TA : Ekstraksi Ciri Suara Burung Berdasarkan Domain Waktu dan Frekuensi.

EKSTRAKSI CIRI SUARA BURUNG BERDASARKAN DOMAIN WAKTU DAN FREKUENSI

TUGAS AKHIR Program Studi S1 Sistem Komputer

Oleh :

BAYU PRABANDARU 08.41020.0027

FAKULTAS TEKNOLOGI DAN INFORMATIKA

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA 2016

x

Halaman

HALAMAN JUDUL ...i

HALAMAN SYARAT ... ii

MOTTO ... iii

HALAMAN PERSEMBAHAN ...iv

HALAMAN PENGESAHAN ... v

HALAMAN PERNYATAAN ...vi

ABSTRAK ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR GAMBAR ... xii

DAFTAR TABEL ...xiv

DAFTAR LAMPIRAN ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah... 1

1.2 Rumusan Masalah ... 4

1.3 Batasan Masalah ... 4

1.4 Tujuan ... 5

1.5 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI ... 7

2.1 Jenis Burung dalam Perlombaan ... 7

2.1.1 Burung Kenari ... 8

xi

2.4 Audacity ... 13

2.5 MATLAB (Matrix Laboratory) ... 14

2.6 Jaringan Saraf Tiruan Backpropagation ... 16

BAB III METODE PENELITIAN ... 27

3.1 Model Penelitian ... 27

3.2 Suara Burung ... 27

3.3 Pengambilan Suara Burung ... 28

3.4 Hasil dan Pengolahan Data ... 29

3.5 Convert File ... 32

3.6 Ekstraksi Ciri ... 33

3.7 Pengujian ... 39

BAB IV HASIL DAN PEMBAHASAN ... 44

4.1 Pengujian Perangkat Lunak ... 44

4.2 Proses Rekaman dan Edit File Rekaman ... 44

4.3 Ekstraksi Ciri Short Time Fourier Transform ... 48

4.4 Pelatihan dan Pengujian Backpropagation ... 61

BAB V PENUTUP ... 71

5.1 Kesimpulan ... 71

5.2 Saran ... 72

xii

Halaman

Gambar 2.1 Burung Kenari Roller ... 8

Gambar 2.2 Burung Kacer ... 9

Gambar 2.3 Window Sempit (Kiri) Dan Window Lebar (Kanan) ... 12

Gambar 2.4 Audacity ... 14

Gambar 2.5 Arsitektur Model Backpropagation Menurut Jong, J.S. ... 17

Gambar 2.6 Grafik Fungsi Aktivasi Sigmoid Biner. ... 18

Gambar 2.7 Grafik Fungsi Aktivasi Sigmoid Bipolar. ... 18

Gambar 2.8 Algoritma Backpropagation Menurut Jong, J.S.. ... 20

Gambar 2.9 Arsitektur Model Backpropagation Menurut W.A. Utari... 21

Gambar 3.1 Blok Diagram Penelitian ... 27

Gambar 3.2 Hasil Rekaman Berupa File _Ber-Format _{(.Mp3) ... 29}

Gambar 3.3 Tampilan Software Audacity ... 30

Gambar 3.4 Tampilan Sinyal Suara Burung Kacer Dalam Domain Waktu ... 30

Gambar 3.5 Bagian-Bagian Sinyal Yang Akan Dipotong ... 31

Gambar 3.6 Hasil Pemotongan Suara Burung Selama 10 Detik ... 32

Gambar 3.7 Contoh File Yang Telah Diubah Dalam Bentuk .Wav ... 32

Gambar 3.8 Diagram Alur Proses Ekstraksi Ciri STFT ... 34

Gambar 3.9 Fungsi Hann (Kiri), dan Respon Frekuensinya (Kanan)... 36

Gambar 3.10 Visualisasi 64-Point Hann Window Pada Matlab ... 37

xiii

Gambar 3.14 Arsitektur Backpropagation Pada Penelitian Ini ... 41

Gambar 4.1 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 48

Gambar 4.2 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 49

Gambar 4.3 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer ... 49

Gambar 4.4 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 50

Gambar 4.5 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 50

Gambar 4.6 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari ... 51

Gambar 4.7 Contoh Spektrogram Sinyal Suara Burung Kenari ... 51

Gambar 4.8 Grafik Nilai Mean Square Error Pada Tiap Iterasi ... 67

xiv

Halaman

Tabel 4.1 File Hasil Edit Suara Burung Kacer ... 45

Tabel 4.2 File Hasil Edit Suara Burung Kenari ... 46

Tabel 4.3 Hasil Ekstraksi Fitur Sinyal Suara Pada Burung Kacer ... 52

Tabel 4.4 Hasil Ekstraksi Fitur Sinyal Pada Burung Kenari ... 54

Tabel 4.5 Tabel Normalisasi Burung Kacer ... 58

Tabel 4.6 Tabel Normalisasi Burung Kenari ... 59

Tabel 4.7 Rata-Rata Nilai STFT, Amplitudo, Waktu Dan Frekuensi ... 60

Tabel 4.8 Neuron Input Backpropagation ... 62

Tabel 4.9 Hasil Trial And Error Untuk Mencari Nilai Kuadrat Galat Error Terkecil ... 66

Tabel 4.10 Presentase Keberhasilan Pengenalan Pada Data Training ... 68

xv

Halaman Lampiran 1. Program STFT ... 74 Lampiran 2. Program Bacpropagation ... 77 Lampiran 3. Program Pengujian ... 79

1 1.1 Latar Belakang Masalah

Burung adalah rantai penghuni ekosistem biologi yang dapat dijadikan sebagai objek seni kontes suara. Tetapi tidak semua burung dapat diikutsertakan dalam lomba, hanya beberapa jenis burung saja. Di Indonesia kaya akan ragam jenis burung dan memiliki sekitar 1.500 jenis burung dari 9.200 jenis burung yang ada di dunia. Jenis burung yang paling banyak dilombakan di kontes burung kicauan salah satunya adalah burung Anis Merah (zootheracitrina), CucakHijau (ChloropisSonnerati), Kacer (CopsychusSaularis), Kenari (Serinus Canaria) Hwa

Mei (Garulax Canorus), Anis Kembang (Zoother Interpres), Murai batu

(Copychus Malabaricus), Cendet (Lanius Cristatus).

Suara burung di hasilkan oleh kotak suara atau syring yang terdapat pada persimpangan antara trachea dan broncus burung. Pada syring terdapat membran tympani medial yang menghasilkan bunyi ketika dilewati udara pada saat mengeluarkan nafas, inilah beberapa burung banyak dilombakan dikontes burung kicauan Indonesia, di dalam suatu perlombaan apapun akan ada juri yang menilai dan juga ada standart penilaiannya. Begitu pula hal nya dengan Kontes Burung Berkicau atau yang lebih kita kenal dengan nama Lomba Burung Berkicau.

Poin-poin penilaian pada lomba burung diantaranya irama, kualitas suara, fisik. Akan tetapi, saat ini penilaian pada lomba burung masih tergantung pada penilaian masing – masing juri. Hal ini akan dipengaruhi oleh pengalaman juri,

pendengaran juri dan juga kebisingan lingkungan. Berdasarkan latar belakang di atas, terdapat beberapa penelitian yang telah ada tentang suara burung, klasifikasi suara burung Love bird dengan algoritma fuzzy logic (Sejati, 2014). Penelitian yang lain adalah tentang analisis suara burung perkutut menggunakan spektogram, dan menghasilkan nilai depan, tengah dan ujung dan jumlah suku kata suara perkutut (Purwanto, 2011).

Berdasarkan beberapa permasalahan di atas dan penelitian yang telah dilakukan sebelumnya, maka penyusun mencoba untuk menganalisa karakteristik suara burung berkicau dengan mengekstraksi ciri-ciri menggunkanan metode Short Time Fourier Transform (STFT) yang merupakan pengembangan dari kedua metode diatas (DFT dan FFT). STFT adalah metode yang digunakan untuk menganalisa frekuensi sinyal dan mensegmentasikan sinyal setiap waktu, dimana algoritma STFT akan mencuplik 3 sinyal masukan dalam rentang waktu dan frekuensi dengan menggunakan fungsi window.

STFT sendiri sudah pernah digunakan untuk penelitian Estimasi Sinyal Gamelan Menggunakan Kalman Filter untuk transkripsi oleh Tulus Hayadi, dkk (2013) dan juga Karakterisasi Aroma Kopi Menggunakan Short Time Fourier Transform oleh Roza Susanti, dkk (2012).

Setelah melakukan ekstraksi ciri suara burung, maka hasil dari ekstraksi ciri tersebut akan digunakan untuk mengidentifikasi jenis burung dari suara tersebut menggunakan jaringan saraf tiruan backpropagation. Backpropagation menurut F.Suhandi (2009) merupakan sebuah metode sistematik pada jaringan saraf tiruan

Dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh metode jaringan saraf tiruan dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.

Harapannya dengan mengekstraksi ciri menggunakan STFT dan kemudian menggunakan hasil ekstraksi ciri tersebut pada backpropagation, maka dapat diidentifikasi perbedaan karakteristik antara suara burung kacer dan burung kenari dengan tingkat keberhasilan yang lebih baik dari penelitian sebelumnya. Nantinya hasil dari penelitian ini juga dapat digunakan untuk penelitian-penelitian voice recognition selanjutnya.

Oleh sebab itu, pada penelitian ini bertujuan untuk membuat aplikasi yang dapat mengekstraksi suara burung, menggunakan data suara dan diolah dengan metode STFT ( Short Time Fourier Transfrom) sehingga dapat diketahui lama waktu, frekuensi, amplitudo, energi dan nilai spektogram yang nanti nya data tersebut dapat digunakan untuk data learning pada pengujian kualitas suara burung yang berguna membantu penilaian lomba kicau burung berdasarkan aspek penilaian secara objective. Serta dilakukannya pengujian menggunakan jaringan syaraf tiruan agar dapat dipastikan bahwa nilai – nilai ekstraksi ciri yang diperoleh dengan menggunakan STFT (Short Time Fourier Transfrom) dapat dibuktikan kebenarannya.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas maka dapat dirumuskan permasalahan: 1. Bagaimana memperoleh nilai ekstraksi ciri yang terdiri dari nilai frekuensi,

amplitudo, nilai STFT pada burung kenari dan burung kacer.

2. Bagaimana mengidentifikasi hasil ekstraksi ciri STFT pada sinyal suara burung kacer dan burung kenari menggunakan jaringan saraf tiruan backpropagation.

3. Bagaimana menganalisis hasil identifikasi ciri suara burung berdasarkan domain waktu dan frekuensi.

1.3 Batasan Masalah

Untuk menghindari pembahasan yang lebih luas terkait dengan ekstraksi suara burung, terdapat beberapa batasan masalah antara lain:

1. Memperoleh nilai ekstraksi ciri yang terdiri dari nilai frekuensi, amplitudo, nilai STFT pada burung kenari dan burung kacer.

2. Data yang dianalisis sebanyak 60 data untuk dua jenis burung, Setiap data dibatasi lama perekaman 10 detik.

3. Terdapat 3 sumber database setiap jenis burung dan pada setiap sumber diambil 10 data untuk dijadikan sample.

4. Metode yang digunakan dalam mengekstraksi suara burung adalah metode STFT.

6. Aplikasi yang dibuat tidak digunakan untuk mengukur atau menilai kualitas suara burung.

1.4 Tujuan

Berdasarkan rumusan masalah yang diuraikan diatas, maka tujuan penelitian ini adalah sebagai berikut:

1. Mendapatkan nilai ekstraksi ciri yang terdiri dari nilai frekuensi, amplitudo, nilai STFT pada suara burung kenari dan suara burung kacer.

2. Mengidentifikasi hasil ekstraksi ciri STFT pada sinyal suara burung kacer dan sinyal suara burung kenari menggunakan jaringan saraf tiruan backpropagation.

3. Menganalisa hasil identifikasi ciri suara burung berdasarkan domain waktu dan frekuensi.

1.5 Sistematika Penulisan

Penulisan penelitian ini ditulis dengan sistematika penulisan sebagai berikut: BAB I : PENDAHULUAN

Berisi Latar Belakang Masalah, Perumusan Masalah, Batasan Masalah, Tujuan, serta Sistematika Penulisan.

BAB II : LANDASAN TEORI

Pada bab ini dibahas teori yang berhubungan dengan teori penunjang, dimana dalam teori penunjang ini meliputi suara burung kacer, tipe

suara burung kenari, karakteristik penilaian lomba burung berkicau, short time fourier transform.

BAB III : METODE PENELITIAN

Pada bab ini akan dibahas mengenai model penelitian yang digunakan dan pengimplementasian sistem. Untuk lebih jelas, setiap pembahasan tersebut akan dijelaskan menggunakan blok diagram beserta penjelasan dari setiap bagian blok diagram yang digunakan

BAB IV : HASIL DAN PEMBAHASAN

Bab ini akan memaparkan mengenai proses perhitungan dari analisis suara burung berdasarkan ekstraksi ciri dari short time fourier transform.

BAB V : PENUTUP

Berisi kesimpulan serta saran sehubungan dengan adanya kemungkinan pengembangan sistem pada masa yang akan datang.

7 2.1 Jenis Burung dalam Perlombaan

Tidak semua jenis burung dilombakan atau dapat mengikuti sebuah kontes, biasanya kontes burung dinilai dari kicauan atau suaranya yang merdu selain juga penampilannya yang bagus juga gesit. Ada beberapa jenis burung di Indonesia yang sering di adakan lombanya, berikut ini beberapa jenis burung berkicau yang ada lomba atau kontesnya:

1. Burung Cucak Ijo 2. Burung Kacer 3. Burung Murai Batu 4. Burung Jalak Suren 5. Burung Perkutut 6. Burung Cucak Jenggot 7. Burung Kenari

Sebenarnya masih ada beberapa burung berkicau lainnya seperti tekukur atau Tledekan yang biasa dibuat lombanya, namun yang daftar diatas tersebut merupakan jenis burung paling populer di Indonesia dan paling banyak dilombakan.

Biasanya burung yang menang lomba selain mendapat hadiah berupa uang maupun barang juga harga burungnya tersebut otomatis berbanderol mahal, maka dari itu tidak heran jika ada seekor burung yang menang sebuah kontes berharga

sampai puluhan juta bahkan ratusan juta rupiah. Kategori burung yang bagus tentu saja burung yang sehat, memiliki suara kicauan yang khas dan melengking, gesit dan tidak loyo, selain tentunya warna dan kebersihan bulunya juga harus terlihat bagus.( (infonesiana.com), 2015).

2.1.1 Burung Kenari

Burung kenari untuk pertama kalinya di temukan oleh seorang Pelaut asal Perancis, yaitu Jean de Berthan Cout di area Kepulauan Canary sekitar abad ke-15 silam. Ia dibuat terkesima akan keindahan bulu dan merdunya suara burung ini. Burung kenari memiliki nama latin Serinus Canaria. Keanekaragaman dari burung kenari pada saat ini merupakan hasil perkembangan dari kenari liar. Selain itu kondisi alam dan kawin silang yang terjadi menghasilkan beragam jenis kenari yang mana sudah terjadi sejak 5 abad silam. Gambar 2.1. menunjukkan foto burung kenari roller.

Burung kenari roller termasuk salah satu jenis kenari yang paling banyak digemari oleh kenari mania. Burung ini termasuk kenari yang berketurunan dari jerman, dan telah banyak di budidayakan di daerah pegunungan di jerman yang bernama Hartz.

2.1.2 Suara Burung Kacer

Pada gambar 2.2 menunjukan foto Burung kacer atau Magpie Robin yang populer di Indonesia saat ini ada dua jenis, yakni kacer hitam yang sering disebut kacer jawa dan kacer poci atau kacer sekoci yang sering disebut kacer sumatra. Burung ini memang masih berkerabat yakni sama-sama dalam genus Copsychus. Burung kacer jawa nama ilmiahnya adalah Copsychus sechellarum sedangkan kacer poci adalah Copsychus saularis.

2.2 Karakteristik Penilaian Lomba Burung Berkicau

Ada 3 karakteristik penilaian dalam lomba burung berkicau yang harus di perhatikan, adapun 3 karakteristik penilaian tersebut adalah sebagai berikut: (sumber)

1. Irama

a. Selalu aktif dalam berkicau atau berkicau lama dan tidak putus-putus. b. Memiliki banyak variasi lagu

c. Tempo serasi

d. Kombinasi yang tepat antara panjang dan pendeknya lagu. e. Suaranya merdu

f. Konsisten dalam berkicau 2. Kualitas suara

a. Suara bening atau bersih.

b. Suara empuk dan nyaman didengarkan. c. Suaranya jauh dari cempreng

3. Fisik

a. Kondisi tubuh harus sehat. b. Tidak ada cacat atau bekas luka.

c. Bulunya lengkap, bersih dan rapi (tidak acak-acakan).

d. Postur tubuh ideal (tidak terlalu gemuk atau tidak terlalu kurus). e. Berani dan tenang pada saat di lomba kan.

2.3 Short Time Fourier Transform (STFT)

Menurut Tulus Hayadi (2013), STFT (Short Time Fourier Transform) merupakan metode transformasi yang mengembangkan metode Fourier Transform dengan kelebihan pada kemampuan untuk mentransformasi non-stationary signal. Adapun ide dibalik metode ini adalah membuat non-stationary signal menjadi suatu representasi stationary signal dengan memasukkan suatu window function. Dalam hal ini, sinyal yang ada dibagi menjadi beberapa segmen dimana segmen yang didapatkan, diasumsikan terdiri dari stationary signal.

Adapun rumus yang digunakan dapat dilihat pada persamaan : ∑

Keterangan:

= sinyal masukan = waktu (sekon). w [ ] = fungsi windows �= kecepatan sudut (2πƒ) � = panjang windows

Perlu diperhatikan di sini bahwa x[n] adalah sinyal dengan domain waktu dan STFT{x[n]} adalah sinyal dengan domain frekuensi dan waktu. Karena itu, berbeda dengan Fourier Transform, STFT merupakan metode transformasi menghasilkan Time-Frequency Representation (TFR) dari sinyal. Di sini, w[n] adalah window function yang dapat mengambil bentuk distribusi normal dengan rumus berikut ini:

( )

Untuk menggambar spectrogram nya digunakan rumus | |

Permasalahan yang muncul di sini adalah bahwa STFT menggunakan kernel window pada suatu interval waktu tertentu. Berbeda dengan Fourier Transform yang menggunakan kernel sepanjang waktu, sehingga tidak ada permasalahan dalam hal resolusi frekuensi. Kalau STFT memilih window dengan lebar infinity, maka metode ini tidak akan ada bedanya dengan Fourier Transform. Gambar 2.3. menunjukan perbedaan dari kedua jenis window, dari ulasan yang singkat ini dapat diambil kesimpulan:

• Window sempit : mempunyai resolusi waktu yang bagus, tetapi resolusi frekuensi yang tidak bagus

• Window lebar : mempunyai resolusi frekuensi yang bagus, tetapi resolusi waktu yang tidak bagus

Sumber: (Tulus Hayadi, 2013) Gambar 2.3 Window Sempit (Kiri) Dan Window Lebar (Kanan)

2.4 Audacity

Audacity adalah program yang memanipulasi bentuk gelombang audio digital. Selain rekaman suara langsung dari dalam program, aplikasi ini dapat mengimport banyak format file suara, termasuk WAV, AIFF, MP3, dan Ogg Vorbis. Format PCM dari 8,16,24 dan 32-bit juga dapat di-impor dan di-ekspor, Gambar 2.4. menunjukan contoh dari tampilan aplikasi Audacity. Hal yang dapat dilakukan aplikasi Audacity:

1. Potong, Salin, Tempel, Hapus, Diam, Duplikat, Split. 2. Berlaku plug-in efek untuk bagian suara.

3. Built-in editor amplop volume.

4. Spektrogram disesuaikan trek modus tampilan.

5. Analisis frekuensi window untuk aplikasi audio analisis.

6. Sederhana untuk operasi menyelaraskan kompleks untuk trek dan kelompok trek.

Meskipun Audacity adalah audio editor yang kuat untuk bekerja dengan jumlah trek yang tidak terbatas dan jumlah ukuran data yang hampir tidak terbatas, tetapi audacity tidak dapat melakukan semuanya. Hal yang tidak bisa di lakukan oleh audacity:

1. Audacity tidak dapat merekam lebih dari dua saluran sekaligus pada banyak sistem. Beberapa dukungan untuk rekaman multitrack termasuk dalam versi 1.2.3, tetapi tidak mendukung sistem sangat banyak belum.

2. Audacity membuka file MIDI, tetapi bukan editor MIDI, MIDI serta fitur yang sangat terbatas.

Gambar 2.4 Audacity

2.5 MATLAB (Matrix Laboratory)

Bahasa pemrograman sebagai media untuk berinteraksi antara manusia dan komputer saat dibuat semakin mudah dan cepat. Sebagai contoh, dapat dilihat dari perkembangan bahasa pemrograman Pascal yang terus memunculkan varian baru sehingga akhirnya menjadi Delphi, demikian pula dengan Basic dengan VisualBasicnya serta C dengan C + + Buildernya. Pada akhirnya semua bahasa pemrograman akan semakin memberikan kemudahan pemakainya (programmer) dengan penambahan fungsi fungsi baru yang sangat mudah digunakan bahkan oleh pemakai tingkat pemula.

MATLAB muncul di dunia bahasa pemrograman yang cenderung dikuasai oleh bahasa yang telah mapan. Tentu saja sebagai bahasa pemrograman yang baru MATLAB akan sukar mendapat hati dari pemakai. Namun MATLAB hadir tidak

dengan fungsi dan karakteristik yang umumnya ditawarkan bahasa pemrograman lain yang biasanya hampir seragam. MATLAB dikembangkan sebagai bahasa pemrograman sekaligus alat visualisasi, yang menawarkan banyak kemampuan untuk menyelesaikan berbagai kasus yang berhubungan langsung dengan disiplin keilmuan matematika. MATLAB memiliki kemampuan mengintegrasikan komputasi, visualisasi, dan pemrograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. MATLAB menyediakan beberapa pilihan untuk dipelajari, mempelajari metode visualisasi saja, pemrograman saja, atau kedua-duanya. MATLAB adalah bahasa pemrograman level tinggi yang dikhususkan untuk komputasi teknis. Bahasa ini mengintegrasikan kemampuan komputasi, visualisasi, dan pemrograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. MATLAB memberikan sistem interaktif yang menggunakan konsep array sebagai standar variabel elemennya tanpa membutuhkan pendeklarasian array seperti pada bahasa pemrograman lain.

Kehadiran MATLAB sebagai bahasa pemrograman memberikan jawaban sekaligus tantangan. MATLAB menyediakan beberapa pilihan untuk dipelajari, mempelajari metoda visualisasi saja, pemrograman saja, atau kedua-duanya. MATLAB memang dihadirkan bagi orang-orang yang tidak ingin disibukkan dengan rumitnya sintaks dan alur logika pemrograman, sementara pada saat yang sama membutuhkan hasil komputasi dan visualisasi yang maksimal untuk mendukung pekerjaannya. Selain itu, MATLAB juga memberikan kemudahan bagi programmer/developer program yaitu untuk menjadi pembanding yang

sangat handal, hal tersebut dapat dilakukan karena kekayaannya akan fungsi matematika, fisika, statistika, dan visualisasi.

2.6 Jaringan Saraf Tiruan Backpropagation

Perambatan galat mundur (Backpropagation) menurut Kiki (2004) adalah sebuah metode sistematik untuk pelatihan multilayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set). 1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen

pemroses melalui lapisan luar.

2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.

3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemproses.

4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.

5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung.

Arsitektur Model Backpropagation

Sumber: (Jong, J.S., 2005) Gambar 2.5 Arsitektur Model Backpropagation Menurut Jong, J.S.

Gambar 2.5 menunjukan Arsitektur Model Backpropagation menurut Jong, J.S. Fungsi Aktivasi menurut Jong J.S:

Syarat fungsi aktivasi yang dapat dipakai adalah continue, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun.

Fungsi yang sering dipakai adalah :

- sigmoid biner yang memiliki range(0,1)

Grafik fungsinya bisa di lihat pada gambar 2.6. Grafik fungsi aktivasi sigmoid biner.

Sumber: (Jong, J.S., 2005) Gambar 2.6 Grafik Fungsi Aktivasi Sigmoid Biner

- Fungsi sigmoid bipolar dengan range (1,-1)

Grafik fungsinya bisa di lihat pada gambar 2.7. Grafik fungsi aktivasi sigmoid bipolar.

f(x) = 2/(1 + e-x)-1 , f’(x) = (1+f(x))(1-f(x))/2

Sumber: (Jong, J.S., 2005) Gambar 2.7 Grafik Fungsi Aktivasi Sigmoid Bipolar

Adapun pelatihan standar backpropagation menurut Jong, J.S. adalah: - Meliputi 3 fase, maju, mundur, dan modifikasi bobot

- Fase I Propagasi maju, sinyal masukan(xi) dipropagasikan ke hidden layer menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit hidden(zj) selanjutnya dipropagasikan maju lagi ke layar hidden diatasnya menggunakan fungsi aktivasi yang ditentukan, demikian seterusnya hingga menghasilkan keluaran jaringan (yk). Berikutnya, keluaran jaringan dibandingkan dengan target yang harus dicapai (tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi maka iterasi dihentikan, tetapi bila kesalahan masih lebih besar maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi

- Fase II Propagasi mundur, Berdasarkan kesalahan tk - yk, dihitung faktor δk(k=1,2,3,..,m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit hidden yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit di hidden layer sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit hidden yang berhubungan langsung dengan unit masukan dihitung - Fase III Perubahan bobot, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Fase tersebut diulang hingga penghentian terpenuhi. Umumnya kondisi penghentian yang dipakai adalah

jumlah iterasi atau kesalahan. Gambar 2.8. menunjukan Algoritma backpropagation menurut Jong, J.S.

Sumber: (Jong, J.S., 2005) Gambar 2.8 Algoritma Backpropagation Menurut Jong, J.S.

Backpropagation menurut Wirda Ayu Utari (2010), memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2.9. adalah arsitektur backpropagation menurut W.A. Utari dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah keluaran.

Sumber: (Utari, 2010) Gambar 2.9 Arsitektur Model Backpropagation Menurut W.A. Utari

Vji merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit keluaran Vk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Zk).

Algoritma backpropagation menggunakan error keluaran untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan

menggunakan fungsi aktivasi yang dapat dideferensiasikan, seperti sigmoid, tansig atau purelin.

Adapun algoritma backpropagation menurut Wirda Ayu Utari (2010), adalah sebagai berikut:

a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). b. Tetapkan maksimum epoch, target error, dan learning rate (α).

c. Inisialisasi Epoch = 0; MSE = 1.

d. Kerjakan langkah-langkah berikut selama epoch < maksimum epoch dan (MSE > target error):

1. Epoch = Epoch + 12

2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:

Feedforward :

a. Tiap-tiap unit masukan (xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan sinyal-sinyal masukan berbobot (b1j, j=1,2,3,...n) :

∑ (1)

Gunakan fungsi aktivasi untuk menghitung sinyal keluarannya:

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit keluaran).

Tiap-tiap unit keluaran (yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal masukan berbobot:

∑ (3)

gunakan fungsi aktivasi untuk menghitung sinyal keluarannya:

(4)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit keluaran).

Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.

c. Tiap-tiap unit keluaran (yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola masukan pembelajaran, hitung informasi errornya (δ2k,k=1,2,3,...n):

(5)

(6)

kemudian hitung koreksi bobot (∆wjk) (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

(8)

hitung juga koreksi bias (∆b2k) (yang nantinya akan digunakan untuk memperbaiki nilai b2k):

(9)

langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.

d. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta masukannya (dari unit-unit yang berada pada lapisan di atasnya):

∑ (10)

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error (δ1j, j=1,2,3,....n):

(11)

(12)

kemudian hitung koreksi bobot (∆vij) yang nantinya akan digunakan untuk memperbaiki nilai (vij):

(14)

hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai (∆b1j):

(15)

e. Tiap-tiap unit keluaran (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):

� (16)

� (17)

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias (b1j) dan bobotnya (vij) (i=0,1,2,...,n) :

� (18)

3. Hitung MSE (Mean Square Error)

Menghitung nilai rata-rata kuadrat error (E = selisih target nilai dengan keluaran; n = banyak data).

27 3.1 Model Penelitian

Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1.

Gambar 3.1 Blok Diagram Penelitian

Berikut adalah keterangan setiap blok dari sistem blok diagram pada Gambar 3.1.

3.2 Suara Burung

Pada bagian ini, ada terdapat dua suara burung yang akan diteliti, yaitu burung Kacer dan burung Kenari. Suara burung masing–masing diambil dari database suara burung. Adapun, terdapat 3 pengambilan database dari setiap masing–masing jenis burung, dan masing–masing suara burung tesebut akan Suara Burung •Burung Kacer •Burung Kenari Pengambil an Suara Burung •Database Suara burung Pemotong an Suara •Audacity

Convert

•.mp3 to

.wav

•Audacity

STFT

•Nilai STFT

•Amplitudo Tertinggi •Waktu •Frekuensi JST •Backpro

dipotong masing–masing 10 detik sehingga menghasilkan 10 buah sample dari setiap data jenis burung. Sehingga, pada 1 jenis burung akan didapatkan sample sebanyak 30, yang akan digunakan sebagai data yang akan diolah pada penelitian ini. Karena tujuan akhir dari penelitian ini, nantinya adalah digunakan sebagai sistem penjurian, maka burung yang dipilih sebagai sample data adalah burung dengan kualitas suara yang merdu. Maka diambilah suara burung dari beberapa database dibawah ini.

1. Suara burung Kacer

a) https://www.youtube.com/watch?v=iUpmJ6uA9CM

b) http://www.suaraburungs.com/2014/10/koleksi-suara-kacer-untuk-memaster.html

c) http://www.suaraburungs.com/2014/10/koleksi-suara-kacer-untuk-memaster.html

2. Suara burung kenari

a) https://www.youtube.com/watch?v=gxWJQWFbPjM b)

http://www.budidayakenari.com/2015/04/suara-kenari-juara-nasional.html

c) http://www.budidayakenari.com/2015/04/suara-kenari-juara-nasional.html

3.3 Pengambilan Suara Burung

Suara burung diambil dari beberapa database suara burung pemenang lomba yang ada pada internet. Hal ini dikarenakan, data yang diolah harus

merupakan suara kicau burung yang pernah menjuarai sebuah perlombaan. Karena, hasil akhir dari penelitian ini, nantinya diharapkan dapat dijadikan sebuah alat untuk dapat mengenali suara jenis burung dan dapat dijadikan tolak ukur objective dari sebuah penilaian suara burung. Ada beberapa web yang dapat dipertanggung jawabkan yang datanya diambil untuk dijadikan data sample pada penelitian ini.

3.4 Hasil dan Pengolahan Data

File rekaman menggunakan format (.mp3) dan sample rate 44100 Hz. Masing-masing suara burung yang diambil dari database dipotong- potong sehingga masing – masing data menghasilkan data sebanyak 10 data suara burung. Hasil perekaman dipotong, dan diambil hanya 10 detik tiap sample nya. Pemotongan suara burung secara manual dilakukan dengan menggunakan software Audacity. Hasil pemotongan data suara burung dapat dilihat pada gambar 3.2.

File tersebut kemudian diubah atau dipotong secara manual dengan menggunakan perangkat lunak Audacity untuk menghilangkan rekaman kosong. Contoh tampilan software Audacity dapat dilihat pada gambar Gambar 3.3.

Gambar 3.3 Tampilan Software Audacity

Seperti yang dijelaskan, bahwa setelah data dipotong, maka sinyal hasil crop tersebut disimpan menjadi file berformat (.wav) dengan sample type 44100 Hz Mono, 32-bit. Panjang waktu rekaman setelah crop hanya dibatasi sampai 10 detik. Sehingga untuk penelitian ini terdapat 60 file berformat (.wav). 30 sample untuk file burung Kacer dan 30 sample untuk burung Kenari.

3.6 Ekstraksi Ciri

Pada blok ini, file suara yang sudah diubah akan dianalisa menggunakan perangkat lunak Matlab untuk mendapatkan nilai STFT, nilai STFT adalah nilai perhitungan transformasi fourier yang di kalikan dengan fungsi window yang menunjukan nilai dalam domain waktu dan frekuensi. Adapun alur proses digambarkan seperti pada flowchart sederhana pada gambar 3.8 dibawah ini :

nfft = 2*wlen; Banyaknya poin FFT.

Adapun nilai wlen dan h adalah bilangan kelipatan 2 berpangkat (power of 2) untuk memudahkan perhitungan. Dalam hal ini, window length ditentukan sebesar 2048. Nilai tersebut dipilih untuk mendapatkan resolusi frekuensi dan resolusi waktu yang bagus. Resolusi frekuensi yang bagus adalah resolusi dengan jarak antar window yang lebar, artinya range frekuensi semakin kecil dan memberikan nilai yang semakin akurat. Namun dengan lebarnya window, maka resolusi waktu pun menjadi tidak bagus. Untuk lebih jelasnya dapat dilihat pada pembahasan di bab sebelumnya. Oleh karena itu diperlukan nilai dari window length yang dapat mengoptimalkan range dari kedua resolusi.

Adapun jenis window yang digunakan pada penelitian ini adalah Hann atau Hanning window dimana nilai koefisiennya bisa didapatkan dengan rumus berikut.

(1).

atau

Gambar 3.9 Fungsi Hann (Kiri), dan Respon Frekuensinya (Kanan)

Hann window atau juga disebut jendela kosinus yang ditinggikan biasanya dipakai sebagai fungsi window dalam pemprosesan sinyal digital untuk menjalankan transformasi fourier dimana ujung dari kosinus menyentuh nilai nol, sehingga side-lobe berada pada 18 dB per oktaf.. Adapun keunggulan dari hann window adalah sangat rendahnya artifak distorsi atau aliasing dan lebarnya main-lobe (main-lobe dimana di terdapat energi maksimal).

Pada aplikasi Matlab, fungsi hann window dapat ditulis dengan sintaks w = hann(L), dimana L adalah panjang dari window tersebut

Berikut adalah contoh visualisasi 64-point hann window pada Matlab dengan menggunakan Window Visualisation Tool. Dengan sintaks sebagai berikut: L = 64; wvtool(hann(L))

Gambar 3.10 Visualisasi 64-Point Hann Window Pada Matlab

Kemudian setelah menentukan window, maka dapat dilakukan perhitungan STFT dimana pada Matlab dapat dibuat sebuah fungsi perhitungan dengan sintaks [stft, f, t] = stft(x, wlen, h, nfft, fs), dimana matriks STFT akan merepresentasikan waktu pada kolom (sumbu x), dan frekuensi pada baris (sumbu y) dalam sebuah spektrogram atau sebuah grafik yang memberikan informasi tentang perubahan gelombang dalam rentang waktu, frekuensi, dan intensitas amplitudo. Intensitas amplitudo pada suatu frekuensi dan pada suatu waktu (waktu, frekuensi) di dalam spektrogram dinyatakan dengan nilai warna tertentu (grayscale atau RGB).

Spektrogram pada Matlab pada umumnya dapat dibuat dengan sintaks s=spectrogram(x,window,noverlap,nfft).

Gambar 3.11 Contoh Grafik Spektrogram Pada Matlab

Gambar 3.12 Contoh Spektrogram Pada Penelitian Ini

Gambar diatas mencontohkan bentuk spektrogram pada umumnya dimana sumbu x merepresentasikan waktu, sumbu y merepresentasikan frekuensi, dan intensitas amplitudo atau energi (umumnya dalam dB) dinyatakan dalam spektrum

warna tertentu. Pada spektrogram, panjang window dapat mempengaruhi intensitas warna dan resolusi dari waktu dan frekuensi.

3.7 Pengujian

Setelah dilakukannya pembuatan coding STFT dengan menggunakan program MATLAB 2013, maka masing–masing data yang telah dikonversi menjadi file ber-ekstensi .wav dimasukkan kedalam coding STFT tersebut untuk mendapatkan karakteristik dari suara burung yang berupa nilai STFT, amplitudo tertinggi, waktu saat amplitudo tertinggi, dan frekuensi saat amplitudo tertinggi. Pengujian yang dilakukan selanjutnya adalah pengujian dengan metode jaringan syaraf tiruan.

Pengujian yang dilakukan adalah menggunakan metode jaringan saraf tiruan backpropagation dengan input nilai STFT, nilai frekuensi dan waktu saat amplitude tertinggi, dan nilai rata-rata amplitudo pada sebuah sinyal suara. Nilai tersebut berjumlah sebanyak 2 untuk suara burung kacer, dan banyaknya rekaman adalah sebanyak 60 (kacer 30 dan kenari 30). Seluruh hasil keluaran dari ekstraksi ciri akan di normalisasi terlebih dahulu. Agar tidak terdapat data yang nilainya terlalu besar dari data lainnya. Adapun setiap masukan dilatih terlebih dahulu dengan nilai target yang sudah ditentukan untuk mendapatkan keluaran yang diinginkan yaitu status burung kacer atau burung kenari. Seperti pada gambar alur di bawah.

Arsitektur backpropagation yang akan dibuat adalah sebagai berikut:

Gambar 3.14 Arsitektur Backpropagation Pada Penelitian Ini

Banyaknya neuron pada kedua hidden layer didapatkan dari hasil trial and error. Hasil trial and error ini adalah untuk mendapatkan bobot yang tepat dan dapat memilah antara suara burung kacer atau suara burung kenari.

Nilai awal bobot B1, B2, B3, dan nilai W pada masing masing layer adalah nilai random dari -1 sampai 1. Nilai target adalah nilai 1 sebanyak 20 (untuk input kacer), dan nilai 0 sebanyak 20 (untuk input kenari).

Pada gambar di atas, input dari ekstraksi ciri diwakili oleh x1i, x2i, x3i, ...., xni dimana n berjumlah sebanyak 20, Sedangkan xi berjumlah sebanyak 30 sesuai dengan banyaknya responden. Adapun urutan data responden yang diinputkan adalah 20 burung kacer, kemudian 20 burung kenari. Sedangkan output dari bagian ini adalah status mengenali burung kacer ataupun burung kenari pada setiap data rekaman yang diinputkan. Setiap input Xni dan bias B1 akan dikalikan

dengan Wi pada layer input, dan kemudian hasilnya akan menjadi input bagi masing-masing neuron Zi, begitu juga dengan bias dan diulang sebanyak (15). Kemudian hasil inputan pada Zi akan diaktivasi dengan fungsi sigmoid biner untuk menghasilkan nilai antara 0 sampai 1.

Setelah masing-masing neuron diaktivasi, maka output dari Zi akan menjadi input ZZi. Untuk melanjutkan perhitungan ke hidden layer 2, dan output, maka output dari Zi dan juga bias B2 dikalikan pada W pada hidden layer 1 untuk dimasukkan pada hidden layer 2 (ZZi). Masukkan dari Hidden layer 1 (Zi) nantinya akan diaktivasi dahulu sebelum menjadi input ZZi. Input pada ZZi nantinya akan digunakan untuk menghitung nilai keluaran pada alur maju dengan cara mengalikan ZZi dan bias B3 dengan bobot Wi pada hidden layer 2. Hasil dari perkalian ini akan menghasilkan nilai output Y yang nilainya akan diaktivasi untuk perhitungan alur mundur.

Setelah menghasilkan keluaran Y yang telah diaktivasi, maka akan dicari selisih (error) dari target awal dengan Y, dan kemudian menghitung koreksi bobot dan bobot bias dan mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ di setiap unit di hidden layer sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit hidden yang berhubungan langsung dengan unit masukan dihitung. Umumnya kondisi penghentian yang dipakai adalah jumlah iterasi atau kesalahan.

Nilai akhir keluaran pada setiap data inputan suara nantinya akan di saring atau di beri threshold, dimana nantinya nilai sama dengan atau lebih besar dari 0.5 akan dianggap 1, dan nilai lebih kecil dari 0.5 akan dianggap 0.

44 4.1 Pengujian Perangkat Lunak

Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat. Alat dan bahan yang digunakan sebelum pengujian:

1. Personal Computer (PC) / Laptop. 2. Software Audacity

3. Software Matlab 2013. 4. Microsoft Excel 2013.

4.2 Proses Rekaman dan Edit File Rekaman

Setelah pengambilan database suara burung kacer dan suara burung kenari didapatkan, maka file tersebut di edit atau dipotong secara manual menggunakan perangkat lunak Audacity untuk menyamakan panjang suara atau lama suara pada setiap rekaman suara burung.

Waktu file rekaman pada burung Kacer pada saat selesai perekaman dan setelah diedit (crop) dapat dilihat pada Tabel 4.1.

Tabel 4.1 File Hasil Edit Suara Burung Kacer Nama File Waktu keseluruhan rekaman (s) Waktu awal crop (s) Waktu akhir crop (s) Waktu rekaman setelah crop (s)

Kacer(1) 25.35 0 25.25 10

Kacer(2) 25.25 0 25.15 10

Kacer(3) 25.15 0 25.05 10

Kacer(4) 25.05 0 24.55 10

Kacer(5) 24.55 0 24.45 10

Kacer(6) 24.45 0 24.35 10

Kacer(7) 24.35 0 24.25 10

Kacer(8) 24.25 0 24.15 10

Kacer(9) 24.15 0 24.05 10

Kacer(10) 24.05 0 23.55 10

Kacer(11) 23.55 0 23.45 10

Kacer(12) 23.45 0 23.35 10

Kacer(13) 23.35 0 23.25 10

Kacer(14) 23.25 0 23.15 10

Kacer(15) 23.15 0 23.05 10

Kacer(16) 23.05 0 22.55 10

Kacer(17) 22.55 0 22.45 10

Kacer(18) 22.45 0 22.35 10

Kacer(19) 22.35 0 22.25 10

Kacer(21) 22.15 0 22.05 10

Kacer(22) 22.05 0 21.55 10

Kacer(23) 21.55 0 21.45 10

Kacer(24) 21.45 0 21.35 10

Kacer(25) 21.35 0 21.25 10

Kacer(26) 21.25 0 21.15 10

Kacer(27) 21.15 0 21.05 10

Kacer(28) 21.05 0 20.55 10

Kacer(29) 20.55 0 20.45 10

Kacer(30) 20.45 0 20.35 10

Tabel 4.2 File Hasil Edit Suara Burung Kenari

Nama File Waktu keseluruhan rekaman (s) Waktu awal crop (s) Waktu akhir crop (s) Waktu rekaman setelah crop (s)

Kenari(1) 46.21 0 46.11 10

Kenari(2) 46.11 0 46.01 10

Kenari(3) 46.01 0 45.51 10

Kenari(4) 45.51 0 45.41 10

Kenari(5) 45.41 0 45.31 10

Kenari(6) 45.31 0 45.21 10

Kenari(7) 45.21 0 45.11 10

Kenari(9) 45.01 0 44.51 10

Kenari(10) 44.51 0 44.41 10

Kenari(11) 44.41 0 44.31 10

Kenari(12) 44.31 0 44.21 10

Kenari(13) 44.21 0 44.11 10

Kenari(14) 44.11 0 44.01 10

Kenari(15) 44.01 0 43.51 10

Kenari(16) 43.51 0 43.41 10

Kenari(17) 43.41 0 43.31 10

Kenari(18) 43.31 0 43.21 10

Kenari(19) 43.21 0 43.11 10

Kenari(20) 43.11 0 43.01 10

Kenari(21) 43.01 0 42.51 10

Kenari(22) 42.51 0 42.41 10

Kenari(23) 42.41 0 42.31 10

Kenari(24) 42.31 0 42.21 10

Kenari(25) 42.21 0 42.11 10

Kenari(26) 42.11 0 42.01 10

Kenari(27) 42.01 0 41.51 10

Kenari(28) 41.51 0 41.41 10

Kenari(29) 41.41 0 41.31 10

4.3 Ekstraksi Ciri Short Time Fourier Transform

Setelah dipotong, maka file suara tersebut akan diekstraksi fiturnya menggunakan metode short time fourier transform (STFT). Nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi. Kemudian program akan menampilkan grafik dan spektrogram pada setiap file yang diekstraksi. Banyaknya sinyal suara burung yang akan diekstraksi adalah 60 suara. Terdiri dari suara burung Kacer masing-masing berjumlah 30, dan suara burung kenari, masing-masing berjumlah 30.

Dapat dilihat pada Gambar 4.1., Gambar 4.2. dan Gambar 4.3. merupakan contoh spektrogram sinyal suara burung kenari dan Gambar 4.4., Gambar 4.5., Gambar 4.6. dan Gambar 4.7. merupakan contoh spektrogram sinyal suara burung kacer pada saat burung berkicau.

Gambar 4.1 pada area detik ke 1.5-2, 5.5-6, 8-9.5 menunjukan intensitas amplitudo tertinggi.

Gambar 4.2 Contoh Spektrogram Sinyal Suara Sampel Burung Kacer

Contoh spektrogram Gambar 4.1 pada area detik ke 0 - 0.5, 4.5 - 9.5 menunjukan intensitas amplitudo tertinggi.

Contoh spectrogram Gambar 4.3. pada area detik ke 0 - 2.5, 5.5 - 6.5 dan 9 - 9.5

menunjukan intensitas amplitudo tertinggi.

Gambar 4.4 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari

Contoh spectrogram Gambar 4.4. pada area detik ke 0 - 9, menunjukan intensitas amplitudo tertinggi.

Contoh spectrogram Gambar 4.5. pada area detik ke 0 - 2.8 dan 4 – 9.5 menunjukan intensitas amplitudo tertinggi.

Gambar 4.6 Contoh Spektrogram Sinyal Suara Sampel Burung Kenari

Contoh spectrogram Gambar 4.6. pada area detik ke 2.5 - 6.5 dan 7.5 – 10 menunjukan intensitas amplitudo tertinggi.

Contoh spectrogram Gambar 4.7. pada area detik ke 0 – 9.5 menunjukan intensitas amplitudo tertinggi. Adapun warna pada spectrogram menunjukan intensitas amplitudo, pada warna merah menunjukan nilai amplitudo tertinggi dan warna biru menunjukan amplitudo terendah, contoh: pada warna merah menunjukan intensitas amplitudo -20db sampai -30db, warna biru menunjukan intensitas amplitudo -140db sampai -130 db. Pada gambar 4.7. Contoh spektrogram sinyal suara Burung Kenari menunjukan area dimana intensitas amplitude tertinggi.

Dari hasil pembacaan spektogram di atas dapat diketahui bahwa intensitas amplitudo pada Burung Kacer terdapat di waktu-waktu tertentu, hal ini tampak berbeda jika dibandingkan dengan hasil pembacaan dari spektogram Burung Kenari, dimana hampir disetiap waktu secara kontinyu menghasilkan intensitas amplitudo yang tinggi.

Adapun nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi seperti terlihat pada Tabel 4.3 dan Tabel 4.4.. Nilai STFT merupakan bilangan kompleks perlu di-absolutkan, sementara nilai amplitudo adalah nilai dalam satuan desibel.

Agar terjadi keseragaman data sehingga data menjadi seimbang, atau tidak ada nilai yang terlalu besar maka semua data akan dinormalisasi.

Tabel 4.3 Hasil Ekstraksi Fitur Sinyal Suara Pada Burung Kacer

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kacer 2 0,2637 -0,0058 0,0021 3,1331

Kacer 3 0,308 -0,0044 0,0002 2,5086

Kacer 4 0,0027 0,4987 0,0767 0,1367

Kacer 5 0,342 -0,0035 0,0075 2,3579

Kacer 6 0,3395 -0,0036 0,0082 2,9931

Kacer 7 0,2511 -0,0062 0,0052 2,9931

Kacer 8 0,2447 -0,0064 0,01 3,09

Kacer 9 0,2195 -0,0074 0,0092 4,4789

Kacer 10 0,3087 -0,0044 0,0046 3,1331

Kacer 11 0,255 -0,0061 0,0027 25,086

Kacer 12 0,3172 -0,0042 0,0033 29,931

Kacer 13 0,271297049 -0,005516498 0,01005424 2,357885742 Kacer 14 0,254411516 -0,006074664 0,00012771 2,325585938 Kacer 15 0,240677937 -0,006556674 0,001369977 3,046948242 Kacer 16 0,3826608 -0,00252912 0,003448163 2,745483398 Kacer 17 0,392274907 -0,002313589 0,003448163 2,734716797 Kacer 18 0,287473986 -0,005013428 0,000383129 2,347119141 Kacer 19 0,363132107 -0,002984106 0,005514739 2,357885742 Kacer 20 0,311987239 -0,004302663 0,006861497 3,036181641 Kacer 21 0,263817489 -0,005759328 0,008115374 2,293286133 Kacer 22 0,34053566 -0,003542147 0,007662585 2,357885742

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kacer 23 0,282783864 -0,005156307 0,005723719 2,497851563 Kacer 24 0,295850762 -0,004763945 0,006385488 3,003881836 Kacer 25 0,266814687 -0,005661205 0,002925714 2,27175293 Kacer 26 0,236658974 -0,00670294 0,005445079 3,122314453 Kacer 27 0,271423493 -0,005512451 0,005851429 2,325585938 Kacer 28 0,270059263 -0,005556218 0,003808073 2,971582031 Kacer 29 0,136787168 -0,011464492 0,008417234 3,111547852 Kacer 30 0,297661519 -0,004710945 0,002368435 3,423779297 Rata - Rata 0,274156947 0,011489309 0,007530358 0,007530358

Tabel 4.4 Hasil Ekstraksi Fitur Sinyal Pada Burung Kenari

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kenari 1 0,35513408 -0,0031776 0,009531791 2,627050781 Kenari 2 0,393914984 -0,0022773 0,001950476 2,982348633 Kenari 3 0,400130813 -0,0021414 0,002333605 3,768310547 Kenari 4 0,429242815 -0,0015313 0,00015093 3,800610352 Kenari 5 0,479416902 -0,0005711 0,009009342 2,96081543 Kenari 6 0,416017243 -0,0018032 0,006965986 3,746777344 Kenari 7 0,207725076 -0,0078356 0,00024381 4,834204102 Kenari 8 0,149615852 -0,0106858 0,007465215 2,508618164

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kenari 9 0,396331177 -0,0022242 0,001869206 2,928515625 Kenari 10 0,408690069 -0,0019575 0,006768617 3,606811523 Kenari 11 0,272936508 -0,0054642 0,009636281 2,767016602 Kenari 12 0,47760139 -0,0006041 0,001764717 3,746777344 Kenari 13 0,190622438 -0,0085819 0,001950476 4,931103516 Kenari 14 0,171147211 -0,009518 0,004574331 4,984936523 Kenari 15 0,441612883 -0,0012846 0,004179592 3,671411133 Kenari 16 0,297150848 -0,0047259 0,000267029 4,68347168 Kenari 17 0,389835987 -0,0023678 0,007952834 4,026708984 Kenari 18 0,211933348 -0,0076614 0,002020136 4,758837891 Kenari 19 0,439128473 -0,0013336 0,002147846 2,982348633 Kenari 20 0,243068013 -0,0064708 0,00505034 4,866503906 Kenari 21 0,313574847 -0,0042586 0,003285624 4,048242188 Kenari 22 0,407191721 -0,0019894 0,006118458 3,736010742 Kenari 23 0,382391304 -0,0025352 0,003680363 3,768310547 Kenari 24 0,359046648 -0,0030824 0,003796463 3,972875977 Kenari 25 0,237589253 -0,0066689 0,008637823 2,433251953 Kenari 26 0,432799907 -0,0014597 0,006013968 2,971582031 Kenari 27 0,367284179 -0,0028854 0,0048878 3,488378906 Kenari 28 0,387453731 -0,002421 0,005897868 3,736010742 Kenari 29 0,247375935 -0,0063183 0,008428844 6,072363281

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kenari 30 0,27892463 -0,0052757 0,005514739 6,018530273 Rata - Rata 0,339496275 -0,0039704 0,004736484 3,847624512

Tabel 4.3. dan tabel 4.4. menunjukkan hasil ekstraksi ciri oleh metode STFT. Adapun perbedaan pada suara burung kacer dan suara burung kenari adalah pada suara burung kacer nilai frekuensi lebih tinggi dari suara burung kenari, perbedaan antara nilai frekuensi STFT lebih besar dari frekuensi range tersebut. Salah satu penyebab ada nya perbedaan di karenakan volume suara yang besar saat perekaman suara sehingga menyebabkan frekuensi yang besar juga. Adapun nilai-nilai yang diekstraksi pada penelitian ini adalah nilai STFT, nilai rata-rata amplitudo pada sebuah sinyal, nilai frekuensi dan nilai waktu saat amplitudo tertinggi seperti terlihat pada tabel.

Nilai STFT merupakan bilangan kompleks perlu di-absolutkan, sementara nilai amplitudo adalah nilai dalam satuan desibel. Nilai–nilai pada tabel 4.3. dan 4.4. masih merupakan nilai yang tidak seragam. Contohnya adalah jarak antara nilai waktu yang kecil dan nilai frekuensi yang besar. Perbedaan ini membuat nilai tersebut tidak bisa dijadikan input pada backpropagation. Sehingga nilai– nilai tersebut harus diseragamkan terlebih dahulu atau dinormalisasikan menjadi sebuah bilangan antara 0 dan 1. Adapun contoh membuat rumus normalisasi pada Matlab adalah

normSA = dBSA - min(dBSA(:)); normSA = normSA ./ max(normSA(:));

Nilai normSA adalah suatu matriks yang berisi hasil normalisasi. Dan nilai dBSA adalah suatu matriks yang belum ternormalisasi. Nilai tersebut akan dikurangi dengan nilai yang lebih kecil antara elemen ke i baru, dengan elemen sebelumnya. Sehingga nilai normSA akan terus diperbaharui selama belum mencapai elemen terakhir pada matriks.

Nilai setiap elemen pada matriks normSA yang telah diperbaharui kemudian akan dibagi dengan sebuah nilai dari elemen terbesar yang ada matriks tersebut. Sehingga didapatkanlah sebuah matriks baru hasil ternormalisasi. Contohnya adalah menormalisasi nilai frekuensi. Nilai frekuensi yang dinormalisasi adalah nilai frekuensi pada satu data rekaman sinyal suara. Adapun nilai terbesar dari hasil normalisasi selalu menunjukkan angka 1, dan nilai terkecil adalah nilai 0, hal ini dikarenakan data dinormalisasi menjadi nilai antara 0 sampai 1. Dalam hal ini, penggunaan nilai maksimal atau nilai terbesar tidak berlaku untuk nilai STFT dan nilai amplitudo, karena pada perhitungan sebelumnya nilai yang digunakan adalah nilai terbesar dari matriks STFT, dan nilai terbesar dari nilai amplitudo. Sehingga untuk alternatifnya adalah merata-rata nilai yang sudah dinormalisasi untuk mendapatkan nilai yang berbeda setiap rekaman sinyal suara.

Adapun nilai yang dirata-rata adalah nilai pada matriks amplitudo pada tiap data rekaman sinyal suara. Setelah proses normalisasi, maka nilai-nilai yang ada pada matriks tersebut akan dirata-rata. Agar semua nilai seragam, maka nilai waktu pun harus dinormalisasi juga. Adapun nilai waktu dan frekuensi yang digunakan adalah tetap pada nilai waktu dan frekuensi saat amplitudo tertinggi, namun nilai waktu dan frekuensi tersebut adalah nilai yang sudah ternormalisasi.

Seluruh nilai-nilai STFT, nilai rata-rata amplitudo, waktu, dan frekuensi yang sudah ternormalisasi dikumpulkan menjadi satu tabel untuk digolongkan berdasarkan jenis burungnya. Seperti tertera pada tabel 4.5. dan 4.6.

Table 4.5 Tabel Normalisasi Burung Kacer

Nama Sampel Nilai STFT Ampltuo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kacer 1 0.000718806 0.465650012 0.943693694 0.139160156 Kacer 2 0.000647096 0.431562662 0.051627385 0.111816406 Kacer 3 0.000393183 0.434185152 0.875576037 0.1328125 Kacer 4 0.000604104 0.390861131 0.222222222 0.1328125 Kacer 5 0.000604105 0.40427527 0.222222222 0.1328125 Kacer 6 0.000626383 0.410999878 0.461981567 0.1328125 Kacer 7 0.000603881 0.397368054 0.518032787 0.133300781 Kacer 8 0.000746214 0.441304681 0.652073733 0.133300781 Kacer 9 0.00051615 0.396310364 0.184699454 0.131835938 Kacer 10 0.00061038 0.452744672 0.33442623 0.125488281 Kacer 11 0.00061038 0.452744672 0.33442623 0.125488281 Kacer 12 0.004051731 0.507861887 0.46803653 0.153808594 Kacer 13 0.004051731 0.507861887 0.46803653 0.153808594 Kacer 14 0.00407784 0.505067695 0.803243243 0.112792969 Kacer 15 0.00392869 0.62452496 0.084474886 0.112304688 Kacer 16 0.003248364 0.513212474 0.851598174 0.114257813 Kacer 17 0.003807694 0.505069437 0.821917808 0.152832031

Kacer 18 0.002802979 0.48441381 0.422374429 0.145507813 Kacer 19 0.003097386 0.479346517 0.14872364 0.129394531 Kacer 20 0.003025829 0.470720404 0.455049945 0.147949219 Rata - Rata 0.001938646 0.463804281 0.466221837 0.132714844

Table 4.6 Tabel Normalisasi Burung Kenari

Nama Sampel Nilai STFT Amplitudo

Saat Amplitudo Maksimal

Waktu Frekuensi

Kenari 1 0.000997138 0.44675225 0.244444444 0.114746094 Kenari 2 0.002163443 0.4720188 0.990011099 0.086914063 Kenari 3 0.001370146 0.46123558 0.928967814 0.106445313 Kenari 4 0.001008939 0.45577502 0.169811321 0.106445313 Kenari 5 0.001837636 0.48845444 0.738068812 0.11328125 Kenari 6 0.001467712 0.45962636 0.195338513 0.114746094 Kenari 7 0.001794642 0.52145199 0.796892342 0.114257813 Kenari 8 0.001996731 0.53496764 0.882352941 0.114257813 Kenari 9 0.00166564 0.54444486 0.985185185 0.102539063 Kenari 10 0.001940181 0.52979368 0.204232804 0.103027344 Kenari 11 0.000509054 0.49944521 0.064261556 0.17578125 Kenari 12 0.001301514 0.56018558 0.323308271 0.177246094 Kenari 13 0.006879988 0.56020892 0.740064447 0.185058594 Kenari 14 0.001925672 0.54014126 0.989853439 0.130371094 Kenari 15 0.002179868 0.53056928 0.180451128 0.159667969

Kenari 16 0.007764791 0.54931557 0.974221267 0.198242188 Kenari 17 0.010443268 0.54950494 0.018038331 0.198242188 Kenari 18 0.002700018 0.67204928 0.285231116 0.018554688 Kenari 19 0.002700018 0.67204928 0.285231116 0.018554688 Kenari 20 0.003735976 0.55326518 0.286358512 0.174316406 Rata - Rata 0.002819119 0.53006276 0.514116223 0.125634766

Nilai-nilai pada Tabel 4.5. sampai tabel 4.6. nantinya akan dijadikan sebagai nilai masukan untuk data pelatihan pada jaringan saraf tiruan backpropagation.

Tabel 4.7 Rata-Rata Nilai STFT, Amplitudo, Waktu Dan Frekuensi Nilai rata-rata Burung kenari Burung kacer

STFT 0,339496275 0,274156947 Amplitudo -0,0039704 0,011489309 Waktu 0,004736484 0,007530358 Frekuensi 3,847624512 0,007530358

Pada Tabel 4.7. Terdapat perbedaan pada nilai rata-rata keluaran hasil ektraksi suara burung kenari dan kacer, pada nilai rata-rata frekuensi dan nilai rata-rata amplitudo burung kenari 3.847624512 Hz dan -0.0039704 untuk burung kacer 0.007530358 Hz dan 0.011489309 terlihat selisih yang cukup besar, akan tetapi nilai rata-rata STFT dan nilai rata-rata waktu pada burung kenari 0.339496275 dan 0,004736484 untuk burung kacer 0.274156947 dan 0,007530358 terlihat selisih tidak terlalu besar.

4.4 Pelatihan dan Pengujian Backpropagation

Pada bagian pelatihan di inputkan data hasil ekstraksi ciri STFT dimana input adalah fitur dari suara burung kacer dan burung kenari sehingga jumlah neuron input adalah sebanyak 8 ditambah 1 neuron bias. Dan data yang akan dilatihkan adalah sebanyak jumlah suara yaitu 20 data. Seperti terlihat pada Tabel 4.8.

62

Burung Kacer Burung Kenari

input

neuron x1 x2 x3 x4 x5 x6 x7 x8

nilai nilai STFT Amplitudo Waktu Frekuensi nilai STFT Amplitudo Waktu Frekuensi data

training

1 0.000718806 0.465650012 0.943693694 0.139160156 0.000997138 0.446752247 0.244444444 0.114746094 data

training

2 0.000647096 0.431562662 0.051627385 0.111816406 0.002163443 0.472018804 0.990011099 0.086914063 data

3

… … … …

data training

Tabel 4.8. menunjukkan arsitektur pada backpropagation seperti yang telah dimodelkan pada BAB III. Dimana neuron input untuk X1 – X4 adalah nilai untuk suara buung kacer X5 – X8 adalah nilai untuk suara burung kenari. Kemudian nilai untuk X1 adalah nilai STFT yang ternormalisasi untuk burung kacer, X2 adalah nilai amplitudo ternormalisasi untuk burung kenari, X3 adalah nilai waktu ternormalisasi saat amplitudo tertinggi untuk burung kacer, dan X4 adalah frekuensi ternormalisasi saat amplitudo tertinggi untuk burung kenari. Keseluruhan nilai untuk X1 – X8 untuk 20 data pelatihan adalah nilai pada tabel 4.7. Kemudian backpropagation akan melatih seluruh nilai tersebut dan nilai-nilai tersebut disimpan kedalam sebuah tabel berformat (.mat) untuk dapat diakses oleh Matlab. Cara mengaksesnya adalah dengan membuat sintaks

Traininput = struct2cell(load('D:\dataTA\traininp.mat')); Trainout = struct2cell(load('D:\dataTA \trainout.mat')); trainInp = traininput{1,1};

trainOut = trainout {1,1};

Dimana training adalah data latih yaitu data hasil ekstraksi ciri STFT, dan trainOut adalah data target. Pelatihan ini bertujuan untuk mencari bobot optimal yang akan digunakan pada pengujian backpropagation, sehingga jaringan saraf tiruan dapat mengenali dan membedakan antara data burung kacer dan burung kenari. Pelatihan antara burung kacer dan burung kenari tidak dipisah, atau tidak mencari dua bobot optimal, yaitu bobot optimal untuk data burung kacer, dan bobot optimal untuk data burung kenari. Hal ini dikarenakan urutan data untuk pengujian adalah urutan acak dari data burung kacer dan burung kenari.

Maka data yang dilatih adalah data dari burung kacer sampai data burung kenari sehingga terbentuklah satu nilai bobot optimal yang bisa digunakan untuk kedua jenis suara tersebut. Kecepatan pembelajaran data (learning rate) yang dipakai adalah 0.1. dan banyaknya perulangan (iterasi) adalah sebanyak 10000.

Adapun penggunaan nilai learning rate 0.1 adalah agar jaringan dapat mencari error secara akurat, dan waktu yang dibutuhkan untuk pembelajaran menjadi lebih cepat. Jika dibandingakan dengan nilai learning rate 0.01, maka pencarian error akan lebih teliti, namun juga dibutuhkan waktu yang sangat lama untuk pembelajaran/pelatihan. Jumlah iterasi juga menentukan nilai error yang dihasilkan. Semakin besar iterasi, maka semakin kecil juga nilai error yang dihasilkan. Kemudian jumlah neuron pada tiap hidden layer adalah sebanyak 150 layer pada hidden layer 1, dan 150 layer pada hidden layer 2. Jumlah tersebut didapatkan dari hasil trial and error dikarenakan nilai bobot awal yang digunakan adalah nilai acak yang berkisar antara -1 sampai 1, sehingga saat melakukan pelatihan lagi, nilai bobot awal akan berubah dan tidak sama dengan nilai bobot awal pada pelatihan sebelumnya.

Cara trial and error disini adalah untuk mencari bobot optimal yang ada pada setiap hidden layer untuk dapat mengenali jenis burung dari suara yang dimasukkan. Tabel 4.8. menunjukkan hasil percobaan untuk mencari nilai error terkecil dengan mengubah jumlah neuron pada hidden layer dan banyaknya iterasi.

Tabel 4.9 Hasil Trial And Error Untuk Mencari Nilai Kuadrat Galat Error Terkecil

No Iterartion Hidden Layer Status Error 1 10000 150, 150 gagal 0,2642 2 15000 200, 150 sukses 0,0577 3 20000 300, 200 sukses 0,0278 4 10000 200, 200 gagal 0,2147 5 15000 250, 250 gagal 0,2285 6 25000 150, 150 sukses 0,0221 7 25000 250, 200 sukses 0,0192 8 30000 250, 250 sukses 0,0172 9 35000 300, 300 sukses 0,0124 10 30000 350, 350 sukses 0,0145 11 30000 350, 400 sukses 0,0138 12 45000 400, 400 sukses 0,0102 13 50000 350, 400 sukses 0,0100 14 45000 350, 350 sukses 0,0100 15 50000 400, 400 sukses 0,0100

Tabel 4.9. menunjukkan bahwa nilai MSE yang didapatkan berpengaruh dari banyaknya iterasi dan jumlah neuron pada masing masing hidden layer. Seperti contoh saat banyaknya iterasi adalah 10000 dan jumlah neuron hidden layer 1 dan hidden layer 2 masing-masing adalah 150, nilai mse masih cukup besar yaitu 0.246 dibandingkan dengan toleransi error yang digunakan adalah

0.01. sehingga jumlah neuron hidden layer dan banyaknya iterasi yang digunakan pada penelitain ini dengan adalah 400 neuron hidden layer 1, 400 neuron hidden layer 2, dan banyaknya iterasi adalah 50000 dengan nilai learning rate adalah 0.1, dan mse sebesar 0.0107. Program akan terus melatih data, hingga error yang terjadi pada tiap iterasi kurang dari atau sama dengan toleransi error (threshold), atau selama banyaknya iterasi. Gambar 4.4. adalah grafik dari mean square error pada percobaan iterasi sebanyak 50000, jumlah neuron pada masing-masing hidden layer adalah 400 dan nilai learning rate adalah 0.1

Gambar 4.8 Grafik Nilai Mean Square Error Pada Tiap Iterasi

Pada gambar 4.8. dapat terlihat bahwa sistem akan berusaha meminimalkan nilai mean square error yang dihasilkan pada setiap iterasi. Error sudah mencapai dibawah 0.1 saat iterasi ke 50000 dan seterusnya. Saat error sudah sama dengan nilai threshold, dalam hal ini dibatasi sampai 0.01, atau

jumlah iterasi sudah terpenuhi, maka bobot terakhir yang dipakai untuk pelatihan akan disimpan kedalam file (.mat) untuk nantinya akan digunakan dalam pengujian. Setelah itu, bobot yang sudah tersimpan dalam file (.mat) akan digunakan untuk dijadikan bobot pada program pengujian. Program pengujian pada backpropagation hanya sampai alur maju (tidak menjalankan alur mundur), dengan nilai bobot yang sudah disimpan saat pelatihan. Tabel 4.10. adalah hasil pengujian dari data training (pelatihan) dan persentase keberhasilan pengenalan pada data training.

Tabel 4.10 Presentase Keberhasilan Pengenalan Pada Data Training Jenis

Burung

Banyak Pelatihan

Kesalahan Pengenalan

Presentase Keberhasilan

Kacer 20 0 100%

Kenari 20 0 100%

Pada pengujian menggunakan sampel data latih dalam tabel 4.10. jaringan saraf tiruan berhasil mengenali data latih burung kacer dan burung kenari dengan tingkat keberhasilan adalah sebesar 100%.

Gambar 4.9 Hasil Keluaran Program Pengujian Data Training

Dapat dilihat pada grafik presentase dan tabel 4.10., bahwa sistem sudah dapat mengenali data. Terlihat pada Gambar 4.9, bahwa sistem mengenali data training 1-20 adalah burung kacer, dan 21-40 adalah burung kenari. Pelatihan data ini berlangsung selama 50000 iterasi dengan nilai MSE yaitu PPP adalah 0.0100.

Dengan nilai bobot optimal yang sudah tersimpan tadi, maka akan diuji sebuah data baru dengan harapannya, data tersebut dapat langsung diidentifikasi jenis burungnya. Perlu diketahui bahwa pada pengujian, algoritma backpropagation cukup hanya dilakukan proses feed forward, sehingga nilai yang dikeluarkan langsung diidentifikasi. Tabel 4.11 menunjukkan persentase keberhasilan pengenalan pada data baru.

Tabel 4.11 Persentase Keberhasilan Pengenalan Pada Data Baru Jenis

Burung

Banyak Pengenalan

Kesalahan Pengenalan

Presentase Keberhasilan

Kacer 30 21 30%

Kenari 30 17 43%

Rata - Rata 36.50%

Saat pengujian pada data baru, sistem juga dapat mengidentifikasi suara burung kacer dan burung kenari, namun terjadi kesalahan pada masing masing suara seperti terlihat pada tabel 4.11. Hal ini dapat terjadi karena ada kemiripan suara burung kacer pada burung kenari saat perekaman suara, sehingga akan menghasilkan fitur-fitur suara hampir sama dengan burung kenari, maupun kemiripan suara burung kacer pada suara burung kenari. Hal ini juga dapat dipengaruhi dari kurang banyaknya data pelatihan, sehingga untuk bisa mengenali, sistem perlu banyak mengenali banyak data untuk memahami berbagai macam pola.

73

Gultom, Junelia. 2012. Deteksi Nada Pada Saksofon Menggunakan Algoritma Short Time Fourier Transform (STFT) Dan Jaringan Saraf Tiruan (JST). Fakultas Elektro Dan Komunikasi Institut Teknologi Telkom Bandung.

Hayadi, Tulus., Suprapto, Yoyon K., Sumpeno, Surya. 2012. Estimasi Sinyal Gamelan Menggunakan Kalman Filter untuk transkripsi. Jurusan Teknik Elektro FTI – ITS.

Jong, J.S., 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi

Kawengian, Riane., Wuwung, Janny O., Sugiarso, Brave A., Lumenta, Arie S.M. 2013. Rancang Bangun Alat Pengendali Elektronik Universal Menggunakan Suara Manusia. Jurusan Teknik Elektro-FT, UNSRAT, Manado.

Kiki., Kusumadewi, Sri. 2004. Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi. Universitas Islam Indonesia.

Safriadi., Risawandi. 2014. Identifikasi Gender Melalui Suara Menggunakan Metode Discrete Fourier Transform (DFT). Jurusan Teknik Informatika, Universitas Sumatra Utara. SNITI, ISBN : 979-458-757-5.

Wijayanto, Inung., Dwifebrianti, Reni. 2013. Jenis Tipe Jangkauan Suara Pada Pria Dan Wanita Menggunakan Metoda Mel-Frequency Cepstral Coefficient Dan Jaringan Syaraf Tiruan Backpropagation. Fakultas Elektro dan Komunikasi, Insitut Teknologi Telkom Bandung.

Utari, Wirda Ayu. 2010. Pengenalan Pola Dengan Menggunakan MetodeBackpropagation Menggunakan Matlab. Universitas Gunadarma.

Tabel 4.9 Hasil Trial And Error Untuk Mencari Nilai Kuadrat Galat Error Terkecil

No Iterartion Hidden Layer Status Error 1 10000 150, 150 gagal 0,2642 2 15000 200, 150 sukses 0,0577 3 20000 300, 200 sukses 0,0278 4 10000 200, 200 gagal 0,2147 5 15000 250, 250 gagal 0,2285 6 25000 150, 150 sukses 0,0221 7 25000 250, 200 sukses 0,0192 8 30000 250, 250 sukses 0,0172 9 35000 300, 300 sukses 0,0124 10 30000 350, 350 sukses 0,0145 11 30000 350, 400 sukses 0,0138 12 45000 400, 400 sukses 0,0102 13 50000 350, 400 sukses 0,0100 14 45000 350, 350 sukses 0,0100 15 50000 400, 400 sukses 0,0100

Tabel 4.9. menunjukkan bahwa nilai MSE yang didapatkan berpengaruh dari banyaknya iterasi dan jumlah neuron pada masing masing hidden layer. Seperti contoh saat banyaknya iterasi adalah 10000 dan jumlah neuron hidden layer 1 dan hidden layer 2 masing-masing adalah 150, nilai mse masih cukup besar yaitu 0.246 dibandingkan dengan toleransi error yang digunakan adalah

0.01. sehingga jumlah neuron hidden layer dan banyaknya iterasi yang digunakan pada penelitain ini dengan adalah 400 neuron hidden layer 1, 400 neuron hidden layer 2, dan banyaknya iterasi adalah 50000 dengan nilai learning rate adalah 0.1, dan mse sebesar 0.0107. Program akan terus melatih data, hingga error yang terjadi pada tiap iterasi kurang dari atau sama dengan toleransi error (threshold), atau selama banyaknya iterasi. Gambar 4.4. adalah grafik dari mean square error pada percobaan iterasi sebanyak 50000, jumlah neuron pada masing-masing hidden layer adalah 400 dan nilai learning rate adalah 0.1

Gambar 4.8 Grafik Nilai Mean Square Error Pada Tiap Iterasi

Pada gambar 4.8. dapat terlihat bahwa sistem akan berusaha meminimalkan nilai mean square error yang dihasilkan pada setiap iterasi. Error sudah mencapai dibawah 0.1 saat iterasi ke 50000 dan seterusnya. Saat error sudah sama dengan nilai threshold, dalam hal ini dibatasi sampai 0.01, atau

jumlah iterasi sudah terpenuhi, maka bobot terakhir yang dipakai untuk pelatihan akan disimpan kedalam file (.mat) untuk nantinya akan digunakan dalam pengujian. Setelah itu, bobot yang sudah tersimpan dalam file (.mat) akan digunakan untuk dijadikan bobot pada program pengujian. Program pengujian pada backpropagation hanya sampai alur maju (tidak menjalankan alur mundur), dengan nilai bobot yang sudah disimpan saat pelatihan. Tabel 4.10. adalah hasil pengujian dari data training (pelatihan) dan persentase keberhasilan pengenalan pada data training.

Tabel 4.10 Presentase Keberhasilan Pengenalan Pada Data Training Jenis

Burung

Banyak Pelatihan

Kesalahan Pengenalan

Presentase Keberhasilan

Kacer 20 0 100%

Kenari 20 0 100%

Pada pengujian menggunakan sampel data latih dalam tabel 4.10. jaringan saraf tiruan berhasil mengenali data latih burung kacer dan burung kenari dengan tingkat keberhasilan adalah sebesar 100%.

Gambar 4.9 Hasil Keluaran Program Pengujian Data Training

Dapat dilihat pada grafik presentase dan tabel 4.10., bahwa sistem sudah dapat mengenali data. Terlihat pada Gambar 4.9, bahwa sistem mengenali data training 1-20 adalah burung kacer, dan 21-40 adalah burung kenari. Pelatihan data ini berlangsung selama 50000 iterasi dengan nilai MSE yaitu PPP adalah 0.0100.

Dengan nilai bobot optimal yang sudah tersimpan tadi, maka akan diuji sebuah data baru dengan harapannya, data tersebut dapat langsung diidentifikasi jenis burungnya. Perlu diketahui bahwa pada pengujian, algoritma backpropagation cukup hanya dilakukan proses feed forward, sehingga nilai yang dikeluarkan langsung diidentifikasi. Tabel 4.11 menunjukkan persentase keberhasilan pengenalan pada data baru.

Tabel 4.11 Persentase Keberhasilan Pengenalan Pada Data Baru Jenis

Burung

Banyak Pengenalan

Kesalahan Pengenalan

Presentase Keberhasilan

Kacer 30 21 30%

Kenari 30 17 43%

Rata - Rata 36.50%

Saat pengujian pada data baru, sistem juga dapat mengidentifikasi suara burung kacer dan burung kenari, namun terjadi kesalahan pada masing masing suara seperti terlihat pada tabel 4.11. Hal ini dapat terjadi karena ada kemiripan suara burung kacer pada burung kenari saat perekaman suara, sehingga akan menghasilkan fitur-fitur suara hampir sama dengan burung kenari, maupun kemiripan suara burung kacer pada suara burung kenari. Hal ini juga dapat dipengaruhi dari kurang banyaknya data pelatihan, sehingga untuk bisa mengenali, sistem perlu banyak mengenali banyak data untuk memahami berbagai macam pola.

73

Gultom, Junelia. 2012. Deteksi Nada Pada Saksofon Menggunakan Algoritma Short Time Fourier Transform (STFT) Dan Jaringan Saraf Tiruan (JST). Fakultas Elektro Dan Komunikasi Institut Teknologi Telkom Bandung.

Hayadi, Tulus., Suprapto, Yoyon K., Sumpeno, Surya. 2012. Estimasi Sinyal Gamelan Menggunakan Kalman Filter untuk transkripsi. Jurusan Teknik Elektro FTI – ITS.

Jong, J.S., 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi

Kawengian, Riane., Wuwung, Janny O., Sugiarso, Brave A., Lumenta, Arie S.M. 2013. Rancang Bangun Alat Pengendali Elektronik Universal Menggunakan Suara Manusia. Jurusan Teknik Elektro-FT, UNSRAT, Manado.

Kiki., Kusumadewi, Sri. 2004. Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi. Universitas Islam Indonesia.

Safriadi., Risawandi. 2014. Identifikasi Gender Melalui Suara Menggunakan Metode Discrete Fourier Transform (DFT). Jurusan Teknik Informatika, Universitas Sumatra Utara. SNITI, ISBN : 979-458-757-5.

Wijayanto, Inung., Dwifebrianti, Reni. 2013. Jenis Tipe Jangkauan Suara Pada Pria Dan Wanita Menggunakan Metoda Mel-Frequency Cepstral Coefficient Dan Jaringan Syaraf Tiruan Backpropagation. Fakultas Elektro dan Komunikasi, Insitut Teknologi Telkom Bandung.

Utari, Wirda Ayu. 2010. Pengenalan Pola Dengan Menggunakan MetodeBackpropagation Menggunakan Matlab. Universitas Gunadarma.