INTISARI
Kebanyakan orang hanya bisa mendengarkan suatu suara instrument alat musik tanpa mengetahui suara instrument alat musik apa yang sedang dimainkan, karena kurangnya ketajaman pendengaran serta pengetahuan tentang musik sangat terbatas. Hal ini juga sangat penting bagi seorang pemusik ataupun seorang musisi untuk mengetahui apakah suara instrument musik yang dimainkan sudah menghasilkan suara instrument musik yang tepat. Alat musik yang dimainkan pun juga beragam, seperti alat musik pukul yaitu Belira yang merupakan alat musik yang dimainkan dengan cara dipukul, dan biasa digunakan pada drum band. Rekorder yang merupakan alat musik melodis yang sumber bunyinya berasal dari tekanan udara yang dimainkan dengan cara ditiup. Serta pianika yang merupakan salah satu alat musik gabungan yang ditiup dan ditekan. Sistem pengenalan sangat diperlukan untuk membantu dalam mengenali suara instrument alat musik pada alat musik Belira, Pianika dan Rekorder.
Sistem pengenalan suara instrument musik belira, pianika dan rekorder dalam tugas akhir ini menggunakan mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima gelombang suara instrument musik belira, pianika dan rekorder. Komputer berfungsi untuk memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum ekstraksi ciri dan menampilkan hasil nada yang dikenali berupa teks. Sistem pengenalan suara instrumen musik menggunakan Row Mean DCT, fungsi jarak Euclidean dan klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan.
Pengenalan suara instrument musik pada belira, pianika dan rekorder secara real-time dengan menggunakan database pernada 4 dengan variasi frame blocking 256, dan nilai k=1 pada k-NN memiliki tingkat pengenalan suara instrument musik mencapai 87,69 %.
instrument sound is being played, because of the lack of hearing acuity and knowledge of music is very limited. It is also very important for a musician to find out whether the musical instruments used have produced musical instrument sounds right. Musical instrument played was also varied, such as percussion instruments, namely Belira which is a musical instrument played by striking, and is commonly used in drum band. Recorder which is tuned instrument that is the source of the sounds comes from air pressure that is played by blowing. As well pianika which is one instrument combined blown and pressed. Recognition system is needed to help in identifying instrument sounds of musical instruments Belira, pianika and recorder.
Musical instruments system sounds recognition belira, pianika and recorder in this thesis using a microphone and a computer to operate. Microphone function to receive sound waves belira musical instrument, pianika and recorder. Computer functions to process data recording, featuring a wave recordings, featuring spectrum feature extraction and displays the results of the tone of the recognized text. Musical instruments sounds recognition using row mean dct
,
Euclidean distance function and k-NN classification has been created and can work in accordance with the design.Musical instruments sounds recognition belira, pianika and recorder in real-time by using database pernada 4 with frame blocking 256 variation, and k=1 for k-NN has a level musical instruments sounds recognition reached 87,69 %.
TUGAS AKHIR
PENGENALAN SUARA INSTRUMEN MUSIK
MENGGUNAKAN ROW MEAN DCT
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh:
AGNES SIMON REDO
NIM : 115114038
PROGRAM STUDI TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
Presented as Partial Fullfillment of The Requirements
To Obtain Sarjana Teknik Degree
In Electrical Engineering Study Program
By :
AGNES SIMON REDO
NIM : 115114038
ELECTRICAL ENGINEERING STUDY PROGRAM
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya
orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana
layaknya karya ilmiah.
Yogyakarta, 14 Januari 2016
I’m Not Lucky, I’m Blessed
Persembahan
Karya tulis ini ku persembahkan kepada ...
Tuhanku Yesus kristus yang selalu menjadi sumber
kekuatan dan pengharapanku,
Almarhumah Ibuku Tercinta,
Bapak, Kakak-kakak dan semua keluargaku yang
kukasihi dan yang selalu mendukungku dalam segala hal,
Teman-teman seperjuanganku yang tercinta,
Dan semua orang yang mengasihiku, mendoakanku, dan
mendukungku dalam Tugas Akhir ini.
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Agnes Simon Redo
Nomor Mahasiswa : 115114038
Dengan pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah saya yang berjudul :
PENGENALAN SUARA INSTRUMENT MUSIK
MENGGUNAKAN ROW MEAN DCT
Beserta perangkat yang diperlukan (kalau ada). Dengan demikian saya memberikan kepada
Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam
bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara
terbatas dan mempublikasikannya di internet atau media lainnya untuk kepentingan
akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya
selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataa ini saya buat dengan sebenarnya.
Yogyakarta, 14 Januari 2016
INTISARI
Kebanyakan orang hanya bisa mendengarkan suatu suara instrument alat musik tanpa mengetahui suara instrument alat musik apa yang sedang dimainkan, karena kurangnya ketajaman pendengaran serta pengetahuan tentang musik sangat terbatas. Hal ini juga sangat penting bagi seorang pemusik ataupun seorang musisi untuk mengetahui apakah suara instrument musik yang dimainkan sudah menghasilkan suara instrument musik yang tepat. Alat musik yang dimainkan pun juga beragam, seperti alat musik pukul yaitu Belira yang merupakan alat musik yang dimainkan dengan cara dipukul, dan biasa digunakan pada drum band. Rekorder yang merupakan alat musik melodis yang sumber bunyinya berasal dari tekanan udara yang dimainkan dengan cara ditiup. Serta pianika yang merupakan salah satu alat musik gabungan yang ditiup dan ditekan. Sistem pengenalan sangat diperlukan untuk membantu dalam mengenali suara instrument alat musik pada alat musik Belira, Pianika dan Rekorder.
Sistem pengenalan suara instrument musik belira, pianika dan rekorder dalam tugas akhir ini menggunakan mikrofon dan komputer untuk mengoperasikannya. Mikrofon berfungsi untuk menerima gelombang suara instrument musik belira, pianika dan rekorder. Komputer berfungsi untuk memproses data hasil rekaman, menampilkan gelombang hasil rekaman, menampilkan spektrum ekstraksi ciri dan menampilkan hasil nada yang dikenali berupa teks. Sistem pengenalan suara instrumen musik menggunakan Row Mean DCT, fungsi jarak Euclidean dan klasifikasi k-NN sudah berhasil dibuat dan dapat bekerja sesuai dengan perancangan.
Pengenalan suara instrument musik pada belira, pianika dan rekorder secara real-time dengan menggunakan database pernada 4 dengan variasi frame blocking 256, dan nilai k=1 pada k-NN memiliki tingkat pengenalan suara instrument musik mencapai 87,69 %.
instrument sound is being played, because of the lack of hearing acuity and knowledge of music is very limited. It is also very important for a musician to find out whether the musical instruments used have produced musical instrument sounds right. Musical instrument played was also varied, such as percussion instruments, namely Belira which is a musical instrument played by striking, and is commonly used in drum band. Recorder which is tuned instrument that is the source of the sounds comes from air pressure that is played by blowing. As well pianika which is one instrument combined blown and pressed. Recognition system is needed to help in identifying instrument sounds of musical instruments Belira, pianika and recorder.
Musical instruments system sounds recognition belira, pianika and recorder in this thesis using a microphone and a computer to operate. Microphone function to receive sound waves belira musical instrument, pianika and recorder. Computer functions to process data recording, featuring a wave recordings, featuring spectrum feature extraction and displays the results of the tone of the recognized text. Musical instruments sounds recognition using row mean dct
,
Euclidean distance function and k-NN classification has been created and can work in accordance with the design.Musical instruments sounds recognition belira, pianika and recorder in real-time by using database pernada 4 with frame blocking 256 variation, and k=1 for k-NN has a level musical instruments sounds recognition reached 87,69 %.
KATA PENGANTAR
Puji Syukur kepada Tuhan Yesus Kristus karena telah memberikan Berkat-Nya
sehingga penulis dapat menyelesaikan laporan tugas akhir dengan baik, dan dapat
memperoleh gelar sarjana.
Dalam penulisan tugas akhir ini, penulis menyadari bahwa tidak lepas dari seluruh
bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis
mengucapkan banyak terimakasih kepada:
1. Tuhan Yesus Kristus atas kasih karunia, berkat dan anugerah-Nya kepada penulis
2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.
3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elekro
Universitas Sanata Dharma
4. Dr. Linggo Sumarno, selaku dosen pembimbing yang dengan setia dan penuh
kesabaran untuk membimbing dalam menyelesaikan penulisan Tugas Akhir ini.
5. Dr. Iswanjono, Dr. Anastasia Rita Widiarti selaku dosen penguji yang telah
memberikan bimbingan, masukan, saran, dan merevisi Tugas Akhir ini.
6. Alm. Ibu, Bapak serta kakak-kakak yang tiada henti untuk selalu mendoakan,
mendukung dan membantu segala sesuatunya sampai pencapaian menyelesaiakan
studi di jenjang perkuliahan.
7. Keluarga besarku yang selalu medoakan dan mendukung untuk menyelesaikan
Tugas Akhir ini.
8. Segenap staff sekretariat, dan laboran Teknik Elektro yang telah memberikan
dukungan secara tidak langsung dalam kelancaran tulisan tugas Akhir ini.
9. Sahabat-sahabat “Lawliet Room” Angel, Feby, Christin, Yunda, Inggrid, Fany, Ean, Nita, Debby, Apri, Grace dan Tika yang selalu mendoakan dan memberi
semangat dalam kelancaran penulisan Tugas Akhir ini.
10.Saudara-saudari “XVI Jogja” Christin, Yolanda, Yovita, Yunda, Inggrid, Reymond, Yonathan, Triono, dan Valentinus yang sudah menjadi keluargaku selama
menempuh pendidikan di Yogyakarta dan yang selalu membantu, mengingatkan
tugas akhir dan selalu memberikan semangat.
13.Teman-teman Teknik Elektro 2011 yang telah memberikan semangat pada saat
menempuh pendidikan di Universitas Sanata Dharma.
14.Semua Pihak yang tidak bisa disebutkan satu persatu yang telah banyak
mendukung, dan memberikan banyak bantuan dalam menyelesaikan Tugas Akhir
ini.
Penulis menyadari bahwa dalam penyusunan laporan Tugas Akhir ini masih
mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis
mengharapkan masukan, saran ,kritikan yang mendukung agar skripsi ini menjadi lebih
baik, dan semoga sripsi ini dapat bermanfaaat sebagaimana mestinya
Penulis
DAFTAR ISI
Halaman
HALAMAN JUDUL. ... i
HALAMAN PERSETUJUAN.. ... iii
HALAMAN PENGESAHAN. ... iv
PERNYATAAN KEASLIAN KARYA. ... v
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP. ... vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS. ... vii
INTISARI. ... viii
ABSTRACT. ... ix
KATA PENGANTAR. ... x
DAFTAR ISI. ... xii
DAFTAR GAMBAR. ... xvi
DAFTAR TABEL. ... xviii
BAB I PENDAHULUAN
1.1. Latar Belakang. ... 1-2 1.2. Tujuan dan Manfaat Penelitian ... 21.3. Batasan Masalah ... 2-3 1.4. Metodologi Penelitian ... 3-5
BAB II DASAR TEORI
2.1. Pianika... 62.2. Belira ... 6-7 2.3. Rekorder ... 7-8 2.4. Sampling ... 9
2.5. Normalisasi ... 9-10 2.6. Normalisasi 1.. ... 10
2.7. Pemotongan Sinyal.... ... 10-11
2.10.2. Hanning window ... 15-16
2.11.3. DCT (Discrete Cosine Transform)... 16-17
2.11.4. Rerata Baris. ... 17
2.11. Normalisasi 3 ... 17-18 2.12. Centering ... 18
2.12.1. Proses Sisi Kiri dan Kanan ... 18-19 2.12.2. Penggabungan Kiri dan Kanan ... 19
2.13. Pengenalan Pola ... 19-20 2.14. Template Matching ... 20
2.15. Fungsi Jarak Euclidean ... 20-21 2.16 Klasifikasi k-NN ... 21
BAB III PERANCANGAN
3.1. Sistem Pengenalan Suara Instrumen Musik ... 221. Belira... ... 23
2. Pianika.... ... 23
3. Rekorder ... ... 23
4. Mikrofon.... ... 23-24 5. Proses Perekaman.... ... 24
6. Proses Pengenalan Suara.... ... 24
3.1.1. Suara Belira, Pianika, Atau Rekorder (Wav).... ... 24
3.1.2. Pemotongan Sinyal.... ... 25
3.1.3. Frame Blocking.... ... 25
3.1.4. Normalisasi.... ... 25
3.1.5. Row Mean DCT (Discrete Cosine Transform).... ... 25
3.1.6. Centering.... ... 25
3.1.7. Fungsi Jarak (Euclidean).... ... 25
3.1.8. Penentuan Hasil Suara Instrumen Musik.... ... 26
3.2. Perancangan Suara Referensi ... 26-27
3.3. Suara Uji ... 27
3.4. Tampilan Program GUI MatLab ... 28
3.5. Perancangan Alur Program ... 29-30 3.5.1. Rekam ... 31
3.5.2. Normalisasi 1 ... 32
3.5.3. Pemotongan Sinyal ... 33
3.5.4. Frame Blocking ... 34
3.5.5. Normalisasi 2. ... 35
3.5.6. Windowing Hanning... 36
3.5.7. Row Mean DCT... 37-38 3.5.8. Normalisasi 3 ... 38
3.5.9. Centering... 39
3.5.10. Fungsi Jarak (Euclidean) ... 40
3.5.11. K-NN... 41-42
BAB IV HASIL DAN PEMBAHASAN
4.1. Pengujian Program Pengenalan Suara Instrumen Row Mean DCT dan Pengklasifikasian K-NN dan Fungsi Jarak Euclidean ... 43-45 4.1.1. Pengenalan Suara Instrumen Musik... 45a. Popup Menu... ... 45-47 b. Tombol “MULAI”... ... 47-56 c. Tombol “RESET”... ... 56-57 b. Tombol “SELESAI”... ... 57
4.2. Hasil Pengujian Program Pengenalan Suara Instrumen Musik ... 57
4.2.1. Pengujian Parameter Pengenalan Suara Instrumen Musik ... 57
4.2.1.1 Pengujian secara Tidak Real-Time... 57-59 4.2.1.2 Pengujian secara Real-Time ... 59-67
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ... 685.2. Saran ... 68
LAMPIRAN 2 LISTING PROGRAM GUI MATLAB. ... L22-L39 LAMPIRAN 3 LISTING PROGRAM TIDAK REAL-TIME... L40-L49 LAMPIRAN 4 HASIL PENGENALAN SUARA INSTRUMEN MUSIK
DAFTAR GAMBAR
Halaman
Gambar 2.1. Alat Musik Pianika ... 6
Gambar 2.2. Alat Musik Belira ... 7
Gambar 2.3. Alat Musik Rekorder... 8
Gambar 2.4. Sinyal Hasil Sampling... 9
Gambar 2.5. Sinyal Normalisasi 1 dari gambar sinyal 2.4 ... 10
Gambar 2.6. Sinyal Sebelum pemotongan dari gambar 2.5. ... 11
Gambar 2.7. (a). Hasil pemotongan bagian silence pada Belira. ... 11
(b). Hasil pemotongan bagian Transisi pada Belira. ... 11
Gambar 2.8. (a). Hasil pemotongan bagian silence pada Pianika... 11
(b). Hasil pemotongan bagian Transisi pada Pianika. ... 11
Gambar 2.9. (a). Hasil pemotongan bagian silence pada Rekorder. ... 11
(b). Hasil pemotongan bagian Transisi pada Rekorder. ... 11
Gambar 2.10. (a). Bagian sinyal Belira yang akan diambil untuk Frame Blocking. .... 12
(b). Frame Blocking Belira dari gambar sinyal 2.7. ... 12
Gambar 2.11. (a). Bagian sinyal Pianika yang akan diambil untuk Frame Blocking. .. 12
(b). Frame Blocking Pianika dari gambar sinyal 2.8. ... 12
Gambar 2.12. (a). Bagian sinyal Rekorder yang akan diambil untuk Frame Blocking. 13 (b). Frame Blocking Rekorder dari gambar sinyal 2.9. ... 13
Gambar 2.13. Sinyal Normalisasi 2 dari gambar sinyal 2.10, 2.11 dan 2.12 ... 13
Gambar 2.14. Proses Row Mean DCT.. ... 14
Gambar 2.15. Sinyal dari pembentukan kolom matriks dari gambar sinyal 2.14... 15
Gambar 2.16. Sinyal Windowing 2D dari gambar sinyal 2.15.. ... 16
Gambar 2.17. Sinyal DCT 2D dari gambar sinyal 2.16.. ... 17
Gambar 2.18. Sinyal Rerata Baris dari gambar sinyal 2.17.. ... 17
Gambar 2.19. Sinyal Normalisasi 3 dari gambar sinyal 2.18.. ... 17
Gambar 2.20. Pemrosesan Sinyal Proses Sisi Kiri dari gambar sinyal 2.19... 18
Gambar 2.21. Pemrosesan Sinyal Proses Sisi Kanan dari gambar sinyal 2.20... 19
Gambar 3.4. Diagram Blok Proses Pengenalan Suara Instrumen Musik ... 24
Gambar 3.5. Diagram Blok Proses Pengambilan Suara Referensi ... 26
Gambar 3.6. Blok Diagram Proses Pengambilan Suara Uji ... 27
Gambar 3.7. Diagram Alir Sistem Pengenalan Suara Belira, Pianika dan Rekorder ... 30
Gambar 3.8. Blok Diagram Proses Rekam ... 31
Gambar 3.9. Diagram alir Normalisasi 1 ... 32
Gambar 3.10. Diagram alir Pemotongan Sinyal ... 33
Gambar 3.11. Diagram Alir Frame Blocking ... 34
Gambar 3.12. Diagram alir Normalisasi 2 ... 35
Gambar 3.13. Diagram alir Hanning Windowing ... 36
Gambar 3.14. Diagram alir Row Mean DCT ... 37
Gambar 3.15. Diagram Alir Normalisasi 3 ... 38
Gambar 3.16. Diagram alir Centering ... 39
Gambar 3.17. Diagram alir Fungsi Jarak Euclidean ... 40
Gambar 3.18. Diagram alir k-Nearest Neighbor (K-NN) ... 41
Gambar 4.1 Tampilan Program Pengenalan Suara Instrumen Musik ... 44
Gambar 4.2. Tampilan Hasil Pengenalan ... 44
DAFTAR TABEL
Halaman
Tabel 3.1. Keterangan Tampilan Utama Sistem ... 28
Tabel 4.1. Menggunakan Nilai Frame Blocking 64 dengan database pernada 8 ... 58
Tabel 4.2. Menggunakan Nilai Frame Blocking 256 dengan database pernada 8 ... 58
Tabel 4.3. Menggunakan Nilai Frame Blocking 1024 dengan database pernada 8 .... 58
Tabel 4.4. Menggunakan Nilai Frame Blocking 4096 dengan database pernada 8 .... 59
Tabel 4.5. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 64
database pernada 4 dan nilai k=1 pada k-NN ... 60 Tabel 4.6. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 64
database pernada 4 dan nilai k=1 pada k-NN ... 61 Tabel 4.7. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 256
database pernada 4 dan nilai k=1 pada k-NN ... 61 Tabel 4.8. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 256
database pernada 8 dan nilai k=1 pada k-NN ... 61 Tabel 4.9. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 1024
database pernada 4 dan nilai k=1 pada k-NN ... 62 Tabel 4.10. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 1024
database pernada 8 dan nilai k=1 pada k-NN ... 62 Tabel 4.11. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 4096
database pernada 4 dan nilai k=1 pada k-NN ... 62 Tabel 4.12. Hasil Pengujian secara Real Time dengan variasi Frame Blocking 4096
1.1
Latar Belakang
Berbicara mengenai musik berarti kita berbicara tentang kehidupan manusia. Musik juga
dapat disebut sebagai media seni, dimana pada umumnya orang-orang mengungkapkan
kreativitas dan eskpresi seninya melalui bunyi ataupun suara. Musik yang kita dengar
sehari-harinya secara umum, merupakan suatu kumpulan atau susunan bunyi atau nada, yang
mempunyai ritme tertentu, serta mengandung isi atau nilai perasaan tertentu. Kamus Besar
Bahasa Indonesia mengatakan bahwa musik adalah ilmu atau seni yang menyusun nada atau
suara yang diutarakan dan dikombinasi untuk menghasilkan komposisi (suara) yang mempunyai
keseimbangan dan kesatuan nada atau suara yang disusun sedemikian rupa sehingga akan
menghasilkan irama, lagu dan keharmonisan yang menghasilkan bunyi [1]. Bunyi (suara) adalah
elemen yang paling dasar. Suara musik yang baik adalah hasil interaksi dari tiga elemen, yaitu :
irama, melodi dan harmoni. Irama adalah pengaturan suara dalam suatu waktu, panjang, pendek
dan temponya, dan ini memberikan karakter tersendiri pada setiap musik. Kombinasi beberapa
tinggi nada dan irama akan menghasilkan melodi tertentu serta kombinasi yang baik antara irama
dan melodi menghasilkan bunyi yang harmoni.
Berdasarkan penelitian yang telah dilakukan sebelumnya, dalam penulisan tugas akhir ini
penulis ingin membuat suatu sistem pengenalan untuk mengenali bunyi suara instrument pada
alat musik. Pada penelitian yang dilakukan sebelumnya oleh V. Irwan Novariyanto, dalam
penelitiannya yang berjudul “Pengenalan Nada Alat Musik Secara Real Time Dengan Ekstraksi
Ciri DCT dan Similaritas Kosinus” dan proses pengenalannya menggunakan perangkat lunak komputasi (Matlab) dalam pembuatan programnya [2]. Dan pada penelitian yang dilakukan oleh
Dionysius Edwin Surya dengan penelitiannya yang berjudul “Pengenalan Nada Alat Musik
Pianika Menggunakan Metode Korelasi” dengan proses pengenalan nadanya ditentukan berdasarkan jarak minimum yang diperoleh setelah proses fungsi jarak dan proses
penelitiannya yang berjudul “Pengenalan Nada Suling Recorder Menggunakan Fungsi Jarak
Chebyshev” dan proses pengenalannya menggunakan Microsoft Visual C++ 2008 dalam pembuatan programnya, serta proses pengenalan nada ditentukan berdasarkan jarak minimum
yang diperoleh setelah proses fungsi jarak [4]. Dalam penelitian ini penulis akan membuat suatu
penelitian mengenai pengenalan suara pada alat musik dengan membuat sebuah perangkat lunak
yang terdiri dari program yang akan berfungsi sebagai interface dalam proses pengenalan suara
instrument musik menggunakan Row Mean DCT. Dalam tugas akhir ini, penulis mengenalkan
alat musik Pianika, Belira, dan Recorder. Dimana alat musik Pianika dan Recorder merupakan
alat musik yang jika ditekan dan ditiup akan menghasilkan bunyi. Begitu pula dengan alat musik
Belira yang jika dipukul akan menghasilkan bunyi.
Berdasarkan hal di atas, penulis ingin membuat suatu sistem yang dapat mengenali suara
instrument alat musik pianika, belira, dan recorder. Sistem yang penulis buat dengan melakukan
penalaran suara instrument alat musik dengan membandingkan frekuensi dasar gelombang bunyi
alat musik menggunakan Fungsi Jarak Euclidean. Dengan demikian jenis suara alat musik dapat
diketahui secara pasti.
1.2 Tujuan Dan Manfaat Penelitian
Tujuan penelitian ini adalah menghasilkan sebuah perangkat lunak yang terdiri dari
program yang akan berfungsi sebagai interface untuk proses pengenalan suara instrument pada
alat musik pianika, belira, atau recorder dengan menggunakan metode Row Mean DCT.
Manfaat dari penelitian ini adalah pada penelitian ini diharapkan dapat memberikan
informasi untuk dapat mengenali berbagai macam alat musik.
1.3
Batasan Masalah
Pada perancangan ini, penulis fokus pada pembuatan software komputer untuk
memproses pengenalan bunyi suara musik. Sedangkan, untuk hardware berupa microphone yang
sudah banyak tersedia di pasaran. Penulis menetapkan beberapa batasan masalah yang dianggap
penting untuk perancangan ini, yaitu sebagai berikut :
a. Nada pianika, belira, dan recorder yang dikenali adalah nada Do, Re, Mi, Fa, Sol, La,
Sistem pengenalan suara instrument pada alat musik pianika, belira, dan recorder, terdiri
dari hardware dan software (komputer). Hardware berfungsi untuk memasukkan bunyi
suara yang dimainkan pada alat musik pianika, belira, dan suling atau recorder. Sedangkan,
software pada komputer berfungsi untuk mengatur semua proses pengenalan bunyi suara pada alat musik pianika, belira dan recorder.
a. Mencari referensi, membaca dan mempelajari buku-buku yang berhubungan dengan
masalah yang menjadi topik tugas akhir.
b. Perancangan subsistem software dengan menggunakan perangkat lunak komputasi
(Matlab). Tahap ini bertujuan untuk mencari bentuk model yang optimal dari system
yang akan dibuat dengan mempertimbangkan berbagai faktor permasalahan dan
kebutuhan yang telah ditentukan.
(i) Menggunakan Hanning Window dalam proses program
(ii) Evaluasi dengan menggunakan fungsi jarak Euclidean.
(iii) Menggunakan KNN untuk proses pengenalan bunyi suara
(iv) Pembuatan subsistem software. Sistem akan bekerja apabila user
memberikan interupsi melalui PC dengan media push button yang sudah
disediakan dalam software. Sistem akan mengolah interupsi yang diterima
dan memulai proses recording sampai user memberikan interupsi kembali
untuk menghentikan proses recording. Setelah itu, user memberikan
interupsi untuk memulai proses pengenalan bunyi suara. Komputer akan
mengolah bunyi suara dan menyajikannya sebagai sebuah informasi.
c. Analisa dan penyimpulan hasil percobaan.
Analisa data dilakukan dengan meneliti pengaruh variasi dari jumlah koefisien Row
Mean DCT terhadap tingkat pengenalan suara instrument alat musik belira, pianika dan recorder serta memeriksa keakuratan data terhadap hasil proses pengolahan suara.
d. Proses pengujian dilakukan pertama-tama dengan melakukan proses perekaman yaitu
dengan merekam suara bunyi nada dari alat musik belira, pianika dan rekorder.
sebuah plot. Proses selanjutnya adalah proses proses pengenalan pengenalan suara
dimana proses ini adalah untuk mengenali suara alat musik yang terekam. Subproses
pada proses pengujian ini terdiri dari proses Pemotongan Sinyal yang berfungsi untuk
menghilangkan efek noise atau suara lain yang ikut terekam saat proses perekaman
dan menghilangkan silence dan transisi dari sinyal yang terekam, Frame Blocking
yang berfungsi untuk memilih data dari nada suara musik yang terekam, sehingga
data yang dipilih dapat mewakili semua data pada suara alat musik yang terekam,
Windowing yang berfungsi untuk mengurangi efek diskontinuitas dari sinyal digital hasil rekaman, Normalisasi dengan tujuan penormalisasian ini agar amplitude pada
saat nada dimainkan bias maksimal. Pada penelitian ini, proses normalisasi dibagi
kedalam 3 tahap normalisasi. Normalisasi pertama dilakukan sebelum proses
pemotongan sinyal. Dan setelah melalui proses frame blocking data akan
dinormalisasi lagi. Dan normalisasi terakhir dilakukan setelah melalui proses Row
Mean DCT. Ekstraksi ciri Row Mean DCT yang menunjukkan banyaknya suatu urutan data dari penjumlahan fungsi kosinus pada frekuensi yang berbeda. DCT
penting dalam banyak aplikasi seperti dalam bidang sains dan teknik. Pada proses
Row Mean DCT ini, Data yang sudah dinormalisasikan akan mengalami proses windowing. Centering yang berfungsi untuk menengahkan sinyal (sinyal yang dengan amplitudo tertinggi ditempatkan dibagian tengah). Sinyal yang sudah ditempatkan pada
bagian tengah akan di zero padding ke bagian sebelah kiri dan bagian sebelah kanan.
Pengenalan suara alat musik pada belira, pianika atau recorder dilakukan dengan
menggunakan metode fungsi jarak Euclidean, dan Klasifikasi K-NN yang merupakan
penentuan hasil keluaran suara alat musik akan ditampilkan dalam bentuk visual GUI
Matlab.
e. Sistematika penulisan
Sistematika penulisan pada pengenalan suara instrument musik langkah-langkahnya
BAB II DASAR TEORI
Bab ini mennbahas teori-teori pendukung mengenai pengenalan pola, sampling,
normalisasi, pemotongan sinyal, frame blocking, windowing hanning, Row Mean DCT,
centering, fungsi jarak Euclidean, dan algoritma K-NN.
BAB III PERANCANGAN SISTEM
Bab ini membahas rancangan sistem, menjelaskan serta memaparkan teknik
pengolahan suara yang digunakan pada proses pra-prosesing, Row Mean DCT, centering,
fungsi jarak Euclidean, dan algoritma K-NN.
BAB IV UJI COBA DAN ANALISIS SISTEM
Bab ini membahas data-data hasil analisa dari pengujian sistem pengenalan suara
instrument musik.
BAB II
DASAR TEORI
2.1
Pianika
Adalah salah satu alat musik gabungan yang ditiup dan ditekan. Sama halnya dengan
piano yang memiliki tuts nada namun bedanya pianika itu akan berbunyi jika ditiup [5].
Tangga nadanya adalah tangga nada yang dikenal, seperti C, D, E, F, G, A dan B. Pianika
dimainkan dengan tiupan langsung, atau memakai pipa lentur yang dihubungkan ke mulut.
Dalam bermain musik, pianika dapat digunakan untuk memainkan melodi pokok dan bila
memungkinkan dapat juga untuk mengiringi lagu. Tuts yang berwarna putih pada pianika
berfungsi untuk memainkan nada – nada pokok atau asli. Sedangkan, tuts yang berwarna
hitam pada pianika berfungsi untuk memainkan nada – nada kromatis. Dalam memainkan alat
musik pianika, tangan kiri memegang pianika dan tangan kanan menekan untuk memainkan
melodi lagu, sedangkan mulut meniupnya. Sebab itu, nada akan berbunyi jika ada getaran
yang berasal dari udara tiupan kita. Gambar alat musik pianika ditunjukkan pada gambar 2.1.
Gambar 2.1 Alat Musik Pianika
2.2
Belira
Adalah alat musik yang dimainkan dengan cara dipukul, dan biasa digunakan pada
drum band [6]. Alat musik belira digunakan untuk memainkan nada melodi dalam sebuah lagu pada drum band. Nada pada alat musik belira ada 16 nada yaitu.
Gambar 2.2 Alat Musik Belira
2.3
Recorder
Adalah alat musik melodis yang sumber bunyinya berasal dari tekanan udara yang
dimainkan dengan cara ditiup [7]. Recorder yang umum digunakan dalam proses belajar di
sekolah adalah jenis recorder soprano (descant) dimana recorder soprano mempunyai wilayah
nada dari C. Beberapa hal yang diharus diperhatikan dalam memainkan recorder, yaitu :
I. Tangan kiri memegan recorder bagian atas dengan posisi jari :
1. Ibu jari menutup lubang oktaf (bagian bawah)
2. Jari telunjuk menutup lubang 1 (lihat gambar)
3. Jari tengah menutup lubang 2 (lihat gambar)
4. Jari manis menutup lubang 3 (lihat gambar)
II. Tangan kanan memegang recorder bagian bawah, dengan posisi jari :
1. Jari telunjuk menutup lubang 4 (lihat gambar)
2. Jari tengah menutup lubang 5 (lihat gambar)
3. Jari manis menutup lubang 6 (lihat gambar)
4. Jari kelingking menutup lubang 7 (lihat gambar)
III. Untuk menghasilkan nada tinggi, lubang oktaf yang ditutup dengan ibu jari tangan kiri,
dibuka ½ hingga 3/4 . Sumber tiupan diletakkan diatas bibir bagian bawah, bibir
bagian atas menyentuh sumber tiupan dengan wajar. Gambar alat musik recorder
Gambar 2.3 Alat Musik Recorder [7]
Keterangan :
1. Mouthpiece (Bagian Mulut)
2. Lubang suara
3. Lubang 1
4. Lubang 2
5. Lubang 3
6. Lubang 4
7. Lubang 5
8. Lubang 6
9. Lubang 7
10.Lubang udara
0. Lubang oktaf (di bawah)
A. Bagian Head (Kepala)
B. Bagian Body (Badan)
Sampling rate menandakan berapa banyak pencuplikan gelombang analog dalam 1 detik. Satuan dari sampling rate adalah Hertz (Hz). Pada proses sampling, sebaiknya sampling rate
memenuhi kriteria Nyquist. Kriteria Nyquist menyebutkan bahwa sampling rate harus lebih
besar dari 2 kali frekuensi tertinggi sinyal suara analog [8]. Secara matematis dapat dituliskan
:
fs ≥ 2fm (2.1)
dengan fs adalah frekuensi sampling (sampling rate), sedangkan fm adalah frekuensi tertinggi
sinyal suara analog.
[image:30.612.84.545.175.542.2](a) Belira (b) Pianika (c)Recorder
Gambar 2.4 Sinyal hasil sampling
2.5
Normalisasi
Tujuan dari penormalisasian ini agar amplitudo pada saat nada dimainkan bisa
maksimal. Proses normalisasi sangat diperlukan karena besarnya amplitudo pada suara alat
musik selalu berbeda saat melalukan perekaman. Perhitungan matematis untuk mencari nilai
normalisasi dirumuskan dengan persamaan sebagai berikut :
dengan keterangan sebagai berikut :
= hasil data sinyal normalisasi (1,2,3,…,N)
= data masukan dari sampling (1,2,3,…,N) N merupakan banyaknya data sinyal.
2.6
Normalisasi 1
Proses normalisasi ini digunakan agar amplitudonya suara yang terekam dapat
menjadi maksimal. Proses normalisai 1 ini dilakukan dengan membagi data masukan dengan
nilai absolut maksimal suara yang terekam. Gambar sinyal pada proses normalisasi 1 ini
adalah hasil yang didapatkan dari proses sebelumnya, yaitu proses sampling. Gambar 2.5
menunjukkan gambar sinyal proses normalisasi 1.
[image:31.612.82.541.255.530.2](a) Belira (b) Pianika (c) Recorder
Gambar 2.5 Sinyal Normalisasi 1 dari gambar sinyal 2.4
2.7
Pemotongan Sinyal
Proses pemotongan sinyal dilakukan setelah proses normalisasi 1. Pada proses
pemotongan, sinyal yang dipotong adalah sinyal pada bagian awal sinyal. Tujuan dari proses
pemotongan ini adalah untuk menghilangkan sinyal efek noise atau suara lain yang ikut
terekam pada saat proses perekaman agar didapatkan sinyal yang benar-benar suara alat musik
belira, pianika atau recorder. Proses pemotongan yang pertama yaitu memotong bagian silence
atau bagian awal sinyal yang tidak termasuk sinyal nada terekam. Proses pemotongan yang
kedua yaitu memotong bagian transisi sinyal. Gambar sinyal untuk pemotongan sinyal adalah
hasil yang didapatkan dari proses sebelumnya yaitu proses normalisasi 1 sehingga didapatkan
(a) Belira (b) Pianika (c) Recorder
Gambar 2.6 Sinyal sebelum pemotongan dari gambar sinyal 2.5
(a) (b)
Gambar 2.7 (a) Hasil Pemotongan bagian silence pada Belira (b) Hasil Pemotongan bagian Transisi pada Belira
(a) (b)
Gambar 2.8 (a) Hasil Pemotongan bagian silence pada Pianika (b) Hasil Pemotongan bagian Transisi pada Pianika
(a) (b)
[image:32.612.86.538.75.702.2]2.8
Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sampel [9]. Pengambilan sampel tersebut tergantung dari tiap detik suara akan disampel dan berapa besar frekuensi samplingnya. Fungsi frame blocking
yaitu untuk memilih data yang akan diproses dalam sistem pengenalan. Pada proses ini, nilai
frame blocking akan bervariasi yaitu 64, 256, 1024 dan 4096. Gambar sinyal untuk frame blocking adalah hasil yang didapatkan dari proses sebelumnya yaitu dari hasil proses pemotongan sinyal pada gambar 2.10 sehingga didapatkan gambar dibawah ini yang akan
menunjukkan gambar sinyal frame blocking.
(
(a) (b)
Gambar 2.10 (a) Bagian sinyal Belira yang akan diambil untuk Frame Blocking
(a) Frame Blocking Belira dari gambar sinyal 2.7
[image:33.612.95.514.247.656.2](a) (b)
(a) (b)
Gambar 2.12 (a) Bagian sinyal Recorder yang akan diambil untuk Frame Blocking (a) Frame Blocking Recorder dari gambar sinyal 2.9
2.9
Normalisasi 2
Proses normalisasi 2 ini adalah hasil sinyal dari proses sebelumnya yaitu dari hasil
sinyal frame blocking pada gambar 2.10, 2.11 dan 2.12. Pada proses ini, data masukan dari
hasil frame blocking akan dibagi dengan nilai absolut maksimal dari frame blocking dan hasil
keluarannya adalah untuk proses normalisasi 2. Gambar 2.13 menujukkan gambar sinyal dari
normalisasi 2.
(a) Belira (b) Pianika (c) Recorder
2.10 Row Mean DCT (Discrete Cosine Transform)
2.10.1 Row Mean DCT (Discrete Cosine Transform)
Sinyal suara (1 x 16)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Dibagi kedalam 4 kotak
[image:35.612.89.542.166.458.2]Baris
Gambar 2.14 Proses Row Mean DCT
Row Mean DCT adalah proses dimana proses ini meliputi proses pembentukan matriks, kemudian matriks tersebut akan diubah menjadi matriks kotak (reshape) dimana pada
pembuatan reshape ini dilakukan proses windowing 2D yaitu setiap kolom dan barisnya
dikalikan. Setelah semua kolom dan baris dikalikan, proses selanjutnya adalah proses
transformasi matriks reshape kedalam matriks reshape DCT 2D [10]. Pada proses DCT 2D ini,
setiap kolomnya akan dirata-ratakan sehingga hasil keluarannya adalah row mean DCT. Proses
Row Mean DCT ini adalah hasil sinyal dari proses sebelumnya yaitu dari hasil sinyal normalisasi 2 pada gambar 2.13. Gambar dibawah ini akan menunjukkan gambar sinyal dari
pembentukan kolom matriks. 1 5 9 13 2 6 10 14 3 7 11 15 4 8 12 16
C1 C2 C3 C4 W
Windowing 2D
Kolom DCT 2D
Sinyal suara dikonversi Menjadi matriks (4 x 4)
Transformasi Matriks (4 x 4)
(a) (b) (c)
Gambar 2.15 Sinyal dari pembentukan kolom matriks dari gambar sinyal 2.14
2.10.2 Windowing
Fungsi windowing adalah dengan cara melewatkan sinyal yang mempunyai frekuensi
sembarang dikonvolusikan dengan fungsi window tertentu sehingga dapat mereduksi sinyal –
sinyal yang tergolong bocor sebelum dilakukan proses transformasi. Dalam penelitian ini,
pada proses windowing yaitu dimana setiap baris dan kolom dikalikan. Setiap barisnya
terlebih dahulu dikalikan, kemudian setelah semua baris dikalikan, barulah setiap kolomnya
dikalikan. Ada beberapa fungsi windows yang telah ada diantaranya Kaiser, Hamming,
Hanning, Triangular, Rectangular [11].
2.10.3 Hanning Window
Windowing digunakan untuk menghilangkan diskontinuitas yang diakibatkan oleh proses Frame Blocking. Pada penelitian ini, jenis window yang dipakai adalah jenis Window
Hanning. Window Hanning memiliki lobe utama dua kali lebih lebar dari Window Rectangular, dan hampir tiga baris spectral akan selalu dibangkitkan [12]. Persamaan Window Hanning adalah sebagai berikut :
w (i) = (
Pada penelitian ini, akan menggunakan windowing 2D. Proses window hanning ini
adalah hasil sinyal dari proses sebelumnya yaitu dari hasil sinyal pembentukan kolom matriks
Row Mean DCT pada gambar 2.15 sehingga didapatkan hasil sinyal windowing 2D seperti yang ditunjukkan pada gambar dibawah ini :
[image:37.612.86.538.176.574.2](a) Belira (b) Pianika (c) Recorder
Gambar 2.16 Sinyal windowing 2D dari gambar sinyal 2.15
2.10.4 Discrete Cosine Transform (DCT)
Discrete Cosine Transform dari sederet n bilangan real s(x), x = 0, … ,n-1, dirumuskan sebagai berikut [13] :
S ( u ) =
√
) ∑
)
)
(2.4)
Dengan u = 0, … , n – 1
Dimana C (u) = ,untuk u = 0
1 ,untuk lainnya
Pada penelitian ini, digunakan DCT 2D. Proses Discrete Cosine Transform (DCT) ini
adalah hasil sinyal dari proses sebelumnya yaitu dari hasil sinyal windowing 2D pada gambar
2.15 sehingga didapatkan hasil sinyal DCT 2D seperti yang ditunjukkan pada gambar dibawah
(a) Belira (b) Pianika (c) Recorder
Gambar 2.17 Sinyal DCT 2D dari gambar sinyal 2.16
2.10.5 Rerata Baris
[image:38.612.84.533.426.652.2](a) Belira (b) Pianika (c) Recorder
Gambar 2.18 Sinyal Rerata Baris dari gambar sinyal 2.17
Proses rerata baris adalah proses pada bagian akhir dari proses Row Mean DCT. Hasil
sinyal pada rerata baris ini adalah hasil sinyal yang diperoleh dari hasil sinyal pada proses
sebelumnya yaitu proses DCT 2D pada gambar 2.17 sehingga didapatkan hasil sinyal untuk
rerata baris seperti yang ditunjukkan pada gambar 2.18.
2.11 Normalisasi 3
(a) Belira (b) Pianika (c) Recorder
Proses normalisai 3 ini adalah proses akhir dari proses normalisasi. Proses normalisasi
ketiga ini adalah sinyal hasil dari proses Row Mean DCT. Pada proses ini, data masukan dari
hasil Row Mean DCT dibagi dengan nilai maksimal dari Row Mean DCT. Hasil dari
pembagian ini adalah keluaran untuk proses normalisasi ketiga atau normalisasi akhir. Hasil
sinyal untuk normalisasi 3 ini didapatkan dari hasil sinyal rerata baris yang ditunjukkan pada
gambar 2.18, sehingga diperoleh hasil sinyal untuk normalisai 3 seperti yang ditunjukkan pada
gambar 2.19.
2.12 Centering
Proses ini adalah proses centering. Dimana centering adalah proses untuk
menengahkan sinyal (sinyal yang dengan amplitudo tertinggi ditempatkan dibagian tengah).
Sinyal yang sudah ditempatkan pada bagian tengah akan di zero padding ke bagian sebelah kiri
dan bagian sebelah kanan. Proses centering ini adalah hasil sinyal dari proses sebelumnya yaitu
dari hasil sinyal normalisasi 3 yang ditunjukkan pada gambar 2.19.
2.12.1 Proses Sisi Kiri dan Kanan
Proses sisi kiri dan kanan adalah salah satu proses dari centering dimana sinyal
diproses disebelah kiri dan disebelah kanan. Pada proses sebelah kiri sinyal dipotong sebelah
kanan setelah itu sinyal akan di zero padding. Pada proses sebelah kanan sinyal dipotong
sebelah kiri setelah itu sinyal akan di zero padding. Pemrosesan sinyal sebelah kiri dan kanan
yang ditunjukkan pada gambar 2.20 dan gambar 2.21 dibawah ini :
(a) Belira (b) Pianika (c) Recorder
(a) Belira (b) Pianika (c)Recorder
Gambar 2.21 Pemrosesan Sinyal Proses Sisi Kanan dari gambar sinyal 2.20
2.12.2 Penggabungan Kiri dan Kanan
(a) Belira (b) Pianika (c) Recorder
Gambar 2.22 Pemrosesan Sinyal Gabungan Kiri dan Kanan dari sinyal 2.20 dan 2.21
Pemrosesan sinyal gabungan sebelah kiri dan kanan ini adalah proses akhir dari proses
centering. Hasil pemrosesan sinyal gabungan ini didapatkan dari hasil sinyal pada proses sebelumnya yaitu pada pemprosesan sinyal sebelah kiri dan kanan seperti pada gambar 2.20
dan gambar 2.21. Pemrosesan sinyal gabungan kiri dan kanan ditunjukkan pada gambar 2.22.
2.13. Pengenalan Pola
Pola adalah deskripsi kuantitatif atau struktural pada sebuah objek. Kelas pola
merupakan sekumpulan pola yang terdiri atas beberapa ciri yang sama.
Pengenalan pola merupakan suatu aktivitas manusia secara alami dimana manusia
menerima informasi melalui sensor tubuh yang diproses seketika oleh otak, dan dalam sekejap
manusia dapat mengenali sumber informasi secara alami. Keakuratan manusia untuk dapat
melakukan tugas-tugas pengenalan dengan kondisi yang tidak ideal, contohnya, ketika
informasi yang perlukan untuk memproses tersebut tidak jelas atau tidak lengkap. Sebenarnya,
pengenalan pola. Misalnya, ketika membaca buku, kita mengenali angka, huruf, kata, dan
akhirnya pemikiran dan konsep, sinyal visual kemudian diterima oleh otak kita yang diproses
secara alami tanpa tidak kita sadari.
Pengenalan pola (pattern recognition) suatu proses untuk mengenali pola-pola terdapat
pada sekumpulan data dan menggolongkannya lalu dikelompokkan sehingga pola-pola yang
berada dalam satu kelompok mempunyai kesamaan yang tinggi dan pola-pola yang berbeda
mempunyai tingkat kemiripan yang rendah.
Pengenalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasar
ciri-ciri yang dimiliki pola tersebut. Dengan kata lain, pengenalan pola dapat membedakan
suatu objek dengan objek yang lain.[14]
Sistem pengenalan pola memiliki beberapa pendekatan diantaranya yaitu : Pendekatan Template Matching
Pendekatan Statistik Pendekatan Sintatik
Pendekatan Jaringan Syaraf Tiruan
2.14 Template Matching
Tahap perbandingan yaitu salah satu tahap dalam proses pengenalan ucapan. Proses
template matching ini akan melakukan perbandingan antara pola data masukan dengan pola database. Salah satu perbandingan metode yang dilakukan dalam template matching yaitu menggunakan fungsi jarak Euclidean. Data masukan yang akan diproses akan dihitung nilai
jaraknya sehingga dapat dikenali kemiripan yang sesuai dengan database[15].
2.15 Fungsi Jarak Euclidean
Jarak Euclidean adalah jarak antara dua titik yaiu dari titik satu ke titik yang lain dalam
satu ruang [16]. Secara umum, yang dimaksud antara dua titik adalah garis terpendek diantara
semua garis yang menghubungkan kedua titik tersebut. Dalam ruang Euclidean , jarak antara
ke dua titik P dan Q dapat dirumuskan sebagai berikut :
2.16 Klasifikasi K-NN
Algoritma yang disebut aturan tetangga terdekat atau biasanya di kenal dengan k-
nearest neighbour(K-NN). Misal ada vektor x yang tidak diketahui, maka[17]:
Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan label kelas. Untuk masalah 2 kelas dipilih nilai k yang ganjil. Secara umum nilai k ini bukan
kelipatan dari jumlah kelas M.
Dari sampel k tersebut, identifikasi jumlah vektor, ki, yang termasuk masuk dalam kelas
ω
i, i = 1,2,...,M. Dinyatakan dengan 1 ki = k.BAB III
PERANCANGAN
3.1
Sistem Pengenalan Suara Instrumen Musik
Diagram blok sistem pengenalan suara alat musik belira, pianika atau recorder
ditunjukkan pada gambar 3.1 di bawah ini :
Masukan Keluaran (Wav)
Gambar 3.1 Blok Diagram Proses Pengenalan Suara Instrumen Musik
Gambar 3.2 Blok Diagram Pengenalan Suara Instrumen Musik
Sistem pengenalan suara instrumen musik pada belira, pianika atau recorder terdiri atas
perangkat keras dan perangkat lunak. Perangkat keras terdiri dari alat musik belira, pianika,
recorder, mikrofon dan laptop. Sedangkan untuk perangkat lunaknya terdiri dari program pada Proses Perekaman
perak. Cara memainkannya hampir sama dengan cara memainkan piano atau pianika, hanya saja
perbedaannya terletak pada cara memainkannya. Pada belira cara memainkannya dengan
menggunakan alat pukul khusus. Sedangkan pada piano atau pianika cara memainkannya dengan
menggunakan jari-jari yang memainkannya.
2. Pianika
Pianika adalah sebuah alat musik melodis yang dimainkan dengan cara ditekan dan ditiup.
Tangga nadanya adalah tangga nada yang biasa dikenal, seperti C, D, E, F, G, A dan B.
3. Recorder
Recorder merupakan alat musik melodis yang sumber bunyinya berasal dari tekanan udara
dan dimainkan dengan cara ditiup.
4. Mikrofon
Mikrofon yang digunakan adalah microfon jenis mini multimedia microphone Genius
MIC-01A [18]. Jenis mini microfon ini berfungsi untuk menangkap sinyal analog dan kemudian
menyalurkan ke sound card pada laptop melewati line in yang ada pada sound card.
Gambar 3.3 Mini Multimedia Microphone Genius MIC-01A
5. Proses Perekaman
Proses perekaman adalah proses masuknya data nada suara terekam berupa sinyal digital.
frekuensi sampling. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot. Data
nada yang telah disimpan disebut nada terekam dan kemudian dapat di proses untuk dikenali
lewat proses pengenalan nada.
6. Proses pengenalan suara
Proses pengenalan suara adalah proses untuk mengenali suara alat musik yang terekam agar
dapat diketahui jenis suara musik apa yang direkam. Proses ini terdiri dari subproses pemotongan
sinyal, frame blocking, windowing, normalisasi, ekstraksi ciri Row Mean DCT, centering, fungsi
jarak Euclidean, Klasifikasi K-NN, dan penentuan hasil suara alat musik. Diagram blok proses
pengenalan suara alat musik dapat dilihat pada gambar 3.4.
Masukan (Suara Belira, Pianika dan Recorder)
Keluaran
Gambar 3.4. Diagram Blok Proses Pengenalan Suara Instrumen Musik
3.1.1 Suara Belira, Pianika, Atau Recorder (Wav)
Masukan adalah hasil dari sampling suara alat musik yang direkam akan diproses
ketahap selanjutnya. K-NN
Pemotongan Sinyal Frame Blocking
Data Base
Centering Fungsi Jarak Euclidean
Normalisasi 1 Normalisasi 2
Normalisasi 3 Row Mean DCT :
3.1.3 Frame Blocking
Proses ini berfungsi untuk memilih data dari nada suara musik yang terekam, sehingga
data yang dipilih dapat mewakili semua data pada suara alat musik yang terekam.
3.1.4 Normalisasi
Di tahap ini semua nada yang sudah terekam akan dinormalisasikan. Tujuan dari
penormalisasian ini agar amplitude pada saat nada dimainkan bias maksimal. Pada penelitian ini,
proses normalisasi dibagi kedalam 3 tahap normalisasi. Normalisasi pertama dilakukan sebelum
proses pemotongan sinyal. Dan setelah melalui proses frame blocking data akan dinormalisasi
lagi. Dan normalisasi terakhir dilakukan setelah melalui proses Row Mean DCT.
3.1.5 Row Mean DCT (Discrete Cosine Transform)
Menunjukkan banyaknya suatu urutan data dari penjumlahan fungsi kosinus pada
frekuensi yang berbeda. DCT penting dalam banyak aplikasi seperti dalam bidang sains dan
teknik. Pada proses Row Mean DCT ini, Data yang sudah dinormalisasikan akan mengalami
proses windowing. Dalam penelitian ini akan menggunakan jenis Hanning window. Windowing
berfungsi untuk mengurangi efek diskontinuitas dari sinyal digital hasil rekaman.
3.1.6 Centering
Menengahkan sinyal (sinyal yang dengan amplitudo tertinggi ditempatkan dibagian tengah).
Sinyal yang sudah ditempatkan pada bagian tengah akan di zero padding ke bagian sebelah kiri dan
bagian sebelah kanan.
3.1.7 Fungsi Jarak (Euclidean)
Pengenalan suara alat musik pada belira, pianika atau recorder dilakukan dengan
3.1.8 Penentuan Hasil Suara Instrument Musik
Proses ini adalah subproses terakhir dari proses pengenalan suara alat musik. Penentuan
hasil pengenalan ini akan ditentukan berdasarkan hasil perhitungan nilai dengan klasifikasi
K-NN.
3.1.9 Hasil Tampilan
Tampilan adalah hasil akhir dari software yang mengenali nada suara alat musik dari
belira, pianika atau recorder. Hasil keluaran akan ditampilkan dalam bentuk visual GUI Matlab
yang telah dirancang oleh penulis.
3.2
Perancangan Suara Referensi
Untuk mengenali suara referensi untuk setiap suara yang dikenali pada sistem pengenalan
suara alat musik pada belira, pianika atau recorer. Penulis mengambil 20 sampel untuk setiap
nadanya. Dengan nada referensi terdiri dari 9 nada acuan yaitu C, D, E, F, G, A, B, C’, D’.
Proses pengambilan dapat dilihat pada Gambar 3.5. Pengambilan data dilakukan melalui
beberapa tahap yaitu melalui proses sampling, frame blocking, normalisasi, Row Mean DCT
(dimana dalam proses Row Mean DCT akan ada proses pembentukan kolom matriks, Windowing
2D, DCT 2D dan rerata baris),Centering, Fungsi Jarak Eucledian dan Klasifikasi K-NN.
Masukan ( Suara Belira, Pianika, dan Recorder)
Keluaran Ekstraksi Ciri
Gambar 3.5 Diagram Blok Proses Pengambilan Suara Referensi Frame Blocking
Normalisasi 2
Normalisasi 3 Centering
Normalisasi 1 Pemotongan Sinyal
Row Mean DCT : a. Pembentukan
kolom matriks
b. Windowing 2D c. DCT 2D
musik belira, pianika atau recorder tidak dilakukan perhitungan kembali dalam mendapatkan
suara referensi dan proses pada sistem pengenalan suara alat musik belira, pianika atau recorder
berjalan baik. Pada penelitian ini akan diuji 8 sampel input yang keluarannya jika 8 sampel input
dibagi menjadi 8, 4, 2 atau 1 maka hasil keluarannya adalah 1, 2, 4 atau 8 untuk hasil ektraksi
ciri. Proses ekstraksi ciri dilakukan dengan merata-ratakan hasil ekstraksi ciri pada belira,
pianika atau recorder. Database untuk setiap sampel suara dibagi kedalam 2 bagian kemudian
dirata-ratakan dan keluarannya adalah hasil untuk ekstraksi ciri.
Suara referensi yang didapat kemudian disimpan dalam fungsi header yang ada dalam
sistem pengenalan suara alat musik belira, pianika atau recorder. Sehingga sewaktu-waktu suara
referensi dapat dipanggil dalam proses fungsi jarak yang ada dalam sistem pengenalan suara alat
musik belira, pianika atau recorder.
3.3
Suara Uji
Pada penelitian ini, penulis mengambil 10 sampel pada setiap suara untuk memperoleh
suara uji untuk setiap suara pada proses pengenalan suara alat musik pada belira, pianika atau
recorder. Semua sampel suara yang sudah diambil dalam proses perekaman, akan melalui proses
sampling sebelum masuk ke tahap proses selanjutnya. Proses pengambilan suara ditunjukkan pada gambar 3.6.
Masukan Keluaran (Wav)
Gambar 3.6. Blok diagram Proses Pengambilan Suara Uji
3.4
Tampilan Program GUI MATLAB
Tabel 3.1 Keterangan Tampilan Utama Sistem
Nama Keterangan
Plot Perekaman Untuk menampilkan grafik Plot
Perekaman
Plot Hasil Ekstraksi Ciri
Row Mean DCT
Untuk menampilkan grafik Hasil
Ekstraksi Ciri Row Mean DCT
Rekam Untuk memulai program perekaman
Selesai Untuk mengakhiri program perekaman
Tampilan Keluaran Untuk menampilkan teks suara
instrument alat musik belira, pianika atau
recorder.
Plot Perekaman
Plot Hasil Ekstraksi Ciri
Row Mean DCT
Tampilan Keluaran
Rekam
dapat dilakukan. User pertama kali harus mengisikan parameter yang digunakan dalam
pengujian pada list box “Input nada”. Setelah mengambil data acuan dengan menekan tombol “rekam”, sistem akan mengambil suara musik belira, pianika dan recorder yang dimainkan. Jika suara telah terekam, maka proses akan berlanjut sampai suara musik dikenali.
Program berjalan dengan bermacam-macam prose, yaitu perekaman, pemotongan sinyal,
frame blocking, normalisasi, windowing, Row Mean DCT, perhitungan jarak dengan Eucledian dan penentuan hasil suara dengan K-NN. Diagram alur perancangan ditunjukkan pada gambar
Gambar 3.8 Blok Diagram Proses Rekam
Proses rekam memiliki proses sampling suara. Proses sampling suara berfungsi untuk
merekam suara alat musik belira, pianika atau recorder. Frekuensi sampling yang digunakan
adalah 10000 Hz. Untuk frekuensi samplingnya didapatkan dari hasil penelitian yang sudah
dilakukan sebelumnya [17]. Penulis memilih nilai frekuensi 10000 Hz karena nilai frekuensi
sampling harus lebih besar 2 kali dari nilai frekuensi tertinggi dari sinyal yang sudah disampling.
Hasil dari proses perekaman ini akan ditampilkan dalam bentuk plot atau gambar grafik yang ada
3.5.2 Normalisasi 1
Gambar 3.9 Diagram Alir Normalisasi 1
Tujuan dari proses ini adalah agar pengaruh kuat atau lemahnya suara rekaman dapat
diminimalisasikan. Proses ini digunakan agar besar amplitudonya setara dengan data sinyal suara
yang terekam sehingga terbentuk pada skala yang sama. Gambar sinyal untuk hasil normalisasi
Gambar 3.10 Diagram Alir Pemotongan Sinyal
Proses pemotongan sinyal adalah pemotongan sinyal yang tidak digunakan yang terdapat
di sisi kiri atau bagian awal dari sinyal yaitu bagian silence dan bagian transisi. Gambar sinyal
bagian silence pada belira ditunjukkan pada gambar 2.7 (a), gambar sinyal silence pada pianika
ditunjukkan pada gambar 2.8 (a) dan gambar sinyal silence pada recorder ditunjukkan pada
gambar 2.9 (a) sedangkan gambar sinyal bagian Transisi pada belira ditunjukkan pada gambar
2.7 (b), gambar sinyal transisi pada pianika ditunjukkan pada gambar 2.8 (b) dan gambar sinyal
transisi pada recorder ditunjukkan pada gambar 2.9 (b). Tujuan dari proses pemotongan ini adalah untuk menghilangkan sinyal efek noise atau suara lain yang ikut terekam pada saat proses
perekaman agar didapatkan sinyal yang benar-benar suara alat musik belira, pianika atau
3.5.4 Frame Blocking
Proses frame blocking bertujuan untuk mengurangi jumlah data sinyal yang akan
diproses. Pilihan nilai pada frame blocking ini ada beberapa pilihan yang bervariasi yaitu 64,
256, 1024 dan 4096. Proses frame blocking ini akan menentukan nilai titik tengah dari data
masukan. Setelah data titik tengahnya diambil, maka data yang akan diambil dapat ditentukan
dengan nilai frame blocking yang dipilih oleh user. Data yang diambil tersebut merupakan
keluaran untuk proses frame blocking. Diagram alir proses frame blocking ditunjukkan pada
gambar 3.11. Gambar sinyal untuk proses frame blocking ini ditunjukkan pada gambar 2.10,
2.11 dan 2.12.
[image:55.612.77.527.211.584.2]Gambar 3. 12 Diagram Alir Normalisasi 2
Pada proses normalisasi 2 ini digunakan agar besar pada amplitudo dari data sinyal suara
yang sudah di proses pada frame blocking terbentuk pada skala yang sama. Masukan dari
normalisasi 2 ini adalah sinyal dari frame blocking. Data masukan dari hasil frame blocking
dibagi dengan nilai absolut maksimal dari frame blocking dan hasil keluarannya adalah untuk
proses normalisasi 2. Gambar sinyal untuk normalisasi 2 ditunjukkan pada gambar 2.13.
3.5.6 Hanning Windowing
Gambar 3.13 Diagram Alir Hanning Windowing
Proses selanjutnya adalah windowing. Dalam penelitian ini akan menggunakan jenis
Hanning window. Windowing berfungsi untuk mengurangi efek diskontinuitas dari sinyal digital hasil rekaman. Hanning memiliki lobe utama dua kali lebih lebar dari Window Rectangular, dan
hampir tiga baris spectral akan selalu dibangkitkan. Gambar sinyal untuk hanning windowing
dalam windowing 2D ditunjukkan pada gambar 2.16. Diagram alir proses hanning windowing
Gambar 3.14 Diagram Alir Row Mean DCT
Proses selanjutnya adalah proses Row Mean DCT. Dimana masukan pada proses ini
adalah hasil dari proses windowing, dan keluarannya merupakan hasil dari ekstraksi ciri Row
tersebut akan diubah menjadi matriks kotak (reshape) dimana pada pembuatan reshape ini
dilakukan proses windowing 2D yaitu setiap kolom dan barisnya dikalikan. Setelah semua kolom
dan baris dikalikan, proses selanjutnya adalah proses transformasi matriks reshape kedalam
matriks reshape DCT 2D. Pada proses DCT 2D ini, setiap kolomnya akan dirata-ratakan
sehingga hasil keluarannya adalah row mean DCT. Gambar sinyal dari pembentukan kolom
matriks pada Row Mean DCT ditunjukkan pada gambar 2.15. Diagram alir proses Row Mean
DCT ditunjukkan pada gambar 3.14.
[image:59.612.88.516.198.539.2]3.5.8 Normalisasi 3
Gambar 3.15 Diagram Alir Normalisasi 3
Proses selanjutnya adalah proses normalisasi 3, dimana proses normalisasi ini adalah
proses normalisasi akhir. Proses normalisasi ketiga ini adalah sinyal hasil dari proses Row Mean
DCT. Pada proses ini, data masukan dari hasil Row Mean DCT dibagi dengan nilai maksimal dari Row Mean DCT. Gambr sinyal dari normalisasi 3 ini ditunjukkan pada gambar 2.19. Hasil
dari pembagian ini adalah keluaran untuk proses normalisasi ketiga atau normalisasi akhir.
Gambar 3.16 Diagram Alir Centering
Proses selanjutnya adalah proses centering. Dimana centering adalah untuk menengahkan
sinyal (sinyal yang dengan amplitudo tertinggi ditempatkan dibagian tengah). Sinyal yang sudah
ditempatkan pada bagian tengah akan di zero padding ke bagian sebelah kiri dan bagian sebelah
kanan. Gambar sinyal untuk centering (Proses sisi kiri, kanan dan penggabungan kiri dan kanan)
3.5.10 Fungsi Jarak (Euclidean)
Gambar 3.17 Diagram Alir Fungsi Jarak Euclidean
Proses selanjutnya adalah proses untuk fungsi jarak. Dimana fungsi jarak pada penelitian
ini menggunakan fungsi jarak dengan Euclidean. Jarak Euclidean adalah jarak antara dua titik
yaiu dari titik satu ke titik yang lain dalam satu ruang. Secara umum, yang dimaksud antara dua
titik adalah garis terpendek diantara semua garis yang menghubungkan kedua titik tersebut.
Gambar 3.18 Diagram Alir k-Nearest Neighbor (K-NN)
Proses selanjutnya adalah proses k-Nearest Neighbor (K-NN). Proses ini adalah
subproses terakhir dari proses pengenalan suara alat musik. Penentuan hasil keluaran ini dapat
berdasarkan hasil perhitungan nilai dengan klasifikasi K-NN. Proses klasifikasi K-NN
Dalam bab ini dibahas mengenai hasil uji coba sistem yang telah dirancang dan dibuat.
Uji coba dilakukan untuk mengetahui apakah sistem dapat bekerja dengan sesuai dengan
perancangan. Hasil pengujian berupa data-data yang dapat memperlihatkan bahwa sistem yang
telah dirancang dapat bekerja dengan baik.
4.1 Pengujian Program Pengenalan Suara Instrument Musik menggunakan
Row Mean DCT dan Pengklasifikasian K-NN dan Fungsi Jarak Euclidean
Perancangan program menggunakan software Matlab 7.10.0 (R2010a). Pada pengujian
program menggunakan laptop dengan spesifikasi:
Prosesor : Intel® Atom™ CPU N280 @1.66GHz 1.67GHz
RAM : 1 GB
Tipe sistem : Sistem operasi 32 bit
Dalam perancangan ini, dibuat GUI agar user dengan lebih mudah menggunakan aplikasi
dalam penelitian ini. Proses pengenalan suara instrument musik dapat dilakukan dengan
menjalankan perintah-perintah yang terdapat dalam GUI, seperti berikut :
1. Sebelum membuka tampilan program, perlu memastikan terlebih dahulu pada Current
Directory sudah sesuai dengan tempat penyimpanan program yang telah dirancang. 2. Mengetikan perintah gui pada Command window untuk memunculkan tampilan program
pengenalan suara instrument musik. Setelah itu akan muncul tampilan program
Gambar 4.1. Tampilan Program Pengenalan Suara Instument Musik
3. User memilih nilai variasi frame blocking, database per nada dan nilai k pada K-NN yang akan digunakan terlebih dahulu sebelum melakukan pengenalan suara isntrumen
musik. Nilai variasi frame blocking yang digunakan adalah 64, 256, 1024 dan 4096. Nilai
variasi untuk database per nada yang digunakan adalah 1, 2, 4 dan 8. Nilai variasi K-NN
yang digunakan adalah 1, 3, 5 dan 7.
4. User dapat memulai pengenalan suara instrument musik dengan menekan tombol “MULAI”. Hasil pengenalan suara instrument musik terlihat seperti pada gambar 4.2.
G
a
m
b
a
r
“SELESAI”.
4.1.1 Pengenalan Suara Instrument Musik
Pengenalan suara instrument musik hanya dapat dilakukan dengan melakukan
langkah-langkah seperti yang sudah dijelaskan di atas. Tampilan pengenalan program dapat dilihat pada
gambar 4.1. Pada tampilan pengenalan suara instrument musik terdapat 3 push button, 3 pop up
menu, 2 axes, dan 1 edit text. Untuk dapat memulai pengenalan suara instrument musik, user terlebih dahulu melakukan pengaturan pada program pengenalan suara instrument musik.
Pengaturan yang dilakukan adalah dengan memilih variasi nilai pada frame blocking, variasi
nilai pada database pernada dan variasi nilai k pada K-NN yang terdapat pada pop up menu.
Setelah menentukan variasi nilai yang akan digunakan, user dapat memulai pengenalan suara
instrument musik dengan menekan tombol “MULAI”. Hasil pengenalan yang ditampilkan adalah
plot
