Setelah vektor ciri didapatkan, maka mean dari setiap vektor ciri akan dihitung sehingga dimensinya akan berkurang menjadi sebesar n x 1
dimana n adalah jumlah koefisien MFCC yang digunakan. Untuk metode JST, setelah mean didapatkan maka dilakukan normalisasi.
4.2 Arsitektur Sistem
Pada Gambar 19 dapat dilihat arsitektur sistem yang peneliti telah kembangkan dari proses ekstraksi ciri hingga prediksi genre musik dengan
kedua metode.
Gambar 19. Arsitektur sistem klasifikasi genre musik yang telah dikembangkan
4.3 Implementasi Metode VFI
Setelah proses ekstraksi ciri, maka proses pembelajaran pada model VFI dapat dilakukan. Proses pembelajaran dilakukan menggunakan data
1 5
10 30
MFCC
7-M 1 dtk
20-M 5 dtk
13-M 1 dtk
7-M 10 dtk
20-M 1 dtk
7-M 5 dtk
13-M 5 dtk
13-M 10 dtk
20-M 10 dtk
7-M 30 dtk
13-M 30 dtk
20-M 30 dtk
Mean
VFI JST
Normalisasi
Mean Mean
Mean Mean
Mean Mean
Mean Mean
Mean Mean
Mean
Prediksi
Berkas musik
detik
training sebanyak 60 berkas musik yang terdiri dari 15 berkas musik pada setiap genre. Sedangkan untuk pengujian, digunakan 5 berkas musik untuk
setiap genre.
4.3.1 Model VFI
Pada proses pembelajaran didapatkan 8 2 x 4 titik interval yang diperoleh dari titik minimum dan maksimum dari sebuah interval ciri setiap
kelas yang dapat dilihat pada Tabel 4.
Tabel 4. Titik interval dan presentase frekuensi kemunculan pada ciri MFCC koefisien ke-1 pada contoh sebuah 30 detik berkas musik
TITIK KLASIK
DISKO METAL
REGGAE -20,51534 0,0666667
0,8 -15,85193
0 0,0666667 0,0666667
0,4 -15,19517 0,0666667
0 0,3333333 -14,72691
0 0,0666667 0 0,1333333 0,1333333
-14,13456 0 0,0666667
0,2 -13,1284
0 0,0666667 0 0,8666667 0,4666667
-10,96637 0 0,0666667
0 0,0666667 -9,943883
0 0,0666667
Kemudian sistem memberikan voting pada setiap titik atau interval sebuah berkas musik yang diberikan. Pada Tabel 5 dapat dilihat contoh
voting sistem pada sebuah ciri MFCC koefisien ke-1 dengan waktu berkas musik 30 detik.
Pada Tabel 6 dapat dilihat contoh prediksi sistem terhadap sebuah berkas musik. Presentase voting dari setiap ciri akan dijumlahkan sehingga
menghasilkan presentase voting total. Dari hasil prediksi pada Tabel 6, terlihat bahwa prediksi presentase voting terbesar adalah genre klasik
35,16 sehingga sistem memprediksi bahwa berkas musik tersebut termasuk pada kelas genre klasik.
