KLASIFIKASI MUSIK BERDASARKAN AKTIF FREQUENSI
Musik adalah nada dan suara yang disusun sedemikian rupa sehingga menciptakan sebuah karya seni indah dengan mengandung unsur irama, lagu, dan keharmonisan melalui alat maupun suara manusia. Musik juga memiliki pola gelombang yang berbeda-beda setiap jenisnya, dan itu dibedakan kedalam genre musik. Dalam musik dibagi menjadi 15 genre utama, yaitu musik klasik, jas gospel, blues, rhythm and blues, funk, rock, metal / hardcore, electronic, ska / rege/ dub, hip hop / rap /rapcore, pop, latin, county, dan dangdut. Penikmat musik ada yang suka dalam jenis musik tertentu musik tertentu. Dalam penelitian ini akan dilakukan klasifikasi musik berdasarkan aktif frequensi, disebabkan musik memiliki pola gelombang yang berbeda.
Kata Kunci:: Klasifikasi musik, Aktif Frequensi, Genre musik
1. Pendahuluan
Musik adalah ilmu atau seni menyusun nada atau suara diutarakan, kombinasi dan hubungan temporal untuk menghasilkan komposisi (suara) yang mempunyai keseimbangan dan kesatuan, nada atau suara yang disusun sedemikian rupa sehingga mengandung irama, lagu dan keharmonisan (terutama yang dapat menghasilkan bunyi). David s. pada 2006 pernah menegaskan “ The resamble that counts most for music’s expressiveness is between music’s temporarlly unfolding dynamic. Structure and configurationof human behavior associated with the expression of emotion. “ [1]
Tidak hanya satu, tapi ada beragam jenis musik di dunia, jenis-jenis musik ini pada umumnya desebut dengangenre. Jenis-jenis music atau biasa disebut genre, yaitu pengelompokan music sesuai dengan kemiripannya satu sama lain. Musik juga dapat dikelompokan sesuai dengan kriteria lain, misalnya geografi. Sebuah genre dapat didefinisikan oleh teknik musik, gaya, konteks, dan tema musik. Pengguna terkadang merasa kesulitan untuk mengkategorikan jenis musik ini karena harus mendengarkan satu per satu tiap lagu yang ada di media penyimpanannya, selain menghabiskan banyak waktu pengguna juga berpotensi kehilangan selera dalam mendengarkan musik lagi karena itulah penelitian ini akan meringankan pengguna untuk mengelompokkan kumpulan musik tersebut yang ada di media penyimpanan pengguna dengan mendeteksi aktif frekuensi setiap lagunya dengan kata lain sistem akan mendeteksi gaya bermusik yang ada disetiap lagu seberapa agresif atau lembut/lambat musik tersebut.
2. Metode Penelitian
Dalam tahap ini terdapat metodologi yang digunakan penulis dalam meneyelesaikan permasalahan yang ada. Yang pertama adalah aktif frequensi, K-Nerst Neighbor yang selanjutnya disebut KNN dan sistem skala.
2.1. Aktif Frequensi
Bunyi adalah hasil dari suatu getaran dan merupakan hasil perambatan energi. Tetapi, tidak semua bunyi yang ada disekitar dapat ditangkap oleh telinga manusia normal. Telinga kita hanya dapat mendengar bunyi yang mempunyai frekuensi tertentu. Menurut sistem pendengaran manusia di bagi menjadi tiga kelompok, yaitu frekuensi infrasonik, dengan rentang 0-20 Hz, frekuensi audible, 20-20.000 Hz, dan frekuensi ultrasonik, dengan rentang > 20.000 Hz
Namun beberapa orang yang memiliki pendengaran tajam dapat saja mendengar bunyi dengan frekuensi di bawah 20 Hz atau diatas 20.000 Hz. Hal itu sebagai pengecualian saja. Bunyi yang frekuensinya kurang dari 20 Hz disebut infrasonik, sedangkan bunyi yang frekuensinya lebih dari 20.000 Hz disebut ultrasonik.
Toolsperangkat lunak untuk menganalisa suara frekuensiaudible, dimana dapat melihat rentang frekuensi 20– 20.000. Tidak semua sumber suara memiliki rentang frekuensi penuh dari 20-20.000 hz. Sebagai contoh suara ketika manusia berbicara memiliki suara yang berbeda – beda, ada yang bersuara berat, cempreng, dll. Hal tersebut karena suara yang dihasilkan manusia hanya merespon beberapa rentang frekuensi saja. Hal tersebutlah yang mendasari adanya beberapa rentang frekuensi suara yang aktif.
Suara yang dihasilkan oleh alat – alat musik memiliki rentang frekuensi yang berbeda pada insturmen musik hanya merespon beberapa rentang frekuensi. Seperti yang dilansir oleh SAE Institute pada halaman webnya www.sae.edu, bawasannya frequensi dibedakan menjadi dua bagian utama yaitufundamentaldan harmonics.
Terdapat beberapatoolsyang digunakan untuk menganalisa berkas suara digital (MP3). Karena berkas suaramusictercipta dari perbedaan komposisi dari satu atau lebih instumenmusic. Dipicu oleh pembisaan melalui udara atau frequensiinstrument yang mendominasi sehingga tercuptanya berkas suara. Sebagai contoh, jenis musik EDM (Electronic Dance Music) mengaktifkan semua frekuensi tetapi didominasi oleh tingginya (longitudinal) frekuensi 20 – 150 hz. Hal tersebut didengar manusia memiliki suara bass yang besar.
Gambar 1analisa menggunakansoftware(Speedy Spectrum Analyzer) guna melihat berkas suara pada music
2.2. K-Nearst Neighbor(KNN)
Prinsip kerja K-Nearest Neighbor(KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi denganKtetangga (neighbor) terdekatnya dalam data pelatihan.
Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dantraining sample. Clasifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titikquery, akan ditemukan sejumlahk obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi darikobyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dariquery instance
ketraining sampleuntuk menentukan KNN-nya.
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilaik yang tinggi akan mengurangi efek noise pada klsifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus dimana klasifikasi diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain, k=1) disebut algoritmaNearest Neighbor.
Kelebihan KNN(K-Nearest Neighbor):
1. Tangguh terhadaptrainingdata yang memiliki banyaknoise. 2. Efektif apabilatrainingdatanya besar.
Kelemahan KNN(K-Nearest Neighbor):
1. KNN perlu menentukan nilai dari parameterk(jumlah dari tetangga terdekat).
2. Trainingberdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan. 3. Atribut mana yang harus digunakan untuk mendapatkan hasil terbaik.
4. Biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query instancepada keseluruhantraining sample.
Pada perhitungan pengelompokkan bark scale pada musik, pada penelitian ini akan menggunakan perhitungan skala. Perhitungan skala digunakan untuk penelompokkan frekuensi sesuai denganbark scale.
penskalaan adalah prosedur dalam menentukan letak stimulus atau respon pada suatu garis kontinum. Dengan demikian dapat dikatakan, penskalaan merupakan fasilitas yang sengaja dibuat untuk menghasilkan angka pada kontinum. Rumus dari penskalaan sebagai berikut,
(2)
Pada rumus dilatasi dengan pusat (a,b) dan faktor skala k.
3. Hasil dan Pembahasan
3.1 Pengambilan dataSpectumMp3
penelitian ini menggunakangame engine unity, denganbark scale254.
Gambar 2Spectrummusik skala 254
Dari data tersebut akan dilolah untuk menentuka aktif frequensi yang kemudian akan dilakukan pensekalaan menjadi 5bark scale.
Dalam penelitian ini akan digunakan data sebanyak 180 data, yang terdiri dari 30 musik jenis dangdut, 30 musik jenis EDM, 30 musik jenis Metal, 30 musik jenis Pop/Rock, 30 musik Reggae, dan 30 musik jenis Akoustik.
3.2 Aktif Frequensi
Aktif frequensi adalah sebuah perhitungan yang dilakukan untuk menentukan seberapa aktif sebuah gelombang. Dalam perhitungan ini akan melakukan eliminasi terhadap noise yang ada, eliminasi ini didasarkan atas gelombang noiseyang ada pada aplitudo dibawah 10db. Jadi amplitudo dibawah 10db akan dilakukan eliminasi.
Gambar 3Data aktif frekquensi dengan skala 254
Pada Gambar 3 merupakan data yang telah diolah dalam untuk menggambil seberapa aktif sebuah frequensi. Dari data tersebut akan dilakukan penscalaan sesuai dengan 5bark scale. Dari hasil penscalaan didapat data seperti padaGambar 4,
Gambar 4Hasil olahscaladalam 5bark scale
3.4 Pengujian Data Menggunakan metode KNN
Table 2Judul Musik yang digunakan dalam pengujaian
Dari tabel data lagu tersebut akan dilakukan pengujian berdasarkan data yang telah dibuat, dari pengujian K = 1 hingga K = 10 didapat hasil seperti tabel berikut
Table 3Hasil Pengujian menggunakan KNN
Tabel pengujian padaTabel 3adalah pengujian yang dilakukan menggunakan 6genre, dengan M1 adalah contoh musik dari dangdut, M2 contoh musik dari EDM, M3 adalah contoh Musik dari musik Metal, M4 adalah contoh Musik dari Pop/ Rock, M5 adalah contoh musik dari Regge dan M6 adalah contoh musik dari jenis acoustic.
Hasil pengujian padaTabel 3, pada data musik M1 40% lebih dekat kedalam musik Pop/Rock, sedangkan pada data musik M2 90% sesuai dengan genre musiknya, yaitu EDM. Pada data musik M3 100% sesuai dengangenremusiknya, yaitu musik metal. Sedangkan pada data musik M4 40% dekat dengangenremusik Acoustik dan 30% lebih dekat dengangenremusik dangdut. Pada data musik M5 40% sesuai dengan genrenya, yaitu reggae. Pada data musik M6 70% telah sesuai dengan genre
musiknya, yaitu acoustik.
4. Kesimpulan
Dari pengujian yang telah dilakukan pada poin 3.4 didapatkan sebuah kesimpulan sebagai berikut 1. Akurasi penggunaan featureaktif frequensi pada sebuah musik menggunakan metode KNN dan
humanknowladgepada musik bergenreEDM, Metal dan acoustik memiliki akurasi lebih dari 70%, dan memiliki kekurangan dengan pengelompokkan musik dengan genre yang hampir sejenis seperti dangdut, pop/rock, reggae, karena aktif frekskuensi ketigagenretersebut berdekatan. 2. Pada pengujian K=1 hingga K=10 didapat kesimpulan, aktif frequensi merupakan pengelompokkan
sebuah gelombang yang aktif diakibtkan alat musik, hal ini dapat dilihat bahwa untuk lagu jenis dangdut, pop/rock dan reggae memiliki kemiripan yang cukup dekat, hal ini dapat dilihat dengan kemiripan data uji 1 musik dangdut yang lebih mirip 40% ke arah pop/rock dibanding dengan dangdut sendiri jika K=10.
Referensi
[1] Davies, S. (2006). "Artistic Expression and the Hard Case of Pure Music", in: Kieran, M. (Ed.),Contemporary Debates in Aesthetics and the Philosophy of Art: 179-91. P. 181
[2] Nopthaisong, Chakkapong, and Md Maruf Hasan. "Automatic music classification and retreival: Experiments with Thai music collection." Information and Communication Technology, 2007. ICICT’07. International Conference on. IEEE, 2007.
[3] Xu, Changsheng, Namunu Chinthaka Maddage, and Xi Shao. "Automatic music classification and summarization."IEEE transactions on speech and audio processing13.3 (2005): 441-450. [4] Lo, Yu-Lung, and Yi-Chang Lin. "Content-based music classification." Computer Science and
Information Technology (ICCSIT), 2010 3rd IEEE International Conference on. Vol. 2. IEEE, 2010.
[5] Lidy, Thomas, Georg Pölzlbauer, and Andreas Rauber. "Sound Re-synthesis from rhythm Pattern Features-audible insight into a Music Feature Extraction Process."ICMC. 2005.
[6] S. Dixon. An interactive beat tracking and visualisation system. In Proc. Intl. Computer Music Conf., Havana, Cuba, 2001.
[7] S. Dixon, E. Pampalk, and G. Widmer. Classification of dance music by periodicity patterns. In Proc. Intl. Conf. on Music Information Retrieval (ISMIR), Baltimore, USA, 2003.
[8] E. Gomez, A. Klapuri, and B. Meudic. Melody description and extraction in the context of music content processing. J. New Music Research, 32(1), 2003.
[9] M. Goto and Y. Muraoka. A real-time beat tracking system for audio signals. In Proc. Intl. Computer Music Conf., Banff, Canada, 1995.
[10] P. Lepain. Polyphonic pitch extraction from musical signals. J. New Music Research, 28(4), 1999. [11] G. Tzanetakis, A. Ermolinskyi, and P. Cook. Pitch histograms in audio and symbolic music information retrieval. In Proc. Intl. Conf. on Music Information Retrieval (ISMIR), Paris, France, 2002.
