HIDDElV il1arkov MODEL

(1)

;/ i

I

.\'JSTE/ .. 1 PEN<;ENALAN

CHORD PADA Ffi_E ll!USJK IJJUITAL

IJENU4N JlrJENOliUNAKAN PITCH CJAS.\' PROFILES

JJAN HIDDEN M4RKOV MODE'JA

Ivanna K. llmolins. Adhi Prayogo

SISTEM PENGENALAN

CHORD

PADA

FILE

MUSIK DIGITAL

DENGAN I\1ENGGlJNAKAN

PITCH CLASS PROFILES

DAN

HIDDElV il1ARKOV MODEL

Ivanna

k..

Timotius, Adhi Prayogo

Fakultas Teknik Elektronika dan Komputer, Program Studi Teknik Elektro, Universitas Kristen Satya Wacana, Salatiga, Indonesia

[email protected], [email protected]

Chord adalah salah satu elemen utama musik yang dapat memberikan gambaran sederhana dari suatu karya musik Sebuah sistem yang dapat mengenali chord dari suatu rekaman musik secara otomatis akan sangat menarik dan bermanfaat. Tulisan ini mengimplementasikan sebuah algoritma pengenalan chord otomatis dengan menggunakan pitch class pn!files dan hidden A4arkm• model. Algoritma yang diimplementasikan menunju kkan tingkat akurasi pengenalan sebesar I 00% untuk file lagu progresi chord murni dari MIDI, 97,97% untuk file lagu progresi chord murni dari rekaman gitar, 8\35% untuk file lagu kompleks dari MIDI, dan 59,80% untuk tile lagu kompleks yang mengandung vokalmanusia.

Kata hmci: chord, pitch class pn?files, hiddeu A1arkov model.

1. Pendahuluan

Sistem pendengaran manusta mempunyai kemampuan untuk menyarikan data yang kaya dari sinyal audio yang kompleks. Misalnya manusia dapat memahami percakapan dan menikmati musik. Musik maupun percakapan termasuk sinyal audio yang kompleks Salah satu elemen utama musik adalah chord Rangkaian chord dapat memberikan gambaran sederhana dari sebuah karya musik.

Transkripsi musik didefinisikan sebagai kegiatan mendengarkan sebuah karya musik dan menulis notasi musik untuk setiap nada yang menyusun karya musik tersebut. 133

(2)

T echnc Jurnal Ilnuah Ekktrotcknika Vol. <J No. ·~ Oktob~..:r 10 I 0 Hal L~J J .f3

Transkripsi musik dapat juga diartikan sebagai kegiatan mentransformasi unsur - unsur dari sebuah karya musik ke dalam representasi simboliknya. Transkripsi chord adalah bagian dari transkripsi musik yang bertujuan mendapatkan representasi simbolik dari unsur hannoni sebuah karya musik, yaitu nama - nama chord dari karya musik tersebut. Transkripsi chord ini penting dan bermanfaat misalnya bagi pemain musik yang ingin

Metode yang digunakan hingga kini dalam melakukan transkripsi chord adalah dengan transkripsi secara manual. Caranya adalah seseorang mendengarkan suatu rekaman musik lalu menuliskan chord-nya dengan mengandalkan kepekaan pendengaran dan perasaannya. Tetapi orang yang dapat melak:ukan ini adalah orang - orang tertentu dengan kepekaan telinga yang baik dan memiliki Jatar belakang musik yang kuat serta sudah terlatih secara khusus dalam jangka wakiu lama. Karena itu sebuah sistem yang dapat melakukan transkripsi chord secara otomatis akan sangat bermanfaat untuk membantu orang - orang yang bam belajar musik atau pemusik pemula untuk mendapatkan label chord yang benar dari suatu rekaman musik yang dipunyai.

Sistem yang dikembangkan menggunakan Pitch Class Pr<?files· (PCP) sebagai metode ekstraksi fitur. PCP dipilih karena dapat menampilkan intensitas nada - nada musikal dari suatu sinyal dengan baik. Hal ini penting karena yang membedakan suatu chord dari chord yang lain adalah nada- nada penyusunnya. Selain itu, PCP memetakan nada - nada yang sama dari ok:taf yang berlainan ke dalam satu kelas nada, hal ini juga akan sangat berb'lma karena chord akan tetap sama jika nada nada penyusunnya sama, tidak bergantung pada urutan penyusunannya atau jangkauan okiafnya

Chord dahlm sebuah rekaman musik berubah mengikuti wak'1U, sebagaimana halnya kata - kata dalam rekaman percakapan berubah mengikuti wak:tu, karena itu banyak kerangka kerja dalam pengenalan wicara yang dapat digunakan dengan modifikasi [

1].

Sistem yang dikembangkan menggunakan Hiddenlvfarkov Models (HMM) sebagai klasiiikator yang populer digunakan dalam pengenalan wicara [2].

HMTvf dapat dipandang sebagai pernyataan .\'late machiue yang \'IOff'-nya berpindah - pindah setiap waktu tertentu. Perpindahan antar starr.> dalam sebuah HMM berdasarkan probabilitas tertentu Hal ini juga bersesuaian dengan sifat chord dalam

134

• I

I

;

•

't

,\'/STEM PElWiENALAN L110RIJ PAlM FILE JUUSJK DIGITAL J>ENGAA AfENOOUNAKAN PITCH ClASS PROFILES DAN HIDDEN JYJARKOV lifOJJEL lvwma K. Jimotius, Adhi Prayogo sebuah lagu yang berpindah - pindah setiap wak1t1 tertentu berdasarkan probabilitas tertenttl. Suatu chord dalam sebuah lagu akan mempunyai kecenderungan lebih kuat untuk berpindah ke suatu chord tet1entu daripada ke chord lainnya.

Terdapat beberapa kesulitan yang dihadapi suatu sistem pengenalan chord ;.)to malls tit anlaran ya aual<tll oun yah.H.Yd JClus aiaL lllU:>Jh. y aHg u1guuah.aH u~ug<1H \\do "d

suara yang berbeda-beda, adanya alat musik perkusi, adanya chord yang nada-nadanya tidak dimainkan secara simultan (broken chord atau ai]Jeggio), dan adanya melodi lagu.

2. Cllord

( 'hord Dlt~rupakan sekumpulan nada dengan pnla tertentu Sinyal dari sehuah nada yang berbeda memiliki frek ... uensi yang berbeda. Karena itu, sinyal dari dua buah chord yang berbeda, yang disusun oleh nada yang berbeda, akan memiliki karakteristik frekuensi yang berbeda pula.

Chord dalam musik adalah tiga atau lebih nada nada yang dibunyik:an bersama - sama (3]. ( 'hord diklasifikasikan berdasarkan interval di antara nada - nada pembentuknya. Interval dalam musik berarti jarak di antara dua nada musikal. Jenis chord yang paling umum dan paling sederhana adalah triad, yaitu yang terdiri dari tiga buah nada. Dua jenis triad yang paling umum adalah major triad dan minor triad. Bila sebuah interval ditambahkan lagi pada sebuah triad, maka akan membentuk se\•e/1111 chord yang terdiri dari empat nada. Sevemh chord yang paling umum adalah dominaut .•;eve11th chord Contoh major triad, minor triad, dominant sevemh chord dengan root C yang dituliskan dalam notasi balok ditunjukkan pada Gambar I

(a) (b) (c)

Gambar 1. Notasi Balok untuk (a) C Major Triad (b) C Minor Triad (c) C Dominant Seventh.

(3)

T echnc Jurnal Ilnuah Ekktrotcknika Vol. <J No. ·~ Oktob~..:r 10 I 0 Hal L~J J .f3

Transkripsi musik dapat juga diartikan sebagai kegiatan mentransformasi unsur - unsur dari sebuah karya musik ke dalam representasi simboliknya. Transkripsi chord adalah bagian dari transkripsi musik yang bertujuan mendapatkan representasi simbolik dari unsur hannoni sebuah karya musik, yaitu nama - nama chord dari karya musik tersebut. Transkripsi chord ini penting dan bermanfaat misalnya bagi pemain musik yang ingin

Metode yang digunakan hingga kini dalam melakukan transkripsi chord adalah dengan transkripsi secara manual. Caranya adalah seseorang mendengarkan suatu rekaman musik lalu menuliskan chord-nya dengan mengandalkan kepekaan pendengaran dan perasaannya. Tetapi orang yang dapat melak:ukan ini adalah orang - orang tertentu dengan kepekaan telinga yang baik dan memiliki Jatar belakang musik yang kuat serta sudah terlatih secara khusus dalam jangka wakiu lama. Karena itu sebuah sistem yang dapat melakukan transkripsi chord secara otomatis akan sangat bermanfaat untuk membantu orang - orang yang bam belajar musik atau pemusik pemula untuk mendapatkan label chord yang benar dari suatu rekaman musik yang dipunyai.

Sistem yang dikembangkan menggunakan Pitch Class Pr<?files· (PCP) sebagai metode ekstraksi fitur. PCP dipilih karena dapat menampilkan intensitas nada - nada musikal dari suatu sinyal dengan baik. Hal ini penting karena yang membedakan suatu chord dari chord yang lain adalah nada- nada penyusunnya. Selain itu, PCP memetakan nada - nada yang sama dari ok:taf yang berlainan ke dalam satu kelas nada, hal ini juga akan sangat berb'lma karena chord akan tetap sama jika nada nada penyusunnya sama, tidak bergantung pada urutan penyusunannya atau jangkauan okiafnya

Chord dahlm sebuah rekaman musik berubah mengikuti wak'1U, sebagaimana halnya kata - kata dalam rekaman percakapan berubah mengikuti wak:tu, karena itu banyak kerangka kerja dalam pengenalan wicara yang dapat digunakan dengan modifikasi [

1].

Sistem yang dikembangkan menggunakan Hiddenlvfarkov Models (HMM) sebagai klasiiikator yang populer digunakan dalam pengenalan wicara [2].

HMTvf dapat dipandang sebagai pernyataan .\'late machiue yang \'IOff'-nya berpindah - pindah setiap waktu tertentu. Perpindahan antar starr.> dalam sebuah HMM berdasarkan probabilitas tertentu Hal ini juga bersesuaian dengan sifat chord dalam

134

• I

I

;

•

't

,\'/STEM PElWiENALAN L110RIJ PAlM FILE JUUSJK DIGITAL J>ENGAA AfENOOUNAKAN PITCH ClASS PROFILES DAN HIDDEN JYJARKOV lifOJJEL lvwma K. Jimotius, Adhi Prayogo sebuah lagu yang berpindah - pindah setiap wak1t1 tertentu berdasarkan probabilitas tertenttl. Suatu chord dalam sebuah lagu akan mempunyai kecenderungan lebih kuat untuk berpindah ke suatu chord tet1entu daripada ke chord lainnya.

Terdapat beberapa kesulitan yang dihadapi suatu sistem pengenalan chord ;.)to malls tit anlaran ya aual<tll oun yah.H.Yd JClus aiaL lllU:>Jh. y aHg u1guuah.aH u~ug<1H \\do "d

suara yang berbeda-beda, adanya alat musik perkusi, adanya chord yang nada-nadanya tidak dimainkan secara simultan (broken chord atau ai]Jeggio), dan adanya melodi lagu.

2. Cllord

( 'hord Dlt~rupakan sekumpulan nada dengan pnla tertentu Sinyal dari sehuah nada yang berbeda memiliki frek ... uensi yang berbeda. Karena itu, sinyal dari dua buah chord yang berbeda, yang disusun oleh nada yang berbeda, akan memiliki karakteristik frekuensi yang berbeda pula.

Chord dalam musik adalah tiga atau lebih nada nada yang dibunyik:an bersama - sama (3]. ( 'hord diklasifikasikan berdasarkan interval di antara nada - nada pembentuknya. Interval dalam musik berarti jarak di antara dua nada musikal. Jenis chord yang paling umum dan paling sederhana adalah triad, yaitu yang terdiri dari tiga buah nada. Dua jenis triad yang paling umum adalah major triad dan minor triad. Bila sebuah interval ditambahkan lagi pada sebuah triad, maka akan membentuk se\•e/1111 chord yang terdiri dari empat nada. Sevemh chord yang paling umum adalah dominaut .•;eve11th chord Contoh major triad, minor triad, dominant sevemh chord dengan root C yang dituliskan dalam notasi balok ditunjukkan pada Gambar I

(a) (b) (c)

Gambar 1. Notasi Balok untuk (a) C Major Triad (b) C Minor Triad (c) C Dominant Seventh.

(4)

ft:chnc Jurnal Jlmiah Ekktrott:ktuka Vol. lJ No 2 Oktob~;:r .2010 Hal l33 14.3

3. Pitcll Class Profiles (PCP)

Metode PCP bertujuan untuk membentuk sebuah vektor PCP yang memiliki beberapa elemen pada setiap region waktu tertentu [4]. Tiap elemen pada vekior ini mewakili intensitas sinyal dari region-region frekuensi yang telah ditetapkan. Apabila tiap nada pada tangga nada kromatis direpresentasikan oleh sebuah elemen di vektor PCP. maka vektor PCP ini akan memiliki 12 elemen.

Metode PCP dimulai dengan membagi )ile lagu menjadi beberapa .fiwne dengan uk-uran N Data-data pada tiap frame tersebut x[n] ditransformasikan ke ranah frekuensi dengan menggunakan Short Time Fourier Trall.~form (STFT) dengan menggunakan suatu

j endela w[n]:

S-1

XsrFT[k,n]== ,Lx[u-m].w[m].e-,::Jrtm .\ (l) m=O

Jenis jendela yang digunakan pada sistem ini adalah jendela Hanning Jenis jendela ini dipilih karena mempunyai resolusi amplih1do yang bagus dan resolusi frekuensi yang cukup baik Jendela Hanning dengan orde N diberikan oleh persamaan berikut:

[ (

. 2mu

)lj

ll•[m]=0.5 1-cos

N-1 _ 0 m.:;N 1 (2)

Setiap data pada sinyal hasil STFT terjendela kemudian dipetakan ke dalam kelas nada (pitch class) Kelas nada dari masing-masing data dipetakan dengan menggunakan persamaan.

I

(

k

I\]

p[k]

lN.

log~

j-;:-;-· ·

1 ." .. .

I

mod N1 • \lV .ret) (3)

dengan p[k] = 0,

I.

2, . . ,

N1· -

l merupakan kelas nada dari sam pel k pad a sinyal hasil

J

STFT terjer{dela,

N1

merupakan jumlah kelas nada, N merupakan resolusi dari STFT yang sama dengan ukuran.fi·ame,t;, mempakan frekuensi cuplik dari sinyal masukan. dan f,,i merupakan frekuensi referensi, misalnya untuk nada A.frer= 440Hz.

136

'

I

SISTEM PEN(iENALAN CHORD PADA FILE AJUSIK DIGITAl- DEN(iAJ\ ll1ENGOUNAKAN PITCH CLASS PROFILES DAN JJIDDEN MARKOV ll10DEL /vmma K. 1/morins. Adln Prayogo

Nilai elemen-elemen pada vektor PCP Xpcp(it 0

s

1 .:; lvc - 1, didapatkan dengan merata-ratakan magnitudo dari sinyal di ranah frek-uensi .{'[k] yang memiliki kelas nada yang sama:

rn--.--

Y

lxrkll;

14)

"" . \1 'll' J . /1 f'l'·) '

4. Hidden

~fttrkov

1l1otlel

(HJ\tiM)

HMM mempakan sebuah sistem pemodelan yang bem1juan unhJk mengenali suatu pola dengan menggunakan proses pembelajaran terlebih dahulu. Sebuah HMM adalah sebuah proses acak ganda (douh~1· stoc/wslic emces.q [5][6] dengan satu proses acak pokok yang tidak dapat diobservasi (hidden), tetapi hanya dapat diobservasi melalui himpunan proses acak lainnya yang menghasilkan urutan simbol yang terobservasi. HMM juga dapal dipandang sebagai sebuah automaton acak terbatas dimana setiap srate-nya menghasilkan suatu observasi. Transisi antar slate mematuhi properti Markov, yaitu perpindahan antar state pada HMM orde 11 hanya berganhmg pada 11 swle sebelumnya

Salah satu tipe HMM adalah ergodic HMM dimana setiap state dapat dicapai dari setiap state lainnya dalam sejumlah langkah tertentu. Pada penerapan konsep HMM untuk membane,Jtm aplikasi pengenalan chord, setiap chord diwakili oleh sebuah state dalam proses acak utama. Proses acak utama adalah proses transisi antar chord, yang mematuh.i properti Markov. Proses acak utama ini tersembunyi. Pada setiap saat t, state aktif akan menghasilkan sebuah vektor PCP, vektor PCP inilah yang merupakan umtan simbol yang dapat diobservasi

Sebuah HMM A. terdiri dari parameter - parameter A. B, dan 1r. Pernyataan 1111

sering ditulis dengan

'A (A, B, li)

₍₅₎

Parameter A adalah matriks transisi dari hidd<!n :•;talus, dengan A = {o,J dan a₁₁ adalah peluang nexr sraw q1 jika

prese111 .ware

y,

(6)

(5)

ft:chnc Jurnal Jlmiah Ekktrott:ktuka Vol. lJ No 2 Oktob~;:r .2010 Hal l33 14.3

3. Pitcll Class Profiles (PCP)

Metode PCP bertujuan untuk membentuk sebuah vektor PCP yang memiliki beberapa elemen pada setiap region waktu tertentu [4]. Tiap elemen pada vekior ini mewakili intensitas sinyal dari region-region frekuensi yang telah ditetapkan. Apabila tiap nada pada tangga nada kromatis direpresentasikan oleh sebuah elemen di vektor PCP. maka vektor PCP ini akan memiliki 12 elemen.

Metode PCP dimulai dengan membagi )ile lagu menjadi beberapa .fiwne dengan uk-uran N Data-data pada tiap frame tersebut x[n] ditransformasikan ke ranah frekuensi dengan menggunakan Short Time Fourier Trall.~form (STFT) dengan menggunakan suatu

j endela w[n]:

S-1

XsrFT[k,n]== ,Lx[u-m].w[m].e-,::Jrtm .\ (l) m=O

Jenis jendela yang digunakan pada sistem ini adalah jendela Hanning Jenis jendela ini dipilih karena mempunyai resolusi amplih1do yang bagus dan resolusi frekuensi yang cukup baik Jendela Hanning dengan orde N diberikan oleh persamaan berikut:

[ (

. 2mu

)lj

ll•[m]=0.5 1-cos

N-1 _ 0 m.:;N 1 (2)

Setiap data pada sinyal hasil STFT terjendela kemudian dipetakan ke dalam kelas nada (pitch class) Kelas nada dari masing-masing data dipetakan dengan menggunakan persamaan.

I

(

k

I\]

p[k]

lN.

log~

j-;:-;-· ·

1 ." .. .

I

mod N1 • \lV .ret) (3)

dengan p[k] = 0,

I.

2, . . ,

N1· -

l merupakan kelas nada dari sam pel k pad a sinyal hasil

J

STFT terjer{dela,

N1

merupakan jumlah kelas nada, N merupakan resolusi dari STFT yang sama dengan ukuran.fi·ame,t;, mempakan frekuensi cuplik dari sinyal masukan. dan f,,i merupakan frekuensi referensi, misalnya untuk nada A.frer= 440Hz.

136

'

I

SISTEM PEN(iENALAN CHORD PADA FILE AJUSIK DIGITAl- DEN(iAJ\ ll1ENGOUNAKAN PITCH CLASS PROFILES DAN JJIDDEN MARKOV ll10DEL /vmma K. 1/morins. Adln Prayogo

Nilai elemen-elemen pada vektor PCP Xpcp(it 0

s

1 .:; lvc - 1, didapatkan dengan merata-ratakan magnitudo dari sinyal di ranah frek-uensi .{'[k] yang memiliki kelas nada yang sama:

rn--.--

Y

lxrkll;

14)

"" . \1 'll' J . /1 f'l'·) '

4. Hidden

~fttrkov

1l1otlel

(HJ\tiM)

HMM mempakan sebuah sistem pemodelan yang bem1juan unhJk mengenali suatu pola dengan menggunakan proses pembelajaran terlebih dahulu. Sebuah HMM adalah sebuah proses acak ganda (douh~1· stoc/wslic emces.q [5][6] dengan satu proses acak pokok yang tidak dapat diobservasi (hidden), tetapi hanya dapat diobservasi melalui himpunan proses acak lainnya yang menghasilkan urutan simbol yang terobservasi. HMM juga dapal dipandang sebagai sebuah automaton acak terbatas dimana setiap srate-nya menghasilkan suatu observasi. Transisi antar slate mematuhi properti Markov, yaitu perpindahan antar state pada HMM orde 11 hanya berganhmg pada 11 swle sebelumnya

Salah satu tipe HMM adalah ergodic HMM dimana setiap state dapat dicapai dari setiap state lainnya dalam sejumlah langkah tertentu. Pada penerapan konsep HMM untuk membane,Jtm aplikasi pengenalan chord, setiap chord diwakili oleh sebuah state dalam proses acak utama. Proses acak utama adalah proses transisi antar chord, yang mematuh.i properti Markov. Proses acak utama ini tersembunyi. Pada setiap saat t, state aktif akan menghasilkan sebuah vektor PCP, vektor PCP inilah yang merupakan umtan simbol yang dapat diobservasi

Sebuah HMM A. terdiri dari parameter - parameter A. B, dan 1r. Pernyataan 1111

sering ditulis dengan

'A (A, B, li)

₍₅₎

Parameter A adalah matriks transisi dari hidd<!n :•;talus, dengan A = {o,J dan a₁₁ adalah peluang nexr sraw q1 jika

prese111 .ware

y,

(6)

T-:dmc Jumal llmiah Ekktrot.:knika Vol. q Nu . .., Oktob.:r 20 l 0 Hal l

:n

14::

q adalah elemen dari himpunan hidden state {} {qt, q2, q3, ... ,qy} dengan N adalah jumlah selumh hhkle11 state. Parameter B sering disebut dengan coltfilsiou matrix memuat distribusi probabilitas dari simbol keluaran yang terobservasi. Parameter B memberikan informasi peluang munculnya keluaran terobservasi tet1entu pada saat state tertentu:

B !bul

(7)

(8) h,₁adalah peluang munculnya r₁jika sedang berada pada state

q,.

Parameter ff adalah vektor probabilitas state awal. Jadi maksudnya adalah peluang state pet1ama adalah .\'late tertentu:

;rr, = l'[S, = q,] (9),

S

₁merupakan state pertama. Dalam sistem pengenalan chord, :tr berarti peluang sebuah lagu dimulai dengan chord tertentu.

5. Implementasi dan Pengujian

File musik digital yang digunakan sebagai masukan sistem diubah menjadi .file musik mono dalam format wav dengan frek'Uensi cuplik 11025 Hz dan kuantisasi 8 bit Frekuensi cuplik sebesar 11025 Hz dipilih untuk mendapatkan Iebar pita sinyal sekitar 5500 Hz yang sudah cukup untuk mendapatkan informasi hannoni dari nada nada musik Selain itu Iebar pita sekitar 5500 Hz dapat menghilangkan pengaruh bunyi pada frekuensi tinggi seperti bunyi simbal. Penggunaan .file masukan mono dengan frekuensi cuplik sebesar 11025 Hz, k'Uantisasi 8 bit dipilih untuk mempercepat proses komputasi

Sistem chdesain untuk dapat mengenali 3 jenis clwrdji.Jwilies yaitu major chord, minor chord dan dominant seve11th chord pada l 2 roots yaitu A Bb. B,

C

C#, D. Eb, E, F., F#, G, G#. File musik yang digunakan melatih sistem dan yang diuji berjumlah 36 .file musjk yang terdiri dari 4 kelompok, yaitu

i:

i

I. 14 .file musik berisi rekaman progresi chord murni yang direkam dari MIDI. File

.138

musik yang dimaksudkan pada kelompok ini adalahfile lagu yang mengandung suara dari satu alat musik yang memainkan suatu umtan chord saja File ini tidak mengandung melodi dan atau iringan alat musik perkusi Urutan chord yang direkam

t

I

Sl\'TF:lif PFlV(,'ENALAN CHORD PATJA FILE MU.\'IK J)JGITAL IJENGAN

ilfENGGUNAKAN PITCH ClASS PROFILES DAN HIDDEN MARKOV

~~ODEL

!1'0111/U K. fhnolilt••. Adhi Prayogo dipilih sedemikian sehingga dapat mewakili seluruh jenis chord yang ingin diklasifikasikan.

2. l 4 file lagu berisi rekaman progresi chord murni yang direkam dari pennainan gitar dengan progresi chord yang sama dengan kelompok sebelumnya.

1 1.:i file lagu herisi lagu kompleks yang direkam dari MIDI. Lagu kompleks adalah Iagu

umum yang sudah mengandung melodi dan diiringi oleh beberapa alat musik, lengkap dengan alat musik perkusi. Lagu didapatkan dari file .file MIDI yang suaranya direkam menjadi.fi/e berfonuat wav.

4. 3 tile lagu berisi lagu kompleks komersial yang mengandung suara vokal manusia dan diiringi oleh beberapa alat musik.

Pada sistem yang dikembangkan ini dipak:ai fi·ame yang sating overlap dengan panjangji·ame N 4096 dan data ter-overlap 50%. Dengan frekuensi cuplik dari sinyal masukan sebesar 11025 Hz, akan menghasilkan.fi·ame sinyal dengan kerapatan sekitar :; .kame per detik. Panjang_ji-ame ini dipilih karena lagu lagu pada umumnya, chord baru

akan berganti setelah beberapa ketukan. Jika sebuah sinyal lagu masukan mempunyai tempo 120 ketukan per menit dan ada bagian lagu yang chord-nya berganti setiap ketukan, maka dibutuhkanji·ame sinyal untuk setiap ketukan, yang dapat dicapai cukup dengan kerapatan 120/60 = 2 jimne per detik saja. Karena itu kerapatan 5 frame per detik yang diimplementasikan sudah memadai untuk menangani lagu - lagu pada umumnya.

Jumlah kelas nada Ne pada PCP adalah 24 ditentukan secara empirik sehingga menghasilkan akurasi yang terbesar. Gambar 2 menunjukkan hasil vek1or PCP terhadap sumbu waktu dalam detik.