i
TUGAS AKHIR
PENGENALAN NADA ALAT MUSIK BELIRA SECARA
REAL TIME DENGAN EKSTRAKSI CIRI DCT DAN
SIMILARITAS KOSINUS
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh :
V. IRWAN NOVARIYANTO
NIM : 095114008
PROGRAM STUDI TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
FINAL PROJECT
REAL TIME BELIRA TONE RECOGNITION USING DCT
FEATURE EXTRACTION AND COSINE SIMILARITY
Presented as Partial Fullfillment of The Requirements To Obtain Sarjana Teknik Degree
In Electrical Engineering Study Program
Oleh :
V. IRWAN NOVARIYANTO
NIM : 095114008
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
vi
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO :
Pendidikan merupakan perlengkapan paling baik untuk hari tua
(Aristoteles)
Skripsi ini kupersembahkan untuk
…
.
Yesus Kristus dan Bunda Maria Pembimbingku yang setia
viii
INTISARI
Tinggi rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi. Semakin besar frekuensi dasar gelombang bunyi, maka semakin tinggi nada yang dihasilkan. Indera pendengaran manusia tidak dapat mengetahui pasti nada apa yang didengar olehnya, terkecuali pemusik profesional. Alat musik yang digunakan pun juga bervariasi, salah satunya alat musik pukul. Belira adalah alat musik pukul yang sering digunakan pada drum band. Alat musik belira digunakan untuk memainkan nada melodi dalam sebuah lagu pada
drum band.
Sistem pengenalan nada alat musik belira pada tugas akhir ini menggunakan perangkat lunak Matlab dalam pembuatan program. Penyelesaian pembuatan program ini menggunakan ekstraksi ciri DCT. Ekstraksi ciri DCT sendiri dalam pembuatan program digunakan dalam pembuatan data base program, sedang untuk melakukan evaluasi program digunakan fungsi similaritas kosinus. Dari hasil data base menggunakan eskstraksi ciri DCT di dapat data matrik yang nantinya akan dihitung dengan data hasil perekaman secara real time, penghitungan data menggunakn rumus similaritas kosinus. Hasil yang didapat berupa 16 nilai similaritas dan hasil nilai similaritas tertinggi merupakan keluaran dari program.
Sistem pengenalan nada alat musik belira dengan metode similaritas kosinus sudah berhasil dibuat dan dapat bekerja dengan baik, dengan nilai koefisien DCT 16, 32, 64, 128, 256, dan 512 program pengenalan melakukan pengenalan nada sebesar 84,6%. Penampil hasil nada, spektrum ekstraksi ciri DCT, dan similaritas kosinus masing-masing nada mampu menampilkan data sesuai perancangan. Program pengenalan nada alat musik belira mengenali 16 nada, sehingga dalam pengembangan berikutnya masih bisa dikembangkan untuk pengenalan nada pada sebuah lagu.
ix
ABSTRACT
High and low of tones determined by the basic frequencies from the sound
waves. Bigger sound waves, will produce higher tone. Human’s hearing sense can’t introduce well which tone that heard by it’s, except by the professional ones. There are
a lot of variation of musical instruments, one of them is hit musical instrument. Belira is a musical instrument that often uses in a marching band. Using of Belira is for
playing melodic tone in marching band’s song.
Musical tone recognition system belira in this thesis using the Matlab software programming. Completion of this program making use DCT feature extraction. DCT feature extraction alone in making the program used in the manufacture a data base of the program, the program is being used to evaluate the cosine similarity function. From the results of the data base using DCT in eskstraksi can characterize the data matrix that will be calculated by recording the results of the data in real time, to use your data calculation formula cosine similarity. 16 The results obtained in the form of similarity values and the results of the highest similarity score is the output of the program.
A system to figure out Belira’s tones with similarity cosine has been
successfully produced and worked very well, with DCT’s 16, 32, 128, 256, and 512 coefficient values the program introduce tones as much 84,6%. Tone’s output viewer, DCT feature extraction spectrum, and cosine similarity from each tones can show data according design. The introduction program of Belira introduce 16 tones, so for next development still can develop to introduce in a song.
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah memberikan rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan baik. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana.
Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak pihak yang telah memberikan bantuan baik bantuan materi, moral maupun dukungan. Oleh karena itu penulis ingin mengucapkan terimakasih kepada :
1. Johanes Eka Priyatma, M.SC., Ph.D. Rektor Universitas Sanata Dharma. 2. Paulina Heruningsih Prima Rosa, S.Si.,M.Sc. Dekan Fakultas Sains dan
Teknologi
3. Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro Universitas Sanata Dharma.
4. Petrus Setyo Prabowo, S.T., M.T., dosen pembimbing akademik yang telah mendampingi dan membimbing penulis selama studi.
5. Dr.Linggo Sumarno, dosen pembimbing yang dengan penuh kesabaran dan pengertian untuk membimbing dalam menyelesaikan Tugas Akhir ini.
6. Bernadeta Wuri Harini, S.T., M.T. dan Dr.Iswanjono selaku dosen penguji yang telah memberi masukkan, kritik dan saran serta merevisi penulisan tugas akhir ini.
7. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama menempuh pendidikan di Universitas Sanata Dharma.
8. Kedua orang tua penulis yang telah banyak memberikan dukungan doa, kasih sayang dan motivasi selama menempuh pendidikan di Universitas Sanata Dharma.
9. Kakak dan adik penulis tercinta yang selalu memberikan semangat, doa dan dukungan selama menempuh pendidikan di Universitas Sanata Dharma.
10.Teman – teman seperjuangan Teknik Elektro 2009 yang telah menemani pada saat menempuh pendidikan di Universitas Sanata Dhama.
xi
12.Semua pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan banyak bantuan dan dukungan dalam menyelesaikan tugas akhir ini.
Penulis menyadari bahwa dalam penyusunan laporan tugas akhir masih mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis mengharapkan masukan, kritik dan saran yang membangun agar skripsi ini menjadi lebih baik. Dan semoga skripsi ini dapat bermanfaat sebagaimana mestinya.
Penulis,
xii
DAFTAR ISI
HALAMAN JUDUL
...
iHALAMAN PERSETUJUAN
...
iiiHALAMAN PENGESAHAN
...
ivPERNYATAAN KEASLIAN KARYA
...
vHALAMAN PERSEMBAHAN DAN MOTTO HIDUP
...
viLEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIK
...
viiINTISARI
...
viiiABSTRACT
...
ix
KATA PENGANTAR
...
xDAFTAR ISI
...
xiiDAFTAR GAMBAR
...
xivDAFTAR TABEL
...
xviBAB I PENDAHULUAN 1.1.Latar Belakang ... 1
1.2.Tujuan dan Manfaat Penelitian ... 1
1.3.Batasan Masalah ... 2
1.4.Prosedur Penelitian ... 2
BAB II DASARTEORI 2.1.Belira ... 4
2.2.Sampling ... 5
2.3.Frame Blocking ... 5
2.4.Windowing ... 6
2.5.Hamming Window ... 6
2.6.Kartu suara (Sound Card) ... 6
2.7.Matlab ... 7
2.8.Mikrofon ... 9
xiii BAB III PERANCANGAN
3.1.Sistem Pengenalan Nada Alat Musik Belira ... 11
3.1.1 Suara Belira (Wav) ... 12
3.1.2 Frame Blocking ... 12
3.1.3 Windowing Hamming ... 12
3.1.4 Normalisasi ... 12
3.1.5 Discrete Continus Transform ... 12
3.1.6 Similaritas kosinus ... 12
3.1.7 Hasil Tampilan (Output) ... 12
3.2.Perancangan Nada Referensi ... 13
3.3.Nada Uji ... 14
3.4.Tampilan pada GUI Matlab ... 14
3.5.Perancangan Alur Program ... 16
BAB IV HASIL DAN PEMBAHASAN 4.1.Pengujian Program Pengenalan Nada Alat Musik Belira Menggunakan Similaritas Kosinus ... 21
4.1.1. Tombol Rekam ... 23
4.2.Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat Pengenalan Nada Alat Musik Belira ... 23
4.2.1. Pengujian Parameter Pengaturan Pengenalan Nada ... 25
4.2.2. Pengujian Dengan Masukan Suara Alat Musik Piano ... 30
4.2.3. Perhitungan Nilai Similaritas Secara Manual ... 35
BAB V KESIMPULAN DAN SARAN 5.1.Kesimpulan ... 38
5.2.Saran ... 38
DAFTAR PUSTAKA ... 39
xiv
DAFTAR GAMBAR
Gambar 2.1 Alat Musik Belira ... 4
Gambar 2.2 Frame Blocking ... 5
Gambar 2.3 Kartu suara ... 7
Gambar 2.4 Tampilan Awal Matlab ... 9
Gambar 3.1 Blok Diagram Sistem Pengenalan Nada ... 11
Gambar 3.2 Diagram Blok Proses Pengambilan Nada Referensi ... 13
Gambar 3.3 Diagram Blok Proses Pengambilan Nada Uji ... 14
Gambar 3.4 Tampilan Utama Pengenalan Nada ... 15
Gambar 3.5 Blok Diagram Keseluruhan ... 16
Gambar 3.6 Blok Diagram Proses Rekam ... 17
Gambar 3.7 Blok Diagram Frame Blocking ... 17
Gambar 3.8 Diagram Blok Normalisasi ... 18
Gambar 3.9 Diagram Blok Windowing ... 18
Gambar 3.10 Diagram Blok DCT... 19
Gambar 3.11 Diagram Blok Cosine Similirity... 19
Gambar 3.12 Diagram Blok Pengenalan Nada ... 20
Gambar 4.1 Icon Program Pengenalan ... 21
Gambar 4.2 Tampilan Awal Matlab ... 22
Gambar 4.3 Tampilan Pengaturan Nada... 22
Gambar 4.4 Tampilan Utama Program Pengenalan Nada Alat Musik Belira ... 23
Gambar 4.5 Tampilan GUI Matlab setelah Program Eksekusi ... 25
Gambar 4.6 Pengaruh Koefisien DCT terhadap Hasil pengenalan ... 26
Gambar 4.7 Grafik Pengaruh Panjang DCT terhadap Tingkat pengenalan Nada...30
xv
DAFTAR TABEL
Tabel 3.1 Keterangan Tampilan Utama Program ... 15
Tabel 4.1 Hasil Pengenalan Nada Yang Dikenali ... 24
Tabel 4.2 Pengaruh Koefisien DCT Terhadap Tingkat Pengenalan... 29
Tabel 4.3 Tabel Pengenalan Belira dengan Volume Suara 100-120 db ... 31
Tabel 4.4 Tabel Pengenalan Piano dengan Volume Suara 100-120 db ... 32
Tabel 4.5 Tabel Pengenalan Belira dengan Volume Suara 87-95 db ... 32
Tabel 4.6 Tabel Pengenalan Piano dengan Volume Suara 87-95 db ... 33
Tabel 4.7 Tabel Pengenalan Data Matrik P dan Q ... 35
1
BAB I
PENDAHULUAN
1.1.
Latar belakang
Musik adalah bunyi yang diatur menjadi pola yang dapat menyenangkan telinga manusia atau mengkomunikasikan perasaan atau suasana hati. Musik mempunyai ritme, melodi, dan harmoni yang memberikan kedalaman dan memungkinkan penggunaan beberapa instrumen atau bunyi-bunyian[1]. Salah satunya adalah drum band. Drum band adalah sekelompok barisan orang yang memainkan satu atau beberapa lagu dengan menggunakan sejumlah kombinasi alat musik secara bersama-sama. Salah satu alat musik yang dipakai dalam drum band yaitu belira. Belira merupakan bagian dari dari banyak alat musik apabila dipukul akan menghasilkan sebuah bunyi. Tinggi rendahnya nada ditentukan oleh frekuensi dasar gelombang bunyi. Semakin besar frekuensi dasar gelombang bunyi, maka semakin tinggi nada yang dihasilkan. Indera pendengaran manusia tidak dapat mengetahui pasti nada apa yang didengar olehnya, terkecuali pemusik profesional. Hal ini amatlah penting bagi orang awam untuk mengetahui apakah alat musiknya sudah menghasilkan nada-nada yang tepat atau belum. Penelitian yang sudah dilakukan sebelumnya menggunakan Fungsi Jarak Eucledian, Fungsi Jarak Chebyshev, Fungsi Jarak Minkowski. Sebelum melakukan penelitian ini, penulis pernah mendapati penelitian - penelitan yang serupa tentang pengenalan nada alat musik yang ada sampai saat ini seperti suling[2] dan pianika[3].
Berdasarkan hal di atas, penulis ingin membuat suatu sistem yang dapat mengenali nada alat musik belira. Sistem yang penulis buat dengan melakukan penalaran nada alat musik dengan membandingkan frekuensi dasar gelombang bunyi alat musik menggunakan Similaritas Kosinus. Dengan demikian jenis nada alat musik dapat diketahui secara pasti.
1.2.
Tujuan Dan Manfaat
1.3.
Batasan Masalah
Sistem otomatisasi pengenalan nada suara pada alat musik belira terdiri dari software
dan hardware (komputer). Hardware berfungsi untuk memasukkan nada suara yang dimainkan pada alat musik belira, sedangkan software pada komputer berfungsi untuk mengolah proses pengenalan nada suara yang dimainkan pada alat musik belira.
Pada perancangan sistem ini, penulis memfokuskan pada pembuatan software pada computer untuk mengolah proses pengenalan suara, sedangkan untuk hardware berupa mikrophone yang sudah tersedia banyak dipasaran. Penulis menetapkan beberapa batasan masalah yang dianggap perlu pada perancangan ini, yaitu sebagai berikut:
a. Alat musik belira buatan industri rumah tangga. b. Nada Belira yang digunakan
c. Hasil pengenalan real time.
d. Menggunakan perangkat lunak komputasi (Matlab) dalam pembuatan program. e. Menggunakan metode DCT dalam penyelesaian program.
f. Menggunakan Hamming Window dalam proses program. g. Evaluasi dengan Similaritas Kosinus.
1.4
Prosedur Penelitian
Langkah-langkah yang diambil penulis dalam pengerjaan tugas ak hir:
1. Pengumpulan bahan-bahan referensi berupa buku-buku acuan dan jurnal-jurnal. 2. Perancangan subsistem software.
Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan dari berbagai faktor - faktor permasalahan dan kebutuhan yang telah ditentukan.
3. Pembuatan subsistem software.
Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan media
memberikan interupsi untuk memulai proses pengenalan nada. Komputer akan mengolah nada dan menyajikannya sebagai sumber informasi.
4. Analisa dan penyimpulan hasil percobaan.
Analisa data dilakukan dengan menyelidiki pengaruh variasi jumlah koefisien DCT terhadap tingkat pengenalan nada alat musik belira.
4
BAB II
DASAR TEORI
2.1.
Belira
Belira adalah alat musik yang dimainkan dengan cara dipukul dan biasanya digunakan pada drum band [4]. Alat musik belira digunakan untuk memainkan nada melodi dalam sebuah lagu pada drum band. Alat musik belira mempunyai 16 bulah papan yang terbuat dari logam. Panjang dari tiap bilah logam bergantung pada tinggi rendahnya nada yang dihasilkan. Alat pukul belira mempunyai panjang 30 cm dan terbuat dari plastik padat. Dalam memainkan alat musik belira, terdapat besi penyangga yang di gantungkan pada bahu pemusik, kemudian bilah logam dipukul dengan alat pemukul. Nada pada alat musik belira ada 16 nada yaitu . Gambar alat musik belira dapat dilihat pada Gambar 2.1.
2.2.
Sampling
Adalah proses pencuplikan gelombang suara yang akan menghasilkan gelombang diskret. Dalam proses sampling ada yang disebut dengan laju pencuplikan (sampling rate). Sampling rate menandakan berapa banyak pencuplikan gelombang analog dalam 1 detik.
Sampling rate dinyatakan dalam satuan Hertz (Hz). Pada proses sampling, sebaiknya
sampling rate memenuhi kriteria Nyquist. Kriteria Nyquist menyatakan bahwa sampling rate harus lebih besar dari dua kali frekuensi tertinggi sinyal analog[5]. Secara matematis dapat dituliskan:
fs ≥ 2fm (2.1)
dengan:
fs = frekuensi sampling rate
fm= frekuensi tertinggi sinyal suara analog
2.3.
Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan satu frame terdiri dari beberapa data sample[6]. Pengambilan sample tersebut tergantung dari tiap detik suara yang akan disample dan berapa besar frekuensi sampling. Gambar 2.2 menunjukkan contoh frame blocking, keseluruhan frame dibagi menjadi 5 Mframe. Setiap
M memiliki jumlah data sama yaitu 2N data, dengan Nadalah bilangan bulat (1, 2, 3,…).
Fungsi frame blocking yaitu mereduksi data yang akan diproses dalam sistem pengenalan. Frame blocking juga dapat mempercepat proses perhitungan pada FFT (Fast Fourier Transform) dengan jumlah data setiap frame memiliki 2N data sample yang diambil dari keseluruhan data sample.
2.4.
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. Ada beberapa fungsi windows yang telah ada diantaranya Kaiser, Hamming, Triangular, Rectangular[7].
2.5.
Hamming Window
Windowing digunakan untuk menghilangkan diskontinuitas yang diakibatkan oleh proses Frame Blocking atau Framing[8]. Jenis window yang dipakai dalam proses ini adalah jenis Hamming Window. Menggunakan Hamming Window karena Hamming Window mempunyai side lobe yang paling kecil dan main lobe yang paling besar sehingga hasil Windowing akan lebih halus dalam mengghilangkan efek diskontinuitas. Persamaan
Hamming Window adalah:
(2.2)
dengan w(k + 1) adalah windowing, dan n merupakan jumlah data dari sinyal. Hamming Window adalah sebuah vector dengan jumlah elemen sebanyak n. Biasanya n akan disesuaikan dengan banyaknya elemen pada frame sehingga banyaknya elemen pada
Hamming Window akan sama dengan banyaknya elemen pada frame.
2.6.
Kartu Suara (
Sound Card
)
pengguna baik melalui speaker atau headphone[9]. Pada dasarnya setiap sound card
memiliki:
1. Digital Sigal Processor (DSP) yang akan menangani semua jenis komputasi. 2. Digital to Analog Converter (DAC) sebagai keluaran suara ke speaker.
3. Analog to Digital Converter (ADC) sebagai masukan suara. 4. Read Only Memory (ROM) atau Flash sebagai penyimpanan data.
5. Musical Instrument Digital Interface (MIDI) untuk menyambungkan beberapa peralatan musik eksternal.
6. Jack untuk menyambungkan kartu suara speaker pada jalur line out atau mikrofon pada jalur line in.
Beberapa sound card sudah terpasang secara pabrikan pada motherboard komputer atau laptop, tetapi bisa juga ditambahkan untuk keperluan yang lebih lanjut pada slot PC
motherboard.
Gambar 2.3 Kartu suara[9]
Dalam proses perekaman suara dengan menggunakan kartu suara, ada beberapa pengaturan awal, yaitu:
a. Sampling Rate, telah dijelaskan pada sub bab 2.2 b. Channel yang digunakan, yaitu mono atau stereo.
Satu channel menandakan mode mono, dua channel menandakan mode stereo.
2.7.
Matlab
yang dikhususkan untuk kebutuhan komputasi teknis, visualisasi dan pemrograman seperti komputasi matematik, analisis data, pengembangan algoritma, simulasi dan pemodelan dan grafik–grafik perhitungan. Matlab memberi warna yang berbeda, karena matlab memiliki keistimewaan dalam fungsi–fungsi mamtematika, fisika, statistic, dan visualisasi. Matlab dikembangkan oleh Mathworks, yang awalnya dibuat untuk memberikan kemudahan mengakses data matrik pada proyek LINPACK dan EISPACK. Saat ini matlab memiliki ratusan fungsi yang dapat digunakan sebagai problem solver mulai dari simple sampai masalah–masalah yang kompleks dari berbagai disiplin ilmu[10]. Tampilan awal pada program Maltab dapat dilihat pada Gambar 2.4. Pada bagian lingkungan kerja Matlab, ada beberapa bagian dari window matlab yang dipakai:
1. Current Directory
Window ini menampilkan isi dari direktori kerja saat menggunakan Matlab. Kita dapat mengganti direktori ini sesuai dengan tempat direktori kerja yang diinginkan. Default dari alamat direktori berada dalam folder works tempat program files Matlab berada.
2. Command History
Window ini berfungsi menyimpan perintah–perintah apa saja yang sebelumnya dilakukan oleh pengguna terhadap Matlab.
3. Command Window
Window ini adalah window utama dari Matlab. Disinilah tempat menjalankan fungsi, mendeklarasikan variable, menjalankan proses – proses, serta melihat isi variable.
4. Workspace
WorkspAace berfungsi untuk menampilkan seluruh variable–variable yang sedang aktif pada saat pemakaian Matlab. Apabila variable berupa data
matriks berukuran besar maka user dapat melihat isi dari seluruh data dengan melakukan double klik pada variable tersebut. Matlab secara otomatis akan
menampilkan window ”array editor” yang berisikan data pada setiap variable
Gambar 2.4 Tampilan awal Matlab[10]
2.8.
Mikrofon
Mikrofon adalah pesawat pengirim getaran gelombang bunyi[11]. Mikrofon terdiri atas serbuk karbon (arang) dan diafragma yang berupa membrane (selaput tipis). Mikrofon berfungsi mengubah energi suara menjadi listrik. Dalam pengambilan nada mikrofon dihubungkan dengan sound card yang berada di komputer. Mikrofon yang digunakan haruslah sesuai kebutuhan dan seimbang antara sumber suara yang ingin dicuplik, misalnya suara manusia, suara kendaraan, atau yang lainnya dengan sistem tata suara yang digunakan seperti sound sistem untuk live music, alat perekaman, dan sebagainya.
2.9.
Discrete Cosine Transform
(DCT)
Discrete Cosine Transform (DCT) biasa digunakan untuk mengubah sebuah sinyal menjadi komponen frekuensi dasarnya. Discrete Cosine Transorm dari sederet n bilangan real s(x), x = 0, … , n-1, dirumuskan sebagai berikut: [12]
𝑆 𝑢 = 2𝑛 𝐶(𝑢) 𝑛−𝑥=01𝑆 𝑥 𝑐𝑜𝑠
2𝑥+1 𝑢𝜋
2𝑛 (2.3)
Dengan u = 0,…, n-1
2.10
Cosine Similarity
Cosine similarity adalah salah satu metode perhitungan similarity yang paling populer untuk diterapkan pada dokumen teks. Kelebihan utama dari metode cosine similarity adalah tidak terpengaruh pada panjang pendeknya suatu dokumen[13]. Persamaan dari cosine similarity adalah:
(2.4)
dimana:
Pi = bobot dari query Qi = bobot dari dokumen
∑ Pi = penjumlahan dari query
11
BAB III
PERANCANGAN
3.1. Sistem Pengenalan Nada Alat Musik Belira
Blok sistem pengenalan nada alat musik Belira ditunjukan pada Gambar 3.1
Frame Blocking Windowing Normalisasi
DCT
Similaritas Cosinus
Penentuan Nada
Data Base
Suara Belira
Keluaran
Gambar 3.1 Blok Diagram Sistem Pengenalan Nada
Sistem pengenalan nada alat musik belira terdiri dari software pada komputer yang berfungsi sebagai user interface dalam proses pengenalan. Software laptop yang dibuat dalam bentuk
user interface dengan Matlab berperan sebagai pusat pengaturan semua proses pengenalan nada alat musik belira, seperti merekam suara nada belira dan mengenali suara nada yang direkam. Perekaman suara dilakukan oleh laptop melalui mikrofon dan jalur line in ada Sound Card.
1. Belira
Alat musik belira yang digunakan sebagai obyek penelitian oleh penulis, belira yang digunakan ini biasanya di mainkan oleh anak TK dalam sebuah grup drum band
2. Mikrofon
Mikrofon yang digunakan adalah mini multimedia microphone Genius MIC-01A. Mikrofon berfungsi untuk menangkap sinyal analog dan kemudian menyalurkan ke
3. Sound Card
Sound card berfungsi mengubah sinyal analog dari mikrofon mnjadi sinyal digital.
Sound card yang digunakan adalah sound card yang sudah terpasang pada
motherboard. Dalam konversi sinyal analog menjadi digital dan kemudian disimpan diperlukan engaturan yang meliputi pengaturan sampling rate (frekuensi sampling dan
channel). Pengaturan tersebut dilakukan pada proses perekaman oleh program yang akan dibuat.
4. Proses Perekaman
Proses perekaman adalah proses masuknya data nada terekam berupa sinyal digital. Saat proses perekaman berlangsung sinyal analog dikonversi menjadi sinyal digital dengan frekuensi sampling. Sinyal digital kemudian disimpan dan digambarkan dalam sebuah plot. Data nada yang telah disimpan disebut nada terekam dan kemudian dapat diproses untuk dikenali lewat proses pengenalan nada.
3.1.1 Suara Belira (Wav)
Hasil dari sampling nada belira yang direkam langsung (real time). 3.1.2 Frame Blocking
Proses ini memilih data dari nada terekam, sehingga data yang dipilih dapat mewakili semua data yang terekam.
3.1.3 Windowing Hamming
Data yang telah dinormalisasikan mengalami proses windowing, dari jenis windowing
yang ada, dalam penelitian ini menggunakan Hamming Windowing. Windowing
berfungsi untuk mengurangi efek diskontinuitas dari potongan – potongan sinyal. 3.1.4 Normalisasi
Proses ini bertujuan untuk menyetarakan amplitude maksimum baik nada terekam dengan nada referensi, sehingga efek dari kuat lemahnya suara yang dikeluarkan alat musik tidak terlalu mempengaruhi proses pengenalan.
3.1.5 Discrete Continus Transform
koefisien DCT sama dengan nilai frame blocking. Koefisien yang digunakan meliputi 16, 32, 64, 128, dan 256.
3.1.6 Similaritas Kosinus
Similaritas Kosinus merupakan metode yang digunakan untuk menghitung perbandingan dan nilai kemiripan antara hasil sampling dengan data yang ada pada
database.
3.1.7 Hasil Tampilan (Output)
Hasil akhir software yang akan mengenali nada alat musik belira. Tampak dalam bentuk GUI Matlab yang telah dirancang oleh penulis.
3.2
Perancangan Nada Referensi
Nada acuan yang disebut nada referensi dibutuhkan sebagai penentu pengenalan nada belira. Untuk memperoleh nada referensi pada setiap nada, hendaknya memiliki ciri yang sudah diketahui oleh sistem pengenalan nada alat musik belira. Penulis mengambil 10 sampel pada setiap nada yang akan dikenali (“ 5 referensi harus melalui proses sampling, normalisasi, windowing, dan DCT. Pada nada referensi ini menggunakan beberapa variasi koefisien DCT yaitu 16, 32, 64, 128, dan 256. Pengambilan nada dilakukan dengan mengunakan program Matlab yang akan dibuat.
Frame Blocking Windowing Hamming Normalisasi
DCT Suara Belira
Keluaran hasil eksraksi ciri
Proses Pengambilan nada disesuaikan dengan variable bebas pada pembuatan sistem pengenalan nada alat musik belira. Setelah 10 nada sampel pada setiap nada diperoleh, perhitungan persamaan (3.1) dilakukan untuk mendapatkan nada referensi. Hasil DCT yang telah dinormalisasi digunakan sebagai nada sampel, sehingga sistem pengenalan nada alat musik belira tidak melakukan perhitungan kembali dalam mendapatkan nada referensi dan proses pada sistem pengenalan nada alat musik belira dapat berjalan dengan baik.
𝑁𝑎𝑑𝑎𝑅𝑒𝑓𝑒𝑟𝑒𝑛𝑠𝑖 = 𝐸𝑘𝑠𝑡𝑟𝑎𝑘𝑠𝑖𝑐𝑖𝑟𝑖1+ 𝐸𝑘𝑠𝑡𝑟𝑎𝑘𝑠𝑖𝑐𝑖𝑟𝑖2+ ...+ 𝐸𝑘𝑠𝑡𝑟𝑎𝑘𝑠𝑖𝑐𝑖𝑟𝑖10
10 (3.1)
Nada referensi yang didapat kemudian disimpan dalam fungsi header yang ada dalam sistem pengenalan nada alat musik belira. Sehingga sewaktu-waktu nada refensi dapat dipanggil dalam proses fungsi jarak yang ada dalam sistem pengenalan alat musik belira.
3.3
Nada Uji
Untuk memperoleh nada uji pada setiap nada pada proses pengenalan nada alat musik belira, penulis menambil 10 nada sampel pada setiap nada yang akan digunakan untuk pengujian sistem. Proses ini bertujuan untuk pencuplikan gelombang suara yang akan menghasilkan gelombang diskret termodulasi pulsa. Jadi semua sampel nada, yang diambil dalam proses perekaman, akan melalui proses sampling terlebih dahulu sebelum masuk ke tahap selanjutnya Proses dapat dilihat pada Gambar 3.3. Pengambilan sampel nada dilakukan melalui proses sampling.
Sampling
Masulan suara
Belira Keluaran (wav)
Gambar 3.3 Blok Diagram Proses Pengambilan Nada Uji
3.4
Tampilan pada GUI Matlab
Gambar 3.4 Tampilan Utama Program Pengenalan Nada
Tampilan program dibuat agar user bisa dengan mudah menjalankan program yang dibuat, serta mengerti hasil dari pengenalan alat musik belira. Keterangan dari tampilan utama program dijelaskan pada Tabel 3.1.
Tabel 3.1. Keterangan Tampilan Utama Program
Nama Bagian Keterangan
Tombol Rekam Digunakan untuk memulai aplikasi Tombol Selesai Digunakan untuk mengakhiri aplikasi Nilai Frame
Blocking dan DCT
Untuk memilih nilai frame blocking dan DCT yang digunakan pada proses pengenalan nada, pilihan berupa 512, 256, 128, 64, 32, 16 titk
Plot Data Nada Tampilan grafik suara hasil rekaman Plot Data Hasil
DCT
Tampilan data berupa grafik data hasil DCT
Pengenalan Nada Untuk menampilkan nada yang didapat setelah proses pengenalan
Nilai Frame Blocking dan DCT
Grafik Nada Grafik DCT
Rekam
Selesai
3.5
Perancangan Alur Program
Program pengenalan nada alat musik belira akan dieksekusi saat user menjalankan program ini. Setelah tampilan utama terlihat, proses pengujian sudah dapat dilakukan. User
pertama kali harus mengisikan parameter yang digunakan pada pengujian pada list box “Nilai Frame Blocking” dan ”Nilai DCT”. Setelah list box sudah terisi, user menekan tombol
“Rekam” sistem akan mengambil suara nada alat musik belira yang dimainkan. Jika suara
nada telah terekam, proses akan berlanjut sampai nada dikenali. Proses pengenalan akan berhenti ketika nilai kemiripan antara nada referensi dengan nada terekam telah didapat dan nada yang terekam dapat dikenali. Blok diagram secara keseluruhan dapat dilihat pada Gambar 3.5.
Program ini menjalankan bermacam – macam proses. Proses yang pertama adalah proses perekaman suara nada alat musik belira yang ingin dikenali. Proses rekam terdiri atas proses sampling. Proses sampling adalah proses pengambilan suara nada alat musik belira dengan parameter fekuensi sampling yang sudah ditentukan dalam sistem (3500 Hz, 7000 Hz, dan 10000 Hz). Setelah nada selesai direkam, sistem akan menampilkan hasil rekaman dalam bentuk grafik atau plot, blok diagram diperlihatkan pada Gambar 3.6.
Rekam
Sampling Nada
Plot Grafik Masukan Suara Belira
Keluaran Suara Belira terekam (Wav)
Gambar 3.6 Blok Diagram Proses Rekam
Menentukan data yang akan diambil dari titik tengah
Menentukan titik tengah Masukan suara
Belira yang terekam
Keluaran hasil frame blocking
Gambar 3.7 Blok Diagram Frame Blocking
Proses frame blocking digunakan untuk memilih data dari keseluruhan data sampling
untuk diambil titik tengah. Banyak data yang akan dipiloh telah ditentukan oleh sistem. Proses
pada Gambar 3.8. Setelah proses normalisasi, data yang diperoleh akan masuk dalam proses
windowing menggunakan hamming window, blok diagram dapat dilihat pada Gambar 3.9.
Menormalisasi
Mencari nilai maximal dari data yang ada diframe
Masukan input dari
frame blocking
Keluaran hasil Normalisasi
Gambar 3.8 Blok Diagram Normalisasi
Hasil dari normalisasi
Hasil normalsasi dikalikan dengan frame
Hasil Windowing Masukan hasil normalisasi
Keluaran hasil Windowing
Gambar 3.9 Blok Diagram Windowing
blok diagram dapat dilihat pada Gambar 3.12. Jika proses tersebut berhasil dijalankan, maka pengenalan nada alat musik belira sudah selesai. Hasil keluaran nada yaitu
Menghitung nilai absoute DCT Transformasi DCT Masukan dari hasil
windowing
Keluaran hasil ekstraksi ciri
Gambar 3.10 Blok Diagram DCT
Menghitung nilai Similaritas Cosinus
(S1,S2,….,S11) Data Base
Masukan hasil ekstraksi ciri
Keluaran hasil perhitungan similaritas
Keluaran = similaritas maximum Masukan hasil perhitungan
ekstraksi ciri
Keluaran Teks
21
BAB IV
HASIL DAN PEMBAHASAN
Pengujian program perlu dilakukan untuk mengetahui suatu program sudah berjalan dengan baik dan sudah sesuai dengan perancangan. Hasil pengujian berupa data-data yang dapat memperlihatkan bahwa program yang telah dirancang dapat bejalan dengan baik. Analisa terhadap proses kerja dapat digunakan untuk menarik penyimpulan dari apa yang diperoleh dari analisa.
4.1 Pengujian Program Pengenalan Nada Alat Musik Belira
Menggunakan Similaritas Kosinus.
Pengujian program dijalankan untuk memastikan apakah program yang dibuat sudah sesuai dengan perancangan dan berjalan dengan baik. Pengujian program dilakukan dengan spesifikasi komputer sebagai berikut :
Processor : Intel(R) Core(TM) i5-2450M CPU @2.50GHz
RAM : 4.00 GB
Program pengenalan dapat dijalankan dengan langkah-langkah berikut :
1. Click dua kali icon matlab dengan gambar icon seperti Gambar 4.1.
Gambar 4.1. Icon Program Pengenalan
3. Kemudian ketik guide dalam command window dan pada layar akan muncul seperti Gambar 4.2 sebelum masuk dalam tampilan utama program.
4. User dapat menjalan program pengenalan dengan mengisi pengaturan pengenalan nada yaitu panjang DCT dan frame blocking yang akan digunakan dalam proses pengenalan nada. Proses pengaturan pengenalan nada dapat dilihat pada Gambar 4.3.
5. Jika nilai DCT dan frame blocking telah dipilih, program pengenalan dapat dijalankan dengan menekan tombol “REKAM”.
Gambar 4.2 Tampilan awal Matlab
6. Selanjutnya hasil pengenalan nada akan muncul dalam kotak “Hasil Pengenalan
Nada”. User dapat melihat spektrum hasil rekaman nada dan grafik hasil proses
DCT pada kotak “Plot Hasil Rekam” dan “Plot Hasil Ekstraksi Ciri” seperti pada
Gambar 4.4.
7. Apabila user tidak melakukan pengaturan pengenalan nada, maka program tidak dapat melakukan pengenalan.
8. Tombol “KELUAR” digunakan untuk jika user ingin menyelesaikan program dan keluar dari tampilan utama program.
Gambar 4.4. Tampilan Utama Program Pengenalan Nada Alat Musik Belira
4.1.1. Tombol Rekam
Tombol rekam adalah tombol yang berfungsi melakukan pengenalan nada mulai dari proses rekam nada, ekstraksi ciri, dan hasil penentuan pengenalan nada. Tombol rekam menggunakan Push Button pada tampilan GUI yang digunakan untuk memulai program pengenalan nada. Plotting hasil dari ekstraksi ciri yang akan diteliti.
Setelah proses perekaman selesai, kemudian program memproses data hasil perekaman untuk pemilihan data tengah dari deretan data hasil perekaman, proses ini disebut dengan frame blocking (L17).
Selanjutnya,data hasil dari frame blocking akan diproses melalui proses windowing
Selanjutnya proses akan memulai untuk mengenali nada dengan cara melihat nilai similartas dari nada yang terekam dengan nada pada data base program (L16).
Dalam proses penentuan nada, nilai similaritas yang paling mendekati dengan nilai pada nada referensi, maka nada dikenali adalah salah satu nada yang sesuai dengan nada referensi. Penentuan nada ini menggunakan listing program (L12).
Berdasarkan pengujian yang dilakukan tombol “REKAM” dapat bekerja dengan
baik. Saat tombol “REKAM” ditekan, program dapat merekam nada, menampilkan plot
hasil rekam nada, menampilkan plot hasil ekstraksi ciri, dan mengenali nada. Hasil penentuan nada akan muncul pada tampilan hasil pengenalan nada program pengenalan nada alat musik belira seperti pada Tabel 4.1.
Tabel 4.1 Hasil Pengenalan Nada Yang Dikenali
No Nada Masukan (Input) Nada Hasil Pengenalan
Gambar 4.5 memperlihatkan tampilan dari program GUI Matlab yang sudah dioperasikan dengan input nada 1 (do), variasi nilai DCT dan frame blocking adalah 64. Program akan mengeksekusi input nada yang terekam dan akan dilakukan proses pengenalan nada.
Gambar 4.5 Tampilan GUI Matlab setelah Program Eksekusi
Kesimpulan yang didapat pada pegujian adalah tombol yang terdapat pada tampilan program utama nada suara belira telah dapat bekerja dan alur program secara keseluruhan telah sesuai dengan perancangan.
4.2
Hasil Pengujian Program Pengenalan Nada Terhadap Tingkat
Pengenalan Nada Alat Musik Belira
4.2.1 Pengujian Parameter Pengaturan Pengenalan Nada
Percobaan dilakukan untuk melihat seberapa besar tingkat pengenalan nada yang terjadi setiap penentuan nada pada parameter parameter pengenalan dilakukan untuk memenentukan parameter nilai variabel DCT dan frame blocking yang digunakan. Langkah-langkah percobaan paramater pengenalan nada yang akan digunakan sebagai berikut:
1. Proses merekam 10 kali suara yang dihasilkan oleh setiap nada alat musik belira dari nada
2. Hasil suara rekaman disimpan untuk menguji setiap nilai parameter pengaturan pengenalan nada.
3. Mengenali setiap nada menggunakan panjang DCT dan frame blocking sebesar 16, 32, 64, 128, 256, dan 512.
4. Menentukan nilai parameter pengaturan nada yang menghasilkan pengenalan nada yang paling baik.
Berdasarkan hasil percobaan yang dilakukan dapat dibuat grafik recognition rate untuk setiap nilai ekstraksi ciri DCT yang diperlihatkan pada Gambar 4.6. Pada grafik dapat dilihat bahwa semakin tingi nilai ekstraksi ciri DCT, maka hasil recognition rate yang didapat semakin bagus.
(a) DCT 16
(b) DCT 32
Gambar 4.6.(Lanjutan) Pengaruh koefisien DCT terhadap Hasil pengenalan
(c) DCT 64
Berdasarkan pada Gambar 4.6 yang membedakan nada satu dengan nada yang lainnya juga bisa dengan mencari nilai similaritas antar nada yang satu dengan nada yang lain, dimana semakin kecil nilai similaritasnya tingkat diskriminasinya semakin baik dan semakin dapat melakukan pengenalan nada satu dengan nada lainnya. Dari gambar 4.7 nilai similaritas bisa dengan rumus (2.4) dengan nilai P adalah data matrik ekstraksi ciri nada 3 (mi) dan nilai Q adalah data matrik ekstraksi ciri nada 4 (fa). Dengan menggunakan cara diatas maka hasil nilai similaritas yang didapat dari Gambar 4.7 untuk jumlah panjang DCT 16 = 0,9758, jumlah panjang DCT 32 = 0,9607, jumlah panjang DCT 64 = 0,8891. Sehingga dapat disimpulkan makin besar jumlah koefisien yang digunakan makin kecil nilai similaritas antara nada 3 (mi) dan nada 4 (fa).
Dari data hasil percobaan (Tabel hasil percobaan pada lampiran L18) dapat dicari pula persen pengenalan melalui pehitungan dari percobaan masing-masing panjang DCT pada tabel data hasil percobaan (lampiran L18) dan grafik dari pengaruh panjang DCT terhadap tigkat pengenalan. Untuk mendapatkan tingkat persen pengenalan dari percobaan tersebut digunkan rumus :
Tingkat pengenalan = 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑣𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 𝑥 100% (4.1)
Ket : 𝑣 = jumlah nada belira yang dikenali dan benar.
Perhitungan tingkat pengenalan dari :
a. panjang DCT 16 titik
Tingkat pengenalan = 𝑣
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 �𝐸 100%
= 23
64 𝑥 100%
= 35,93% b. panjang DCT 32 titik
Tingkat pengenalan = 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎𝑣𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 𝑥 100%
= 46
64 𝑥 100%
c. panjang DCT 64 titik d. panjang DCT 128 titik
Tingkat pengenalan = 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎𝑣𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 𝑥 100%
= 64
64 𝑥 100%
= 100% e. panjang DCT 256 titik
Tingkat pengenalan = 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎𝑣𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 𝑥 100%
= 64
64 𝑥 100%
= 100% f. panjang DCT 512 titik
Tingkat pengenalan = 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎𝑣𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛 𝑥 100%
= 64
64 𝑥 100%
= 100%
Dari perhitungan diatas maka dapat dibuat tabel 4.1 dan grafik pengaruh Panjang DCT terhadap tingkat pengenalan nada belira seperti terlihat pada gambar 4.9.
Tabel 4.2. Pengaruh Koefisien DCT terhadap tingkat pengenalan
Panjang DCT (titik) Tingkat pengenalan (%)
Gambar 4.7 Grafik Pengaruh Panjang DCT terhadap Tingkat pengenalan Nada
Sehingga dari hasil perhitungan dan Gambar 4.8 dapat disimpulkan dan ditentukan nilai parameter yang digunakan dalam proses pengenalan nada secara real time
dannilai koefisien DCT yang digunakan mulai 64, 128, 256 dan 512. Karena secara teori dalam menentukan nilai koefisien DCT yaitu mencari nilai koefisien yang terkecil untuk mendapatkan hasil yang baik , maka nilai koefisien DCT yang digunakan dalam proses pengenalan nada belira yaitu 64 karena dengan nilai koefisien DCT 64 sudah mendapatkan hasil pengenalan nada belira sebesar 100%.
4.2.2 Pengujian Dengan Suara Masukan Suara Alat Musik Piano
Percobaan untuk mengetahui tingkat kesalahn sistem program pengenalan dapat diuji dengan melakukan pengenalan terhadap masukan nada alat musik piano. Pengujian ini akan menunjukan tingkat kesalahan program dalam mendeteksi masukan nada alat musik piano. Cara kerja program pengenalan untuk mengetahui tingkat kesalahan program adalah sama seperti saat user melakukan pengujian pengenalan pada alat musik belira. Langkah-langkah percobaan yang dilakukan :
1. Menyiapkan alat musik piano yang akan digunalan untuk pengujian pengenalan, alat musik piano dapat dilihat pada Gambar 4.8.
2. Mengunakan nada-nada
3. Parameter yang digunakan adalah parameter pengenalan yang terbaik, yaitu mengunakan panjang DCT 64 titik.
0
4. Melihat hasil pengenalan pada output, output yang akan muncul apakah sama dengan masukan suara nada piano atau tidak.
Setelah melakukan langkah-langkah diatas dan didapat hasil pada Tabel 4.3 dan Tabel 4.4 dapat disimpulkan bahwa program pengenalan dengan masukan suara nada piano dapat berjalan dan dapat mengenali nada tapi nada keluaran salah. Hal ini disebabkan oleh rerata nilai similaritas piano yang jauh lebih kecil daripada rerata nilai similaritas belira. Untuk rerata nilai similaritas belira sebesar 0,890056 dan rerata nilai similaritas piano sebesar 0,3845.
Tabel 4.3. Tabel Pengenalan Belira dengan volume suara 100-120 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan
5
Tabel 4.4 Tabel Pengenalan Piano dengan volume suara 100-120 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan
5
Nilai Rerata 0,3845
Tabel 4.5 Tabel Pengenalan Belira dengan Volume Suara 87-95 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan
Tabel 4.5 (Lanjutan) Tabel Pengenalan Belira dengan Volume Suara 87-90 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan
3 6
Nilai Rerata 0,4256
Tabel 4.6 Tabel Pengenalan Piano dengan Volume Suara 87-95 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan
Tabel 4.6 (Lanjutan) Pengenalan Piano dengan Volume Suara 87-95 db
Nada Masukan Nada Keluaran Nilai Similaritas Keterangan •
1 5 0,3728 Salah
•
2 2 0,8901 Salah
•
3 5• 0,7053 Salah
•
4 4 0,7597 Salah
•
5 5• 0,7987 Salah
•
6 6• 0,2740 Salah
Nilai Rerata 0,4522
Untuk percobaan dengan volume 87-95 db diperoleh nilai rerata untuk alat musik belira sebesar 0,4256 dan untuk alat musik piano sebesar 0,4522. Dari hasil tersebut didapat hasil bahwa untuk volume 87-95 db hasil output yang dihasilkan sebagian besar salah. Dari data yang diperoleh bahwa untuk volume 100-120 db lebih baik tingkat pengenalan karena suara yang dihasilkan lebih keras sehingga suara yang dihasilkan lebih jelas dalam perekaman.
4.2.3 Perhitungan Nilai Similaritas Secara Manual
Cara perhitungan nilai similaritas suatu nada dengan mengambil data dari data base dan data matrik hasil pengenalan secara real time. Data matrik dari data base dan hasil pengenalan secara real time akan dihitung mengunakan rumus similaritas kosinus. Rumus similaritas kosinus dapat dilihat pada rumus 2.10. Dengan nilai P dari data matrik hasil pengenalan nada secara real time dan nilai Q data matrik data base.
Tabel 4.7 Tabel Data Matrik P dan Q
P Q P² Q² P * Q
Tabel 4.7 (lanjutan) Tabel Data P dan Q
P Q P2 Q2 P*Q
0,0052 0,0039 0,00002704 0,00001521 0,00002028 0,0051 0,0031 0,00002601 0,00000961 0,00001581 0,0019 0,0035 0,00000361 0,00001225 0,00000665 0,0033 0,0026 0,00001089 0,00000676 0,00000858 0,0069 0,0028 0,00004761 0,00000784 0,00001932 0,1729 0,0051 0,02989441 0,00002601 0,00088179 0,0872 0,0065 0,00760384 0,00004225 0,0005668 0,4777 0,0117 0,22819729 0,00013689 0,00558909 0,0948 0,0056 0,00898704 0,00003136 0,00053088 0,2413 0,0065 0,05822569 0,00004225 0,00156845 0,017 0,0026 0,000289 0,00000676 0,0000442 0,0093 0,0014 0,00008649 0,00000196 0,00001302 0,006 0,0017 0,000036 0,00000289 0,0000102 0,0012 0,0013 0,00000144 0,00000169 0,00000156 0,0012 0,0013 0,00000144 0,00000169 0,00000156 0,0032 0,001 0,00001024 0,000001 0,0000032 0,0039 0,0013 0,00001521 0,00000169 0,00000507 0,0007 0,0008 0,00000049 0,00000064 0,00000056 0,0043 0,0009 0,00001849 0,00000081 0,00000387 0,0034 0,0013 0,00001156 0,00000169 0,00000442 0,0013 0,0014 0,00000169 0,00000196 0,00000182 0,0103 0,001 0,00010609 0,000001 0,0000103 0,0007 0,0008 0,00000049 0,00000064 0,00000056 0,0079 0,0008 0,00006241 0,00000064 0,00000632 0,0011 0,0006 0,00000121 0,00000036 0,00000066 0,0015 0,0005 0,00000225 0,00000025 0,00000075 0,0006 0,0004 0,00000036 0,00000016 0,00000024 0,0005 0,0004 0,00000025 0,00000016 0,0000002 0,0005 0,0004 0,00000025 0,00000016 0,0000002 0,0003 0,0003 0,00000009 0,00000009 0,00000009 0,0004 0,0002 0,00000016 0,00000004 0,00000008
0 0,0002 0 0,00000004 0
0,0004 0,0001 0,00000016 0,00000001 0,00000004 0,0006 0,0002 0,00000036 0,00000004 0,00000012
= 2,8053
=
Tabel 4.8 Tabel Nilai Similaritas Dan Hasil Perhitungan
Nada Nilai Similaritas Hasil Perhitungan
5 7,9583. Setelah didapat nilai-nilai tersebut maka akan dihitung dengan rumus similaritas kosinus.
S𝑐𝑜𝑠= 𝑃𝑄
𝑃2
𝑄2
= 7,9583
2,8053∗3,0501= 0,930093
38
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil percobaan dan pengujian sistem pengenalan nada alat musik belira dapat disimpulkan bahwa :
1. Implementasi dari sistem pengenalan nada alat musik belira sudah bisa bekerja sesuai dengan perancangan.
2. Pada pengujian parameter pengaturan parameter pengenalan, penetapan nilai parameter pengaturan pengenalan nada dengan panjang DCT yang digunakan untuk mengenali nada berpengaruh terhadap tingkat pengenalan sistem. Semakin besar panjang DCT , semakin naik tingkat pengenalan sistem.
3. Pada pengujian parameter pengenalan nada panjang DCT 16, 32, 64, 128, 256, dan 512 menghasilkan tingkat pengenalan (recognition rate) sebesar 84,6%.
5.2 Saran
Saran untuk pengembangan sistem pengenalan nada alat musik belira adalah sebagai berikut :
1. Eksplorasi dengan menggunakan jenis – jenis ekstrasi ciri yang lain agar dapat menghasilkan tingkat pengenalan yang lebih baik.
2. Pengembangan sistem yang lebih kompleks yaitu dengan dapat mengenali dan menampilkan nada-nada pada sebuah lagu.
39
Daftar Pustaka
[1] http://repository.usu.ac.id/bitstream/123456789/23607/3/chapter%2011.pdf
diakses pada tanggal 13 Maret 2013
[2] Hendra, 2012, Pengenalan Nada Suling Recorder Menggunakan Fungsi Jarak Chebyshev, Yogyakarta.
[3] Edwin, 2012, Pengenalan Nada Alat Musik Pianika Menggunakan Metode Korelasi, Yogyakarta.
[4] http://angelinalarasatii.blogspot.com/2012_10_01_archive.html diakses pada tanggal 13 Maret 2013
[5] Sklar, B., 1988, Digital Communications Fundamental and Application, New Jersey, PTR Prentice Hall.
[6] Kartikasari, Y.E., 2006, Pembuatan Software Pembuka Program aplikasi Komputer Berbasis Pengenalan Sinyal Suara, PENS-ITS, Surabaya
[7] Santoso, T.B., 2005, Protipe Modul Pengamatan Sinyal Domain Waktu danFrekuensi Secara Real Time Untuk Praktikum Pengolahan Sinyal Digital, EEPISITS, Surabaya.
[8] Riyanto,S., Purwanto,A., dan Supardi, 1999, algoritma fast fourier transform (fft) decimation in time (dit) dengan resolusi 1/10 hertz Laboratorium Riset
[9] http://www.kumpulanistilah.com/2011/05/pengertian-mikrofon.html diakses pada tanggal 13 Maret 2013.
[10] Niamaulidia, 2009 Pembuatan Pengenalan Sinyal Wicara Menggunakan Matlab.
[11] http://www.kumpulanistilah.com/2011/05/pengertian-mikrofon.html diakses pada tanggal 13 Maret 2013
[13]https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=9&cad=r ja&sqi=2&ved=0CGUQFjAI&url=http%3A%2F%2Fejournal.narotama.ac.id%2F
files%2F5.%2520Sistem%2520Pemilihan%2520Kontrol%2520Keamanan%2520
Informasi%2520Berbasis%2520ISO%252027001.doc&ei=UieRUYr0GsL_rQfS3
41
LAMPIRAN
%fs = 12000;%%fsampling 10000Hz fs = 4800;%%fsampling 7000Hz %fs = 2400;%%fsampling 3500Hz
y = wavrecord (2*fs,fs,'double');%% 2 detik wavwrite(y,fs,'4800do.wav');
[y,fs]=wavread('4800do.wav'); Y=fft(y,fs);
Spek= Y.* conj(Y); f = fs*(0:(1/2*fs))/fs;
plot(f,Spek(1:(1/2*fs+1)));grid;%output
PERCOBAAN
MENCARI SEKTRUM FREKUENSI DARI ALAT MUSIK
BELIRA DENGAN MATLAB V.7
Tujuan :
1. Mengetahui frekuensi maksimum pada nada alat musik belira. 2. Mengetahui frekuensi sampling minimum yang dapat digunakan.
Variabel :
1. Frekuensi sampling yang digunakan 3500Hz, 7000Hz, 10000Hz. 2. Durasi perekaman yang digunakan sebesar 2 detik.
Listing Program
Fs = 3500 Hz
Nada 5
• (sol rendah) Nada 6• ( la rendah)
Nada 7
• (si rendah) Nada 1 (do)
Nada 4 (fa) Nada 5 (sol)
Nada 6 (la) Nada 7 (si)
Nada 3• (mi tinggi) Nada 4• (fa tinggi)
fs = 7000
Nada 5
• (sol rendah) Nada 6• (la rendah)
Nada 7
• (si rendah) Nada 1 (do
Nada 4 (fa) Nada 5 (sol)
Nada 6 (la) Nada 7 (si)
Nada 3• (mi tinggi) Nada 4• (fa tingi)
Nada •
5 (sol tinggi) Nada
•
6 (la tinggi)
fs = 10000 Hz
Nada 5
Nada 7
• (si rendah) Nada 1 (do)
Nada 2 (re) Nada 3 (mi)
Nada 6 (la) Nada 7 (si)
Nada 1• (do tinggi) Nada 2• (re tinggi)
Nada •
3 (mi tinggi) Nada
•
Nada 5• (sol tinggi) Nada 6• (la tinggi
Tabel Data Percobaan
NO NADA
MASUKAN
Frekuensi Sampling (Hz)
3500 7000 10000
1 5
• (sol rendah) V V V
2 6
• (la rendah) V V V
3 7
• (si rendah) V V V
4 1 (do) V V V
5 2 (re) V V V
6 3 (mi) V V V
7 4(fa) V V V
8 5 (sol) V V V
9 6 (la) V V V
10 7 (si) X V V
11 •
1 (do tinggi) X V V
12 •
2 (re tinggi) X X V
13 •
(lanjutan) Tabel data percobaan
14 •
4 (fa tinggi) X V V
15 •
5 (sol tinggi) X V V
16 •
6 (la tinggi) X X V
Kesimpulan :
1. Frekuensi Maksimum yang didapat sebesar 3522Hz untuk nada, 6• sehingga frekuensi maksimum yang dapat digunakan sebesar 10000Hz
2. Frekuensi sampling berguna untuk mencuplik data suara yang diinginkan dan mem -filter data suara yang tidak diinginkan dalam hal ini harmonisa yang terjadi dan noise
fs =10000;%%fsampling 4800Hz
y = wavrecord (fs,fs,'double');%% 1 detik wavwrite(y,fs,'10000do.wav');
[y,fs]=wavread('10000do.wav');
%y = wavrecord (2*fs,fs,'double');%% 2 detik %wavwrite(y,fs,'10000do.wav');
%[y,fs]=wavread('10000do.wav');
%y = wavrecord (3*fs,fs,'double');%% 3 detik %wavwrite(y,fs,'10000do.wav');
%[y,fs]=wavread('10000do.wav'); plot(y);grid;%output
PERCOBAAN
MENCARI DURASI PEREKAMAN UNTUK SISTEM
PENGENALAN NADA ALAT MUSIK BELIRA DENGAN
MATLAB V.7
Tujuan :
3. Mendapat durasi perekaman yang tepat untuk perekaman.
4. Mengetahui pengaruh durasi perekaman pada data sinyal yang terekam.
Variabel :
3. Frekuensi sampling yang digunakan 10000Hz.
4. Durasi perekaman yang digunakan sebesar 1 detik, 2 detik, dan 3 detik.
Listing Program
Durasi Perekaman 1 Detik
Durasi Perekaman 3 Detik
Kesimpulan :
1. Pada Hasil percobaan terlihat sistem membutuhkan waktu untuk memdapatkan sinyal data rekam.
LISTING PROGRAM
Pengenalan
function varargout = coba1(varargin) % COBA1 M-file for coba1.fig
% COBA1, by itself, creates a new COBA1 or raises the existing
% COBA1('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in COBA1.M with the given input arguments. %
% COBA1('Property','Value',...) creates a new COBA1 or raises the % existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before coba1_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application
% stop. All inputs are passed to coba1_OpeningFcn via varargin. %
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)". %
% See also: GUIDE, GUIDATA, GUIHANDLES
% Copyright 2002-2003 The MathWorks, Inc.
% Edit the above text to modify the response to help coba1
% Last Modified by GUIDE v2.5 10-Dec-2013 13:58:44
% Begin initialization code - DO NOT EDIT gui_Singleton = 1;
gui_State.gui_Callback = str2func(varargin{1}); end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else
gui_mainfcn(gui_State, varargin{:}); end
gui_Singleton = 1;
gui_State.gui_Callback = str2func(varargin{1}); end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else
gui_mainfcn(gui_State, varargin{:}); end
% End initialization code - DO NOT EDIT
% --- Executes just before coba1 is made visible.
function coba1_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to coba1 (see VARARGIN)
% Choose default command line output for coba1 handles.output = hObject;
% Update handles structure guidata(hObject, handles);
% UIWAIT makes coba1 wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = coba1_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.
file_nama=sprintf('s.wav',nama);
jaraklist(n)=jarak(y,z(:,n)); end
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles) axes(handles.axes1);
plot(0);
axes(handles.axes2); plot(0);
set(handles.text1,'String',' ');
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% --- Executes on selection change in popupmenu3.
function popupmenu3_Callback(hObject, eventdata, handles) % hObject handle to popupmenu3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Hints: contents = get(hObject,'String') returns popupmenu3 contents as cell array
% contents{get(hObject,'Value')} returns selected item from popupmenu3
% --- Executes during object creation, after setting all properties. function popupmenu3_CreateFcn(hObject, eventdata, handles)
% hObject handle to popupmenu3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
Data Base
function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1 as text
% str2double(get(hObject,'String')) returns contents of edit1 as a double
% --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white'); end
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles) delete(handles.figure1);
clear
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
Frame Blocking
Tabel Hasil Percobaan
Keterangan : X = Nada dikenali tetapi salah
b. DCT 32
Keterangan : X = Nada dikenali tetapi salah
c. DCT 64
Keterangan : X = Nada dikenali tetapi salah
d. DCT 128
Keterangan : X = Nada dikenali tetapi salah
e. DCT 256
Keterangan : X = Nada dikenali tetapi salah
f. DCT 512
Keterangan : X = Nada dikenali tetapi salah
Perhitungan Nilai Similaritas Kosinus
Nada 5
• (sol rendah)
P Q P² Q² P * Q
P Q P² Q² P * Q
0,0069 0,0015 0,00004761 0,00000225 0,00001035 0,1729 0,0035 0,02989441 0,00001225 0,00060515 0,0872 0,0011 0,00760384 0,00000121 0,00009592 0,4777 0,0094 0,22819729 0,00008836 0,00449038 0,0948 0,0204 0,00898704 0,00041616 0,00193392 0,2413 0,0795 0,05822569 0,00632025 0,01918335 0,017 0,0581 0,000289 0,00337561 0,0009877 0,0093 0,0968 0,00008649 0,00937024 0,00090024 0,006 0,342 0,000036 0,116964 0,002052 0,0012 0,024 0,00000144 0,000576 0,0000288 0,0012 0,0061 0,00000144 0,00003721 0,00000732 0,0032 0,0027 0,00001024 0,00000729 0,00000864 0,0039 0,0013 0,00001521 0,00000169 0,00000507 0,0007 0,0016 0,00000049 0,00000256 0,00000112 0,0043 0,0011 0,00001849 0,00000121 0,00000473 0,0034 0,0014 0,00001156 0,00000196 0,00000476 0,0013 0,0036 0,00000169 0,00001296 0,00000468 0,0103 0,0122 0,00010609 0,00014884 0,00012566 0,0007 0,0399 0,00000049 0,00159201 0,00002793 0,0079 0,0552 0,00006241 0,00304704 0,00043608 0,0011 0,065 0,00000121 0,004225 0,0000715 0,0015 0,038 0,00000225 0,001444 0,000057 0,0006 0,0224 0,00000036 0,00050176 0,00001344 0,0005 0,0062 0,00000025 0,00003844 0,0000031 0,0005 0,0022 0,00000025 0,00000484 0,0000011 0,0003 0,0014 0,00000009 0,00000196 0,00000042 0,0004 0,0007 0,00000016 0,00000049 0,00000028
0 0,0013 0 0,00000169 0
0,0004 0,0007 0,00000016 0,00000049 0,00000028 0,0006 0,0006 0,00000036 0,00000036 0,00000036 =2,8053 = 3,0415 = 7,9583
scos = 𝑃𝑄
𝑃² 𝑄²
= 7,9583
Nada 6
• (la rendah)
P Q P² Q² P * Q
P Q P² Q² P * Q
0,4777 0,0023 0,22819729 0,00000529 0,00109871 0,0948 0,0024 0,00898704 0,00000576 0,00022752 0,2413 0,0022 0,05822569 0,00000484 0,00053086 0,017 0,0032 0,000289 0,00001024 0,0000544 0,0093 0,0026 0,00008649 0,00000676 0,00002418 0,006 0,0101 0,000036 0,00010201 0,0000606 0,0012 0,0168 0,00000144 0,00028224 0,00002016 0,0012 0,0236 0,00000144 0,00055696 0,00002832 0,0032 0,024 0,00001024 0,000576 0,0000768 0,0039 0,0162 0,00001521 0,00026244 0,00006318 0,0007 0,0077 0,00000049 0,00005929 0,00000539 0,0043 0,0034 0,00001849 0,00001156 0,00001462 0,0034 0,002 0,00001156 0,000004 0,0000068 0,0013 0,0033 0,00000169 0,00001089 0,00000429 0,0103 0,0013 0,00010609 0,00000169 0,00001339 0,0007 0,0015 0,00000049 0,00000225 0,00000105 0,0079 0,0013 0,00006241 0,00000169 0,00001027 0,0011 0,001 0,00000121 0,000001 0,0000011 0,0015 0,0012 0,00000225 0,00000144 0,0000018 0,0006 0,0019 0,00000036 0,00000361 0,00000114 0,0005 0,0076 0,00000025 0,00005776 0,0000038 0,0005 0,0147 0,00000025 0,00021609 0,00000735 0,0003 0,0158 0,00000009 0,00024964 0,00000474 0,0004 0,0143 0,00000016 0,00020449 0,00000572
0 0,0066 0 0,00004356 0
0,0004 0,0025 0,00000016 0,00000625 0,000001 0,0006 0,0011 0,00000036 0,00000121 0,00000066 =2,8053 = 2,7398 = 7,9583
scos = 𝑃𝑄
𝑃² 𝑄²
= 7,9583
Nada 7
• (si rendah)
P Q P² Q² P * Q
![Gambar 2.3 Kartu suara[9]](https://thumb-ap.123doks.com/thumbv2/123dok/1801306.2098690/22.612.101.546.121.557/gambar-kartu-suara.webp)
![Gambar 2.4 Tampilan awal Matlab[10]](https://thumb-ap.123doks.com/thumbv2/123dok/1801306.2098690/24.612.105.518.87.373/gambar-tampilan-awal-matlab.webp)
