Gambar 3.5 Contoh Sinyal dan Spektrogram Suara Mesin Sepeda Motor Rusak Rantai Kamprat
Pada gambar 3.5 , grafik pertama menggambarkan sinyal suara mesin sepeda motor rusak rantai kamprat berdasarkan nilai amplitude-nya dalam 1
detik. Untuk grafik kedua menggambarkan sinyal suara mesin sepeda motor rusak rantai kamprat dalam bentuk spectrogram berdasarkan nilai frekuensi-
nya dalam 1 detik.
3.2 Perancangan Sistem
Sub bab ini berisi tentang perancangan sistem dari aplikasi yang akan dibuat. Proses dimulai dari ekstraksi ciri data sinyal suara, kemudian data
hasil ekstraksi ciri masuk kedalam pelatihan arsitektur JST dengan parameter-parameter yang telah ditentukan, sehingga diperoleh model
jaringan yang menghasilkan akurasi terbaik. Kemudian dilakukan uji pada sebuah data suara baru yang juga telah diekstraksi ciri dan dilakukan
klasifikasi menggunakan model jaringan yang telah diperoleh, sehingga diperoleh hasil penunjukkan kelas dari data yang diklasifikasi.
Pada proses ekstraksi ciri data sebelum pelatihan arsitektur jaringan dan pengujian data, digunakan fitur Linear Predictive Coding LPC. Untuk
proses pelatihan arsitektur jaringan dan klasifikasi data dalam pengujian digunakan metode Jaringan Syaraf Tiruan Back Propagation. Berikut ini
gambaran sistem secara keseluruhan : PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Data
Data Uji Ekstraksi Ciri
Jaringan Syaraf Tiruan Ekstraksi Ciri
Model Jaringan
Hasil Klasifikasi
Gambar 3.6 Diagram Blok Sistem
3.2.1 Ekstraksi Ciri
Fitur ekstraksi ciri sinyal suara yang digunakan dalam penelitian ini adalah Linear Predictive Coding LPC. Fitur ini dipilih karena
LPC merupakan salah satu teknik ekstraksi ciri yang sering digunakan dalam mengekstraksi ciri sinyal digital suara. Akurasi kemampuan
pengenalan dari hasil ekstraksi ciri juga menunjukkan hasil yang baik. Ada dua tahapan proses utama dalam melakukan ekstraksi ciri
LPC, yakni proses autokorelasi dan proses analisis koefisien LPC. Pada proses autokorelasi ditentukan suatu nilai orde analisis P, dimana
nilai orde tersebut juga menentukan banyaknya ciri yang dihasilkan dari proses analisis LPC. Ciri tersebut dinamakan koefisien LPC.
Proses ekstraksi ciri dilakukan pada semua data mentah yang telah dikonversi dan di lakukan proses preprosesing. Hasil ekstraksi
ciri disimpan dalam sebuah vektor berdasarkan ciri yang dipilih. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Keluaran dari proses ini berupa nilai numerik. Jumlah data hasil ekstraksi ciri berdasarkan orde koefisien LPC yang dipilih, yaitu 8, 10,
12, 14, dan 16, yang digabungkan dengan hasil perhitungan delta sebanyak satu dan dua kali, dari koefisien LPC yang telah diperoleh.
Ada 5 tahap yang dilakukan dalam proses ekstraksi ciri sinyal suara, dengan 4 tahap merupakan proses dari fitur LPC dan 1 tahap
lainnya merupakan perhitungan terhadap nilai koefisien LPC yang telah dihasilkan. Proses dimulai dari pembacaan data mentah hingga
diperoleh nilai delta dari koefisien LPC. Tahap-tahap tersebut diantaranya :
1. Frame Blocking
2. Windowing
3. Analisis Autokorelasi
4. Analisis LPC
5. Menghitung nilai delta dari koefisien LPC
Berikut ini gambaran dari langkah-langkah proses ekstraksi ciri:
Suara ….wav
Windowing Frame Blocking
Analisis LPC Autokorelasi
Delta LPC
Gambar 3.7 Diagram Blok Proses Ekstraksi Ciri Data suara bertipe ‘.wav’ yang di-input-kan menggunakan
frekuensi sampling 44100 hz, sehingga diketahui setiap 1 detik suara terdapat 44100 sample data. Total untuk setiap data yang terdiri dari 3
detik suara diperoleh sample data sebanyak 132300. Untuk itu, diawal proses ekstraksi ciri, dilakukan pengecekan panjang data input-an
sesuai dengan panjang data yang dibutuhkan yaitu maksimal 150000 sample data 3 detik. Kemudian data tersebut masuk dalam proses
ekstraksi ciri LPC, sebagai berikut: 1.
Frame Blocking Dalam proses frame blocking, akan dilakukan sampling
terhadap data input-an kedalam beberapa frame. Diambil sample data selama 40 ms untuk setiap frame-nya. Perhitungan untuk
memperoleh jumlah sample tiap frame yaitu: -
40 ms = 0.04 detik -
Jumlah sample tiap frame yaitu 44100 x 0.04 = 1764 sample -
Jumlah overlapping setiap frame yaitu 17642 = 882 sample -
Untuk menghitung jumlah frame digunakan rumus: ℎ
=
�−
+ 3.1
I = jumlah sample keseluruhan N= jumlah sample tiap frame
M = N2 = jumlah overlapping tiap frame -
Maka, jumlah frame yaitu = 132300-1764882+1 = 149 frame.
Dari proses ini diperoleh data dalam bentuk matriks dengan ukuran 149 x 1764.
2. Windowing
Proses windowing dilakukan terhadap data hasil frame blocking. Algoritma yang digunakan dalam proses ini yaitu
Hamming Window. Proses windowing dilakukan untuk setiap frame. Data yang sudah dalam bentuk frame dipadatkan, sehingga
bentuk gelombang akan naik. Hal ini dapat diartikan menormalisasi sinyal digital.
3. Analisis Autokorelasi
Sebelum data diproses dalam analisis autokorelasi, data hasil windowing dikonversi terlebih dahulu menjadi matriks 1 x
total data, dimana jumlah total data yaitu: -
149x1764 = 262836 data Sehingga ukuran matriks data menjadi 1x262836.
Kemudian data tersebut masuk dalam proses analisis autokorelasi. Nilai autokorelasi tertinggi yaitu sama dengan orde
LPC p yang ditentukan, dalam penelitian ini digunakan orde 8, 10, 12, 14, dan 16. Jumlah data hasil analisis autokorelasi menjadi
p+1, sehingga ukuran matriks data hasil analisis autokorelasi menjadi 1xp+1.
4. Analisis LPC
Hasil dari proses analisis autokorelasi akan masuk kedalam proses analisis LPC. Dalam proses ini akan diperoleh koefisien
LPC yang dijadikan ciri dari sebuah sinyal suara. Algoritma yang digunakan dalam analisis LPC adalah Levinson Durbin. Jumlah
hasil ciri yang didapat sebanyak orde LPC yang ditentukan, yaitu 8, 10, 12, 14, dan 16.
5. Menghitung delta LPC 1 dan 2
Koefisien LPC yang telah diperoleh, kemudian dihitung nilai delta-nya. Perhitungan dilakukan 2 kali sehingga diperoleh
nilai delta 1 dan delta 2. Data hasil perhitungan delta 1 dan 2 kemudian digabungkan dengan hasil koefisien LPC-nya, sehingga
membentuk kumpulan data baru untuk setiap orde LPC. Berikut tabel jumlah data yang diperoleh dari hasil ekstraksi ciri LPC
berdasarkan ordenya: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 3.1 Tabel Jumlah Data Hasil Ekstraksi Ciri Orde
Jumlah Data Total Data
Koefisien LPC Turunan 1 Turunan 2
8 8
8 8
24 10
10 10
10 30
12 12
12 12
36 14
14 14
14 42
16 16
16 16
48
Sebelum masuk dalam proses pelatihan dan pengujian arsitektur JST, setiap data yang telah diekstraksi, diberi label data sebagai
perbandingan dengan target luaran dari proses pelatihan dan pengujian arsitektur JST. Berikut rincian label data untuk setiap data suara:
- Suara kerusakan klepkatup pada mesin sepeda motor = 1,0,0,0
- Suara mesin sepeda motor normal = 0,1,0,0
- Suara kerusakan rantai kamprat pada mesin sepeda motor =
0,0,1,0 -
Suara kerusakan stang seherbatang piston pada mesin sepeda motor = 0,0,0,1
3.2.2 Pelatihan dan Pengujian Arsitektur JST
Dalam penelitian ini, proses identifikasi suara mesin sepeda motor dilakukan dengan mengklasifikasikan suara mesin sepeda
motor berdasarkan kondisi mesin sepeda motor yang telah ditentukan. Metode yang digunakan dalam proses klasifikasi adalah metode
Jaringan Syaraf Tiruan Back Propagation. Metode klasifikasi ini dipilih karena kemampuannya untuk menghasilkan decision
boundaries yang kompleks pada fitur-fitur yang ada. Hasil ini dapat dilihat dengan nilai keakuratan yang dihasilkan dari pengujian sampel
diluar kumpulan sampel yang digunakan pada saat pelatihan. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Metode pembagian data pelatihan dan pengujian arsitektur JST yang digunakan adalah 5-Fold Cross Validation. Metode ini dipakai
karena menggunakan data yang berbeda untuk proses pelatihan dan pengujiannya, sehingga dapat diketahui dengan benar akurasi sistem
yang telah dibuat. Hasil ekstraksi ciri dan label data, akan digunakan sebagai input-an dalam proses pelatihan dan pengujian arsitektur JST.
Hasil dari proses ini adalah model jaringan dengan akurasi terbaik, yang akan digunakan dalam proses klasifikasi dan uji data.
Pada proses awal sesuai dengan metode K-Fold Cross Validation, data yang berjumlah 200 dibagi menjadi 5 bagian. Setiap
bagian akan diisi dengan 10 data dari satu jenis suara, sehingga masing-masing bagian akan diisi total 40 data. Dari 5 bagian tersebut
akan dilakukan 5 kali percobaan dalam proses pelatihan dan pengujian arsitektur JST. Berikut ini tabel penggunaan bagian dalam setiap
percobaan: Tabel 3.2 Five-Fold Cross Validation
Percobaan Training Testing 1
1,2,3,4 5
2 1,2,3,5
4 3
1,2,4,5 3
4 1,3,4,5
2 5
2,3,4,5 1
Hasil dari tiap percobaan akan dimasukan ke dalam tabel Confusion Matrix untuk menghitung akurasi dari pengujian data.
Ada 2 jenis arsitektur jaringan syaraf tiruan yang digunakan untuk proses pelatihan dan pengujian, yaitu arsitektur dengan satu
hidden layer dan 2 hidden layer. Berikut ini gambaran arsitektur untuk setiap jenis arsitektur JST:
1. Arsitektur Jaringan Syaraf Tiruan 1 Hidden Layer
Diambil contoh dengan ciri orde 8 maka jumlah data input sebanyak 8 data, kemudian digunakan 1 hidden layer, dengan
jumlah neuron pada hidden layer 1 sebanyak 4, dan jumlah output sebanyak 4.
x1
x2
x3
x4
x5
x6
x7
x8
Input
z1
z2
z3
z4 y1
y2
y3
y4
Hidden Layer 1 Output
Gambar 3.8 Arsitektur JST 1 Hidden Layer PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Arsitektur Jaringan Syaraf Tiruan 2 Hidden Layer
Diambil contoh dengan ciri orde 8 maka jumlah data input sebanyak 8 data, kemudian digunakan 2 hidden layer, dengan
jumlah neuron pada hidden layer 1 sebanyak 4, jumlah neuron pada hidden layer 2 sebanyak 4, dan jumlah output sebanyak 4.
x1
x2
x3
x4
x5
x6
x7
x8
Input
z1
z2
z3
z4 z1
z2
z3
z4
Hidden Layer 1
y1
y2
y3
y4
Output Hidden Layer 2
Gambar 3.9 Arsitektur JST 2 Hidden Layer PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Berikut ini rincian parameter dalam arsitektur jaringan syaraf tiruan: 1.
Lapisan jaringan terdiri dari 4 lapis, yaitu satu lapis masukan input, 2 lapis tersembunyi hidden layer dan satu lapis keluaran
output. 2.
Untuk input jaringan terdiri dari 1 – i neuron, dimana i
merupakan jumlah total data hasil ekstraksi ciri sesuai dengan orde dan nilai delta-nya yang telah ditentukan. Berikut tabel
jumlah data yang digunakan: Tabel 3.3 Jumlah Data Input Arsitektur Jaringan
Ciri orde,delta Jumlah Data
8 8
8+
16 8+
+ 24
10 10
10+
20 10+
+ 30
12 12
12+
24 12+
+ 36
14 14
14+
28 14+
+ 42
16 16
16+
32 16+
+ 48
3. Untuk mendapatkan arsitektur jaringan yang optimal, digunakan 2
jenis arsitektur jaringan yaitu dengan 1 hidden layer dan 2 hidden layer, dimana lapisan tersembunyi pertama dan kedua memiliki
jumlah neuron yang bervariasi mulai dari 2,4,… dilanjutkan
dengan kelipatan 4 hingga 40. Namun apabila pada neuron 40 nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4
selanjutnya hingga
hasil akurasinya
turun. Contoh
: 2,4,8,12,…,40,44,48.
4. Fungsi aktivasi yang digunakan adalah sigmoid biner logsig.
5. Fungsi pelatihan yang digunakan adalah trainrp.
6. Batas iterasiepoch adalah 200.
7. Nilai target error mse adalah 0,0001.
8. Nilai laju pemahaman
=learning rate adalah 0,1. 9.
Jumlah neuron pada lapisan keluaran output adalah 4, sesuai dengan jumlah klasifikasi.
10. Memiliki 4 neuron output yang merupakan target keluaran
jaringan diantaranya, Rusak KatupKlep 1,0,0,0 , Mesin Normal 0,1,0,0, Rusak Rantai Kamprat 0,0,1,0, dan Rusak Stang Seher
0,0,0,1. Dalam pengujian arsitektur JST, dilakukan beberapa kali
percobaan untuk mendapatkan model jaringan terbaik berdasarkan akurasi hasil yang tertinggi. Percobaan dilakukan dengan mengambil
sejumlah data hasil ekstraksi ciri berdasarkan kombinasi ciri yang ada pada tabel 3.3 sebagai data masukan. Untuk setiap kombinasi ciri,
dilakukan percobaan lagi dengan mengubah-ubah jumlah lapisan tersembunyi, yaitu satu lapisan tersembunyi dan 2 lapisan
tersembunyi. Pada satu lapisan tersembunyi, jumlah neuron divariasi mulai dari 2,4 hingga 40 dengan penambahan jumlah kelipatan 4,
contohnya 2,4,8,12….,40. Namun apabila pada neuron 40 nilai akurasi masih tinggi, maka dilanjutkan dengan kelipatan 4 selanjutnya
hingga hasil akurasinya turun. Dari percobaan tersebut diperoleh jumlah neuron dengan akurasi tertinggi. Jumlah neuron dengan
akurasi tertinggi di lapisan tersembunyi ke-1 kemudian digunakan dalam 2 lapisan tersembunyi. Jumlah neuron di lapisan tersembunyi
ke-2 divariasi sama seperti di lapisan tersembunyi ke-1 hingga memperoleh akurasi tertingginya. Dari semua percobaan tersebut akan
diperoleh model jaringan terbaik berdasarkan akurasi yang tertinggi.
3.2.3 Klasifikasi dan Uji Data Tunggal
Model jaringan yang telah didapat dari proses pelatihan dan pengujian arsitektur JST akan digunakan dalam proses klasifikasi dari
data masukan data baru untuk diuji. Proses klasifikasi dibagi kedalam 4 jenis suara mesin berdasarkan kondisinya, yaitu suara mesin sepeda
motor rusak katupklep, suara mesin sepeda motor normal, suara mesin sepeda motor rusak rantai kamprat, dan suara mesin sepeda
motor rusak stang seherbatang piston. Proses dimulai dari memasukan data suara baru untuk diuji,
kemudian dilakukan ekstraksi ciri pada data tersebut dan diambil sejumlah data sesuai jumlah pilihan ciri terbaik yang telah diperoleh.
Hasil ekstraksi ciri tersebut disimulasikan kedalam model jaringan terbaik yang telah diperoleh, sehingga mendapatkan nilai keluaran
sesuai target keluaran yang telah ditentukan, untuk menunjukkan hasil klasifikasi. Berikut ini gambaran proses klasifikasi dan uji data.
Data Uji Ekstraksi Ciri
Model Jaringan Hasil Klasifikasi
Gambar 3.10 Proses Klasifikasi dan Uji Data Tunggal PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3.3 Kebutuhan Sistem
