INTISARI
Seni musik merupakan suatu seni hiburan yang sudah melekat di masyarakat. Salah satu seni musik yang masih tetap lestari sampai sekarang adalah seni musik tradisional jawa. Seni musik tradisional jawa berupa kerawitan atau gamelan. Alat gamelan yang paling khas dan menonjol bunyinya adalah saron barung. Tidak banyak orang yang bisa memainkan alat tersebut atau tidak hafal dengan nada nadanya. Oleh karena itu diperlukan sistem untuk mengenali nada alat musik gamelan tersebut. Alat gamelan yang digunakan untuk sistem pengenalan nada ini yaitu saron jenis Barung pelog.
Sistem pengenalan ini membutuhkan Barung Pelog sebagai masukan nada, microphone, untuk merekam nada dari Barung Pelog dan laptop untuk memproses. Sistem pengenalan nada ini melalui beberapa proses meliputi merekam, memanggilnya kembali pada input nada, normalisasi, pemotongan sinyal, frame blocking, windowing, ekstraksi ciri, fungsi jarak, dan penentuan nada.
Sistem pengenalan nada menggunakan ekstraksi ciri DFT, windowing hamming, fungsi jarak Squared Chord. Tampilan program meliputi hasil nada yang di input, ekstraksi ciri DFT, Windowing Koefisien serta tampilan hasil pengenalan (teks). Parameter optimal untuk tingkat pengenalan nada secara 100% dengan menggunakan nilai semua DFT, dan windowing koefisien 50%. Sistem pengenalan nada hanya mengenali nada 1(siji), 2(loro), 3(telu), 4 (papat), 5 (limo), 6 (enem), dan 7 (pitu).
ABSTRACT
Musical arts is a entertainment already fused in the community. One of the music are still used until now is the traditional music java. Musical arts javanese traditional is kerawitan or gamelan. Instrument gamelan have a characteristic sound is plain of saron barung. Not many people who can play this instrument or not has with the tone of voice. Because of that is required system to recognize tone a musical instrument the gamelan. Instrument gamelan applied to a system the introduction of tone is plain of sharon kind of barung pelog
Knowing system need Barung Pelog to input tune, microphone to record tunes from Barung pelog and laptop to processing. This knowing tune system through some process there are recording, normalization, signal cutting, frame blocking, windowing, feature ectraction DFT, range function , tune fixed.
Knowing system use extract feature DFT, windowing Hamming, range function and Squaredchord. Feature program include product of input tune, spektrum extraction feature DFT, and feature output knowing (text). Parameter optimum to increase tune knowing on 100% with use of all DFT and windowing coefficient 50%. Knowing tune ststem just recognize 1(siji), 2(loro), 3(telu), 4(papat), 5(limo), 6(enam) and 7(pitu)’.
i
TUGAS AKHIR
PENGENALAN NADA BARUNG PELOG
MENGGUNAKAN WINDOWING KOEFISIEN DFT
DAN JARAK SQUARED CHORD
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh :
MAULANA AKBAR TOBING
NIM : 105114022
PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
FINAL PROJECT
BARUNG PELOG VOICE RECORDNITION
USING WINDOWING KOEFISIEN DFT
AND SQUARED CHORD DISTANCE
Presented As Partial Fulfillment Of The Requirement
To Obtain The Sarjana Teknik Degree
In Electrical Engineering Study Program
MAULANA AKBAR TOBING
NIM : 105114022
ELECTRICAL ENGINEERING STUDY PROGRAM
SCIENCE AND TECHNOLOGY FACULTY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
vi
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO
Berimajinatif Berkreatif
Persembahan
Karya ini ku persembahakan untuk
Allah SWT yang selalu setia bersamaku,
Keluargaku bapak ibu adek dan nenek yang selalu ada
untuk selalu member ikan doa dan motivasi yang terbaik,
Keluarga baruku pacar dan mantan yang tak bosan memberikan motivasi
Teman- teman seperjuangan Teknik Elektro 2010 yang selalu membantu saat
mendapatkan kesulitan,
viii
INTISARI
Seni musik merupakan suatu seni hiburan yang sudah melekat di masyarakat. Salah satu seni musik yang masih tetap lestari sampai sekarang adalah seni musik tradisional jawa. Seni musik tradisional jawa berupa kerawitan atau gamelan. Alat gamelan yang paling khas dan menonjol bunyinya adalah saron barung. Tidak banyak orang yang bisa memainkan alat tersebut atau tidak hafal dengan nada nadanya. Oleh karena itu diperlukan sistem untuk mengenali nada alat musik gamelan tersebut. Alat gamelan yang digunakan untuk sistem pengenalan nada ini yaitu saron jenis Barung pelog.
Sistem pengenalan ini membutuhkan Barung Pelog sebagai masukan nada, microphone, untuk merekam nada dari Barung Pelog dan laptop untuk memproses. Sistem pengenalan nada ini melalui beberapa proses meliputi merekam, memanggilnya kembali pada input nada, normalisasi, pemotongan sinyal, frame blocking, windowing, ekstraksi ciri, fungsi jarak, dan penentuan nada.
Sistem pengenalan nada menggunakan ekstraksi ciri DFT, windowing hamming, fungsi jarak Squared Chord. Tampilan program meliputi hasil nada yang di input, ekstraksi ciri DFT, Windowing Koefisien serta tampilan hasil pengenalan (teks). Parameter optimal untuk tingkat pengenalan nada secara 100% dengan menggunakan nilai semua DFT, dan windowing koefisien 50%. Sistem pengenalan nada hanya mengenali nada 1(siji), 2(loro), 3(telu), 4 (papat), 5 (limo), 6 (enem), dan 7 (pitu).
ix
ABSTRACT
Musical arts is a entertainment already fused in the community. One of the music are still used until now is the traditional music java. Musical arts javanese traditional is kerawitan or gamelan. Instrument gamelan have a characteristic sound is plain of saron barung. Not many people who can play this instrument or not has with the tone of voice. Because of that is required system to recognize tone a musical instrument the gamelan. Instrument gamelan applied to a system the introduction of tone is plain of sharon kind of barung pelog
Knowing system need Barung Pelog to input tune, microphone to record tunes from Barung pelog and laptop to processing. This knowing tune system through some process there are recording, normalization, signal cutting, frame blocking, windowing, feature ectraction DFT, range function , tune fixed.
Knowing system use extract feature DFT, windowing Hamming, range function and Squaredchord. Feature program include product of input tune, spektrum extraction feature DFT, and feature output knowing (text). Parameter optimum to increase tune knowing on 100% with use of all DFT and windowing coefficient 50%. Knowing tune ststem just recognize 1(siji), 2(loro), 3(telu), 4(papat), 5(limo), 6(enam) and 7(pitu)’.
x
KATA PENGANTAR
Puji dan Syukur kepada Allah SWT karena telah memberikan Berkah-Nya
sehingga penulis dapat menyelesaikan laporan tugas akhir dengan baik, dan dapat
memperoleh gelar sarjana.
Dalam penulisan tugas akhir ini, penulis menyadari bahwa tidak lepas dari seluruh
bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis
mengucapkan banyak terimakasih kepada:
1. Allah SWT atas berkah dan anugerah-Nya kepada penulis
2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.
3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elekro
Universitas Sanata Dharma
4. Dr. Linggo Sumarno, selaku dosen pembimbing yang dengan tenang dan penuh
kesabaran untuk membimbing dalam menyelesaikan penulisan Tugas Akhir ini.
5. Dr. Iswanjono, Wiwien Widyastuti, S.T., M.T., selaku dosen penguji yang telah
memberikan bimbingan, saran, dan merevisi Tugas Akhir ini.
6. Orang tua bapak dan ibu, H.Sugiyanto dan H.Wahyu Hidayah, atas semua
perhatian, dukungan dan doanya kepada penulis.
7. Adik dan nenek, Saqina Eva Maulina dan H.Marsinatun yang selalu memberikan
doa dan mendoakan.
8. Roisyah Sofaningrum dan Farida Afif yang memberi motivasi semangat dan doa.
9. Blasius Air Dahsyat Pamungkas, Rendi Pradhana, Yohanes Robby Setiawan, Rake
Selferian, Widi Eko Wardoyo, Ignasius Agung Nugroho, Vitrali Demastok yang
memberi masukan, dan membantu dalam penulisan Tugas Akhir ini.
10.Segenap staff secretariat, dan laboran Teknik Elektro yang telah memberikan
dukungan secara tidak langung dalam kelancaran tulisan tugas Akhir ini.
11.Teman- teman Teknik Elektro 2010 yang telah memberikan semangat pada saat
menempuh pendidikan di Universitas Sanata Dharma.
12.Semua Pihak yang tidak bisa disebutkan satu persatu yang telah banyak
mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir
xii
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PERSETUJUAN ...iii
HALAMAN PENGESAHAN ... iv
PERNYATAAN 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 ... xvi
DAFTAR TABEL ... xvii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Tujuan dan Manfaat Penelitian ... 2
1.3 Batasan Masalah ... 2
1.4 Metodologi Penelitian ... 3
BAB II DASAR TEORI ... 4
2.1 Alat Musik Barung Pelog ... 4
2.2 Frekuensi Dasar ... 5
2.3 Sampling ... 5
2.4 Frame Blocking ... 6
xiii
2.6 Discrate Fourier Transform (DFT) ... 7
2.7 Fungsi Jarak Squared Chord ... 8
2.8 Metode Template Matching ... 8
2.9. Sound Card ... 9
2.10. Mikrofon ... 9
2.11. Matlab ... 10
BAB III PERANCANGAN ... 12
3.1. Sistem Pengenalan Nada Alat Musik Barung Pelog ... 12
3.1.1 Input Nada ... 12
3.1.2 Normalisasi ... 13
3.1.3 Frame Blocking ... 13
3.1.4 Windowing ... 13
3.1.5 Discrete Fourier Transform (DFT) ... 13
3.1.6 Windowing Koefisien ... 13
3.1.7 Fungsi Jarak ... 14
3.1.8 Penentuan Nada ... 14
3.1.9 Hasil Tampilan Pengenalan ... 14
3.2 Perancangan Nada Referensi ... 14
3.3 Perancangan Program Pada GUI Matlab ... 15
3.4 Perancangan Diagram Blok ... 17
3.4.1 Proses Perekaman ... 17
3.4.2 Proses Pengenalan Nada Barung Pelog ... 17
3.4.3 Proses Normalisasi ... 19
3.4.4 Pemotongan Sinyal ... 20
3.4.5 Proses Frame Blocking ... 21
3.4.6 Proses Hamming Windowing ... 22
xiv
3.4.8 Proses Windowing Koefisien DFT ... 24
3.4.9 Proses Fungsi Jarak Squared Chord ... 25
3.5 Perancangan Subsistem Program ... 26
3.5.1 Subsistem Sampling ... 27
3.5.2 Subsistem Pengenalan Nada ... 27
BAB IV HASIL DAN PEMBAHASAN ... 28
4.1. Pengujian Program Pengenalan Nada Barung Pelog menggunakan Windowing Koefisien DFT dan Jarak Squared Chord ... 28
4.1.1 Pengenalan Nada ... 30
4.2. Hasil Pengujian Program Pengenalan Nada Terhadap Terhadap Tingkat Pengenalan Nada Barung Pelog ... 37
4.2.1 Pengujian untuk Menentukan Batasan Nilai Jarak yang Optimal ... 37
4.2.2 Pengujian Pengaturan Pengenalan Nada ... 38
4.2.2 Pengujian dengan Masukan Nada Gamelan Peking ... 40
BAB V KESIMPULAN DAN SARAN ... 42
5.1 Kesimpulan ... 42
5.2 Saran ... 42
DAFTAR PUSTAKA... 43
LAMPIRAN
xv
LAMPIRAN Tabel Tingkat Pengenalan ... L 19
DAFTAR GAMBAR
Gambar 2.1 Barung Pelog dan Alat Tabuh ...
Gambar 2.2 Frame Blocking ...
Gambar 2.4 Sound Card ...
Gambar 2.5 Tampilan awal Matlab ...
Gambar 3.1 Diagram blok Pengenalan Nada Barung Pelog ...
Gambar 3.2 Diagram Blok Proses Pengenalan Nada Referensi ...
Gambar 3.3 Tampilan Utama Program ...
Gambar 3.4 Diagram Alir Proses rekam ...
Gambar 3.5 Diagram Blok Keseluruhan ...
Gambar 3.6 Diagram Alir Proses Normalisasi ...
Gambar 3.7 Diagram Alir Proses Pemotongan Sinyal ...
Gambar 3.8 Diagram Alir Proses Frame Blocking ...
Gambar 3.9 Diagram Alir Proses Windowing Hamming ...
Gambar 3.10 Diagram Alir Proses DFT ...
Gambar 3.11 Diagram Alir Proses Windowing Koefisien ...
Gambar 3.12 Diagram Alir Proses Fungsi Jarak Squared Chord...
Gambar 3.13 Diagram Alir Proses Penentuan Nada...
Gambar 4.1 Ikon Matlab 7.0.4 ...
Gambar 4.2 Tampilan Matlab ...
Gambar 4.3 Tampilan Program Pengenalan Nada Barung Pelog...
Gambar 4.4 Tampilan Hasil Pengenalan ...
Gambar 4.5 Grafik Tingkat Pengenalan ...
xvi
DAFTAR TABEL
Tabel 2.1 Frekuensi Dasar Gamelan Jenis Pelog ...
Tabel 3.1 Keterangan Tampilan Progrm ...
Tabel 4.1 Jarak Minimum pada Percobaan...
Tabel 4.2 Hasil Pengenalan DFT ...
1
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Seni musik merupakan suatu seni hiburan yang sudah melekat di masyarakat dari
jaman kerajaan dahulu sampai jaman sekarang. Salah satu seni musik yang masih tetap
lestari sampai sekarang adalah seni musik tradisional jawa. Seni musik tradisional jawa
berupa kerawitan atau gamelan.
Dari sekian banyak alat kerawitan atau gamelan terdapat jenis alat yaitu saron.
Saron tersebut terbagi menjadi tiga bagian yaitu saron demung, saron barung, saron
panerus. Dalam penulisan ini penulis mengambil alat saron barung. Barung sendiri
dibedakan menjadi dua lagi yaitu barung slendro dan barung pelog. Slendro memiliki lima
nada per oktaf, yaitu 6-1-2-3-5-6-1 dengan rentang nada yang sangat kecil. Sedangkan pelog memiliki tujuh nada per oktaf, yaitu 1-2-3-4-5-6-7 dengan rentang nada yang besar.
Tidak banyak orang yang bisa memainkan alat-alat gamelan tersebut. Terkadang
mereka tidak mengetahui nada yang sedang mereka mainkan atau tidak hafal dengan nada
gamelan. Diperlukan sebuah sistem yang dapat membantu untuk mengenali nada-nada dari
alat musik yang dimainkan. Sistem ini dapat juga membantu seorang pelaras saat
melakukan penyetelan nada alat musik gamelan. Sistem ini juga dapat berfungsi sebagai
pengenalan nada kepada anak kecil. Anak kecil perlu untuk mengenal tentang musik sejak
dini karena merangsang perkembangan otak. Pengenalan musik tradisional dari dini dapat
pula menjaga kelestarian budaya yang dimiliki Indonesia.
Untuk itu penulis merancang dan membuat program komputer yang dapat
melakukan pengenalan nada alat musik dengan membandingkan frekuensi dasar
gelombang bunyi alat musik menggunakan metode squared chord. Kemudian
mencocokkan frekuensi dasar tersebut dengan frekuensi dasar nada dari nada referensi atau
yang di sebut database . Dengan demikian jenis nada alat musik dapat diketahui secara
pasti untuk melakukan pengenalan nada musik tersebut. Penulis membuat rancangan
program yang berfungsi untuk mengenali nada pada gamelan khususnya barung pelog.
Pemrograman sistem ini menggunakan software Matlab dan program interface user
Sebelumnya sudah ada yang melakukan penelitian pengenalan nada. Penelitian
yang sudah pernah dilakukan adalah “Pengenalan Nada gamelan kenong secara real time
Menggunakan Fungsi Jarak Chebyshev” yang dilakukan oleh Yogi isworo walasakti[1].
Peneliti memilih metode ini untuk mengembangkan tentang pengenalan nada alat musik
gamelan dan metode ekstraksi ciri yang berbeda.
1.2.
Tujuan dan Manfaat Penelitian
Tujuan dari penulisan tugas akhir ini adalah menghasilkan sistem pengenalan nada
suara pada alat musik barung pelog. Manfaat dari penelitian ini sebagai alat bantu bagi
masyarakat yang membuat alat musik barung pelog supaya mengetahui nada 1(siji),
2(loro), 3(telu), 4(papat), 5(limo), 6(enem) dan7(pitu).
1.3.
Batasan Masalah
Sistem pengenalan nada suara pada barung terdiri dari hardware dan software
(komputer). Hardware berfungsi untuk memasukkan nada suara yang dimainkan pada
barung, sedangkan software pada komputer berfungsi untuk mengatur semua proses
pengenalan nada suara yang dimainkan pada barung.
Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer
untuk memproses pengenalan nada suara, sedangkan untuk hardware berupa microphone
yang sudah tersedia di pasaran. Penulis menetapkan beberapa batasan masalah yang
dianggap perlu pada perancangan ini, yaitu sebagai berikut:
a. Menggunakan alat musik gamelan jawa jenis barung pelog.
b. Nada gamelan yang dikenali 1(sij) ,2( loro), 3(telu), 4(papat), 5(limo), 6(enem), dan 7(pitu)
c. Menggunakan perangkat lunak komputasi (Matlab) dalam pembuatan program.
d. Menggunakan ekstraksi ciri Discreate fourrier Transform (DFT) fungsi jarak
squared chord.
e. Hasil pengenalan tidak real time.
1.4.
Metodologi Penelitian
Penulisan skripsi ini menggunakan metode :
a. Pengumpulan bahan–bahan referensi berupa buku–buku dan jurnal–jurnal.
b. Perancangan subsistem software. Tahap ini bertujuan untuk mencari bentuk model
yang optimal dari sistem yang akan dibuat dengan mempertimbangkan dari
berbagai faktor–faktor permasalahan dan kebutuhan yang telah ditentukan.
c. Pembuatan subsistem software. sistem akan bekerja apabila user memberikan
interupsi melalui PC dengan media push button yang sudah disediakan dalam
software. Kemudian sistem akan mengolah interupsi ini dan setelah selesai maka
komputer akan mengolah data dan menyajikannya berupa sebuah informasi/teks.
d. Analisa data dilakukan dengan memeriksa keakuratan data terhadap hasil proses
pengenalan nada, dengan cara membandingkan antara data di komputer dengan
lapangan dan perancangan. Penyimpulan hasil percobaan dapat dilakukan dengan
4
BAB II
DASAR TEORI
2.1.
Alat Musik Barung pelog
Barung pelog merupakan satu set instrumen jenis saron yang ada pada gamelan
jawa. Saron barung merupakan bagian ricikan gamelan berbentuk bilah dengan ukuran
yang lebih kecil dari pada saron demung dan lebih besar dari pada saron peking. [2] Saron
berukuran sedang dan oktaf tinggi. Seperti demung, Saron barung memainkan balungan
dalam wilayah yang terbatas. Pada teknik tabuhan imbal imbalan, dua saron barung
memainkan lagu jalin menjalin yang bertempo cepat.
Dalam satu set gamelan biasanya punya 4 saron barung, dan semuanya memiliki
dua pelaras yaitu pelog dan slendro. Dalam pelog memiliki 7 nada peroktafnya yaitu
1-2-3-4-5-6-7 ,sedangkan untuk nada slendro meliliki 5 nada peroktafnya yaitu 6-1-2-3-5-6-1.
Tabuh saron biasanya terbuat dari kayu, dengan bentuk seperti palu
Saron barung pelog merupakan instrumen penting pada gamelan. Menabuh Saron
biasa sesuai nada, nada yang imbal, atau menabuh bergantian antara saron 1 dan saron 2
barung. Penabuhan tergantung pada komando dari kendang dan jenis gendhingnya
2.2.
Frekuensi Dasar Barung Pelog
Kebanyakan nada merupakan nada yang kompleks yaitu terdiri atas satu atau lebih
frekuensi didalamnya. Frekuensi paling dasar dalam sebuah nada disebut sebagai
Fundamental frequency atau frekuensi dasar. Frekuensi dasar ini merupakan komponen
paling penting di karenakan frekuensi inilah yang menentukan pitch dari keseluruhan nada.
Picth merupakan tinggi atau rendahnya sebuah suara atau nada yang berhubungan
langsung dengan frekuensi dari gelombang suara[3]. Nada khususnya memiliki frekuensi –
frekuensi tambahan didalamnya yang merupakan kelipatan dari frekuensi dasarnya.
Frekuensi – frekuensi tersebut dinamakan dengan harmonics, keberadaanya dapat
menentukan kualitas dari nada tersebut.
Dari peneliti sebelumnya sudah ada peneliti yang melakukan penelitian tentang
frekuensi dasar gamelan balungan jenis barung, demung dan peking jenis pelog. Pada tabel
2.1 menunjukkan data frekuensi dasar yang di hasilkan oleh peneliti sebelumnya[4].
Table 2.1 Frekuensi Dasar Gamelan Jenis pelog
Nada 1 2 3 4 5 6 7
Demung 309 331 353 419 441 485 529
Barung 617 661 705 837 903 969 1079
Peking 1233 1321 1453 1695 1871 2003 2201
2.3.
Sampling
Sampling merupakan proses pencuplikan gelombang suara yang akan
menghasilkan gelombang diskret. Dalam proses pencuplikan, ada yang disebut dengan laju
pencuplikan (samplingrate). Sampling rate menandakan berapa banyak pencuplikan
gelombang analog dalam satu detik.Satuan dari sampling rate ialah Hertz (Hz).Secara teori
Nyquist-Shamon yang menyebutkan bahwa untuk mencegah hilangnya informasi dalam
dari sinyal asli [5].Kriteria Nyquist perlu diperhatikan dalam melakukan pencuplikan.Lebih
jelasnya kriteria Nyquist menyatakan sebuah sinyal harus memiliki pencuplikan rate yang
lebih besar dari 2 dengan adalah frekuensi paling tinggi yang muncul di sebuah
sinyal.
2.4.
Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan
satu frame terdiri dari beberapa data sampel[6]. Pengambilan sampel tersebut tergantung
dari tiap detik suara akan disampel dan berapa besar frekuensi sampling-nya. Gambar 2.2
menunjukkan contoh dari frame blocking dimana keseluruhan frame dibagi menjadi 5 M
frame. Setiap M memiliki jumlah data yaitu 2� data, dengan N adalah Bilangan bulat
Gambar 2.2. Frame Blocking
Fungsi frame blocking yaitu untuk memilih data yang akan diproses dalam sistem
pengenalan. Frame Blocking juga dapat mempercepat proses perhitungan pada DFT
(Descrete Fourier Transform) dengan jumlah data pada setiap frame memiliki 2� data
sampel yang diambil dari keseluruhan data sampel.
2.5.
Hamming Window
Windowing digunakan untuk menghilangkan efek diskontinuitas yang diakibatkan
oleh proses Frame Blocking [7]. Dari beberapa macam jenis windowing, proses pengenalan
ini menggunakan jenis Hamming window. Menggunakan Hamming window karena
Hamming window mempunyai sidelobe yang paling kecil dan mainlobe yang paling besar
sehingga Hamming window akan lebih halus dalam menghilangkan efek diskontunitas.
Persamaan Hamming window adalah :
w [k+1] = 0.54 – 0.46 cos (2�
−1), k = 0, …, n – 1
(2.1)
dengan w[k+1] adalah windowing, dan n merupakan jumlah data dari sinyal. Hamming
window adalah sebuah vektor yang mempunyai jumlah elemen sebanyak N. Besarnya N
akan disesuaikan dengan banyaknya elemen pada frame sehingga banyaknya elemen pada
Hamming window akan sama dengan banyaknya elemen pada frame. Variabel N ini
mengacu pada sub bab 2.3 tentang data sampel yang ada pada proses frame blocking yang
berupa bilangan bulat (1,2,3,…).
2.6.
Discrete Fourier Transform (DFT)
Discrete Fourier Transform (DFT) adalah Algoritma yang digunakan untuk
mengubah sampel data dari domain waktu ke domain frekuensi . DFT menstabilkan
hubungan antara sampel – sample signal domain waktu dan merepresentasikannya ke
domain frekuensi [8] . Untuk melakukan analisis frekuensi dari sinyal waktu diskrit X(k)
maka perlu mendapatkan representasi domain frekuensi dari sinyal yang biasanya
dinyatakan dalam domain waktu. DFT digunakan untuk melakukan analisa frekuensi dari
sinyal waktu diskrit.
DFT dihitung menggunakan persamaan :
X(k) = x(j)�� −1 ( −1) �
=1
Dengan:
��= (−2� )/�
Keterangan : (2.2)
j= indeks dalam domain waktu
2.7.
Fungsi Jarak Squared Chord
Fungsi jarak squared chord adalah untuk membandingkan antara database
dengan data hasil masukkan. Pembandingan data ini yang akan digunakan untuk
mengidentifikasi masukkan yang nantinya akan menghasilkan keluaran akhir dari sistem
program. Fungsi jarak squared chord merupakan proses yang digunakan untuk penentuan
keluaran sebelum keluaran akhir benar-benar dihasilkan.
Rumus untuk Fungsi jarak squared chord adalah sebagai berikut [9]
�� = − ² =1
(2.3)
dan merupakan nilai perbandingan dan nilai kemiripan antara data masukan
dengan data yang sudah ada (database) dan adalah banyak data.
2.8.
Metode Template Matching
Metode Template Matcing merupakan metode yang sederhana untuk
mencocokkan masing-masing data suara dari sebuah matriks dengan matriks lainnya.
Semakin besar simpangan dari matriks pembandingnya, maka tingkat kemiripan semakin
rendah. Metode ini metode yang mudah diimplementasikan dan mempunyai persentasi
keberhasilan pencocokan karakter yang sangat tinggi[10].
Cara kerja metode template matching adalah melakukan pengenalan pada karakter
yang ingin dikenali dan membandingkan antara input suara dengan nada referensi yang
disimpan.
Pada Sistem pengenalan nada barung pelog ini termasuk menggunakan metode
template matching karena di subsistem pengenalan nada tersebut terdapat pembandingan
2.9.
Sound Card
Sond card merupakan sebuah periperal pada komputer sebagai I/O suara yang
memberikan kemampuan pada komputer untuk menghasilkan suara yang dapat didengar
oleh pengguna baik melalui speaker atau headphone. Pada dasarnya setiap kartu suara
memiliki:
a. Digital Signal Processor (DSP) yang akan menangani semua jenis komputasi.
b. Digital to Analog Converter (DAC) sebagai keluaran suara ke speaker.
c. Analog to Digital Converter (ADC) sebagai masukan suara.
d. Read Only Memory (ROM) atau Flash sebagai penyimpanan data.
e. Musical Instrument Digital Interface (MIDI) untuk menyambungkan beberapa
peralatan musik eksternal.
f. Jack untuk menyambungkan kartu suara dengan speaker pada jalur line out atau
microphone pada jalur line in.
Beberapa kartu suara sudah terpasang secara pabrikan (on board) pada
motherboard komputer, tetapi bisa juga ditambahkan untuk keperluan yang lebih lanjut
pada slot PCI motherboard[11].
Gambar 2.4 Sound Card
2.10.
Mikrofon (Microphone)
Mikrofon digunakan pada beberapa alat seperti telepon, alat perekam, alat bantu
dengar, pengudaraan radio, televisi, dan sebagainya [12]. Fungsi mikrofon pada dasarnya
ialah untuk input suara manusia lalu mengubahnya menjadi getaran listrik sinyal analog
untuk selanjutnya diperkuat dan diolah sesuai dengan kebutuhan. Tahap selanjutnya setelah
menjadi sinyal analog ialah dengan menggunakan power amplifier dari suara yang
berintensitas rendah menjadi lebih keras lalu terakhir diumpan ke-speaker.
Dalam memilih mikrofon harus diperhatikan dengan seksama. Ketelitian dalam
nantinya akan dipakai.Karakteristik yang harus diperhatikan ketika akan memilih sebuah
mikrofon adalah:
1. Prinsip cara kerja mikrofon dari jenis mikrofon itu sendiri.
2. Daerah respon frekuensi suara yang mampu dicuplik oleh mikrofon.
3. Sudut atau arah pencuplikan mikrofon.
4. Output sinyal listrik yang dihasilkan mikrofon.
5. Bentuk fisik mikrofon.
Untuk mendapatkan hasil yang maksimal dalam penggunaan mikrofon, maka pemilihan
mikrofon harus disesuaikan dengan kebutuhan dalam hal ini yaitu sumber suara yang ingin
dicuplik, misalnya suara manusia, alat musik, suara kendaraan, atau yang lainnya dengan
sistem tata suara yang digunakan seperti sistem suara untuk pertunjukkan musik, alat
perekaman, dan sebagainya. Hal itu dikarenakan tiap kebutuhan memerlukan hasil output
yang berbeda-beda meskipun tetap memakai satu jenis masukkan yaitu mikrofon.
2.11.
Matlab
Matlab merupakan bahasa pemrograman yang hadir dengan fungsi dan karakteristik
yang berbeda dengan bahasa pemrograman lain. Matlab merupakan bahasa pemrograman
level tinggi yang dikhususkan untuk kebutuhan komputasi teknis, visualisasi dan
pemrogaman. Matlab dikembangkan oleh Mathworks, yang pada awalnya dibuat untuk
mengakses data matrik pada proyek LINPACK dan EISPACK. Software ini memiliki
ratusan fungsi yang dapat digunakan sebagai problem solver mulai dari simple
masalah-masalah yang kompleks dai berbagai disiplin ilmu [13]. Pada Lingkungan kerja Matlab,
ada beberapa bagian Window yang dipakai, yaitu :
1. Current Directory
Current Directory menampilkan isi dari direktori kerja saat menggunakan
Matlab. Direktori ini dapat diganti sesusai dengan tempat direktori kerja yang
diinginkan.
2. Command History
Window ini berfungsi untuk menyimpan perintah apa saja yang sebelumnya
3. Command Window
Command Window adalah window utama dari Matlab. Di sini adalah tempat
untuk, menjalankan fungsi, mendeklarasikan variabel, menjalankan proses,
serta melihat isi variabel.
4. Workspace
Workspace berfungsi untuk menampilkan seluruh variabel yang sedang aktif
pada saat pemakaian Matlab. Apabila variabel berupa data matriks berukuran
besar, maka user dapat melihat isi dari seluruh data dengan melakukan double
click pada variabel tersebut. Matlab secara otomatis akan menampilakn window
“array editor” yang berisikan data pada setiap variabel yang dipilih user. Gambar 2.4 menunjukan tampilan dari software Matlab yang digunakan dalam
perancangan program pengenalan nada.
12
BAB III
PERANCANGAN
3.1.
Sistem Pengenalan Nada Alat Musik Barung Pelog
. Blok sistem pengenalan nada alat musik Barung pelog di tunjukkan pada gambar
[image:30.595.70.571.190.420.2]3.1.
Gambar 3.1 Diagram Blok Pengenalan Nada Barung Pelog
Sistem pengenalan nada alat musik barung pelog menggunakan sebuah software
yang berfungsi untuk user interface. Software yang dibuat menggunakan program Matlab.
Software bertujuan untuk memudahkan user saat melakuan pengenalan nada. Software ini
berperan sebagai pusat proses pengenalan nada, seperti merekam suara nada barung pelog
dan mengenali suara nada yang terekam. Perekaman suara dilakukan komputer melalui
mikrofon dan jalur line in pada sondcard.
Pada proses pengenalan nada barung pelog, data berupa input nada yang berupa
wave di normalisasi, kemudian di olah melalui proses windowing untuk analisa sinyal
menggunakan DFT (Discrete Fourier transform) kemudian di windowing koefisien dan
yang terahir penyelesaian dengan fungsi jarak squared chord dalam sistem pengenalan
nada barung pelog.
3.1.1 Input Nada
Input nada merupakan Hasil dari sampling nada barung yang direkam berupa wav. Normalisasi
Fungsi Jarak Keluaran Text
Windowing Hamming
DFT Frame Blocking
Windowing Koefisien Input Nada
DataBase Penentuan Nada
3.1.2 Normalisasi
Proses ini bertujuan untuk menyetarakan amplitudo maksimum baik nada terekam
dengan nada referensi, sehingga efek dari kuat lemahnya suara yang dikeluarkan nada
barung tidak terlalu mempengaruhi proses pengenalan.
Untuk menyetarakan skala amplitudo puncak maka proses normalisasi
menggunakan rumus :
� = � ( )
max �
(3.1)
3.1.3 Frame Blocking
Proses ini memilih data dari data nada terekam, sehingga data yang dipilih dapat
mewakili semua data pada nada terekam. Frame bloking bertujuan untuk mengurangi
jumlah data sinyal yang akan di proses. Besarnya data nada terekam yang dipilih sesuai
dengan nilai frame blocking yang sudah ditentukan pada program.
3.1.4 Windowing
Windowing merupakan perkalian antar elemen yang berfungsi untuk mengurangi
efek diskontinuitas dari sinyal digital hasil rekaman. Dalam perancangan ini penulis
menggunakan window Hamming.
3.1.5 Discrete Fourier Transform (DFT)
Discrete Fourier Transform berfungsi untuk mengkonversi domain waktu ke
domain frekuensi. Domain frekuensi digunakan untuk melihat ciri dari suatu nada.
3.1.6 Windowing Koefisien
Untuk sistem pengenalan nada barung pelog ini menggunakan windowing koefisien
DFT. Sebagian sinyal diambil dari koefisien DFT yang dapat digunakan sebagai ekstraksi
ciri. Untuk pengambilan sebagian sinyal dapat diambil dari koefisien DFT ke-1 hingga
nilai ke-n (nilai maksimal), dengan n adalah panjang DFT. Dalam proses pengenalan nada
barung pelog ini dievaluasi sejumlah n dari panjang DFT, yaitu 16, 32, 64, 128 titik. Dari
c = p x n
(3.2)
Dengan :
p = 10%, 20%, 30%, 40%, dan 50%,
n = panjang DFT
3.1.7 Fungsi Jarak
Proses ini membandingkan nada yang di input. Hasil dari perbandingan adalah
jarak yang kemudian akan digunakan dalam proses selanjutnya. Pada proses pengenalan,
yang diambil adalah jarak yang terdekat dengan nada terekam. Dalam proses ini penulis
menggunakan fungsi jarak Squared Chord.
3.1.8 Penentuan Nada
Proses ini bertujuan mengenali nada yang di input dari jarak minimum di peroleh
setelah proses fungsi jarak.
3.1.9 Hasil Tampilan Pengenalan
Hasil pengenalan adalah subproses terakhir dari proses pengenalan nada. Pada
proses ini, hasil pengenalan nada diperoleh setelah proses kemudian ditampilkan dalam
komputer dalam GUI Matlab bentuk text.
3.2.
Perancangan Nada Referensi
Untuk merancang suatu pengenaan nada maka dibutuhkan nada acuan atau sering
juga disebut nada refrensi. Nada refrensi harus memiliki ciri yang sudah diketahui oleh
sistem terlebih dahulu. Nada refrensi diperlukan untuk menjadi data base. Fungsi database
untuk perbandingan nada yang akan dikenali. Pada sistem pengenalan nada barung pelog
ini menggambil 10 nada sebagai nada uji dan 10 sebagai database. Pengambilan nada
untuk nada refrensi melalui proses sampling, frame blocking, normalisasi, windowing ,DFT
dan windowing koefisien. Untuk mendapatkan nada refrensi maka dilakukan perhitungan :
�� � = � � � 1+ � � � 2+ + � � � 10
Nada referensi yang telah di dapat akan disimpan dalam fungsi yang ada dalam
sistem pegenalan nada barung pelog. Nada refrensi yang disimpan dalam sistem
pengenalan nada barung pelog ini berfungsi jika sewaktu - waktu dibutuhkan dapat
langsung dipanggil dalam proses fungsi jarak yang ada dalam sistem. Alur proses
pengenalan nada referensi terlihat pada gambar 3.2.
Gambar 3.2 Diagram Proses Pengambilan Nada Referensi
3.3.
Tampilan Program Pada GUI Matlab
Tampilan program sebagai interface dengan user.Program tersebut berfungsi
mempermudah user dalam mengoperasikan pengenalan nada barung pelog. Program
tersebut menampilkan plotting hasil perekaman hasil dari DFT dan plot windowing
koefisien. Pada program ini juga memberikan pilihan nilai DFT dan nilai pada windowing
yang akan digunakan untuk pengenalan nada. Tampilan program dibuat menggunakan
[image:33.595.85.528.374.733.2]software Matlab. Penjelasan lebih lanjut tentang tampilan program terdapat pada tabel 3.5.
Gambar 3.3.
Gambar 3.3 Tampilan Utama Program DFT Windowing
Normalisasi Frame Blocking
Tabel 3.1 Keterangan Tampilan Program
Nama Bagian Keterangan
Tombol Pengenalan
Nada
Digunakan untuk memulai proses pengenalan
Tombol Input Data Digunakan untuk mengambil nada barung
pelog yang berupa wav
Variasi Windowing
koefisien
Untuk variasi windowing Koefisien DFT
menggunakan 10%, 20%, 30%, 40%,dan 50%
Variasi DFT
Untuk memilih nilai DFT yang akan
digunakan pada proses pengenalan nada,
pilihan nilainya adalah 16, 32, 64,128,256
Plot Windowing
koefisien
Tampilan grafik windowing koefisien setelah
DFT
Tombol Exit Digunakan untuk mengakhiri dan keluar
aplikasi.
Plot Hasil Rekaman Tampilan grafik suara hasil perekaman yang di input
3.4.
Perancangan Diagram Blok
3.4.1
Proses Perekaman
Gambar 3.4 Diagram Alir Proses program rekam
Gambar 3.4 memperlihatkan alir program saat melakukan proses rekam.
Pada proses perekaman ada proses delay. Proses delay digunakan untuk
memberikan jeda waktu sebelum melakukan perekaman. Pada proses perekaman
ini menggunakan frekuensi sampling yang telah ditentukan yang sesuai dengan
karakteristik nada barung pelog . Hasil yang didapat dari proses rekam yaitu
sampling nada yang berupa wave. Perekaman nada barung dari nada 1,2,3,4,5,6
dan 7 dilakukan sebanyak 20 kali pada setiap nada, 10 data rekaman berupa wav
untuk data base dan 10 data rekaman untuk pengujian. Hasil proses rekam
tersebut kemudian ditampilkan dalam bentuk plot grafik sesuai dengan alir
program.
3.4.2 Proses Pengenalan Nada Barung Pelog
Ketika pengguna akan memulai program pengenalan nada barung pelog,
pengguna dihadapkan tampilan yang sederhana dari interface Matlab. Masukkan
nada uji yang berupa data wav ke input data, variasi nilai DFT dan variasi
windowing koefisien pada list box, setelah user selesai memilih nilai variasi yang
diinginkan kemudian pada plot hasil perekaman tertampil. proses selanjutnya Delay
Sampling Nada Mulai
[image:35.595.96.521.110.620.2]adalah penekanan tombol pengenalan nada yang tersedia pada tampilan awal.
Sistem akan mengenali nada secara tidak real time pada nada barung pelog.
Setelah dilakukan pengenalan maka kemudian tergambar grafik pada hasil
pengenalan DFT dan plot windowing koefisien kemudian berbentuk keluaran text
pada hasil pengenalan nada Dalam gambar 3.5 akan menjabarkan mengenai alur
[image:36.595.99.497.195.575.2]proses utama dalam program.
Gambar 3.5. Diagram Alir Proses Block Keseluruhan Input nada
DFT
Fungsi Jarak
Keluaran Text Frame
Blocking Pemotongan Sinyal
Windowing Hamming
Penentuan Nada Windowing
Koefisien Mulai
Selesai
3.4.3 Proses Normalisasi
Gambar 3.6 Diagram Alir Proses Normalisasi
Pada proses normalisasi seperti gambar 3.6 di atas proses tersebut harus
mempunyai nilai maksimum. Normalisasi tersebut berfungsi untuk mengkonversi data
maksimum dalam deretan hasil frame blocking menjadi bernilai 1. Dalam pengkonversian
menjadi data maksimum menggunakan perintah xmax=max(abs(xframe)). Setelah mencari
nilai maksimum, kemudian dilakukan proses normalisasi dengan cara membagi data
dengan nilai maksimum yang berisikan perintah xnorm=xframe/xmax. Diperoleh keluaran
hasil normalisasi berupa matriks yang digunakan untuk proses selanjutnya sebagai
masukan.
Hasil input nada
Hasil Normalisasi Normalisasi
y=y/max(y);
[image:37.595.90.514.83.443.2]3.4.4 Pemotongan Sinyal
Gambar 3.7 Diagram Alir Proses Pemotongan sinyal
Proses setelah normalisasi yaitu proses pemotongan sinyal. Pemotongan sinyal
berguna untuk memotong kekosongan pada sinyal nada atau data nada yang terdapat pada
awal dan akhir sinyal.Proses pemotongan sinyal ditentukan oleh variabel batas potong.
Dengan cara visual (pada lampiran 2) maka penulis dapat menggunakan |0,2| sebagai batas
potong, untuk menghilangkan kekosongan pada sinyal nada Barung pelog.
Pemotongan sinyal yang dilakukan adalah masukan yang berupa sinyal nada Barung
pelog akan dipotong pada sisi kiri, dan akan menghasilkan sinyal nada Barung pelog dan
akan menghasilkan keluaran data nada Barung pelog dan akhir data nada Barung pelog
Proses pemotongan sinyal ini bergantung nilai batas potong yang terdapat pada
m-file. Proses pemotongan sinyal bagian awal akan dipotong bagian awalnya, sehingga
memperoleh data nada Barung pelog dan data akhir.
Masukan hasil normalisasi
Hasil pemotongan
Menentuka variabel batas potong [0,2] ( dilihat pada hasil dan lampiran secara visual )
[image:38.595.100.502.109.448.2]3.4.5 Proses Frame Blocking
[image:39.595.67.547.83.557.2]
Gambar 3.8 Diagram Alir Proses Frame Blocking
Dari gambar ditampilkan pada Gambar 3.8. Proses frame Frame blocking bertujuan
untuk mengurangi jumlah data sinyal yang akan di proses.
Jumlah data yang diambil dalam proses ini sesuai dengan variasi DFT yang
dipilih user sehingga data yang dipilih dapat mewakili semua data yang di ambil pada nada
input. Pada proses ini, sample diambil dari data nada terekam. Nada terekam diperoleh dari
data sampling. Langkah pertama yaitu dengan pemotongan sinyal untuk bagian kiri . yang
didapat di tentukan besar data yang akan di ambil untuk proses pengenalan nada
selanjutnya.
Masukan Nada pemotongan sinyal
Fr=16 Fr=32 Fr=64 Fr=128
Ambil data sesuai Frame
Keluaran hasil frame blocking
ya ya
ya
ya Tidak Tidak
Tidak Tidak
Selesai Mulai
3.4.6 Proses Hamming Windowing
Gambar 3.9 Diagram Alir Proses Hamming windowing
Untuk gambar proses windowing hamming tertera diatas pada gambar 3.9. Pada
proses Hamming window ini melakukan perhitungan dengan persamaan (2.1). w[k+1]
merupakan hasil dari perhitungan persamaan yang berupa matrik �1 �2 �
kemudian hasilnya
dikalikan dengan nilai matrik masukan
�1. 1 �2. 2 � .
. Hasil dari proses windowing ini berupa
matriks ℎ1 ℎ2 ℎ
yang selanjutnya menjadi masukan proses DFT.
Hasil Frame blocking
w [k+1] = 0,54 – 0,46 cos(2� − 1)
Hasil Windowing
Perkalian antara data masukkan dengan hasil windowing hamming
3.4.7 Proses Discrete Fourier Transform (DFT)
Gambar 3.10 Diagram Alir Proses DFT
Dari hasil windowing hamming kemudian ditransformasikan menggunakan
Discrete Fourier Transform (DFT) .Proses ini mengkonversi data nada suara dalam
domain waktu menjadi domain frekuensi pada persamaan pada 2.2 di atas dengan fungsi
adalah masukan dari hasil windowing. Nilai dari DFT yang diperoleh kemudian dicari nilai absolutnya. Pada proses ini diperoleh keluaran hasil ekstraksi ciri berupa
matriks
1
2 . Diagram alir dari proses DFT diperlihatkan pada Gambar 3.9.
Hasil windowing
X(k) = x(j)�� −1 ( −1)
�
=1
Hasil DFT Mencari Nilai Absolut
3.4.8 Proses Windowing Koefisien DFT
Gambar 3.11 Diagram Alir Proses Windowing koefisien DFT
Setelah Proses Discrete Fourier Transform (DFT) diproses menghasilkan panjang
nilai koefisien, Dari panjang nilai nilai koefisien DFT kemudian akan dipilih dengan
windowing koefisien dengan rumus 3.2 diatas, dengan c sebagai hasil windowing koefisien,
p adalah nilai persen koefisien dan n adalah panjang DFT.Pilihan variasi windowing
koefisien tergantung user memberi masukan. Variasi windowing koefisien berupa pilihan
dari 10%,20%,30%,40% dan 50%. kemudian komputer menjalankan proses plotting hasil
konversi tersebut. Proses windowing koefisien diperlihatkan pada Gambar 3.9. Hasil DFT
c = p x n
Hasil DFT
Mulai
3.4.9 Proses Fungsi Jarak Squared Chord
Gambar 3.12 Diagram Alir Proses fungsi jarak Squared chord
Setelah didapat hasil dari windowing koefisien kemudian proses selanjutnya yaitu
perhitungan jarak menggunakan fungsi jarak Squared Chord. Gambar 3.12
memperlihatkan diagram alir proses fungsi jarak Squared Chord. Pada proses ini
menghitung jarak antara rerata hasil (data base) dengan data hasil
ekstraksi ciri. Penghitungan proses ini menggunakan persamaan 2.3 diatas dengan dan
merupakan nilai perbandingan dan nilai kemiripan antara data masukan dengan data
yang sudah ada (database) dan adalah banyak data. Hasil penghitungan jarak ini adalah
nilai angka hasil perbandingan yang bukan matrix dan sebagai penentu hasil pengenalan
nada. Perbandingan menghasilkan nilai jarak dan data – data tersebut dicari nilai terkecilnya. Pencarian nilai terkecil di hasilkan dengan jarak minimal pada data base.
Hasil penghitungan jarak ini adalah sebagai penentu hasil pengenalan nada. Gambar 3.13
memperlihatkan diagram alir penentuan nada hasil pengenalan. Nada hasil pengenalan
ditampilkan dalam tampilan program dalam bentuk teks. Jika sudah mencapai pada proses
tersebut maka proses pengenalan nada barung pelog sudah selesai. User dapat keluar dari
= − ² =1
Hasil perhitungan jarak Hasil windowing koefisien DFT
program pengenalan nada tersebut dengan menekan tombol “Exit”. User juga dapat mengulang kembali pengenalan nada barung pelog yang lain dengan pilihan input nada
sesuai pilihan user . Jika user hendak mengulang maka user memulai nada lain yang ingin
dikenali kemudian menekan tombol “Pengenalan Nada”.
Gambar 3.13 Diagram Alir Proses Penentuan Nada
3.5.
Perancangan Subsistem Program
Sistem pengenalan nada barung pelog mempunyai dua subsistem penting
dalamnya. yaitu subsistem sampling dan subsistem pengenalan nada. Perancangan
subsistem tersebut terdapat variabel dari nilai variasi-variasi yang telah di tentukan yaitu
variasi DFT dan windowing koefisien, sehingga pengenalan dapat berhasil dan dengan
waktu proses yang optimal. Pengujian awal untuk mencari variabel tersebut sangat
diperlukan karena dalam program tersebut memiliki fungsi–fungsi menunjang subsistem dari sistem program pengenalan nada.
Hasil jarak
Keluaran = jarak minimal
( perbandingan jarak nilai yang terkecil )
Text Dikenali
Mulai
3.5.1 Subsistem Sampling
Dalam subsistem ini terdapat dua variabel terikat berupa frekuensi sampling dan
durasi perekaman. Setelah melakukan pengujian awal, dapat disimpulkan:
a. Secara teori nada dasar frekuensi samplingnya 2158Hz secara praktek di dapat
1110Hz. Sehingga Penggunaan frekuensi 2200Hz sudah memenuhi kriteria
nyquist.(lihat lampiran L3)
b. Durasi perekaman yang digunakan adalah 1.5 detik.(lihat lampiran L4)
3.5.2
Subsistem Pengenalan Nada
Subsistem ini terdiri dari tiga proses, menggunakan variabel tetap yaitu proses
fungsi jarak dan menggunakan variabel bebas yaitu variasi DFT dan variasi windowing
koefisien. Variabel yang akan di evaluasi untuk membangun sistem nada yang optimal
adalah kedua variabel bebas tersebut.
a. Windowing yang digunakan adalah Hamming window. .
b. Frame blocking mengambil sampel data dari data suara terekam (data yang diperoleh
dalam proses sampling). Nilai variasi frame blocking sama dengan nilai variasi dari
DFT yaitu 16, 32, 64, 128, 256.
c. Windowing Koefisien DFT mengevaluasi proses variasi nilai jumlah koefisien DFT.
28
BAB IV
HASIL DAN PEMBAHASAN
Pengujian program perlu dilakukan untuk mengetahui kinerja program bekerja
dengan baik dan sesuai dengan perancangan. hasil pengujian berupa data-data yang dapat
memperlihatkan bahwa program yang telah dirancang dapat berjalan dengan baik. Analisa
terhadap proses proses kerja dapat digunakan untuk menarik kesimpulan dari apa yang
disajikan dalam tugas akhir ini.
4.1
Pengujian Program Pengenalan Nada Barung Pelog Menggunakan
Windowing Koefisien DFT dan Jarak Squared Chord
Perancangan program menggunakan software Matlab 7.0.4. Pada pengujian
program menggunakan laptop dengan spesifikasi:
Prosesor : Intel® Core™ 2 Duo processor CPU @ 2.1 GHz
RAM : 2.00 GB
Tipe sistem : Sistem operasi 32 bit
Proses pengenalan nada Barung Pelog dapat dilakukan dengan menjalankan
langkah-langkah di bawah ini:
[image:46.595.81.530.221.604.2]1. Mengklik dua kali ikon Matlab pada layar desktop dengan gambar ikon seperti
Gambar 4.1.
Gambar 4.1 Ikon Matlab 7.0.4
2. Setelah melakukan langkah 1, akan tampil tampilan utama software Matlab seperti
Gambar 4.2 Tampilan Matlab
3. Mengetikan perintah gui2 pada Comand window untuk memunculkan tampilan
program pengenalan nada. Setelah itu akan muncul tampilan program pengenalan
nada seperti pada Gambar 4.3.
Gambar 4.3 Tampilan Program Pengenalan Nada Barung Pelog
4. User memilih input data yang akan di kenali kemudian nilai variasi DFT dan
variasi windowing koefisien yang akan digunakan terlebih dahulu sebelum
melakukan pengenalan nada. Nilai variasi DFT yang disediakan adalah 16, 32, 64,
128, dan 256. Nilai variasi windowing koefisien yang disediakan adalah
5. Apabila langkah 4 sudah dilakukan, user dapat memulai pengenalan nada dengan menekan tombol “Pengenalan Nada”. Hasil pengenalan nada barung pelog terlihat seperti pada gambar 4.4.
[image:48.595.99.530.156.535.2]
Gambar 4.4 Tampilan Hasil Pengenalan
6. User dapat mengulang kembali pengenalan nada yang berbeda dengan mengulang
kembali langkah 4.
7. User dapat mengakhiri pengenalan nada dengan menekan tombol “exit”.
4.1.1 Pengenalan Nada
Pengenalan nada dapat dilakukan dengan melakukan berbagai langkah-langkah
seperti yang telah dijelaskan di atas. Tampilan program pengenalan nada dapat dilihat pada
Gambar 4.3. Pada tampilan pengenalan nada terdapat 2 pop up menu, 2 axes, 3 push
button, dan 1 static text. User dapat memulai pengenalan nada dengan melakukan
pengaturan terlebih dahulu pada program pengenalan nada. Pengaturan yang perlu
dilakukan adalah dengan memilih input nada yang akan di kenali, memilih nilai variasi
DFT dan nilai variasi windowing koefisien yang terdapat pada pop up menu. Setelah itu
menentukan nilai variasi yang akan digunakan, user dapat memulai pengenalan nada
dengan menekan tombol tekan ”pengenalan nada”. Hasil pengenalan yang ditampilkan
adalah plot input data perekaman, plot DFT, dan nada yang berhasil dikenali. User dapat
berbeda dan nilai variasi windowing koefisien yang berbeda. Untuk mengakhiri pengenalan dengan menekan tombol “exit” seperti yang telah dijelaskan di atas.
a. Pop Up Menu
Pada program pengenalan nada Barung pelog ini menggunakan tiga pop up
menu variasi DFT, dan variasi windowing koefisien,. Untuk pop up menu 1 akan
menampilakan input nada yaitu siji, loro, telu, papat, limo, enem, dan pitu dengan
lima macam setiap nadanya. pop up menu 2 digunakan untuk variasi DFT yang
bernilai 16, 32, 64, 128, dan 256. Pop up menu 3 akan menampilkan windowing
koefisien yang bernilai 10, 20, 30, 40, dan 50. Berikut merupakan contoh program
dalam penggunakan pop up menu
%mengambil data (load)
nada=handles.nada; if (nada==1)
[y,fs]=wavread('ji_a.wav'); elseif (nada==2)
[y,fs]=wavread('ji_b.wav'); elseif (nada==3)
[y,fs]=wavread('ji_c.wav'); elseif (nada==4)
[y,fs]=wavread('ji_d.wav'); elseif (nada==5)
[y,fs]=wavread('ji_e.wav'); elseif (nada==6)
[y,fs]=wavread('ro_a.wav'); elseif (nada==7)
[y,fs]=wavread('ro_b.wav'); elseif (nada==8)
[y,fs]=wavread('ro_c.wav'); elseif (nada==9)
[y,fs]=wavread('ro_d.wav'); elseif (nada==10)
[y,fs]=wavread('ro_e.wav'); elseif (nada==11)
[y,fs]=wavread('lu_a.wav'); elseif (nada==12)
[y,fs]=wavread('lu_b.wav'); elseif (nada==13)
[y,fs]=wavread('lu_c.wav'); elseif (nada==14)
[y,fs]=wavread('lu_d.wav'); elseif (nada==15)
[y,fs]=wavread('lu_e.wav'); elseif (nada==16)
[y,fs]=wavread('pa_a.wav'); elseif (nada==17)
[y,fs]=wavread('pa_b.wav'); elseif (nada==18)
[y,fs]=wavread('pa_d.wav'); elseif (nada==20)
[y,fs]=wavread('pa_e.wav'); elseif (nada==21)
[y,fs]=wavread('mo_a.wav'); elseif (nada==22)
[y,fs]=wavread('mo_b.wav'); elseif (nada==23)
[y,fs]=wavread('mo_c.wav'); elseif (nada==24)
[y,fs]=wavread('mo_d.wav'); elseif (nada==25)
[y,fs]=wavread('mo_e.wav'); elseif (nada==26)
[y,fs]=wavread('ne_a.wav'); elseif (nada==27)
[y,fs]=wavread('ne_b.wav'); elseif (nada==28)
[y,fs]=wavread('ne_c.wav'); elseif (nada==29)
[y,fs]=wavread('ne_d.wav'); elseif (nada==30)
[y,fs]=wavread('ne_e.wav'); elseif (nada==31)
[y,fs]=wavread('tu_a.wav'); elseif (nada==32)
[y,fs]=wavread('tu_b.wav'); elseif (nada==33)
[y,fs]=wavread('tu_c.wav'); elseif (nada==34)
[y,fs]=wavread('tu_d.wav'); elseif (nada==35)
[y,fs]=wavread('tu_e.wav'); end
axes(handles.axes1); plot (y)
sound(10*y);
Pada program diatas merupakan program pengambilan nada atau nada yang
sudah di rekam pada barung pelog dengan nada 1 sampai dengan 35 nada yang akan di kenali contoh if (nada==33) [y,fs]=wavread(„tu_c.wav‟) maka program akan mengambil nada dengan nama tu_c.wav pada directory.
end
handles.vardft=frame; guidata(hObject,handles);
Pada program di atas, nilai DFT diinisialisai menggunakan nama ndft yang dibagi
dalam 5 kondisi sesuai dengan banyaknya variasi. Inisialisasi ndft tersebut diproses
menggunakan perintah handles. Perintah ini digunakan untuk data atau nilai DFT yang
telah diinisialisasi sebagai masukan apabila dilakukan callback. Pada pop up menu variasi
windowing koefisien menjalankan program sebagai berikut:
indeks=get(handles.popupmenu3,'Value'); switch indeks
case 1 wk=10; case 2 wk=20; case 3 wk=30; case 4 wk=40; case 5 wk=50; end
handles.koefisien=wk; guidata(hObject,handles);
Proses yang dilalui oleh pop up menu pada variasi windowing koefisien sama
dengan proses pada pop up menu variasi DFT. Nilai windowing diinisialisasikan dengan
wk.
b. Tombol “Pengenalan Nada”
Tombol “pengenalan nada” adalah tombol yang berfungsi untuk melakukan pengenalan nada Barung pelog. User dapat melakukan pengenalan nada Barung pelog dengan menekan tombol tersebut. Tombol “pengenalan nada” memulai pengenalan nada dengan menjalankan beberapa subproses. Subproses yang dijalankan dimulai dari input
nada, normalisasi, frame blocking, windowing hamming, ekstraksi ciri DFT,windowing
koefisien, penghitungan jarak Squaredchord, dan penentuan hasil pengenalan nada.
%mengambil data (load)
nada=handles.nada; if (nada==1)
[y,fs]=wavread('ji_a.wav'); elseif (nada==2)
[y,fs]=wavread('ji_b.wav'); end
axes(handles.axes1); plot (y)
sound(10*y);
Nada yang telah input tersebut diplot pada tampilan program pengenalan
menggunakan perintah plot. Nada terekam diplot pada axes yang telah tersedia di dalam
tampilan program pengenalan. kemudian ditambah kan program sound(10*y); untuk
membunyikan nada input yang di ambil. Setelah proses perekaman, program akan
memproses hasil rekaman tersebut sehingga dapat di kenali. Ada pun proses- proses yang
harus di lakukan dengan cara, yaitu pemotongan sinyal. Nada yang sudah direkam tersebut
akan dipotong dengan batas potong sebesar |0.2| pada sisi kiri sinyal. Setelah proses
pemotongan itu selesai maka langkah selanjutnya memilih data yang dinamakan frame
blocking, langkah selanjutnya yaitu windowing, pada pengenalan nada barung pelog ini
menggunkan windowing hamming. Setelah selesai windowing hamming, dilakukan proses
ekstraksi ciri DFT dan windowing koefisien. berikut ini merupakan proses pengolahan
pemotongan sinyal hingga program windowing koefisien :
% Normalisasi %
y=y/max(y);
%pemotongan sinyal
b0=0.2;
b1=find(y>b0 | y<-b0); y(1:b1(1))=[]; %frame blocking frame=handles.vardft; frame; for p=1:frame; f(p)=y(p+frame); end %windowing hamming w=hamming(frame); for p=1:frame;
wo(p)=f(p)*w(p); %wo(p)==> windowing hamming (p)
end
%ekstraksi ciri DFT
plot (g);
%dftwo
function g=dftwo(wo)
%hitung panjang wo
n=length(wo); %hitung dft g=zeros(1,n) for k=1:n for m=1:n w=exp(-1i*2*pi*(k-1)*(m-1)/n); a=wo(m)*w; g(k)=g(k)+a; end end %windowing koefisien wk=handles.koefisien; h=frame; c=(wk/100)*h; s=floor(c); ya=g(1:s); ya=ya(:); axes(handles.axes6); plot (ya);
Dari hasil windowing koefisien yang di inisialisasikan dengan “ya”, maka akan
diplot pada axes2 yang menggambarkan hasil akhir dari sinyal windowing koefisien.
Proses selanjutnya setelah penggambaran sinyal nada barung pelog adalah proses
pemanggilan database yang telah disesuaikan dengan 2 variasi masukan yaitu variasi DFT,
dan variasi windowing koefisien yang telah dipilih oleh user sebelumnya. Program
database menggunakan logika if else agar database mempunyai kesamaan dengan nilai
variasi yang telah dipilih sebelumnya oleh user. Program di bawah merupakan contoh dari
program pemanggilan database.
%data base
if (frame==16)&(wk==10) load xciri1610
elseif (frame==16)&(wk==20) load xciri1620
elseif (frame==16) & (wk==30) load xciri1630
elseif (frame==16) & (wk==40) load xciri1640
Program di atas untuk memanggil database yang akan dibandingkan dengan nada
yang telah terekam dengan menggunakan perintah jarak. Database yang dipanggil sesuai
dengan masukan variasi DFT, variasi windowing koefisien yang telah dipilih oleh user
sebelumnya.
Setelah proses pemanggilan database, proses selanjutnya adalah membandingkan
database dengan data masukkan dari user yang telah dimasukkan pada input nada.
Perbandingan data - data tersebut memakai metode jarak Squaredchord. Program
perhitungan jarak sebagai berikut:
function js=jaraksquaredchord(p,q); a1=(sqrt(p));
a2=(sqrt(q)); a3=(a1-a2); js=sum(a3.^2);
%perhitungan jarak
for n=1:7
jaraklist(n)=jaraksquaredchord(ya,z(:,n)); end
%cari nilai minimal
jmin=find(min(jaraklist)==jaraklist);
%deskripsi string
nadalist={'1 (siji)','2 (loro)','3 (telu)','4 (papat)','5(limo)','6 (enem)','7 (pitu)'};
%penentuan keluaran
yy=nadalist(jmin)
set(handles.text10,'String',yy);
Program di atas melakukan penghitungan jarak nada input yang sudah direkam
dengan database dari ke tujuh nada barung pelog dalam berbagai variasi. Perintah jarak
berfungsi untuk menjalankan fungsi jarak squaredchord. Nilai jarak minimal yang
diperoleh digunakan untuk menentukan nada barung pelog yang berhasil dikenali. Pada
program di atas juga untuk tidak mengenali (mengenali secara salah) nada yang akan
dikenali. Untuk tidak mengenali nada selain nada Barung pelog, dengan cara
membandingkan jarak minimal yang telah diperoleh saat pengenalan dengan batasan
maksimal dari ketujuh nada barung pelog. Nada yang telah dikenali ditampilkan pada
c. Tombol “exit”
Tombol “exit” atau keluar digunakan apabila user ingin mengakhiri program pengenalan nada. Perintah program tombol “exit” sebagai berikut:
delete(figure(tobing_progrm_meh_fixe));
Kesimpulan dari pengujian program pengenalan barung pelog adalah tombol yang
terdapat pada tampilan program dapat berjalan dengan baik dan alur program telah sesuai
dengan perancangan. Sistem pengenalan nada juga sudah dapat berjalan dengan baik.
sesuai dengan yang di inginkan.
4.2
Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat
Pengenalan Nada Barung Pelog
4.2.1 Pengujian untuk Menentukan batasan Nilai Jarak yang Optimal
Pada pengujian ini dilakukan untuk menentukan batasan nilai jarak yang optimal.
Parameter yang digunakan untuk menentukan batas nilai ini menggunakan windowing
koefisien 50%, dan panjang DFT 256 yang mempunyai tingkat pengenalan yang baik.
Pengujian ini menggunakan 5 kali percobaan setiap nadanya dan dari 5 percobaaan setiap
nada tersebut akan mendapatkan nilai minimal. Setelah mendapatkan nilai minimal dari 5
kali percobaan setiap nada tersebut, nilai yang paling minimal dari ke tujuh nada tersebut
[image:55.595.80.530.246.505.2]yang akan di kenali.
Tabel 4.1 Jarak Minimum pada percobaan
Percobaan Ke-
Nada
1 (siji) 2 (loro) 3 (telu) 4 (papat) 5 (limo) 6 (enem) 7 (pitu) 1 3.3283 194.9283 192.4405 205.9538 199.4625 212.5251 204.679
Tabel 4.1 memperlihatkan dua percobaan, untuk selengkapnya dari 35 percobaan
dapat di lihat pada lampiran (L18). Dari tabel tersebut menunjukkan nilai minimum pada
percobaan 1 terdapat pada nada 1 (siji) jadi yang di kenali adalah nada 1(siji), pada
percobaan 2 nilai minimum terdapat pada nada 2 (loro) jadi yang dikenali adalah nada 2
(loro).
4.2.2 Pengujian Pengaturan Pengenalan Nada
pengujian untuk melihat seberapa besar tingkat pengenalan yang terjadi setiap
penentuan nada pada DFT dan windowing koefisien. Langkah – langkah pengujian yang
akan digunakan sebagai berikut:
1. Proses pengambilan nada input yang sudah direkam 5 kali setiap nada
2. Mengenali setiap nada yang di input menggunakan kombinasi nilai variasi yang
berbeda-beda dengan nilai:
a. DFT : 16,32,64,128,256
b. Windowing koefisien : 10%,20%,30%,40%,50%
3. Menentukan kombinasi nilai variasi pengenalan yang menghasilkan tingkat
pengenalan terbaik.
Pengujian dilakukan pada variasi yang maksimal yaitu DFT 256 dan windowing
koefisien 50%, di harapkan memperoleh hasil yang baik dan sesuai yang di
[image:56.595.106.528.273.769.2]inginkan. Tabel 4.2 menunjukkan hasil pengujian :
Tabel 4.2 Hasil Pengenalan DFT:256 dan Windowing Koefisien:50%
Percobaan Ke-
Nada
1 (siji) 2 (loro) 3 (telu) 4 (papat) 5 (limo) 6 (enem) 7 (pitu)
1 O O O O O O O
2 O O O O O O O
3 O O O O O O O
4 O O O O O O O
5 O O O O O O O
6 O O O O O O O
7 O O O O O O O
8 O O O O O O O
9 O O O O O O O
10 O O O O O O O
12 O O O O O O O
13 O O O O O O O
14 O O O O O O O
15 O O O O O O O
16 O O O O O O O
17 O O O O O O O
18 O O O O O O O
19 O O O O O O O
20 O O O O O O O
21 O O O O O O O
22 O O O O O O O
23 O O O O O O O
24 O O O O O O O
25 O O O O O O O
26 O O O O O O O
27 O O O O O O O
28 O O O O O O O
29 O O O O O O O
30 O O O O O O O
31 O O O O O O O
32 O O O O O O O
33 O O O O O O O
34 O O O O O O O
35 O O O O O O O
Keterangan : O = dikenali benar
X = dikenali salah
Pada tabel 4.2 dapat di lihat dari 35 kali percobaan dengan 5 kali percobaan
pada setiap nada tidak terdapat nada yang di kenali secara salah.
Proses pengenalan nada barung pelog pada setiap pengujian memiliki
tingkat presentase proses pengenalan, perhitungan persamaan (4.1) dilakukan
untuk mendapatkan persentase pengenalan keseluruhan nada yang di ujikan setiap
sample nada.
Jumlah Pengenalan(%) = � � ℎ � � �� � �
� � ℎ �� � � � x100% (4.1)
Dari perhitungan persamaan di atas dapat di ketahui tingkat pengenalan nada pada
pengaruh variasi DFT dan windowing koefisien. Hasil presentase tingkat
Gambar grafik 4.5
Dari gambar grafik 4.1 diatas bisa di lihat bahwa pengaruh variasi
windowing koefisien terhadap tingkat pengenalan nada sangat berarti dengan
semakin besar windowing koefisien maka hasil pengenalan semakin baik.
4.2.3