungsi window tertentu sehingga dapat mereduksi sinyal – sinyal yang tergolong bocor sebelum dilakukan proses transformasi. Ada beberapa fungsi windows yang telah ada diantaranya Kaiser, Hamming, Triangular, Rectangular. Windowing digunakan untuk menghilangkan diskontinuitas yang diakibatkan oleh proses Frame Blocking atau Framing. Jenis window yang dipakai dalam proses ini adalah jenis Hamming Window. Menggunakan Hamming Window karena Hamming Window mempunyai side lobe yang paling kecil dan main lobe yang paling besar sehingga hasil Windowing akan lebih halus dalam mengghilangkan efek diskontinuitas. Persamaan Hamming Window adalah: 𝑘. 𝜔 𝑘 + 1 = 0.54 − 0.46 cos 2𝜋 𝑛−1 ,. 𝑘 = 0, … , 𝑛 − 1. (2.3). dengan w(k + 1) adalah windowing, dan n merupakan jumlah data dari sinyal. Hamming Window adalah sebuah vektor dengan jumlah elemen sebanyak n. Biasanya n akan disesuaikan dengan banyaknya elemen pada frame sehingga banyaknya elemen pada Hamming Window akan sama dengan banyaknya elemen pada frame. Hasil proses Hamming Window sinyal suara diperlihatkan pada gambar 2.12..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. (a) Pianika. (b) Recorder. 14. (c) Belira. Gambar 2.11 Hasil Windowing Hamming dari Gambar 2.10. 2.10 Discrete Fourier Transform (DFT) Salah satu formulasi yang ampuh untuk proses pengolahan sinyal adalah menggunakan. Discrete. Fourier. Transform. (DFT).. Prinsip. DFT. adalah. mentransformasikan (alih bentuk) sinyal yang semula analog menjadi diskret dalam domain waktu, dan kemudian diubah ke dalam domain frekuensi. Hal ini dilakukan dengan mengalikan sinyal diskret dengan suatu fungsi kernel. DFT dan FFT memiliki resolusi sebesar fs/N yang mana fs adalah sampling rate (dalam 1 detik diambil sebanyak fs data) dan N adalah banyaknya data hasil penyamplingan. Discrete Fourier Transform (DFT) didefinisikan sebagai:. 𝑋 𝑚 =. 𝑁−1 𝑛=0 𝑥. 𝑛 𝑒 −𝑗. 2𝜋 𝑁. 𝑚𝑛. (2.4). Dengan : n = indeks dalam domain waktu = 0, 1, ..., N-1, m = indeks dalam domain frekuensi = 0, 1, ..., N-1. Persamaan ini menyatakan bahwa DFT merupakan metode yang berguna dalam menentukan amplitudo dan komponen-komponen frekuensi harmonik ke-m dari suatu sinyal periodik atau merupakan koefisien-koefisien deret Fourier[10]. Dengan rumus diatas, suatu sinyal suara dalam domain waktu dapat kita cari frekuensi pembentuknya. Hal inilah tujuan dari penggunaan analisa Fourier pada data suara, yaitu untuk mengubah data dari domain waktu menjadi data spektrum didomain frekuensi. Hasil proses normalisasi DFT sinyal suara diperlihatkan pada gambar 2.13..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. (a) Pianika. (b) Recorder. 15. (c) Belira. Gambar 2.12 Hasil DFT dari Gambar 2.11 Untuk mendapatkan spektrum dari sebuah sinyal dengan DFT diperlukan N buah sampel data berurutan pada domain waktu, yaitu data x[m] sampai dengan x[m+N-1]. Data tersebut dimasukkan dalam fungsi DFT maka akan menghasilkan N buah data, Namun karena hasil DFT adalah simetris, maka hanya N/2 data yang diambil sebagai spektrum .. 2.11 Offset Ke Kiri Dilihat dari hasil pengamatan [L.8] Offset Ke Kiri mempunyai 4 tahapan yaitu pertama mencari indeks nilai maksimal global kemudian yang kedua sinyal akan di potong sebelah kiri maksimum global dan tahapan yang ketiga adalah Proses limiting, limiting merupakan pembatasan nilai geser kekiri saling beda. Adanya limiter supaya sinyal harmonis yang berada sebelah kanan setelah nilai amplitudo tertinggi dapat terlihat jelas dan terlihat perbedaannya setiap alat musik dan tahapan yang ke empat adalah zero padding. Setelah mengamati hasil dari offset ke kiri maka dapat disimpulkan bahwa offset kekiri itu merupakan sinyal hasil DFT yang akan dicari indeks nilai maksimal globalnya lalu sinyal tersebut akan dipotong sebelah kiri supaya indeks nilai yang terbesar berada disebelah kiri. Kemudian setelah indeks nilai terbesar berada disebelah kiri, sinyal suara tersebut akan di zero padding. Zero padding merupakan tahapan akhir dari preprocessing dimana pada tahapan ini terdapat proses pemberian deretan data bernilai zero(0) pada data sinyal. Akibat dari proses pemotongan sinyal memungkinkan adanya efek pada ketidaksempurnaan panjang gelombang tiap data sinyal suara. Tahapan zeropadding ini yang membantu agar panjang gelombang tiap data sinyal suara dapat disetarakan. Pemberian nilai zero(0) pada data sinyal suara menyesuaikan ukuran frekuensi sinyal. Berdasarkan dengan.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 16. pengamatan yang penulis amati, maka berdasarkan harmonis dapat dibedakan spektrumnya. Gambar 2.13 menunjukan proses hasil sinyal potong sebelah kiri maksimum global , Gambar 2.14 hasil limiting dan Gambar 2.15 hasil zero padding.. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.13 Hasil sinyal potong sebelah kiri maksimum global dari Gambar 2.12. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.14 Hasil sinyal limiting dari Gambar 2.13. (a) Pianika. (b) Recorder. (c) Belira. Gambar 2.15 Hasil Zero Padding dari Gambar 2.14. 2.12 Fungsi Jarak Euclidean Prinsip dasar dari fungsi jarak Eucelidian adalah mengukur jarak antar dua titik (x dan y)[12]. Persamaan yang digunakan untuk menghitung jarak Eucledian dapat didefinisikan antara dua titik, yaitu x = (x1, x2, x3,,,,, xn ) dan y = (y1, y2, y3,,,,, yn ). Prinsip ini, pada dasarnya sama dengan persamaan Pythagoras ketika digunakan dalam 2 dimensi. Secara matematis, jarak ke n dapat dituliskan dalam persamaan :.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 𝑑𝑖 𝑥, 𝑦 =. 𝑛 𝑖=1 |𝑥𝑖. − 𝑦𝑖 |2. 17. (2. 5). Semakin kecil jarak yang dihasilkan antara 2 data (data testing dan data training), maka semakin besar kemiripan antar 2 data tersebut.. 2.13 K-Nearest Neighbor (K-NN) Algoritma yang disebut aturan tetangga terdekat atau biasanya di kenal dengan knearest neighbour (K-NN). Misal ada vektor x yang tidak diketahui, maka [13]:  Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan label kelas. Untuk masalah 2 kelas dipilih nilai k yang ganjil. Secara umum nilai k ini bukan kelipatan dari jumlah kelas M.  Dari sampel K tersebut, identifikasi jumlah vektor, ki , yang termasuk masuk dalam kelas  i, i = 1,2,......,M. Dinyatakan dengan  1 ki = k .  Tetapkan x ke kelas.  i berdasarkan jumlah ki terbanyak dari sampel ki..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. BAB III PERANCANGAN 3.1. Sistem Pengenalan Suara Instrumen Musik Pianika, Rekorder dan. Belira menggunakan Analisis Spektrum Blok sistem pengenalan suara alat musik Pianika, Rekorder dan Belira ditunjukkan pada Gambar 3.1 dan Gambar 3.2.. Input. Proses. Output. Gambar 3.1 Diagram Blok Proses Pengenalan Suara. (a) Pianika Mikrofon. (b) Recorder. Proses Perekaman. Notebook (c) Belira. Proses Pengenalan Suara. Gambar 3.2 Diagram Blok Sistem Pengenalan Suara Sistem pengenalan suara alat musik Pianika, Rekorder dan Belira terdiri dari perangkat keras dan perangkat lunak. Perangkat keras yang penulis gunakan untuk pengenalan suara alat musik terdiri dari Pianika, Rekorder, Belira, mikrofon dan notebook. Sedangkan untuk perangkat lunak menggunakan program yang berada pada notebook sebagai interface dalam pengenalan suara alat musik. Perangkat lunak dibuat mengguanakan aplikasi matlab. 18.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 19. sehingga mempunyai peranan penting dalam proses pengenalan suara alat musik ini. Peranan penting tersebut seperti merekam suara alat musik serta mengenali suara alat musik yang terekam. Perekaman suara alat musik ini direkam oleh notebook melalui mikrofon yang disambungkan pada line in notebook. Pada sistem pengenalan suara alat musik ini mempunyai beberapa subproses, setiap subproses mempunyai fungsi masing-masing, yaitu : a. Pianika, Rekorder dan Belira Alat musik Pianika, Rekorder dan Belira merupakan alat musik yang penulis gunakan sebagai objek penelitian. Suara alat musik akan direkam menggunakan mikrofon yang disambungkan pada line in notebook. Penulis menggunakan 8 nada yang berada pada alat musik tersebut. Nada yang digunakan pada alat musik tersebut yaitu 1, 2, 3, 4, 5, 6, 7, 1’. b. Mikrofon Mikrofon berfungsi menangkap sinyal analog yang akan disalurkan ke sound card pada notebook melalui line in pada sound card. Mikrofon yang digunakan penulis sebagai perangkat penelitian yaitu Microphone Genius MIC-01A yang ditunjukkan pada Gambar 3.2. Penulis menggunakan Microphone Genius MIC-01A ini karena harganya terjangkau, sangat mudah ditemukan dipasaran serta ringan sehingga dapat dibawa kemana – mana [L.1].. Gambar 3.3 Microphone Genius MIC-01A. c. Proses Perekaman Proses Perekaman ini dimulai dari suara alat musik yang terekam melalui mikrofon yang disambungkan pada line in notebook. Sinyal analog yang terekam akan di konversi menjadi sinyal digital dengan frekuensi sampling yang akan disimpan pada sound card. Sinyal digital akan disimpan dan digambarkan dalam.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 20. sebuah plot. Data suara yang telah disimpan disebut suara terekam dan kemudian dapat diproses untuk dikenali lewat proses pengenalan suara. d. Proses Pengenalan Suara Proses pengenalan suara ini merupakan proses untuk mengenali suara yang terekam untuk dapat dikenali jenis suara apa yang direkam. Proses pengenalan suara mempunyai beberapa subproses seperti Normalisasi Awal, Pemotongan Sinyal, Frame Blocking, Windowing, Discrete Fourier Transform (DFT), Offset Ke Kiri, Fungsi Jarak, dan K-NN sebagai penentuan keluaran. Diagram blok tersebut dapat dilihat pada Gambar 3.3.. Gambar 3.4 Diagram Blok Proses Pengenalan Suara Instrumen Musik Pianika, Recorder dan Belira menggunakan Analisis Spektrum Subproses pada diagram blok yang ditunjukkan pada Gambar 3.4 mempunyai fungsi masing – masing, yaitu : 1. Suara Pianika, Rekorder dan Belira Hasil dari sampling suara Pianika, Rekorder dan Belira yang direkam secara real time melalui mikrofon akan diproses ketahap selanjutnya seperti yang terlihat pada Gambar 3.4. Hasil dari sampling suara Pianika, Rekorder dan Belira ini berupa .wav. 2. Normalisasi Awal Proses normalisasi awal ini bertujuan untuk menyetarakan amplitudo suara masukkan yang berupa .wav tersebut menjadi maksimum. Supaya efek kuat atau.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 21. lemahnya suara yang dihasilkan alat musik tidak banyak mempengaruhi proses pengenalan alat musik ke tahap selanjutnya. 3. Pemotongan Sinyal Proses pemotongan sinyal merupakan proses untuk menhilangkan efek noise atau suara lain yang ikut terekam pada proses perekaman. Proses pemotongan sinyal akan memotong sinyal pada bagian silence dan bagian transisi yang terletak pada awal perekaman. 4. Frame Blocking Proses frame blocking merupakan proses untuk memilih data suara yang sudah terekam, sehingga data suara yang terpilih dapat menjadi wakil dari semua data suara yang terekam. 5. Windowing Hasil dari frame blocking akan menuju tahap windowing. Dari jenis windowing yang ada, pada penelitian ini mengguanakan hamming windowing. 6. Discrete Fourier Transform (DFT) Proses Discrete Fourier Transform merupakan proses ekstraksi ciri suatu data suara maupun gambar. Proses ini untuk mencari nilai-nilai dari spektrum frekuensi. Setelah melihat keluaran spektrum frekuensi maka dapat diketahui nilai frekuensi untuk suara yang dimainkan. 7. Offset ke Kiri Proses Offset ke Kiri ini merupakan proses menggeser kekiri dengan berdasarkan frekuensi yang amplitudonya terbesar. 8. Fungsi Jarak Fungsi jarak yang digunakan oleh penulis yaitu fungsi jarak euclidean. Fungsi jarak euclidean berfungsi untuk mencari atau menguji seberapa dekat jarak antara masukkan dengan database. Fungsi jarak sama dengan nol apabila sama dengan database. 9. Penentuan Keluaran Proses penentuan keluaran merupakan subproses terakhir. Proses penentuan keluaran ini menggunakan metode K Nearest Neightbour (K-NN). Penentuan hasil pengenalan suara ditentukan berdasarkan hasil perhitungan kelas yang paling banyak muncul dengan metode K-NN..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 22. 10. Hasil Pengenalan Suara Hasil akhir dari proses pengenalan suara adalah suara yang dikenali. Hasil akhir akan ditampilkan dalam bentuk visual GUI Matlab yang telah dirancang oleh penulis. Keluaran dari hasil akhir ini berupa teks.. 3.2. Perancangan DataBase Suara Pada proses pengenalan suara diperlukan database sebagai suara acuan untuk. merancang suatu pengenalan suara. Database terdiri dari 1-4 sampel setiap alat musik yang akan dievaluasi.. Tabel 3.1 Database untuk pengenalan suara 1 sampel per nada. do1, re1, mi1, fa1, sol1,la1, si1 dan do tinggi1.. 2 sampel per nada. do1, do2, re1, re2, mi1, mi2, fa1, fa2, sol1, sol2, la1, la2, si1, si2, do tinggi1 dan do tinggi2.. 3 sampel per nada. do1, do2, do3, re1, re2, re3, mi1, mi2, mi3, fa1, fa2, fa3, sol1, sol2, sol3, la1, la2, la3, si1, si2, si3, do tinggi1, do tinggi2 dan do tinggi3.. 4 sampel per nada. do1, do2, do3, do4, re1, re2, re3, re4, mi1, mi2, mi3, mi4, fa1, fa2, fa3, fa4, sol1, sol2, sol3, sol4, la1, la2, la3, la4, si1, si2, si3, si4, do tinggi1, do tinggi2, do tinggi3 dan do tinggi4.. Pengambilan database suara dilakukan melalui beberapa tahap yaitu perekaman, preprocessing yang terdiri dari proses sampling, normalisasi awal, pemotongan sinyal, frame blocking, windowing , DFT dan Offset Ke Kiri. Sehingga hasil dari proses database ini keluaran hasil ekstraksi ciri dari offset ke kiri. Proses pengambilan database suara ditunjukkan pada Gambar 3.5..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 23. Gambar 3.5 Proses Pengambilan database Suara. Proses pengambilan suara disesuaikan dengan variabel bebas pada pembuatan sistem pengenalan suara alat musik pianika, rekorder dan belira, tetapi dengan durasi dan frekuensi sampling yang sudah ditetapkan. Database suara direkam dan di sampling sebanyak 4 kali untuk setiap nada dan setiap alat musiknya. Dari database suara tersebut akan digunakan sebagai perbandingan untuk mengetahui hasil suara. Dari hasil offset ke kiri yang telah dihitung DFTnya dan telah dinormalisasi serta diambil windowing koefisien. Kemudian dari hasil tersebut digunakan sebagai suara sampel agar sistem pengenalan suara alat musik pianika, rekorder maupun belira tidak melakukan perhitungan kembali dalam mendapatkan database suara dan proses pada sistem pengenalan suara pianika, rekorder dan belira dapat berjalan lebih cepat. Database suara yang didapat kemudian disimpan dalam fungsi yang ada dalam sistem pengenalan suara alat musik pianika, rekorder dan belira. Sehingga sewaktu-waktu database suara dapat dipanggil dalam proses dengan sistem pengenalan suara alat musik pianika, rekorder dan belira.. 3.3. Suara Uji Proses ini bertujuan untuk pencuplikan gelombang suara yang akan menghasilkan. gelombang diskret termodulasi pulsa. Fungsi dari suara uji ialah untuk menjalankan program pengenalan suara pianika, recorder maupun belira secara offline atau belum realtime. Suara uji ini berisi 240 nada yang terdiri dari 8 nada yang masing - masing direkam sebanyak 10 kali setiap alat musik. Jadi semua sampel suara uji akan melalui proses perekaman terlebih dahulu sebelum masuk ke tahap selanjutnya. Proses suara uji dapat dilihat pada Gambar 3.6..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. Masukan (suara alat musik). Perekaman. 24. Keluaran (wav). Gambar 3.6 Proses Pengambilan Suara Uji. 3.4. Perancangan Tampilan Program GUI MATLAB Tampilan utama pada proses pengenalan suara alat musik Pianika, Rekorder dan. Belira ini dibuat penulis mengunakan GUI MATLAB. Tampilan utama GUI MATLAB yang dirancang oleh penulis dapat dilihat pada Gambar 3.7.. Plot Perekaman. Tampilan Keluaran Rekam Selesai. Plot Hasil Ekstrasi Ciri. Gambar 3.7 Tampilan Utama Sistem Pengenalan Suara Alat Musik Pianika, Rekorder dan Belira.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 25. Tabel 3.2 Keterangan Tampilan Utama Sistem Nama. Keterangan. Rekam. Untuk memulai program. Selesai. Untuk mengakhiri program. Plot Hasil Rekam. Untuk menampilkan grafik hasil rekam. Plot Hasil Ekstraksi Ciri. Untuk menampilkan grafik hasil ekstraksi ciri. Tampilan Keluaran. Untuk menampilkan teks suara pianika, rekorder, belira sesuai dengan suara yang dimainkan. 3.5. Perancangan Alur Program Diagram alir perancangan keseluruhan ditunjukan Gambar 3.8.. Gambar 3.8 Diagram Alir Sistem Pengenalan Suara Alat Musik Pianika, Rekorder dan Belira Proses pengenalan suara alat musik Pianika, Rekorder dan Belira ini mengalami beberapa proses, seperti : perekaman, normalisasi awal, pemotongan sinyal, frame blocking, windowing, Discrete Fourier Transform (DFT), offset ke kiri, fungsi jarak, dan penentuan keluaran dengan mengunakan metode K-NN..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 26. 3.5.1 Rekam Pada proses rekam suara yang telah direkam akan melewati proses sampling. Proses sampling bertujuan untuk merekam suara Pianika, Rekorder dan Belira dengan nilai frekuensi sampling yang telah ditentukan yaitu 10000 Hz. Penulis memilih nilai frekuensi sampling 10000 Hz karena frekuensi sampling minimal harus dua kali lebih besar dari frekuensi tertinggi dari sinyal yang disampling tersebut. Dari pengamatan hasil sinyal sampling frekuensi terbesar mempunyai nilai 2053 Hz. Hasil keluaran untuk peoses rekam ini berupa .wav. Diagram alir proses rekam suara Pianika, Rekorder dan Belira ditunjukkan pada Gambar 3.9.. Gambar 3.9 Diagram Alir Proses Rekam 3.5.2 Normalisasi Awal Proses normalisasi awal ini di lakukan setelah proses rekam mendapat keluaran berupa .wav. Setelah suara terekam maka proses selanjutnya yang harus dilalui adalah membagi data dengan nilai absolut maksimal suara terekam (Persamaan 2.2). Hal tersebut bertujuan untuk menyetarakan amplitudo suara terekam menjadi maksimum, supaya efek kuat atau lemahnya suara yang direkam tidak mempengaruhi proses pengenalan suara. Diagram alir proses normalisasi awal dapat dilihat pada Gambar 3.10..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 27. Gambar 3.10 Diagram Alir Normalisasi Awal. 3.5.3 Pemotongan Sinyal Proses pemotongan sinyal adalah pemotongan sinyal awal yang tidak digunakan yang terdapat di sisi kiri atau bagian awal dari sinyal yaitu bagian silence dan bagian transisi. Hasil dari normalisasi awal tadi merupakan masukkan untuk proses pemotongan sinyal ini. Tujuan dari proses pemotongan sinyal ini adalah untuk menghilangkan efek noise yang ditimbulkan oleh suara alat musik Pianika, Rekorder, Belira maupun suara – suara lain yang ikut terekam. Proses pemotongan sinyal dilakukan dengan 2 tahap dapat dlihat paaada Gambar 3.10. Tahap yang pertama adalah pemotongan sinyal bagian silence, pada proses ini ditentukan nilai batas potong sebesar 0,3. Batas potong ini maksudnya adalah untuk menghilangkan sinyal yang tingginya lebih kecil daripada 0,3 (Gambar 2.7). Tahap yang kedua adalah pemotongan sinyal pada bagian transisi. Pemotongan ini dilakukan dengan menghilangkan ¼ bagian dari sinyal yang terdapat di bagian awal (Gambar 2.8). Setelah mengalami dua kali proses pemotongan sinyal , maka akan didapatkan hasil dari proses pemotongan sinyal yang akan dilanjutkan ke proses frame blocking. Diagram alir pemotongan sinyal ditunjukkan pada Gambar 3.11..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 28. Gambar 3.11 Diagram Alir Pemotongan Sinyal 3.5.4 Frame Blocking Setelah medapatkan hasil pada proses pemotongan sinyal, maka proses selanjutnya adalah frame blocking. Masukkan untuk frame blocking ini mengguanakan data hasil dari pemotongan sinyal. Nilai frame blocking ditentukan oleh user. Pilihan nilai frame blocking yang diberikan yaitu 32, 64, 128, 256 dan 512. Proses ini akan mengambil data sepanjang nilai frame yang telah ditentukan. Data yang telah diambil dapat mewakili data terekam, tujuannya agar dapat memudahkan dalam perhitungan dan analisa sinyal. Diagram alir frame blocking ditunjukkan pada Gambar 3.12.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 29. Gambar 3.12 Diagram Alir Frame Blocking. 3.5.5 Hamming Windowing Tahap setelah frame blocking yaitu tahap windowing. Untuk pengenalan suara pianika, rekorder, belira ini menggunakan hamming windowing sebagai proses selanjutnya. Fungsi dari pada proses windowing ini untuk mengurangi efek diskontinuitas saat sinyal ditransformasikan ke domain frekuensi. Windowing mempunyai side lobe yang paling kecil dan main lobe yang paling besar sehingga hasil windowing akan lebih halus dalam menghilangkan efek diskontinuitas. Dalam prosesnya, masukkan yaitu hasil frame blocking dikalikan dengan hamming windowing sehingga didapatkan hasil untuk proses windowing (Persamaan 2.3). Diagram alir hamming windowing ditunjukkan pada Gambar 3.13..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 30. Gambar 3.13 Diagram alir hamming windowing 3.5.6 Discrete Fourier Transform (DFT) dan Spektrum Frekuensi Proses selanjutnya adalah proses ekstraksi ciri. Ekstraksi ciri yang digunakan dalam perancangan ini adalah ekstraksi ciri DFT dimana untuk mencari nilai ekstraksi ciri DFT maka yang pertama dicari adalah nilai absolute perhitungan DFT (Persamaan 2.4). Langkah yang pertama adalah mengambil separuh bagian kiri sinyal kemudian frekuensi DC akan dinolkan. Setelah frekuensi di nolkan maka sinyal akan dinormalisasi kembali supaya amplitudo suara terekam menjadi maksimum. Diagram alir DFT ditunjukkan pada Gambar 3.14..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 31. Gambar 3.14 Diagram Alir Ekstraksi Ciri DFT. 3.5.7 Offset Ke Kiri Pada offset ke kiri ini, masukkan berupa hasil dari perhitungan DFT. Hasil dari perhitungan DFT tersebut akan dicari sinyal dengan nilai terbesar pada indeks maksimal global. Setelah nilai terbesar diketahui , proses selanjutnya sinyal yang ada disebelah kiri akan dipotong sehingga sinyal dengan nilai terbesar berada disebelah kiri. Proses selanjutnya setelah sinyal dipotong sebelah kiri adalah limiting, limiting merupakan pembatasan nilai geser kekiri saling beda. Adanya limiter supaya sinyal harmonis yang berada sebelah kanan setelah nilai amplitudo tertinggi dapat terlihat jelas dan terlihat perbedaannya setiap alat musik. Kemudian proses selanjutnya adalah zero padding. Zero padding bertujuan untuk memberi nilai nol pada sinyal yang kosong setelah digeser ke kiri sehingga panjang sinyal keluaran sama dengan sinyal masukkan pada awal proses offset ke kiri. Proses Offset ke kiri ditunjukkan pada Gambar 3.15..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 32. Gambar 3.15 Diagram Alir Offset Ke Kiri. 3.5.8 Fungsi Jarak Setelah mendapatkan hasil pada offset ke kiri, maka tahap selanjutnya data hasil offset ke kiri diukur jaraknya menggunakan fungsi jarak euclidean (Persamaan 2.5). Fungsi jarak euclidean berfungsi untuk menghubungkan jarak antara dua titik dalam satu ruang. Jarak antara dua titik dicari atau diuji seberapa dekat jarak antara masukkan dengan database. Fungsi jarak sama dengan nol apabila sama dengan database. Diagram alir fungsi jarak dapat dilihat pada gambar 3.16..

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 33. Gambar 3.16 Diagram Alir Fungsi Jarak. 3.5.9 Penentuan Suara dengan K -Nearest Neightbour (K-NN) Pada proses penentuan keluaran ini hasil pengenalan suara Pianika, Rekorder dan Belira ditentukan berdasarkan kelas yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor (k-NN). Sebelum melalui proses K-NN data hasil perhitungan jarak di sort acending. Sort acending bertujuan untuk mengurutkan hasil perhitungan jarak yang paling kecil. Kemudian setelah di sort acending, maka akan ada pengambilan nilai k terkecil. Setelah nilai k dipilih maka akan ada pembanding. Dimana maksud disini adalah apabila ada suara dari alat musik lain maka akan dibandingkan berdasarkan jarak (k) ≤ Th( terkecil). Apabila nilai jarak dari k yang dipilih kurang dari thresholding, maka akan dilanjutkan ke proses mencari index kelas dari jarak k terkecil, jika tidak, akan muncul display error. Setelah itu akan dipilih kelas yang paling sering muncul. Proses selanjutnya adalah penentuan keluaran. Hasil dari kelas yang paling sering muncul akan ditentukan dengan menggunakan look up table. Setelah mengetahui hasil dari kelas yang sering muncul, maka dapat diketahui hasil keluaran teks dari suara masukan pianika, rekorder atau belira tersebut. Dari hasil.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 34. memilih kelas yang sering muncul tersebut dapat ditentukan hasil keluaran suara pianika, rekorder atau belira seperti yang tertera pada tabel 3.3. Kemudian hasil dari penentuan keluaran menggunakan look up table tersebut akan ditampilkan berupa keluaran teks. Diagram alir penentuan suara dengan K-NN dapat dilihat pada Gambar 3.17. Tabel 3.3 Penentuan Keluaran Suara Alat Musik Suara Alat Musik. Angka dalam Penentuan Suara. Pianika. 3. Recorder sopran. 2. Belira. 1.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. Gambar 3.17 Diagram Alir Penentuan Suara dengan K-NN. 3.5.10 Keluaran (Teks) Keluaran dari proses pengenalan suara pianika, Rekorder dan Belira ini berupa teks sesuai alat musik yang dimainkan secara real time.. 35.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. BAB IV HASIL DAN PEMBAHASAN Program yang telah dibuat perlu dilakukan sebuah pengujian. Pengujian berguna untuk mengetahui kinerja program tersebut dalam melakukan pengenalan suara. 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 Suara Instrumen Musik Menggunakan Analisis Spektrum Pengujian aplikasi dilakukan bertujuan untuk mengetahui apakah sistem yang telah dirancang berjalan sesuai perancangan. Pengujian program dilakukan dengan spesifikasi sebagai berikut: Prosesor. : Intel(R) Core(TM) i3-2310M CPU @ 2.10 GHz. RAM. : 2.00 GB. Tipe sistem. : Sistem operasi 64 bit. GUI dibuat supaya dapat mempermudah user dalam menggunakan aplikasi penelitian ini. Terdapat beberapa komponen yang dapat digunakan untuk mengeksekusi atau menampilkan perintah. Komponen tersebut dapat diprogram sehingga user dapat lebih mudah dalam mengeksekusi aplikasi tersebut. Hasil pembuatan GUI ditunjukan pada Gambar 4.1.. Gambar 4.1. Tampilan Program Pengenalan Suara Instrumen Musik. 36.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 37. Pada tampilan GUI digunakan tools pada Matlab seperti axes, pop_upmenu, text, dan pushbutton. User memilih nilai variasi frame blocking, jumlah sampel per kelas dan nilai k pada K-NN yang akan digunakan terlebih dahulu sebelum melakukan pengenalan suara. Nilai variasi frame blocking yang disediakan adalah 32, 64, 128, 256 dan 512. Nilai variasi jumlah sampel per kelas yang disediakan adalah 1, 2, 3 dan 4. Nilai variasi K-NN yang disediakan adalah 1, 3, 5 dan 7. Kemudian user dapat memulai pengenalan suara dengan menekan tombol “REKAM”. Hasil pengenalan suara instrumen musik terlihat seperti pada Gambar 4.2.. Gambar 4.2 Tampilan Hasil Pengenalan Suara Instrumen Musik Tombol “RESET” berfungsi jika user ingin merestart program pengenalan suara instrumen musik. Tombol “SELESAI” digunakan jika user ingin menyelesaikan program dan keluar dari tampilan utama program pengenalan suara instrumen musik.. 4.1.1. Pengenalan Suara Pengenalan suara instrumen musik dapat dilakukan dengan melakukan berbagai langkah-langkah seperti yang telah dijelaskan di atas. Tampilan program pengenalan suara instrumen musik dapat dilihat pada Gambar 4.3. Pada tampilan pengenalan suara instrumen terdapat 3 pop up menu, 2 axes, 3 pushbutton, dan 1 static text. User dapat memulai pengenalan suara instrumen musik dengan melakukan pengaturan terlebih dahulu pada program pengenalan suara instrumen musik. Pengaturan yang perlu dilakukan adalah dengan memilih nilai-nilai variasi frame blocking, jumlah sampel per kelas (jsk) dan nilai k.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 38. pada k-NN yang terdapat pada pop up menu. Setelah menentukan nilai variasi yang akan digunakan, user dapat memulai pengenalan suara dengan menekan tombol tekan ”REKAM”. Hasil pengenalan yang ditampilkan adalah plot perekaman, plot DFT, dan suara yang berhasil dikenali. User dapat mengulang pengenalan suara instrumen musik dengan menekan tombol “RESET” dan mengakhiri pengenalan dengan menekan tombol “SELESAI” seperti yang telah dijelaskan di atas. a. Pop Up Menu Pada tampilan program pengenalan suara instrumen musik terdapat 3 pop up menu yaitu variasi frame blocking, jumlah sampel per kelas dan nilai K-NN. Nilai variasi frame blocking yang ditampilkan pada pop up menu yaitu 32, 64, 128, 256 dan 512. Nilai variasi jumlah sampel per kelas yang ditampilkan pada pop up menu yaitu 1, 2, 3 dan 4. Pada variasi frame blocking menampilkan menjalankan perintah program yang telah dirancang sebagai berikut: indeks=get(handles.popupmenu1,'value'); switch indeks case 1 frame=32; case 2 frame=64; case 3 frame=128; case 4 frame=256; case 5 frame=512; end handles.frame=frame; guidata(hObject,handles);. Pada program di atas, nilai frame blocking diinisialisasi menggunakan nama frame yang dibagi dalam 4 kondisi sesuai dengan banyaknya variasi. Inisialisasi frame tersebut diproses menggunakan perintah handles. Perintah ini digunakan untuk data atau nilai frame blocking yang telah diinisialisasi sebagai masukan apabila dilakukan callback. Pada pop up menu variasi jumlah sampel per kelas listing program sebagai berikut:.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 39. indeks=get(handles.popupmenu2,'Value'); switch indeks case 1 jsk=1; case 2 jsk=2; case 3 jsk=3; case 4 jsk=4; end handles.jsk=jsk; guidata(hObject,handles);. Proses yang dilalui oleh pop up menu pada variasi jumlah sampel per kelas sama dengan proses pada pop up menu variasi frame blocking. Nilai jumlah sampel per kelas diinisialisasikan dengan nama jsk. Pada pop up menu variasi nilai K-NN listing program sebagai berikut : indeks=get(handles.popupmenu3,'Value'); switch indeks case 1 knn=1; case 2 knn=3; case 3 knn=5; case 4 knn=7; end handles.varn=knn; guidata(hObject,handles);. b. Tombol “REKAM” Tombol “REKAM” adalah tombol yang berfungsi untuk melakukan pengenalan suara instrumen musik. User dapat melakukan pengenalan suara instrumen musik dengan.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI. 40. menekan tombol tersebut. Tombol “REKAM” memulai pengenalan suara instrumen musik dengan menjalankan beberapa subproses. Subproses yang dijalankan dimulai dari perekaman suara instrumen musik, ekstraksi ciri DFT, penghitungan jarak, dan penentuan hasil pengenalan suara instrumen musik berdasarkan kelas yang dipilih oleh user pada nilai k-NN. Program yang digunakan untuk perekaman suara sebagai berikut: sample_length=1.5; sample_freq=10000; sample_time=(sample_length*sample_freq); x=wavrecord(sample_time, sample_freq); wavwrite(x, sample_freq, 's.wav'); axes(handles.axes1) plot(x);. Perekaman suara instrumen musik pada Matlab menggunakan perintah wavrecord dan wavwrite untuk menyimpan suara yang telah direkam. Suara yang telah terekam tersebut diplot pada tampilan program pengenalan menggunakan perintah plot. Suara terekam diplot pada axes yang telah tersedia di dalam tampilan program perekaman dan ekstraksi ciri DFT. % DFT x5=dftx(x4); pspek=frame/2; y2=abs(x5); spek=y2(1:(1/2*frame+1)); % ambil separuh bagian kiri spek(1)=0;. % frek nol dinolkan. makslok=spek/max(spek);. % normalisasi. Suara terekam dan yang telah disimpan dipanggil kembali menggunakan perintah wavread. Dilakukan penginisialisasian nilai frame blocking dan jumlah sampel per kelas atau jsk untuk memudahkan menjalankan proses ekstraksi ciri. Proses ekstraksi ciri memiliki 2 masukan yaitu variabel b0, frame, dan jsk. bo adalah nilai batas potong. Frame dan jsk merupakan nilai masukan yang telah dipilih oleh user. Hasil dari ekstrasi ciri ditampilkan pada tampilan program seperti halnya hasil perekaman. fr=frame if. (frame==32) &&(jsk==1) load db1dft32;.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI elseif. (frame==32) &&(jsk==2) load db2dft32;. elseif. (frame==32) &&(jsk==3) load db3dft32;. elseif. (frame==32) &&(jsk==4) load db4dft32;. elseif. (frame==64) &&(jsk==1) load db1dft64;. elseif. (frame==64) &&(jsk==2) load db2dft64;. elseif. (frame==64) &&(jsk==3) load db3dft64;. elseif. (frame==64) &&(jsk==4) load db4dft64;. elseif. (frame==128) &&(jsk==1) load db1dft128;. elseif. (frame==128) &&(jsk==2) load db2dft128;. elseif. (frame==128) &&(jsk==3) load db3dft128;. elseif. (frame==128) &&(jsk==4) load db4dft128;. elseif. (frame==256) &&(jsk==1) load db1dft256;. elseif. (frame==256) &&(jsk==2) load db2dft256;. elseif. (frame==256) &&(jsk==3) load db3dft256;. elseif. (frame==256) &&(jsk==4) load db4dft256;. elseif. (frame==512) &&(jsk==1) load db1dft512;. elseif. (frame==512) &&(jsk==2) load db2dft512;. elseif. (frame==512) &&(jsk==3) load db3dft512;. 41. elseif (frame==512) &&(jsk==4) load db4dft512; end. Ekstraksi database diperoleh dari proses dengan menggunakan program sebagai berikut: function pamdftdb5 % Pengenalan alat musik dengan DFT % Menggunakan database dan knn clc clear all % ------------------------------------------------------% Variabel penelitian frame=256; % Panjang frame blocking (fixed) % ------------------------------------------------------% Pembentukan data untuk database % Database belira [y0,fs]=wavread('bdo1.wav');[d1,x1]=prosesxc(y0,fs,frame); [y0,fs]=wavread('bdo2.wav');[d2,x2]=prosesxc(y0,fs,frame); [y0,fs]=wavread('bdo3.wav');[d3,x3]=prosesxc(y0,fs,frame); [y0,fs]=wavread('bdo4.wav');[d4,x4]=prosesxc(y0,fs,frame); [y0,fs]=wavread('bre1.wav');[d5,x5]=prosesxc(y0,fs,frame); [y0,fs]=wavread('bre2.wav');[d6,x6]=prosesxc(y0,fs,frame);.