Kesimpulan Saran Proses Pengenalan

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pembahasan implementasi dan pengujian yang telah dilakukan maka dapat diperoleh beberapa kesimpulan : 1. Semakin rendah nilai Learning Rate pada LVQ maka persentase pengenalan makin lebih besar. 2. Pemotongan nada untuk pemprosesan nada yang masi statis. Sehingga pemotongan nada yang berdekatan menjadi tidak tepat. 3. Nilai Learning Rate yang paling optimal pada masalah ini yaitu 0.02. 4. Penggunaan metode Mel-Frequency Cepstrum Coefficient MFCC dengan metode pencocokan Learning Vector Quantization LVQ dapat diimplementasikan pada aplikasi pengenalan nada suara piano untuk dibuat menjadi partitur. 5. Dengan adanya aplikasi, maka user dapat membuat partitur tanpa harus menulisnya satu persatu apa nada yang dimainkan, sehingga lebih mudah dalam pembuatan partitur. Universitas Sumatera Utara

5.2 Saran

Sistem ini dirancang dan dibangun berdasarkan ide dan alur pemikiran dari penulis, maka untuk menghasilkan sistem yang lebih baik dan maksimal diperlukan saran dari pihak manapun untuk melengkapi kekurangan yang ada pada sistem ini. Saran dari penulis yaitu: 1. Sistem ini dapat dikembangkan untuk menambah tempo pada lagu. Sehingga pemotongan nada suara pada data uji dapat dikenalkan berapa lama tempo yang lagi dimainkan. 2. Sistem ini dapat dikembangkan untuk menambah data acuan yang lebih kompleks lagi. Tidak Cuma nada dasar saja yang menjadi data acuan. 3. Sistem ini juga dapat dilakukan dengan metode dan algoritma pada sistem rekomendasi lainnya, agar dapat mencapai hasil yang lebih maksimal. Universitas Sumatera Utara DAFTAR PUSTAKA Andriana, A.D dan Irfan Maliki., 2011. Perangkat lunak untuk membuka applikasi pada komputer dengan perintah suara menggunakan metode Mel Frequency Coefficient MFCC . Skripsi. Universitas Komputer indonesia. Ayunisa, Y. Dian,. 2012. Perancangan Sistem pengenalan suara untuk pengamanan dan pemantauan fasilitas PLTA. Skripsi. Institut Teknologi Surabaya. Darmawan, Yudi. 2011. Speech recognition Menggunakan Metode Mel-Frequency Cepstrum Coefficient dan Algoritma Dynamic Time Warping. Skripsi. Universitas Sumatera Utara. DePorter B. et. Al. 2000. Quantum Teaching : Mempraktikkan Quantum Learning Di Ruang- Ruang Kelas. Kaifa. Bandung. Gardner. H. 1999. Intelegence Reframed: Multiple Intelligence for 21 st Century. New York: Basic Books. Lestary, J. 2009. Aplikasi Pengenalan Ucapan Kata Bahasa Inggris Menggunakan Linear Predictive Coding LPC dan Hidden Markov Model HMM . Tesis. Universitas Gunadharma. Manunggal, H.S. 2005. Perancangan Dan Pembuatan Perangkat Lunak Pengenalan Suara Pembicara dengan Menggunakan Analisa MFCC Feature Extraction. Skripsi. Surabaya. Universitas Kristen Petra. Masitah. 2008. Tingkat Pemrosesan Informasi pada mahasiswa yang memiliki kebiasaan mendengarkan musik rap. Skripsi. Universitas Sumatera Utara. Munandar, S.C.U. 2009. Pengembangan Kreativitas Anak Berbakat. Jakarta: PT Rineka Cipta dan Dep. Pendidikan dan Kebudayaan. Mustofa, Ali. 2007. Sistem Pengenalan Penutur Dengan Metode Mel-Frequency Wrapping. Skripsi. Universitas Brawijaya. Universitas Sumatera Utara Putra, Darma .2010. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi. Resmawan, I Wayan Adi., 2009. Verifikasi Suara Menggunakan Metode MFCC dan DTW. Skripsi, Universtias Udayana. Scripp, L. Subtonik, R.F. 2003. Direction for innovation in music education Online http:www.google.comsearch?q=cache:9HDNgKFyGI4J:www.apa.orgediinovati on.pdf. 20 Maret 2007 . Rabiner, L. and Hwang, J.B. 1993. Fundamental Of Speech Recognition. Prentice Hall : USA. Rachman, S. 2006. Visualisasi Pengenalan Vokal Bahasa Indonesia Dengan Metode LPC- DTW. Skripsi. Semarang. Universitas Dipenogoro. Rentfrow, P.J., Gosling, S.D. 2007. The Content and validity of stereotypes about fans of 14 music genres. Psychology of Music, 35, 306-326. Ridwan, M.F. 2011. Klasifikasi Genre Musik Menggunakan Learning Vector Quantization LVQ.Skripsi. Institut Pertanian Bogor. Sudjito, G,Y., Pandia, W.S.S., Tunjungsari, L.H. 2007. Perbedaan kemampuan Spasial pada Remaja yang Mendapat Pendidikan Musik Klasik dan Remaja Yang tidak. Manasa, I1, 1-16. Taufani, M. Fijri,. 2011. Perbandingan Permodelan Wavelet dan MFCC sebagai Ekstraksi Ciri pada pengenalan Fonem dengan Teknik Jaringan Syaraf Tiruan Sebagai Classifier. Tesis. Institut Pertanian Bogor. Yuriandra. 2008. Permainan Olah ritme untuk mengembangkan musikalitas anak di ME Music School Bandung. Tesis, Institut Teknologi Bandung. Wisnudisastra, E, dan Agus,B. 2010. Pengenalan Chord pada Alat Musik Gitar menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC. Skripsi. Institut Pertanian Bogor. Wilson, R. S. 2003. WAVE PCM Soundfile Format Online Https:ccna.standford.educourses422projectsWaveFormat 24 April 2014 Universitas Sumatera Utara LAMPIRAN I LISTING PROGRAM

1. Modul MySql