Pengenalan Pola Posisi Tangan Dirigen Angklung Menggunakan Metode Backpropagation
The Recognition of Angklung Dirigend Hand Position Pattern Using the Backpropagation Method
Agus Komarudin 1, Risma Fitriyani 2, Rezki Yuniarti 3
1,2,3Jurusan Teknik Informatika, Fakultas Sains dan Informatika, Universitas Jenderal Achmad Yani, Cimahi
Email: [email protected]
ABSTRAK
Alat musik tradisional angklung merupakan kesenian budaya tradisional Indonesia yang dimainkan dengan cara digetarkan atau digoyangkan untuk menimbulkan bunyi atau nada. Untuk mendapatkan nada yang bagus dalam bermain angklung terdapat satu orang yang akan memberikan aba-aba yang disebut sebagai dirigen.
Komputer akan mengenali setiap gerakan posisi tangan dengan diberikan pengenalan pola. Permasalahannya bagaimana posisi setiap gerakan tangan tangga nada tersebut dapat dikenali oleh komputer, sehingga computer akan mengetahui delapan posisi gerakan tangan dari setiap tangga nada dirigen angkung. Delapan posisi gerakan tangan seorang dirigen angklung akan dikenali oleh komputer dengan mengetahui pola dari setiap posisi, sehingga akan menghasilkan nada. Tujuan dari penelitian membuat sistem yang dapat mengenali posisi tangan yang diberikan oleh dirigen angklung yang terdiri dari delapan tangga nada, dimana setiap posisi akan diambil berupa citra atau gambar yang akan dikenali oleh komputer dan system tersebut dapat digunakan untuk melatih dan mengingat setiap gerakan posisi tangan dirigen angklung. Untuk mengenali posisi gerakan tangan yang diberikan oleh dirigen angklung, dimana setiap posisi akan diambil berupa citra atau gambar sebanyak 192 gambar untuk data latih. Setiap posisi tangan dirigen angklung akan diklasifikasikan menggunakan metode backpropagation.
Kata Kunci: pengenalan pola, angklung, posisi tangan, backpropagation;
ABSTRACT
Angklung, a traditional musical instrument, is a traditional Indonesian cultural art that is played by vibrating or shaking to create a sound or tone. To get a good tone in playing angklung there is one person who will give the cue called the conductor. A computer will recognize every movement of the hand’s position with pattern recognition. The problem is how the computer can recognize the position of each hand movement of the scales, so the computer will know the eight hand movement positions of each angklung conductor musical scale. The computer will recognize the eight hand movements of an angklung conductor by knowing the pattern of each position so that it will produce a tone. The purpose of this research is to create a system that can recognize the hand position given by the angklung conductor which consists of eight scales, where each position will be taken in the form of an image that will be recognized by the computer and the system can be used to train and remember every movement of the angklung conductor’s hand position. To recognize the positions, each position will be taken in the form of 192 images for training data. Each hand position of angklung conductor will be classified using the backpropagation method.
Keywords : pattern recognition, angklung, hand position, backpropagation.
1. PENDAHULUAN
Alat musik tradisional angklung merupakan kesenian budaya tradisional Indonesia yang dimainkan dengan cara digetarkan atau digoyangkan untuk menimbulkan bunyi atau nada. Angklung dapat dimainkan secara interaktif yaitu pemain dapat mengikuti seorang dirigen yang memberikan posisi tangan untuk setiap nada. Dirigen akan mengendalikan permainan angklung dengan memberikan aba-aba posisi setiap nada yang terdiri dari do, re, mi, fa, so, la, si, dan do melalui gerakan tangan. Setiap nada terdapat posisi tangan yang berbeda, yang membuat seorang dirigen harus menghafal delapan posisi tangan untuk memberikan aba-aba angklung.
Manusia dapat dengan mudah mengenali kedelapan posisi tangan nada dengan cara melihatnya, namun untuk menghafal dan menjadi seorang dirigen tidaklah mudah karena harus menghafal nada lagu dan posisi tangan setiap nada.
Delapan posisi tangan seorang dirigen angklung akan dikenali oleh komputer dengan mengetahui pola dari setiap posisi. Komputer akan mengenali setiap posisi tangan dengan diberikan pengenalan pola. Untuk mengetahui pola dari setiap posisi tangan dirigen angklung oleh komputer, setiap posisi tangan akan diambil menggunakan sensor kamera, kemudian akan diproses menggunakan metode backpropagation.
Proses pengenalan dilakukan dengan memberikan input berupa citra atau gambar objek yang akan dikenali kemudian diklasifikasikan sesuai kelasnya.
Pengenalan objek merupakan salah satu teknologi software komputer yang berkembang sangat cepat dan dapat dimanfaatkan dalam berbagai bidang yang berguna dan dapat membantu pekerjaan manusia [1]. Contohnya sistem yang dapat mengenali ekspresi wajah manusia, dimana komputer harus mengenali ekspresi wajah manusia. Komputer tidak akan langsung mudah mengidentifikasi ekspresi wajah manusia tanpa diberi pembelajaran [2].
Salah satu metode yang dapat membantu komputer dalam pengklasifikasian objek yaitu metode backpropagation.
Memainkan alat musik angklung sangat mudah dilakukan, apalagi jika dalam sebuah orkestra angklung tinggal mengikuti dirigen angklung.
Untuk menjadi seorang dirigen angklung harus menghafal posisi tangan setiap tangga nada yang terdiri dari delapan nada. Manusia dapat dengan mudah mengenali posisi setiap posisi tangan tangga nada yang diberikan oleh dirigen. Permasalahannya bagaimana posisi setiap tangan dirigen angklung dapat dikenali oleh komputer, sehingga komputer akan mengetahui delapan posisi tangan dari setiap nada dirigen angklung.
Pengenalan pola menggunakan backpropagation pernah dilakukan mengenai pengenalan pola senyum berdasarkan hasil penelitian
skenario uji coba dengan rata-rata pengenalan pola senyum tertinggi diperoleh ketika menggunakan nilai eigen 15 dan jumlah hidden layer 10, yaitu sebesar 82,67% [3. Pengenalan wajah juga pernah dilakukan dengan membandingkan dua metode yaitu metode algoritma genetika dan backpropagation, dengan hasil akurasi metode backpropagation 91,30% dan akurasi 82,61%. Sehingga algoritma backpropagation dapat menghasilkan kinerja yang lebih baik [4].
Identifikasi yang dapat diterapkan kedalam komputer tidak hanya mengenali wajah saja, isyarat tangan juga dapat diterapkan kedalam komputer dimana komputer akan mengenali sistem isyarat tangan Bahasa Indonesia untuk melakukan komunikasi dan interaksi bagi penyandang tuna rungu dan tuna wicara [5]-[7]. Pengenalan pola isyarat tangan statis dengan menggunakan 4096 neuron pada lapisan input, 75 neuron pada lapisan tersembunyi dan 15 neuron pada lapisan output yang diklasifikasikan menggunakan jaringan syaraf tiruan perambatan balik yang diuji dengan 225 data menghasilkan akurasi sebesar 65% [8].
Penelitian ini akan berfokus kepada pengenalan pola posisi tangan dirigen angklung yang terdapat delapan nada yang akan dikenali oleh komputer melalui sensor kamera dan diklasifikasikan menggunakan metode backpropagation dimana output berupa suara angklung dengan nada do, re, mi, fa, so, la, si, dan do’.
2. METODE
Penelitian ini dilakukan berdasarkan rancangan sistem pengenalan pola posisi tangan dirigen angklung. Rancangan diagram pengenalan pola posisi tangan dirigen angklung pada Gambar 1.
Gambar 1. Perancangan pengenalan pola posisi tangan dirigen angklung
a. Pengambilan Data
Data yang digunakan menggunakan citra yang diambil oleh sensor kamera dengan ukuran 640 pixels x 480 pixels. Terdapat 8 posisi tangan yang sesuai dengan nada. Contoh data posisi tangan setiap nada terdapat pada Gambar 2.
Gambar 2. contoh data input
b. Pra Proses
Terdapat beberapa pra proses yang terdiri dari:
1) Grayscalling
Proses grayscalling, yaitu proses untuk mengubah citra berwarna menjadi citra abu- abu menggunakan Persamaan 1.
grayscale = 0.299R+0.587G+0.144B (1) 2) Deteksi Tepi
Deteksi tepi yaitu proses ektraksi fitur menggunakan metode deteksi tepi. Ekstraksi fitur merupakan proses pengambilan ciri- ciri yang unik dari sebuah objek. Ekstraksi fitur yang dicari dalam penelitian ini yaitu ekstraksi fitur bentuk.
3) Normalisasi
Proses normalisasi, yaitu proses untuk melakukan normalisasi ukuran citra yang berbeda-beda menjadi 64 pixel x 64 pixel.
4) Backpropagation
Algoritma backpropagation merupakan metode sistematis pada model jaringan syaraf tiruan yang terdapat hidden layer dan berjalan secara maju dan mundur saat proses pembelajaran.
Metode backpropagation pernah digunakan untuk klasifikasi pola sidik jari untuk menganalisa karakteristik seseorang, dimana terdapat tiga pola si- dik jari yang dikenali yaitu arch, loop dan whorl. Ci- tra sidik jari akan diambil menggunakan fingerprint scanner dengan ukuran 329 × 329 pixel. Sebelum dimasukan kedalam input layer, citra sidik jari terse- but dikonversi menjadi citra grayscale kemudian dikonversi lagi menjadi citra biner. Setelah menjadi citra biner, citra tersebut di resize secara transformasi linier menjadi berukuran 160 × 160 pixel. Selanjutn- ya citra tersebut di reshape menjadi array 1 dimensi sehingga citra tersebut siap digunakan sebagai input layer sebanyak 25600 unit, 160 unit hidden layer, dan 3 unit output layer. Hasil pengujian mendapat- kan akurasi sebesar 83% [9].
Tahap klasifikasi merupakan tahap pembuatan komputasi yang digunakan, dimana algoritma yang digunakan untuk mengklasifikasikan kelas menggunakan algotima backpropagation. Nilai matrix ukuran 64 x 64 akan diubah menjadi nilai vektor untuk mendapatkan input layer. Input layer yang di dapatkan sebanyak 4096. Output layer terdapat 8 kelas yang diambil dari tangga nada, kemudian hidden layer terdapat 181. Struktur multilayer perceptron terdapat pada Gambar 3.
Gambar 3. Struktur Multilayer Perceptron
Dalam menentukan banyaknya neuron pada hidden layer dapat menggunakan Persamaan 2 dan untuk fungsi sigmoid biner dapat dilihat pada Persamaan 3.
p = √( m x n) (2)
dimana :
m = jumlah neuron input n = jumlah neuron output
f ‘(x) = f(x)(1 – f(x)) (3)
dimana :
e = nilai eksponen
x = input data yang diaktivasi
Dalam pelatihan Backpropagation memiliki tiga tahapan yang akan dilakukan untuk proses identifikasi yaitu feed forward, back propagation dan modifikasi bobot. Berikut adalah penjelasan dari ketiga fase pada Backpropagation.
1) Tahap Feed Forward
Feed Forward atau fase maju yaitu setiap neuron input xi akan mengirimkan sinyal masukan pada hidden layer. Masing-masing neuron pada hidden layer dikalikan dengan bobot dan dijumlahkan dengan bias. Perhitungannya dilakukan menggunakan Persamaan 4.
z_net j = vj0 + Sn xi vkj (4)
dimana :
i = indeks neuron input j = indeks neuron hidden
vj0 = bobot bias dari input layer ke hidden layer n = jumlah neuron pada input layer xi = data nilai masukkan yang ke- vkj = bobot dari input layer ke hidden layer
Selanjutnya melakukan perhitungan pada masing-masing neuron output yang dikalikan dengan bobot dan dijumlahkan dengan bias menggunakan Persamaan 5.
y_net k = wk0 + Sp zj ykj (5)
dimana:
j = indeks neuron hidden layer p = jumlah neuron pada hidden layer k = indeks neuron output
wk0 = bobot bias dari hidden layer ke output layer zj = nilai hasil aktivasi dari hidden layer ykj = bobot dari hidden layer ke output layer
2) Tahap Backpropagation
Backpropagation atau fase mundur merupakan tahap masing-masing neuron output menerima pola target yang telah dicapai berdasarkan pola masukan saat pelatihan. Dalam perhitungan untuk perubahan bias menggunakan Persamaan 6.
Δwk0 = α x δk (6)
dimana:
α = nilai learning rate
δk = komponen kesalahan pada output layer
3) Tahap Modifikasi Bobot
Pada tahap ini semua bobot dimodifikasi secara bersamaan. Hal tersebut dilakukan untuk meminimalkan kesalahan yang terjadi pada proses feed forward dan backpropagation.
Melakukan perhitungan kesalahan pada setiap hidden layer, pembaharuan bias dan bobot dari masing-masing neuron output sehingga menghasilkan bobot dan bias baru menggunakan Persamaan 7. Perhitungan pada setiap neuron hidden dimulai dari unit ke-1 sampai unit ke-p menggunakan Persamaan 7.
wk j = wk j(lama) + Δwkj
vji = vji (lama) + Δvji (7)
dimana :
wk j(lama) = bobot neuron hidden ke output yang lama Δwkj = koreksi bobot W
vji (lama) = bobot neuron input ke hidden yang lama Δvji = koreksi bobot V
Neuron-neuron pada hidden layer diperoleh menggunakan Persamaan 2. Untuk bobot awal didapatkan dari nilai secara acak dengan rentang -1 sampai dengan 1.
3. HASIL DAN DISKUSI
Data latih yang digunakan pada penelitian ini sebanyak 192 data yang diperoleh dari pengambilan gambar menggunakan sensor kamera. Pelatihan data latih dan data baru menggunakan Backpropagation dengan bobot secara random. Parameter yang digunakan dalam pelatihan yaitu 1000 epoch dan learning rate 0.01. Berikut nilai target keluaran dari masing-masing kelas, dapat dilihat pada Tabel I.
Tabel 1. Target Keluaran Setiap Kelas Kelas Target Keluaran
1 0000 0001
2 0000 0010
3 0000 0100
4 0000 1000
5 0001 0000
6 0010 0000
7 0100 0000
8 1000 0000
Uji pengaruh optimalisasi parameter pelatihan pada backpropagation dengan tujuan mencari parameter yang optimal yang memberikan akurasi terbaik. Parameter pelatihan menggunakan learning rate dan epoch terhadap data latih dan data uji. Adapun hasil akurasi yang diperoleh dapat dilihat pada Tabel 2.
Tabel 2 Minumum
Error MSE Akurasi (%)
Data Latih Data Uji
0.05 0.567 79 53
0.04 0.427 77 52
0.03 0.389 72 55
0.02 0.356 80 58
0.01 0.295 82 63
Berdasarkan hasil uji pada Tabel 2 maka diperoleh akurasi Backpropagation dengan 181 layer hidden neuron dan learning rate 0.01 yang dilakukan pada data latih memperoleh hasil akurasi 72-82%
dan pada data uji memperoleh hasil akurasi 52-63%.
Dengan minimum error 0.01 didapatkan akurasi tertinggi sebesar 82% untuk data latih dan 63% untuk data uji.
4. KESIMPULAN
Pada penelitian ini telah diimplementasikan model komputasi yang dapat mengidentifikasi pola posisi tangan dirigen angklung dengan delapan posisi yang beragam. Data diperoleh dari sensor kamera yang disimpan dengan ukuran 640x480 pixel dalam format .JPG, selanjutnya akan dilakukan tahap pra- proses lalu pelatihan dan identifikasi menggunakan Backpropagation.
Hasil akurasi dari pelatihan menggunakan Backpropagation dengan 181 layer hidden neuron dan learning rate 0.01 yang dilakukan pada data latih memperoleh hasil akurasi 82% untuk data latih dan 63% untuk data uji. MSE yang dihasilkan dari proses pelatihan Backpropagation sebesar 0.295.
5. UCAPAN TERIMA KASIH
Terima kasih kepada para subjek atas ketersediaannya memberikan izin untuk pengambilan data.
DAFTAR PUSTAKA
[1] S. T. Wulandari, Ernawati, and E. P.
Purwandari, “Aplikasi Biometrika Pengenalan Citra Sidik Jari dengan Metode Minutiae Dan Artificial Neural Network Backpropagation,” Jurnal Rekursif, vol. 5, no. 1, pp. 107–120, 2017.
[2] P. V. Saudagare and D. S. Chaudhari, “Facial Expression Recognition using Neural Network – An Overview,” International Journal of Soft Computing and Engineering, vol. 2, no. 1, pp. 224–227, 2012.
[3] R. T. Wahyuningrum, R. M. Wati, and A.
Rachmad, “Pengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis ( PCA ),” Rekayasa, vol. 4, no. 1, pp. 70–75, 2011.
[4] S. Anam, S. Islam, M. A. Kashem, M. N.
Islam, M. R. Islam, and M. S. Islam, “Face Recognition Using Genetic Algorithm and Backpropagation Neural Network,”
in Proceedings of the International MultiConference of Engineers and Computer Scientists, 2009, vol. 1, no. 1, pp.
18–21.
[5] W. Kurniawan and A. Harjoko, “Pengenalan Bahasa Isyarat dengan Metode Segmentasi Warna Kulit dan Center of Gravity,” IJEIS, vol. 1, no. 2, pp. 67–78, 2011.
[6] A. A. Gafar and J. Y. Sari, “Sistem Pengenalan Bahasa Isyarat Indonesia dengan Menggunakan Metode Fuzzy K-Nearest Neighbor,” Ultimatics, vol. 9, no. 2, pp.
122–128, 2017.
aIdentify ap- plicable spon- sor/s here. If no sponsors, delete this text box
[7] A. M. Dewi, A. Rusdinar, and P. Pangaribuan,
“Perancangan Sistem Penerjemah Bahasa Isyarat,” e-Proceeding of Engineering, vol.
5, no. 3, pp. 4195–4202, 2018.
[8] F. Asriani and H. Susilawati, “Pengenalan Isyarat Tangan Statis Pada Sistem Isyarat Bahasa Indonesia Berbasis Jaringan Syaraf Tiruan Perambatan Balik,” Makara, Teknologi, vol. 14, no. 2, pp. 150–154, 2010.
[9] M. I. Rahayu, Y. Jayusman, and A. Erdiyana,
“Deteksi Jari Tangan Berbasis Kamera Untuk Pengendalian Alat Musik Angklung,” Jurnal Teknologi Informasi dan Komunikasi, vol. 4, no. 2, pp. 17–22, 2015.
[10] N. Sugianto and F. Samopa, “Analisa Manfaat Dan Penerimaan Terhadap Implementasi Bahasa Isyarat Indonesia Pada Latar Belakang Komplek Menggunakan Kinect Dan Jaringan Syaraf Tiruan ( Studi Kasus SLB Karya Mulia 1 ),” JUISI, vol. 01, no.
01, pp. 56–72, 2015.
[11] A. F. Setiawan and A. K. Agung, “Klasifikasi Pola Sidik Jari Menggunakan Jaringan Syaraf Tiruan Backpropagation Untuk Analisa Karakteristik Seseorang,” Jurnal Antivirus, vol. 10, no. 2, pp. 50–55, 2016.
[12] S. Kusmaryanto, “Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram,” Jurnal EECCIS, vol. 8, no. 2, pp. 193–198, 2014.
[13] P. M. Rahardjo, “Pengenalan Ekspresi Wajah berbasis Filter Gabor dan Backpropagation Neural Network,” Jurnal EECCIS, vol. 4, no. 1, pp. 12–17, 2010.
[14] A. Shawkat Abdulbaki, “Backpropagation Neural Network Proposed Algorithm to learn deaf a Computer Commands by Hand Gestures,” Jurnal of Univesity of anbar for pure science, vol. 6, no. 2, pp. 1–4, 2012.
[15] P. Pawar and N. Mohota, “Hand Gesture Recognition Using Backpropogation Algorithm Based on Neural Network,”
International Journal on Recent and Inovation Trends in Computing and Communication, vol. 3, no. 7, pp. 4646–
4649, 2015.
