Pengenalan Chord pada Gitar dengan MFCC Sebagai Metode Ekstraksi Ciri dan Jaringan Saraf Tiruan Sebagai Metode Pengenalan Pola

PENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI
METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN
SEBAGAI METODE PENGENALAN POLA

FAUZI SISWOYO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

 
 

PENGENALAN CHORD PADA GITAR DENGAN MFCC SEBAGAI
METODE EKSTRAKSI CIRI DAN JARINGAN SARAF TIRUAN
SEBAGAI METODE PENGENALAN POLA

FAUZI SISWOYO

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

 
 

ABSTRACT
FAUZI SISWOYO. Identification of Guitar Chords with MFCC as a Method of Feature Extraction
and Artificial Neural Networks As a Method of Pattern Recognition. Supervised by AGUS BUONO.
Human hearing system is capable of identifying sounds or audio signals, especially sounds that
are familiar in their daily lives. However, recognizing chord sequences played in some kind of music
is not an easy task. People need big effort to train their sense of hearing so that they can recognize

chords. This condition is also valid for a computer system. Finding the key and labeling the chords
automatically from music are of great use for those who want to do harmonic analysis of music. This
research is about to recognize chords played and recorded by a guitar instrument. There are 24 chords
used in this research. MFCC was used as a feature extraction using 13 and 26 cepstral coefficients.
Each chord signal which has been extracted is modeled using artificial neural networks as a method of
pattern recognition. This research results in an accuracy level above 90%. From the research that has
been done, it can be concluded that modeling using back propagation neural networks on guitar chords
recognition has an accuracy of 92%, better than the codebook method performed in the previous
research which resulted in an accuracy of 88%. An increasing accuracy level is shown by using
artificial neural networks for pattern recognition.
Keywords: artificial neural networks, back propagation ANN, chord, MFCC.
.

 
 

Judul Skripsi
Nama
NIM

: Pengenalan Chord pada Gitar dengan MFCC Sebagai Metode Ekstraksi Ciri dan
Jaringan Saraf Tiruan Sebagai Metode Pengenalan Pola
: Fauzi Siswoyo
: G64076025

Disetujui:
Pembimbing

Dr. Ir. Agus Buono M.Si., M.Kom
NIP 19660702 199302 1 001

Diketahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono M.Si., M.Kom
NIP 19660702 199302 1 001

Tanggal Lulus:
 
 

RIWAYAT HIDUP
Penulis dilahirkan di Balikpapan tanggal 02 Februari 1986 dari Ayah yang bernama Mu’anam
dan Ibu yang bernama Pudiaswati. Penulis merupakan anak bungsu dari tiga bersaudara. Pada tahun,
2004 penulis lulus dari SMU Negeri 2 Bogor dan lulus undangan seleksi masuk IPB tingkat Diploma
III di Institut Petanian Bogor Jurusan Elektronika dan Teknologi Komputer. Setelah lulus Diploma III
pada tahun 2007 penulis melanjutkan studi di Institut Pertanian Bogor jurusan Ilmu Komputer (alih
jenis) untuk memperoleh gelar Sarjana Ilmu Komputer.

 
 
 
 
 
 
 
 
 
 
 

 
 
 
 
 
 

PRAKATA
AlhamdulillahhiRobbil’alamin, puji dan syukur penulis panjatkan kepada Allah
Subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya sehingga laporan penelitian ini
berhasil diselesaikan. Shalawat dan salam selalu dicurahkan kepada Nabi Muhammad
Salallahualaihiwassalam beserta keluarga, sahabat, dan para pengikutnya.
Dalam penyelesaian penelitian ini, penulis mendapatkan banyak bantuan dan dukungan dari
berbagai pihak. Oleh karena itu, penulis ingin mengutarakan rasa terima kasih kepada:
1 Kedua orang tua yang selalu memberikan dukungan dan semangat yang seakan tak pernah
henti memenuhi hati dan sanubari dari si penulis.  
2 Bapak Dr. Ir. Agus Buono M.Si M.Kom selaku dosen pembimbing atas segala saran, arahan,
dan bimbingannya dalam penyelesaian tugas akhir ini.  
3 Anggi yang sudah mengkalibrasi gitar untuk penelitian ini sehingga mengeluarkan suara yang
sesuai dengan tangga nada. 

4 Teman-teman sesama ilkom ekstensi angkatan dua yang telah memberikan banyak dukungan
dan menemani di kala sedang kebingungan, Anggi, Iqbal, Fakih, Rudi, Fazriah, Munarni,
Wanda, Imam, Bule, Dodot, Ahmed, Decky, dan teman-teman lain yang tak sempat
disebutkan. 
5 Anggi, Iqbal, Fakih, Ahmed yang selalu menemani saya bermain bulutangkis setiap sabtu sore
untuk melepas lelah dan stress. 
6 Teman-teman dan para karyawan b1net yang juga memberikan dukungan untuk menyelesaikan
penelitian ini. 
7 Semua pihak yang turut membantu dan belum sempat saya sebutkan di atas.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat dalam penelitian ini sehingga
diharapkan saran, kritik, dan masukan dari semua pihak. Semoga penelitian ini dapat bermanfaat bagi
pihak yang membutuhkan, amin.

Bogor, Maret 2013

Fauzi Siswoyo

 
 
 

 
 
 
 
 
 
 

 
 
 
 
 
 
 
 
 
 
 
 

 
 
 
 
 
 

Penguji:
1. Aziz Kustiyo S.Si., M.Kom.
2. Mushthofa S.Kom., M.Sc.

 
 

DAFTAR ISI
Halaman
DAFTAR TABEL ..................................................................................................................................... vi
DAFTAR GAMBAR ................................................................................................................................ vi
DAFTAR LAMPIRAN............................................................................................................................. vi
PENDAHULUAN

Latar Belakang ..................................................................................................................................... 1
Tujuan Penelitian.................................................................................................................................. 1
Ruang Lingkup ..................................................................................................................................... 1
Manfaat ................................................................................................................................................. 1
TINJAUAN PUSTAKA
Nada dan Chord Gitar .......................................................................................................................... 1
Sinyal .................................................................................................................................................... 3
Ekstraksi Ciri ........................................................................................................................................ 4
MFCC (Mel-Frequency Cepstrum Coefficients) ................................................................................. 4
Jaringan Saraf Tiruan (JST) ................................................................................................................. 5
JST Propagasi Balik ............................................................................................................................. 5
METODE PENELITIAN
Kerangka Pikir Studi ............................................................................................................................ 6
Pengambilan Data ................................................................................................................................ 6
Praproses............................................................................................................................................... 7
Pemilihan Data Latih dan Data Uji ...................................................................................................... 7
Proses Ekstrasi Ciri .............................................................................................................................. 7
Perancangan Jaringan Saraf Tiruan ..................................................................................................... 7
Penentuan Target Hasil Identifikasi ..................................................................................................... 7
Pengujian .............................................................................................................................................. 8

Lingkup pengembangan ....................................................................................................................... 8
HASIL DAN PEMBAHASAN
Proses Pengujian Chord ....................................................................................................................... 8
Evaluasi Hasil Identifikasi ................................................................................................................... 8
Kemiripan Antar Chord ....................................................................................................................... 9
KESIMPULAN DAN SARAN
Kesimpulan ........................................................................................................................................... 9
Saran ..................................................................................................................................................... 9
DAFTAR PUSTAKA .............................................................................................................................. 10
LAMPIRAN ............................................................................................................................................. 11

 

 

 

v
 

DAFTAR TABEL
Halaman
1 Daftar chord gitar yang digunakan ....................................................................................................... 7
2 Struktur JST Backpropagation yang dikembangkan ........................................................................... 8
3 Daftar bilangan biner chord .................................................................................................................. 8
4 Hasil akurasi pengenalan chord ............................................................................................................ 9

 

DAFTAR GAMBAR
Halaman
1 Ilustrasi dari nada yang dihasilkan dengan cara menekan senar padafret tertentu (Vaseghi 2007) ... 3
2 Ilustrasi bentuk chord D pada posisi yang berbeda ............................................................................. 3
3 Bentuk sinyal analog ............................................................................................................................. 3
4 Bentuk sinyal digital ............................................................................................................................. 3
5 Diagram blok proses MFCC ................................................................................................................. 4
6 Arsitektur jaringan lapis jamak dengan satu lapis unit tersembunyi ................................................... 5
7 Grafik fungsi sigmoid biner .................................................................................................................. 6
8 Diagram proses pengenalan chord gitar ............................................................................................... 7
9 Grafik perbandingan akurasi................................................................................................................. 9
10 Sinyal dan hasil ciri chord E ................................................................................................................. 9
11 Sinyal dan hasil ciri chord E Minor ..................................................................................................... 9

DAFTAR LAMPIRAN
Halaman

1 Bentuk chord yang digunakan pada pelatihan dan pengujian ........................................................... 12
2 Sinyal-sinyal chord yang didapatkan ................................................................................................. 14
3 Tabel hasil akurasi .............................................................................................................................. 22
4 Tabel pengenalan chord ...................................................................................................................... 23

 
 

vi
 

1
 

PENDAHULUAN
Latar belakang
Setiap manusia memiliki kemampuan untuk
mendengar dan mengenali suara. Bukan hal
yang sulit untuk mengenali jenis suara tertentu,
apalagi jika suara tersebut sudah biasa didengar
oleh manusia pada kehidupan sehari-hari.
Namun, suara yang dikeluarkan oleh alat musik
atau yang dikenal dengan sebutan nada tidak
bisa begitu saja dikenali oleh telinga manusia
pada umumnya, kecuali seorang musisi yang
handal dan sudah terlatih dalam mengenali
nada-nada alat musik pada kehidupan sehariharinya.
Kumpulan dua atau lebih nada yang
dirangkai sehingga terbentuk suara yang
harmonis pada alat musik disebut juga dengan
chord. Susunan chord yang dimainkan
menentukan jenis dan kualitas dari sebuah
musik. Susunan chord pada sebuah musik atau
lagu juga dapat dimanfaatkan untuk mengetahui
pola-pola chord pada jenis atau kategori musik
tertentu sehingga dapat mengklasifikasikan
suatu musik atau lagu ke dalam kategori
tertentu.
Seorang penyuka musik yang ingin
memainkan gitar dengan lagu tertentu, perlu
mengetahui terlebih dahulu chord apa saja yang
digunakan untuk menyusun lagu tersebut.
Maka, diharapkan penelitian ini dapat
dikembangkan nantinya sehingga mampu
mengenali semua susunan chord pada lagu
tersebut.
Pada penelitian ini, sistem pengenalan suara
lebih dikhususkan pada sistem kecerdasan
komputer dalam mengenali chord pada alat
musik gitar. Untuk meningkatkan nilai akurasi
dalam pengenalan chord, penelitian ini akan
menggunakan metode jaringan saraf tiruan
(JST) backpropagation sebagai pengenalan
pola, dan MFCC (Mel-Frequency Cepstrum
Coefficients) sebagai pengekstraksi ciri. Metode
JST merupakan salah satu jenis jaringan saraf
tiruan yang memiliki tingkat akurasi yang
cukup tinggi dalam mengidentifikasi sumber
suara.
Telah banyak fitur pengekstraksi ciri
pengenalan suara yang dikembangkan saat ini,
salah satunya MFCC. Sinyal suara analog yang
dikeluarkan sumber suara diubah menjadi sinyal
digital. Sinyal tersebut merupakan sebuah
representasi vektor yang relatif berukuran besar
sehingga, dalam pengenalan ciri dari sumber
suara, vektor tersebut diubah terlebih dahulu

menggunakan MFCC, agar dari vektor tersebut
hanya menyisakan cirinya saja, yang akan
dipakai sebagai pengenalan pola. Hasil dari
vektor-vektor tersebut digunakan sebagai data
latih dan data uji pada pengenalan pola
menggunakan JST.
Penelitian mengenai pengenalan chord
sudah pernah dilakukan sebelumnya oleh
Wisnudisastra (2009) dengan metode codebook.
Pada penelitian tersebut, gitar yang digunakan
menggunakan senar nilon. Akurasi rata-rata
yang dihasilkan cukup baik, yaitu 88% sampai
97%, namun terdapat satu chord dengan akurasi
yang agak kecil yaitu chord F# dengan akurasi
30% sampai 66%. Untuk itu, penelitian kali ini
mencoba menggunakan metode JST, dan gitar
yang digunakan menggunakan senar baja.
Tujuan Penelitian
Tujuan penelitian ini adalah memanfaatkan
JST backpropagation sebagai pengenal pola dan
menggunakan MFCC sebagai pengekstraksi ciri
pada sistem pengenalan suara sehingga dapat
digunakan untuk mengenali chord pada alat
musik gitar.
Ruang lingkup
Ruang lingkup dari penelitian ini adalah:
1 Chord yang akan dikenali hanyalah chord
dasar mayor dan minor. Total terdapat 24
chord mayor/minor.
2 Chord yang akan diuji hanya dimainkan
dengan dibunyikan serentak dalam satu
posisi.
3 Sumber suara chord yang dikenali hanya
suara dari gitar yang menggunakan senar
baja.
4 Pengembangan sistem dengan menggunakan
MatLab.
Manfaat
Penelitian ini diharapkan dapat digunakan
untuk memberikan informasi keakuratan
metode JST dalam pengenalan chord pada alat
musik gitar. Selain itu, model yang dihasilkan
dapat digunakan untuk mengembangkan sistem
pengenalan nada pada alat musik.

TINJAUAN PUSTAKA
Nada dan Chord Gitar
Nada merupakan suatu simbol atau bunyi
yang menjadi dasar dalam susunan musik.
Terdapat tujuh nada natural yang telah
dibakukan dan diberi nama dengan huruf,
yaitu: C, D, E, F, G, A, B. Masing-masing nada
tersebut memiliki frekuensi yang berbeda. Jarak

2
 

antar dua nada disebut dengan interval. Interval
dari deretan nada C-D-E-F-G-A-B-C adalah 11-½ -1-1-1-½. Jarak sebesar 1 disebut dengan
wholetone dan jarak sebesar ½ disebut
semitone. Jarak enam antara dua nada yang
sama disebut satu oktaf. Contohnya adalah jarak
antara nada C1 sampai nada C2. Nada C2
berada satu oktaf di atas nada C1.
Nada natural dapat dinaikkan maupun
diturunkan sebanyak ½ nada. Nada yang
dinaikkan ½ nada diberi simbol #, sedangkan
nada yang diturunkan ½ nada diberi simbol b.
Misalnya nada C dinaikkan ½ nada menjadi C#.
Nada C# atau bisa disebut cis ini sama dengan
nada Db. Untuk nada E bila dinaikkan ½ nada
akan menjadi nada E# atau sama dengan nada F,
karena interval dari kedua nada ini adalah ½.
Begitu pula pada nada B ke C. Dengan
demikian, terdapat 12 nada, yaitu C, C#, D, D#,
E, F, F#, G, G#, A, A#, B. Tangga nada adalah
susunan nada-nada dengan sistem jarak tertentu
di sepanjang kesatuan enam jarak nada atau
oktaf (Solapung 1991). Terdapat tujuh nada
yang dibedakan secara berurut dengan jarak
nada 1 dan jarak nada ½. Terdapat dua jenis
tangga nada dasar, yaitu tangga nada Do atau
tangga nada mayor dan tangga nada La atau
tangga nada minor.
 Tangga nada mayor memiliki susunan
sebagai berikut:
Jarak nada : 1 1 ½ 1 1 1 ½
Nada nyanyi : Do Re Mi Fa Sol La Si Do
 Tangga nada minor memiliki susunan
sebagai berikut:
Jarak nada : 1 ½ 1 1 ½ 1 1
Nada nyanyi : La Si Do Re Mi Fa Sol La
Contohnya untuk tangga nada C = Do atau
disebut juga tangga nada C mayor adalah
C-D-E-F-G-A-B-C.
Chord merupakan satuan nada-nada yang
dibunyikan secara serentak yang berfungsi
sebagai pengiring dalam lagu maupun
permainan
musik
(Hendro
2004).
Chord direpresentasikan dengan huruf C, D, E,
F, G, A, B. Terdapat pula chord C# = Db, D# =
Eb, E# = F, F# = Gb, A# = Bb, B# = C.
Terdapat banyak jenis chord berdasarkan nada
yang menyusunnya, di antaranya adalah chord
mayor, minor, augmented, dan diminished.
Setiap chord memiliki bentuk dan corak
yang berbeda sesuai dengan unsur-unsur
yang membentuknya. Chord sangat berperan
dalam keharmonisan sebuah lagu. Chord
umumnya terdiri atas tiga nada, yaitu nada ke-1,
nada ke-3, dan nada ke-5 dari tangga nada
penyusunnya. Hal ini disebut triad. Misalnya

chord C mayor atau C dengan tangga nada C-DE-F-G-A-B-C terdiri atas nada C, E, dan G.
Chord C minor atau Cm dengan tangga nada CD-Eb-F-G-Ab-Bb-C terdiri atas nada C, Eb, dan
G. Chord mayor memiliki jarak nada ke-1 ke
nada ke-3 dan nada ke-3 ke nada ke-5 berturutturut sebesar 2 dan 1½. Chord minor memiliki
jarak nada ke-1 ke nada ke-3 dan nada ke-3 ke
nada ke-5 berturut-turut sebesar 1½ dan 2.
Chord-chord yang menyusun sebuah lagu
dapat ditentukan berdasarkan nada dasarnya.
Yaitu, chord yang nada penyusunnya terdapat
dalam tangga nada dasar lagu tersebut. Sebagai
contoh pada nada dasar D = Do dengan tangga
nada D-E-F#-G-A-B-C#-D, chord yang
mungkin dimainkan adalah:
 Chord I (tonic) atau D mayor (D-A-F#)
 Chord II (super tonic) atau E minor (E-AF#)
 Chord III (mediant) atau F# minor (F#-AC#)
 Chord IV (dominant) atau G mayor (G-B-D)
 Chord V (sub dominant) atau A mayor (AC#-E)
 Chord VI (sub mediant) atau B minor (B-DF#)
 Chord VII (lead tone) atau C# half
diminished (C#-E-G)
Tonic, dominant, dan sub dominant adalah
chord mayor yang berfungsi sebagai chord
pokok atau chord utama. Di sisi lain, super
tonic, mediant, dan sub mediant adalah chord
minor yang berfungsi sebagai chord pembantu.
Setiap chord mayor memiliki hubungan
paralel atau dekat dengan chord minor yang
disebabkan oleh kesamaan nada-nada yang
menyusun tangga nadanya, yaitu:
 Chord C dengan chord Am
 Chord C# dengan chord A#m
 Chord D dengan chord Bm
 Chord D# dengan chord Cm
 Chord E dengan chord C#m
 Chord F dengan chord Dm
 Chord F# dengan chord D#m
 Chord G dengan chord Em
 Chord G# dengan chord Fm
 Chord A dengan chord F#m
 Chord A# dengan chord Gm
 Chord B dengan chord G#m
Gitar merupakan alat musik yang paling
banyak dikenal oleh masyarakat. Suara yang
dihasilkan berasal dari senar yang dipetik atau
dipukul yang ditekan pada posisi fret tertentu

3
 

ataupun tidak ditekan. Pada alat musik gitar,
satu nada yang sama dapat dihasilkan dari posisi
yang berbeda. Ilustrasi letak nada-nada yang
ada pada gitar dapat dilihat pada Gambar 1.

Gambar 1 Ilustrasi dari 12 fret pertama dan
nada-nada yang dihasilkan dengan
cara menekan senar pada fret-fret
tertentu (Vaseghi 2007)
Oleh karena itu, chord pada gitar juga dapat
dibentuk dengan berbagai posisi seperti terlihat
pada Gambar 2. Posisi pembentukan semua
chord yang digunakan lebih lengkapnya dapat
dilihat pada Lampiran 1.
Chord D

Chord D

Proses digitasi suara terdiri atas dua tahap,
yaitu sampling dan kuantisasi (Jurafsky dan
Martin 2000). Gambar 4 menunjukkan sinyal
digital. Sampling ialah proses pengambilan nilai
setiap jangka waktu tertentu. Nilai ini
menyatakan amplitudo (besar/kecilnya) volume
suara pada saat itu. Hasilnya adalah sebuah
vektor yang menyatakan nilai-nilai hasil
sampling. Panjang vektor data ini tergantung
pada panjang atau lamanya suara yang
didigitalisasikan serta sampling rate yang
digunakan pada proses digitalisasinya. Sampling
rate itu sendiri adalah banyaknya nilai yang
diambil setiap detik. Sampling rate yang biasa
digunakan ialah 8000 Hz dan 16000 Hz
(Jurafsky dan Martin 2000). Hubungan antara
panjang vektor data yang dihasilkan dan
sampling rate dengan panjang data suara yang
digitalisasikan
dapat
dinyatakan
secara
sederhana sebagai berikut.

S = Fs * T 
Keterangan:

S = panjang vektor
Fs = sampling rate yang
digunakan (Hertz)
T = panjang suara (detik).

Setelah melalui tahap sampling, proses
selanjutnya ialah kuantisasi, yaitu menyimpan
nilai amplitudo ini ke dalam representasi nilai 8
bit atau 16 bit (Jurafsky dan Martin 2000).

 
 
 

Gambar 2 Ilustrasi bentuk chord D pada
posisi posisi yang berbeda

 

Sinyal
Sinyal adalah suatu kuantitas fisik yang
bervariasi dengan waktu, ruang, maupun
sembarang satu atau lebih peubah bebas
lainnya. Sinyal suara terbuat dari hasil
transformasi yang sangat kompleks dari
beberapa tingkat semantik (tata bahasa),
linguistik (gaya bicara, emosi dialek),
artikulosis (proses suara), dan akustik (nada
suara, spektrum, dan profil energi).

Gambar 3 Bentuk sinyal analog

Sinyal suara merupakan gelombang atau
getaran analog yang merambat melalui medium
(zat perantara). Manusia dapat mendengar suara
dikarenakan adanya getaran yang merambat dari
medium lain sampai ke telinga manusia. Sinyal
analog dapat dilihat pada Gambar 3.
Gambar 4 Bentuk sinyal digital

4
 

Ekstraksi ciri
Ekstraksi ciri merupakan proses mengubah
bentuk gelombang suara dengan beberapa jenis
representasi parametrik sehingga ciri dan pola
dari suara tersebut dapat dilihat. Ketika diamati
dalam jangka waktu yang sangat pendek (5-100
ms), karakteristiknya relatif sama. Namun,
dalam jangka waktu yang panjang (lebih dari
0.2 detik) karakteristik sinyal berubah dan
merefleksikan
perbedaan
sinyal
yang
diucapkan. Oleh karena itu, digunakan spektrum
waktu pendek (short-time spectral analysis)
untuk mengkarakterisasi sinyal suara.
MFCC (Mel-Frequency Cepstrum
Coefficients)
Tujuan utama dari proses MFCC adalah
menirukan perilaku dari pendengaran manusia.
MFCC didasarkan pada variasi yang telah
diketahui dari jangkauan kritis telinga manusia
terhadap frekuensi. Filter dipisahkan secara
linear pada frekuensi rendah dan logaritmik
pada frekuensi tinggi. Hal ini telah dilakukan
untuk menangkap karakteristik penting dari
sinyal suara. Selain itu, MFCC telah terbukti
bisa menyebutkan variasi dari gelombang suara
itu sendiri. Diagram alir dari MFCC dapat
dilihat pada Gambar 5.
Continous
Speech

Mel
Cepstrum

Frame
Blocking

Windowing

Cepstrum

FFT

Mel
Frequency

Gambar
a 5 Diagram blok proses MFCC (Do 1994)
Penjelasan tahapan pada proses MFCC
sebagai berikut (Do 1994):
1 Frame blocking.
Pada tahap ini, sinyal suara (continuous
speech) dibagi ke dalam frame-frame. Tiap
frame terdiri atas N sample. Frame yang
satu dengan yang lainnya memiki overlap
antara 0, 25, 50, dan 75%.
2 Windowing.
Proses
selanjutnya ialah melakukan
windowing pada tiap frame yang bertujuan
meminimalkan diskontinuitas sinyal pada
awal dan akhir tiap frame. Konsepnya
meminimalkan distorsi spektral dengan
menggunakan window untuk memperkecil
sinyal hingga mendekati nol pada awal dan
akhir tiap frame. Jika window didefinisikan
sebagai w(n), 0 ≤ n ≤ N-1, dengan N ialah
banyaknya sampel tiap frame, hasil
windowing ialah sinyal dengan persamaan

Y(n) = x(n) w(n), 0 ≤ ...n ≤ N-1. Pada
umumnya yang digunakan ialah Hamming
window dengan persamaan:
w(n) = 0.54 - 0.46 cos (2πn/N-1), 0 ≤ n ≤ N-1 
3

Fast Fourier Transform (FFT).
Pada tahap ini dilakukan konversi dari
domain waktu ke domain frekuensi untuk
tiap-tiap frame. FFT ialah suatu algoritme
untuk mengimplementasikan DFT (Discrete
Fourier Transform) yang didefinisikan pada
himpunan N sampel {xk} sebagai berikut :
N 1

X k   x n e  j 2kn / N  , k  0,1,2,..., N  1
n0

j digunakan untuk menotasikan unit
imajiner, yaitu j = √-1. Secara umum, Xk
adalah bilangan kompleks. Barisan {Xk}
yang diartikan ialah sebagai berikut:
frekuensi nol berkorespondensi dengan n=0,
frekuensi
positif 0 < f < Fs/2
berkorespondensi dengan nilai 1 ≤ n ≤
N/2-1, sedangkan frekuensi negatif -Fs/2 <
f < 0 berkorespondensi dengan N/2+1 < n <
N-1. Dalam hal ini f adalah sampling
frequency. Hasil yang didapatkan dalam
tahap ini biasa disebut dengan spektrum
sinyal atau periodogram.
4 Mel-frequency wrapping.
Tahap ini merupakan hasil studi psikofisik
yang
menunjukkan
bahwa
persepsi
pendengaran manusia terhadap frekuensi
sinyal suara tidak berupa skala linier. Oleh
karena itu, untuk setiap nada dengan
frekuensi f, tinggi subjektifnya diukur
dengan skala ‘mel’. Frekuensi skala ‘mel’
adalah selang frekuensi di bawah 1000 Hz
dan selang logaritmik untuk frekuensi di
atas 1000 Hz sehingga persamaan berikut
dapat digunakan untuk perhitungan melfrequency pada frekuensi f dalam satuan
Hertz :
Mel(f) = 2595 * log10 (1 + f/700).
5 Cepstrum.
Tahapan ini merupakan langkah terakhir
proses MFCC, yaitu dengan mengonversi
log mel spectrum dari domain frekuensi ke
domain waktu. Hasilnya disebut mel
frequency cepstrum coefficients. Hasil
tersebut merupakan representasi cepstral
spektrum suara berupa properti spektral
lokal yang baik dari suatu sinyal untuk
analisis frame. Mel spectrum coefficients
(dan logaritmanya) berupa bilangan real
sehingga dapat dikonversikan ke domain
waktu dengan metode DCT (discrete cosine
transform).

5
 

Jaringan Saraf Tiruan (JST)
Jaringan saraf tiruan (JST) adalah sebuah
sistem pemrosesan informasi yang memiliki
karakteristik yang hampir sama dengan jaringan
saraf biologis (Fausett 1994). Jaringan saraf
tiruan telah banyak digunakan dalam berbagai
aplikasi, misalnya: pemrosesan sinyal, sistem
kontrol,
pengenalan
pola,
pengobatan,
pengenalan suara, produksi suara, dan bisnis.
Sebuah JST terdiri atas sejumlah elemen
pemroses yang dinamakan neuron. Masingmasing neuron ini dihubungkan ke neuron
lainnya dengan suatu bilangan yang dinamakan
weight atau bobot keterhubungan, yang berisi
informasi yang digunakan jaringan untuk
menyelesaikan masalah.
Sebuah JST pada umumnya memiliki
karakteristik:
arsitektur,
algoritme
pembelajaran, dan fungsi aktivasi. Arsitektur
adalah pola koneksi antar neuron. Algoritme
pembelajaran adalah metode yang digunakan
untuk menentukan bobot keterhubungan. Fungsi
aktivasi adalah fungsi yang digunakan neuron
untuk memetakan sinyal masukan yang diterima
menjadi sinyal keluaran yang akan dikirimkan
ke neuron lainnya.
Menurut arsitekturnya, JST seringkali
diklasifikasikan sebagai jaringan lapis tunggal
dan jaringan lapis jamak. Jaringan lapis tunggal
terdiri atas satu lapis unit masukan dan satu
lapis unit keluaran. Jaringan lapis jamak terdiri
atas satu lapis unit masukan, n lapis unit
tersembunyi, dan satu lapis unit keluaran.
Arsitektur jaringan lapis jamak dengan satu
lapis unit tersembunyi dapat dilihat pada
Gambar 6.
 

 
 
  Gambar 6 Arsitektur jaringan lapis jamak
dengan satu lapis unit tersembunyi
 
Kehadiran unit-unit tersembunyi dan fungsi
aktivasi pada jaringan dapat memberikan
kemampuan
kepada
jaringan
untuk

menyelesaikan lebih banyak masalah daripada
jaringan yang hanya memiliki unit-unit
masukan dan unit-unit keluaran.
Menurut Fausett (1994), suatu JST dicirikan
oleh tiga hal berikut:
1 Arsitektur jaringan saraf tiruan
Arsitektur jaringan adalah pengaturan
neuron dalam suatu lapisan yang akan
dihubungkan
dengan
lapisan-lapisan
sebelum dan sesudahnya. Dalam JST,
neuron-neuron diatur dalam sebuah lapisan
(layer). Ada tiga tipe lapisan, yaitu lapisan
input, lapisan tersembunyi (hidden layer),
dan lapisan output. Jaringan neuron
dikelompokan sebagai lapis tunggal (single
layer), yang tediri atas lapisan input dan
output, dan lapisan banyak (multiple layer)
yang terdiri atas lapisan input, lapisan
tersembunyi, dan lapisan output.
2 Metode pembelajaran untuk penentuan
pembobot koneksi.
Metode pembelajaran digunakan untuk
menentukan nilai pembobot yang akan
digunakan pada saat pengujian. Ada dua tipe
pembelajaran, yaitu dengan supervised
learning (terarah) dan unsupervised learning
(tidak terarah). Pembelajaran supervised
mengasosiasikan vektor-vektor masukan
dengan target keluaran, contohnya: Hebb,
Perceptron, Adaline, Learning Vector
Quantization (LVQ), dan BackPropagation.
Pembelajaran unsupervised mengelompokkan vektor-vektor masukan yang memiliki
sifat mirip menjadi satu keluaran tanpa
memperhatikan target keluaran, contohnya:
Self Organizing Maps (SOM) dan Adaptive
Resonance Theory (ART).
3 Fungsi aktivasi yang digunakan.
Fungsi aktivasi merupakan fungsi yang
menentukan level aktivasi, yaitu keadaan
internal sebuah neuron dalam JST. Keluaran
aktivasi ini biasanya dikirim sebagai sinyal
ke neuron lainnya. Contoh fungsi aktivasi
ialah fungsi identitas, fungsi tangga biner,
fungsi tangga bipolar, fungsi sigmoid biner,
dan fungsi sigmoid bipolar.
JST Propagasi Balik
Jaringan propagasi balik (propagation
network) adalah jaringan umpan maju berlapis
banyak (multilayer feedforward network).
Aturan pembelajaran propagasi balik disebut
backpropagation yang merupakan jenis dari
teknik gradient descent dengan backward error
(gradient) propagation (Fu 1994).
Menurut Pandjaitan (2007), propagasi balik
mengacu pada metode pelatihan JST yang

6
 

menggunakan pengaturan bobot pada jaringan
yang serupa dengan jaringan umpan maju.
Selama operasinya, semua informasi mengalir
dengan arah maju. Teknologi jaringan propagasi
balik akan mengatur bobot jaringannya pada
arah
berlawanan
dengan
menggunakan
perubahan error sesaat.
Menurut Fausett (1994), fungsi aktivasi
yang digunakan dalam propagasi balik ialah
fungsi sigmoid. Hal ini disebabkan dalam
jaringan propagasi balik fungsi aktivasi yang
digunakan
harus
kontinyu,
dapat
didiferensialkan, dan monoton naik. Salah satu
fungsi aktivasi yang paling banyak digunakan
adalah fungsi sigmoid biner, yang memiliki
selang [0, 1] dan didefinisikan sebagai:
f1(x) =

1
1 + exp (-x)
Turunannya adalah:

(1)

f1’(x) = f1(x) [1 - f1 (x)]

(2)

Grafik fungsi sigmoid biner dapat dilihat pada
Gambar 7 dengan n sebagai masukan dan a
sebagai keluaran dari neuron tersebut.

masukan ini akan berubah sesuai dengan
propagasi pola tersebut ke lapisan-lapisan
berikutnya hingga menghasilkan keluaran.
Keluaran ini akan dibandingkan dengan target.
Apabila dari hasil perbandingan dihasilkan nilai
yang sama, proses pembelajaran akan berhenti.
Apabila berbeda, jaringan akan mengubah
pembobot yang ada pada hubungan antarneuron agar nilai keluaran lebih mendekati nilai
target.
Proses perubahan pembobot dilakukan
dengan mempropagasikan kembali nilai korelasi
galat keluaran jaringan ke lapisan-lapisan
sebelumnya (propagasi balik). Kemudian dari
lapisan masukan, pola akan diproses lagi untuk
mengubah nilai pembobot hingga akhirnya
memperoleh keluaran jaringan baru. Proses ini
dilakukan berulang-ulang hingga diperoleh nilai
yang sama atau minimal sesuai dengan galat
yang diinginkan. Proses perubahan pembobot
inilah yang disebut proses pembelajaran.

METODE PENELITIAN
Penelitian ini dilakukan dengan mengambil
data suara pada gitar yang dihubungkan
langsung dengan komputer melalui sebuah
kabel audio dan direkam menggunakan software
MatLab.
Kerangka Pikir Studi
Diagram alur penelitian yang dilakukan
dapat dilihat pada Gambar 8. 

Gambar 7 Grafik fungsi sigmoid biner
Menurut Fausett (1994), jaringan propagasi
balik menggunakan metode pembelajaran
dengan pengarahan (supervised learning). Sifat
utama jaringan propagasi balik adalah dapat
mengenali ciri utama pelatihan yang diberikan
pada masukan. Jaringan dapat dirancang dan
dilatih untuk mengenali bermacam-macam
pemetaan karena simpul lapisan dalam dapat
dilatih untuk menanggapi ciri-ciri utama yang
ditemukan pada masukan.
Pelatihan JST backpropagation memiliki
tiga tahapan, yaitu pelatihan masukan yang
bersifat umpan maju, perhitungan galat, dan
penyesuaian pembobot. Secara umum, cara
kerja JST backpropagation terdiri atas beberapa
langkah. Pertama, pola masukan dan target
dimasukkan dalam jaringan. Selanjutnya, pola

Pengambilan Data
Data yang digunakan adalah suara 24 jenis
chord gitar yang dimainkan dengan cara
dipukul serentak dari atas ke bawah dan
direkam masing-masing sebanyak 40 kali
pengulangan.
Untuk
mempertahankan
kestabilan suara chord, gitar dikalibrasi setiap
kali pengambilan data suara sehingga
memberikan kestabilan dan kemudahan pada
saat perekaman suara atau pengambilan data.
Dengan demikian, masing-masing chord
memiliki 40 data suara. Kemudian, dipilih data
suara secara acak dari masing-masing chord
untuk dijadikan sebagai data latih dan data uji
dengan perbandingan 50:50, 60:40, dan 75:25.
Chord-chord yang dipakai adalah 24 jenis
chord mayor dan minor seperti yang terlihat
pada Tabel 1. Ke-24 chord mayor dan minor
tersebut hanya dimainkan pada satu posisi saja.
Bentuk 24 chord mayor dan minor yang
digunakan untuk proses pelatihan dan pengujian
pada penelitian ini dapat dilihat pada Lampiran
1.

7
 

selama 5 detik dan disimpan dalam file
berekstensi WAV. Masing-masing chord
direkam dengan sampling rate sebesar 11000
Hz.

Mulai

Pengambilan Data

Praproses

Data Latih

Data Uji

Ekstraksi ciri
(MFCC)

Setelah tahap standardisasi selesai, tahap
praproses selanjutnya adalah penghapusan
silence. Silence merupakan bagian ‘diam’ yang
biasanya terdapat pada saat awal dan akhir
perekaman suara.

Pembuatan model
JST

Pengujian

Ekstraksi ciri
(MFCC)

Analisis hasil

Dokumentasi
Penelitian

Selesai

Gambar 8 Diagram proses pengenalan chord gitar
Tabel 1 Daftar chord gitar yang digunakan
 
 

Chord Mayor

Praproses
Data suara yang sudah didapat harus melalui
tahap praproses terlebih dahulu. Tahapan
praproses terdiri atas standardisasi suara dan
penghapusan silence. Setiap rekaman suara
memiliki nilai range amplitudo yang berbedabeda. Oleh karena itu, semua data suara
dinormalisasi dengan cara membagi setiap nilai
dengan nilai maksimum pada data masingmasing suara sehingga didapatkan range nilai
amplitudo suara yang sama.

Chord Minor

Pemilihan Data Latih dan Data Uji
Data latih dan data uji dipilih dengan
perbandingan 50:50, 60:40, dan 75:25.
Pemilihan data untuk pelatihan dan pengujian
dilakukan secara acak menggunakan permutasi
acak.
Proses Ekstrasi Ciri
Data suara yang direkam dan dihapus
silence-nya masih terlalu besar jika diproses
untuk pengenalan pola maka dilakukan proses
ekstraksi ciri. Ekstraksi ciri merupakan proses
menentukan suatu nilai atau vektor yang dapat
digunakan sebagai penciri objek. Pada
pemrosesan suara, ciri yang biasa digunakan
adalah nilai koefisien cepstral dari sebuah
frame. Metode ekstraksi ciri yang digunakan
ialah MFCC.

 

C
C#
D
D#
E
F
F#
G
G#
A
A#
B

Cm
C#m
Dm
D#m
Em
Fm
F#m
Gm
G#m
Am
A#m
Bm

Data direkam langsung dengan gitar melalui
kabel audio menggunakan software MatLab

Perancangan Jaringan Saraf Tiruan
Perancangan JST propagasi balik yang
digunakan adalah multilayer perceptron dengan
satu hidden layer. Jumlah neuron input
disesuaikan dengan hasil pereduksian MFCC.
Jumlah neuron hidden akan dicobakan beberapa
nilai sebagai pembanding, sedangkan jumlah
neuron output disesuaikan dengan target sumber
suara. Struktur JST dapat dilihat pada Tabel 2.
Penentuan Target Hasil Identifikasi
Penentuan target dimaksudkan untuk
menentukan atau memposisikan hasil yang
didapat dan akan digunakan untuk mengenali
chord tersebut sebagai salah satu dari 24 jenis
chord. Masing-masing chord diberi identitas
dengan menggunakan bilangan biner sebagai
acuan. Contohnya, chord A akan diberi identitas

8
 

sebagai chord pertama dengan bilangan biner
00001, chord E diberi identitas sebagai chord
ke-15 dengan bilangan biner 01111. Daftar
chord dan masing-masing bilangan binernya
dapat dilihat pada Tabel 3.
Tabel 2 Struktur JST Backpropagation yang
dikembangkan
Karakteristik

Spesifikasi

Jumlah neuron input
Jumlah neuron hidden
Jumlah neuron output
Fungsi aktivasi
Maksimal epoch
Toleransi galat

Dimensi hasil MFCC
48
24 (definisi target)
Sigmoid biner
2000
0.0001

Tabel 3 Daftar bilangan biner chord
Chord ke1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Chord
A
Am
A#
A#m
B
Bm
C
Cm
C#
C#m
D
Dm
D#
D#m
E
Em
F
Fm
F#
F#m
G
Gm
G#
G#m

Kode biner
00001
00010
00011
00100
00101
00110
00111
01000
01001
01010
01011
01100
01101
01110
01111
10000
10001
10010
10011
10100
10101
10110
10111
11000

Pengujian
Pengujian dilakukan pada data uji yang telah
dipersiapkan. Setiap data yang diuji akan dilihat
apakah data tersebut teridentifikasi pada chord
yang semestinya. Persentase tingkat akurasi
dihitung dengan fungsi berikut:
Jumlah chord yang benar
hasil =
Jumlah chord yang diuji

x 100%

Lingkup Pengembangan
Program diimplementasikan menggunakan
perangkat lunak Matlab sebagai pengolah data
dan perekam suara. Pemilihan perangkat lunak
Matlab dilakukan dengan mempertimbangkan
kemudahan perekaman dan pengelolaan data
dengan matriks besar.

HASIL DAN PEMBAHASAN
Proses Pengujian Chord
Dari semua data yang telah diperoleh yaitu
sebanyak 960 data diacak permutasi dan dibagi
menjadi data latih dan data uji. Pada percobaan
ini ada 3 kombinasi untuk pembagian data latih
dan data uji yakni perbandingan 50:50, 60:40,
dan 75:25 kemudian terlebih dahulu dilakukan
ekstraksi ciri dengan menggunakan MFCC.
Dalam pemakaiannya terdapat lima parameter
yang harus dimasukkan, yaitu input suara,
sampling rate, time frame, overlap, dan jumlah
cepstral coefficient. Pemilihan nilai untuk time
frame adalah 23.7 ms dan overlap 40 %.
Jumlah koefisien cepstral yang digunakan
sebanyak 13 dan 26 koefisien. Proses ekstraksi
ciri ini dilakukan terhadap semua data. MFCC
mengubah sinyal suara ke dalam suatu matriks
yang berukuran sama dengan jumlah koefisien
yang digunakan dikali dengan banyaknya frame
suara yang terbentuk. Matriks ini menunjukkan
ciri spectral dari sinyal suara tersebut.
Pada proses pembuatan JST, data yang
digunakan adalah data latih terpilih yang sudah
berupa ciri dari suara chord yang telah
diperoleh pada tahap sebelumnya, sedangkan
data uji digunakan untuk menguji model JST
yang sudah dibuat sehingga memperoleh hasil
rataan tingkat akurasi untuk setiap chord.
Dapat dilihat pada Gambar 9 bahwa akurasi
terbaik didapatkan pada percobaan dengan
perbandingan data latih dan data uji 75:25,
dengan 26 koefisien MFCC, yaitu sebesar
98.75%. Pada setiap perbandingan data, dapat
dilihat pula bahwa hasil percobaan dengan 26
koefisien MFCC mampu memberikan hasil
akurasi yang lebih baik dibandingkan dengan 13
koefisien MFCC. Total keseluruhan hasil
akurasi yang didapatkan mampu mencapai di
atas 90% dan dapat dikatakan baik.
Evaluasi Hasil Identifikasi
Tabel 4 menunjukkan hasil akurasi pada
percobaan dengan perbandingan data latih dan
data uji 75:25. Jika dirata-ratakan, hasil akurasi
dengan 26 koefisien mendapatkan peningkatan
sebesar 3.3% lebih baik daripada akurasi

9
 

dengan 13 koefisien. Pada pengenalan chord F#
hasil akurasi rata-rata yang didapatkan adalah
92.7%, dengan akurasi terkecil 81.25% dan
akurasi terbesar 100%. Pada percobaan
sebelumnya, akurasi yang didapatkan adalah
antara 20% sampai 66%. Hasil yang didapatkan
pada percobaan dengan 26 koefisien dominan
menunjukkan hasil yang lebih baik, namun
terdapat salah satu hasil yang menunjukkan
penurunan akurasi, yaitu pada chord G#m. Hal
ini mungkin disebabkan oleh kurang stabilnya
perangkat keras sehingga percobaan berikutnya
mendapatkan hasil yang kurang baik. Tabel
hasil akurasi dan tabel pengenalan chord lebih
lengkapnya dapat dilihat pada lampiran 3 dan 4.

Kemiripan Antar Chord
Pengenalan antar-chord yang mirip atau
berdekatan sering terjadi karena pada saat
dipraktikkan pada alat musik gitar hanya
terdapat sedikit perbedaan bentuk chord. Salah
satu kesalahan identifikasi terjadi pada
pengenalan chord E dan chord E Minor. Hal ini
mungkin juga dikarenakan ciri yang didapatkan
dari ekstraksi ciri kedua chord tersebut
memiliki kesamaan sehingga bisa salah
diidentifikasi juga oleh komputer. Hasil sinyal
yang didapatkan dari perekaman chord E dan
chord E Minor beserta hasil ekstraksi cirinya
dapat dilihat pada Gambar 10 dan 11. Hasil
keseluruhan ekstraksi ciri chord dapat dilihat
pada Lampiran 2.

 
Gambar 10 Sinyal dan hasil ciri chord E

Gambar 9 Grafik perbandingan akurasi
Tabel 4 Hasil akurasi pengenalan chord
Chord
A
Am
A#
A#m
B
Bm
C
Cm
C#
C#m
D
Dm
D#
D#m
E
Em
F
Fm
F#
F#m
G
Gm
G#
G#m
Rata-rata

13 koefisien

100%
90%
90%
100%
100%
100%
90%
100%
100%
100%
100%
100%
90%
100%
80%
90%
90%
90%
90%
100%
100%
90%
100%
100%
95.42%

 

25 koefisien

100%
90%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
90%
100%
100%
100%
100%
100%
100%
90%
98.75%

Gambar 11 Sinyal dan hasil ciri chord E Minor

KESIMPULAN DAN SARAN
Kesimpulan
Pada penelitian ini, metode JST dan teknik
MFCC telah berhasil diimplementasikan dalam
mengenali chord pada gitar dengan rataan
akurasi sebesar 92%. Chord F#, yang pada
penelitian sebelumnya sulit untuk dikenali
dengan metode codebook, mampu diidentifikasi
dengan baik pada penelitian ini yaitu dengan
akurasi rata-rata sebesar 92.5%.
Saran
Penelitian ini masih sangat sederhana
sehingga memungkinkan untuk dikembangkan
lebih lanjut. Saran-saran yang dapat diberikan
untuk pengembangan lebih lanjut adalah:
1

Pada penelitian ini, chord yang dicobakan
hanya dimainkan dengan dipukul searah
saja. Jika dimasukkan chord yang sama dan
dimainkan dengan cara dipetik bersamaan
atau dengan cara dan posisi berbeda,

10
 

kemungkinan besar chord akan salah
dikenali.
Maka,
disarankan
untuk
memodelkan semua cara permainan gitar
yang ada untuk memainkan suatu chord.
2

Mengembangkan sistem sehingga dapat
mengenali chord yang dimainkan langsung
dari gitar pada saat pengujian.

3

Mengembangkan sistem agar dapat
mengenali chord tertentu dari kombinasi
beberapa chord.

DAFTAR PUSTAKA
 
Do MN. 1994. DSP (digital signal processing)
mini-project: an automatic recognition
system.
[internet].
http://ifp.illinois.edu/~minhdo/teaching/spea
ker_recognition/speaker_recognition.doc [15
Jun 2009].
Fausett L. 1994. Fundamentals of Neural
Network. New York: Prentice Hall.

Fu LM. 1994. Neural Networks in Computer
Intelligence. Singapura: McGraw-Hill.
Hendro. 2004. Panduan Praktis Improvisasi
Gitar. Jakarta: Penerbit Puspa Swara.
Jurafsky D, Martin JH. 2000. Speech and
Language Processing an Introduction to
Natural
Language
Processing,
Computational Linguistic, and Speech
Recognition. New Jersey: Prentice Hall.
Pandjaitan LW. 2007. Dasar-Dasar Komputasi
Cerdas. Yogyakarta: ANDI.
Solapung KA. 1991. Gitar Tunggal. Jakarta: PT
Intermasa.
Vaseghi SV. 2007. Multimedia Signal
Processing. New Jersey: John Wiley &
Sons.
Wisnudisastra E. 2009. Pengenalan chord pada
alat musik gitar menggunakan codebook
dengan teknik ekstraksi ciri MFCC
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.

12
 

Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian

 

13
 

Lampiran 1 Lanjutan

 
 
 
 
 
 

14
 

Lampiran 2 Sinyal-sinyal chord yang didapatkan
Sinyal chord A

Sinyal MFCC chord A

Sinyal chord A Minor

Sinyal MFCC chord A Minor

Sinyal chord A #

Sinyal MFCC chord A #

15
 

Lampiran 2 Lanjutan
Sinyal chord A # Minor

Sinyal MFCC chord A # Minor

Sinyal chord B

Sinyal MFCC chord B

Sinyal chord B Minor

Sinyal MFCC chord B Minor

16
 

Lampiran 2 Lanjutan
Sinyal chord C

Sinyal MFCC chord C

Sinyal chord C Minor

Sinyal MFCC chord C Minor

Sinyal chord C #

Sinyal MFCC chord C #

17
 

Lampiran 2 Lanjutan
Sinyal chord C # Minor

Sinyal MFCC chord C #
Minor

Sinyal chord D

Sinyal MFCC chord D

Sinyal chord D Minor

Sinyal MFCC chord D Minor

18
 

Lampiran 2 Lanjutan
Sinyal chord D #

Sinyal MFCC chord D
#

Sinyal chord D # Minor

Sinyal MFCC chord D # Minor

Sinyal chord E

Sinyal MFCC chord E

19
 

Lampiran 2 Lanjutan
Sinyal chord E Minor

Sinyal MFCC chord E Minor

Sinyal chord F

Sinyal MFCC chord F

Sinyal chord F Minor

Sinyal MFCC chord F Minor

20
 

Lampiran 2 Lanjutan
Sinyal chord F #

Sinyal MFCC chord F #

Sinyal chord F # Minor

Sinyal MFCC chord F # Minor

Sinyal chord G

Sinyal MFCC chord G

21
 

Lampiran 2 Lanjutan
Sinyal chord G Minor

Sinyal MFCC chord G Minor

Sinyal chord G #

Sinyal MFCC chord G #

Sinyal chord G # Minor

Sinyal MFCC chord G # Minor

22
 

Lampiran 3 Tabel hasil akurasi

23
 

Lampiran 4 Tabel pengenalan chord