Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar
PENGEMBANGAN MODEL PROBABILISTIC NEURAL
NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Probabilistic Neural Network untuk Identifikasi Chord Gitar adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Desember 2013
Arviani Rizki
NIM G64104027
ABSTRAK
ARVIANI RIZKI. Pengembangan Model Probabilistic Neural Network untuk
Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO.
Pengenalan kunci gitar membutuhkan teknik ekstraksi ciri dan model
pengenalan pola. Penelitian ini membangun sistem pengenalan suara gitar
menggunakan teknik MFCC sebagai pengekstraksi ciri dan PNN sebagai
pengenal pola. Tujuan penelitian ini adalah menemukan parameter-parameter
yang menghasilkan akurasi terbaik. Parameter-parameter tersebut terkait dengan
MFCC, yaitu jumlah koefisien cepstral, overlap, dan time frame. Sistem bekerja
dengan membaca file suara berformat WAV, kemudian file diproses dengan
teknik MFCC dan PNN untuk menghasikan keluaran kunci suara gitar berupa
teks. Penelitian ini menggunakan 8 280 data suara gitar dari 24 chord yang
berbeda. Hasil penelitian menunjukan bahwa koefisien cepstral 52, overlap 0.4,
dan time frame 100 ms menghasilkan akurasi maksimum yaitu 96.56%.
Kata kunci: identifikasi kunci gitar, mel frequency cepstral coefficients (MFCC),
pengenalan suara, probabilistic neural network
ABSTRACT
ARVIANI RIZKI. Development of Probabilistic Neural Network Model to Identify
Guitar Chord. Supervised by AGUS BUONO.
Guitar chord recognition requires feature extraction techniques and pattern
recognition model. This research developed a guitar chord recognition system by
utilizing MFCC as the feature extraction and PNN technique as the pattern
recognition. The aim of this research was to find the parameters that can produce
the highest accuracy. Those parameters were related to MFCC, namely cepstral
coefficients, overlap, and time frame. The system worked by reading a WAV file
and then processing the guitar chord text. This research utilized 8 280 guitar
sound data from 24 different guitar chords. The result showed that 52 cepstral
coefficients, 0.4 overlap, and 100 ms time frame can produce the highest accuracy
of 96.56%.
Keywords: guitar's chord identification, mel frequency cepstral coefficients
(MFCC), probabilistic neural network, speaker recognition
PENGEMBANGAN MODEL PROBABILISTIC NEURAL
NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Mushthofa, SKom MSc
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Probabilistic Neural Networkuntuk
IdentifIkasi Chord Gitar
: Arviani Rizki
Nama
: G64104027
NIM
Disetujui oleh
ono MSiMKom
Pembimbing
Diketahui oleh
".
:,
ｾ＠ Ｇ＠ Ｎ Ｂ Ｎ＠
' c '
Tanggal Lulus :
'f
:r
o9 DE C 2013
Judul Skripsi : Pengembangan Model Probabilistic Neural Network untuk
Identifikasi Chord Gitar
Nama
: Arviani Rizki
NIM
: G64104027
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah
ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model
Probabilistic Neural Network untuk Identifikasi Chord Gitar.
Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan
dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima
kasih kepada:
1 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah
memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung.
2 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi
MKom selaku penguji untuk penelitian ini.
3 Orang tua tercinta Bapak Arief Suyanto, Ibu Tuti Suryati serta kakak-kakak
tersayang atas segala doa dan dukungan yang tiada hentinya.
4 Teman-teman ilmu komputer Toni Haryono, Armen Marta, Yosi Nurhayati dan
Ahmad Somadi terima kasih atas kerjasamanya.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Desember 2013
Arviani Rizki
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Pengambilan Data Suara Gitar
4
Normalisasi
4
Segmentasi
5
Data Latih dan Data Uji
5
Ekstraksi Ciri dengan MFCC
5
Pembuatan Modul PNN
7
Pengujian
9
HASIL DAN PEMBAHASAN
9
Pengumpulan Data
9
Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Hasil Pengujian
10
Percobaan dengan 13 koefisien cepstral
10
Percobaan dengan 26 koefisien cepstral
11
Percobaan dengan 39 koefisien cepstral
11
Percobaan dengan 52 koefisen cepstral
11
Analisis Percobaan
12
Analisis Kesalahan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
22
DAFTAR TABEL
1
2
3
4
5
6
Chord mayor dan chord minor
Komposisi data
Akurasi dengan 13 koefisien cepstral
Akurasi dengan 26 koefisien cepstral
Akurasi dengan 39 koefisien cepstral
Akurasi dengan 52 koefisien cepstral
4
5
10
11
11
11
DAFTAR GAMBAR
1 Alur proses transformasi sinyal suara analog menjadi informasi (Buono
2009)
2 Diagram alur penelitian
3 Diagram alur teknik MFCC untuk mengekstrak sinyal
4 Struktur PNN (Ganchev 2005)
5 Pemodelan PNN identifikasi chord
6 Perbandingan hasil akurasi dengan 13, 26, 39, dan 52 koefisien cepstral
2
3
6
8
10
12
DAFTAR LAMPIRAN
1
2
3
4
5
Bentuk chord yang digunakan pada pelatihan dan pengujian
Confusion matrix kesalahan identifikasi chord pada koefisien 13
Confusion matrix kesalahan identifikasi chord pada koefisien 26
Confusion matrix kesalahan identifikasi chord pada koefisien 39
Confusion matrix kesalahan identifikasi chord pada koefisien 52
15
17
18
19
20
1
PENDAHULUAN
Latar Belakang
Gitar merupakan alat musik yang paling umum dimainkan oleh berbagai
kalangan usia. Hampir semua jenis musik menggunakan gitar sebagai instrumen.
Untuk menghasilkan suara gitar yang harmonis dibutuhkan penguasaan kunci atau
chord gitar. Chord merupakan satuan nada-nada yang dibunyikan secara serentak
yang berfungsi sebagai pengiring dalam lagu maupun permainan musik
(Wisnudisastra dan Buono 2010). Pendengaran manusia memiliki kemampuan
dan kepekaan yang beragam dalam mengenali chord gitar. Seorang yang terbiasa
dengan suara gitar dapat dengan mudah mengenali dan membedakan chord gitar,
namun bagi orang awam hal tersebut sulit untuk dilakukan.
Penggunaan teknologi dan komputer dapat dilakukan untuk memecahkan
masalah tersebut, yaitu pembuatan sistem yang dapat mengidentifikasi chord
gitar. Kinerja komputer yang objektif dan konsisten dalam menjalankan setiap
perintah dapat memudahkan pengguna untuk mengetahui dan membedakan suara
chord gitar dengan akurat. Pengenalan suara (speech recognition) adalah
teknologi yang dapat mengubah sinyal suara menjadi sebuah informasi berupa
teks. Suara chord gitar dapat diidentifikasi dengan mengekstrasi ciri dari setiap
chord menggunakan teknik mel-frequency cepstrum coefficient (MFCC) untuk
kemudian dilakukan pengenalan pola menggunakan probabilistic neural network
(PNN). PNN sebagai salah satu arsitektur jaringan saraf tiruan (JST) telah terbukti
menghasilkan akurasi tinggi di beberapa penelitian sebelumnya. Penelitian yang
telah dilakukan oleh Fransiswa (2010) tentang pengembangan PNN pada
pengenalan kisaran usia dan jenis kelamin berbasis suara memiliki rataan akurasi
91.26%.
Penelitian identifikasi suara gitar sebelumnya dilakukan oleh Wisnudisastra
(2010) menggunakan teknik MFCC dan codebook sebagai pengenalan pola.
Penelitian tersebut menghasilkan rataan akurasi sebesar 91% menggunakan 13
koefisien cepstral dan 96% menggunakan 26 koefisien cepstral. Penelitian
tersebut memiliki keterbatasan untuk mengenali satu jenis chord gitar sehingga
belum dapat mengidentifikasi chord gitar yang kontinu.
Pada penelitian ini, identifikasi chord gitar dilakukan untuk chord gitar yang
kontinu menggunakan teknik MFCC untuk ekstraksi ciri dan model PNN untuk
pengenalan pola.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode PNN untuk
identifikasi chord gitar.
2 Mengidentifikasi suara gitar yang terdiri dari campuran chord gitar.
3 Mengetahui akurasi dari identifikasi chord gitar dengan menggunakan model
PNN.
2
Manfaat Penelitian
Dengan adanya penelitian ini diharapkan dapat memberikan informasi
tingkat akurasi pengembangan model PNN untuk identifikasi chord gitar yang
kontinu.
Ruang Lingkup Penelitian
1
2
3
4
5
Ruang lingkup dari penelitian ini antara lain:
Gitar yang digunakan adalah jenis gitar akustik dengan senar string.
Suara gitar berupa hasil rekaman dari campuran chord mayor dan chord minor.
Suara gitar berupa dua campuran chord.
Gitar dimainkan dengan cara dipukul serentak dari atas ke bawah dalam satu
posisi untuk setiap chord.
Gitar yang digunakan adalah standar tunning.
METODE PENELITIAN
Penelitian ini menggunakan suara gitar yang akan diproses oleh sistem
menjadi suatu informasi berupa chord dari suara gitar tersebut. Untuk dapat
mengubah sebuah suara menjadi suatu informasi dibutuhkan beberapa proses, alur
proses tersebut dapat dilihat pada Gambar 1.
Gelombang suara yang ditangkap berupa sinyal analog, maka sinyal
tersebut perlu diubah dahulu menjadi sinyal digital agar dapat diolah oleh
komputer, proses ini disebut digitalisasi.
Gambar 1 Alur proses transformasi sinyal suara analog menjadi informasi
(Buono 2009)
3
Proses digitalisasi suara terdiri dari dua tahap yaitu sampling dan kuantisasi
(Jurafsky dan Martin 2000). Sampling adalah proses pengambilan nilai (sampling
rate) dalam jangka waktu tertentu. Sampling rate adalah banyaknya nilai yang
diambil setiap detik. Sampling rate yang biasa digunakan pada pengenalan suara
ialah 8 000 Hz sampai dengan 16 000 Hz (Jurafsky dan Martin 2000). Hubungan
antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya
data suara yang didigitalisasikan dapat dinyatakan secara sederhana sebagai
berikut:
S = Fs × T
Keterangan :
S = panjang vektor
Fs = sampling rate yang digunakan (Hertz)
T = panjang suara (detik)
Setelah melalui proses sampling proses selanjutnya adalah kuantisasi.
Kuantisasi merupakan proses mengkonversi nilai amplitudo yang bersifat kontinu
pada suatu waktu tertentu menjadi sinyal digital dengan mengekspresikannya
menggunakan sejumlah digit tertentu (Buono 2009).
Setelah mengubah sinyal analog menjadi sinyal digital, dilakukan
pembacaan sinyal dari frame ke frame dengan lebar tertentu yang saling tumpang
tindih untuk menghindari kehilangan informasi. Ekstraksi ciri dilakukan pada
setiap frame untuk mendapatkan vektor ciri. Setiap vektor ciri tersebut dilakukan
pengenalan pola untuk memperoleh informasi yang diinginkan.
Pembuatan sistem dibagi menjadi beberapa tahap sesuai dengan diagram
alur penelitian yang ditunjukkan pada Gambar 2.
Mulai
Perumusan
Masalah
Teori-teori yang
terkait
Pengambilan Data
Suara Gitar
Normalisasi
Segmentasi
Manual
Data
Latih
Data Uji
MFCC
MFCC
Pembuatan Modul
PNN
Parameter Modul
Pengujian
Analisis &
Pembahasan
Dokumentasi &
Pelaporan
Selesai
Gambar 2 Diagram alur penelitian
4
Pengambilan Data Suara Gitar
Penelitian ini menggunakan data hasil perekaman suara gitar yang telah
dikonversi ke bentuk digital berformat WAV. Suara gitar merupakan hasil
campuran permainan dua buah chord dari 24 chord yang ada. Chord gitar yang
dimainkan terdiri dari dua jenis, yaitu chord mayor dan chord minor yang masingmasing berjumlah 12. Chord mayor dan minor seperti pada Tabel 1. Bentuk 24
chord mayor dan minor yang digunakan pada penelitian ini dapat dilihat pada
Lampiran 1.
Perekaman suara gitar dilakukan menggunakan microphone yang dipasang
pada gitar dan dilakukan ditempat yang hening untuk meminimalkan adanya
noise. Perekaman dilakukan sebanyak 15 kali untuk setiap dua campuran chord.
Data suara berjumlah 8 640 data yang berasal dari perkalian 24 chord pertama, 24
chord kedua dan 15 kali perekaman.
Suara gitar direkam menggunakan ukuran waktu tiga detik dengan sampling
rate sebesar 11 000 Hz dan bit rate sebesar 16 bit. Data suara gitar berupa
campuran chord C ke chord C#, chord C ke chord Cm dan seterusnya masingmasing sebanyak 15 kali. Untuk setiap campuran digunakan sepuluh kali
perekaman untuk data latih dan lima kali perekaman untuk data uji. Sehingga
terdapat 5 760 data latih dan 2 880 data uji.
Tabel 1 Chord mayor dan chord minor
Chord dasar
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Mayor
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Minor
Cm
C#m
Dm
D#m
Em
Fm
F#m
Gm
G#m
Am
A#m
Bm
Normalisasi
Normalisasi merupakan langkah praproses data. Setiap data suara memiliki
nilai rentang amplitudo yang berbeda sehingga data suara perlu dinormalisasi
terlebih dahulu dengan cara mengabsolutkan nilai-nilai data suara dan mencari
nilai maksimumnya. Selanjutnya, setiap nilai data tersebut dibagi dengan nilai
maksimumnya. Hal ini dilakukan untuk menormalkan suara sehingga memiliki
amplitudo maksimum satu dan minimum minus satu.
5
Segmentasi
Tahap segmentasi merupakan tahap pemotongan jeda pada setiap sinyal
suara. Pendeteksian jeda dilakukan pada sinyal untuk memisahkan dua campuran
chord menjadi dua sinyal yang berbeda.
Pada pengambilan data suara, terdapat jeda pada perpindahan chord pertama
dan chord kedua. Dengan demikian sinyal suara akan dipisah secara manual
dengan menghapus bagian yang dianggap jeda, sehingga akan mendapatkan dua
sinyal yaitu chord pertama dan chord kedua. Pemisahan dilakukan dengan
mencari rentang terbesar dari setiap frame yang nilainya kurang dari rataan frame.
Data Latih dan Data Uji
Data latih merupakan data yang digunakan untuk pembelajaran sistem. Data
latih diambil sebanyak 10 kali dari masing-masing dua campuran chord mayor
dan chord minor. Setelah melalui tahap segmentasi, didapatkan 5 760 data latih
dari hasil perkalian 24 chord pertama, 24 chord kedua dan 10 kali perekaman.
Data latih kemudian diproses dengan teknik MFCC untuk mengekstraksi ciri dari
setiap data latih.
Data uji merupakan data yang digunakan untuk uji coba akurasi sistem.
Terdapat 2 880 data uji yang berasal dari hasil perkalian 24 chord pertama, 24
chord kedua dan 5 kali perekaman. Komposisi data chord yang dipakai dalam
penelitian dapat dilihat pada pada Tabel 2.
Tabel 2 Komposisi data
Komposisi
Jumlah chord
Jumlah campuran
Data latih
Data uji
Total data
(24 x 24)
(576 x 10)
(576 x 5)
(5760 + 2280)
Jumlah
24
576
5760
2280
8640
Ekstraksi Ciri dengan MFCC
Ekstraksi ciri merupakan proses untuk menentukan suatu nilai atau vektor
yang dapat digunakan sebagai penciri objek atau individu (Buono 2009). Salah
satu teknik ekstraksi ciri pemrosesan suara yang sering digunakan dan
menunjukan kinerja yang baik adalah MFCC.
Pada Gambar 3 sinyal suara dibaca dari frame ke frame dengan lebar
tertentu yang saling tumpang tindih (overlap), kemudian dilakukan windowing
pada setiap frame. Tahap berikutnya, dilakukan transformasi Fourier untuk
mengubah suara dari domain waktu ke domain frekuensi. Nilai hasil transformasi
Fourier ini dihitung spectrum mel menggunakan sejumlah filter. Filter yang
digunakan berupa filter segitiga yang saling overlapping. Rentang filter segitiga
tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam
6
mendengarkan bunyi (Ganchev 2005). Skala mel dibentuk untuk mengikuti
persepsi sistem pendengaran manusia.
Sinyal suara
frame ke t
O +
O =OO=1O,O2+, …,
O…,O
t , …T, OT
t, …,O
Windowing:
yt (n)=xt (n)w(n), 0 ≤ n ≤ N-1
w(n) = 0.54 – 0.46 cos (2πn/(N-1))
= hasil
� pada frame ke dalam domain waktu
�
N= jumlah sampel pada setiap frame, n = frame ke-…
W= formula hamming window, �
= nilai data ke n
Fast Fourier Transform (FFT):
N-1
Xn = ∑ xk e-2πjki/N
k=0
Xk =nilai-nilai sampel yang akan diproses pada domain frekuensi
Xn =magnitude frekuensi
N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t
Mel Frequency Wrapping: mel(f) = 2595 * log10 (1 + f / 700)
dari sini diperoleh M filter, dan dihitung spektrum Mel:
N-1
Xi =log10
� (k) = nilai filter segitiga ke i
X k =nilai data ke k hasil proses FFT
M
= jumlah filter
N= banyaknya data
∑|X k |Hi (k) , i=1,2,3,…,M
k=0
Cepstrum Coefficients :Discrete Cosine Transform
�
� = ∑�
=
�
−
/
Cj =nilai koefisien C ke j
j= jumlah koefisien cepstral
M = jumlah filter
Xi =hasil Mel Frequency Wrapping pada frekuensi ke i,
i= jumlah wrapping
�
�
Gambar 3 Diagram alur teknik MFCC untuk mengekstrak sinyal
Koefisien MFCC merupakan hasil transformasi cosinus dari spektrum mel
tersebut dan dipilih k koefisien. Transformasi cosinus berfungsi untuk
mengembalikan domain, dari domain frekuensi ke domain waktu.
Tahap-tahap proses MFCC adalah sebagai berikut (Do 1994) :
1 Frame blocking. Pada tahap frame blocking sinyal suara dibagi ke dalam nbuah frame yang terdiri dari n-sampel. Tahap ini melakukan overlapping pada
7
2
3
4
5
frame yang satu dengan frame tetangganya untuk menghindari kehilangan
informasi.
Windowing. Untuk meminimalkan diskontinuitas sinyal pada setiap awal dan
akhir frame dilakukan proses windowing. Proses ini dilakukan dengan
mengalikan antara frame dengan jenis window yang digunakan.
Fast Fourier Transform (FFT). Tahap FFT mengubah tiap frame dari domain
waktu ke domain frekuensi.
Mel-frequency wrapping. Proses ini menggunakan filter yang saling
overlapping untuk domain frekuensi. Rentang filter tersebut ditentukan
berdasarkan hasil studi psikologi manusia dalam mendengarkan bunyi
(Ganchev 2005). Oleh karena itu, untuk setiap nada dengan frekuensi aktual f,
tinggi subyektifnya diukur dengan skala mel (melody). Skala mel-frequency
adalah selang frekuensi di bawah 1 000 Hz dan selang logaritmik untuk
frekuensi di atas 1 000 Hz (Do 1994)
Cepstrum coefficients. Hasil dari proses MFCC adalah mel spectrum
coefficients dengan jumlah koefisien yang ditentukan terlebih dahulu.
Kemudian algoritma discrete cosine transform (DCT) digunakan untuk
mengkonversi mel-frequency ke dalam domain waktu.
Pembuatan Modul PNN
Probabilistic neural network (PNN) adalah suatu metode klasifikasi
jaringan saraf tiruan (JST) dengan menggunakan data pelatihan. Model PNN
merupakan salah satu jenis jaringan saraf tiruan yang memiliki tingkat akurasi
yang cukup tinggi dalam pengklasifikasian yaitu hampir mendekati 100%
(Fransiswa 2010). Dengan menggunakan pengklasifikasi Bayesian dapat
ditentukan bagaimana sebuah data masukan diklasifikasi sebagai anggota suatu
kelas dari beberapa kelas yang ada, yaitu yang mempunyai nilai maksimum pada
kelas tersebut. PNN memiliki struktur yang terdiri atas empat layer seperti pada
Gambar 4.
1 Input layer merupakan layer untuk input data yang akan diuji.
2 Pattern layer berfungsi menghitung jarak antara nilai input data suara dengan
nilai pola dari tiap anggota kelas yang dirumuskan pada Persamaan 1.
fA x =
1
(2π)
1
p⁄2 p
h m
∑m
i=
exp[−
x−xAi T x-xAi
h2
]
Keterangan:
p = dimensi vektor input
m = jumlah pola pelatihan
xAi = vektor latih kelas-A urutan ke-i
x = vektor input
h = smoothing parameter (α × simpangan baku ke-i×n1/5)
(1)
8
Gambar 4 Struktur PNN (Ganchev 2005)
Nilai fA(x) merupakan nilai hasil pattern layer ke-i sampai n banyaknya pattern
di setiap kelas. Setelah mendapatkan selisih jarak antara data input dengan data
pada pattern layer, selisih tersebut dibagi dengan nilai smoothing parameter.
Pemilihan nilai smoothing parameter (h) harus diperhatikan, karena nilai ini
memegang peranan yang penting terhadap ketepatan hasil pengklasifikasian
yang dilakukan. Smoothing parameter yang terlalu kecil akan mengakibatkan
pendekatan yang terlalu sempit, sedangkan jika terlalu besar dapat
menghilangkan detil yang penting (Masters 1995).
3 Summation layer. Layer ini menghasilkan peluang untuk satu kelas. Peluang
tersebut didapat dari penjumlahan pattern layer pada kelas tersebut dan
hasilnya dibagi dengan (2π)d/2 hih2...hdn. Nilai hih2...hd adalah nilai smoothing
dari kelas tersebut.
n
1
∑(fA (x))
P x =
d
2π 2 h1 h2 …hd n i=1
4 Decision layer digunakan untuk membandingkan hasil peluang pada setiap
kelas. Hasil peluang P(x) pada setiap kelas akan dibandingkan pada layer ini.
Selanjutnya, input data dimasukkan dalam kelas yang memiliki nilai peluang
terbesar.
9
Pengujian
Proses pengujian dilakukan dengan membandingkan data uji dengan chord
yang teridentifikasi dari 24 chord yang ada. Data uji akan diklasifikasikan ke
kelas yang sesuai dengan cara menghitung peluang terbesar yang mendekati kelas
chord tertentu. Hasil yang didapat akan dihitung akurasinya dengan rumus berikut
ini:
Σ Data uji yang benar
Hasil =
x 100%
Σ Data Uji
HASIL DAN PEMBAHASAN
Pengumpulan Data
Pengumpulan data suara direkam langsung menggunakan gitar melalui
software MATLAB R2008b. Suara campuran 2 chord gitar direkam selama tiga
detik dan disimpan ke dalam file berekstensi WAV. Setiap campuran chord
dilakukan masing-masing 15 kali perekaman sehingga menghasilkan 8 640 data.
Data suara tersebut tersusun dari sinyal-sinyal yang mengandung nilai. Nilai
tersebut akan menghasilkan sebuah vektor yang kemudian dilakukan proses
normalisasi agar data suara lebih terstandar pada rentang minus satu sampai satu.
Segmentasi
Data hasil normalisasi disegmentasi secara manual untuk memisahkan dua
campuran chord menjadi dua sinyal berbeda. Pemotongan jeda dilakukan dengan
beberapa tahap, yaitu:
1 Mengabsolutkan nilai-nilai.
2 Membuat batas pada titik 1 500 sampai 30 000
3 Menghitung rata-rata pada rentang titik tersebut.
4 Menyeleksi rentang nilai chord terpanjang yang kurang dari rata-rata, dan
memastikan rentang tersebut berada pada titik 5 000 sampai 20 000.
5 Rentang terpanjang dianggap jeda.
6 Mendapatkan chord pertama dan chord kedua.
Setelah mendapatkan semua data dalam bentuk vektor yang diharapkan,
maka proses dilanjutkan dengan tahap MFCC.
Ekstraksi Ciri dengan MFCC
Proses MFCC menggunakan data vektor hasil segmentasi manual. Proses
MFCC pada penelitian ini menggunakan fungsi pada auditory toolbox Matlab.
Fungsi MFCC didapat dari Buono (2009). Proses MFCC memerlukan beberapa
parameter input yaitu sampling rate, time frame, overlap, dan cepstral coefficient.
Pada penelitian ini menggunakan nilai untuk sampling rate 11 000 Hz, time frame
100 ms, overlap 0.4 dan jumlah koefisien cepstral yaitu 13, 26, 39, dan 52.
Proses MFCC dilakukan untuk semua data dengan mengubah sinyal suara
menjadi sebuah matriks yang berukuran sesuai dengan koefisien cepstral yang
10
digunakan dikali dengan banyak frame yang terbentuk. Hasil matriks tersebut
menunjukan ciri spectral dari sinyal tersebut.
Pemodelan Probabilistic Neural Network
Pada model PNN digunakan data uji sebagai input data. Input data
diidentifikasi dengan pattern layer. Nilai fA(x) merupakan nilai hasil pattern layer,
nilai tersebut dibagi dengan nilai smoothing parameter. Nilai smoothing
parameter pada Persamaan 1 digunakan nilai 1.14 untuk α. Simpangan baku
didapat dari data setiap pattern ke j=1, 2 sampai n banyaknya data pattern.
Sehingga didapatkan smoothing parameter 1.14 × (simpangan baku) × n-1/5.
Gambar 5 menunjukan model PNN yang dibuat untuk identifikasi chord gitar.
Gambar 5 Pemodelan PNN identifikasi chord
Hasil Pengujian
Pada tahap pengujian, data akan diujikan untuk diidentifikasi sesuai dengan
chord yang dimainkan. Penelitian ini menggunakan beberapa parameter yang
diujicobakan yaitu:
1 Time frame sebesar 100 ms
2 Overlap 0.4
3 Jumlah koefisien cepstral 13, 26, 39, dan 52
4 Smoothing parameter yang didapat dari 1.14 × (simpangan baku) × n-1/5.
Percobaan dengan 13 koefisien cepstral
Tabel 3 Akurasi dengan 13 koefisien cepstral
Chord
Akurasi
A
8.33
Am
5.83
Ais
52.50
Aism
10.00
B
13.33
Bm
22.50
C
8.33
Cm
80.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
27.50
37.50
20.83
84.17
44.17
25.83
47.50
48.33
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
1.67
55.83
52.50
35.83
29.17
40.83
54.17
77.50
36.84
11
Hasil percobaan menggunakan 13 koefisien cepstral dapat dilihat pada
Tabel 3. Akurasi terkecil terdapat pada percobaan chord F yaitu hanya 1.67%
sedangkan akurasi terbesar terdapat pada percobaan chord Dm yaitu 84.17%.
Percobaan dengan 26 koefisien cepstral
Hasil percobaan menggunakan 26 koefisien cepstral dapat dilihat pada
Tabel 4. Akurasi terkecil terdapat pada percobaan chord F yaitu 44.17%
sedangkan akurasi terbesar terdapat pada percobaan chord Cm yaitu 97.5%.
Tabel 4 Akurasi dengan 26 koefisien cepstral
Chord
Akurasi
A
81.67
Am
65.00
Ais
92.50
Aism
90.83
B
73.33
Bm
87.50
C
52.50
Cm
97.50
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
60.00
54.17
64.17
95.00
85.00
55.83
77.50
80.83
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
44.17
69.17
92.50
91.67
45.00
93.33
90.00
94.17
76.39
Percobaan dengan 39 koefisien cepstral
Hasil percobaan menggunakan 39 koefisien cepstral dapat dilihat pada
Tabel 5. Akurasi terkecil terdapat pada percobaan chord Dism yaitu 65%
sedangkan akurasi terbesar terdapat pada percobaan chord Cm, Dis, Fis dan Fism
yaitu 100%.
Tabel 5 Akurasi dengan 39 koefisien cepstral
Chord
Akurasi
A
98.33
Am
93.33
Ais
98.33
Aism
98.33
B
90.00
Bm
91.67
C
97.50
Cm
100.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
91.67
72.50
85.83
97.50
100.00
65.00
97.50
96.67
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
95.00
90.83
100.00
100.00
78.33
100.00
100.00
98.33
93.19
Percobaan dengan 52 koefisen cepstral
Tabel 6 Akurasi dengan 52 koefisien cepstral
Chord
Akurasi
A
98.33
Am
96.67
Ais
98.33
Aism
100.00
B
96.67
Bm
93.33
C
99.17
Cm
100.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
94.17
80.83
92.50
93.33
100.00
89.17
99.17
100.00
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
98.33
98.33
99.17
100.00
93.33
100.00
98.33
98.33
96.56
12
Hasil percobaan menggunakan 52 koefisien cepstral dapat dilihat pada
Tabel 6. Akurasi terkecil terdapat pada percobaan chord Cism yaitu 80.83%
sedangkan akurasi terbesar terdapat pada percobaan chord Aism, Cm, Dis, Em,
Fism dan Gm yaitu 100%.
Analisis Percobaan
Berdasarkan hasil pengujian identifikasi chord gitar didapatkan hasil akurasi
yang berbeda untuk setiap koefisien cepstral yang digunakan.
100
90
93.19
96.56
Akurasi (%)
80
76.39
70
60
50
40
36.84
30
20
10
13
26
39
Koefisien cepstral
52
Gambar 6 Perbandingan akurasi dengan 13, 26, 39, dan 52 koefisien cepstral
Koefisien cepstral yang diujikan antara lain 13, 26, 39, dan 52. Pada Gambar 6
terlihat grafik perbandingan hasil akurasi menggunakan beberapa koefisien
cepstral. Pada penelitian ini menunjukan bahwa tingkat akurasi sangat bergantung
pada jumlah koefisien cepstral yang digunakan. Berdasarkan penelitian ini
semakin besar koefisien cepstral yang digunakan, semakin tinggi rataan akurasi
yang dihasilkan. Namun hal itu tidak berlaku untuk akurasi pada masing-masing
chord. Seperti pada chord Dm, chord Fis dan chord Gis yang mengalami sedikit
penurunan akurasi pada koefisien 52.
Hasil akurasi tertinggi terjadi pada percobaan yang menggunakan 52
koefisien cepstral yaitu 96.56%. Rataan akurasi yang didapat dari penelitian ini
sebesar 75.75%. Berdasarkan rataan akurasi tiap chord, akurasi tertinggi terdapat
pada chord Cm yaitu sebesar 94.38% sedangkan rataan akurasi terendah terdapat
pada chord Dism yaitu 58.96%.
Analisis Kesalahan
Pada penelitian ini, pengembangan model PNN untuk identifikasi chord gitar
menghasilkan akurasi terbaik menggunakan koefisien cepstral 52.
Berdasarkan Lampiran 2, pada confusion matrix koefisien cepstral 13
kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai
chord Cm sebanyak 55%.
13
Pada penggunaan koefisien cepstral 26, kesalahan identifikasi terbanyak
terdapat pada chord B yang diidentifikasi sebagai chord Bm sebanyak 24%.
Confusion matrix koefisien 26 dapat dilihat pada Lampiran 3.
Berdasarkan Lampiran 4, kesalahan identifikasi terbanyak untuk koefisien
cepstral 39 terdapat pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak
22%.
Pada penggunaan koefisien cepstral 52 terjadi kesalahan terbanyak pada chord
Cism yang diidentifikasi sebagai chord Cis sebanyak 19%. Confusion matrix dengan
koefisien cepstral 52 dapat dilihat pada Lampiran 5.
Berdasarkan pengamatan pada setiap pengujian yang dilakukan untuk setiap
koefisien cepstral, kesalahan identifikasi terbanyak terjadi pada chord B yang
diidentifikasi sebagai chord Bm dan chord Cism yang diidentifikasi sebagai chord
Cis.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil dalam mengidentifikasi chord gitar dengan
mengimplementasikan metode PNN dan teknik ekstraksi ciri MFCC. Hasil
akurasi tertinggi yang dihasilkan sebesar 90.49% dengan penggunaan time frame
100 ms, overlap 40% dan 52 koefisien cepstral. Penelitian ini mampu
mengidentifikasi campuran dua chord gitar menggunakan model PNN.
Identifikasi chord gitar dalam penelitian ini dilakukan dengan menggunakan
empat koefisien cepstral yang berbeda, yaitu 13, 26, 39, dan 52. Hasil akurasi
dengan menggunakan empat koefisien cepstral tersebut secara berurutan ialah
40.97%, 73.47%, 84.76%, dan 90.49%. Hal ini menunjukkan bahwa semakin
besar nilai koefisien cepstral semakin tinggi akurasi yang didapatkan.
Saran
Untuk penelitian selanjutnya dapat dilakukan dengan menggunakan nilai
smoothing parameter yang berbeda sehingga dapat dibandingkan pengaruh
smoothing parameter terhadap akurasi data.
14
DAFTAR PUSTAKA
Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri
pada sistem identifikasi pembicara di lingkungan ber-noisemenggunakan
HMM [disertasi]. Depok (ID): Universitas Indonesia.
Do MN. 1994. Digital Signal Processing Mini-Project: an Automatic Recognition
System. Laussane (CH): Federal Institute of Technology.
Fransiswa RR. 2010. Pengembangan model probabilistic neural network (PNN)
pada pengenalan kisaran usia dan jenis kelamin berbasis suara [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Ganchev T. 2005. Speaker recognition [disertasi]. Patras (GR): University of
Patras.
Jurafsky D, Martin JH. 2000. Speech And Language Processing an Introduction
to Natural Language Processing, Computational Linguistic, and Speech
Recognition. New Jersey (US): Prentice Hall.
MastersT. 1995. Advanced Algorithms for Neural Networks: A C++ Sourcebook.
New York (US): John Wiley.
Wisnudisastra E, Buono A. 2010. Pengenalan chord pada alat musik gitar
menggunakan codebook dengan teknik ekstraksi ciri MFCC. Jurnal Ilmiah
Ilmu Komputer. 14(1):16-21.
15
Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
16
Lampiran 1 Lanjutan
Chord
A
A
Am
Ais Aism
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
3
8
0
0
5
1
32
0
3
3
22
0
0
7
7
0
0
10
0
6
1
2
0
Am
4
7
15
2
0
0
1
17
3
2
0
11
0
0
19
3
0
0
12
0
3
10
11
0
5.83
Ais
0
0
63
2
0
2
1
14
4
5
0
27
0
0
0
0
0
0
0
0
1
0
1
0
52.50
Aism
0
10
6
12
0
1
2
30
0
5
0
12
0
2
4
2
0
0
8
0
0
0
26
0
10.00
B
0
0
12
0
16
6
0
66
1
0
0
3
0
0
0
7
0
2
4
0
0
2
0
1
13.33
Bm
2
0
9
0
3
27
1
43
0
0
0
25
0
0
0
3
0
3
1
3
0
0
0
0
22.50
C
1
4
8
0
0
0
10
18
8
16
2
27
0
0
1
11
0
5
1
2
3
3
0
0
8.33
Cm
1
0
0
0
0
7
0
96
0
3
1
5
0
0
1
1
0
0
5
0
0
0
0
0
80.00
Cis
0
0
1
0
0
6
0
34
33
9
1
20
0
0
0
2
0
6
7
1
0
0
0
0
27.50
Cism
3
0
0
0
0
0
0
30
17
45
0
16
0
0
0
9
0
0
0
0
0
0
0
0
37.50
D
1
0
10
0
0
3
0
6
0
0
25
59
0
0
0
4
0
3
8
1
0
0
0
0
20.83
Dm
0
0
1
0
0
0
0
5
0
2
0
101
0
0
0
10
0
0
1
0
0
0
0
0
84.17
Dis
0
0
1
0
0
0
1
3
0
0
0
3
53
0
3
2
0
14
20
10
0
7
3
0
44.17
Dism
0
0
1
0
0
2
0
5
2
2
0
17
7
31
0
12
0
8
24
0
0
0
9
0
25.83
E
2
4
1
0
0
0
0
9
0
0
1
6
0
0
57
11
2
3
3
0
6
8
6
1
47.50
Em
0
0
0
0
0
0
0
1
7
4
2
19
0
0
0
58
0
6
8
0
15
0
0
0
48.33
F
1
0
0
0
0
0
1
5
1
6
1
54
0
1
2
21
2
8
12
1
0
4
0
0
1.67
Fm
0
0
0
0
0
2
0
10
6
2
1
11
0
0
0
6
0
67
8
7
0
0
0
0
55.83
Fis
0
0
0
0
1
0
0
15
0
3
0
19
2
0
0
8
0
3
63
3
1
0
2
0
52.50
Fism
0
0
0
0
0
3
0
1
2
0
4
8
0
0
0
13
0
14
31
43
1
0
0
0
35.83
G
0
0
0
0
0
0
0
7
0
0
0
16
1
0
14
19
0
0
5
0
35
22
1
0
29.17
Gm
0
0
0
0
0
0
0
9
0
0
0
2
12
0
22
2
0
2
3
0
13
49
6
0
40.83
Gis
0
0
7
0
0
1
0
15
0
0
0
4
0
0
12
0
0
0
6
1
7
2
65
0
54.17
Gism
0
1
0
0
0
0
0
3
0
0
0
1
0
0
11
0
0
0
0
0
0
9
2
93
77.50
Rataan
8.33
36.84
17
10
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada koefisien 13
A
Am
Ais Aism
98
4
14
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
7
0
7
1
0
81.67
78
0
0
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
2
1
19
0
0
65.00
0
111
5
0
0
0
0
0
0
0
2
0
0
0
0
0
0
2
0
0
0
0
0
92.50
0
0
0
109
0
0
0
0
0
0
0
0
0
0
0
0
0
0
11
0
0
0
0
0
90.83
0
0
2
0
88
29
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
73.33
0
0
0
0
2
105
0
1
0
0
0
0
0
0
1
3
2
0
6
0
0
0
0
0
87.50
13
2
0
0
0
0
63
1
1
0
3
13
0
0
1
0
7
0
1
11
0
2
2
0
52.50
0
0
0
0
0
3
0
117
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
97.50
0
0
0
0
0
0
0
10
72
3
0
12
0
0
3
5
2
3
6
4
0
0
0
0
60.00
3
0
0
0
0
0
8
6
14
65
0
13
0
0
6
0
0
0
3
2
0
0
0
0
54.17
0
0
0
0
0
0
0
1
0
0
77
28
0
1
0
0
0
1
2
10
0
0
0
0
64.17
0
0
0
0
0
0
0
2
0
0
2
114
0
0
0
0
0
0
0
2
0
0
0
0
95.00
0
0
0
0
0
0
0
0
0
0
5
0
102
0
0
0
0
1
3
9
0
0
0
0
85.00
0
0
0
0
0
0
0
0
0
0
0
2
2
67
8
0
0
4
25
9
0
3
0
0
55.83
1
0
0
0
0
0
1
0
0
0
0
7
0
0
93
4
2
1
5
3
0
3
0
0
77.50
1
0
0
0
0
0
6
0
0
0
0
0
0
0
1
97
2
0
6
5
2
0
0
0
80.83
0
0
0
0
0
0
3
2
0
0
15
22
0
0
0
5
53
3
4
7
0
5
1
0
44.17
0
0
0
0
0
0
0
2
0
0
2
1
0
0
0
0
8
83
2
22
0
0
0
0
69.17
0
0
2
0
0
0
0
1
0
0
0
2
0
0
0
0
0
0
111
0
1
3
0
0
92.50
0
0
0
0
0
0
0
0
0
0
5
0
0
0
0
0
0
0
4
110
0
1
0
0
91.67
4
1
0
0
0
0
0
0
0
0
0
0
0
0
3
28
0
0
6
9
54
13
2
0
45.00
0
6
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
112
0
0
93.33
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
5
1
5
108
0
90.00
0
2
0
0
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
2
113
94.17
76.39
18
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
koefisienLampiran 3 Confusion matrix kesalahan identifikasi chord pada koef26
Lampiran 3 Confusion matrix kesalahan identifikasi chord pada koefisien 26
A
Am
Ais Aism
118
2
5
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
112
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
93.33
0
118
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
98.33
0
0
0
0
108
12
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
90.00
0
0
0
0
4
110
0
0
0
0
0
0
0
0
2
0
0
0
2
0
2
0
0
0
91.67
0
0
0
0
0
0
117
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
0
0
97.50
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
110
4
0
0
0
0
1
0
1
0
4
0
0
0
0
0
91.67
0
0
0
0
0
0
0
0
27
87
0
3
0
0
0
0
0
0
3
0
0
0
0
0
72.50
0
0
0
0
0
0
0
0
0
0
103
17
0
0
0
0
0
0
0
0
0
0
0
0
85.83
0
0
0
0
0
0
0
0
0
0
3
117
0
0
0
0
0
0
0
0
0
0
0
0
97.50
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
19
78
0
0
0
0
23
0
0
0
0
0
65.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
117
1
0
0
0
0
2
0
0
0
97.50
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
116
0
2
0
0
0
0
0
0
96.67
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
114
0
0
0
2
0
0
0
95.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
11
109
0
0
0
0
0
0
90.83
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
100.00
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
10
0
0
1
0
94
12
2
0
78.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
100.00
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
118
98.33
93.19
19
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
A
Am
Ais Aism
118
2
3
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
116
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
96.67
0
118
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
116
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
96.67
0
0
0
0
4
112
0
0
0
0
0
0
0
0
2
0
0
0
0
0
2
0
0
0
93.33
0
0
0
0
0
0
119
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
99.17
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
113
3
0
0
0
0
1
0
0
0
3
0
0
0
0
0
94.17
0
0
0
0
0
0
0
0
23
97
0
0
0
0
0
0
0
0
0
0
0
0
0
0
80.83
0
0
0
0
0
0
0
0
0
0
111
9
0
0
0
0
0
0
0
0
0
0
0
0
92.50
0
0
0
0
0
0
0
0
0
0
8
112
0
0
0
0
0
0
0
0
0
0
0
0
93.33
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
11
107
0
0
0
0
2
0
0
0
0
0
89.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
1
0
0
0
0
0
0
0
0
99.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
100.00
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
118
0
0
0
0
0
0
0
98.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
118
0
0
0
0
0
0
98.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
0
0
0
1
0
99.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
1
0
0
0
112
5
0
0
93.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
118
0
98.33
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
118
98.33
96.56
20
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
21
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta tanggal 3 Agustus 1990 dari Ibu Tuti Suryati
dan Bapak Arief Suyanto. Penulis merupakan anak keempat dari empat
bersaudara. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA)
Islam Al-Azhar Kelapa Gading, dan pada tahun yang sama diterima di Diploma
Institut Pertanian Bogor Program Keahlian Manajemen Informatika. Pada tahun
2010 penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan
pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, IPB.
NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Probabilistic Neural Network untuk Identifikasi Chord Gitar adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Desember 2013
Arviani Rizki
NIM G64104027
ABSTRAK
ARVIANI RIZKI. Pengembangan Model Probabilistic Neural Network untuk
Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO.
Pengenalan kunci gitar membutuhkan teknik ekstraksi ciri dan model
pengenalan pola. Penelitian ini membangun sistem pengenalan suara gitar
menggunakan teknik MFCC sebagai pengekstraksi ciri dan PNN sebagai
pengenal pola. Tujuan penelitian ini adalah menemukan parameter-parameter
yang menghasilkan akurasi terbaik. Parameter-parameter tersebut terkait dengan
MFCC, yaitu jumlah koefisien cepstral, overlap, dan time frame. Sistem bekerja
dengan membaca file suara berformat WAV, kemudian file diproses dengan
teknik MFCC dan PNN untuk menghasikan keluaran kunci suara gitar berupa
teks. Penelitian ini menggunakan 8 280 data suara gitar dari 24 chord yang
berbeda. Hasil penelitian menunjukan bahwa koefisien cepstral 52, overlap 0.4,
dan time frame 100 ms menghasilkan akurasi maksimum yaitu 96.56%.
Kata kunci: identifikasi kunci gitar, mel frequency cepstral coefficients (MFCC),
pengenalan suara, probabilistic neural network
ABSTRACT
ARVIANI RIZKI. Development of Probabilistic Neural Network Model to Identify
Guitar Chord. Supervised by AGUS BUONO.
Guitar chord recognition requires feature extraction techniques and pattern
recognition model. This research developed a guitar chord recognition system by
utilizing MFCC as the feature extraction and PNN technique as the pattern
recognition. The aim of this research was to find the parameters that can produce
the highest accuracy. Those parameters were related to MFCC, namely cepstral
coefficients, overlap, and time frame. The system worked by reading a WAV file
and then processing the guitar chord text. This research utilized 8 280 guitar
sound data from 24 different guitar chords. The result showed that 52 cepstral
coefficients, 0.4 overlap, and 100 ms time frame can produce the highest accuracy
of 96.56%.
Keywords: guitar's chord identification, mel frequency cepstral coefficients
(MFCC), probabilistic neural network, speaker recognition
PENGEMBANGAN MODEL PROBABILISTIC NEURAL
NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Mushthofa, SKom MSc
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Probabilistic Neural Networkuntuk
IdentifIkasi Chord Gitar
: Arviani Rizki
Nama
: G64104027
NIM
Disetujui oleh
ono MSiMKom
Pembimbing
Diketahui oleh
".
:,
ｾ＠ Ｇ＠ Ｎ Ｂ Ｎ＠
' c '
Tanggal Lulus :
'f
:r
o9 DE C 2013
Judul Skripsi : Pengembangan Model Probabilistic Neural Network untuk
Identifikasi Chord Gitar
Nama
: Arviani Rizki
NIM
: G64104027
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah
ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model
Probabilistic Neural Network untuk Identifikasi Chord Gitar.
Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan
dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima
kasih kepada:
1 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah
memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung.
2 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi
MKom selaku penguji untuk penelitian ini.
3 Orang tua tercinta Bapak Arief Suyanto, Ibu Tuti Suryati serta kakak-kakak
tersayang atas segala doa dan dukungan yang tiada hentinya.
4 Teman-teman ilmu komputer Toni Haryono, Armen Marta, Yosi Nurhayati dan
Ahmad Somadi terima kasih atas kerjasamanya.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Desember 2013
Arviani Rizki
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Pengambilan Data Suara Gitar
4
Normalisasi
4
Segmentasi
5
Data Latih dan Data Uji
5
Ekstraksi Ciri dengan MFCC
5
Pembuatan Modul PNN
7
Pengujian
9
HASIL DAN PEMBAHASAN
9
Pengumpulan Data
9
Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Hasil Pengujian
10
Percobaan dengan 13 koefisien cepstral
10
Percobaan dengan 26 koefisien cepstral
11
Percobaan dengan 39 koefisien cepstral
11
Percobaan dengan 52 koefisen cepstral
11
Analisis Percobaan
12
Analisis Kesalahan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
22
DAFTAR TABEL
1
2
3
4
5
6
Chord mayor dan chord minor
Komposisi data
Akurasi dengan 13 koefisien cepstral
Akurasi dengan 26 koefisien cepstral
Akurasi dengan 39 koefisien cepstral
Akurasi dengan 52 koefisien cepstral
4
5
10
11
11
11
DAFTAR GAMBAR
1 Alur proses transformasi sinyal suara analog menjadi informasi (Buono
2009)
2 Diagram alur penelitian
3 Diagram alur teknik MFCC untuk mengekstrak sinyal
4 Struktur PNN (Ganchev 2005)
5 Pemodelan PNN identifikasi chord
6 Perbandingan hasil akurasi dengan 13, 26, 39, dan 52 koefisien cepstral
2
3
6
8
10
12
DAFTAR LAMPIRAN
1
2
3
4
5
Bentuk chord yang digunakan pada pelatihan dan pengujian
Confusion matrix kesalahan identifikasi chord pada koefisien 13
Confusion matrix kesalahan identifikasi chord pada koefisien 26
Confusion matrix kesalahan identifikasi chord pada koefisien 39
Confusion matrix kesalahan identifikasi chord pada koefisien 52
15
17
18
19
20
1
PENDAHULUAN
Latar Belakang
Gitar merupakan alat musik yang paling umum dimainkan oleh berbagai
kalangan usia. Hampir semua jenis musik menggunakan gitar sebagai instrumen.
Untuk menghasilkan suara gitar yang harmonis dibutuhkan penguasaan kunci atau
chord gitar. Chord merupakan satuan nada-nada yang dibunyikan secara serentak
yang berfungsi sebagai pengiring dalam lagu maupun permainan musik
(Wisnudisastra dan Buono 2010). Pendengaran manusia memiliki kemampuan
dan kepekaan yang beragam dalam mengenali chord gitar. Seorang yang terbiasa
dengan suara gitar dapat dengan mudah mengenali dan membedakan chord gitar,
namun bagi orang awam hal tersebut sulit untuk dilakukan.
Penggunaan teknologi dan komputer dapat dilakukan untuk memecahkan
masalah tersebut, yaitu pembuatan sistem yang dapat mengidentifikasi chord
gitar. Kinerja komputer yang objektif dan konsisten dalam menjalankan setiap
perintah dapat memudahkan pengguna untuk mengetahui dan membedakan suara
chord gitar dengan akurat. Pengenalan suara (speech recognition) adalah
teknologi yang dapat mengubah sinyal suara menjadi sebuah informasi berupa
teks. Suara chord gitar dapat diidentifikasi dengan mengekstrasi ciri dari setiap
chord menggunakan teknik mel-frequency cepstrum coefficient (MFCC) untuk
kemudian dilakukan pengenalan pola menggunakan probabilistic neural network
(PNN). PNN sebagai salah satu arsitektur jaringan saraf tiruan (JST) telah terbukti
menghasilkan akurasi tinggi di beberapa penelitian sebelumnya. Penelitian yang
telah dilakukan oleh Fransiswa (2010) tentang pengembangan PNN pada
pengenalan kisaran usia dan jenis kelamin berbasis suara memiliki rataan akurasi
91.26%.
Penelitian identifikasi suara gitar sebelumnya dilakukan oleh Wisnudisastra
(2010) menggunakan teknik MFCC dan codebook sebagai pengenalan pola.
Penelitian tersebut menghasilkan rataan akurasi sebesar 91% menggunakan 13
koefisien cepstral dan 96% menggunakan 26 koefisien cepstral. Penelitian
tersebut memiliki keterbatasan untuk mengenali satu jenis chord gitar sehingga
belum dapat mengidentifikasi chord gitar yang kontinu.
Pada penelitian ini, identifikasi chord gitar dilakukan untuk chord gitar yang
kontinu menggunakan teknik MFCC untuk ekstraksi ciri dan model PNN untuk
pengenalan pola.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode PNN untuk
identifikasi chord gitar.
2 Mengidentifikasi suara gitar yang terdiri dari campuran chord gitar.
3 Mengetahui akurasi dari identifikasi chord gitar dengan menggunakan model
PNN.
2
Manfaat Penelitian
Dengan adanya penelitian ini diharapkan dapat memberikan informasi
tingkat akurasi pengembangan model PNN untuk identifikasi chord gitar yang
kontinu.
Ruang Lingkup Penelitian
1
2
3
4
5
Ruang lingkup dari penelitian ini antara lain:
Gitar yang digunakan adalah jenis gitar akustik dengan senar string.
Suara gitar berupa hasil rekaman dari campuran chord mayor dan chord minor.
Suara gitar berupa dua campuran chord.
Gitar dimainkan dengan cara dipukul serentak dari atas ke bawah dalam satu
posisi untuk setiap chord.
Gitar yang digunakan adalah standar tunning.
METODE PENELITIAN
Penelitian ini menggunakan suara gitar yang akan diproses oleh sistem
menjadi suatu informasi berupa chord dari suara gitar tersebut. Untuk dapat
mengubah sebuah suara menjadi suatu informasi dibutuhkan beberapa proses, alur
proses tersebut dapat dilihat pada Gambar 1.
Gelombang suara yang ditangkap berupa sinyal analog, maka sinyal
tersebut perlu diubah dahulu menjadi sinyal digital agar dapat diolah oleh
komputer, proses ini disebut digitalisasi.
Gambar 1 Alur proses transformasi sinyal suara analog menjadi informasi
(Buono 2009)
3
Proses digitalisasi suara terdiri dari dua tahap yaitu sampling dan kuantisasi
(Jurafsky dan Martin 2000). Sampling adalah proses pengambilan nilai (sampling
rate) dalam jangka waktu tertentu. Sampling rate adalah banyaknya nilai yang
diambil setiap detik. Sampling rate yang biasa digunakan pada pengenalan suara
ialah 8 000 Hz sampai dengan 16 000 Hz (Jurafsky dan Martin 2000). Hubungan
antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya
data suara yang didigitalisasikan dapat dinyatakan secara sederhana sebagai
berikut:
S = Fs × T
Keterangan :
S = panjang vektor
Fs = sampling rate yang digunakan (Hertz)
T = panjang suara (detik)
Setelah melalui proses sampling proses selanjutnya adalah kuantisasi.
Kuantisasi merupakan proses mengkonversi nilai amplitudo yang bersifat kontinu
pada suatu waktu tertentu menjadi sinyal digital dengan mengekspresikannya
menggunakan sejumlah digit tertentu (Buono 2009).
Setelah mengubah sinyal analog menjadi sinyal digital, dilakukan
pembacaan sinyal dari frame ke frame dengan lebar tertentu yang saling tumpang
tindih untuk menghindari kehilangan informasi. Ekstraksi ciri dilakukan pada
setiap frame untuk mendapatkan vektor ciri. Setiap vektor ciri tersebut dilakukan
pengenalan pola untuk memperoleh informasi yang diinginkan.
Pembuatan sistem dibagi menjadi beberapa tahap sesuai dengan diagram
alur penelitian yang ditunjukkan pada Gambar 2.
Mulai
Perumusan
Masalah
Teori-teori yang
terkait
Pengambilan Data
Suara Gitar
Normalisasi
Segmentasi
Manual
Data
Latih
Data Uji
MFCC
MFCC
Pembuatan Modul
PNN
Parameter Modul
Pengujian
Analisis &
Pembahasan
Dokumentasi &
Pelaporan
Selesai
Gambar 2 Diagram alur penelitian
4
Pengambilan Data Suara Gitar
Penelitian ini menggunakan data hasil perekaman suara gitar yang telah
dikonversi ke bentuk digital berformat WAV. Suara gitar merupakan hasil
campuran permainan dua buah chord dari 24 chord yang ada. Chord gitar yang
dimainkan terdiri dari dua jenis, yaitu chord mayor dan chord minor yang masingmasing berjumlah 12. Chord mayor dan minor seperti pada Tabel 1. Bentuk 24
chord mayor dan minor yang digunakan pada penelitian ini dapat dilihat pada
Lampiran 1.
Perekaman suara gitar dilakukan menggunakan microphone yang dipasang
pada gitar dan dilakukan ditempat yang hening untuk meminimalkan adanya
noise. Perekaman dilakukan sebanyak 15 kali untuk setiap dua campuran chord.
Data suara berjumlah 8 640 data yang berasal dari perkalian 24 chord pertama, 24
chord kedua dan 15 kali perekaman.
Suara gitar direkam menggunakan ukuran waktu tiga detik dengan sampling
rate sebesar 11 000 Hz dan bit rate sebesar 16 bit. Data suara gitar berupa
campuran chord C ke chord C#, chord C ke chord Cm dan seterusnya masingmasing sebanyak 15 kali. Untuk setiap campuran digunakan sepuluh kali
perekaman untuk data latih dan lima kali perekaman untuk data uji. Sehingga
terdapat 5 760 data latih dan 2 880 data uji.
Tabel 1 Chord mayor dan chord minor
Chord dasar
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Mayor
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Minor
Cm
C#m
Dm
D#m
Em
Fm
F#m
Gm
G#m
Am
A#m
Bm
Normalisasi
Normalisasi merupakan langkah praproses data. Setiap data suara memiliki
nilai rentang amplitudo yang berbeda sehingga data suara perlu dinormalisasi
terlebih dahulu dengan cara mengabsolutkan nilai-nilai data suara dan mencari
nilai maksimumnya. Selanjutnya, setiap nilai data tersebut dibagi dengan nilai
maksimumnya. Hal ini dilakukan untuk menormalkan suara sehingga memiliki
amplitudo maksimum satu dan minimum minus satu.
5
Segmentasi
Tahap segmentasi merupakan tahap pemotongan jeda pada setiap sinyal
suara. Pendeteksian jeda dilakukan pada sinyal untuk memisahkan dua campuran
chord menjadi dua sinyal yang berbeda.
Pada pengambilan data suara, terdapat jeda pada perpindahan chord pertama
dan chord kedua. Dengan demikian sinyal suara akan dipisah secara manual
dengan menghapus bagian yang dianggap jeda, sehingga akan mendapatkan dua
sinyal yaitu chord pertama dan chord kedua. Pemisahan dilakukan dengan
mencari rentang terbesar dari setiap frame yang nilainya kurang dari rataan frame.
Data Latih dan Data Uji
Data latih merupakan data yang digunakan untuk pembelajaran sistem. Data
latih diambil sebanyak 10 kali dari masing-masing dua campuran chord mayor
dan chord minor. Setelah melalui tahap segmentasi, didapatkan 5 760 data latih
dari hasil perkalian 24 chord pertama, 24 chord kedua dan 10 kali perekaman.
Data latih kemudian diproses dengan teknik MFCC untuk mengekstraksi ciri dari
setiap data latih.
Data uji merupakan data yang digunakan untuk uji coba akurasi sistem.
Terdapat 2 880 data uji yang berasal dari hasil perkalian 24 chord pertama, 24
chord kedua dan 5 kali perekaman. Komposisi data chord yang dipakai dalam
penelitian dapat dilihat pada pada Tabel 2.
Tabel 2 Komposisi data
Komposisi
Jumlah chord
Jumlah campuran
Data latih
Data uji
Total data
(24 x 24)
(576 x 10)
(576 x 5)
(5760 + 2280)
Jumlah
24
576
5760
2280
8640
Ekstraksi Ciri dengan MFCC
Ekstraksi ciri merupakan proses untuk menentukan suatu nilai atau vektor
yang dapat digunakan sebagai penciri objek atau individu (Buono 2009). Salah
satu teknik ekstraksi ciri pemrosesan suara yang sering digunakan dan
menunjukan kinerja yang baik adalah MFCC.
Pada Gambar 3 sinyal suara dibaca dari frame ke frame dengan lebar
tertentu yang saling tumpang tindih (overlap), kemudian dilakukan windowing
pada setiap frame. Tahap berikutnya, dilakukan transformasi Fourier untuk
mengubah suara dari domain waktu ke domain frekuensi. Nilai hasil transformasi
Fourier ini dihitung spectrum mel menggunakan sejumlah filter. Filter yang
digunakan berupa filter segitiga yang saling overlapping. Rentang filter segitiga
tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam
6
mendengarkan bunyi (Ganchev 2005). Skala mel dibentuk untuk mengikuti
persepsi sistem pendengaran manusia.
Sinyal suara
frame ke t
O +
O =OO=1O,O2+, …,
O…,O
t , …T, OT
t, …,O
Windowing:
yt (n)=xt (n)w(n), 0 ≤ n ≤ N-1
w(n) = 0.54 – 0.46 cos (2πn/(N-1))
= hasil
� pada frame ke dalam domain waktu
�
N= jumlah sampel pada setiap frame, n = frame ke-…
W= formula hamming window, �
= nilai data ke n
Fast Fourier Transform (FFT):
N-1
Xn = ∑ xk e-2πjki/N
k=0
Xk =nilai-nilai sampel yang akan diproses pada domain frekuensi
Xn =magnitude frekuensi
N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t
Mel Frequency Wrapping: mel(f) = 2595 * log10 (1 + f / 700)
dari sini diperoleh M filter, dan dihitung spektrum Mel:
N-1
Xi =log10
� (k) = nilai filter segitiga ke i
X k =nilai data ke k hasil proses FFT
M
= jumlah filter
N= banyaknya data
∑|X k |Hi (k) , i=1,2,3,…,M
k=0
Cepstrum Coefficients :Discrete Cosine Transform
�
� = ∑�
=
�
−
/
Cj =nilai koefisien C ke j
j= jumlah koefisien cepstral
M = jumlah filter
Xi =hasil Mel Frequency Wrapping pada frekuensi ke i,
i= jumlah wrapping
�
�
Gambar 3 Diagram alur teknik MFCC untuk mengekstrak sinyal
Koefisien MFCC merupakan hasil transformasi cosinus dari spektrum mel
tersebut dan dipilih k koefisien. Transformasi cosinus berfungsi untuk
mengembalikan domain, dari domain frekuensi ke domain waktu.
Tahap-tahap proses MFCC adalah sebagai berikut (Do 1994) :
1 Frame blocking. Pada tahap frame blocking sinyal suara dibagi ke dalam nbuah frame yang terdiri dari n-sampel. Tahap ini melakukan overlapping pada
7
2
3
4
5
frame yang satu dengan frame tetangganya untuk menghindari kehilangan
informasi.
Windowing. Untuk meminimalkan diskontinuitas sinyal pada setiap awal dan
akhir frame dilakukan proses windowing. Proses ini dilakukan dengan
mengalikan antara frame dengan jenis window yang digunakan.
Fast Fourier Transform (FFT). Tahap FFT mengubah tiap frame dari domain
waktu ke domain frekuensi.
Mel-frequency wrapping. Proses ini menggunakan filter yang saling
overlapping untuk domain frekuensi. Rentang filter tersebut ditentukan
berdasarkan hasil studi psikologi manusia dalam mendengarkan bunyi
(Ganchev 2005). Oleh karena itu, untuk setiap nada dengan frekuensi aktual f,
tinggi subyektifnya diukur dengan skala mel (melody). Skala mel-frequency
adalah selang frekuensi di bawah 1 000 Hz dan selang logaritmik untuk
frekuensi di atas 1 000 Hz (Do 1994)
Cepstrum coefficients. Hasil dari proses MFCC adalah mel spectrum
coefficients dengan jumlah koefisien yang ditentukan terlebih dahulu.
Kemudian algoritma discrete cosine transform (DCT) digunakan untuk
mengkonversi mel-frequency ke dalam domain waktu.
Pembuatan Modul PNN
Probabilistic neural network (PNN) adalah suatu metode klasifikasi
jaringan saraf tiruan (JST) dengan menggunakan data pelatihan. Model PNN
merupakan salah satu jenis jaringan saraf tiruan yang memiliki tingkat akurasi
yang cukup tinggi dalam pengklasifikasian yaitu hampir mendekati 100%
(Fransiswa 2010). Dengan menggunakan pengklasifikasi Bayesian dapat
ditentukan bagaimana sebuah data masukan diklasifikasi sebagai anggota suatu
kelas dari beberapa kelas yang ada, yaitu yang mempunyai nilai maksimum pada
kelas tersebut. PNN memiliki struktur yang terdiri atas empat layer seperti pada
Gambar 4.
1 Input layer merupakan layer untuk input data yang akan diuji.
2 Pattern layer berfungsi menghitung jarak antara nilai input data suara dengan
nilai pola dari tiap anggota kelas yang dirumuskan pada Persamaan 1.
fA x =
1
(2π)
1
p⁄2 p
h m
∑m
i=
exp[−
x−xAi T x-xAi
h2
]
Keterangan:
p = dimensi vektor input
m = jumlah pola pelatihan
xAi = vektor latih kelas-A urutan ke-i
x = vektor input
h = smoothing parameter (α × simpangan baku ke-i×n1/5)
(1)
8
Gambar 4 Struktur PNN (Ganchev 2005)
Nilai fA(x) merupakan nilai hasil pattern layer ke-i sampai n banyaknya pattern
di setiap kelas. Setelah mendapatkan selisih jarak antara data input dengan data
pada pattern layer, selisih tersebut dibagi dengan nilai smoothing parameter.
Pemilihan nilai smoothing parameter (h) harus diperhatikan, karena nilai ini
memegang peranan yang penting terhadap ketepatan hasil pengklasifikasian
yang dilakukan. Smoothing parameter yang terlalu kecil akan mengakibatkan
pendekatan yang terlalu sempit, sedangkan jika terlalu besar dapat
menghilangkan detil yang penting (Masters 1995).
3 Summation layer. Layer ini menghasilkan peluang untuk satu kelas. Peluang
tersebut didapat dari penjumlahan pattern layer pada kelas tersebut dan
hasilnya dibagi dengan (2π)d/2 hih2...hdn. Nilai hih2...hd adalah nilai smoothing
dari kelas tersebut.
n
1
∑(fA (x))
P x =
d
2π 2 h1 h2 …hd n i=1
4 Decision layer digunakan untuk membandingkan hasil peluang pada setiap
kelas. Hasil peluang P(x) pada setiap kelas akan dibandingkan pada layer ini.
Selanjutnya, input data dimasukkan dalam kelas yang memiliki nilai peluang
terbesar.
9
Pengujian
Proses pengujian dilakukan dengan membandingkan data uji dengan chord
yang teridentifikasi dari 24 chord yang ada. Data uji akan diklasifikasikan ke
kelas yang sesuai dengan cara menghitung peluang terbesar yang mendekati kelas
chord tertentu. Hasil yang didapat akan dihitung akurasinya dengan rumus berikut
ini:
Σ Data uji yang benar
Hasil =
x 100%
Σ Data Uji
HASIL DAN PEMBAHASAN
Pengumpulan Data
Pengumpulan data suara direkam langsung menggunakan gitar melalui
software MATLAB R2008b. Suara campuran 2 chord gitar direkam selama tiga
detik dan disimpan ke dalam file berekstensi WAV. Setiap campuran chord
dilakukan masing-masing 15 kali perekaman sehingga menghasilkan 8 640 data.
Data suara tersebut tersusun dari sinyal-sinyal yang mengandung nilai. Nilai
tersebut akan menghasilkan sebuah vektor yang kemudian dilakukan proses
normalisasi agar data suara lebih terstandar pada rentang minus satu sampai satu.
Segmentasi
Data hasil normalisasi disegmentasi secara manual untuk memisahkan dua
campuran chord menjadi dua sinyal berbeda. Pemotongan jeda dilakukan dengan
beberapa tahap, yaitu:
1 Mengabsolutkan nilai-nilai.
2 Membuat batas pada titik 1 500 sampai 30 000
3 Menghitung rata-rata pada rentang titik tersebut.
4 Menyeleksi rentang nilai chord terpanjang yang kurang dari rata-rata, dan
memastikan rentang tersebut berada pada titik 5 000 sampai 20 000.
5 Rentang terpanjang dianggap jeda.
6 Mendapatkan chord pertama dan chord kedua.
Setelah mendapatkan semua data dalam bentuk vektor yang diharapkan,
maka proses dilanjutkan dengan tahap MFCC.
Ekstraksi Ciri dengan MFCC
Proses MFCC menggunakan data vektor hasil segmentasi manual. Proses
MFCC pada penelitian ini menggunakan fungsi pada auditory toolbox Matlab.
Fungsi MFCC didapat dari Buono (2009). Proses MFCC memerlukan beberapa
parameter input yaitu sampling rate, time frame, overlap, dan cepstral coefficient.
Pada penelitian ini menggunakan nilai untuk sampling rate 11 000 Hz, time frame
100 ms, overlap 0.4 dan jumlah koefisien cepstral yaitu 13, 26, 39, dan 52.
Proses MFCC dilakukan untuk semua data dengan mengubah sinyal suara
menjadi sebuah matriks yang berukuran sesuai dengan koefisien cepstral yang
10
digunakan dikali dengan banyak frame yang terbentuk. Hasil matriks tersebut
menunjukan ciri spectral dari sinyal tersebut.
Pemodelan Probabilistic Neural Network
Pada model PNN digunakan data uji sebagai input data. Input data
diidentifikasi dengan pattern layer. Nilai fA(x) merupakan nilai hasil pattern layer,
nilai tersebut dibagi dengan nilai smoothing parameter. Nilai smoothing
parameter pada Persamaan 1 digunakan nilai 1.14 untuk α. Simpangan baku
didapat dari data setiap pattern ke j=1, 2 sampai n banyaknya data pattern.
Sehingga didapatkan smoothing parameter 1.14 × (simpangan baku) × n-1/5.
Gambar 5 menunjukan model PNN yang dibuat untuk identifikasi chord gitar.
Gambar 5 Pemodelan PNN identifikasi chord
Hasil Pengujian
Pada tahap pengujian, data akan diujikan untuk diidentifikasi sesuai dengan
chord yang dimainkan. Penelitian ini menggunakan beberapa parameter yang
diujicobakan yaitu:
1 Time frame sebesar 100 ms
2 Overlap 0.4
3 Jumlah koefisien cepstral 13, 26, 39, dan 52
4 Smoothing parameter yang didapat dari 1.14 × (simpangan baku) × n-1/5.
Percobaan dengan 13 koefisien cepstral
Tabel 3 Akurasi dengan 13 koefisien cepstral
Chord
Akurasi
A
8.33
Am
5.83
Ais
52.50
Aism
10.00
B
13.33
Bm
22.50
C
8.33
Cm
80.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
27.50
37.50
20.83
84.17
44.17
25.83
47.50
48.33
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
1.67
55.83
52.50
35.83
29.17
40.83
54.17
77.50
36.84
11
Hasil percobaan menggunakan 13 koefisien cepstral dapat dilihat pada
Tabel 3. Akurasi terkecil terdapat pada percobaan chord F yaitu hanya 1.67%
sedangkan akurasi terbesar terdapat pada percobaan chord Dm yaitu 84.17%.
Percobaan dengan 26 koefisien cepstral
Hasil percobaan menggunakan 26 koefisien cepstral dapat dilihat pada
Tabel 4. Akurasi terkecil terdapat pada percobaan chord F yaitu 44.17%
sedangkan akurasi terbesar terdapat pada percobaan chord Cm yaitu 97.5%.
Tabel 4 Akurasi dengan 26 koefisien cepstral
Chord
Akurasi
A
81.67
Am
65.00
Ais
92.50
Aism
90.83
B
73.33
Bm
87.50
C
52.50
Cm
97.50
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
60.00
54.17
64.17
95.00
85.00
55.83
77.50
80.83
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
44.17
69.17
92.50
91.67
45.00
93.33
90.00
94.17
76.39
Percobaan dengan 39 koefisien cepstral
Hasil percobaan menggunakan 39 koefisien cepstral dapat dilihat pada
Tabel 5. Akurasi terkecil terdapat pada percobaan chord Dism yaitu 65%
sedangkan akurasi terbesar terdapat pada percobaan chord Cm, Dis, Fis dan Fism
yaitu 100%.
Tabel 5 Akurasi dengan 39 koefisien cepstral
Chord
Akurasi
A
98.33
Am
93.33
Ais
98.33
Aism
98.33
B
90.00
Bm
91.67
C
97.50
Cm
100.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
91.67
72.50
85.83
97.50
100.00
65.00
97.50
96.67
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
95.00
90.83
100.00
100.00
78.33
100.00
100.00
98.33
93.19
Percobaan dengan 52 koefisen cepstral
Tabel 6 Akurasi dengan 52 koefisien cepstral
Chord
Akurasi
A
98.33
Am
96.67
Ais
98.33
Aism
100.00
B
96.67
Bm
93.33
C
99.17
Cm
100.00
Akurasi keseluruhan
Chord
Cis
Cism
D
Dm
Dis
Dism
E
Em
Akurasi
94.17
80.83
92.50
93.33
100.00
89.17
99.17
100.00
Chord
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Akurasi
98.33
98.33
99.17
100.00
93.33
100.00
98.33
98.33
96.56
12
Hasil percobaan menggunakan 52 koefisien cepstral dapat dilihat pada
Tabel 6. Akurasi terkecil terdapat pada percobaan chord Cism yaitu 80.83%
sedangkan akurasi terbesar terdapat pada percobaan chord Aism, Cm, Dis, Em,
Fism dan Gm yaitu 100%.
Analisis Percobaan
Berdasarkan hasil pengujian identifikasi chord gitar didapatkan hasil akurasi
yang berbeda untuk setiap koefisien cepstral yang digunakan.
100
90
93.19
96.56
Akurasi (%)
80
76.39
70
60
50
40
36.84
30
20
10
13
26
39
Koefisien cepstral
52
Gambar 6 Perbandingan akurasi dengan 13, 26, 39, dan 52 koefisien cepstral
Koefisien cepstral yang diujikan antara lain 13, 26, 39, dan 52. Pada Gambar 6
terlihat grafik perbandingan hasil akurasi menggunakan beberapa koefisien
cepstral. Pada penelitian ini menunjukan bahwa tingkat akurasi sangat bergantung
pada jumlah koefisien cepstral yang digunakan. Berdasarkan penelitian ini
semakin besar koefisien cepstral yang digunakan, semakin tinggi rataan akurasi
yang dihasilkan. Namun hal itu tidak berlaku untuk akurasi pada masing-masing
chord. Seperti pada chord Dm, chord Fis dan chord Gis yang mengalami sedikit
penurunan akurasi pada koefisien 52.
Hasil akurasi tertinggi terjadi pada percobaan yang menggunakan 52
koefisien cepstral yaitu 96.56%. Rataan akurasi yang didapat dari penelitian ini
sebesar 75.75%. Berdasarkan rataan akurasi tiap chord, akurasi tertinggi terdapat
pada chord Cm yaitu sebesar 94.38% sedangkan rataan akurasi terendah terdapat
pada chord Dism yaitu 58.96%.
Analisis Kesalahan
Pada penelitian ini, pengembangan model PNN untuk identifikasi chord gitar
menghasilkan akurasi terbaik menggunakan koefisien cepstral 52.
Berdasarkan Lampiran 2, pada confusion matrix koefisien cepstral 13
kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai
chord Cm sebanyak 55%.
13
Pada penggunaan koefisien cepstral 26, kesalahan identifikasi terbanyak
terdapat pada chord B yang diidentifikasi sebagai chord Bm sebanyak 24%.
Confusion matrix koefisien 26 dapat dilihat pada Lampiran 3.
Berdasarkan Lampiran 4, kesalahan identifikasi terbanyak untuk koefisien
cepstral 39 terdapat pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak
22%.
Pada penggunaan koefisien cepstral 52 terjadi kesalahan terbanyak pada chord
Cism yang diidentifikasi sebagai chord Cis sebanyak 19%. Confusion matrix dengan
koefisien cepstral 52 dapat dilihat pada Lampiran 5.
Berdasarkan pengamatan pada setiap pengujian yang dilakukan untuk setiap
koefisien cepstral, kesalahan identifikasi terbanyak terjadi pada chord B yang
diidentifikasi sebagai chord Bm dan chord Cism yang diidentifikasi sebagai chord
Cis.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil dalam mengidentifikasi chord gitar dengan
mengimplementasikan metode PNN dan teknik ekstraksi ciri MFCC. Hasil
akurasi tertinggi yang dihasilkan sebesar 90.49% dengan penggunaan time frame
100 ms, overlap 40% dan 52 koefisien cepstral. Penelitian ini mampu
mengidentifikasi campuran dua chord gitar menggunakan model PNN.
Identifikasi chord gitar dalam penelitian ini dilakukan dengan menggunakan
empat koefisien cepstral yang berbeda, yaitu 13, 26, 39, dan 52. Hasil akurasi
dengan menggunakan empat koefisien cepstral tersebut secara berurutan ialah
40.97%, 73.47%, 84.76%, dan 90.49%. Hal ini menunjukkan bahwa semakin
besar nilai koefisien cepstral semakin tinggi akurasi yang didapatkan.
Saran
Untuk penelitian selanjutnya dapat dilakukan dengan menggunakan nilai
smoothing parameter yang berbeda sehingga dapat dibandingkan pengaruh
smoothing parameter terhadap akurasi data.
14
DAFTAR PUSTAKA
Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri
pada sistem identifikasi pembicara di lingkungan ber-noisemenggunakan
HMM [disertasi]. Depok (ID): Universitas Indonesia.
Do MN. 1994. Digital Signal Processing Mini-Project: an Automatic Recognition
System. Laussane (CH): Federal Institute of Technology.
Fransiswa RR. 2010. Pengembangan model probabilistic neural network (PNN)
pada pengenalan kisaran usia dan jenis kelamin berbasis suara [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Ganchev T. 2005. Speaker recognition [disertasi]. Patras (GR): University of
Patras.
Jurafsky D, Martin JH. 2000. Speech And Language Processing an Introduction
to Natural Language Processing, Computational Linguistic, and Speech
Recognition. New Jersey (US): Prentice Hall.
MastersT. 1995. Advanced Algorithms for Neural Networks: A C++ Sourcebook.
New York (US): John Wiley.
Wisnudisastra E, Buono A. 2010. Pengenalan chord pada alat musik gitar
menggunakan codebook dengan teknik ekstraksi ciri MFCC. Jurnal Ilmiah
Ilmu Komputer. 14(1):16-21.
15
Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
16
Lampiran 1 Lanjutan
Chord
A
A
Am
Ais Aism
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
3
8
0
0
5
1
32
0
3
3
22
0
0
7
7
0
0
10
0
6
1
2
0
Am
4
7
15
2
0
0
1
17
3
2
0
11
0
0
19
3
0
0
12
0
3
10
11
0
5.83
Ais
0
0
63
2
0
2
1
14
4
5
0
27
0
0
0
0
0
0
0
0
1
0
1
0
52.50
Aism
0
10
6
12
0
1
2
30
0
5
0
12
0
2
4
2
0
0
8
0
0
0
26
0
10.00
B
0
0
12
0
16
6
0
66
1
0
0
3
0
0
0
7
0
2
4
0
0
2
0
1
13.33
Bm
2
0
9
0
3
27
1
43
0
0
0
25
0
0
0
3
0
3
1
3
0
0
0
0
22.50
C
1
4
8
0
0
0
10
18
8
16
2
27
0
0
1
11
0
5
1
2
3
3
0
0
8.33
Cm
1
0
0
0
0
7
0
96
0
3
1
5
0
0
1
1
0
0
5
0
0
0
0
0
80.00
Cis
0
0
1
0
0
6
0
34
33
9
1
20
0
0
0
2
0
6
7
1
0
0
0
0
27.50
Cism
3
0
0
0
0
0
0
30
17
45
0
16
0
0
0
9
0
0
0
0
0
0
0
0
37.50
D
1
0
10
0
0
3
0
6
0
0
25
59
0
0
0
4
0
3
8
1
0
0
0
0
20.83
Dm
0
0
1
0
0
0
0
5
0
2
0
101
0
0
0
10
0
0
1
0
0
0
0
0
84.17
Dis
0
0
1
0
0
0
1
3
0
0
0
3
53
0
3
2
0
14
20
10
0
7
3
0
44.17
Dism
0
0
1
0
0
2
0
5
2
2
0
17
7
31
0
12
0
8
24
0
0
0
9
0
25.83
E
2
4
1
0
0
0
0
9
0
0
1
6
0
0
57
11
2
3
3
0
6
8
6
1
47.50
Em
0
0
0
0
0
0
0
1
7
4
2
19
0
0
0
58
0
6
8
0
15
0
0
0
48.33
F
1
0
0
0
0
0
1
5
1
6
1
54
0
1
2
21
2
8
12
1
0
4
0
0
1.67
Fm
0
0
0
0
0
2
0
10
6
2
1
11
0
0
0
6
0
67
8
7
0
0
0
0
55.83
Fis
0
0
0
0
1
0
0
15
0
3
0
19
2
0
0
8
0
3
63
3
1
0
2
0
52.50
Fism
0
0
0
0
0
3
0
1
2
0
4
8
0
0
0
13
0
14
31
43
1
0
0
0
35.83
G
0
0
0
0
0
0
0
7
0
0
0
16
1
0
14
19
0
0
5
0
35
22
1
0
29.17
Gm
0
0
0
0
0
0
0
9
0
0
0
2
12
0
22
2
0
2
3
0
13
49
6
0
40.83
Gis
0
0
7
0
0
1
0
15
0
0
0
4
0
0
12
0
0
0
6
1
7
2
65
0
54.17
Gism
0
1
0
0
0
0
0
3
0
0
0
1
0
0
11
0
0
0
0
0
0
9
2
93
77.50
Rataan
8.33
36.84
17
10
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada koefisien 13
A
Am
Ais Aism
98
4
14
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
7
0
7
1
0
81.67
78
0
0
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
2
1
19
0
0
65.00
0
111
5
0
0
0
0
0
0
0
2
0
0
0
0
0
0
2
0
0
0
0
0
92.50
0
0
0
109
0
0
0
0
0
0
0
0
0
0
0
0
0
0
11
0
0
0
0
0
90.83
0
0
2
0
88
29
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
73.33
0
0
0
0
2
105
0
1
0
0
0
0
0
0
1
3
2
0
6
0
0
0
0
0
87.50
13
2
0
0
0
0
63
1
1
0
3
13
0
0
1
0
7
0
1
11
0
2
2
0
52.50
0
0
0
0
0
3
0
117
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
97.50
0
0
0
0
0
0
0
10
72
3
0
12
0
0
3
5
2
3
6
4
0
0
0
0
60.00
3
0
0
0
0
0
8
6
14
65
0
13
0
0
6
0
0
0
3
2
0
0
0
0
54.17
0
0
0
0
0
0
0
1
0
0
77
28
0
1
0
0
0
1
2
10
0
0
0
0
64.17
0
0
0
0
0
0
0
2
0
0
2
114
0
0
0
0
0
0
0
2
0
0
0
0
95.00
0
0
0
0
0
0
0
0
0
0
5
0
102
0
0
0
0
1
3
9
0
0
0
0
85.00
0
0
0
0
0
0
0
0
0
0
0
2
2
67
8
0
0
4
25
9
0
3
0
0
55.83
1
0
0
0
0
0
1
0
0
0
0
7
0
0
93
4
2
1
5
3
0
3
0
0
77.50
1
0
0
0
0
0
6
0
0
0
0
0
0
0
1
97
2
0
6
5
2
0
0
0
80.83
0
0
0
0
0
0
3
2
0
0
15
22
0
0
0
5
53
3
4
7
0
5
1
0
44.17
0
0
0
0
0
0
0
2
0
0
2
1
0
0
0
0
8
83
2
22
0
0
0
0
69.17
0
0
2
0
0
0
0
1
0
0
0
2
0
0
0
0
0
0
111
0
1
3
0
0
92.50
0
0
0
0
0
0
0
0
0
0
5
0
0
0
0
0
0
0
4
110
0
1
0
0
91.67
4
1
0
0
0
0
0
0
0
0
0
0
0
0
3
28
0
0
6
9
54
13
2
0
45.00
0
6
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
112
0
0
93.33
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
5
1
5
108
0
90.00
0
2
0
0
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
2
113
94.17
76.39
18
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
koefisienLampiran 3 Confusion matrix kesalahan identifikasi chord pada koef26
Lampiran 3 Confusion matrix kesalahan identifikasi chord pada koefisien 26
A
Am
Ais Aism
118
2
5
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
112
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
93.33
0
118
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
98.33
0
0
0
0
108
12
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
90.00
0
0
0
0
4
110
0
0
0
0
0
0
0
0
2
0
0
0
2
0
2
0
0
0
91.67
0
0
0
0
0
0
117
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
0
0
97.50
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
110
4
0
0
0
0
1
0
1
0
4
0
0
0
0
0
91.67
0
0
0
0
0
0
0
0
27
87
0
3
0
0
0
0
0
0
3
0
0
0
0
0
72.50
0
0
0
0
0
0
0
0
0
0
103
17
0
0
0
0
0
0
0
0
0
0
0
0
85.83
0
0
0
0
0
0
0
0
0
0
3
117
0
0
0
0
0
0
0
0
0
0
0
0
97.50
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
19
78
0
0
0
0
23
0
0
0
0
0
65.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
117
1
0
0
0
0
2
0
0
0
97.50
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
116
0
2
0
0
0
0
0
0
96.67
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
114
0
0
0
2
0
0
0
95.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
11
109
0
0
0
0
0
0
90.83
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
100.00
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
10
0
0
1
0
94
12
2
0
78.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
100.00
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
118
98.33
93.19
19
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
A
Am
Ais Aism
118
2
3
0
B
Bm
C
Cm
Cis Cism
D
Dm
Dis Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis Gism Akurasi
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
116
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
96.67
0
118
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98.33
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
116
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
96.67
0
0
0
0
4
112
0
0
0
0
0
0
0
0
2
0
0
0
0
0
2
0
0
0
93.33
0
0
0
0
0
0
119
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
99.17
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
113
3
0
0
0
0
1
0
0
0
3
0
0
0
0
0
94.17
0
0
0
0
0
0
0
0
23
97
0
0
0
0
0
0
0
0
0
0
0
0
0
0
80.83
0
0
0
0
0
0
0
0
0
0
111
9
0
0
0
0
0
0
0
0
0
0
0
0
92.50
0
0
0
0
0
0
0
0
0
0
8
112
0
0
0
0
0
0
0
0
0
0
0
0
93.33
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
11
107
0
0
0
0
2
0
0
0
0
0
89.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
1
0
0
0
0
0
0
0
0
99.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
0
0
0
0
100.00
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
118
0
0
0
0
0
0
0
98.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
118
0
0
0
0
0
0
98.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
0
0
0
1
0
99.17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
1
0
0
0
112
5
0
0
93.33
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
100.00
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
118
0
98.33
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
118
98.33
96.56
20
Chord
A
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
21
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta tanggal 3 Agustus 1990 dari Ibu Tuti Suryati
dan Bapak Arief Suyanto. Penulis merupakan anak keempat dari empat
bersaudara. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA)
Islam Al-Azhar Kelapa Gading, dan pada tahun yang sama diterima di Diploma
Institut Pertanian Bogor Program Keahlian Manajemen Informatika. Pada tahun
2010 penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan
pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, IPB.