PENGENALAN NADA PADA SENAR BIOLA DENGAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Suci Shaumy Afriany, Esti Suryani, Wiharto
Program Studi Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami 36A Kentingan Surakarta 57126
Telp. (0271) 646994 Fax. (0271) 646655
Email: shaumy.shaumy@gmail.com, suryapalapa@yahoo.com, wi_harto@yahoo.com
ABSTRACT
The violin is a string instrument with four strings which tuned on G, D, A, and E. A violinist is charged to remembering the sound produced by the strings when tuning the violin due to the pitch of musical instrument standard. This research is explain about the using of Learning Vector Quantization Method which is one of the artificial neural network method, to recognizing the tones (G, D, A, and E) of the open strings (the strings which are not pressed by fingers) from the violin by utilizing Linier Predictive Coding, one of the digital signal processing technique, to extract the violin sound signal which is resulting cepstral coefficients that representing the feature of each tones which will be used as an input of the neural network.
The artificial neural network trained using 60 data tape consisting of 15 data of tone G, 15 data of tone D, 15 data of tone A, and 15 data of tone E, resulting in changes in the weights that are used to test the network to recognize the tone. The test network is divided into the memorization and the generalization. In the memorization test, the best recognition to the learning rate 0.00025 with the percentage of recognition up to 100%. While the generalization test using 60 test data consisting of 15 data of tone G, 15 data of tone D, 15 data of tone A, and 15 data of tone E , the result achieved 88.33% of recognition.
Keywords: artificial neural network, cepstral coefficients, Learning Vector Quantization (LVQ), Linier Predictive Coding (LPC), tone, violin.
ABSTRAK
Biola merupakan salah satu alat musik dawai yang memiliki empat buah senar yaitu senar G, D, A, dan E.
Seorang pemain biola dituntut untuk mampu mengingat bunyi yang dihasilkan keempat senar tersebut untuk menyetelnya sesuai frekuensi standar alat musik. Penelitian ini membahas tentang penggunaan salah satu metode jaringan saraf tiruan yakni Learning Vector Quantization (LVQ) untuk mengenali keempat nada (G, D, A, dan E) pada senar terbuka (yang tidak ditekan oleh jari) dari alat musik biola dengan memanfaatkan teknik pengolahan sinyal digital Linier Predictive Coding (LPC) untuk mengekstraksi sinyal suara biola sehingga menghasilkan koefisien cepstral yang merepresentasikan ciri dari masing-masing nada yang digunakan sebagai masukan jaringan saraf tiruan. Jaringan saraf tiruan dilatih menggunakan 60 data rekaman yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E, sehingga menghasilkan perubahan bobot yang digunakan untuk menguji jaringan dalam mengenali nada. Pengujian jaringan terbagi menjadi dua yaitu memorisasi dan generalisasi. Pada pengujian memorisasi, hasil pengenalan terbaik pada learning rate 0.00025 dengan presentase pengenalan mencapai 100%. Sedangkan pada pengujian generalisasi menggunakan 60 data uij yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E, hasil pengenalan mencapai 88.33%.
Kata Kunci: Biola, jaringan saraf tiruan, koefisien cepstral, Learning Vector Quantization (LVQ), Linier Predictive Coding (LPC), nada.
1. PENDAHULUAN
Sebuah nada adalah suatu bunyi yang memiliki nilai tertentu, yaitu pitch (frekuensi), yang dapat diukur secara ilmiah untuk menggambarkan jenis nada tersebut. Nada dapat dihasilkan dari suara manusia dan alat musik. Suara manusia dan alat musik yang beragam menyebabkan jangkauan nada yang berbeda, tergantung dari jenis suara dan alat musik yang digunakan. 0
Biola (violin) merupakan salah satu jenis alat musik string (dawai atau senar). Biola memiliki empat senar yaitu G, D, A, dan E yang disetel berbeda satu sama lain dengan interval sempurna kelima yaitu
jarak antara nada pada senar yang satu ke nada pada senar lainnya berjarak lima nada. 0.
Bagi seorang pemula, untuk belajar memainkan alat musik biola terkadang menghadapi kendala.
Terutama apabila tidak mengetahui dasar musik.
Kendala bagi seorang pebiola adalah mengingat nada ketika melakukan setem, yaitu mencocokkan nada pada masing-masing string yang tidak ditekan oleh jari (open string) sehingga dapat menghasilkan bunyi dengan frekuensi sesuai standar yang sudah ditetapkan secara internasional. 0
2. TINJAUAN PUSTAKA
Beberapa penelitian mengenai musik terutama mengenai pengenalan bunyi yang dihasilkan oleh alat musik telah banyak dilakukan, salah satunya adalah penelitian yang dilakukan oleh Eronen, et al., (72) mengenai pengenalan secara otomatis jenis alat musik menggunakan model Gaussian. Sebelum diklasifikasikan, terlebih dahulu dilakukan pengekstraksian suara alat musik menggunakan algoritma ekstraksi fitur (ciri) spektral dan temporal dari pitch tunggal suara alat musik, dimana ciri spektral berupa koefisien cepstral dan digunakan dalam pengklasifikasian jenis alat musik. Pengujian sistem menggunakan 1498 sampel data jangkauan pitch penuh dari 30 jenis alat musik orkestra yakni alat musik string, tiup, dan pukul yang dimainkan dengan teknik yang berbeda-beda. Hasil yang diperoleh adalah persentase keberhasilan pengenalan terhadap jenis alat musik mencapai 94% dan persentase pengenalan terhadap alat musik tunggal mencapai 80%.
Penelitian lain dilakukan oleh Susanto 0 mengenai pengenalan jenis alat musik berdasarkan hasil rekaman beberapa alat musik yang dimainkan.
Kemudian dilakukan pembacaan pada hasil rekaman untuk diperoleh bentuk diskrit dari sinyal alat musik untuk mempermudah dalam pengolahan sinyal pada hasil rekaman tersebut dengan pengekstrasian komponen cepstral untuk dijadikan sebagai masukan pada proses pelatihan jaringan saraf tiruan dengan algoritma Learning Vector Quantization (LVQ). Pengujian data rekaman dan data baru dilakukan setelah didapat perubahan bobot pada jaringan. Hasil yang diperoleh yaitu persentase pengenalan sebesar 88.33% terhadap data latih dengan kombinasi titik uji 2048, frame 20ms, orde LPC 14, orde cepstral 19, epoh 500. Persentase pengenalan terhadap data uji sebesar 88.33%
terhadap data latih dengan kombinasi titik uji 2048, frame 20ms, orde LPC 14, orde cepstral 19, epoh 1000. Rata-rata persentase pengenalan terhadap data tunggal yang diambil secara realtime sebesar 52.23%.
Penelitian lainnya dilakukan Fachrudin 0, yaitu mengenai pengenalan pengucap tak bergantung teks yang bertujuan untuk dapat mendengar dan mengenali pengucap yang sedang berbicara. Metode yang digunakan Fachrudin untuk mengekstraksi sinyal suara yaitu Linier Predictive Coding (LPC), sedangkan untuk pencocokan ciri digunakan metode Vector Quantization (VQ). Hasil yang diperoleh yaitu rata-rata persentase pengenalan untuk data rekaman dengan kombinasi orde LPC 12, panjang frame 20ms, ukuran codebook 16 dan 32 yaitu sebesar 68.5%. Rata-rata persentase pengenalan untuk pengujian realtime dengan kombinasi orde LPC 8, panjang frame 10ms, ukuran codebook 64 mencapai 58%.
Mengacu pada ketiga penelitian tersebut, penelitian yang dilakukan oleh penulis yaitu pengenalan nada yang difokuskan pada senar
terbuka yang dihasilkan oleh biola (violin).
3. METODOLOGI PENELITIAN 3.1 Algoritma
3.1.1 Linier Predictive Coding (LPC)
Linier Predictive Coding (LPC) adalah metode digital untuk men-encoding sebuah sinyal analog dimana sebuah nilai tertentu diprediksi oleh sebuah fungsi linier nilai sebelumnya dari sinyal tersebut 0.
Ada dua alasan utama penggunaan metode LPC 0 , yaitu :
1. LPC dapat digunakan untuk memprediksi trayek dari sebuah sinyal. Dalam domain frekuensi, prediksi trayek ekuivalen dengan pemodelan spektrum sinyal.
2. LPC mampu menghilangkan bagian yang dapat terprediksi dalam upaya untuk menghindari bagian redundansi pada saat retransmitting yang dapat diprediksi oleh receiver dan sekaligus dapat menghemat penyimpanan, bandwidth, waktu, dan tenaga.
Langkah-langkah dari pengolahan sinyal dengan LPC untuk memperoleh koefisien cepstral 0 yaitu : 1. Preemphasis (penekanan sinyal)
1 (1)
adalah vocal tract model (pemodelan korelasi dan daya amplifikasi), adalah koefisien prediktor, adalah variabel integer yang melambangkan transformasi pada ruang .
2. Blocking into frame (pemblokan menjadi beberapa frame)
Tahapan ini mengelompokkan sinyal hasil preemphasis ke dalam bingkai-bingkai dengan ukuran masing-masing bingkai sebesar data.
Bingkai ini berurutan dengan pemisahan antara kedua bingkai sebesar data. = ⅓ dimana melambangkan jumlah sampel dari blok sinyal.
3. Frame windowing
Setiap frame dikalikan dengan jendela sampel ( ) dengan menggunakan fungsi jendela Hamming untuk sampel ke-n 0 :
0.54 0.46 cos 2
1 ;
0 1
(2) adalah frame pada data sinyal suara, melambangkan jumlah sampel dari blok sinyal.
4. Autocorrelation analysis
Setiap himpunan frame window diatokorelasi sehingga didapatkan sebuah himpunan koefisien
1 , dengan adalah orde LPC yang diharapkan.
5. LPC/Cepstral analysis
Vektor dari koefisien LPC untuk masing-masing frame, diperoleh dari autokorelasi vektor menggunakan metode rekursi Levinson atau Durbin. Vektor LPC kemudian dikalkulasikan sehingga didapatkan koefisien LPC yaitu .
6. Cepstral weighting
Vektor koefisien cepstral yaitu ℓ pada
frame w
sehingg
7. Delta Turunan dihitung
adala polinomia adalah fa
sam 3.1.2 L
Learn suatu me unit outp (beberapa masing-m unit outp referensi.
pelatihan dengan d pelatihan vektor inp sebagai u vektor ref 0. Adapu Langkah dan learn Langkah kerjakan a. Untuk b. Temu
bernil c. Perba 1. Jik
be ke ,
2. Jik
d. Kuran e. Tes ko
waktu ke yaitu :
adalah bobot ga didapatkan adalah koefi cepstrum n cepstral (y g dengan men
ah vektor delta al ortogonal aktor penguat
ma dengan Learning Vec ning vector etode klasifika put mewakili a unit output masing kelas)
ut sering diny . Diasumsika n dengan klas
istribusi awal n, sebuah jarin put dengan m unit output, ferensi diklasi un algoritma d
1 : Ini
ning rate α(0), 2 : Selama ko :
k masing-masi ukan output
antara v lai minimum aiki vektor bob
ka T = , d enar untuk ve elas yang direp
maka :
ka T mak
ngi learning ra ondisi berhen
dberikan bob
pada jendela :
isien cepstral y bobot yaitu vektor nggunakan per
a cepstrum, dari panjang tan yang dipi
. ctor Quantiza
quantization asi pola yang kategori ata seharusnya d . Vektor bob yatakan sebag an bahwa se
ifikasi yang t dari vektor re ngan LVQ me menugaskan ke
sedangkan y ifikasikan seb ari LVQ 0 ada isialisasikan ,
ondisi berhen ing pelatihan sehingga vektor bobot d bot dengan dengan T seb ektor pelatiha presentasikan
ka :
ate ti
bot oleh wind
(3 ke–
(4) yang sudah di
delta cepstru rsamaan :
(5)
adalah orde p jendela terba ilih agar varia
ation (LVQ) (LVQ) ada g masing-mas au kelas terte digunakan un bot untuk seb gai sebuah vek
erangkaian p tersedia bersa eferensi. Sesu engklasifikasi e kelas yang sa yang mempun bagai vektor in
alah : vektor refere nti bernilai sa
vektor input jarak eucled dan unit outpu n :
bagai kelas y an dan ada n oleh unit out
dow
3)
iberi
um)
pertama atas, an dari
alah sing entu ntuk uah ktor pola ama udah ikan ama nyai nput ensi alah,
dean ut
yang alah tput (6)
(7) 3.2 3.2 me for dil bio ker bio ges lem bag ges den baw 3.2
3.2 Me
2 Analisa Ke 2.1 Pengamb
Tahap peng erekam nada-n rmat file w akukan satu p ola yaitu kera ras diperoleh ola bagian u sekan pendek mbut diperole
gian atas ra sekan lamba ngan mengges wah rambut d 2.2 Alur Jalan
Gambar 1 2.3 Ekstraksi
etode LPC
ebutuhan bilan Data Na gambilan da nada pada sen waveform. Pr persatu dengan as, lembut, da dari mengges ujung bawah k-pendek ser eh dengan me ambut busur at. Suara nad sek biola den engan kecepa nnya Aplikasi
1. Diagram alu Koefisien C
ada
ata suara na nar terbuka bio roses merek
n variasi gese an normal. Su sek biola den h rambut da rta cepat. Su enggesek biol biola denga da normal d ngan bagian at atan gesekan s
i
ur jalannya ap Cepstral Meng
ada yaitu ola dengan
am nada ekan busur
uara nada ngan busur an teknik uara nada la dengan an teknik dihasilkan tas hingga
edang.
plikasi ggunakan
Gambar 2. Diagram alir langkah-langkah ekstraksi koefisien cepstral
3.2.4 Arsitektur JST LVQ
Jaringan saraf tiruan LVQ yang digunakan pada penelitian ini terdiri dari tiga lapisan, yaitu lapisan input terdiri dari 20 sel input yang merepresentasikan koefisien cepstral, lapisan tersembunyi dengan empat sel bobot, dan lapisan output yang merepresentasikan klasifikasi nada.
Arsitektur jaringan saraf tiruan LVQ dari penelitian ini ditunjukkan oleh Gambar 3.
Gambar 3. Arsitektur jaringan saraf tiruan LVQ 3.2.5 Proses Pembelajaran JST LVQ
Gambar 4. Diagram alir pembelajaran jaringan saraf tiruan
3.2.6 Proses Pengujian JST LVQ
Gambar 5. Diagram alir pengujian jaringan saraf tiruan
3.3 Skenario Pengujian
3.3.1 Skenario Pengujian Memorisasi
Pengujian memorisasi dilakukan terhadap 60
data rekam - Dilakuk
0.0005 - Dilakuk
0.0015 - Dilakuk - Dilakuk 0.0045 - Dilakuk
0.00025 Targe sebesar 8 4. SKEN
Pengu data real learning dihasilkan persentas 70%.
5. PENG 5.1. Spe 5.1.2 P
Peran membang Compaq Core 2 operating 32 bit, a Genius M 5.1.3 Pe Dalam lingkunga Java SE user inte tiruan, d pengolah digunaka 5.1.4 Pe
Untuk aplikasi, pendukun dokumen untuk Jav for MySQ Integrated Microsof Publisher 5.2. Has 5.2.1 Ha 0.0005 da Setela 295, dan rata-rata j yaitu sebe Persentas
man dan orde kan sebanyak kan sebanyak kan sebanyak kan sebanyak kan sebanyak 5
et persentase 0%.
NARIO PEN ujian general l time dan ord
rate dan n dari pen se keberhasila
GUJIAN DAN esifikasi Peran
Perangkat Ke ngkat keras
gun dan meng Presario B12 Duo, RAM g system meng
alat pengamb Multimedia Mi erangkat Lun m membang an perangkat
6 sebagai p erface serta dan pemrogr han sinyal L an yaitu MySQ
erangkat Lun k menunjang
diperlukan ng yaitu Micro ntasi, NetBean
va IDE, Navi QL untuk da d Digital HD ft Windows r untuk merek sil Pengujian Hasil Penguji
an Banyak Ep ah dilakukan p learning rate jaringan saraf esar 96.67% y se jaringan s
e LPC 20 deng k 295 epoh k 295 epoh 295 epoh, lea k 295 epoh k 295 epoh keberhasilan
GUJIAN GE isasi dilakuk de LPC 20 de
banyak epoh ngujian mem an pengenala
N PEMBAHA ngkat
eras
yang dig guji aplikasi ya 257TU dengan 2 GB, hard ggunakan Win bil input suar icrophone (Tip nak Pembangu gun dan me lunak yang programming
membangun aman Matlab LPC. Databas
QL 5.5.8.
nak Pendukun pembanguna beberapa p osoft Office W ns IDE 7.2 Re
icat Enterpris atabase IDE, D Audio Vers
s Hardware kam suara biol
Memorisasi ian Dengan
poh 295 pengujian den e 0.0005, dipe f tiruan dalam yang ditunjukk saraf tiruan u
gan variasi : h, learning r h, learning r arning rate 0.0 h, learning r h, learning r mengingat y
ENERALISAS kan terhadap engan kombin h terbaik y morisasi. Tar
an yaitu sebe
ASAN
gunakan da aitu notebook n processor In d disk 160 G ndows 7 Ultim
ra mengguna pe MIC-01A) un Aplikasi
enguji aplik digunakan y language un n jaringan sa
b untuk pro se Server y
ng
an dan penguj perangkat lu Word 2007 un
elease Candid e Version 9.1 dan SoundM sion 6.10.1.5 Compatibi la.
Learning R ngan banyak ep eroleh persent m mengingat n kan oleh Tabe untuk mengin
rate rate 005 rate rate aitu
SI 60 nasi yang rget esar
lam k PC ntel GB, mate akan
).
kasi, aitu ntuk araf oses yang
jian unak ntuk date 1.11 MAX 240 ility
Rate poh tase nada el 1.
ngat
nad per nad ter 1. G epo Ga
T N
Ga
5.2 0.0 295 rat yai Per nad per nad ter 1. G epo Ga
T
da G, A, d rsentase jarin da D hanya dapat dua dat Grafik hasil p oh 295, dan le ambar 6.
Tabel 1. Hasil p 0.
Nada Pers G 100 D 86 A 100 E 100
ambar 6. Hasil 0.
2.2 Hasil Pe 0015 dan Bany Setelah dilak 5 dan learnin a-rata jaringan itu sebesar 96 rsentase jarin da G, A, d rsentase jarin da D hanya dapat dua dat Grafik hasil p oh 295, dan le ambar 7.
Tabel 2. Hasil p 0.
Nada Pers G 10 D 86 A 10 E 10
dan E menc ngan saraf tir a mencapai ta yang diklas pengujian mem
earning rate 0
pengujian me 0005 dengan sentase Pe
0.00%
6.67%
0.00%
0.00%
l pengujian m 0005 dengan engujian De nyak Epoh 295
kukan penguji ng rate 0.0015
n saraf tiruan .67% yang dit ngan saraf tir dan E menc ngan saraf tir a mencapai ta yang diklas pengujian mem
earning rate 0
pengujian me 0015 dengan sentase Pe
0.00%
6.67%
0.00%
0.00%
capai 100%.
ruan untuk m 86.67% dik sifikasikan dal morisasi denga 0.0005 ditunju
morisasi learn 295 epoh rsentase Rata
96.67%
memorisasi lear epoh 295 engan Learn
5
an dengan ban 5, diperoleh p dalam mengi tunjukkan ole ruan untuk m capai 100%.
ruan untuk m 86.67% dik sifikasikan dal morisasi denga 0.0015 ditunju
morisasi learn 295 epoh ersentase Rat
96.67%
Namun, mengingat
karenakan lam Kelas an banyak ukkan oleh
ning rate a-rata
rning rate
ning Rate nyak epoh persentase ingat nada eh Tabel 2.
mengingat Namun, mengingat
karenakan lam Kelas an banyak ukkan oleh
ning rate ta-rata
Gambar 7
5.2.3 Ha 0.005 dan Setela 295 dan jaringan sebesar Persentas nada G d saraf tiru 93.33%, diklasifik persentas nada D terdapat 8 Kelas 1.
banyak ditunjukk
Tab Nada
G D A E
Gambar 8
5.2.4 Ha 0.0045 da Setela
7. Hasil pengu 0.0015 d Hasil Penguji
n Banyak Epo ah dilakukan p learning rate saraf tiruan 85% yang se jaringan s dan E mencap
uan untuk m dikarenakan kasikan dala se jaringan s
hanya men 8 buah data y Grafik hasil epoh 295, kan oleh Gamb bel 3. Hasil pe rate 0.0 a Persentase
100.00%
46.67%
93.33%
100.00%
8. Hasil pengu 0.005 de Hasil Penguji
an Banyak Ep ah dilakukan
ujian memoris dengan epoh 2 ian Dengan
oh 295 pengujian den
e 0.005, dipe dalam mengi ditunjukkan saraf tiruan u
pai 100%. Per mengingat na n terdapat s am Kelas
araf tiruan u ncapai 46.67 yang diklasifik
pengujian me dan learni bar 8.
engujian mem 005 dengan 29 e Persentas
8
ujian memoris engan epoh 29 ian Dengan
poh 295 pengujian t
sasi learning r 295
Learning R ngan banyak ep eroleh persent
ingat nada y oleh Tabel untuk mengin
rsentase jarin ada A menca
satu data y 1. Sedang untuk mengin
%, dikarena kasikan ke da emorisasi den ng rate 0.
morisasi learni 95 epoh
se Rata-rata 85%
sasi learning r 95
Learning R terhadap den
rate
Rate poh tase aitu 3.
ngat ngan apai yang gkan ngat akan lam ngan 005
ing
rate
Rate ngan
ban dip dal ditu tiru 100 me ter 1.
me dik dik pen lea
T
Ga 5.2 0.0 ban dip dal ditu tiru me den ditu T
nyak epoh peroleh persen lam menging
unjukkan oleh uan untuk m
0%. Persent engingat nada dapat satu dat Sedangkan pe engingat nad karenakan t klasifikasikan ngujian memo arning rate 0.0 Tabel 4. Hasil p
0.
Nada Pers G 100 D 46 A 93 E 100
ambar 9. Hasil 0.
2.5 Hasil Pe 00025 dan Ba
Setelah dila nyak epoh peroleh persen
lam menging unjukkan oleh uan untuk m encapai 100%
ngan banyak e unjukkan oleh Tabel 5. Hasil p
0.0 Nada Pers G 100 D 100 A 100 E 100
295 dan le ntase rata-rat gat nada yait
h Tabel 4. Pe mengingat nad tase jaringan a A mencapa ta yang diklas ersentase jarin da D hanya terdapat 8
ke dalam K orisasi dengan 0045 ditunjuk pengujian me 0045 dengan sentase Per 0.00%
6.67%
3.33%
0.00%
l pengujian m 0045 dengan engujian De nyak Epoh 29 akukan pengu 295 dan le ntase rata-rat gat nada yaitu
h Tabel 5. Pe mengingat na
%. Grafik hasil epoh 295, dan h Gambar 10.
pengujian me 00025 dengan sentase Per 0.00%
0.00%
0.00%
0.00%
earning rate a jaringan sa tu sebesar 8 ersentase jarin da G dan E n saraf tirua i 93.33%, dik sifikasikan da ngan saraf tiru a mencapai
buah dat Kelas 1. Gra n banyak epoh kkan oleh Gam morisasi learn 295 epoh rsentase Rata
85%
memorisasi lear epoh 295 engan Learn
95
ujian terhada arning rate a jaringan sa u sebesar 10 ersentase jarin ada G, D, A l pengujian m n learning rat morisasi learn n 295 epoh
rsentase Rata 100.00%
e 0.0045, araf tiruan 85% yang
ngan saraf mencapai an untuk karenakan lam Kelas uan untuk 46.67%, ta yang afik hasil h 295, dan mbar 9.
ning rate a-rata
rning rate ning Rate ap dengan 0.00025, araf tiruan 00% yang ngan saraf A, dan E memorisasi
te 0.00025 ning rate a-rata
Gambar
Persen menginga keberhasi dengan persentas sebesar 1 persentas sebesar 9 persentas sebesar 9 persentas sebesar persentas sebesar 8 Apabi tersebut diperoleh terkecil Sehingga learning semakin dari ko pengolah kesalahan nada yan diharapka data pad 0.0045 u nada A banyakny learning nada D se
Setela jaringan learning mencapai dilakukan 5.3. Has 5.3.1. Ha learning
Hasil realtime nada G, 1
r 10. Hasil pen rate 0.0002 ntase rata-rata at nada m ilan dalam m learning ra se rata-rata jar 100%, learnin se rata-rata jar 96.67%, learn se rata-rata jar 96.67%, learn se rata-rata jar
85%, learnin se rata-rata jar
5%.
ila diperhat menunjukkan h dari learning
diperoleh d a dapat dika rate maka kem baik dalam m efisien ceps han sinyal.
n yang terjad ng tidak sesuai
an. Banyakny da learning r untuk nada D
sebanyak s ya kesalahan
rate 0.0005 d ebanyak 2 dat ah diketahui
saraf tiruan d rate 0.0002 i 100%, maka n pengujian pa sil Pengujian Hasil Penguj rate 0.00025
pengujian ge sebanyak 60 15 data nada D
ngujian memo 25 dengan epo
a jaringan sa mampu me mengingat na ate 0.00025 ringan dalam ng rate 0.000 ringan dalam ing rate 0.00 ringan dalam ing rate 0.004 ringan dalam ng rate 0.00
ringan dalam tikan, perse n bahwa per
g rate terkeci dari learning atakan bahwa mampuan jari mengenali pol stral yang
Terbukti d di dalam men
i dengan kela ya kesalahan rate 0.005 da
sebanyak 8 d satu buah d n mengklasifi dan learning r
ta.
bahwa pers dalam mengin
25 pada epo a untuk pengu ada learning r Generalisasi jian genera dan 190 epoh eneralisasi den data yang ter D, 15 data nad
orisasi learnin oh 295 araf tiruan da
lampaui tar ada yaitu 80 5 menghasil
mengingat n 05 menghasil mengingat n 15 menghasil mengingat n 45 menghasil mengingat n 05 menghasil mengingat n entase-persent sentase tertin il, dan persent g rate terbe a semakin k ingan saraf tir a yang terben dihasilkan d dari banyak ngklasifikasi d as dari nada y
mengklasifik an learning r data, serta un data. Sedang
ikasi data p rate 0.0015 un sentase rata-r ngat nada den
oh 295 mam ujian generali rate 0.00025.
i
alisasi deng h
ngan jumlah d rdiri dari 15 d da A, dan 15 d ng
lam rget 0%, lkan nada lkan nada lkan nada lkan nada lkan nada tase nggi tase esar.
kecil ruan ntuk dari knya data yang kasi rate ntuk gkan pada ntuk rata ngan mpu sasi
gan data data data
nad seb Pen yan dat D, lea epo dis 93 dik me dik per yan kes has 0.0
G
5.3 lea rea dat dat pad tiru seb 15 den seb me yan yan
da E, learni banyak 190 ep ngenalan nad ng dilakukan ta yang terdir 15 data nad arning rate 0.
oh, terjadi pa susul kemudia .33% karena klasifikasikan encapai 60%
klasifikasikan rsentase rata- ng hanya me salahan meng sil pengujian 00025 dan epo Tabel 6. Has learning Nada Per
G 10 D A E 93
Gambar 11. Ha rate 0 3.2. Hasil arning rate 0.0
Hasil penguj altime sebany ta nada G, 15 ta nada E, lea da epoh 295 d
Pengenalan uan yang d banyak 60 dat data nada D, ngan learnin banyak 295 ep encapai 100%
ng mencapai 6 ng salah dik
ing rate 0.0 poh ditunjukka da terbaik dar
terhadap data ri dari 15 data da A, dan 15 00025, dan d ada nada G an dengan n a terdapat s ke dalam K karena terda dalam K -rata yang ter encapai 40%
gklasifikasi ke n generalisas oh 190 ditunju
sil pengujian g g rate 0.00025 rsentase P 00.00%
40%
60%
3.33%
asil pengujian 0.00025 deng
Pengujian 00025 dan 29 jian generalisa yak 60 data da data nada D, arning rate 0 ditunjukkan ol nada terbaik dilakukan ter
ta yang terdir 15 data nada ng rate 0.0
poh, terjadi pa
%, disusul kem 66.67%, karen klasifikasikan
00025, dan an oleh Tabel ri jaringan sa a realtime seb a nada G, 15 5 data nada E dilakukan seba
yang mencap nada E yang satu buah d Kelas 2. Nada apat 6 buah d Kelas 1. K rendah adalah karena terjad e dalam Kelas
i pada learn ukkan oleh Ga
generalisasi d 5 dan 190 epo Persentase Ra
rata 73.33%
n generalisasi gan epoh 190
generalisasi 95 epoh
asi dengan ju ata yang terdi 15 data nada 0.00025, dan leh Tabel 7.
k dari jaring rhadap data ri dari 15 dat
A, dan 15 da 0025, dan ada nada G da mudian denga
na terdapat 5 n ke dalam
dilakukan 6.
araf tiruan banyak 60 data nada E, dengan anyak 190 pai 100%,
mencapai data yang a A hanya
data yang Kemudian,
h nada D di 9 buah s 1. Grafik
ning rate ambar 11.
dengan oh
ata-
learning
dengan umlah data iri dari 15 A, dan 15 dilakukan gan saraf
realtime ta nada G, ata nada E, dilakukan an E yang an nada A buah data Kelas 1.
Persentas yang ha kesalahan buah data learning oleh Gam
Tabe l Nada
G D A E
Gambar
5.3.3. Ha learning
Hasil realtime data nada data nada pada epoh Penge tiruan y sebanyak 15 data n dengan sebanyak mencapai dan A ya 2 buah diklasifik rata yan mencapai dalam m hasil pen 0.00025 d Berda learning dan epoh tiruan d koefisien epoh pal
se rata-rata y anya mencap n mengklasifik
a. Grafik hasi rate 0.00025 mbar 12.
l 7. Hasil peng learning rate 0 a Persentas
100.00%
33.33%
66.67%
100.00%
r 12. Hasil pen rate 0.0002 Hasil Penguj
rate 0.00025 pengujian ge sebanyak 60 a G, 15 data n a E, learning h 350 ditunjuk enalan nada yang dilakuk k 60 data yang nada D, 15 dat
learning rat k 350 epoh,
i 100%, disus ang mencapai
kesalahan kasikan ke dal
g terendah a i 80% dikaren mengklasifikas ngujian gene dan epoh 350 asarkan hasil
rate 0.00025 h 350, persen dalam menge n cepstral dat ling sedikit y
yang terendah pai 33.33%
kasi ke dalam il pengujian g 5 dan epoh
gujian genera 0.00025 dan 2 se Persen
r
%
7
%
ngujian gener 25 dengan epo jian genera dan 350 epoh eneralisasi den data data yan nada D, 15 dat g rate 0.00025
kkan oleh Tab terbaik dari kan terhadap g terdiri dari ta nada A, dan te 0.00025,
terjadi pada sul kemudian
86.67% dika mengklasifik lam Kelas 1.
adalah nada nakan terjadi 3 si ke dalam
eralisasi pada ditunjukkan o pengujian g dengan epoh ntase rata-rat enali pola y ta nada menu yaitu epoh 19
h adalah nada karena terda m Kelas 1 pada generalisasi p 295 ditunjuk
lisasi dengan 295 epoh
tase Rata- rata 75%
ralisasi learnin oh 295
alisasi deng h
ngan jumlah d ng terdiri dari ta nada A, dan 5, dan dilaku bel 8.
i jaringan sa data realt
15 data nada n 15 data nada
dan dilaku a nada E y n dengan nada
arenakan terda kasi nada y
Persentase r D yang ha 3 buah kesala Kelas 1. Gra a learning r oleh Gambar 1 generalisasi p
h 190, epoh 2 ta jaringan sa yang dihasil unjukkan bah 90 menghasil
a D apat a 10 pada kkan
ng
gan data i 15 n 15 ukan araf time a G, a E, ukan yang a G apat yang ata- anya ahan afik rate 13.
pada 295, araf lkan hwa lkan
per yan 73 seb 350 88 pen den ole
G
G
rsentase rata- ng dihasilkan .33%. Epoh 2 besar 75%. Se 0 mampu .33%.
Grafik perba ngujian gener ngan mevaria eh Gambar 14
Tabel 8. Has learning Nada Per
G 86 D 80 A 86 E 10
Gambar 13. Ha rate 0
Gambar 14. Ha rate 0
rata terkecil n koefisien c
95 menghasilk edangkan epoh menghasilkan andingan per ralisasi pada asikan banyak
.
sil pengujian g g rate 0.00025 rsentase P
6.67%
0.00%
6.67%
00.00%
asil pengujian 0.00025 deng
asil pengujian 0.00025 deng
dalam menge cepstral yakn kan persentas h terbanyak y n persentase rsentase rata- learning rate knya epoh di
generalisasi d 5 dan 350 epo Persentase Ra
rata 88.33%
n generalisasi gan epoh 350
n generalisasi gan epoh 350
enali pola ni sebesar se rata-rata
yaitu epoh e sebesar -rata hasil
e 0.00025 itunjukkan
dengan oh
ata-
learning
learning
Kemampuan jaringan saraf tiruan pada learning rate 0.00025 dengan variasi epoh dalam mengenali pola yang dihasilkan koefisien cepstral pada pengujian generalisasi memberikan hasil yang berbeda dengan pengujian memorisasi pada learning rate 0.00025 dan variasi epoh yang sama yakni epoh 190, epoh 295, dan epoh 350. Pengujian memorisasi dilakukan menggunakan data koefisien cepstral dari nada yang telah direkam, lalu dijadikan bahan pembelajaran jaringan saraf tiruan. Sedangkan pengujian generalisasi dilakukan menggunakan data koefisien cepstral yang diambil ketika nada dimainkan langsung, bukan dari file rekaman.
Persentase rata-rata hasil pengujian memorisasi yang mencapai 100% menunjukkan hasil yang baik dari jaringan saraf tiruan, karena mampu mengingat dengan sempurna pola dari koefisien cepstral yang sudah pernah dipelajari sebelumnya. Akan tetapi, berdasarkan hasil pengujian generalisasi yang telah dilakukan hanya mampu mencapai persentase rata- rata sebesar 88.33% dalam mengenali pola dari koefisien cepstral yang belum pernah dipelajari, sehingga dapat dikatakan bahwa jaringan saraf tiruan pada penelitian yang dilakukan penulis tidak dapat secara sempurna mengenali pola koefisien cepstral yang belum pernah dipelajari. Hal ini disebabkan karena koefisien cepstral ketika biola dimainkan secara langsung pada saat pengujian generalisasi memiliki pola yang lebih beragam dan berbeda dengan pola dari koefisien cepstral pada file rekaman yang dijadikan pembelajaran jaringan saraf tiruan. Keragaman pola tersebut disebabkan oleh kondisi penyetelan senar yang tidak bisa sama persis ketika merekam nada untuk pembelajaran dengan memainkan nada pada saat pengujian generalisasi.
Namun, dalam penelitian ini, persentase rata-rata jaringan saraf tiruan dalam mengenali nada dari hasil pengujian generalisasi yaitu sebesar 88.33% telah mampu melampaui target keberhasilan pengenalan yaitu sebesar 70%.
6. KESIMPULAN DAN SARAN 6.1. Kesimpulan
Berdasarkan hasil pengujian generalisasi terhadap 60 data uji yang terdiri dari 15 data nada G, 15 data nada D, 15 data nada A, dan 15 data nada E pada learning rate 0.00025 dengan epoh 190, epoh 295, dan epoh 350, persentase rata-rata jaringan saraf tiruan dalam mengenali pola yang dihasilkan koefisien cepstral data nada menunjukkan bahwa:
Epoh yang paling sedikit yaitu epoh 190 menghasilkan persentase rata-rata terkecil dalam mengenali pola yang dihasilkan koefisien cepstral yakni 73.33% dengan persentase pengenalan pada nada G yang mencapai 100%, nada E mencapai 93.33%, nada A mencapai 60%, dan nada D mencapai 40%. Epoh 295 menghasilkan persentase rata-rata 75% dengan persentase pengenalan pada nada G dan E yang mencapai 100%, nada A mencapai 66.67%, dan nada D mencapai 33.33%.
Sedangkan epoh terbanyak yaitu epoh 350 mampu menghasilkan persentase rata-rata 88.33% dengan persentase pengenalan pada nada E yang mencapai 100%, lalu nada G dan nada A mencapai 86.67%, dan nada D mencapai 80%.
6.2. Saran
Saran untuk penelitian selanjutnya adalah :
1. Mengembangkan penelitian dengan menggunakan data rekaman maupun data pengujian yang berasal dari hasil setem beberapa pemain biola lain yang memiliki kompetensi sama dengan pemain biola yang telah menyetem biola untuk data rekaman dan data pengujian yang telah dilakukan oleh penulis.
2. Mengembangkan penelitian dengan mengkaji pengaruh suhu terhadap suara biola yang dihasilkan apakah berdampak pada keakuratan pengenalan nada.
3. Mengembangkan penelitian dengan mengkaji penyebab kesalahan hasil pengenalan nada D dan nada A yang cenderung dikenali ke dalam kelas nada G.
REFERENSI
Bradbury, Jeremy. 2000. “Linier Predictive Coding”. Florida: Florida Institute of Technology.
Eronen, Antti., Anssi Klapuri. 2000. “Musical Instrument Recognition Using Cepstral Coefficients And Temporal Features”. Proc. Of the IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP.
Fachrudin, AN. 2004. Pengenalan Pengucap Tak Bergantung Teks dengan Metode Vector Quantization (VQ) Melalui Ekstraksi Linier Predictive Coding (LPC). Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro. Semarang.
Gunawan, Dadang., dan Filbert Hilman Juwono.
2012. “Pengolahan Sinyal Digital Dengan Pemrograman Matlab”. Graha Ilmu.
Yogyakarta. ISBN : 978-979-756-814-6.
Hidayanto, Achmad. 2009. “Dasar Pemodelan Markov”. Fakultas Teknik, Universitas
Dipenogoro, Semarang, http://achmad.blog.undip.ac.id/files/2009/06/mar
kov.pdf (Diunduh 22 Januari 2012)
Hohmann, C.H. 1910. “Pratical Violin Method Book 1”, (E-book). U.S.A.: Carl Fischer New York.
ISBN-13 : 9780825808883.
ISO 16:1975 “Acoustics – Standard tuning frequency (Standard musical pitch)”. Changes made in 1995, ISO Standards Handbook : Acoustics, Vol.1, General Aspects of Acoustics:
Methods of noise neasurement in general; Noise with respect to human beings; Ed. 2.616.
International Organization for Standardization.
ISBN : 92-67-10221-4
Kristanto, Andi. 2004. “Jaringan Saraf Tiruan
(Konsep Dasar, Algoritma, dan Aplikasi)”.
Yogyakarta: Gala Media.
Miller, Michael. 2005. “The Complete Idiot’s Guide to Music Theory Second Edition” , (E-book).
U.S.A: Penguin Group (USA) Inc, New York.
ISBN : 1-4295-1388-8.
Munawar, Badri. 2010. “Pengidentifikasian Kata Dengan Menggunakan Metode Hidden Markov Model (HMM) Melalui Ekstraksi Ciri Linier Prediction Coding (LPC)”. Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia..
S., Amri. 2009. www.musikbiola.com (Diakses 20 Januari 2011 pukul 6.39 WIB)
Susanto, Indra. 2004. “Pengenalan Suara Alat Musik Dengan Metode Jaringan Saraf Tiruan (JST) Learning Vector Quantization (LVQ) Melalui Ekstraksi Koefisien Cepstral”. Makalah disajikan dalam Seminar Tugas Akhir, Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro, Semarang.
Vaseghi, Saeed V. 2007. “Multimedia Signal Processing : Theory and Applications in Speech, Music, and Communications”. United Kingdom:
John Willey & Sons, Ltd.