Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

(1)

Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier

Transform (FFT)

SKRIPSI

MUHAMMAD FADHLULLAH 091402064

PROGRAM STUDI S-1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2015

(2)

Identifikasi Nada Gitar dengan Menggunakan Metode

Fast Fourier

Transform

(FFT)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

MUHAMMAD FADHLULLAH 091402064

PROGRAM STUDI S-1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2015

(3)

PERSETUJUAN

Judul : Pengenalan Nada Gitar dengan Menggunakan

Metode Fast Fourier Transform (FFT)

Kategori : SKRIPSI

Nama : MUHAMMAD FADHLULLAH

Nomor Induk Mahasiswa : 091402064

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Departemen : TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, 25 Juni 2015

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Erna Budhiarti Nababan, M.IT Romi Fadillah Rahmat, B.Comp.Sc., M.Sc

NIP. 19860303 201012 1 004

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

M. Anggia Muchtar, ST., MM.IT. NIP 19800110 200801 1 010

(4)

iii

PERNYATAAN

Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 25 Juni 2015

Muhammad Fadhlullah 091402064

(5)

PENGHARGAAN

Alhamdulillah, segala puji dan syukur penulis panjatkan atas kehadirat Allah SWT beserta Nabi besar Muhammad SAW yang telah memberikan rahmat, hidayah-Nya, segala daya dan upaya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat utnuk memperoleh gelar Sarjana Program Studi S-1 Teknologi Informasi Universitas Sumatera Utara, Ucara terima kasih yang sebesar-besarnya penulis sampaikan kepada: 1. Kedua orang tua penulis, orang yang paling berharga dalam hidup penulis, ayahanda Syarifuddin Hasibuan dan ibunda Masni yang telah membesarkan, mendidik, memberi dukungan, doa dan motivasi tanpa henti. Serta kepada kakak dan adik penulis Fitri Syahraini Hasibuan dan Fathania Mastura Hasibuan yang selalu ada dan menemani penulis.

2. Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak Muhammad

Anggia Muchtar, ST., MM. IT. dan Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.

3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku pembimbing pertama

dan Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing kedua, yang telah banyak meluangkan waktunya dan memberikan masukan-masukan yang bermanfaat bagi penulis dalam menyelesaikan skripsi ini.

4. Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT dan Ibu Sarah

Purnamawati, S.T., M.Sc yang telah bersedia menjadi dosen pembanding dan memberikan saran-saran yang baik bagi penulis dalam menyelesaikan skripsi ini.

5. Kepada Ade Tambunan, Dwiky, Hafiz Yahya, Yogi, Ibnu, Ammar, Reza,

Ridzuan, Fadli Rizky, Abdi Hafiz, Icha, Yanna, Dijah, Julia, Fanny, Hani, Binyo, Fadli Rachman, Dezi, Kurniawan, Salman, Alvin, Fadil, Lydia, Amira, Jihan, Fadil, Dila, Umay, Musyafa, Alvi yang selalu mendukung, membantu dan memberikan motivasi kepada penulis dalam menyelesaikan skripsi ini. Serta teman-teman yang mendukung dan membantu penulis Hardiyanti, Halim, Sri Ariani, Dwina, Putra, Edy dan seluruh teman-teman lainnya yang tidak dapat disebutkan satu persatu.

6. Kepada Ibu Mega, Abang Manaf dan Kak Umi yang selaku bagian tata usaha

Program Studi S1 Teknologi Informasi yang telah membimbing dan membantu penulis dari awal proposal sampai sidang.

7. Dan juga kepada teman-teman Ikatan Alumni Matauli (IKAMA) yang selalu mendoakan penulis.

Sekali lagi penulis mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang membantu dalam penyelesaian tugas akhir ini yang tidak dapat disebutkan. Terima kasih atas masukan, saran, dan motivasi yang diberikan. Semoga Allah SWT membalas dengan nikmat yang berlimpah.

(6)

Abstrak

Kemajuan yang pesat dalam teknologi pengolahan suara digital memberikan banyak manfaat bagi kehidupan manusia, salah satunya dalam bidang pengenalan suara. Bagi seorang pengguna gitar terutama pemula terkadang masih mengalami kesulitan dalam mengenali nada, terutama dalam melakukan setem yang tepat pada gitar. pada

penelitian ini, digunakan metode Fast Fourier Transform (FFT) untuk

mentransformasikan sinyal digital ke dalam bentuk frekuensi sehingga penyesuaian nada dapat dilihat dengan lebih akurat. Hasil dari penelitian ini menunjukkan bahwa frekuensi rata-rata pada senar memiliki nilai selisih error rata-rata sebesar 0,3065 Hz untuk jarak 20 cm dan 0,449 Hz untuk jarak 30 cm dibandingkan frekuensi standar. Hasil penelitian ini juga menunjukkan keberhasilan sistem sebesar 70% apabila diuji dengan menggunakan noise. Senar dengan keberhasilan tertinggi dengan noise adalah senar 2 dan senar 4 sebesar 80%. Sedangkan senar dengan keberhasilan terendah dengan noise adalah senar 5 sebesar 60%.

(7)

Identification of Gitar Tune Using Fast Fourier Transform (FFT)

Abstract

The rapid advancement in digitalization has given many advantages to human activity, voice recognition is one of them. For someone who use guitar, especially amateur sometimes has tone identification trouble, particularly in tuning. In this research, the Fast Fourier Transform (FFT) are use to transform the digital signal into frequency so the tuning can be seen more accurately. The result og this research show that the average frequency for the string has error deviation value in the amount of 0,3065 for the 20 cm cm distance and 0,449 for the 30 cm distance when it compare with the standar frequency. The result of this research also show 70% succeed if it tested with noise. String with highes succeed are string 2 and string 4 with 80% level of accuracy. While the string with lowest succeed is string 5 with 60% level of accuracy.

(8)

vii

Daftar Isi

Hal

PERSETUJUAN ii

PERNYATAAN iii

PENGHARGAAN iv

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN 1

1.1Latar Belakang 1

1.2Rumusan Masalah 2

1.3Tujuan Penelitian 2

1.4Batasan Masalah 2

1.5Manfaat Penelitian 3

1.6Metodologi Penelitian 3

1.7Sistematika Penelitian 4

BAB 2 LANDASAN TEORI 5

2.1Gelombang Bunyi 5

2.2Nada 5

2.3Tangga Nada 6

2.4Alat Musik Gitar 6

2.5Sejarah Pengenalan Suara 7

2.6Pengenalan Suara 8

2.7Pengolahan Sinyal Digital 8

2.7.1 Sampling 9

2.7.2 Fast Fourier Transform (FFT) 9

2.8Penelitian Terdahulu 14

(9)

3.1Data yang Digunakan 16

3.2Perancangan Sistem 16

3.2.1 Arsitektur Umum 16

3.2.2 Flowchart Sistem 18

3.2.3 Proses Sampling 19

3.2.4 Fast Fourier Transform (FFT) 20

3.3Diagran Use Case 22

3.4Spesifikasi Use Case 22

3.5Perancangan Antarmuka Sistem 24

3.5.1 Rancangan Halaman Awal 24

3.5.2 Rancangan Halaman Pengenalan Senar Gitar 25

3.5.3 Rancangan Halaman Bantuan 26

3.5.4 Rancangan Halaman About Us 27

BAB 4 IMPLEMENTASI DAN PENGUJIAN 28

4.1Implementasi Sistem 28

4.1.1 Perangkat Keras 28

4.1.2 Perangkat Lunak 28

4.2Pengujian Kinerja Sistem 29

4.2.1 Tampilan Halaman Menu Utama 29

4.2.2 Tampilan Halaman Gitar Tuner 29

4.2.3 Tampilan Halaman Select Device 30

4.2.4 Tampilan Halaman Tentang Penulis 31

4.2.5 Tampilan Halaman Bantuan 31

4.3Hasil Pengujian Nada Senar Gitar 32

4.3.1 Pengenalan Nada Senar 1 32

4.3.2 Pengenalan Nada Senar 2 32

4.3.3 Pengenalan Nada Senar 3 33

4.3.4 Pengenalan Nada Senar 4 34

4.3.5 Pengenalan Nada Senar 5 35

4.3.6 Pengenalan Nada Senar 6 35

4.4Hasil Pengujian Sistem Terhadap Jarak 36

4.5Hasil Perbandingan Pengujian Sistem Terhadap Jarak 38

(10)

BAB 5 KESIMPULAN DAN SARAN 40

5.1Kesimpulan 40

5.2Saran 41

(11)

DAFTAR TABEL

Hal

Tabel 2.1 Frekuensi Nada Gitar (Lourde R. & Saji, 2009) 7

Tabel 2.2 Penelitian Terdahulu 14

Tabel 3.1 Spesifikasi Use Case Input Suara 22

Tabel 3.2 Spesifikasi Use Case Tentang 23

Tabel 3.3 Spesifikasi Use Case Bantuan 23

Tabel 4.1 Pengujian Sistem Terhadap Jarak 20 cm 36

Tabel 4.2 Pengujian Sistem Terhadap Jarak 30 cm 37

Tabel 4.3 Perbandingan Hasil Pengujian Terhadap Jarak 38

(12)

DAFTAR GAMBAR

Hal

Gambar 2.1 Bagian-bagian Gitar Akustik (Anwar, 2014) 6

Gambar 2.2 Input Suara 9

Gambar 2.3 Sinyal dalam Domain Waktu 10

Gambar 2.4 Sinyal dalam Domain Frekuensi 10

Gambar 2.5 Desimasi untuk 16 Titik 11

Gambar 2.6 Konsep FFT 11

Gambar 3.1 Arsitektur Umum Sistem 17

Gambar 3.2 Flowchart Rancangan Sistem Pengenalan Nada Gitar 19

Gambar 3.3 Pseudocode Proses Sampling 20

Gambar 3.4 Diagram Use Case Sistem 22

Gambar 3.5 Tampilan Halaman Awal 25

Gambar 3.6 Rancangan Halaman Pengenalan Nada Gitar 26

Gambar 3.7 Rancangan Halaman Input Data Latih 26

Gambar 3.8 Rancangan Halaman About Us 27

Gambar 4.1 Tampilan Halaman Menu Utama 29

Gambar 4.2 Tampilan Halaman Gitar Tuner 30

Gambar 4.3 Tampilan Halaman Select Device 30

Gambar 4.4 Tampilan Halaman Tentang Penulis 31

Gambar 4.5 Tampilan Halaman Bantuan 31

Gambar 4.6 Pengenalan Nada pada Senar 1 32

Gambar 4.7 Pengenalan Nada pada Senar 2 33

(13)

Gambar 4.9 Pengenalan Nada pada Senar 4 34

Gambar 4.10 Pengenalan Nada pada Senar 5 35

(14)

Abstrak

penelitian ini, digunakan metode Fast Fourier Transform (FFT) untuk

(15)

Identification of Gitar Tune Using Fast Fourier Transform (FFT)

Abstract

(16)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi pada masa sekarang ini sangat pesat dan mampu mempengaruhi segala aspek kehidupan manusia baik dibidang kedokteran, ekonomi, pertanian, musik, dan lain-lain. Salah satu teknologi yang sedang berkembang pesat pada saat ini yaitu dibidang pengolahan suara digital. Kemajuan teknologi dalam pengolahan suara digital telah banyak membawa dampak positif dalam kehidupan manusia. Pengolahan suara digital dapat dikembangkan menjadi berbagai aplikasi yang tujuannya membantu mempermudah pekerjaan manusia.

Alat musik merupakan instrumen yang dapat memproduksi suara yang teratur. Dalam fungsinya alat musik mengandung nilai-nilai keindahan dan kehadiran alat musik akan tampak dari bunyi-bunyi yang khas dimana tempat alat musik itu berasal. Banyak jenis alat musik seperti gitar, piano, seruling, drum, klarinet, biola, trompet dan masih banyak lagi. Sebagian alat musik terlihat sederhana tetapi dapat menghasilkan nada yang indah dan disukai oleh pendengarnya.

Gitar merupakan alat musik string yaitu alat musik yang menghasilkan suara melalui petikan senar. Gitar adalah alat musik dengan senar yang paling banyak diminati oleh berbagai bangsa di dunia (Harahap, 2004). Gitar memiliki 6 senar dengan masing-masing senar memiliki frekuensi dan suara yang berbeda.

Bagi seorang pengguna gitar terutama pemula terkadang masih mengalami kesulitan dalam mengenali nada. Terutama dalam melakukan setem yang tepat pada gitar merupakan sesuatu yang sulit. Biasanya hal tersebut dikarenakan seorang pemain gitar pemula belum dapat mengingat nada pada masing-masing senar gitar tersebut.

Kesulitan terjadi pada saat melakukan setem nada yang tepat pada masing-masing senar gitar. Sudah ada beberapa penelitian terkait pengenalan nada pada alat

(17)

musik. Diantaranya yaitu Basuki, A, et al(2006) menggunakan Jaringan Saraf

Tiruan(JST) metode back propagation untuk melakukan pengenalan. Sebelum

dikenali, sinyal suara analog dicuplik menjadi sinyal digital dengan kecepatan 12000 Hz. kemudian sinyal digital ditransformasikan ke domain frekuensi dengan menggunakan Fast Fourier Transform(FFT) 256 point. Kemudian Afriany, et al(2013) yang melakukan pengenalan nada pada senar biola dengan menggunakan Learning Vector Quantization(LVQ) untuk mengenali pola nada pada biola dan linier Predictive Coding (LPC) untuk mengekstraksi sinyal suara. Sinung Tegar P (2012) melakukan penelitian tentang pengaktifan alat elektronik menggunakan deteksi

ucapan yang menggunakan metode Hidden Markov Model (HMM) dan Linier

Predictive Coding (LPC). Penelitian selanjutnya yang ditulis oleh Saadatuddaroin (2009) dengan judul Perancangan Perangkat Lunak Sensor Tsunami dengan Teknik Hidden Markov Model. Gelombang gempa yang diterima diubah ke dalam bentuk diskrit yang kemudian diekstraksi dengan metode Frequency Cepstral Coefficient (MFCC). Kemudian pada data ekstraksi tersebut akan ditraining dan diidentifikasi

dengan metode Hidden Markov Model (HMM).

1.2 Rumusan Masalah

Sebagian besar dari pengguna alat musik gitar mengalami kesulitan mengenali nada terutama pada saat melakukan setem pada senar gitar untuk mendapatkan nada yang tepat, diperlukan suatu pendekatan untuk mengidentifikasi nada pada senar gitar untuk mempermudah pengguna gitar dalam melakukan setem pada senar gitar.

1.3 Tujuan Penelitian

Tujuan dari penelitian adalah untuk mengidentifikasi nada pada gitar dengan menggunakan metode Fast Fourier Transform (FFT).

1.4 Batasan Masalah

Adapun yang menjadi batasan dalam penelitian ini yaitu.

1. Input suara merupakan suara dari masing-masing senar gitar yang tidak ditekan oleh jari.

2. Pengenalan nada hanya dilakukan untuk nada dasar pada masing-masing senar gitar.

(18)

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini yaitu :

1. Memudahkan pengguna gitar dalam melakukan setem pada senar gitar.

2. Menambah pengetahuan dan referensi tentang metode dan Fast Fourier

Transform(FFT).

3. Dapat menjadi referensi bagi penelitian selanjutnya.

1.6 Metodologi Penelitian

Adapun metodologi penelitian yang digunakan yaitu : 1. Studi Literatur

Pada tahap ini peneliti melakukan pengumpulan sumber referensi yang akan digunakan untuk penelitian. Peneliti membaca dan mempelajari buku-buku, jurnal, media online dan sumber lainnya yang berhubungan dengan penelitian yang akan dilakukan.

2. Perancangan Desain Sistem

Pada tahap ini peneliti melakukan perancangan aplikasi, seperti merancang activy diagram, diagram alur (flowchart) sistem, perancangan desain, dan perancangan desain antarmuka (interface).

3. Implementasi Sistem

Pada tahap ini dilakukan pengkodean dan implementasi rancangan yang telah dibuat dengan menggunakan bahasa pemrograman yang telah dipilih. Pengkodean dilakukan dengan pemrograman Visual Basic .NET.

4. Pengujian Sistem

Pada tahap ini dilakukan pengujian dan percobaan pada sistem yang telah dibuat sesuai dengan kriteria dan kebutuhan yang diinginkan dan memastikan apakah program berjalan sesuai dengan yang diinginkan.

5. Dokumentasi Sistem

Pada tahap ini peneliti mendokumentasikan sistem dalam bentuk laporan tertulis untuk menunjukkan hasil penelitian yang dilakukan.

(19)

1.7 Sistematika Penelitian

Penulisan skripsi ini terdiri dari lima bagian utama (bab) dengan penjelasan singkat mengenai bab-bab tersebut yaitu sebagai berikut :

Bab 1 Pendahuluan

Pada bab ini berisi penjelasan latar belakang judul skripsi yang penulis ajukan, yang menjadi rumusan masalah pada penelitian, batasan masalah yang ditetapkan, tujuan penelitian yang diajukan, manfaat dari penelitian yang diajukan, metodologi penelitian, dan sistematika dari penyusunan skripsi.

Bab 2 Landasan Teori

Pada bab ini dijelaskan secara terprinci tentang teori-teori, metode dan algoritma yang digunakan dalam penelitian ini seperti penjelasan tentang pengenalan suara, Fast Fourier Transform(FFT), dan penelitian terdahulu.

Bab 3 Analisis dan Perancangan Sistem

Pada bab ini dijelaskan mengenai analisis pernasalahan dan identifikasi kebutuhan perancangan sistem.

Bab 4 Implementasi dan Pengujian Sistem

Pada bab ini dijelaskan implementasi sistem dari hasil analisis yang dilakukan serta pengujian terhadap sistem yang dibuat.

Bab 5 Kesimpulan dan Saran

Pada bab ini berisi kesimpulan dari hasil penelitian skripsi yang dilakukan beserta saran yang membangun untuk penelitian selanjutnya mengenai topik yang terkait pada penelitian skripsi ini.

(20)

BAB 2

LANDASAN TEORI

2.1 Gelombang Bunyi

Menurut Anwar, et al (2014), gelombang bunyi atau lebih khusus dikenal sebagai gelombang akustik adalah gelombang longitudinal yang berada dalam sebuah medium, biasanya udara. Gelombang suara berasal dari benda yang bergetar. Bentuk gelombang suara periodik akan menimbulkan sensasi yang menyenangkan (jika intensitas nya tepat) seperti bunyi musik. Sebaliknya, bunyi yang tidak periodik akan menimbulkan suara derau (noise).

2.2 Nada

Sebuah nada adalah suatu bunyi yang memiliki nilai tertentu, yaitu pitch, yang diukur untuk menggambarkan jenis nada tersebut. Serangkaian nada yang tersusun teratur berdasarkan ketukan dan pola disebut musik (Afriani, 2012). Dalam teori musik, setiap nada memiliki nilai tertentu menurut frekuensinya ataupun jarak relatif nada tersebut terhadap nada patokan. Nada dapat diatur dalam tangga nada yang berdeda-beda. Nada dasar menentukan frekuensi tiap-tiap nada pada suatu karya musik (Wilson, 2008).

Nada merupakan jenis suprasegmental yang ditandai oleh tinggi-rendahnya arus ujaran yang terjadi karena frekuensi getaran yang berbeda antar segmen. Misalnya pada saat seseorang berada dalam kesedihan maka ia akan berbicara dengan nada yang rendah. Sebaliknya bila ia berada dalam keadaan marah atau gembira, ia berbicara dengan nada yang tinggi.

(21)

2.3 Tangga Nada

Tangga nada merupakan kumpulan nada-nada yang harmonis. Kumpulan dari semua nada pada musik disebut tangga nada kromatik. Tangga nada kromatik dapat diartikan

sebagai “nada setiap warna”. Istilah “tangga nada kromatik” dipakai untuk kedua

belas nada dari tiap oktaf (Sijabat, 2009).

2.4 Alat Musik Gitar

Menurut Anwar (2014), masuknya alat musik gitar ke Indonesia salah satunya adalah dibawa oleh tawanan asal portugis sekitar abad ke-7. Secara umum gitar dibagi menjadi 2 jenis, gitar akustik dan gitar listrik (electric guitar). Gitar akustik merupakan gitar yang terbuat dari kayu, dan terdapat lubang suara atau tabung resonansi (sound hole). Bagian-bagian pada gitar akustik ditunjukkan pada gambar 2.1 berikut.

(22)

Senar gitar yang dipetik akan menghasilkan bunyi yang memiliki frekuensi dan setelan nada yang berbeda tergantung kepada penggunaan dan keinginan dari pengguna gitar tersebut. Frekuensi suara senar gitar yang umum digunakan dapat dilihat pada tabel 2.1.

Tabel 2.1 Frekuensi Nada Gitar (Lourde R. & Saji, 2009)

Nada senar gitar Nomor Kunci Frekuensi

E (senar 6) E2 82.4

A (senar 5) A2 110.0

G (senar 4) D3 146.8

D (senar 3) G3 196.0

B (senar 2) B3 246.9

E (senar 1) E4 329.6

2.5 Sejarah Pengenalan Suara

Sudah hampir lima dekade dilakukan penelitian di bidang pengenalan suara (speech recognition). Menurut Maulana (2013), riset untuk mengembangkan system speech recognition oleh mesin ini dibuat mulai tahun 1950-an yaitu pada saat peneliti mencoba mengeksploitasi ide dari acoustic-phonetics. Tahun 1952, Biddulph dan Balashek membuat sebuah sistem yang dapat mengenali suatu digit terisolasi dari seorang pembicara yang sangat bergantung pada resonansi spektral vokal dari setiap digit.

Kemudian Olson dan Belar berusaha membuat sebuah sistem untuk mengenali 10 suku kata berbeda dari seorang pembicara yang juga sangat bergantung pada spektral dan area vokal pada tahun 1956.

Selanjutnya Fry dan Denes, pada tahun 1959 membuat sebuah sistem pengenalan fonem untuk mengenali 4 vokal dan 10 konsonan dengan menggunakan analisis spektruk dan pencocok pola. Pada tahun yang sama, Forgie juga melakukan penelitian pengenalan vokal dimana 10 vokal disisipkan dalam format a/b/-vokal-/t.

Pada tahun 1962 Sakae dan Doshita membuat hardware pengenalan fonem. Usaha selanjutnya dilakukan oleh Nagata dan rekan kerjanya di laboratorium NEC

(23)

yang menjadi awal bagi sebuah program penelitian produktif. Usaha itu dilakukan oleh nagata pada tahun 1963. Pada era 1960-an, usaha yang dilakukan Martin dan rekannya pada laboraturium RCA adalah untuk membangun sistem dengan kemampuan dasarnya untuk mendeteksi awal dan akhir suatu speech. Pada tahun yang

bersamaan, Vintsyuk mengajukan metode dynamic programming untuk menyamakan

waktu dari pegutaran speech.

Sejumlah batu pijakan yang signifikan diraih pada tahun 1970-an mengenai penelitian speech recognition. Penelitian Jepang menunjuk kearah bagaimana penerapan metode dynamic programming dapat diterapkan dan penelitian yang dilakukan Itakura tentang Linear Predictive Coding (LPC) dengan sukses pada

pencobaan speech ber-bit rendah.

2.6 Pengenalan Suara

Pengenalan suara merupakan serangkaian proses untuk mengenali sinyal suara dengan membandingkan pola karakteristik sinyal suara acuan dengan pola karakteristik sinyal suara uji secara otomatis (Saaddatuddaroin, 2009).

Suara dikenali melalui ciri-cirinya. Ciri-ciri tersebut digunakan untuk membedakan antara suara yang satu dengan suara yang lainnya. Pengenalan suara dapat diklasifikasikan dalam identifikasi dan verifikasi. Identifikasi suara adalah proses pengenalan suara berdasarkan sampel suara, sedangkan verifikasi suara adalah proses penerimaan atau penolakan terhadap suara yang diberikan (Setiawan & Handayani 2012).

2.7 Pengolahan Sinyal Digital

Pengolahan sinyal digital adalah pemrosesan sinyal yang berkaitan dengan perubahan bentuk, menipulasi isi dan penyajian dari sinyal suara dan informasi dalam bentuk digital (Huda, 2011). Tujuan dari pengolahan sinyal digital adalah untuk mendapatkan ekstraksi ciri dari sinyal suara. Sebuah proses untuk mengubah sinyal suara menjadi parameter-parameter yang selanjutnya dapat dilakukan proses selanjutnya, misalnya identifikasi pola suara. Proses yang terjadi pada pengolahan sinyal digital pada

(24)

penelitian ini adalah proses sampling dan Fast Fourier Transform (FFT). Contoh input suara dapat dilihat pada gambar 2.2 berikut.

Gambar 2.2Input Suara

2.7.1 Sampling

Proses sampling adalah proses untuk mengubah sinyal pada waktu-kontinu menjadi bentuk diskrit yang diperoleh dengan mengambil cuplikan sinyal pada waktu-kontinu (Huda, 2011).

2.7.2 Fast Fourier Transform (FFT)

Fast Fourier Transform merupakan DFT dengan algoritma yang lebih optimal, sehingga menghasilkan perhitungan yang lebih cepat. Dengan DFT, memerlukan waktu O(n2) untuk mengolah sampel data sebanyak n buah. Hal ini tentunya akan memakan waktu lama bila sampel data makin banyak (Stefanus, Hamz, M. & Angzas, Y., 2005). Proses pada metode fast Fourier Transform (FFT) adalah mengkonversi setiap frame N sampel dari domain waktu menjadi domain frekuensi. Menurut Hanggarsari,et al(2012), transformasi fourier merupakan metode yang efisien untuk transformasi fourier diskrit yang banyak digunakan pada pemrosesan sinyal digital.

(25)

Contoh sinyal dalam domain waktu pada gambar 2.3 dan contoh sinyal dalam domain frekuensi pada gambar 2.4 berikut (Huda, 2011).

Gambar 2.3 Sinyal dalam domain waktu

Gambar 2.4 Sinyal dalam domain frekuensi

Metode FFT dapat dilakukan dalam domain waktu dan frekuensi, yang disebut sebagai desimasi – dalam – waktu (decimation-in-time) dan desimasi-dalam-frekuensi (decimation-in-frequency) (Gunawan, D., Juwono, F.H., 2012). Pada prinsipnya algoritma ini adalah memecah N-titik menjadi dua (N/2) – titik, kemudian dipecah lagi pada tiap (N/2) – titik menjadi dua (N/4) – titik, begitu seterusnya sampai hanya terdapat 1 titik. Prinsip tersebut dapat kita lihat lebih jelas pada gambar 2.2 berikut.

(26)

Gambar 2.5 Desimasi untuk 16 titik

Konsep metode Fast Fourier Transfrom (FFT) secara keseluruhan dapat dilihat pada gambar 2.6.

Gambar 2.6 Konsep FFT

Algoritma DFT melakukan perkalian kompleks sebanyak N. Dengan menggunakan FFT maka terdapat log2(N) perkalian kompleks. Sehingga jumlah perkalian kompleks berkurang dari N2 menjadi log2(N). Dikarenakan DFT merupakan bagian dari FFT, maka lebih baik menghitung FFT dengan mempertimbangkan nilai N DFT terlebih dahulu (Yang, 2012).

(27)

X(k) = ∑ k = 0, 1, 2…N-1 (1) Pisahkan x(n) menjadi dua bagian : x(ganjil) dan x(genap) = x(2m), dimana

m=0, 1,2,…,N/2-1. Lalu nilai N DFT juga dibagi dua bagian untuk tiap nilai N/2 :

X(k) = ∑ = ∑ + ∑

= ∑ + ∑ (2)

Dimana m = 0, 1, 2,…., N/2-1

Karena :

_{= cos(} _{) + j sin(} ₎ ₍₃₎

_{= cos[} _{] + j. sin[}

= -cos( ) – j.sin( )

= -[cos( ) + j.sin( )]

= - (4)

Maka :

_{= -} ₍₅₎

Jadi ketika faktor diubah dengan setengah periode, nilai dari faktor tersebut tidak akan berubah, tetapi tanda nilai faktor tersebut akan menjadi sebaliknya. Hal ini merupakan sifat simetri dari faktor. Karena faktor bisa juga ditulis sebagai =

_{, maka :}

= - (6)

Dan

(28)

Maka nilai N DFT akhirnya menjadi :

X(k) = ∑ ∑ (8)

k = 0,1….N/2

X(k + N/2) = - (9)

k = 0, 1, 2…..N/2

Jadi nilai N DFT dipisah menjadi dua nilai N/2 DFT. Dari persamaan (8), (k) memiliki (N/2) * (N/2) = (N/2)2. memiliki N/2 + (N/2)2.

Maka jumlah total dari perhitungan untuk X(k) adalah 2(N/2)2 +

N/2=N2/2+N/2. Untuk nilai awal N DFT, dimulai dari N2. Maka pada langkah pertama, pisahkan x(n) menjadi dua bagian yang membuat perhitungan dari N2 menjadi N2/2+N/2. Jumlah angka perkalian dikurangi setengah secara berkala.

Selanjutnya adalah proses pengurangan perkalian dari nilai N menjadi N/2.

Lanjutkan pemisahan (m) dan (m) menjadi bagian ganjil dan genap dengan cara

yang sama, perhitungan untuk N/2 akan dikurangi menjadi N/4. Kemudian perhitungan DFT akan berkurang secara terus – menerus. Jadi jika sinyal untuk nilai N DFT terpisah terus – menerus sampai sinyal akhir menjadi satu titik. Misalkan ada N=2v DFT yang perlu dihitung. Maka jumlah pemisahan yang dapat dilakukan adalah v = (N). Jumlah total perkalian akan dikurangi hingga (N/2) (N). Untuk tambahan perhitungan, angka yang akan dikurangi mencapai N (N). Karena perkalian dan penambahan dikurangi, maka kecepatan perhitungan komputasi DFT dapat ditingkatkan. Tujuan utama untuk Radix -2 FFT adalah memisahkan deretan data menjadi ganjil dan genap secara terus – menerus sampai mendekati setengah perhitungan.

(29)

2.8 Penelitian terdahulu

Pada bagan ini akan dipaparkan tentang penelitian-penelitian sebelumnya yang berhubungan dengan pengenalan nada pada senar gitar. Pemaparan tentang penelitian sebelumnya dapat dilihat pada tabel 2.2 berikut.

Tabel 2.2 Penelitian terdahulu

Penulis Teknik yang

digunakan

Keterangan

Afriani, S.S., 2012. Jaringan Saraf Tiruan Learning Vector Quantization.

Metode Learning Vector

Quantization dapat digunakan untuk mengenali nada pada senar biola, dengan pengenalan nada G

mencapai 100%, nada E

mencapai 93,33%, nada D

mencapai 40% dan nada A mencapai 60%.

Anwar, K. Et al, 2014 Fast Fourier

Transform (FFT).

Akord merupakan prinsip utama dalam memainkan alat musik gitar. penulis melakukan analisis

fenomena dari akord Dmayor

menggunakan metode Fast

Fourier Transform (FFT).

Basuki, A., et al, 2006 Fast Fourier

Tranform (FFT), Jaringan Saraf Tiruan (JST) Propagasi balik (back Propagation).

Sinyal suara analog dicuplik dengan kecepatan 12000 Hz. Fast Fourier Transform(FFT) digunakan untuk mendapatkan

fitur sinyal yang

ditransformasikan kedalam

domain frekuensi. Kemudian

fitur suara tersebut diproses dengan menggunakan jaringan saraf tiruan(JST).

(30)

Tabel 2.2 Penelitian terdahulu (Lanjutan)

Penulis Teknik yang

digunakan

Keterangan

Ardiansyah, M., 2014 Mel Frequency

Cepstral Coefficient

(MFCC) dan

Learning Vector Quantization (LVQ).

Metode MFCC digunakan untuk mengambil nilai vektor pada

sebuah lagu. Metode LVQ

digunakan untuk mencocokkan data uji dengan data acuan yang telah disimpan di dalam database.

Dianputra, R., 2014 Fast Fourier

Transform (FFT)

Algoritma FFT digunakan untuk

menghitung nilai Discreate

Fourier Transform (DCT) untuk transformasi dari domain waktu

ke domain frekuensi. Data

masukan adalah suara senar gitar yang dipetik secara open string.

(31)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas tentang analisis dan perancangan sistem pengenalan nada gitar dengan menggunakan metode Fast Fourier Transform (FFT), perancangan alur kerja sistem, dan merancang antarmuka sistem. Pada bab ini akan dipelajari konsep dan proses sistem pengenalan nada senar gitar.

3.1 Data yang digunakan

Data yang digunakan pada penelitian ini diperoleh dari penelitian Lourde R. & Saji (2009). Lourde R. & Saji mengembangkan algoritma yang cocok dan akurat untuk mendeteksi frekuensi dari senar gitar dengan menggunakan MATLAB. Data frekuensi dasar dari masing-masing senar gitar dapat dilihat pada tabel 2.1.

Data-data frekuensi senar gitar seperti yang diberikan pada tabel 2.1 akan menjadi acuan dalam sistem pengenalan nada pada senar gitar. Suara senar gitar sebagai suara input akan direkam oleh sistem secara real-time.

3.2 Perancangan Sistem

Pada sub bab ini akan dibahas tentang perancangan alur sistem yang akan dibangun.

3.2.1 Arsitektur Umum

Pada sub bab ini akan dijelaskan perancangan arsitektur umum dari sistem yang akan dirancang. Tujuan dari pembuatan arsitektur umum ini adalah untuk mempermudah pembaca dalam memahami sistem yang akan dirancang secara keseluruhan. Penjelasan dari tahapan dari arsitektur umum sistem ini yaitu:

(32)

1. Suara input berasal dari masing-masing senar gitar yang akan disetem. Senar gitar yang dibunyikan tidak ditekan oleh jari (open string).

2. Sinyal analog dari senar gitar yang di-input akan direkam oleh microphone yang kemudian akan diproses secara digital.

3. Sinyal analog yang di-input diproses secara digital pada proses sampling untuk mendapatkan nilai sampel suara. Nilai sampel suara yang dihasilkan digunakan untuk diproses dengan menggunakan metode Fast Fourier Transform (FFT). 4. Data nilai sampel suara yang dihasilkan dari proses sampling diproses dengan

menggunakan metode Fast Fourier Transform (FFT) agar dapat

ditransformasikan dari domain waktu ke domain frekuensi.

5. Hasil dari proses dengan metode Fast Fourier Transform (FFT) berupa frekuensi suara. Frekuensi tersebut dicocokkan dengan data frekuensi dasar senar gitar pada tabel 2.1. Apabila frekuensi input senar gitar sudah sama dengan frekuensi dasar senar gitar, maka proses akan selesai. Jika belum sama, dapat dilakukan input suara senar yang baru.

Arsitektur umum dari sistem yang akan dirancang dapat dilihat pada gambar 3.1 berikut.

(33)

3.2.2 Flowchart Sistem

Pada analisis ini akan dijelaskan flowchart dari sistem yang akan dirancang. Flowchart ini akan menjelaskan tahapan-tahapan dari sistem yang akan dirancang secara terstruktur. Tujuan dari flowchart rancangan sistem ini adalah untuk mempermudah memahami sistem yang akan dirancang. Adapun tahapan dari proses yang akan dibuat pada penelitian ini yaitu:

1. Pilih senar gitar yang akan diproses.

2. Input suara gitar. Pada tahap ini suara gitar dari senar yang dipetik akan diinput ke dalam sistem untuk diproses.

3. Sistem akan melakukan proses sampling suara senar gitar yang telah di-input untuk mendapatkan nilai data sampel suara. Nilai data sampel suara akan diproses pada tahap selanjutnya.

4. Data sampel suara hasil proses sampling diproses dengan menggunakan metode fast fourier transform (FFT) hingga data sampel suara dapat diubah dari domain waktu ke dalam domain frekuensi.

5. Hasil dari proses fast fourier transform (FFT) berupa frekuensi. Frekuensi dari suara input tersebut akan dicocokkan dengan frekuensi dasar senar gitar.

6. Apabila senar gitar yang diinput cocok dengan frekuensi dasar pada senar gitar, maka proses selesai.

Flowchart dari tahapan proses dari sistem yang akan dibuat dapat dilihat pada gambar 3.2 berikut.

(34)

Gambar 3.2 Rancangan sistem pengenalan nada gitar

3.2.3 Proses sampling

Menurut Anwar, et al(2014) kebanyakan sinyal dinyatakan dalam bentuk analog. Sehingga untuk memperoleh sinyal dalam bentuk diskrit harus dilakukan proses pengolahan pada sinyal. Proses tersebut dinamakan proses sampling.

Pada proses sampling, suara senar gitar yang masuk ke dalam sistem akan diproses dan akan diubah menjadi nilai-nilai sampel suara. Nilai sampel suara yang akan diproses dengan menggunakan algoritma fast fourier transform pada proses selanjutnya. Tahapan pada proses sampling adalah sebagai berikut :

1. Memulai proses sampling dengan memetik senar gitar.

2. Senar gitar yang dipetik akan mengeluarkan suara yang akan diproses untuk mengambil data sampel suara. Proses pengambilan data sampel suara diproses oleh fungsi start() pada class SoundCaptureBase.vb.

3. Hasil dari fungsi start() akan disimpan pada array ‘data’ untuk diproses pada tahap selanjutnya.

4. Data sampel suara yang sudah disimpan pada array ‘data’ akan digunakan

sebagai data untuk memproses fungsi processData pada class

soundFrequencyInfoSource.vb. Hasil dari fungsi processData akan dijadikan data acuan pada proses fast fourier transform.

(35)

Pseudocode dari tahapan proses sampling diatas dapat dilihat pada gambar 3.3.

Gambar 3.3 Pseudocode proses sampling

3.2.4 Fast Fourier Transform (FFT)

Fast Fourier Transform (FFT) merupakan algoritma tercepat untuk melakukan transformasi sinyal dari domain waktu ke domain frekuensi. Tujuan proses FFT adalah agar sinyal dapat diproses dalam spektral subtraksi. Perhitungan FFT mengimplementasi transformasi ganda hasil proses DFT dengan menghitung nilai setengahnya dari sinyal sehingga proses penghitungan akan lebih cepat, lalu nilai yang setengahnya lagi dihitung dengan conjugate nilai yang telah dihitung dengan DFT

(Hanggarsari, et al, 2012). FFT merupakan algoritma cepat untuk

mengimplementasikan Discrete Fouries Transform (DCT) dengan persamaan sebagai

berikut.

F[k] = ∑

(7)

atau dapat dituliskan dengan :

F[k] = ∑ ∑ (8)

Dimana :

f(n) = sinyal suara N = jumlah sampel F[k] = hasil dari FFT

Contoh proses penghitungan nilai DFT dengan nilai sampel 0.009, 0.001, -0.029, 0.071.

X(0) = ∑

= ∑ = ∑

(36)

= + + +

= 0.009 + (-0.001) + (-0.029) + (0.071) = 0.05 Kemudian gunakan rumus

f = √

= √ = 0.05

X(1) = ∑

= ∑

= + + + = + + +

= 0.009 + (-0.001) + (-0.029) + 0.071

= 0.009 + [(-0.001) (cos ½ - j sin ½ )] + 0.029 + [0.071(cos 3/2 – j sin 3/2)] = 0.009 + 0.001j + 0.029 + (-0.071)j = 0.038 + (-0.070)j

Kemudian gunakan rumus

f = √

= √ = 0.080

X(2) = ∑

= ∑

= + + + = + + +

= 0.009 + (-0.001) + (-0.029) + 0.071 = 0.009 + 0.001 + 0.029 - 0.071 = 0.11

Kemudian gunakan rumus

f = √

= √ = 0.012

X(3) = ∑

= ∑

(37)

= + + +

= 0.009 + [(-0.001)(cos 3/2 – j sin 3/2)] + 0.029 + [(0.071)(cos 9/2 – j sin 9/2)] = 0.009 + 0.001j + 0.029 + (-0.071)j = 0.038 – 0.070j

Kemudian gunakan rumus

f = √

= √ = 0.080

3.3 Diagram Use case

Use case diagram merupakan pemodelan terhadap cara kerja dan tingkah laku sistem yang akan dibangun. Use case mendeskripsikan interaksi antara user dengan sistem. Diagram use case dapat dilihat pada gambar 3.4.

Halaman Utama Kecocokan suara

Tentang

Bantuan

Input suara

Gambar 3.4 Diagram Use case Sistem

3.4 Spesifikasi Use case

Spesifikasi use case merupakan deskripsi dari diagram use case yang bertujuan untuk menjelaskan bagaimana sistem ini bekerja (Muchtar, et al. 2011). Spesifikasi use case input suara pada sistem ini dijelaskan pada tabel 3.1.

(38)

Tabel 3.1 Spesifikasi Use case Input Suara

Nama use case Input Suara

Aktor User

Deskripsi Use case ini digunakan oleh user untuk

memasukkan suara yang akan diproses ke dalam system

Pre condition

-Characteristic of activation Eksekusi hanya dapat dilakukan oleh user Basic flow - User menjalankan program

- User membuka halaman gitar tuner

- User memasukkan suara yang akan diproses

Alternative flow

-Post condition User dapat melihat kecocokan suara Limitations -

Spesifikasi Use case tentang pada sistem ini akan dijelaskan pada tabel 3.2 berikut.

Tabel 3.2 Spesifikasi Use case Tentang

Nama use case Tentang

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melihat

profil pembuat aplikasi Pre condition

-Characteristic of activation Eksekusi dapat dilakukan oleh user

Basic flow User menjalankan mengklik tombol tentang Alternative flow

-Post condition User dapat melihat profil pembuat aplikasi Limitations -

Spesifikasi Use case tentang pada sistem ini akan dijelaskan pada tabel 3.3 berikut.

(39)

Tabel 3.3 Spesifikasi Use case Bantuan

Nama use case Bantuan

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melihat

petunjuk penggunaan aplikasi Pre condition

-Characteristic of activation Eksekusi dapat dilakukan oleh user

Basic flow User menjalankan mengklik tombol bantuan Alternative flow

-Post condition User dapat melihat petunjuk penggunaan aplikasi Limitations -

3.5 Perancangan Antarmuka Sistem

Perancangan antarmuka merupakan perancangan tampilan dari sistem yang akan dibangun. Tampilan (interface) yang dibangun diharapkan dapat memudahkan pengguna saat menjalankan sistem ini. Penjelasan bagian-bagian dari antarmuka sistem yang akan dibangun adalah sebagai berikut.

3.5.1 Rancangan Halaman Awal

Pada halaman awal terdapat nama sistem pada bagian atas dan logo instansi Universitas Sumatera Utara berada tepat di bawahnya. Kemudian disebelah kiri ada

button “Pengenalan Nada Senar” untuk memulai proses pengenalan nada. Disebelah

kanan atas terdapat button “Input Data Latih” untuk masuk ke halaman input data latih

yang fungsinya memasukkan data latih senar gitar ke dalam sistem. Kemudian

terdapat button “about” di sebelah kanan bawah yang berfungsi untuk membukan

halaman “about” yang isinya tentang penulis. Kemudian terdapat button “Keluar”

pada posisi paling bawah yang berfungsi untuk keluar dari sistem. Rancangan tampilan halaman awal dapat dilihat pada gambar 3.5.

(40)

Gambar 3.5 Tampilan Halaman Awal

3.5.2 Rancangan Halaman Pengenalan Senar Gitar

Pada halaman ini terdapat “radio button” dengan tulisan senar 1, senar 2, sampai senar

6 yang berfungsi untuk memilih senar yang akan disetem. Disebelah kiri atas terdapat button rekam yang berfungsi untuk merekam suara dan button stop untuk berhenti merekam. Pada posisi tengah terdapat gambar gitar. Kemudian dibawahnya terdapat progres bar untuk menampilkan perubahan sinyal suara yang masuk ke dalam sistem. Disebelah kiri bawah terdapat textbox untuk melihat frekuensi dari suara yang masuk.

Disebelah kanan bawah terdapat tombol “kembali” untuk kembali ke halaman awal.

(41)

Gambar 3.6 Rancangan Halaman Pengenalan Nada Gitar

3.5.3 Rancangan Halaman Bantuan

Halaman ini berisikan informasi bagaimana menggunakan sistem. Rancangan halaman bantuan dapat dilihat pada gambar 3.7.

(42)

3.5.4 Rancangan Halaman About Us

Halaman ini berisikan informasi tentang penulis. Rancangan halaman about us dapat dilihat pada gambar 3.8.

(43)

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Pada bab ini, akan dibahas pengimplementasian dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada bab sebelumnya. Tahapan ini bertujuan untuk menampilkan hasil tampilan akhir sistem yang dibangun dan proses pengujian sistem yang nantinya dapat memberikan hasil pengenalan nada gitar kepada user.

4.1 Implementasi Sistem

Berdasarkan analisis dan perancangan sistem yang telah dibuat, maka sistem ini akan diimplementasikan dengan menggunakan bahasa pemrograman VB.NET untuk desktop. Untuk membangun sistem ini dibutuhkan beberapa komponen meliputi perangkat keras dan perangkat lunak.

4.1.1. Perangkat Keras

Perangkat keras yang digunakan dalam membangun sistem ini memiliki spesifikasi sebagai berikut :

a. Processor : Intel(R) Core(TM) i5-2450M CPU @ 2.50GHz

b. RAM : 4,00 GB

c. Hardisk : 650 GB d. Gitar akustik

4.1.2. Perangkat Lunak

Perangkat lunak yang digunakan dalam membangun sistem ini memiliki spesifikasi sebagai berikut :

a. Sistem operasi : Windows 7 Ultimate 64 bit

b. Visual basic : Microsoft Visual Studio Professional 2012

(44)

4.2 Pengujian Kinerja Sistem

Pada pengujian kinerja sistem akan dijelaskan hasil perancangan sistem yang telah dibuat dan hasil dari tiap halaman di dalam sistem.

4.2.1 Tampilan Halaman Menu Utama

Tampilan halaman menu utama pada aplikasi identifikasi nada gitar dengan metode Fast Fourier Transform (FFT) dapat dilihat pada gambar 4.1.

Gambar 4.1 Tampilan Halaman Menu Utama

Pada halaman menu utama terdapat empat tombol, yaitu gitar tuner, tentang penulis, bantuan dan keluar. Tombol gitar tuner digunakan untuk masuk ke halaman gitar tuner. Tombol tentang penulis digunakan untuk mengetahui identitas penulis. Tombol bantuan digunakan untuk mengetahui panduan-panduan menggunakan sistem. Dan yang terakhir adalah tombol keluar untuk keluar dari sistem.

4.2.2 Tampilan HalamanGitar Tuner

Pada tampilan halaman gitar tuner terdapat tombol mulai yang berfungsi untuk mulai menginput suara dan tombol stop untuk berhenti. Kemudian terdapat enam buah radio button yang merupakan representasi dari senar 1-6 dari gitar. User harus memilih salah satu dari senar yang akan disetem. Jika user sudah memilih senar yang akan disetem dan menekan tombol mulai, maka suara gitar yang diinput akan diubah menjadi frekuensi. Nilai dari frekuensi tersebut ditampilkan pada textbox frekuensi.

(45)

Terakhir adalah tombol kembali yang berfungsi untuk kembali ke halaman menu utama. Tampilan halaman gitar tuner dapat dilihat pada gambar 4.2.

Gambar 4.2 Tampilan Halaman Gitar Tuner

4.2.3 Tampilan Halaman Select Device

Tampilan select device adalah tampilan yang tampil jika kita menekan tombol mulai pada tampilan gitar tuner. Fungsinya adalah untuk memilih device yang akan kita gunakan untuk menangkap suara gitar. Tampilan halaman Select Device dapat dilihat pada gambar 4.3.

(46)

4.2.4 Tampilan Halaman Tentang Penulis

Tentang penulis merupakan form yang isinya tentang judul penelitian sistem dan identitas penulis. Tampilan halaman tentang penulis dapat dilihat pada gambar 4.4.

Gambar 4.4 Tampilan Halaman Tentang Penulis

4.2.5 Tampilan Halaman Bantuan

Form bantuan merupakan form yang berisi tentang langkah-langkah pengoperasian sistem. Tampilan halaman bantuan dapat dilihat pada gambar 4.5.

(47)

4.3 Hasil Pengujian Pengenalan Nada Senar Gitar

Penulis akan memaparkan hasil pengujian sistem dalam pengenalan nada pada senar gitar. Suara dari senar gitar yang dipetik tidak ditekan dengan jari (open string). Berikut akan dijelaskan pengujian yang dilakukan pada masing-masing senar gitar.

4.3.1. Pengenalan nada senar 1

Apabila nada pada senar 1 sudah tepat akan menghasilkan nada E dengan nilai frekuensi mendekati angka 329.63 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf E yang menandakan bahwa nada pada senar 1 sudah tepat yaitu nada E. Tampilan pengenalan nada senar 1 dapat dilihat pada gambar 4.6.

Gambar 4.6 Pengenalan nada pada senar 1

4.3.2. Pengenalan nada senar 2

Apabila nada pada senar 2 sudah tepat akan menghasilkan nada B dengan nilai frekuensi mendekati angka 264.94 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf B yang menandakan bahwa nada pada

(48)

senar 2 sudah tepat yaitu nada B. Tampilan pengenalan nada senar 2 dapat dilihat pada gambar 4.7.

Gambar 4.7 Pengenalan nada pada senar 2

4.3.3. Pengenalan nada senar 3

Apabila nada pada senar 3 sudah tepat akan menghasilkan nada G dengan nilai frekuensi mendekati angka 196.00 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf G yang menandakan bahwa nada pada senar 3 sudah tepat yaitu nada G. Tampilan pengenalan nada senar 3 dapat dilihat pada gambar 4.8.

(49)

Gambar 4.8 Pengenalan nada pada senar 3

4.3.4. Pengenalan nada senar 4

Apabila nada pada senar 4 sudah tepat akan menghasilkan nada D dengan nilai frekuensi mendekati angka 152.83 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf D yang menandakan bahwa nada pada senar 4 sudah tepat yaitu nada D. Tampilan pengenalan nada senar 4 dapat dilihat pada gambar 4.9.

(50)

4.3.5. Pengenalan nada senar 5

Apabila nada pada senar 5 sudah tepat akan menghasilkan nada A dengan nilai frekuensi mendekati angka 110.00 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf A yang menandakan bahwa nada pada senar 5 sudah tepat yaitu nada A. Tampilan pengenalan nada senar 5 dapat dilihat pada gambar 4.10.

Gambar 4.10 Pengenalan nada pada senar 5

4.3.6. Pengenalan nada senar 6

Apabila nada pada senar 6 sudah tepat akan menghasilkan nada E dengan nilai frekuensi mendekati angka 82.41 Hz dan sistem akan berhenti merekam suara. Kemudian pada textbox akan muncul huruf E yang menandakan bahwa nada pada senar 6 sudah tepat yaitu nada E. Tampilan pengenalan nada senar 6 dapat dilihat pada gambar 4.11.

(51)

Gambar 4.11 Pengenalan nada pada senar 6

4.4 Hasil pengujian sistem terhadap jarak

Pada penelitian ini, sistem juga diuji terhadap jarak antara sumber suara dengan microphone. Bentuk pengujian ini dilakukan berdasarkan pengujian yang telah dilakukan oleh Dianputra, R., et al (2014). Jarak yang akan diuji yaitu pada jarak 20 cm dan 30 cm. Hasil pengujian sistem terhadap jarak 20 cm akan dipaparkan pada tabel 4.4.

Tabel 4.4 Pengujian sistem terhadap jarak 20 cm

No. Frekuensi Senar

1 2 3 4 5 6

1 329.104 247.753 196.00 146.512 109.701 81.667 2 329.104 247.753 196.00 146.512 110.250 81.516 3 329.104 247.753 196.00 147.492 109.701 81.516 4 329.104 247.753 196.00 146.512 109.701 82.276 5 329.104 246.369 196.00 146.512 110.250 81.790 6 329.104 246.369 196.00 146.512 109.701 82.123 7 329.104 247.753 196.00 147.492 109.975 81.516 8 329.104 247.753 196.00 147.492 109.701 82.276

(52)

Tabel 4.4 Pengujian sistem terhadap jarak 20 cm (Lanjutan)

No. Frekuensi Senar

1 2 3 4 5 6

9 329.104 247.753 196.00 146.512 109.701 81.667 10 329.104 247.753 196.00 146.512 109.701 81.667 Frekuensi

Rata-Rata 329.104 247.476 196.00 146.806 109.838 81.801 Frekuensi

Standar 329.6 246.9 196.0 146.8 110.0 82.4

Error 0.496 0.576 0 0.006 0.162 0.599

Pemaparan dari hasil dari pengujian sistem terhadap jarak 30 cm dapat dilihat pada tabel 4.5.

Tabel 4.5 Pengujian sistem terhadap jarak 30 cm

No. Frekuensi Senar

1 2 3 4 5 6

1 329.104 247.753 196.00 147.00 110.526 81.818 2 329.104 247.753 196.00 146.026 110.526 81.970 3 329.104 247.753 196.00 145.545 110.526 82.123 4 329.104 247.753 196.00 145.545 110.526 81.818 5 329.104 246.369 196.00 145.545 110.526 81.970 6 329.104 246.369 196.00 145.545 110.526 81.970 7 329.104 247.753 196.00 147.00 110.526 82.276 8 329.104 247.753 196.00 147.00 110.250 82.276 9 329.104 247.753 196.00 145.545 110.526 82.276 10 329.104 247.753 196.00 145.545 110.526 81.970 Frekuensi

Rata-Rata 329.104 247.476 196.00 146.029 110.498 82.047 Frekuensi

Standar 329.6 246.9 196.0 146.8 110.0 82.4

(53)

4.5 Hasil perbandingan pengujian sistem terhadap jarak

Pada tabel 4.6 penulis melakukan perbandingan hasil pengujian antara hasil pengujian pengenalan nada senar gitar dengan metode Fast Fourier Transform (FFT) dengan hasil pengujian Implementasi Algoritma Fast Fourier Transform untuk Pengolahan Sinyal Digital pada Tuning Gitar dengan Open String (Dianputra, R., et al (2014).

Tabel 4.6 Perbandingan Hasil Pengujian Terhadap Jarak

Senar

Error

Jarak 20 cm Jarak 30 cm

Penelitian Penulis

Penelitian Dianputra, R., et al

(2014)

Penelitian Penulis

Penelitian Dianputra, R., et al

(2014)

1 0.496 0.425 0.496 0.936

2 0.576 1.070 0.576 1.866

3 0 0.565 0 0.879

4 0.006 0.662 0.771 0.810

5 0.162 0.281 0.498 0.741

6 0.599 0.378 0.353 0.031

Rata-rata

Error 0.3065 0.5635 0.449 0.877

Dari hasil pengujian pada tabel 4.6 dapat disimpulkan bahwa selisih rata-rata error antara hasil pengujian pengenalan nada senar gitar dengan metode Fast Fourier Transform (FFT) dengan hasil pengujian Implementasi Algoritma Fast Fourier Transform untuk Pengolahan Sinyal Digital pada Tuning Gitar dengan Open String pada jarak 20 cm adalah sebesar 0.257 Hz dan pada jarak 30 cm adalah sebesar 0.388 Hz.

4.6 Hasil pengujian sistem terhadap noise

Pada penelitian ini, dilakukan juga pengujian sistem dengan menggunakan parameter noise untuk mengetahui tingkat keakuratan sistem dalam mengenali nada senar gitar

(54)

apabila berada di lingkungan dengan gangguan suara. Hasil pengujian dapat dilihat pada tabel 4.7.

Tabel 4.7 Hasil Pengujian Terhadap Noise

Senar Berhasil Gagal Total

Pengujian Persentase (%)

Senar 1 7 3 10 70

Senar 2 8 2 10 80

Senar 3 6 4 10 60

Senar 4 8 2 10 80

Senar 5 6 4 10 60

Senar 6 7 3 10 70

Setelah dilakukan pengujian sistem terhadap noise apabila berada di lingkungan dengan gangguan suara maka dihasilkan data pengujian pada tabel 4.7. dari data pengujian pada tabel 4.7 dapat diketahui persentase keberhasilan sistem terhadap noise adalah sebesar 70%.

(55)

BAB 5

KESIMPULAN DAN SARAN

Pada bab ini penulis akan membahas kesimpulan dan saran dari sistem pengenalan nada senar gitar.

5.1.Kesimpulan

Berdasarkan pengujian aplikasi pengenalan nada senar gitar dengan menggunakan metode Fast Fourier Transform (FFT) terdapatlah kesimpulan sebagai berikut :

1. Aplikasi ini dapat mengidentifikasi suara nada pada senar gitar.

2. Aplikasi ini menghasilkan informasi berupa frekuensi dan nada dari senar gitar yang sesuai dengan petikan gitar.

3. Proses pengenalan nada pada masing-masing senar gitar memiliki nilai selisih error sebesar 0,3065 Hz untuk jarak gitar dan microphone sepanjang 20 cm. Sedangkan untuk jarak 30 cm, nilai selisih error sebesar 0,449 Hz.

4. Senar dengan nilai selisih error terbesar pada jarak 20 cm adalah senar enam, sedangkan nilai selisih error terkecilnya adalah senar tiga. Sedangkan senar dengan nilai selisih error terbesar pada jarak 30 cm adalah senar empat, sedangkan nilai selisih error terkecilnya adalah senar tiga.

5. Untuk proses pengujian sistem dengan menggunakan noise memiliki tingkat keberhasilan 70%. Untuk tingkat keberhasilan terbesar berada pada senar 2 dan senar 4 yaitu 80%. Sedangkan untuk tingkat keberhasilan terkecil berada pada senar 5 yaitu sebesar 60%.

6. Aplikasi ini dapat digunakan untuk membantu pengguna gitar dalam

(56)

Berdasarkan kesimpulan di atas, Fast Fourier Transform (FFT) dapat diterapkan untuk mengenali frekuensi suara pada aplikasi pengenalan suara dengan nilai selisih error rata – rata sebesar 0,3065 Hz untuk jarak 20 cm dan 0,449 Hz untuk jarak 30 cm. Jarak dan noise merupakan faktor yang menentukan tingkat keberhasilan aplikasi untuk mengenali suara input dalam sistem ini. Semakin jauh dan besar jarak dan noise, maka tingkat keberhasilan sistem dalam mengenali nada senar gitar semakin kecil. Sebaliknya, semakin dekat dan kecil jarak dan noise, maka tingkat keberhasilan sistem dalam mengenali nada senar gitar semakin besar.

5.2.Saran

Saran dari penulis untuk penelitian berikutnya yaitu :

1. Mencoba metode-metode lain untuk dibandingkan dengan metode Fast

Fourier Transform (FFT) untuk mengetahui tingkat keberhasilan sistem dalam mengenali nada senar gitar.

2. Mencoba mengembangkan sistem tidak hanya mengenali nada dasar gitar, tetapi juga dapat mengenali chord gitar.

(57)

Daftar Pustaka

Afriani, S.S. 2012. Pengenalan Nada pada Senar Biola dengan Metode Jaringan Saraf Tiruan Learning Vector Quantization. Skripsi. Universitas Sebelas Maret. Andriana, A., D. 2013. Perangkat Lunak untuk Membuka Aplikasi pada Komputer

dengan Perintah Suara Menggunakan Metode Mel-Frequency Cepstrum Coefficients. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 2, No. 1: 21-26.

Anwar, K., Isnaini, M., Utami, L. S. 2014. Analisis Akord Dmayor pada Alat Musik Gitar Acoustik. Jurnal Fisika Indonesia No. 54 Vol. XVIII: 77-81.

Ardiansyah, M. 2014. Aplikasi Pengenalan Suara Digital Nada Dasar Piano. Skripsi. Universitas Sumatera Utara.

Basuki, A., Huda, M., Amalia, T. S. 2006. Aplikasi Pengolah Suara untuk Request Lagu. IES: 132-137.

Dianputra, R., Puspitaningrum, D., Ernawati. 2014. Implementasi Algoritma Fast Fourier Transform untuk Pengolahan Sinyal Digital pada Tuning Gitar dengan Open String. Jurnal Teknologi InformasiVolume 10 Nomor 2: 240-248.

Gunawan, D., Juwono, F.H. 2012. Pengolahan Sinyal Digital dengan Pemrograman MATLAB. 978-979-756-814-6. Graha Ilmu : Yogyakarta.

Hanggarsari, P. N., Fitriawan, H., Yuniati, Y. 2012. Simulasi Sistem Pengacakan Sinyal Suara secara Realtime Berbasis Fast Fourier Transform (FFT). Electrical Jurnal Rekayasa dan Teknologi Elektro Volume 6 No. 3: 192-198. Harahap, Irwansyah. 2004. Alat Musik Dawai. Medan: Lembaga Pendidikan Seni

(58)

Huda, M., Basuki, D. K., Akbar, F., Permana, F. J. 2011. Konversi Nada-Nada Akustik Menjadi Chord Menggunakan Pitch Class Profile. Institut Teknologi Sepuluh November.

Maulana, M. A. 2013. Implementasi Speech Recognition pada Permainan Toddler Card untuk Anak Usia Toddler Berbasis Android. Skripsi. Universitas Sumatera Utara.

Lourde L, M., Saji, A. K. 2009. A Digital Guitar Tuner. IJCSIS (International Journal of Computer Science and Information Security)Vol. 6 No. 2: 82-88.

Saaddatuddaroin. 2009. Perancangan Perangkat Lunak Sensor Tsunami dengan Teknik Hidden Markov Model. Skripsi. Universitas Indonesia.

Setiawan, A., Handayani, P. K. 2012. Klastering Suara Berdasarkan Gender dengan Ekstraksi Ciri Berbasis Domain Waktu.Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012): 364-370.

Sijabat, D. W. 2009. Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model. Skripsi. Universitas Indonesia.

Wilson, Ronald. 2008. Rancang Bangun Perangkat Lunak Komposer Musik menggunakan Matlab. Skripsi. Universitas Indonesia.

Yang, T. 2012. The Algorithms of Speech Recognition, Programming and Simulating

(1)

4.5 Hasil perbandingan pengujian sistem terhadap jarak

Tabel 4.6 Perbandingan Hasil Pengujian Terhadap Jarak

Senar

Error

Jarak 20 cm Jarak 30 cm

Penelitian Penulis

Penelitian Dianputra, R., et al

(2014)

Penelitian Penulis

Penelitian Dianputra, R., et al

(2014)

1 0.496 0.425 0.496 0.936

2 0.576 1.070 0.576 1.866

3 0 0.565 0 0.879

4 0.006 0.662 0.771 0.810

5 0.162 0.281 0.498 0.741

6 0.599 0.378 0.353 0.031

Rata-rata

Error 0.3065 0.5635 0.449 0.877

4.6 Hasil pengujian sistem terhadap noise

Pada penelitian ini, dilakukan juga pengujian sistem dengan menggunakan parameter noise untuk mengetahui tingkat keakuratan sistem dalam mengenali nada senar gitar

(2)

apabila berada di lingkungan dengan gangguan suara. Hasil pengujian dapat dilihat pada tabel 4.7.

Tabel 4.7 Hasil Pengujian Terhadap Noise

Senar Berhasil Gagal Total

Pengujian Persentase (%)

Senar 1 7 3 10 70

Senar 2 8 2 10 80

Senar 3 6 4 10 60

Senar 4 8 2 10 80

Senar 5 6 4 10 60

Senar 6 7 3 10 70

(3)

BAB 5

KESIMPULAN DAN SARAN

Pada bab ini penulis akan membahas kesimpulan dan saran dari sistem pengenalan nada senar gitar.

5.1.Kesimpulan

Berdasarkan pengujian aplikasi pengenalan nada senar gitar dengan menggunakan metode Fast Fourier Transform (FFT) terdapatlah kesimpulan sebagai berikut :

1. Aplikasi ini dapat mengidentifikasi suara nada pada senar gitar.

2. Aplikasi ini menghasilkan informasi berupa frekuensi dan nada dari senar gitar yang sesuai dengan petikan gitar.

6. Aplikasi ini dapat digunakan untuk membantu pengguna gitar dalam melakukan setem pada masing-masing senar gitar.

(4)

5.2.Saran

Saran dari penulis untuk penelitian berikutnya yaitu :

1. Mencoba metode-metode lain untuk dibandingkan dengan metode Fast Fourier Transform (FFT) untuk mengetahui tingkat keberhasilan sistem dalam mengenali nada senar gitar.

2. Mencoba mengembangkan sistem tidak hanya mengenali nada dasar gitar, tetapi juga dapat mengenali chord gitar.

(5)

Daftar Pustaka

dengan Perintah Suara Menggunakan Metode Mel-Frequency Cepstrum Coefficients. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 2, No. 1: 21-26.

Anwar, K., Isnaini, M., Utami, L. S. 2014. Analisis Akord Dmayor pada Alat Musik Gitar Acoustik. Jurnal Fisika Indonesia No. 54 Vol. XVIII: 77-81.

Ardiansyah, M. 2014. Aplikasi Pengenalan Suara Digital Nada Dasar Piano. Skripsi. Universitas Sumatera Utara.

Basuki, A., Huda, M., Amalia, T. S. 2006. Aplikasi Pengolah Suara untuk Request Lagu. IES: 132-137.

Gunawan, D., Juwono, F.H. 2012. Pengolahan Sinyal Digital dengan Pemrograman

MATLAB. 978-979-756-814-6. Graha Ilmu : Yogyakarta.

Nusantara.

(6)

Huda, M., Basuki, D. K., Akbar, F., Permana, F. J. 2011. Konversi Nada-Nada Akustik Menjadi Chord Menggunakan Pitch Class Profile. Institut Teknologi Sepuluh November.

Maulana, M. A. 2013. Implementasi Speech Recognition pada Permainan Toddler Card untuk Anak Usia Toddler Berbasis Android. Skripsi. Universitas Sumatera Utara.

Lourde L, M., Saji, A. K. 2009. A Digital Guitar Tuner. IJCSIS (International Journal of Computer Science and Information Security)Vol. 6 No. 2: 82-88.

Saaddatuddaroin. 2009. Perancangan Perangkat Lunak Sensor Tsunami dengan Teknik Hidden Markov Model. Skripsi. Universitas Indonesia.

Sijabat, D. W. 2009. Simulasi Pengenalan Chord Terisolasi Berbasiskan Speaker Dependent dengan Metode Hidden Markov Model. Skripsi. Universitas Indonesia.

Wilson, Ronald. 2008. Rancang Bangun Perangkat Lunak Komposer Musik menggunakan Matlab. Skripsi. Universitas Indonesia.

Yang, T. 2012. The Algorithms of Speech Recognition, Programming and Simulating in MATLAB. Thesis. University of Gavle

Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier

Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode

Fast Fourier

Transform

(FFT)

Parts

Dokumen yang terkait

Sintesis Propil Diklofenak Dan Elusidasi Struktur Menggunakan Fourier Transform Infra Red (Ft-Ir) Dan Gas Chromatography Mass Spectrometry (Gc-Ms)

Peningkatan Kualitas Citra Sidik Jari Menggunakan FFT (Fast Fourier Transform)

Peningkatan Kualitas Citra Sidik Jari menggunakan FFT (Fast Fourier Transform)

Sintesis Propil Diklofenak Dan Elusidasi Struktur Menggunakan Fourier Transform Infra Red (Ft-Ir) Dan Gas Chromatography Mass Spectrometry (Gc-Ms)

Identifikasi Suara pada Pembelajaran Tenses dengan Menggunakan Metode Fast Fourier Transform (FFT)

PENDAHULUAN Mengimplementasikan Kompresi Citra Dengan Metode Fast Fourier Transform (Fft).

Implementasi FFT Fast Fourier Transform

Pengenalan Karakter Suara Laki-Laki Aceh Menggunakan Metode FFT (Fast Fourier Transform)

BAB 2 LANDASAN TEORI 2.1 Gelombang Bunyi - Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Dukungan

Links

Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier

Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode

Fast Fourier

Transform

(FFT)

Parts

Dokumen yang terkait

Sintesis Propil Diklofenak Dan Elusidasi Struktur Menggunakan Fourier Transform Infra Red (Ft-Ir) Dan Gas Chromatography Mass Spectrometry (Gc-Ms)

Peningkatan Kualitas Citra Sidik Jari Menggunakan FFT (Fast Fourier Transform)

Peningkatan Kualitas Citra Sidik Jari menggunakan FFT (Fast Fourier Transform)

Sintesis Propil Diklofenak Dan Elusidasi Struktur Menggunakan Fourier Transform Infra Red (Ft-Ir) Dan Gas Chromatography Mass Spectrometry (Gc-Ms)

Identifikasi Suara pada Pembelajaran Tenses dengan Menggunakan Metode Fast Fourier Transform (FFT)

PENDAHULUAN Mengimplementasikan Kompresi Citra Dengan Metode Fast Fourier Transform (Fft).

Implementasi FFT Fast Fourier Transform

Pengenalan Karakter Suara Laki-Laki Aceh Menggunakan Metode FFT (Fast Fourier Transform)

BAB 2 LANDASAN TEORI 2.1 Gelombang Bunyi - Pengenalan Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Identifikasi Nada Gitar dengan Menggunakan Metode Fast Fourier Transform (FFT)

Dokumen yang Anda mencari sudah siap untuk unduhkan