MENGGUNAKAN REPRESENTASI CHROMA DAN HIDDEN MARKOV MODEL
Andri Nur Rahmadi¹, Fazmah Arief Yulianto², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi satu dengan harmonis akan menjadi sebuah musik. Dalam penulisannya, nada dilambangkan dengan not atau notasi. Penerjemahan nada menjadi not membutuhkan pendengaran yang bagus dan pengetahuan tentang nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk
merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak mudah. Melihat kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca nada-nada pada sebuah lagu, kemudian menerjemahkannya menjadi sederetan notasi lagu secara otomatis.
Hidden Markov Model (HMM) adalah sebuah metode yang sudah banyak digunakan pada speech recognition. HMM merupakan model statistik dari sebuah sistem yang diasumsikan sebuah Markov Process dengan parameter yang tidak diketahui (hidden). Program ini dibuat untuk menerapkan metode HMM untuk mengenali nada pada file musik yang terlebih dahulu diekstraksi fitur cirinya. Representasi fitur ciri yang dipakai dalam program ini adalah
representasi chroma. Dengan fitur chroma, sebuah nada dapat direpresentasikan ke dalam fitur vektor yang singkat.
Melalui perangkat lunak ini diharapkan dapat membantu pemakai dalam memainkan musik yang tidak mempunyai partitur lagu. Selain itu perangkat lunak ini memberikan output nada dalam bentuk notasi huruf, sehingga pemakai tidak akan mengalami banyak kesulitan dalam membaca notasi nada tersebut.
Kata Kunci : Representasi Chroma, Hidden Markov Model, Nada, Notasi.
Abstract
Tone is an uniformed sounds. Sequence of tones which are arranged harmonically into one is called a music. Tones are symbolized by note or notation. To transcript a tone into a notation needs a good hearing and knowledge of music. The human ear are able to difference any notation but the process to transcript a tone into a note is not easy. Therefore, it needs a medium which could read tones and transcript them into notes automatically.
Hidden Markov Model (HMM) is a method which already used in speech recognition. HMM is a statistical method from a system which assumed as a Markov Process with hidden parameters. This program was made to apply HMM method in recognizing tones. This program used chroma-based representation as the featured vector. Using chroma, a tone could be represented into a shorter feature.
This software expected to help user playing music without musical sheet. Thus, this software gives alphabetic notation as output of tone, so the user could read the notes easily.
1.
Pendahuluan
1.1
Latar belakang
Musik adalah sebuah karya seni yang indah. Dari zaman ke zaman musik sudah menjadi bagian dari kehidupan manusia yang susah untuk dipisahkan. Terkadang disamping mendengarkan musik, orang juga ingin memainkan lagu yang ada di musik tersebut. Namun, pada kenyataannya tidak semua orang bisa menerjemahkan not apa saja yang dimainkan dalam sebuah musik yang didengarkan. Dibutuhkan berjam-jam usaha ekstra keras untuk menerjemahkan sebuah lagu menjadi lembaran-lembaran partitur not.
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi satu dengan harmonis akan menjadi sebuah musik. Nada memiliki tinggi nada dan frekuensi tertentu yang khas dan berbeda satu sama lain. Dalam penulisan nada pada sebuah lagu, nada dilambangkan dengan not atau notasi. Penerjemahan nada menjadi not membutuhkan pendengaran yang bagus dan pengetahuan tentang nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak mudah. Melihat kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca nada-nada pada sebuah lagu, kemudian menerjemahkannya menjadi sederetan notasi lagu secara otomatis.
1.2
Perumusan masalah
Melihat latar belakang permasalahan, maka masalah yang dapat dirumuskan dalam tugas akhir ini adalah bagaimana membangun sebuah sistem yang dapat menerjemahkan nada-nada pada lagu menjadi not-not lagu yang berupa notasi angka atau huruf.
Tugas akhir ini menggunakan pendekatan fitur chroma dan Hidden Markov Model (HMM). Fitur atau representasi chroma digunakan untuk memetakan nada-nada menjadi chromagram. Sebuah nada mempunyai pitch atau tinggi rendah nada yang berbeda-beda dalam 12 oktaf [10]. Dalam tiap level oktaf, terdapat 7 jenis nada, yaitu do, re, mi, fa, sol, la, dan si. Dengan representasi chroma, nada dalam level oktaf yang sama dapat dipetakan dan dibedakan antara nada yang satu dengan yang lainnya [2]. Chromagram ini kemudian akan menjadi inputan untuk HMM.
diamati. Jika pola nada
da sudah terbaca, nada dapat direpresentasikan d ada [8].
Gambar 1. 1Arsitektur Sistem
salah
embatasi tugas akhir ini diantaranya:
instrumen musik yang dimainkan dalam sebuah njadi semakin kompleks strukturnya. Tugas akhir n sampel lagu yang menggunakan 1 jenis instrum
/String.
g digunakan berupa file audio yang berekstensi *.w dikenali adalah nada-nada yang berupa not tung
rd atau gabungan not-not lagu yang dimaink iperhatikan.
si ini berupa deretan notasi huruf.
tugas akhir ini adalah :
ah sistem yang dapat digunakan untuk mengenali buah lagu dan mampu menerjemahkan nada men notasi huruf.
hwa kombinasi vektor ciri dengan fitur chroma apat digunakan untuk kasus pengenalan nada. put dari sistem dengan parameter keakuratan n
1.5
Metodologi penyelesaian masalah
Metode yang digunakan dalam tugas akhir ini antara lain : 1. Studi Literatur
Mempelajari konsep nada, tingkatan nada, frekuensi, chroma, dan model Markov untuk pembuatan sistem tersebut melalui berbagai sumber.
2. Analisis dan Perancangan
Mempelajari dan menganalisis proses dan algoritma HMM dengan representasi chroma untuk pengenalan notasi lagu.
3. Implementasi
Mengimplementasikan representasi chroma untuk memetakan nada pada lagu, kemudian memprosesnya dengan database nada dalam HMM.
4. Mengevaluasi performansi sistem dengan melakukan pengujian terhadap output dari sistem dengan menggunakan parameter keakuratan notasi nada yang didapat. Output notasi yang didapat akan dicocokkan dengan partitur notasi asli secara manual.
5. Pengambilan kesimpulan dan penyusunan laporan tugas akhir.
1.6
Sistematika Penulisan
Penulisan Tugas Akhir ini dibagi dalam enam bab, yang terdiri atas: Bab I Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan, metodologi penyelesaian masalah dan sistematika penulisan yang digunakan dalam penyusunan Tugas Akhir ini.
Bab II Konsep dan Teori
Berisi teori dan rumusan awal yang diperoleh dari berbagai sumber mengenai nada, representasi chroma, dan Hidden Markov Model.
Bab III Analisis dan Perancangan Sistem
Bab ini berisi uraian tentang tahap pre-processing; perancangan HMM; meliputi arsitektur HMM, pemodelan HMM; dan pengenalan nada.
Bab IV Implementasi dan Analisis Hasil Pengujian
Bab ini berisi uraian tentang implementasi dan analisis hasil pengujian sistem meliputi proses pengujian, perhitungan tingkat keakuratan dan tingkat kesalahan, serta hasil pengujian.
Bab V Kesimpulan dan Saran
5
Penutup
5.1
Kesimpulan
Berdasarkan hasil implementasi dan pengujian, maka dapat ditarik kesimpulan sebagai berikut:
1) Sistem pengenalan nada ini dapat mengenali dengan baik nada-nada tunggal pada lagu dengan tempo yang sedang. Untuk lagu dengan tempo yang lambat dan cepat, parameter limit panjang nada dapat disesuaikan dengan kasus agar mendapatkan hasil yang maksimal
2) Kombinasi representasi chroma untuk fitur ciri dan HMM sebagai model
training dan testing dapat digunakan untuk kasus pengenalan nada, hasil yang didapatkan cukup memuaskan dan mempunyai akurasi yang cukup tinggi. 3) Proses segmentasi nada mempunyai pengaruh yang cukup besar terhadap hasil
dari proses pengenalan nada. Jika proses segmentasi tidak tepat (1 nada dibaca sebagai 2 nada atau lebih ataupun sebaliknya) maka hasil dari proses pengenalan nada menjadi tidak akurat. Limit panjang nada mempunyai peranan yang penting dalam kasus ini. Pada lagu dengan tempo yang lambat, nilai limit yang bagus berkisar antara 1,0-1,3. Pada lagu dengan tempo yang sedang, nilai limit yang bagus berkisar antara 1,3-1,7. Sedangkan untuk lagu bertempo cepat akan didapatkan hasil yang optimal pada limit antara 1,6-2,0. 4) Ukuran codebook dalam tahap training dapat mempengaruhi akurasi
pengenalan nada. Semakin besar ukuran codebook, semakin tinggi pula nilai akurasi yang didapat. Untuk kasus pengenalan nada ini, ukuran codebook yang paling bagus adalah 32.
5) Jumlah State dalam tahap training dapat mempengaruhi akurasi pengenalan nada. Semakin besar ukuran codebook, semakin tinggi pula nilai akurasi yang didapat. Untuk kasus pengenalan nada ini, jumlah State yang paling bagus adalah 4.
5.2
Saran
1) Sistem pengenalan nada ini ditulis dalam bahasa pemrograman Matlab, maka untuk pengembangan lebih lanjut diharapkan menggunakan bahasa pemrograman yang lain agar pemrosesan data bisa lebih cepat.
Referensi
[1] Sheh, Alexander and Ellis, Daniel PW., “Chord Segmentation and Recognition using EM-Trained Hidden Markov Models”, LabROSA, Columbia University, 2003.
[2] Bartsch, Mark A and Wakefield, Gregory H., “Audio Thumbnailing of Popular Music Using Chroma-Based Representations”, IEEE : Transactions on Multimedia Vol. 7 No. 1, 2005.
[3] Bilmes, Jeff, “What HMMs Can Do”, Dept of EE, University of Washington, 2002.
[4] Rabiner, Lawrence R., “A Tutorial on HMM and Selected Applications in Speech Recognition”, IEEE Vol. 77 No.2, 1989.
[5] Middleton, Gareth, “Pitch Detection Algorithms”, The Connexions Project, US, 2003.
[6] Dannenberg, Roger B. and Hu, Ning, “Discovering Musical Structure in Audio Recordings”, Carnegie Mellon University, Pittsburgh, 2002.
[7] Schmidt-Jones, Catherine, “Frequency, Wavelength, and Pitch”, The Connexions Project, US, 2006.
[8] “Hidden Markov Model”, http://en.wikipedia.org/wiki/Hidden_Markov_ model, diakses 3 Maret 2008.
[9] “Notasi Musik”, http://id.wikipedia.org/wiki/Not, diakses 3 Maret 2008. [10] “Pitch Class”, http://en.wikipedia.org/wiki/Pitch_class, diakses3 Maret
2008.
[11] Lartillot, Olivier, “MIRtoolbox 1.1 User’s Manual”, University of Jyväskylä, Finland, 2008.
[12] Lartillot, Olivier and Petri Toiviainen, “A Matlab Toolbox For Musical Feature Extraction From Audio”, University of Jyväskylä, Finland, 2007. [13] _______, “Matlab Exercise: Speech Recognition”, IT University of
Copenhagen, 2005.
[14] Peiszer, Ewald, “Automatic Audio Segmentation: Segment Boundary and Structure Detection in Popular Music”, Vienna Universuty of Technology, 2007.
