2.11 Pengukuran Kinerja Sistem
Kinerja sistem diukur dengan menggunakan parameter akurasi yaitu presentase pengenalan sistem dalam memprediksi dataset pengujian yang
diberikan. 25
2.12 Review Riset Terdahulu
Penelitian pada bidang klasifikasi musik yang paling sering direferensikan adalah Tzanetakis dan Cook 2000, 2002. Penelitian mereka
menghasilkan sebuah framework analisa audio MARSYAS, yang juga sering dipakai oleh peneliti-peneliti lainnya sebagai aplikasi bantu untuk
pengekstraksi ciri. Lampropoulos et al. 2005 pada penelitiannya melakukan pemisahan
separasi ciri sinyal dari sumber instrumen musik sebelum diklasifikasikan menggunakan algoritma Convolutive Sparse Coding CSC dan
menggunakan JST sebagai pengklasifikasinya. Untuk ekstraksi ciri, mereka menggunakan aplikasi bantu MARSYAS versi 0.1 dan menghasilkan vektor
ciri feature vector berdimensi 30. Costa
et al.
2004 menggunakan
pendekatan kombinasi
pengklasifikasi. Ekstraksi ciri diperoleh dari tiga segmen pada musik klip yaitu awal, tengah, dan akhir lagu. Dari setiap segmen tersebut, dihasilkan
vektor ciri feature vector berdimensi 15. Penelitian tersebut juga menggunakan JST sebagai pengklasifikasinya. Adapun pengambilan
keputusan akhir dari klasifikasi menggunakan aturan majority voting. Adapun pada penelitian Norowi et al. 2005 digunakan ciri yang
berhubungan dengan timbral, ritme, dan pitch dan pengklasifikasi J48 dan OneR. J48 dan OneR adalah pengklasifikasi yang terdapat pada sistem
pembelajaran mesin WEKA Waikato Environment for Knowledge Analysis. Sedangkan klasifikasi genre musik pada penelitian mereka adalah
genre-genre musik barat dan musik tradisional Malaysia. Mereka juga menggunakan MARSYAS versi 0.1 sebagai aplikasi bantu pengekstraksi
ciri.
Pada Tabel 2 dapat dilihat beberapa contoh penelitian klasifikasi genre musik dengan beragam ciri dan pengklasifikasinya.
Tabel 2. Beberapa contoh penelitian klasifikasi genre musik
Peneliti Ciri
Pengklasifikasi
Lampropoulos et al. 2005
Ritme, STFT, MFCC dan pitch Nearest-Neighbor dan
MLP Costa et al. 2004
Spectral centroid, spectral rolloff, spectral flux, time domain zero-
crossing, low energy dan beat Nearest-Neighbor dan
MLP Norowi et al.
2005 Spectral centroid, spectral rolloff,
spectral flux, time domain zero- crossing, MFCC, beat dan pitch
OneR dan J48 WEKA Ahrendt 2006
MFCC, LPC, DMFCC, DLPC, ZCR, STE, ASE, ASC, ASS dan SFM
Gaussian, GMM, Linear regression, dan GLM
Andersson 2004 ZCR, STE, RMS, HFVR,LFVR,
spectrum centroid, spectrum spread, delta spectrum, spectral rolloff dan
MPEG-7 audio descriptors GMM, HMM, dan
Nearest-Neighbor
III METODE PENELITIAN
3.1 Kerangka Pemikiran
Kerangka pemikiran dalam membangun model sistem pada penelitian ini dapat digambarkan dalam suatu diagram alir seperti pada Gambar 18.
Gambar 18. Diagram alir penelitian pengembangan model sistem
Identifikasi Masalah Mulai
Studi Pustaka Pengumpulan Data
Ekstraksi Ciri Data Model
Dokumentasi VFI dan JST
Identifikasi Evaluasi
Selesai Data Training
Data Testing
Dengan demikian diharapkan dapat diperoleh gambaran yang lengkap dan menyeluruh tentang tahap-tahap penelitian yang akan dilaksanakan
serta keterkaitan antara satu tahap dengan tahap berikutnya. Berikut ini akan dijelaskan beberapa tahap yang ada di dalam diagram alir tersebut.
3.1.1 Identifikasi Masalah
Identifikasi masalah merupakan tahap awal dari penyusunan penelitian ini. Penelitian mengenai klasifikasi genre musik telah banyak
dilakukan menggunakan berbagai macam metode. Penggunaan metode VFI merupakan metode yang belum pernah dilakukan dalam mengklasifikasi
genre musik. Oleh karena itu, penelitian ini dilakukan untuk melihat bagaimana akurasi metode VFI dalam mengklasifikasi genre musik dan
membandingkannya dengan metode yang sudah banyak dipakai oleh penelitian-penelitian sebelumnya yaitu Jaringan Saraf Tiruan JST.
3.1.2 Studi Pustaka
Studi pustaka yang dilakukan meliputi pengetahuan musik dan genrenya, praproses data, ekstraksi ciri feature extraction, Voting Feature
Intervals VFI, Jaringan Saraf Tiruan JST, pemprograman dengan perangkat lunak MATLAB serta metode pendukung lainnya.
3.1.3 Pengumpulan Data
Setiap data berkas musik yang digunakan pada penelitian ini diperoleh dari data-set pada penelitian Tzanetakis dan Cook 2000 yang diunduh
melalui http:opihi.cs.uvic.casoundgenres.tar.gz. Jumlah data yang akan digunakan pada penelitian ini adalah 80 berkas musik berformat au mono
16-bit yang memiliki frekuensi sampling sebesar 22,05 kHz dengan durasi 30 detik setiap berkasnya.
Setiap genre akan memiliki 20 berkas musik yang dapat dijadikan sebagai data training 15 berkas dan testing 5 berkas. Genre musik yang
dipakai untuk penelitian ini adalah genre musik klasik, disko, metal dan reggae.