Tabel 7. Rincian voting sistem dengan menggunakan ciri MFCC 7 koefisien dan 30 detik berkas musik
NO. LAGU KLASIK
DISKO METAL
REGGAE SEB PRED
1 K11
0,3895692 0,2013605 0,2521542 0,1569161 K
K 2
K12 0,5021164 0,252381
0,1259259 0,1195767 K
K 3
K13 0,4108466 0,2556878 0,162963
0,1705026 K
K 4
K14 0,4203704 0,1939211 0,1141707 0,2715378
K K
5 K15
0,496164 0,1203373 0,1270172 0,2564815
K K
6 D11
0,0460317 0,3754791 0,3250869 0,2534023 D
D 7
D12 0,1038549 0,2717169 0,3713867 0,2530415
D M
8 D13
0,0664399 0,3771024 0,293779 0,2626787
D D
9 D14
0,095262 0,2752257 0,4190773 0,210435
D M
10 D15
0,1276644 0,2963201 0,3745613 0,2014542 D
M 11
M11 0,2824263 0,2292234 0,4113662 0,0769841
M M
12 M12
0,284127 0,1825397 0,4920635 0,0412698
M M
13 M13
0,0537037 0,2329365 0,5507937 0,1625661 M
M 14
M14 0,0426304 0,0947846 0,6716553 0,1909297
M M
15 M15
0,0537037 0,0953704 0,4740741 0,3768519 M
M 16
R11 0,2415205 0,1405836 0,2830648 0,3348311
R R
17 R12
0,1276644 0,1987528 0,2961451 0,3774376 R
R 18
R13 0,1480726 0,2314059 0,1818594 0,4386621
R R
19 R14
0,0712018 0,251819 0,1341418 0,5428374
R R
20 R15
0,1190715 0,2418357 0,1809254 0,4581674 R
R
4.4 Implementasi Metode JST
Setelah proses ekstraksi ciri dan diperlakukan normalisasi vektor ciri, maka proses pembelajaran pada model JST dapat dilakukan. Sama seperti
pada metode VFI, proses pembelajaran dilakukan menggunakan data training sebanyak 60 berkas musik yang terdiri dari 15 berkas musik pada
setiap genre. Sedangkan untuk pengujian, digunakan 5 berkas musik untuk
setiap genre.
4.4.1 Desain Arsitektur Model JST
Untuk melakukan prediksi genre musik yang memerlukan data atau pola input yang relatif besar, jaringan dengan banyak lapisan multilayer
net dengan algoritma backpropagation dan metode pembelajaran terawasi supervised learning merupakan pilihan yang baik. Pada jaringan model
JST diberikan sepasang pola yang terdiri dari pola masukan dan pola yang diinginkan atau target.
Dengan besarnya data yang akan digunakan dan relatif kompleksnya persoalan yang harus diselesaikan maka model JST yang akan
dikembangkan adalah JST dengan arsitektur multilayer net yang terdiri dari 3 tiga layer lapisan yaitu :
Satu lapisan input yang terdiri dari beberapa neuron yang jumlahnya
disesuaikan pola input.
Satu lapisan tersembunyi dengan beberapa neuron yang jumlahnya dilakukan dengan coba-coba trial and error, yang dipilih adalah
yang menghasilkan konvergensi dengan jumlah iterasi epoch paling sedikit.
Satu lapisan outputkeluaran yang terdiri dari bebarapa neuron
tergantung pola keluaran yang diinginkan.
4.4.2 Penentuan Pola Input dan Output
Pola input disesuaikan dengan banyaknya ciri yang digunakan. Pada penelitian ini digunakan 3 tiga variasi ciri yaitu MFCC koefisien ke-1
hingga ke-7, MFCC koefisien ke-1 hingga ke-13 dan MFCC koefisien ke-1 hingga ke-20. Sehingga masing-masing percobaan memiliki neuron input
sebanyak 7,13 dan 20 neuron. Keluaran atau output yang diharapkan dari model atau jaringan adalah
berupa prediksi genre musik. Pada penelitian ini digunakan Unary Encoding dengan kombinasi angka 1 dan 0 variabel bilangan biner. Sebagai contoh
untuk data genre musik klasik adalah 1000, disko adalah 0100, metal adalah 0010 dan reggae adalah 0001.
Arsitektur model JST yang dikembangkan dapat dilihat pada Gambar 21. Pada gambar, I
1
hingga I
n
merupakan neuron input yang jumlahnya sesuai dengan banyaknya koefisien MFCC yang digunakan, Z
1
hingga Z
n
merupakan neuron di hidden layer, sedangkan Y
1
hingga Y
4
merupakan neuron output yang jumlahnya sesuai dengan banyaknya kelas genre.
4.4.3. Algoritma Pembelajaran Jaringan
Algoritma pembelajaran yang diterapkan pada model prediksi JST adalah backpropagasi backpropagation dengan metode supervised
learning pembelajaran terawasi, dimana ada nilai target yang akan dicapai oleh keluaran output jaringanmodel JST yang dikembangkan.
Gambar 21. Arsitektur model JST yang telah dikembangkan
4.4.4. Hasil Pelatihan Model JST
Kinerja dari model JST dinyatakan dengan MSE mean square error. MSE dinyatakan dengan rumus :
2 1
1 2
1 1
k Q
k k
Q k
k
a t
Q e
Q MSE
27 dengan :
Q = jumlah pola yang dihitung t
k
= vektor target a
k
= vektor keluaran jaringan e
k
= t
k
– a
k
Pelatihan backpropagation menggunakan metode pencarian titik minimum untuk mencari bobot dengan error minimum. Pada proses
pencarian ini dikenal 2 macam mode yaitu metode incremental dan metode kelompok batch.
Dalam metode incremental, bobot diubah setiap kali pola masukan diberikan ke jaringan. Sebaliknya, dalam mode kelompok, bobot diubah
I
1
I
2
I
3
I
n
Z
1
Z
2
Z
3
Z
n
Y
1
Y
2
Y
3
Y
4